繁體
  • 简体中文
  • 繁體中文

熱門資訊> 正文

AI競爭進入下半場,雲知聲的十年伏筆開始顯現

2026-11-17 11:02

過去兩年,全球人工智能產業經歷了一輪密集的技術競賽。

從模型參數、推理能力到多模態技術,各家科技企業不斷刷新大模型的能力上限。技術突破接連出現,人工智能也從科技行業的熱門話題,逐漸走向更廣泛的產業應用。

但隨着模型能力不斷提升,行業關注的重點也在發生變化。如今,市場更關心的是模型能否進入真實業務、解決專業領域的複雜問題,以及帶來持續的商業回報。AI產業的競爭,正在從模型能力的比拼,轉向技術與產業的深度結合。

醫療提供了一個頗具代表性的觀察窗口。

臨牀決策涉及複雜的醫學知識、連續變化的患者狀態和嚴格的安全要求,模型性能的提升只是進入這一領域的起點。能否理解診療過程、適應醫院工作流,並在實際業務中創造可驗證的價值,決定了醫療AI能夠走多遠。

成立於2012年的雲知聲,是這一領域值得關注的企業。

圖 / 雲知聲官網

從早期醫療語音識別、病歷生成,到輔助診療、醫保管理和商業保險,公司逐步深入醫療價值鏈。

如今,伴隨自主大模型能力提升,雲知聲將研究延伸至醫療世界模型,嘗試模擬疾病演化與連續診療過程。技術的新進展,也讓其長期積累的行業資產獲得了重新審視的機會。

 1

 大模型競爭進入新階段,產業應用成為關鍵考題

近幾年,全球大模型產業經歷了快速發展。從海外的OpenAI、Google到國內的DeepSeek、智譜等企業,圍繞模型能力的競爭持續升溫。

進入2026年,一個明顯的變化是,國內外AI產業的關注點在從模型性能轉向實際應用——在醫療垂類領域,海外醫療AI開始更多進入臨牀工作流,國內則在政策推動下加快醫療大模型和智能體的落地。

而模型能否真正解決行業問題,解決到何種程度,正在成為新的競爭焦點。

同時,這並不意味着基礎模型的競爭已經結束。相反,模型能力仍然是產業應用的基礎。重要的是,技術進步之后,企業還需要找到將能力轉化為實際價值的路徑。

醫療領域的難度尤其突出。

與一般的信息處理不同,醫療AI面對的是一個高度複雜的人體系統。同一種疾病,在不同患者身上可能呈現出不同症狀;同一種治療方案,也可能因為年齡、基礎疾病、遺傳背景和生活習慣等因素,產生不同結果。

醫療信息本身也十分複雜。一名患者的診療記錄,可能分散在病歷、檢驗報告、醫學影像、醫囑和隨訪記錄中。這些信息格式各異,還存在嚴格的時間關係。醫生需要把它們放在一起,結合患者的病史和當前狀態,才能作出相對完整的判斷。

更重要的是,診療不是一次性的判斷,而是一個不斷變化的過程。

患者接受檢查后,醫生需要根據結果調整判斷;採取治療措施后,還要觀察患者的反應,再決定下一步方案。不同的檢查順序、治療選擇和干預時機,都可能影響最終結果。

因此,醫療AI真正要解決的,並不只是能否掌握醫學知識、回答專業問題,而是能否理解患者的實際情況,以及診療過程中各種因素之間的關係。

政策層面也在推動這一方向。2025年,國家衞生健康委等部門發佈《關於促進和規範「人工智能+醫療衞生」應用發展的實施意見》,提出推動衞生健康行業高質量數據集、臨牀專病專科垂直大模型和智能體應用建設。

政策導向與產業需求正在形成合力,醫療AI也開始從單點工具向更深入的業務應用發展。

對AI企業來説,這一階段的競爭門檻相應被抬高。模型可以持續迭代,但真實醫療數據的積累、醫院業務流程的理解,以及對臨牀規則的長期掌握,很難通過短期投入獲得。

 2

 為什麼是雲知聲?十余年醫療積累構築產業壁壘

在大模型成為行業熱點之前,雲知聲已經在醫療領域佈局多年。

成立於2012年的雲知聲,早期以語音識別、自然語言處理等人工智能技術起步,隨后伴隨算法、算力和應用場景的演進,先后經歷了從神經網絡算法、小模型、行業AI到大模型的技術迭代,並長期深耕醫療、交通、金融等行業。

其中,醫療是雲知聲佈局最深、積累最久的領域。十余年來,公司從醫療語音識別、病歷生成切入,逐步進入病歷質控、輔助診療等臨牀應用,並進一步延伸至醫保審覈、醫保基金監管和商業保險理賠等支付與風控環節。

目前,雲知聲醫療解決方案累計服務近470家醫療機構,其中約85%為三級醫院。

對於醫療AI企業而言,客户數量代表的是一個信任度指標。往深挖一層,是其在長期服務過程中,企業如何深入理解醫院的業務流程、處理真實的醫療問題。

舉例來説,一份病歷記錄了患者的診斷和治療結果,但要理解醫生某項判斷,還需要知道當時掌握了哪些信息、為什麼安排某項檢查、採取了什麼干預措施,以及患者隨后出現了怎樣的變化。

這些信息分散在不同的醫療系統和業務環節中。長期深入醫院業務,才能逐步建立對臨牀場景的完整認識。

雲知聲過去十余年的醫療業務,為其積累了這樣的基礎。

以東南大學附屬中大醫院為例,雲知聲智能病歷質控系統接入37類醫療文書、760個質控點,覆蓋80余個科室。在真實數據抽樣測試中,完成200份病歷質檢約需1小時,查全率超過80%,查準率超過95%。

在北京協和醫院,雲知聲醫保結算清單生成Agent能夠綜合病案首頁、醫囑、入出院記錄等信息,輔助完成診斷選擇、ICD編碼轉換及DRG分組,主診斷選擇正確率達到92%,DRG入組正確率達到93.6%。

這些應用分佈在不同的醫療業務環節,卻有一個共同點:都需要AI理解專業醫療信息,並按照醫療規則完成具體任務。

隨着業務向醫療產業鏈上下游延伸,雲知聲的積累也不再侷限於醫院臨牀場景。

2025年12月,雲知聲中標江蘇省醫保垂直大模型項目,這是全國首個省級醫保垂直大模型項目。在商業保險領域,公司與頭部保險集團合作,累計審覈超過260萬件理賠訂單,相關控費率約20%,實現超過10億元的增量成本管控。

從醫院臨牀業務到醫保支付,再到商業保險,雲知聲逐步形成了覆蓋醫療服務和支付管理的業務佈局。

通用模型可以通過公開醫學資料學習疾病知識,但真實臨牀中的隱性規則、醫院工作流程,以及診療行為與患者結局之間的複雜關係,並不能僅靠閲讀醫學文獻掌握。尤其醫療數據具有高度敏感性,數據獲取、治理和使用都受到嚴格的合規要求。

真正進入醫院業務,理解醫生如何工作、醫療機構如何管理,以及醫保和保險如何審覈,需要長期的業務實踐。

這也是雲知聲與單純從通用模型切入醫療領域的企業之間,一個值得關注的差異。十余年的醫療業務,不僅為公司提供了商業化基礎,也為其繼續研發更專業、更深入的醫療AI技術提供了場景和經驗。

 3

 從醫療大模型到世界模型,雲知聲探索下一代醫療AI

如果説過去醫療AI主要解決的是知識查詢、病歷處理和單項任務執行,那麼隨着大模型能力不斷增強,行業開始嘗試解決一個更難的問題:AI能不能理解疾病的發展過程,並推演不同治療方案可能帶來的結果?

醫療世界模型正是圍繞這一問題展開的探索。

今年10月,雲知聲大模型事業部總經理&大模型首席科學家劉昇平在物理AI與世界模型大會上介紹了U2-Med-World的研究進展。其核心方向,是讓AI不再侷限於醫學知識問答和單次診療建議,而是進一步理解、模擬連續的診療過程。

不妨以一個具體病例為例。

一名有高血壓病史的患者突發胸痛,背后可能涉及急性冠脈綜合徵、主動脈夾層、肺栓塞等多種疾病。醫生需要結合患者當下的身體狀態,判斷應該優先進行哪項檢查、是否需要立即干預,並根據檢查結果不斷調整診療方案。

不同的檢查順序和治療選擇,可能帶來完全不同的后續結果。

傳統醫療大模型可以根據患者的症狀和病史,提供疾病分析和檢查建議,但要完整模擬患者此后的病情變化,以及不同干預措施可能產生的影響,仍然存在很大挑戰。

醫療世界模型希望進一步建立患者狀態與臨牀行動之間的動態關係。簡單來説,就是讓AI不僅知道患者現在是什麼情況,還能夠理解疾病接下來可能如何發展,以及採取不同措施后可能出現什麼變化。

劉昇平將這種能力形容為構建患者診療的「平行世界」。

在現實中,同一位患者只能經歷一條實際發生的診療路徑。但在虛擬環境中,模型可以從相同的患者初始狀態出發,分別模擬不同檢查、用藥和治療方案可能帶來的變化,比較不同路徑的潛在收益、風險和不確定性。

這為醫生評估診療方案提供了一種新的技術思路。

當然,要讓這樣的模型真正發揮作用,技術上還有不少難題需要解決。

首先,模型必須能夠準確理解患者狀態,將分散在病歷、檢驗、影像和對話中的信息按照時間順序整合起來。其次,需要學習疾病自然進展與臨牀干預之間的關係,區分不同因素對患者結局的影響。最后,還要在醫學知識、臨牀指南和循證醫學的約束下,對模擬結果進行校驗。

其中,一個關鍵問題是如何解決真實臨牀數據不足的問題。

雲知聲的研究思路,是先從真實診療記錄入手,將患者狀態、檢查結果、治療行為和后續反饋重建為具有時間關係的完整診療軌跡。在此基礎上,從相似的患者初始狀態出發,調整不同臨牀干預條件,生成多條可能的診療分支。

這些合成診療軌跡並不是脱離現實的自由生成,而是需要結合真實病例、醫學知識和臨牀規則進行約束與校驗。同時,模型還必須區分已經發生的臨牀事實與模擬推演的結果,避免將后期才獲得的信息帶入早期決策。

從技術方向來看,這意味着醫療AI開始從靜態知識理解,向動態過程建模延伸。

值得注意的是,雲知聲對醫療世界模型的探索,是建立在已有醫療業務和自主模型體系之上。

2026年7月,雲知聲發佈U2-Med專家級三醫大模型,整合70余項可調用、可編排的專業Skill,覆蓋醫療知識問答、病歷生成和專業審覈等任務。

在醫學影像領域,公司推出U2-RadiMed醫療影像大模型,將醫學影像理解與專業醫學文本能力結合。在MedBench 5.0評測中,U2-Med以72.4分位列大語言模型榜單第一,以99.2分位列智能體榜單第一;U2-RadiMed以57.2分位列全模態大模型榜單第一。

此外,雲知聲團隊的GuideTree研究成果入選2026年ACL工業賽道。該研究將臨牀指南中的專業要求組織為結構化審覈樹,在一項慢病審覈實驗中,平均輸入輸出字符量減少82%,處理延迟降低83%。

從醫學文本處理、影像理解到專業任務執行,雲知聲已經形成了多層次的醫療AI技術佈局。醫療世界模型,則是其在此基礎上向更復雜的診療過程繼續探索。

目前,雲知聲已開始與部分三甲醫院及地方醫保部門開展醫療世界模型相關合作與探索,涉及門診輔助問診、住院全病程輔助診療、診療路徑合規分析、疾病風險預測及醫保政策模擬等方向。

 4

 AI產業競爭進入深水區,行業積累將轉化為長期競爭力

從大模型到世界模型,人工智能技術不斷向前發展,一個值得思考的問題是:當AI開始處理連續決策,企業的競爭力將建立在什麼基礎上?

過去,AI企業更多依靠算法、算力和模型性能建立競爭優勢。如今,隨着基礎模型能力不斷提升,真實場景數據、專業知識體系、業務流程經驗,以及將技術真正落地的工程化能力,正在成為另一類重要競爭資產。

在醫療領域,醫療AI的商業價值也需要換一種尺度衡量。醫療業務真正需要的,包括可追溯的判斷依據、穩定的系統協同,以及能夠接受專業人員複覈的工作機制。

圖 / 攝圖網,基於VRF協議

圖 / 攝圖網,基於VRF協議

長期更值得觀察的是模型能否降低實際業務成本、改善質量,能否跨場景複用,以及這種複用能否減少新增項目的交付成本。醫療領域漫長的驗證與採購周期,決定了技術領先並不會自動轉化為商業回報。

對雲知聲而言,過去十余年的醫院合作、知識積累與工程實踐,為新技術提供了訓練資源和應用場景;大模型及世界模型的進展,則可能讓這些分散在不同業務中的能力得到重新組織。能否形成從真實業務到模型迭代、再回到業務驗證的持續循環,將決定其積累最終釋放多大價值。

大模型軍備賽仍在繼續,但產業已經開始提出更實際的要求。

雲知聲的探索提供了一個觀察樣本:當模型能力逐漸成為產業發展的基礎,長期積累的行業經驗、真實業務場景和專業技術能力,或許將成為決定企業下一階段競爭力的重要因素。

從醫療大模型到醫療世界模型,這場探索纔剛剛開始。

風險及免責提示:以上內容僅代表作者的個人立場和觀點,不代表華盛的任何立場,華盛亦無法證實上述內容的真實性、準確性和原創性。投資者在做出任何投資決定前,應結合自身情況,考慮投資產品的風險。必要時,請諮詢專業投資顧問的意見。華盛不提供任何投資建議,對此亦不做任何承諾和保證。