120亿美元AI医疗超级独角兽，是如何炼成的

文 | 氨基观察

2025年AI医疗领域最震撼的消息，非OpenEvidence的估值狂飙莫属。

据美国科技媒体《The Information》报道，号称“医生版ChatGPT”之称的OpenEvidence正推进新一轮2.5亿美元融资，交易完成后估值将正式翻倍至120亿美元。

值得注意的是，这已是该公司一年内完成的第4轮融资，年初由红杉资本领投的A轮融资中，其估值还仅为10亿美元。这意味着，这家成立仅3年的公司，一年内估值从10亿美元飙升至120亿美元，暴涨1200%。这一增速甚至超越同期OpenAI的估值曲线。

如此惊人的估值跃升，看似意外，实则有迹可循。OpenEvidence已基本“垄断”美国to c医疗AI市场——不仅让1/4的美国医生在一年内成为其用户，如今更更拿下超40%的美国医生市场，每月处理850万次临床咨询。这样的增长速度，在医疗行业堪称奇迹。

要知道，传统医疗软件往往困在医院审批的漫长流程里，一款产品从对接机构到落地，少则半年多则数年。OpenEvidence则跳出了这个框架，瞄准医疗场景的ChatGPT生意，用互联网的 “免费+广告” 模式，在严谨的医疗领域撕开了一道口子，靠着医生间的口口相传实现病毒式用户增长，

然后靠广告收入赚得盆满钵满。

目前，OpenEvidence的广告年收入约1.5亿美元，而这还仅仅出售了1/10的广告位。难怪其被红杉资本评价为 “披着AI医疗外壳的互联网公司”。

估值120亿美元的秘密

在OpenEvidence出现之前，美国医生群体正被一个难题反复困扰：医学知识更新速度远超个人处理能力，他们需要花费大量时间仔细查阅期刊，以确保能够掌握最新的治疗信息。

但是跟踪最新医学知识并不容易。因为每分钟2篇新医学论文发表，每5年医学知识就翻一倍，PubMed上3600万篇文献还在以每年100万篇的速度增加。

OpenEvidence创始人Daniel Nadler曾举过一个例子，一名患者同时患有银屑病和多发性硬化，这两种疾病都与自身免疫相关，但在具体的发病机制上却相互牵制。

当医生面对这样的患者，想查询特定用药安全性时，传统工具如PubMed、Google只能给出碎片化信息，关键答案藏在论文正文深处，往往要花费数个小时才能梳理清楚；通用大模型又存在“幻觉”风险，医生往往陷入无据可依的困境。

正是这个痛点，成了OpenEvidence的突破口。不同于传统AI医疗公司主攻医院B端市场，Daniel Nadler一早就决定：直接服务医生个人。

这个选择背后，是其对医疗行业逻辑的深刻洞察。传统医疗软件要通过医院“AI委员会”审批、应对政策变动，落地周期长达半年以上，而医生作为医疗服务的核心执行者，直接满足他们的需求，就能绕开复杂流程。

为了让医生愿意用，OpenEvidence做了三件关键的事情。一是保证信息的绝对可靠：放弃互联网上的健康博文、社交媒体内容，只以《新英格兰医学杂志》、《美国医学会杂志》等经过同行评审的文献为训练数据，甚至与11种专业医学期刊建立战略合作，确保每一个回答都能追溯到原始文献。

其次是模型层面的专而精：没有追求通用大模型的全能性，而是采用专为医学任务训练的 7B小模型，无需承担泛化任务，在医疗场景的精准度反而更高，推理成本也大幅降低。

最后则是极致的效率：将文献检索时间从传统的几小时压缩到5-10秒，还能自动生成博士级研究报告，原本需要人类研究员数月完成的工作，AI几小时就能搞定。

这种精准解决刚需的设计，让OpenEvidence实现了罕见的“病毒式增长”。2024年7月，它每月仅处理35.8万次医生查询；一年后，这个数字暴涨24倍，达到850万次。

截至2025年12月，超43万名美国医生注册使用，占美国医生总数的40%，且仍以每月6.5万名的速度增长。

红杉资本合伙人Pat Grady认为，这种自然传播模式在医疗行业极为罕见，通常只在互联网产品中才能见到。

也正因此，OpenEvidence的估值，同样像火箭一样迅速攀升，吸引了Google Ventures、红杉资本、黑石集团等顶级资本入局。

2025年2月，A轮融资7500万美元，估值10亿美元；

7月，B轮融资2.1亿美元，估值来到35亿美元；

10月，C轮融资2亿美元，估值进一步跃升至60亿美元；

12月，按照《The Information》报道将融资2.5亿美元，估值更是将达120亿美元。

商业化迅速破局

不到一年时间，估值暴涨1200%还在于其商业化层面的迅速破局。

医疗行业传统的订阅制模式早已饱和，UpToDate等老牌工具每年收取数百美元订阅费，用户增长缓慢。而OpenEvidence给出的答案，彻底颠覆了医疗行业的商业化逻辑——用互联网的广告模式，切入美国300亿美元的医疗营销市场。

这个模式的核心，是连接有需求的医生和想触达医生的药企。

在美国，医疗保健和制药业每年要花300亿美元用于营销，其中大部分流向药代拜访、医学会议等传统渠道。但这些渠道存在明显缺陷：药代无法精准匹配医生的临床需求，医学会议覆盖范围有限。而OpenEvidence目前手握40多万医生的临床查询数据，能清晰知道医生在处理某类疾病时需要哪些药物、器械，从而实现精准广告投放。

比如，当一位医生查询“肺癌靶向药最新治疗方案”时，平台会在回答下方推荐相关药企的最新药物信息，且这些信息都附带医学文献支持，避免硬广带来的反感。

数据证明了这种模式的潜力。截至2025年12月，OpenEvidence的年度经常性收入已超1.5亿美元，且按照公司的说明，目前仅售出了10%的广告库存。换句话说，若全部广告库存售出，收入将突破10亿美元；毛利率更是高达90%，远超行业60%-70%的平均水平。

这种高毛利的背后，是其独特的成本结构优势。一方面，7B小模型的训练和推理成本远低于通用大模型；另一方面，由于平台为医学期刊带来海量流量，期刊方愿意免费或低价提供内容，核心数据资产反而成为“免费资源”，进一步降低了运营成本。

更关键的是，这种模式绕开了医疗行业最头疼的监管壁垒。由于OpenEvidence定位为“医生的信息辅助工具”，而非“诊断设备”，无需通过FDA的严格审批，既加快了产品落地速度，也降低了合规风险。

Daniel Nadler曾表示，Google花了多年让用户接受广告模式，他们则正在医疗领域做同样的事：用免费服务换用户，用精准广告实现商业闭环。

验证的与未知的

OpenEvidence的爆发，不仅是一家公司的成功，还给整个行业指出了一条清晰的路径：垂直场景的数据价值，或许比通用大模型的 “全能” 更重要；用户思维，在医疗领域同样十分关键。

在技术层面，正如前文所说，OpenEvidence没有追求像ChatGPT那样的通用能力，而是采用集成架构，多个小模型分别负责检索、排序、分析文献，每个模型都在特定医疗场景下做到极致。

这种设计不仅避免了通用大模型的“幻觉”问题，还能实时更新文献数据，确保回答的时效性。正如Norwest Venture Partners合伙人Scott Beechuk所说。AI公司最深的护城河将由大型专有数据集创造。

在用户层面，OpenEvidence打破了医疗产品必须对接机构的固有认知，证明医生不仅是医疗服务的提供者，也是 “消费者”。当产品能真正解决他们的工作痛点，即使没有医院的强制推广，也会主动使用并推荐给同事。这种“C端思维”在医疗行业并不常见，却恰恰是OpenEvidence破局的关键。

在国内，一批企业也正循着 “垂直场景+用户思维”的路径加速追赶，医联、百川智能、零假设、灵犀医疗等玩家，试图复制OpenEvidence的成功模式。

不过，OpenEvidence的未来并非毫无挑战。一方面，随着用户增长放缓，如何维持广告收入的持续增长是关键；另一方面，医疗数据的隐私保护、广告内容的合规性，都可能成为监管焦点。

国内企业也面临独特的挑战。比如，医学文献的版权合作、数据合规性要求更高；再比如，医生使用习惯的培养、医疗营销模式的本土化适配，都需要时间沉淀。

总结

OpenEvidence再次让市场看到AI之于医疗的价值，不仅在于创造 “治愈癌症” 的奇迹，还在于解决医生日常工作中的 “小问题”：节省检索时间、减少信息过载、提升决策效率。

当OpenEvidence的估值突破120亿美元，超40%的美国医生每天依赖它处理临床咨询，我们要看到的不仅是一家独角兽的崛起，而是医疗行业数字化转型的新可能：

在不久的将来，AI不会取代医生，而是成为每一位医生的“标配数字助手”。

而OpenEvidence的故事，只是这个时代的开始。