03:39 醫(yī)療健康為何成為AI落地的第一大場景？
06:08 AI在H2H生態(tài)體系中的具體應用
15:33 如何降低模型幻覺和保證數(shù)據(jù)安全
26:00 未來醫(yī)療模式會如何變化？
40:01 如何看待醫(yī)療行業(yè)開源？
劉湘明：DeepSeek大火，進一步加速了AI在千行百業(yè)的落地，很多人公認醫(yī)療大健康領域是AI落地的最佳應用場景之一，為什么這個場景具有AI適用性？
郭陟：以我們所在的慢病服務行業(yè)為例，慢病服務這個行業(yè)產(chǎn)生的一大背景就是，我國老齡化進程加速但醫(yī)療資源分配不均。國家統(tǒng)計局的數(shù)據(jù)顯示，2024年底我國65歲及以上老年人占比達15.6%，比20年前增長一倍以上，還有數(shù)據(jù)顯示，我國75%以上的老年人至少患有一種慢性病，例如高血壓、糖尿病等，慢病管理慢病服務相關的需求日益旺盛，但同時好的醫(yī)療資源都集中一線大城市，醫(yī)療資源分配非常不均衡，對于慢病管理來說非常不友好。
首先就會產(chǎn)生問診難的問題，例如偏遠地區(qū)的老人，可能沒辦法享受到優(yōu)質(zhì)的慢病醫(yī)療資源，即使是一線城市的病人，也會有掛號難的問題，需要搶號。
診斷后，慢性病患者需要長期用藥，且有一些藥是要準時用藥，但是對于一個患者來說，如果說這個疾病不是致命的，例如高血壓，糖尿病，患者在一開始用藥可能還挺積極的，例如設個鬧鐘，但是過了半年，感覺病情不會要人命，就無所謂了，用藥的依從性便得不到保證，導致治療效果不佳。
最后一些慢病患者長期治療中可能會有其他并發(fā)癥，或者患有其他疾病，但是不知道跟原來疾病之間的關系，這種情況下如果到網(wǎng)上去找信息，容易獲得零碎的，甚至是錯誤信息，導致醫(yī)患之間的信息不對稱。
醫(yī)療資源供需矛盾在慢病服務場景中產(chǎn)生的問診難、用藥依從性差、信息不對稱這一系列的問題，就具備很強的AI適用性。AI技術可以促進醫(yī)療資源的最大化利用，讓有限的醫(yī)療資源可以普惠大眾。其實大模型面市之前也有很多的AI改善方式，現(xiàn)在大模型能做更多的事情，改善效果可以從原來的幾倍，到幾十倍甚至幾百倍。
劉湘明：如您所說，在AI普及之前，這個體系中例如互聯(lián)網(wǎng)醫(yī)院、送藥到家這些事情，原來就很多企業(yè)都在做，現(xiàn)在哪些業(yè)務場景里面，您通過引入AI技術，讓它變得跟原來不太一樣了？
郭陟：在整個體系里引入AI非常多，核心在于前面提到的幾大痛點問題，會通過AI優(yōu)化幾大的這個核心業(yè)務去解決這些問題。
比如在互聯(lián)網(wǎng)醫(yī)院，其核心是怎么提升醫(yī)生的效率。以一個優(yōu)質(zhì)的專家為例，原來一天可以看150人，如果醫(yī)生的問診效率能提升，能翻倍甚至十倍，其實就能夠解決一部分程度解決患者問診難的問題。在這個方面，我們是給醫(yī)生配了AI醫(yī)生助理，這是第一個場景。
另一個場景，是針對慢病管理服務，邏輯跟醫(yī)生類似，平臺上的管理顧問是有限的，所以我們給顧問提供一個AI客服助理，AI助理能夠輔助顧問服務更多的用戶。
最后一個就醫(yī)療科普新媒體，我們通過應用大模型，打造了一個AI創(chuàng)作助理，這樣能給新媒體編輯賦能，這是非常成功的一個場景應用，我們會把一些場景聚集在一起，針對科普領域做AI創(chuàng)作助理，這個AI小助手應用，可以讓編輯發(fā)大量的、個性化的科普內(nèi)容，以解決醫(yī)療科普信息的不對稱問題。
劉湘明：剛才您談到的AI醫(yī)生助理，現(xiàn)在具體的應用場景有哪些？對用戶以及對醫(yī)生的工作，會帶來哪些影響？
郭陟：醫(yī)生助理的應用場景是比較多的，我們的AI醫(yī)生助理，應用場景是完全貼近方舟健客的客戶業(yè)務，建立在熟人醫(yī)患關系中。也就是患者見過醫(yī)生，建立了聯(lián)系之后，需要復診或者有其他一些問題，就可以在我們的互聯(lián)網(wǎng)醫(yī)院直接去找這個醫(yī)生，這樣可以節(jié)省雙方的時間，并提升診療針對性。
但同時會產(chǎn)生一個矛盾點，我們平臺上大多是知名的醫(yī)生，至少是主治副主任和主任醫(yī)生，他們的時間是非常緊張的，所以他們大多是用碎片化時間做在線問診，在線問診過程中，他們會發(fā)現(xiàn)，患者經(jīng)常問他們一些重復性問題，以及一些特別簡單基礎的問題。醫(yī)生端會覺得重復，回復的效率很低，且傾向在線下工作之后的空余時間集中回復患者的問題，一條回復可能就足夠。但是對于患者來說，都希望上線后一點擊這個醫(yī)生，給他發(fā)條消息，他馬上能回復，而且醫(yī)生要不厭其煩地回答他的問題。正是基于這個矛盾點，我們構造了AI醫(yī)生助理，讓他來連接醫(yī)生和患者。
當AI醫(yī)生助理發(fā)現(xiàn)患者問的是一些簡單、重復性的問題，他可以針對這些問題進行一些回答。比如問的是藥品知識，根據(jù)藥品說明書回復就是非常確定的，再例如針對疾病保健、運動飲食這些方面問題的回復都也很明確，這些都是AI醫(yī)生助理可以回答的。
如果患者是不舒服來咨詢癥狀，AI醫(yī)生助理也可以給患者做初步的癥狀收集以及初步的分析，等到醫(yī)生有空的時候再來接診，也就是把最重要的診斷轉給醫(yī)生來做。
我們的AI醫(yī)生助理相當于是搭建了一個患者跟醫(yī)生之間的橋梁，通過這種方式可以快速響應患者咨詢，同時也能提升醫(yī)生的接診治療和效率，讓醫(yī)生服務更多的患者。這就是醫(yī)生助理這個智能體的業(yè)務場景。
劉湘明：在醫(yī)生助理場景中，都用了哪些模型的能力？DeepSeek R1的功能應用會更顯著一些嗎？
郭陟：醫(yī)生助理背后的大模型是比較多的，因為醫(yī)生的任務是多樣性的，我們的智能體會把這些特定任務進行分類，再交給不同的模型去處理特定問題。
例如，針對藥品的問題，我們會先走RAG知識庫，拿到我們內(nèi)部的知識信息，有了這些確定信息之后，再交給DeepSeek V3模型去回答。
劉湘明：是DeepSeek V3，而不是R1，沒有推理。
郭陟：對，不用推理，在這個場景，做一個問答就可以。不僅是因為推理模型回答會慢，還因為推理模型有時候會產(chǎn)生大模型幻覺，這在醫(yī)療領域是有風險的。
再比如針對一些特定的任務，例如患者是希望你給他做一個癥狀的初篩，甚至更往前一步，希望做一個自診，那這個時候就要非常謹慎，我們就會用一個我們基于開源模型微調(diào)的小參數(shù)模型，輸入我們自診的SOP，讓患者根據(jù)這個流程來進行自診。這個模型實際上只負責收集信息，收集完信息之后，再交給另外一個微調(diào)模型來給初步的建議。
此外還有一類可能會涉及敏感問題，我們會用一個規(guī)模更小的模型去增加信息的確定性，然后給出拒絕的回答。
如上說述，針對不同的任務，我們是會用不同的模型去應對。包括前面提到的DeepSeek R1推理模型其實也有它的優(yōu)點，我們會利用它的推理能力，把它當做一個監(jiān)督模型，類似教師，例如把R1回答某些特定問題的思維鏈固化，然后放進前面V3回答的那些問題里，幫助回答的準確度。
我們是通過這種方式，充分利用不同模型的特點，讓所有這些分類任務的回答，保證最大可能的準確度。
劉湘明：針對患者自診的結果，最后由誰來確認呢？
郭陟：首先任何模型肯定是不會給出診斷的，嚴謹表述應該是初篩，在這個環(huán)節(jié)模型只是收集信息，給出一些建議而并非診斷，診斷這個動作是必須醫(yī)生來做的。以及如果在節(jié)本問題的問答過程中，如果大模型發(fā)現(xiàn)他自己回答不了，或者是患者強烈要找醫(yī)生，也還是會走到轉醫(yī)生這個模塊，大模型會把之前的的溝通記錄以及總結的摘要求同步醫(yī)生，讓醫(yī)生再給出一個診斷。
劉湘明：您剛才介紹的這些AI助理中，是不是醫(yī)生助理的開發(fā)難度和復雜性是最高的？
郭陟：是這樣的，一方面是因為醫(yī)生助理要處理的任務最多，其他AI助理處理的任務相對會少一些。另一方面，醫(yī)生助理的嚴謹度、準確度要求是最高的，其他AI助理的準確性稍微低一點，是可以彌補的，但是醫(yī)生助理的準確度低是絕對不行的。
劉湘明：雖然醫(yī)藥場景具有很強的AI適用性，但同時這個行業(yè)具有很強的專業(yè)性和嚴肅性性，AI落地會遇到哪些問題和難點？
郭陟：確實，醫(yī)藥場景除了場景格外豐富外，是一個對業(yè)務專業(yè)度和嚴謹度要求非常高的領域，難點其實非常多，最重要的會集中在以下三點。
第一個難點是AI落地需要有既懂技術又懂業(yè)務的專業(yè)團隊?，F(xiàn)在雖然大模型很多，應用很普及。各行業(yè)各企業(yè)都在接入并應用，但是大多數(shù)情況下其實并不知道，所在企業(yè)如何用好AI。這時候就需要有一個專業(yè)的團隊，能夠把AI應用跟企業(yè)業(yè)務結合起來。這個專業(yè)團隊不僅僅是一個技術實施團隊，而是既要了解技術，又要了解業(yè)務，還要非常非常懂 AI，這是要求挺高的。
第二個難點就是醫(yī)療場景是對誤差容忍度比較低的行業(yè)，但是以大模型為代表的AI，尤其是推理模型，容易產(chǎn)生模型幻覺，所以大家會看到有時候大模型會“一本正經(jīng)地胡說八道”，這對于醫(yī)療行業(yè)的應用來說是致命的。必須要解決模型幻覺的問題，這是AI在醫(yī)療場景落地要邁過去的最難關口。
第三個難點就是安全合規(guī)問題。數(shù)據(jù)安全是要得到保證的，相關應用是要合規(guī)的，而且在醫(yī)療領域還會包含倫理上的問題都要解決，所以說安全合規(guī)，這相當于是落地的第三個難點。
劉湘明：對于您提到的模型幻覺問題，從模型工程的角度來看，該怎么去降低醫(yī)療場景中模型幻覺的影響？
郭陟：關于降低幻覺的方法，一般分成四步來進行。
第一步是需要建立一個準確知識庫，然后通過RAG的方式轉化為搜索出相關的文檔內(nèi)容提供給大模型來，并指導大模型回答。在這一步中，知識庫的豐富度和數(shù)據(jù)質(zhì)量是關鍵衡量指標，方舟健客平臺運營至今，積累了超4920萬用戶和22萬醫(yī)生專家使用，此外平臺上有超21萬SKU藥品的說明書，以及海量發(fā)布的科普文章，這些豐富的數(shù)據(jù)積累是構成知識庫的基礎，除了豐富的數(shù)量外，數(shù)據(jù)的質(zhì)量是更為重要的，基于業(yè)務場景的數(shù)據(jù)和知識沉淀，是方舟健客的知識庫差異化優(yōu)勢。
當然，基于龐大數(shù)據(jù)的清洗工作量肯定是巨大的，這也是構建知識庫的關鍵動作，我們首先會用傳統(tǒng)算法結合大模型算法會去做清洗，先做自動化清洗，然后人工清洗，對于醫(yī)藥場景而言，人工檢查的環(huán)節(jié)非常重要，此外對于重點知識內(nèi)容還會再增加抽查，通過多重核驗，保證知識庫內(nèi)容的準確性。
其實大模型的確定性回答也可能會產(chǎn)生幻覺，只是概率會小一些，因此有了知識庫之后還要進行第二步，就是根據(jù)知識庫和相應的數(shù)據(jù)，再提取一些知識圖譜和一些業(yè)務規(guī)則構成圖數(shù)據(jù)庫，用圖數(shù)據(jù)庫去給大模型做一些限制。這些基于規(guī)則的限制，會讓大模型不會越界，而且很可靠。
第三步才來到大模型回答階段，針對問答中一些特別敏感的問題，需要微調(diào)一些參數(shù)比較小的模型去回答。這個時候，我們會基于知識庫的核心內(nèi)容，從里面抽一些樣本，然后再去做一些多樣化的處理。然后通過樣本微調(diào)一些模型進一步增強模型回答的確定性。當然這階段可能增強確定性效果，沒有像前面兩個階段那么顯而易見，但是在醫(yī)藥場景，任何可以提高回答確定性、準確性的努力都是值得嘗試的，準確無上限。
這三步做完之后，最后就是定期測試大模型的整體效果，一方面監(jiān)測效果，另一方面避免模型漂移。大家也知道一些外部模型，在使用過程中有時候會產(chǎn)生模型漂移，定期的監(jiān)測就很重要，如果發(fā)現(xiàn)性能和效果有下降，我們就會及時回過頭，從第一步開始去溯源，一步步重新再去做優(yōu)化。這其實是一個標準的處理方案，只不過在醫(yī)藥場景我們做這個事情會相對會做的比大家更認真一些。
劉湘明：以您的經(jīng)驗，這個漂移大概多長時間會發(fā)生？或者說這種現(xiàn)象是否很常見？
郭陟：不同模型會不一樣，但是漂移發(fā)生是必然的。首先，模型的訓練數(shù)據(jù)是會隨時更新的，會補充新的訓練數(shù)據(jù)進去，而最近兩年新的訓練數(shù)據(jù)很多都是大模型產(chǎn)生的，中間必然是有幻覺產(chǎn)生，所以模型必然會發(fā)生漂移。
那么只能針對漂移去針對性處理，現(xiàn)在有兩個方法，第一個就是針對特別敏感的一些問題，就用傳統(tǒng)的開源模型，我們自己微調(diào)使用，另外針對能力強大的模型我們肯定也得用，就提高監(jiān)測頻次看是否產(chǎn)生漂移，如果產(chǎn)生漂移，就針對這一塊的內(nèi)容去識別，然后通過其他知識庫和微調(diào)的方法糾正過來。
劉湘明：對于數(shù)據(jù)安全的問題，您是怎么來應對的？
郭陟：在方舟健客之前，我也做過很長時間的安全行業(yè)，對數(shù)據(jù)安全的問題理解是非常深的。雖然在目前的互聯(lián)網(wǎng)環(huán)境下，絕對的安全是非常困難的，但是我們還是要努力，尤其是在醫(yī)療健康這個對風險偏差零容忍的行業(yè)。
我們現(xiàn)在的解決方案主要是構建了一個安全管理平臺，這個平臺核心是解決兩方面的問題。第一個是構建一個數(shù)據(jù)安全沙箱，我們現(xiàn)在的原則是，凡是企業(yè)內(nèi)部數(shù)據(jù)，肯定是私有化本地部署的，部分數(shù)據(jù)也會調(diào)用云端算力，最后是一個混合云的架構部署。在這個方案里，整個數(shù)據(jù)流轉過程中，會對所有的入口進行防護，傳輸加密、存儲加密、日志審計……這些傳統(tǒng)安全措施肯定都要用一遍，同時我們所有的數(shù)據(jù)都有一個分級控制的標準，對于外部模型或云端算力的需要調(diào)用的本地數(shù)據(jù)，達到我們的三級或者四級以上的數(shù)據(jù)，我們就會要求進行脫敏，會通過一個模型，對這部分數(shù)據(jù)做泛化或者加密，只要不影響模型的答案結論，會以數(shù)據(jù)安全作為第一準則。
除了數(shù)據(jù)安全之外，合規(guī)性問題也必須要重視，我們首先會做內(nèi)容的安全過濾，通過設置敏感詞規(guī)則過濾體系，用AI屏蔽敏感詞和違規(guī)內(nèi)容。另外大模型應用中，也要非常重視個人信息保護和知識產(chǎn)權保護。
我們會通過區(qū)塊鏈技術，對于大模型產(chǎn)生成果的整個鏈路進行確權和留痕，此外針對所有模型的回答，我們會用DeepSeek R1來做一個監(jiān)督大模型，協(xié)助過濾違規(guī)風險內(nèi)容、偏見內(nèi)容。
劉湘明：如您所說，方舟健客這套智慧體系中，有監(jiān)督模型、數(shù)據(jù)加密模型，整個體系里面到底現(xiàn)在部署了多少模型？
郭陟：非常多，單就醫(yī)生助理這一個場景功能而言，至少就有十幾個。
這是醫(yī)藥行業(yè)的特殊性造成的，那些大一統(tǒng)的框架，雖然應用起來很快，但是出問題的時候也很麻煩，在醫(yī)藥行業(yè)適用性反而會差。
我們做這套體系有一個原則，就是對于這種智能應用希望是分而治之。因為分而治之，每個任務最后才能走向確定性，而且單個任務有問題就不會影響到其他任務。
劉湘明：未來，在人工智能體大量參與的情況下，整個醫(yī)療行業(yè)的服務邏輯和傳統(tǒng)模式會不會有很大的變化？
郭陟：傳統(tǒng)模式下，醫(yī)院以及互聯(lián)網(wǎng)醫(yī)院的核心就是醫(yī)生，人類醫(yī)生是一個核心的決策單元，各類AI應用也是輔助醫(yī)生做的，比如說幫醫(yī)生整理一下病歷，幫醫(yī)生輔助看一下CT圖 、B超圖，標注出來，最后讓醫(yī)生再確認。但是未來，可能會從傳統(tǒng)模式演變成智能體模式，AI醫(yī)生助理能力會慢慢提升，會變成一個真正的數(shù)字員工獨立干活。這些數(shù)字員工有可能會組成一個智能體的網(wǎng)絡，互相學習，能力進一步提升，醫(yī)療領域可能會形成人類醫(yī)生和AI智能體的混合決策網(wǎng)絡。
劉湘明：原來醫(yī)療體系還是以醫(yī)生為中心去構建的，將來如果變成一個混合模式的話會帶來很大的變化。您估計這種這種狀態(tài)大概需要多長時間？
郭陟：這里面涉及很多倫理的問題，我可能要保守一些預估，五到十年。
劉湘明：剛才您談到了很多的智能體，基本上是在單點上輔助，其實還沒有一個通用的智能體，把整個的流程都都串起來。最近Manus這個通用智能體很受關注，您覺得未來會不會有一個類似這樣的通用智能體去把單點智能應用串起來？如果出現(xiàn)，是否會形成競爭？
郭陟：通用的智能體和各個領域專用的智能體并不是競爭關系，而是相輔相成的關系。
我喜歡把大模型和智能體類比成人，通用的智能體可以被認為是一個知識非常淵博的應屆生。當然這個應屆生水平會從高中水平，到現(xiàn)在的博士水平或者更高，而且是全領域的博士。但是就算是全領域博士，如果要去做一些特定企業(yè)內(nèi)的一些工作，也是需要再經(jīng)過培訓的。例如醫(yī)療領域相關的這些工作，尤其是針對企業(yè)私域的一些知識，是他過往訓練中無法獲得的，比如企業(yè)的業(yè)務知識和流程，這些企業(yè)特定的know-how必然是一個通用智能體無法掌握的。
因此，通用的智能體也好，通用的工具也好。到了醫(yī)療特定的企業(yè)里，一定是有一個跟業(yè)務模式結合的定制過程，否則，他能力再強也起不到作用。得醫(yī)療專用的智能體，未來一定是會有非常大的市場的。
劉湘明：原來的醫(yī)院競爭基本上是誰有好的醫(yī)生，誰就會占據(jù)更大的競爭優(yōu)勢，AI促進下未來醫(yī)療行業(yè)會不會進入到一個新的競爭層級，比如說數(shù)據(jù)資源更多的企業(yè)或者醫(yī)院會掌握更大的這個競爭優(yōu)勢？
郭陟：這個趨勢是存在的。過去模式下，醫(yī)生是醫(yī)院的核心資源，未來智能體發(fā)展起來，醫(yī)院可能會進入一種智能體密集的狀態(tài)，而智能體依賴的最重要的三要素包括算力、算法和數(shù)據(jù)。在算力資源相當?shù)那闆r下，算法能力和數(shù)據(jù)資源將成為未來醫(yī)療行業(yè)非常重要的競爭力。
劉湘明：您覺得未來AI公司有沒有機會在醫(yī)療領域迅速的崛起？就像當年互聯(lián)網(wǎng)公司一樣。
郭陟：AI公司至少可以分成兩類，一類是通用能力型AI技術公司，類似智譜、月之暗面等，這些公司只要能夠實現(xiàn)技術突破，其業(yè)務就能夠指數(shù)級增長做到快速發(fā)展；第二類還是需要回到應用場景討論，比如說醫(yī)療領域下有非常多的垂直細分領域，每一個細分領域都有很大的AI崛起的空間。
劉湘明：在這個格局下，方舟健客的怎么樣用出AI的差異化呢？未來的競爭優(yōu)勢又在哪呢？
郭陟：AI發(fā)展取決于算力、算法和數(shù)據(jù)這三個方面，算力以及通用模型算法在醫(yī)療行業(yè)是比較難跑出差異性的，這方面，我們基本上就會采用生態(tài)合作的方式，例如跟騰訊云等戰(zhàn)略合作，通用模型層面，我們也是接入了市面上大部分知名的模型。
對于絕大部分企業(yè)而言，搭一個大模型平臺并不難，但是難在如何真正把AI用好，這里面會涉及很多細分的場景，細分的工作，需要專屬算法和相應的垂直數(shù)據(jù)，針對這些專屬的算法和數(shù)據(jù)，我們在四個維度上是具備優(yōu)勢的，這四個維度也是我們內(nèi)部的針對AI應用的一個指導思路。
業(yè)務為源、分而治之、平臺驅動、數(shù)據(jù)為本
業(yè)務為源很好理解，我們做AI的應用，肯定是要貼近業(yè)務，建立最佳實踐，AI要跟業(yè)務模式深度捆綁，才能建立獨家優(yōu)勢。以前面提到的AI醫(yī)生助理為例，看上去AI受到了很多限制，但實際上它是最適合慢病管理里熟人易患關系這個業(yè)務場景的，可以幫助我們大幅的提升問診效率，能促進業(yè)務快速發(fā)展，而這個智能體放在其他的場景，可能價值就沒那么明顯了。
分而治之指的是我們不會去追求大而全的解決方案，而是針對每個環(huán)節(jié)做細節(jié)優(yōu)化，希望通過這種細節(jié)的逐步積累，最終形成合力。比如說醫(yī)生助理的很多任務，都拆分的很細，讓不同的模型去解決不同的問題，最終長期積累，形成AI助理的差異性綜合能力。這里面考驗的還是對單個業(yè)務痛點的理解以及解決方法的積累，方舟健客的真實醫(yī)患互動經(jīng)驗積累，是核心壁壘。
有了這些積累后，需要技術上的沉淀，平臺驅動。一方面我們搭建了智能體的開發(fā)平臺，不僅我們的這個AI團隊可以在平臺上搭建，公司內(nèi)部的所有員工，只要有一定能力，都可以在平臺上搭建智能體，久而久之，很多業(yè)務的流程就會慢慢的都遷移到平臺上，非常有利于整個企業(yè)的 AI轉化。另一方面，基于是同一個平臺開發(fā)，安全合規(guī)策略就非常容易推進了，這些都是平臺驅動所建立的優(yōu)勢。
數(shù)據(jù)為本，為了最小化模型幻覺，我們需要準確和專業(yè)的數(shù)據(jù)。這里面不僅要有一些醫(yī)學相關知識的數(shù)據(jù)，也更多的是要積累這個跟業(yè)務和管理相關的數(shù)據(jù)，這樣建立的知識庫才是有差異性和競爭力的。
劉湘明：DeepSeek其實開了一個好頭就是開源，您怎么看待開源在醫(yī)療領域的可行性和價值，方舟健客是否會跟進？
郭陟：開源行業(yè)模型和數(shù)據(jù)集，是可以加速醫(yī)療領域AI技術的普及和標準化，這肯定是個好事，我們也非常贊同，但是這些行業(yè)模型和數(shù)據(jù)集開源之后，如果要利用，其實還是需要依賴一個AI的專業(yè)團隊。很多基層的醫(yī)院，甚至是公立機構是最需要這些模型和數(shù)據(jù)集的，但是往往他們會缺少既懂AI技術，又能理解自身業(yè)務場景的團隊。所以往往最后變成了對專業(yè)的科技公司實現(xiàn)價值最大化，但是對廣大更有需求的基層醫(yī)療機構，價值有限。醫(yī)療機構還是需要養(yǎng)成符合自身場景需求的技術落地業(yè)務的能力。
開源策略對于某些公司來說，可能是一個好的策略。但是不同公司的業(yè)務模式是不一樣的，不一定適用所有的公司。方舟健客會結合自身的戰(zhàn)略上和業(yè)務模式去謹慎評估是不是要推出這種開源行業(yè)模型或者數(shù)據(jù)集。即使是做開源，也會因為業(yè)務模式不同，采用不同的開源策略。
劉湘明：您覺得未來，互聯(lián)網(wǎng)醫(yī)院的核心壁壘會是什么？
郭陟：互聯(lián)網(wǎng)醫(yī)院的核心壁壘就目前還在于是醫(yī)生的資源和患者數(shù)據(jù)，這是兩個最核心的競爭壁壘。短時間之內(nèi)也肯定還是非常重要，未來這兩個優(yōu)勢也會一定會慢慢轉化為智能體依托的差異化算法，最終肯定會形成一個算法壁壘。只是這個周期會比其他行業(yè)更漫長一點，需要更多的耐心。
以上為《數(shù)字價值觀察室·AI落地場景觀察》第三期直播的部分內(nèi)容，完整版請觀看《“AI+醫(yī)療”加速落地，還需啃下哪些“硬骨頭”》。
（本文首發(fā)于鈦媒體App 作者｜唐剛，編輯｜華楠）
快報
根據(jù)《網(wǎng)絡安全法》實名制要求，請綁定手機號后發(fā)表評論