**GPT-4插件开放后，AI医疗应用层公司的成本结构变化，核心在于“模型能力获取方式”和“用户触达路径”同时被改写。**插件让通用大模型可以构建起直接面向终端用户的细分场景，应用层企业原本依赖自建模型或深度定制的部分投入，可能部分转为通过接入API实现功能；与此同时，通用大模型自身成为入口，也会对一部分纯应用层创业企业形成挑战。成本压力从“造模型”向“用模型、抢场景、拼专业化”转移，盈利模式因此需要重新计算。

成本重心从“造模型”转向“用模型”

AIGC产业由上游基础设施、中游算法模型和下游应用拓展三部分构成。从成本效益角度看，基础层、模型层的搭建适合有规模效应的大厂和平台，创业公司更多在应用层探索和突破。

插件开放后，通用大模型通过插件构建起直接面向终端用户的细分场景。应用层公司获取模型能力的方式更灵活，原本需要自行完成基础模型开发、再针对目标市场做特定优化的路径，部分可由接入API替代。这意味着模型研发的固定投入压力相对减轻，但调用成本、场景适配成本和数据治理成本的重要性上升。

获客与渠道成本被重新分配

插件生态加速了海外生态中与其他应用层领域的精细化分工。ChatGPT插件既可接入应用、赋能应用，又可调用应用、操作应用，大模型兼具“操作系统”角色。

对AI医疗应用层公司而言，这意味着两件事：一方面，通用大模型成为新的流量入口，部分获客路径可能被重构；另一方面，通用大模型直接面向终端用户构建细分场景，会对一部分纯应用层创业企业造成挑战。渠道成本不再只是传统投放，还包括如何在通用入口与垂直场景之间建立不可替代性。

盈利模式的关键变量：专业化与专有数据

垂类赛道下的专业化模型可能是解决方案之一。Eric Schmidt参与撰写的Blog“Does One Large Model Rule Them All”表达了这样的观点：定义明确的高价值工作流程将主要由专门的人工智能系统而不是通用的人工智能模型来解决；当我们沿着曲线向下到低价值工作流程时，通用人工智能模型将取代作为主要方法。

医疗领域尤其需要高质量的专业化模型，高质量、用户反馈和专有数据集将会是专业化模型的关键。高价值的工作流程需要奖励任何质量改进。对应用层公司来说，收入来源能否成立，取决于能否在高质量、用户反馈和专有数据集上形成壁垒，而不是仅做通用能力的搬运。

常见问题

GPT-4插件开放后，AI医疗应用层公司的模型成本会下降吗？

不能简单说下降。基础层、模型层的搭建适合有规模效应的大厂和平台，应用层公司通过接入API实现功能，可能减少自建基础模型的固定投入。但模型调用、场景适配和专有数据治理会成为新的成本项，整体结构是转移而非单向降低。

为什么通用大模型开放反而可能挑战纯应用层公司？

插件让通用大模型可以构建起直接面向终端用户的细分场景，大模型兼具“操作系统”角色。如果应用层公司只做通用能力的简单封装，其场景价值容易被通用入口覆盖，因此会面临挑战。

AI医疗应用层公司更现实的盈利方向是什么？

方向之一是垂类专业化模型。定义明确的高价值工作流程更可能由专门的人工智能系统解决，医疗领域尤其需要高质量、用户反馈和专有数据集。当前AIGC在医疗领域的应用还处于起步阶段，成规模的应用主要在聊天机器人领域，商业化仍需观察。