健康AI的22种语言陷阱：我错看了6个月

「我搞错了整整6个月。」GoDavaii创始人公开复盘，「我以为给印度做健康AI，翻译层扩量就行。错得离谱。」

Day 10的这份坦白，戳破了一个行业集体盲区：全球120亿美元砸进健康AI，服务的是最不需要它的人。

英语优先的结构性失灵

印度22种官方语言，1.4亿人不用英语思考健康问题。但所有系统——大厂、融资创业公司——都从英语起步。

董事会和股权结构决定它。数据集决定它。整个上市策略就是英语优先。

结果是：当用户用印地语输入「मेरे पेट में गैस हो रही है」（我胃胀气），顶级大模型能翻译，能给通用建议。但它抓不到母语者的细微差别——家常偏方、文化语境、要不要交叉比对西药反应。

翻译层把词变成英语，底层模型却在英语医学文献里训练，概念映射、地区变体、本地语境全线崩盘。

这不是市场失灵，是结构失灵。

所谓「原生多语言推理」到底是什么

GoDavaii的转向很彻底：不做「英语应用印地语版」，要做「印地语应用用印地语思考」——然后切换到泰米尔语、马拉地语、旁遮普语，再覆盖其余19种。

具体案例：泰米尔语用户说「konjam nalla illa」（有点不舒服）。翻译层看到模糊抱怨，原生系统要识别这是症状描述，触发追问链。

这要求从数据获取、模型训练到界面交互，全部推倒重来。

被忽视的60亿人市场

120亿美元健康AI投资，主要服务15亿已有医生、保险、英语医疗资源的人。剩下60亿正在上网的人，拿不到母语可靠健康协助。

硅谷健康AI的墙很具体：用户一输入「pet mein gas ho rahi hai」，或者询问常见阿育吠陀配方，系统就卡死。

GoDavaii的判断是：护城河不是有数据，是理解多元语言景观的思维模式。他们押注这是健康科技最大未填补缺口。

为什么这件事值得科技从业者盯紧

三个可迁移的观察：

第一，「翻译层+英语模型」是捷径幻觉。表面覆盖多语言，实际在核心体验上降级服务非英语用户。健康场景容错率低，这种降级直接致命。

第二，GTM策略的语言选择， early on就锁死了产品天花板。英语优先不是技术中性，是用户筛选机制——筛掉最需要帮助的人。

第三，数据获取和训练成本确实更高，但竞争维度也因此切换。大厂在英语健康AI里卷，新玩家有机会在非英语市场建立结构性优势。

如果你在做全球化产品，这个案例提供了一个检验框架：你的「多语言支持」是装饰层，还是推理层？用户用母语提问时，系统是在翻译后思考，还是直接思考？

答案决定了你服务的是「下一个十亿」里的哪一部分。