超前布局协和10年，云知声国产AI「三冠王」终于藏不住了，山海·知医5.0让AI从工具蜕变为真正的临床协助者

诺奖得主Hassabis曾说过，未来十年，AI将会治愈所有疾病！

多模态大模型Scaling还在继续，每一次迭代，意味着我们离这一愿景又近了一步。

然而，现实却给我们泼了一盆冷水。

KFF最新一项调查显示，美国每6名成年人中，就有1人每月使用ChatGPT获取健康建议。

然而，结果令人震惊，仅有1/3的人信任AI给出的建议，大多数人还是持有怀疑的态度。

为什么人们一边热情拥抱AI，一边又心存疑虑？

根本原因在于：通用大模型，并不是为医疗而生的。

它们整体能力很强，但在高度专业的医疗场景中，却往往幻觉频出、缺乏严谨的临床验证。

这也正是医疗领域，需要专家级大模型的原因。

它不需要成为简单的「万能答案机」，而要做一名真正的「临床工作者」，才能赢得医患的信任。

在国内医疗AI赛道上，有一家企业，正在尝试打破这道信任壁垒——

云知声用了13年时间。

最近，在权威医疗评测MedBench4.0中，云知声斩获大语言模型、多模态模型和智能体评测「三冠王」。

此次「三冠王」，是对山海大模型核心升级的肯定。

这不仅重新定义了医疗AI的天花板，也标志着AI真正走向严肃临床！

医疗AI，走到哪一步了？

Hassabis的预言并非空穴来风，放眼全球，AI在医疗领域正以惊人的速度展开。

有网友表示，「自己在每次看医生之前，都会进行一次AI会诊和评估。没有AI的医疗是失职的」。

可以看出，AI正逐渐成为个人医疗健康的重要参照物。

根据Menlo Ventures研究，今年有22%的医疗机构部署了特定领域的AI工具，这一数字是2024年的7倍。

另有数据显示，预计到2032年，全球医疗AI市场规模将超过1100亿美元-5040亿美元。

在这一赛道上，不仅有谷歌、微软、OpenAI等科技大厂长期深耕，还有一些垂类的初创公司纷纷展开布局。

5月，谷歌DeepMind曾开源了强大的医疗模型MedGemma，在多模态医学文本和图像理解上表现优异。

同一时间，微软MAI-DxO诊断工具，可以协调多个AI医生的诊断，准确率号称达医生的4倍。

还有OpenAI在8月专为生命科学和蛋白质工程，定制了一款GPT‑4b micro。

此外，还有一些新晋的实力玩家，包括OpenEvidence、Commure等，集中在了医疗文书、后台/前台RCM等领域。

在临床实践阶段，AI已开始辅助医生处理日常问诊任务、实时检测患者健康、并通过预测分析预防疾病进展等。

然而，现实与理想之间仍横亘着重重痛点。

从技术层面来看，医疗场景存在诊疗路径的多元性，同一病历可能存在多种合理的路径，医生的经验、科室差异都会影响判断。

而KFF调查揭示的「信任危机」并非孤例。

由于医疗高度专业性，错误往往不会呈现「显性」，因此医疗AI最大的风险在于「答得看起来很对」。

但实际上，幻觉问题是最致命的。

从数据层来看，高质量医疗数据极其稀缺，因为数据分散在不同医院、系统，且标准不统一，含有大量噪声。

甚至，大量数据是「切片式」的，完整诊疗链路数据极少。

再加上，数据标注成本极高，一般由专业医生参与，很难像自动驾驶那样形成「自增强飞轮」。

在临床层面，最大困境在于，AI很难融入医生真实的工作流当中。

很多医疗AI产品失败的原因在于，把医生当成了「搜索用户」，而非「任务执行者」。

真正的临床医疗是「流程型工作」，AI不仅要擅长其中的某一步，还要理解前后的约束关系。

面对这些困境，我们不禁要问：一个平衡实用性、专业性、安全性的医疗AI存在吗？

答案，或许就在云知声「山海·知医大模型5.0」的身上。

它的诞生，标志着AI从单一的「智能工具」，转变为可靠的「临床协作者」。

山海·知医5.0登场

「临床协助者」时代开启

这么说吧，这一次「山海·知医大模型5.0」是云知声医疗AI的集大成之作，围绕临床需求展开了系统性重塑。

它采用了「医学文本+多模态」双引擎架构，在多项关键能力上实现全面提升。

一、全栈能力融合

过去医疗AI产品，往往以「模块化能力堆叠」为主——NLP负责病历结构化、影像模型辅助阅片......

这些能力虽各自有效，但缺乏统一语义空间与任务协同机制，在真实场景中，难以形成闭环。

要知道在临床中，诊疗是一条高度连续、动态演化的决策链条（非必要环节，依具体病况而定）：

主诉→病史→检查→影像→诊断→路径选择→随访调整

山海·知医大模型5.0恰恰为门诊、住院等复杂诊疗场景提供「一站式」智能支持，打破了传统医疗AI功能单一的局限。

它实现了文本深度处理、智能体任务协同、影像多模态感知等全栈能力的融合。

这也就意味着，山海·知医大模型5.0可以处理知识问答、临床路径规划、影像报告解析等多元任务。

假设一位医生需要查询「非布司他」适应症和用药禁忌，山海文本大模型直接给出回复，还可以溯源更具可信度。

在真实诊断中，医生需要结合多维度信息，比如一位胸痛患者，需同时分析影像报告和病史。

此时，山海·知医在看懂影像同时，还能关联文本信息，实现「影像+临床」双验证。

此外，它调动「双核模型」规划临床路径。

二、高阶推理进化与智能体进化

临床诊断的难点在于，它需要在不完整信息下，不断提出假设、验证假设、修正假设。

山海·知医大模型5.0此次升级的核心突破，在于模型「思维的进化」。

它深度融合了模拟临床诊断的复杂推理链，让自身具备了一种更接近医生思维的推理工作流。

同时，它还具备了原生的任务规划与工具调用能力，在理解需求后，拆解任务并决定每一步需要什么工具、数据。

下面demo中，拿到模拟的病例后，山海·知医没有简单罗列病因，而是对每种病因进行证据加权、鉴别排除，最终给出循证决策路径。

在生成全流程任务处理清单时，它还会自主调用工具、跨系统协调资源......

可以看到，AI正从被动应答的「医学认知大脑」，升级为能主动理解需求、拆解步骤并高效执行的「自主医疗行动者」，完美适配从门诊到住院的全流程复杂任务流。

三、多模态深度赋能临床

影像和文本，从来不是两条独立的信息链。

山海·知医大模型5.0升级后，兼具「看懂影像」和「读懂文本」的双重能力。

它不仅能精准识别X光、CT、MRI等影像中病灶，还能将影像特征映射到医学语义空间中。

也就是说，它可以实现影像特征与临床描述的跨模态语义对齐及联合推理。

这就好比为医生配备了「图文协同」智能助手，大幅提升诊断的精准性与效率。

四、医疗垂域专业能力领先

在医疗领域，模型能力的上限固然重要，但能否长期、规模化进入真实临床流程，取决于下限是否足够可靠。

这次升级，5.0版本围绕了「权威性、真实性、可验证性」这一核心命题展开，构成医疗垂域竞争力的底层支柱。

在医学知识上，它精准覆盖了疾病、症状、药物、治疗方案等全领域医学知识，可实现高效检索与专业回复。

同时，借助增量训练，Graph-RAG知识注入、任务级Agentic-RL训练等，大幅减少了幻觉事实性错误。

此外，在医学信息抽取能力上的强化，5.0版本能对复杂病历、病程记录、医嘱文本实现高精度实体识别与关系抽取。

总而言之，山海·知医大模型5.0在「四大核心」能力上实现了阶跃式进化，构建了目前业内最全面的医疗AI支持框架，完美匹配临床实际需求。

那么，它背后究竟采用了什么黑科技，让我们一一拆解。

核心技术揭秘

从底层数据体系到强化学习策略，山海·知医大模型5.0是一个从真实临床任务中「长出来」的医疗大模型体系。

从架构上来说，山海·知医大模型5.0「双核引擎」的背后——

医学文本大模型是核心底座，多模态能力再通过视觉编码器对齐后内嵌其中。

与上一代模型相比，5.0版本首个根本性的变化，发生在「数据体系」。

在训练过程中，它采用了「结构化图谱-半结构化文档-过程化轨迹」三层数据结构：

底层是「医学知识原生结构」，这部分数据核心是医学知识图谱，包含了疾病—症状—检查—用药之间的结构化关系，以及不同医学时间尺度下的演化逻辑。

中层是「权威医学文本」，比如包括临床指南、医学文献、教材与专业书籍等。

上层是「真实临床任务」数据，即医生与系统交互产生的数据，以及真实业务流程中沉淀的「工作流样本」，覆盖了从门诊、住院到出院的完整就医路径。

此外，5.0版本核心能力提升的另一关键，在于「任务型强化学习」算法的改进。

如上所述，医疗中正确答案往往不存在唯一形式，那么如何让AI判定对/错？

山海·知医的做法在于，将医生真实的操作行为作为「奖励信号」，比如对模型的输出、补充、否定/纠正。

这些行为被设计成「任务级奖励函数」，直接用于强化学习的训练。

顺便提一句，强化学习并非单点优化，而是直接嵌入到业务流程，与具体任务绑定，让模型学会在什么阶段，应该做什么事。

内化智能体

在当前主流方案中，Agent往往以外挂形式存在，但会带来稳定性差、调用不确定、工程复杂的问题。

山海·知医选用了另一条路：

把工具调用与规划能力，直接训进模型内部。

在训练阶段，模型就已经见过真实业务的工具使用流程，学会了在特定情境下调用特定工具。

本质上，这是把「流程记忆」内化到模型参数当中。

此外，在慢病管理、连续就诊场景中，模型并不会什么都记下来，而采用了「选择性记忆机制」。

团队会通过上下文工程与权重设计，对过期、低价值的信息进行降权，将与当前任务更相关的信息纳入长期记忆中。

凭借扎实的技术积累，云知声再获喜讯：国家人工智能应用中试基地（医疗）‧浙江测试了30多款AI模型，山海·知医大模型5.0脱颖而出，入选《MedAIBench测评榜(优秀国产医疗大模型)》。

值得一提的是，在未来规划中，山海·知医大模型还将：

逐步融合语音模态、扩展至医学科研领域（诸如文献分析、科研辅助），甚至去探索更底层的生物医学建模能力。

这释放出一个清晰的信号：

医疗大模型的核心竞争力，不只在于参数规模，而在于是否真正可以嵌入临床任务本身。

毋庸置疑，技术如果只停留在论文与榜单上，医疗行业不会买账。

临床信任来自「用起来省事、风险确实降低、可管可控」。

截至2025年6月，云知声智慧医疗解决方案已部署400家医院，700余家进入测试阶段。

特别地，已覆盖全国近40%百强三甲医院，如北京协和医院、北京友谊医院等。

根据弗若斯特沙利文的数据，按2024年收入计算，云知声在中国医疗服务及治疗AI市场中排名第四，并在电子病历这一关键细分市场中稳居行业前三。

比如，在北京友谊医院顺义院区应用中，报道提到云知声的门诊病历生成系统的单份病历采纳率接近90%。

既能在权威评测里拿到三冠王，又能在病历、质控、医保这些「硬骨头」场景里跑起来，这是一种更稀缺的能力：

专业不是写在宣传页上，而是磨在流程里。

从协和医院出发，云知声AI落地医疗

今年，AGI的共识已经形成。真正的分歧只剩一个：谁先落地？

成立于2012年，「港股AGI第一股」云知声从创立之初只专注一件事：把AI，塞进真实世界。

而他们在医疗领域的布局，远早于大模型的浪潮。

一年多后，在行业对「AI+医疗」普遍持怀疑态度时，云知声便做出了一个明确的决定：进医疗。

2016年，云知声的语音识别系统，在北京协和医院落地，主打「效率工具」。

医生开口说话，系统实时转写。一份病历，从原来的3个小时，缩短到1小时以内。

AI，第一次把时间还给了医生。但云知声并不满足于此。

他们不想只做「更快」的工具，便开始尝试更难的事。于是，他们基于「知识图谱+BERT语言模型」的能力去做病历质控。

BERT语言模型由谷歌在2018年发明，是当时最先进的语言模型

病历看起来只是几页文字，但在医疗体系里，它是一切判断的起点。

用药对不对，流程合不合规，风险能不能追责， 全靠病历。

过去，仅靠人工抽检，覆盖率只有约2%-5%。而云知声的做法是：100%全量用AI检查，可以实现全病历覆盖，大幅提高病历质控的效率。

如今，大模型出现后，云知声把AI直接嵌进了医生的工作流。

现在，医生一次问诊结束后，AI可以自动生成病历。医生只需看一眼，点个确认，直接引用率约90%。

换句话说：10份病历里，9份不用改一个字。

更关键的是，这90%不是出现在普通医院，其中不乏协和医院这样的百强三甲。

如果基层医院也用上同样的工具，AI真正的普惠，才刚刚开始。

而这些，还只是云知声智慧医疗的冰山一角。

医院，是国内AI落地医疗的主战场，但医疗机构不只是三甲医院。

在临床知识图谱、大语言模型、智能语音识别等基础技术支撑下，云知声正在探索一条更适合中国国情的、可规模化的AI医疗服务落地路径。

在国家层面，「AI+医疗」的落地节奏，已经被明确写进时间表。

2027年：基层诊疗智能辅助广泛应用 

2030年：智能辅助基本实现全覆盖

AI医疗，已不再是探索题，而是时间表里的必答题。

云知声已做好两手准备：一方面继续保持技术和产品的快速迭代，另一方面积极进取、持续探索新的商业模式。

据黄伟博士介绍，云知声已经走通从医院到保险公司的商业模式。无论是医保，还是商业保险方面，云知声的增长非常快速。

从医院，到区域平台，再到医保和商业保险。

云知声，正在把AI医疗从「项目交付」，变成「系统供给」。

而他们更大的愿景是，持续提升AI大模型的医学能力，为人类健康做出更多贡献。

文章来自于微信公众号 “新智元”，作者 “新智元”