Deepseek問世以來，“AI+醫療”的風聲一直在延續。近年來，從《“十四五”全民健康信息化規劃》到《衞生健康行業人工智能應用場景參考指引》的發布，政策東風持續助推“AI + 醫療”的發展。DeepSeek等大模型為産業注入新信心，各地知名三甲醫院接入國産大模型的消息覆蓋了整個春天。
然而通用大語言模型在業務上落地的速度遠比媒體報道和資本市場熱捧來得慢得多，醫療行業有其特殊性，對模型的性能和精確度有着最高級別的要求，醫院和醫生對AI工具的直接應用都保持相當保守的態度，萬億行業有如深海堅冰。
“網上常説AI醫療落地難，從咱們老百姓的視角看，患者還是面對真人醫生更有安全感，擔心AI出錯了沒人擔責，鮮有人説是因為醫療行業數據質量差。但我們一看就知道，這是內行人的看法。”馬國峰作為醫眾的創始人，已經積累了十年的行業洞察。
去年年底，醫眾這家已經擁有上千家付費醫院客戶的醫療數據公司推出了全新的數據AI基座服務，用最簡單直接的産品邏輯突破了數據應用的瓶頸，讓醫院看到了AI的可用性和可靠性。“我們和一些三甲醫院有長期的探討，數據科的負責人聽到我們要解決這些問題，都説這是最正確也是最不可能實現的，”馬國峰説，“但也終於眼見為實了。難而正確的事情不白做，我們現在去聊客戶也都簡單了，隨時可以接入做産品驗證，醫院很快就理解我們的價值。”
醫眾不是一家趁着AI東風成立的新玩家，而是經歷過上一波“醫療AI影像”小風口的低調實力派。他們不靠造勢，從不給客戶和投資人講AI的故事，先後拿了金沙江、紅杉等機構投資仍保持低調的作風，只是踏實做産品、做交付。在技術進步和客戶信任這些複利的積累裏持續思考下一步創新的方向和機會。
“我們對自己的定位一直很清晰，就是做醫療科技進步的催化劑。”這位鮮少面對媒體的創業者近日接受了我們的專訪。
“醫眾”創始人馬國峰
到冰川之下：做數據層的“底層創新”
新華網：能不能用最簡單的方式給我們講講醫眾所推出的AI數據基座這個新産品。
馬國峰：簡單説，我們做四件事，一是數據的整合和治理。數據質量是AI落地應用最根本的基礎，我們把數據的可用性真正交還到醫院手裏；二是數據的自動化交付。把傳統的信息化節點轉化成智能模塊，在數據層實現智能化、自動化管理數據的流轉，打通AI應用的鏈路；三是提供一個開放平台讓醫院去實現醫療數據價值的轉化，也呼應政策裏常提到的行業數據資産化，這也是醫院數據管理模式的演進方向；四是我們提供一個原創科學推理模型的數據智能産品，是結合圖技術訓練的針對醫療行業和醫院場景的小語言模型，有嚴密的科學推理過程，不依賴算力，CPU就能跑起來用。
從解決現實數據障礙，到讓AI替代傳統信息化裏人工的工作，再幫助客戶去實現數據資産的價值轉換，這些基礎之上，醫院會發現AI工具一下子就可以日常“為我所用”了。
新華網：有沒有一些現實的例子可以説説？
馬國峰：案例太多了，因為我們的産品不是針對某些特定場景，但這種底層的改變可以在各個場景創造出新變化。
比如醫院要完成一個傳染病數據上報的任務，傳統數據團隊往往耗費幾個月，改造系統，整改數據標準，再抽取數據做集成以及協調廠家做接口開發。整個過程包括後續管理都依賴人工和多方協調。而我們的數據基座，調用模型來生成智能體，一兩天就能完成同樣的一件事情。
另一個例子是醫保的審核，上萬條規則多且複雜，很多醫院考慮去採購一個單獨的系統，但如果用數據基座去解決，結合醫院自身數據，醫院自己就能維護這些規則，沉澱在系統上成為基座上的知識，拓展模型訓練成智能體，無論是日常自查糾錯還是指引醫生的工作，都是實時可用的。這些都是顛覆性的效率革命。
再比如説醫院想改造傳統系統，但由於系統耦合性太強了，需要對應系統廠家配合做新開發，成本就很高。如果不能完成嵌入改造，醫生也覺得産品和業務流程分離，不好用，這是一個典型的落地難的問題。而我們的數據機器人可以把傳統鏈路上的環節解構為人工智能模塊，這個流程直接就走通了，醫生日常就能用上。
新華網：市面上被討論最多的都是應用層的東西，因為大眾容易想象和理解，你們做的這個卻不是，這裡面都有哪些考慮？
馬國峰：因為看到了數據質量和性能是醫療行業AI發展的掣肘。目前大多數智能的場景也都是套用大模型，應用在專業垂直領域還是有很大落差。對醫療行業來説，應用都是冰山一角，我們選擇到冰山下面去，從底層解決真問題。
我們過去做的影像數據也可以説是應用層的産品，但我們的定位是數據層面解決問題的服務商。因為影像是醫院存儲規模最大的數據源，做好應用層的本質也是往底層去探索的，當時差異化就在於數據層面的管理和治理。當時也有一些客戶提出來讓我們做AI模塊做智能化，但是我們考慮，數據的質量和性能問題不解決，做AI效率是很低的。
在商業邏輯上，我一直在思考一個問題，怎麼可以把産品做到更簡單，簡單就意味着成本可控，隨着業務發展，邊際利潤會更好。我們不能反復靠人來解決新的問題，而是把積累的經驗梳理成知識圖譜，用智能來解決問題，只有提升效率，才能在競爭裏有質量的生存下去。
新華網：這些問題以前沒有別人嘗試解決過嗎？
馬國峰：最接近的可能是一些做數據湖倉方案的公司，他們的路徑是抽取數據，轉化並存儲，搭建和維護成本非常高，而醫院業務數據一直在更新，數據倉卻做不到實時更新，最後往往變成單一場景數據庫，且它的性能很難支持日常臨床的業務，醫院運營管理層面的數據也往往不準確。
“功成不必在我，功成必定有我”：賦能醫院的效率和創新
新華網：你們的第一批目標客戶是什麼樣的醫院呢，最能理解你們價值的是誰？
馬國峰：規模大的醫院，因為有懂技術的專業團隊，理解非常快。應用的場景多，痛點也更痛，也更能理解我們這個事的門檻和重要性。
很多大醫院都有意識在AI領域探索應用，比如之前北京某個三甲醫院內部招募人工智能小組，誰有想法都可以去參與産品的創新。像這樣的醫院與我們基座設計的目的契合度很高，幫助他們解決很多小而麻煩的事，剝離掉臟活累活後，醫院自主創新的效率就會特別高，這是我們最想實現的效果。
新華網：所以其實你們對醫院是賦能的關係嗎？
馬國峰：沒錯，我們從不考慮做AI醫生，因為我們不會比醫生更懂他們的專業，但是我們想給醫生和醫院提供一個能力基礎，靠自己就可以訓練出好的AI。科技公司訓練一個醫療AI産品是需要大量的醫院臨床工作來配合的，尤其是數據標注這樣基礎的工作都需要醫生貢獻知識。
我們的初衷就是反向來，更簡單直接，幫醫院解決最麻煩的事，提供可以本地部署的開放平台，他們可以隨時調用這些能力，醫院自己就有空間和基礎完成應用層的創新，我們來配合做高階算法。這種開放的心態是我認為AI時代最必不可少的，“功成不必在我”，但我是不可缺少的催化劑，“功成必定有我”。
新華網：這些痛點和需求都是長期和醫院接觸的過程裏了解到的嗎？
馬國峰：只聽需求就做會回到定制化的老路，是沒有未來的。蘋果手機面世前，沒人知道自己想要的是智能手機。客戶基於自己的知識儲備，在提需求時往往預設了解決方式，但不一定是最好的方式。我們需要不斷的用更新的知識和能力，以及在行業裏持續的洞察去思考出一個最佳路徑來滿足醫院的需求。
新華網：AI數據基座落地之後，可預期的未來還會出現哪些新的機會？這裡面有哪些是醫眾可以做的？
馬國峰：當有能力的大醫院在我們的平台基礎上構建了各種AI的創新，這些新的應用就可以給到不那麼具備技術能力的醫院，直接擁有應用層的能力；脫敏後的結構化數據也可以更多的用於醫療科研創新。這是醫眾要支持的價值轉化和能力輸出。
長期來看，我們雖然身在醫療行業，但數據基座的能力其實是一種通用能力。未來，我們在醫療之外也可以嘗試去延展其他領域，凡是有大量跨系統數據的大機構，其實都能用得上。最終希望大家都解放出來去做創造的事情，而不是浪費時間在低效的數據和系統維護上，這是我們做底層創新突破的終極目標。
日復一日的從零到一：傳統行業裏的創新團隊
新華網：這段時間也看到很多大廠現在説要下場做AI醫療，把這當作未來幾年的重點，你怎麼看呢，這會對你們形成競爭嗎？
馬國峰：競爭一定是會有的，但我永遠相信越是在底層能力，競爭對手的範圍就會收窄，應用層可能會有很多新東西，但是底層創新的維度上是很難重復造輪子的。我們花了時間和精力做了難而正確的事情，給醫院降低了成本，拓寬了資源，未來的空間是更大的。
新華網：醫眾的團隊和市面上常見的“AI團隊”不太一樣，你們有哪些優勢和劣勢？
馬國峰：確實，我們不是典型AI背景團隊，但我們做的是垂直産業，酒香不怕巷子深，我們的團隊是AI隊伍裏離醫院最近的，時間也足夠長，我們的CTO在創業之前也是做醫療數據，他太了解這個行業需要什麼。另一個角度來看，我們這些年做的底層能力構建，是很多高大上背景的團隊不願意也沒能力做的。
我花很多時間在思考組織和人的問題，怎麼讓團隊更快成長，不同能力屬性的人之間怎麼配合。真理至簡，説出來都很平淡，就是在明確的原則和價值觀的基礎上給足空間，早先我們就有自己的核心能力手冊，把公司要做什麼，有哪些最基本的原則都寫的很清楚，在原則之下不設任何規則，讓大家有足夠寬鬆的時間和空間去發展構建自己的能力。
新華網：怎麼能一直做到持續創新呢？
馬國峰：放下對過往認知路徑的依賴，我們團隊內部鼓勵平等的辯論，隨時驗證想法。各地的一線同事都可以隨時給我打電話，我會聽他們講一些細節，從細節裏提取新的想法和可能性。回到業務模式上，開放就本身就是創新的動力，初期是我們幫助醫院去熟悉這些應用， 啟發他們去拓展新的思路，他們的創新也會對我們有 啟發，這是開放帶來的最大價值。
