中国500万医生的新AI：顶刊独家联手，卷的就是证据源

金磊 发自 杭州量子位 | 公众号 QbitAI很反差。明明是一场AI的发布会台下却坐满了医学界的大佬们有北大、清华的有浙江、上海的甚至医学顶刊BMJ集团的主编都来围观了……△图片由AI生成为啥会这样因为阿里健康正式发布了一个新的医学AI产品——氢离子主打的就是靠谱的医学AI助手。或许你还会有疑问现在通用大模型、医疗AI不是蛮多的么阿里健康干嘛还要再另起炉灶啊好问题。阿里健康CTO王祥志在现场举的例子就直击了这个问题的七寸。他用专业的Prompt来约束通用大模型你必须要查询专业的文献告诉我氟泽雷塞的使用注意事项当病人出现漏服到底怎么办的时候结果通用大模型一本正经地给出了错误的补服建议……在容错率极低的医学场景下这绝对是个Big Problem。除此之外在“用”这件事上也有问题。目前中国50%的医生会通过4个以上的APP来解决他们的问题包括查询用药、查询临床指南查询中英文文献还要再去不同的论文网站……所以氢离子要做的事情就一目了然了。不仅是要更聪明最重点的是要让中国500万医生用得够可靠、够方便。把靠谱的证据摆到500万医生面前首先需要厘清一个核心概念。氢离子不是医生用来给患者看病的那种AI它是专门解决中国500万医生查证据慢、找文献难、读英文累、不同工具来回切换以及通用AI容易说胡话等痛点的。为此氢离子甩出了三板斧精准直击痛点。循证智能问答每句话都有迹可循医生可以用自然语言来提问例如糖尿病肾病SGLT2抑制剂最新指南。甚至医生们还可以通过语音、图片、病例文本等方式表达需求系统会再根据问题拆解意图、检索证据、组织答案但更重要的是答案可不只是完整回答那么简单。氢离子强调每个答案背后都会有指南、文献、说明书等医学证据支撑并且可以定位到原文中的具体段落医生点击对应引用就能看到证据来自哪篇文献、哪一部分原文以及原文如何支持这个结论。这点对医学AI非常关键。因为医生真正需要的正是一个能把证据链摆清楚的助手。AI给出结论之后医生必须能回头检查这个结论依据的是指南、RCT研究、真实世界研究还是某种较弱证据它适用的人群是谁样本量多大是否和眼前患者相似如此一来在查得快且找得准的基础上才能把核对证据的权利完完整整地交还给医生。精准文献搜索独家牵手国际顶刊阿里健康正式宣布与英国BMJ集团达成期刊内容独家合作。作为全球最具影响力的医学期刊之一BMJ集团旗下70本医学期刊过去十年间发表的所有内容和多媒体资源将独家授权提供给氢离子。这意味着氢离子成为了国内唯一一个在站内就能直接阅读BMJ集团海量顶级文献的医学AI助手。据了解在此之前氢离子已经与中华医学会、人民卫生出版社、中国抗癌协会等国内权威机构打通了数据。一句话搜遍国内外顶刊氢离子在证据源的丰富度与权威性上已然筑起了区别于其它AI的护城河。AI文献速读和医学翻译对医生来说找到论文只是第一步读懂才是更费时间的部分。一篇SCI论文尤其是临床研究论文医生往往需要花不少时间拆解包括研究目的是什么、纳入了哪些人群、干预措施和对照组是什么、对真实临床有什么参考价值等等。在过去医生们可能需要1到2小时才能提取一篇文献的核心内容但有了氢离子这个时间被压缩到了3到5分钟同时氢离子还提供医学术语翻译和中英对照阅读正如王祥志在现场提到的团队面对面访谈中有超过80%的医生表示阅读英文医学内容时需要借助各种翻译工具尤其是专业术语和生僻表达。为什么氢离子不会说胡话能读懂长难句、能做总结翻译这在今天的大模型圈似乎已经是基操。但真正让能台下数百位严苛的医学专家点头认可的是氢离子在底层逻辑上对医学严谨性的死磕。通用大模型之所以会说胡话是因为它的本质是基于概率的文字接龙但王祥志认为在容错率极低的医疗行业AI必须被戴上紧箍咒懂得敬畏边界。为此氢离子给出了一套完全不同于通用大模型的公式医学证据 循证医学 AI 更可靠的医学AI助手。AI被放在了最后而循证医学的框架被前置到了算法的每一个毛细血管中。具体而言氢离子打造了一套全链路的四层循证AI架构。第一层是证据理解层。毕竟医学文献不是普通网页它里面有研究对象、干预措施、对照组、结局指标、样本规模、研究类型、证据等级等一整套结构。氢离子会基于PICO框架和GRADE标准对文献和指南进行结构化理解。注PICO是循证医学里常用的问题拆解框架分别对应Patient/Population、Intervention、Comparison、Outcome也就是研究人群、干预措施、对照方式和结局指标GRADE则常用于评价证据质量和推荐强度。用更通俗的话说氢离子是先让AI读懂这条证据到底在研究谁、用了什么方法、和谁比较、得出了什么结果以及这条证据到底有多强。这一步决定了后面所有回答的底座。第二层是精准检索层。医生提问往往非常复杂尤其是带有真实病例背景的问题。模型不能只做关键词匹配更要理解这个问题对应的医学结构。比如一个患者的年龄、疾病阶段、合并症、用药史、不良反应都可能影响证据是否适用。氢离子在检索阶段引入PICO语义匹配就是为了把医生的问题和医学证据之间建立更细的连接。一言蔽之这类检索是为了找到真正适用的证据。第三层是模型微调和强化。通用大模型训练的是广泛语言能力而医学AI要额外学会什么叫准确、忠实循证、安全有用。这意味着模型要学会在证据范围内组织答案遇到证据不足、指南不一致、适用人群有限的情况也要把边界说清楚。这也是氢离子反复强调“助手”二字的原因。它不替医生做决定相反是把可追溯的证据、证据等级、适用范围和可能限制整理给医生。因此最终诊断和治疗责任仍然在医生手里。第四层是专家评审层。氢离子宣布成立医学AI专家委员会邀请300多位中国临床专家共同参与医学AI评价标准和数据集建设。这一体系包括学术方向把关、评测标准制定以及一线医生对AI回答的持续验证和反馈。这套机制的意义在于医学AI不能只在技术榜单上自证优秀。医疗是一个高度依赖专业共识和临床验证的领域一个回答到底有没有用不能只看模型分数更要看临床医生是否认可、证据链是否扎实、边界是否清晰、是否经得起真实问题反复检验。从这个角度看氢离子的四层架构更像一个质量控制系统——先理解证据再精准检索再训练模型按循证逻辑回答最后交给专家体系持续校验。这也是医学AI和普通AI产品最大的分野。中国医学AI开始定义标准了纵观整场发布会最大的感受不只是阿里健康发了一个新APP也不只是与BMJ集团达成独家合作。重点应该在于一个变化——医学AI正在从能不能回答问题进入到答案如何被验证的阶段。过去很多医疗AI产品更像是检索工具、问答工具、辅助写作工具。它们确实提高了效率但也常常让医生陷入新的不确定AI说得很像对的但我怎么知道它真的对。氢离子的答案是把AI拉回循证医学框架里。它不把模型本身包装成权威而是把权威交还给证据、指南、文献和专家评审AI在其中扮演的角色是连接、总结、翻译、定位和推理。这种定位比较克制也更符合医学场景。在圆桌论坛中北京大学人民医院血液科副主任医师刘竞谈到一个很现实的问题当AI推荐和现行指南不一致时医生应该相信谁她的回答不是二选一而是既不固守可能已经过时的指南也不盲目依赖AI推荐。指南是临床行医的基本框架AI则可以补充最新证据、特殊人群和复杂病例中的信息缺口。这其实说出了医学AI最合理的位置应当是医生和快速增长的医学证据之间的连接器。从生产力角度看它能把医生从大量重复性的资料检索和初步阅读中解放出来。医生最宝贵的能力不是记住每篇论文也不是手动翻遍所有数据库而是在证据、人群、病情、风险、患者意愿之间做综合判断。AI越能把底层证据整理清楚医生越能把时间花在真正复杂的临床逻辑和人文沟通上。从医疗资源角度看它也有机会缩小不同地区医生之间的信息差。在大城市三甲医院医生更容易接触国际会议、前沿文献和高水平学术交流但在基层或资源相对有限的地区医生获取顶级医学证据的路径往往更长。氢离子希望解决的正是这种证据可及性问题。当然这件事不能说得太满。一个医学AI工具能否真正改变医生工作方式还要看长期使用效果看证据覆盖是否持续完善看回答质量是否经得起更多真实临床问题检验也看它能否在医生群体中建立足够信任。但至少可以确定的是医学AI的竞争重点已经变了——谁能更好地回答“证据从哪来、是否可信、如何验证、适用边界是什么”谁才更接近医生真正需要的AI。毕竟对医生来说一个AI助手最重要的能力从来不是说得多漂亮。而是每一句话都有迹可循。一键三连「点赞」「转发」「小心心」欢迎在评论区留下你的想法—完— 点亮星标 科技前沿进展每日见