从 ChatGPT 到 OpenEvidence：AI 医疗的正确打开方式

先分享两家土耳其的 AI App 工厂，我觉得非常有参考意义。

AI 套壳工厂｜土耳其 Codeway：全球爆款应用制造机

HubX：用 AI 快速量产爆款，横扫欧美市场

今天分享的这家公司，成立不到三年估值已达 35亿美元，融资额超过 2.1亿美元，并宣称美国 40%的医生每天使用它。

“医生每天打开的第一个AI，不是ChatGPT，而是 OpenEvidence。”

它既不是新的药物，也不是硬件设备，而是一款 AI 驱动的医学搜索引擎，一个为医生服务的“专业版 ChatGPT”。

「 产品逻辑：做医生的“第二大脑” 」

过去十年，医学研究的增长速度远超医生的学习能力。

根据美国国家医学图书馆的数据，全球医学文献数量平均每73天翻倍一次。

新疗法、新药物、新指南层出不穷，让一线医生在诊疗过程中面临着一个看似荒谬却真实的问题：

“我该相信哪一篇论文？”

医生正在被信息洪流淹没。传统搜索引擎无法区分文献质量，而通用 AI 模型又容易出现“幻觉”，无法提供可验证的医学证据。

在这样一个“知识过剩但信任稀缺”的时代，医疗AI的核心问题，不是智能，而是可信。

这正是 OpenEvidence 切入的起点。它的使命是：

“帮助医生在几秒钟内，从海量研究中找到最有临床意义、最可信的答案。”

打开 OpenEvidence 的界面，像是在用 Google Scholar 与 ChatGPT 的结合体。

医生只需输入一个问题，比如：

“慢性肾病患者是否适合使用 SGLT2 抑制剂？”

几秒钟后，系统就会生成一份回答：包含结论摘要、风险分析、研究引用、样本规模和期刊来源。

每一句话，都能点击跳转到对应的权威论文。

这背后是一个高度垂直化的 AI 引擎，它训练于数百万篇同行评审医学文献，并与顶级期刊（包括 New England Journal of Medicine、JAMA 等）建立了内容合作。

在 2025 年 7 月，OpenEvidence 推出了名为 DeepConsult 的新功能。医生可以上传病例或提出复杂问题，AI 会在几分钟内整合数千篇最新研究，生成一份“临床决策备忘录”。

这不仅仅是“回答问题”，而是在构建一个医生的认知外脑系统。

正如创始人 Daniel Nadler 所说：

“我们不是在取代医生，而是在取代医生查文献的那三小时。”

「 创始团队和商业模式 」

OpenEvidence 的创始人 Daniel Nadler 并非医学出身。

他曾创立金融数据公司 Kensho Technologies，2018 年被标准普尔以 5.5 亿美元收购。

从金融数据到医学数据，他的逻辑是一致的：“无论市场还是医院，决策都依赖高质量的信息。”

团队另一位联合创始人 Zachary Ziegler 来自哈佛机器学习实验室，

两人带领的团队汇集了来自 MIT、哈佛医学院、斯坦福医院的 AI 工程师和医生，这让 OpenEvidence 兼具“算法精度 + 医疗权威性”。

从商业模式来看，医疗 AI 历来是“高门槛、慢回报”的行业：法规复杂、数据分散、用户采纳困难。

OpenEvidence 却反其道而行，用了两招：

第一招：免费切入，先占领医生心智

平台对经过认证的美国医生完全免费，快速获得了医疗行业最稀缺的资源：信任与习惯。

每月新增超过6.5万医师注册，使其成为“史上增长最快的医生应用”。

第二招：建立内容和机构的生态闭环

OpenEvidence 不靠广告赚钱，而通过与医院、医学院、制药公司及医学期刊的合作来变现：包括付费数据接入、机构订阅、教育平台授权等。

这种模式下，OpenEvidence 既是医生的入口，也是学术与产业数据的分发枢纽。

当医生群体的专业搜索行为被统一到一个平台上，OpenEvidence 实际上掌握了一个新的医学知识流量入口。

这意味着它未来能往多个方向延展：从个体医生，到医院系统，再到制药临床研究和医保数据分析。

「 竞争优势：信任，是AI在医疗的唯一护城河 」

通用大模型在医疗领域的最大风险不是“不懂”，而是“编造”。一旦 AI 回答错误，损害的不只是一次问诊，而可能是一条生命。

OpenEvidence 的核心竞争力在于：它只回答“有证据”的问题。系统的每一个输出，都必须基于同行评审论文，并附带引用链。

这种“证据驱动”的AI逻辑，让它在医生群体中迅速建立了专业信任。

在 2025 年 6 月，OpenEvidence 宣布其模型在美国医师执照考试中取得满分成绩。

这听起来像是营销噱头，但在医生社区里，这成为信任的象征：“这不是大模型在‘表演聪明’，而是AI在‘通过考试’。”

相比通用AI公司动辄十亿级的模型参数竞争，OpenEvidence 走的是另一条路径：从“更大模型”转向“更深知识”。

OpenEvidence 的成功不是偶然，而是三个关键趋势叠加的结果：

1. 从通用到垂直： 医疗、法律、金融这些高风险领域，需要的是“专用智能”，而非通用模型。

2. 从模型到内容： 在监管严格的行业里，AI的竞争不在于“谁更像人”，而在于“谁更可信”。

3. 从工具到基础设施： 当医生每天都在使用它，OpenEvidence 就不再是一个工具，而是一种工作方式。

对创业者而言，这家公司的成功也提供了一个极具启发性的路径：AI 创业的黄金三角不是“算法 + 算力 + 数据”，而是 “垂直 + 权威 + 可验证”。

以上，祝你今天开心。