上周与多位其他行业的创业者交流后，随手记录了一些感悟。当时团队只有六个人，出门跑业务的同时还得处理公司日常事务，没想到这样一篇简单的随笔引发了不小的关注。

先同步一下当前进展——基础产品已经开发完成，正在微调阶段，预计今年内就能正式上线。我们会先从区域医疗机构落地，试验田已经确定。后续还将与医护团队协作，持续补充和训练RAG及知识库系统。

这个月继续约见创业者，尤其是专注于医疗领域AI Agent的朋友，上海的线下交流已经安排妥当。在这个阶段遇到同路人，确实有种“出门靠朋友”的踏实感。

创业难免焦虑，靠着短视频推送的鸡汤勉强支撑。昨晚看到前谷歌CEO Eric Schmidt在斯坦福的一段分享，又让我备受鼓舞。关键是，他的很多判断与我此前的思考高度契合。站在创业者的角度，我来拆解一下其中哪些经验可以借鉴。

浪潮与门槛：技术迭代速度与行业壁垒

Eric Schmidt：很快。这三件事，我非常确信这三件事的结合将在下一波浪潮中发生。所以你问还会发生什么。每六个月我就会摇摆一次。所以我们处于一个奇偶振荡状态。

Eric Schmidt：这里的程序员知道我在说什么。因此，想象一下一个不傲慢的程序员实际上可以做你想做的事情，你不必支付所有的钱，而且这些程序的供应是无限的。这都是未来一两年内的事情。

这两个观点可以放在一起理解。之前在《AI医疗商业化的前提》里提到过，大模型的演进速度已今非昔比。就连我们团队的AI顾问都感叹，过去用Transformer硬写推荐算法时投入了大量资金。这种场景在移动互联网爆发前也曾出现，所以Schmidt用了“浪潮”这个比喻。行业里的创业者看到这种速度难免焦虑——发展太快意味着淘汰也快。但对于这种“鬼故事”，其实不必过于担心。

以最近的微调经验为例：做这件事有一个前提——微调之前，人必须比智能体更专业。这一点急不来。在医疗这一高门槛领域里，拥有深厚行业积累的人，依然占据先发优势。

出海信号：中东资本与全球化视野

Eric Schmidt：因为我们作为一个国家没有足够的力量来做到这一点。另一种选择是让阿拉伯人资助它。我个人喜欢阿拉伯人。我在那里度过了很多时间，对吗？

之前在《医疗企业，为什么一定要出海？》里也讲过，言外之意很清楚——寻找中东的投资机构是一条可行路径。这类大型项目需要巨额资本，而中东正是当前最活跃的资金来源之一。至于为什么是中东，此前在全球经济逻辑推理中已经分析过。

关于医疗AI如何开拓海外市场，我准备专门用一篇文章来探讨。目前通过CB可以看到，海外做AI Agent的公司大多集中在一些小工具类的工作流产品，而且都拿到了不错的融资。创业者需要具备全球化视野，这确实是一个机会窗口。

创业者的悖论：细分与广度的平衡

Eric Schmidt：对于初创公司来说，初创公司之所以能成功，是因为人们拼命工作。所以我在小公司投资了很多钱。

这正好印证了此前在真格面试时的一个感受：投资人更关注团队和市场盘子有多大，但真正在一线做产品的创业者，更关注产品是否足够细分——足够细分，团队才能在有限的资源和时间里跑得更快、更聚焦。

这两者之间存在一个核心矛盾：产品既要覆盖足够广泛的人群，又要在垂直领域里做到足够深的细分。创业者需要找到这个平衡点。

钱会流向哪里：大模型回归巨头，Agent才是弯道

主持人：总的来说，您似乎对人工智能问题的潜力非常乐观。我很好奇，你认为是什么推动了这一点？只是更多的计算吗？是更多的数据吗？
Eric Schmidt：这是根本性的还是实际的转变？是的。你同意？被扔掉的钱财数量令人难以置信。我选择了，我基本上投资了一切，因为我不知道谁会赢。

之前分析过，很多人抱着捞一票的心态涌入大模型赛道，导致一轮轮烧钱。但用不了多久，大模型还是会回归到几家巨头手中。相比之下，AI Agent才刚刚起步。这一点我有八成以上的把握。

至于医疗AI Agent能否在To C端的大场景中跑出来，我的判断把握要小一些。To C目前属于高杠杆行业，与那些现金流充裕的生意不同，商业模式差异很大。

反过来说，如果只做To B端的小需求，解决客户的具体问题，这种低杠杆、自由现金流好的生意，熬着总能等到风口。

主持人：是的，先生。是啊，似乎有几个玩家在主导AI，对吧？他们将继续占据主导地位。它们似乎与所有反垄断监管所关注的大公司有重叠。您如何看待这两种趋势...
Eric Schmidt：所以在我看来，这种趋势确实不会被打破。

别误会，Schmidt并不是在鼓吹哪几家公司会垄断。他是在告诉我们：基础层的东西不要去碰，那不是初创企业能玩得转的。

技术选型：RAG、微调与场景闭环

Eric Schmidt：那是上周。他有一个很好的分类法。人们询问微调。我认为苏珊问的是微调。他说，嗯，实际上有三种方法可以让你的模型变得更加定制化。
一是你可以对其进行微调，这基本上就像对其进行更多训练。另一个是上下文窗口越来越大。第三种是使用RAG或类似的技术，这些技术是检索增强生成并访问外部数据。但这些上下文窗口现在似乎非常有效。我想，正如埃里克所说，我们认为这很难。

这条路径我们踩过坑。产品一开始像中了邪一样乱回答，后来接上RAG做辅助回答，情况才好转。再深入一层，在模型入口前加了一些场景分类的调优，解决了大部分问题。

顺便提一句，Qwen的表现确实有点“小强”的意思。AI技术远没有摸到天花板，这次跟之前真不一样。至于做医疗AI产品为什么选择Qwen而不是百川，下篇会专门聊聊这个思考。