9天连发两个模型，王小川在“急”什么？｜甲子光年

真正的急颠覆式创新，不只是天连技术上的颠覆。

作者｜刘杨楠

编辑｜栗子

1月22日，发两北京赛尔大厦。个模光年在距离Baichuan-M3模型发布仅仅九天后，型王小川百川智能创始人、什甲CEO王小川再次坐到了媒体面前。急

这一次，天连百川带来了新一代模型Baichuan-M3 Plus，发两其在严肃医疗场景下的个模光年问答准确性、可靠性，型王小川再次刷新了M3所创下的什甲世界纪录。

凭借百川独创的急六源循证技术与M3基座结合，M3 Plus将幻觉率降低至2.6%，天连低于Open Evidence。发两

同时，百川首创“证据锚定”技术，不仅给出引文来源，还能将模型生成的每一句医学结论，精确锚定到原始论文中的对应证据段落，使AI的医学判断真正做到可核验、可追责、可教学。

更具长期意义的是，百川宣布推出「海纳百川」计划，将全球最低幻觉的循证增强医疗大模型以API形式，免费开放给中国医疗服务机构，让每一位中国医务工作者都能拥有可靠、好用的AI助手。

在当前大模型发布已趋于“常态化”的今天，这种高频迭代已经不是单纯技术宣发。在今天上午的媒体沟通会上，百川智能创始人、CEO王小川与模型技术负责人鞠强所言均指向一个核心判断：

AI已经具备进入严肃医疗核心流程的技术条件，但行业仍然卡在“信任”与“共识”这两道最后的门槛上。

因此，百川近期的密集动作，更像是一场针对中国AI医疗规模化落地的主动加速。这背后，则关乎一场面向中国医疗行业的非典型性“颠覆式创新”。

1.为“严肃医疗”量身定制的模型

与模型能力的快速演进形成鲜明对比的，是中国医生群体的真实使用状况。

某种程度上，医生的规模化使用，是AI在医疗行业真正落地的最后一公里。没有医生的广泛参与，AI再强，也只能停留在科研演示、辅助搜索或零散试点阶段，无法真正改变医疗系统的运行效率与供给结构。

在美国，已有超过45%的医生在日常工作中使用 OpenEvidence等AI工具；在国内，国家层面也大力推动“AI+医疗”试点建设，已有上千家医院引入各类AI系统，患者与普通用户对通用大模型的使用也在快速普及。

然而，在临床一线，许多中国医生依然处于一种谨慎的观望状态。他们知道AI很重要，也看到患者已经在用，但自己“不敢用、不会用”。

这种迟疑，一方面，源于医疗行业对风险的天然敏感。爱思助手电脑版下载诊疗决策对错误的“0”容忍，以及中国医疗系统自身的权威性，使得医生对任何“不可解释、不够可控”的工具，都保持本能的谨慎。

另一方面，则源于中美两国医疗供需结构的不同。在王小川看来，中美医生的工作环境完全不一样。美国医生一天可能看十个病人，是预约制，有时间慢慢用 AI；中国医生一天要看上百个病人，每个患者只有三五分钟，这种情况下用 AI，本身就难得多。

另外，中国在真实表达进展这件事上成本很高，甚至有很多不太严肃的评价，比如“xx完败xx”等噱头式的表达。“如果行业不能更真实、更良性地竞争，而是继续靠‘皇帝的新衣’，那AI落地医疗行业的速度只会被拖慢。”王小川说。

从这个意义上看，AI落地医疗行业的真正瓶颈，已经不单纯在于“模型是否足够强”，而在于是否足够可信，是否足够可核验，是否能被纳入医生的专业判断体系之中。

百川 M3 Plus此次的三项更新，便围绕这个目标展开，即用通过不断增强模型的可靠性， 降低模型幻觉，来降低医生使用AI的心理与制度门槛。

第一，是在基础模型层面压制医学幻觉。

M3 Plus将百川自研的Fact-Aware RL强化学习范式与“六源循证”体系结合，在无工具或弱工具场景下，仍然将幻觉率压至行业新低。这种做法的核心逻辑，是将“事实一致性”作为模型内生目标，而不是完全依赖外部工具兜底。

第二，是提高引用准确率，以换取医生信任的底线。

在临床场景中，“是否给出引用”已经不是关键，关键在于引用是否真的支持结论。百川M3 Plus首创“证据锚定（Evidence Anchoring）”技术，不是简单标注“引用自哪篇文献”，而是要求模型生成的每一句医学结论，都必须精确对应到原始论文或指南中的具体证据段落。每一句判断，都能被逐字溯源、逐条核验。

为实现这一目标，百川将引用准确性作为独立训练目标，引入Citation Reward Model，对错误或不匹配的引用进行明确惩罚，使结论与证据段落的匹配准确率提升至 95%。这意味着，AI 不只是“看起来专业”，而是能够被逐句核验。

第三，是持续降本，打穿规模化门槛。

通过MoE架构优化、模型量化与Gated Eagle-3投机解码等工程手段，M3 Plus的API调用成本较上一代下降约70%。在医疗这样高频、长链路的使用场景中，成本并非商业问题，而是决定是否能被规模化部署的前置条件。

同时，百川全面开放M3 Plus的技术能力，API限时免费体验15天，所有开发者均可申请使用。

综合来看，百川通过三项创新，实则在为“严肃医疗”场景重新定义一套可被信任、可被规模化使用的模型标准。

2.Baichuan-M3 Plus能改变什么？

从AI医疗影像时代开始，医疗AI发展的核心阻碍有二：一是信任，二是共识。因此，大模型时代要真正加速医疗AI发展，也需从这两个方面入手。

首先是信任体系的重塑。

在传统大模型范式中，模型基于概率计算，能够生成流畅、合理的回答，但对其内部推理与证据来源，往往具有很强随机性，使用者往往无法真正核验。

在普通场景中，这种不透明或许只是体验问题；但在医疗场景中，这直接构成安全风险的底线问题。

百川在 M3 Plus 中强调的“证据锚定”，本质上是在试图把AI从基于概率预测的黑盒，转变为基于循证推理的白盒。

每一条医学结论，都需要被精确锚定到原始论文、指南或说明书中的具体段落。这种机制，使AI的判断第一次具备了接近临床医生工作方式的可靠性，也为医生保留了最终判断权。

在张文宏等一线医生表达对AI影响决策准确性的担忧时，真正的分歧点在于，当AI给出建议时，医生能否清楚知道“它为什么这么说”。

从这个意义上看，证据锚定能力给“医疗AI能否被纳入临床决策体系”这一问题划出一道边界。

第二个关键，是推动行业共识的形成。

过去几年，中国AI医疗的发展，呈现出明显的碎片化特征。各家医院做各自的系统，厂商提供定制化方案，缺乏一个被广泛认可、可复用的技术底座。这导致大量项目停留在“示范工程”，难以形成规模效应。

百川此次通过“海纳百川”计划，将M3 Plus以API形式免费开放给服务医务工作者的机构，试图推动行业形成事实上的技术共识。

沟通会上，王小川预计，假设全国500万医学工作者都加入“海纳百川”计划，每年形成的成本约1亿元。“我们认为这种成本是可接受的，给行业带来的变化将非常大。”

事实上，当足够多的开发者、医院与服务机构围绕同一能力底座构建应用时，AI才有可能从零散工具，演化为医疗领域行业级的基础设施。对百川而言，这也是一种更接近平台化，而非单点产品的策略选择。

在实际开发、应用过程中，“信任”与“共识”这两条底线自然被拉齐，AI才可能真正进入医生的日常工作流，缓解国内医疗供给紧张的现状。

因此，M3 Plus实则是百川针对医疗行业结构性瓶颈，在技术层面给出的方案。这也构成了百川智能这场“颠覆式创新“的核心基础。

3.百川想改变什么？

如果将百川在医疗领域的长期逻辑抽象出来，其关键词就是——增加好医生的供给。

在互联网时代，医疗从来不是一门容易规模化的“好生意”，其核心约束并非流量获取的难易，而是医生资源本身。医生培养周期长、供给弹性低、地域分布不均，这些结构性问题，长期限制着医疗服务的普惠。

AI的出现，第一次让医生借助技术在数字世界“增加医生供给”成为可能。

通过将专家级知识、循证能力与推理能力嵌入模型，使更多年轻医生、基层医生获得接近高水平专家的决策支持。

王小川进一步解释道，今天年轻医生使用AI的方式需要调整，不是要求医生给AI纠错，而是反过来，让AI对医生的临床思维误区进行提醒，也给诊疗结果进行校验，这样才有机会降低误诊、漏诊风险。“不是医生给AI挑错，而是AI给医生保驾护航。在这种情况下，医生成长了，患者也受益了。”王小川说。

在此前提下，百川通过主动降本与开放API等技术让渡，让原本只可能在头部医院、头部专家身上集中体现的能力，有可能被复制，本质上是在扩展优质医疗能力的有效供给。

从这个层面看，百川正在医疗行业发起某种非典型性的“颠覆式创新”。

克莱顿·克里斯坦森曾对颠覆式创新给出明确定义，颠覆式创新是指在一个新的价值网络中，出现一种新的商业模式，从而导致原有成熟市场的突然崩溃。

但百川发起的这场关乎AI医疗的颠覆式创新，并不具有“破坏性”，反而是对原有价值体系的赋能，将真正专业、可靠的医疗模型嵌入医疗流程的核心决策环节，成为医生能力的放大器。

这种“放大”，一方面体现在医疗效率提升，缓和医疗资源挤兑的现状，另一方面在于系统性增强医疗行业的风险控制与知识更新能力。

在媒体沟通会上，王小川多次强调一个观点：如果AI能够在某些场景下显著提升患者获益，但却因为担心阻碍“医生成长”而限制使用AI，可能就限制了最有利于病人的医疗措施。

由此也折射出百川在AI医疗赛道中秉持的关键判断，即技术进步与医生职业发展，并非零和博弈，而是可以通过恰当的使用方式，实现双赢，并最终让广大患者从中受益。

也正是在这样的长期判断下，百川近期表现出的“紧迫感”，才显得更容易理解。

如果说上一阶段，行业还在讨论“AI能不能用于医疗”；那么这一阶段，讨论的核心已经转向“谁能够定义AI在医疗中的使用方式与信任边界”。

密集发布、快速迭代、主动降价与免费开放，百川在抢占一个时间窗口，在技术Ready，医疗AI从小规模试点真正走向规模化的关键转折期，率先建立技术标准与生态基础。

当然，这只是AI赋能医疗的第一步。责任边界、制度适配、医生培训、使用规范，仍将是下一阶段更为复杂的挑战。而这远非百川一家所能完成的。

但至少，从M3 Plus这一轮发布可以看出，以王小川为代表的一部分创业者已经不再满足于“做出更强的模型”，而在尝试回答一个更难的问题——如何让技术真正成为医疗系统的一部分，而不仅是系统之外的工具。

这或许才是百川近期加速背后，更值得被长期观察的变量。返回搜狐，查看更多