夜雨聆风
医疗健康是少数至今仍未被互联网彻底重构的万亿市场。过去二十年，互联网改变了挂号、问诊、购药和支付，但没有真正改变一件事：一个人在医院之外、疾病之前、用药之后，到底由谁持续理解和管理他的健康状态。
这就是AI for Health成为“最后一块蛋糕”的原因。AI医疗的上半场，是AI进入医院、实验室和药企，提升诊断、研发和流程效率；AI for Health的下半场，则是AI走出医疗体系，进入每个人的日常生活，把体重、血糖、睡眠、运动、饮食、用药和长期随访重新组织成一个可理解、可干预、可持续进化的健康入口。
AI医疗的三轮叙事，和被遗漏的院外场景
过去几年，AI医疗几乎经历了三轮叙事。
第一轮是AI影像。
这是AI医疗最早被产业化验证的方向。CT、MRI、病理切片、眼底筛查、肺结节、乳腺癌早筛，这些场景天然适合AI：数据相对标准化，任务边界清晰，医生也确实需要更高效的辅助工具。海外市场也跑出了一批代表公司，例如影像辅助诊断领域的Aidoc、Viz.ai，数字病理方向的Paige，以及早筛和多癌种检测相关的Freenome、Grail等。
AI在这一阶段扮演的是医生的第二双眼睛。它帮助医生更早发现风险，更快完成筛查，更少出现漏诊。但从产业位置看，AI影像本质上仍然围绕医院和医生展开，是院内诊断流程的一次效率升级。
第二轮是AI制药。
AlphaFold之后，市场重新认识到AI对生命科学的价值。靶点发现、分子设计、蛋白预测、药物筛选、临床试验优化，迅速成为AI-Bio最核心的叙事。海外与全球化代表包括DeepMind/Isomorphic Labs、晶泰科技（XtalPi）、Recursion、Insilico Medicine、Exscientia、Schrödinger、Generate Biomedicines等。相比AI影像，AI制药的想象空间更大，因为它不只是提高医生效率，而是试图改变新药研发中最昂贵、最漫长、最不确定的部分。
AI在这里像一台新的搜索引擎，帮助人类进入更大的生物空间，发现过去很难被发现的靶点、分子和机制。但这一轮的主战场仍然在科研机构、药企和实验室里。它离普通用户的日常健康生活，依然很远。
第三轮是医疗大模型。
大模型出现后，AI开始进入医学证据搜索、病历生成、医学问答、医生Copilot、患者沟通、临床决策支持和药企医学内容生产等场景。海外代表包括OpenEvidence、Nuance DAX、Abridge、Nabla、Ambience Healthcare、Hippocratic AI、Glass Health、Autonomize AI、Fairway Health等。
其中，OpenEvidence更像是面向医生的临床证据搜索与决策支持平台，试图用AI帮助医生在海量医学文献、指南和临床证据中更快获得答案；Nuance DAX、Abridge、Nabla、Ambience Healthcare更多切入病历生成、语音转录和医生工作流；Hippocratic AI、Glass Health等则围绕医疗问答、临床推理、患者沟通和医学知识管理展开。
相比前两轮，医疗大模型更接近医疗服务的日常工作流，也更容易被医院、医生和药企快速试用。但它的主要价值，仍然是专业工作者的生产力工具：帮助医生写得更快、查得更准、沟通得更好，帮助医疗机构和药企降低信息处理成本。
这三轮AI医疗都在向前推进。
但它们共同留下了一个巨大空白：医院之外的健康场景，仍然没有被真正智能化。
一个人一年可能只去几次医院，却每天都在产生健康数据。体重、血糖、睡眠、运动、饮食、情绪、用药、复购、副作用、体检报告、可穿戴设备记录，构成了比单次问诊更真实、更连续的身体画像。
问题是，这些数据长期散落在不同设备、App、医院、药房和聊天记录中。医生看不到全貌，药企很难持续触达，保险公司无法动态判断，用户自己也很难理解身体正在发生什么。
这才是AI for Health真正要解决的问题。
AI for Health的真正入口，在医院之外
AI for Health不是给医疗加一个AI插件，也不是把问诊、挂号、购药简单搬到线上。它的核心，是用AI重新组织人的健康状态：把分散的数据变成连续的上下文，把单次服务变成长期管理，把被动就医变成主动干预。
过去的互联网医疗解决的是连接效率。更方便地找到医生，更方便地买到药，更方便地完成一次问诊。
但线上化不等于智能化。
长期用药、减重、慢病、抗衰、睡眠、脱发、男女保健，这些场景都不是一次交易能完成的。买到药只是开始，真正影响结果的是后续几周、几个月甚至几年的持续管理：有没有按时用药，剂量是否合适，副作用有没有出现，体重和血糖有没有变化，睡眠和运动有没有改善，什么时候需要复查，什么时候需要调整方案。
海外已经出现了一批典型样本。Hims & Hers、Ro把脱发、ED、皮肤、减重等敏感或高频需求包装成更低门槛的DTC医疗入口；Noom从行为干预切入体重管理，并进一步叠加GLP-1等药物服务；Flo Health从女性周期记录起步，逐步演化为覆盖女性全生命周期的健康管理平台；Omada、Virta、Hinge Health、Sword Health、Maven Clinic等公司，则分别在慢病、糖尿病逆转、肌骨康复、女性和家庭健康等场景里验证了数字健康的长期管理价值。
这些公司的共同方向，不是把医院搬到手机里，而是在医院之外建立新的健康服务关系。它们抓住的不是一次问诊，而是一个持续场景；不是一个医疗动作，而是一段长期旅程。
医院没有精力每天做这些事情，医生也不可能全天候跟进。传统App可以记录数据，却很难理解上下文；健康内容可以给出建议，却很难持续跟踪结果。
AI Agent的出现，第一次让持续、个性化、可规模化的健康管理成为可能。
下一代健康入口不会只是问诊入口，也不会只是卖药入口，而会是个人健康Agent。它不是一个医学问答机器人，而是围绕用户身体状态建立的长期系统：知道用户的基础信息、疾病史、用药史、体检报告、可穿戴数据、健康目标和消费偏好；理解体重趋势、血糖波动、睡眠质量、运动变化和药物反应；不只回答今天该不该吃某个药，而是知道过去几周发生了什么，接下来应该注意什么，什么时候该提醒复查，什么时候该建议寻求专业医疗帮助。
医疗健康行业并不缺入口。医院入口在医疗体系手里，医生入口被院内体系、医生社群和学术平台占据，药品入口在药企、药房、电商和互联网医院之间流转，支付入口由医保、商保和自费共同构成。
但还有一个入口长期没有被真正占据：用户日常健康入口。
它高频、长期、分散、复杂，也最难做。过去没有足够连续的数据，没有足够好的AI，也没有足够自然的交互方式，所以这个入口长期处在真空中。现在，可穿戴设备让身体数据连续化，CGM让血糖数据从单点变成曲线，智能戒指和手表让睡眠、心率、HRV、运动、压力等指标进入日常生活；医疗大模型让医学知识和健康沟通变得可用，AI Agent让长期陪伴和个性化管理具备产品形态；减重、抗衰、睡眠、慢病等消费医疗场景，也已经证明用户有明确需求和支付意愿。
这就是AI for Health 2C的机会。
未来，每个人都可能拥有一张持续更新的健康名片。它不是静态病历，而是由多维身体数据、药物使用数据、生活方式数据和AI分析共同构成的动态健康画像。谁能成为这张健康名片的入口，谁就可能掌握AI for Health最核心的位置。
健康数据聚合，是个人健康Agent的底层基建
个人健康Agent听起来像前端产品，但它真正的壁垒不在聊天界面，而在数据。
没有数据，AI只能回答通用问题；有了连续、多模态、可追踪的数据，AI才可能真正理解一个人。
今天的问题是，健康数据越多，反而越碎。Apple Watch、Oura、WHOOP、Garmin、Samsung、Fitbit、RingConn、华为、小米、CGM、体脂秤、体检报告、医院病历、用药记录，分别在不同设备、不同App、不同账户和不同格式里。大多数设备只能解释自己的数据，却看不到用户完整的身体状态。
海外公司也开始往这个方向迁移。Function Health把大规模实验室检测、医生解读和长期复测做成会员制入口；Levels围绕CGM和代谢健康，把血糖波动变成用户可以理解和调整的生活方式反馈；Oura和WHOOP也不再满足于只做可穿戴硬件，而是开始把血液检测、实验室指标、睡眠、运动和恢复数据放进同一个健康视图里。
这说明一件事：下一代健康入口，不会只来自单一硬件，也不会只来自单一问诊产品，而会来自能把多维数据整合起来的系统。
一个减重用户的体重下降是否健康，不能只看体重秤，还要看睡眠、血糖、心率、饮食、运动、用药剂量和副作用反馈。一个抗衰用户的状态是否改善，不能只看单次检测指标，还要看炎症、代谢、睡眠、运动能力、体重趋势和长期随访。一个慢病用户是否风险升高，不能只看一次门诊记录，还要看家庭监测、用药依从性和生活方式变化。
这就是健康数据聚合平台的价值。
它不是简单把API接起来，而是把分散数据转化为可理解、可推理、可干预的健康上下文。它是AI健康管理的感知层和记忆层，也是未来个人健康Agent、慢病管理、抗衰服务、药企患者管理、保险健康干预和真实世界研究的共同基础设施。
这也是AI for Health 2C最容易被低估的地方：它不是一个纯C端App生意。真正的价值在于，它可以成为连接用户、药企、医疗机构和保险公司的新基础设施。
对药企来说，变化是从卖药到管人。在减重、慢病、抗衰、睡眠、脱发、男女保健等长期用药和消费医疗场景里，药品销售不是终点。用户是否坚持使用，是否出现副作用，是否需要调整方案，是否复购，是否形成真实世界疗效，都会影响最终商业结果。过去这些行为几乎不可见，未来AI Agent和健康数据平台可以在合规前提下帮助药企做患者教育、依从性管理、复购管理和真实世界研究。
对保险公司来说，变化是从事后赔付到事前干预。连续健康数据和AI分析可以帮助保险更早识别风险，更精准设计产品，也可能通过健康管理降低赔付率。对医疗机构来说，变化是从低频就诊到连续连接。用户进入医院时，不再只是带着零散主诉，而是带着一份连续健康摘要，医生能更快理解这个人过去一段时间的身体变化。
这不是替代医院、医生、药企或保险，而是把它们重新连接起来。
真正的壁垒，是数据、场景和闭环
很多人看AI for Health，第一反应是模型。但长期看，模型本身可能不是最稀缺的部分。通用大模型会持续进步，医疗垂直模型也会持续迭代，真正难的是数据、场景和闭环。
数据必须是连续的。一次问诊、一次体检、一次检测，都不足以理解一个人的健康状态。AI for Health需要长期动态数据。
数据也必须是多模态的。体重、血糖、睡眠、运动、用药、饮食、病史、体检、心理状态、消费行为，单一数据源很难形成完整判断。
场景必须足够刚性。健康管理不能只靠用户兴趣驱动，而要切入减重、慢病、抗衰、睡眠、脱发等有明确需求、明确支付和明确结果反馈的场景。
闭环必须真实。AI给出建议之后，用户是否执行，身体是否变化，是否复购，是否复诊，是否发生风险，这些反馈必须回到系统里。没有闭环，AI for Health只是更会说话的健康内容平台；有了闭环，它才可能成为下一代健康基础设施。
这也是为什么海外不同方向的头部样本，最终都在向同一个终点靠拢：Hims & Hers、Ro、Noom把药物、医生和用户旅程整合起来；Flo把女性健康从记录工具做成长期陪伴平台；Function、Levels、Oura、WHOOP把检测、可穿戴和个性化建议整合起来；Omada、Virta、Hinge、Sword、Maven则证明了特定健康场景可以被数字化、长期化、结果化。
未来跑出来的公司，可能既不像传统医疗公司，也不像传统互联网公司，而更像健康时代的新型操作系统。它把多维身体数据、药物、数字支持和AI Agent结合起来，在真实场景中持续服务用户，同时为药企、医疗机构和保险公司创造价值。
AI医疗的上半场，是让机器更懂医学；AI for Health的下半场，是让AI更懂每一个人。
所谓万亿医疗市场的最后一块蛋糕，不是说AI马上取代医院，也不是说所有医疗服务都会被搬到C端，而是说在医院之外、疾病之前、用药之后，存在一个长期未被充分数字化和智能化的巨大空间。
这是用户最需要陪伴、传统医疗最难覆盖的地方，也正是AI最可能率先建立新入口、重写健康管理逻辑的地方。
