哈佛学生靠医疗“ChatGPT”，成了亿万富翁

出品｜虎嗅科技组

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”，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。

OpenEvidence的搜索界面

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。这些或是师从顶级自然语言处理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。

Daniel Nadler 登上福布斯

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。

OpenEvidence的融资历程

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