王小川All in医疗大模型:从通用赛道抽身,“造AI医生”能否突围?

news2026/5/23 20:00:33
All in医疗有它的代价一年前王小川带着百川智能大幅缩减通用模型团队关闭多条行业线All in医疗大模型。当时整个大模型行业热闹非凡平均3天就有一个新版本的通用大模型面世。而百川在5月22日交出答卷发布新医疗大模型M4和Agent产品“百小医”。过去3年百川的发展路径几经转变从“要做中国最好的基础大模型”到“同时押注多个落地场景”、“做C端超级入口”再到如今“只做医疗”团队规模缩小部分合伙人离开上市节奏延迟。王小川表示继续卷通用模型走主流道路即便上市风光焦虑也不会减少。他难以接受公司快成立两周年时还不清楚自己在创造什么价值。他认为百川的C端产品要以患者为中心增加医生供给“要造更多的医生”。在医疗的B端场景百川有了更多落地进展。在北京儿童医院两款AI儿科医生已在院内多学科会诊中正式“上岗”与专家会诊结果吻合率达95%并向河北省150余家县级医院下沉。在C端“百小医”在App和微信生态中提供服务像“AI家庭医生”能做病情梳理、处方分析、病例管理还会提醒吃药、检查等。王小川不接受“医疗是更长、更慢的一条路”的观点他认为很多旧边界已被打破AI时代只要交付给用户足够重要的价值商业化会水到渠成。以下是王小川与《智能涌现》的对话《智能涌现》询问今年年初发了医疗大模型M3如今发布M4和“百小医”的核心提升。王小川介绍M4是闭源医疗大模型走Agent架构有基于患者全生命周期的记忆能力还在幻觉减少、循证能力增强、提问能力提升等方面有突破在肿瘤复杂场景能自主决策。“百小医”是To C产品可主动提供处方、病例分析做全周期健康数据管理。对于M4模型“做得好”的定义王小川称在OpenAI发布的HealthBench测评集上在Hard和Professional两个子集里都是最好的模型且未对benchmark做特殊训练。谈及一年前选择All in医疗王小川认为AGI大叙事有泡沫自己想做生命模型、造医生ChatGPT是助力。当时讲这些理解的人不多。他也表示做主流有主流的问题不同选择有各自的代价。2025年4月大调整后专注医疗是因临近公司成立两周年有紧迫感当时公司业务繁杂不清楚创造的价值。这个决定的代价是很多人离开包括认为做通用模型才正确的同学和有意见的投资人还存在各种曲解。王小川表示当时不缺钱上市不是最想要的做ARR、收入与交付好产品服务不是一个维度业务单点未突破时搞矩阵化管理危险且与自己对公司价值的判断不匹配。对于投资人他只能继续做好当下的事。4月调整后团队人数压缩到不超过300人层级扁平10多个人给他汇报。工作分为做医疗模型、以Agent形态做AI医生产品、做医院体系合作目标是用AI做四级诊疗。王小川反思不该开那么多条线通用和医疗不能同时兼顾同时做商业、技术、医疗一开始难以负担。我们不是想取代医生关于“百小医”在微信做AI医生bot王小川称它像微信上的朋友能对个人和家庭健康进行主动和个性化管理日常健康管理需长期陪伴助手类APP难承载。与通用AI助手相比百川在专业性文献的引用、溯源上更丰富但问答场景体验难有断代式差距。“百小医”走双端架构APP端提供严肃就医决策微信bot端负责日常提醒和执行底层有永久性记忆存储可做全生命周期健康数据管理。与同样做医疗方向的阿福相比百川的切入点是主动管理持续跟进能力App难承载用户能感觉到不同。对于美国AI医疗赛道头部公司OpenEvidence的模式王小川认为中国和美国医疗市场不同美国医生提效能可多赚钱中国医生已很忙提效空间小。在中国做AI辅助诊疗动力在于中国优质医疗供给不足通用AI助手给患者做咨询易带来医患矛盾而AI融入医疗体系、做分级诊疗前置环节是政策认可的方向。百川通过强化学习的评价体系提升医疗模型智能医生帮助建立奖励函数做评测集。请医生做数据标注难在说服他们、建立评价体系和团队配合而非钱的问题。很多人认为在中国做医疗AI要跟医生合作用病例数据造AI分身即复制医生经验。百川的“造医生”与做AI分身不同分身是模仿学习百川走强化学习路让AI学会医生思考过程不是复制某一个医生。王小川表示不是要挑战医生权威而是帮患者明明白白看病以患者为中心。面对医生他称能帮医生做随访分担院后随访、复诊提醒、用药管理等需求。百川的目标用户是“一老一小”比如把老人和AI医生拉进群AI医生会与家属沟通。医疗是条更慢的路这是上一代的认知对于先用通用模型赚钱再养医疗的观点王小川不接受认为医疗慢是过去的认知如今很多事情与过去规律不同医疗需求一直存在只是以前供给不足。百川从做To B、To G到做To患者是因为王小川始终相信AI能造医生之前尝试让医生认可、打进医院体系等路径太长去年4月想清楚To患者是主线医生和患者都是C端用户。对于挂号、买药等刚需百川认为核心是做决策如选处方、选科室、决定是否去医院执行是上一代互联网的事做决策更难也更宝贵。与蚂蚁阿福从“药”和“险”出发补问诊环节不同百川从“医”端切入。短期内王小川希望先让大家看到百川在做什么积累技术和用户体验口碑商业化不是当下重点考虑早了动作会变形。语言模型、世界模型、生命模型对于被称为“最孤独的AI创业者”王小川表示自己选的路与大家不同从资本到人才都会更难羊群效应使大家选主流道路很正常。他认为很多AI应用创业公司除做模型外无事可做做Agent的公司壁垒不明确可能不是适合VC投的生意有“去中化”趋势要么做巨头要么做小而美。去年初他看好Anthropic是因Dario对技术理解深刻后来Claude在代码场景得到验证。他认为Anthropic和Google会比OpenAI强OpenAI强推应用、追DAU、做订阅策略是应用大于模型本身与Anthropic技术审美不同Google有搜索、安卓、YouTube出口和数据能力更好会有代际爆发和飞跃可能走出新架构既做语言模型又做生命科学。王小川认为大模型演变分三步第一步是智力模型即语言模型第二步是物理模型或世界模型做具身智能第三步是生命模型。生命模型是他从第一天就想做的事三条线最终会合流理解语言、物理世界和生命系统才是完整的智能。工作被AI替代后人追求创造发明发现、健康、快乐这些都指向生命模型。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2638712.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…