文 | 新眸，作者 | 马斯迪

大厂重新在医疗赛道上卷起来了，这一次，主角不再是挂号、问诊和医药电商，而是大模型。

这个判断放在两年前恐怕没什么人信。2020 年到 2022 年，互联网公司集体杀入医疗，结果几乎全军覆没——百度健康数次变阵，腾讯医生端产品不温不火，字节收购百科名医网后也没折腾出太大水花。再加上那段时间带来的线上诊疗红利来得快去得也快，一轮医疗互联网化浪潮潦草收场，只留下一堆解散的业务群和改组记录。

但 2025 年之后，剧情出现了翻转。DeepSeek 等通用大模型的集中爆发，显著降低了行业的技术门槛，各路玩家迅速抓住窗口期涌入医疗赛道。

一个直观的指标：企查查数据显示，2025 年国内 AI 医疗企业注册 2.48 万家，同比增长 22.38%，创下近十年注册量新高。海外也没闲着，OpenAI 在今年初上线 ChatGPT Health 功能，并公布了一组数据——每周有超过 2.3 亿人在 AI 平台上询问健康问题。

截至目前，国内超 10 家互联网大厂发布了独立的 AI 医疗产品。阿里的 " 氢离子 "、京东的 " 知医 "、蚂蚁的 " 阿福 "、百度的 " 文心健康管家 "，再加上字节的小荷，牌桌上的人到得很齐。只是打法上出现了明显的分化：有人 All in 患者端，有人主攻医生工具，有人在基层医疗做数字健共同体。

而字节这家公司，在医疗方向上的策略一向让人觉得看不太懂——一会儿做科普，一会儿开线下门诊，一会儿又折腾大模型。直到最近小荷门诊部在上海落地，几个动作串起来看，它到底想干什么才逐渐清晰起来。

这篇文章，我们试着把字节小荷的布局捋一捋，再谈谈 AI 医疗赛道正在发生什么、未来可能往哪儿走。

小荷沉浮六年，这次有什么不一样

字节切入医疗健康赛道的时间并不晚，但路径走得相当曲折。

2020 年 9 月，头条健康更名为小荷，绿松果 App 升级为小荷 App，品牌正式确立。同年，字节还花了 5 亿元收购百科名医网，这是一家做医学科普内容的公司，在专业人士群体中口碑不错。到了年底，字节在北京开出了第一家线下诊所 " 松果门诊 "，后来也改名为小荷门诊。

表面上看，这套组合逻辑自洽：用科普内容拉新获客，用线上问诊承接流量，用线下门诊做实闭环。一个完整的互联网医疗版图呼之欲出。

但故事并没有按剧本走。

此前的布局有两个根本性问题。首先是各条业务线之间缺乏统筹，线上流量难以有效转化到线下场景。健康科普和线上问诊面对的是海量泛医疗需求，而实体门诊面对的是真实的地理半径和专科诊疗，两者的用户重合度远没有想象中那么高。

其次是 " 医疗难赚钱 " 这个老问题。在线问诊客单价低、复购弱，实体门诊投入重、回报慢，两头的商业模型都不性感。所谓 " 流量→服务→变现 " 的路径，在医疗这个低交易频次的领域里走得磕磕绊绊。

2023 年前后，字节对医疗业务进行了大规模调整，一些板块被拆分整合，外界一度以为字节要彻底收缩医疗战线。

转折点在 2024 年到来。小荷健康团队基于豆包大模型研发出了 " 小荷医疗大模型 "，并在同年 8 月完成了境内深度合成算法备案。这意味着字节放弃了过去 " 什么都做 " 的摊大饼打法，转而将资源集中到一件事上——用 AI 重新定义医疗服务交付。

去年下半年，字节上线了首款 AI 医疗助手 App" 小荷 AI 医生 "，主推健康咨询、报告解读、用药参考等功能。今年初，小荷医学 AI 团队发布了 MedXIAOHE 医疗视觉语言基础模型，在胸部 X 光病变定位、医学视觉问答、美国医师执照考试模拟等多个权威测试中表现抢眼。

就在前段时间，媒体披露字节将在上海再次落地 " 小荷门诊部 "，法人由大健康业务负责人吴海锋亲自出任。

从科普平台到线下诊所，从大模型到 AI 医生 App，再到再次落子实体门诊——小荷这次跑出了一个逻辑上更通顺的版本：技术层做底层模型研发，服务层用 AI 医生 App 做线上触达，交付层用实体门诊承接需要线下面诊的用户。

三块业务不是拼凑出来的，而是按技术到服务到交付的纵深链条搭起来的。问题是，从线上 AI 医生到线下门诊，这个闭环的意图是什么？

如果只是发布一个 AI 健康咨询助手，那字节的入局姿势和其他大厂没有本质区别。真正让这套布局显出差异化的，是小荷再次扎进实体门诊这件事。

先看线上这一端。小荷 AI 医生的产品逻辑相对清晰：它不试图替代医生，而是做问诊前移——帮用户判断症状严重程度、解读体检报告、提供用药参考。

小荷健康副总裁李萌在 2025 年的一次学术年会上透露，经专家测评，小荷 AI 医生在常见病上的表现已基本达到三级公立医院主治医师水平。用户有时会和 AI 进行几百轮的对话，提供大量细节信息，模型据此做出更精准的判断。

这套产品的核心价值不是 " 替你看病 "，而是替人判断 " 这个症状值不值得去医院 "。

线上能力的另一条腿是技术研发。MedXIAOHE 定位为医学视觉语言基础模型，训练底座包含约 640 亿个词汇的医学文本库，覆盖了全球主流的医学文献、临床指南和诊疗规范，并构建了包含海量医学概念的智能知识树。这套能力可以同时服务患者端（AI 医生）和医生端（辅助诊疗工具），也能向合作医院输出模型能力。

线上做轻问诊、做技术积累，这没问题。但当用户被 AI 判定为 " 需要就医 " 之后，他们该往哪儿去？全国三甲医院人满为患，基层医院的信任度一时半会儿提不上来，线上和线下之间的断裂点恰恰卡在这里。

线下门诊部的角色，就是来堵这个缺口的。按照目前的信息，上海小荷门诊部定位为便民基础诊疗服务，计划将小荷 AI 医疗技术融入线下真实的诊疗流程——包括智能问诊、AI 病情分析等线上功能，直接应用到实体就医场景中。

C 端用户争夺的消耗战

事实上。这套线上筛查分流、技术向线下赋能的思路，在医疗 AI 领域并不算新鲜。

国务院发布的一份关于促进和规范 " 人工智能 + 医疗卫生 " 应用发展的实施意见中提到，目标是要在 2027 年前形成一批临床专病专科垂直大模型和智能体应用，让基层诊疗智能辅助得到广泛应用。政策的顶层设计和企业的产品探索，正在同一条轨道上加速靠拢。

医疗行业和零售、出行不同，实物交付绕不开物理空间。AI 可以做问诊、可以读报告、可以开辅助处方，但抽血、手术、体格检查，还得发生在诊室里。

把 AI 能力向前延伸到诊前环节，再向后延伸到诊后管理，中间的物理接触点由自有门诊或合作医院来承接。这条链路一旦跑通，字节手里就可能多出一个别的通用大模型厂商一时半会儿抢不走的特殊壁垒。

但客观来说，这条路走得通不通，变数依然很大。

字节在北京开过小荷门诊，当时的运营并不顺利，既有选址定位的问题，也有获客成本高、医保支付接入难等普遍性障碍。上海这一轮尝试能否跳出历史惯性，最后还是要看他们怎么解决这些现实层面的执行细节。

我们再进一步看，小荷在线上线下的同步推进，表面上是在搭建一套从 AI 到实体门诊的纵向架构，但如果把视角拉远，这其实只是行业浪潮中的一个切面。

AI 医疗赛道的竞争，正在不同维度上同步展开。

坦白说，各家产品长得越来越像。小荷 AI 医生的核心功能是健康咨询、报告解读、用药参考、病灶拍摄判断；蚂蚁阿福覆盖健康问答、拍皮肤、电话咨询、健康档案；文心健康管家的主打功能也大同小异。打开这几款产品，基础体验的趋同程度已经相当高。

蚂蚁阿福是目前量级最大的玩家——截至 2026 年 2 月用户数量突破 1 亿，月活跃用户已达 3000 万，单日提问量超 1000 万。蚂蚁的核心打法很明确：靠支付宝的国民级入口和支付闭环构建覆盖医、药、险的服务生态，同时把收购来的好大夫在线 30 万名执业医师资源接入，让用户在 AI 预诊后可以无缝对接真人医生。

京东健康走的是另一条路。这家公司本身就有稳定的医药零售变现模型，旗下 AI 智能体 " 康康 " 串联问诊、检测、购药全流程，将 AI 服务嵌入到零售场景中。

自研的京医千询大模型聚焦拟人对话、可信推理与医疗全模态能力，已经完成了从全科到专科模型的技术演变。医药电商的商业闭环，让京东在 "AI 健康咨询怎么赚钱 " 这个问题上天然比对手少一层焦虑。

字节的处境不一样。小荷 AI 医生最重要的流量入口是抖音 App，目前已经嵌入成为字节体系内一个重要的问诊渠道。抖音的强项是海量日活和强大的内容分发能力，但问题同样明显：

用户上抖音是为了刷视频，不是看病的。如何把娱乐用户转化为健康服务用户，需要持续的场景教育。更何况，哪怕 AI 问诊转化率提升上来了，在支付、医保、药品供应链等基础设施上，小荷目前和蚂蚁、京东健康之间的差距也还是明摆着的。

重新理解 AI 医疗的本质

如果说 C 端市场是在抢认知和流量入口，那 B 端和 D 端（医生端）市场打的则是纵深能力和专业壁垒。

今年，阿里健康推出医学 AI 助手 " 氢离子 "，定位医生版 GPT，专为临床与科研一线医生设计，收录超过千万篇权威医学文献，在医生开药、定方案时提供循证支持，所有生成内容基于权威医学数据库、临床指南及核心期刊文献，架构上强调低幻觉、高循证。

几乎同一时期，京东健康发布 " 知医 "，聚焦临床决策支持和科研学术，深度整合千万级全球权威医学文献与指南，已全面集成于京东医生 App 并向全体医生开放。

蚂蚁集团的策略是两条腿走路：一方面在患者端做 " 阿福 "，另一方面将收购的 " 好大夫在线 " 升级为医生工作站，为每一位医生配备 AI 助理功能。

医生端的争夺，本质上是对专业壁垒的争夺。

C 端产品卷的是场景渗透率和月活，只要有流量基础就有一战之力。但医生端不同——医生每天要看几十上百个病人，如果一个 AI 工具不能实实在在地帮他们降低工作负荷、提高诊断准确率，那这个东西在系统里躺一个月也不会有人用第二次。

一位行业观察者曾给出一个判断：医疗领域的容错率极低，对 AI 准确率要求极高，普通 AI 工具根本无法满足临床需求，医生端 AI 工具必须用权威医学文献、科研成果进行训练，并且持续得到临床验证。

这个道理说起来简单，做起来是另一回事。

写到这儿，回顾一下这个行业的周期性变化。

上一轮互联网大厂入局医疗，思路是流量驱动：先做科普吸引用户，再用在线问诊沉淀数据，最后靠挂号导流、医药电商变现。这套模式在零售、出行、教育领域都跑通了，但在医疗行业折戟。

原因不复杂，医疗服务的核心交付是人的判断和责任，而非信息匹配效率。你可以用算法给一个人推荐餐馆，但你不能用算法给一个人下诊断。

当前这轮 AI 医疗和上一轮互联网医疗，底层逻辑上存在清晰的差异。大模型的出现，让机器第一次能够部分模拟人类医生的认知路径：阅读病历、理解指南、在多轮对话中追问症状细节、结合影像和检验结果进行推理判断。

它不是搜索引擎级别的知识匹配，而是有一定推理能力的 " 认知代理 "。过去健康类产品更接近 " 医学搜索引擎 "，输入 " 头痛、发烧怎么办 "，系统给你一堆百科式解释和通用健康建议，你自己判断哪些适用。

而现在，大模型能做到围绕病史、症状细节、用药情况持续追问，然后给出更具指向性的判断——它离一个医生助手的边界越来越近。

更具体的落地方向也在竞争中初现雏形。大厂之间不同的路线选择最终考验的，是能否在安全可控的框架内，真正帮人解决健康问题，而不是仅仅完成一轮技术展示。

目前国内 AI 医疗市场规模预计在 2026 年突破 400 亿元，全球医疗领域生成式 AI 市场正以 40% 左右的复合年增长率扩张。放在任何一个行业，这个增速都意味着巨大的机会。

但医疗毕竟不是普通消费品。它的容错率是零，容错成本可以是人命。这个行业的独特属性注定了它不是一场单纯比谁家模型参数更多的竞赛。技术、场景、合规、信任、支付，每一项拉出来都是一个巨大的系统工程。

字节小荷这一次线上线下同步发力，背后是从技术研发到服务交付全链条的逻辑重组。但这套逻辑最终能否撑起可持续的商业模型，还要看线下门诊的真实运营效果、看合作医院的铺开速度、看用户心智的培养周期。

接下来的一到两年，会是检验这个方向的窗口期。