2026年5月12日，加州大学伯克利分校（UC Berkeley）衍生企业 Knit Health 结束隐形运营，宣布完成1160万美元种子轮融资，用于开发大型临床行为模型（Large Clinical Behavior Model, LCBM）。

大型临床行为模型（Large Clinical Behavior Model, LCBM）AI系统，直接学习临床医生的真实决策模式，而非仅依赖医学文献，为医疗AI开辟新方向。

加州大学伯克利分校（University of California, Berkeley，简称UC Berkeley） 成立于1868年，位于美国旧金山湾区伯克利市，是加州大学系统创始校区、美国第一所赠地公立大学，被誉为“公立常春藤”与“公立大学天花板”。

一、Knit Health 的背景与融资

  • 成立时间：2025年，Knit Health 由伯克利大学行为经济学、因果推理及医疗AI领域研究员创立。
  • 融资信息：Knit Health 的种子轮由 Uncork Capital 与 Frist Cressey Ventures 领投，Moxxie Ventures（pre-seed领投）、Coalition Operators 跟投。
  • 核心使命：Knit Health 打造“集体临床智能”，成为医院日常运营决策（分诊、转诊、床位调度）的底层AI基础设施。

二、Knit Health 的核心技术：大型临床行为模型（LCBM）

1. 训练数据

  • Knit Health 的大型临床行为模型（Large Clinical Behavior Model, LCBM）基于医疗数据公司 Truveta 的电子病历（EHR）数据，覆盖美国30家医疗系统、超1.3亿患者的脱敏数据，含临床记录、影像、理赔及健康社会决定因素。

2. 技术架构（三大核心）

  • 深度强化学习（Deep Reinforcement Learning）：Knit Health 将临床决策建模为序列优化问题，学习在资源约束下的最优行动策略。
  • 行为克隆（Behavioural Cloning）：Knit Health 直接复刻医生排班、转诊、科室协调等真实工作流中的隐性决策模式。
  • 因果推理（Causal Inference）：Knit Health 区分决策与结果的因果关系，避免相关性误导，提升干预建议的可靠性。

3. 工作原理

Knit Health 的大型临床行为模型（Large Clinical Behavior Model, LCBM）分析临床决策序列（如转诊路径、预约间隔、出院时机、跨科室协作），捕捉医疗系统中未成文的隐性规则，并针对每家医院的资源限制、科室文化、患者群体进行动态微调，输出适配本地场景的决策建议。

三、Knit Health 与传统医疗AI的关键区别

对比维度传统医疗大语言模型（LLM）Knit Health 的 LCBM
训练数据源医学文献、教科书、病历文本真实临床决策序列（排班、转诊、协调）
学习目标预测文本概率、生成医学知识模拟医疗系统实际运作、优化运营决策
核心能力问答、摘要、文档生成流程优化、资源调度、患者路径规划
适配性通用知识，难以适配医院差异动态适配单家医院的独特约束
解决痛点信息检索与记录运营效率、转诊瓶颈、资源浪费

传统医疗AI擅长“读病历、查文献、写报告”，但不懂医院如何运转；Knit Health 的大型临床行为模型（Large Clinical Behavior Model, LCBM）则专注于临床运营的隐性逻辑，填补医疗AI在流程优化领域的空白。

四、Knit Health 的应用场景与价值

  1. 患者路径优化：预测患者最优转诊科室、减少等待时间、降低重复检查率。
  2. 资源动态调配：基于历史决策模式，智能分配床位、手术室、专家时间，缓解高峰压力。
  3. 转诊质量提升：学习高绩效医生的转诊习惯，减少不必要转诊，提高首诊准确率。
  4. 医疗系统适配：快速适应不同医院的电子病历系统、科室设置与运营规范，降低落地成本。

五、Knit Health 行业意义与未来展望

  • 范式创新：大型临床行为模型（Large Clinical Behavior Model, LCBM）开创“从临床行为中学习”的医疗AI新范式，区别于传统“从文本中学习”的路径，更贴近真实医疗场景。
  • 落地优势：Knit Health 直接优化现有工作流，无需医生改变习惯，易获得临床信任，解决传统AI“好看不好用”的痛点。
  • 扩张计划：本轮融资将用于 Knit Health 产品迭代与商业落地，目标12个月内将大型临床行为模型（Large Clinical Behavior Model, LCBM）接入5–10家美国大型医疗系统，后续拓展至全球市场。

据 Aodok.com 的调研，截至 2026 年 5 月，AI 医疗已从单点辅助走向全链条渗透、规模化落地，核心覆盖诊断、治疗、药物研发、运营管理四大领域，同时面临数据、合规、落地均衡等挑战。

AI 医疗正从 “知识辅助” 迈向 “运营智能 + 精准医疗” 双驱动：传统 LLM 深耕诊断与知识服务，行为 AI（如 LCBM） 打通临床运营隐性逻辑；医保覆盖加速普惠化，技术创新与合规落地将成下一阶段核心竞争点。