三件事放一起看，AI医疗的走向很清楚：钻进具体环节。"通用医生"那套没人再吹了。蛋白口袋里逐步优化分子，超声图像上给出毫米级数值，诊室里替医生写病历。三个场景，三种活法，逻辑是一样的：模型得拿出能验证的结果。
先看药物发现。LLM智能体现在能一步步改配体，每改一次就跑一次对接打分。新一批智能体更有耐心：先花额外对接次数做控制变量式的试探，摸清口袋脾气再动手。单次优化多漂亮不算数，经验能不能跨口袋复用才算数——在A口袋学到的编辑策略，搬到B口袋还灵不灵。演示和流水线之间，就隔着这一步。
医学影像这边卡得更基础。超声测的是连续值，视觉语言模型的输出却是离散token，天生对不上。统一模型也是一种解法：用提示词指定测量任务，把数值连续性保住。医生要的是"3.2毫米"，"大概三毫米"没法用。
商业上的数字更直白。环境智能记录领域一笔7.7亿美元订单落定，Abridge成了样板，市场开始追问下一个OpenEvidence在哪。中美路径明显不同：一边深度绑定电子病历与支付体系，一边更依赖医院信息化改造。谁先把医生从键盘前解放出来，入口就归谁。
三条线说的是同一件事：胜负手是反馈能不能接住。对接分数、毫米数值、医生的采纳率，每一样都能被打回来。接得住的留下，接不住的，讲完故事就散了。