OpenAI健康AI负责人：医疗智能成本正在崩塌，但省钱靠工作流整合而非模型本身

Karan Singhal是OpenAI健康AI研究负责人，他在a16z播客中向合伙人Jay Rughani阐述了公司医疗战略的底层逻辑。这个逻辑有一个反直觉的核心判断：医疗AI的省钱机制不在于模型变聪明，而在于工作流被重新设计。

Singhal给出的成本证据相当具体。他称GPT-6 Luna是OpenAI API上最便宜的前沿模型，在HealthBench Professional上的得分超过了GPT-5.6 Sol——后者一个月前还是公司最好的模型——而成本仅为后者的三十四分之一。他预计固定水平的健康智能成本将持续暴跌，信任门槛则不断上升。

但Singhal紧接着做了一个行业少见的诚实切割。他说：'我不认为健康智能已经对你描述的那个问题产生了宏观影响。'美国医疗支出超过5.3万亿美元，ChatGPT每周有超过3亿用户询问健康问题，但Singhal明确指出，充裕的健康智能只是压缩支出的前提条件，不是充分条件；真正的支出压缩来自整合、工作流、部署和规模化。

这个区分对投资者意味着什么？如果单个模型的成本已经能在一个月内降到旗舰的三十四分之一，那么拥有最聪明模型的公司并不能自动捕获医疗支出中的价值。价值捕获发生在谁把智能嵌入工作流、谁设计部署路径、谁解决合规和集成的摩擦。Singhal自己给出了一个具体案例：健康系统AdventHealth在部署AI代理后报告了约80%的行政工作流成本削减，而这个结果来自工作流重新设计，不是来自更好的模型。

在战略定位上，Singhal反复强调一条边界：医疗信息和医疗照护不是同一门生意。他说'没有任何一家公司会交付所有医疗照护的未来'，OpenAI的角色是'前门'和'四分卫'——导航、调度、标记何时需要就医——而实际照护留给合作伙伴。他明确排除了OpenAI自己管理慢性病的可能。

关于为什么OpenAI选择通用模型而非独立医疗模型，Singhal的解释是：通用能力进步太快，一个分叉出来的小型专用模型在被维护好之前就会被超越。他的方案是把医生来源的医疗数据注入每一个通用模型训练的每个阶段，让同一个模型写代码、规划假期、回答医学问题，行为根据提问者调整。他把这称为'两全其美'——前沿规模的推理加上医疗接地。

对医疗AI领域的建设者和投资者，Singhal的建议是一个明确的押注：'我会说押注模型会变得更好——这可能是最重要的事情。'他观察到医疗行业的人分布在一个光谱上，从押注模型变差、到中立、到押注模型变好。他的立场是后者。

但这条线有一个未解的张力。OpenAI拥有3亿周健康用户的入口、崩塌的成本曲线和HealthBench等评估基础设施，却反复排除自己交付照护。这意味着5.3万亿美元中潜在节省的实现，取决于OpenAI并不控制的合作伙伴和工作流整合，以及一个Singhal描述为正在接近但尚未到达的信任门槛。

a16z在节目说明中披露，其关联公司可能持有讨论中公司的投资。Singhal的所有数字和判断均为其本人在播客中的陈述，未经独立验证。