AI医生的处方:谁敢签?

AI医生的处方：谁敢签？医疗长周期智能体给出答案！

礼来+英伟达10亿美元闭环实验室，OpenAI 1亿美元收购Torch，红杉宣布智能体经济元年——医疗长周期智能体正在从概念走向现实。

本文将万字深度拆解药物发现AI工厂、医疗记忆层、MADS框架、监管伦理、AI医疗投资机会与2026-2035路线图。

一、楔子：一张无人签名的处方

2030年1月的一个清晨，北京朝阳区，65岁的张建国醒来时，手腕上的设备已经完成了今天的全套数据采集——血压、心率、睡眠质量、血氧饱和度。手机弹出一条通知：

"张先生，根据您过去72小时的健康数据及上周的血液检查结果，您的降压药方案已调整：厄贝沙坦从150mg增至300mg，每日一次，早餐后服用。饮食建议：减少钠摄入至每日2g以下。下次复查时间：2020年2月15日。"

这条通知不是来自任何一位人类医生，而是来自一套持续运行了18个月的医疗智能体系统。它追踪张建国的高血压管理方案已经迭代了7轮，每一次调整都基于实时数据和反馈闭环。18个月里，张建国的血压达标率从47%提升到89%，而他只在第3个月和第12个月见过两次真人医生。

没有人在这张处方上签名。

回到2026年的今天，这还不是一个普遍的现实。但变革的轮廓已经清晰到无法忽视。

2026年1月，旧金山JPM医疗健康大会现场，礼来（Eli Lilly）与英伟达联合宣布：成立AI联合创新实验室，投资10亿美元，为期五年。这不是又一家药企买了几块GPU跑模型——他们要建的是一个从硅基到碳基的完整闭环：英伟达的BioNeMo平台负责分子生成、性质预测和优化，自动化湿实验室里的机器人负责合成与验证，实验结果实时回传，AI模型持续迭代。从"AI辅助药物发现"到"AI驱动的药物工厂"，这中间的鸿沟正在被填平。

同一个月，OpenAI完成了一笔看似不起眼的收购——Torch，一个仅4人团队的医疗AI初创公司，收购价约6000万到1亿美元。Torch的核心产品是连接电子病历、可穿戴设备和健康应用的统一数据层。几乎同时，OpenAI推出ChatGPT Health，正式进入医疗健康领域。

两条线，一条在药物研发端，一条在患者服务端，同时加速。

2026年3月，红杉资本在其AI Ascent峰会上给出了一个判断：2026年是"智能体经济元年"。150位全球顶尖创业者在场。

红杉合伙人Pat Grady提出了MADS框架——Moats（护城河）、Affordance（可供性）、Diffusion（扩散性）、Switching Costs（切换成本），用以评估智能体类产品的真正壁垒。

医疗，恰恰是这四个维度同时拉满的领域：数据壁垒深、使用场景刚性、一旦嵌入系统极难替换。

一个核心命题正在浮出水面：医疗长周期智能体，正在从概念走向现实。它不再是一个PPT上的愿景，而是有资本、有技术、有商业逻辑支撑的产业趋势。问题是——当AI能够独立完成从药物设计到患者管理的全链条决策时，谁来为它的处方负责？

二、什么是医疗长周期智能体？

2.1 定义：从"辅助诊断"到"自主决策"

医疗AI不是新话题。IBM Watson在2010年代就号称要"颠覆肿瘤学"，最终铩羽而归。但此前的失败，本质上是因为那些系统停留在"辅助"层面——给医生提供参考信息，最终决策权仍在人手里。真正的变革发生在AI跨越"辅助"边界、进入"自主闭环"的那一刻。

我们把医疗AI的能力分为四个层次：

L1 辅助诊断
影像识别、病理切片分析。AI输出一个概率，医生拍板。这是当前最成熟的应用。
L2 任务执行
单次问诊的分诊、用药提醒、报告解读。AI完成一个明确的单次任务，人类设定规则。
L3 流程管理
多步骤协调，如手术排期、转诊路径优化。AI在人类设定的框架内做调度。
L4 长周期自主
持续数月甚至数年的闭环迭代。AI自主设定子目标、执行决策、收集反馈、修正方向。人类只在最高层设定总体目标，并保留干预权。

长周期智能体，就是L4。 它的核心特征不是"更聪明"，而是"能跑起来"——在无人值守的情况下，持续运转、持续学习、持续修正。

维度	传统医疗AI	长周期智能体
时间跨度	单次交互	数月~数年
决策模式	辅助建议	自主闭环
数据处理	静态输入	持续学习
人类角色	最终决策者	目标设定者
典型应用	影像诊断	全病程管理

这不是量变，是质变。传统医疗AI是一个工具，长周期智能体是一个系统。

2.2 为什么医疗领域最需要长周期智能体？

答案很简单：医疗的本质就是长周期。

一个糖尿病患者从确诊到并发症管理，可能跨越20年。一款新药从靶点发现到上市，平均需要10年时间和20亿美元投入，成功率不到10%。一项三期临床试验的随访期通常在2到5年之间。这些场景的共同特征是：周期长、变量多、需要持续决策——而这恰恰是人类最不擅长的事。

当前的医疗体系在这类长周期任务上存在四个系统性痛点：

第一，数据断裂。 医院有电子病历，药房有处方记录，可穿戴设备有生理数据，保险公司有理赔信息——但这些数据彼此隔绝。一个高血压患者的完整画像，散落在至少5个互不相通的系统里。没有哪个医生能在5分钟的门诊时间内拼出全貌。

第二，医生时间有限。 中国三甲医院平均门诊时间约5到8分钟，美国全科医生平均约15分钟。在这么短的时间里，医生能做的只是"处理当次主诉"，根本没有余力做全病程规划。

第三，患者依从性差。 统计数据显示，约50%的慢性病患者不能严格按照医嘱服药。这不是患者"不听话"的问题，而是系统性的管理缺失——没有人持续追踪、提醒、调整。

第四，药物研发效率极低。 20亿美元、10年、不到10%的成功率，这三个数字已经成了行业共识。更残酷的是，其中大部分失败发生在临床阶段——意味着巨额沉没成本已经发生。

长周期智能体之所以重要，是因为它能同时解决这四个问题：持续整合多源数据、替代人类做日常决策管理、保持与患者的持续互动、在药物研发中实现闭环迭代。

2.3 技术前提：三大能力缺一不可

长周期智能体不是一个"大模型+提示词"就能搞定的事。它需要三项底层能力的支撑，缺一不可。

记忆能力。 长周期意味着海量历史数据。一个管理了患者3年健康数据的智能体，必须能准确调取18个月前的一次用药调整及其后续效果。这需要超长上下文窗口与检索增强生成（RAG）技术的结合——前者保证对话连贯性，后者保证信息精确性。

持续学习能力。 智能体不能在部署后就"冻结"。它必须从每一次交互、每一轮实验中提取经验，持续优化决策模型。这不是简单的微调，而是在保持稳定性的同时实现增量进化。

自我修正能力。 在长周期运行中，错误不可避免。关键在于智能体能否在错误造成严重后果之前，自主识别偏差并纠正方向。这要求系统具备元认知能力——不仅知道"做什么"，还要能评估"做得对不对"。

能力	药物发现场景	疾病管理场景
记忆	积累化合物筛选历史，避免重复试错	记住患者3年健康数据，追踪长期趋势
持续学习	从实验结果中优化分子生成模型	从用药反馈中调整个性化方案
自我修正	发现毒性预测错误并修正评估标准	发现药物不良反应并主动预警

这三项能力在2025年之前都存在明显短板。但到了2026年，随着模型架构的进步（如超长上下文、强化学习微调）和工程化能力的成熟（如可靠的RAG管线、自动化评估框架），技术天花板正在被逐一突破。

三、药物发现：从"手工筛选"到"AI工厂"

3.1 礼来+英伟达：10亿美元的豪赌

2026年1月的JPM大会，礼来与英伟达的联合声明在业界引发震动。不是因为金额——10亿美元在制药行业算不上天文数字——而是因为这笔投资背后的架构设计。

他们要建的不是一个"AI赋能的研发部门"，而是一个闭环系统。英伟达的BioNeMo平台作为"干实验室"，负责分子生成、性质预测、ADMET（吸收、分布、代谢、排泄、毒性）筛选和优化建议；自动化湿实验室作为"实体执行层"，由机器人完成化合物合成、高通量筛选和活性验证。最关键的是中间的反馈回路：湿实验室的实验结果实时回传至BioNeMo，AI模型据此优化下一轮分子设计。

干实验室生成假设，湿实验室验证假设，结果喂养AI，AI生成更好的假设。这个循环不需要人类在中间做决策——人类只负责设定研究方向和最终审核。

这不是"AI辅助药物发现"，这是"AI驱动的药物工厂"。范式转换的意义在于：人类从操作者变成了监督者。

3.2 闭环系统的技术架构

拆解这个闭环系统，可以看到三层结构。

第一层：BioNeMo平台。 英伟达在2024年推出的这个平台，本质上是一个面向药物发现的基础模型工厂。它预训练了蛋白质结构预测、分子生成、性质预测等一系列专用模型，并提供微调和部署工具。到2026年，BioNeMo已经集成了超过20个药物发现专用模型，覆盖从靶点识别到先导化合物优化的全链条。

第二层：自动化湿实验室。 机器人合成不再是概念验证，而是成熟技术。高通量筛选系统每天可以完成数万次化合物活性测试，全自动化操作，误差率低于人工。关键突破在于"数字孪生"技术——AI在合成之前就能预测实验结果，大幅减少无效实验。

第三层：数据闭环。 这是整个系统的灵魂。传统药物研发中，从分子设计到实验验证再到数据反馈，一个周期可能需要数周到数月。在闭环系统中，这个周期被压缩到数天。迭代速度的提升不是线性的，而是指数级的。

环节	传统模式	AI闭环模式
分子设计	化学家手工设计，依赖经验	AI生成+筛选，数小时内产出候选
合成验证	实验员逐一操作，周期长	机器人自动化，高通量并行
数据反馈	周期数周，人工整理	实时反馈，自动结构化
迭代速度	每轮数月	每轮数天
人力需求	大型研发团队	小型监督团队

英伟达2026财年收入达到2159亿美元，其中Q4单季收入681亿美元。这家公司的角色早已不只是"卖芯片的"——通过BioNeMo平台，它正在直接参与药物发现的价值链。而礼来的算盘很清楚：用AI将药物研发周期从10年压缩到5年，意味着提前5年获得专利独占期。以一款年销售额50亿美元的重磅药物计算，这等于多赚250亿美元。

3.3 AI制药的市场格局

全球AI制药市场在2025年规模约为50亿美元，预计到2030年将突破200亿美元。赛道上的玩家已经形成了清晰的梯队。

第一梯队是英矽智能（Insilico Medicine）和Recursion这类"AI原生"药企，从第一天起就以AI为核心方法论。英矽智能已经有多款AI设计的候选药物进入临床试验阶段。第二梯队是晶泰科技、剂泰科技等"AI+实验"平台型公司，既提供AI工具也提供实验服务。第三梯队是传统药企的内部AI团队，礼来、诺华、阿斯利康都在大幅扩充AI研发投入。

英伟达在这个生态中的角色值得特别关注。它不直接做药，但通过BioNeMo平台，它正在成为AI制药的"基础设施提供商"——就像AWS之于云计算。当越来越多的药企在BioNeMo上构建自己的AI管线，英伟达就不再只卖芯片，而是卖整个药物发现的工作流。

回到那张无人签名的处方。2030年的场景之所以可能，是因为2026年的这些布局正在把"长周期自主决策"从不可能变成可行。但可行不等于合法，更不等于被信任。当AI的决策直接影响人的生命健康，"谁来负责"这个问题不会因为技术进步而自动消失——它会变得更尖锐。

这是我们在后续章节中要深入探讨的问题。

四、疾病管理：OpenAI的野心与"医疗记忆层"

4.1 OpenAI收购Torch：1亿美元买下什么？

2026年1月13日，OpenAI宣布收购Torch。消息一出，业内第一反应不是"这家公司值不值"，而是"OpenAI要干什么"。

Torch，一个仅4人的团队，没有爆款产品，没有海量用户，甚至没有正式上线面向C端的应用。它的核心资产只有一样东西——"医疗记忆层"技术。具体来说，Torch做的是把散落在医院HIS系统、可穿戴设备、药房系统、体检中心的化验单、就诊记录、用药历史、手环数据，全部抓取过来，整理成AI可读的统一"健康档案"。

收购价约6000万到1亿美元。按人头算，每个创始人值1500万到2500万美元。这个数字在硅谷不算离谱，但放在医疗AI领域，它传递的信号非常明确：OpenAI不打算只做一个"能回答健康问题的聊天机器人"，它要的是数据层的基础设施。

收购时机也值得玩味——距ChatGPT Health推出仅一周。这不是巧合，而是一次精心编排的"组合拳"：先用ChatGPT Health打开C端入口，再用Torch补上数据层的短板。OpenAI的战略意图已经清晰到不需要猜测：为长周期健康管理Agent解决"记忆"和"上下文"问题。

没有记忆的AI，无论多聪明，都只是一个"失忆的天才"——每次对话都从零开始，永远无法建立对患者的长期理解。Torch要解决的就是这个问题。

4.2 ChatGPT Health：从"一次性问答"到"终身健康助理"

ChatGPT Health的定位，表面上看是"连接医疗记录和健康应用，提供个性化健康管理建议"。但把它和Torch的收购放在一起看，OpenAI的野心远不止于此。

它的真正目标是：让AI记住每个用户过去三年的血糖波动规律和用药反应，而不是每次都让用户重新描述自己的病史。

这听起来理所当然，但在技术上极其困难。当前大多数健康AI产品的运作模式是"一次性问答"——用户提问，AI回答，对话结束，上下文清零。这种模式适合回答"我头疼怎么办"这类即时性问题，但对慢性病管理毫无用处。一个糖尿病患者的管理方案，需要基于过去数月的血糖趋势、饮食记录、运动数据、用药反应来动态调整。这不是一次对话能完成的，而是一个持续数月甚至数年的迭代过程。

ChatGPT Health要做的，正是这个"持续迭代"的部分。它与传统医疗AI的本质区别在于：不是回答一次性的健康咨询，而是持续跟踪、动态调整。这要求AI具备跨越时间维度的记忆能力和推理能力——而这正是当前大模型最大的短板之一。

数据来源的挑战同样严峻。医院HIS系统、可穿戴设备（Apple Watch、华为手环）、药房系统、体检报告——这些数据的格式不统一、标准不一致、接口不开放。Torch的价值就在这里：它已经在这些"数据孤岛"之间建好了桥梁。

4.3 "医疗记忆层"的技术拆解

把Torch的技术拆开来看，它本质上是一个四层架构。

数据采集层解决的是"怎么把数据拿进来"的问题。医疗数据的来源极其分散：结构化的检验报告、半结构化的病历文本、非结构化的影像数据、来自可穿戴设备的连续时间序列。Torch的做法是依托HL7 FHIR标准做数据标准化，配合OCR识别手写病历和纸质报告，再通过API对接医院信息系统和可穿戴设备平台。这一层的核心难点不是技术，而是许可和合规——每接入一个数据源，都需要通过繁琐的授权流程和合规审查。

数据整合层解决的是"怎么把数据串起来"的问题。拿到数据只是第一步，关键是要把一个患者在不同时间点、不同机构产生的所有健康事件，编织成一条连贯的时间线。这条时间线不是简单的数据堆砌，而是以"事件"为单位组织：某年某月的某次就诊、某次检验异常、某次用药调整、某次生活方式改变。每个事件都有时间戳、上下文和关联指标。

数据推理层解决的是"数据说明了什么"的问题。基于整合后的历史数据，AI需要能够做趋势预测和异常检测——比如识别出某位患者近三个月的空腹血糖呈上升趋势，或者发现两种药物的联合使用可能导致肾功能下降。这一层依赖大模型的推理能力，但必须结合医学知识图谱做约束，防止"幻觉"导致错误判断。

数据安全层贯穿始终。HIPAA合规是底线，数据脱敏是标配，联邦学习是加分项——让模型在不上传原始数据的前提下完成训练。医疗数据的安全要求比任何行业都严格，一次数据泄露就可能毁掉一家公司。

这四层架构的关键挑战，用一句话概括：医疗领域不是缺数据，而是数据散落在各个孤岛中。 谁先跑通数据和业务的闭环，谁就能抓住下一个万亿市场。

4.4 长周期健康管理的应用场景

长周期健康管理的落地场景，集中在那些"需要持续跟踪、动态调整"的领域。

慢性病管理是最直接的切入点。以糖尿病为例，一个患者的血糖管理方案需要根据饮食、运动、 stress、睡眠、药物等多种因素动态调整。当前的医疗体系能做到的，只是每三个月复查一次糖化血红蛋白（HbA1c），然后由医生在5分钟的门诊里调整方案。这种"低频粗粒度"的管理模式，对血糖波动剧烈的患者来说远远不够。AI智能体可以做到每日监测、实时预警、方案微调——把管理粒度从"三个月一次"压缩到"每天一次"。

肿瘤随访是另一个刚需场景。术后或化疗后的患者，需要长期监测肿瘤标志物、影像学指标和身体状态，以早期发现复发迹象。当前的模式是定期复查，但两次复查之间的时间窗口恰恰是复发最可能被忽视的阶段。AI智能体可以通过持续分析可穿戴设备数据和患者自报症状，在两次复查之间提供不间断的监测。

老年照护面对的是"多病共存"的复杂场景。一个75岁的老人可能同时患有高血压、糖尿病、冠心病和骨质疏松，每天要吃七八种药。药物之间的相互作用、剂量调整的时机、不同疾病管理方案之间的冲突——这些问题远超人类医生在有限门诊时间内能处理的范围。

孕产期管理则是一个周期相对明确（约10个月）但变量极多的场景。从备孕到产后，需要监测体重增长曲线、血压变化、超声指标、营养摄入等多个维度，任何一项异常都可能影响妊娠结局。

场景	管理周期	核心数据	AI价值
糖尿病	终身	血糖、HbA1c、饮食	动态调整胰岛素方案
高血压	终身	血压、用药、盐摄入	预警心脑血管风险
肿瘤随访	1-5年	影像、肿瘤标志物	复发早期预警
老年照护	终身	多种用药、体检	药物相互作用检测
孕产期	10个月	体重、血压、超声	异常妊娠风险预警

五、MADS框架：红杉给医疗AI创业者的生存指南

5.1 红杉AI Ascent 2026：智能体经济元年

2026年3月，硅谷。红杉AI Ascent峰会闭门举行。

150位全球顶尖创业者、科学家、投资人，隔绝外界6小时，讨论一个问题：AGI的商业化路径走到了哪一步？会议结束后，红杉合伙人Pat Grady给出了一个判断——商业AGI已正式落地，2026年是智能体经济元年。

这个判断的底气来自两个观察。第一，基础模型的演进速度每天都在超越普通财富500强企业的适应速度。GPT-4发布不过两年，模型能力已经迭代了数代，但大多数企业的AI应用还停留在"内部知识库问答"的阶段。第二，智能体（Agent）正在从技术概念变成商业现实——不再是Demo和PPT，而是能跑起来、能赚钱、能规模化复制的产品。

红杉在这次峰会上提出了MADS框架，用以评估智能体类产品的真正壁垒。这个框架对医疗AI创业者尤其重要，因为医疗恰恰是MADS四个维度同时拉满的领域。

5.2 MADS框架深度拆解

（1）护城河（Moats）：从"模型能力"到"系统工程"

MADS的第一个维度是Moats。红杉的核心观点非常直接：产品好不好，不完全取决于模型本身，而取决于是否把模型包进一个能长期稳定工作的系统里。

这个观点在医疗领域尤其刺耳。过去两年，大量医疗AI创业公司的策略是"套壳大模型"——调个API，加点医疗知识库，做个聊天界面，然后宣称自己"颠覆了医疗"。红杉的判断是：这类公司没有护城河。当基础模型能力趋同，"套壳"的差异化会迅速消失。

医疗客户需求的变化速度，远慢于技术能力的迭代速度。一个医院的核心工作流——挂号、问诊、检验、处方、随访——过去二十年没有本质变化。真正值得下注的不是更会回答问题的聊天机器人，而是能持续完成工作的Agent。

对医疗AI企业来说，护城河的建设路径已经清晰：

深度绑定医院工作流
嵌入HIS/EMR系统，成为医生日常工作的一部分，而不是一个需要额外打开的独立应用。
获取稀缺的专业标注数据
需要FDA级别的临床验证数据，这类数据不是靠爬虫能拿到的。
建立临床验证体系
多中心RCT试验，这是进入医院采购目录的硬性门槛。
构建监管合规能力
NMPA/FDA审批，不是一次性的事情，而是持续维护的合规体系。

这四条护城河，每一条都需要数年时间和大量资金投入。这也解释了为什么医疗AI的赢家不太可能是"两个斯坦福博士在车库里创业"的故事。

（2）可供性（Affordance）：数据的流动性与完整性

Affordance这个词在中文里没有完美对应，它的核心含义是：制造让用户使用起来无堵点、无感知的AI产品。

医疗行业最大的堵点是什么？数据断裂。不是缺数据，而是数据散落在各个孤岛中。一个患者在不同医院的就诊记录互不相通，可穿戴设备的数据无法自动导入病历系统，药房的处方记录和医院的诊断信息无法关联。在这种环境下，即使AI再聪明，也会因为"看不到完整画面"而做出错误判断。

在基础模型能力趋同的时代，胜出的关键是谁能为特定客户创造阻力最小的路径。具体到医疗AI，这意味着：

无缝对接现有系统
API标准化，让数据流动起来，而不是要求医院为了用你的产品而改造整个IT系统。
降低使用门槛
自然语言交互，让医生不需要学习新的操作界面。
实现数据自动采集
减少人工录入，让数据"自己流进来"而不是"被人填进去"。

Torch被OpenAI收购，本质上就是因为它在Affordance这个维度上做到了别人没做到的事——让医疗数据的采集和整合变得尽可能无感。

（3）扩散性（Diffusion）：跨越"技术能力→临床落地"的鸿沟

Diffusion衡量的是技术能力向市场扩散的速度。红杉的观察是：这个速度远低于这些能力被创造出来的速度。

底层技术跑得飞快，但大多数医疗机构根本跟不上。一家三甲医院的IT系统可能还是十年前的架构，医生对新技术的接受度参差不齐，合规审批流程漫长而复杂。一个在实验室里表现优异的AI模型，从Demo到真正在临床中使用，中间可能隔着两三年的部署和验证周期。

谁能帮助医疗机构跨越这道鸿沟，谁就掌握了价值创造的核心位置。具体策略包括：

提供端到端解决方案
不只是卖模型，而是卖完整的工作流——从数据接入到决策输出到效果评估。
建立培训和支持体系
让医生和护士真正会用、愿意用，而不是把AI当成一个增加工作负担的额外步骤。
设计渐进式部署路径
从辅助到半自主到自主，让医疗机构有时间建立信任。

5.3 MADS框架下的医疗AI竞争格局

把MADS框架套用到当前的医疗AI竞争格局上，可以得出一个有意思的矩阵。

公司	Moats （护城河）	Affordance （可供性）	Diffusion （扩散性）	综合评分
OpenAI	ChatGPT生态+Torch数据	自然语言交互极简	全球最大用户基础	★★★★★
英伟达	BioNeMo平台+硬件	与药企深度整合	全球药企客户网络	★★★★★
英矽智能	AI药物发现全流程	从靶点到临床一体化	多条管线推进中	★★★★
智谱	中文医疗场景	GLM模型能力	国内医院合作	★★★

OpenAI和英伟达在MADS三个维度上都处于领先位置，但它们的切入点不同：OpenAI从C端用户切入，通过ChatGPT Health建立与患者的直接连接；英伟达从B端基础设施切入，通过BioNeMo成为药物发现的"操作系统"。英矽智能作为AI原生药企的代表，在Moats上具备独特优势——全流程的AI药物发现能力是后来者难以复制的。智谱在国内市场有语言和场景优势，但在全球扩散性上仍有差距。

六、技术深度拆解：医疗长周期智能体的核心架构

6.1 感知层：多模态数据融合

医疗长周期智能体的第一道关卡，是"感知"——把散落在各处的数据变成系统可以理解的信息。

医疗数据的多样性堪称所有行业之最。结构化数据包括检验报告中的数值（血糖、血压、肝功能指标）、生命体征的连续监测数据；非结构化数据包括CT/MRI影像、病历文本、医生手写笔记、患者自述症状。这些数据的时间尺度也不同——血糖可能是每5分钟一次的连续监测，影像可能是每三个月一次的复查，用药调整可能是每周一次。

多模态融合的技术挑战集中在三个层面：时间对齐（不同频率的数据如何对齐到统一的时间轴上）、缺失值处理（不是所有数据在所有时间点都有记录，如何合理插值和推断）、模态权重分配（在做出某个临床决策时，影像数据和血液指标哪个更重要）。

具体技术路径已经相对清晰：Vision Transformer处理影像数据，NLP模型（如医学领域的专用微调模型）处理病历文本，时间序列模型（如Transformer-based的时序预测模型）处理生命体征数据。关键不在于单个模态的处理能力，而在于跨模态的对齐和融合——让系统理解"这张CT片"和"这份血液报告"描述的是同一个患者、同一个时间点的同一个临床问题。

6.2 决策层：临床推理引擎

感知层解决的是"看到了什么"，决策层解决的是"该怎么做"。

医疗决策的复杂性在于三个特征：不确定性高（同样的症状可能对应不同的诊断）、后果严重（一个错误决策可能危及生命）、需要可解释性（医生和患者都需要知道"为什么"）。这三个特征决定了医疗AI不能是一个黑箱。

AI在医疗决策中的演进路径已经经历了四个阶段：基于规则的专家系统（如早期的MYCIN）→ 机器学习预测模型（如随机森林、XGBoost）→ 深度学习推理模型 → 大模型+Agent自主决策。当前正处于从第三阶段向第四阶段跃迁的关键节点。

第四阶段的关键技术组合是：RAG（检索增强生成）+ CoT（思维链推理）+ Self-Reflection（自我反思）。RAG确保AI的决策基于最新的医学知识和患者的历史数据，而不是依赖训练时学到的可能已经过时的信息；CoT让AI的推理过程可追溯——它不是直接给出结论，而是展示一步步的推理链条；Self-Reflection让AI在给出初步决策后，自动审视这个决策是否合理，是否存在遗漏或矛盾。

可解释性不是"锦上添花"，而是医疗AI的生存前提。一个无法解释自己决策的AI系统，不可能获得监管机构的批准，也不可能获得医生的信任。当AI建议"将胰岛素剂量增加2个单位"时，它必须能回答：基于什么数据？参考了什么指南？排除了哪些风险因素？

6.3 执行层：跨系统协调

决策层输出的是"该怎么做"，执行层负责的是"真的去做"。

医疗长周期任务的执行，几乎必然涉及多个系统的协调。一个简单的"调整用药方案"操作，可能需要：在EMR系统中更新处方 → 通知药房系统备药 → 向患者的手机推送用药提醒 → 在随访日历中添加下一次评估节点 → 如果涉及特殊药物，还需要向医保系统提交审批申请。

Agent需要能够自主完成这些跨系统操作。技术实现上，这依赖三块能力：API调用（与各系统建立标准化的数据接口）、工作流编排（把多个步骤组织成一个有序的执行计划）、异常处理（当某个环节失败时，能够自动降级或寻求人类帮助）。

安全保障在这一层尤为重要。医疗操作的容错空间极小，因此需要设计分级自主决策机制：低风险操作（如发送用药提醒、记录健康数据）可以完全自主执行；中风险操作（如建议调整非处方药剂量）需要患者确认；高风险操作（如建议调整处方药方案）必须经过医生审核。这不是技术限制，而是伦理和法规的硬性要求。

6.4 反馈层：闭环迭代

没有反馈的智能体，只是一个"一次性决策机器"。长周期智能体的核心竞争力，在于它能从执行结果中学习，实现闭环迭代。

闭环迭代的技术路径可以分解为五个步骤：收集执行结果数据（如患者按新方案用药后的血糖变化）→ 评估效果（与预期目标对比，判断方案是否有效）→ 分析偏差原因（如果效果不达预期，是方案问题、依从性问题、还是外部因素？）→ 调整策略或更新模型（基于偏差分析修正决策逻辑）→ 执行新一轮决策。

这个循环每完成一轮，智能体就"进化"一次。管理一个糖尿病患者一年，它可能完成数十轮迭代，逐步逼近最优管理方案。

关键挑战在于：如何在保证安全的前提下实现自主迭代？ 医疗领域对"试错"的容忍度极低——你不能用患者的健康去"测试"一个新策略。因此，自主迭代的边界必须被严格设定：在已知安全范围内的参数微调可以自主进行，但涉及本质性策略变更的迭代，必须经过临床验证后才能部署。

这四个层次——感知、决策、执行、反馈——共同构成了医疗长周期智能体的核心架构。每一层都有独特的技术挑战，但真正的难点在于四层之间的协同：感知层的数据质量直接影响决策层的准确性，决策层的输出质量决定了执行层的效率，执行层的结果又反过来喂养反馈层，驱动下一轮感知和决策的优化。

这个系统越跑越快，越跑越准。但跑得越快，"谁来为它的处方负责"这个问题就越紧迫。

七、监管与伦理：当AI开出第一张处方

7.1 全球医疗AI监管框架

技术跑在前面，监管跟在后面。这是医疗AI领域最真实的写照。

美国FDA的SaMD（Software as Medical Device）框架是目前全球最成熟的医疗AI监管体系。FDA将医疗软件分为三类风险等级，Class III最高，需要最严格的临床证据。对于AI/ML医疗软件，FDA在2019年提出了"预定变更控制计划"（Predetermined Change Control Plan）的概念，允许AI模型在获批后进行有限的自我迭代——前提是变更范围在审批时就已明确界定。这是一个务实的折中方案，但它的局限性也很明显：AI模型的迭代方向往往是不可预定的，如果每次重大更新都要重新审批，所谓的"持续学习"就成了空话。

欧盟的AI Act走的是另一条路。2024年正式生效的AI法案将医疗AI列为"高风险"类别，意味着任何进入欧洲市场的医疗AI产品都必须通过合格评定、建立风险管理体系、保证数据治理合规、实现透明可追溯。欧盟的思路更偏"预防性"——宁可放慢创新速度，也要确保安全底线。代价是显而易见的：合规成本高企，小公司几乎不可能独立完成全套认证流程。

中国NMPA的医疗器械软件审批路径介于两者之间。NMPA在2022年发布了《医疗器械软件注册审查指导原则》，明确了AI医疗器械的分类标准和审批要求。实际操作中，NMPA对AI影像诊断类产品的审批相对成熟——截至2025年底，已有超过60款AI影像产品获批。但对AI自主决策类产品（如AI药物剂量调整系统），监管框架仍在探索阶段。

监管的核心矛盾可以用一句话概括：AI模型每周迭代，审批周期以年计。 这个速度差不是靠流程优化能弥合的，它需要监管逻辑的根本性变革。

7.2 责任归属：谁来为AI的决策负责？

想象三个场景。

场景一：AI药物发现Agent推荐了一个化合物，药企据此推进临床试验，入组患者出现严重肝毒性反应。谁负责？开发Agent的AI公司？使用Agent的药企？还是设计验证流程的CRO？

场景二：AI健康管理Agent根据患者的连续血糖数据，自动调整了胰岛素泵的输注方案。凌晨三点，患者发生严重低血糖昏迷。谁负责？Agent的开发者？部署Agent的医院？还是授权Agent自主调整的患者本人？

场景三：AI影像诊断Agent审阅了一例肺部CT，判定"未见明显异常"。三个月后复查，发现早期肺癌。谁负责？Agent的算法团队？使用Agent的放射科医生？还是购买Agent产品的医院？

这三个场景没有一个是假想的——它们都是未来五年内极有可能发生的真实案例。而当前的法律框架，对这些问题几乎没有任何明确的回答。

可能的责任分配框架大致有三条路径。第一条，AI开发商承担产品质量责任——类似于药品上市后的不良反应监测，AI产品也需要建立上市后持续监测体系。第二条，医院和医生承担使用决策责任——即使AI给出了建议，最终采纳与否仍由人类专业人员判断。第三条，患者享有充分的知情同意权——在使用AI医疗服务之前，患者有权知道哪些决策由AI做出、AI的准确率如何、出现失误后的救济渠道是什么。

现实是，大多数国家的法律体系尚未明确界定AI自主决策的责任归属。这不仅是法律问题，更是社会信任问题。在责任框架清晰之前，医疗机构对AI自主决策的态度只能是"谨慎观望"。

7.3 伦理困境：效率与公平的抉择

技术问题之外，更深层的是伦理问题。

AI偏见是一个被反复讨论但远未解决的问题。当前主流医疗AI模型的训练数据，主要来自欧美人群的临床数据集。这意味着什么？意味着同一个AI诊断模型，对白人患者的准确率可能是92%，对亚裔患者可能只有85%，对非洲裔患者可能更低。当AI被部署到全球不同人群中使用时，这种数据偏差可能导致系统性的医疗不平等。

医疗资源分配是另一个敏感议题。AI Agent是否会优先服务付费能力更强的患者？如果一个商业化的AI健康管理产品同时服务于高净值人群和普通患者，算法的优化方向会不会不自觉地偏向付费用户？这不是技术问题，而是商业模式和伦理设计的交叉地带。

隐私保护在AI时代变得更加复杂。长周期智能体需要持续获取患者的健康数据——血糖、心率、睡眠、情绪、社交活动——这些数据的颗粒度远超传统医疗记录。如何防止数据被滥用？如何确保患者对自己的数据拥有真正的控制权？联邦学习、差分隐私等技术方案能在一定程度上缓解风险，但无法从根本上解决"数据权力不对等"的问题。

知情同意则面临一个悖论：患者是否知道自己的治疗方案是由AI制定的？如果知道，他们是否还能给予真正的"知情同意"？大多数患者对AI的决策逻辑一无所知，在这种情况下，"同意"的含金量有多大？

红杉在AI Ascent峰会上说了一句话值得反复咀嚼："有一件事始终不能交出去：知道什么是对的，什么是真正值得去做的。"这句话放在医疗AI的语境下，意味深长。效率可以交给机器，但价值判断必须留在人手里。

7.4 监管科技（RegTech）：用AI监管AI

矛盾催生机会。当AI的决策速度远超人类监管者的审查速度时，唯一的解法是用AI来监管AI。

监管科技（RegTech）正在成为一个不可忽视的新兴赛道。具体应用场景包括：用AI实时监控医疗AI的决策质量——比如自动检测某款AI诊断产品在过去一周的误诊率是否异常升高；自动化的不良事件检测和上报——当AI健康管理Agent的患者出现意外健康事件时，系统能自动识别、分类并上报；实时的合规性检查——确保AI的每一次决策都符合既定的临床指南和法规要求。

这是一个巨大的市场。据估算，到2030年全球医疗RegTech市场规模将超过100亿美元。对于创业者来说，这是一个相对低竞争、高壁垒的蓝海——它不需要你比OpenAI更懂大模型，但需要你比大多数人都更懂医疗法规和临床质量管理体系。

7.5 医疗AI安全事件：前车之鉴

医疗AI的安全事故并非假设性风险，而是已经发生过的现实。

IBM Watson for Oncology的失败：2018年，STAT调查揭露IBM Watson for Oncology给出了多处不安全的治疗建议，包括推荐给一位出血性癌症患者使用可能加重出血的药物。内部文件显示，Watson的训练数据来自少数专家的主观意见，而非大规模临床证据。这个案例暴露了AI在医疗领域的核心风险：训练数据的偏差会被放大为临床决策的偏差。

Epic Sepsis Model的争议：Epic Systems开发的败血症预测模型被全美数百家医院使用，但2021年发表在JAMA Internal Medicine上的研究指出，该模型的实际表现远低于Epic宣称的水平——在真实临床环境中，其阳性预测值不到33%，意味着每3个警报中有2个是误报。高误报率导致"警报疲劳"，医护人员开始忽视AI的提示。

Babylon Health的夸大宣传：英国数字医疗公司Babylon Health声称其AI诊断App与人类医生"一样准确"，但2023年BBC调查发现，该App在多项测试中的表现远不如宣传，甚至将心绞痛误诊为"消化不良"。公司最终被出售，投资者损失惨重。

这些案例的共同教训是：医疗AI的安全问题不是技术问题，而是系统工程问题。一个模型的准确率再高，如果训练数据有偏差、部署环境不匹配、人机交互设计不当，都会导致临床安全事故。长周期智能体由于运行时间更长、决策链条更复杂，其安全风险只会更高。这就要求开发者建立完整的"安全工程"体系——从数据质量管控到模型验证，从部署监控到应急响应，每一个环节都不能有短板。

八、投资与创业：医疗长周期智能体的机会地图

8.1 全球医疗AI投资全景

资本是最诚实的投票器。2025年，全球医疗AI领域的投资总额超过200亿美元，创下历史新高。资金流向高度集中：AI药物发现吸金最多，约占35%；医疗影像和临床决策支持各占约20%；健康管理约占15%。

头部机构的布局尤为激进。红杉在2025-2026年连续投资了至少8家医疗AI公司，覆盖药物发现、影像诊断和慢性病管理三个方向。a16z在AI制药领域重仓Recursion和Insilico Medicine，同时在医疗数据基础设施上持续加注。软银则通过愿景基金布局了多个亚洲市场的医疗AI平台。

中国市场同样活跃。AI制药赛道的晶泰科技、英矽智能、剂泰科技先后完成大额融资；AI影像赛道的联影智能、推想医疗已有多款产品获批NMPA三类医疗器械证；AI健康管理赛道的微医、平安好医生正在从"在线问诊"向"全病程管理"转型。一个值得关注的趋势是：中国医疗AI创业正在从"模仿美国模式"走向"基于本土需求创新"——中国庞大的人口基数、密集的三甲医院网络、相对薄弱的基层医疗体系，这些结构性特征催生了与美国不同的产品形态和商业模式。

8.2 创业机会矩阵

不同赛道的投资价值差异显著。以下矩阵综合市场规模、技术门槛、监管风险和竞争格局四个维度，给出机会评级。

赛道	市场规模	技术门槛	监管风险	竞争格局	机会评级
AI药物发现	千亿美元	极高	中	蓝海	★★★★★
慢性病管理	万亿美元	中	高	蓝海	★★★★★
AI影像诊断	百亿美元	中	中	红海	★★★
临床试验优化	百亿美元	高	中	蓝海	★★★★
医疗数据平台	千亿美元	高	极高	蓝海	★★★★
AI心理健康	百亿美元	中	高	蓝海	★★★★
AI辅助手术	百亿美元	极高	高	红海	★★★

AI药物发现和慢性病管理是两个"五星"赛道，但逻辑完全不同。药物发现的市场规模相对较小，但技术壁垒极高，一旦建立优势就极难被颠覆，适合有深厚科研背景的团队。慢性病管理的市场规模是万亿级的，技术门槛相对可控，但监管风险高、商业化路径长，适合有医疗资源整合能力的团队。

AI影像诊断虽然是最早落地的医疗AI应用，但已经进入红海阶段——获批产品超过60款，同质化严重，价格战已经开始。除非能在某个细分领域（如罕见病影像、儿科影像）建立差异化优势，否则新进入者的突围难度极大。

8.3 中国医疗AI的独特机遇

中国医疗AI有几个其他国家不具备的结构性优势。

数据优势是第一位的。14亿人口意味着海量的、多样化的医疗数据——不同的遗传背景、不同的疾病谱、不同的用药反应。这些数据是训练高质量医疗AI模型的肥沃土壤。问题在于数据孤岛严重，医院之间、地区之间的数据互通率极低。谁能率先打通数据壁垒，谁就握有最大的竞争筹码。

政策支持是第二位的。AI+医疗被明确列入国家战略，从"十四五"规划到各地方的产业政策，都在推动医疗AI的落地应用。NMPA的审批效率也在提升——2025年获批的AI医疗器械产品数量是2022年的三倍。

国产替代是第三位的。医疗数据安全要求正在推动本土化替代——医院更倾向于使用国产AI产品，尤其是涉及患者数据的敏感场景。这对国内创业公司来说是明确的利好。

中医药AI化是一个独特的中国机会。中医药知识体系庞大而复杂，适合用知识图谱+AI的方式进行结构化和智能化。已有初创公司在探索AI辅助中医辨证论治，虽然距离临床落地还有距离，但长期潜力不容忽视。

8.5 医疗长周期智能体的商业模式演进

技术路线清晰了，但怎么赚钱？这是每个创业者必须回答的问题。

阶段一：SaaS订阅模式（2026-2028） 向医院或药企收取年度订阅费，提供AI辅助工具。这是当前最主流的商业模式，优点是收入可预测，缺点是天花板明显——一家三甲医院的年订阅费通常在几十万到几百万之间。

阶段二：按效果付费（2028-2030） 从"卖工具"升级为"卖结果"。比如AI药物发现Agent按候选药物进入临床阶段的数量收费，AI健康管理Agent按患者健康指标的改善程度收费。这种模式的优势是与客户利益深度绑定，但需要足够的数据来证明效果。

阶段三：价值分成（2030+） AI Agent直接参与价值创造，并从中分成。比如AI药物发现Agent参与新药研发，获得销售分成；AI健康管理Agent降低保险公司的赔付率，获得节省金额的分成。这是最理想但也最难实现的模式——它要求AI Agent的能力达到"自主创造价值"的水平。

三种模式并非替代关系，而是递进关系。聪明的创业者会在阶段一积累数据和信任，在阶段二验证效果，在阶段三实现价值最大化。

当然，挑战同样严峻。数据孤岛、医生接受度参差不齐、监管框架仍在完善、商业化路径不清晰——这些问题不是一朝一夕能解决的。

8.4 创业者的关键成功因素

基于对赛道和竞争格局的分析，医疗AI创业者的关键成功因素可以归纳为五条。

第一，深耕垂直场景。不要做"全能AI医生"，要做"某个专科的顶尖Agent"。医疗AI的价值不在于广度，而在于深度——在一个足够窄的领域做到极致，比在十个领域做到平庸有价值得多。

第二，获取独家数据。与顶级医院深度合作，获取高质量、有标注的临床数据。这类数据是竞争对手无法通过公开渠道获取的，也是监管审批的核心证据。

第三，建立临床验证体系。多中心RCT试验是进入医院采购目录的硬性门槛，也是建立医生信任的关键。没有临床证据的AI产品，在医疗领域寸步难行。

第四，设计渐进式商业化路径。从辅助到半自主到全自主，逐步扩大AI的决策权限。这不仅是技术成熟度的要求，更是监管和信任建设的需要。

第五，组建跨学科团队。AI科学家、临床医生、监管专家——这三类人的思维方式和工作节奏完全不同，但缺一不可。能把这些人拧成一股绳的团队，才是医疗AI赛道真正的稀缺资源。

九、终局推演：2026-2035年医疗长周期智能体路线图

从现在到2035年，医疗长周期智能体的发展路径大致可以划分为三个阶段：验证期（2026-2028）、落地期（2029-2032）、变革期（2033-2035）。

时间	关键节点	标志性事件	影响
2026	闭环实验室验证	礼来+英伟达闭环系统产出首个候选药物	AI制药从概念到验证
2027	慢性病管理Agent获批	首个AI慢性病管理Agent获FDA批准	AI从辅助到自主管理
2028	AI药物进入临床III期	AI发现的药物首次进入III期临床	AI制药能力得到验证
2029	全病程管理Agent落地	首个覆盖诊前-诊中-诊后的AI Agent	医疗服务模式重塑
2030	AI自主诊断获监管批准	AI在限定领域获准独立诊断	医生角色从执行者转为监督者
2032	AI药物上市	首个完全由AI发现的药物获批上市	药物研发范式革命
2035	全自主医疗Agent	AI能在无人类干预下完成全流程医疗服务	医疗体系根本性变革

2026-2028年是验证期。核心任务是证明"AI驱动的闭环系统"在受控环境中能够可靠运行。礼来+英伟达的联合实验室将在这一阶段产出关键证据：AI设计的候选药物能否通过临床前验证？AI管理的慢性病患者能否达到非劣效甚至优效的临床终点？这些证据将决定资本和监管机构的态度。

2029-2032年是落地期。如果验证期的结果积极，AI将从实验室走向临床。首个获准独立诊断的AI系统将出现在某个相对标准化的领域——可能是皮肤病变筛查，也可能是眼底病变检测。AI发现的药物将进入甚至完成III期临床试验，证明AI不仅能"设计分子"，还能"做出能上市的药"。

2033-2035年是变革期。如果前两个阶段顺利推进，全自主医疗Agent将从概念变为现实。AI能在无人类干预的情况下完成从筛查、诊断、治疗方案制定到随访管理的全流程。医生的角色将发生根本性转变——从"决策执行者"变成"目标设定者"和"质量监督者"。

当然，这个路线图建立在技术持续进步、监管逐步开放、社会逐步接受三个假设之上。任何一个环节的断裂都可能导致时间表的推迟。但方向是确定的：医疗长周期智能体正在从可能性走向必然性。

结语：人是万物的尺度

回到开篇的问题。

2030年，当AI医生开出第一张完全自主的处方，谁来签字？

这个问题看似在问法律，实际上在问哲学。它追问的不是"AI有没有能力做出正确的医疗决策"，而是"在AI可以做出更优决策的时代，人的判断还有什么价值"。

红杉在AI Ascent峰会上给出了一个克制而有力的回答："有一件事始终不能交出去：知道什么是对的，什么是真正值得去做的。"这句话的潜台词是：效率可以优化，但价值不能外包。AI可以比医生更快地分析影像、更精准地预测药物相互作用、更持续地管理慢性病——但它无法回答"这个患者真正需要的是什么"。

医疗长周期智能体不是要取代医生，而是重新定义医生的角色。当AI承揽了数据分析、方案优化、随访管理等执行性工作，医生将从"执行者"变成"目标设定者"和"价值判断者"。他们的核心职责不再是"开正确的处方"，而是"理解患者的处境、尊重患者的选择、在技术方案和人文关怀之间做出平衡"。

更深一层，当机器可以完成所有"正确"的操作，人与人之间的联结与情感体验将成为价值的终极来源。一个AI可以精准地告诉糖尿病患者"你的糖化血红蛋白是7.2%，建议将二甲双胍剂量从500mg增至850mg"，但它无法做到的是：看着患者的眼睛，理解他为什么最近总是忘记服药，知道他的焦虑来自对失明的恐惧而非对数字的漠视，然后以一种让他感到被理解的方式，和他一起找到坚持下去的理由。

技术可以优化决策，但无法替代关怀。患者需要的不仅是正确的处方，更需要被倾听、被理解、被尊重。这些，是任何AI都无法提供的。

回到红杉AI Ascent闭门会上的那句话："这是历史上最大的一次技术浪潮，没有人的领先是安全的，但也意味着任何人都可以赢。"

医疗长周期智能体的竞赛才刚刚开始。礼来在跑，OpenAI在跑，英伟达在跑，红杉在跑，中国的创业者也在跑。谁会第一个让AI开出那张真正有效的处方？

我们不知道答案。但我们知道一件事：当那一天到来时，处方上仍然需要一个人的签名。不是因为这个签名代表了最优的决策，而是因为它代表了人类对另一个生命最基本的承诺——我在这里，我在乎，我负责。

这，才是医疗的本质。

普罗泰戈拉说"人是万物的尺度"。在AI即将重新定义医疗的时代，这句话值得被重新提起——不是因为人类在所有维度上都优于机器，而是因为有些东西的价值，恰恰在于它们是"人"才能给予的。

这不是技术问题，而是关于我们想成为什么样的文明。

数据来源：红杉AI Ascent 2026峰会、礼来/英伟达联合公告、OpenAI官方博客、FDA/NMPA监管文件、各公司财报、The Information、SemiAnalysis