前百川高管邓江再创业：聚焦多模态AI医疗，MentX实现复杂决策

文｜周鑫雨

编辑｜苏建勋

自2025年开年，邓江便踏上了“逆流而上”的征程。

年初，身为百川智能商业合伙人兼商业化业务副总裁的他，亲身经历了DeepSeek带来的行业震动以及大模型“六小虎”格局的洗牌——邓江负责的ToB业务宣告解散，百川整体战略收缩至C端AI医疗领域。

面对动荡，邓江选择了离开百川，自立门户。

△前百川智能商业合伙人、商业化业务副总裁，缘启智慧创始人兼CEO邓江。图源：受访者供图

令人意外的是，他的新公司“缘启智慧”并未选择直接切入AI应用层或他所擅长的金融赛道，而是延续了百川的路线：从模型训练到应用研发，全面布局AI医疗。

众所周知，医疗领域壁垒极高。一端是复杂封闭的医疗体系，另一端则盘踞着蚂蚁、京东等资源雄厚的大厂。

质疑声从未间断。

有人质疑邓江的金融背景——这位出身中国农业银行总行、长安新生、中关村科金等机构的金融老将，并非典型的医学专家。

也有人对创业公司在医疗赛道的“存活率”表示怀疑。时至今日，邓江在融资过程中仍常被问及：你拿什么与大厂竞争？

见到邓江前，我们也带着同样的疑问：亲眼目睹百川在AI医疗领域探索两年多，究竟是什么给了他再次入局的底气？

他的回答是：恰恰是百川的经历，证明了大模型时代AI医疗商业化的可行性。

AI医疗并非局限于“院内诊疗”，而是涵盖养老、医疗保险等更广泛的智能健康管理场景——而这些场景与银行、保险等金融领域紧密相连。

布局金融，实为布局医疗——这也是2024年初邓江选择加入百川智能、组建金融事业群的核心动因。

在百川的一年多时间里，邓江将保险、养老等健康场景的AI落地做到了“商业闭环”：无论是营收规模还是客户合作意愿，B端业务都成为百川商业化的支柱。

而这些“泛医疗”健康场景，也顺理成章地成为邓江创立“缘启智慧”后的主攻方向。

离开百川后，邓江决定带领团队走一条差异化的新路。

两者的第一处分野在于：百川聚焦纯文本，而邓江选择了多模态。

从医疗模型落地的角度出发，邓江认为：“医疗问题必然是‘望闻问切’，是多模态的，无法仅通过文字描述清楚。”

这一判断也决定了缘启智慧的技术路线：打造多模态医疗循证模型。

成立半年内，基于四、五款国产大尺寸多模态模型进行强化训练，缘启智慧训练出了自有的底层多模态医疗循证模型。

11月，缘启智慧基于自研模型发布了首款商业化AI医疗智能体MentX。在国际权威医学多模态推理评测集MedXpertQA中，MentX的能力位列全球第二、中国第一。

邓江透露，MentX回答真实常见医疗问题的准确率已达95%，水平稳居国内第一梯队。

△在国际医学多模态推理评测集MedXpertQA的MM子集榜单中，MentX表现优于GPT-5-mini。图源：https://medxpertqa.github.io

第二处分野，在于百川选择了ToC，而邓江押注了ToB。

通过提供MentX API的形式，邓江与养老、保险、医美等行业的企业机构建立了合作。

△MentX给出的牙齿矫正建议。图源：MentX试用

选择ToB，不仅是邓江的路径依赖。他解释，现阶段更多高质量的医疗多模态数据掌握在B端手中。对亟需构建数据和场景壁垒的创业公司而言，先深耕B端是明智之举。

取得技术突破后，邓江迈入了他更熟悉的商业河流：先将AI医疗产品卖给保险、银行等熟悉的B端客户，让商业化与数据飞轮转动起来，再逐步将版图拓展至更广阔的健康领域。

邓江透露，公司虽仅成立三个月，但已落地三份商业化合同。

在短短半年内完成从技术验证到商业化落地的闭环，快速进展的另一面，是对业务壁垒的质疑。

足够聚焦，且聚焦于复杂场景——这是邓江构建壁垒的方法论。

“我们不做医疗问答chatbot，也不做简单的症状咨询。”他强调，缘启智慧聚焦的是需要结合多模态医学影像和医疗报告、同时跨科室的复杂医疗决策场景。

例如，如何准确解读一份涵盖CT、X光片、心电图等医学影像和检测数据的体检报告。

“在真实医疗场景中，复杂决策才有真正的价值。”他总结，“我们希望做复杂的事，未来中国能提供这种技术服务的公司也不会太多。”

做金融，是为了做医疗

智能涌现：你之前的背景更偏金融，为什么选择做AI医疗的创业？

邓江：这也是最近大家问我最多的问题，可能因为大家对医疗的理解存在偏差。

医疗本质上是一套知识体系，不等于医院，也不等于医生。这套知识体系有许多应用场景。

百川之所以做金融，是因为在保险的健康咨询和核保理赔、银行的养老金融等场景中，存在大量医疗需求，且具备良好的商业闭环机会。

比如购买保险、理赔核保，都需要懂医疗的人胜任相关工作。

所以我现在做的事，实际上是把医疗能力，通过大模型技术革命，供给给银行、保险、医美等大健康行业场景。

智能涌现：意思是百川做金融的目的，是为了做医疗？

邓江：在百川时，我们给金融机构推医疗方案，比如给保险公司推健康咨询能力和理赔核保能力。

再如银行，我们与一些头部银行合作落地养老金融场景。

智能涌现：你是2024年初加入百川的，这一年AI医疗的进展如何？

邓江：当时整个大模型行业在院内场景的商业化，由于监管政策和模型能力问题，实际上无法实现商业闭环。医疗模型的能力尚不能满足诊断级的复杂决策需求。

所以当时中美一些公司都看到了“泛医疗场景”的闭环机会，比如保险。像阿里、字节现在推出的医疗产品，也并非面向院内诊断，而是院外咨询、慢病管理、体检等场景。

这些场景对医疗能力的要求没那么高，且比公立医院、围绕社保的体系更市场化、商业化。

智能涌现：百川的经历对你创业有何意义？

邓江：大模型行业2023年才起步，我非常感谢小川总，很早就带我们入行。这对我至关重要。

就像最早一批互联网和移动互联网用户中涌现出许多成功创业者，因为他们看到了技术革命的红利。

其次，我在百川负责商业化，一年多里看到了市场对新技术的接受度和商业闭环的潜力，这给了我创业的巨大信心。

所以我们虽成立时间很短，但愿意合作的客户非常多，大家都认可技术在产业中的爆发力。

智能涌现：为什么你选择创业？

邓江：离开公司是为了能按自己的想法选择技术路径。

我认为医疗问题必然是“望闻问切”，是多模态的，无法仅靠文字描述清楚。

智能涌现：在语言和多模态之间，为什么你相信多模态是医疗循证的更好路径？

邓江：所有语言描述都会伴随信息衰减。比如一幅世界名画，用语言表达，听众还原的画面必然不同。

所以语言是描述世界的好载体，但存在大量信息衰减。比如线上问诊与面诊，后者在见面时引入了更多信息输入，有许多语言无法描述的东西。

△输入孩子咳嗽声音频后，MentX给出的诊疗建议。图源：MentX试用

智能涌现：现在是不是入局医疗的好时机？

邓江：在23年、24年，大模型技术在医疗场景其实尚未ready。这也是为什么我们选择在25年出来做这件事。

在美国的许多应用场景上，我们看到了最先进模型在医疗领域的商业突破。

国内和美国大概有半年左右的gap，所以我们认为现在timing正好。我比较看好明年大模型在医疗场景的落地。

智能涌现：在医疗领域获客，与金融领域有何差异？

邓江：首先金融仍是我们重要的场景。我们现在也在与保险公司、银行推动商业化合作。

并不是说我放弃了金融，去与卫健委、医院打交道。

其次，医疗的更广泛场景来自保险等机构，它们服务了大量有医疗需求的人。赋能保险机构，让它们更好地服务这些人，是我们选择的商业路径。

智能涌现：团队主要做B端还是C端？

邓江：我们目前希望打造“2B2C”路径，即先服务产业链公司，帮助他们实现更智能的ToC服务。

智能涌现：为什么没有像百川一样ToC？

邓江：我们认为更广泛的高质多模态数据，其实还在B端，不在C端。

我们需要中间媒介作为输入源。比如在医美场景，前端必须配备专业销售，指导用户上传照片的角度。

患者自身很难做这些事，比如C端产品直接让他们描述红斑或拍面部状态，患者可能无从下手。

所以B端前端专业人员的作用，是帮我们做好输入端的筛选。

保持技术独立性，是我们和大厂最大的区别

智能涌现：多模态医疗循证在国内是共识吗？有走同样路线的公司吗？

邓江：我不敢说我们是唯一一家走这条技术路线的，但我敢说我们是目前市面公开产品中唯一有落地能力的。

目前所有产品中，没有一款能支持全科、多模态的输入。

智能涌现：现在很多AI医疗跑了5、6年的中大厂，商业化成绩也一般。你创业会受到质疑吗？

邓江：历史上每一次新技术带来的产业革命，总伴随质疑。

但我和小川总观点完全一致，真正有价值的东西，在早期一定是非共识的。当大家都形成共识，机会也没了。

智能涌现：你怎么保证这几年能持续造血，同时与大厂竞争？

邓江：第一，我们在技术上要更垂直、更深入。这是创业公司的优势，大厂很难做这么垂直的投入，它们做的是更普适的技术投入。

第二，我们要保持技术独立。

智能涌现：什么叫做“技术独立”？

邓江：比如某大厂投资了爱康和美年，如果你是一家体检机构，你愿意跟这家大厂合作吗？

所以我们要保持技术独立性，这是和大厂最大的区别。不是所有场景都愿意拥抱大厂，因为大厂和客户在某些场景上有深度竞争。

就像华为宣布不造车，它的技术才能被更广泛的车厂使用。大厂的生态产业链很深，既是优势也是劣势，因为它们无法保障技术独立性。

无论在数据安全还是商业竞争层面，我们看到不管哪个行业、哪个时代，独立技术公司都有自己的生存空间。

智能涌现：创业半年来，你觉得做AI医疗的客观难点有哪些？

邓江：最大的难点还是资源有限。

所以方向选择要坚定，每个方向的打磨周期都以半年、年为单位。一旦选错，回头成本很高。

目前从结果看，我认为基于多模态循证做技术突破的方向是对的。

智能涌现：什么样的结果？

邓江：我们验证多模态医疗循证很快，大概花了两三个月。但完美工程化的时间会比较长。

在这个技术路径下，通过技术工程搭建，我们发现模型在医疗场景瞬间变得聪明，和当年的ChatGPT一样，变聪明的程度是指数级的。

智能涌现：既然多模态路径短时间能被验证，那是不是意味着它很快会成为共识？竞争很快会加剧？

邓江：今天上午，一个投资人也问了我同样的问题。

马斯克的无人驾驶技术也是公开的，他告诉大家纯视觉就能实现无人驾驶，但又有多少人真正能做出来？

技术路径选择说起来容易，但真正实现需要团队积累。我们呈现的结果，绝非一个团队能很快复制的。

但我认同多模态循证的共识很快会达成。

智能涌现：对于AI医疗模型的研发，最重要的资源是什么？数据吗？

邓江：目前我们用的还是公开数据，但未来随着技术研发深入，医疗公司最大的壁垒还是在场景中对医疗数据的积累。

智能涌现：你有数据焦虑吗？初创公司初期很难有数据优势。

邓江：不会。医疗数据和消费数据不同，消费数据要多，医疗数据要精。我有10个感冒数据，和有1万个感冒数据没有区别。

数据多反而会成为负担。三甲医院和基层医院有大量数据，但其中有很多垃圾数据，筛选负担大。

我们目前用开放数据，因为它们被清洗加工过。只需用这些优秀数据，就能达到目前效果。

在数据质量上，小公司有小公司的优势，我们有更灵活的机制筛选数据。而大公司数据多，但如何用是难题。

智能涌现：相比市面上其他医疗模型，你们的模型有何优势？

邓江：我们的模型提升的不是深度，而是广度，即实现医疗场景的泛化，真正打造全科能力。

比如市面一些产品能解读体检报告，但一旦加入B超、X光片，就不行了。你只能寻求专业小模型。

为什么医疗复杂场景难？因为它不仅涉及多模态，而且答案是开放性的。

我们现在能用一套方案，泛化处理医疗问题。无论是医美、牙科整形，还是内科问题，不管输入图片、视频还是报告，我们都用一套方案精准解决。这是我们最大的技术突破。

智能涌现：今年OpenAI被曝将投入250亿美金在医疗健康领域。AI医疗是不是无法摆脱资源竞争？

邓江：我看到豆包、蚂蚁这些大厂推出健康类产品，其实是开心的。这些大公司每一个决策背后一定有庞大的市场和数据支撑。

我相信OpenAI做医疗只有一个原因：他们发现ChatGPT用户中，问医疗相关问题的占比很高，其中蕴含巨大商业机会。

其次，250亿美金要砸的场景，绝不会是小场景。在大的医疗场景中，大厂一定会卷得厉害。

但反过来，哪怕某一种病，都意味着巨大的市场空间。比如中国有上亿皮肤病患者，把皮肤病做好就足够立足。所以未来还是看能否把垂直能力做深做透。

真实医疗场景中，复杂决策才有真正的价值

智能涌现：今年入局AI医疗，你看到了哪些机会？

邓江：医疗有三个方向：药、器械、服务。

今年，AI药物研发已经跑通。很多药物研发、生物制药公司，都实现了巨大的技术和商业化飞跃。

接下来会爆发的其实是另外两个赛道。

以前，医疗知识服务主要靠医生。比如我愿意花1000元挂专家号，本质是想让专家回答我的问题。

现在AI能替代人做复杂脑力劳动，所以大部分医疗问题不需专家，也能高效拿到高质量答案。

这意味着我们实现了医疗知识的平权。医疗知识不一定是医疗诊断，还可能是用药、健康咨询、保险。所以我们在医疗服务上看到了供给侧的改革——供给不再依赖人类医生和三甲医院。

这在未来是巨大场景。中国只有500多万从业医生，要服务14亿人。未来可通过AI实现每人配一个健康顾问。

比如一些大型保险公司，专门雇了一两百人的医疗专家团队，这是小保险公司负担不起的。但现在有了AI，我们可以供给一千、一万个AI医生。

智能涌现：AI时代医疗器械的机会是什么？

邓江：医疗器械本质是生命体征数据的采集端。但原来这些数据，比如心电图，只有医生看得懂。

但有了AI，我们可以实现很多医疗器械的家庭化。以前心脏不舒服只能去医院做心电图，实际上心电机很便宜，一两千块，为什么不在家里放一台？

我们现在看到，未来有机会实现家庭级诊断。所以我们现在一方面与传统医疗器械厂商合作做智能化，另一方面也不排除联合研发新设备作为采集端。

智能涌现：医疗服务和器械，目前对公司哪个业务优先级更高？

邓江：服务是我们的核心，硬件交给更专业的公司。

未来所有硬件，比如电视、门禁，都可能成为采集端，比如授权后每次刷脸，系统可通过脸色做健康评估。

智能涌现：一个好的AI+医疗团队应如何组织？专业医疗人才发挥什么作用？

邓江：我们刚起步，顾问团队规模不大。但我们的顾问都是各医疗领域的专业人才，能在关键节点给予支持。

眼下两个方向很重要。第一是对AI医疗效果的评测。我们做了大量评测工作，评测集涉及数千真实公开病例。

基于评测结果，最重要的是决定研发资源投入的方向，毕竟创业公司资源有限。

智能涌现：目前公司资源投入了什么方向？

邓江：我们其实不是纯技术驱动公司，商业也是重点。技术是为场景服务的，我们用客户需求驱动技术。

智能涌现：客户需求驱动的公司，与技术驱动的公司，在业务落地动作上有什么不同？

邓江：我们不想做“拿着锤子找钉子”的事，比如先把技术研发出来，再问客户有什么用。

作为初创公司，我们最大的优势说白了就是一穷二白。一开始，我们就花大量精力与客户深入沟通，把技术idea变成可商业化落地的产品。

因为我过去10年一直负责商业化，所以与客户沟通频率很高。创业后很多老客户带着需求来找我们，不过我们自己需要取舍。

智能涌现：做怎样的取舍？

邓江：还是看需求场景的泛化性和市场空间，我们会选垂直、需求大的场景先落地。

比如体检。中国有上万家体检机构，除了美年、爱康等大机构，还有大量服务基层的小规模体检机构，有医疗赋能需求，包括报告解读、后续诊断建议。

比如基层诊所，我们也在合作试点，推动AI辅助医生，降低误诊率，提高诊断效率。

再比如医美、养老，也是中国巨大的行业。这是目前我们重点推动商业化的几个领域。

△MentX根据照片给出的医美建议。图源：MentX试用

智能涌现：只做医疗知识的问答服务，门槛是否不够高？不少大厂也在布局。

邓江：如果是简单的症状咨询和轻问诊，门槛确实不够高。但如果是复杂医疗决策，门槛非常高。

比如一份体检报告，十几种指标，加上CT、X光片、心电图等影像，要把诊断做准，本身非常难。

在真实医疗场景中，复杂决策才有真正的价值。很多公司目前还在做轻问诊服务，而且是免费的。这应该是大厂做的事，他们有流量。

我们希望做复杂的事，未来中国能提供这种技术服务的公司不会太多。就像无人驾驶，技术其实就那么几家公司在做。

智能涌现：团队提供怎样的产品形态？很多公司都在做医疗问答ChatBot。

邓江：我们强调“Result as a Service”，不是做ChatBot陪患者聊天，而是要回答问题。

所以我们的产品输出专业报告，每个答案都在医学循证基础上给出。

一旦场景做大，会面对很多问题，比如合规监管、性能、成本。医疗也在不断迭代，新药、新标准不断出现，如何持续更新，让产品与医疗界共识保持一致，都是未来挑战。

眼下我们就聚焦在循证一件事上。首先要保证数据、所有对外输出有据可循，避免“幻觉”，这是核心。

△MentX给出的结果可以回溯来源。图源：MentX试用

智能涌现：MentX在测评集上取得出色成绩，但这等同于实际落地效果吗？

邓江：MentX的表现其实极大超出我的预期。上线这段时间，我们至少挽救了三个重症患者的生命。

这些患者亲属把报告给MentX，MentX几秒钟给出结论，基层医生看到后马上做出转诊决定。这三个case如果不转诊，耽误病情会致命。

现在MentX最大的价值，就是在更广泛的场景内，帮助医疗从业者做出更准确的决定，而且有据可依。

在C端也有很多案例。比如孩子发烧、嘴上起泡，年轻父母犹豫要不要去医院，拍照片上传MentX，就得到明确诊断建议：疑似手足口病。

智能涌现：公司做定制吗？还是提供标品？

邓江：我们现在提供的是“全科”能力，所以没有针对某一场景单独定制的成本负担。AI模型的泛化能力，让ToB服务摆脱了传统的重定制形态。

我们眼下更多地通过API形式提供标准化能力。根据行业约束、法规等，也会做轻度定制。

智能涌现：你觉得AI医疗在什么时候能规模化落地？

邓江：类比美国的话，我觉得就是2026年。我们和美国的商业化落地有半年到一年的gap。

欢迎交流