作者丨刘杨楠

编辑丨巴里

图源丨文心一言

无论是早些年的信息化，还是今天的大模型，技术改变世界的宏大叙事里，医疗或许都是最难啃的“硬骨头”。

数据壁垒高筑、场景复杂多变、容错率趋近于零......但因其内含的巨大商业价值和社会价值，多年来都吸引着无数创业者奔赴其中。

2016年创办左医科技的张超，便是其中之一。张超毕业于电子科技大学，曾经担任百度NLP知识挖掘方向的负责人、知识图谱专家，也曾任新国大的研究助理。

左医科技是一家知识图谱和医疗大模型协同驱动的医疗科技公司，其客户已经覆盖全国200多家三甲医院，其中40%是top100的医院，包括北京协和医院、武汉同济医院、中国医大一院、四川省人民医院、重庆医科大学附属儿童医院等。

创业十年，张超从未离开技术一线，他几乎能敏锐捕捉到每一次技术转折的信号，却也无法跳出医疗科技变现难的普遍困境。

踩了无数坑之后，张超深知：“一件事能不能做成，时机很重要。”

在“AI医生”这个最火热的新趋势里，他延续着一名技术创业者对技术路径的敏锐嗅觉，押注“端到端+场景”深度结合的技术路线。同时，他也用更多精力钻研商业模式，试图在传统的医疗服务模式之外，给公司探索更多商业想象。

2020年，左医科技第一次尝试把Transformer用在医患对话上，开发了一款智能问诊程序，内部称之为“AI Doctor（AI医生）”。

张超自己也眼前一亮：“亲身体验后会发现，在Transformer出现之前，所有的人机交互都很‘傻’。”

后来，张超带团队尝试在GPT-2上做微调，发现效果不错，但成本太高，加之GPT-2参数规模较小，微调很难突破性能天花板。团队又在国内的一系列模型上尝试微调，发现效果都不理想。“当时就有些怀疑这条路线了，但现在看来是那时候国内的模型能力确实不行。”张超坦言。

时间到了2022年，在ChatGPT发布前，OpenAI发布instructGPT时，左医的技术团队已经注意到其性能有很大跃升。“但我们第一反应是不信，因为谷歌之前发了很多酷炫的demo，都没有真正落地。”张超表示，直到自己真正体验了ChatGPT，才确信AI能力真的迎来了历史性转折。

起初，左医科技曾尝试自己训练模型，但很快发现，公司很难长期支撑规模如此之大的数据和算力投入。

于是，左医科技及时停止训练，转而在开源模型的基础上训练医疗领域的垂类模型。经过一系列测评后，左医在众多开源模型中选择了通义千问。

2023年5月，左医科技发布了医疗垂类大模型，并应用落地于四川省人民医院、北京天坛医院等百强医院。

DeepSeek出圈后，左医科技也曾尝试在DeepSeek上继续训练，但团队权衡之后，还是选择继续基于通义千问做训练。

由于LLaMA、通义千问等稠密模型引领的开源浪潮已经形成了成熟的开源生态，而DeepSeek系列为MoE架构，属于稀疏模型，其开源生态相对不成熟，原本走稠密模型路线的团队若想转换路线，就要面临更大的工程难题。另外，从实际的场景需求考虑，张超认为，对医疗场景而言，参数规模可能不需要太大。

但随着通用模型不断提升，关于“垂直模型是否会被替代”的讨论也开始沸沸扬扬。

退一步看，垂直模型之所以会引领一波小高潮，本质是因为通用模型在获取专有数据方面存在障碍，只要这个问题不解决，垂直模型就会有其特定的价值。“比如DeepSeek在医疗方面幻觉很重，表现比OpenAI o1差很多，是因为OpenAI有专门的医疗团队。”张超说。

不过，张超坦言，随着通用模型不断迭代，未来留给垂直模型的生存空间确实会越来越小，但这并不意味着要直接放弃垂类模型。“飞机比火车跑得快，但火车总能去到一些飞机去不了的地方。未来做垂类模型的人要想一想，哪些事情是通用模型做不到的。”

2024年12月23日，张超在朋友圈发布了一个左医GPT-o1版的内测视频，其医疗诊断效果相比指令模型提升15%以上。但DeepSeek-R1发布后，左医就放弃就发布该推理模型。

张超认为，参考Deep Research围绕核心场景打造端到端的应用会是未来重要的方向。

目前，AI在医疗领域的落地有三种进阶形态：提示词、工作流和端到端。

市面上很多产品都通过“提示词”或“工作流（Workflow）”来实现健康咨询的AI产品，但这类解决方案容易在多步骤流程中累积错误，降低整体准确率，也很难满足越来越复杂多样的医学场景。

张超表示：“这两条路线都需要人类参与设计，人的能力会限制智能应用的能力。而端到端推理能够让模型超越人的能力的限制。”

2024年12月，左医科技开始探索端到端训练的AI Agent，通过深度强化学习整合CoT（Chain of Thought推理）、智能交互、工具调用和知识检索等流程，让AI医生在面对真实就医场景时，能自发“想办法”查找信息和综合分析，从而做出更符合临床逻辑的判断。

“端到端推理和场景深度结合本质不是在做模型，而是把模型能力和场景数据融在一起，最终以Agent的形态呈现。”张超表示。

图片来源：左医科技

而端到端的壁垒，很大一部分在于构建数据集的能力。张超坦言：“数据清洗的过程就像‘和面一样’，水多了加面，面多了加水，本质上是一个要求熟练度的工种。”

换言之，数据清洗真正的Know-how在于，无数次实操过程中积累的“错题集”。张超举了一个形象的例子，病历是很多模型训练主要的数据来源，但真实的病历有时会写明病理，这就会给模型“漏题”，因此要把病历中解释病理的部分删去，再喂给模型。

近期，左医科技通过端到端构建的Agent已经在重庆医科大学附属儿童医院落地，双方推出了“重儿·小乙AI家庭医生”。同时，左医科技还推出了儿科循证知识库，基于国内外儿科指南、专家共识、教科书等高质量专业数据源构建，并由专业团队核验，保留清晰可追溯的引用来源；能够读懂文字、识别检查报告，并根据需要自动推荐患教视频、提供预约挂号等服务。

张超表示，知识的来源和组织形式，同样会影响RAG降低幻觉的效果。“构建高质量的RAG肯定不能简单把互联网数据堆进去。即使是学术论文，也并非全篇都有引用价值。”张超表示。

多年来，左医科技积累了多种数据来源，包括互联网数据，听译机器人采集的真实的医患交流数据，以及模型在辅助诊断过程中生成的数据。同时，左医科技会借助多年来积累的专家资源，在海量原始数据中提取最有价值的信息，一篇论文中可能只提取10条真正有价值的数据纳入RAG，以此来最大程度提升模型对知识的应用。

毋庸置疑，“AI医生”是大模型赋予整个医疗行业的新故事，创业邦在此前的文章中曾梳理了AI医生的市场现状，可谓是“八仙过海，各显神通”。

在张超看来，AI医生在医院的落地顺序应是：全科-专科-专科专家。

从行业发展历程来看，医疗信息化的过程也是从全科逐渐向专科渗透的。但张超并未给这个结论附加太多合理性。他坦言：“一个人做什么事，很大程度上取决于他手里的资源。我们积累了大量全科数据，从全科切入是水到渠成的结果。”

目前，左医科技正在探索AI医生在专科的落地，并率先在儿科达成合作。张超透露，某种程度上，这也是一个无心插柳的结果。“重庆医科大学附属儿童医院领导非常认可这个方向，目标一致，更好执行。”张超表示。

他进一步表示，在医学界，儿科是一个很好的研究领域，因为很多罕见疾病都在儿科发现，儿童在很多疾病上症状也不够典型。但正因为它很难，所以在商业化过程中要更慎重，例如很多药都不能给儿童用。从这一点上说，儿科并非一个很好的商业化场景。

在儿科之外，左医科技还同步尝试了心理以及内分泌、妇科、呼吸科、神经内科等大内科，未来也会逐步推进AI医生在各科室的落地。

但张超透露，公司接下来会逐渐调整商业化重心。

目前，左医科技已经能够给医院提供覆盖“诊前、诊中、诊后”的全流程服务，覆盖全国200多家三甲医院，其中top100的医院达40%。但张超感受到，当前的医疗信息化市场正越来越“卷”。

“医院临床要求太高了，很多信息化技术做不到。另外，医院的用户流量在下降，医改政策变化间接导致医院收入降低，他们投入到信息化转型的每一分钱都会更谨慎，加上三甲医院等优质医疗资源本就稀缺，医院和某家合作后，其他家厂商很难再进来。”

这种情况下，部分厂商会选择“破釜沉舟”，直接给医院免费送软件，送服务。“但这样终究不是长久之计，”张超说，“甚至现在一些医院部署DeepSeek一体机都是在浪费钱，本质依然是一个很重商务的模式。软件项目必须要做到90%以上的毛利，否则一定是亏的。”

在此背景下，左医科技未来会在B端会争取更多利润，保留预问诊、分导诊、语音转写病历等标准化程度高，且客户反响好的项目，把项目“做少、做深、做精”。“你不用去追逐马，当你有一片草原，马自然会来找你。”

接下来，左医科技会重点在C端找新的增长曲线。

从2023年开始，左医就尝试以B端带动C端，基于端到端技术打造的AI医生，与宁夏中卫市、银川市、北京西城区卫健委签约，将“AI医生”升级为“AI家医”，以此逐渐积累流量和数据。

图片来源：左医科技

张超透露，现阶段，左医科技的C端产品采用会员订阅收费的模式。未来流量足够大之后，还可以探索更多商业模式，比如AI医生根据和用户的交互数据为用户推荐个性化的健康类产品。

具体到医疗流程上，张超坦言，未来会将重点放在“诊前”和“诊中”。

他进一步解释道，从用户习惯来看，诊后的主要场景是慢病管理，但除了肿瘤等疾病外，慢病大多是生活习惯导致的，简单的人机交互很难真正改变什么；从商业模式来看，慢病管理最终的受益方是政府医保基金，而医保基金分配是一件很严肃的事情。

不过，就短期来看，获取流量仍是左医科技探索C端落地的关键关卡。而如何打通C端应用的商业闭环，也是当下最困扰张超的问题。

十年前，张超还在百度自然语言处理（下文简称“NLP”）部门担任资深研发工程师、文本知识挖掘方向技术负责人以及知识图谱实体建模专家。

但张超不满足于大厂相对安稳的生活，隐隐生出创业的冲动。在公司内部一次IBM科学家的分享会上，张超偶然发现，国外有团队正在探索用NLP技术辅助医疗诊断的应用。

于是，张超产生了一个今天看来“不切实际”的想法：医疗是一个知识驱动的领域，而自己又擅长知识图谱技术，只要有足够的医疗数据，构建一个能做各种推理的概率模型，或许就能达到辅助诊断的目标。

“本质上还是觉得，手里有一把锤子，而医疗这个钉子还不错。”张超说，“毕竟连马云当时都在说，‘下一个能超越我的人，一定出现在医疗健康行业’。”

但真正启动创业后，张超发现，自己想得太简单了。当时的张超，几乎对医疗一无所知。医疗数据怎么获取，病历怎么看，诊断怎么做，甚至到了医院该找谁谈合作都一头雾水。

无奈之下， 张超从自己最熟悉的技术切入，没数据就从公开渠道爬数据。但很快，团队发现公开数据效果太差，只能硬着头皮想办法找医院要数据。

彼时正处国内医疗信息化的热潮，涌现了很多第三方医疗信息化厂商。

当时，一家肿瘤大数据平台率先向张超递出橄榄枝：“你们能不能做一个病历结构化的系统？”这是张超接到的第一个客户需求，但他发现，自己完全看不懂病历。“说白了有点一头扎猛了，我们只掌握了一些技术，但在医疗领域的认知几乎空白。”

后来，在投资人的引荐下，一位医疗销售人员加入左医。2017年，左医渐渐开始和第三方医疗信息化厂商合作，左医提供技术，信息化厂商和医院沟通提供数据。张超及团队人员也在项目磨合中逐渐积累医疗认知。

今天回看，左医做了很多超前的技术，包括目前火热的CDSS（临床辅助诊断系统）、预问诊系统、听译机器人等，但由于技术和商业环境不成熟，最终都没有引起足够的市场反响。

客观来看，医疗信息服务本质上要面临所有软件厂商都会面临的商业窘境——重商务、强定制化的项目制交付，左医一度也陷入“做得越多，亏得越多”的困境。”张超自己复盘发现，创业早期确实花了很多钱，做一些不该做的项目，找了一些本不需要的人。

“技术创业者太想用技术解决所有事情了，并且会对技术的短期进步更乐观。之前我们一直想憋个大招，总想做新的东西，觉得有了更牛的技术是不是就能改变公司的境况。”张超说。

但事实证明，至少在医疗行业，医院不只需要性能拉爆的“满血”技术，更需要保证错误率最低，且能够长期稳定供应的厂商。直到现在，左医科技卖得最好的产品仍是五六年前开发的。

而未来，更多故事会发生在C端。对于整个医疗服务行业来说，C端或许都是一个全新的世界：如何获取流量，如何维持用户粘性，如何找到合理的收费模式？一切都尚待摸索。

“对于我来说，创业没有回头路。”张超说，“一件事能不能做成，时机很重要。我们之前对时机把握得不够好，但现在我们踩了足够多的坑，市场需求也很旺盛，我相信我们接下来的路会走得更稳。”

本文为创业邦原创，未经授权不得转载，否则创业邦将保留向其追究法律责任的权利。如需转载或有任何疑问，请联系editor@cyzone.cn。