El mercado en el que los gigantes están enfocados, fue conquistado por un médico que alcanza ingresos anuales de 100 millones de dólares

问AI · 医生背景如何成就AI医疗商业奇迹？

该图片属于AI生成

出品｜虎嗅科技组

作者｜SnowyM

编辑｜陈伊凡

头图｜AI生成

“AI原生100”是虎嗅科技组推出针对AI原生创新栏目，这是本系列的第「47」篇文章。

AI 医疗赛道不缺故事，但真正跑通商业闭环的不多。Abridge 是其中之一。

它不只是融资，而是已经在赚钱：150 多家医疗机构在用，年收入超过 1 亿美元，估值从 2024 年底到 2025 年中翻了将近一倍。在大量 AI 医疗公司还在做概念验证的阶段，Abridge 已经完成了从产品到规模的跨越。

这背后有一个正在发生的行业趋势：据 The Information 报道，AI 搜索引擎 Perplexity 的估值是年化收入的 170 倍，Anthropic 是 58 倍，OpenAI 是 43 倍。投资人给应用层公司的溢价，正在系统性地超过基础模型公司。资本已经在用钱投票：真正理解某个行业、深度嵌入工作流的垂直 AI，比卖铲子的更值钱。Abridge 就是这个判断的医疗版本。

这家公司的融资故事也十分顺利，7 年，53 亿美元估值，7.6 亿美元融资。这串数字背后，是一位心脏科医生从每天写 2 小时“宵夜笔记”到创办 AI 公司的故事。

在美国，看诊 1 小时，写病历 2 小时。很多医生下班后还要在家补笔记，这段时间被叫做“睡衣时间”。Abridge 做的事，就是把这 2 小时还给医生，医生和患者聊完天，几秒钟自动生成一份结构化病历笔记。

硅谷风投机构UpHonest Capital投研团队告诉虎嗅，Abridge本质是在用AI打造医疗行政流程的入口，其长期价值取决于是否能从降本工具升级为收入驱动系统（医嘱记录 -保险编码-理赔申诉），在EHR生态中建立不可替代的位置。从目前来看，Abridge构建了三方面的壁垒：数据闭环和临床场景深度适配；可信AI设计；以及EHR集成，未来更大的想象空间在于从“花钱的工具”到“创造价值的引擎”。

一个被大模型激活的旧想法

这个故事有一个容易被忽略的时间节点：Abridge 创立于 2018 年，ChatGPT 出现于 2022 年。

Abridge 创始人 Shiv Rao 是匹兹堡大学医学中心的心脏科医生，同时在 UPMC 的风投部门担任高管，负责评估医疗前沿技术。2018 年他开始创业，用的是那个时代能找到的最好的技术——BERT、BioBERT、Longformer 等预训练模型，可以对特定任务做微调，但能力远不及后来的大语言模型。

从 2018 到 2022 年，团队用了 4 年时间做产品，没有急着铺市场。销售周期长达 18 个月，医院的采购决策缓慢而谨慎。

2021 年，Shiv 参加了一个以生成式 AI 为主题的行业晚宴。两年后，他接到了无数从那次晚宴回来的人打来的电话：“我现在明白了，我也要尝试一下。”

大模型的出现，不是改变了 Abridge 在做的事，而是改变了所有人对这件事的认知。之前需要 18 个月说服的客户，几乎一夜之间开始主动来谈。Shiv 把这个过程描述为“把潜在能量转化为爆发力”。

Abridge 的核心逻辑——理解对话语义、生成结构化文本——恰好是大语言模型最擅长的事情。所以当 GPT 出现的时候，Abridge 不是在追赶技术，而是技术终于追上了它的产品设计。

本科毕业于卡内基梅隆大学的 Shiv，在技术判断上并不依赖直觉。他的团队里有 CMU 的 AI 教授担任 CSO，公司同时使用网络规模大模型和微调的开源模型（包括 DeepSeek 等）。在他看来，每当底层模型有新进步，对应用层公司都是利好：那些懂得如何将这些技术塑造成特定用例的公司，绝对受益。

从对话到病历：产品是怎么工作的

Abridge 做的事情听起来简单：把医生和患者的对话录下来，自动生成病历笔记。但实际难度在于，医疗对话的环境嘈杂、口音混杂、医学术语和日常用语交织，Abridge 的语音识别引擎专门为这类场景训练过。

更关键的是，Abridge 不只做转录，它还要理解对话内容，生成符合医疗标准的结构化笔记——也就是 SOAP 格式：主诉、客观检查、评估、计划。医生拿到后，稍作核改即可签字。

Abridge 已集成进 Epic，这是全美覆盖率 42% 的电子病历系统。问诊结束后，笔记几分钟内直接出现在 Epic 里。目前支持 55 个以上专科、28 种以上语言，包括对话中途切换语言、或有翻译介入的场景。

Abridge 最关键的功能叫 Linked Evidence（关联证据）：AI 生成的每一句话，都链接到原始对话的对应片段。医生看到“患者主诉胸痛持续三天”，点击即可听到当时的录音。这个设计直接回应了医疗领域对 AI 的最大疑虑——万一 AI 编造内容。数据显示，Abridge 系统能识别出 97% 的 AI 错误内容，通用大模型的这一数字仅为 8% 至 90%。

这种准确率背后，是一套不算简单的技术架构。生成一条看似普通的临床笔记，Abridge 在后台可能调用和协调 15 到 20 个不同的模型，有的负责提取保险公司审核需要的内容，有的负责生成患者可读的版本，有的专门处理医学编码。用 Shiv 的话说，这是场景化的推理引擎，不是一个通用模型套壳。

产品的演进也印证了这一点。起点是一个面向患者的免费 App，让患者录下诊间对话并获取摘要，这个阶段积累了超过 150 万条医疗对话数据，成为模型训练的基础。2022 年起重心转向企业客户，产品与医院电子病历系统整合。2023 至 2024 年，成为 Epic 官方首批合作伙伴，并将全球最权威的临床知识库 UpToDate 嵌入笔记流程。2025 年，扩展到护理文书，与梅奥诊所合作开发护士专用版本。

现在 Abridge 还在做医疗编码和账单审核。Abridge 在生成笔记的同时自动建议编码，帮医院提高保险报销回款率。这让它对医院 CFO 来说，从成本变成了一个能带来正向现金流的工具。

效果数据：用了 Abridge 的医生，每天节省约 2 小时文书时间。86% 的医生减少了下班后加班写笔记的频率。KLAS 2024 年调查显示，Abridge 用户满意度评分 95.3%，远高于行业均值。

万亿美元黑洞里的融资逻辑

Abridge 能走到今天，背后有一个结构性原因：它踩在了足够大的痛点上，而这个痛点长期没有被真正解决过。

美国每年在医疗行政管理上的支出高达 6000 亿至 1 万亿美元，占医疗总支出的 15% 至 25%。具体到医生个人：平均每周在行政事务上花 15.5 小时，每个工作日花 6 小时在电子病历上。93% 的医生经常感到职业倦怠，62% 归因于行政负担。美国每年因医生疲劳离职造成的损失约 46 亿美元，一个空缺岗位的补招成本高达 100 万美元。

这不是效率问题，是人力瓶颈。AI 书记员可以 24 小时工作，快速扩展，无需培训，这让它成为替代方案，而不只是辅助工具。

投资人的逻辑建立在这个基础上。Abridge 的融资路径是一条几乎没有停顿的加速线：2018 年种子轮 500 万美元，至 2022 年累计约 2700 万美元，2023 年底 B 轮 3000 万美元，2024 年 2 月 C 轮 1.5 亿美元，2025 年 2 月 D 轮 2.5 亿美元（估值 27.5 亿美元）。仅 4 个月后，2025 年 6 月完成 E 轮 3 亿美元，估值翻倍至 53 亿美元。

a16z 领投 E 轮，Khosla Ventures、Lightspeed、Redpoint、IVP、Spark Capital、USV、Bessemer 跟投。医疗战略方同样入局：UPMC 企业风投、Mass General Brigham AIDIF、Kaiser Permanente Ventures、CVS Health Ventures。这些医疗机构的投资不只是背书，也是真实部署的前置承诺。

收入侧同样陡峭。2024 年底，Abridge的 ARR 约 6000 万美元，2025 年第一季度已达 1.17 亿美元，数月内翻倍。

巨头阴影下的突围

Abridge 进场早，但赛道早已不是蓝海。

有一个问题值得正面回答：OpenAI、Google、Anthropic 都有语音转录能力，为什么医院不直接用它们？

Shiv 的回答是一个清晰的分层结构：底层是基础大模型公司，提供所有人都能用的原材料；中间是基础设施层，负责协调不同模型；顶部是应用层，专注于为特定用户解决特定问题，深度嵌入工作流，依靠专有数据集。大模型公司是横向的，同时服务无数行业；应用层公司是纵向的，只做一个行业但做到最深。它们不可能涵盖所有领域并深入所有领域。这不是规模问题，是结构问题。

在医疗这个行业，纵向壁垒尤其高。隐私合规是法定要求，数据出了医院系统就会触发监管红线。“可信可靠是你交易的终极货币”这是这个行业的准入门槛。一个通用 AI 公司再强，也不可能替每家医院做 HIPAA 合规审计、把模型输出接进 Epic 的具体字段、再用梅奥诊所的护理数据做微调。

最重要的对手是微软旗下的 Nuance。这家 1990 年代成立的语音识别老牌公司，Dragon Medical 在美国医院的最高渗透率曾达 77%。2022 年，微软以 197 亿美元将其收购，推出 Dragon Ambient eXperience（DAX），现更名 Microsoft Dragon Copilot。产品形态与 Abridge 几乎一致：录音、识别、生成 SOAP 笔记。微软的核心优势是渠道——2025 年，Epic 正式内置了 Dragon Copilot，全美 42% 的医院成了它的潜在触达范围。但 Nuance 的问题也明显：早期版本需人工复核，导致文档生成延迟数小时；定价约每个医生每月 600 美元，是 Abridge 的三倍。

创业公司中威胁最大的是 Ambience Healthcare，2020 年成立，覆盖 100 多种专科，2025 年 7 月完成 C 轮 2.43 亿美元，估值 12.5 亿美元，直接对标 Abridge 的大型医院市场。Suki AI 主打中小型诊所，功能更丰富但定价更高。更长远的威胁来自 Epic 本身——2025 年推出文书功能 Art、编码 AI Penny、患者助手 Emmie，EHR 厂商一旦自有功能成熟，医院减少第三方依赖是自然结果。Abridge 目前领先一个身位，但比赛才刚开始。

放在更长的时间线上，Abridge 的意义不只是，自动写病历。它是 AI 真正进入高责任、高门槛、高监管核心工作流的早期案例之一。

但它的故事里还藏着另一个结构：一家公司可以在大模型出现之前就把想法和数据做扎实，等技术到位的时候，爆发比从零开始快得多。Abridge 用 4 年积累了 150 万条医疗对话数据，用 4 年验证了工作流集成路径，用 4 年建立了和医院之间的信任关系。ChatGPT 出现的时候，这些积累才是它真正的起跑线。

竞争才刚开始。微软、EHR 巨头、AI 原生创业公司都在加码。未来几年，这个赛道很可能从“AI 自动记录”升级到 AI 参与的完整临床闭环。能把模型能力、医疗知识、系统集成和信任机制同时做深的，才会真正留下来。