00:00 / 08:28
连播
清屏
智能
倍速
点赞1
今天有个现象特别值得琢磨:蚂蚁集团的AI健康应用"蚂蚁阿福",新版上线一个月,月活用户飙到3000万,每天用户提问超过1000万次。就在同一天,OpenAI也推出了ChatGPT Health功能,正式杀进AI医疗赛道。 两件事撞在同一天,背后其实是同一个信号:AI医疗,这个万亿级的市场,正在从概念期快速冲进应用期。 先说说蚂蚁阿福这个数字到底意味着什么。3000万月活,1000万日提问,而且一个月时间就翻倍。这已经不是简单的用户增长,这是用户习惯的快速养成。要知道,医疗健康是最高门槛的领域之一,用户不会轻易把健康问题交给一个AI。但蚂蚁阿福能做到这个规模,核心在于它解决了AI技术和医疗资源整合的问题。 再来看OpenAI的入局。ChatGPT Health功能跟蚂蚁阿福很像,也能做健康问答、报告解读、连接智能设备。但仔细看,差别很明显:它还没打通挂号、在线问诊这些核心医疗资源环节,目前只是小范围测试。 这个差距很关键。OpenAI有全球最强的通用大模型,但在医疗健康这个垂直领域,技术只是入场券,真正的壁垒是资源。你连接了多少医院、多少医生、多少设备,决定了你能不能在用户最关键的时刻,完成从咨询到服务的闭环。 所以这两个玩家的路径很清晰:蚂蚁阿福是从场景倒推技术,先有医疗资源,再打磨AI能力;OpenAI是从技术推向场景,先用模型能力切入,再逐步补齐资源短板。 这对整个行业意味着什么?三点判断。 第一,AI医疗的竞争已经进入了"生态竞争"阶段。单一的技术优势或者数据优势都不够,你必须同时有医院、有医生、有设备、有用户,还要让它们在一个系统里高效运转。这不是创业公司能独立完成的游戏,互联网大厂和医疗巨头的联姻会越来越频繁。 第二,用户习惯正在加速迁移。3000万月活,一个月翻倍,这个速度远超大部分互联网应用。说明什么?说明当AI真正解决刚需,用户是不会抗拒的。健康领域过去被认为是"慢赛道",但现在看,可能是被低估的"快赛道"。 第三,商业模式的拐点快到了。咨询是流量入口,但真正值钱的是后续的服务链条。在线问诊、慢病管理、健康险定制、药品配送,每个环节都有巨大的商业化空间。阿福们现在的免费策略,本质上是在为未来的服务帝国抢占入口。 #卫宁健康 #润达医疗 #创新医疗 #蚂蚁阿福 #openai医疗
00:00 / 03:23
连播
清屏
智能
倍速
点赞146
GPT-5 全面更新清单(2025年8月8日) 1. 架构与模式 •统一架构:高速基础模型 + 深度推理模式(自动切换)。 •融合 GPT 系列与 o 系列推理能力。 2. 性能升级 •数学、编程、写作、医疗等领域刷新纪录。 •响应更快,复杂任务更精准。 3. 上下文与记忆 •256K 超长上下文(75万字)。 •长对话与长文处理不丢线索。 4. 多模态 •原生文字+图片输入,视频/空间推理增强。 •可解析照片、图表、截图等。 5. 编程 •“Vibe Coding”一句话生成完整App/网页。 •UI 美学提升,复杂代码调试能力增强。 6. 写作与创意 •长文一致性、复杂诗歌创作更成熟。 •语气自适应,缺信息时主动追问。 7. 安全与准确 •幻觉率降至4.8%,医学仅1.6%。 •安全补全,减少编造与误拒。 8. 工具与代理 •自动调用浏览器/API,多步骤任务执行。 •执行前解释操作理由。 9. 专业领域优化 •医疗:解析报告、生成问诊建议。 •金融/法律:接近专家级分析。 10. ChatGPT 产品 •GPT-5 向所有用户开放,分批推送。 •订阅分层:Plus($20)、Pro($200)。 •四种人格风格切换,主题色定制。 •新语音更自然,可接入Google账号。 11. API 与开发者 •gpt-5 / mini / nano 三版本。 •API价格大降(低至$0.05/百万tokens)。 •可控输出长度。 12. 合作与生态 •微软全系(Copilot、Azure、GitHub)接入 GPT-5。 •医疗、教育等垂直领域合作。 •扩展插件与Agent生态。 #人工智能 #AI #GPT5 #ChatGPT #OpenAI新模型亮点汇总
00:00 / 00:56
连播
清屏
智能
倍速
点赞140
Qiuming1周前
医疗AI将迎“ChatGPT时刻”,破解“高期待、低兑现”困 斯坦福预测2026:医疗AI将迎“ChatGPT时刻”,破解“高期待、低兑现”困局 斯坦福大学以人为本人工智能研究所(HAI)近期发布观点,预测2026年可能成为人工智能在医疗领域真正落地生效的关键转折点。该所教授、放射学与生物医学数据科学专家Curtis Langlotz明确指出,医疗AI即将迎来它的“ChatGPT时刻”。 这一“时刻”并非指某个特定模型的发布,而是一场根本性的范式迁移。过去,医疗AI是昂贵的“烟囱式”开发——为识别肺结节训练一个模型,为诊断糖网再训练另一个,每个模型都依赖海量由专家标注的稀缺数据。新范式则指向“基础模型”:通过自监督学习等技术,先在大量无标注医疗数据上训练出一个通用“底座”,再将具体临床任务作为“插件”适配,从而大幅降低开发成本与门槛。 报告分析,这一转变依赖于四股力量的叠加: 自监督学习: 模型通过数据自身结构学习(如预测X光片缺失部分),摆脱对昂贵专家标注的绝对依赖,极大降低训练成本。 医疗基础模型: 旨在学习跨影像、文本、波形、基因等多模态的通用临床表征,支持更接近真实医生思维的综合推理。 隐私与数据治理工程化: 联邦学习、去识别化等技术的成熟,使得在保护隐私前提下利用多中心数据训练大模型成为可能。 临床工作流可插拔接口: 医院信息系统开始提供标准化接口,便于AI工具集成。 然而,报告尖锐指出,医疗AI要从演示走向临床,必须穿过“四道门”: 外部有效性: 模型在A医院表现佳,到B医院不能失效。 工作流耦合: 必须无缝嵌入现有临床流程,而非增加医生负担。 安全与责任链: 出错时需可追溯、可解释、可审计,明确责任归属。 支付与激励: 需明确支付方,并证明其能改善结局、节约成本或提升效率。 报告强调,医疗AI的“ChatGPT时刻”,本质是医疗数据资产的“工业化时刻”。其最终形态可能并非“替代医生”,而是引发临床体系内部的再分工:AI接管最耗时、标准化的环节(如文书生成、初筛分诊),将医生的注意力释放到复杂决策、医患沟通与人文关怀上。2026年是否成为关键,值得观察的正是这“四道门”是否出现结构性松动,以及AI能否在真实世界中稳定地提升诊疗水平、优化流程。
00:00 / 01:39
连播
清屏
智能
倍速
点赞0
00:00 / 01:35
连播
清屏
智能
倍速
点赞2
00:00 / 01:18
连播
清屏
智能
倍速
点赞14
00:00 / 02:10
连播
清屏
智能
倍速
点赞927