正如对标是被对标者的迂回致敬，跟进是对先行者的优势确认。

也只有先行者，才能成为被后来者“摸着过河”的石头。

近期风头正劲的AI健康应用蚂蚁阿福，成了频繁被摸的那块“石头”。

1月8日，不少媒体报道，蚂蚁阿福新版上线不到1个月，最新月活用户已突破3000万，单日问诊量已超1000万次。

也是在同日，OpenAI官宣了大动作——正式上线ChatGPT Health功能。

▲ChatGPT官宣推出了ChatGPT Health功能。

都是AI+医疗健康赛道的布局，又这么机缘巧合地“撞了日子”，二者难免被拉出来同框对比。对照过后，很多国内外网友打趣，ChatGPT是推出了美国版“蚂蚁阿福”。

有意思的是，就在上个月，Meta还被曝出秘密“蒸馏”阿里通义千问大模型，当时很多人就戏称“美国AI偷师中国AI”。现在OpenAI推出ChatGPT Health功能，又被许多人调侃“美国AI再次致敬中国AI”。

调侃归调侃，事实就摆在那：当引领技术浪潮的硅谷巨头开始在应用层跟进中国企业的创新，场上的竞争形势也在发生变化——随着中美AI竞争的焦点从技术研发转向产业落地，中国AI产业在应用领域积累的多重优势，正在大洋彼岸的“隔空致敬”中得到验证。

01

在AI业务布局上，嗅觉灵敏的科技企业总是在大众痛点处“宽路相逢”。

近年来，不少科技企业都在“AI+健康医疗”的棋盘上积极落子，百度官宣将百度健康AI管家升级为文心健康管家，京东健康宣布“AI京医”持续升级循证能力，都是例证。

种种迹象表明，在优质医疗资源供需不对称催生的刚性需求支撑下，医疗健康领域已成AI应用竞争的高地。

OpenAI就在报告中披露，全球每周有超过2.3亿人在ChatGPT上咨询健康和健身相关问题，其中美国约有4000万民众将ChatGPT当作日常“私人医生”，医疗咨询占ChatGPT全球总消息量的逾5%。

在此背景下，OpenAI入局AI+医疗健康领域，难言令人奇怪。

但AI健康应用也有南橘北枳之分。表面上看，ChatGPT Health与蚂蚁阿福都打着“AI健康管家”的旗号，都能回答健康咨询、连接智能设备、生成饮食运动计划等。但剥开功能外衣会发现，两者在核心能力和生态位上有着明显的差异。

ChatGPT Health的定位是AI版“私人健康顾问”，蚂蚁阿福的用户心智锚点则更加全能。

▲ChatGPT Health跟阿福在核心能力与产品定位上有不小区别。

听上去有些抽象是不是？不要紧，举个例子你就懂了。

你在ChatGPT Health问“孩子发烧怎么办”，它可能会给出儿科就诊建议和附近医院列表。

你把同样的问题抛给蚂蚁阿福，除了能给出建议外，它还能直接推荐在线儿科医生、完成挂号预约、推送药品到家服务，甚至能通过支付宝实现医保支付。

前者侧重于整合用户体征数据并提供持续建议，解决“如何预防生病”和“怎样生活得更健康”等长尾需求；后者强于解决全链条问题，还能覆盖“生病了怎么办”的刚性需求。

造成这番差异的，是中美互联网医疗生态的不同，也是中美企业技术面向的迥异。

02

OpenAI应用业务CEO 菲吉·西莫（Fidji Simo）讲到，她因肾结石住院时，医生开具的常规抗生素被ChatGPT预警可能诱发其既往严重感染复发。

这道出了ChatGPT Health的核心价值：通过数据整合，捕捉人类医生难以发现的隐性风险。

数据标准化程度高、SaaS生态成熟，是欧美国家医疗体系的重要特点。在美国，患者医疗数据存储在Epic、Cerner等电子病历系统中，健身数据由Apple、Fitbit掌控，营养数据归MyFitnessPal管理，已是常态。

ChatGPT Health在接入美国最大医疗数据平台b.well后，可以打通分散在这些SaaS工具上的数据，用AI能力挖掘数据间的关联价值，提供健康问题解答、医疗报告解读等服务。

但受限于美国医疗体系的高成本与碎片化格局，它无法打通与线下医院、诊疗机构的对接通道。当用户需要深度医疗服务时，ChatGPT Health会止步于“建议”，没法完成网上挂号、在线问诊、药品配送等。

▲ChatGPT Health目前提供的服务主要是健康问题解答、医疗报告解读等。

蚂蚁阿福功能指向则是起于咨询但不止于咨询，其核心架构建立在三大功能模块上——健康问答、健康陪伴、健康服务。从咨询到诊疗再到履约的全链路服务体验，能满足用户对“一站式解决方案”的偏好。蚂蚁阿福月活能实现倍数级增长，就可部分归因于此。

这跟医疗生态基础紧密关联。有别于美国医疗体系中的条块分割，中国互联网医疗历经多年发展已形成“线上+线下”的深度融合体系，这使得中国AI健康应用可以将AI能力与庞大线下医疗资源网络嵌合，构建起从问诊、分诊、处方流转到药品配送的完整流程，AI能从辅助工具变为服务连接枢纽。

这也跟企业技术发力侧重点直接相关。硅谷企业更多的是聚焦技术能力再找应用场景，OpenAI这次就是用户倒逼下做出的“垂直化改造”。中国企业则是锚定民生痛点探索破解办法，包括蚂蚁阿福在内的AI应用，不是通用模型的衍生功能，而是从一开始就瞄准用户需求，提供解决方案。

03

与其说ChatGPT Health跟蚂蚁阿福的身位先后，是两个AI应用的“单体表现”，不如将其置于AI产业应用等层面去打量——它其实是中国AI产业在应用上走在前面的注脚。

中国在应用创新上的领先，很大程度上源于对场景需求的敏锐捕捉能力和快速响应能力。

从产业发展逻辑来看，很多中国AI企业将战略眼光体现在对“技术落地价值”的精准把握上——当硅谷巨头仍在追求模型参数“Bigger Than Bigger”时，许多中国企业更强调解决实际问题，早早将AI技术嵌入产业场景、沉入现实厚土。

据了解，ChatGPT Health因为要改造通用架构、建立医疗数据隔离机制、协调全球医生资源，历时近两年才推出。

蚂蚁阿福则聚焦本土场景，及早摁下了将AI应用落点锚定在医疗上的按钮。

在中国，“AI+医疗健康”发展不乏基础和动能：一者，中国老龄化加速和慢性病激增带来医疗健康需求增加；二者，分级诊疗不清晰、优质医疗资源稀缺和不均、患者就医路径复杂等结构性痛点依旧存在；还有，移动支付和互联网医疗已培育出成熟的用户习惯。

或许正是洞察到这些，蚂蚁阿福前身AQ从出生之日起，就定位于为健康场景量身定制的垂直应用。

这般洞察，跟中国AI应用创新的优势连着优势结合，可以催生出AI应用先行突破的巨大势能来。

这里的优势，包括庞大工程师队伍与强大工程化能力带来的人才和技术转化条件，也涵括超大规模市场带来的创新试验场。

04

在前两天的CES2026上，黄仁勋说，毫不夸张地说，中国的企业家、工程师、技术专家和AI研究人员是世界顶尖的。半年前，他在接受CCTV采访时还曾表示，中国在AI模型、工程人才与产业应用上全球领先。

工程师红利与工程化能力长板，是缩短“将技术发展转化为解决方案”的重要支点。

就AI+医疗健康来说，模型能力固然重要，但还有很多精力得放在接口打通、医疗资源接入、医生培训、合规审查、用户体验优化等环节。其重中之重是将模型能力与垂直需求结合，落在能用好用的产品上。在这点上，人才和工程化能力纵深的优势就体现出来了。

以ChatGPT Health为例，虽然背靠OpenAI先进大模型，但ChatGPT Health数据接入仅限美国、依赖iOS生态、功能模块尚未完全打通等短板，成了其规模化应用的现实掣肘。

与之形成对照的是，蚂蚁阿福从最初的健康问答功能，到接入智能设备数据（已接入苹果、华为、OPPO、vivo、鱼跃等十大品牌设备），再到打通全国医疗资源，产品迭代很快，上线半年内完成12次重大功能升级。

▲蚂蚁阿福集成了包括预约挂号、智能导诊等在内的很多实用功能。

超大规模市场形成的创新试验场，则为中国AI应用提供了天然沃土。

中国有14亿人口，这对应着庞大市场需求与丰富产业场景。不同身份、地域、年龄段的用户需求呈现出多样化特征。

多面化需求，给中国AI应用带来了广阔场景适配机会和覆盖空间，也为“研发-落地-反馈-优化”良性循环带来了更大支撑。

ChatGPT Health虽拥有2.3亿周活咨询用户，但这些数据分散在非结构化对话中，缺乏健康场景的专门标注和反馈闭环。

有场景优势，再加政策东风（“人工智能+”行动与“健康中国”战略），AI应用创新活力涌动，也是自然而然。

05

说白了，ChatGPT Health摸蚂蚁阿福过河，反映出了AI竞争场里的“跟跑者-并跑者”角色易位。

过去很多年里，中国互联网企业崛起的密码藏在“时间机器理论”里，“Copy to China”被奉若圭臬；前些年，中国互联网企业不断将技术模式创新向海外输出，“Copy from China”现象日益增多。

而今，OpenAI跟进中国AI应用，更是标志着中国AI在某些方面从跟跑到并跑再到领跑的转变。

这带来的启示是：AI竞赛中，应用创新的深度跟技术创新的力度一样，都是至关重要的制胜砝码。而依托战略眼光、工程能力、市场土壤等优势，中国企业可以让黄仁勋的论断持续得到应验。

潮水正在转向。身处浪尖的中国企业，完全可以有更多驭浪弄潮的自信——毕竟，AI角力重点终究要转向应用落地，而最好的应用有很多就在中国。

作为一名在AI浪潮中摸爬滚打了的产品经理，我见证了无数AI应用从惊艳登场到归于沉寂。它们大多遵循着相似的剧本：技术很酷，但场景很“飘”。2025年底，一款名为“蚂蚁阿福”的AI健康App却逆势而上，上线不久便斩获超1500万月活，一举成为国内AI App前五、健康管理赛道的第一。这不禁让我好奇：在强监管、高壁垒的医疗健康领域，蚂蚁是怎么做到的？

它没有陷入通用大模型“炫技”的窠臼，用一套“AI+健康档案”的组合拳，精准地切入了普通人就医体验中最核心的痛点，试图重构从日常健康管理到专业诊疗服务的全链路体验。

蚂蚁阿福通过对话式交互、AI诊室、拍照解读等功能，致力于成为用户的“AI医生朋友”。

一、蚂蚁阿福的核心功能交互流程拆解

要理解蚂蚁阿福的战略，我们首先需要了解它“是什么”。蚂蚁阿福，前身是蚂蚁集团的AI健康应用“AQ”，于2025年12月15日正式品牌升级。这次升级并非简单的更名，而是产品定位的根本性跃迁——从“AI工具”转向“AI健康朋友”。

打开App，你会发现它的主界面极其简洁，一个类似ChatGPT的对话框占据了视觉中心。这是一种典型的AI用户体验设计，它传递出一个明确的信号：对话即入口，对话即服务。这是现在最常见的AI交互，同时，他预制了很多常见问题，在你问基础问题时，会给到一些相关提示建议。

蚂蚁阿福采用“对话即入口”的设计，用户通过自然语言即可触发各项健康服务。

• 智能健康问答： 这是最基础也最高频的场景。用户可以通过文字、语音，甚至方言进行提问。更进一步，阿福支持强大的多模态输入，比如“拍照问”——拍药盒可知用法用量。他本质上是图片识别技术的应用。
• AI诊室与医生AI分身： 这是别的产品可以借鉴的功能。通过模拟医生追问流程，引导用户精准描述病情；后者则复刻了全国500多位医生的诊疗经验，让他们的“AI分身”7×24小时在线，同时满足专业人士背书的需求。
• 全生命周期健康档案： 通过用户授权导入过往的就诊、体检数据，连接华为、苹果、vivo等品牌的智能穿戴设备，以及鱼跃、欧姆龙等专业医疗设备，将运动、睡眠、血糖、血压等动态数据持续汇入，构建一个“活”的个人健康档案。可见，强大的关系网是他的优势之处，他能从各个渠道，在一开始获得大而全的数据量。
• 一站式就医服务： 背靠蚂蚁集团十年积累的医疗生态，打通从AI咨询到真人服务的闭环。它可以帮助用户推荐医生、预约挂号、在线问诊、购买药品，甚至在医院使用医保电子凭证支付。这种从“轻咨询”到“重诊疗”的无缝衔接，这也是源于他本身有挂号的业务线。他并非AI Native，而是就传统的“AI+”

二、通用AI健康咨询的“无用正确”

“我头疼怎么办？”

如果你把这个问题抛给市面上大多数通用AI大模型，大概率会得到一段滴水不漏、政治正确但毫无用处的回答：“头疼可能由多种原因引起，如紧张、疲劳、感冒等。建议您多休息、多喝水，保持心情愉快。如果症状持续或加重，请及时就医。”

这就是我所说的“无用的正确”。从技术和安全的角度，这个回答无懈可击。它既没有提供错误的医学建议，也明确了AI的边界，将最终决策权交给了专业医生。但从用户价值的角度，它几乎是零。用户问出这个问题时，内心真正渴望的是结合自身情况的、更具指向性的建议，而不是一段可以从任何搜索引擎上复制粘贴的“免责声明”。

困境的根源：“上下文的缺失”。通用AI就像一个博学的、但对你一无所知的陌生人。它拥有海量的医学知识，却不了解你的年龄、性别、病史、生活习惯、过敏史，甚至不知道你昨晚是否熬夜、今天是否淋雨。在信息极度不对称的情况下，为了避免风险，AI只能给出最宽泛、最保守的建议。

核心矛盾：医疗决策的精准性高度依赖于信息的完整性，而通用AI恰恰缺乏获取个性化、连续性信息的能力。这导致了所谓的“算法厌恶）现象——即便AI在某些任务上的准确率已经超过人类专家，但由于其决策过程不透明且缺乏个性化考量，用户在面对高风险决策时，仍然更倾向于信任人类医生。

多项研究也证实了这一点。例如，一项发表在《Journal of Medical Internet Research》的研究发现，尽管AI诊断的准确性在不断提升，但用户对人类医生的信任度仍然更高。其关键原因在于，用户认为人类医生能够提供共情、理解和个性化的解释，而AI则显得冷漠和机械。另一项研究则指出，诊断解释的缺失是影响患者依从性的重要因素。当患者不理解“为什么”是这个诊断、“为什么”用这个药时，他们很难建立信任并严格遵守治疗方案。

AI健康咨询要想真正“有用”，就必须跳出“一问一答”的简单模式，解决两个核心问题：

如何高效、精准地获取与用户相关的上下文信息？

如何将这些上下文信息与庞大的医学知识库有效结合，生成真正个性化的建议？

蚂蚁阿福的破局之路，正是围绕这两个问题展开的一场深刻的产品实践。所以产品的壁垒并非在技术上，而是在是否对用户足够了解上。

三、蚂蚁阿福的“AI+健康档案”三重奏

蚂蚁阿福的底层逻辑，可以概括为在蚂蚁医疗大模型之上，构建了一套的“上下文构建系统”。这个系统的核心目标，就是让AI在回答你的每一个问题时，都能最大限度地“了解你”。这套系统通过三层递进的方式，逐步为用户画像添砖加瓦，最终实现从“通用建议”到“深度个性化服务”的蜕变。

第一重：主动追问，模拟真实问诊

当用户带着一个模糊的症状（如“我肚子疼”）来到阿福面前时，而是将用户引导至一个名为“AI诊室”的专属智能体（Agent）中。这个设计本身就极具巧思。

从产品心智上，“进入诊室”这个动作创造了一种仪式感，将用户的状态从“随便聊聊”切换到“正式问诊”，从而限定了对话场景，避免了漫无目的的闲聊。在这个“诊室”里，阿福的角色不再是被动的问答引擎，而是一位主动的、遵循临床诊断逻辑的“预问诊医生”。

“AI诊室”通过模拟医生问诊流程，进行多轮追问，引导用户精准描述病情，提升诊断建议的准确性。

我们来看一个真实的交互流程：

• 用户：“我半夜半边头抽痛，无法入睡，如何缓解？”
• 阿福（AI诊室）：“头痛的性质是怎样的？是搏动性跳痛、胀痛，还是有其他感觉？伴随恶心、畏光等症状吗？” （问询进度20%）
• 用户：“搏动性跳痛。”
• 阿福（AI诊室）：“这种跳痛的发作有规律吗？比如是否在特定活动（如低头、劳累）后出现，或者在特定时间段（如夜间）加重？” （问询进度30%）
• 用户：“劳累，夜间。”
• 阿福（AI诊室）：“劳累或夜间发作时，疼痛的严重程度是否影响日常活动？” （问询进度40%）

这个过程，就是动态构建“临时上下文”的过程。每一次追问，都在为最初那个模糊的“头疼”症状，添加精确的定语。这种模拟医生“望闻问切”中“问”的交互式问答，极大地提升了信息收集的效率和质量。据蚂蚁官方披露，独创的“AI诊室”功能，可使诊断建议的准确率提升40%以上。

从产品设计上看，“AI诊室”有几个亮点值得我们学习：

• 智能体即场景容器： 将高频医疗场景封装成独立的智能体，为用户创造了一个明确的“就诊空间”，有效限定了用户心智，避免对话跑偏。
• 阶段化流程强引导： 从选择咨询人、描述症状到生成诊疗建议，每一步都有清晰的状态提示（如“问询进度20%”），这种系统可见性原则的应用，显著降低了用户在面对医疗决策时的不确定感和焦虑感。
• 交互体验的微创新： 在追问过程中，阿福会提供“是/否”或症状标签等快捷回复选项，用户点击即可输入，大大降低了表达成本，尤其对不善于打字的中老年用户非常友好。

第二重：建立个人健康档案，沉淀静态数据

如果说“主动追问”解决的是“当下症状”的上下文，“健康档案”让产品经理看到别家是怎么构建一个更长期、更稳固的“个人健康基座”。这是阿福方法论的第二重，也是其实现深度个性化的核心所在。

如果我们去拆解他的核心功能层级，有如下几块：

• 用户主动上传： 这是最直接的方式。用户可以拍照或上传PDF格式的体检报告、化验单、病历、处方药盒等。通过OCR和NLP能力，能自动识别并结构化这些非结构化数据，将其转化为可分析的指标，存入档案。例如，一张血常规报告上传后，其中的每一个指标和数值都会被自动提取、归档。
• 多设备数据接入： 打通与主流智能穿戴设备和专业健康监测设备的数据接口。这些设备记录的日常步数、睡眠时长、心率、血糖、血压等数据，会源源不断地流入健康档案，形成一条连续的个人健康曲线。
• 历史医疗数据导入： 在部分地区，阿福支持用户通过授权，一键导入在公立医院的历史就诊记录和体检数据。去打破不同医疗机构之间的信息壁垒，让阿福能够看到用户更完整的健康历程。
• 家庭成员档案管理： 允许用户为家人建立健康档案，方便子女远程关注老人的健康状况，有不同数据维度，同时，帮诊是极其常见的场景。

通过这套组合拳，从根本上解决了AI健康咨询的上下文缺失问题。当一个拥有完整健康档案的用户再次提问“我头疼怎么办”时，“思考”过程将完全不同。它会立刻调取档案，综合分析：

“这位用户，45岁，男性，有10年高血压病史，正在服用降压药。最近一周通过智能手环监测到的睡眠质量不佳，平均每晚少睡1.5小时。血压计数据显示，近三天血压有轻微波动。那么，他的头疼，很可能与血压控制不佳或睡眠不足有关。”

第三重：基于档案的深度个性化服务

当“主动追问”的动态上下文和“健康档案”的静态上下文都建立起来后，第三重奏——基于档案的深度个性化服务——便水到渠成。此时，AI不再仅仅是回答问题，而是化身为一个个“智能体”，在不同场景下提供“一人一策”的主动服务。这相信是很多公司都想做的，定制化体验流程。

1. AI报告解读：从“看不懂”到“怎么办”

这是我体验下来感受最深的功能之一。当我把孩子的抽血报告拍照上传后，阿福的反应远超预期。它没有像很多同类产品一样，仅仅是把异常项用红色标出来，然后附上一句“建议咨询医生”。

体验流程拆解中，以下这些点可以复用在各个产品中去。

• 过程可视化的分析： 屏幕上会清晰地展示“扫描文件 -> 脱敏处理 -> 分析报告 -> 整理结论”的进度条。这种设计极大地缓解了用户等待的焦虑感，是其他任何的产品都可以体验并学习的点。
• 一键式认知降噪： 分析完成后，它会将报告中晦涩的医学术语，并结合儿童的年龄标准范围进行解释，降低用户的理解成本。这可以复用于像是论文阅读类的产品中去。
• 结合档案的纵向对比： 如果档案中有历史报告，自动进行多报告对比。图文结合永远是主流方向，在例如灵光、gemini等其他AI产品，也使用了类似技巧。

2. 医生AI分身：给产品找专家背书

“医生AI分身”是在个性化服务上的又一记。早在2023年，我就曾构思过，如果能将顶级专家的知识和经验“喂”给AI，是否能解决80%的诊前基础咨询？阿福是业内率先做出来的。

“医生AI分身”将真实专家的经验与AI技术结合，让用户在对话前就建立信任，并提供24小时在线的专业咨询。

设计有以下可学习的点：

• 专家身份具象化，建立信任起点： 真人和AI强绑定，有人为结果负责，为成果买单，无论做什么应用，现阶段还是不能脱离真人的帮扶，我们无法解决信任问题时，结合就是最优解。
• 医学思考路径可视化，不只给结论： 推理过程展示给用户，这种设计可以打破用户“黑箱”，让用户不仅知其然，更知其所以然，极大地增强了专业可信度。（当然，应用类并非展示的cot，而是符合用户想看的cot）

四、不止于工具，重构体验与填补鸿沟

当我跳出具体的功模块，从更宏观的视角审视产品时，我看到了它在产品交互、行业生态和社会价值层面给产品经理带来的惊喜。

首先，它正在用Agent-driven的设计，重构AI产品的交互范式。长期以来，我们对对话式AI产品的印象，似乎还停留在ChatGPT那种单一、平铺直叙的聊天框。我们是可以打破这种刻板认知，巧妙地将传统App中用户熟悉的“功能模块”与AI对话交互结合，创造出一种“混合交互体验”。

“AI诊室”、“医生AI分身”、“健康小目标”这些智能体，就像一个个封装了特定目标的“微应用”。用户触发后，系统会围绕这个目标在当前场景中进行深度交互。设计可以保留用户对功能模块的认知习惯，又发挥了AI对话的灵活性和智能性。它让我意识到，未来的AI产品设计，交互和界面依然重要，而智能体，或许就是连接传统交互与纯对话交互的最佳桥梁。

我仿佛看到了一个趋势：传统的底部菜单栏正在消失，最重要的黄金位置，将留给AI。