在医疗健康与人工智能的交叉领域，Corti正在成为一股不可忽视的力量。这家总部位于哥本哈根的企业，凭借其专注于医疗对话理解的AI模型，为临床医生提供实时决策支持，重新定义了医疗AI的应用边界。近日，Corti联合创始人兼首席执行官Andreas Cleve在接受Unite.AI采访时，深入分享了公司的发展历程、技术理念以及对医疗AI未来的思考。从家庭经历到创业使命：为临床决策注入确定性nAndreas Cleve的医疗AI之路，始于童年时期的家庭影响。在一个与医疗健康紧密相连的家庭中成长，他亲眼目睹了医疗专业知识的重要性，也深刻体会到医疗流程中存在的脆弱性——医护人员的疲惫、信息传递中的损耗以及因护理不一致带来的焦虑。这些早期经历在他心中种下了一颗种子：医疗服务应该具备可预测性，临床医生在面临艰难决策时不应孤立无援。nn这种信念直接催生了Corti的创立使命：构建能够支撑专业知识的系统，让临床医生始终获得可靠的实时决策支持。Cleve认为，现代医疗面临的核心挑战是供需失衡——医学知识的复杂性与人类将这些知识应用到所有场景的能力之间存在巨大差距。Corti的目标正是通过AI技术缩小这一差距，减少医疗差异，加速疾病检测，并在关键时刻支持更安全的决策。nn在创立Corti之前，Cleve已经在医疗科技领域积累了丰富经验。他曾创办Ovivo，这是一个面向医院的对话式劳动力规划平台，在丹麦迅速扩张后于2013年被收购。随后，他参与创立了Hyvi研究项目，探索能够实时理解复杂对话的上下文感知语言模型，这一项目最终在2018年演变为Corti。此外，他还通过Nordic.ai等举措，为北欧AI生态系统的发展做出了贡献，并在DIGITALEUROPE和丹麦国家数字化委员会担任顾问。
医疗AI基础设施：超越单点解决方案的技术架构n与许多专注于单一应用场景的医疗AI公司不同，Corti将自己定位为医疗AI基础设施提供商。Cleve解释说，这意味着他们并非交付单一的助手或小工具，而是构建支持临床级AI在多个工作流中运行的基础技术栈。nn这种基础设施包含五大核心要素：一是医疗原生的模型和数据，而非通用的网络数据；二是具备临床上下文的推理层，能够提供符合医疗场景的答案；三是全生命周期的治理工具，包括模型卡片、审计追踪和可验证的 lineage；四是满足监管要求的部署选项，如主权云、本地部署或私有端点；五是面向开发者的API和SDK，让产品团队无需成为机器学习或合规专家，就能将临床智能集成到自己的应用中。nn这种基础设施模式带来了单点解决方案无法比拟的三大优势：首先是可部署性，模型和运行时能够适应真实临床环境中的延迟、数据驻留和可审计性等约束；其次是跨专科的可扩展性，可复用的认证构建模块（如语音、编码和临床范围端点）降低了构建垂直应用的成本；最后是监管和企业信任，平台内置了政策、业务关联协议（BAA）和合规原语，帮助客户从试点顺利过渡到生产环境。
应对通用AI的局限性：深耕医疗领域的深度与专业n当被问及通用AI模型在临床环境中的应用效果时，Cleve指出，虽然通用AI在许多任务上取得了显著进展，但医疗领域对专业性的要求是通用AI难以复制的。临床推理依赖于微妙的线索、专业术语、机构背景以及对文档如何在监管和报销系统中流转的理解。要满足这些要求，必须使用临床数据进行训练，针对临床基准进行验证，并从一开始就将合规性构建到技术栈中。nnCleve强调，这不是一个简单的提示工程问题，而是一个研究问题。因此，Corti将自己定位为医疗领域的AI实验室，专注于深入研究特定领域，而非广泛覆盖多个领域。这种专注使得Corti的AI模型能够更好地适应医疗场景的复杂性，提供更可靠的临床决策支持。
全球布局与本地化适配：在复杂监管环境中保持灵活性nCorti的业务遍及欧洲、美国及其他地区，每个市场都有不同的医疗模式和监管要求。为了应对这种复杂性，Corti采取了两大策略：一是掌控更多的技术栈，确保从数据训练到模型部署的全流程可控；二是将部署和治理作为核心功能，而非附加选项。nn具体而言，Corti仅使用医疗数据进行模型训练，并针对临床推理进行调优；构建了审计追踪、模型卡片和符合BAA要求的API；通过架构设计，使合规控制能够根据地域和风险概况进行选择。对于有特定需求的客户，Corti还提供主权云和本地部署选项，让医疗提供者能够控制数据存储位置和模型运行方式。nn这种灵活性使得Corti能够在不同的医疗模式下运行相同的临床AI，同时尊重当地的文档标准、隐私法律和机构治理要求。Cleve特别强调，Corti将研究成果与实际生产紧密结合，每一项技术进步都必须是可追踪、可测试和可部署的，而非仅停留在实验室阶段。nn### 缓解临床负担：从文档自动化到决策支持的全流程优化n对于超负荷工作的临床医生而言，Corti的技术带来了立竿见影的影响。目前，Corti的模型和API主要应用于临床和行政工作流，包括环境文档生成、编码和代理驱动的自动化。这些功能集成在临床医生日常使用的医疗软件中，帮助他们减少文书工作，提高工作效率。nnCleve指出，文档记录和账单处理是医疗服务中最耗时且最容易出错的环节之一。当医患对话能够实时转化为结构化、符合电子健康记录（EHR）标准的笔记，当医疗编码更加完整准确，当常规工作流在受监管的系统中安全自动化时，临床医生就能将更多时间用于患者护理，医疗机构也能在效率和报销质量上取得显著提升。
规模化运营的启示：从实验室到真实临床环境的跨越n如今，Corti每天支持数十万次患者互动。这种规模化运营带来了许多在试点或实验室环境中难以发现的挑战。Cleve分享了几个关键教训：首先，真实世界的数据质量参差不齐，没有两个电子健康记录或通话记录是完全相同的；其次，生产环境中的延迟和流处理约束是实验室无法完全模拟的；第三，跨客户和地域的法律与合同复杂性远超预期；最后，只有在高负载情况下才会出现的边缘案例层出不穷。nn此外，Cleve强调，在生产环境中，仅仅关注模型准确性是不够的，还必须解决路由、可观察性、漂移检测、模型回滚和可问责的审计追踪等问题。真正的信任不是通过单点性能建立的，而是通过模型的可解释性、可重复性和可认证性赢得的。同时，试点阶段往往低估了总拥有成本，生产环境中的开发者需要SDK、一致的端点和治理原语来维护安全性并实现高效迭代。
可解释性与问责制：医疗AI的信任基石n与消费级AI不同，医疗AI对可解释性的要求极高，因为错误的代价是真实的生命健康。Cleve表示，临床AI不能仅仅生成看似合理的语言，还必须以透明和可检查的方式处理复杂、受监管且高风险的信息。nn为了实现这一目标，Corti开发了Gradient Interaction Modifications（GIM）方法，旨在从模型层面提高临床推理的可解释性。该方法在Hugging Face的机械可解释性基准测试中排名第一，证明了其在可解释性方面的领先地位。Cleve强调，在医疗领域，可解释性不是学术研究，而是信任、安全和监管认可的基础。nn除了研究层面的突破，Corti还将可解释性贯穿于部署全过程。他们提供模型卡片、验证基准、审计追踪和版本控制，让客户确切了解系统运行的内容和评估方式。输出结果与证据紧密关联，不确定性被明确标注，系统设计旨在支持临床决策，而非以不透明的黑箱取代医生的判断。
AI主权：在创新与合规之间寻求平衡n在受监管的医疗领域，AI主权是一个关键议题。Cleve认为，医疗领域的AI主权意味着医疗提供者保留对数据驻留、模型选择和运营治理的控制权。实现这一目标的途径包括提供本地或区域托管选项（如主权云和本地部署）、私有模型端点、完整的审计和生命周期控制，以及合同和技术保障（如BAA、SLA和DPIA）。nnCleve强调，AI主权并非反对云计算，而是让医疗提供者能够选择工作负载的运行位置，并对模型和数据拥有可验证的控制和追溯能力。这种模式使提供者能够在满足法律和机构义务的同时，获得前沿的AI技术能力。nn### 未来展望：从实验室到生产的持续演进n展望未来12-24个月，Cleve表示Corti将继续深耕”实验室到生产”的路径，推出基于研究的临床级模型，并将其包装为可部署的基础设施。即将到来的路线图包括改进语音转文本（STT）和延迟基准、语音代理、投入生产的医疗编码模型，以及多个主权云的上线。所有这些举措都明确旨在帮助客户从试点过渡到认证生产环境。nnCleve强调，Corti不是一个单一应用，而是医疗领域的AI实验室，旨在支持各类安全、可审计的临床软件的开发。这些努力将为Corti在2026年的发展奠定坚实基础，推动医疗AI技术在更广泛的场景中安全、有效地应用。
原创文章，作者：王 浩然，如若转载，请注明出处：https://www.dian8dian.com/14090-2
