医疗大模型系列之五：不造AI医生，只帮医生写病历——Abridge如何铺成美国医疗的AI基础设施

一个事实：据Abridge官方披露，美国医疗系统里每年有超过1亿次医患对话被一支"AI录音笔"实时转成病历——医生看完病，一份待签字的病历草稿已经写好了。做这件事的公司Abridge，截至2026年年中已覆盖300多家医疗系统，在2025年6月E轮融资后估值达到53亿美元。

一个边界：这支"录音笔"并不是万能的。在这类工具中，"无过敏史"被写成"有过敏史"这类错误依然会出现——这是2026年1月那项覆盖四款同类工具的研究揭示的共性错误，Abridge也不例外。每一份病历，仍需医生逐字核对后才能签字。医疗AI的底线没有变：AI起草，人负责。

一个判断：Abridge提供了一个有代表性的样本——在生成式AI时代，医疗AI最先形成大规模商业部署的场景，未必是"AI医生"，而可能是嵌入临床工作流的"AI文员"。

当DeepMind在造屠龙刀、Anthropic在铺水管、OpenAI在开窄门时，一家由心脏科医生创立的公司，用最朴素的方式解决了医生最痛的痛点：写病历。

2026年6月，Abridge宣布与NVIDIA合作，打造一款专为临床对话而生的基础模型。这不是一家普通创业公司的产品更新——它意味着，那个几年前还只是一个"医疗对话记录App"的东西，已经长成了一个覆盖300多家医疗系统的临床智能平台。而这一切的起点，是一个心脏科医生下班后永远写不完的病历。

系列前四篇，我们拆解了医疗AI的底层逻辑（医疗大模型系列之一：医疗AI的底层逻辑，模仿、探索与智能涌现）、DeepMind的屠龙刀（医疗大模型系列之二：当AlphaGo的"屠龙刀"，进入医学世界——从AlphaFold到AI协同医生，DeepMind如何构建医疗认知系统）、Anthropic的水管（医疗大模型系列之三：不做"AI医生"，先做"医疗水管"——Anthropic如何重塑医疗长文本AI的底座）、OpenAI的窄门（医疗大模型系列之四：8亿人的健康入口，两起人命官司--OpenAI的规模红利与责任难题）——写的都是"通用大模型公司如何自上而下进入医疗"。

这一篇的主角是反方向的样本：Abridge，一家从医疗场景里长出来的垂直公司，自下而上，吃下了医疗AI最先规模化的一块蛋糕。前四篇写的是"造武器的人"，这一篇写的是"用武器的人"。

一、起点：一个心脏科医生，为什么去开公司？

Abridge的创始人Shiv Rao，至今仍是UPMC（匹兹堡大学医学中心）的执业心脏科医生，每个月还要抽出一周时间看门诊。这个细节很重要——他不是那种"发现了风口就辞职"的创业者，而是一个被痛点折磨到不得不动手的医生。

痛点有个专门的名字：睡衣时间（Pajama Time）。美国医生白天看病人，晚上回家后还要在电子病历系统（EHR）里补写白天的病历——这个时段被医生们自嘲为"睡衣时间"。多项发表于《家庭医学年鉴》（Annals of Family Medicine）等期刊、针对美国门诊医生（主要为家庭医学和内科）的EHR使用研究显示，在每8小时的患者排班时间之外，医生还要多花约2-3小时处理病历文书；不同研究对"睡衣时间"的统计口径不同，数字有差异，但"文书负担与职业倦怠高度相关"这个结论在学界高度一致。

在Abridge创立的2018年，这就是整个行业的基本现实。Shiv Rao自己就是受害者：他一边看心脏病患者，一边想着晚上还有十几份病历没写完。2018年，他在匹兹堡创立Abridge。城市名字是个双关：匹兹堡以"桥梁之城"闻名（城里有446座桥），而"abridge"这个英文单词本意是"摘要、缩写"——一座桥，把医患对话浓缩成病历。

不过，Abridge最初的产品并不是今天这个样子。它起步时做的是患者侧的医疗对话记录和理解工具，随后才逐步转向帮助医生降低文书负担的企业级方案——从患者工具，到医生工具，再到企业平台，这个演进路径本身就值得记住。

今天Abridge的产品形态则简单到令人意外：医生看诊前打开手机App，征得患者同意后按下录音键，AI在后台实时听完整场对话，自动过滤闲聊（"今天天气不错""你孩子考上大学了吗"），提取医学信息（主诉、病史、查体、诊断、医嘱），按电子病历的标准格式生成结构化草稿，直接写进Epic（美国最大的电子病历系统）。医生看完病，病历已经在系统里等着签字了。

用第一篇的L1-L4框架定位：Abridge的根据地横跨L1认知智能（理解并生成医学文本）和L2感知智能（把临床对话实时转成文字），但它做对了一件关键的事——把这两层一起嵌进了L4执行智能的工作流里。它不是让医生"多问AI一个问题"，而是让AI"替医生完成一个任务"。这个区别，决定了它是工具，还是生产力。

二、关键节点：八年，从一个患者工具到300家医疗系统

Abridge的扩张速度，在医疗这个慢行业里堪称罕见：

2018-2022年：打磨期。Abridge最初做的是患者侧的医疗对话记录和理解工具，UPMC（匹兹堡大学医学中心）既是它的早期合作方，也是它的早期机构投资方。2022年前后，公司完成A轮及补充融资，开始把重心转向企业级方案——帮医生写病历，而不是帮患者记病历。医疗AI的残酷在于：如果心内科医生觉得好用，骨科医生未必买账——每个专科的病历结构、术语习惯、记录重点都不同。Abridge花了数年时间，把产品适配到50多个专科。

2023-2024年：进入大型医疗系统。2024年2月，公司完成1.5亿美元C轮融资，投后估值约8.5亿美元。生成式AI浪潮到来，Abridge从"语音转文字工具"升级为"生成式AI临床文档平台"，进入Yale New Haven（耶鲁大学医学院的附属医院系统）、UChicago Medicine（芝加哥大学医学中心）等学术医疗中心。2024年8月，Kaiser Permanente（凯撒医疗，美国最大的非营利性整合医疗集团）把Abridge提供给其旗下的40家医院和600多个医疗办公室的医生及临床人员——这是当时美国规模最大的环境式AI临床文书部署之一。

2024年底至2025年初：顶级医疗品牌密集进场。约翰霍普金斯大学医学院及其附属医院（2024年12月）、杜克大学的医疗系统，（2025年1月）、梅奥诊所（2025年1月）相继宣布企业级部署。

2025年：资本加注。2月完成2.5亿美元D轮（估值27.5亿美元）；6月完成3亿美元E轮，估值达到53亿美元（此处为2025年6月E轮后估值，系一级市场定价，非公开市场交易价格）——成为医疗AI应用领域估值最高的公司之一。据路透社等媒体报道，E轮融资由Andreessen Horowitz（硅谷顶级风投）领投，Khosla Ventures（科斯拉创投）等参与。官方披露，客户数在此阶段突破150家医疗系统。

2026年：平台化。4月，完成3.16亿美元E轮扩展融资——值得注意的是，这笔扩展融资的投后估值仍为53亿美元，与2025年6月的E轮持平。扩展轮沿用上轮定价本是风险投资实务的常规操作，估值信号意义有限：能确定的只有两件事——现有投资人在同一估值上选择继续加注，公司拿到了兑现NVIDIA合作与收入周期管理的弹药；而环境式AI的估值能否再上台阶，需待下一轮正式定价融资检验。6月，宣布与NVIDIA合作，基于Nemotron开源模型家族，打造专为临床对话而生的基础模型——注意，这是"合作打造"，不是"发布成品"。

官方披露的最新口径是：覆盖300多家医疗系统，下辖2000多家医院站点，合作机构合计服务超过2.5亿患者，年支撑超1亿次医患对话。

八年时间，Abridge从一个患者侧的小工具，长成了美国医疗系统的"基础设施"。它的扩张路径里藏着一个反直觉的规律：医疗AI的增长，不是靠技术惊艳，而是靠口碑传染。

一个科室的医生用得好，会告诉隔壁科室；一家医院用得好，会在行业会议上告诉其他医院。在医疗这个极度保守的行业里，"我同事在用"比任何广告都管用。美国医学会（AMA）2026年的调查提供了一个侧写：81%的医生已在工作中使用AI，而2023年这一比例仅为38%。

三、路线之争：当巨头在造锤子，Abridge在找钉子

现在可以把Abridge放进前四篇的坐标系里了。它的打法和前三家都不同，但差异的层次值得说清楚：DeepMind和OpenAI的模式是"先造通用模型，再向医疗渗透"——用业界的话说，拿着锤子找钉子。DeepMind的锤子是AlphaFold，OpenAI的锤子是GPT。Anthropic则是另一种模式：提供通用底座，让别人把Claude嵌进各自的行业工作流——它不找钉子，它卖水管。Abridge是第三条路：直接从临床场景反向定义产品，再从产品反向定义模型。三种路径，"场景特异性"逐级加深。

但必须说清楚一件事：Abridge并非"没有模型创新"，只是它的模型创新和巨头们不是一个物种。拆开它的技术栈，你会看到四层不太被外界注意的东西：

第一层：自研的医疗语音识别（ASR，把语音转成文字的模型）。它支持多语言、说话人区分和多专科场景，能针对不同临床场景生成相应结构的文档。医疗语音识别的要求和通用场景不同：不能只追求通用转写准确率，还必须盯住医学术语、药品名称、缩写和否定表达（"无胸痛"和"有胸痛"只差一个字）这类临床关键错误——这是行业的技术要求，也是Abridge技术白皮书里反复强调的评估维度。

第二层：情境推理引擎（Contextual Reasoning Engine）。从一场对话到一份能签字、能计费、能进Epic的病历，是一套由多个AI能力协同组成的流水线：语音识别、说话人分离、医学实体抽取、问题归纳、病历结构化、计费编码建议。引擎还会动态整合患者既往病史、医院自身的诊疗规范、医生个人的病历风格偏好——同一个AI，写出来的病历带着"这个医生的笔迹"。

第三层：关联证据（Linked Evidence）——面向临床验证的可追溯架构。这是Abridge最独特的招牌：AI生成的病历内容与对应的原始转录文本和录音关联起来，医生对任何内容存疑，可以定位并回听当时的原话。注意，这个设计不能阻止AI产生幻觉——它解决的是"发现、验证、审计幻觉"：不是"AI不会错"，而是"AI错了之后，医生能更快发现"。这本质上是把"可审计性"做进了生成架构本身，而不是事后外挂一个检查器。第三篇里Anthropic强调的"可审计工件"，在Abridge这里以更细的颗粒度落地了。

第四层：一套自建的模型评估流程。根据Abridge公开的技术白皮书（《生成式AI医疗评估科学》等），其模型迭代包含四步：自动化指标初筛（内部基准库里有真实临床音频、金标准转录、医生手写参照病历）→ 内部临床医生抽查 → 持证医生裁决的盲测头对头试验（新旧模型匿名对比）→ 分阶段灰度发布＋上线后持续监控。这套体系是Abridge自己披露的内部流程，它可能是Abridge最重要的工程壁垒之一。

至于底座模型，Abridge走的不是"借底座→造底座"的单线切换，而是逐步深入的混合技术栈：它同时使用自研专用模型和前沿通用基础模型（其官方技术文章明确提到GPT-5.5等前沿模型仍在使用），2026年6月起又与NVIDIA合作，基于开源模型家族用脱敏临床数据做领域适配，打造"专为临床对话而生的基础模型"。值得一提的是，"用脱敏临床数据做领域适配"并非没有合规代价——患者数据的二次使用需要对应的数据授权与再识别风险控制，这也是Abridge反复强调其企业级合规能力的原因之一。

CEO Shiv Rao解释动机时说得很实在：延迟是硬指标——"医生看完病转动椅子的那一刻，所有文档就该在那儿了"，调用别人的API满足不了这种控制权，"我们必须往技术栈更深处走，掌握自己的命运"。

这种"应用先行、模型补课"的路线，带来了一个有意思的结果：Abridge的护城河，一层已成、一层在成长。已成的是工作流——它和Epic的深度集成（直接写入病历系统，而不是生成一个需要复制的文本框）、对50多个专科病历结构的理解、对医疗合规（HIPAA）的内建支持，这些东西OpenAI做不到，DeepMind不想做，Anthropic在做但还没做到这个深度。在成长的是模型——不是通用大模型，而是垂直基础模型。它的模型创新不走"更大参数"的路，走的是"更深接地"的路：关联证据让内容可溯源，盲测头对头让每个版本可验证，领域适配让临床知识长进模型里。如果说DeepMind的模型创新是"让AI发现人类不知道的规律"，Abridge的模型创新就是"让AI写的内容都能被追究出处"——后者听起来不性感，但在医疗里，可追究比聪明值钱。

有一组第三方调查数据可以佐证工作流壁垒的强度：KLAS 2025年环境式AI调查显示，受访的Abridge客户在"再次购买意愿"和"长期计划纳入率"两项指标上均处于品类领先水平；且Abridge已连续两年（2025、2026）获评KLAS环境式AI类目第一（2026年评分94.7/100）。

这组数据指向同一个判断：一旦环境式AI被嵌入日常诊疗流程，其替换成本可能显著高于一个独立的聊天工具。工作流型产品的威力在于：模型的选择空间更大，但并非无限——当模型性能直接影响工作流的核心体验（延迟、准确性、可审计性）时，模型本身就是工作流壁垒的一部分。这正是Abridge从"借助通用模型"走向"自研底座"的内在逻辑。这和第三篇Anthropic的"水管"逻辑异曲同工，但有一个本质区别：Anthropic的水管是通用型的，铺到哪个行业都行；Abridge的水管是专用型的，只铺医疗，但铺得更深、更细、更难拆。

四、阴影与局限：AI文员也会犯错，而且错误藏得很深

Abridge的故事如果只写到上面，那就是一篇创业鸡汤。它在真实世界里的问题，同样值得拆开看——因为这些问题，恰恰是所有"AI辅助医疗"产品绕不过去的坎。

问题1：幻觉没有消失，只是换了个地方。

2026年1月发表在《npj数字医学》（Nature子刊）上的一项研究，评估了包括Abridge在内的四款环境式AI记录工具，结果发现：所有工具都会犯错。

有的错误很低级——把"患者说无药物过敏史"转录成"有过敏史"；有的错误更隐蔽——AI会"脑补"医生没说过的细节，比如根据患者的症状描述，自动补上一个看似合理的鉴别诊断。研究团队的建议是：所有AI生成的病历，必须由医生逐字审阅后才能签字。这和第三篇Elsa事件的教训一致：幻觉是大模型的内生属性，不会因为你换了个场景就消失。Abridge的价值在于把医生的文书时间大幅压缩，但它的底线和ChatGPT Health一样：AI起草，人负责。这个底线正在从行业共识变成法律要求：据报道，美国罗得岛州已通过立法，要求医疗机构在使用AI生成临床文档时履行患者告知、诊后审核与系统留痕义务——Abridge把"可审计性"做进生成架构的设计，恰好踩中了监管的方向。

问题2：竞争正在变成红海，而"宿主"已经长出牙齿。

Abridge是环境式AI赛道的头部，但不是唯一玩家。微软的Dragon Copilot（收购Nuance后整合的产品）、Ambience Healthcare、Nabla，都在抢同一块蛋糕。而2026年最重要的变量来自上方：4月，OpenAI发布面向临床医生的免费工具ChatGPT for Clinicians，从健康问答延伸至临床文书与患者沟通场景——踩到了Abridge的地盘边缘。不过据OpenAI官方说明，该工具不包含与EHR系统的集成：它在定价心理上构成了参照压力，但短期内尚不构成对Abridge核心工作流壁垒的直接替代威胁。

系列之四写过的那家"开窄门"的公司，已经一脚踩进了这间病房。更值得注意的是Epic正在从合作方变成竞品：Abridge的核心价值建立在"深度嵌入Epic"之上——它是Epic"Partners and Pals"计划的首个"Pal"，也是该计划中集成层级最高的第三方工具，双方还曾进入Epic的Workshop联合开发计划。

时间线值得摊开：2025年8月，Epic在用户大会上发布自研环境式AI文档工具；10月，Workshop联合开发计划终止，在册厂商转入提供标准EHR集成接口的Toolbox计划；2026年2月，Epic正式向客户推出AI Charting（据STAT报道，Epic早年持有的Abridge股份也已在2025年出售）——合作关系正在让位于直接竞争。

对Abridge而言，Workshop终止、转入Toolbox，意味着官方联合开发的通道已经关闭，剩下的只是标准集成接口——但接口即市场，"Abridge Inside"的深度集成（医生在Epic移动端直接录音，草稿自动写回病历字段）目前仍在运行，只是上文列为"已成"的那条Epic集成护城河，正从"平台背书"降级为"技术事实"。这种"宿主长出牙齿"的结构，是悬在Abridge头顶的真实风险。

独立学术研究同样在提示竞争的胶着：2026年1月《应用临床信息学》（Applied Clinical Informatics）发表的一项交叉设计研究显示，在急诊科场景中，微软DAX在负担减轻与文档质量评分上略优于Abridge，但调整顺序效应后，医护人员的整体偏好并无显著差异——即便在KLAS评分领先的品类里，也谈不上压倒性差距。当技术差异缩小，竞争就会回到医疗行业最原始的战场：关系、价格、合规深度——而最后一项恰恰是Abridge已有的优势项，这场仗还远未分出胜负。

问题3：医生的"签字疲劳"——以及它的对冲机制。

一个正在浮现的新风险：AI病历越好用，医生就越信任它——而信任一上来，审阅强度就悄悄降了档：从逐字核对，变成扫一眼签字。不是医生不认真，而是"看起来都差不多"——每天几十份结构工整、措辞专业的AI病历刷过去，人对工具的警觉，是被可靠性一点点磨掉的。

人因工程与航空安全研究早就描述过这类现象，叫"自动化自满"（automation complacency）：自动化系统越可靠，人对它的监督就越松懈。当90%的AI病历都是对的，人对剩下10%错误的警觉，就会被那90%磨钝——这与态度无关，是人性。

这不是Abridge一家公司的问题，而是所有"AI生成、人工签字"模式的系统性风险。需要指出的是，Abridge的关联证据设计，针对的正是这条风险链的后半段——它拦不住AI出错，也拦不住医生漏审，但能把漏审的后果变得可发现、可纠正、可定责。具体来说：AI生成的病历里，每一句话都自动锚定在原始对话上——医生对任何一句存疑，点一下就能回看对应的转录文字，再点一下就能回听当时的原声。于是一场纠纷里最难的三件事都被大幅简化：发现错误，不用翻箱倒柜找证据，几秒钟就能对清"这句话到底谁说的"；纠正错误，哪一分钟、哪个字段出了问题一目了然，修订和向患者解释都有据可依；界定责任，"医生签了字"和"AI写错了"之间那团法律灰区，第一次有了可以呈堂的中间证据。即使医生在疲劳状态下放过了错误，事后追溯和纠正的成本，也远低于传统手工病历。

但要划清界限：这套机制是事后补救，不是事前防线——错误病历被签出去的那一刻，它什么都不做；它全部的价值，要靠"有人点那一下"才能兑现，而签字疲劳的症结恰恰是人不去点；并且它只能核对"这句话患者说过没有"，核对不了"这个诊断推断得对不对"——脑补出来的鉴别诊断，往往每个字都有录音依据可锚，结论却是错的。医疗AI越可靠，人的警惕性越低——这个悖论，比技术缺陷更难解。

五、下一阶段：Abridge能不能从"AI文员"变成"临床智能基础设施"？

之所以叫"下一阶段"而不是"未来三年"，是因为有些变化已经开始发生。三个可观察的坐标：

第一，从"记录"到"行动"的跃迁已经在路上。Abridge 2026年的产品方向已经明确越过了"写病历"：临床决策支持、医嘱建议、诊前诊后智能都已出现在官方产品路线里。也就是说，"AI文员→AI协调员"不是未来时，而是进行时。

真正的问题是：它能在这条路上走多远而不撞上"AI辅助诊断"的监管红线？一条独立的外部证据反向印证了"从记录切入"的战略：2026年6月发表于《自然·生物医学工程》的BRIDGE研究显示，最强模型在标准化医学考试上能拿到92分，但在真实临床任务上的正确率仅44.8%——从"可计算"的文书切进去，恰恰是绕开了AI当前最薄弱的环节。

第二，自研模型能否立住。与NVIDIA合作的临床对话专用基础模型，是Abridge技术栈纵深化的关键一步。如果自研模型在临床准确性、响应延迟上显著超越通用模型，它的护城河就从"只有工作流"变成"工作流＋模型"双层结构；如果只是"够用"，那它的长期价值依然系于工作流——而工作流的壁垒，会被微软、Epic这样的平台型对手持续侵蚀。

第三，能否把对话变成钱。Abridge近两年的产品路线已经把"文档→编码→收入周期管理"连了起来，并明确把付费方（保险公司）和生命科学企业列入目标客群。真正值得观察的不是"保险公司会不会为AI病历付溢价"这种间接假设，而是Abridge能否把临床对话直接连接到编码、医嘱、理赔和支付环节——如果走通，它的商业模式就从医院的"成本项"变成医疗支付链条里的"基础设施"。

结语：医疗AI的第一场真胜仗，不在诊室，在病历里

回看这个系列，一条主线正在浮现：第二篇DeepMind的屠龙刀，赌基础模型的突破速度；第三篇Anthropic的水管，赌生态和信任的粘性；第四篇OpenAI的窄门，赌用户关系的深度；第五篇Abridge的录音笔，赌场景的深度。前四篇写造武器的人，第五篇写用武器的人——五种赌法，没有高下，只有分工。

但Abridge给这个行业上了最重要的一课：医疗AI的价值，不在于它能做多么惊艳的事，而在于它能把多么枯燥的事做得足够好。

诊断不是唯一的高价值任务——如果把医疗AI的价值链拆成"感知→记录→结构化→决策→执行"。Abridge首先占据的是"记录＋结构化"，再向"执行"延伸，而不是直接从"决策"切入。医生不需要AI替他诊断罕见病，但极度需要AI替他写完第47份门诊病历。

第一篇的结尾说过一句话："把可计算的留给AI，把不可计算的留给医生。"Abridge的起步，就是这句话最朴素的注脚——它从"可计算"的文书工作切进去，先赢得医生的信任，再一步步向"行动层"试探边界。而恰恰是这份克制，让它成为美国环境式临床AI中最具规模和商业验证的代表性产品之一。但也要承认：Epic转身下场、DAX紧咬不放、OpenAI免费逼近——这份领先是真实的，差距却不是不可逾越的。护城河的深度，要用下一阶段的产品落地持续验证。

医疗AI的第一场真胜仗，不在诊室，不在实验室，不在FDA的审批文件里——在每天晚上八点，当医生合上电脑准备回家时，最后一份病历已经写完——只等他签下名字。

AI医疗 · 用最笨的方法做最扎实的内容

本文不构成任何医疗建议。

信源说明

公司信息、融资与部署数据：Abridge官方公告及Fortune、路透社、Fierce Healthcare、TechCrunch等报道；客户数150-300+差异源于"签约/完整部署"口径不同；D轮估值采用Forbes/Fierce Healthcare口径的27.5亿美元。

技术架构（情境推理引擎、关联证据、评估科学、自研ASR）：Abridge官方技术博客、技术白皮书及Abridge×NVIDIA联合公告；GPT-5.5使用情况引自其官方技术文章（2026年4月）。

创始人背景与"睡衣时间"：UPMC官方资料、行业访谈；文书负担数据引自《家庭医学年鉴》等期刊多项EHR研究（口径不同，正文已注明）。

部署动态：Kaiser Permanente（2024年8月）、Johns Hopkins（2024年12月）、Duke Health（2025年1月）、Mayo Clinic（2025年1月）各方官方公告。

客户调查：KLAS Research 2025环境式AI报告（已购客户样本，有幸存者偏差）及KLAS官方发布（2025、2026环境式AI第一，2026年评分94.7）。

准确性研究：四款工具对比（《npj数字医学》2026年1月）；DAX交叉对比（《应用临床信息学》2026年1月）。

Epic事实链：Epic官方资料及机构新闻稿；Workshop终止转Toolbox（Becker's Hospital Review、Axios，2025年10月）；AI Charting（2025年8月发布、2026年2月推出，Becker's、Advisory Board、MedCity News）；出售Abridge股份（STAT，2026年2月）。

竞品与行业动态：Microsoft Dragon Copilot等公司公告；ChatGPT for Clinicians（OpenAI官方公告，2026年4月）；AMA医生AI使用率调查；罗得岛州立法；BRIDGE研究（《自然·生物医学工程》2026年6月）。

L1-L4分析框架为作者独立分析，承接系列前四篇。