•
又一家新晉AI獨角獸出現了。
今年2月，AI醫療公司OpenEvidence拿下了紅杉資本的7500 萬美元融資。這次融資後，OpenEvidence的10億美元，成為了新的AI獨角獸。
雖然說幹著AI醫療的活，但OpenEvidence的經營策略更像一家消費網際網路公司。
與大多數AI醫療公司走to B道路不同，OpenEvidence卻把目光放到了C端醫生群體，向所有醫生免費開放，通過廣告產生收入。
不僅商業模式像，OpenEvidence的使用者增長也很“網際網路”。
據公司創始人Daniel Nadler透露，現在1/4 的美國使用者醫生已經在用OpenEvidence。而一年之前，這一數字幾乎為零。這種迅速的市場滲透速度在醫療領域極為罕見。
也難怪，紅杉合夥人Pat Grady會評價說， OpenEvidence更像是一家披著AI醫療外殼的網際網路公司。
OpenEvidence的介面與ChatGPT很像，不過是專注於醫療領域的聊天機器人。
簡單來說，OpenEvidence能夠幫助醫生在漫長的「長尾」醫療資訊裡，精準找到他們需要的知識，從而顯著提升醫生處理罕見和複雜病例的能力。
不過與大多數垂直AI產品不同，OpenEvidence更像是一家消費網際網路公司。
從服務對象看，OpenEvidence沒有選擇醫院，而是把目光放在了醫生上。原因很簡單，傳統醫療產品的路徑需要通過醫院或其他機構的層層審批，落地周期過於漫長。
在傳統醫療落地路徑下，AI醫療公司負責人需要花三個月找到大型醫療集團的高層開個會，然後再花三個月找醫院的「AI委員會」開會。這個過程中還不排除會遇到醫院AI政策和AI監管政策的變化，落地前景存在很大的不確定。
在公司創始人Nadler看來，醫生不僅是一個職業，同時也是消費者。如果產品足夠優秀，能夠滿足他們的需求，醫生自然也會用，甚至還會形成自然傳播。這一點就像早期的特斯拉一樣。
其實，Daniel Nadler的想法並非沒有道理。在AI醫療領域，越來越多產品開始把服務對象放到醫生上，以避免了醫療機構冗長的購買審批流程。
比如，AI醫療筆記產品FreedAI就面向的是獨立執業臨床醫生。產品發佈不到2年的時間，每天有1萬個付費醫生使用，達到了1000萬美金ARR（年度經常性收入）。
在商業模式上，OpenEvidence也更像一家消費網際網路公司。
與大部分AI產品走訂閱模式不同，OpenEvidence選擇了免費提供服務，向所有醫生免費開放，通過廣告產生收入，產品迅速實現了自發傳播。
OpenEvidence的成長軌跡，也正如Nadler預想得一樣。Nadler披露說：
“如果算上所有活躍使用者，每月有 30-40 萬人接觸我們的系統，其中 20 多萬醫生會登錄並提問。換句話說，美國大約10%-25%的醫生，已經在某種程度上使用OpenEvidence了。”
也就是說，已經有1/4的美國使用者醫生在使用OpenEvidence的工具。而一年之前，這一數字幾乎為零。這種迅速的市場滲透速度在醫療領域極為罕見。
紅杉資本合夥人Pat Grady認為，這種自然傳播模式在醫療行業極為罕見，通常只在網際網路產品中才能見到。
那麼，OpenEvidence為什麼能夠實現如此快速的增長？
OpenEvidence的成功之處在於，抓住了醫生的一個痛點：醫學知識更新速度遠超醫生處理能力。
在美國，醫生的工作壓力很大。現在美國人口已達3.4億，且不斷增長，但老齡化趨勢加劇，而美國在職醫生只有100萬，醫生人手捉襟見肘。
除了臨床工作，他們還要花費大量時間仔細查閱期刊，以確保他們能夠掌握最新的治療資訊。
但想要跟蹤最新醫學知識並不容易。原因是，醫學知識的更新速度太快了。
現在基本上每分鐘就有兩篇新的醫學論文發表，一天24小時不間斷，一周七天都是如此。根據OpenEvidence測算，真正對醫生有用的，往往是頂尖的期刊，比如影響因子最高的前三分之一的期刊。按這個數量計算，醫學知識每五年就會翻一倍。
這意味著，醫生畢業後不久所學知識就會迅速過時。
當面臨複雜的病情，例如病人同時患有銀屑病和多發性硬化症時，傳統醫學資訊檢索工具（如PubMed和Google）難以直接有效地回答這些特定患者的特定用藥安全性問題，因為這些關鍵資訊通常隱藏在醫學論文的正文深處。
這時候，OpenEvidence的價值就來了。之所以OpenEvidence能實現這一點，與其高度強調資訊的精準性和透明度不無關係。
為了徹底解決幻覺的問題，OpenEvidence對訓練資料卡得很嚴格，所有訓練資料都必須是經過同行評審的醫學研究。
正因為如此，與大模型海量收集網際網路資料不同，OpenEvidence走了另一條相反的路：
完全放棄了網際網路上的健康博文或社交媒體內容，完全基於嚴格的同行評議醫學文獻進行訓練。
除了FDA和CDC公開的醫學文獻，OpenEvidence還與《新英格蘭醫學雜誌》等頂尖醫學期刊建立了合作關係。（《新英格蘭醫學雜誌》由馬薩諸塞州醫學會（Massachusetts Medical Society）所出版的評審性質的綜合性醫學期刊，1812年由約翰•柯川博士創辦，至今已連續出版超過200年。）
除了嚴格限制資料來源外，OpenEvidence在架構上沒有選擇只靠一個大模型的做法，而是採用了多個模型組成的「整合架構」，每個模型負責不同的任務，比如檢索、排序等。
Nadler的思路是，與其追求龐大的通用模型，不如訓練更小、更專業化的模型，在特定領域裡做到極致。
解決完了資訊精準性，OpenEvidence在資訊透明度上也花了很多功夫。
比如，醫生在使用OpenEvidence時，醫生能直接查看答案的來源。也就是說，OpenEvidence不是簡單地「壓縮」期刊的內容然後輸出，而是直接把流量送回期刊網站。
這樣一來，就形成了一個良性循環：醫生找到了可靠的內容，醫學期刊獲得了流量，也願意讓我們收錄他們的內容。
在Nadler的設想裡，AI醫療最大的想像在於，真正實現個性化醫療。AI都會把病人的所有具體情況與全球所有相關醫學知識進行匹配，形成一個超個性化的治療方案。
到那時候，可能120歲、130歲都不再是人類壽命的上限了。
OpenEvidence的脫穎而出，再次證明了兩件事情：
一是垂直場景資料的價值。正如Norwest Venture Partners合夥人Scott Beechuk所說，AI公司最深的護城河將由大型專有資料集創造。那些擁有獨特的資料集，能訓練或微調出自己的模型，並能夠在特定垂直管道中脫穎而出。
二是AI的價值並不體現在多厲害的測評資料，而在於能否抓住使用者需求。當下，醫生們並不期待大模型能夠創造癌症治癒的奇蹟，他們更現實的期望是，AI能否幫助自動化解決某個環節的小問題，而這些真實需求只有在長期深入行業、充分理解臨床工作流程後才能真正理解。 (烏鴉智能說)