嘉宾介绍
快问快答
一、产品与技术
Q. 请提供一段对于公司、产品和创始人的简要介绍。
医院的创新能力和诊疗水平，一直是困扰我国医疗体系高速发展的长期问题。同时，如何加快优质医疗资源的扩容，平衡优质医疗资源的布局也早已提上国家日程。在这样的背景下，在国内医学专家与中科院软件所共同成立的“生物医学人工智能联合实验室”的指导下，上海烁乐信息科技有限公司聚集了一批国内优秀、年轻的人工智能团队，共同研发并落地应用的医学人工智能大模型Med-Go。
Med-Go是一个由人工智能团队与国内一流的医学专家团队，通过强耦合的方式共同创造的产品，体现了医学团队与技术团队交叉融合的优势，实现了从研发到实际应用的落地。
Q. 如何定义产品的核心价值定位？与通用大模型（如ChatGPT）相比，您的AI应用在垂直场景中解决了哪些独特痛点？
Med-Go的核心价值在于构建“医生+AI”的深度协作模式，通过人工智能技术提升医疗服务效率、优化诊疗流程，并降低基层医疗资源不足带来的诊疗质量差异。它不仅仅是一个医学大模型，更是一款深度融合临床实践、精准医疗和智能辅助决策的医疗AI平台。
与通用大模型（如ChatGPT）相比，Med-Go在垂直医疗场景中的独特价值，包括：
医学知识的专业性与可靠性；临床决策支持（CDSS）能力；针对医疗场景优化的用户体验；数据安全与隐私合规；以及医学科研与知识沉淀。
总体而言，Med-Go的核心价值在于“专注垂直医疗场景，深度融合医生工作流”，Med-Go的定位不仅是医疗AI，更是医生的智能助手，通过专业化的医学推理能力、精准的临床决策支持、符合医疗合规的架构设计，为医疗机构提供高效、安全、可落地的AI赋能方案。这使得它在医疗场景中相比通用大模型具备不可替代的竞争优势。
Q. 在数据整合与应用中，如何应对企业数据孤岛、格式差异及实时性要求等挑战？
首先，Med-Go不用病例训练模型；其次，在本地化部署，医疗数据整合的过程中，医院不同科室的数据通常分散在独立的信息系统（如HIS、LIS、PACS等）中，面临数据孤岛、格式差异、实时性要求等挑战。Med-Go通过标准化数据接口、智能数据治理与联邦学习等多项技术手段，实现高效、精准、安全的数据整合和应用，助力医疗机构提升数据流转能力，提高诊疗效率。
Q. 如何平衡生成式AI的创新能力与输出可靠性？在降低“幻觉”风险方面有哪些技术或流程保障？
生成式AI在医疗场景中的应用需要兼顾“创新能力”（提供高效、智能的诊疗建议）与“可靠性”（确保医学建议的安全性、合规性）。相比开放性强但“幻觉”风险较高的通用生成式模型，Med-Go采用混合模型架构、多层验证机制以及闭环反馈优化，以降低错误输出，提高医学推理的可信度。以降低“幻觉”风险的核心措施为例，具体包括如下：
总体而言，在医疗AI应用中，生成式AI的创新能力和医疗决策的可靠性需要通过技术架构、人工审核、反馈闭环等多层机制进行权衡。Med-Go 通过“生成式AI + 规则引擎 + 反馈优化”的方法，确保诊疗建议在保持智能化的同时，符合医学标准，降低幻觉风险。这种人机协作、规则引导、动态优化的模式，使Med-Go 能够真正成为医生信赖的AI医疗助手，助力医疗机构提升服务质量和诊疗效率。
二、市场与商业化
Q: 面对通用大模型厂商的竞争，如何构建差异化护城河？是否考虑与基础模型厂商形成生态合作？
随着通用大模型的不断进化，垂直领域AI应用面临更多的竞争压力。Med-Go 作为专业医AI平台，不与通用大模型直接竞争，而是通过深度垂直化、跨模态集成、生态合作构建护城河，形成自身独特的市场壁垒。
Med-Go 的核心竞争力在于医疗行业的专业性、落地性、安全性，这些是通用大模型难以超越的核心壁垒，且大模型目前在应对垂直专业领域时，依然表现出严重的“幻觉”问题。但是，与此同时，Med-Go 也不会与大模型厂商直接竞争，而是打造合作生态，与底层基础模型厂商形成互补关系。基本措施包括：
Q：AI应用的定价策略如何设计？是否存在从“按调用量付费”向“价值导向定价”转型的趋势？
在医疗AI市场中，定价策略需要平衡技术成本、市场竞争力、用户接受度和长期商业可持续性。Med-Go 作为医疗AI产品，其定价策略不能单纯沿用通用大模型的 “按调用量付费（API计费）” 模式，而应更多考虑医疗行业的服务价值和落地场景的长期收益，逐步向 “价值导向定价” 转型。
三、伦理与社会影响
Q：在AI产品开发中，如何应对伦理风险（如数据偏见、深度伪造）与监管合规要求？
在医疗人工智能的开发与应用中，伦理风险（如数据偏见、深度伪造、黑箱决策）和监管合规（如数据安全、患者隐私保护、AI临床可解释性）是核心挑战。Med-Go 通过公平性优化、模型透明化、隐私保护技术 以及 符合全球医疗法规的设计 ，来确保AI 既能提供高质量医疗辅助，又符合伦理与合规要求。
Med-Go的伦理与合规双重保障体系，包括：
总体来说，在伦理方面，Med-Go采用了公平性优化、医学知识图谱、决策透明化，防止AI 偏见、深度伪造问题，提高可信度。核心思路是让AI 更透明、更安全、更合规，真正成为医生信赖的智能助手。未来，Med-Go 将在伦理保障、合规管理、可信AI建设方面持续优化，推动 AI 在医疗行业的长期可持续发展。
Q: 如何看待AI技术对就业市场的影响？您的产品是否设计了对“人机协作”模式的优化支持？
人工智能的发展正在重塑全球就业市场，尤其是在医疗行业，AI的应用不仅影响医生、护士、医技人员等传统职业，还改变了医疗管理、医学科研和患者服务的方式。AI不是单纯的“取代”人类，而是“赋能”人类，优化工作方式，提高效率。Med-Go 在医疗场景中强调 “医生+AI” 的人机协作模式，而不是取代医生，通过智能化技术减轻重复性工作、提升临床决策质量，并优化医疗工作流。
在AI发展过程中，最大的挑战之一是 如何让医生接受AI，而不是担心AI取代自己。Med-Go 采取以下策略确保AI是医生的助手，而不是对手：
在未来，掌握AI 的医生，将比不会用 AI 的医生更具竞争力。Med-Go 作为智能医疗助手，将成为医生工作中不可或缺的利器，真正实现 “人机协作”下的医疗智能化升级。
四、未来趋势
Q: 未来3年，哪些技术趋势将深刻影响AI应用层的发展？您认为“AI管人”与“人管AI”哪种模式更具商业潜力？
作为Med-Go 创始人，我深刻体会到 AI 在医疗应用中的机遇与挑战。从实际落地经验来看，未来 3 年，AI 应用层的发展将受到以下四大技术趋势的深刻影响：
1. 大模型与行业小模型的融合。Med-Go 不会与大模型正面竞争，而是用“医疗垂直小模型”增强医疗 AI 的专业性；
2. AI 多模态能力的突破。AI 未来不会仅仅理解文本，而是能同时分析医学影像（CT/MRI）、病历（EMR）、生理监测数据（ICU）、基因组数据，形成真正的多模态医疗 AI；
3. 生成式 AI 的“可解释性（XAI）”成为刚需。未来3 年，所有医疗 AI 都必须具备可解释性，否则无法真正落地医疗临床——这就是Med-Go的竞争壁垒和一直在努力的方向；
4. “AI API 经济”将改变 AI 商业模式。过去，AI 的商业模式主要是 “卖 API”，但未来，AI 更可能变成完整的 AI 生态平台，提供 API + 业务场景深度融合。医疗 SaaS + AI API 结合将成为未来主要盈利模式，医院按 患者量 / 医生使用量 / 诊断提升收益 进行 AI 采购。
关于“AI 管人”和“人管 AI”，哪种模式更具商业潜力？从商业潜力来看，“人管 AI” 更符合未来医疗 AI 发展的方向。理由如下：
1. 医疗行业更注重“医生主导”的 AI。如果 AI 直接“管医生”，医生无法信任 AI 诊疗建议，医疗责任无法归属。“人管 AI” 让医生在 AI 的辅助下提高效率，但最终决策权归医生，更符合当前医疗合规要求。
2. 监管层面对“AI 管人”持谨慎态度。全球医疗监管机构（如FDA、NMPA、CE MDR）都不允许 AI 直接代替医生决策。例如，FDA 只批准 “AI 作为决策辅助系统”，但不允许 AI 直接做出诊断结论。“人管 AI” 符合医疗监管法规，更容易进入市场。
3. “人管 AI” 模式在医院更容易落地。如果AI 直接替代医生，医院不会买单，因为患者仍然信赖“有医生的医院”。最优模式是 “AI 赋能医生”，让医生借助 AI 更快做出决策，而不是让 AI 取代医生。
- END -
