前百川智能合伙人邓江创业，想走一条不同的AI医疗路

文｜周鑫雨

编辑｜苏建勋

2025年以来，邓江的关键词是：逆流而上。

年初，这位百川智能商业合伙人、商业化业务副总裁，亲历了DeepSeek的冲击、大模型六小虎的震荡——邓江所带领的ToB业务，宣布解散，百川的业务，收拢至C端AI医疗。

在动荡中，邓江选择离开百川，自己创业。

△前百川智能商业合伙人、商业化业务副总裁，缘启智慧创始人兼CEO邓江。图源：受访者供图

但出人意料的是，他的公司“缘启智慧”，既没有直接聚焦AI应用，也没有切入擅长的金融领域，而是做了和百川一样的选择：从模型训练到应用研发，布局AI医疗。

众所周知，医疗领域是一块难啃的骨头。一端是复杂、封闭的医疗系统；一端是蚂蚁、京东等大厂林立的资源竞争。

质疑声没有停过。

有人质疑邓江的金融背景。这名出身中国农业银行总行、长安新生、中关村科金等机构的金融老炮，并非典型的医学专家画像。

也有人质疑创业公司在医疗赛道的“存活率”。时至今日，邓江在融资过程中依然常常被问到：你拿什么和大厂竞争？

见到邓江之前，我们也带着一个疑问：亲眼目睹百川的AI医疗跑了两年多，到底是什么给了邓江以身入局的信心？

他的答案是：恰恰是百川的经历，证明了大模型时代AI医疗商业化的可行性。

AI医疗，并非狭义上的“院内诊疗”，而是更广义的养老、医疗保险等智能健康管理场景——而这些场景，和银行、保险等金融领域息息相关。

布局金融，是为了布局医疗，这也是2024年初，邓江选择加入百川智能，组建金融事业群的核心原因。

在百川的一年多，邓江将保险、养老等健康场景的AI落地，做到了“商业闭环”——无论是营收，还是合作意愿，B端业务都成了百川的商业化核心。

而这些“泛医疗”的健康场景，也成了邓江成立“缘启智慧”后聚焦的方向。

离开百川智能后，邓江决定带领团队走一条新路。

两者的第一处分野，在于百川聚焦于纯文本，但邓江选择了多模态。

站在医疗模型落地的角度，邓江认为：“医疗问题一定是“望闻问切”，是多模态的，无法只通过文字描述清楚。”

这一看法，也决定了缘启智慧的技术路线：做多模态的医疗循证模型。

成立后的半年时间里，基于四、五款国产大尺寸多模态模型做强化训练，缘启智慧训练出了自己的底层多模态医疗循证模型。

11月，缘启智慧基于自研的模型，发布了第一款商业化的AI医疗智能体MentX。在国际权威的医学多模态推理评测集MedXpertQA中，MentX的能力位于全球第二、中国第一。

邓江告诉我们，MentX回答真实常见医疗问题的准确率，达到了95%，水平在国内位于第一梯队。

△在国际医学多模态推理评测集MedXpertQA的MM子集榜单中，MentX表现优于GPT-5-mini。图源：https://medxpertqa.github.io

第二处分野，则在于百川选择了ToC，邓江押注了ToB。

通过提供MentX API的形式，邓江与养老、保险、医美等行业的企业机构建立了合作。

△MentX给出的牙齿矫正建议。图源：MentX试用

选择ToB，不仅仅是邓江的路径依赖。他告诉我们，现阶段，更多高质的医疗多模态数据，来自B端。对亟需构建数据和场景壁垒的创业公司而言，先深入B端，是明智的选择。

取得技术突破后，邓江迈入了一条他更熟悉的河流：先把AI医疗产品卖给他熟悉的保险、银行等行业的B端客户们，让商业化、数据飞轮转起来，再逐渐将商业版图拓展到更广阔的健康领域。

邓江告诉我们，公司虽然只成立了3个月，但已经落地了三份商业化合同。

在短短半年中完成从技术验证，到商业化落地的链条，快速的另一面，是对业务壁垒不高的质疑。

足够聚焦，且聚焦在复杂的场景——这是邓江构建壁垒的方法论。

“我们不做医疗问答chatbot，也不做简单的症状咨询。”他告诉我们，缘启智慧聚焦的场景，是需要结合不同模态的医学影像和医疗报告，同时跨科室的复杂医疗决策场景。

比如，如何准确解读一份涵盖CT、X光片、心电图等医学影像和检测数据的体检报告，

“在真实医疗场景中，复杂决策才有真正的价值。”他总结，“我们希望做复杂的事，未来中国能提供这种技术服务的公司也不会太多。”

做金融，是为了做医疗

智能涌现：你之前的背景更偏金融，为什么选择做AI医疗的创业？

邓江：这也是最近大家问我最多的问题，可能因为大家对医疗的理解，过往存在偏差。

医疗其实是一个知识体系，不等于医院，也不等于医生。这套知识体系其实有很多应用场景。

百川之所以做金融，是因为在保险的健康咨询和核保理赔、银行的养老金融等场景，有大量的医疗方面的需求，而且有非常好的商业闭环的机会。

比如你在买保险、做保险理赔、核保，都需要有懂医疗的人胜任相关的工作。

所以我现在做的事，实际上是把医疗的能力，通过大模型带来的技术革命，供给给医院之外的银行、保险、医美等大健康行业场景。

智能涌现：意思是百川做金融的目的，是为了做医疗？

邓江：在百川的时候，我们给金融机构推我们的医疗方案，比如给保险公司，我们推保险销售环节的健康咨询能力，以及保险事后的理赔核保能力。

再比如银行，我们跟一些头部银行合作，落地养老金融的场景。

智能涌现：你是2024年初加入百川的，这在一年，AI医疗的进展如何？

邓江：在当时整个大模型行业在院内（指医院内）场景的商业化，由于监管政策、模型能力的问题，实际上是没法商业闭环的。在当时医疗模型的能力没有办法满足诊断级的复杂决策需求。

所以当时美国和中国的一些公司，都看到了“泛医疗场景”的闭环机会，比如保险。像阿里、字节现在推出的一些医疗产品，也不是面向院内诊断的，而是面向院外的咨询、慢病管理、体检等场景。

这些场景对医疗能力的要求没有院内那么高，而且这些场景本身比起公立医院、围绕社保的体系更市场化、商业化。

智能涌现：百川的经历对于你创业有怎样的意义？

邓江：大模型行业在23年才起步，我非常感谢小川总，很早就带我们入行了。这一点对我来说非常重要。

就像最早一批互联网用户和最早一批移动互联网用户，出来很多成功的创业者，因为他们看到了技术带来的革命。

其次，我在百川负责商业化，所以在一年多的时间里，我看到了市场对新技术的接受程度，以及实现商业闭环的潜力。这也给了我创业的巨大信心。

所以我们虽然成立时间很短，但在商业化上，目前愿意跟我们合作的客户非常多，大家都认可技术在产业上的爆发力。

智能涌现：为什么你选择创业？

邓江：离开公司是为了可以按照自己的想法去选择技术路径。

我认为医疗问题一定是“望闻问切”，是多模态的，无法只通过文字描述清楚。

智能涌现：在语言和多模态之中，为什么你相信多模态是做医疗循证更好的路径？

邓江：所有的语言描述都会有信息衰减。比如一幅世界名画，用语言去表达，听众还原出的画面肯定是完全不同的。

所以语言是描述世界的好载体，但存在大量的信息衰减。比如线上问诊和面诊，后者在见面的时候就引入了更多的信息输入，有许多语言表达无法描述的东西。

△输入孩子咳嗽声音频后，MentX给出的诊疗建议。图源：MentX试用

智能涌现：现在是不是入局医疗的时间点？

邓江：在23年、24年，大模型技术在医疗场景其实是不ready的。这也是为什么我们选择在25年出来做这件事。

在美国的很多应用场景上，我们看到了最先进的模型在医疗上的商业突破。

国内和美国相对而言大概有半年左右的gap，所以我们觉得现在这个timing正好。我比较看好明年大模型在医疗场景的落地。

智能涌现：在医疗领域获客，和在金融领域获客有什么差异？

邓江：首先金融还会是我们很重要的一个场景。我们现在也在跟保险公司、银行推动一些商业化合作。

并不是说我放弃了原来的金融，去和卫健委、医院打交道。

其次，医疗更广泛的场景，来自刚才说的机构，比如保险，它们服务了大量有医疗需求的人、服务了大量医院。赋能保险机构，让它们更好地服务这些人，是我们选择的商业路径。

智能涌现：团队主要做B端还是C端？

邓江：我们目前希望打造的是“2B2C”的路径，也就是先服务产业链的公司，帮助他们实现更智能的ToC服务。

智能涌现：为什么没有选择像百川一样ToC？

邓江：我们认为更广泛的高质多模态数据，其实还在B端，不在C端。

我们需要一个中间媒介，作为我们的输入源。比如在医美场景，在产品前端必须要配备一个专业销售，指导用户上传几张、什么角度的照片，比如先拍眼角的，再拍法令纹的。

患者自身是很难做这些事的，比如C端产品直接让他们描述红斑，或者拍个面部状态照片，患者可能无从下手。

所以B端前端专业人员的作用，是帮我们做好了输入端的筛选。

保持技术独立性，是我们和大厂最大的区别

智能涌现：多模态医疗循证，在国内是共识吗？有走同样路线的公司吗？

邓江：我不敢说我们是唯一一家走这条技术路线的，但我敢说我们是目前市面上的公开产品中，唯一一家有落地能力的。

目前市面上所有的产品，没有一款能够支持全科的、多模态的输入。

智能涌现：现在很多AI医疗跑了5、6年的中大厂，商业化成绩也很一般。你创业会受到质疑吗？

邓江：历史上每一次新技术带来的产业革命，总是伴随着质疑。

但我和小川总观点完全一致，真正有价值的东西，在早期一定是非共识的。当大家都形成共识，机会也没了。

智能涌现：你怎么保证，在这几年的时间里能够一直造血，同时还能和大厂做竞争？

邓江：第一，我们在技术上要做得更垂直、更深入。这是创业公司的优势，大厂很难做这么垂直的投入，它们做的都是更普适、更广泛的技术投入。

第二，我们要保持技术独立。

智能涌现：什么叫做“技术独立”？

邓江：比如某大厂投资了爱康和美年，如果你是一家体检机构，你愿意跟这家大厂合作吗？

所以我们要保持技术独立性，这是和大厂最大的一个区别。不是所有的场景，都愿意拥抱大厂，因为大厂和客户在某类场景上有深度竞争。

就像华为宣布不造车，它的技术才能被更广泛的车厂使用。大厂的生态产业链做得很深，这是它们的优势，同时也是劣势，因为它们无法保障技术独立性。

无论在数据安全层面，还是商业竞争，我们能看到不管在哪个行业、哪个时代，独立的技术公司都有自己的生存空间。

智能涌现：在现实层面，创业半年来，你觉得做AI医疗的客观难点有哪些？

邓江：最大的难点还是资源有限。

所以我觉得方向选择要坚定，每一个方向的打磨周期都是以半年、年为单位的。一旦选错，回头的成本非常高。

目前从结果上来看，我认为基于多模态循证做技术突破的方向是对的。

智能涌现：什么样的结果？

邓江：我们验证多模态医疗循证其实很快，大概花了两三个月的时间。但把它完美工程化的时间会比较长。

在这个技术路径下，通过技术工程的搭建，我们发现模型在医疗场景瞬间变得聪明，就和当年的ChatGPT一样，变聪明程度是指数级的。

智能涌现：既然多模态的路径短时间能被验证，那是不是意味着它很快会成为共识？竞争很快会加剧？

邓江：今天上午，一个投资人也问了我同样的问题。

马斯克的无人驾驶技术也是公开的，他告诉大家纯视觉就能实现无人驾驶，但又有多少人真正能够做出来？

技术路径的选择，说起来容易，但真正实现需要团队积累。我们呈现的结果，绝对不是一个团队很快能copy的。

但我认同多模态循证的共识很快会达成。

智能涌现：对于AI医疗模型的研发，最重要的资源是什么？数据吗？

邓江：目前我们用的还是公开的数据，但未来随着技术研发的投入，医疗公司最大的壁垒，还是在场景中对医疗数据的积累。

智能涌现：你有数据焦虑吗？初创公司初期很难有数据优势。

邓江：不会。医疗数据和消费数据是不一样的，消费数据要多，医疗数据要精。我有10个感冒数据，和有1万个感冒数据没有区别。

数据多反而会成为一种负担。三甲医院和基层医院有大量的数据，对数据质量的筛选本身负担很大，因为其中有大量的垃圾数据。

我们目前为什么用开放数据？因为它们被清洗加工过。我们只需要用这些优秀数据，就能达到目前的效果。

在数据质量上，小公司有小公司的优势，我们有更灵活的机制对数据进行筛选。而大公司的数据非常多，但到底怎么用？这是一件难事。

智能涌现：相比市面上其他医疗模型，你们做的医疗模型有怎样的优势？

邓江：我们的模型提升的其实不是深度，而是广度，也就是实现医疗场景的泛化，真正打造全科的能力。

比如市面上的一些产品，能够做体检报告的解读，但一旦在报告里加入了B超、X光片，它就不行了。你只能寻求B超解读、X光片解读的专业小模型。

为什么大家会觉得医疗复杂场景难？因为它不仅涉及多模态，而且答案是开放性的。

我们现在能够用一套方案，实现对医疗问题的泛化处理。无论是医美、牙科整形，还是内科的问题，不管输入的是图片、视频，还是报告，我们都用一套方案精准解决。这是我们最大的技术突破。

智能涌现：今年OpenAI被曝出将在医疗健康领域投入250亿美金。AI医疗是不是无法摆脱资源竞争？

邓江：我看到豆包、蚂蚁这些大厂推出健康类产品，其实是开心的。像这些大公司，每一个决策背后一定有庞大的市场和数据支撑。

我相信OpenAI做医疗只有一个原因，就是他们发现ChatGPT的用户中，问医疗相关问题的占比很高。其中有巨大的商业机会。

其次，250亿美金要砸的场景，绝对不会是小场景。在大的医疗场景中，我相信大厂一定会卷得很厉害。

但反过来，哪怕某一种病，都意味着巨大的市场空间。比如皮肤病，中国有上亿的患者，把皮肤病做好，都足够立足了。所以未来还是看你能不能把垂直的能力做深做透。

真实医疗场景中，复杂决策才有真正的价值

智能涌现：今年入局AI医疗，你看到了哪些机会？

邓江：医疗有三个方向：药、器械、服务。

今年，AI药物研发已经跑通了。很多做药物研发、生物制药的公司，都实现了巨大的技术和商业化的飞跃。

接下来会爆发的其实是另外两个赛道。

以前，医疗知识服务的获取，其实主要靠医生。比如我愿意花1000块钱挂专家号，本质上是想让专家回答我的问题。

现在AI能够替代人做复杂的脑力劳动，所以大部分医疗问题不需要靠专家，也能高效拿到高质量的答案。

这意味着我们实现了医疗知识的平权。医疗知识不一定是医疗诊断，还可能是用药、健康咨询、保险。所以我们在医疗服务上看到了供给侧的改革——供给不再依赖于人类医生和三甲医院了。

这在未来是一个巨大的场景。中国只有500多万从业医生，要服务14亿人。未来可以通过AI实现每人配一个健康顾问。

比如一些大型保险公司，其实专门雇了一两百人的医疗专家团队，这是小保险公司负担不起的。但现在有了AI技术加持，我们可以供给一千、一万个AI医生。

智能涌现：AI时代医疗器械的机会是什么？

邓江：医疗器械本质上是生命体征数据的采集端。但原来这些数据，比如心电图，只有医生看得懂。

但有了AI之后，我们可以实现很多医疗器械的家庭化。以前我们心脏不舒服，只能去医院做心电图。实际上心电图的机器很便宜，一两千块钱，为什么不在家里放一台？

我们现在看到，未来有机会实现家庭级的诊断。所以我们现在一方面和传统医疗器械厂商合作，做传统医疗硬件的智能化，另一方面也不排除和企业联合研发新设备，作为新的采集端。

智能涌现：医疗服务和器械，目前对公司来说哪个业务优先级更高？

邓江：服务是我们的核心，硬件交给更专业的公司去做。

未来所有的硬件，比如电视、门禁，都可能成为采集端，比如经过你的授权后，每次刷脸，系统都可以通过脸色做健康评估。

智能涌现：一个好的AI+医疗团队应该是怎么组织的？专业医疗人才在其中发挥怎样的作用？

邓江：我们刚在起步阶段，所以顾问团队的规模不大。但我们的顾问都是在各个医疗领域非常专业的人才，所以他们能够在关键的节点和决策上给予支持。

眼下两个方向非常重要。第一是对AI医疗效果的评测。我们做了大量的评测工作，评测集涉及数千真实公开病例。

基于评测结果，最重要的是决定研发资源投入的方向，毕竟创业公司资源有限。

智能涌现：目前公司资源投入了什么方向？

邓江：我们其实不是一家纯技术驱动的公司，商业也是我们重点考虑的。技术是为场景服务的，我们用客户需求驱动技术。

智能涌现：客户需求驱动的公司，和技术驱动的公司，在业务落地的动作上有什么不同？

邓江：我们不想做“拿着锤子找钉子”的事，比如先把技术研发出来，再跟客户交流这个技术到底有什么用。

作为一家初创公司，我们最大的优势说白了就是一穷二白。一开始，我们就花大量精力跟客户保持深入沟通，把技术的idea变成可商业化落地的产品。

因为我过去10年一直负责商业化的工作，所以跟客户沟通的频率是很高的。创业后很多老客户拿着需求来找我们，不过我们自己需要做一些取舍。

智能涌现：做怎样的取舍？

邓江：还是得看需求场景的泛化性、市场空间，我们会找垂直的、需求大的场景先落地。

比如体检。中国有上万家体检机构，除了像美年、爱康这些大机构外，还有大量服务基层的小规模体检机构，有医疗赋能的需求，包括报告解读、后续诊断建议。

比如基层诊所，我们也在做合作试点，推动AI辅助医生，来降低误诊率，提高诊断效率。

再比如医美、养老，也是中国巨大的行业。这是目前我们重点推动商业化的几个领域。

△MentX根据照片给出的医美建议。图源：MentX试用

智能涌现：只做医疗知识的问答服务，门槛是否不够高？不少大厂也在布局。

邓江：如果是简单的症状咨询和轻问诊，门槛确实不够高。但如果是复杂的医疗决策，门槛是非常高的。

比如一份体检报告，十几种指标，还把CT、X光片、心电图等医学影像放在一起，如果要把诊断做准了，本身是非常难的事。

在真实医疗场景中，复杂决策才有真正的价值。很多公司目前还在做轻问诊的服务，而且是免费的。我觉得这应该是大厂做的事，他们有流量。

我们希望做复杂的事，未来中国能提供这种技术服务的公司也不会太多。就像无人驾驶，技术其实就那么几家公司在做。

智能涌现：团队提供怎样的产品形态？很多公司都在做医疗问答的ChatBot。

邓江：我们强调“Result as a Service”，不是做一个ChatBot陪患者、老年人聊天，而是要回答问题。

所以我们的产品输出的是专业报告，每个答案都是在医学循证的基础上给出的。

一旦场景做大，会面对很多问题。比如合规监管、性能、成本的问题。包括医疗是不断迭代的，不断有新药、新的诊疗标准、新的诊疗手段，你怎么去持续更新，让产品第一时间与医疗界共识一致。这都是未来技术上的挑战。

眼下我们就聚焦在循证一件事上。首先要保证我们的数据、所有对外输出的内容是有据可循的，避免“幻觉”，这是核心。

△MentX给出的结果可以回溯来源。图源：MentX试用

智能涌现：MentX在测评集上取得了出色的成绩。但这等同于实际的落地效果吗？

邓江：MentX的表现其实极大超出了我的预期。在上线这段时间，我们至少挽救了三个重症患者的生命。

这些患者亲属把报告扔给MentX，MentX几秒钟就回复了一个结论，基层医生看了之后马上做出了转诊上级医院的决定。这三个case都属于如果不转诊，耽误病情是会致命的。

现在MentX最大的价值，就是在更广泛的场景内，帮助医疗从业者做出更准确的决定，而且这个决定是有依据的。

在C端的角度，其实也有很多的case。比如孩子发烧、嘴上起泡，年轻父母会犹豫要不要带孩子去医院，毕竟也挺折腾孩子的。他们拍一张孩子的照片上传MentX，就得到了一个明确的诊断建议：疑似手足口病。

智能涌现：公司做定制吗？还是提供标品？

邓江：我们现在提供的是“全科”的能力，所以我们没有针对某一场景单独定制的成本负担。AI模型的泛化能力，其实让ToB服务摆脱了传统的重定制形态。

我们眼下更多地是通过API的形式，提供标准化的能力。根据一些行业的约束、法规等等，我们也会做轻度的定制化。

智能涌现：你觉得AI医疗在什么时候能规模化落地？

邓江：类比美国的话，我觉得就是2026年。我们和美国的商业化落地有半年到一年的gap。

欢迎交流