# 一年拿下10万美国医生，OpenEvidence把AI应用的打法讲透了 > Training Data No. 34 中文精读 - 原标题：The AI Product Going Viral With Doctors: OpenEvidence, with CEO Daniel Nadler - 发布日期：2025-03-04 - 主持：Sonya Huang · Pat Grady · Konstantine Buhler 等 - 网页版：https://trainingdata.qiaomu.ai/ep/034-the-ai-product-going-viral-with-doctors-openevidence-with-ce-huR0Oa.html - 精读字数：约 6240 字（阅读约 14 分钟） > 本文为 trainingdata.qiaomu.ai 基于原始访谈的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。 一年前，OpenEvidence的美国医生用户在0到1000之间。今天，每月有超过10万名医生在用它，月活触达30万到40万人，其中20多万人会登录提问。全美国执业医生总共100万上下，服务3.4亿人口，算下来，10%到25%的医生已经在用这个产品。 没有市场部，没有投放预算，增长全靠医生一个传一个。这是红杉资本播客Training Data 2025年3月一期请来的嘉宾、OpenEvidence创始人Daniel Nadler讲的故事。他是哈佛博士，上一家公司Kensho做金融AI，2018年以5.5亿美元卖给标普全球。这已经是他第二次创业，这次挑了公认最难啃的医疗。 这一集信息密度很高：增长怎么起的飞轮，技术为什么反着行业共识下注，幻觉怎么处理，招人看什么，还有一笔算到2034年的救人账。下面拆开讲。 ## 医生也是消费者 医疗创业的标准剧本，Nadler背得滚瓜烂熟。先瞄准某个大型医院系统，托关系约CMIO（首席医疗信息官）开会。人脉再硬，第一场会也要等三四个月。会开得很棒，团队互相击掌。下一步约「负责任AI委员会」，又三个月。等排上队，委员会的策略换了，风向变了，甚至华盛顿对AI的口径都变了。一年过去，你还在第三、第四场会上，没有一个医生真正用上产品。 他在Kensho就见识过大型机构的运转方式。用他的话说，这跟医疗系统没关系，这类组织的名字就叫「大型机构」。第二次创业是使命驱动的，他给自己算了笔账： > 如果名义上做了家使命驱动的医疗公司，结果医生一个都用不上，因为我们在等医院系统的第六、第七、第八场会，那这份事业也没什么成就感可言。 所以OpenEvidence走了条完全相反的路。**把医生当消费者，把产品放上应用商店，免费，剩下的交给口碑。**他拿早期特斯拉举例：汽车广告曾是广告业最大的品类之一，业内默认不砸巨额广告费就卖不出车。特斯拉几乎不投广告，就靠一件事，车够好，开过的人会主动告诉别人。 OpenEvidence在医生圈复制了这个循环。产品免费下载，用了觉得惊艳，医生推荐给同事，网络效应自己滚起来。一年时间，从几乎为零到覆盖全美一到两成执业医生。 ## 医学知识每5年翻一倍，医学院只能保鲜几年 产品解决什么问题？Nadler从医生的真实处境讲起。人手不够是明面上的难，另一个难处外人很难体会：**医生被迫对着一条医学信息的高压水管喝水。** 医学界每分钟发表2篇新论文，一天24小时，一周7天，全年无休。2021年《自然》上的一项研究测算，医学知识每73天翻一倍。Nadler承认这个算法偏激进，把所有引用都算进去了。OpenEvidence自己做了个保守版测算，只统计影响因子排前三分之一的期刊，结论是每5年翻一倍。 5年翻一倍意味着什么？把时间倒回1950年，医学知识50年才翻一倍，医学生毕业时学的东西，半衰期刚好覆盖整个职业生涯。到退休那天，学的内容大概一半过时了，问题不大，路上慢慢追也追得上。 今天不一样。按专科不同，医生读完住院医和专科培训，医学院里学的新疗法知识已经有一半过时了。解剖、细胞生物学这类不变的东西除外，其余部分，医学院这个信息通道如今只能保鲜几年。 Nadler举了个具体病例。一个银屑病患者去看皮肤科，同时患有多发性硬化症（MS）。银屑病的新疗法是IL-17抑制剂、IL-23抑制剂这类生物制剂，IL-17对银屑病总体很有前景，可患者同时有MS的话，IL-23要安全得多。这类药2017到2019年才上市，任何在职医生都不可能在医学院学到这个知识点。皮肤科医生只读皮肤科期刊，MS是神经内科的病，指望他去啃完所有神经科文献不现实，两个专科交界地带的知识更是无人认领。 传统解法是上Google、上PubMed，搜出来一堆论文标题。PubMed能找到标题写着「IL-17抑制剂疗效」的文章，找不到「IL-17和IL-23在银屑病合并MS患者中的安全性比较」这种问题的答案，真正的答案埋在某篇30页论文的第五、第六页里。 用工程师的话总结医生这个职业：**所有病例都是边缘用例，所有问题都是角落用例。**OpenEvidence听到最多的用户反馈是这样的： > 我用它查了一个病例，这个病例我这辈子大概只会遇到一两次。 然后是另一个病例，同一位医生又说了一遍同样的话，再一个，再一个。这个尾巴长到对人脑而言近乎无限，产品做的就是在近乎无限的尾巴上做检索和知识发现。 ## 名字里的两个词，各藏一套战略 OpenEvidence，一个词是evidence（证据），一个词是open（开放）。 先说evidence。大公司在医疗AI上翻过车，原因基本一致：模型在公开互联网上做检索，检索对象包括健康博客和推特。Nadler做这行才发现，网上大量健康博客作者跟医学毫无关系，本职可能是旅行博主、菜谱博主，核心技能是写作，对医学的了解未必比对规划墨西哥旅行行程多。模型忠实地复述了训练数据，然后大家惊讶于模型胡说八道。 OpenEvidence的做法干脆到极端：**自研模型物理上不连接公开互联网，训练数据只有同行评审的医学文献。**核心资产是新英格兰医学杂志（NEJM）的全文。据Nadler说，NEJM从未把内容授权给任何AI公司，很多知名AI公司上门都被拒了，出巨额支票也没用。NEJM背后的马萨诸塞州医学会是非营利机构，更在乎使命的纯粹，商业条款打动不了它。 OpenEvidence怎么拿到的？没上门，是NEJM找来的。编辑部多位资深成员本来就是OpenEvidence的重度用户，他们希望自己在用的产品里能检索到自家的内容。Nadler说，假如当初走企业SaaS路线，还在等医院系统的第17场会，NEJM的编辑们根本没机会用上产品，也就不会爱上它，更不会有后来的内容合作。好循环和坏循环，分岔就在选路那一刻。 再说open。这个词对Nadler像个自我提醒：别做成企业SaaS。第一家公司就是企业SaaS，能赚钱，但他不想重复自己。open意味着直接服务医生本人，绕过所有守门人。 这里有个美国医疗的分层现实。资金雄厚、捐赠基金庞大的顶级医院系统，什么工具都买得起，买一堆，大部分闲置。Nadler打趣说，要是让马斯克的政府效率部去审计这些医院的SaaS账单，会查出一堆买了没用的东西。而另一头，大量医生是小生意人，诊所规模不超过10个人，配一两个行政助手，自己看病人、自己处理杂事，付不起一两万美元一年的SaaS订阅。 Nadler收到过佐治亚州奥尔巴尼一位肿瘤医生的来信，说OpenEvidence成了他癌症中心日常行医的生命线。他查了下这个地方：位于佐治亚州西南部，75%居民是非裔美国人，家庭年收入中位数4.3万美元，方圆50英里可能就这一位肿瘤医生，服务着一大片并不富裕的人群。还有阿拉斯加费尔班克斯的医生来信说，当地见不到亚专科专家，靠这个产品够到了专科级知识。沃尔特·里德军事医疗中心的医生在用，退伍军人事务部（VA）的医生也在用。按政府采购流程，VA决定采用一个工具要三四年，走SaaS路线的话，现在大概还在流程第1.5年。 梅奥诊所、克利夫兰诊所这些顶级机构的医生也在免费用，OpenEvidence早期还部分孵化于梅奥诊所。用Nadler的话说，open的意思就是全国的每一位医生。 ## 小模型、不联网、可溯源 技术怎么做的？先看团队。联合创始人Zachary Ziegler出自哈佛Alexander Rush的自然语言处理实验室，Evan Hernandez出自MIT的Jacob Andreas实验室，核心团队还有Eric Lehman、Jonas Wolf、Micah Smith。ChatGPT出来之前，这批人就在全美最顶尖的语言模型实验室里。 2022年，行业共识是DeepMind的Chinchilla论文那一套：把模型做大，堆更多token。OpenEvidence反着下注，**在领域数据上过度训练的小型专用模型，在领域内任务上能打败大得多的通用模型。**代价是模型很僵，出了医疗领域就不行，让它写首诗直接趴窝。但领域内，它赢。这个判断后来写进论文《我们还需要临床语言模型吗？》（Do We Still Need Clinical Language Models?），拿了2023年医疗机器学习顶会的最佳论文。今天小模型路线成了共识，回头看才显得顺理成章，放在2022年ChatGPT发布之前，这是个孤独的判断。 Nadler引用了Ilya Sutskever在黄仁勋访谈里用过的一个比喻：大语言模型本质是对世界的JPEG压缩。顺着想，压缩的对象是什么？大家抢的是全网token，压出来的就是整个公开互联网，包括那些健康博客，2022年底到2023年初那些尴尬的输出就是这么来的。OpenEvidence压的是医学，训练数据来自FDA、CDC这些政府机构的产出。这里有个法律红利：美国政府产出的内容属于公共领域，维基百科大量内容也是这么来的。早期靠这个解决了版权问题，先做出足够好的产品，赢得用户，再靠用户赢得NEJM的合作，飞轮就这么转起来了。 幻觉问题在医疗场景没有商量余地，答错可能要人命。OpenEvidence的解法分两层。第一层，数据源干净，模型压的只有同行评审文献，天生不会复述互联网上的杂音。第二层，架构上一个模型打天下行不通，是六个左右模型的组合，各自负责检索、排序等专项任务，互相交接。Nadler说，单训一个大语言模型，达不到OpenEvidence的准确率。 另一件他们做得极早的事：答案全部锚定在可下钻的参考文献上，医生能一路点进原始论文，读到出处为止。Nadler说他们2023年初就上线了这个功能，比ChatGPT的类似功能早。这个设计还意外促成了跟出版商的共生关系：OpenEvidence每月给医学期刊官网带去数千万次访问，医生为了论文方法学部分的一个细节点进去，这种流量原本根本不会有。后来有医学会主动找上门：你们索引了别家学会的指南，也索引一下我们的吧，我们想要流量。 幻觉一定是坏事吗？Nadler给了个创业者视角的延伸。Midjourney里，幻觉是特性，缺陷被柔道式翻成了优势。他自己试过一个方向：金融风险管理。金融的一大主题是推演极端长尾风险，什么可能性很低、但一旦发生损失巨大，2008年那种级别的事。人的大脑不擅长推演这种场景，语言模型擅长。他拿自己的持仓做过实验，把公司信息放进上下文，让模型尽情推演长尾风险，模型给出各种他从没想过的场景，比如英伟达身上可能发生的某件事。他的判断：2025年想明白这一点、把幻觉当优势用的应用，可能只占市场的1%，剩下99%还空着。 ## 招人只看神经可塑性 从Kensho到OpenEvidence隔了十年，什么变了，什么没变？Nadler的答案：技术是条连续曲线，ChatGPT是个台阶，但物理定律没换。1982到1987年技术在进步，1993到1997年也在进步，今天只是斜率更陡，一切像库兹韦尔说的那样非线性加速，可它仍是条连续曲线。Kensho时代重要的事，今天一件没少：扎实的基础设施，顶尖的团队。哪怕你只调大厂API，产品一旦成功，系统迟早被压垮，到那天拼的还是传统软件工程功底。 招人标准他讲得很直白：A级人才只想跟A级人才共事。很多人报名海豹突击队的选拔训练，就想看看自己能不能跟上身边那批人，测测自己的极限在哪。这条法则跟阿喀琉斯一样古老，战争、工程、体育、金融，全都适用。 他反复强调一个词：神经可塑性。他说的「高智商」，意思是高效学习全新知识并把它整合进已有体系的能力，跟还原魔方的速度关系不大。主持人补了一句，这就是François Chollet对智能的定义：高效习得新技能的能力。Nadler拿拿破仑和亚历山大大帝举例：他们都不是军营里块头最大的人，共同点是战场上事实急速变化时，他们不只是调整决策，整套思考框架都能实时重构。战前准备做得再足，开打后没有一样完全对得上，顶尖统帅和优秀将领的分野就在这一步。 落到招聘动作上，OpenEvidence最初那批核心成员全部来自哈佛和MIT的博士项目。他解释，这跟名校滤镜无关，是Kensho的经验：高智商、高学习速度的人组成的团队，比规模大一百倍的普通团队推进快得多。 ## 快问快答与行动清单 闪电环节几个问题值得记下。 OpenEvidence什么时候能算救了100万人？主持人Grady现场算了笔账：美国每年死于医疗失误的人数在30万到80万之间，取下限30万，砍一半算15万，按每年15万的速度，六七年攒够100万，再给增长留几年余量，答案是2034年11月4日。Nadler听完说，这道题他要用作面试题。他补充：账不用等到2034年。罗德岛一位医生来信说，靠OpenEvidence推演患者的症状表现，判断符合肺栓塞，把人紧急送回急诊室，救了一条命，产品当时扮演的就是一个「路边会诊」的角色。这类案例今天就在发生，而每条被记录的救命案例背后，还有大量「MS没有恶化」这种无法归档的收益，量级以百万计。 基础模型会商品化吗？他说前沿永远不商品化，前沿之所以是前沿就在这里，但ChatGPT初代那种惊艳感的成本会趋近于零。学术上、科学上，基础模型层依然精彩，从生意角度，**伟大的公司会出在应用层。** AGI到了吗？他的回答是早就过了图灵测试，是人们不断挪动球门柱：先是高中水平的多领域专长，达到了；改成大学水平，达到了；又改成从编程到医学的全领域博士水平。大家真正想问的是意识，是电影里AI觉醒的那一刻，而意识未必是神经网络密度够大之后自然涌现的东西，这是个哲学问题。 推荐内容：特德·姜1991年的中篇小说《领悟》（Understand）。他的短篇《你一生的故事》被改编成电影《降临》。Nadler说这篇小说是对「智能非线性加速」最好的叙事呈现，是他做所有事情的参照物。想读非虚构的话，他也给了一条：去读Chinchilla论文。 最乐观的预测是个性化医疗。它跟量子计算、可控核聚变一样，永远在地平线上，但OpenEvidence做的银屑病合并MS该用哪种抑制剂，已经是个人化医疗的雏形：方案跟着你的共病组合走。十年后，无论靠OpenEvidence还是一群同类AI，你的具体病例会被匹配到全部医学知识里跟它相关的每一项发现，生成一套完全围绕你定制的治疗方案。再往后是忒修斯之船式的愿景，逐块替换身体的木板，寿命上限从120岁、130岁继续往上抬。 听完这一集，能直接拿走的东西不少。 - **做专业人群产品的，试试消费级打法。**别默认专业用户必须走销售流程。产品免费上应用商店，解决一个真实的日常痛点，好用到用户忍不住跟同行提一嘴，增长曲线可能比排期投标书快一个数量级。判断标准也简单：你的用户会不会主动安利。 - **给AI的幻觉找个正向岗位。**需要事实的场景，学OpenEvidence，答案锚定来源，让用户能下钻查证，数据源越窄越好。需要发散的场景，反过来把幻觉当生成器用，推演极端风险、做红队演练、头脑风暴，都是幻觉的主场。 - **查一查自己行业的知识半衰期。**医生的知识5年折半，其他行业的速度未必慢多少。把AI当随身顾问，遇到具体问题即时查证，比指望回炉读书现实得多。做重要决定前多问一句：这个答案的出处是什么，能点开看吗。 最后留个钩子。OpenEvidence对医生免费，如果你身边有医生朋友，把这篇文章转给TA，让TA拿一个真实病例去问一个问题，看看答案能不能一路点回论文原文。口碑传播这个说法灵不灵，一次转发就能验证。