完善领域模型论文 | AI生成和翻译
问题：“领域模型是错误的；基础模型 + 跨领域能力才是赢家”这个论点正确吗？百川/王小川的医疗AI战略是否是一个错误？
回答：
你的直觉指向了一个真实的趋势，但结论需要稍加修正。
关键区别在于：
“领域模型”作为独立的基础模型 vs. 在顶尖模型基础上构建的领域专业化。
前者越来越难取胜。后者正是许多有价值的公司会存在的地方。
1. “医疗模型”无法仅凭数据击败GPT级别的基础模型
你的观点：
医疗那点文本数据 有 10% 吗？可能很少
这在方向上是对的。
一家医疗创业公司通常不具备：
- 数万亿个token
- 庞大的多模态数据集
- 大规模的强化学习基础设施
- 顶尖的推理研究
与OpenAI/Google/Anthropic/DeepSeek相比：
基础模型：
预训练
↓
世界知识
↓
推理能力
↓
编码/数学/语言能力
医疗AI：
基础模型
↓
医疗微调
↓
RAG
↓
临床工作流集成
↓
医院部署
医疗层通常是后半部分。
一家医疗公司说：
“我们有一亿份医疗文档，因此我们的模型会赢”
类似于说：
“我们有很多编程书籍，因此我们能击败NVIDIA/CUDA。”
瓶颈不仅仅是知识。
而是：
- 推理
- 规划
- 工具使用
- 多模态理解
- 长上下文
- 智能体能力
2. 但“分类是错误的”只说对了一半
AI本身正变得越来越通用。
例子：
今天的医生：
患者症状
|
v
医学知识
|
v
诊断
|
v
治疗方案
未来的AI：
多模态基础模型
+
医学知识图谱
+
临床数据库
+
医院系统
+
医疗工具
+
机器人/实验室系统
智能是集中的。
应用是专门化的。
这类似于：
Linux内核
|
+-- Android
+-- Ubuntu
+-- Kubernetes节点
+-- 嵌入式设备
没有人会说：
“操作系统没用，因为Linux存在。”
应用层仍然创造巨大价值。
3. 百川的战略问题可能在哪里
文章中最有力的论点不是：
“医疗AI是错误的。”
而是：
“在拥有顶尖模型能力之前做医疗AI是有风险的。”
这是一个更强的论点。
看看时间线：
2023年
每个人都认为：
构建LLM
|
v
寻找应用
2024-2025年
现实变成了：
强模型
|
+--> 编码
+--> 智能体
+--> 企业自动化
+--> 研究助手
+--> 医疗健康
编码爆发了，因为编码是：
- 数字化的
- 可衡量的
- 反馈快
- 监管少
- 全球市场
医疗是：
- 采用慢
- 监管障碍
- 责任问题
- 部署成本高
所以顺序很重要。
4. 为什么Anthropic通过编码取胜
这是最重要的一点。
Anthropic并没有说：
“我们是一家编码公司。”
他们构建了一个更好的通用模型。
然后编码成了切入点。
Claude
|
+--- 编码智能体
|
+--- 企业助手
|
+--- 研究
|
+--- 医疗健康
模型创造市场。
而不是反过来。
这是互联网时代和AI时代最大的区别。
互联网：
找到用户
|
构建产品
|
技术支持它
AI：
提升智能
|
新能力涌现
|
新产品出现
5. 王小川是否“不懂LLM”？
我会更谨慎地表述。
他显然理解：
- NLP
- 搜索
- 语言技术
- 产品策略
- 创业
他的背景其实非常相关。
但LLM改变了游戏规则。
搜索时代：
信息检索
+
排序
+
NLP
LLM时代：
预训练规模扩展
+
RL
+
后训练
+
智能体循环
+
计算经济学
赢家的画像变了。
一个优秀的搜索工程师不会自动成为顶尖的顶尖模型构建者。
就像：
一个优秀的编译器工程师不会自动构建NVIDIA GPU。
不同的瓶颈。
6. 反对文章的最强反驳
文章假设：
“谁拥有最强的模型，谁就会在医疗AI中取胜。”
不一定。
看看软件历史：
微软没有发明互联网。
甲骨文没有发明数据库。
Salesforce没有发明关系型数据库。
基础设施层和应用层都可以创造巨大的公司。
一家医疗AI公司可以通过以下方式取胜：
GPT/Claude/DeepSeek
+
医疗数据
+
医生工作流
+
医院集成
+
监管批准
+
分销
护城河不是模型。
护城河是系统。
我目前的看法
百川完全放弃顶尖模型
可能有风险。
因为：
弱模型
+
医疗数据
=
有限的天花板
医疗AI本身
没有错。
实际上可能是不可避免的。
但胜出的架构更可能是：
顶尖基础模型
+
医疗智能层
+
智能体工作流
+
医院生态系统
而不是：
小型医疗GPT
+
医疗文档
=
未来的OpenAI
你关于1970年代到1990年代的类比非常好：
当编程爆发时，最大的赢家不是那些制造“银行编程语言”或“医院编程语言”的公司。
他们构建了：
- CPU
- 操作系统
- 编译器
- 数据库
- 网络
然后每个行业都建立在其上。
AI很可能类似：
今天稀缺的层是通用智能基础设施。
但一旦这一层稳定下来，领域系统仍然会非常庞大。错误在于混淆领域专业知识与模型智能。
AI生成和翻译，但整理分享仍需精力。如果觉得有帮助，欢迎
捐助支持。
微信：@lzwjava
·
X: @lzwjava ·
打个招呼 👋