国内产品追赶 OpenEvidence 的步伐开始加速。

OpenEvidence 凭借着短期内覆盖 40% 美国医生群体的成绩，让国内从业者意识到只有像 OpenEvidence 这样融入医生的工作生态，AI 产品才更有可能获得医生和院方的认可。因此，国内众多产品开始从医生视角出发，在诊疗辅助和科研辅助这两条道路上进行发力，试图用 AI 赋能，让医生从繁重而耗费精力的循证过程中解放出来。

另一方面，国务院 2025 年 8 月份发布的《关于深入实施 " 人工智能 +" 行动的意见》和 11 月国家卫健委联合五部委发布的《人工智能 + 医疗卫生实施意见》中，明确提出在 2027 年，AI 智能体等应用普及率超过 70%，并且在 2030 年将应用普及率超 90%，同时也提出了推动临床智能体应用建设。

这些政策的潜台词是包括医疗在内的多个领域，都将迎来一场 "AI 协同 " 的大变革。从 2025 年到 2027 年，再到 2030 年，每一个三年，都将是一次台阶式跃升。

中国医疗 AI 产品奋力追赶 OpenEvidence

种种迹象表明，未来 3 年将是医疗 AI 发展的风口浪尖，而在追赶 OpenEvidence 的过程中，有 6 款中国产品已经率先起跑，未来将会如何发展值得期待。

01 中国医生究竟需要什么？

追赶 OpenEvidence 就要读懂它究竟为医生做了什么。

OpenEvidence 的破局点正是构建了从数据源头到结论输出的全链路信任体系，这恰恰是之前中国医疗 AI 大模型较为稀缺的能力。这一实践直指中国医疗 AI 的核心痛点，数据量足但质差并且权威缺失。中国虽拥有全球最庞大的临床数据，但疾病谱差异、数据标注不规范导致高质量数据匮乏，且多数模型缺乏顶刊级权威背书。

此外，OpenEvidence 的成功之处在于将 AI 工具彻底融入美国医生的工作流程之中，而非额外负担。同时，OpenEvidence 的定位并非替代医生，而是提供证据支持 + 思路拓展，尤其在复杂病例与罕见病诊疗过程中展现价值。这种定位既避免了医生过度依赖也规避了责任模糊。

那么，中国医生的工作流中，究竟需要哪些帮助呢？

在诊断环节，当遇到疑难病症、罕见病或症状不典型的患者时，医生需要查询文献来辅助诊断。在治疗方案制定环节，对于疾病的治疗，医生需基于最新研究成果制定最佳方案。如肿瘤治疗中，新的药物和治疗方法不断涌现，医生需查阅文献了解其疗效和安全性。在疾病预后评估环节，医生需查询文献了解疾病的发展规律、影响预后的因素等，以向患者及家属提供合理的预后信息，并制定相应的干预措施。

除了诊疗工作，在科研工作上，医生同样要需要在循证工作上耗费大量时间和精力。

例如在选题阶段，医生需广泛查阅文献，了解学科前沿动态和研究热点，以确定具有创新性和临床价值的研究课题。后续研究设计阶段，医生需要对既往的文献中已有的研究方法、技术路线和样本量估算等进行参考，以确保研究的科学性和可行性。在数据分析阶段，医生需借助文献中的统计学方法和数据分析技巧进行研究。最后在论文撰写阶段，还要引用大量文献来支持研究背景、方法和结论等。医生需花费大量时间筛选、阅读和整理文献，确保引用内容的准确性和可靠性。

总的来看，中国医生在诊疗和科研工作中，查询文献循证是一个贯穿始终且耗费大量精力和时间的环节。医生们迫切需要在繁琐的文献检索、筛选、阅读和评估工作中提高效率，让他们有更多的时间和精力专注于临床诊疗和科研创新。

那么医生需不需要 AI 呢？要，但也别添乱。

医生要的是一个能从上万篇文献、几十种指南和上百个案例中，整理出最符合当前病例所需的，并且用直观的形式呈现出来，然后别自己下结论，由医生做出决断的产品。医生可以容忍 AI 不懂一些问题，但不能拿出一个全是幻觉的答案。

正是因为看到这样的实际需求，一些企业开发出能够融合进医生工作流程中的 AI 工具，进而建立起能够结合本土医疗生态，以可信为基石、以临床价值为导向的产品，让 AI 为医生工作效率的提升提供辅助。

02 中国式 OpenEvidence 的破局范式内容资源决定能力上限

医疗 AI 的可信度根植于数据权威度，而核心内容数据库的构建，正是当前中国企业从技术追随者向价值引领者跨越的首个障碍。从公共数据库的免费陷阱，到顶刊授权的天价门槛，再到商业合作的隐形枷锁，每一道壁垒都考验着企业的战略智慧与资源整合能力。

公共数据库是医疗 AI 企业的入门级数据来源，其开放属性降低了初始研发成本，但免费背后暗藏的数量局限、质量缺陷与使用限制，使其难以支撑更多实际应用场景。在公共数据库之外，顶级医学期刊的核心内容既有高昂的费用压力，又有严苛的合作条件。

看似丰富的资源却存在显著供需错配，比如公共数据库的开放并非无边界，其使用限制成为中国企业商业化的隐形门槛。部分国际公共数据库采用科研优先的授权原则，明确禁止用于商业化变现。而顶刊资源的内容，即便属于开放获取文章，也需要遵守特定知识共享协议如 CCBY-NC，并且部分商业用途受限。非开放获取文章则需订阅才能浏览全文，否则将只能看到摘要，部分资源用于 AI 训练还需要额外商业授权。此外，部分顶刊机构对于合作还有诸多限制，如地域、应用范围和溯源责任等。

具体到中国医疗 AI 企业，则更加困难。

2025 年 4 月 4 日 , 美国国立卫生研究院 NIH 一纸禁令震动全球科研圈。包括中国在内的多个国家的科研人员被禁止访问 NIH 旗下的核心生物医学数据库 , 包括人类基因型表型数据库 dbGaP、癌症基因组图谱 TCGA、SEER 癌症数据库等。PubMed 数据库也时有停更。

" 还有就是成本问题，部分期刊一篇论文的单次浏览成本就要几元。" 一位从业者向动脉网表示，" 如果走 OpenEvidence 那种用户端免费路线，企业成本压力巨大，但如果不构建一个较为全面的数据库，产品又不可能有竞争力。" 因此，中国式 OpenEvidence 产品在具备一个可靠的内容数据库的同时，也需要一个合理的商业模式。

数据库搭建成为竞争关键

数据容量是中国式 OpenEvidence 产品搭建的基础。

利用 AI 进行医学科研选题分析的灵犀 EviMed，基于其约 3800 万篇海外文献的积累，AI 系统根据选题的关键词及其同义词拓展，AI 系统会生成 10 个科研选题，并对每个选题从科研价值、论文写作难度、发表难度和可行性等多个维度进行打分并生成分析报告。同时，基于对文献的挖掘 AI 系统将自动挖掘该选题的若干新兴研究方向，并在选刊、学者和研究机构进行推荐。

6 款中国 AI 医疗模型特点，据公开信息整理

定位为科研人员的效率倍增器与成果加速器的 MedPeer，通过 " 科研工具 + 数据中心 + 论文写作 " 的深度整合，让科研人员从重复劳动中解放。凭借其核心功能 Deep Search 整合全球近 3 亿篇学术文献资源，涵盖文献处理、数据可视化、格式优化等高频需求的科研工具模块与为科研决策提供可靠支撑的数据中心模块，让医生可以将精力放在探索未知、突破边界，而非被 " 画图、找文献、改论文 " 等琐事消耗。

还有聚焦专科领域的豆蔻医生超级助理，这是钉钉上首个针对医生的专业 AI 应用，能 1 分钟整合全球超 4000 万医疗文献和国内诊疗指南、共识并进行全链路溯源，确保每一次输出都有 " 数 " 可依、有 " 证 " 可循，为妇产科医生提供可信的辅助决策。

可以看到千万级的学术内容数据已经成为中国式 OpenEvidence 产品的入门竞争门槛。

挖掘附加价值是重要商业化抓手

" 数据库的建立只是开始，如何基于数据库构建附加价值才是产品能否商业化落地的关键。" 灵犀医疗创始人王则远告诉动脉网。

EviMed 除了用循证功能和学术科研功能去帮助医生完成本职工作外，也意识到这个过程中可以深入挖掘产品本身的附加价值。比如学术推广，过去企业要做这个动作需要非常多的环节，并且效果不佳，EviMed 可以根据企业需求规划出上百个学术证据进行精准推送。这一切的基础就在于对医生操作的深入解读，医生在使用 EviMed 时关注哪些领域哪些疾病哪些药物，平台就能根据这些画像进行精准解析，并推送最新的学术进展。这也让企业的学术推广有了更精准的途径。

目前，学术推广收入已经成为 EviMed 的主要营收来源。和 EviMed 类似，零假设也选择了 B 端反哺 C 端、C 端吸引 B 端的路径。即先切入对内容专业性、合规度要求高的头部药企，在为药企提供 AI 工具及服务的过程中，积累高质量的标注数据、迭代算法，再将 2C 的 "KnowS" 模型及智能体推向医生端。

可以看到，中国产品并没有完全照搬 OpenEvidence，但又抓住了它发展的本质：围绕可信数据的基础上做文章。

值得注意的还有切入垂直领域的豆蔻医生，它没有选择大而全的路线，而是聚焦在妇产科这种跨学科极强的科室，不仅文献多同时来源分散（产前诊断领域每年新增超 200 万篇文献），并且患者个体化差异大，临床证据组合难，判读需要丰富经验。豆蔻医生从一线思维出发，精准做出减法，不炫技而是做一个真正有临床价值的工具。同时，接入钉钉直接嵌入医生的工作流之中，也让产品的商业化落地更为便利，在上线 10 天后，就有超 300 家医疗机构主动开通使用。

而百川 M2Plus 虽然有自己的 " 百小应 " 应用，但为了摆脱单一应用的局限，选择了通过 API 将六源循证推理能力标准化输出，API 面向医院信息化部门、互联网医疗平台及医疗 AI 开发者，这也让其客户群体更加宽泛，无论是三甲医院还是基层医疗机构都更易触达。同时，也可以凭借底层技术供应商的定位，更容易嵌入医院现有的系统之中。

还有将自身定位为 " 医生最便捷的临床决策工具 " 的医渡临床 Copilot，它深度融合了医疗垂直大模型、动态循证知识体系与院内患者数据，通过循证校验解决 AI 模型 " 幻觉 " 问题，让顶级证据一键溯源，确保决策建议的精准性。更重要的是它能自动对接患者数据，将医学证据与当前个体化病情无缝衔接，省去医生手动匹配证据与病例的繁琐步骤，打通临床应用 " 最后一公里 "。

总的来看，面对 OpenEvidence 以免费模式 + 广告收入验证的医疗 AI 商业模式，中国创新力量并未简单复制，而是基于本土医疗体系特点，特别是基于 B 端主导的付费逻辑，在诊疗辅助与科研辅助两条路径上形成了场景化深耕、专科化突破、生态化协同的集体破局模式。

尽管发展路径有所不同，但总体而言中国医疗 AI 产品已经形成三大共识，首先是数据权利至上，将政策合规从成本项转化为竞争优势，实现 " 数据不出域 " 的本地化部署或私有云方案；其次是证据质量分层，国产 AI 产品普遍采用 " 原始文献→临床指南→真实世界数据→专家共识 " 多源证据权重分配机制，通过 PICO 框架结构化检索与多轮交叉验证，将循证医学方法论内化为模型基因；最后是务实的商业模式，放弃 OpenEvidence 的免费模式，全部选择 To B 收费，通过服务医院、药企等付费能力强的机构实现资金回流，避免陷入 C 端流量陷阱。

中国式 OpenEvidence 产品的核心理念，不在于复制一个免费查询工具，而在于将循证医学能力原子化、标准化、基础设施化，最终让每位医生、每个科研团队都能以可负担的成本，获得类似于国际顶级医学中心的证据支持。这是一场关于医疗决策平权的持久战，而非流量变现的闪电战。未来 3 年，将是他们奋力狂奔的 3 年，谁能率先跑出我们拭目以待。