AI死亡时钟预测74岁离世,长寿App的焦虑变现局

69美元基础订阅，AI预测74岁离世。Wired记者体验Death Clock，输入一项病史后死亡年龄减1年。

这款应用把冷冰冰的医疗数据做成了高情绪价值的C端产品。对产品经理而言，它展示了如何用死亡倒计时这种极端情绪钩子，驱动用户持续付费并让渡隐私数据。

长寿App的数据收割逻辑

Death Clock 于 2024 年推出，并在今年 2 月上线了生物标志物面板订购功能。从产品架构看，它走的是典型的“恐吓获客加数据订阅”路线。用户只需支付 69 美元 的订阅费，就能获取测量胆固醇、血糖、炎症、维生素 D 以及血液和器官健康状况的基础血液面板。如果追求更深度的分析，还有 9 项额外测试，涵盖激素、微量营养素和甲状腺等，全套下来需要 780 美元。原帖作者选择了常规血液面板，并额外增加了 29 美元的压力测试。

为了让自己看起来不像一个单纯的倒计时噱头，Death Clock 宣称其 AI 模型训练于 1200 项长寿研究、寿险公司的精算数据以及预期寿命表。基于这些结果，算法会生成详细的预防计划。这种模式的核心不在于治愈，而在于缓解焦虑。用户买的不是医疗方案，而是对不确定性的掌控感。通过问卷给出一个惊悚的结论，打破用户的心理防线，随后通过持续订阅和更贵的生物标志物面板来提供所谓的预防方案。这种设计极大地提高了用户的付费意愿和数据让渡率。

算法概率与真实数据的碰撞

在填写初始健康问卷后，原帖作者收到了死亡预警。App 预测其可能死于心血管疾病、睡眠障碍或癌症，并判定其已经完成了此生一半以上的存在。更具象的反馈是，iPhone 屏幕上出现了一个微笑着的死神，比着和平手势，躺在甜甜圈形状的充气泳池里，旁边是巨大的数字 74。这意味着作者被预测将在 2060 年 8 月 10 日离世。

这种基于统计学的预测，边界非常清晰。它依赖的是大数定律和精算逻辑，而非针对个体的精准医疗诊断。当作者输入家族有轻微糖尿病史后，算法直接触发减寿机制，将死亡年龄从 74 岁降至 73 岁。这说明当前的健康 AI 在处理非结构化、主观描述的病史时，依然采用简单的规则引擎或权重惩罚。对于创业者来说，如果试图用此类模型做严肃医疗决策，失败率极高。但如果是做健康管理、保险定价或行为干预，这种模糊但有效的反馈机制反而能促成用户改变生活习惯。算法不需要 100% 准确，只需要让用户产生足够的敬畏感。

产品落地与数据获取路径

对于想借鉴此类模式的产品团队，落地清单如下。第一步，寻找垂直领域的精算数据与权威研究作为算法底座，确保输出的结论具备基础公信力。第二步，设计分层付费模型，用低价基础服务做漏斗，用高价深度测试做利润。第三步，建立数据反馈闭环，让用户的每一次输入都能立即改变输出结果，以此强化产品的智能感知。

原帖报道中提供了以下参考链接，供进一步研究长寿产业与 AI 医疗的结合点：

在获取数据方面，Death Clock 的做法值得研究。它没有选择直接售卖硬件，而是通过订阅制将血液检测外包给第三方实验室。这种轻资产模式降低了获客成本，同时通过 69 美元到 780 美元不等的测试套餐，实现了利润最大化。产品团队在复制这一路径时，需要重点解决第三方检测机构的合规接入问题，以及用户隐私数据的加密存储方案。

Bryan Johnson 等极客推动的长寿产业，正在通过 AI 和 LLMs 寻找新的商业化路径。Death Clock 证明了，只要能把复杂的生物标志物数据转化为直观的情绪反馈，C 端用户愿意为多活几年的幻觉支付高昂溢价。但投资人必须警惕，这类产品的护城河并不在于 AI 算法本身，而在于持续获取高质量生物数据的合规能力。一旦隐私监管收紧，或者用户发现预防计划缺乏实质医疗效果，这种靠焦虑驱动的订阅模式就会迅速崩塌。做健康 AI，敬畏数据比敬畏算法更重要。

看完想聊两句？花69美元让AI测寿命，你买单还是觉得是智商税？

往期推荐

• ·
  Pro 100 配额直接翻倍，OpenAI 迎战 Anthropic 上市
• ·
  17个控制单元砍到7个，Rivian拿下大众58亿
• ·
  视觉推理破五成，Glimpse 胜 GPT-6

点击公众号头像 → 历史消息，可翻阅以上文章