「智能是平等的，但是context是不平等的?！?/strong>

Sam Altman不久前說了一句話，大意是：智能終將像水電一樣成為基礎設施，人人都能調用。但他也指出，AI當前最大的瓶頸不在智能，在「context gap」——系統(tǒng)沒法持續(xù)理解用戶的真實場景。

a16z在今年3月的一篇分析里說得更直接：沒有正確context的AI Agent，基本無用。

這兩個判斷疊在一起，恰好解答了一個困擾我很久的疑惑：

為什么有些很火的垂直賽道，遲遲未能形成馬太效應？比如醫(yī)療。

AI發(fā)展到現(xiàn)在，通用大模型的格局已經(jīng)很清楚了。頭部三五家吃下絕大多數(shù)市場，后來者連牌桌都很難上。

強者恒強，幾乎是常識。

但醫(yī)療偏偏是個例外。這條賽道熱了好幾年，上百家公司涌進來，論文一茬接一茬，評測榜單你追我趕。

可奇怪的是，似乎沒有人真正拉開明顯差距。為什么？

如果從context的角度進行思考，答案很可能是：

不是大家實力接近，恰恰相反，是因為整個行業(yè)卡在了同一個結構性死結里——

數(shù)據(jù)、模型、場景，三者的閉環(huán)斷了。

閉環(huán)怎么斷的

先說數(shù)據(jù)。

數(shù)據(jù)在醫(yī)療行業(yè)的角色有點像「蕭何」，成也它，敗也它。

看起來數(shù)據(jù)足夠豐富，病歷、影像、檢驗結果幾乎無處不在，所以早期大家一窩蜂涌進來。

但真正進來之后才發(fā)現(xiàn)：數(shù)據(jù)確實不缺了，但沒法直接用啊。

很多廠商手里的確有大量原始醫(yī)療數(shù)據(jù)，但由于缺乏專業(yè)的標準化治理能力，所以難以轉化為有效訓練素材。

說白了，專業(yè)的事交給專業(yè)的人。醫(yī)療數(shù)據(jù)的標準化處理，需要懂醫(yī)學的人來干。

懂醫(yī)學的人從哪來？

像DeepMind這樣的頂級實驗室還能自搭內(nèi)部醫(yī)學團隊，但對大多數(shù)公司來說，他們往往只能依賴外部醫(yī)學標注團隊或醫(yī)院合作方，通過「外包」來補齊能力缺口。

走外包當然沒問題，問題是高質量的醫(yī)學治理資源本身就是稀缺品，而且很難規(guī)?；瘡椭啤?/p>

通俗點，能接這種活的團隊就那么多，排隊都排不過來。

所以結果就變成：

原始數(shù)據(jù)看起來很多，但真正經(jīng)過專業(yè)治理、能穩(wěn)定喂進訓練流程的，其實非常有限。

說到底，原始數(shù)據(jù)不等于context。沒經(jīng)過治理的數(shù)據(jù)，是噪音，不是信號。

△圖片由AI生成

再說場景。

很多人的想法是，雖然高質量數(shù)據(jù)少了點，但只要把模型扔進真實環(huán)境跑起來，不就能持續(xù)獲取新數(shù)據(jù)、形成數(shù)據(jù)飛輪了嗎？

思路沒錯，但飛輪恰恰卡在了這一步。

問題出在產(chǎn)品形態(tài)。

絕大多數(shù)醫(yī)療AI產(chǎn)品仍停留在「問答助手」階段，能回答問題，卻無法深度嵌入醫(yī)生的工作流。

一個問答機器人哪怕每天被問一萬次，沉淀下來的也只是「用戶問了什么、AI怎么答的」，而真正有價值的數(shù)據(jù)，來自診療過程本身——

醫(yī)生如何診斷、如何開藥、如何調整治療方案，以及患者最終恢復得怎么樣。

進不去這些核心環(huán)節(jié)，就拿不到有效增量數(shù)據(jù)。

拿不到有效增量數(shù)據(jù)，模型當然還能靠公開文獻和語料繼續(xù)「刷分」，但這種提升更多停留在知識層面，而非臨床決策與工作流層面。

結果就是一個很矛盾的現(xiàn)象：評測很強，但醫(yī)院里的實際使用頻率并不高。

于是死循環(huán)形成了：

產(chǎn)品進不了臨床→拿不到真實診療數(shù)據(jù)→模型迭代沒有燃料→產(chǎn)品更進不去。

△圖片由AI生成

而現(xiàn)實的發(fā)展軌跡，幾乎就是這個循環(huán)的真實寫照。

據(jù)動脈智庫統(tǒng)計，截至去年5月，國內(nèi)累計發(fā)布的醫(yī)療大模型已達到288個，僅半年就新增133個。但與模型數(shù)量的快速增長形成鮮明對比的是，行業(yè)整體滲透率仍不足10%～20%。

所以說，現(xiàn)在整個行業(yè)面臨的困境是：不是智能不夠，是context攢不起來。

而當一個系統(tǒng)既無法持續(xù)積累真實臨床context，又無法嵌入真實決策流程時，這個死結，本質上就已經(jīng)被寫死了。

問題只剩下一個：

有沒有人，能把它重新解開？

答案是：還真有

環(huán)顧四周，訊飛醫(yī)療剛發(fā)布的「星火醫(yī)療大模型V3.5」就這樣進入了我的視野。

除了比較「新」這個因素外，它身上有兩點瞬間吸引了我：

一是在多項關鍵醫(yī)療測評上打敗了GPT-5.5，雖說有「主場優(yōu)勢」，但能和OpenAI如今最強的模型過招，至少說明模型底子沒問題。

二是眾所周知訊飛一直深耕醫(yī)院場景，如果說有人有機會打破前面那個死循環(huán)，那么訊飛大概是最有可能的一個。

而接下來的資料，也印證了我的判斷。

查完一圈發(fā)現(xiàn)，它和賽道里其他玩家明顯不同的地方在于：不只是評測能打，而且是真落地了。

評測方面。IDC《中國醫(yī)療大模型技術評估，2026》綜合實力行業(yè)第一，15項核心指標中12項領跑；MedBench智能體評測98.9分登頂；醫(yī)療知識問答、醫(yī)療語言理解、診斷治療推薦、醫(yī)療文書生成、醫(yī)療多模態(tài)交互、醫(yī)療多輪交互等多項關鍵臨床任務綜合能力，超越GPT-5.5最高推理檔（Extra High）。

不過說實話，評測第一在這個賽道不稀奇，畢竟榜單輪流坐莊，今天你第一明天他第一，大家早就看習慣了。

真正稀缺的，是評測成績和臨床價值能對上賬。

而擺在我眼前的是這樣幾個數(shù)字：

在多家頭部三甲醫(yī)院的真實應用中，使用星火醫(yī)療大模型V3.5生成病歷的醫(yī)生采納率達到91%，病歷書寫時間縮短52%。

翻譯翻譯，超過九成的病歷醫(yī)生看過能簽字，一天下來就省出幾小時。

影像端同樣跨過了實用門檻，X線、MR報告生成的醫(yī)生采納率75%，質控達到專家會診水準。

而這些，還只是我看到的，模型能力的冰山一角。病歷內(nèi)涵質控、智能用藥審核、跨專科輔助診斷、居民端的體檢報告解讀和慢病管理——多個剛需場景都已經(jīng)跑起來了。

在國內(nèi)醫(yī)療大模型賽道，評測和臨床兩面同時對上賬的玩家，目前屈指可數(shù)。

而訊飛醫(yī)療，至少已經(jīng)用成績站到了前排。

訊飛醫(yī)療的context是怎么攢起來的

但成績單本身仍不是重點，重點是：同一個死循環(huán)，訊飛醫(yī)療憑什么跑通？

答案，依舊要回到context身上尋找。

而差距正在于context——訊飛醫(yī)療的context，不是天上掉下來的，是十年一步一步跑出來的。

十年下來，訊飛醫(yī)療已經(jīng)構建起了一套「場景→數(shù)據(jù)→治理→模型→更廣場景」的自強化循環(huán)體系。

它做的第一件事，是把場景鋪到足夠廣。

不是挑幾家醫(yī)院做試點，是從基層衛(wèi)生院到三甲醫(yī)院到影像云平臺的全域覆蓋。

什么樣才能稱得上「全域」？看一組數(shù)字你就明白了：

目前訊飛醫(yī)療已經(jīng)覆蓋全國806個區(qū)縣、7.7萬余家基層醫(yī)療機構，累計輔助診斷超12億次。同時攜手600多家等級醫(yī)院，其中包括50余家百強醫(yī)院和7家十強醫(yī)院。

這個覆蓋密度，在行業(yè)里并不常見。

而且不是接入了就完事，病歷生成、處方審核、影像初篩，這些產(chǎn)品是直接嵌進醫(yī)生每天的工作流里的。

但光鋪醫(yī)院還不夠，一個患者的就醫(yī)過程，不是只發(fā)生在醫(yī)院里。

現(xiàn)在大家遇到頭疼腦熱都習慣先在手機上問一問癥狀，如果拿不準可能會去小區(qū)診所或基層衛(wèi)生院做個基礎診斷，嚴重一點再轉到大醫(yī)院做進一步診療，出院之后也沒結束，還要做康復隨訪、慢病管理這些長期跟蹤。

訊飛醫(yī)療的產(chǎn)品，剛好把這條鏈路從頭串到了尾。

這意味著什么？

沉淀下來的數(shù)據(jù)，不是某一個環(huán)節(jié)的碎片，而是一條從「咨詢→首診→診療→康復」的完整context鏈。

這種東西，只做一個環(huán)節(jié)的玩家根本攢不出來。

居民端醫(yī)院端左右開弓，場景一旦足夠深入，數(shù)據(jù)就開始自然沉淀。

而沉淀下來的數(shù)據(jù)，就成了訊飛醫(yī)療最核心的一層壁壘。

日積月累下來，它目前已擁有16億人次脫敏醫(yī)療語音數(shù)據(jù)、12億次真實診療數(shù)據(jù)，再加上每天新增超過220萬份語音、影像、病歷等跨模態(tài)樣本。

這種規(guī)模的真實醫(yī)療數(shù)據(jù)儲備，已經(jīng)很難在短期內(nèi)復制。

△圖片由AI生成

但光有數(shù)據(jù)量還不夠。前面說了，原始數(shù)據(jù)不等于context，關鍵在治理。

訊飛醫(yī)療的數(shù)據(jù)治理，不是外包，是全職的醫(yī)學專家團隊在主導。

這一環(huán)是整個飛輪里最容易被低估的壁壘。

原始數(shù)據(jù)人人都有，但把數(shù)據(jù)變成context的能力，行業(yè)里極少數(shù)玩家具備。

有了高質量數(shù)據(jù)，這下終于可以訓練出一個好模型了。

而在「訓模型」這個步驟里，訊飛醫(yī)療有個動作很關鍵：從算力底座到模型訓練，走通了國產(chǎn)化路線。

算力層面，星火醫(yī)療大模型V3.5基于昇騰910B全國產(chǎn)算力底座訓練，率先在國產(chǎn)算力平臺上跑通了DSA（動態(tài)稀疏注意力）和MTP（多Token預測）的長文本高效訓練，推理吞吐量提升4.5倍。

對醫(yī)療這個相對敏感的行業(yè)來說，國產(chǎn)算力合規(guī)在今天已經(jīng)不是加分項，而逐漸成為一項重要準入門檻。實踐中，這也是政府端、醫(yī)院端客戶比較看重的一點。

最后一環(huán)，是從模型回到應用。

模型在面向醫(yī)生和面向居民的兩端同時落地應用，而醫(yī)生端和居民端的雙向協(xié)同，讓飛輪多了一個加速器。

全部串起來，你將得到一個完整循環(huán)：

場景進入→數(shù)據(jù)沉淀→數(shù)據(jù)被治理成context→模型增強→再進入更深場景。

「原神，就此啟動。」

AI醫(yī)療行業(yè)的馬太效應，悄然出現(xiàn)了

到這里，我算是大概弄明白了訊飛醫(yī)療背后的運作邏輯。

看起來確實挺復雜，但往回一想，其實還是能用開頭那句話說清楚：

智能是平等的，但context不是。

雖然「context」是近一兩年才被大家廣泛提及的概念，但訊飛醫(yī)療其實已經(jīng)默默攢了十年，從最早鋪場景、做數(shù)據(jù)治理、適配國產(chǎn)算力，到今天星火醫(yī)療大模型V3.5的全面落地——

這些事在當時未必有一個統(tǒng)一的名字，但回過頭看，每一步都是在為嚴肅醫(yī)療的context的積累做準備。

每一環(huán)都需要時間，環(huán)環(huán)相扣。后來者即便在某個點上追上來，也很難同時補齊全部要件。

而這，恰恰就是馬太效應開始形成的標志：

不是某次評測拿了第一，是一個完整的正向飛輪開始轉動。

先跑通的人越轉越快，沒跑通的人還在死循環(huán)里打轉。

△圖片由AI生成

不過說一千道一萬，一切都還要回到那個最樸素的問題：

醫(yī)生到底用不用？有沒有真正跨過那道實用門檻？

評測跑分高，只能說明模型能力上限不錯，但更關鍵的是，在真實病歷里，醫(yī)生愿不愿意采納、甚至愿意簽字負責。

而前面提到的91%采納率，不是實驗室指標，是真實診室里的反饋——

這說明醫(yī)生在日常工作中，已經(jīng)用實際行動投了票。

訊飛醫(yī)療，已經(jīng)拿到了這張信任票。

說實話，我個人的感覺是，這一輪醫(yī)療AI的變化，可能比很多人想象得更慢，但也更確定。

星火醫(yī)療大模型V3.5這次的落地，與其說是一次產(chǎn)品升級，不如說是讓這個行業(yè)的分層開始變得肉眼可見。

前面那種「大家都在做模型、誰也沒拉開太大差距」的階段，可能真的要過去了。

接下來會發(fā)生什么，其實不難想。

資源大概率會開始往少數(shù)已經(jīng)跑通鏈路的玩家那里集中，比如真實臨床數(shù)據(jù)、醫(yī)院合作深度、醫(yī)學人才密度，這些東西本來就不是可以快速復制的。

而另一邊，那些還停留在「通用模型+輕量醫(yī)療適配」的玩家，空間會越來越被壓縮。

倒不是誰不夠努力，而是這個游戲開始變成另一種規(guī)則了：不是比誰更聰明，是比誰更早把閉環(huán)跑起來。

說到底，大模型的下半場，比的可能真的不是「智能」，而是context。

而context這種東西，也挺現(xiàn)實的。

光靠訓練堆不出來，開會喊口號更沒用，它就得扎進真場景里，一點一滴磨出來。

誰先攢夠，誰就有機會起飛。

訊飛醫(yī)療，下的便是這盤棋。