通用大模型（LLM）的狂飙突进，终于在医疗垂直领域的「最后一公里」撞上了硬墙。虽然 ChatGPT 在 USMLE（美国执业医师资格考试）中表现优异，但在面对需要「火眼金睛」和「毫厘必争」的心脏手术台上，通用大模型的表现究竟如何？
“与AGI太过遥远的炒作相比，我非常喜欢这种 3 到 5 年的时间窗口。”“AI 现在最大的问题，已经不是不够聪明，而是太难真正落地。”这些非常务实的观点，并不是出自AI怀疑论者。相反，它出自硅谷圈内那位“工程与学术”的双修神话：
南洋理工大学研究人员构建了EHRStruct基准，用于评测LLM处理结构化电子病历的能力。该基准涵盖11项核心任务，包含2200个样本，按临床场景、认知层级和功能类别组织。研究发现通用大模型优于医学专用模型，数据驱动任务表现更强，输入格式和微调方式对性能有显著影响。
AI医疗，出现了超级独角兽！据报道，AI医疗企业OpenEvidence正在进行新一轮2.5亿美元融资，估值已经达到惊人的120亿美元！这已经是OpenEvidence一年内的4次融资，投资人对这家公司的追捧程度可见一斑。
微软在《Cell》公布了最新成果：GigaTIME能把一张H&E切片翻译成过去稀缺的免疫图谱，并在人群尺度重建TIME。癌症免疫研究的许多旧限制，也因此开始松动。
AI与医学的深度融合，为健康领域的进步创造了前所未有的机遇。
在AI医疗的技术路线和商业模式上，双方走向了不同的方向：百川押注语言模型和ToC，邓江拥抱多模态和ToB。
这是一条门槛最高、监管最严、落地最复杂的赛道，也是人类和 AI 都必须要走的赛道。
2025就要过去了。UC Berkeley、Stanford和IBM联手做了一件大事。他们调研了306份在一线“造 Agent”的从业者问卷，并深度访谈了20个已经成功落地并产生价值的一线企业案例（涵盖金融、科技、医疗等领域）。试图回答一个最朴素的工程问题：一个能用的、赚钱的Agent，到底是用什么架构搭出来的？
历史性一刻！ 全球首个进入Ⅲ期临床的AI抗体出现！
