AI醫療獨角獸Abridge創始人訪談：企業級AI應用不存在簡單「套殼」

更新于：2025-04-11 00:37:08

作者：羅賓

顯示：明亮公司

！近日，美國AI醫療獨角獸Abridge的創始人、CEO Shiv Rao博士接受了美國CNBC的電視採訪。Shiv講述了Abridge在醫療保健企業級服務中的定位，以及作為一款曾經被歸類為“AI套殼”的應用，Abridge如何定義“套殼”的方向。Shiv Rao也是一名執業的非侵入性心臟病醫生。

大模型發展早期，“AI套殼”公司也曾被戲稱為“二流中間商”，因為它們“只是在別人的技術上貼了一個介面，而不是投入艱苦的工作來創建自己的模型”。當時人們認為AI領域唯一的競爭方式就是籌集巨額資金，投入算力並進行大規模預訓練，這一結論迅速反映到OpenAI、Anthropic等大模型商的估值上。

但這種情況改變了。大家很快意識到，真正的高價值正在向頂層應用轉移，這也是投資者願意為這類價值支付溢價，並給予所謂的“套殼”產品比Anthropic和OpenAI更高估值倍數的原因之一。

據Information報導，AI搜尋引擎Perplexity目前的估值是年化收入的170倍，而Anthropic是58倍，OpenAI是43倍。這表明投資者對Perplexity更快實現盈利和將增長轉化為收入的效率更有信心。

Cursor的母公司Anysphere在12個月內實現了超過1億美元ARR（年度經常性收入）。Cursor是由Anysphere開發的AI代碼編輯器。Anysphere的估值在2024年的幾個月內飆升了550%，現在已成為一家vibe-coding領域的“十角獸”。

與Perplexity、Cursor類似，Abridge是一家專注於醫療對話的“AI套殼”公司。其核心產品是AI Scribe，能夠即時將醫生與患者的對話轉換為結構化的臨床筆記，並與電子病歷系統無縫集成。這個產品旨在減輕醫生文書工作的負擔，提高醫療記錄的效率和準確性。

Abridge通過向醫療系統提供訂閱服務獲取收入，公司預計其ARR在2024年達到5000萬美元。Abridge已在美國超過100個醫療系統中部署其AI平臺。

以下內容為訪談內容節選，由「明亮公司」編譯：

Abridge如何理解醫療保健行業

主持人: 我們從最基礎的問題開始吧。Abridge是做什麼的？

Shiv：Abridge減輕了臨床醫生的文書工作，使他們能夠專注於最重要的人，即患者。我們成立於2018年，所以我們已經存在一段時間了。我們構建的一切都來源於一個基本假設：醫療保健是以人為中心的，我們認為這不會改變。

醫療系統重不同的人一直在進行對話：一邊是醫生或護士等專業人士，另一邊通常是患者或其家庭成員。對話可能產生於診所或醫院檢查室、急診室。這些對話語料實際上是醫療保健中許多不同工作流程的上游。

例如，如果你是我的患者，我給你問診后，我會記下一些潦草的筆記，試圖拼湊出我們實際討論的內容，最後我按照職業規範寫下一系列文書。全球範圍內都是這樣。

多個利益相關者會看那個筆記並對其進行評估：例如其他医生和护士会阅读它，瞭解我為什麼給你開某些特定的藥物；業務運營和財務人員也會閱讀那個筆記，因為這將與我獲得的報酬有關，這就是醫生為自己提供的醫療服務獲得信用的方式。

主持人：Abridge成立於2018年。ChatGPT於2022年問世。生成式AI在此之前就已經存在，對你們的業務有什麼影響？

Shiv：2018年我開始創業，一部分與Transformer有關，這是一種支援生成式AI的機器學習模型。但我們是從一些早於LLM的模型開始做的——像BERT、BioBERT、Longformer或Pegasus這樣的模型。這些模型有時是基於互聯網數據預訓練的，也可以針對你想解決的具體用例進行微調。

當大語言模型問世，生成式AI成為一種現象時，我們非常激動。我記得在2021年，我們在一個大型行業會議上參加了他們的晚宴，會議主題是生成式AI。2023年，許多參加那次晚宴的人給我打電話說：“我現在明白了，我也要嘗試一下”。因此，我們幾乎在一夜之間將所有這些潛在能量轉化為一些爆發力。

主持人：我相信醫生們也能感受到。OpenAI、Google、Anthropic這些大型語言模型公司一直在改進產品，也有自己的語音轉錄服務。為什麼醫生、醫院、醫療保健行業不直接使用它們，而是用Abridge？

Shiv：從AI技術的全棧去看，底層或接近底層的是那些基礎大模型公司，它們能提供每個人都可以利用的原材料。中間應該有一個基礎設施層，説明公司去協調不同模型。

頂部是應用層，應用層的公司專注於為特定的一組用戶或企業解決特定的問題。它們通常深度集成到工作流程中，並利用專有數據集。Abridge的任務是真正解決特定行業的問題，這意味著我們通常會用互聯網上沒有的數據集進行學習，通常會協調大量不同的模型，來創造最佳的用戶體驗。

主持人: 是否也是因為數據的私密性在醫療保健中也是極其重要的？

Shiv：是的。特定行業有特定的進入壁壘，隱私對醫療保健至關重要，可信可靠是基本要求，是你交易的終極貨幣。

所以我們看到的挑戰與機會在於能否利用靠近底層的優秀技術，在最合適的場景中構建我們自己的技術能力，彙聚成真正全棧的產品和解決方案。這是核心技術與AI的整合，來源於我們對如何將數據融入工作流程，收集醫生每天的輸入內容、進行客戶服務的探索過程。

主持人: 薩提亞·納德拉說過，OpenAI現在是一個產品公司。是什麼阻止了大模型公司進入到Abridge的這個領域？

Shiv：我認為對於基礎大模型公司來說，向頂層應用發展是有道理的。在某種程度上，它們一直都在那條方向上。你我都在使用ChatGPT或Claude。它們就是App或產品。

這些公司也是T型公司，它們有一個垂直方向，可能是我們都會使用的面向消費者的App；但它們同時也有更橫向發展的一層，即API，為其他公司提供訪問這些原始元件的能力，使企業能以深度的方式利用這些元件。但它們不可能涵蓋所有領域並深入所有領域。

精進5%的更高體驗：高效組合不同模型的優點

主持人：Abridge背後是哪些模型？

Shiv：我們協調了大量的不同模型。我們在幕後所做的工作可以稱之為“場景化的推理引擎”。經過過去幾年的探索，我們已經能夠處理不同模型之間複雜的協調任務。其中一些模型是網路規模大模型（通常有大規模參數和複雜計算結構），有些則是微調的開源模型。

要知道，在我們的工作中，一點點的差異，哪怕只有5%，對最終形成的用戶體驗有著巨大的不同。加上還有醫療保健中的信任和安全問題。因此，在許多方面，我們得盡可能深思熟慮地調用大語言模型並利用AI。

我們面臨的一部分挑戰就是如何從用戶行為中抽象出很多複雜條件下的任務。在產品的背後，我們可能會調用一個大語言模型15到20次，只為生成一條看似平常的筆記。顯然，我們無法在以如此高的頻率調用一個現成的大模型的同時，還保持低成本。所以我們要使用自己優化過的更具性價比的模型，確保高效和準確的輸出。

主持人：所以你們也在用DeepSeek開源模型嗎？

Shiv：當然，我們正在試驗。我認為這是應用層故事的一部分，每當底層大模型發生變動，有新的進步時，對我們都是一個利好：對於那些懂得如何將這些技術塑造成它們特定用例的公司來說，絕對是好消息。

主持人：它們的產品變得更加敏銳了。

Shi：當然。

主持人:你們認為，作為一家AI應用公司，是否比OpenAI更容易變現？畢竟OpenAI每年有數十億美元的虧損。你們成本結構是怎樣的？不想透露具體細節也沒關係。但能給我們一些大概的資訊嗎？

Shiv：在應用層，你得遵循你所在特定行業的所有規則。醫療保健行業，你的產品推廣策略，銷售策略等都有規則。我相信像法律等其他行業，也有自己的特點。我們根據規則做好以上工作后，定價只是一個後續步驟。

我們的價值還是在於能對行業產生的影響。這些年來，每5個醫生中有兩個不想在接下來的2到3年內繼續當醫生；根據JAMA雜誌的一篇文章，27%的護士不想在未來12個月內繼續當護士。這可能意味生活在農村地區的患者，不得不開車五六個小時去城市醫院找到風濕病專家問診。對於這些公共衛生緊急情況，我們必須做些什麼。

主持人:有了Abridge，省去一些文書工作，醫生的工作可能會變得更聚焦一些，所以他們因此願意繼續留在這個行業？

Shiv：對，其實我們從合規的溝通管道收到無數用戶的反饋，他們告訴我們，他們準備在這個行業再工作5年，因為我們已經減輕了他們很多的負擔。這些反饋也是我們的工程師們的多巴胺來源，他們越來越明確為什麼要做這件事。

主持人: 這個領域競爭也很激烈。是否已經到了醫生、醫院願意為你們的產品付費的階段？還是說你們正處於擴大規模並獲得市場份額的增長階段？

Shiv：他們願意付費，而且我們一直在擴大規模。我們在全國超過110個醫療系統中上線。其實我們過去幾年所處的時刻真的很有歷史意義，因為醫療保健系統通常不會這麼快地改變。這就表明，我們解決的問題也是我們國家各類首席級別的高管們都在考慮的首要問題之一，他們也正為此尋找有效的解決方案。我們能夠證明我們帶來的正向改變，所以能順利擴張。

開源讓我們以更低成本實現產品差異化

主持人:我一直很小心地稱Abridge為“AI應用公司”。當被別人以AI套殼定義你們的時候，你會感覺不舒服嗎？

Shiv：我不知道該怎麼看待這個詞，因為我不確定它現在是否還有幾年前那樣的含義。也許兩三年前，有一種觀點認為，在AI領域競爭的唯一方式是籌集數億美元，並預訓練這些網路規模的模型，以解決各種問題。

但人們很快意識到，真正的價值正在向上層應用轉移。而且當你能深度解決人類的問題時，就能實現這項技術的最高價值。

我們公司的CSO（首席科學官）是卡內基梅隆大學的教授，他也全職與我們在一起，住在三藩市。他覺得我們更像一些基礎模型公司，雖然規模不同；我們也是T型的，以我們自己的方式發展。我們也有自己的技術水準，也利用專有數據集，也在做微調和后訓練優化變成我們自己的模型，提供盡可能最好的結果和解決方案。

主持人：所以“套殼”對你們來說不再是一個準確的描述？套殼應用暗示著變“窄”（thin），對吧？但我認為你們正在解決更複雜的問題，並且越來越深入。

Shiv：完全同意。我認為所謂的“套殼”可能仍然適用於某類產品，更多是在消費領域。但不適用於企業級服務領域，因為企業領域除了技術之外，還有那些你必須考慮的因素：合規、隱私、安全、基礎設施、規模化能力等。

主持人:你們正在開發自己的模型，我們已經看到了這一趨勢，特別是DeepSeek讓模型變得更加便宜和高效。不止是你們，很多AI公司有更多的開源模型可以利用，從而可以生產自己的內部優化模型。

Shiv：是的，絕對的。我認為這是趨勢，這也是我們能夠取得成功的秘訣。我們能夠通過產品、用戶體驗和特定指標實現差異化。

我們不會告訴醫生：嘿，在產品的背後，我們可能正在調用和協調20個不同的模型。其中一些模型可能提取的是保險公司想要審查的內容，用於核保或報銷。另一些模型可能提取的是患者想要閱讀的內容——如果醫生在筆記中使用像“經導管主動脈瓣成形術”這樣的術語，他的患者看到這個術語時，可能會覺得：“等等，他從未對我說過這個。我要去Google一下，這聽起來很可怕。”然後患者可能會打電話或發郵件給醫生，詢問到底是怎麼回事。

因此，我們在後台協調的所有不同模型都是為了服務於這些不同的利益相關者，而我們的差異化很大程度來源於此。

Vibe-coding與傳統軟體開發的關係

主持人:我知道你們在醫療保健領域做得很好，但接下來我想更廣泛地談一談AI應用層。我們對vibe-coding（氛圍編碼）興起非常好奇，尤其是它將如何改變開發者的工作。作為AI應用領域的領導者，你們對此研究過嗎？

Shiv：是的，當然。這可能是我們在公司內部Slack上每天都會提到的議題。

Vibe-coding可以快速把想法轉化為可測試的原型，跳過許多傳統開發步驟。例如創建一個網站，無需深入理解底層代碼。我們也不知道6個月、12個月以後這項技術會有哪些進步，但即使在vibe-coding的説明下，你仍然需要掌握程式設計語言、演算法、AI和機器學習等基礎知識，才能完成一款產品的構建。

作為一名醫生，我仍然時常會去醫院看看患者的情況。每個月，當某個週末沒人想要去值班時，我會去值班。我會研究一些病人的脫敏的疾病資訊，然後將其輸入到AI模型中，瞭解如果AI在醫生的角色上看到一個有這些癥狀或投訴的病人，它會怎麼做。我發現至少有一半的時間，AI的第一直覺是不正確的。我會跟AI對話，我們反覆討論，我可以被它說服。雖然我沒有進行反事實推理或假設，但我相信我們最終得出的是比原來更好的結論。

（反事實推理或假設：醫生會考慮如果採取不同的治療方案，患者的病情會如何發展。這種思考方式在醫學決策中很常見。）

所以AI幫我擴展了我的思維，確保我沒有忽略一些對罕見病的診斷或不尋常的醫學診斷。但它仍然不能代替整個診斷思維。我認為vibe-coding之於傳統開發，與AI企業級應用之於基礎模型，有類似的相互作用。

主持人:你認為vibe-coding可以取代傳統代碼生成嗎？

Shiv：現階段，特別是在醫療保健等需要擴展企業級解決方案的行業，vibe-coding是一個很好的工具，它能快速進行產品或功能的原型設計。例如，它能幫助我們跳過很多想法落地環節或跨公司溝通想法的步驟，人們更容易理解我們正在構建的東西，也許還可以讓我們提前開始優化我們正在構建的要素，如優化用戶體驗，確保產品在正式發佈時能夠達到預期的效果和性能。

因此，它可以縮短產品發佈前的整個週期，但它現在並不能取代我們仍然要做的基礎工作——確保我們發佈的代碼能夠準確運行並規模化。