对话左医科技张超：智能医生不仅要能解决问题，更要打造主动式AI医疗应用

左医科技是业界领先的知识图谱和医疗大模型协同驱动的医疗科技公司。

2025年将是AI应用的爆发之年，这几乎已成为一种共识。

在不久前先后举行的中国发展高层论坛2025年年会和2025中关村论坛上，启明创投创始主管合伙人邝子平再次强调了这一观点，“2025年将是中国人工智能应用爆发的一年，AI2.0与垂直行业领域的结合是潜力巨大的应用方向”。

4月7日，启明创投投资的AI医疗创业企业——北京左医科技有限公司（以下简称“左医科技”）与重庆医科大学附属儿童医院联合推出了新一代儿科“AI家庭医生”，这款产品通过端到端构建的AI Agent，结合国内首款适配大模型应用的儿科循证知识库，真正实现了多场景、多模态的交互能力——不仅可读懂文字、识别检查报告，还可根据需要自动推荐患教视频、提供预约挂号等服务。

事实上，作为一家知识图谱和医疗大模型协同驱动的医疗科技公司，左医科技在医疗行业已深耕8年多的时间——2020年，左医科技首次将Transformer技术应用与AI与患者对话交互，打造国内唯一对标微软Nuance DAX的听译机器人，直接从医患沟通语音中生成病历；2023年5月，左医科技率先发布医疗垂类大模型，并应用落地与四川省人民医院、北京天坛医院等百强医院，并助力全国排名前三的儿科医院重庆医科大学附属儿童医院打造行业首个儿科医疗基座大模型。此外，左医科技基于multi-agent技术打造的AI医生，同宁夏中卫市、银川市、北京西城区卫健委签约，将AI医生升级为AI家医作为现有家庭医生服务的有效补充。

截至目前，左医科技打造的“左手医生”品牌已成为国内领先的全科智能医生，提供AI家庭医生、智能导诊、预问诊、诊室听译机器人、智能在线问诊等解决方案，通过与不同应用场景的结合，提供优质的医疗服务，赋能医疗健康行业，现已覆盖200余家三甲医院，其中超过40家为Top100医院。

在发布新一代AI医疗产品之际，左医科技创始人兼CEO张超向「IPO早知道」等分享了其对AI医疗这个行业的理解，以及左医科技旗下B、C两大业务板块的核心优势。

这里不妨补充一点，左医科技的核心团队源自百度自然语言处理部，其中，创始人兼CEO张超毕业于电子科技大学，为前百度NLP知识挖掘方向负责人、知识图谱专家，新加坡国立大学研究助理。

左医科技

创始人兼CEO张超

以下系经IPO早知道整理的对话节选：

AI医疗的商业化的确是一大难点

Q：AI医疗这两年还挺热的，尤其是也被一些大厂“盯上”了。但不可否认AI医疗挺难做的，你怎么看待这个问题？

A：我个人认为AI医疗的两大难点是商业化、以及技术与临床的协同。

在商业化这块，其实不单单是AI医疗的难点——几乎所有的AI应用从本质上来讲都是一门软件生意，在医疗领域能够为软件买单的还是以医院、药企这些为主。其中，因为一些客观的原因，医院今天想要拿出一定的费用去买第三方公司的AI能力还是有困难的。

同时，医疗是一件比较严谨的事情，需要考虑很多方面的问题，譬如在获取数据时的患者隐私、在应用过程中的临床风险等等，这些都是影响AI医疗快速起量或者说铺开的因素，从而也会限制商业化的推进。

另外就是技术和临床的磨合这块。举个例子，大家注意到我们这次发布的是儿科医生，这是因为儿童高发的情况都是常见病，或者说家长能够有一定的辨识能力。当前的技术不可能做到百分之百准确，那在医疗里面可能1%的风险都要管理，这就变得比较拧巴，也意味着企业需要为此做出很多额外的风险质控的事情。

事实上，在ToC这个方向上，很多专家学者的观点也是当前的DeepSeek更适合医生端应用，并不建议直接给患者端使用，因为患者没有能力辨识风险。

综合来看，我觉得这两点是目前AI医疗应用大踏步往前走过程中比较大的难点。

Q：但听说你们ToC产品的复购数据还挺不错的。

A：我们的智能医生是面向患者直接收费的，复购比例大概在30%左右。这个用户一旦买了，第二次复购的比例非常高，在目前市面上很多产品都是免费的情况下，这个复购数据真的很好。当然，即便这样，其实也支撑不起这种针对患者收会员订阅费的商业模式。

另外我们也在思考，暂且不论临床的复杂性，医疗是一个相对低频的事情。这个产品想要做得好，终极目标就是患者不要用了。就像搜索一样，把搜索做得足够好，用户就不需要点下去翻页，第一页出来就满足了。这其实也是一件反人性的事情。

针对这个痛点，我们在尝试很多不同的设计，接下来也要更多地往如何能够提升产品黏性这个方向走，也就是让这个智能医生从被动式的解决问题，到主动式的陪伴，或者是主动式的健康照顾，这同样是目前比较难的问题。

技术优势和高质量临床数据建立起壁垒

Q：左医科技其实在2016年就已经成立了，作为一个技术出身的团队，这9年走下来最大的一个感受是什么？

A：我们的一个感受是，作为一个做技术的或者说做互联网的，往医疗行业里面走，当你想通过技术为这个行业做出些改变、做出些贡献时，首先要遵循这个行业里面的规矩，或者说这个行业运转的逻辑以及整个质控、安全等等这些特点。

我们也是一步步地在学习医疗方面的很多知识，特别是它的逻辑和严谨性，以及如何能够按照政策指定的方向、更好往前推动。这是我个人比较大的体会。

Q：想必你们技术的先发优势应该还是存在的。

A：在医疗行业里，左医科技应该是第一家把Transformer用在医患对话上的公司——我们在2020年就发布了Transformer的产品，那时候大家还不叫大模型，我们就叫Transformer。整体来看医疗行业到了2022年年底才陆续出现了更多类似的产品。

除了技术积累和刚刚提到的行业know-how外，我们过去这些年沉淀下来的高质量临床数据也是我们的“护城河”。

坦率地说，医疗行业里高质量的临床数据很少，即使今天有一些大厂想要获得高质量的临床数据也要一步步来——对于医院来讲，目前还没有数据的买卖或交易；即便有了，也要有非常懂数据的人做各种清洗。此外，在做医患交互、医患对话机器人的时候，线下场景中医生和患者沟通数据是极为稀缺的，医患对话再到病历的过程其实是一个单向有损的转化过程，比较难基于病历还原出当时的对话过程。针对这一点，我们在2020年就开始往医院部署一些产品，这个产品就是在诊中听专家和患者的沟通，并帮助他们把医患的对话变成病历。基于这个高质量的医患对话，我们从中选择部分对我们模型有意义的数据拿来做模型训练，这件事我对我们当前的智能交互，或者未来的智能医生都带来了极大的帮助。

和医院深度合作、精准服务用户

Q：还是回到商业化的问题。目前左医B、C两端的收入占比大概是怎样的？

A：B端是我们当前最主要的收入来源且处于打平状态，某种程度上可以说是靠着B端收入养活我们整个公司。我们现在服务了全国200多家三甲医院，其中超过40家为Top100医院，这些医院我们都是通过To B项目达成的合作，即通过卖软件获得收入。当然，在这个过程中，我们也能够积累我们想要的训练数据。

我们在C端的体量还很小，早期是通过会员订阅收费；随着量变大以后，可能会有更多的商业模式，比如健康类商品的撮合交易等等。

Q：在国内，医院还是一种稀缺资源。

A：全国百强医院就这100家。当一个厂商能合作之后，第二个厂商基本很难通过相同业务再进去了。

另外我想强调的一点是，我们合作的这些医院都给我们提供了非常好的场景。就以4月7日我们与重庆医科大学附属儿童医院发布的AI儿童家庭医生为例，当天下午发布之后，当天使用人数直接到了大几千人，这个量是非常了不起的，并且这些用户都是非常真实的用户，这远比在互联网、在机场火车站投放广告所获得的用户要精准得多，而精准的用户对于模型的持续迭代提升非常有帮助。

我之前也问过一些大厂的团队，他们的医患对话交互轮次平均可能就两三轮，这么低的轮次其实是由于大量非真实用户拉低的，很多人就抱着尝试的态度试一下，试完之后就走了。而在我们的场景里，患者是真实去医院就医，这种有求于医院场景下带来的需求，平均交互轮次在10轮以上，这是非常不一样的。

打造第三代的智能医生产品

Q：智能医生这个类别的产品并不罕见，如何让用户信任你们这个智能医生？

A：我们和头部医院都保持着良好的合作关系。一方面，在和我们的机器人沟通完后，我们可以让患者有机会挂到医生乃至专家号；另一方面，在沟通完后，我们会在背后推荐一些这个医院生产的独有的患教内容。此外，我们的场景多在公众号、小程序，以及线下就诊的医院门诊大厅，这些信任对患者来讲都非常有帮助。

Q：你们C端产品和国内的其他同行相比有何差异性？

A：别的厂商的逻辑大都是“让机器服务人，人再去服务患者做在线问诊”，而我们是反过来的，即“让机器服务患者，人在旁边做质检，做补充回答”。我们认为只有在第二种情况下机器才能突破人的能力边界，给患者提供更好的服务，也更有可能在未来做更多不一样的事情。

从具体产品的角度来看，大致可以分为三代的产品。

第一代是提示词。大模型扮演一个智能医生，当患者来的时候跟他沟通，这是最简单的，过程也是不可控的，整个逻辑完全取决于大模型的底层能力。

第二代是Workflow、工作流。一个问诊过程会被按照人的设计成很多工作流，我们上一代产品就是这么做的。这个的好处是机器可以按照人的逻辑完成问诊。虽然它的效果能够在一定程度上得到保证，但工作流是一环接一环的，如果每个环节都有一定的错误率，十个环节下来错误是累加的，最后的效果很多时候就达不到我们想要的，流程越长效果越差。目前市面上大多数的AI医生都停留在第二代，靠Workflow搭建起来。

而我们的智能医生产品实际上是基于端到端训练的智能医生，我们是第一个做到的，就像Deep Research一样，这是第三代产品，能够集成思维链推理、工具和知识库调用、智能诊断的整体过程。这个模型最大的好处之一就是以后的训练更加容易，可通过大量客观世界的数据来让模型更好提升，不需要人去定义各种工作流。

以上三种是三个代际的产品，三种不一样的达成方式。

其实，我们在2024年12月20号前后内测了一个类似于GPT-o1的模型，但我们没有发布，因为DeepSeek R1很快就发布出来了，人家真的很厉害。

在我们看来，未来卷大模型、卷基础模型的意义不大了，我跟随就好了，我的精力就应该花在特殊场景上，围绕特殊场景用更好的数据来达成我们的目标。不管是DeepSeek还是GPT，他们不可能花太多的精力构造一个就诊真实场景的端到端训练，除非他们就要做医疗，否则不会做这个事情。而我们主打的就是端到端推理和场景的密切结合，这样打造出来的智能医生一定是其他厂商靠底层模型、靠人工配置做不出来的。