出品｜虎嗅科技组掌牛宝
作者｜SnowyM
编辑｜陈伊凡
头图｜AI生成
“AI原生100”是虎嗅科技组推出针对AI原生创新栏目，这是本系列的第「16」篇文章。
这是一个在生成式AI时期才会出现的场景。
在美国，一位医生推开诊室大门的同时，手机屏幕上弹出的不是邮件提醒，而是一款叫做OpenEvidence的医疗AI应用。
如今，单美国就有10万执业医生每天都在用这款产品，这一数据在高度保守、工作节奏紧绷、数字化渗透率低的医疗行业前所未有。而更令人意想不到的是，也就在一年多前，这款产品的用户数只有几千。
其月咨询量增长速度之快，让 GV （原 Google Ventures）合伙人直言：“这是我们见过增长最快的科技应用之一。”
OpenEvidence解决了什么问题？
医疗界知识更新太快，Nature研究表明，医学知识每73天就能翻一倍，而每次出现的病例都千奇百怪，医生往往需要在网上搜索相似病例和解决方法，这个过程冗长且准确性不稳定。
OpenEvidence将这些庞杂且更新迅速的医学知识装进Agent当中，让医生可以快速找到最新、最准确的医学证据。
创始人Daniel Nadler被称为“十年一遇的传奇创业者”。
前一次创业，他把金融AI公司Kensho以约 5.5 亿美元卖给标普全球；二次创业，他用自己的1000万美元资金起步，让OpenEvidence在短短三年内达到35亿美元估值。
另外，在销售上，OpenEvidence走了一个完全不同于医疗行业的销售模式。他们非常大胆的绕过传统医疗软件依赖医院复杂采购流程的路径，直接面向医生个人免费提供服务，打破了医疗软件B2B销售的桎梏，实现了类似消费互联网的病毒式传播。另外，他们还大胆尝试了广告变现模式，将制药企业、医疗器械厂商的广告预算从传统医药代表转向 AI 平台的精准投放。
硅谷风投机构UpHonest投研团队分析了OpenEvidence的模式对于创业者的启发和参考，首先是专业化胜过泛化，在垂直领域做深做透，而非追求大而全；其次，PLG（产品驱动增长）产品质量驱动增长策略，绕过传统 B2B 销售的复杂流程；场景化变现，将用户的专业决策场景转化为高价值的广告投放场景。
让医生每天都用的医疗“ChatGPT”
让10万名医生在短时间内开始每天使用一款新的AI产品，非常不寻常。
UpHonest投研团队表示，OpenEvidence是一个在垂类AI搜索上的典型案例。搜索这件事，在AI时代变得更加碎片化，未来每个人可能会有自己的AI搜索引擎，全新的生成式AI搜索引擎将紧密契合目标用户的“心智模式”，投资人、律师、医生的思维模式各不相同，信息获取模式、目的和决策思维各有差异，这些不同和差异就是生成式AI搜索引擎创新的机会。
OpenEvidence一经推出，就被称为“继iPhone后在医生群体中传播最快的技术工具”。目前已有超过43万名医生注册，覆盖全美40%以上的执业医师，每月新增6.5万名用户。
OpenEvidence的使用频率同样亮眼：2024年7月平台月处理约36万次咨询，到2025年7月已激增至每日35万次，相当于月处理超过850万次临床咨询。
OpenEvidence定位为临床决策支持平台，核心是AI驱动的医学搜索引擎。
平台提供手机App和网页版，专供经过验证的持证医师使用。公司的使命是“组织并扩大全世界的医学知识”掌牛宝，帮助临床医生在诊疗现场快速获取最新、最相关的循证医学信息。
用户主要是临床医生，包括专科医生、全科医生、住院医师等，也有部分护士、药师等医护人员。目前重点面向美国持证执业者，需要资质验证注册。
医生群体工作繁忙、时间宝贵，对信息准确性要求极高——OpenEvidence正是瞄准了这一痛点。使用者不乏梅奥、哈佛医学院、Cedars-Sinai等知名医疗机构的专家。
平台的核心功能包括智能搜索与即时问答。医生用日常语言提问临床问题，几秒内就能得到简明答案，并附有权威出处引用，比如《新英格兰医学杂志》的原文链接，搜索平均耗时仅5-10秒，例如询问\"某新药在孕妇中的疗效\"，系统会从海量文献中提炼答案，给出具体研究数据和对照结果。相比通用ChatGPT的笼统回答，OpenEvidence能够提供更精确且有依据的解答。
OpenEvidence已融入临床工作的多个环节。在临床一线，当医生遇到疑难问题或需要确认最新指南时，可直接用手机询问，大大减少翻阅文献的时间。对于疑似诊断或用药选择，医生可将其作为\"第二意见\"，验证自己的想法是否符合最新证据。
2025年他们推出了 Agent 功能 DeepConsult。这个被称为\"数字博士研读助手\"的AI Agent，能自主检索并分析上百篇相关研究，将平时需要人工数月综述的主题，在数小时内生成综合研究报告发送给医生。尽管每次调用的计算成本是普通搜索的100倍以上，OpenEvidence仍然免费向美国认证医生开放这一功能。
平台还集成了多媒体医学内容，通过与顶级期刊合作，可以呈现临床图片、图表等研究数据可视化结果，让医生更直观地理解证据。
创始人Nadler表示，很多医生会用它来查找那些自己一辈子可能只遇到一两次的病例。
专注小模型，通过不联网和专业数据减少幻觉
一直以来，由于医疗领域的问题门槛很高，传统基础模型大厂或是互联网公司做的医疗AI相关产品几乎都以失败告终，因为AI始终解决不了幻觉问题。
2023年，一篇《我们还需要临床语言模型吗？》的预印本文章发在了ArXiv上。在这篇论文里，他们发现仅 3 亿参数的临床模型（如 GatorTron、BioClinRoBERTa）能够超越 30 亿参数甚至1750 亿参数的模型，能够保持更好的性能以及安全合规性。
为了减少幻觉，OpenEvidence不联网，而是大规模采用美国FDA、CDC发布的免费权威信息，以及同行评审的医学文献。
OpenEvidence加入了梅奥诊所（年营收120亿美元的美国超级医疗综合体，在 《新闻周刊》 的“全球最佳医院”排行榜上，七年蝉联第一）的孵化项目。
值得一提的是，OpenEvidence的AI系统在2025年创造历史，成为首个在美国医师执照考试(USMLE)上取得满分100%成绩的AI，而这个考试普遍被认为是“全球最难的执照考试之一”，大多数考生需要 1–2 年系统准备，如果把USMLE三个阶段都考完，知识量大概等于把一本《Robbins 病理学》、《Katzung 药理学》、《First Aid》吃透，然后随时能将书中知识整合应用，随时待命。
在2023年为期20周的加速器中，公司利用梅奥提供的匿名化临床数据和专家指导，不断优化AI模型的准确性。梅奥诊所也因此获得了公司小部分股权，成为早期支持者。2023年7月，OpenEvidence作为第三批毕业团队，在演示日成功亮相。
OpenEvidence 是目前唯一一个完整训练了《新英格兰医学杂志》全文的 AI 产品。《新英格兰医学杂志》编辑委员会里的几位重量级人物本身就是 OpenEvidence 的深度用户，他们希望自己常用的工具里能包含他们的内容。OpenEvidence 是目前唯一一个完整训练了《新英格兰医学杂志》全文的 AI 产品。
Nadler还充分利用人脉资源，与美国医学会和顶尖医学期刊建立合作，确保数据来源权威可信。他招揽了一支豪华团队：多名哈佛、麻省理工博士和工程师，以及众多医疗专家担任顾问。连已故诺奖得主、行为科学先驱Daniel Kahneman生前也曾作为OpenEvidence的顾问支持这一愿景。2025年，Nadler因OpenEvidence的影响力入选TIME100 Health全球健康领域百大人物。
在用这些数据做训练的同时，OpenEvidence的业务表现越来越好，口口相传，吸引了越来越多的美国医生使用。《新英格兰医学杂志》在内的一批机构也开始“上门联系”，最终让OpenEvidence拿到了非免费高质量数据源。
创始人Nadler表示，和《新英格兰医学杂志》的合作水到渠成，因为杂志社的核心成员也用OpenEvidence。
“如果我们采取传统的企业 SaaS 推广模式，比如先花很长时间去谈医院的大规模合作，等着参加第 17 次会议，还没用户使用，那《新英格兰医学杂志》的人也不会接触到这个产品，更谈不上喜欢上它。最终，我们也不会有这个机会达成合作。”Nadler说。
这种“免费权威数据-促进业务-获取声量-非免费高质数据”的发展流程，让他们最终成功获取了飞轮效应。越用越好，越好越专业，整个OpenEvidence开始加速改善整个AI产品。
OpenEvidence 也有很强的人才储备，创始人Nadler表示他们已经组建了一支博士级别的科学家团队，在这个团队里有哈佛计算机科学家的联合创始人Zachary Ziegler，来自MIT的Evan Hernandez、Eric Lehman。这些或是师从顶级领军科学家或出身全美顶级实验室的人才。
独特的商业模式
Nadler表示，Evidence的含义是经过同行评议的医学文献，Open的意义是，我们直接触达医生，而不是让医院管理层或其他人来做中间商。这点直指OpenEvidence的营销和商业模式。更重要的一点，“Open”还代表医疗信息的公平。
Nadler表示，在美国的医疗体系里，资源分配非常不均衡，有钱的医院可以买到所有最先进的工具，甚至有预算去试用各种软件，但是，在一些经济条件较差的城市，很多医生其实是私人执业，或者是在小型诊所里工作，比如不到 10 人的团队，这类医院的医生没有庞大的科技预算，更别提像大学那种基金会支持，也根本负担不起每年 1 万、2 万美元的软件订阅费。
针对这种鸿沟，OpenEvidence目前采用\"免费增值+广告\"的商业模式，就像早期的谷歌一样先占领市场再赚钱。
他们把医生作为消费者，而不是面向医疗机构收钱。平台对经过验证的医生完全免费开放使用，无需个人或医院付费。这种策略大幅降低了医生使用门槛，使其能够快速积累庞大用户基础。正如Kleiner Perkins董事长John Doerr所评价：“对医生免费的模式是这里的魔力所在”。通过免费提供高价值服务，OpenEvidence在医生群体中建立起粘性和网络效应，一定程度上形成了行业标准。这与早期谷歌用免费搜索占领市场的思路类似。
在拥有大量专业用户和高频使用场景后，OpenEvidence 开始引入广告模式。其做法与搜索引擎类似，在医生查询结果或界面中展示精准的推广信息。广告客户包括制药公司、医学会议主办方、医疗器械厂商等，希望精准触达医生群体的机构。截至 2025 年中，公司披露其广告收入年化约为 5000 万美元。
不过，很明显，当前OpenEvidence的广告形式还是比较克制，未来随着用户规模增长，这一数字有望持续提升。
值得注意的是，医疗行业对广告和商业化行为有严格规范。OpenEvidence 声称将借鉴谷歌“区分广告与有机结果”的做法，保证医生对查询结果的信任不受影响。
UpHonest投研团队如此分析这家公司的商业模式，OpenEvidence 非常大胆的绕过传统医疗软件依赖医院复杂采购流程的路径，直接面向医生个人免费提供服务，打破了医疗软件B2B销售的桎梏，实现了类似消费互联网的病毒式传播。又大胆尝试了广告变现模式，将制药企业、医疗器械厂商的广告预算从传统医药代表转向 AI 平台的精准投放。
创始人：从创立之初我就知道OpenEvidence会获得巨大成功
OpenEvidence由两位哈佛校友Daniel Nadler和Zachary Ziegler联手打造。
Nadler是位连续创业者，曾在哈佛读博期间创办金融AI公司Kensho，2018年以约5.5亿美元卖给标普全球，这段经历让他既有了资本也积累了声望。搭档Ziegler则是哈佛博士候选人，师从知名AI学者Alexander Rush，在自然语言处理方面功底深厚。一个懂商业，一个懂AI，配合默契。
Nadler创业的初衷源于对医疗信息爆炸的深刻感受。他形容现在这个时代：生物医药正值黄金期，新药新疗法不断涌现，但对临床医生来说却像进入了“黑暗时代”——每天面对海量文献，身心俱疲。“医生面对喷涌而出的医学研究，如同迎着高压水龙带喝水”，最新研究每30秒就有一篇发表，医生要在看诊20名患者的同时还要跟上最新进展，几乎不可能完成。这种痛点让Nadler意识到，人脑的阅读极限无法应对数百万研究，但是AI可以。
2021年11月，Nadler着手创建OpenEvidence。作为二次创业者，他非常自信，决定自掏腰包启动项目，换取更大的长期回报。他对周围人说：\"也许我这辈子最聪明的决定就是用自己的钱押注自己。”
从2021年成立至今，OpenEvidence已经完成了融资之路：创始人Daniel Nadler最初自掏腰包投入1000万美元，随后在2022年底拿到2700万美元融资；2025年初A轮融资7500万美元，红杉资本领投，让公司估值达到10亿美元；几个月后B轮融资2.1亿美元更是将估值推高到35亿美元。谷歌风投、红杉资本、Kleiner Perkins等顶级机构纷纷下注。
临床医疗领域的竞争
如果认为OpenEvidence单纯地踩中了医疗AI的痛点，才获得了这样的成功，无疑是片面的。因为，如果谈及医疗AI，行业内人士一般都会举出一个“反面案例”——IBM的Waston。
IBM旗下WatsonHealth一度被誉为医疗AI的未来和答案。然而由于技术局限和过度营销，IBMWatson在肿瘤辅助决策等项目上表现不佳，最终于2022年将Watson Health业务拆分卖出，宣告了这场投入数十亿美元计划的“崩塌”。IBMWatson的失败为行业敲响警钟：单靠巨资投入和大公司光环并不能保证医疗AI成功，技术落地和实用效果才是关键。
OpenEvidence的快速成长某种程度上站在了“后Watson时代”的风口，在技术成熟度和应用切入点上更具优势。巨头虽有资源，但在专业医疗领域不见得轻易碾压初创——灵活专注的创新者有机会弯道超车。不过，这也给OpenEvidence一个警示：如果在扩张中忽视了质量和安全，透支了医生信任，则可能重蹈昔日Watson的覆辙，成为一场高开低走的泡沫。
在临床医疗AI领域，一些AI初创企业正在崭露头角，成为OpenEvidence的潜在竞争者。准确和丰富的数据，是这类公司竞争的关键。
虽然不像OpenEvidence那样专心于LLM+RAG，但同为临床医疗参考工具的DynaMed 仍值得一提，这款工具的主要技术在于RAG（一种AI框架：检索增强生成），并且在今年被评为“即时临床决策支持：现场疾病参考”的 Best in KLAS 工具（近五年第四次斩获）。其最新的生成式 AI 功能 “Dyna AI” 进一步提升了查证与信息获取速度。作为知识型决策工具，DynaMed 同样坚持使用经同行评议的医学文献，确保内容准确度。
另一家成立于2023年的明星创业公司HippocraticAI，其专注开发“注重安全”的医疗大语言模型。HippocraticAI着重通过各种医疗考试认证，其模型已通过100多项医疗专业测评，并针对医疗场景进行了额外训练。
本文来自虎嗅，原文链接：https://www.huxiu.com/article/4738802.html?f=wyxwapp
尚红配资提示：文章来自网络，不代表本站观点。
