夜雨聆风
背景
在医疗AI这个赛道，有一个近乎公认的逻辑：通用大模型太宽泛，医学需要专业性，所以要用专门针对医疗场景训练或优化的AI工具。
这个逻辑听起来顺理成章。医生问的问题，涉及药物交互、诊断思路、临床指南，不是普通人会问的问题，也不是普通AI该乱答的领域。于是，围绕这个逻辑，一批"临床AI工具"应运而生。
OpenEvidence是其中之一，专门面向美国临床医生，免费使用，靠广告盈利。2025年，它完成了2.1亿美元融资，估值35亿美元，被称为"史上增长最快的医生应用"。UpToDate则更老牌，是医学界几十年来的"参考圣经"，其AI版本UpToDate Expert AI以每年约699美元的个人订阅价向医生销售。
这两款工具都宣称，自己在通用大模型的基础上，通过医学知识检索增强（RAG）或专业训练，让AI在临床场景中表现更好、更安全。
2026年5月，纽约大学朗格尼健康中心的研究团队在《自然·医学》上发表了一篇论文，把这个前提直接拿去检验了一遍。[1]
三轮比赛，全部告负
研究设计了三个阶段的评测，从标准化题库到真实临床查询，难度依次递进。
第一关是500道美国执照考试（USMLE）风格的医学选择题。Gemini 3.1 Pro准确率97.4%，GPT-5.2是94.2%，Claude Opus 4.6是90.2%。OpenEvidence是89.6%，UpToDate是88.4%。
差距不算悬殊，但方向很清晰：三个通用模型占据前三位，两个专用工具排在后面。
第二关是500条HealthBench题目，这是OpenAI设计的一套标准，考查模型的回答与专业临床医生的判断有多一致。GPT得了88分（满分100），Gemini 79.3，Claude 77。两个专用工具：OpenEvidence 62.6，UpToDate 61.3。
这一关的差距就大了。
第三关最接近真实世界：100条来自纽约大学朗格尼医院的真实匿名临床查询，就是医生在工作中实际向院内HIPAA合规GPT系统提出的问题。12名临床医生在不知道答案来自哪个模型的情况下，从四个维度（临床正确性、完整性、安全性、表达清晰度）给每条回答打1-4分，共产生1800条独立评分。
结果出现了两个明显的层次。通用三人组：Gemini 3.62，GPT 3.54，Claude 3.52，相互之间没有显著差异。专用工具一组：OpenEvidence 3.24，UpToDate 3.17。顺带也测了谷歌搜索的AI Overview——3.27，和两个专用工具基本持平。
换句话说，医生花699美元一年订阅的医疗AI，在真实临床问题上，和直接开着谷歌搜索差不多。而它的竞争对手——GPT、Gemini、Claude——是通用模型，不需要任何医疗专项订阅费。
拒绝回答，也是一种失误
有人或许会说，专业工具更谨慎，宁可拒绝回答也不乱说，这是负责任的表现。
数据倒是确实支持这个说法的前半段。UpToDate Expert AI在100条查询中拒绝了19条，拒绝率19%，远高于通用模型（Gemini 2%，GPT 3%，Claude 1%）。
问题在于，"拒绝回答"在临床场景中并不是一个中性选项。医生查询AI，是因为他们在工作现场需要答案。如果工具选择沉默，医生并不会就此停下来，而是换一个工具，或者自己判断。五个问题里有一个被直接拒绝，对一个工作流来说，不是谨慎，是不可靠。
研究者还做了一个错误分类统计，把临床医生给低分回答时留下的文字备注整理成了七类错误。OpenEvidence在这张表里的总错误数是52，是所有模型中最多的——包括15条临床内容不完整、12条遗漏安全关键信息、13条组织混乱难以阅读。Gemini只有8条，GPT 21条，Claude 19条。
这里有个细节值得注意：OpenEvidence得分最低的维度不是"临床正确性"，而是"清晰度"——这说明它的弱项可能更多在于沟通，而不是纯粹的知识。这也许是工具设计取向的问题，但对使用者来说，一个回答正确但表达混乱的工具，在繁忙的临床场景中并不好用。
专业化的技术路线，可能适得其反
这个结果让人困惑：专用临床AI工具的设计初衷，就是要在通用模型基础上通过检索增强（RAG）来调取最新的医学文献和临床指南，理论上应该更准才对，为什么反而更差？
研究者在论文中也没有确定答案，因为这两个工具的架构不公开，无法从外部做机制分析。但他们引用了自己团队之前的研究——当检索到的内容与问题不够相关，或者基础模型整合能力不足时，RAG实际上会干扰模型的判断，让回答质量下降而不是上升。
换句话说，检索增强如果用得不好，不是加分项，是减分项。
通用大模型则有另一套优势：更大的训练语料、更密集的对齐优化、以及更快的迭代节奏。医学知识本质上也是语言知识的一部分，在足够大的通用语料和足够强的推理能力面前，专项微调带来的增益可能远不如想象中显著。
研究者的观点是：至少在知识检索和多步骤推理这类任务上，规模和对齐的优势，可能比领域专项调优的优势更大。当然，他们也承认，在高度细分的专科任务（比如特定亚专科的诊断推理）上，结论未必相同。
这对医疗AI市场意味着什么
这篇论文的作者来自纽约大学朗格尼医院，他们本身就在运营一套院内HIPAA合规的GPT部署。他们做这项研究，不是学院里的纯理论讨论，而是有实际部署经验的人，在问一个务实的问题：我们采购什么，才能给临床医生用？
他们的结论是，专用临床AI工具目前在性能上并不优于通用前沿模型。这对医院采购、保险报销、监管审批都有直接含义。
不过他们也指出了几个重要的局限性。这次评测没有测试响应速度和引用质量——这两点对临床工作流很重要，而专用工具可能在这方面有优势。此外，真实临床查询数据集只有100条，是从一家医院的查询记录里采样的，不一定能代表所有场景。HealthBench是OpenAI自己开发的测试集，GPT能得最高分多少有点说不清道不明。
研究者也没有回避这一点，他们在论文里直接写道：这类由行业开发的基准测试，可能系统性地偏向开发者自己的产品。这是需要独立评估机构来填补的空白。
对于这个行业未来走向，他们的判断是：前沿通用模型在大多数知识和沟通类任务上，暂时领先于专用工具；但医院自建的、能调用本地数据的专属模型，可能是更有前景的方向。
点评
这篇论文当然有值得争议的地方。OpenEvidence 在 LinkedIn 上公开反击，指出 MedQA 题目是公开题库、大模型训练集可能早就见过答案；HealthBench 是 OpenAI 自己做的标准，GPT 在上面考最高分有点像老师自己出卷；研究团队在 NYU 医院里运营着一套自己的 GPT 系统，和 OpenEvidence 存在直接竞争关系。这些质疑不是无理取闹，论文作者自己也在文中承认了其中几条。
但有一点 OpenEvidence 没有正面回应：100道真实临床查询、12名盲审医生、1800条独立评分。那一关的数据是原创的、不在公开训练集里、也是临床医生直接打分的。这一关，专用工具输了。
更值得琢磨的是背后的结构性原因。两个专用工具都不公开自己用的是哪个底座模型。但同期另一项覆盖95个模型的大型基准测试（Nature Biomedical Engineering，2026年6月）直接说了：基于旧底座微调的医学专用模型，经常落后于更新版的通用大模型。 这不是孤证，而是一个可复现的规律。
问题的本质是速度差。OpenEvidence 创始人说他们两年前 USMLE 只考了90%，现在已经100%——这是真实进步。但与此同时，Gemini 已经是97.4%，GPT-5 更高。追赶者在跑，但跑道在缩短。通用模型的迭代节奏，专用工具系统性地跟不上，因为前者有几百亿美元的算力投入在背后，后者没有。
专用医疗AI不会因此消亡。高度细分的亚专科任务、医院自建能调取本地 EHR 数据的专属系统、合规与引用可溯源——这些是通用模型暂时填不上的空缺。但"用 RAG 把通用模型包一层、就能打出溢价"的那套逻辑，正在失效。
35亿估值的医疗AI，在临床医生眼里的表现，和直接开着谷歌搜索差不多。独立评估，比任何时候都重要。
参考资料
[1] Vishwanath, K. et al. General-purpose large language models outperform specialized clinical AI tools on medical benchmarks. Nature Medicine (2026). https://doi.org/10.1038/s41591-026-04431-5
