医疗AI公司真正的竞争,不是模型,而是知识,为什么医疗软件公司不必重复造一个大模型?

过去两年，AI的发展速度，远远超过了大多数人的想象。

国外的闭源模型我就不说了，仅仅国内，几乎每隔几个月，都会出现一个新的开源大模型版本。

Qwen，Kimi，DeepSeek，GLM…

还有越来越多优秀的模型不断出现。

与此同时，越来越多的软件公司开始宣传：“我们拥有自己的医疗大模型。”

刚开始，我也一直在思考。

医疗软件公司，是不是也应该训练一个属于自己的大模型？

后来，随着AI项目越做越多，我越来越觉得。

真正的问题，可能问错了。

医疗软件公司，真的需要重新训练一个大模型吗？

训练一个基础大模型，意味着什么？

海量的数据，庞大的GPU算力。

持续数月甚至更长时间的训练。

巨额投入。

而当模型终于训练完成的时候。

开源社区，很可能已经发布了下一代模型。

今天追赶Qwen，明天追赶DeepSeek。

后天，又会出现新的模型。

如果始终跟着基础模型奔跑。

很容易出现一种局面。

一步落后，步步落后。

真正值得投入的，不是模型，而是医疗知识。

我越来越觉得。

基础模型，越来越像汽车发动机。

优秀的发动机，可以买，可以买国产的，可以买开源的。

甚至未来，可能会越来越便宜。

真正决定一辆汽车价值的。

不是发动机，而是整车设计。

医疗AI也是一样，真正值钱的。

不是参数，不是模型，不是算力，而是医疗知识，是临床工作流，是医生几十年积累下来的经验。

什么才是真正的”医疗AI”？

很多人理解医疗AI，就是把一个通用模型，重新训练一遍。

其实，真正能够落地的医疗AI，远远不止如此。

它至少包括：

医疗领域继续训练，专业Prompt设计，医院知识库，RAG检索，临床工作流，权限管理，AI中台，医生审核。

最终形成一个完整的医疗AI体系。

基础模型，只是其中的一块基石，而不是全部。

RAG，为什么比重新训练模型更重要？

很多人第一次听到RAG，都会觉得这个名字很陌生。

其实它的思想非常简单：AI不要急着回答。

先查资料，再回答。

例如，今天国家发布了最新版围术期指南。

如果重新训练模型，可能需要几个月，甚至更长时间。

如果采用RAG，只需要把最新版指南加入知识库，几分钟以后，AI就能够引用最新内容回答问题。

模型没有改变，知识却已经更新，这就是RAG最大的价值。

不是让AI更聪明，而是让AI始终站在最新知识之上。

大模型决定AI有多聪明，RAG决定AI有多可靠

这是我最近最大的体会。

大模型，负责理解，负责推理，负责生成答案。

而RAG，负责寻找依据，负责引用指南，负责调用医院制度，负责调用患者病历，负责调用最新知识。

对于医疗来说，可靠，往往比聪明更加重要。

因为医生真正需要的，不是一个会聊天的AI。

而是一个能够告诉你：“我的依据是什么。”，“我的结论来自哪里。”

这样的AI，才能真正进入临床。

医疗软件公司，真正应该建设什么？

如果让我规划一家医疗软件公司的AI路线。

我不会把绝大部分资源，投入到重新训练一个基础模型。

而会重点建设：医疗知识库，RAG平台，Prompt平台，AI中台，Agent平台，临床工作流。

这些能力，不会因为底层模型升级而失效。

今天可以使用Qwen，明天可以使用DeepSeek。

未来，还可以接入新的模型。

底层模型不断更新，上层能力持续积累，这才是一条能够长期发展的道路。

医院在AI时代，真正应该承担什么角色？

医院最大的财富，其实不是GPU，也不是服务器，而是数据，是真实世界里的临床经验，是规范的数据治理，是不断完善的医疗知识。

医院更适合作为：AI应用平台，知识提供者，临床验证者，工作流设计者。

而不是每一家医院，都去训练一个自己的基础大模型。

医院真正需要建设的，是自己的数字底座，自己的知识库，自己的AI中台。

让优秀的大模型，能够真正理解医院，理解医生，理解患者。

写在最后

刚开始接触AI的时候，我一直认为：

模型越大，AI越强。

后来慢慢发现。

真正决定医疗AI价值的。

并不是参数，而是知识。

不是GPU数量，而是临床经验。

不是模型排行榜，而是医生是否愿意相信它。

未来。

基础模型还会不断更新，新的模型还会不断出现。

但真正沉淀下来的，一定是医疗知识，是医院自己的数据，是临床工作流，也是医生几十年积累下来的经验。

模型可以不断更换，知识却会不断积累。

也许，这才是医疗AI真正的护城河。

模型终将开源，算力终将普及，真正不会贬值的，是医疗知识、临床经验，以及把它们组织起来的能力。

知而后行，行而求知。

从手术室到机房，从临床到系统。

记录一名麻醉医生关于医疗AI、医院信息化与持续成长的探索。

—— 医路智行录