行业证据：医疗、金融、法律以及更多场景

第二章从理论层面论证了：多样化的模型组合理应胜过单一模型。但理论归理论，实际落地效果到底怎么样？

展开之前先做个透明度声明：跨家族多 AI 最扎实的量化证据来自软件工程领域（GitClear、Veracode、Stanford、Blueprint2Code）。接下来要讲的行业案例都是真实的，但多数属于类比论证——医疗、金融、法律目前用的是多模态 ensemble 和领域专用模型组合，并不是我所说的跨家族 LLM 直接路由。底层逻辑是一样的：多模型视角提升输出质量。只是实现路径不同。我会明确区分每个行业实际在做什么，哪些是我从中推导出来的。

医疗

医疗是容错率最低的行业，也是多模型 AI 证据最充分的领域。

PNAS 发表了一项关于人机混合智能体的研究，结论很有意思：做鉴别诊断时，医生搭配多个 LLM 协作的表现，优于单个医生独自判断、单个 LLM 独自判断、以及只用一套系统的方案。道理不复杂——不同视角捕捉不同模式，诊断准确率自然比只靠单一信息来源要高。

跳出 LLM 的范畴，多模态 AI 架构在医学影像领域早已是主流做法。把 CT 影像模型（比如 ResNet-50）和临床报告模型（比如 RoBERTa 这类 language model）组合成 ensemble，在疾病分类任务上持续碾压单模型。具体做法是 late fusion——各模态的模型各自独立运行，最后聚合输出，而不是把所有东西硬塞进一个统一架构。这套方法论在放射科、病理科、基因组学领域已经是标配。

严格来说，医疗领域的做法和跨家族多 AI 是类比关系：这里组合的是不同类型的模型（vision vs. language），而非同一类型下的不同家族。但底层机制完全一致——在不同数据上训练出来的模型，天然会捕捉到不同的 pattern。CT 模型能发现临床报告模型看不到的结构异常，报告模型能识别影像模型无法感知的诊断线索。两者互补，准确率就超过了任何一方的单独表现。

既然 vision model + language model 的组合能在诊断中捕获更多信息，那么不同 LLM 家族（训练数据不同，系统性偏差也不同）的组合，理应在任何对准确性有要求的场景中捕获更多问题。

金融

金融行业用 ensemble 方法的历史，比绝大多数行业都长。投资组合理论本质上就是一个 ensemble 命题：把资金分散到相关性低的资产上，可以在不显著降低收益的前提下降低风险。这套数学逻辑同样适用于 AI 模型选择。

Li 和 Tang（2024）搭建了一个自动化波动率预测系统，融合了五种算法。这个 ensemble 在 S&P 100 的所有预测时间窗口上都稳定跑赢单一模型。Gu、Kelly 和 Xiu（2020）在 The Review of Financial Studies 上发表的研究则表明，机器学习 ensemble 在 30,000 只美股上的表现全面超过传统回归模型。

更值得关注的是监管层面的信号。金融稳定理事会（FSB）在 2024 年的报告中，明确将 AI 服务商集中度列为金融行业的系统性风险。这和投资组合分散化的逻辑如出一辙：如果大量金融分析都跑在同一个 AI 家族上，这些模型就共享同一套盲点——所有人拿到同一个错误答案，又因为所有人的模型都"一致同意"，没人察觉有问题。银行业监管花了几十年去防范的集中度风险，正在 AI 模型选择这个新维度上重演。

金融行业早就想明白了一件事：独立的、低相关性的视角能降低风险。Ensemble 研究只是再次验证了这条规律——换到 AI 模型上，一样成立。

法律

法律行业的 AI 采用正在加速。Thomson Reuters 2025 年的数据显示，法律领域 GenAI 的使用率同比接近翻倍，45% 的律所已经在使用 AI 或正在进行集中化的 AI 部署规划。对于一个出了名保守的行业来说，这个速度相当惊人。

针对不同法律任务选用不同 LLM 的趋势正在形成。合同分析、案例检索、文档审查、合规检查——这些任务的特性差异很大，没有一个模型能通吃所有场景。前沿的法律 AI 框架开始整合 RAG、知识图谱、以及多种模型架构（GPT-4、LLaMA-3 等），按任务类型分配给不同模型。面向法律审查的多 agent LLM 系统也正在成为一个独立的研究方向。

这和法律里的交叉询问制度是同一个道理。对抗制存在的根本原因，就是单一视角不足以保障公正。你不会只信一个律师对事实的解读，也不会对一个专家的分析照单全收不加质疑。整套制度的设计前提就是：独立的、对抗式的审查，比没有挑战的分析产出更好的结果。

AI 辅助法律工作应该遵循同样的逻辑。一个模型做合同分析，再交给另一个家族的模型来 review，比让同一个模型自查自纠更容易发现有问题条款或遗漏的义务。第二章提到的 echo chamber 研究在这里直接适用：同家族 review 存在信念固化风险——review 模型会强化而不是挑战原始模型的判断。

内容审核

内容审核可能是说明"为什么单模型方案在规模化场景下必然失败"的最佳案例。错误是双向的：误杀会压制合法表达，漏放会让有害内容通过。

加入 Digital Trust & Safety Partnership（DTSP）AI 工作组的大型平台——Google、Meta、Microsoft、Pinterest、Reddit、TikTok 等——都建议将多种自动化工具与人工审核组合使用。它们的最佳实践指南明确指出：面对所有可能的内容类型、语言和文化语境，没有任何单一模型能达到可接受的准确率。

多模态 AI 系统把 computer vision、音频分析、文本分类、图像识别、自动标记和人工审核整合在一起，覆盖面远超任何单一方案。文本分类器可能漏掉藏在图片里的有害内容；vision model 可能识别不出让一张看似无害的图片变得有问题的上下文。只有组合使用，才能覆盖更大的攻击面。

规律

随着 AI 应用走向成熟、风险逐步升高，组织通常会从单模型走向多模型。这不是铁律——不同行业、不同规模的公司、不同风险偏好之间差异很大——但趋势是清晰的。

金融走得最远，ensemble 方法已经嵌入核心业务流程，监管框架也在推动服务商多元化。医疗紧随其后，诊断准确性的刚需和错误的严重后果在驱动变革。法律正在快速追赶，采用率接近同比翻倍。内容审核还处于早期阶段，但头部平台已经达成了共识：单模型方案不够用。

成熟度梯度和风险敞口高度吻合。错误代价最高的领域，最先转向多模型。当漏掉一个错误的成本足够高时，多模型系统带来的额外复杂度就变成了值得的投入。

坦率地说，这些行业的实践和我主张的跨家族 LLM 路由并不完全相同。它们用的是多模态 ensemble、领域专用模型组合、多架构框架，不一定是让不同 LLM 家族互相 review 彼此的文本输出。但底层机制一致：在不同数据上训练出的多样化模型视角，能捕获不同的错误。无论是在放射科把 vision model 和 language model 组合起来，还是在 code review 中把 Claude 和 GPT 搭配使用，核心机制都是通过多样性实现错误去相关。

多模型方案有效的证据已经相当充分。至于不采用多模型会怎样，那是第四章的主题。