张琨|从王小川的雄心,叹医疗AI征途漫漫最近，王小川率领百川智能全面转型、决战医疗大模型赛道的报道引发了广泛关注。我看了他在清华论坛的分享，请了我一堆老师和前老板捧场。昨天又读完他的深度分享，我的感受有些复杂：一方面，钦佩他的理想主义情怀与执行力；另一方面，也为百川智能在企业战略层面即将迎来的挑战捏了一把汗。在这个全AI行业都在为大模型寻找落地场景的当下，医疗AI无疑是非常诱人但也充满凶险的赛道。这不仅是一场AI技术能力的较量，更是技术乐观主义与医疗行业审慎主义之间的一场遭遇战。在这一代互联网与AI创业者中，王小川是极其罕见的、自带极强内在一致性的人。他极其聪明，且极其执着。他对大模型在医疗领域能力边界的判断，切中要害。他敏锐地指出，医疗AI的下半场绝不是过去十年的"感知AI"（读影像），而是核心的"推理AI"。他为生成式AI进入临床应用设定的几道门槛——低幻觉、强循证、会追问——也抓住了当前大模型在医学场景中的现实短板，我非常认同。小川带领的技术团队也很不错，Baichuan-M2在HealthBench评测中超越了OpenAI的开源模型，在全球开源医疗模型中排名第一，这个成绩说明技术路线是站得住的。更令人动容的是他的选择。在众多大模型公司扎堆社交、搜索、写代码等容易变现的场景时，他一头扎进了医疗。他说，"能够造出一个真正的医生，AGI就到来了"，将医疗作为通用人工智能的终极试金石。这种知其难而为之的底色，让他在技术、愿景与商业逻辑之间构建起一套难得的内在一致性。然而，越是自洽的逻辑，在撞上现实约束时，往往越难以感知摩擦力的存在。商业史反复验证过一个教训：代表先进生产力的技术，并不一定能自然而然地赢得市场。从模型评测领先到商业变现，中间还隔着相当长的一段路。企业成败往往取决于战略选择、切入角度，以及团队能否适应特定赛道的游戏规则等综合能力的比拼。当百川智能试图用互联网思维进入医疗赛道时，其策略上存在几处值得正视的错位。互联网人常常认为，在中国，医疗ToC比ToB更好做。这背后有一定依据：中国三级医院仅占医疗机构总数的7.8%，却承担了全国超过50%的门诊量，供需缺口真实存在。但从这个缺口直接推导出"院外C端是主战场"，逻辑上跳了一步。医疗的本质，不是单纯的信息提供，而是伴随着高度不确定性和责任风险的干预行为。任何在C端直接面向患者进行诊断的AI产品，都必须正视一个尚未解决的问题：责任由谁承担。在中国现有司法实践中，AI医疗损害的责任归属仍处于探索阶段，医院与AI供应商之间的责任分配尚无明确规则，遑论让AI独立面对C端用户。Babylon Health的案例常被援引为ToC医疗失败的教训。需要说明的是，Babylon曾在2021年估值近20亿美元，最终于2023年8月申请破产，其失败是多重因素叠加的结果：患者安全争议和公司治理问题被英国监管机构和临床医生持续质疑，逐步失去NHS合同，叠加SPAC上市后的财务压力，共同拖垮了这家公司。把它简单归结为"院外ToC"的方向性错误，虽有些过于简化。但其内核依然成立：绕开医疗机构体系、直接在C端复制互联网流量逻辑，是一条已被反复验证的窄路。中国本土的ToC慢病管理也有类似的经验。早期以在线问诊为主的C端模式，因为付费意愿低、用户缺乏持续动力，普遍面临盈利困境。这个问题在医疗AI的背景下，并未消失。我当年带领春雨医生的转型，就是在解决这样的战略层级的认知差距，非常可惜的是，这么多年过去，看起来很多人的认知仍未进步。小川在访谈中表达了对互联网大厂（如阿里“阿福”）的赞赏与忌惮。我对此表示他高估了大厂的能力，在医疗这种极度非标准的赛道里，竞争绝不是靠烧钱砸市场、堆砌顶级工程师就能赢的。大厂的基因是标准化、规模效应和通用API；而医疗的核心壁垒，在于其深厚的Domain Know-How、对医生老旧工作流（Workflow）的顺应、融合和改进，以及应对复杂且冗长的质量合规审批。这些“泥泞地带的脏活累活”，大厂往往做不来，也不愿做。这也正是纯粹医疗科技企业的护城河所在。那么，医疗AI真正的变现路径在哪里？针对百川的基因，有两点建议：商业变现机会确实存在于C端的海量需求中，但B端是任何医疗科技企业都无法绕过的信任来源。医疗AI的合理战略，既不是死磕纯B端（议价能力弱、集成重、回款慢），也不是裸奔纯C端（高风险、低信任、付费意愿存疑），而是以B端为背书、延伸C端服务的"2B2C"模式。这里的B端包括各种类型的医疗机构、保险机构、健康管理机构等生态伙伴。这一模式的核心，在于将责任链条理清楚：决策与监管的主体是有执照的医生、有职业训练的专家（B端），执行与陪伴的工具是AI（C端用户侧）。患者天然信任的是医院和医生，而不是一款App。AI助手通过医生的推荐或医嘱进入患者的日常管理，不仅解决了法律责任的归属问题，也解决了用户的信任门槛问题。AI独立行医，在现有体系下是伪命题；而AI作为医生延伸能力的工具，是完全可行的。所以，与知名医疗机构、权威行业学会的战略合作，与生态合作伙伴中的支付方、监管方的深度共创有多重好处，值得持续坚持。但这不是利润的来源。这里有一条值得坚守的分野：高风险的初诊和诊断判断，应当留在医生手里；而患者离院之后的那段旅程，才是AI真正能做事的地方。百川不要紧盯自己不擅长、责任大，而掌控力不在自己手里的院内市场。肿瘤术后的营养监测，慢病用药依从性的长期追踪，高压人群的情绪和睡眠管理——这些场景有三个特点：频次高、容错空间相对大、患者需要持续陪伴而医院无力覆盖。这个方向也与政策走向吻合。2025年11月，国家卫健委发布《关于促进和规范"人工智能+医疗卫生"应用发展的实施意见》，明确鼓励推动医疗卫生领域垂直大模型开发应用。同年12月，国家医保局将"人工智能辅助诊断"纳入病理诊断价格项目，首次理顺了AI辅助诊断的收费路径。支付端的松动，意味着B端医疗机构采购AI工具的意愿正在加强。这是百川们进入B端的窗口，而非障碍。当然，这条路需要企业构建重运营的能力，这里的“重”不是人力的重，而是资源投入的重。需要构建AI原生的规模化和个性化同时具备的服务能力。这条路既有技术打底的规模化优势，又有依托权威、专业渠道背书的变现能力。才是利润的来源。据弗若斯特沙利文预测，中国AI医疗市场将从2023年的88亿元增长至2033年的3157亿元，年复合增长率达43.1%，AI医疗的赛道足够大，容得下认真做事的人。技术可以把生命科学还原为精密的数学问题，但在真实的门诊里，医生面对的是充满社会学、心理学变量的"患病的人"。不要高估单纯技术能带来的变革，也不要高估大厂的实力。但要真正跨越技术领先与商业落地之间的鸿沟，需要褪去互联网时代的流量直觉，在医疗合规的框架内，找准碳基医生与硅基AI各自的位置。先进的技术能不能赢得未来，取决于它愿不愿意尊重医疗行业现实的重力。
夜雨聆风