< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">
2026-05-16 12:49:15 来源：量子位
阿里健康发布「氢离子」
金磊 发自 杭州
量子位 | 公众号 QbitAI
很反差。
明明是一场AI的发布会，台下却坐满了医学界的大佬们：
有北大、清华的，有浙江、上海的，甚至医学顶刊BMJ集团的主编都来围观了……
为啥会这样？
因为阿里健康正式发布了一个新的医学AI产品——氢离子，主打的就是靠谱的医学AI助手。
或许你还会有疑问，现在通用大模型、医疗AI不是蛮多的么，阿里健康干嘛还要再另起炉灶啊？
好问题。
阿里健康CTO王祥志在现场举的例子，就直击了这个问题的七寸。
他用专业的Prompt来约束通用大模型：
你必须要查询专业的文献，告诉我氟泽雷塞的使用注意事项，当病人出现漏服到底怎么办的时候？
结果，通用大模型一本正经地给出了错误的补服建议……
在容错率极低的医学场景下，这绝对是个Big Problem。
除此之外，在“用”这件事上，也有问题。
目前中国50%的医生，会通过4个以上的APP来解决他们的问题，包括查询用药、查询临床指南，查询中英文文献还要再去不同的论文网站……
所以，氢离子要做的事情就一目了然了。
不仅是要更聪明，最重点的是，要让中国500万医生用得够可靠、够方便。
首先需要厘清一个核心概念。
氢离子不是医生用来给患者看病的那种AI，它是专门解决中国500万医生查证据慢、找文献难、读英文累、不同工具来回切换，以及通用AI容易说胡话等痛点的。
为此，氢离子甩出了三板斧，精准直击痛点。
医生可以用自然语言来提问，例如：
糖尿病肾病SGLT2抑制剂最新指南。
甚至医生们还可以通过语音、图片、病例文本等方式表达需求，系统会再根据问题拆解意图、检索证据、组织答案：
但更重要的是，答案可不只是完整回答那么简单。
氢离子强调，每个答案背后都会有指南、文献、说明书等医学证据支撑，并且可以定位到原文中的具体段落：
医生点击对应引用，就能看到证据来自哪篇文献、哪一部分原文，以及原文如何支持这个结论。
这点对医学AI非常关键。
因为医生真正需要的，正是一个能把证据链摆清楚的助手。
AI给出结论之后，医生必须能回头检查：这个结论依据的是指南、RCT研究、真实世界研究，还是某种较弱证据？它适用的人群是谁？样本量多大？是否和眼前患者相似？
如此一来，在查得快，且找得准的基础上，才能把核对证据的权利完完整整地交还给医生。
阿里健康正式宣布与英国BMJ集团达成期刊内容独家合作。作为全球最具影响力的医学期刊之一，BMJ集团旗下70本医学期刊过去十年间发表的所有内容和多媒体资源，将独家授权提供给氢离子。
这意味着，氢离子成为了国内唯一一个在站内就能直接阅读BMJ集团海量顶级文献的医学AI助手。
据了解，在此之前，氢离子已经与中华医学会、人民卫生出版社、中国抗癌协会等国内权威机构打通了数据。
一句话搜遍国内外顶刊，氢离子在证据源的丰富度与权威性上，已然筑起了区别于其它AI的护城河。
对医生来说，找到论文只是第一步，读懂才是更费时间的部分。
一篇SCI论文，尤其是临床研究论文，医生往往需要花不少时间拆解，包括研究目的是什么、纳入了哪些人群、干预措施和对照组是什么、对真实临床有什么参考价值等等。
在过去，医生们可能需要1到2小时才能提取一篇文献的核心内容；但有了氢离子，这个时间被压缩到了3到5分钟！
同时，氢离子还提供医学术语翻译和中英对照阅读，正如王祥志在现场提到的：
团队面对面访谈中，有超过80%的医生表示阅读英文医学内容时需要借助各种翻译工具，尤其是专业术语和生僻表达。
能读懂长难句、能做总结翻译，这在今天的大模型圈似乎已经是基操。
但真正让能台下数百位严苛的医学专家点头认可的，是氢离子在底层逻辑上对医学严谨性的死磕。
通用大模型之所以会说胡话，是因为它的本质是基于概率的文字接龙；但王祥志认为，在容错率极低的医疗行业，AI必须被戴上紧箍咒，懂得敬畏边界。
为此，氢离子给出了一套完全不同于通用大模型的公式：
医学证据 + 循证医学 + AI = 更可靠的医学AI助手。
AI被放在了最后，而循证医学的框架被前置到了算法的每一个毛细血管中。
具体而言，氢离子打造了一套全链路的四层循证AI架构。
第一层，是证据理解层。
毕竟医学文献不是普通网页，它里面有研究对象、干预措施、对照组、结局指标、样本规模、研究类型、证据等级等一整套结构。
氢离子会基于PICO框架和GRADE标准，对文献和指南进行结构化理解。
（注：PICO是循证医学里常用的问题拆解框架，分别对应Patient/Population、Intervention、Comparison、Outcome，也就是研究人群、干预措施、对照方式和结局指标；GRADE则常用于评价证据质量和推荐强度。）
用更通俗的话说，氢离子是先让AI读懂这条证据到底在研究谁、用了什么方法、和谁比较、得出了什么结果，以及这条证据到底有多强。
这一步决定了后面所有回答的底座。
第二层，是精准检索层。
医生提问往往非常复杂，尤其是带有真实病例背景的问题。模型不能只做关键词匹配，更要理解这个问题对应的医学结构。
比如，一个患者的年龄、疾病阶段、合并症、用药史、不良反应，都可能影响证据是否适用。氢离子在检索阶段引入PICO语义匹配，就是为了把医生的问题和医学证据之间建立更细的连接。
一言蔽之，这类检索是为了找到真正适用的证据。
第三层，是模型微调和强化。
通用大模型训练的是广泛语言能力，而医学AI要额外学会什么叫准确、忠实循证、安全有用。
这意味着模型要学会在证据范围内组织答案，遇到证据不足、指南不一致、适用人群有限的情况，也要把边界说清楚。
这也是氢离子反复强调“助手”二字的原因。
它不替医生做决定，相反，是把可追溯的证据、证据等级、适用范围和可能限制整理给医生。
因此，最终诊断和治疗责任，仍然在医生手里。
第四层，是专家评审层。
氢离子宣布成立医学AI专家委员会，邀请300多位中国临床专家共同参与医学AI评价标准和数据集建设。
这一体系包括学术方向把关、评测标准制定，以及一线医生对AI回答的持续验证和反馈。
这套机制的意义在于，医学AI不能只在技术榜单上自证优秀。
医疗是一个高度依赖专业共识和临床验证的领域，一个回答到底有没有用，不能只看模型分数，更要看临床医生是否认可、证据链是否扎实、边界是否清晰、是否经得起真实问题反复检验。
从这个角度看，氢离子的四层架构更像一个质量控制系统——
先理解证据，再精准检索，再训练模型按循证逻辑回答，最后交给专家体系持续校验。
这也是医学AI和普通AI产品最大的分野。
纵观整场发布会，最大的感受不只是阿里健康发了一个新APP，也不只是与BMJ集团达成独家合作。
重点应该在于一个变化——
医学AI正在从能不能回答问题，进入到答案如何被验证的阶段。
过去，很多医疗AI产品更像是检索工具、问答工具、辅助写作工具。它们确实提高了效率，但也常常让医生陷入新的不确定，AI说得很像对的，但我怎么知道它真的对。
氢离子的答案是，把AI拉回循证医学框架里。
它不把模型本身包装成权威，而是把权威交还给证据、指南、文献和专家评审；AI在其中扮演的角色，是连接、总结、翻译、定位和推理。
这种定位比较克制，也更符合医学场景。
在圆桌论坛中，北京大学人民医院血液科副主任医师刘竞谈到一个很现实的问题：
当AI推荐和现行指南不一致时，医生应该相信谁？
她的回答不是二选一，而是既不固守可能已经过时的指南，也不盲目依赖AI推荐。指南是临床行医的基本框架，AI则可以补充最新证据、特殊人群和复杂病例中的信息缺口。
这其实说出了医学AI最合理的位置：应当是医生和快速增长的医学证据之间的连接器。
从生产力角度看，它能把医生从大量重复性的资料检索和初步阅读中解放出来。
医生最宝贵的能力，不是记住每篇论文，也不是手动翻遍所有数据库，而是在证据、人群、病情、风险、患者意愿之间做综合判断。AI越能把底层证据整理清楚，医生越能把时间花在真正复杂的临床逻辑和人文沟通上。
从医疗资源角度看，它也有机会缩小不同地区医生之间的信息差。
在大城市三甲医院，医生更容易接触国际会议、前沿文献和高水平学术交流；但在基层或资源相对有限的地区，医生获取顶级医学证据的路径往往更长。氢离子希望解决的，正是这种证据可及性问题。
当然，这件事不能说得太满。
一个医学AI工具能否真正改变医生工作方式，还要看长期使用效果，看证据覆盖是否持续完善，看回答质量是否经得起更多真实临床问题检验，也看它能否在医生群体中建立足够信任。
但至少可以确定的是，医学AI的竞争重点已经变了——
谁能更好地回答“证据从哪来、是否可信、如何验证、适用边界是什么”，谁才更接近医生真正需要的AI。
毕竟，对医生来说，一个AI助手最重要的能力，从来不是说得多漂亮。
而是每一句话，都有迹可循。
版权所有，未经授权不得以任何形式转载及使用，违者必究。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。