当 Deepseek 问世以来，“AI+医疗”的风声一直在延续。近年来，从《“十四五”全民健康信息化规划》到《卫生健康行业人工智能应用场景参考指引》的发布，国家层面接连出台的政策彰显了AI在医疗健康领域的突出地位，刚刚结束的两会上更是不乏对AI医疗的探讨。DeepSeek 以其成本与性能之间的平衡给产业带来了新的信心，各地知名三甲医院接入国产大模型的消息覆盖了整个春天。

然而在故事的B面，通用大语言模型在业务上落地的速度远比媒体报道和资本市场哄抬来得慢得多。医疗行业有其特殊的严肃性，对模型的性能和精确度有着最高级别的要求，无论是诊疗还是经营端，医院和医生对AI工具的直接应用都保持相当保守的态度，万亿行业有如深海坚冰。

“我们经常看到网上有各种讨论，说AI医疗怎么就这么难落地。你看大多数人讲，患者还是面对真人医生更有安全感，万一AI出错了没人担责，这些都是咱们老百姓的视角。偶尔有一两个人说到是因为医疗行业的数据质量太差了，我们一看就知道，这是内行人。”马国峰作为医众的创始人，已经积累了十年的行业洞察。

（▲图：医众创始人：马国峰）

去年年底，医众这家已经拥有1000家付费医院客户的医疗数据公司推出了全新的数据AI基座服务，用最简单直接的产品逻辑突破了数据应用的瓶颈，让医院看到了AI的可用性和可靠性。

“我们和一些最头部的三甲医院有长期的探讨，他们数据科的负责人一开始听我们要解决这个问题，都说这是最正确也是最不可能实现的，”马国峰说，“但也终于眼见为实了。难而正确的事情不白做，我们现在去聊客户也都简单了，随时可以接入做产品验证，医院很快就理解我们的价值。”

医众不是一家趁着AI东风成立的新玩家，而是已然经历过上一波“医疗AI影像”小风口的最低调的实力派。那个时候他们不学同行竞品，从不给客户和投资人讲AI的故事，先后拿了金沙江和红杉的两轮投资也没有大肆宣传，只是默默服务好长期按量付费的医院客户，也培养历练了团队。

在马国峰和他团队的价值观里，与其把时间精力用来造势，不如踏实做产品、做交付，在技术进步和客户信任这些复利的积累里持续思考下一步创新的方向和机会。“功成不必在我，功成必定有我。我们对自己的定位很清晰，就是做医疗科技进步的催化剂。” 这位鲜少面对媒体的创业者接受了新华网的专访。

PART.01 到冰川之下去：做数据层的“底层创新”

新华网：能不能用最简单的方式给我们讲讲AI数据基座这个新产品？

马国峰：简单说我们帮医院做好这几件事：

一、是数据的整合和治理，数据质量是AI落地应用最根本的基础，也是医疗行业AI落地“无米之炊”的问题，我们把数据的可用性真正交还到医院手里。

二、是数据的自动化交付，把传统的信息化节点转化成智能模块，在数据层去智能化的管理数据的流转，打通AI应用的链路。

三、是我们提供一个开放平台，让医院去实现医疗数据价值的转化，这也呼应政策里经常提到的行业数据资产化，也是医院数据管理模式的演进方向，未来这可能会成为医院一个新的收入来源。

四、是提供一个叫数据智能的产品，这是我们自己原创的一个科学推理模型，相对于大模型来说，是结合图技术训练的针对医疗行业和医院场景的小语言模型，不需要大参数量，但是背后有严密的科学推理过程，所以它没有幻觉的问题，另一个好处是它对算力的依赖很低， CPU 就能跑起来用。

（▲图：医众产品体系）

从解决现实数据障碍，到让AI替代传统信息化里人工的工作，再帮助客户去实现数据资产的价值转换。这些基础之上，医院会发现AI工具一下子就可以日常为我所用了。

新华网：有没有一些现实的例子可以说说？

马国峰：案例太多了，因为我们做的东西不是针对某些特定场景，但这种底层的改变可以在各个有可能的场景创造出新变化。

比如说医院要完成一个传染病数据上报的任务，面临的过程会非常复杂，大概需要六七个人的数据团队花四五个月的时间，首先你要做一个系统的改造，因为原来和系统的数据标准跟国家的标准不一样。

整改数据标准之后要把这个数据抽取出来做集成，这里面还要协调厂家做各种接口开发，接下来所有需要调整优化的地方，包括性能出问题的地方，都要考虑怎么用人工参与去解决，而且后续长期的管理会非常麻烦，总是需要不停的协调和人工。但如果用我们的数据基座，调用模型来生成智能体，同样的一件事情可以让医院一两天就做完。

再比如医保的审核，这是医院经营端日常面临的一个大事儿，可能搞不好一年被罚款几百上千万。但是上万条规则太复杂了，很多医院考虑去采购一个单独的系统。但实际上是结合医院自身数据的是用我们的数据基座，医院可以自己去维护这些规则，沉淀在系统上成为基座上的知识，拓展模型训练成智能体，无论是日常自查纠错还是指引医生的工作，都是实时可用的。这些都是颠覆性的效率革命。

再比方说医院想改造传统系统，比如写电子病历的时候，你想用生成式的方式，但没法实现，哪怕这个场景很小，因为这些系统耦合性太强了，总是需要当年那个系统厂家配做新的开发，成本就很高。如果不能完成这个嵌入改造，医生也觉得它和我的业务流程没法整合起来，那还不如就不用，这是一个典型的落地难的问题。这里就用到我刚才说的第二种能力，我们的数据机器人可以把传统链路上的一个环节解构下来，换成人工智能的模块安上去，这个流程直接就走通了，医生日常就能用上。

新华网：市面上被讨论最多的都是应用层的东西，因为大众容易想象和理解，你们做的这个就不是，这里面都有哪些考虑？

马国峰：一方面是看到了数据质量和性能是医疗行业AI发展的掣肘，另一方面也是团队长期积累的禀赋。我们一直在刻意避免做应用，场景的应用特别好展示，但是竞争也会特别激烈，而且目前大多数智能的场景也都是套用大模型，应用在专业垂直领域还是有很大落差。对医疗行业来说，应用都是冰山一角，我们选择到冰山下面去，从底层解决真问题。

我们这些年一直在行业里，过去做的影像数据也可以说是应用层的产品，但我们并不把自己当作应用层来看。因为影像是医院存储规模最大的数据源，做好应用层的本质也是往底层去探索的，那时候我们的差异化就在于数据层面的管理和治理，对自己的定位也是数据层面解决问题的服务商。那时候也有一些客户提出来让我们做AI模块做智能化，但我们知道如果数据的质量和性能问题不解决，做AI效率是很低的。

另外一点是关乎我们的商业逻辑，做公司的过程里我一直在想的一个问题是，怎么可以把产品做到更简单。简单就意味着成本可控，那随着我的业务发展，会有更好的边际利润。如果停留在应用层去解决问题，你会发现客户有非常多特殊的定制化的需求，团队会被研发需求淹没，成本控制不了。

所以我们不如反过来从数据层去解决这个问题，因为我们不能反复靠人来解决新的问题，最好把积累下来的对系统和数据的理解梳理成知识图谱，用智能来解决这些问题。包括后面很多数据维护的过程都可以用智能来解决，你会发现自己的效率越来越高，才能在竞争里有质量的生存下去。

新华网：这些问题以前没有别人尝试解决过吗？

马国峰：最接近的可能是一些做数据湖仓方案的公司，他们的路径是把这些数据抽取出来转化并存储，搭建和维护成本非常高。因为医院的业务数据是一直在更新的，数据仓做不到实时更新，最后往往还是变成一个用于科研单一场景的数据库。它的性能很难支持日常临床的业务，医院运营管理层面的数据也往往不准确。

PART.02功成不必在我，功成必定有我：赋能医院的效率和创新

新华网：你们的第一批目标客户是什么样的医院呢，最能理解你们价值的是谁？

马国峰：规模很大的医院，因为有懂技术的专业团队，理解起来是非常快的。他们日常应用的场景多，痛点也更痛，也更能理解我们这个事的门槛和重要性。也是因为有自己的数据团队，接入我们的基座之后可以实现的自主创新会更多。现在很多大医院有这个意识了，大家都想在AI领域探索一些应用，比如宣武医院前阵子内部在招募一个人工智能小组，谁对这个有想法就可以去参与一些产品的创新。像这样的医院与我们基座设计的目的契合度很高，帮他们解决很多相对没那么高级但又特别麻烦和复杂的事。把这些脏活累活剥离掉之后，医院自己做创新的效率就会特别高，这是我们最想实现的效果。

新华网：所以其实你们对医院是赋能的关系？

马国峰：没错，我们从来不考虑自己是不是能做个AI医生出来，因为我们不会比医生更懂他们的专业，但是我们想给医生和医院提供一个能力基础，让他们自己训练出一个很好的AI出来。现实中一个科技公司训练一个医疗AI产品也是需要大量的医院临床工作来配合的，尤其是数据标注这样基础的工作都需要医生贡献知识。

我们的初衷就是反向来更简单直接，帮医院解决最麻烦的事，提供可以本地部署的开放平台，让他们随时可以调用这些能力，很多数据整合和人力外包的事情都不必求诸系统厂商和第三方了。这样医院自己就有了那个空间和基础去完成应用层的创新，我们来配合做高阶算法。这种开放的心态是我认为AI时代最必不可少的，功成不必在我，但我是不可缺少的催化剂，功成必定有我。

新华网：这些痛点和需求都是长期和医院接触的过程里了解到的吗？

马国峰：只听需求就去做就又回到定制化的老路上，是没有未来的。苹果手机之前没有人知道自己想要个智能手机。我们的客户提的需求往往都预设了一种解决的方式，是基于他们的知识储备的，但不一定是最好的方式。我们需要不断的用更新的知识和能力，以及在行业里持续的洞察去思考出一个最佳路径来满足医院的需求。

新华网：AI数据基座落地之后，可以预期的未来还会出现哪些新的机会？这里面有哪些是医众可以做的？

马国峰：最直接的可见的中短期，当有能力的大医院在我们的平台基础上构建了各种 AI 的创新，这些新的应用就可以给到不那么具备技术能力的医院，直接拥有应用层的能力，脱敏后的结构化数据也可以更多的用于医疗科研创新。这是医众要支持的价值转化和能力输出。长期来看，我们虽然身在医疗行业，但这个数据基座的能力其实是一种通用能力。

未来有可能我们在医疗之外也可以尝试去延展其他领域的方向，凡是有大量跨系统数据的大机构，其实都能用得上。最终希望大家都解放出来去做创造的事情，而不是把时间浪费在低效的数据和系统维护上，这是我们做底层创新突破的终极目标。

PART.03日复一日的从零到一：传统行业里的创新团队

新华网：这段时间也看到很多大厂现在说要下场做AI医疗，把这当作未来几年的重点，你怎么看呢，这会对你们形成竞争吗

马国峰：医疗AI化的实现需要各种不同能力禀赋的团队各自努力。竞争一定是会有的，尤其是当下医院的预算也都紧张。但我永远相信越是到底层能力上，竞争对手的范围就会收窄，可能应用层会有非常多新的东西出来，但是底层创新的维度上是很难重复造轮子的。我们花了时间和精力做了难而正确的事情，给医院降低了成本，拓宽了资源，未来的空间是更大的。

新华网：医众的团队和市面上常见的“AI团队”不太一样，你们有哪些优势和劣势

马国峰：确实，我们不是那种典型 AI 背景的团队，但还好我们做的是垂直产业，巷子深一点也不怕，我们的团队是AI队伍里离医院最近的，时间也足够长。

我们的CTO在创业之前也是做医疗数据，所以他太了解这个行业需要什么。另一个角度来看，我们这些年做的底层能力构建，是很多高大上背景的团队不愿意也没能力做的。

我自己日常其实花很多时间在思考组织和人的问题，怎么让团队更快成长，不同能力属性的人之间怎么去打好配合。其实最重要的道理永远是最简单的，说出来都很平淡，让一个人发挥他最好的状态，就是在明确的原则和价值观的基础上给足空间。

所以我们很早之前就有自己的核心能力手册，把公司要做什么，有哪些最基本的原则都写的很清楚了，在原则之下我们不设任何规则，让大家有足够宽松的时间和空间去发展构建自己的能力。

（▲图：医众技术团队）

比如我们所有人都不打卡不坐班，但你发现大家周末和假期很多时候都在自主工作。我们选择在各地设办公室，一方面可以离客户更近，另一方面是不想让一个办公室有太多人，人一多就会很容易有层级的那种幻觉，很容易凑在一起没事儿就开会浪费时间。我们就刻意打散，营造一个宽松的环境，模糊层级关系，有事儿随时打电话说。职级晋升我们也没有考核，但是会明确列出每一个职级需要的能力，大家可以自己去评估和判断。这样下来我们发现团队里每个人都非常自驱，大家工作的效率非常高，每个人有自己的属性和优势，也能实现团队配合的默契。

新华网：怎么能一直做到持续创新呢？

马国峰：我有个信念就是每天都可以推翻昨天的自己，放下对过往认知路径的依赖，我们团队内部鼓励平等的随时辩论，没有绝对的正确和错误。时间长了会建立一种生理上的预警机制，当我对一个想法及其笃定，或者心态上非常着急的时候，就会习惯性的开启一次重新验证的程序。

刚才说到我们内部层级模糊，可能也是这个阶段公司规模不大带来的额外优势，各地的一线同事都可以随时给我打电话，聊业务的时候我会听他们讲一些细节，从细节里提取新的想法和可能性。回到业务模式上，开放本身就是创新的动力，初期是我们帮助医院去熟悉这些应用，启发他们去拓展新的思路，他们的创新也会对我们有启发，这是开放带来的最大价值。