设想一个具体的画面。某医院的诊室里，一位患者掏出手机，把大模型给出的诊断意见念给医生听。医生听了两句就发现不对——那份意见引用的是 2019 年版的临床指南，而 2023 年已经更新过了。患者很困惑，因为他问的是"业界最强"的模型。

患者自己在跑一个不受监管的医疗agent，这个画面每天都在发生。医疗 AI 的实际形态已经从"医生的工具"变成了"自主行动的agent"，但所有围绕它的制度——临床指南、FDA 审批、科研资助、医学教育——都还停留在上一个范式里。

范式结构的错位

医疗 AI 的旧范式有一个清晰的结构：模型是被审批的对象，医生是使用方，患者是被诊断的客体。三者之间有一组稳定的授权关系——FDA 批准模型用于特定适应症，医院采购，医生在执业范围内使用，患者知情同意。整个体系建立在"工具增强医生判断"这个底座上。

Agent打破了这种结构。模型不再是"被医生使用的工具"，而是"代替患者行动的代理人"。它不需要医生授权就能给出建议，它直接读患者通过 SMART on FHIR 协议拉出来的电子病历，它做出的判断会反过来塑造患者向医生提出的要求。授权链条整个反转了过来——患者授权给 AI，AI 把结论带回诊室，医生被迫在已经形成的判断面前表态。

这不是一个伦理辩论题，这是一个治理物理学问题。旧制度的全部稳定性都建立在"医生是最终决策节点"这件事上——医疗事故责任、医保报销规则、知情同意程序、住院医培训，全部围绕这个节点展开。一旦最终决策节点漂移到患者和 AI 的私下对话里，整套制度的着力点全部悬空。

1962 年“反应停”事件之后，Kefauver-Harris 修正案把"安全有效性"作为药品审批的法定标准，现代药品监管体系由此成型。它的底层假设是：有一个明确的申请方，对一个明确的产品，提出一个明确的适应症。这套框架可以处理新药，可以处理医疗器械，甚至可以处理作为临床决策支持的 AI 模型——因为它仍然是"工具"。

但它处理不了"Agent"。Agent不是被审批的对象，它是持续行动的主体。它在患者手机里持续地和患者对话，持续地被用户的反馈微调，持续地输出新的判断。FDA 的 510(k) 通路是为"产品发布那一刻"设计的，而Agent的本质是"它没有发布完成那一刻"——它在持续发布。Cura 1T 那篇介绍用了一个词叫 "human-gated self-evolution"，人在回路里把关，但模型在自主进化。这个"自主进化"的部分，落在所有现有审批框架的盲区里。

训练范式的换轴

Cura 1T 是最近值得注意的一个信号，它这样定义自己的工作：

Healthcare LLMs need human-gated self-evolution to grow capabilities safely. Uses iterative training loops that target specific skills, evaluate on medical panels, then curate new data from...

注意三个动作的顺序：针对特定技能迭代训练 → 医学专业小组评估 → 从（临床实践）中策展新数据。这三步形成了一个闭环，但闭环的轴和传统医学研究的轴不一样。

传统医学研究的轴是假设。研究者提出一个关于疾病机制的假设，设计实验来证伪或证实，结果发表为论文。论文被综述，被指南吸收，被医学教育传播。整个过程的关键节点是假设的提出和验证——人想出来的，人来验证。

Cura 1T 的轴是技能。研究者不提出假设，他们识别"模型在哪个具体技能上弱"——比如识别某类影像的特征、回答某个护理场景的问题、执行某个文书任务。然后针对这个技能去策展数据、训练、评估。模型不需要"理解"疾病机制，它需要"在某个技能上达到可接受的指标"。

这两条轴在哲学上是不同的认识论。假设驱动的研究本质上是演绎——从一般机制推导到具体预测。技能驱动的训练本质上是归纳——从大量具体场景里提炼模式，不要求模式有机制解释。

这种换轴不是 Cura 1T 一个项目的事。它是整个医疗 AI 领域正在发生的底层移动。 假设驱动的研究范式在二十世纪是医学的主流，因为假设需要人来提出，而人的带宽是有限的。技能驱动的训练范式把这个瓶颈取消了。模型可以同时针对几万个技能并行训练，每个技能都对应一个独立的数据策展任务。研究的产出率从"每年几个"变成了"每周几个"。

但这里有一个容易被忽视的代价。假设驱动的研究，其科学价值密度很高——每一个假设背后都有一套机制叙事。技能驱动的研究，其产出里大部分是"模型在某项基准测试上分数提升"这种工程成果，机制叙事是被绕过的，不是被解决的。这意味着十年后回头看这一时期的医学文献，我们会发现大量"模型可以做到 X"的记录，但很少"为什么 X 是可做的"的机制理解。

这种科研产出结构的变迁，长期看可能比"AI 能不能准确诊断"更重要。

科研周期闭环的形态变化

VitaDAO 的 VitaApp 表面上看它是一个 DeSci（去中心化科学）项目，给长寿研究资助了 500 万美元，覆盖 30 多个项目。但仔细看它的工作流，会发现它在定义一种新的科研资助闭环：

VitaApp is also the delivery layer for VitaDAO's wider model. Nearly $5M has funded more than 30 longevity projects. That research strengthens its AI agents. Those agents power VitaApp. More users create more funding for the next round of science.

这段话拆开来看有四个节点：资助研究 → 研究产出强化 Agent → Agent强化应用 → 应用产生新数据和新用户 → 资助下一轮研究。这是一个完整的反馈闭环，而且它的运转速度不受传统资助周期约束。

传统科研资助（NIH、NSFC、ERC）的节奏是年——申请周期、评审周期、资助周期、结题周期。一个idea从提出到产出可被下一轮研究使用的数据，通常要 3-5 年。VitaDAO 这种闭环的节奏是月——研究产出几乎是实时地进入 Agent的训练数据。Agent几乎是实时地反馈到用户场景里，用户数据几乎是实时地变成下一轮资助的决策依据。

这个速度差不是渐进的差异，是结构性的差异。它意味着在长寿研究这种快速演化的领域，传统资助周期的"延迟回报"机制会被 DeSci 的"即时回报"机制逐步侵蚀。年轻的课题负责人会发现，与其写一个 18 个月才出结果的 NIH 申请，不如给 VitaDAO 提一个 6 个月能闭环的研究方案。

但这里有一个绕不过去的问题。传统资助周期慢，但它有一套同行评议作为质量过滤的机制——虽然这套机制经常被吐槽，但它至少保证了某个领域的共识群体对"什么是值得做的问题"有发言权。VitaDAO 这种闭环绕过了同行评议，由"用户使用产生的数据"来决定下一轮钱流向哪里。这是一种更市场化的过滤机制，但它的失败模式是短期回报压倒长期问题。长寿研究里最难的问题——比如衰老的机制层面干预——通常需要十年以上的回报周期，这种问题在任何以应用使用率为反馈信号的闭环里都会被边缘化。

所以 VitaApp 真正的意义不在它现在资助了什么，而在它示范了一种科研资助可以不是同行评议驱动的形态。这种示范一旦出现，传统资助机构迟早要面对一个尖锐的问题：当闭环速度成为竞争力，慢的就是不是好的。

算力成为科研基础设施

算力作为科研基础设施的地位，正在被物理化地确立。

算力之前不是科研基础设施。十年前，科研的基础设施是实验设备——质谱仪、电镜、基因测序仪、生物安全实验室。这些设备的分配塑造了科研的地理格局——哈佛有，普通州立大学没有；发达国家有，发展中国家没有。但实验设备的分配有一个特性：单台设备的产能是有限的，所以即使在哈佛，也不是所有人都能用上冷冻电镜。这种物理约束在一定程度上塑造了科研的多中心格局。

算力不一样。算力是集中化的——一个超大规模数据中心可以同时服务成千上万的研究团队。这意味着一旦算力成为科研的主要瓶颈，科研的地理格局会向算力富集的地方重新集中。印度政策把资源倾注到算力和基础模型上，是对这种现实的反应——他们害怕的不是"医疗 AI 不普及"，而是"印度研究者用不上印度的算力做基础研究"。这是一个国家级的战略判断。

但荷兰对微软数据中心的抗议指出了这个判断的另一面。算力富集是有物理代价的——电力、水、土地、碳排放。微软阿姆斯特丹数据中心被抗议，不是因为当地人反对 AI，而是因为它消耗的电力相当于一座小城市的用电量。算力基础设施的扩张正在把 AI 科研的环境成本外化给它所在的社区。

这件事和医疗 AI 看起来毫无关联，但它们在结构上是同构的。Agentic的医疗 AI 把决策成本外化给了诊室里的医生和患者——患者拿着过时的大模型诊断来问诊时，医生要花额外的时间纠正。算力的基础设施扩张把环境成本外化给了数据中心所在的社区——当地居民要承担电价上涨和碳排放。两种外化都是同一个底层结构的产物：新范式的核心获益者（AI 公司）拿走了回报，新范式的副作用被分配给了无法拒绝的人。

一个不被承认的判断

Agentic的医疗 AI是已发生的事实，剩下的全部工作——治理、训练、资助、算力——都只是在被动反应这个事实。

患者用消费级 AI 看病，是反应。Cura 1T 训练 human-gated self-evolution，是反应。VitaDAO 建闭环，是反应。印度政策聚焦算力，是反应。荷兰人抗议数据中心，是反应。这些反应没有一个是主动的范式设计，全部是被动的补救。

而被动补救有一个共同的结构性缺陷：它假设新范式可以套在旧制度的壳子里。FDA 把 Agent当成新型医疗器械来审批，医院把 Agent当成新型临床决策支持来采购，医学教育把 Agent当成新型工具来教。所有这些"当成"都建立在一种安抚性的假设上——Agent和过去的工具属于同一类东西，只是更强大。

但如果 Agent和过去的工具不属于同一类东西——如果它是真正的认识论换轴——那么所有"当成"都会在某个具体的临床失败事件面前集体失效。那个时刻不会温柔地到来。它会以一个具体的患者、一个具体的误诊、一个具体的责任真空的形式出现，然后整个制度要在事件的压力下重新协商它的底层假设。

患者已经在自己看病了，医院还没准备好接诊这样的患者。Agentic的医疗 AI 的方向正在被多种力量（技术、市场、政策、诉讼）共同塑造，它的最终形态还没有定下来，但当前的治理框架落后于它的实际演化速度——这一点是相对确定的。不确定的部分是它最终会停下来还是继续走。