对话王小川：造医生，战豆包，与无尽的 AI 非共识

最新一期《硅基立场》的视频播客，我们和百川智能创始人、CEO 王小川进行了一场深入的对话。

王小川今年以来在公众场合不算特别活跃，我们的长谈发生在最近百川智能发布 M4 模型和“百小医”问世期间。

在这个对话里，王小川少有的系统性表达和拆解了他和百川智能对医疗行业的理解，这些理解建立在他们对于 AI 行业长期深度理解和深耕的语境之中，这是今天全部资源涌入coding等少数共识领域时，非常珍贵的不同视角的思考，这也让我们看到了面对一些非共识问题时的想象力和勇气。

中国的医疗体系是一个需求非常强烈、同时也非常复杂的体系。如何与这个体系相向而行，成为这个体系新的建构者和供给者，其实是 AI 在未来若干年里一个非常重要的命题。

本期对话的视频和播客版已发布，欢迎在B站、小宇宙等平台搜索“硅基立场”观看收听。

以下为对话的文字稿。

医生与程序员，对待AI的方式完全不同

骆轶航： 大家好，欢迎收看《硅基立场》的视频播客，或收听《硅基立场》的音频播客，我是骆轶航。这期我们聊的是一位老朋友，百川智能创始人、CEO 王小川。

其实我有一段时间一直想跟你聊，但是你比较低调。现在我觉得可能是一个比较好的时间点，因为最近大家看到了一些东西。一个是百川 M4 这个模型，我理解它应该是一个……

王小川： 医学增强模型。

骆轶航： 对，医学增强模型。起初我的理解是，它是一个医学通用模型。

王小川： 是的。

骆轶航： 这是第一点。第二个是它配套的助手“百小医”。我把它理解成一个 Agent，但好像也不完全对。

王小川： 对。它底层是 Agent Harness 这样的架构，但往上已经被封装成我们所称的 AI 家庭医生。

骆轶航： AI 家庭医生。

王小川： 对，AI 家庭医生。

骆轶航： 我们聊这件事的时候，其实已经进入了两个话语体系。我的体系还是一个非常 AI 术语化的体系，比如 Agent；而你这边已经把它切换成了家庭医生。家庭医生本质上，其实就是基于通用医疗模型的家庭助手。

王小川： 是的。

骆轶航： 它本质上还是一个 Agent 的角色。但我觉得很有意思的是，我们刚开始聊这件事，就已经在使用不同的话语体系了。我觉得你现在越来越像一个医疗圈的人，而我现在还在假装自己是 AI 圈的人。

王小川： 对，我其实还夹在中间。我既不希望脱离 AI 圈，因为我们做的东西，别人会说：“你是做医疗、做 AI 医疗的，是不是做垂直领域去了？”而医疗圈也会觉得我是一个外来的闯入者。医疗圈本身是一个相对封闭的群体，一个外来者闯进来，他们其实也挺不适应的。

骆轶航： 所以这其实是一个挺有意思的问题。他们也挺不适应。你作为一个闯入者，让他们不适应，那你怎么面对他们？第一，他们不适应的到底是什么？第二，你怎么面对他们的不适应？毕竟我看前两天你的发布会，该来的人也都来了，院士们来了，很多关键领域医院的院长也来了。他们肯定不是来找骂的，他们肯定是来寻求共识的，对吧？

王小川： 是的。今天讲 AI 写代码，其实是一个新词，AI 程序员以前大家没有听过。但是 AI 医疗这个词不一样。

骆轶航： 好像已经讲了很久。

王小川： 讲了很久。所以大家其实默认，AI 医疗已经有一套既有做法。不管是国家课题，还是每个医生自己的参与，大家都能说出自己在里面做了什么。但这一次用大模型做 AI 医疗，其实和以前的范式非常不一样。

所以进入这个领域之后，如果你听到原来的语言体系，他们会说：“这个东西慢，这个东西难，这个东西没有商业模式。”但今天程序员受到的冲击是非常大的。

一旦进入医疗圈的话语体系，就还要考虑：做一个垂直医疗模型，针对哪个病种，诊断准确率是多少？或者给医生做一个诊断增强工具，帮他提效，帮他写病历。原来更多就是写病历。所以在他们的语言体系里，这件事还没有到解决国家医疗大问题的状态。

我也参加过很多医疗圈内部关于 AI 使用的讨论。用得比较好的，就是帮医生写病历、提升一点效率，或者在某个垂直模型上拿数据训练一下，让准确率更高。但我们国家提到的很多大命题，比如分级诊疗怎么做，医疗资源供给不足怎么解决，全病程管理怎么推进，这些问题已经讲了很多年，但一直没有真正破开。

因此，今天需要有一个头部大模型公司进入。就像现在做代码，不再只是应用公司自己写一个代码辅助工具，而是变成 Anthropic，以及国内以 GLM 为代表的模型公司，真正进入这个行业。这样一个外来物种，对医疗圈来说可能是一个很有冲突感的选择。你的语言体系，他们觉得很陌生；他们的语言体系，我们也觉得很陌生。

骆轶航： 对。我聊 AI 医疗的时候，对“个人家庭医生”这个概念其实挺陌生的，因为我还没有到拥有个人家庭医生的程度。他们觉得陌生，是因为他们会问：这东西到底是什么？背后他们陌生的点是什么？

王小川： 他们更愿意拥抱一些听起来不太冒犯，甚至比较远的词。

骆轶航： 你跟他们说 AI Agent，他们会觉得不舒服？

王小川： 不，不会，他们会觉得舒服。

因为你讲大模型，他们也有大模型；你讲 Agent，他们也提 Agent。这个词反而因为陌生，所以没有冒犯感。但如果你说，我们要增加医疗供给，我们要造 AI 医生……

骆轶航： 他们就有点不舒服了。

王小川： 对。

骆轶航： 这块我明白了。过去，无论是个体医生，还是诊所或医院，他们说要用 AI 的时候，其实是一个自下而上的事情。比如医生自己用一个工具写病历；或者医生过去每天在好大夫这类平台上问诊，我以前也在好大夫上给家里老人远程问过诊，过去可能要花几个时间段，现在可能用一个分身就解决了。过去是自下而上的，是医生自己选择用什么工具。

王小川： 对，是工具端。

骆轶航： 现在要做的事情，其实是一个自上而下的东西。它不只是医生自己的延展和补充，而是一个系统性的变化。它是对整个医疗结构、医疗供给和工作方式，从上层开始进行一些改变。

王小川：对。本质上说，医生在行业中获得的尊重，以及医生的权威性，和程序员还不太一样。程序员是被雇用的，上面有老板；但医生面对的群体是病人。所以在病人面前，他就是一尊神。这不是我个人封的，《希波克拉底誓言》里就讲到，医生是一个高度有责任心、高度自律的群体。而病人在医生面前，处于一种无能、无知、无为的状态。

骆轶航： 对。因为我有责任心，因为我自律，因为我有非常好的职业道德准则，也接受了 8 年到 10 年的专业教育和训练，所以我就是专业的。

王小川： 专业。而且在患者面前，患者什么都不用懂，也不要质疑我。

骆轶航： 对，我就是那种特别讨厌的病人和病人家属。

王小川： 所以在这种情况下，在医生的生态位和他的思考方式里，他其实不是一个能够被分权的角色，也很难接受另外一个医生共同参与他的工作。他是一个独立的个体。所以大家很难适应今天出现的一个新情况：这次的 AI 不是在造工具，而是在造人。

我们过去讲 Copilot，Copilot 是什么概念？副驾驶。今天 AI 已经变成一种程序员。所以大家都在讨论，它到底是在补充人，还是在取代人。但在医疗群体里，大家甚至还没有想过这个问题。他们是在自己主导自己的世界。

所以事实上，过去两年里，医疗圈有大量医疗模型，论文可以做出很高水平的医学 know-how。

骆轶航： 但那属于 AI for Science 的赛道，它可能都不属于 AI 医疗的范畴。

王小川：但医生本身要做科研，所以他要有新的认知发现。所谓新的认知发现，是通过一种模型，把它变成数学工具。但实际上，在造医生这件事上，会出现另一个 second opinion。它不只是帮医生解决问题，而是可能出现一个能够诊断、能够决策、能够解释的新系统。这在以前是从来没有发生过的。

所以今天对医疗圈比较大的冲击，其实并不来自百川。我们是拥抱它的。对医疗圈最大的冲击，尤其是最近几个月，来自豆包。

人们带着豆包走进诊室，这给中国医疗体系带来巨大挑战

骆轶航： 是豆包。这个也是特别有意思的一件事。所以百川做这件事，最大的竞争对手，某种意义上是豆包。

王小川：你可以这么看，确实是。因为今天我们认为……

骆轶航： 我觉得不是阿福，可能是豆包。阿福也是一个新进入者。

王小川： 对，也是新进入者。这里面我们认为，因为之前我做搜狗的时候，在 2016 年经历过魏则西事件。魏则西事件让你发现，当时像好大夫、春雨这样的产品，是不能很好地解决医疗问题的，虽然患者很喜欢：我找一个好医生，找一个专家，帮我诊断，帮我咨询。

但是当时我们明白了一个道理：医疗供给是不足的。它不像淘宝、滴滴，互联网一连接，商家也很开心，用户也很开心，因为商家找到了客户。但优质医生是不缺客户的。所以在这种情况下，单纯的连接并不能解决问题。

骆轶航： 每年就那么多医科生毕业，面对的是一个存量非常大的市场。

王小川：不够。甚至我看到最近的新闻，可能往后几年，医学生报考的人数还在变少。

骆轶航： 都去学什么了？都去学计算机？现在学计算机好像也没有前途了。

王小川： 对。因为医生这个职业确实挺辛苦的，要学 8 年才能上岗，对吧？而且过去挂号费也挺便宜，有时候甚至还没有一次理发的费用高。但医生所需要具备的学识，要高很多。

你看这里面，医生在中国本身是一个受尊重的群体，但其实并不是一个足够市场化的群体。现在，面对豆包这样的产品进入，我听到的情况是，以前大家是带着百度去看病，我们都知道。医生会说：“你看百度吗？不要看，你出去。”

但最近几个月有一个明显变化。我听有医生说，他一上午看了 30 个门诊，其中 25 个患者是带着豆包来的。

骆轶航： 很正常。

王小川： 这是很正常的，对吧？这很正常。你是一个“不好的患者”，现在很多患者都变得“不好”了。

骆轶航： 对，我是一开始就爱问问题的人。现在很多人都会这么做。

王小川： 是的。因为对医生而言，他的精力有限，时间有限，只能帮你解决最关键的问题。你不能指望他态度特别好，也不能指望他把所有事情都解释得特别清楚。大量患者不明白的事情，现在会带着豆包去问。带着豆包去之后，就会跟医生形成一种“对线”的状态。

骆轶航： 医生会是什么感觉？他会觉得被冒犯吗？

王小川：有少量患者确实能够因此更好地对话。医生其实喜欢同温层，喜欢能够和他对话的人。但更多患者会说：“医生，你的方案跟豆包不一样。”这就进入到一个自证的状态，医生要证明自己讲的是对的。

骆轶航： 我学了 10 年，现在出来要跟你解释我是对的，就因为你有了一个豆包。

王小川： 对。而且有可能医生其实还不对；也有可能医生是对的，而豆包说得不对。这就会在医患之间产生一种新的、更大的不信任。虽然患者很喜欢豆包，但对中国医疗体系而言，它也带来了新的挑战。

所以我觉得，就这个现象而言，大家总说医疗发展慢、没有前景，但其实在美国，一个叫 OpenEvidence 的医疗 AI 公司，大概一年时间下来，已经有 45% 的医生在使用。

骆轶航： 对，但它解决的是医生侧的问题。

王小川： 中国没有这样的情况。中国反过来，是患者拥抱 AI 更积极。

骆轶航： 对。

王小川： 现在很多人带着豆包去问诊。豆包一天承载的健康相关问诊次数，大概已经达到两三千万人次。

骆轶航： 一天关于这块就有这么多。你不能说这是一个不存在的市场。

王小川： 这个量可能已经和中国每天的就医量差不多了。在这种情况下，它会带来一种新的挑战。所以我们可以看到，大模型进入医疗场景之后，不管它是在解决问题，还是在带来新的问题，它的影响都已经不可忽略。

而医生在很多时候，甚至大部分医生在过去的认知里，会认为患者是不能碰 AI 的，AI 是给医生赋能的。医生仍然代表着话语权和认知权，患者使用 AI 可能是有害的，或者说患者也看不懂。但今天，这件事已经发生了巨大的变化。我们看到，一个结构性变化已经开始产生了。

骆轶航： 其实这个结构性变化，本质上是医生和患者之间的信息差，以及供需关系的要求发生了变化。

王小川：嗯。历史上其实发生过一次类似的事情，就是宗教领域。以前只有教会能够解释神、解释《圣经》。但是印刷术发明之后，开始出现了平权，每个人都能看到一本《圣经》。这个时候宗教仍然存在，大家还是会去教会做礼拜，仍然会有仪式，仍然会信上帝，但是人与神权之间的关系发生了变化。医疗领域也一定会发生这样的事情。

骆轶航： 对。你想欧洲很多顶级大学，甚至包括北美当时殖民地的很多顶级高校，基本上都是在宗教改革前后诞生的。它们最早的一些专业就是神学和宗教学。但那里面的教授肯定不是牧师，也不是教父，而是学者。这件事本身就已经发生了变化。

王小川： 因此，要打破这种“不可能三角”，只需要一种新的供给。现在，不管医生主观上是否情愿，豆包都已经开始进入这个领域了，你不能假装它没有发生。可是医生还在研究的是“我怎么拿数据训练一个模型”这样的范式。这种模式本身会带来很大的无力感。

百川在医疗专业性上可以远超豆包

骆轶航： 所以你觉得，不应该是医生和医院自己去训练模型，而是需要一个像百川这样的模型。那凭什么？

王小川：其实你可以看，当年做出 AlphaGo 的也不是围棋选手，制药的也不是医生。那为什么训练模型一定要由医生来做呢？

骆轶航： 对。凭什么医生、医院觉得自己懂，就一定能够训练出一个模型？哪怕是小模型、垂类模型，也凭什么一定训练得好？

王小川： 对，凭什么？一个东西他见过，就知道自己干不了。比如制药，医生不做吧？但“造医生”这件事，他可能会觉得自己能做。训练模型这件事，他也会觉得自己能做，因为他不知道这到底是什么，也不知道怎么评价这个东西。

骆轶航： 那他们现在在训练模型这件事上，是不是已经有挫败感了？他们知道这件事他们做不了吗？

王小川：我觉得，至少有没有挫败感，他们内心自己知道。甚至怎么评价一个模型，如果你都不会，就更不用说造一个东西了。我的理解是，不会评测的东西，是造不出来的。

所以今天我看到很多医疗模型，甚至都不知道应该怎么评测。做算法的时候，是要先做评测集，再开始做训练，对吧？但这个范式，大多数医生可能并没有掌握。

骆轶航： 对。他们知道需要有数据，我觉得这个他们肯定是知道的。

王小川： 对，他们会说，我们有数据，可以用数据训练模型。

你看今天，无论是 OpenAI 也好，Anthropic 也好，每次发布一个模型，都会有琳琅满目的评测集来评价它。但医疗领域需要训练的模型，你看不到这样的东西。

骆轶航： 没有评测集。所以他们一开始训练模型的方法是什么？就是把数据灌进去吗？

王小川：可能是专病模型，也就是在一个确定的一组疾病里，比如我是某个科的医生，我训练一个小模型，让它在这一类疾病里具备一定诊断能力。但这种评测集，远远不像今天我们讲大模型时，会评估它处理疑难问题的能力、指令遵循能力等。

骆轶航： 其实他们做的不是训练模型。如果这么说，他们是在搞 MoE，都是在搞一个个 MoE 里的那个 Expert。

王小川：而且今天无论是通用模型，还是医疗模型，都特别忽略了一件事：医生在训练模型时，很多评测是给你完备的输入，然后要求模型给出正确的输出。比如给你一个完整病历放进去，让模型输出正确结果。

无一例外，这意味着医生已经把不确定性的问题处理完了，得到了一个完备输入，再让模型判断好不好。但今天你会发现，当模型一旦要直接面对患者时，不确定性问题就出现了：患者到底有什么疾病、有什么症状、家族史如何等等，患者自己是没法充分表达的。

所以模型拿不到一个完备的数据，包括豆包也是这样。在这种情况下，模型其实很难有效工作。医生在他们的认知里，彻底忽略了这件事。

骆轶航： 它默认每个人的表达都是专业的、清晰的、结构化的。

王小川： 不是，它默认医生已经处理完，再把信息给到模型，让模型去做辅助决策。

骆轶航： 对。

王小川： 而不是让模型直接面对患者。这不在他们的思维范式里。但豆包其实已经在直接面对患者了。

最近我看了两篇论文。一篇是牛津的，也是高分论文。它尝试用 1000 份病例丢给模型，比如 GPT-4o，最后准确率能达到 90% 多。但是如果让患者看到自己的疾病和病例，然后让他模拟自己患有这个疾病，再转头去跟模型对话，模型可能问得不充分，患者也需要自己表达，最后准确率迅速掉到 30% 多。也就是说，完整病例输入进去，效果就好；但如果患者表达不充分，准确率就只有三分之一左右。

另外一篇也提到一个案例，也是最近的一个规模化评测。大概意思是，当完整信息输入进去时，准确率也是 90% 多；但当你只给模型初步诊断信息，也就是最初步的信息，叫 DDX，让模型帮你做鉴别诊断，帮你分类——根据你输入的症状或情况，判断可能是什么疾病、哪些可能性较高、哪些可能性较低——这不是最终诊断，而是判断可能性。在输入信息不完备的情况下，错误率能达到 80%。

骆轶航： 现在通用模型面临的情况是，当患者去 prompt 它、表达自己的需求时，结果可能是一个错误率非常高的结果。

王小川：特别对。

骆轶航： 当医生去 prompt 它，把需求结构化之后，可能会得到一个非常好的结果。但医生们从他们的立场出发，通常不会考虑患者使用模型的场景，可偏偏患者现在就是主要的使用场景。

王小川： 对。所以医生会质疑说，你有幻觉，所以你不能工作；你不循证，所以你不能工作。之前还会认为模型不能像人一样思考。但后来 DeepSeek 的 deep-thinking 模式出现，证明模型是能够思考的。有人说模型不能共情，这也被证伪了，现在模型的共情能力已经很强。

骆轶航： 太强了。

王小川： 对。所以大家提到的很多问题，可能是在拿幻觉说事，认为模型有错误。但这里面最应该、也必须面对的问题是：模型是否具备问诊能力，是否能够在面对患者时，完成不确定性信息的收集。

豆包已经放在那里了。今天我们看，它在这件事上做得还不够。因此百川在做模型时，我们会清楚地知道，我们的立场跟医生并不一样。它并不是医生背后的一个模型。它跟豆包在生态位上会更接近。但我们训练它，不仅是为了减少幻觉，让它能够像人一样思考、能够共情、回答问题更准确，还要让它更好地学会提问和鉴别诊断。

骆轶航： 那这件事具体怎么做？我们现在跟豆包在医疗赛道上，事实上已经是非常直接的竞争对手。你看你们多悬：国内其他模型公司打 Coding 场景，对手还挺远的，Claude Code 和 Codex 不在眼前，甚至不是一套打法，大家降一降价、做一些动作都还能打。但你的对手就在眼前，而且市场渗透率这么高，怎么办？

王小川： 首先，在医疗领域，我认为大家找医生的时候，还是会找最好的医生，对吧？就像找学区房、找老师一样。因此我们认为，百川在医疗专业性上，完全可以做到远超豆包准确性的医学增强模型。其他领域未必如此，但在这个领域里，我们可以和医生做很多讨论。

不仅是在指南、专家共识的使用上，尤其是在提问和症状收集上，我们确实能够把它做到“能看病”。这是我们要做到的事情。所以在医疗领域，我也相信，一个好的模型是有意义的。

骆轶航：你怎么定义这个模型的“好”？

王小川：这就有意思了。我们知道，医院如果要面试一个新医生，也会给他安排标准化病人，让他对话，看这个医生是不是能够做好问诊，对吧？甚至它有一套 OSCE 的评测范式。

所以我们其实是在模型里充分设计这个结构，制造标准化病人，然后用强化学习的范式，再用 OSCE 做评测，最后让模型能够迅速学会更好地提问。

我们也有自己的评测集，称为 SCAN-bench。SCAN-bench 现在在行业中其实还比较少有人理解它的意义，尤其是在医生还没有涉及的领域里。大家还在讨论你写病历怎么样、单病种诊断怎么样，但对于模型的提问和信息收集能力，还没有真正涉及。

所以今天比较尴尬的地方在于，患者没有能力评价，医生也还没有认识到，这是模型在生态位里必须完成的事情。

骆轶航： 对，就是评测，也就是 Eval 这个东西，到底要发挥多重要的作用。

王小川： 对。所以对我们而言，也需要和最有认知、最能代表未来的医生有更多协作和共创，得到他们的认可。因此，像我们上周五办的“AI 医疗新范式”论坛，我觉得其实是一次挺顶级、挺高端的盛会，自夸一下。

第一，清华其实很少在医疗圈走这么远。清华有医工结合，对吧？但医疗这个方向，在整个医疗行业里不算最顶尖。甚至北大会说：“你们清华有医疗吗？”我说：“清华有 AI 啊。”

对吧？医疗 AI 这件事，或者说 AI 医疗这件事，不能把清华搞丢了。

骆轶航：北大说我们有北医，清华说我们有 AI。

王小川： 对，那 AI 医疗这件事，你听谁的？相当于你有围棋选手，我们有 AI。

骆轶航： 你有李世石，我有 AlphaGo。就是拿这个去跟北大 PK。

王小川： 但这次我们还是非常友好的。这次活动是一个盛会，至少台上就有四位医学院士到场，还有好几位顶尖院长。比如国家儿童医学中心北京儿童医院院长倪鑫，国家肿瘤医学中心副院长李宁，还有瑞金医院原院长、党委书记瞿介明。他们都来到现场，讲解自己对 AI 的认知，包括他们与百川的合作。

在这种情况下，我觉得这是绝无仅有的。我参加过不少医学界发起的 AI 讨论，也看过他们展示成果。但我认为，大家的思维逻辑还是不太一样。我们非常明确提出，我们是在造医生；而医学界更多还是把它当成一个垂直模型，或者一个医院管理范式来使用，很少谈到这样一个产品能够服务患者。

AI 家庭医生：价值最大，冒犯最小的入口

骆轶航： 我觉得这件事也很有意思。你说我们是在造医生。你看现在市场上几乎有 10 家公司把 Coding 当作主要 AI 场景，但可能只有一家通用模型公司，把医疗当作主要场景。

这里边最大的区别是，Coding 群体其实对这件事的认知和拥抱是最对齐的。所以你很容易渗透进去，老板们肯定喜欢，Engineer 们、程序员们谈不上喜欢它，但知道它很好用，而且用起来很顺。他们的认知是对齐的：一边很惶恐，一边还会去用。但医疗领域不存在这样一个完整的对齐。

王小川： 所以程序员一方面被放大能力，另一方面也在面临下岗。

骆轶航： 在下岗。医生这边的情况是，他目前会觉得：我的能力是不是需要被放大？另一方面，他也会觉得自己不会下岗。

王小川： 他们其实也想放大能力，希望 AI 能够给医生提效，对吧？这个需求是有的。但问题是，如何放大？如果真的有放大，可能就会有替代。

骆轶航： 对，就会有替代。所以我现在想知道，这次精挑细选出来的这些院士和医院院长，他们对“造人”和“造医生”这件事怎么看？

王小川：我非常尊重这几位医学专家。这次我们提出的是“造 AI 家庭医生”。因为专科领域有很多 know-how，也有很多复杂操作。但我们找切入点的时候，是把 AI 能力做到尽可能强；在生态位上，则是做一个最能补位的角色。我们知道，中国现在家庭医生是不够的。

不够。你看大家都没有感觉。前天还闹过一个笑话，说什么家庭医生普及率达到 50%。结果大家发现，好像每个人都在那 50% 之外。

骆轶航： 对，我说如果我没有家庭医生，那就不可能有 50% 啊。

王小川： 所以这里面，这件事是国家倡导的，也是今天最缺的。而且今天要造的 AI 家庭医生，在某些维度上，比如医学认知能力、循证能力，甚至专科能力上，可能可以远远领先于现实中的家庭医生。你可能要比现有供给好 10 倍，才有机会获得生存空间。

所以这次我们提出“AI 家庭医生”，我们认为这是进入医疗界的一个切入点：它有足够突破性，但相对而言，价值最大，冒犯最小。

骆轶航：有这么能平衡的事情吗？你把所有事情都平衡好了，这已经不是不可能三角了，简直是一个不可能正方形。

王小川：中国医疗本来就被大家称为“不可能三角”，对吧？你要用一种“不可能”的方式切进去，才有可能把不可能的问题解决掉。

今天我们说家庭医生，这是国家重点推动的方向。现在我们讲“强基层”，如果用医疗体系里的说法，就是强基层、保二控三，也就是控制三甲医院，要强化基层医院。基层医院的投入其实特别多。

基层医院同时承担了两个职责。一个是基层医院本身的职责，包括全科服务。

骆轶航： 社区医院也是基层医院，是吧？

王小川：对，社区医院就是基层医院。同时，它们又承担家庭医生的职责，这是一个强行附加的职责，等于同时兼任两个身份。

而且我认为，家庭医生的目的其实挺清楚。第一，让大家能够早筛、早诊；第二，长期慢病管理能够管得住；第三，让首诊发生在基层，不要都往上级医院走。目的本身我觉得没问题。

但是今天，以基层医疗供给的数量、质量和均质化程度，以及老百姓对它的信任度来看，这些目标其实挺难实现。说到底，还是供给不足，医生数量不够。

骆轶航： 是。你想想社区医院，基本上是以街道为建制。中国一个街道其实是一个非常庞大的基层组织，一个街道人口多的话有几十万人，少的话也有几万人，这怎么去搞？

王小川：也有治理得很好的地方，比如上海，做得真好，我去看过他们的家庭医生体系。但从全国平均水平看，差距还是很大。它跟经济发达程度、治理水平都有很大关系，尤其到了偏远地区，大医院都没有，更别说基层医院了。

所以我们认为，越是空白的地方，同时也是国家越迫切需要的地方，越是科技公司需要去补位的地方。程序员到处都有，高端、低端都有；但医生这个行业，我们从家庭医生切入，这是一个好的方向。

骆轶航： 我很好奇，每年医学毕业生的供给，跟 STEM 学生毕业生的供给，应该是不匹配的吧？数学、物理、工程类学生一年可能……

王小川： 还多很多吧。

骆轶航： 应该多很多，可能有几百万。

王小川： 医生其实一年没有那么多。医生一共大概 500 万，全量 500 万。

骆轶航： 全量 500 万。人家一年基本上就供给你一个量级。那确实不一样。

王小川： 而且我们说，人需要让自己的存在变得有意义。存在感来自于：我能创造一个因为我而不同的世界。写代码在这方面会产生巨大的帮助。但人还有两个非常重要的问题，一个是健康，一个是快乐。

快乐这件事上，今天的模型已经涉足了。至少大家知道 Seedance、可灵。

但那些模型还没有真正 To C，更多还是 To B。

骆轶航： 对，还是让人们用它去制造快乐，做快乐的分销商。

王小川： 但它已经跑通了。

骆轶航： 已经跑通了。大家真的在大量购买 token。

王小川： 对。医疗到底 To 谁？To 患者，还是 To 医生？我觉得从终局来看，一定会到 C 端。

骆轶航： 会到 To 患者。

王小川： 对，每个人都需要，而且还需要个性化。它不像视频，大家看同一个视频也可以很开心。

家庭医生，就是我们要进入的角色。我觉得很幸运的是，这一年下来，我们得到了医学界这些特别有认知的院长和医生的支持，也和他们进行了协同创造。

你看北京儿童医院院长倪鑫就说，让王小川给他创造 100 万个儿科医生。所以他其实是蛮激进的。他的思维结构也讲到：对于专家，可以把 AI 视作专家的助理；对于基层，要用 AI 去基层“造医生”；对于家庭场景，如果不用“医生”这个词，也可以说是健康顾问。但总之，他是以“造医生”作为整个大标题来引用的。

张文宏风波是场乌龙，我们需要更完整讲述我们的想法

骆轶航： 这件事其实我觉得也特别有意思。我们看到那么多医院，尤其是儿童医院，它是一个非常重要的表征：他们愿意跟你多聊，也愿意有更多互动。这件事其实挺超出我意料的。

因为几个月之前，张文宏那件事发生的时候，我当时的感觉是：坏了，小川可能搞不定医生了，这可怎么办？但是从当时到现在这几个月，你的状态有什么变化？你在思考自己和医院、医生之间的关系时，有什么变化？

王小川： 我觉得一定要回到最初的状态。反而我第一天提到的“造医生、形成供给”，我认为一点问题都没有。

直观来讲，在和医生沟通的时候，你到底是以一种平等交流的方式，还是某种迎合的方式，或者你要去超越？我一直在反复对准这样一种状态。

骆轶航： 当时是不是有点太冒进了？侵犯性太强了？

王小川： 我觉得区别不在这里。张文宏那次，我觉得其实是一个挺乌龙的事情。当时是在一个内部会上，有媒体问我怎么看他的那段讲话。我的提法是，张文宏先生提出的是“限制 AI”，我要用“限制 AI”这个说法，而不是“拒绝 AI”。我仔细翻看了他的视频，也给出了我的一些解读。

第一，我说不能因为要让医生成长，就让患者成为成本。这个我觉得是天经地义的事情。

骆轶航： 对。

王小川： 第二，我讲的是，如果认为用了 AI 之后，医生可能会没法判断，或者医生就不成长了，那可以换一种用法：让医生先做诊疗和诊断，然后 AI 再给他保驾护航，再帮他过一遍。这个时候准确度提高了，患者利益得到了保障，医生也成长了。所以其实就是这么两个信息。

只是那个场合背后并不是一个正式的医学场合，也没有原始记录。我相信对网民来讲，因为媒体很愿意制造冲突和对立，我敢说所有在里面起哄的人，都没有看过原文。别说他们了，骆老师你也没看过原文。

骆轶航： 我也没看过原文，但我没起哄。

王小川： 对，就是所有人都没看到原文，但有一部分人就起哄了。

对我来说，比较吃惊的是，我知道中国社会对医生抱有极高的信任和爱戴；同时，对科技公司进入医疗领域，也会有一种质疑：你有没有能力？你是否足够善良？所以本质上讲，我后来认为，我们需要告诉大家，我们是能够和医生走到一起的，并且要把我们的想法更完整地讲出来。

我们可能会发布白皮书，发布战略报告，让大家理解我们到底在做什么样的事情。这一点确实是希望得到医生群体的理解和认同，甚至能够一起打造中国医疗事业的改革，让患者能够受益。

因此，我们这次发布会是吸取教训之后做的。

骆轶航： 嗯，得把话讲清楚，把概念界定清楚。

王小川： 对。该录视频就录视频，该有文字就有文字，该让媒体传播的时候，也要让大家看清楚这到底是什么事情。否则媒体并不一定爱传播清楚，媒体更喜欢起哄。

第二，在这个场合里，我们也让大家看到，我们背后有坚实的支持，包括医保局、卫健委，以及重要的医学院士、院长和专家。他们共同关注、支持，也共同探讨。

所以我们认为，中间是能够团结更多人的，而不是自己单边放一句话。那句话我一点都没说错，只是大家没有看到原意。甚至张文宏后来也改口了，说要拥抱 AI。

骆轶航： 我觉得这几个月之后再来看，那个事件未必是一件坏事。它能够让行业凝聚起来，让一个真实的问题被推出来。这个问题是不是需要大家去思考？大家是不是要在这个问题上重新思考？

第二，它是不是也激发出一些在态度上更愿意拥抱、更开放的医生和医学专业人士？

王小川：会的。我觉得那件事有两个影响。第一，很多医生都知道我了，认识或不认识的人都会来找我，问我到底是什么情况。其实也有人蛮认同我的观点，只是他们相对不愿意对外表达。

第二，它也是一个对表的过程。尤其在我看来，我纵观自己的很多想法，会认为它们并不是不对，而是太超前了。

骆轶航： 超前有时候就是问题。

王小川： 2018 年，很早的时候，我就在想，当机器掌握语言，强人工智能就会到来。那时候我做输入法、做搜索引擎，你会深刻知道语言还没有被攻克。一旦语言被攻克，强人工智能就会到来。

2018 年，我就在想，我们要发展数字家庭医生。作为政协委员，我还做过这样的提案。那是 2018 年。

到了 2023 年，一看到 GPT，我立刻就知道变天了：AI 治理、AGI，新的纪元到来了。它甚至已经不是第四次工业革命，不是简单的生产力爆发，也不是像前三次工业革命一样，会出现更多工具、更多就业岗位。

骆轶航： 不是这个样子的。

王小川： 我一看到这个，就知道机器在某种意义上已经超越人，工作岗位可能会变少。

骆轶航： 以后工作可能会变成一种特权。

王小川： 对，我们就讨论过这样的问题。所以当时我就在想，怎么办？第一，我们要去造医生。而且造医生都不是终点，我们希望 AI 医生上岗之后，能够和医生一起，收集更完整的院内、院外数据，再用这种数据驱动对生命模型的建模。

所以我脑子里装的是生命模型。但那时候，比如说生命模型、造医生这些事情，在 2023 年的时候，大家还在问：为什么预测 next token 这件事就能够产生智力？

骆轶航： 医学界？

王小川： 不是医学界。

骆轶航： 所有人。

王小川： Everybody。

骆轶航： 差不多，有一些人是这样。

王小川： 我跟顶尖投资机构聊的时候，对方也是学计算机的，还会问：那不就是统计吗？你对语言做一个统计，为什么就有智力了？

骆轶航： 2023 年最流行的观点就是，大模型本质上是统计学。

王小川：对，大家会这么讲。那凭什么产生智能？为什么会涌现智能？如果涌现了智能，中国又凭什么能够追上美国？美国现在已经有了，而且不开源，你怎么做？

大家还在回答这两个问题：它是不是智能？我们能不能造出来？但我已经开始想，我们要造医生了。

到“造医生”这件事上，大家还会问：这个东西能不能造出来？商业模式在哪里？这些其实还不在他们的认知里。所以当你走得太超前之后，别说跟医生对表了，就连跟 AI 圈对表，都是一件困难的事情。

骆轶航： 你现在也没有跟大家完全对表一致。我相信 AI 圈的大部分人还会认为，医疗这件事体系太复杂，壁垒太坚固，甚至会认为利益结构太固化，所以不可为。而 Coding 这件事，墙一捅就破，纸一捅就破。

王小川：代码一定是最优先的。其实在内部，我也跟团队讲过，团队同学都知道，代码是一个很厉害的工具，代码方向很重要，我也提过这件事。

但对我而言，我有另一种想法，这其实和我做搜狗的经验有关。做搜狗的时候，到今天搜狗卖给腾讯了，对吧？大家提到搜狗，通常会说搜狗输入法。

骆轶航： 但其实不只是输入法。

王小川： 对我而言，如果没有搜狗输入法，世界会不美好那么一点点。但我其实花了更多精力在做什么？我在做搜狗搜索。没有搜狗搜索，世界一样转。

所以对我而言，我可能骨子里已经不再是到了一个只想证明自己的阶段，而是想做一个我认为今天有意义的事情。也不是说，我们是不是一定要取胜。

骆轶航： 当时的搜狗，其实给今天的腾讯元宝做出了重大贡献。

王小川： 我就不给人家贴金了。

在卖给腾讯时，我当时就说，我们要做具备提问能力的个人助理。那是 2021 年，我们就在讲这些事情，讲知识计算。后来我就认为，追求竞争不是目的。有些人靠竞争证明自己，但我更多看到的是：做什么事情，有我和没有我，这个世界会不会不一样。

我认为今天这么多人在卷代码、通用模型卷代码，大家已经觉得这是明牌了。但通用模型是否能够给医疗带来改革？这是大家比较逃避的一件事情。

500 人的 Coding 呼声被听见，5 亿人的医疗需求还没人接

骆轶航： 这个事特别有意思，也关系到现在 AI 到底服务于谁，以及 AI 行业的话语是怎么形成的。

大家都卷代码，是因为最早有人说，用 Claude 写代码很好。然后 Anthropic 的人觉得这件事很好，正好 Cursor 又做起来了，他们就把这个功能做强。也就是说，他们听到了程序员行业一部分人的呼声，然后做了这个东西。这个圈子其实是非常小的。

但与此同时，在世界上其他角落，我相信也会有几亿人每天在用 ChatGPT 做医疗相关的事情；在中国，每天也有几千万人在用豆包做这件事。但这个需求很难反馈到做基础模型的人那里，让他们意识到这应该是一个核心、关键的功能。

王小川： 而且怎么做？对吧？这件事特别不一样。技术怎么实现？你的责任边界在哪里？商业模式在哪里？

骆轶航： 一个是 500 人的呼声，一个可能是 5 亿人的呼声。500 人的呼声马上就被做出来了，5 亿人的呼声却没有人做。

王小川：对，因为它难度高。所以这里面需要你对医疗有敬畏，也愿意真正投身进去。尤其做过搜狗之后，我对老百姓的医疗需求有更切身的体会，但小年轻可能没有这种感受。

骆轶航： 我觉得真要做医疗相关模型，人确实得稍微上点年纪。35 岁以下、40 岁以下，可能都无从体会。

王小川： 而且你还要和院长、医疗圈、医药圈打交道，得到这种共识。所以它确实不只是一个情怀问题，而是包括你对痛点的理解，对技术的判断，以及如何和医学界、医疗界形成共鸣。甚至还要和卫健委、医保局打交道，这需要全方位的努力。可能还得再多加 10 岁才行。

骆轶航： 嗯，还得再多加 10 岁。

王小川： 嗯。所以今天的大趋势还是年轻人的事，对吧？因此，我认为医疗圈早晚会被攻克。

骆轶航： 所以你是不是也觉得，医疗圈其实没有外界想象的，或者没有你一开始想象的那么封闭、那么固化，其实并没有，对吧？

王小川：我没有特别明确的判断。因为每个人都是人，都会有自己的情怀，也有自己的利益。我对人心的理解就是八个字：心有菩提，趋利避害。

只是医疗圈的人，越是大的专家，他对医学的敬畏，越可能转化成一种认知：他认为只有自己才能代表医疗，对吧？他不是在和患者共创。所以这个时候，他的封闭不在于体系本身。可能有的人来自事业单位，但更多还是医生这个职业属性，使他们认为自己代表医学，也因此会对 AI 在其中扮演的角色产生更大的不理解。

骆轶航： 不理解。说白了，我刚才想到一个特别不恰当的比喻：程序员们是不会有这样的 legacy、这样的负担和骄傲的。但是 AI 圈一些顶级的人也会有。说白了，医疗圈里的很多专家和医生，每个人都觉得自己是医疗界的 Dario Amodei。

王小川：对。所以一方面，程序员会觉得自己被赋能了，立刻就能更快给老板交货。医疗不一样。你说一天已经看了 80 个病人了，你还要……

骆轶航： 你还告诉我，我还能怎么快？

王小川： 对。所以医生使用 AI 的动力会更难形成。第二，从他的认知里，他本身代表一种学术权威，对吧？怎么评价这件事，他就是那个领域里的专家。所以他拥抱 AI 的力度，远远不如程序员。你说他也不是不用 AI，他会用，但程序员那种疯狂程度、判断力、生产力供给，包括成熟度，都还没有到。

骆轶航： 所以其实“造人”“造医生”这件事，它的出发点不是让每一个医生都造一个自己的分身或者助手。

王小川： “分身”这个概念是不成立的。

骆轶航： 对，而是应该由医院，或者类似的医疗机构来造。

王小川： 没错。我觉得更多是由医院拥有，和医生形成“双医模式”。它不是简单地做医生的助手，而是患者可能拥有一个医生，同时再拥有一个 AI 医生。这个 AI 医生要和医生协同好，而不是产生更多不信任和猜疑，同时还要能够服务患者。

我最近也看了几篇论文，里面讲得特别有意思。有一篇国内的论文，是协和公卫的韩莎莎发表的，讲的是“预问诊”。所谓预问诊，就是先和患者进行多轮沟通，再把结果提供给医生。这样能够让医生提效 28%。但具体是多少呢？大概省了一分钟，从 4 分多钟变成了 3 分多钟。

所以她讲，医生侧的提效空间已经很有限了。但是患者满意度提升了 100% 到 150%。患者会觉得自己表达得更清楚了。所以这里面其实有一种启发：用患者的时间，去换医生的时间。既帮助了患者，也能给医生节省时间，还能提升医生看到的报告质量和有效性。

骆轶航： 那医生稍微休息一会儿也是好的。别连口水都喝不了，连中午饭都没时间吃。

王小川： 对。所以这样一来，医生也更省事。我们在实验中确实发现，AI 里的“就医准备”功能，如果把这份就医准备交给医生，是不是也挺好？甚至可以直接变成病历系统里的录入内容，对吧？而且信息很全，连患者前几次的病史都不用反复问。有些患者本来就讲不清楚。

骆轶航： 对，这是在“百小医”当中去实现。

王小川： 对，我们会做这样一些功能。这个功能对患者来说，是让他明明白白地看医生；对医生来说，患者能和他同频对话，他的准确度、精力投入，也能得到很多释放。

包括你从医院出来以后，医生已经给了诊断结果，我可以帮你做解读，帮你做病情分析，甚至帮助执行医嘱。前后一整套流程，都能够给患者更多陪伴，反而让医生得到更多尊重。

我们希望最终的做法，不是像现在通用模型这样，让患者无序使用，医生可能也反对，最后阻碍行业共识的形成。

骆轶航： 对。因为我觉得，专业的医疗模型，包括和医院相匹配的这种“分身”、家庭医生或者个人医生，首先会让患者觉得：OK，它也是某种医学权威的代表。然后医生也会觉得：OK，它是我这个体系中的一部分。这样大家都会更容易接受。

王小川：包括我们和儿童医院共创的时候，怎么做就医准备，怎么做用药指导，或者怎么做医嘱执行，都是和他们共同讨论、共同完成的。这样医生看到的，是他想要的东西，而不是让患者和医生之间形成差异链。

骆轶航： 就不会出现“我怎么跟你说不明白”“我都说了，你怎么还不明白”这样的情况。

王小川： 或者说，患者也不会问：“为什么医生，你跟它讲的不一样呢？”

骆轶航： 对。所以我理解，它对于个人、对于患者，实际上扮演的是两个角色。第一个角色，是就医之前的辅助角色，提供更清晰、结构化的输出给医生，给医生节省时间。哪怕只是节省 28%、30% 的时间，一个上午也能省出不少时间。

第二，它实际上是在给医生打辅助。某种意义上，它也有点像 Copilot。

王小川： 帮医生解释。

骆轶航： 对，帮医生去解释，甚至包括帮助患者遵循医嘱、执行医嘱。

王小川： 患者会有无穷多的问题要问。

但医生第一没时间。甚至我跟医生聊，有些问题回答完了，对他的诊疗结果也没有帮助，所以他就不愿意回答了。他会觉得：你怎么这么多问题？

但是对患者来说，这些问题也许有帮助，也许承载着他的期待，对吧？所以在这种情况下，解释性的工作、陪伴性的工作，以及辅助医生做用药和医嘱执行的工作，今天可以靠 AI 来完成。

骆轶航： 这其实就是家庭医生的工作。

中国和美国在AI医疗上的局面完全不同

王小川： 还有一个有意思的地方。你刚刚提到的不只是帮医生省时间。以前我们讲分级诊疗，是希望从基层往上分。但实际上，越往上分的医生，可能对能力要求越高，因为他要知道怎么判断这件事，对吧？

甚至今天患者第一步都不怎么去基层，却还要让基层做分诊。这个想法本身当然很好，但实际执行起来会遇到问题：用户都不来，你怎么分诊？

以后这种分诊工作，如果有 AI 辅助，它会告诉你：这个大病应该去哪个科室，见哪个医生。这样也会让医生得到他们所希望的高质量患者。所以 AI 帮助筛选患者这件事，从更大的格局看，对中国医疗体系是有帮助的，不只是单个医生提效的问题。

骆轶航： 对，中国医疗体系的问题就是……

王小川：分级。

骆轶航： 分级诊疗。头部医院高度饱和和臃肿，患者拥塞；基层医院的角色没有真正发挥出来。

王小川：所以今天很多问题，不是百川带来的。比如现在 AI 来了，医生的一部分工作方法会发生变化。豆包可能会产生一种新的分歧；百川进来说“我是医生了”，大家也会觉得很碍眼。但整体来讲，最后结果会是好的。

如果你停留在原有结构里，只是在医生背后帮他做一个模型，给医生做一个 CDS 系统，也就是临床决策支持系统，这条道路已经被验证是不通的了。

我觉得，大模型公司下场之后，带着最前沿的技术和新的视角入场，可能会给大家带来一种新的共创。

骆轶航： 嗯。其实 OpenEvidence 和 Abridge 这套模式，在中国是走不通的。

王小川：对，我觉得完全不一样。美国的情况完全不一样。因为美国医生真的相对更闲，而且多看一个病人，医保就多报销一份。所以他的动力也好，天花板也好，都挺高的。

而且更重要的是，美国医生本身就有使用工具的文化。只要 OpenEvidence 被数据论证过，他就会用。但在中国的文化里不是这样，中国更多是权威和经验导向的。对这种循证工具的使用，可能只能停留在一个特别小的助手层面，而不太会变成生产力工具，或者日常行为准则。这和美国不一样。

Abridge 也是一样。大家可能会呼吁，但医生其实不是一个好的买单方。你看美国用 17% 的 GDP 作为医疗投入，中国是 7%。这个数字本身已经很大了。我的印象里，汽车工业可能是 4% 左右。如果算上大健康，可能能到 15%。基于这 15%，它都是和健康相关的，总量很大。但和美国比起来，又微不足道。

所以这是和美国很不一样的地方。我们认为，它既是一个大市场，也是国家控费和提升老百姓消费价值的地方。同时，和美国不一样的是，医生在这个过程中，并不会因为更好地使用工具而得到更好的回报。

骆轶航：对。在美国不是这样。无论从时间上，还是现实收益上，中国都不一样。中国医疗界至少在效率、时间和工作压力上，面临的是一个非常急迫、非常巨大的问题。

王小川：巨大。

骆轶航： 有很多问题要解决，但关键是怎么解决。

王小川：我们这次看到一些顶尖医院院长的报告。比如儿童医院提到“AI 儿科医生家庭版”，他也认为这是一种家庭医生式的集成。

还有我们和肿瘤医院合作时，有专家提到，这种陪伴确实能够提升治疗效果。只要安全，只要中间再加上一重保障，它就能大大提升最终治疗效果。他把这个角色称为“同住家属式的家庭医生”。“同住”就是跟你住在一起的家属，负责照顾你。他能陪伴你，但又具有家庭医生的能力。

这也是一个空缺的职位。家属陪伴的时候是尽心的。

骆轶航： 但他不知道该怎么做。

王小川： 对。如果患者问他问题，他也不懂。所以患者问这个家庭医生的时候，比如有些患者见了医生之后都不敢说、不敢交流：“我现在食欲不好怎么办？”他可能不敢问医生，但面对这样的 AI 医生，他是可以讲真话的。

到了慢阻肺这样的公卫系统里，也是类似的。今天慢阻肺的工作其实是交给社区医生来做的，是公共卫生的基本任务。要对每个患者做筛查，做全面管理，这本来是家庭医生的职责。但在过去，这件事几乎无从谈起。

所以现在，我们和这些专科大专家，也能够在“家庭医生”这个定位上找到共同点。这次发布会，我们带来了四种家庭医生。除了我们自己的“百小医”，它是直接面向个人、面向家庭的，能够管理一家人的健康。

我们还有一个更超前的理念：一家人在一起，同吃同住，彼此会传染，情绪也会传播。但以前的家庭医生，虽然叫“家庭医生”，其实还是把每个人只当成单独的个体。所谓家庭医生，一是活在社区里面。

第二，它不是以家庭为单位在管理。反而我们今天做的这种家庭医生，可能更符合国家和老百姓想要的东西：既满足老百姓就医陪伴的需求，也能在国家层面推动分级诊疗、早筛早诊，或者说把“关口前移”做到。

骆轶航： 把这个第四级给做出来。

王小川： 对，第四级。第四级能够在家庭医生和 AI 家庭医生之间形成一个分层。所以这个想法听起来很宏大，也让人觉得很慢，但你想，真正跑得快的可能是豆包。只要产品对了，可能半年、一年时间，就会得到很多应用。

它不像原来你跟医院打交道，或者做 HIS 系统，全是定制化的项目开发。它还是一个产品，要把互联网时代面向用户的精神用起来，把面向用户的基因用起来，把最前沿的技术用起来。但同时，我们还要多承担一份责任，就是要和医疗界进行更多共创、解释，形成共赢的做法。

骆轶航：对。它不是一个入侵者，而是要找到医疗界现在最需要解决的问题，找到中国医疗体系最需要解决的问题，然后在中间扮演一个合适的角色。

王小川： 对。最近我和几个媒体沟通，他们把我们叫作“闯入者”。

骆轶航： 大家可能是因为过去三年 AI 给人的感觉就是颠覆者：你来了，就是要掀桌子的。事实上，在大部分领域好像都是这个样子。但医疗这张桌子是掀不得的，掀了就乱了，天下大乱，真的是掀不了。

王小川： 那医生怎么培养？患者该怎么就医？大家都在回避这些问题。

骆轶航： 对。我一两行 Coding 写砸了，就写砸了；但一个病如果吃错药了，不能就这么吃错了。

王小川：但是今天，即使没有 AI 进入，也有大量吃错药的情况。

骆轶航： 对，这件事很多人就忘了。

王小川： 对。我们总说 AI 犯错误怎么办，但真人也会犯错误，而且真人犯错误可能比 AI 还多。

百川不是赌医疗，而是看见医疗

骆轶航： 对，是。这个事也很有意思。所以我们拍着心窝子说，豆包和阿福，你更在意谁？

王小川：我觉得两家都挺值得尊重的。它们都给医疗行业理解 AI 带来了很多思考和冲击。但以现状来看，豆包对医疗界的冲击会更大。

骆轶航： 更大，是吧？

王小川： 大非常多，差了几个数量级。

骆轶航： 对，几个数量级。你觉得豆包会不会突然发力？我们其实知道，字节背后的 MoE 是很多的，它的模型训练有点军团式，运营也还是蛮重的。你担不担心它在医疗上突然发力？

王小川：我不太担心。反正现在它还没发力，就已经带来了很大的影响。但真要再发力，其实很难。我们顺着人性来推导，第一，做这件事挺苦的。辛苦的意思是，你真的要大量学习医学知识，要和医生进行大量讨论。

同时，对我而言，我能承担全部责任和风险。但豆包中间的哪一层人，敢在这件事上冒险？如果在医疗里面犯一点小错，或者医生不满了，谁去跟医生沟通？沟通完之后，如果出现不满意，一个职业经理人可能帽子就不保了。

骆轶航： 对。

王小川： 所以王慧文之前讲过一句话，我还记得：小创新靠大厂，大创新靠小厂。有共识的事情，大厂当然可以做。但医疗这里面的探路者，我觉得只有百川能做到。

骆轶航： 小创新靠大厂，大创新靠小厂。Vibe coding 某种意义上是个小创新，反正现在大家都在 Coding。

王小川：大家都做了，已经有共识了，对吧？

骆轶航： 大创新就得靠小厂。因为你看，ChatGPT 可以说“can make mistakes”，豆包也可以犯错误，然后建议你参考执行。但百小医不能用这种态度去对待。

王小川： 对，我们得严谨地去做。所以它们其实很多时候是在躲。它会说：“不行就去找医生。”对吧？它尽可能避免在这里面承担最严肃、最精准的责任。

我是需要有人在这里面努力承担好这样的职责。其实像滴滴一开始作为创业公司时，它怎么获得司机群体或者出租车司机的认同？我相信他们也做了非常多工作。

骆轶航： 对，安全问题也一度是它的问题，也蹚过去了。

王小川： 对。这种事情很难发生在一个大公司内部。

骆轶航： 没有人去担这个责。法务就会把这件事给你屏蔽掉，会建议不做，而这个“建议不做”是很有说服力的。除非老板坚持要做，但老板又顾不上。

所以从这个角度看，确实是大创新靠小厂。但会不会因为医疗这个赛道继续垂直做下去，让百川在很长一段时间里都只是一个小厂？因为现在有很多模型公司已经变成中厂，甚至大厂了。

王小川：创新做成之后，你就会变大。但是你已经克服了各种各样的不均匀问题。到那时候，大厂可能才会有后面的跟进。

骆轶航： 才会来跟进。

王小川：对。而我们说“小厂”，到底多小呢？我们也是头部模型公司，手上的资金体量也已经超过现在医疗行业里绝大多数一亿规模的公司。当然，卖药的另说。

骆轶航： 超过一亿规模的公司，对。其实百川从第一天开始，外界也有一种说法，说百川是从做通用模型，然后切到医疗。但实际上，百川是从第一天起就有医疗和生命模型团队，是吧？

王小川：对。一个是 2021 年，我把搜狗卖给腾讯的时候，就提到接下来要做生命科学和大众健康。所以当我创立百川的时候，为什么做百川？我当时想的就是造医生。

只是那个环境里，不管你跟团队还是投资人沟通，一上来提“造医生”这件事，都会显得太突兀。甚至我觉得，我们团队里医疗小组的人去儿童医院，跟倪鑫院长他们见了之后，回来才是满脸喜悦，觉得这真的是一件有意义的事情。

所以大家会讨论技术怎么做、问题在哪里。甚至大家一开始更愿意做通用模型，因为我们最初是为了做健康，为了合法化，我们叫“创造健康、快乐”。“创造”就是给每个人赋能。像今天做代码，基本就是这条路；“快乐”还是这个东西，有娱乐导向。

但是到了 2025 年，我们认为，当这个口号提得多了之后，在整个文化形成和专业性上，反而一定要回答一个问题：到底是跟进大家竞争最激烈的地方，还是开辟自己的道路？这两件事不能兼得。

骆轶航： 但你怎么去看，2025 年初那波坚持做预训练、坚持开源和坚持做预训练的公司，其实到了 2025 年下半年到 2026 年，好像收获了一个更好的结果。

王小川：跑得更快了嘛。我觉得这个事情，甚至超出了他们自己的预期。

骆轶航： 超出了他们自己的预期。

王小川： 你看智谱来到 5000 亿，我相信唐杰老师自己也没想到。

骆轶航：这是好事，对他来说。

王小川： 所以这里面有这种选择。但对我来说，我觉得要对投资人，包括对他们的 boss，有这样一种劝说：你投了百川，就不是继续坚持在最拥挤、最有共识的赛道里做，虽然那样可能最快得到资本回报。我们走的是一条比他们更加非共识、更加艰难，但我觉得更有意义的道路。

骆轶航： 更有意义的一条路。但在这个阶段，外界看到的可能就是：外界会把“非共识”定义成“掉队”。

王小川：对，他们当然可以这么说。但我觉得医疗的未来，才是下一步。代码也好，具身智能也好，往下更大的世界是在健康和生命科学领域。

骆轶航： 对。我觉得共识要靠两个东西形成。第一个，真的是靠 AI 深耕到很多具体领域，而不是浮在面上。因为 Coding 这件事，它的叙事期可能就是一年，不会超过两年。现在 Vibe coding 的热潮已经接近一年了，接下来大家一定会考虑更多场景。

我甚至觉得，当大家讨论机器人时，可能会更多讨论到医疗。因为大家讨论机器人，不会只是讨论机器人在春晚上表演，或者在足球场上踢球。真正讨论机器人的时候，它和医疗的关系可能会更近一点。

王小川： 我会看。因为以我对医疗圈的了解，大家还是会立刻回到责任问题。

骆轶航： 对。

王小川： 然后还有跟医生的关系问题，对吧？所以我认为，你可能可以先做看护机器人，看护是有可能的；但手术机器人可能还会挺远。

骆轶航： 是。因为我觉得机器人到最后解决的很多问题，也是陪伴和家庭辅助。这件事其实和家庭医生的关系非常紧密。那你觉得，AI 加医疗这个赛道，接下来需不需要形成共识？或者有哪些共识可能会形成？

王小川：我觉得第一个共识已经开始部分形成了。前几年，大家开始相信，模型能像医生一样具备医学思维。

骆轶航： 医学思维，说白了就是医学上的深度思考能力。

王小川： 对，开始有了。我们的模型在这方面也做得非常好。

还有共情能力。过去大家会说，医生是人，机器不是人，所以机器不可能像人一样有温情。

骆轶航： 但其实医生现在不太能共情。

王小川： 其实论文里讲，AI 的共情能力是医生的 4 倍。

骆轶航： 对。医生为什么要共情？我都忙成这样了，一天见了那么多人，怎么共情？

王小川： 而且刚才说的还是美国医生，还不是中国医生。

骆轶航： 对，那如果是中国医生，这个差距就更大了，AI 的共情能力会显得更强。

王小川：所以再往下，它的工作场景是什么？我觉得中间还没有形成共识。比如是否能够从家庭医生切入？是从院内突破，还是从院外突破？这些地方还没有共识。

骆轶航： 这些地方还没有共识，还得慢慢形成。现在来看，其实场上的玩家也不多。豆包是无意中在做这个，但架不住体量太大，实际上它已经进入了这个场景。

另外一家是阿福。阿福想的好像不是这套，它没有在想院内、院外、四级分诊、诊疗体系，好像想的还是数据资源，以及它们既有体系中的保险和金融这些东西。

王小川：这两者的区别在于，阿福更像是一家用模型的公司，而百川是一家造模型、增强模型的公司。我们是模型公司，它更像是应用公司。

第二，阿福虽然以 AI native 的方式做了很多应用，但更多目的还是希望把医疗体系圈进去。比如用类似智能体的方式，让医院、地方政府，或者所谓医生分身放进去，在里面形成它的一套连接。

所以它仍然带有浓厚的、此前那种信息流、数据流、服务流打通的互联网印记。而百川核心强调的是提升供给。并且我们会强调，我们会像医生一样严肃，而不只是做你的一个健康朋友。

骆轶航： 嗯，它不是一个朋友，而是一个专业的服务者。这个变化其实还是挺大的。

所以包括百小医，包括我们接下来和用户沟通、用户去使用时，大家怎么衡量它的商业价值？现在我觉得，突然之间，去年大家聊 ARR，今年开始聊 token 消耗。但这两个问题本身陷阱都很多。如果落到医疗领域，最后收费到底是什么逻辑？

王小川：对。你看前几年大家强调超级应用，强调 DAU，后来强调订阅率。其实今天以 OpenAI 为代表的最先进模式，在商业模式上未必如 Anthropic。后者变成了 token 消耗和能力供给，最后交付结果。

所以在我们看来，作为模型公司，我们更多还是从底层供给医疗能力。也许百小医是我们认为的家庭医生，是我们独立做；也许它会和卫健委合作，也许会和大型医院合作。实际上，我们是在供给医疗服务，而不只是看百小医本身的 DAU。

第二点，我认为更超前的地方在于，它能够改变用户行为，不只是咨询、讲点东西、安慰一下你，而是影响你去不去医院、去什么医院、该怎么吃药，以及不同方案之间该如何选择。这才是它的价值。

我认为，不管最后是 C 端付费，还是医院、药厂、保险公司共同参与，都会有后面的机会。今天保险公司其实也在想一个核心问题：它想购买优质的医疗服务。但优质医疗在哪里？现在市面上比较有共识的做法，是大家开始建国际部。商保和国际部走在一起。

骆轶航： 就是私立医院和大医院的国际部。

王小川： 对。但国际部毕竟会分掉很多公立医疗资源，它的供给仍然不足。因此我认为，我们可以成为一种新的供给。本质上，这就和 token 消耗背后的逻辑一致，都是供给侧逻辑。

骆轶航： 对，token 本质上是一种供给，而且这种供给也不是无限的，成本也越来越高。

所以如果我们刚才看，这里其实有两块：一块是用户个人付费；另一块是潜在可能出现的，当保险和很多金融机构进入医疗体系之后，由它们去购买这个服务。前者的话，你觉得单一用户……

王小川： 这两件事其实是一件事。用户付费和保险支付，本质上是一类。商保也是个人买单，只是转化成了另一种形态。

所以可以分成两类：一类是医疗机构本身购买我们的服务，比如医院、公卫系统；另一类是用户付费，或者保险公司购买我们的服务。

骆轶航： 对，其实更多不是单纯的个人付费，而是折射到了保险机构里面。

王小川： 对，它们是并在一起的。

骆轶航： 所以它不是 token 消耗的逻辑，也不是单一个体去 subscribe 的逻辑，而是背后有更大的买单者。

这倒也没什么不好。我刚才想说，这不就特别像智谱了吗？但后来一想，这也不是坏事。因为现在 OpenAI 和 Anthropic 也都开始做 FDE 部门，也越来越像智谱。比如 Anthropic 服务埃森哲，不可能让一个个员工自己去做。

王小川： 所以你要看，是智谱上市时候的故事，还是智谱现在的故事。

骆轶航： 我觉得有点像智谱上市，或者上市之前的故事。

王小川： 我觉得不是。上市之前，智谱做了大量私有化定制，是项目化的。

骆轶航： 项目化的，对吧？

王小川： 对，它不是只以 token 消耗来做供给。

骆轶航： 我的意思是，过去大家对智谱的印象，是做了很多项目化定制，而不是做了很多 token 供给。但现在反过来看，项目化定制其实是所有人真正要把规模做大时，不得不做的事。

王小川：我们没有做这种项目化定制。现在我反而觉得，智谱从 token 供给出发，中间有很多中间商帮它去包装这一层。现在智谱的商业模式，比原来健康很多。它自己可能不再需要那么多部门在中间做这类服务，因为行业共识开始产生了，也有很多生态企业愿意把智谱用到自己的最终服务里去。

这是我的观点。所以，上市时的模式其实是不性感的。而现在智谱为什么一下到了 5000 亿？原因就是它更纯粹了，也更标准化了。

骆轶航： 更标准化了，对。定制是可以做成标准化的。

王小川： 对。这样的话，本质上还是供给 token，或者供给你的 Agent 框架。所以今天相比原来，我认为还是有巨大的突破，而且行业也开始形成共识了。

骆轶航： 这件事，你觉得现在如果讲给大部分投资人，他们能理解吗？

王小川：还是有困难的。因为对他们来讲，可能……

骆轶航： 你跟他说，这就是智谱现在最性感的模式，我把它搬到医疗行业，他们可能还是不能理解。

王小川： 对。他们要看到你实际的商业化，要看到你的客户，要看中间是否有真实的商业消耗和买单。我觉得今天大家已经可以看到一些东西了。

骆轶航： 大概多久能看到这个东西？

王小川： 年内。

骆轶航： 年内就能看到，是吧？

所以我觉得特别有意思。现在百川做的事，是政府，甚至很多医学、医疗界专业人士，以及社会普遍需要的一件事。但它真的不是资本市场特别性感的故事。这中间有一个非常奇特的 gap。

你们能请来这么多院士和院长，他们肯定是对这件事有兴趣，也肯定觉得这件事重要。但资本市场会觉得，这个故事怎么听起来那么长、那么费劲？

王小川：其实大部分投资人也是 follow 美国。美国有了，对吧？他们的估值模型也不是自己能够提前想清楚的，而且也会突然变化。比如智谱上市前和上市后的故事，就不一样了。

骆轶航： 对。但他们上市之前的故事，资本市场其实没有那么 buy in。我觉得很有意思，上市之前，MiniMax 的故事好像比智谱更性感。

王小川： 对，To C 的，做海外的。

骆轶航： 对，做海外的，卖 token、卖 API。智谱是做定制的。上市之后发现，定制、token、API 这三件事并不矛盾。所以这是挺有意思的。

但百川主要付费的人，其实还是机构，而不是个人。

王小川： 我认为是这样的。先抓住第一性的问题：今天医疗需要供给，这是最大的需求。而且我们都知道，中国 GDP 中有 7% 用在医疗服务体系里，这是一个巨大的体量。

骆轶航： 对，它是一个非常巨大的体量，而且这块你没有模板可以抄，完全没有。

你有没有觉得现在 AI 圈太浮躁、太势利了？当你做一些没有共识的事情时，不说好话的人多，说好话的人少。你会觉得这个圈子有时候其实很势利吗？

王小川： 还正常吧。我觉得，当你这么想的时候，可能并不是一个很好的心态。更好的心态是，到了这个时候要忽略这些事，对这些事情无感，反而是对自己更好的一种坚定。

比如很多同学说：“小川，你 bet 医疗。”我说不是 bet，我是看到医疗，而不是去赌医疗。

骆轶航：不是去赌医疗。

所以你怎么做到无视这样的声音和事情？怎么面对行业里这么多冗长、复杂的信息？每天动态爆炸，我觉得在这个行业里保持情绪稳定是一件特别难的事。你的情绪是怎么稳定下来的？

王小川：我觉得首先第一点，是挺有幸福感的。因为你做搜狗 20 年，已经拥抱了互联网，见证了互联网的变革，也见证了大量事情从非共识变成共识。比如以前的媒体行业，也发生了天翻地覆的变化。

骆轶航： 对，而且这个行业 5 年之内会彻底变化。

王小川： 还有出行，对吧？还有购物，这些都是过去不敢想的事情。我经历过这些，也是其中的受益者。所以今天我又上船了，站在大模型这个主赛道里面。再有太多抱怨，就有点过分了吧。

骆轶航： 我看前两天有一个专访在讲，很多人觉得，小川反正已经财务自由了，所以没有那么 aggressive 了。你说不是的，但你刚才这句话其实也暴露了这样一种心态：我已经很幸福了，已经得到很多了，没有什么可抱怨的。

王小川： 我的意思是，你现在当然需要对投资人有交代，对团队有交代，也包括要做出你想要的、对社会有贡献的事情。这个心是不会丢的。否则我做这些事干什么呢？

骆轶航： 对，那退休就好了，做天使投资就好了。

王小川： 对。正是因为这件事没人干，所以信念会变得很重要。以前我们还调侃过一个例子，可能有些人会有感觉：比如你追一个女朋友，人家各种拒绝你，你也没觉得是什么大事。

骆轶航：对，年轻的时候是这样。岁数大了可能就害怕被拒绝了，但其实你没有。

王小川： 所以你知道，最终而言，你对这件事的信念和信仰，会帮你克服眼下各种各样的东西。

骆轶航： FOMO、焦虑和这些事情。因为你这个事，我觉得还是能说服，甚至打动我的。毕竟你相信医疗这件事。

王小川： 不是第一天了，对吧？

骆轶航：不是一天两天了，搜狗时代就相信了。什么人会一边做着搜狗，一边关注中医、关注医疗？我觉得这样的人是不多的。

王小川： 对。生命怎么建模？医疗上神奇的事情在哪里？主要不是说我相信“造医生”这件事，而是对生命背后的规律，确实有很大的好奇心。

我想解决的是临床生命模型

骆轶航： 其实我很想知道生命模型。你看刚才我定义百川 M4，其实挺难的。你说它是一个增强模型，我说它是一个通用模型，但它本身也不是一个语言模型。它可能是一个……

王小川：是语言模型。

骆轶航： 它是语言模型。那它是一个生命模型吗？不是，它还不是一个生命模型。

王小川： 对。生命模型今天更多是在基础医学里有一些零零散散的进展，比如之前的 AlphaFold。

骆轶航： AlphaFold 是。

王小川： 还有今天造的虚拟细胞。但它还不是人，甚至不是器官级别，而是到细胞这一级。

到了人这一级，今天有很多词叫“预后模型”。预后，就是预测未来会怎么变化。有自然预后，也有干预预后。举个例子，美国有团队做模型，预测一个病人出院 30 天后会不会返院。今天我们讲的预测，是预测 token；而它预测的是你生命中的某种变化。

其实在医学上，这就是最大的价值：只要能预测未来，就是对生命建模。只是它现在还是一个很单点的小任务。这个任务是有用的，因为如果 30 天内再返院，保险公司就不会认为你是一个新病人，而会认为你之前没有治好，所以就不给你报销了。

骆轶航： 所以预后是非常重要的。它跟美国非常复杂的保险体系也有关系。

王小川： 国内也在讲这件事。中国医院评估里面也会看，你不要一个病人来了，看好几次病，报销好几次，对吧？所以这里面就是预测。

这叫自然预后。还有干预预后，比如用了药之后会不会变好。其实这种预后模型做到极致，我觉得就是今天的抖音。抖音其实是对人很好的建模，只是它的预后干预目标，是让你的浏览时长最长。

骆轶航： 对，它的干预就是让你不能自拔。

王小川： 对。那我们把目标函数换一换，换成让你更健康，然后给你更多干预。

骆轶航： 对，那为什么现在不做这个事？你想，如果你做了这个事，把它和百小医同步起来，这就是一个非常伟大的事情。它本质上是一个 AI for Science 的事情。而且你做了这个，我们就好对外去讲，我们说小川就是中国的 Demis Hassabis。

王小川： 能力在那里，其实我一直在关心这个事情能不能做。

骆轶航： 我看你也是在关心。

王小川： 对，是在关心。中美环境不一样。如果是在创新层面上，有很多团队在做，比如今天的制药，大量团队在做这方面的工作。

但我依然最愿意处在非共识当中去做一些突破。因为在我看来，我们可以把医学分成三种：一种叫基础医学，制药很多和基础医学相关；第二种叫临床医学；第三种叫流行病学，是基于统计的。

基于统计的是数学问题，基础医学是科学问题。但临床是介于二者之间的一个东西，更像艺术，或者说玄学问题，虽然它也有很多共识。

骆轶航： 我刚想说它是一个工程问题，你说它是玄学。

王小川： 因为很多事情搞不清楚。你这么说吧，今天基础医学里说，药物靶点发现了，但到了临床试验，可能就无效了。

骆轶航： 对，而且你也搞不清楚原因。

王小川： 原因在哪里？对吧？

骆轶航： 这有点像大模型的暴力美学训练。

王小川： 现在临床上还没有更多数据来训练这个模型。基础医学今天终于有数据，可以训练 AlphaFold，训练出蛋白质折叠。但在临床里面，模型是什么？

骆轶航： 没有，还没有。

王小川： 对吧？所以它既不是一个纯科学问题，也不是一个纯数学问题。

骆轶航： 对。

王小川： 那它怎么工程化？工程是建立在数学和科学基础上的。

因此，我们在这里面需要像医生一样，先相信人有智力，然后在里面构建后面的数据飞轮。也许在临床上，生命才能被建模。

所以在我心中，我想解决的是临床生命模型，而不是科学层面的基础医学模型问题。生命的复杂性是跨层次的。从细胞到人，中间跨越之后，它甚至会有独立的规律。甚至我们说，把碳基换成硅基，也许人还是能工作的。

骆轶航： 我相信。

王小川： 但临床问题到底是什么？今天医学所建的模型，都是非常小的模型，数据量不够，而且只解决单一的小任务。这特别像大模型出现之前，一个个小模型的状态。那生命统一大模型是什么？

骆轶航： 对，这个东西需要数据，需要循证验证，也需要全流程。这样一个飞轮转起来。

王小川： 对。所以这里面还有很多未知，或者说数据不足的问题依然存在。因此，AI 医生上岗，其实就是要帮助我们在真实世界里收集大量数据，这是生命模型的前菜。

这是 2023 年我对 ChatGPT 出现的理解：它是生命模型远征中的一个重要助力。

骆轶航： 对。ChatGPT 的出现，提供了一种启发：生命模型也可以用类似的方式去建模。

王小川： 智力开始出现，那个“1”开始有了。

骆轶航： 对，它可以用类似的方式去建立生命模型。所以 AlphaFold 拿了诺贝尔奖，它是一个更长期的事情。我觉得我们还是希望看到中国有更多团队朝着这个方向努力。

这件事多少得对生命有点信念，多少得对碳基生命的构成和健康这件事有点信念才行。

王小川： 对。

有生之年，把非共识变成共识

骆轶航： 但我其实还是很好奇，非共识就意味着一个眼下非常焦虑的问题：人的问题。人是会顺着共识去流动的，而且这个流动会非常快。researcher 们、好的研究员们，以及做模型的人，会往语言模型和世界模型这两个方向冲，可能不会往一个 pre-生命模型或者生命模型方向冲。

他们会往语言模型和世界模型上冲，大部分人尤其会往语言模型上冲。而且这个共识会抬高价格，会让市场变热，也会让人才发生某种非常奇妙的化学反应和聚集。但你这块是非共识，怎么解决这个问题？毕竟我们也看到有人离开，但我没有听说有更好的人来了。这个问题怎么解决？

王小川： 我们现在是在加强医学口的人。所以在共识这件事上，最近几年对我还是有触动的。可能我本人对非共识抱有巨大的热情，但对团队而言，最早吸引大家来的，也不是因为非共识。大家是因为我们做通用模型来的。

所以今天我们认为，需要找到一个中间态。比如，我们依然知道自己是一家大模型公司，而不只是一个医疗应用公司；依然知道我们能够做医疗供给。对资本市场能够交代的是，最后你也能提供 token 的供给和消耗，而不只是数 DAU。

骆轶航： 对，谁买单不一样。它不是 DAU 的问题。

王小川： 对，在这个层面上。

骆轶航： 你这两句话都是在说阿福。一个是应用，一个是这个什么，说的都是阿福。

王小川： 我真没想它，只是不小心被误中了。

骆轶航： OK。所以这两个问题是要去解决的。

王小川： 这几年我的心态也在重新达成信心。因为如果回到 2020 年创业的时候，大家讨论的还是国民级应用。

骆轶航： 对。

王小川： 对吧？讨论的还是刚才讲的，在应用上带来的 DAU 问题。但那只是一个小思路。今天到了大模型时代，事情发生了变化，这个变化对所有人都是一次重新洗礼。

骆轶航： 嗯。最早一波觉得 DAU 可能有问题，其实是在 2024 年底、2025 年初。因为大家发现，大模型的 DAU 无论如何不可能和国民级应用相比。直到 2025 年底、2026 年初，才有了 token 消耗这样一个关键指标。

王小川： 嗯，更多公司已经不再只看 DAU。当然也有一个特例，就是豆包。

骆轶航： 豆包，对吧？它现在几乎是唯一一个还在用 DAU 思路推这个事情往前走的公司。虽然也有传言说它要收费，但至少目前，它仍然是唯一一个用 DAU 思路在推进的产品。偏偏它也是医疗领域里大家真正正在使用的东西。

王小川： 但好事是，豆包也教育了很多人，让大家加深了对 AI 的理解。我们为什么不能只做 To B？就是因为当下还有这么多非共识。我们也要发布自己的家庭医生，在 C 端有所作为，大家才会知道：原来这件事真的可行。

骆轶航： 你觉得用户，我说的是普通用户，在真正使用的时候，能够感受到豆包和百小医带来的差距吗？

王小川： 分两层来说。如果从产品体验来看，我们可能不是只定义一个“医疗品质”的问题，而是两个部分。第一个，我们强调它能够帮你管理家庭。

骆轶航： 对，刚才讲了家庭医生。

王小川： 对吧？这是 C 端体验最强烈的地方。而专业性这部分，我们需要和医学大家合作，通过他们的背书、合作认可，甚至医疗资源对接，才能真正做到。

骆轶航： 嗯，而不是只靠公开数据，或者自己搭一个 MoE。

王小川： 对，是这样。

骆轶航： 所以我觉得，百川未来可能会是一个人才结构比较特别的公司。你可能会看到有大量医学背景的人进入这家公司。就像现在很多模型公司里，开始慢慢有哲学、语言学背景的人加入，可能会是这个样子。

王小川： 这个需要你摆明立场：你是在帮我们把更多更优质的人捞进来，不要把我们说成一家奇怪的公司。

骆轶航： OK，这个我肯定是这个意思。其实我应该这么讲：会有更多人加入，帮助探索人类和 AI 智能的边界。这块一会儿可以修正一下。

王小川： 没关系，录进去也没关系。对我们而言，需要的是对模型有追求、有能力、有专业性，同时也对未来医疗有信仰的人加入。

骆轶航： 既懂模型，也对医疗有信仰。同时，我觉得这个团队的构成应该是比较多元的：会有好的，或者未来会有更好的模型人才，也会有更好的、有医学背景的人进来。

因为我觉得，现在 AI 公司不能只有科学家，不能只有 researcher。Anthropic 现在在招哲学家，尽管我觉得有点像噱头，但我知道它要的是什么。现在很多头部模型公司，也有越来越多学外语、学语言学的人加入。像我这样的背景，也开始进入这个领域。因为他们会在模型评测、评估等很多角度发挥关键作用。

王小川： 是的。

骆轶航： 最后一个问题吧。第一个问题是，3 年之后，你觉得百川会是一家什么样的公司？第二个问题是，3 年之后，当我们再讨论人工智能、讨论 AI 的时候，和今天讨论人工智能的方式相比，可能会有哪些不同？

王小川：首先，今天到了这样一个时代：每个人都在问，我到底该学什么？以后的就业方向在哪里？大家进入了一个新的困惑阶段。

到 3 年之后，人和 AI 的关系可能会进入新的篇章。我们会认为，AI 就像你的数字人、工作伙伴，大量进入社会当中。它不只是像以前电脑进入社会、飞机进入社会那样，而是一个新物种，像人一样工作。

所以在医疗界，我认为医疗圈也会发生这样的变化：AI 医生应该上岗了。

骆轶航： AI 医生就该陆陆续续上岗了。

王小川： 对。国家可能会开始给这类能力发牌照。这个新物种会被限定在某种能力范围内，AI 甚至有时会拿到某种医师证。

骆轶航： AI 是一定需要发牌照的。不，医生是一定需要发牌照的，不发是不行的。

王小川： 对。所以今天 AI 还在做一些辅助性的事情，未来可能会在更核心的流程里扮演自己的角色。百川在这件事上，会有我们的坚持和推动，让大家看到模型应该如何发展，才能适应这样的变化。

同时，也要真正解决它如何和医生更多协同工作的问题。既能像用户使用豆包一样方便，同时又能让医生更好地参与进来，形成更好的协作机制。

骆轶航： 所以我觉得，3 年之后，大家应该不会再讨论 AI Coding 这个问题了。

王小川： 对，那可能已经成了 common sense，就像今天大家使用电脑一样。