不卖药、不看病、医生版ChatGPT如何造就生命科学第一独角兽？

2026 年 6 月，胡润研究院发布《2026 全球独角兽榜》（Global Unicorn Index 2026）。成立仅四年的美国医疗 AI 公司 OpenEvidence 以 820 亿人民币、约 120 亿美元的估值入选榜单，并在其划分的“生命科学”赛道中位居第一。

按照胡润研究院的统计标准，上榜企业需要成立于 2000 年以后、估值超过 10 亿美元且尚未上市。OpenEvidence 的 120 亿美元估值，主要来自今年 1 月完成的一轮融资。当时，公司获得 2.5 亿美元 D 轮融资，由 Thrive Capital 和 DST Global 共同领投，投后估值较三个月前翻了一倍，较一年前上涨了约 12 倍。

不仅如此，OpenEvidence 还入选了《福布斯》第八届人工智能 50 强榜单（AI 50）。

OpenEvidence 并不是一家研发新药或器械的传统生命科学公司。其核心产品是一个面向医生的 AI 医学搜索和临床决策支持平台，经过身份认证的美国临床专业人员可免费使用。医生输入一个临床问题，系统检索医学论文、专业期刊和临床指南，再生成一份附有引用来源的回答。因此，它经常被称为“医生版 ChatGPT”。

医疗 AI 公司不少，能检索医学文献的大模型也不罕见。OpenAI、Google 和 Anthropic 都在加强医疗能力，UpToDate 等传统临床知识平台也已经引入生成式 AI。

在这样的背景下，OpenEvidence 为何能在四年时间里，估值和用户量都在一路上涨？

把医学论文变成可提问的知识库

OpenEvidence 成立于 2022 年，创始人为 Daniel Nadler 和 Zachary Ziegler。

其中，Daniel Nadler 此前已经有过一次较为成功的 AI 创业经历。他拥有哈佛大学博士学位，曾创办金融数据分析公司 Kensho。Kensho 利用机器学习处理金融和经济数据，希望把复杂的市场分析变成类似搜索引擎的查询过程。2018 年，标普全球收购 Kensho，公开披露的交易价值约为 5.5 亿美元，成为当时以 AI 为核心的金融科技领域最大收购案之一。

虽然金融和医疗相距甚远，但 Nadler 发现，他们都属于知识密集、数据庞杂且高度依赖专业判断的行业。他曾计算过：“每分钟至少有一篇新的医学论文发表，即使医生只阅读排名前十的医学期刊，也需要花费他们一天九个小时，才能跟上重要研究和指南变化。”

图 | Daniel Nadler

OpenEvidence 由此应运而生，其能够实时筛选数千篇同行评审的研究。它不直接替医生诊断，而是帮助医生更快地寻找、归纳和核对医学证据。

例如，医生可以询问某类药物能否用于肾功能受损的患者，也可以比较两种治疗方案在特定人群中的证据。系统生成回答后，医生能够查看对应论文和指南，进一步核验结论。

与通用大模型不同，前者主要依靠训练过程中获得的知识生成回答，可能出现信息过时、来源不明或虚构参考文献等问题。进入临床场景后，可能会影响检查、用药和治疗决策；OpenEvidence 采用的是医学模型与检索增强生成相结合的路线：医生提出问题后，系统先从医学文献和临床指南中寻找相关资料，再根据检索结果组织答案，并尽可能提供引用来源。

除了快速查询海量的资料之外，OpenEvidence 能够吸引医生的另一个重要原因是其与医学内容的合作。在大模型竞争中，算法能力固然重要，但对于医疗 AI 而言，能否合法、稳定地获得高质量医学全文同样关键。

截至目前，该公司已经与《新英格兰医学杂志》出版方 NEJM Group、美国医学会及 JAMA Network、美国国家综合癌症网络、美国急诊医师学会、美国心脏病学会等机构建立合作。

JAMA Network 曾披露，旗下 13 种期刊的全文内容已经整合进 OpenEvidence。多家医学专业组织也将临床指南和教育资料接入平台。

在基础问答之外，OpenEvidence 还推出了 DeepConsult，让系统对数十篇甚至上百篇研究进行更深入的检索和综合，生成接近专题研究报告的内容。平台还增加了继续医学教育、语音交互和移动端应用。

2026 年 7 月，OpenEvidence 又推出了 EvidenceGrade。该功能参考循证医学中的 GRADE 框架，尝试实时评估回答背后证据的质量。

其可以对平台每条答案背后引用的医学证据进行实时质量分级和可视化，帮助医生快速判断证据强度，从而决定在临床决策中能赋予多大权重，能够有效解决 AI 生成内容可信度不明的痛点。

图 | EvidenceGrade 对答案背后证据的评估（OpenEvidence）

医生免费使用，广告完成变现

OpenEvidence 的用户快速增长的一个重要原因，是对经过身份认证的美国临床专业人员免费开放。

传统医疗软件通常先卖给医院，需要经历预算审批、信息安全评估、系统部署和员工培训，销售周期可能持续数月甚至数年。医生能否使用一种工具，往往不完全由医生自己决定。

OpenEvidence 绕开了这条路径。医生可以直接注册，不必等待医院统一采购，也不需要支付个人订阅费。免费把一个企业采购问题，变成了个人用户增长问题。

截至 2026 年 7 月，公司称其拥有约 91.5 万名经过美国执业资格或专业身份认证的临床用户，包括医生、护士、执业护士和医师助理。仅在 4 月，就有约 65% 的美国医生在近 2,700 万次临床诊疗中使用了这项服务。

图 | OpenEvidence 在医生群体中的使用量激增（来源：OpenEvide）

平台查询量也在上升。2025 年 12 月，OpenEvidence 处理了约 1,800 万次临床咨询，而一年前约为每月 300 万次。2026 年 3 月，公司宣布平台首次在 24 小时内完成 100 万次由认证医生发起的临床咨询。

此外，OpenEvidence 还开始从医生自发使用的外部工具，进入医院正式部署的临床流程。

2026 年 2 月，Sutter Health 宣布将 OpenEvidence 接入 Epic 电子病历系统；3 月，纽约西奈山医疗系统宣布部署该平台，并将使用范围从医生扩大到护士和药师；7 月，纽约长老会医院及其附属医学院——哥伦比亚大学瓦格洛斯内外科医学院和威尔康奈尔医学院——也宣布在旗下医院和护理场所部署OpenEvidence。

这意味着，OpenEvidence 正在从医生自己打开的搜索工具，逐渐变成嵌入医院工作流程的临床知识基础设施。

那么，谁来为这款免费的医疗 AI 付钱？答案是向制药企业和医疗器械公司出售广告。医生免费使用搜索和问答服务，广告主为触达医生付费。但它出售的不是普通互联网流量，而是经过身份认证的临床专业人群，以及他们在具体诊疗场景中的注意力。

美国数字医药广告支出每年约为 200 亿至 250 亿美元。OpenEvidence 能够精准触达约 60 万美国处方医生，这是一个极具价值的受众群体。对药企而言，这种流量比普通社交平台更接近真实的处方和治疗决策。

由此，OpenEvidence形成了一套循环：免费服务带来更多医生和查询量，高价值临床流量吸引药企与器械公司投放广告，广告收入再用于内容授权、模型研发和算力，从而继续维持医生端免费。

根据公司披露，OpenEvidence 2025 年的年收入已经超过 1 亿美元。

除了广告之外，该公司还在探索其他收入模式，比如针对集成到电子病历工作流程中的医疗系统部署，采用企业级按席位定价模式；开发高级企业功能；为制药公司、医疗器械制造商和支付方提供数据洞察订阅服务，以及用于将临床决策支持系统集成到第三方平台的 API 许可。

医疗专用模型，一定更可靠吗？

随着 OpenEvidence 用户量激增，医学界对它的态度总体积极，但也保留了明显的警惕。

多名来自不同专科和医疗机构的医生认为，OpenEvidence 操作简单、移动端使用方便，最大的价值是快速检索权威医学文献，尤其适合处理超出医生日常专业范围的问题。

在实际使用中，有医生借助 OpenEvidence 确认低血钾是否属于药物的常见副作用，也有人用它判断疑似脊柱骨折是否需要进一步进行 CT 检查。一名肾脏科医生表示，OpenEvidence 经常能为他节省约 30 分钟的传统检索时间。哈佛大学医生 Anupam Jena 也观察到，医生主要使用它补充本专科之外的知识，并寻找 Google 或 UpToDate 难以快速提供的答案。

不过，一些医生指出，平台可能遗漏重要信息，或者根据样本量较小的研究得出过于肯定的结论，在罕见疾病和复杂病例中尤其如此。纽约一名急诊医生就曾发现，OpenEvidence 夸大了某种注射药物导致肝损伤的风险，没有充分考虑患者长期饮酒这一更可能的原因。几周后，平台更新了相关回答，才更准确地反映饮酒因素。

（来源：OpenEvidence）

目前，不同研究对 OpenEvidence 的评价也不一致。一项发表于Nature Medicine的研究发现，在 MedQA、HealthBench 和 100 个真实临床问题中，GPT-5.2、Gemini 3.1 Pro 和 Claude Opus 4.6 整体领先于 OpenEvidence 和 UpToDate Expert AI。

几周后，Real-POCQi 预印本研究却得出相反结果。该研究使用 620 个 OpenEvidence 平台上的真实临床问题，由 149 名执业医生进行盲评，OpenEvidence 在准确性、临床实用性、来源质量、可核查性和完整性等指标上获得最高评分。

两项研究的分歧，主要来自问题来源、评价指标、评审医生和模型版本不同。《Nature Medicine》更强调标准化医学知识、安全性和表达；Real-POCQi 更接近 OpenEvidence 的专科使用场景，也更重视证据来源与核查。

因此，医疗专用模型是否优于通用模型，目前还没有简单答案。更重要的是，这些研究评价的主要是回答质量，而不是误诊率、治疗效果或患者死亡率。引用真实论文，也不代表结论一定适用于具体患者。

医学知识快速增长、生成式 AI 改变检索方式、权威内容合作提供信任、免费策略绕过医院采购、医药广告完成早期变现，这些因素共同解释了 OpenEvidence 为什么能在四年内获得近百万临床用户，并在一年左右把估值从 10 亿美元推高到 120 亿美元。

但按照公司披露的年收入超过 1 亿美元计算，其估值约为收入的百倍。要支撑这一估值，OpenEvidence 不仅需要继续扩大用户规模，还要证明医院企业业务能够形成稳定收入，并长期获得医生的信任。

1.https://www.hurun.net/en-US/Info/Detail?num=N5C7D1KGTE8G

2.https://time.com/collections/time100-health-2025/7279622/daniel-nadler/

3.https://www.forbes.com/companies/openevidence/?list=ai50

4.https://www.healthcare.digital/single-post/openevidence-chatgpt-for-doctors-2026-plans-and-strategic-outlook

5.https://www.iatrox.com/blog/openevidence-vs-chatgpt-why-2026-studies-disagree

6.https://www.nature.com/articles/s41591-026-04431-5

7.https://arxiv.org/abs/2606.28960

8.https://www.iatrox.com/blog/openevidence-vs-chatgpt-why-2026-studies-disagree

免责声明：本文旨在传递生命科学和医疗健康产业最新信息，不代表平台立场，不构成任何投资意见和建议，以官方/公司公告为准。本文也不是治疗方案推荐，如需获得治疗方案指导，请前往正规医院就诊。

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成