2026 年 6 月，胡潤研究院發佈《2026 全球獨角獸榜》（Global Unicorn Index 2026）。成立僅四年的美國醫療 AI 公司 OpenEvidence 以 820 億人民幣、約 120 億美元的估值入選榜單，並在其劃分的“生命科學”賽道中位居第一。
按照胡潤研究院的統計標準， 上榜企業需要成立於 2000 年以後、估值超過 10 億美元且尚未上市。 OpenEvidence 的 120 億美元估值，主要來自今年 1 月完成的一輪融資。當時，公司獲得 2.5 億美元 D 輪融資，由 Thrive Capital 和 DST Global 共同領投， 投後估值較三個月前翻了一倍，較一年前上漲了約 12 倍。
不僅如此，OpenEvidence 還入選了《福布斯》第八屆人工智能 50 強榜單（AI 50）。
OpenEvidence 並不是一家研發新藥或器械的傳統生命科學公司。 其 核心產品是一個面向醫生的 AI 醫學搜索和臨牀決策支持平臺， 經過身份認證的美國臨牀專業人員可免費使用 。 醫生輸入一個臨牀問題，系統檢索醫學論文、專業期刊和臨牀指南，再生成一份附有引用來源的回答。因此， 它經常被稱爲“醫生版 ChatGPT”。
醫療 AI 公司不少，能檢索醫學文獻的大模型也不罕見。OpenAI、Google 和 Anthropic 都在加強醫療能力，UpToDate 等傳統臨牀知識平臺也已經引入生成式 AI。
在這樣的背景下，OpenEvidence 爲何能在四年時間裏，估值和用戶量都在一路上漲？
把醫學論文變成可提問的知識庫
OpenEvidence 成立於 2022 年，創始人爲 Daniel Nadler 和 Zachary Ziegler。
其中，Daniel Nadler 此前已經有過一次較爲成功的 AI 創業經歷。他擁有哈佛大學博士學位，曾創辦金融數據分析公司 Kensho。Kensho 利用機器學習處理金融和經濟數據，希望把複雜的市場分析變成類似搜索引擎的查詢過程。2018 年，標普全球收購 Kensho，公開披露的交易價值約爲 5.5 億美元，成爲當時以 AI 爲核心的金融科技領域最大收購案之一。
雖然金融和醫療相距甚遠，但 Nadler 發現，他們都屬於知識密集、數據龐雜且高度依賴專業判斷的行業。他曾計算過 ： “每分鐘至少有一篇新的醫學論文發表，即使醫生只閱讀排名前十的醫學期刊，也需要花費他們一天九個小時，才能跟上重要研究和指南變化。”
圖 | Daniel Nadler
OpenEvidence 由此應運而生，其能夠實時篩選數千篇同行評審的研究。 它不直接替醫生診斷，而是幫助醫生更快地尋找、歸納和核對醫學證據。
例如，醫生可以詢問某類藥物能否用於腎功能受損的患者，也可以比較兩種治療方案在特定人羣中的證據。系統生成回答後，醫生能夠查看對應論文和指南，進一步覈驗結論。
與通用大模型不同，前者主要依靠訓練過程中獲得的知識生成回答，可能出現信息過時、來源不明或虛構參考文獻等問題。進入臨牀場景後，可能會影響檢查、用藥和治療決策；OpenEvidence 採用的是醫學模型與檢索增強生成相結合的路線：醫生提出問題後， 系統先從醫學文獻和臨牀指南中尋找相關資料，再根據檢索結果組織答案，並儘可能提供引用來源。
除了快速查詢海量的資料之外， OpenEvidence 能夠吸引醫生的另一個重要原因是其與醫學內容的合作。 在大模型競爭中，算法能力固然重要，但對於醫療 AI 而言，能否合法、穩定地獲得高質量醫學全文同樣關鍵。
截至目前，該公司已經與《新英格蘭醫學雜誌》出版方 NEJM Group、美國醫學會及 JAMA Network、美國國家綜合癌症網絡、美國急診醫師學會、美國心臟病學會等機構建立合作。
JAMA Network 曾披露，旗下 13 種期刊的全文內容已經整合進 OpenEvidence。多家醫學專業組織也將臨牀指南和教育資料接入平臺。
在基礎問答之外，OpenEvidence 還推出了 DeepConsult，讓系統對數十篇甚至上百篇研究進行更深入的檢索和綜合，生成接近專題研究報告的內容。平臺還增加了繼續醫學教育、語音交互和移動端應用。
2026 年 7 月，OpenEvidence 又推出了 EvidenceGrade。該功能參考循證醫學中的 GRADE 框架，嘗試實時評估回答背後證據的質量。
其可以對平臺每條答案背後引用的醫學證據進行實時質量分級和可視化，幫助醫生快速判斷證據強度，從而決定在臨牀決策中能賦予多大權重，能夠有效解決 AI 生成內容可信度不明的痛點。
圖 | EvidenceGrade 對答案背後證據的評估（OpenEvidence）
醫生免費使用，廣告完成變現
OpenEvidence 的用戶快速增長的一個重要原因， 是對經過身份認證的美國臨牀專業人員免費開放。
傳統醫療軟件通常先賣給醫院，需要經歷預算審批、信息安全評估、系統部署和員工培訓，銷售週期可能持續數月甚至數年。醫生能否使用一種工具，往往不完全由醫生自己決定。
OpenEvidence 繞開了這條路徑。醫生可以直接註冊，不必等待醫院統一採購，也不需要支付個人訂閱費。免費把一個企業採購問題，變成了個人用戶增長問題。
截至 2026 年 7 月，公司稱其擁有約 91.5 萬名經過美國執業資格或專業身份認證的臨牀用戶，包括醫生、護士、執業護士和醫師助理。僅在 4 月，就有約 65% 的美國醫生在近 2,700 萬次臨牀診療中使用了這項服務。
圖 | OpenEvidence 在醫生羣體中的使用量激增（來源：OpenEvidence）
平臺查詢量也在上升。2025 年 12 月，OpenEvidence 處理了約 1,800 萬次臨牀諮詢，而一年前約爲每月 300 萬次。2026 年 3 月，公司宣佈平臺首次在 24 小時內完成 100 萬次由認證醫生髮起的臨牀諮詢。
此外，OpenEvidence 還開始從醫生自發使用的外部工具，進入醫院正式部署的臨牀流程。
2026 年 2 月，Sutter Health 宣佈將 OpenEvidence 接入 Epic 電子病歷系統；3 月，紐約西奈山醫療系統宣佈部署該平臺，並將使用範圍從醫生擴大到護士和藥師；7 月，紐約長老會醫院及其附屬醫學院——哥倫比亞大學瓦格洛斯內外科醫學院和威爾康奈爾醫學院——也宣佈在旗下醫院和護理場所部署OpenEvidence。
這意味着，OpenEvidence 正在從醫生自己打開的搜索工具，逐漸變成嵌入醫院工作流程的臨牀知識基礎設施。
那麼，誰來爲這款免費的醫療 AI 付錢？ 答案是向製藥企業和醫療器械公司出售廣告。 醫生免費使用搜索和問答服務，廣告主爲觸達醫生付費。但它出售的不是普通互聯網流量，而是經過身份認證的臨牀專業人羣，以及他們在具體診療場景中的注意力。
美國數字醫藥廣告支出 每年約爲 200 億至 250 億美元 。OpenEvidence 能夠精準觸達約 60 萬美國處方醫生，這是一個極具價值的受衆羣體。 對藥企而言，這種流量比普通社交平臺更接近真實的處方和治療決策。
由此，OpenEvidence形成了一套循環：免費服務帶來更多醫生和查詢量，高價值臨牀流量吸引藥企與器械公司投放廣告，廣告收入再用於內容授權、模型研發和算力，從而繼續維持醫生端免費。
根據公司披露， OpenEvidence 2025 年的年收入已經超過 1 億美元。
除了廣告之外， 該公司還在探索其他收入模式 ， 比如針對集成到電子病歷工作流程中的醫療系統部署，採用企業級按席位定價模式 ；開發 高級企業功能 ； 爲製藥公司、醫療器械製造商和支付方提供數據洞察訂閱服務 ，以及 用於將臨牀決策支持系統集成到第三方平臺的 API 許可。
醫療專用模型，一定更可靠嗎？
隨着 OpenEvidence 用戶量激增，醫學界對它的態度總體積極，但也保留了明顯的警惕。
多名來自不同專科和醫療機構的醫生認爲，OpenEvidence 操作簡單、移動端使用方便，最大的價值是快速檢索權威醫學文獻，尤其適合處理超出醫生日常專業範圍的問題。
在實際使用中，有醫生藉助 OpenEvidence 確認低血鉀是否屬於藥物的常見副作用，也有人用它判斷疑似脊柱骨折是否需要進一步進行 CT 檢查。一名腎臟科醫生表示，OpenEvidence 經常能爲他節省約 30 分鐘的傳統檢索時間。哈佛大學醫生 Anupam Jena 也觀察到，醫生主要使用它補充本專科之外的知識，並尋找 Google 或 UpToDate 難以快速提供的答案。
不過，一些醫生指出，平臺可能遺漏重要信息，或者根據樣本量較小的研究得出過於肯定的結論，在罕見疾病和複雜病例中尤其如此。紐約一名急診醫生就曾發現，OpenEvidence 誇大了某種注射藥物導致肝損傷的風險，沒有充分考慮患者長期飲酒這一更可能的原因。幾周後，平臺更新了相關回答，才更準確地反映飲酒因素。
（來源：OpenEvidence）
目前，不同研究對 OpenEvidence 的評價也不一致。一項發表於 Nature Medicine 的研究發現，在 MedQA、HealthBench 和 100 個真實臨牀問題中，GPT-5.2、Gemini 3.1 Pro 和 Claude Opus 4.6 整體領先於 OpenEvidence 和 UpToDate Expert AI。
幾周後，Real-POCQi 預印本研究卻得出相反結果。該研究使用 620 個 OpenEvidence 平臺上的真實臨牀問題，由 149 名執業醫生進行盲評，OpenEvidence 在準確性、臨牀實用性、來源質量、可覈查性和完整性等指標上獲得最高評分。
兩項研究的分歧，主要來自問題來源、評價指標、評審醫生和模型版本不同。《Nature Medicine》更強調標準化醫學知識、安全性和表達；Real-POCQi 更接近 OpenEvidence 的專科使用場景，也更重視證據來源與覈查。
因此，醫療專用模型是否優於通用模型，目前還沒有簡單答案。 更重要的是，這些研究評價的主要是回答質量，而不是誤診率、治療效果或患者死亡率。引用真實論文，也不代表結論一定適用於具體患者。
醫學知識快速增長、生成式 AI 改變檢索方式、權威內容合作提供信任、免費策略繞過醫院採購、醫藥廣告完成早期變現，這些因素共同解釋了 OpenEvidence 爲什麼能在四年內獲得近百萬臨牀用戶，並在一年左右把估值從 10 億美元推高到 120 億美元。
但按照公司披露的年收入超過 1 億美元計算，其估值約爲收入的百倍。要支撐這一估值，OpenEvidence 不僅需要繼續擴大用戶規模，還要證明醫院企業業務能夠形成穩定收入，並長期獲得醫生的信任。
參考鏈接：
1. https://www.hurun.net/en-US/Info/Detail?num=N5C7D1KGTE8G
2. https://time.com/collections/time100-health-2025/7279622/daniel-nadler/
3. https://www.forbes.com/companies/openevidence/?list=ai50
4. https://www.healthcare.digital/single-post/openevidence-chatgpt-for-doctors-2026-plans-and-strategic-outlook
5. https://www.iatrox.com/blog/openevidence-vs-chatgpt-why-2026-studies-disagree
6. https://www.nature.com/articles/s41591-026-04431-5
7. https://arxiv.org/abs/2606.28960
8.
https://www.iatrox.com/blog/openevidence-vs-chatgpt-why-2026-studies-disagree
免責聲明：本文旨在傳遞生命科學和醫療健康產業最新信息，不代表平臺立場，不構成任何投資意見和建議，以官方/公司公告爲準。本文也不是治療方案推薦，如需獲得治療方案指導，請前往正規醫院就診。
運營/排版：何晨龍
注：封面/首圖由 AI 輔助生成