模型没变，准确率从20%到80%：AI医疗的瓶颈不在智力

昨天下午，我在一个医学AI的线上讨论里看到有人贴了张图。Atropos Health 的 Precision Evidence Bench 测试结果：同一个临床大模型，回答患者情境化的治疗问题时，如果不给任何外部证据，准确率大概在百分之二十几；一旦接入他们那套真实世界证据库，直接跳到接近百分之八十。

提升超过 300%。

我盯着这个数字看了好一会儿。不是因为惊讶于提升幅度，而是因为它指向一个让人不太舒服的结论。

模型没变，变的是它旁边站着谁

先说清楚这是什么实验。Atropos Health 做了个叫 Precision Evidence Bench 的基准，专门测大模型在精准医疗场景下的表现——不是考它背不背得出医学教科书，而是给它一个具体患者的复杂情况，问“这个人下一步该怎么治”。然后他们对比两种模式：裸模型直接回答，和模型加上高质量真实世界证据（RWE，指从电子病历、保险理赔、临床登记等真实诊疗过程中提取的数据，不是实验室里的理想条件数据）之后再回答。

结果就是开头那个跳跃，从二十几分到接近八十。

关键在于，模型本身一行参数都没改。变的只是它面前多了一个证据库。Atropos 同时宣布他们的 Alexandria 证据库已经积累了 5 亿个研究等效数据点，目标是 2026 年底到 20 亿。

这让我重新想了一个问题：过去两年大家拼命刷榜、比参数、卷训练成本，是不是把力气使错了地方？

坦白说，我之前的判断是需要修正的。我一直觉得模型能力是天花板，数据是地板——先有好模型，才谈得上用好数据。但这个实验说明，在临床这种高复杂度、高容错要求的场景里，天花板可能不是模型智力，而是它能调用的证据质量。你给一个中等聪明的模型配一套顶级证据库，它的表现可以碾压一个顶级模型空手作答。

这就像考试。一个普通学生带着课本进考场，和一个天才学生闭卷答题——谁分高，取决于题目有多依赖记忆和检索。

开源的不只是模型，是整条工具链

同一天还有一个消息我觉得被低估了。

Insilico Medicine 在 Cell 上发了篇封面研究，一次性开源了三样东西：LongevityBench，第一个评估 AI 在衰老生物学领域推理能力的开放基准；Longevity-LLMs，用临床和多组学衰老数据训练的开源小模型；还有 Longevity Claw，一个能自主调用各种长寿研究工具来识别治疗靶点的智能体平台。合作方包括 Liquid AI、Buck 衰老研究所和哈佛医学院。

注意这个组合。不是开源一个模型，而是基准、模型、智能体三位一体全部开放。

这跟 Atropos 的逻辑是同一件事的两面。Atropos 证明了证据供给决定模型表现上限，Insilico 则直接把“怎么评估、用什么模型、怎么调用工具”这一整套基础设施摊开给所有人。如果说 Atropos 是在说“证据比模型重要”，Insilico 就是在说“那我把证据工具链全给你，你自己来验证”。

我一开始以为这只是学术界的常规开源。后来发现不太对——LongevityBench 是“首个”针对衰老生物学的 AI 推理基准，这意味着在此之前，这个领域连“怎么判断一个 AI 到底懂不懂衰老”都没有标准。没有标准，就没有可比性；没有可比性，就没有竞争压力；没有竞争压力，进展就是散的。

现在标准有了，工具有了，模型有了。门槛从“你得有个大模型团队”变成了“你得有好的生物学问题”。

这对小实验室和初创公司是好事。但对中国 Step 5 Preview 这种走极致性价比路线的模型来说，可能也是另一种压力——当工具链开源、证据库开放，模型本身的价格优势还能撑多久？

真正在发生的转移

把这几件事放在一起看，一条线就出来了。

微软那篇内部转型博客里有个数据我印象很深：他们在云供应链工作流部署了 111 个 AI 智能体，规划周期从 10 个工作日压到 2.5 天以内。这不是模型能力的胜利——这是把模型嵌入到具体工作流、接上具体数据源之后的系统胜利。

arXiv 上那篇讲递归自我改进的论文，提到 OpenAI 对 GPT-6 Astra 的评估方式：让智能体在单张 H100 上自己诊断训练瓶颈、改代码、调参。这也不是在测模型多聪明，而是在测它能不能在受限条件下自己找到改进路径。

三件事，同一个方向。

竞赛的计分板正在换。 以前比的是“你的模型在 MMLU 上多少分”，现在比的是“你的模型接上我的证据库之后能解决什么真实问题”。以前比的是“训练用了多少卡”，现在比的是“部署之后工作流快了多少”。

谁掌握真实数据闭环，谁定义前沿。这句话现在听起来不像口号了。

一个具体的画面

我认识一个在深圳做医疗AI产品的人，他们团队去年花了大力气微调模型，想把诊断准确率从 78% 提到 82%。做了三个月，卡在 80% 上不去。

上个月他跟我说，他们换了个思路——不调模型了，去跟两家三甲医院谈数据合作，把脱敏后的真实诊疗路径接进来。两周之内，准确率到了 87%。

他说了句话我记到现在：“我们之前一直在改发动机，后来发现是油不行。”

这大概就是 2026 年 AI 竞赛的真正转折点。模型还是那台发动机，但比赛项目从“谁的发动机马力大”变成了“谁的油路铺得远”。

Atropos 的 5 亿数据点、Insilico 的开源工具链、微软的 111 个智能体，都是油路。

至于 Step 5 Preview 那种把前沿能力打到地板价的模型——它让发动机变得便宜，但油路依然要一寸一寸铺。便宜发动机加烂油，跑不过贵发动机加好油。但如果便宜发动机加好油呢？

那才是真正让巨头睡不着的事。