中国500万医生的新AI：顶刊独家联手，卷的就是证据源

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 中国500万医生的新AI：顶刊独家联手，卷的就是证据源 梦晨 2026-05-16 12:49:15 来源： 量子位 阿里健康发布「氢离子」 金磊 发自 杭州 量子位 | 公众号 QbitAI 很反差。 明明是一场AI的发布会，台下却坐满了 医学界 的大佬们： 有北大、清华的，有浙江、上海的，甚至医学顶刊BMJ集团的主编都来围观了…… 为啥会这样？ 因为 阿里健康 正式发布了一个新的 医学AI 产品—— 氢离子 ，主打的就是靠谱的医学AI助手。 或许你还会有疑问，现在通用大模型、医疗AI不是蛮多的么，阿里健康干嘛还要再另起炉灶啊？ 好问题。 阿里健康CTO 王祥志 在现场举的例子，就直击了这个问题的七寸。 他用专业的Prompt来约束通用大模型： 你必须要查询专业的文献，告诉我氟泽雷塞的使用注意事项，当病人出现漏服到底怎么办的时候？ 结果，通用大模型一本正经地给出了错误的补服建议…… 在容错率极低的医学场景下，这绝对是个Big Problem。 除此之外，在“用”这件事上，也有问题。 目前中国50%的医生，会通过4个以上的APP来解决他们的问题，包括查询用药、查询临床指南，查询中英文文献还要再去不同的论文网站…… 所以，氢离子要做的事情就一目了然了。 不仅是要更聪明，最重点的是，要让中国500万医生用得 够可靠 、 够方便 。 把靠谱的证据摆到500万医生面前 首先需要厘清一个核心概念。 氢离子不是医生用来给患者看病的那种AI，它是专门解决中国500万医生查证据慢、找文献难、读英文累、不同工具来回切换，以及通用AI容易说胡话等痛点的。 为此，氢离子甩出了三板斧，精准直击痛点。 循证智能问答，每句话都有迹可循 医生可以用自然语言来提问，例如： 糖尿病肾病SGLT2抑制剂最新指南。 甚至医生们还可以通过语音、图片、病例文本等方式表达需求，系统会再根据问题拆解意图、检索证据、组织答案： 但更重要的是，答案可不只是完整回答那么简单。 氢离子强调，每个答案背后都会有指南、文献、说明书等医学证据支撑，并且可以定位到原文中的具体段落： 医生点击对应引用，就能看到证据来自哪篇文献、哪一部分原文，以及原文如何支持这个结论。 这点对医学AI非常关键。 因为医生真正需要的，正是一个能把证据链摆清楚的助手。 AI给出结论之后，医生必须能回头检查：这个结论依据的是指南、RCT研究、真实世界研究，还是某种较弱证据？它适用的人群是谁？样本量多大？是否和眼前患者相似？ 如此一来，在查得快，且找得准的基础上，才能把核对证据的权利完完整整地交还给医生。 精准文献搜索，独家牵手国际顶刊 阿里健康正式宣布与英国BMJ集团达成期刊内容独家合作。作为全球最具影响力的医学期刊之一，BMJ集团旗下70本医学期刊过去十年间发表的所有内容和多媒体资源，将独家授权提供给氢离子。 这意味着，氢离子成为了国内唯一一个在站内就能直接阅读BMJ集团海量顶级文献的医学AI助手。 据了解，在此之前，氢离子已经与中华医学会、人民卫生出版社、中国抗癌协会等国内权威机构打通了数据。 一句话搜遍国内外顶刊，氢离子在证据源的丰富度与权威性上，已然筑起了区别于其它AI的护城河。 AI文献速读和医学翻译 对医生来说，找到论文只是第一步， 读懂 才是更费时间的部分。 一篇SCI论文，尤其是临床研究论文，医生往往需要花不少时间拆解，包括研究目的是什么、纳入了哪些人群、干预措施和对照组是什么、对真实临床有什么参考价值等等。 在过去，医生们可能需要1到2小时才能提取一篇文献的核心内容；但有了氢离子，这个时间被压缩到了 3到5分钟！ 同时，氢离子还提供医学术语翻译和中英对照阅读，正如王祥志在现场提到的： 团队面对面访谈中，有超过80%的医生表示阅读英文医学内容时需要借助各种翻译工具，尤其是专业术语和生僻表达。 为什么氢离子不会说胡话？ 能读懂长难句、能做总结翻译，这在今天的大模型圈似乎已经是基操。 但真正让能台下数百位严苛的医学专家点头认可的，是氢离子在底层逻辑上对医学严谨性的死磕。 通用大模型之所以会说胡话，是因为它的本质是基于概率的文字接龙；但王祥志认为，在容错率极低的医疗行业， AI必须被戴上紧箍咒，懂得敬畏边界。 为此，氢离子给出了一套完全不同于通用大模型的公式： 医学证据 + 循证医学 + AI = 更可靠的医学AI助手。 AI被放在了最后，而循证医学的框架被前置到了算法的每一个毛细血管中。 具体而言，氢离子打造了一套全链路的四层循证AI架构。 第一层，是证据理解层。 毕竟医学文献不是普通网页，它里面有研究对象、干预措施、对照组、结局指标、样本规模、研究类型、证据等级等一整套结构。 氢离子会基于PICO框架和GRADE标准，对文献和指南进行结构化理解。 （注：PICO是循证医学里常用的问题拆解框架，分别对应Patient/Population、Intervention、Comparison、Outcome，也就是研究人群、干预措施、对照方式和结局指标；GRADE则常用于评价证据质量和推荐强度。） 用更通俗的话说，氢离子是先让AI读懂这条证据到底在研究谁、用了什么方法、和谁比较、得出了什么结果，以及这条证据到底有多强。 这一步决定了后面所有回答的底座。 第二层，是精准检索层。 医生提问往往非常复杂，尤其是带有真实病例背景的问题。模型不能只做关键词匹配，更要理解这个问题对应的医学结构。 比如，一个患者的年龄、疾病阶段、合并症、用药史、不良反应，都可能影响证据是否适用。氢离子在检索阶段引入PICO语义匹配，就是为了把医生的问题和医学证据之间建立更细的连接。 一言蔽之，这类检索是为了找到真正适用的证据。 第三层，是模型微调和强化。 通用大模型训练的是广泛语言能力，而医学AI要额外学会什么叫准确、忠实循证、安全有用。 这意味着模型要学会在证据范围内组织答案，遇到证据不足、指南不一致、适用人群有限的情况，也要把边界说清楚。 这也是氢离子反复强调“助手”二字的原因。 它不替医生做决定，相反，是把可追溯的证据、证据等级、适用范围和可能限制整理给医生。 因此，最终诊断和治疗责任，仍然在医生手里。 第四层，是专家评审层。 氢离子宣布成立医学AI专家委员会，邀请300多位中国临床专家共同参与医学AI评价标准和数据集建设。 这一体系包括学术方向把关、评测标准制定，以及一线医生对AI回答的持续验证和反馈。 这套机制的意义在于，医学AI不能只在技术榜单上自证优秀。 医疗是一个高度依赖专业共识和临床验证的领域，一个回答到底有没有用，不能只看模型分数，更要看临床医生是否认可、证据链是否扎实、边界是否清晰、是否经得起真实问题反复检验。 从这个角度看，氢离子的四层架构更像一个 质量控制系统 —— 先理解证据，再精准检索，再训练模型按循证逻辑回答，最后交给专家体系持续校验。 这也是医学AI和普通AI产品最大的分野。 中国医学AI，开始定义标准了 纵观整场发布会，最大的感受不只是