一家医疗AI初创公司，正试图绕开通用大模型的底座，从零开始构建原生医疗模型。

这家公司叫Ortet，今年9月刚在美国纽约成立。核心产品是一款名为Ortet Health Model的医疗模型，仍处于在研阶段，公开定位是"以患者为中心、多维度的基础模型"。换句话说，它不是在GPT或Claude的底座上做微调，而是基于封闭的医疗专用语料，直接为临床患者建模。这在全球尚无先例。

另一家同样成立于今年的医疗科技投资平台Thoreau成为Ortet的唯一出资方，承诺出资额5亿美金，将根据业务进展按需拨付。从资本押注的角度看，这是今年全球医疗AI领域最重磅、也最疯狂的一笔投资——毕竟，像HealthLeap、PredicTx Health这样已有成熟产品的公司，种子轮融资额度均在数百万美元级别，而Ortet仅凭一个概念就拿下了5亿。

"他们赌的是，医疗AI的真正瓶颈不在应用层，而在基础模型，而这个基础模型不太能从GPT或Claude的底座上长出来。"医疗科技行业投资人路伟（化名）这样解读。

一、为什么有人愿意赌这条"非共识"路线？

当下市场最主流的医疗模型走的是"通用+微调"路线，优势是不用从头学语言、知识和推理，能把资源集中在医学适配上。但缺点同样致命：通用模型在预训练阶段形成的语言先验和推理模式，可能在真实医疗场景中产生系统性偏差，而微调只能做部分矫正。目前国内外大量测试表明，在通用底座上搭出来的医疗模型，其专业能力正在被通用模型全面吞噬。

Ortet选择的是另一条颠覆性的路——从一开始就完全按医疗场景设计模型架构、数据本体及训练目标，更精准地完成特定医疗任务。

这不是一个简单的创业故事，而是一场关于"医疗大模型是否需要从零开始"的商业测试。

找对问题，不代表答案正确

Ortet官网将自己描述为"一家面向健康领域的前沿人工智能实验室"，明确从生物学、临床、运营和财务四个维度归集数据，构建以个体患者为中心的医疗基础模型。Thoreau提供的5亿美元将用于计算和数据基础设施建设、模型训练与部署、以及研究和人才投入。目前Ortet已获得初始CPU集群，正在构建将研究大规模推向生产所需的技术基础。

从创始团队能更直接看清它想做什么：

核心成员 背景 角色

Kyunghyun Cho（CEO） 纽约大学健康统计学教授，注意力机制与GRU共同开发者，Transformer架构的前身正是从GRU长出；前基因泰克前沿研究负责人 理论架构

Henri Dwyer（CTO） 前基因泰克工程师，曾构建生命科学领域最大GPU集群 算力基建

Keunwoo Choi（首席AI官） 前基因泰克大模型研发负责人 预训练

三人恰好组成了基础模型研发的铁三角——理论、算力、预训练。

Cho的愿景很明确：患者的健康应随每一次互动而改善，但如今的数据、知识和基础设施仍过于碎片化。Ortet的解法是"构建一个能完整理解患者背景的系统，并提供可预测的更好决策"。

左手医生创始人张超认为，Ortet看准了当下医疗模型的核心问题——"不想给通用模型补充医学知识，而是让模型从真实医疗过程里学习'患者接下来会怎样，做什么可能更好'"。但他同时强调："不会因为创始团队背景就提前认可答案。如果Ortet不在真实临床数据上做文章，仅仅换底座，哪怕从零训练也解决不了问题。"

全肾AI创始人陈罡则指出，美国市场注重AI源头创新，痛点准、概念新就容易拿融资。但从技术逻辑看，从头做医疗基础模型意义有限——"通用模型发展必然越来越快，垂直能力会被自然覆盖，这已是行业共识。"

二、5亿美金背后：谁在买单，为什么敢买单？

愿意为一个非共识项目砸下5亿美金，出资方Thoreau同样值得关注。它不是单纯的财务投资机构，而是有明确战略指向的医疗投资平台——通过大规模并购整合，构建医疗行业的数据、规则和基础设施，用AI减少医疗系统的行政浪费。

在承诺出资Ortet之前，Thoreau已完成两笔控股投资：

• Ensemble Health Partners：美国领先营收周期管理服务商，为全美200多家医院管理超550亿美元净患者收入，处理范围涵盖账单及患者临床数据。

• Penelope Health：医疗政策智能平台，将保险规则转化为结构化数据，覆盖2亿美国人保单，涉及15000多种程序和药品代码。

加上创始团队的生物制药背景，Ortet已打通生物学、临床、运营、财务四个维度的数据获取渠道——且几乎都是非公开的高质量数据。

"如果真能把资源用到极致，Ortet有可能把某个患者诊疗旅程中的所有信息拼凑到一起。"路伟表示。这些信息过去分属不同系统，任何单一模型只能看到患者的一个侧面；以患者为主体归集后，模型确有可能学到微调路线学不到的东西——比如讨论治疗方案时，不只考虑"医学上是否合理"，还要问"能否预约、能否支付、最后是否执行"。

三、反证与条件：从头训练真的有必要吗？

即便数据和资源禀赋如此优厚，也不代表绕开通用底座是明智的。

Delphi-2M就是一个反证。这款由德国癌症研究中心、欧洲分子生物学实验室和哥本哈根大学联合研发的疾病预测模型，基于约50万英国中年人的表型与健康信息（来自英国生物银行），能预测未来20年内患病概率，平均AUC值达0.76，与专业临床评估工具相当。而它仅仅是在GPT-2底座上微调的220万参数小模型。

这说明，围绕疾病演化建模，完全可以走"通用+微调"路径。

张超给出了从头训练有价值的三个前提条件：
1. 专有数据足够多、质量足够高；
2. 目标任务与通用语言任务差异显著；
3. 效果或部署收益能覆盖训练维护成本。

"Ortet或许能满足其中两个，也可能全部满足。但对国内医疗AI企业来说，借鉴意义不大。"

四、结语：豪赌的启示

也许Ortet能做成，但很难被复制。它赌的不是"医疗+AI"的应用创新，而是基础架构层面的范式切换。即便最终证明这条路走不通，这场豪赌本身也在逼迫行业回答一个根本问题：当通用模型越来越强，医疗AI的真正护城河到底在哪里？

对国内医疗AI公司而言，更大的启示或许不在于是否从零训练，而在于——医疗大模型真的该往临床和医生的工作流里走一走了。数据不在公开语料里，而在每一次问诊、每一张处方、每一个随访结果的缝隙中。谁能先把这些"沉默的数据"变成模型能力，谁才可能在下一阶段的竞争中拿到入场券。