医生为什么自发传播OpenEvidence：一款“以证据为核心”的AI产品

在这期 Sequoia 的对谈中，OpenEvidence CEO Daniel Nadler 讲述了一款 AI 产品如何在几乎没有市场推广的情况下，在医生群体中自发走红。关键不在模型参数，而在于它如何把医学证据、临床工作流和“可被信任的答案”重新组合。

为什么医生不缺AI，而是缺“可被信任的答案”

这一段讨论的重要性在于，它解释了 OpenEvidence 能够在医生中走红的根本原因。Daniel Nadler 指出，医生并不是不愿意使用 AI，而是长期对“黑箱式回答”保持高度警惕。在临床环境中，一个未经证据支持的建议，可能意味着真实的医疗风险。

他反复强调，医学场景与通用问答最大的不同在于：医生必须知道“答案从哪里来”。因此，OpenEvidence 的核心不是生成能力，而是围绕循证医学构建的检索与引用体系。每一个结论背后，都需要明确指向原始文献或权威指南，而不是模型自己的“推断”。

正是在这种设计哲学下，医生才会愿意在真实工作中使用，并进一步推荐给同事。正如 Nadler 在对话中所表达的那样，大意是：如果 AI 不能清楚地展示它所依赖的证据来源，那么它在医学场景中的价值是有限的。

从“模型能力”转向“证据工作流”的关键转折

这一节的价值在于，它揭示了 OpenEvidence 与大多数医疗 AI 创业项目的分水岭。Nadler 回顾，他们很早就意识到，单纯追逐更大的模型或更新的架构，并不能解决医生的核心痛点。

在视频中，他描述了一个常见场景：医生在看诊前，只有极短时间快速确认某个具体问题，比如最新研究是否支持某种治疗策略。传统搜索需要跳转多个页面，而通用大模型给出的回答又缺乏明确出处。OpenEvidence 正是围绕这种“碎片化、高风险决策”场景来设计产品体验。

这种转向并非一开始就显而易见，而是在与大量医生反复交流后形成的。Nadler 提到，他们学到的一个重要教训是：在医疗领域，产品设计必须服从临床流程，而不是反过来试图改变医生的工作方式。

病毒式传播背后的真实故事：没有市场预算的增长

这一部分之所以重要，是因为它解释了“医生自发传播”这一现象如何发生。OpenEvidence 并没有依赖传统的企业销售或大规模市场投放，而是通过真实使用体验在医生群体中扩散。

在对谈中，主持人提到，OpenEvidence 的使用增长在很长一段时间内几乎完全来自医生之间的推荐。这种增长方式在医疗软件中并不常见，因为医生通常对新工具极为谨慎。

Nadler 将其归因于两个因素：第一，产品在真实临床问题上节省了时间；第二，它降低了认知负担——医生不需要“相信模型”，只需要判断引用的证据是否可靠。正如他在节目中所说的，大意是：当医生发现一个工具真的在帮他们更快找到可靠答案时，分享几乎是自然而然发生的。

“Open”到底意味着什么：对模型与数据的克制态度

这一节聚焦于标题中“OpenEvidence”里的“Open”含义，这也是投资人特别追问的部分。Nadler 解释，这里的“Open”并不简单等同于开源模型，而更多指向对证据来源和推理路径的透明。

在视频后半段，他谈到一个重要立场：他们并不假设某一个模型会长期保持领先，因此系统设计上避免与单一模型深度绑定。相反，更重要的是如何在模型之上构建稳定的证据层和验证机制。

这种克制态度，在当前“模型竞赛”氛围中显得尤为不同。Nadler 的核心观点是：在医疗领域，长期价值不来自参数规模，而来自对不确定性和风险的系统性管理。

总结

这场对谈提供的最大启发在于：OpenEvidence 的成功并非源自更强的生成能力，而是对医学这一高风险场景的深刻尊重。通过把“证据”而非“模型”放在产品核心，它赢得了医生的信任，也实现了罕见的自发式传播。对于所有试图将 AI 引入专业领域的团队而言，这是一条清晰但并不容易复制的路径。

关键词： OpenEvidence， Daniel Nadler， 医疗AI， 循证医学， Sequoia AI Ascent

事实核查备注： 视频标题：The AI Product Going Viral With Doctors： OpenEvidence；演讲者：Daniel Nadler（CEO）；核心概念：循证医学、引用与证据透明度、医生工作流；节目来源：Sequoia AI Ascent