GPT-4插件开放生态正在改变AI医疗创业公司的成本结构：从自建模型转向接入大模型API，让创业公司绕开高昂的基础模型训练成本，把资源集中在应用层创新上。这一转变的核心逻辑是，基础层、模型层的搭建适合有规模效应的大厂和平台来做，而创业公司在应用方面的探索和突破，更可能成为未来的主要趋势。
自建模型与API接入的成本差异
在AIGC产业链中，包含上游基础设施、中游算法模型和下游应用拓展三个部分。过去，部分企业采用从自建模型到开发应用的端到端模式，即针对特定领域自行完成基础模型开发，再进行模型、知识和数据的特定优化——这需要巨大的算力、数据和人才投入。
而GPT-4插件开放后，ChatGPT插件既可接入应用、赋能应用，又可调用应用、操作应用。由于大模型能兼具“操作系统”角色，创业公司可以通过接入API实现应用功能，将成本重心从模型训练转向场景构建和数据优化，显著降低进入门槛。
专业化模型是成本效益的关键
生态开放后，通用大模型通过插件构建起了直接面向终端用户的细分场景，这对一部分纯应用层创业企业造成挑战。而垂类赛道下的专业化模型可能是解决方案之一：从通用的人工智能模型开始，然后对其进行实质性的专业化以提高质量。
医疗领域尤其需要高质量的专业化模型，其中高质量、用户反馈和专有数据集是专业化模型的关键。医疗是一个高度专业化的领域，容错率低，需要基于大量的可靠数据和高质量的临床实践基础。通过积累专有数据集和用户反馈来优化模型，创业公司可以在长期降低调用通用模型的边际成本，同时提升服务质量和差异化竞争力。
常见问题
生成式AI在医疗领域主要应用在哪些环节？
生成式AI在医疗保健和生命科学领域应用前景广泛，包括药物发现、疗效评估、模拟数据生成、自动化工作流程和提高效率等。当前成规模的应用主要在聊天机器人领域，覆盖患者咨询与管理、临床决策支持、医疗教育等场景。
判别式AI和生成式AI在医疗中如何分工？
判别式AI擅长图像识别和分类等任务，在识别疾病、分析影像、预测疗效等方面实现更高准确度；生成式AI更关注理解人类意图和复杂场景，在医疗模拟对话和个性化医疗方面具有不可替代作用。未来两者结合可实现更复杂精细的任务。
创业公司如何应对GPT-4插件生态带来的挑战？
创业公司应聚焦垂类赛道的专业化模型，利用高质量、用户反馈和专有数据集构建壁垒。同时可以将判别式AI与生成式AI算法结合，根据自身需求实现更复杂精细的任务，在细分场景中找到通用大模型难以覆盖的价值空间。