金磊 發自 杭州
量子位 | 公眾號 QbitAI

很反差。

明明是一場AI的發布會，臺下卻坐滿了醫學界的大佬們：

有北大、清華的，有浙江、上海的，甚至醫學頂刊BMJ集團的主編都來圍觀了……

為啥會這樣？

因為阿里健康正式發布了一個新的醫學AI產品——氫離子，主打的就是靠譜的醫學AI助手。

或許你還會有疑問，現在通用大模型、醫療AI不是蠻多的么，阿里健康干嘛還要再另起爐灶啊？

好問題。

阿里健康CTO王祥志在現場舉的例子，就直擊了這個問題的七寸。

他用專業的Prompt來約束通用大模型：

你必須要查詢專業的文獻，告訴我氟澤雷塞的使用注意事項，當病人出現漏服到底怎么辦的時候？

結果，通用大模型一本正經地給出了錯誤的補服建議……

在容錯率極低的醫學場景下，這絕對是個Big Problem。

除此之外，在“用”這件事上，也有問題。

目前中國50%的醫生，會通過4個以上的APP來解決他們的問題，包括查詢用藥、查詢臨床指南，查詢中英文文獻還要再去不同的論文網站……

所以，氫離子要做的事情就一目了然了。

不僅是要更聰明，最重點的是，要讓中國500萬醫生用得夠可靠、夠方便。

把靠譜的證據擺到500萬醫生面前

首先需要厘清一個核心概念。

氫離子不是醫生用來給患者看病的那種AI，它是專門解決中國500萬醫生查證據慢、找文獻難、讀英文累、不同工具來回切換，以及通用AI容易說胡話等痛點的。

為此，氫離子甩出了三板斧，精準直擊痛點。

循證智能問答，每句話都有跡可循

醫生可以用自然語言來提問，例如：

糖尿病腎病SGLT2抑制劑最新指南。

甚至醫生們還可以通過語音、圖片、病例文本等方式表達需求，系統會再根據問題拆解意圖、檢索證據、組織答案：

但更重要的是，答案可不只是完整回答那么簡單。

氫離子強調，每個答案背后都會有指南、文獻、說明書等醫學證據支撐，并且可以定位到原文中的具體段落：

醫生點擊對應引用，就能看到證據來自哪篇文獻、哪一部分原文，以及原文如何支持這個結論。

這點對醫學AI非常關鍵。

因為醫生真正需要的，正是一個能把證據鏈擺清楚的助手。

AI給出結論之后，醫生必須能回頭檢查：這個結論依據的是指南、RCT研究、真實世界研究，還是某種較弱證據？它適用的人群是誰？樣本量多大？是否和眼前患者相似？

如此一來，在查得快，且找得準的基礎上，才能把核對證據的權利完完整整地交還給醫生。

精準文獻搜索，獨家牽手國際頂刊

阿里健康正式宣布與英國BMJ集團達成期刊內容獨家合作。作為全球最具影響力的醫學期刊之一，BMJ集團旗下70本醫學期刊過去十年間發表的所有內容和多媒體資源，將獨家授權提供給氫離子。

這意味著，氫離子成為了國內唯一一個在站內就能直接閱讀BMJ集團海量頂級文獻的醫學AI助手。

據了解，在此之前，氫離子已經與中華醫學會、人民衛生出版社、中國抗癌協會等國內權威機構打通了數據。

一句話搜遍國內外頂刊，氫離子在證據源的豐富度與權威性上，已然筑起了區別于其它AI的護城河。

AI文獻速讀和醫學翻譯

對醫生來說，找到論文只是第一步，讀懂才是更費時間的部分。

一篇SCI論文，尤其是臨床研究論文，醫生往往需要花不少時間拆解，包括研究目的是什么、納入了哪些人群、干預措施和對照組是什么、對真實臨床有什么參考價值等等。

在過去，醫生們可能需要1到2小時才能提取一篇文獻的核心內容；但有了氫離子，這個時間被壓縮到了3到5分鐘！

同時，氫離子還提供醫學術語翻譯和中英對照閱讀，正如王祥志在現場提到的：

團隊面對面訪談中，有超過80%的醫生表示閱讀英文醫學內容時需要借助各種翻譯工具，尤其是專業術語和生僻表達。

為什么氫離子不會說胡話？

能讀懂長難句、能做總結翻譯，這在今天的大模型圈似乎已經是基操。

但真正讓能臺下數百位嚴苛的醫學專家點頭認可的，是氫離子在底層邏輯上對醫學嚴謹性的死磕。

通用大模型之所以會說胡話，是因為它的本質是基于概率的文字接龍；但王祥志認為，在容錯率極低的醫療行業，AI必須被戴上緊箍咒，懂得敬畏邊界。

為此，氫離子給出了一套完全不同于通用大模型的公式：

醫學證據 + 循證醫學 + AI = 更可靠的醫學AI助手。

AI被放在了最后，而循證醫學的框架被前置到了算法的每一個毛細血管中。

具體而言，氫離子打造了一套全鏈路的四層循證AI架構。

第一層，是證據理解層。

畢竟醫學文獻不是普通網頁，它里面有研究對象、干預措施、對照組、結局指標、樣本規模、研究類型、證據等級等一整套結構。

氫離子會基于PICO框架和GRADE標準，對文獻和指南進行結構化理解。

（注：PICO是循證醫學里常用的問題拆解框架，分別對應Patient/Population、Intervention、Comparison、Outcome，也就是研究人群、干預措施、對照方式和結局指標；GRADE則常用于評價證據質量和推薦強度。）

用更通俗的話說，氫離子是先讓AI讀懂這條證據到底在研究誰、用了什么方法、和誰比較、得出了什么結果，以及這條證據到底有多強。

這一步決定了后面所有回答的底座。

第二層，是精準檢索層。

醫生提問往往非常復雜，尤其是帶有真實病例背景的問題。模型不能只做關鍵詞匹配，更要理解這個問題對應的醫學結構。

比如，一個患者的年齡、疾病階段、合并癥、用藥史、不良反應，都可能影響證據是否適用。氫離子在檢索階段引入PICO語義匹配，就是為了把醫生的問題和醫學證據之間建立更細的連接。

一言蔽之，這類檢索是為了找到真正適用的證據。

第三層，是模型微調和強化。

通用大模型訓練的是廣泛語言能力，而醫學AI要額外學會什么叫準確、忠實循證、安全有用。

這意味著模型要學會在證據范圍內組織答案，遇到證據不足、指南不一致、適用人群有限的情況，也要把邊界說清楚。

這也是氫離子反復強調“助手”二字的原因。

它不替醫生做決定，相反，是把可追溯的證據、證據等級、適用范圍和可能限制整理給醫生。

因此，最終診斷和治療責任，仍然在醫生手里。

第四層，是專家評審層。

氫離子宣布成立醫學AI專家委員會，邀請300多位中國臨床專家共同參與醫學AI評價標準和數據集建設。

這一體系包括學術方向把關、評測標準制定，以及一線醫生對AI回答的持續驗證和反饋。

這套機制的意義在于，醫學AI不能只在技術榜單上自證優秀。

醫療是一個高度依賴專業共識和臨床驗證的領域，一個回答到底有沒有用，不能只看模型分數，更要看臨床醫生是否認可、證據鏈是否扎實、邊界是否清晰、是否經得起真實問題反復檢驗。

從這個角度看，氫離子的四層架構更像一個質量控制系統——

先理解證據，再精準檢索，再訓練模型按循證邏輯回答，最后交給專家體系持續校驗。

這也是醫學AI和普通AI產品最大的分野。

中國醫學AI，開始定義標準了

縱觀整場發布會，最大的感受不只是阿里健康發了一個新APP，也不只是與BMJ集團達成獨家合作。

重點應該在于一個變化——

醫學AI正在從能不能回答問題，進入到答案如何被驗證的階段。

過去，很多醫療AI產品更像是檢索工具、問答工具、輔助寫作工具。它們確實提高了效率，但也常常讓醫生陷入新的不確定，AI說得很像對的，但我怎么知道它真的對。

氫離子的答案是，把AI拉回循證醫學框架里。

它不把模型本身包裝成權威，而是把權威交還給證據、指南、文獻和專家評審；AI在其中扮演的角色，是連接、總結、翻譯、定位和推理。

這種定位比較克制，也更符合醫學場景。

在圓桌論壇中，北京大學人民醫院血液科副主任醫師劉競談到一個很現實的問題：

當AI推薦和現行指南不一致時，醫生應該相信誰？

她的回答不是二選一，而是既不固守可能已經過時的指南，也不盲目依賴AI推薦。指南是臨床行醫的基本框架，AI則可以補充最新證據、特殊人群和復雜病例中的信息缺口。

這其實說出了醫學AI最合理的位置：應當是醫生和快速增長的醫學證據之間的連接器。

從生產力角度看，它能把醫生從大量重復性的資料檢索和初步閱讀中解放出來。

醫生最寶貴的能力，不是記住每篇論文，也不是手動翻遍所有數據庫，而是在證據、人群、病情、風險、患者意愿之間做綜合判斷。AI越能把底層證據整理清楚，醫生越能把時間花在真正復雜的臨床邏輯和人文溝通上。

從醫療資源角度看，它也有機會縮小不同地區醫生之間的信息差。

在大城市三甲醫院，醫生更容易接觸國際會議、前沿文獻和高水平學術交流；但在基層或資源相對有限的地區，醫生獲取頂級醫學證據的路徑往往更長。氫離子希望解決的，正是這種證據可及性問題。

當然，這件事不能說得太滿。

一個醫學AI工具能否真正改變醫生工作方式，還要看長期使用效果，看證據覆蓋是否持續完善，看回答質量是否經得起更多真實臨床問題檢驗，也看它能否在醫生群體中建立足夠信任。

但至少可以確定的是，醫學AI的競爭重點已經變了——

誰能更好地回答“證據從哪來、是否可信、如何驗證、適用邊界是什么”，誰才更接近醫生真正需要的AI。

畢竟，對醫生來說，一個AI助手最重要的能力，從來不是說得多漂亮。

而是每一句話，都有跡可循。