大数跨境

AI竞争进入下半场,云知声的十年伏笔开始显现

AI竞争进入下半场,云知声的十年伏笔开始显现 创业最前线
2026-11-17
0
导读:当模型门槛趋同,医疗 AI 的竞争力落脚于行业沉淀与业务闭环迭代。


过去两年,全球人工智能产业经历了一轮密集的技术竞赛。


从模型参数、推理能力到多模态技术,各家科技企业不断刷新大模型的能力上限。技术突破接连出现,人工智能也从科技行业的热门话题,逐渐走向更广泛的产业应用。


但随着模型能力不断提升,行业关注的重点也在发生变化。如今,市场更关心的是模型能否进入真实业务、解决专业领域的复杂问题,以及带来持续的商业回报。AI产业的竞争,正在从模型能力的比拼,转向技术与产业的深度结合。


医疗提供了一个颇具代表性的观察窗口。


临床决策涉及复杂的医学知识、连续变化的患者状态和严格的安全要求,模型性能的提升只是进入这一领域的起点。能否理解诊疗过程、适应医院工作流,并在实际业务中创造可验证的价值,决定了医疗AI能够走多远。


成立于2012年的云知声,是这一领域值得关注的企业。


关于云知声

图 / 云知声官网


从早期医疗语音识别、病历生成,到辅助诊疗、医保管理和商业保险,公司逐步深入医疗价值链。


如今,伴随自主大模型能力提升,云知声将研究延伸至医疗世界模型,尝试模拟疾病演化与连续诊疗过程。技术的新进展,也让其长期积累的行业资产获得了重新审视的机会。


 1

 大模型竞争进入新阶段,产业应用成为关键考题


近几年,全球大模型产业经历了快速发展。从海外的OpenAI、Google到国内的DeepSeek、智谱等企业,围绕模型能力的竞争持续升温。


进入2026年,一个明显的变化是,国内外AI产业的关注点在从模型性能转向实际应用——在医疗垂类领域,海外医疗AI开始更多进入临床工作流,国内则在政策推动下加快医疗大模型和智能体的落地。



而模型能否真正解决行业问题,解决到何种程度,正在成为新的竞争焦点。


同时,这并不意味着基础模型的竞争已经结束。相反,模型能力仍然是产业应用的基础。重要的是,技术进步之后,企业还需要找到将能力转化为实际价值的路径。


医疗领域的难度尤其突出。


与一般的信息处理不同,医疗AI面对的是一个高度复杂的人体系统。同一种疾病,在不同患者身上可能呈现出不同症状;同一种治疗方案,也可能因为年龄、基础疾病、遗传背景和生活习惯等因素,产生不同结果。


医疗信息本身也十分复杂。一名患者的诊疗记录,可能分散在病历、检验报告、医学影像、医嘱和随访记录中。这些信息格式各异,还存在严格的时间关系。医生需要把它们放在一起,结合患者的病史和当前状态,才能作出相对完整的判断。


更重要的是,诊疗不是一次性的判断,而是一个不断变化的过程。



患者接受检查后,医生需要根据结果调整判断;采取治疗措施后,还要观察患者的反应,再决定下一步方案。不同的检查顺序、治疗选择和干预时机,都可能影响最终结果。


因此,医疗AI真正要解决的,并不只是能否掌握医学知识、回答专业问题,而是能否理解患者的实际情况,以及诊疗过程中各种因素之间的关系。


政策层面也在推动这一方向。2025年,国家卫生健康委等部门发布《关于促进和规范“人工智能+医疗卫生”应用发展的实施意见》,提出推动卫生健康行业高质量数据集、临床专病专科垂直大模型和智能体应用建设。


政策导向与产业需求正在形成合力,医疗AI也开始从单点工具向更深入的业务应用发展。


对AI企业来说,这一阶段的竞争门槛相应被抬高。模型可以持续迭代,但真实医疗数据的积累、医院业务流程的理解,以及对临床规则的长期掌握,很难通过短期投入获得。


 2

 为什么是云知声?十余年医疗积累构筑产业壁垒


在大模型成为行业热点之前,云知声已经在医疗领域布局多年。


成立于2012年的云知声,早期以语音识别、自然语言处理等人工智能技术起步,随后伴随算法、算力和应用场景的演进,先后经历了从神经网络算法、小模型、行业AI到大模型的技术迭代,并长期深耕医疗、交通、金融等行业。



其中,医疗是云知声布局最深、积累最久的领域。十余年来,公司从医疗语音识别、病历生成切入,逐步进入病历质控、辅助诊疗等临床应用,并进一步延伸至医保审核、医保基金监管和商业保险理赔等支付与风控环节。


目前,云知声医疗解决方案累计服务近470家医疗机构,其中约85%为三级医院。


对于医疗AI企业而言,客户数量代表的是一个信任度指标。往深挖一层,是其在长期服务过程中,企业如何深入理解医院的业务流程、处理真实的医疗问题。


举例来说,一份病历记录了患者的诊断和治疗结果,但要理解医生某项判断,还需要知道当时掌握了哪些信息、为什么安排某项检查、采取了什么干预措施,以及患者随后出现了怎样的变化。


这些信息分散在不同的医疗系统和业务环节中。长期深入医院业务,才能逐步建立对临床场景的完整认识。


云知声过去十余年的医疗业务,为其积累了这样的基础。


以东南大学附属中大医院为例,云知声智能病历质控系统接入37类医疗文书、760个质控点,覆盖80余个科室。在真实数据抽样测试中,完成200份病历质检约需1小时,查全率超过80%,查准率超过95%。



在北京协和医院,云知声医保结算清单生成Agent能够综合病案首页、医嘱、入出院记录等信息,辅助完成诊断选择、ICD编码转换及DRG分组,主诊断选择正确率达到92%,DRG入组正确率达到93.6%。


这些应用分布在不同的医疗业务环节,却有一个共同点:都需要AI理解专业医疗信息,并按照医疗规则完成具体任务。


随着业务向医疗产业链上下游延伸,云知声的积累也不再局限于医院临床场景。


2025年12月,云知声中标江苏省医保垂直大模型项目,这是全国首个省级医保垂直大模型项目。在商业保险领域,公司与头部保险集团合作,累计审核超过260万件理赔订单,相关控费率约20%,实现超过10亿元的增量成本管控。


从医院临床业务到医保支付,再到商业保险,云知声逐步形成了覆盖医疗服务和支付管理的业务布局。



通用模型可以通过公开医学资料学习疾病知识,但真实临床中的隐性规则、医院工作流程,以及诊疗行为与患者结局之间的复杂关系,并不能仅靠阅读医学文献掌握。尤其医疗数据具有高度敏感性,数据获取、治理和使用都受到严格的合规要求。


真正进入医院业务,理解医生如何工作、医疗机构如何管理,以及医保和保险如何审核,需要长期的业务实践。


这也是云知声与单纯从通用模型切入医疗领域的企业之间,一个值得关注的差异。十余年的医疗业务,不仅为公司提供了商业化基础,也为其继续研发更专业、更深入的医疗AI技术提供了场景和经验。


 3

 从医疗大模型到世界模型,云知声探索下一代医疗AI


如果说过去医疗AI主要解决的是知识查询、病历处理和单项任务执行,那么随着大模型能力不断增强,行业开始尝试解决一个更难的问题:AI能不能理解疾病的发展过程,并推演不同治疗方案可能带来的结果?


医疗世界模型正是围绕这一问题展开的探索。


今年10月,云知声大模型事业部总经理&大模型首席科学家刘升平在物理AI与世界模型大会上介绍了U2-Med-World的研究进展。其核心方向,是让AI不再局限于医学知识问答和单次诊疗建议,而是进一步理解、模拟连续的诊疗过程。



不妨以一个具体病例为例。


一名有高血压病史的患者突发胸痛,背后可能涉及急性冠脉综合征、主动脉夹层、肺栓塞等多种疾病。医生需要结合患者当下的身体状态,判断应该优先进行哪项检查、是否需要立即干预,并根据检查结果不断调整诊疗方案。


不同的检查顺序和治疗选择,可能带来完全不同的后续结果。


传统医疗大模型可以根据患者的症状和病史,提供疾病分析和检查建议,但要完整模拟患者此后的病情变化,以及不同干预措施可能产生的影响,仍然存在很大挑战。


医疗世界模型希望进一步建立患者状态与临床行动之间的动态关系。简单来说,就是让AI不仅知道患者现在是什么情况,还能够理解疾病接下来可能如何发展,以及采取不同措施后可能出现什么变化。


刘升平将这种能力形容为构建患者诊疗的“平行世界”。


在现实中,同一位患者只能经历一条实际发生的诊疗路径。但在虚拟环境中,模型可以从相同的患者初始状态出发,分别模拟不同检查、用药和治疗方案可能带来的变化,比较不同路径的潜在收益、风险和不确定性。


这为医生评估诊疗方案提供了一种新的技术思路。


当然,要让这样的模型真正发挥作用,技术上还有不少难题需要解决。


首先,模型必须能够准确理解患者状态,将分散在病历、检验、影像和对话中的信息按照时间顺序整合起来。其次,需要学习疾病自然进展与临床干预之间的关系,区分不同因素对患者结局的影响。最后,还要在医学知识、临床指南和循证医学的约束下,对模拟结果进行校验。



其中,一个关键问题是如何解决真实临床数据不足的问题。


云知声的研究思路,是先从真实诊疗记录入手,将患者状态、检查结果、治疗行为和后续反馈重建为具有时间关系的完整诊疗轨迹。在此基础上,从相似的患者初始状态出发,调整不同临床干预条件,生成多条可能的诊疗分支。


这些合成诊疗轨迹并不是脱离现实的自由生成,而是需要结合真实病例、医学知识和临床规则进行约束与校验。同时,模型还必须区分已经发生的临床事实与模拟推演的结果,避免将后期才获得的信息带入早期决策。


从技术方向来看,这意味着医疗AI开始从静态知识理解,向动态过程建模延伸。


值得注意的是,云知声对医疗世界模型的探索,是建立在已有医疗业务和自主模型体系之上。


2026年7月,云知声发布U2-Med专家级三医大模型,整合70余项可调用、可编排的专业Skill,覆盖医疗知识问答、病历生成和专业审核等任务。


在医学影像领域,公司推出U2-RadiMed医疗影像大模型,将医学影像理解与专业医学文本能力结合。在MedBench 5.0评测中,U2-Med以72.4分位列大语言模型榜单第一,以99.2分位列智能体榜单第一;U2-RadiMed以57.2分位列全模态大模型榜单第一。



此外,云知声团队的GuideTree研究成果入选2026年ACL工业赛道。该研究将临床指南中的专业要求组织为结构化审核树,在一项慢病审核实验中,平均输入输出字符量减少82%,处理延迟降低83%。



从医学文本处理、影像理解到专业任务执行,云知声已经形成了多层次的医疗AI技术布局。医疗世界模型,则是其在此基础上向更复杂的诊疗过程继续探索。


目前,云知声已开始与部分三甲医院及地方医保部门开展医疗世界模型相关合作与探索,涉及门诊辅助问诊、住院全病程辅助诊疗、诊疗路径合规分析、疾病风险预测及医保政策模拟等方向。


 4

 AI产业竞争进入深水区,行业积累将转化为长期竞争力


从大模型到世界模型,人工智能技术不断向前发展,一个值得思考的问题是:当AI开始处理连续决策,企业的竞争力将建立在什么基础上?


过去,AI企业更多依靠算法、算力和模型性能建立竞争优势。如今,随着基础模型能力不断提升,真实场景数据、专业知识体系、业务流程经验,以及将技术真正落地的工程化能力,正在成为另一类重要竞争资产。


在医疗领域,医疗AI的商业价值也需要换一种尺度衡量。医疗业务真正需要的,包括可追溯的判断依据、稳定的系统协同,以及能够接受专业人员复核的工作机制。


图 / 摄图网,基于VRF协议


长期更值得观察的是模型能否降低实际业务成本、改善质量,能否跨场景复用,以及这种复用能否减少新增项目的交付成本。医疗领域漫长的验证与采购周期,决定了技术领先并不会自动转化为商业回报。


对云知声而言,过去十余年的医院合作、知识积累与工程实践,为新技术提供了训练资源和应用场景;大模型及世界模型的进展,则可能让这些分散在不同业务中的能力得到重新组织。能否形成从真实业务到模型迭代、再回到业务验证的持续循环,将决定其积累最终释放多大价值。


大模型军备赛仍在继续,但产业已经开始提出更实际的要求。


云知声的探索提供了一个观察样本:当模型能力逐渐成为产业发展的基础,长期积累的行业经验、真实业务场景和专业技术能力,或许将成为决定企业下一阶段竞争力的重要因素。


从医疗大模型到医疗世界模型,这场探索才刚刚开始。


*注:文中题图及未署名图片均来自云知声官方微信公众号。



@投稿专线  微信:cyzqx2013

【声明】内容源于网络
0
0
创业最前线
创业有道·创新中国|长期关注中国科技创新经济市场,提供更有价值的创投科技报道。
内容 2258
粉丝 0
创业最前线 创业有道·创新中国|长期关注中国科技创新经济市场,提供更有价值的创投科技报道。
总阅读8.8k
粉丝0
内容2.3k