财报里的AI医生「大为」，撬动京东健康价值重估

编辑｜Sia

能说会道，不如做到

一件原本可能要在医院折腾大半天的事，最终足不出户便得到了解决。对一位正在照顾发烧孩子的母亲来说，这是她打开京东健康 AI 医生「大为」（以下简称「大为」）时完全没有想到的。

京东健康医疗 AI 产品总监刘慧至今记得这个故事。此前在广州的一次合作洽谈中，对方主动向她讲起了这段经历。

她和我一样，也是一位母亲，刘慧说。那天孩子发烧后，这位母亲没有像往常那样立刻请假、打车，带着孩子去医院，而是决定先问问「大为」。

这是一个几乎秒回且免费的就医入口。

京东APP直接搜索「AI医生」找到他，或者进入京东APP「 看病买药」频道来使用。响应快，对于需要更强烈的信任背书的用户，「大为」身边就有真人医生的服务入口。

几轮问询后，「大为」建议孩子接受一次核酸检查。接下来发生的事情，与人们熟悉的就医过程不太一样：专业人员上门完成采样，母亲和孩子留在家里等待结果。大约两个小时后，检测报告回传到 App 。

「大为」对报告进行解读，并结合此前了解到的情况，给出了后续用药建议。用户选择在京东平台在线购药，没过多久，药品也送到了家。

这个看似普通的家庭切片，正是医疗 AI 跨越「 聊天搭子」，扎入现实服务深水区的一个缩影。一组最新财报数据，又为这一跨越提供了更为清晰的注脚。

8 月 13 日，京东健康公布 2026 年中期业绩：总收入为人民币 409 亿元，同比增长 15.9% ；非国际财务报告准则指标下（ Non-IFRS ）经营利润 35 亿元，同比增长 40.3% 。

在收入和利润之外，AI 成为这份财报中一个极为醒目的关键词。以「 AI 医生」为核心的一系列 AI 应用正在加速落地，在绩后电话会上，管理层也数次提到了「大为」。

目前「大为」已覆盖超过 1000 种中西医病症。财报数据显示，「618」 期间，「大为」服务用户数同比增长近 4 倍，满意率保持在 98% 以上。

这些数字的背后，某种程度上正是前述就医场景的规模化复制，也折射出医疗 AI 范式变化带来的真实红利。

不少医疗问答产品能够解释疾病、提供知识。但回答结束后，用户的行动成本几乎没有减少，刘慧说。一位母亲问孩子发烧怎么办，她不是来学习儿童发热的医学原理。她真正想知道的是现在危险吗？要不要检查？还能不能观察？该不该吃药？如果吃药，吃什么？

所以，我们希望依托京东现有的供应链和服务能力，把生病这件事尽可能管到底，她说。这也正是「大为」与普通医疗问答产品之间最根本的区别。

财报里的 AI 医生，用起来怎么样？

作为上半年京东健康「 AI 全场景落地」的核心产品，「大为」是怎么工作的？ 又凭什么留住客户？要理解这一点，最直接的办法还是回到具体问诊中。

「 8 岁孩子突然高烧，38 度。」 抛出一个模糊的主诉后，我很快感受到不同。

「大为」没有立即甩出几段「正确的废话」，而是先追问发热持续了多久？有没有咳嗽、流涕、呕吐、腹泻或者头痛？

这些问题并不是一次性出现的。每得到一个回答，「大为」才会决定接下来问什么，就像医生在门诊里逐步收集病史。

一些原本不容易用语言描述的症状，也被做成了可视化选项。我不必准确说出疼痛处于哪个部位、症状发展到了什么程度，只需要在人体图示或分级图片上进行选择。这种设计减少的不只是打字时间，也降低了描述症状的门槛。

经过三四轮对话，「大为」开始基于已经收集到的信息进行推理，将原本笼统的模糊的「孩子发烧」逐渐细化为结构化症状信息，给出可能性最大的「急性上呼吸道感染」提示（见图片黑体部分）。

末了，还附上 14 篇参考医疗文献。

进入治疗建议后，「大为」没有简单列出几种药品，而是区分了对因治疗和对症治疗。这也是一般临床决策逻辑的体现。例如，对乙酰氨基酚被用于缓解发热和头痛症状。

到这里，许多医疗问答产品的工作已经结束。「大为」却继续将治疗建议拆解成满足客户需求的不同流程。

• 对乙酰氨基酚混悬滴剂被匹配到具体药品；
• 进入问诊开方流程；
• 平台根据用户在我的地址，调取附近药房的库存、价格和配送时效，最快可在 24 分钟内送达。

据刘慧介绍，在不少医疗问答产品中，约七成用户完成第一次咨询后，不会再发起第二次问询，最后仍然回到线下医院。问题未必只是答案够不够准确，而在于用户是否获得了足够明确的「解决感」。

「要让用户用过一次以后能够记住：这个问题在这里确实得到了解决。下一次再遇到健康问题时，他才会回来。」她说。

不过，在医疗场景中，「管到底」并不意味着大包大揽。很多时候，AI 是否可靠恰恰取决于它是否知道应该在哪里停下来。

这两个真实问诊案例，恰好呈现了这种边界感。

一位用户最初只是询问左腿肿胀，究竟是腰椎问题，还是腿部血管出了问题？随着问询深入，更多风险信号逐渐出现：肿胀加重，伴有麻木、刺痛、明显乏力，同时还有腰痛、行走不稳和腿软无力。用户还患有高血压。

「大为」没有继续在线上给出确定诊断，而是提示，既要考虑腰椎神经受压，也需要排查下肢静脉血栓，并建议尽快前往骨科、血管外科或神经内科面诊。如果出现胸痛、呼吸急促或意识异常，应立即前往急诊。

面对风险较低的日常不适，「大为」的决策又会不同。

一名身处偏远地区的用户，因为脚趾出现硬块、按压疼痛并影响走路，向「大为」发起咨询。结合用户上传的照片和几轮问询，它判断，这更可能是长期运动和鞋袜摩擦造成的角质增厚。

于是，「大为」先给出可以在家完成的处理方式：调整鞋型、减少摩擦、温水浸泡，必要时使用软化角质的外用药。只有在疼痛加重、出现破损感染，或长期不缓解时，才需要前往皮肤科。

炼成「大为」，需要多少慢功夫？

「大为」能追问、能判断、知道什么时候该停，也能把一个医学建议继续向现实服务推进。如果把这些能力拆开来看，恰好对应了京东健康在此次中期业绩中反复强调的几个关键词：数据、场景和履约

听起来并不新鲜。当它们被放进一个 AI 医生里，分别意味着什么呢？

刘慧说，立项之初，「大为」就被定位为一名全科医生。因为只有全科才能真正「接住」互联网医疗中最常见的需求，如常见病咨询、日常症状判断、用药疑问和检查报告解读。

只不过，支撑这一定位底气的，大多是藏在对话框之外的「笨功夫」。它们严谨、琐碎，难以速成，也很难复制。

要培养这样一名全科医生，先遇到的挑战就是让它听懂用户在说什么，并知道下一句话该怎么问。

患者从来不会按照教科书描述自己的病情。「我刚才晕倒了」，可能只是头晕腿软，但意识一直清醒；也可能经历了短暂意识丧失，也就是医学意义上的晕厥；还可能与低血糖、癫痫、心律失常等问题相关。

对「大为」来说，这并不是从一句话里识别出「晕倒」几个关键词就结束了。它需要完成一次「医学语义落地」：把口语化、模糊，甚至矛盾的表达，转化为可以用于临床判断的信息。

听懂的同时，它还要知道接下来该问什么。

医生问诊，不是问得越多越好。每一轮对话，都要寻找当下最关键的未知信息，比如哪一个问题最有可能缩小疾病范围，或者尽早发现危险。

这本质上是一个序贯决策过程。等可能性逐渐收敛到一定方向后，才会进入更具体的诊疗路径。

「大为」学习这种问询方式的基础，来自京东健康长期积累的互联网医疗场景数据。据京东健康披露，高质量医患对话数据已达到千万级。

通常，传统医院病历记录的是诊疗链条的终点：患者的主诉、医生的诊断、最终的治疗方案。但医生如何从一句含糊的描述中发现关键线索，如何通过连续追问排除风险，并不会被完整记录下来。

而这些中间过程，恰恰是「 大为」学习临床思维最需要的部分。

真实的线上问诊，会记录医生一轮一轮问了什么、患者怎么回答、医生如何把一个模糊症状逐步澄清并收敛到具体判断。不过，真实对话并不会自动变成可供机器学习的临床逻辑。京东健康还要和全职医生团队、合作专家一起，把「为什么要这样问、为什么要这样判断」的专业逻辑整理出来，用于模型训练。

这些都是数据层面「最大的壁垒，用钱也买不来」。刘慧说。

仅仅学会听懂和追问，还不足以成为一名可靠的AI医生。在医疗场景中，「听起来合理」远远不够。「大为」的每一次推理判断，都必须被放进一条相对明确的临床轨道中。

除了在问诊过程中调用医学指南、文献和诊疗路径进行校验，团队还建立了300 多条标准诊疗路径，覆盖线上超过九成的高频疾病。

所谓诊疗路径，是将医生脑海中相对隐性的决策经验，拆成一条条能够执行、检查和复盘的链条：应该先问什么，容易与哪些疾病混淆，依据什么作出判断，是否需要检查，什么时候可以继续在线处理，什么时候必须转交真人医生或建议前往医院，以及治疗后如何复诊和随访。

这些路径，是由京东健康的全职医生团队联合行业专家，参考权威指南和临床资料，并结合互联网问诊、医药电商和平台服务的特点共同建设。

其中也包括一些互联网医疗特有的步骤。比如遇到皮肤问题时，系统需要引导用户从合适的角度拍照；医学指南更新、新药上线，或者平台新增一种检测服务，相关路径也要随之调整。

如果说诊疗路径规定了一次问诊应该如何向前推进，那么，结构化或半结构化的医学规则，更像是在关键节点上设立的「护栏」

在诊断、风险识别和用药等核心环节，「大为」会借助这些规则降低大模型幻觉带来的风险。

比如，当系统判断用户可能存在心肌梗死、脑卒中或严重出血时，它不会继续沿用普通问诊流程，而会切换到危重症路径：提示风险，解释原因，并明确建议尽快前往医院。

一旦用户的年龄、病史、过敏情况或正在服用的药物触发禁忌条件，相应药品就不应继续被推荐。

为了确保「大为」始终在既定的临床轨道和安全护栏内运行，团队为整个服务流程设置了109 项质检标准。模型上线前，需要在典型病例上接受离线评测。上线后，专门的质检模型会持续筛查真实问诊，并将发现的问题交由全职医生复核，形成一套不间断运转的巡检机制。

完成医学判断后，「大为」还要面对最后一道、也更现实的难题：如何让这些决策在京东健康现有的服务体系中真正发生。

这并不是在回答末尾简单附上一排服务入口。

处方审核、药品库存、检测能力和配送时效等现实条件，需要直接参与方案的生成。换句话说，系统不仅要知道医学上应该怎么做，还要知道在用户所在的地方，这件事能不能做成。

以用药为例，「大为」在给出建议时，不仅需要判断哪些药物在医学上适用，还要同步了解用户所在地区能否买到，哪些药品可以合规销售，哪些必须由医生开具处方，以及用户是否处于急性发病阶段，需要尽快拿到药物。

假如有三种药物在医学上都适用，但用户附近只有其中两种能够快速配送，系统就不能停留在一个理论最优的答案里。它需要在现实可获得的选项中，继续权衡安全性、时效与成本。

因此，它完成的并不只是一次药物推荐，而是一次规划和调度：把医学判断与处方审核、药品库存和配送能力连接起来，确保一个方案不仅在屏幕上成立，也能够以合规、及时的方式真正抵达用户。

这也是「大为」背后最难被复制的一部分。

模型能力可以在几个月内迅速迭代，但药房网络、医生资源、上门检测和即时配送等现实世界中的基础设施，很难以同样的速度搭建起来。

「这种物理世界里的履约能力，不是三个月、半年就能追上的。」刘慧说。

Always on：从一次问诊走向长期管理

其实，把一次生病「管到底」，并不意味着医疗服务就此结束。

在加入京东健康之前，刘慧曾是北京大学第三医院神经科医生。那段临床经历让她深刻意识到，传统医疗体系很难持续覆盖患者离开医院之后漫长的管理周期。

「特别是脑梗、脑出血患者，往往需要长期服药、坚持康复，并持续控制危险因素。」刘慧回忆，一些患者在住院期间恢复得不错，出院后因为自行停药、中断康复训练，或者没有持续监测血压等指标，在几个月后再次复发。

「医生其实很无奈。」她说。

在中国，像这样的慢病人群已超过五亿。真正决定长期预后的，恰恰是离开医院后的几年甚至几十年。按时服药、定期复查、调整生活习惯、捕捉异常信号——这些看似琐碎的日常，却决定着治疗效果能否延续。

这正是「大为」从「单次问诊」走向「长期健康管理」的现实起点。

目前，「大为」正在探索诊后主动管理服务。如在秋冬流感高发期到来前，对患有慢阻肺的老年用户主动提醒接种疫苗，降低重症风险。还可以进一步延伸至服药提醒、复查提示和异常指标跟踪等场景。

要做到这些，「大为」就要记得住。

刘慧解释说，在获得用户授权的前提下，系统会借助「长期记忆」，将原本分散在不同时间节点上的问诊、用药和检查信息串联起来。「大为」不仅要记住用户提过什么问题，还要记住长期健康状态变化，比如存在哪些潜在风险、使用过哪些药物、指标有何波动，以及接下来需要重点关注什么。

其实，「大为」立项之初，我们就赋予了它一个更长期的定位，成为用户及其家庭成员身边一名「 Always on 」的专业健康指导医生，刘慧回忆说。我们希望先从一次具体的问诊出发，逐步延伸至诊后的用药复查，并最终迈向诊前的风险预防。

如今，从更大的行业坐标来看，这条路早已不孤单。

随着「健康中国」战略强调推动健康管理关口前移与疾病全链条管理，政策红利正加速释放——从北京等地相继出台的 AI+ 医疗健康新政，到明确提出推动二三级医疗机构电子病历与影像全面接入，这一切都为主动式、长程 AI 健康追踪构筑数据底座。

在海外医疗体系中，数字入口也在越来越多地连接预约、处方、检查结果和后续医疗服务。

站在京东健康的 AI 叙事维度，我们应将目光从财报数据中那亮眼的 4 倍增长中抽离出来。

如果「大为」能够将触角从单一的咨询，深度延展至检查、问诊、用药、履约，再到复查、随访与风险预防，那么，京东健康所构建的就不再仅仅是药品交易的货架，而是用户长周期生命健康的「服务资产」。

当竞争的维度从单纯的流量竞争，上升为数据、场景与履约构成的全链路闭环，医疗服务便不再是患者走出医院后的「断片儿」，而是一种持续、主动的守护。

这或许才是重估京东健康 AI 商业价值时，真正值得被看见的底色。