7月13日，京东的大模型产品言犀在2023京东全球科技探索者大会上首次公布。

但和我们近来已经“熟视无睹”的大模型发布不同，这次既没有展示人机对话、图片生成、语音模拟、数字人等大模型企业最喜欢展示的“能力”，也没有和行业已经发布的大模型的做任何对比。

如果仔细推敲，现场提及率最高的两个字，就是“产业”。

例如，在健康领域，基于京东的言犀大模型，京东健康推出的京医千询大模型，就是典型的产业大模型。

为什么京东揪着“产业”二字不放？

事实上，目前的大模型赛道中，有两个分支。

第一个流派，是自上而下“设计出来的”，即先有通用大模型，然后再寻找具体的落地场景。

这样来的快，但它的缺点也一览无遗——很难找到真的行业应用落地机会，因为它根本拿不到多少基于真实行业应用的数据。

真正有价值的产业数据，或因为其原生产业缺乏数据汇聚能力而“凑不齐”，或许因为产业方意识到了数据的极高价值而“拿不到”。

比如，我一个做模型即服务的朋友就告诉我——因为数据就是命，所以现实中，90%的企业因为担心自己的数据泄漏而不敢把它们拿出来在公有云上接受训练。

所以，笔者大胆的预测一下，80%的所谓通用大模型，会倒在“产业数据缺失”这个门槛之前。

第二个流派，则是自下而上，从真实业务中“自己长出来的”，即根植于真实世界的具体任务产生的数据集进行训练。它们也许步子迈的比较慢、比较持重，先从垂类模型开始，走的是垂类模型—产业大模型—通用大模型的逆袭之路。

既有大量真实数据，又有大模型打造能力，这堪称完美组合，而这两者，京东都有。

不过，与第一类大模型的区别是——前者走得快，后者走的远。

不特定聚焦真实业务的大模型，有很多开源资源可用，只要资金（算力）到位，打造出来的难度并没有想象中高，所以“快”；但真实场景产生的模型有更高质量的真实数据，和具体的应用场景，所以更实用、价值凸显的更明确，虽然研发难度更高，但能走的更远。

按照京东CEO许冉的提法就是——产业大模型的价值=算法×算力×数据×产业厚度的平方，其数据配比则是——通用数据占70%，产业数据占30%。

比如京医千询大模型，它的“30%“是什么呢？

京东集团副总裁、京东健康技术产品部总经理李欣的看法是——这“30%”就包括了京东健康互联网医院所积累的超过亿级的真实医患问诊的高质量数据+亿级的医疗知识图谱+（基于医药电商的）首个实物+服务供应链的数据。

目前，京医千询大模型里的数据主要来自于医学指南、京东健康知识图谱、医学论文、和脱敏之后的医患对话数据，其中所有个人信息均基于《网络安全法》、《数据安全法》、《个人信息保护法》，受到平台的严格保密，不涉及任何个人隐私及敏感信息。

可以说，这是别的健康产业大模型企业看得见、做梦也想得到，但是偏偏得不到的珍贵数据，它是京东的健康产业大模型最坚固的护城河和数据壁垒，也是京东健康这种数字化原生企业的后发优势，

从这个角度去看，你可能才会理解，为什么京东天生偏爱全产业链的重业务，这说明京东在几年甚至十年前就看到了真实场景和真实复杂任务数据的价值。

这是一家不走捷径的企业的必然选择。

说时迟，那时快，一旦决策，京东健康在大模型应用上的推进速度是惊人的，它已经不是把医疗大模型应用在某一类受众或用户的单一产品里，而是将其作为京东健康新一代医疗健康服务生态建设的“技术底座”，。

不要以为这只是一种修辞——所谓的更换底座，就像是电脑换了CPU、汽车换了发动机，不但是业务的驱动引擎升级了，其上所有的业务逻辑都要跟着改变，这才叫“更换底座”。

更重要的是，更换AI底座并不是为了听起来很酷，它至少说明一个问题——在几个主要的应用端（应用场景）中，京东健康都找到了AI能力和实体业务的结合点。

这可能是目前国内规模最大的互联网医疗平台在AI应用于产业实践上的尝试。

首先有强烈感知的是京东健康互联网医院的医生们，在服务医生方面，有基于京医千询形成的智能助理工具——智能医生助理。

其实，在更换AI底座之前，京东健康已经为医生提供了线上全流程的全科和专科智能辅诊，但如果打个比方，这相当于自动驾驶里的L2+。

而新的智能助理则基本上迈入了相当于L3的阶段，虽然还是叫“辅助”，但一定程度上参与了决策，从“参考”到“辅助决策”，这一步迈的可不算小。

比如，笔者曾经写过，现在，任何一台千元手机的摄像头，都足以拍出千万像素的照片，这其中又有80%的皮肤表征是医生可以通过图片一眼识别的。

而在京医千询的支持下，医生的智能助理已经可以支持130多种皮肤病的循证可解释，用通俗的话说，就是对130多种皮肤病，AI助手能做出95%准确率的判断，而把最关键的5%留给医生决策；而一方面，在和患者交流中，比如给出相应的医嘱方面，已经有接近一半的医生使用了系统智能提供的话术，从而更准确、更标准的与患者交流。

如果你仔细的品味一下，你会发现，这套智能助手并不是在取代医生，而是极大程度的降低医生的重复性劳动，把核心决策权留给医生的同时，释放了大量的外围同质化工作。

你可能在某些高年资医生的办公室里，看到不少医学生，有的负责做基础检查，有的负责代写病历……而现在，任何一个普通医生都可以得到比这质量更好的辅助工作。

打个比方就是，如果有了这套系统的加持，一个医生可能在单位时间里干以前三个医生的工作，那么换算过来，就相当于凭空增加了2个医生，这就是我为什么一直说，京医千询的能力是提供核心优质医疗资源的增量。

和分级诊疗不同，它不是让优质医生在单位时间里看更少的病人，而是通过大模型的支撑，让优质医生在同等劳动强度下看更多的病人，这就是实打实的增量。

上面说的仅仅是最核心的诊断环节，其实，这套助手还可以帮助医生生成语音电子病历、进行智能随访，提供动态医嘱、专病管理、教学培训等内容，可以说把一个医生的诊疗、教学科研和诊后工作，都安排的明明白白。

这样的能力，很难有医生能拒绝。所以李欣才敢说：“医疗大模型是送给医生最好的时间礼物。”

再比如针对个人用户，就医体验也有了质的飞跃。

其实，不用专家说，大家也知道——基于一直以来国内优质医疗资源不平衡的情况，患者能得到的医疗服务，可能仅限于你在医生诊室里那5到10分钟。更不要说健康管理、用药咨询、情感陪护……这在有“京东家医”这类整合性健康服务之前，都是梦想。

但是，梦想并不意味着这些服务没有价值，它们有巨大的价值，也对应有着巨大的需求，也意味着这些需求如果被满足，会产生巨大的商业机会。

只不过，用传统的方式满足这些需求，是很难的。第一是这些服务比较碎片化，单点实现很难实现价值闭环；第二是这些服务是诊疗的派生服务，你首先要有诊疗这个核心场景，才能串起这些服务；第三，是如何用最高的效率、更低的成本实现这些服务。

而在用大模型升级后的京东健康，对个人患者也就是我们说的C端，提供了三个核心服务——更加个性化的诊疗意见、智能加持下的自诊和健康问答、健康管理和预防。

更通俗一点，就是说——病看的更细、更精准；有疑惑随时有人（或系统）答疑解惑；没疑惑也有人给你支招提醒，让你生活的更健康、康复地更迅速。

其实，这些服务和我们前面提到的医生得到的智能加持，是一个相互伴生的关系。

首先，医生得到更多的智能辅助之后，劳动强度下降、工作质量提高、基于知识图谱的智能辅助增强，这就给患者提供了获得高度个性化诊疗的可能。

随后，这些优质诊疗产生的互动数据在信息脱敏后，可以不断的用于京医千询大模型的再训练、模型精调等，这就等于产生了一个良性循环；

最后，由于诊疗的全程数字化，病人的基础状态、饮食运动、生理信号等全时空健康数据可以进行整合分析，然后由京医千询提供健康方案定制、管理执行的闭环解决方案；这不仅可以在用户生病的时候提供帮助，还能在日常生活中提供健康行为干预等服务。

当然，这些还在一步步的实现中。

但笔者相信，经过一段时间的完善，中国的患者从京东健康得到的服务，将从“诊室里的5分钟”变成“24小时无死角覆盖的全程健康管理”，从严重的服务欠缺，变成千人千面的个性化服务的无处不在……国内患者的健康体验，将在大模型的加持下，完成从手摇电话到智能手机的巨大飞跃。

事实上，京医千询能干的活儿还很多。

比如在医院端、企业用户端，京医千询可以能够协助医疗机构和企业客户进行远程诊疗服务调度、商保理赔、药品流转追溯、硬件服务体验提升、企业健康管理优化等；在科研领域，还可以进行辅助新药挖掘、医疗大数据科研、标准化病历质控、医疗专病分析、智能硬件反馈评估等。

简单总结就是，从帮助实现医疗资源高质量供给的提升，到整个医疗行业中多个参与主体得到的服务在数字化、智能化加持下的提升，全都是京医千询的星辰大海。

其实，人类一开始就意识到，健康产业的大模型，是刚需最强、也最有可能实现商业化落地的大模型垂类之一。

答案其实也非常简单，无论是发达国家还是发展中国家，无论是欧美日还是中国，优质的医疗资源供给始终是不平衡的。

这和医学的严肃性和优质医疗资源特别是高阶医护人员超长、超贵的培养周期密不可分。

由于优质资源的核心（也就是人）没法复制，所以，此前所有试图缓解这个矛盾的体系设计工作，都是试图用分流的方式解决这个问题，即通过分级诊疗等策略，从需求分层来缓解对优质医疗资源的压力。

基于以上现状，京东健康的医疗大模型，从本质上就是从提升医疗资源“增量”这个维度来解决问题。也就是说，健康产业大模型的手段，是通过打破时空的服务，提升效率、降低人力成本、复制优质医疗能力，并通过数字化的手段，使诊疗更加专业有效。

而这个“手段”的终极目的，是打破被认为“不可能打破”的医疗“不可能”三角，也就是医疗服务成本、质量、可及性这三者，基于中国的真实环境，实现一个相对理想的平衡点，让我们脱离匮乏，但也不致于昂贵和浪费。

京东健康的京医千询，或者京东旗下其它基于真实产业场景的大模型，乃至行业内这一类型的模型，对行业的贡献都远非其功能属性的这一面。

首先，它教会了我们如何选择一个最佳的切入点，让大模型落地。

选好一个商业化的切入点并成功落地，其实是非常难以做到的，因为这不仅仅是一个技术问题。

比如大名鼎鼎的IBM Watson Health，是公认的著名失败的医疗人工智能计划之一。

但Watson Health的研究者之一曾和笔者有过深谈，他认为Watson Health从技术上并不是失败的，失败的在于定位——在那个还没有千亿参数大模型的时代，这个项目在一开始就被定位于“可以实现高阶癌症专家的能力“，但事实上只达到了”一个刚刚可以开始执业的助理医师“的能力。

”所以换个思维，如果这个项目一开始就被设定为高阶医生的智能助手，那它将获得前所未有的赞誉和成功“，这位IBM的前专家这么说。

相对于这些技术强大但落地不佳的案例，京医千询的一大特点，就是要务实，就是一切从实际出发，它们做的是，要用京东健康有丰富的互联网医疗场景，去不断检验和提升这些大模型解决实际问题的能力。

所以，如果仅仅从技术看，京医千询是从L2+升级到了L3，并不是更酷的L4或者L4+，但它恰好是当前最需要的、能实现的，并且能够实现人机协同的平衡点和商业化价值释放的。

其次，它用“产业大模型”这个概念，挽救了“书呆子大模型”。

远川研究所的一篇报道中提出，通用大模型存在一个关键缺陷：它们只学习了文本或者其他单一数据，对现实世界的了解十分浅显；它们很好玩，但不可靠，所以更类似于一个“玩具”。

这句话翻译过来就是，用大量公开数据汇聚的数据训练出的AI能力有限，只有产业级数据训练出来的模型，才有可能真正产生产业价值。

比如，以京医千询所在的医疗领域，是一个人命关天的行业，如果它只是基于公开通用数据，而没有上亿次真实发生的诊疗数据进行产业化的训练，它可能既是不可靠的，也是我们不敢用的。

所以京医千询的又一个意义，在于为产业级模型的价值彰显，和通用型大模型如何完善自己，提供了一个优秀的案例。

据笔者了解，京东健康还正式推出了面向医疗健康行业的生态开放平台“京医星脉”，将为医疗健康生态全域、全场景生态伙伴AI升级提供“技术底座”支撑。

比如笔者最近购买的一块华为watch4PRO，它不仅硬件强大，更厉害的在于可以针对“微体检”等功能进行由获取真实医生提供的专业解读，彻底的打通了硬件和服务，而其中健康解读的赋能方，就是当时还没有叫“京医星脉”的生态开放平台。

所以，笔者认为，一边思考产业价值，一边思考社会价值，是京东系企业的一个特点，而“京医星脉”是这个理念的又一次实践。

所以我衷心的祝福它，为健康行业建立更强的能力，也让这个行业，具有造福社会的底气。