虽然我们现在讨论AI商业化还很早，但是相关概念股已经被市场广为讨论了，有些公司几天之间市值上涨30%的情况并不罕见。昨天恰好收到了迪安诊断的管理层（包括首席信息官和首席科学家）的一个电话会。专家们分享了很多详尽的信息，我们从中能学到目前一线垂直领域的公司是如何运用AI来赋能自己的业务，以及他们对未来商业模式的思考。

我认同一个观点，即AI本质上是模型、算力和数据。模型方面，我们看到全世界的大模型都没有护城河。以前我们以为openai是绝对领先的，现在大家都说deepseek更有差异化优势（主要是训练成本大幅降低），未来还可能有谁？不好说。

算力芯片这些最终可能还是一个高端制造业的逻辑。过去几年英伟达业绩的暴增，主要因为大模型训练侧对高端芯片的需求很大，未来随着下游应用推场景的增加，算力芯片的增长主要集中在推理侧，这样竞争就很大了。所以我感觉算力芯片的终局就是一个制造业的逻辑。（备注：ChatGPT每年训练费用30亿美金左右，推理费用大概10亿美金）

我个人觉得最终打扫战场的还是掌握终端用户和垂直场景的公司。比如苹果，或者在垂直领域（医疗、工业、教育、金融）有统治地位的公司。迪安诊断就是一家主业做医学诊断，然后这两年在AI方面投入很大而且有实际落地场景的公司。我不是推荐这家公司。只是希望通过了解他们在AI方面的探索细节，来思考未来垂直领域的AI应用可能有哪些商业模式。

首先，迪安的诊断大模型和我们普通人用的大模型基础架构不同。这个不难理解。通用大模型输入输出都是语言，他们的大模型核心输入可能是基因的序列，或者图像的像素（医院拍的片子），也或者是蛋白序列；输出是某种分类，比如属于哪种病原体，或者哪种肿瘤、哪种细胞等等。所以他们和传统的语言模型是有比较大差别的。但是因为所有的诊断服务都是针对人的，而跟人的交互还是以语言为接口进行的，所以他们也必须接通用的大模型（openai、deepseek、千问等）。

总结一下，他们大模型的架构上，前端和终端都会接通用语言的模型，通过这些模型把他们中间模型产生的数据和信息，以文字的形态展现给他们的用户。这里的中间模型，其实就是他们的价值。也是我认为未来几乎所有垂直领域大模型的本质。

其实我们从他们的人员配置上也能了解一些东西。他们的数字化团队，除了本来的机器学习和基础研发团队外，还专门有一个专家咨询团队。这个团队大体上有三类人：一类是一些头部三甲医院检验学科的医生，另外还有一个部分是各个不同学科的一些临床的医生和临床的KOL，第三类就是在AI和医疗结合的一些AI算法专家。我总结就是，做垂直领域大模型，特别需要这个领域的业务专家，以及和这个领域相关的算法专家。

其次是数据。迪安诊断大模型用的数据更多的是基于他们自身业务产生的数据。业务特点决定数据特点，从而决定模型的特点。这个很重要。这也是为什么一开始我说，真正值钱的，值得投资的，是下游场景。一般的通用大模型（openai、deepseek这些）是无法做到垂直模型这样细的颗粒度和精确度的。

他们的首席也分享过一个技术细节。比如现在通用的transformer结构，其实不太适合生物数据，因为生物数据的规模非常大，从上亿的像素的病理图像到上百万的基因测序数据，所以他们现在也开始尝试使用一些非transformer架构的深度模型。

关于数据，他们还分享了和武汉协和医院合作的停药预测模型。他们利用真实的临床数据（脱敏），比如性别、年龄、服药时长，也包括一些检验的数据，进行免疫功能的一个监测。我们发现利用大模型自动生成的模型与他们自己手工特别设计的模型相比，具有相似的精度，目前还没有完全超越人手工的，但效率是提升了。

作为投资者我们关心他们的商业模式。简单说，还不确定。负责技术的领导大致分享了两条可能的路径：一种是作为AI软件产品来收费，包括可能以SARS或者token的方式收费，就是客户他调用次数来计费，或者按照时间，每个月、每季度或每年来收费。一种是把自己的垂直模型作为一个增值服务或者差异化优势，和主营业务打包在一起作为一个整体解决方案来提供给客户。另外一位领导态度更加谨慎。他明确提到，“目前没有任何收费的计划”，因为模型的预测稳定性和准确性还有待提升，特别是在医疗领域，这个需要非常谨慎。他们更愿意通过免费的方式接入更多的数据和专家，来训练好自己的模型，扩大业务影响力。

他们对AI的定位，更多的会作为现有主营业务的一个赋能增值或者是降本增效的工具。