“一款理想的医疗大模型是解决医疗不可能三角，创造生产力价值。”
近日，在雷峰网《医健AI掘金志》对话京东健康技术产品部智能算法部负责人王国鑫，他指出，医疗绝对供给量不足是造成医疗“不可能”三角--成本、质量、可及性的根本原因。但在这一冰层下，还隐藏着医疗结构性供给不足的问题。
过去分级诊疗曾是解决这一问题的主要手段，通过将大量常见病、多发病、慢性病的病人，从三级医疗机构中、从专家手中，转移到基层医疗机构的全科医生手中。
尽管不少区域已通过医联体或医共体的方式推动分级诊疗，但分诊的重点仍在于“分”，而非“诊”，被视为一种简单的“浅层创新”。
在如今的AI大模型技术红利下，京东健康尝试用先进的AI技术协助医生和患者，为创造出增量的医疗产业生产力提供一种新的解决路径。
这就是前不久京东健康发布的面向医疗健康行业的“京医千询”大模型。王国鑫介绍，该大模型可快速完成在医疗健康领域各个场景的迁移和学习，从而实现产品和解决方案的全面AI化部署，为远程医疗服务换上新的“技术底座”。
今年5月底，医联率先推出首个国内医疗大模型MedGPT。6月底，叮当健康发布叮当HealthGPT，基于此研发应用型医药AI产品——叮当药师、营养师AI助手。此外，润达医疗，卫宁健康、科大讯飞、创业慧康、朗玛信息等公司也在积极布局。
越来越多的医疗健康领域企业意识到，强大的语言理解能力、生成能力、逻辑推理能力，将让大模型在互联网医疗领域大有可为。
“不过，这要看哪家企业能够率先打造出一个杀手级应用走向正循环。”王国鑫表示。
首先，相比于一些企业只选择与三甲医院医生合作进行产品研发测试优化，截至7月中旬，已经有178家科研医疗机构、26家药企、69家企业客户，以及超过4.3万名医生，直接或间接参与了京医千询大模型的应用建设。
其次，京东健康建设了行业内首个实物与服务相联通、知识与数据相融合的百万级大规模健康知识图谱，沉淀了超过亿级的覆盖线上、线下医患场景的高质量健康档案，并拥有海量的医药全域流通大数据。而这些则是打造一款“杀手级”应用的天然试验场。
不过，大模型在互联网医疗领域的落地仍然任重道远。
王国鑫指出，“大模型将来要面对的几亿消费者，充当他们的健康助手。但京医千询目前的推理速度还有较大的提升空间。”
因此，京东健康如何运用这一创新服务模式，推动医疗服务的常态化、医疗资源的可及性，将是后续的重要命题。
以下为《医健AI掘金志》与王国鑫的对话内容，《医健AI掘金志》做了不改变原意的编辑与整理。
王国鑫：互联网医疗发展历程中，技术能力是服务的关键支撑，而“京医千询”大模型是我们医疗数智化技术的一次集中体现。
它利用了京东健康超亿级的高质量医患对话数据、大规模的医疗知识图谱，以及公开资料如临床实践指南、最新的医学文献和专家知识等，最终涌现出三种能力：覆盖全流程的医疗需求，具备智能决策，支持多模态的医疗信息处理。
首先，在服务医生方面，基于京医千询形成的“智能助理”工具，可以协助医生完成诊疗风险识别、临床辅助决策、影像辅助决策、患者辅助筛查、智能辅助审方等操作，帮助医生生成语音电子病历、进行智能随访，提供动态医嘱、专病管理、教学培训等内容，从而提高工作效率，提升诊疗准确率。
第二，针对个人用户，基于京医千询大模型的“AI健康管家”，能将用户基础状态、饮食运动、生理信号等全时空健康数据，进行整合分析，提供健康方案定制、管理执行的闭环解决方案。
这不仅可以在用户生病的时候提供帮助，还能在日常生活中提供在线咨询、用药指导、情感陪伴、健康自测、饮食营养管理、健康行为干预等服务。
第三，对于医疗机构和企业客户，京医千询能够协助医疗机构和企业客户进行远程诊疗服务调度、商保理赔、药品流转追溯、硬件服务体验提升、企业健康管理优化等，从而帮助实现医疗资源高质量供给的提升。
第四，在科研领域，京医千询还可以进行辅助新药挖掘、医疗大数据科研、标准化病历质控、医疗专病分析、智能硬件反馈评估。
《医健AI掘金志》：你在介绍京医千询大模型时用了三个词：覆盖全医疗流程、智能决策、多模态。单拎出来任意一个都很有挑战，你们为何决定一次性全解决了？
王国鑫：从一开始做大模型时，我们就坚持一种想法，要先定义好大模型的能力再做技术开发。
因为京东健康中是有非常多的应用场景，而且很多场景早已广泛使用了各类AI技术。所以与其说我们要做一个具有什么能力的大模型，还不如反过来问，我们都有哪些不得不做的能力，才能够覆盖京东健康已有的应用场景。
所以第一个词“全流程”就自然产生。也就是说，无论toC、toB、toG、toH，其需求一定是医疗全流程“防筛诊治康”中的一环，必须用最新的大模型技术替代掉原有碎片化的中小型技术。
第二个词“智能决策”从何而来？
它确实是大模型带来的核心想象力，在决策机制上降低对人的依赖，显著提高用户的收益增速度。
而且大模型之于医生绝对不仅仅是一个问答和对话的陪伴角色，最重要的是帮助医生完成任务，提供决策的能力。
第三个词，多模态。
这是医疗行业的刚需。目前最常见的多模态技术是医学影像学，如CT可以提供高分辨率的结构图像，MRI可以提供更详细的软组织信息，PET可以提供代谢信息。医生可以将这些信息综合起来，制定更准确的治疗方案。
但未来大模型必须能够支持医疗场景下的多模态输入和输出，它至少得懂各种医学资料，比如体验报告、化验单、以及终端可穿戴设备的监测数据，从而精准判断病情。
总的来说，这三种能力是今天医疗大模型能良好落地的技术前提。
王国鑫：言犀是京东的通用大模型，代表了京东最底层的技术能力。但我们并非在ChatGPT出来后才去布局，而是京东探索研究院过去几年一直在做的工作。比如2021年，探索院就推出了“织女”模型并问鼎GLUE榜单，它可以看作言犀大模型的前身。
但我们真正决定试验大模型的应用能力是从今年1月开始。直到今年7月，京东在JDD大会上推出言犀大模型和京医千询医疗大模型，并进一步建设面向产业应用的技术生态。
第二个问题，我们医疗场景的迁移这件事情，跟刚才的问题是一致的，并不是现在才迁移。
京东健康的技术产品体系本身就有大量的医学自然语言工作任务，只是之前基于织女模型去开展工作，今年做了模型升级，就在言犀大模型继续开展工作。
比如说，自然语言行业有两个核心，一个是自然语言理解，一个是自然语言生成。但是“理解”是可以用“生成”的技术去实现，所以以前我们在选择技术路线时，会考虑两种技术路线怎么选择。
但ChatGPT的出现对我们最大的启发是“技术路线的再确定”。因为不论“理解”面临多少困难，或者“生成”面临多少困难，都要用大模型技术去做，这一共识是ChatGPT给予我们最大的帮助。
明确路线后，我们也遇到了大模型会带来的必然问题--幻觉。
所谓“幻觉”，指的是人工智能模型生成的内容，不是基于任何现实世界的数据，而是大模型自己想象的产物。
从技术原理来看，这些虚假信息语言模型是无意识的模仿者，并不理解自身在说什么，但是，以ChatGPT等为代表的大语言模型的“幻觉”，不仅会让人类在海量信息中难分真假，还会对患者的生命安全、医生工作带来威胁。
所以从今年1月到6月，我们跟言犀模型团队在一起，回答的一个核心问题是：如何在“有用”和“安全”两者中做好平衡。
实际上，医疗场景的特殊性就在于对有用和安全的追求都达到了最高水平。
如果一味追求安全，大模型可以说“您这个问题我没有办法回答，需要咨询你的医生。”
另外，我们较早的时候就意识到言犀是一个大语言模型，但要应用在医疗场景中需要明确：大模型自身的能力边界、何种条件下需要借助外部的业务系统、哪些场景无需大模型发挥作用及部分作用。
比如，医生希望大模型分析一下当天所有问诊情况，这种情况就需要访问外部业务系统，即用Agent技术来实现大模型对各种工具的串联和调度。
《医健AI掘金志》：为了打造京医千询大模型，团队内部做了哪些分工？
王国鑫：首先，算法团队毋庸讳言，团队中凡是有自然语言技术背景的同事基本都全员参与；其次，具有医疗背景的同事，也是最核心的团队成员之一。
因为生成模型有一个难点：对于相对复杂的问题、超过个人认知和学识的问题，我们往往无法判断正误。
这个问题可以类比于，我们做了一个小语言比如阿拉伯语的翻译模型，绝大部分人对翻译的好坏是无法评价的，必须要懂这个语种的人才行。
因此，我们根据京东健康的核心服务场景--互联网医院、零售药房、京东家医服务，把医疗团队划分为三种角色：医生、药师、健康管理师。而且我们在医疗专业团队建设上的投入，并不比算法团队少。
《医健AI掘金志》：立项、迁移、验证、应用、到开放生态，过程中最有挑战的是哪一部分？
王国鑫：都很有挑战，如果非要选一个话，我认为“验证”最难。
举个例子，当大模型的安全性下降，幻觉提升，我们就要和医学专家一起去“诊断”，是否模型之前使用的数据出现问题、还是迭代策略失误，还是存在其他问题？
我不敢说“验证”是所有垂直行业都存在的难题，但至少在医疗行业是一个挺难逾越的鸿沟。这其实并不稀奇，例如医学影像AI公司最难的环节也在于确立核心数据的金标准，以及医生与研发人员的配合。
《医健AI掘金志》：在搭建京医千询的过程中，京东健康过去积累的哪些能力得到发挥？
一是医疗行业本身虽然技术验证周期长，但对新技术的探索机制非常强，使得我们在医学场景的适配速度相对较快。
比如传感技术、人工智能技术、机器人技术、纳米技术、基因技术等，几乎都是早期阶段就在医上尝试，创造出新的应用场景，如医疗传感、医学成像、智能诊断、人机交互、远程医疗和个性化医疗。
二是京东健康过去在医疗健康服务领域的持续投入，建立了良好的验证场景，而且基于真实医疗场景下构建出一套知识体系，这是我们的大模型快速迁移的基础资源。
比如过去为了全面保障患者用药安全，我们早在几年前就构建了药学的知识库，如今基于此我们能够很快速且有效地构建不同药品之间的作用关系，解决药学大模型中的“幻觉”问题。此外过去建立起的处方审核能力，如今也能让我们更好地识别问诊对话中的关键信息。
《医健AI掘金志》：你们为何将“远程医疗”这个点放大，“大模型+互联网医疗”有哪些优劣势？
王国鑫：远程医疗是京东健康对医疗行业结构性供给不足的一种解法。
大家都知道医疗有一个“不可能”三角，即成本、质量、可及性很难同时满足，各国只能优先保证其中两个，美国优先的是可及性和质量，中国优先的是可及性和成本。所以是先解决看病难、看病贵，再进一步深入到看病好，水平高。
但在基层医疗机构中医疗的“可及性”还没被满足，存在医疗资源绝对供给不足的问题。它很用各种技术问题去解决，而是一个社会学问题或国家政策层面的问题。
但在绝对供给不足的冰层下，还隐含着大量医疗结构性供给不足的问题。
作为一家技术公司，通过远程医疗来解决医疗供给的结构性不足是我们的核心战略。而且远程医疗不是单纯的医疗服务项目，而是用信息技术下沉优质医疗资源的方法，提升区域医疗水平的均等化水平，解决医疗资源总量不足、分布不均衡的难题。
其次是改善就医质量。
很多人都有感受，远程医疗和线下面诊有一种体验鸿沟。这对医生来讲也还是一样的。所以我们今天希望用大模型为表的AI技术，去尽可能填补这一鸿沟，用我们自己内部有一句话叫“实现线上线下的医疗同质化”。
《医健AI掘金志》：互联网医疗行业长期以来都是卖药盈利，长期以来医疗AI产品未被纳入医院诊疗收费项目名录，院方不愿意付费。那么用上了大模型的“互联网医疗”，能够更好地商业化吗？
王国鑫：商业化很多时候都不是问题。医疗行业虽然在每个国家都不太一样，但终归都是一种很特殊的行业。最终能否商业化本身要回归到一个问题上：这项技术是否为整个医疗场景创造了价值？
如果一个患者从疾病状态走到康复状态，而且我们能在某一个点上证明AI的价值，那么商业化就不是问题。
一种是成为医生或医院的生产力工具，它的付费方就从患者“转移”到了医院或者医生本身，进入医院的收费名录。即院方付费，但很多医院在实际购买时动力不足。
而我们今天谈的大模型技术，有可能会带来新的商业模式。
比如大模型支持下的健康管理解决方案，实际上是要打通院内院外，用户离开医院还能持续获得医疗服务。那未来或许会看到，以大模型技术为代表的AI技术产品能突破原有的商业思路，带来新的商业路径。
《医健AI掘金志》：在医疗大模型的路上，华为的算力基础设施、以及终端硬件，广受业界青睐。你们为何选择华为的硬件，将来还有哪些合作？下一阶段，京东健康还有哪些规划和升级？
王国鑫：站在我的角度去讲，京东健康和华为的合作是两方面的。
一个是同华为等公司合作构建国内的底层技术生态。这件事情可以认为我们这一代技术人的使命，因为我们都不太希望国际上存在技术断链的情况，也期待实现全球价值自由的流动。
另一方面，我们会和华为的产品结合。华为有较好的硬件生态，消费电子产品在国内有举足轻重的地位，京东健康则是一个有医疗健康全场景的服务商，我们两者的合作能够为消费者提供长周期的健康管理能力，这件事情本身在业务合作上很顺畅。
京医千询大模型下一步的核心工作是验证它在部分场景上的安全性、提高推理速度、降低资源消耗。
安全不用多说。做大模型的团队都知道，最后拼的一定是推理速度和成本。如果将来想完完全全面对几亿消费者，提供健康助手的能力，以我们现在的推理速度和成本还有较大的提升空间。
同时也要快速优化我们的底层技术，资源消耗进一步降低，为下一阶段全面开放使用做准备。
《医健AI掘金志》：大模型可能应用场景覆盖诊前、诊中、诊后多个环节，但临床设想距离落地仍有一定差距。所以医疗领域的大模型之争，将按照什么逻辑演化？
王国鑫：我个人观点，今天医疗领域的大模型在比拼，最后拼的是谁能更快走向正循环。
什么叫做正循环？正循环的核心起点是有一个杀手级别的应用（killerapp），你要在这个killerAPP上不断创造价值。反过来用户还能够打磨你的技术，增强killerapp。这是整个产业生态，也是这一代AI技术所不得不面临的核心问题。
走向正循环有五个前提：一，基座竞争，这是一个永恒话题，大家都把它比作“杀手锏”；二，高质量数据的竞争；三，验证能力的竞争；四，推理能力的竞争；五，AINative的“杀手型”应用。这种产品洞察能力是整个市场所期待的，也是我们实际工作中需要进一步加强的。