本文来自微信公众号： 腾讯科技 ，编辑：徐青阳，作者：值得关注的
王小川认为2025年是医疗AI爆发的元年。
但2025年全年，百川智能创始人、CEO王小川几乎很少在公众面前出现。在2026年开年，王小川与百川智能模型技术负责人鞠强，一起开了一个小范围的沟通会，并发布了最新的医疗大模型Baichuan-M3。
被问及为什么这么久不说话，而在这个节点和大家沟通，王小川开怀一笑：“当时转型不做通用大模型被骂惨了，现在要和大家重新沟通起来。”
低调背后，2025年的百川智能经历了一场“战略大转型”。
2025年3月，百川智能裁撤了其成立之初就在布局的金融B端业务组，并传出团队规模从500人缩减至不足200人的消息。这种“断臂求生”的举动引发了市场对百川财务状况和商业化路径的质疑。
在2025年4月的周年全员信中，王小川坦诚创业前两年的失误：“战线拉得太长，不够聚焦”。他反思公司过早进入商业化、组织过于复杂，导致在通用模型竞争中消耗过多。
AI医疗是他坚定的方向，但行业内仍存在争议：医疗数据的高度敏感性、严苛的合规性要求以及医院端的付费意愿，能否支撑起一家独角兽公司的估值？
2025年全年，百川智能明确了“为生命建模型”的路径，模型发布几乎全部围绕医疗和推理增强展开。王小川不止一次表示，“医疗模型是大模型皇冠上的明珠。AI医疗的未来不是造工具，而是‘造AI医生’。”
今天的沟通会上，王小川和鞠强也正式详细介绍了最新的Baichuan-M3医疗大模型，在全球最权威的医疗AI评测HealthBench中以65.1分的综合成绩位列榜首。首次在医疗领域实现了对GPT-5.2的全面超越。在OpenAI引以为傲的低幻觉领域，M3也实现了超越，幻觉率3.5全球最低。
在“后DeepSeek时代”，强化学习的技术红利正由代码领域向医疗赛道加速扩散，OpenAI、Anthropic以及蚂蚁阿福等国内外巨头纷纷下场布局。
无法避免地面对竞争问题，王小川说“护城河核心肯定在于模型能力的绝对领先，在医疗这一严肃领域，只有领先一代的技术水平才能建立行业信任。”
与倾向于“泛健康”概念或院内信息化老路的路径不同，百川选择切入高价值的非共识场景，将主战场定位于“院外”，通过AI弥补医患信息差并推动决策权的合理让渡。
关于行业对于医疗模型最难逾越的数据难题，王小川提出了一个反常识的暴论，“单纯有数据没用，关键是怎么用。大家总把数据当回事儿，但是这是错的。核心不是找数据来“喂”模型，而是找顶尖的医生来帮我们建立一个‘评价体系’。”
最早与百川智能一起被称为“AI六小虎”的大模型企业，有两家已经成功IPO。因为转型被骂惨了的王小川也很乐观：“他们确实踩在通用模型技术红利和政策支持上，AI医疗虽然成熟会晚一点，但我们后面的路径，肯定也是奔着上市去的。”
以下为对话实录：
01 AI医疗的主战场在“院外”
Q:你们是怎么看待AI给医疗行业带来的变革的？核心要解决的是什么问题？
A:我们认为，AI的到来，特别是大模型技术，对医疗来说是一场巨大的变革。我们现在面临四个核心的痛点：
第一，好医生不够。以前的互联网医疗，像好大夫、春雨，本质上是做“连接”，像滴滴、美团一样。但医疗这个行业，供给是不足的，光靠连接解决不了根本问题。
第二，是医患关系不平等。医疗是一个很特别的行业，患者是受益方，但决策方却是医生。你可能排队三小时，医生跟你讲几分钟，听得模模糊糊，方案也搞不懂，最后让你自己选。
我们认为AI可以在医患之间扮演一个填补“gap”的角色。不是说让医生下岗，手术、检查还得他们做，但我们希望AI能帮助患者“明明白白地去看医生”，把决策权慢慢还给患者。
第三，咱们国家没有全科家庭医生，大家有病就往三甲医院跑，导致大医院不堪重负。有了AI，普通人有了小毛病可能自己就先问AI了，这就可能把医疗的阵地从医院延伸到“居家”，真正把基层的医疗能力“强”起来。
第四，现在生命科学（Life Science）发展很快，AI能帮助我们更好地建立人体模型，比如虚拟细胞、数字人。通过AI长期陪伴收集的真实数据，我们能做的就不仅仅是“入院即入组”的临床科研，而是“看病即入组”，这对促进医学发展有巨大潜力。
Q2:你们提到要把决策权还给患者，这是要取代医生吗？
A:不是要取代医生，而是要重新定义医患关系。我们认为，决策权和诊疗权是两件事。医生的诊疗权，比如开刀、做检查，是无可替代的。但决策权，现在更多是在医生手里，未来应该逐步让渡给患者。
我们希望AI能把复杂的医学信息解释清楚，让患者有足够的信息去做出最适合自己的选择。比如医生给了两个方案，一个保守一个激进，你选哪个？AI可以帮你分析清楚利弊，让你自己做主。
我们跟一些医生聊，他们其实也挺恐慌的。但我们认为，这其实是解决了一个社会上巨大的权力让渡问题，这个趋势是必然的。
Q3:为什么你们认为AI医疗的主战场在“院外”而不是“院内”？
A:我们认为，未来巨大的增量或者说服务对象，是在院外，不在院内。院内以后会更聚焦在执行层面，比如做手术、输液。而大量的专业过程，比如诊断、咨询、决策，会发生在院外。
以前大家做信息化，都是围绕医院、医生转，帮医生写病历、做质控。我们觉得这都不是“第一性”的方向，有点“隔山打牛”。但是最终你得帮到患者。
美国的OpenEvidence有45%的医生在用，ChatGPT马上也要接健康档案，都是直接让AI产生作用。我们跑了一年多，越来越觉得，如果还按老路子在院内做，又能怎么样呢？
所以我们强调，AI要直接产生作用，而且主战场在院外。这跟张文宏院士担心的那种“AI进病历系统”不是一个路子。我们认为，医疗最终是为患者服务的，出发点应该是这个。
直接服务于个人，效率是最高的。
Q:你们最新的M3模型，相比之前有哪些关键的技术进步？
A:M3相比M2，我们觉得主要有三个点的进步：
强化学习系统从“半动态”升级到“全动态”：M2的时候，我们的虚拟患者是动态的，但那个评价AI表现的“医生模型”是固定的。这就导致M2模型训到后期，能力上不去了，因为“考官”的水平不够了。到了M3，我们把“考官”也做成了动态的。你的模型变强了，教你的这个“挑错的医生”也会变得更强，能从更难、更细的维度指出你的不足。这样，模型的能力就能持续往上走。
真正严肃地对待“幻觉”问题：很多公司发模型只说自己能力多强，但从不公布幻觉问题。我们做医疗的，把降低幻觉当成持续关注的方向。M3我们研发了一个叫“Fact Aware”的强化学习算法，能在不依赖外部工具的情况下，从模型训练的根儿上就去抑制幻觉，而且还没把推理能力搞下去。
获得了端到端“原生”的问诊能力：我们认为问诊是医疗模型的一种原生能力，不是靠一个prompt让它“扮演”医生就能行的。市面上很多AI医生，你跟它聊，感觉它只是在“表演”，没有医生那种思维。我们贡献了新的算法（SPAI），让模型能在长对话的环境里做强化学习，最终让模型获得了很强的、符合医学范式的原生问诊能力。
Q:你们能详细解释一下M2的“半动态”和M3的“全动态”有什么区别吗？
A:你可以把我们训练模型的过程想象成一个“虚拟临床世界”。在这个世界里，有两方：一方是“虚拟患者”，另一方是检验AI模型表现的“医生思维模型”。
在M2的训练中，左侧的“虚拟患者”是完全动态的，它会基于真实世界的病例和文献，来模拟各种各样的病人，和AI模型进行对抗。但右侧的那个“医生思维模型”，也就是“考官”，是我们训练好的一个固定模型，它挑错的能力是固定的。
这就带来一个问题：当我们的AI模型（M2）越来越强，把这个固定“考官”能出的所有难题都学会了之后，它的能力增长曲线就变平了，因为“考官”的水平已经限制了它的发展。
所以到了M3，我们最重要的升级就是把右侧的“考官”也变成了动态的。也就是说，当你的AI模型能力变强了，教你的这个“考官”也会跟着变强，它会从更困难、更细粒度的医学思维原则上去指出你的不足。这样一来，M3就能在强化学习的过程中持续变强。这就是从“半动态反馈”到“全动态反馈”的演进。
Q:什么是“满血问诊”？听起来很厉害，它和别的AI医生到底有什么不一样？
A:“满血问诊”是我们提的一个概念，它和市面上那种“角色扮演”的AI医生完全是两码事。一个真正的、会问诊的AI，它得有临床医生的思维。我们把它总结成一个“SCAN”框架：
•S(Safety)-安全分层：一上来先考虑最危险的情况是什么，问问题先排除掉。
•C(Clarification)-病情澄清：要把病人模糊的描述，比如“肚子疼”，问成具体的、可量化的临床证据，比如“疼了多久？”“哪个位置？”“多大的痘？”
•A(Association)-关联追问：一个发烧，不能光想着是不是感冒，一个真正的好医生会关联到神经系统、关节系统等其他问题，进行跨系统的追问。
•N(Negative)-阴性症状挖掘：主动问你“有没有”某个症状，确认“没有”本身也是重要的诊断信息。
市面上很多AI医生，因为它问得不够充分，最后只能给你一个很模糊的建议，比如“你尽快去看医生”。而“满血问诊”就是要通过深度追问，收集足够的信息，给你一个真正靠谱的、可行的建议。
Q:医疗AI里，到底是语言模型重要，还是影像这种多模态更重要？
A:我从第一天起就不认同多模态是主战场的说法。我们坚定地认为，语言是智力的中轴。你看GPT出来，大家最震撼的是它掌握了“智力”，而智力的核心就是符号、逻辑和推理。医疗的核心是“决策问题”，不是看图说话。
影像识别这些，我们叫“感知模型”，它们很重要，但只是“树上的叶子”，不是主干。影像模型输出结果后，最终还是要变成符号化的语言，进入到我们称之为“认知模型”的语言模型里，去做最终的推理和决策。所以，我们虽然也在做影像模型，而且也做到了SOTA的水平，但我们始终认为，这相对于M3这样的认知模型来说，只是一个更小的课题。
02商业化考虑暂时不是第一优先级
Q:你们的产品“百小应”具体是怎么体现你们的理念的？
A:“百小应”这个产品，你下载进去后，会先让你选角色：你是“医生”还是“患者”。虽然是同一个M3模型在背后支持，但给你的体验是完全不一样的。
如果你是医生：它给你的东西会非常专业，像一篇医学论文，有标准化的描述、诊断建议，还会引导你搜文献。我们特别强调“循证”，每一句话的引用都保证是真实存在的，不会有幻觉。
如果你是患者：它会把专业的医学语言翻译成你能懂的大白话，帮你把各种方案的利弊分析清楚，让你自己能做决策。更重要的是，它会主动、深度地追问你，帮你把自己的情况理清楚。
我们的目标就是，医生用着觉得专业、靠谱，患者用着觉得易懂、能做主。这个产品形态和定位，在全球我们觉得都是独一无二的。
Q:你们打算怎么赚钱？最终的买单方是谁？
A:我们认为，只要你真能帮患者创造价值，商业模式不是最需要担心的事。我们计划今年上半年就开始入场，但第一天不会收费。
未来的可能性很多。我们既可以直接向C端患者收费，比如对一些高价值的决策辅助功能；也可能跟药企、器械厂商合作，把我们的服务和他们的产品打包成一个解决方案，让患者买单，或者让药械企业买单。
在中国，最大的支付方是医保，但我们认为，未来的趋势是让C端的受益方（患者）成为决策方，也成为买单方，实现战略统一。
我们想把患者吸引过来，解决他们的问题，至于这个方案由谁来买单，可以是患者自己，也可以是生态里的其他伙伴。
Q：你们的产品会侧重哪些病种和科室吗？
A:我们的理念是在做全覆盖，但目前的重点会放在儿科、慢病和肿瘤这几个领域。
Q:现在做AI医疗的公司也挺多的，比如阿福，百川的护城河是什么？
A:我们的护城河有三个：
模型技术得足够好。医疗这个领域，用户一定会选技术最牛的那个。我们会持续保证模型能力的领先。
切入点不一样。我们更愿意切一些严肃、高价值、但非共识的场景。大厂做事通常要从共识的地方切，而“大创新靠小厂”，我们作为创业公司，敢于在认准的变革性方向上深耕。
产品形态独一无二。我们即将发布的产品，在形态上会和大家现在看到的不一样，更能体现我们对医疗痛点的理解。
Q12:如何获取用户的心智和信任？
A:这需要三件事同时发生。第一，需要有一定的宣传和广告投入，让大家知道你。第二，需要得到医生的认可。我们希望我们的产品，医生会愿意推荐给他的病人用，因为他觉得这个东西真的能对病人有帮助。这是“专家点头”。第三，也是最重要的，产品自己要能打，能靠口碑效应说话。当用户发现，这个AI真的能查出一些之前被误诊多年的问题，或者医生没发现的问题，这种信任就建立起来了。
Q13:怎么看中美在发展AI医疗上的优劣势？
A:跟美国比，中国的优势在于，我们优质医生更稀缺。你待在北京没感觉，但在广大的基层和农村，医生水平是严重不足的，有的村医诊断准确率只有26%。
这个巨大的空白地带，恰恰是AI可以大有作为的空间。
Q:你们有上市的计划吗？怎么评价公司现在的状态？
A:我们有上市计划，也许会定在2027年。我们认为AI医疗是AI皇冠上的明珠，对国计民生的意义重大。但它需要更长的成熟时间。
我们希望用这一两年的时间，把商业模型打磨得更优，希望走得更稳健一些。
回顾去年，我们最重要的事就是专注医疗，把技术基础夯实了，发布了M2和M2 Plus模型。今年的核心就是把模型迭代出的能力落地到产品上，一个是帮助患者做决策的能力，另一个是居家陪伴的健康看护能力。我们认为，代码之外，医疗是AI最重要的应用场景。
03医疗大模型的数据和合规难题
Q:训练医疗大模型，是不是得有海量的医院内部数据才行？
A:这是行业里一个巨大的误区。我们认为，单纯有数据没用，关键是怎么用。市面上号称有500个医疗垂直大模型，很多都是拿了一堆数据去训，但根本不知道什么叫模型。大家总把数据当回事，但这个认知可能是错的。
Q:你们怎么训练模型？
A:我们的核心不是找数据来“喂”模型，而是找顶尖的医生来帮我们建立一个“评价体系”。我们投入了巨大的资源，请了很多医生，来帮我们定义“什么是好的问诊”。他们生产的不是标注数据，而是一个能评价AI模型好坏的系统。
你可以理解为，我们先用AI和专家知识，造了一个非常牛的“考官”，然后再让这个“考官”去训练我们的“考生”（M3模型）。这个范式跟别人是不一样的。所以，核心是算法，是“懂这事儿”，并且真的在做这事儿。
Q:那像“阿福”那样，有很多用户反馈数据，会能让模型变得更好吗？
A:用户反馈当然有价值，但要看用在什么层面。它能帮你优化产品体验，比如哪个按钮不好用。但它并不能直接推动核心模型算法的进化。
你看现在Anthropic、Gemini发展也很快，他们也没有像ChatGPT那么大的C端用户量。所以，这事儿本质上还是技术驱动的。有用户量，最大的红利是做生态，比如转化保险、甚至线下洗牙店等，而不是技术本身。
Q:你们会考虑做硬件或终端来获取更多数据吗？
A:目前不会。我们认为核心还是在模型和算法上，而不是通过硬件去采集数据。单靠聊天，通过我们强大的问诊能力，就已经能获取足够支撑决策的信息了。
Q:AI医疗怎么规避法律法规的“红线”？比如误诊责任怎么算？
A:我们非常清楚红线在哪里。今天的法规很明确，下诊断、开处方必须是医生。所以我们不会去碰这条红线。我们的产品定位是辅助决策，不是替你决策。我们是在红线内，去做现在没人做的、但价值巨大的事，比如填补医患沟通的空白、帮你分析不同方案的利弊。
我们认为，AI医疗的发展会像自动驾驶一样，可能有L2、L3、L4这样的阶段。但我们目前的思考，并不是要去取代医生。医生在院内的很多工作，比如手术、查体，是AI做不了的。
我们要做的是填补空白，而不是去越线。