这一周，对我来说像是把“AI 医生”从 PPT 里拉出来，丢进现实世界里拷问了一遍。
上周的故事还停留在：我做出了 XunDoc 这款“家庭健康管家”App，让它可以帮家人管理健康数据、用药提醒、AI 问诊。本周，我把它带去了杭州，在一个健康年度大会上亮了相，收获了掌声，也收获了两句直击灵魂的拷问。然后，我带着这两句拷问回到“上海”，亲手训练了自己的第一个医疗大模型，把它丢上了 Hugging Face 和 GitHub。
这一周，我从“做一个 App”走到了“训练一个模型”。
1. 杭州之行：在第六届健康年度会议，看见 AI 医疗的现在与窘境
这次我去的是杭州的一个健康年度大会（第六届的那种老牌会议），主题都绕不开四个字：“AI + 医疗”。
1.1 我在现场看到的未来
坐在会场里，我看到了各种各样已经落地或正在落地的方案：
- AI 辅助诊断：帮医生读片、写报告，提升效率；
- 随访与慢病管理机器人：替医生去做高频却重复的随访工作；
- 医院运营与质控系统：用大模型帮医生写病历、帮管理者做质控；
- 健康管理平台：试图把穿戴设备、体检数据、居民健康档案都串起来。
这些东西让我第一次非常直观地意识到：
AI 在医疗里最大的价值，不只是“会回答问题”，而是“嵌入流程，改变分工”。
站在会场里，我突然意识到：XunDoc 的回答是要面临限制的。
2.会场的老师问我：为什么需要你的产品？为什么是你呢？
在会议的一个交流环节，我简单介绍了自己的项目：
一款面向家庭的健康管家 App，连接 AI 医生、健康数据记录和智能提醒。介绍完后，有前辈点头认可，但随即抛出了两句非常关键的问题：
“现在中国的电子病历、检查报告都电子化了，为什么还要你来做这个？”
这句话直接戳到了 XunDoc 的痛点。
如果只是“把数据电子化”，医院早就做完了；手机里一堆官方 App、微信小程序都能查报告。
我在台上当时给出的回答是：
- 医院的电子化，是以“机构”为中心的——数据分散在各个医院、各个系统里；
- 我想做的，是一个以“家庭”为中心”的健康中枢：把不同医院、不同渠道的数据，统一归拢到“家庭”这个角度；
- 对普通人来说，他不关心数据在哪个系统里，只关心：
“我爸今天该吃什么药？我妈的复查是不是快到了？我自己这两年血压趋势怎样？”
这句话，在会上没法展开太多，但在回程的路上，一直在我脑子里回响。
“现在大模型里，讲健康、讲医学的是最多的一批，为什么还要你做一个垂直模型？虽然现在很缺，但为什么是你？”
大模型平台上，确实已经有很多“健康问诊”、“医学顾问”类的能力了。那我为什么还要自己搞一个医疗垂直模型？ 我当时的回答，更多是直觉：
- 通用大模型对医疗的理解，广但不够深，对本地指南、真实就诊流程、患者表达的理解都有缺口；
- 我想做的是一个长期陪伴家庭的健康助手，它需要在一个清晰边界内做到“稳定、可控、可信”，而不是“什么都能聊一点”；
上周在医院还是有些效果的，虽然App有些下载量 但是还是不够，我也知道了，我App出现了一些问题，这些问题将会在下周一被迭代掉，大家可以15号早上准时更新我的App。
以下是我的用户获取
- 回到上海：用千问训练我的第一个医疗大模型**
回到“上海”之后，我做的第一件事，就是开始亲手训练一个属于自己的医疗大模型。
3.1 选择千问，动手之前先补一遍课**
我选的是国内的千问（Qwen）模型作为基座。
打开官方文档、看各种微调教程时，刚开始真的是一头雾水：
LoRA、全参微调、学习率、batch size、warmup、max length……
每一个词我都“见过”，但组合在一起的时候，还是会懵。
于是我强迫自己做了两件事：
- 把几篇别人写的 Qwen 微调实战文章 全部跑一遍代码；
- 对照官方文档，把重要参数一个一个查清楚“这个超参到底控制了什么行为”；
这一遍“补课”，其实就是把我以前零散的概念，重新串起来。
3.2 真正的难点：不是“会不会训”，而是“会不会用数据”
开始准备训练数据的时候，我突然发现：
真正让我卡住的，并不是训练脚本，而是“数据从哪来、怎么用”。
我开始去找各种公开医学相关数据集，慢慢意识到：
- 很多数据其实都是对我们开放的；
- 但“可以下载 ≠ 能直接用在自己的任务上”：
- 有的风格太口语化，不适合严肃医疗场景；
- 有的问题太简单，没什么训练价值；
- 有的回答里还有明显错误或过时的信息。
当我真正把这些数据整理干净，再喂给模型时，我突然有种“终于在认真做一件事”的感觉。
3.3 本地小机器（M4Pro20核/48G内存/1T硬盘），跑完十万多条样本数据，用了三个多小时
我的电脑算已经是相当强悍的，不过依然算不上什么“训练利器”，只能算是能跑的不错的那种。
第一次正式跑训练的时候：
- 数据大概几十万条；
- 调好了超参，让它慢慢跑；
- 看着 loss 曲线一点点往下，我就那样盯着屏幕，时不时刷一眼日志。
大概三个小时左右，训练结束。
这三个小时里，我从一开始的“担心会不会中途炸掉”，到后面变成一种很奇妙的平静：
原来我不是不会训练大模型，我只是以前没有真正把手伸进去试一次。
训练完之后，我做了几件收尾动作：
- 又把模型上传到了 Hugging Face；
- 同时把训练脚本、配置和一点说明文档整理后丢上了 GitHub；
- 用自己设计的一些家庭健康场景 prompt 测了一轮，效果虽然还远远谈不上“临床可用”，但至少有一个明确的方向感。
这个模型已经在 Hugging Face "huggingface.co/pluto6272/Q… "和 GitHub " github.com/pluto627/do… "上了。
- 我未来该怎么说
回头再看会议上的那两次问题，我的答案也有了一点点进化。
“现在报告都电子化了，为什么还要你来做？” 我的理解变成了： * 不是“我能不能替代医院系统”， * 而是“我能不能在家庭视角下，把分散在各处的健康信息真正变成‘可用的决策支持’”。
- “大模型已经很多了，为什么还要你做垂直模型，为什么是你？”
现在的我，会多补一句：
- 因为我愿意为这个垂直领域， 付出数据清洗、场景打磨、责任边界设计的那一整套笨功夫 ；
- 而这套笨功夫，是通用大模型目前很难为每一个细分人群、每一个国家的真实环境逐一去做的。
- 小结：从会场听众，到模型训练者
接下来，我想做的事情大概有三件：
- 继续打磨数据和评测集，让模型在“家庭健康管理、用药与随访、报告解读”这几个场景上更稳；
- 严肃地思考安全与边界：模型该回答什么、不该回答什么，如何把“建议就医”写得不敷衍；
- 让更多人参与进来：无论是医生、患者，还是同样在折腾医疗 AI 的朋友，一起把这个模型变成一个真正有用的工具，而不是一个个人玩具。
Hugging Face 地址 huggingface.co/pluto6272/Q…
GitHub 地址 github.com/pluto627/do…
XunDoc 也已经在 App Store 上架，等着被更多真实的家庭“使用和质问”。
