在OpenEvidence的光环之下，临床循证支持/决策辅助类应用已成为医疗AI行业版图中不可或缺的一部分。2025年以来，国内互联网大厂、垂直领域独角兽、医学资讯/医生社区平台都纷纷推出类似产品。

医疗AI+大数据领域的头部公司医渡科技，也已进场布局。

3月26日，在小程序版临床循证智能体平台“医渡智循”上线半个月之后，医渡科技正式发布APP版“医渡智循”，并宣布推出可嵌入临床工作流的“医渡智循”医院版。在当天举行的中关村论坛活动上，国内首个聚焦循证医学与人工智能深度融合的行业级共建计划——由清华大学附属北京清华长庚医院等国内多家顶级医疗机构共同发起的“中国临床循证智能能力建设计划”也正式启动，医渡科技以核心参与方姿态为该计划提供底层AI能力支撑，核心技术载体便是“医渡智循”。

AI的发展堪称字面意义上的“日新月异”，各方“诸侯”都热衷于争夺先发优势。从时间线上看，相较于市场上已活跃数月甚至更久的同类产品，“医渡智循”的亮相似乎有些“姗姗来迟”。但在医疗这个具有高度专业壁垒和强监管的领域，特别是对于旨在进入核心决策环节的AI产品而言，速度反而不是最关键的要素。目前，并未看到有厂商，公布相关产品的用户规模，包括互联网大厂。

因此，以医疗大数据治理起家，且已实现AI转型升级的医渡科技，此时推出“医渡智循”，并非简单的追随形势，而是基于自身深厚行业积累的一次战略卡位，目标直指医疗AI从“可用”到“可靠”甚至“不可或缺”的本质跨越。

审慎的“后发”

早期市场上涌现的不少基于大语言模型的医疗AI助手，虽然都能实现流畅对话和广泛的信息覆盖，但普遍难以摆脱“幻觉”，即生成看似正确合理但缺乏坚实证据支撑的答案，甚至凭空编造指南文献，对于资历尚浅，专业判断力不足的医生，临床诊疗中贸然采信这样的建议，后果严重性不言而喻。

也正是基于这样的洞察，医渡科技联合创始人、CEO徐济铭将医生描述为“高专业、高挑剔”的群体，其对新技术的运用保持着相对谨慎甚至是保守的态度。

大模型市场的第一波浪潮，在某种意义上完成了对用户的“启蒙”与“教育”，医疗大模型在推广试水中，也清晰划定了医生对AI工具的接受底线：可信度与可靠性。

医渡科技联合创始人、CEO 徐济铭

徐济铭透露，在之前的市场观察期，医渡科技得以了解医生群体对现有同类产品的反馈，看到其中存在的不足，从而更精准地聚焦于医生的痛点需求：并非简单的医学知识问答，而是在真实的临床和科研工作中，高效整合海量且快速更新的指南文献，并将标准化证据与复杂的病案信息相结合，快速进行有多元选择的循证决策。

与许多从通用大模型能力延伸或从消费者端切入的玩家不同，对于医渡科技，“医渡智循”并非一个从零开始的项目，它的根基深植于公司过去十余年在B端的长期耕耘。

目前，医渡科技已构建起覆盖“医-药-险-患”全产业链的AI产品与服务体系，截至2025年9月30日，其自研的“AI医疗大脑”YiduCore，已累计处理分析近70亿份经授权的医疗记录，构建的疾病知识图谱基本覆盖所有已知疾病，专病库覆盖病种98个；医院合作网络超10,000家，包括中山大学肿瘤防治中心、北京大学肿瘤医院等知名专科医院，以及北京协和医院、清华长庚医院等大型综合型医院，产品与服务覆盖诊疗、科研、运营管理等多个场景。

事实上，医渡科技早已在院内场景与上述顶级医疗机构合作，开发并验证了“医生Copilot”等AI助手产品。当这些在院内最严苛场景中打磨的产品获得顶尖专家认可后，使其走出“深巷”，覆盖更多医疗机构和更广泛的医生群体，也就顺理成章。这个由内而外的需求拉动，被徐济铭视为“医渡moment”。

三大差异

相比国内市场上已经出现的同类产品，“医渡智循”有三大显著差异。

其一，是从“信息提供”到“证据决策支持”的范式转换，也就是“句句有来源，结论可验证”。医渡科技技术创新副总裁李林峰指出，许多同类产品的技术路径可概括为“检索增强生成”（Retrieval-augmented Generation，简称RAG），这解决了部分“幻觉”问题，但本质上仍是一种信息整合与呈现。“医渡智循”试图更进一步，要求系统不仅给出答案，还必须为每一条关键建议明确标注指南/文献出处，并支持医生一键回溯原文核查，避免“黑箱运行”；同时，系统会依据GRADE等国际循证医学标准对证据进行分级排序，明确区分高质量证据与专家共识。通过“决策过程透明化”和“证据等级显性化”，旨在将AI输出内容直接对标临床决策所需的证据链，而非仅仅是“信息参考”。

其二，是打造了“多智能体协作”体系。面对复杂的临床问题，例如为肿瘤患者制定治疗方案，“医渡智循”采用“多专科智能体分发引擎”，自动识别临床问题的核心意图，并调度多个针对特定任务（如肿瘤分期、药物推荐、临床试验检索等）训练的专科智能体协同工作，最终形成综合答复。这种运行模式事实上模拟了多学科会诊（MDT），可以发挥每个智能体在其专业领域的优势，且决策过程相对独立、可追溯，从技术上为“句句可溯源”提供了可能。

其三，是针对不同场景的双线产品布局。除了公开版APP和小程序，“医渡智循”还有医院版，两个版本共享底层循证AI能力，但在功能上形成互补，共同覆盖医生院外研究学习、院内直连患者数据并辅助诊疗全流程的各种真实场景。医院版可根据医院学科特色灵活设置专科、专门场景智能体，精准适配院内药品目录、诊疗规范与质控要求，并支持联合院内专家共建专属知识库。更关键的是，医院版可与医院HIS/EMR系统集成，嵌入医生临床诊疗的工作流，实现基于患者全景数据与循证知识库紧密联动的主动提示与决策辅助，从而提升临床诊疗工作效率。相比医院版，公开版“医渡智循”APP可以作为不受场景约束的医生随身工具，支持图文自由输入，并重点提供个人知识库管理、最新文献速递等延展功能。徐济铭还透露，“医渡智循”正在规划患者随访功能，便于肿瘤等需要长期治疗患者的诊后管理。

如何商业化？

关于“医渡智循”的落地应用，徐济铭明确表示不会“撒胡椒面”，不会盲目追求下载/装机量。

当前全球每30秒就有一篇新医学论文发表，指南更新迭代频繁，特别是国内，指南/共识文献版本多种多样，临床一线获取和应用高质量循证证据的效率明显不足。徐济铭告诉健闻咨询，“医渡智循”首先会在肿瘤、自身免疫疾病等复杂、长病程、指南更新迅速的专科领域重点推广，这些领域的医生面临更大的信息整合与决策压力，对高质量辅助工具的需求更为迫切。医渡希望通过与这些领域的顶尖医疗机构和专家合作，打造深度应用的标杆案例，在医生群体中形成专业口碑。

赋能基层医疗是另一条重要路径。3 月 26 日中关村论坛上，相关专家也指出，临床工作中循证证据获取的矛盾在分级诊疗体系下尤为突出，“中国临床循证智能能力建设计划”正是为回应这一结构性痛点而设。

在国家推动“强基工程”和分级诊疗的大背景下，同时由于医保DRG/DIP支付改革，大三甲也倾向于把“低分值”病重患者分流到基层，基层医疗机构亟需提升诊疗水平，来承接首诊和下转的患者。徐济铭表示，未来“医渡智循”还将进一步适配基层需求，加强区域化落地。基于医渡科技的数据治理能力和资源积累，不仅可以打通区域内不同级别医疗机构的数据，将大三甲的能力下沉到基层，还有助于推动大三甲与基层医院在临床科研方面的合作。

徐济铭透露，“医渡智循”的基础功能将坚持免费，以降低使用门槛。未来的盈利模式，一是面向医生提供高级别、定制化的增值服务，如深度科研分析工具、增强版患者管理模块等；二是更具想象空间的产业端变现，即利用产品在辅助临床研究患者筛选、加速真实世界研究、赋能保险产品精算与风险管控等方面的能力，向药企、商保公司等B端客户提供服务。这与OpenEvidence的商业化路径有某些相似之处。

本质上，“医渡智循”的商业化，并非单纯依赖用户流量进行广告或订阅变现，而是基于既有庞大业务生态（合作网络覆盖万余家医疗机构、500多家生命科学公司，累计为5省13市惠民保业务提供服务）和数据积累，旨在成为连接医生、医院、药企、保险公司等各个环节的“智能枢纽”，通过解决各方核心痛点，融入医疗健康产业价值链进行变现。

“数据合伙人”的战略升维

从一个产品的角度，“医渡智循”的发布只是医渡科技在AI临床辅助能力上的一次向外延展和普及，但如果纵向审视医渡科技的传统核心业务，也不难看出，这是一场关键的战略演进，它试图将公司过去十余年积累的核心资产进行转化，开辟新的增长路径。

过去十余年，医渡科技一直专注于医疗数据治理和为医疗机构提供定制化解决方案，但这种项目制、定制化的模式，也存在交付周期长、规模化复制难的挑战。“医渡智循”的推出，意味着公司在将沉淀在“后台”的数据能力、模型能力和场景认知，产品化、标准化为一套可被广大医生直接使用的“前台”工具的道路上，成功迈出了第一步。

此类深度嵌入临床决策流程的工具，一旦建立信任，将自然具备向医院系统集成、医保管理优化、以及人群健康管理延伸的平台级潜力。

徐济铭表示，医渡科技一直在打造“一脑两端三大功能区”的架构体系，这也是公司的核心战略，“一脑”即YiduCore“AI大脑”与数据基础，“两端”分别是医生端和通过医生带动的患者端，三大功能区则是指医疗、医药研发和普惠保险。

最新发布的“医渡智循”，正好成为衔接“一脑两端三大功能区”的关键枢纽：它既汲取了经过机构验证的能力，又服务于医生端新增的需求；同时，医生在院内院外的使用反馈，又可反哺“大脑”的进化，形成“数据-模型-场景”的增强飞轮。

对医渡而言，这无疑是全新的商业版图。这一战略拓展如果成功，将意味着从定制化方案提供商，逐步升级为可规模化复制的智能产品与平台服务商，未来发展空间更具想象力。

“尽管我们是从数据治理起步，但我们并不仅仅是一家大数据公司，更是一家真正的医疗AI公司。”基于这个定位，徐济铭认为，在AI技术迅速迭代、概念不断更新的当下，更需要在诸多变量中寻找常量。“我觉得深耕医疗核心场景，沉淀高质量数据的重要性是毋庸置疑的，随着AI的基础模型从语言模型向世界模型升级，数据作为核心要素的价值还会继续放大。”