刚看到新闻，月初的时候 OpenEvidence 一天 100 万次临床咨询达成。
这个数字背后更吓人的是增长曲线：
- 一年前：月均 300 万次咨询
- 2025年12月：月均 1800 万次
- 现在：单日 100 万次
40% 的美国医生每天在用，覆盖 1 万多家医院。过去一年，1 亿美国人被使用 OpenEvidence 的医生诊治过。
估值一年 12 倍：10亿 → 35亿 → 60亿 → 120亿美金。
站在行业视角看，分工开始发生变化了。不管你怎么杠这个行业有多难进入，AI 贴着医生的真实工作流确实发生了。
巨头都在挤进来
也难怪 OpenAI、Anthropic、Google、Microsoft 都在往医疗里挤：
- OpenAI：250亿美金基金会承诺 + 「OpenAI for Healthcare」
- Anthropic：「Claude for Healthcare」+ G 轮 300亿美金
- Google：与 CVS 合作 Health 100、Verily 刚融 3亿美金
- Microsoft：Nuance 160亿美金收购打底，每天 5000 万健康查询
从去年底开始这股风已经吹到国内。中国医疗 AI 市场预计从 2023 年的 88 亿涨到 2033 年的 3157 亿人民币。一旦数据、合规这些环节能打通，真正的变化可能会比很多人想得更快。
一个不太主流的判断
我有一个不太主流的判断：医疗 AI 不一定会先被最大模型吃掉。
甚至有可能，最先真正落地的是一批被精心约束过的小模型系统。
这几年 AI 行业的宏观叙事一直是 scaling law，大家都默认模型越大代表能力越强，能力越强更适合复杂场景。
这一点在很多地方成立，但医疗行业有点不太一样。
医疗是一个高约束系统
你可以把医疗理解成一个高约束的系统。
医生不是一个创意角色，绝大多数每天都在指南的约束下做决策。这就意味着 AI 只要稳定地做对就已经很有价值了，不需要每一步都靠泛化能力去猜。所以指南本身对 agentic workflow 有圣经级别的指导意义。
如果把医疗临床决策的一整条链都丢给一个大模型，不稳定，也很难验证。
但如果你换个方式做：用小模型做解析分类，然后加上检索，利用指南做约束，变成一个 agentic 的 workflow，整个问题答案的求解过程就会从模型能力问题变成系统工程问题。
尤其是在医院这种环境里，去看真实约束就能知道他要什么：风险低、强合规、可解释。所以可控很多时候比最强能力更重要。
两条路线并存
这也是为什么会看到两条路线同时存在：
- OpenAI、Google、千问在往大模型 + 平台走
- 另一边，一些团队在做更垂直更工程化的系统
本质上这是两种不同的解法。
我现在更倾向的一个表达是：大模型决定上限，harness 决定能不能落地。
是的，医疗行业需要更严格的 harness，后者的重要性，可能被低估了。
小公司的机会在哪
所以从这个角度看，这一波医疗 AI，不一定是大公司专属。
如果把问题理解成拼模型，那确实没机会。算力、数据和人才，基本都在大厂手里。
但如果问题变成谁更懂具体场景，以及谁能把 workflow 打磨到可用，那格局就完全不一样了。
这是一个典型的知识 + 流程 + 约束的行业。
很多关键能力都是长年积累的东西：临床路径、医生习惯、科室差异、历史数据结构、合规边界。这些东西大模型本身是没有的。
真正决定系统效果的，是谁有能力把这些隐性知识结构化。
这也是为什么我会觉得一些在医疗行业深耕多年的团队，反而可能在这一波里更有机会，哪怕模型用的是现成的。
因为他们要做的只是把模型嵌进一个已经跑了很多年的系统里。这件事的门槛，和训练模型完全是两套能力。
如果前面的判断成立：大模型决定上限，harness 决定能不能落地。那小公司真正的机会就在这里。
不需要最强的模型，只需要：
- 更贴近一线的场景理解
- 更扎实的 workflow 设计
- 更长期的数据积累
把这三件事做好，完全有可能从另一条路径长出来。
这么多开源大模型在手边，这一波医疗 AI 完全可以是一次工程能力 + 行业认知的重排，而不是单纯的模型竞赛。
关注凡人小北，了解 AI 落地、创业机会、技术洞察。