衡宇 发自 凹非寺
量子位 | 公众号 QbitAI
来猜一下，AI时代，医生最哭笑不得的是什么？
越来越多的患者在进诊室前，已经习惯先用各类通用型Chatbot查询症状。进诊室的时候，不少会带着AI给的诊断和方案和医生来场“激情对线”。
近一年来，这类场景在全国多地多家医院反复出现。
原本用于诊疗判断的时间，被大量消耗在纠偏、解释和风险提示上。诊室节奏被打乱不说，医患双方沟通成本还大大上升了。
这里还是再跟所有人强调再强调：
医疗是严肃场景，而通用型大模型并不是围绕医疗体系设计的，在回答医疗相关问题时，胡说八道（也就是幻觉率）的概率甚至能高达40%。
别说自己不能用通用大模型来给自己看病下诊断了，就连医院和医生，在选用垂直领域的医疗AI时，都会极其谨慎。
从行业视角来看，这样高的门槛，的确给医疗AI带来了清晰的竞争焦点。
真正能在医院站稳脚跟的医疗AI公司，必须靠长期场景积累、工程化交付能力，以及可复盘的落地效果。
以此为标尺，我们走访多地多家医院，搜集整理出医院真实部署的一组数据。
其中，在全国百强三甲医院中，约40%选择了同一家医疗AI公司——
云知声。
是的，对于AI明星公司云知声，是时候更多以“医疗”透镜来看待了。
医疗AI能否进三甲，已成为最重要的分水岭
医疗AI的竞争正在从能力展示转向真实运行。
进入这一阶段后，关键分水岭逐渐清晰：能否在医院（尤其是三甲医院）长期稳定运行，能否在临床环境中实现可复盘的效果，能否在多院复制中保持一致性。
这是来自医院一线的直接现实选择。
然而医疗AI想要落地，从试点走向常态化运行，往往要跨越几道难以压缩的门槛。
首先，医疗决策具有连续性。
问诊-检查-诊断-开处方-治疗，每一步都依赖前序判断，一次偏差，可能引发难以预料的连锁反应。
因此，输出稳定性被放在极高优先级。
其次，结果需要被多方体系同时接受。
这么说吧——医生关注医学合理性，病案质控关注合规与完整性，医保系统关注规则与成本控制。
能够通过其中一关，并不代表能通过完整流程。
更重要的是，医疗错误的成本极高。
众所周知，医院试错空间有限，对幻觉和错误的容忍度接近于零。不管是相关部门、医院，还是具体到医生个人，对一款医疗AI系统/产品“能不能用”“敢不敢用”都有明确而现实的判断。
这使得大量看起来能力很强的模型，最终高高孤挂在评测榜单，却在现实世界难以走向规模推广。
正是在这样的背景下，能够长期跑在医院尤其是三甲医院的医疗AI大模型，数量迅速收敛。
云知声属于其中之一。
截至今年6月，云知声智慧医疗解决方案已经在全国部署400家医院，700余家进入测试阶段。
其门诊病历生成系统生成的病历，病历直接引用率接近90%。
拿大白话来说，每10份生成的病历中，约有9份，医生可以一字不改，直接使用。
北京市内多位三甲医院医生向我们反馈，这套系统在病历书写环节几乎帮自己省下了近九成的时间成本。
放在医疗这一类低容错、高责任的场景里，这样的长期运行指标与实际提效结果，意义远高于单次演示或短期试点。
而这，只是云知声在医疗领域产品与解决方案中的一个单点。
公开资料显示，基于自研医疗大模型山海大模型，云知声在医疗领域的能力覆盖病历语音输入、病历质控、单病种质控、门诊病历生成系统、医疗保险支付管理和医学知识图谱等。
从长期路线到技术兑现
云知声并非近期进入医疗赛道。
2016年起，智慧医疗就已经成为驱动云知声业务的两驾马车之一。
早期阶段，云知声围绕语音病历等场景，着手解决医生记录效率问题；随后在病历质控、单病种质控等方向，开始系统性处理医疗质量与合规约束；AI 2.0时代开始，行业技术发展提供了更高的可行性，其目标进一步转向临床生产力本身。
可以看到，云知声在医疗领域的演进与中国医疗信息化、智能化进程高度同步，是医疗AI领域一名实打实的老兵。
12月20日，国家人工智能应用中试基地（医疗）浙江开园并发布年度重大成果，首发测评了30款主流大模型的MedAIBench测评榜，遴选发布了10款优秀国产模型。
其中，云知声山海大模型入选。
就在昨天，云知声发布了最新的阶段性成果山海·知医 5.0。
在模型架构层面，山海·知医 5.0采用“医学文本大模型+医学多模态大模型”并行的双核心体系。
现在的山海·知医 5.0，能够同时处理结构化信息、医学文本、影像与多源输入。
模型能力跨模态，意味着它能像人类医生一样接收更多的信息，并根据多模态信息进行医学推理。
在数据体系上，云知声创新提出并落地了“结构化图谱—半结构化文档—过程化轨迹”的三层金字塔数据范式。
底层的高置信度医学知识图谱，提供稳定认知框架。
在后训练阶段，将离散的医学实体与其属性关系映射为硬性约束条件，确保底座能力的绝对精确。
中层的全科医学文档知识库补充专业细节，在集聚海量文本数据的同时，通过长上下文窗口训练与结构化的高密度语义对齐，使模型习得医学领域的专业表述范式与细粒度语境理解能力。
高层的专家临床诊疗轨迹采集了资深医生在真实诊疗场景中的多轮问诊逻辑、检查决策路径及鉴别诊断过程。
在这一层，山海·知医 5.0利用微调（SFT）与基于可验证奖励的强化学习（RLVR）技术，将医学专家的隐性思维链（CoT）转化为模型的显性推理策略。
简单来说，这层数据赋予了山海·知医 5.0处理复杂临床任务的规划能力与工具调用能力，使其能够像人类专家一样进行多跳推理与动态诊疗。
三层数据各自承担不同角色，并通过统一的数据治理与对齐机制形成闭环，从而实现事实约束-语义理解-逻辑推理的全栈能力跃升，显著降低了模型在医学复杂场景中的幻觉。
在后训练阶段，山海·知医 5.0将智能体能力内化训练进了模型体系。
团队构建了基于任务级奖励函数的强化学习对齐框架。
同时为进一步抑制幻觉，团队创新性引入“生成-校验”技术范式，在医学任务的多步推理的过程中实施步进式循证监督，最终将特定医疗任务下的幻觉率压降至3%以内。
针对医疗场景下针对长周期、全流程患者诊疗数据的复杂性，山海·知医 5.0团队使用了一种分层式混合记忆架构，能够根据信息的重要性和稳定性决定使用哪一类记忆。
这种能力组合，使模型在复杂场景中更接近临床思维路径。
云知声的综合技术能力，早前就已经体现在权威评测结果中。
在医疗行业，上海人工智能研究院牵头建设的MedBench 4.0是国内主流医疗大模型评测平台。
它围绕真实医疗任务设计，涵盖诊疗推理、医学知识覆盖、多模态理解与复杂决策等维度，被视为衡量医疗模型“是否具备临床潜力”的重要参考。
2024年起，云知声各代山海大模型就在医疗领域稳居第一梯队。SuperCLUE团队发布的《中文大模型基准测评2024上半年报告》显示，山海大模型在医疗领域评测表现超越了GPT-4。
现在打开MedBench官网，依旧是云知声的UniGPT-Med系列模型三榜夺魁。
这类评测结果，更多是在技术层面对模型能力给出证明。
对于榜单成绩这个事儿，云知声CEO黄伟的态度一贯清晰。
此前他就在多个场合强调，榜单具备纵向和横向意义，有助于理解模型能力进化与行业位置。但医疗To B客户的决策，并不建立在榜单之上。
“客户不会为榜单买单。”黄伟如是说。
百强三甲医院，为技术和产品持续买单
真正值得讨论的问题回到一个现实层面：客户在为云知声的什么能力买单？
答案离不开两个关键词，一个是“长期积累”，另一个是“组合优势”。
首先是长期数据积累带来的专家级价值。
云知声医疗模型的数据源，长期沉淀于真实医疗场景，覆盖不同科室、不同病种和不同诊疗阶段。
这种积累，让模型对医学语言、临床路径和隐性规则具备更深理解，也让输出结果更接近医生的真实书写与判断习惯。
对医院而言，这类能力意味着系统初用就好用，并且越用越好用。
其次，是对医疗业务本身的深度理解与工程实战经验。
医疗AI产品和解决方案并不是孤立的技术问题，背后其实是一个复杂的系统工程，涉及HIS、EMR、质控、医保规则以及医生个人工作习惯。
在十年如一日的落地过程中，云知声逐步摸清了不同科室医生的真实需求，也清楚哪些环节值得自动化，哪些地方必须保留人工确认。
这种来自一线的理解，直接体现在产品设计和交付方式上，降低了医院在引入新系统时的适应成本。
此图片由AI生成
在性能层面，“快”和“准”同时成立，是其饱受认可的另一个关键点。
医疗场景节奏紧凑，系统响应速度直接影响医生是否愿意使用；而准确率又决定了医生是否敢用。
云知声的医疗AI在生成速度与准确率之间保持稳定平衡，使其能够自然嵌入医生的工作流，不会弄巧成拙，反而成为医生日常工作流里的额外负担。
此外，从部署情况看，系统已经覆盖除外科外的医院全科室场景。
这种覆盖深度，意味着其产品已经成为医院日常运行的一部分。一旦进入这一状态，医院对系统的依赖度和粘性都会与日俱增。
梳理到这儿你应该发现了，在云知声这儿，临床验证、工程化能力、可复制交付与商业兑现，在同一体系内成立。
更重要的是，这些能力并未停留在单点，而是通过标准化产品形态交付，支持跨院复制。
这种让业务增长能脱离项目制的能力，路径更加清晰，也更具可持续性，在医疗AI领域尤为关键。
如上，在医疗AI领域，云知声妥妥是一家能够实现跑通+使用+复制+营收的公司。这套能力也已经开始反映在商业层面。
今年8月，云知声发布《2025中期业绩报告》。
半年报数据显示，医疗业务表现突出，收入0.70亿，同比增长22.3%，占总收入17.3%。
同时，客户价值提升明显，每个医疗客户收入（客单价）从2024年同期的46.9万元大幅增长至101.3万元，增幅达116.2%。
这样的能力和成绩，无疑证明了一点——
云知声是当前医疗AI领域中极具代表性的头号专业型玩家，是业内讨论医疗AI时，绕不开的样本。
政策与需求同向，海外已给出估值参照
今年6月30日，云知声在港股上市。
上市并不只是融资工具层面的变化，更意味着品牌信用、客户认知以及组织运转方式的整体升级。
对于医疗这样的严肃行业而言，上市公司身份本身就是一层重要的信任背书，它会直接影响医院在引入新技术、新系统时的决策节奏。
围绕上市后的发展路径，量子位联系到了云知声CEO黄伟本人。
他明确表示，上市之后，公司已经设定了更高的业务增速目标，收入增长将来自多个方向，包括业务规模的持续扩大、单一客户价值的提升，以及产品类别的不断拓展。
随着业务进入更成熟阶段，产品落地逻辑也在逐渐清晰。
云知声的医疗AI相关产品及解决方案，将持续围绕高频场景形成稳定的交付节奏。背后的核心驱动力，依然来自技术与产品本身的成熟度——这一点，在医疗这样决策周期长、系统替换成本高的行业中尤为关键。
黄伟进一步透露，从业务侧的反馈来看，公司在手订单与客户沟通情况，已经为接下来一到两年的增长提供了较为明确的可见性。
基于当前的订单结构与客户扩展节奏，公司对2026年的增速判断，明显高于2025年。
还有多位接近云知声的知情人士向我们表示，云知声部分客户在完成初期部署之后，开始持续追加模块与使用场景，业务推进呈现出明显的“由点到面”扩展趋势。
可以说，随着产品从单一功能向多模块延展，单个客户的价值不断放大，云知声的增长来源也逐步显现出复利特征。
在更大的外部环境中，这一趋势也得到了政策层面的呼应。
11月，国务院办公厅又发布了《关于加快场景培育和开放推动新场景大规模应用的实施意见》。
《意见》提出，要加强关键核心技术攻关和推广应用，加快高价值应用场景培育和开放，更好满足科技、产业、消费、民生、治理、全球合作等各领域发展需要。
此外还指出，要“创新健康咨询、问诊指引、辅助诊断、远程医疗、用药审核等医疗应用场景”。
另一边，资本市场也已经开始为“医疗AI真正进入临床工作流”这一事实定价。
2025年，医疗AI成为Tier One基金最重要的AI投资赛道，美国新晋AI独角兽有55%就来自医疗AI赛道。
具体的最新消息，旨在打造医生专用ChatGPT的AI公司OpenEvidence，估值在本月已经来到120亿美元。
论业务，OpenEvidence提供的AI能力是toC的，仅仅面向医生个人；但论速度，要知道今年2月，OpenEvidence的估值只有10亿美元，才刚迈入独角兽之列。
是不是快得有点离谱？其实背后的逻辑并不复杂。
当AI能够稳定嵌入医疗日常流程，持续被高频使用，并且形成明确付费关系时，其商业价值自然会被重新评估。
这套定价逻辑放回国内，同样成立。不同之处在于，国内医疗AI的估值体系仍在构建过程中，市场对兑现路径的要求更为严格。
技术实力是否过硬，落地规模是否真实，增长是否具备可持续性，都会被反复审视。
但可以确定的是，市场最终会奖励那些能够拿出可验证临床渗透率，以及可预期增长曲线的公司。
参考链接：
https://www.gov.cn/gongbao/2025/issue_12406/202511/content_7048926.html
https://medbench.opencompass.org.cn/leaderboard
https://mp.weixin.qq.com/s/JCD8raaxvWnzX7TzZZHpAw
