博客

虚拟细胞正当红：Cell 上四十余位学者倡议用多尺度基础模型造一个 AI 虚拟细胞。但病人不是更大的细胞——从细胞到人体隔着多级涌现跃迁，通路代偿与患者异质性让'体外有效'频繁止步于'人体失效'。本文论证：从虚拟细胞到虚拟病人，缺的不是更大的模型，而是另一个尺度的地图——'分子→模块→人体'的换算层；虚拟病人比虚拟细胞多出两样东西：Action 的医学语义（这个人对这个干预有没有响应），以及复测反馈闭环（预测→干预→复测→修正）。最后算一笔经济账：II 期死亡谷、9 亿美元、分层减半——钥匙不在路灯下。

二十多年数据军备竞赛之后，生物医学得到了一个冷峻的判词：数据爆炸，知识贫瘠。知识长期活在三种形态里——游记（文献综述）、标本馆（数据库）、地图（可计算知识），而生物医学最缺的正是第三种。本文从科学史角度论证：一门学科的成熟，标志是其核心知识从叙事变成可运算的对象；天文学有星表，化学有元素周期表，生物医学还没有自己的知识坐标系。是时候向知识的量化发起进攻了：参数化、结构化、闭环化——让世界观第一次拥有可计算的载体。

疾病不是突然发生的，而是生命能力储备沿着五道防线逐步失守的结果。本文从'生命是适应环境的能力集合体'这一第一性原理出发，结合衰老标志、表观遗传时钟、器官年龄、免疫衰老与代谢失衡等顶刊研究，推导出抗衰防病五道防线框架：表型预警、器官功能、代谢稳态、免疫修复、衰老标志（Aging Hallmarks）。健康管理的本质，是在疾病显性化之前持续监测并修复能力储备。

2026年5月8日，国家知识产权局授权公告了发明专利《基于预训练模型生成化合物干预方案的方法、系统及其应用》，授权公告号CN117766054B。这项专利对应的是我们围绕SEMO所做的一套技术探索：如何把化合物、蛋白质互作网络、个体组学数据和干预方案生成，放进一个可计算的框架里。我更愿意把它理解为一次方法论上的转向——从看某个指标是否低于平均值，走向看个体网络内部是否存在可被干预解释的落差。

过去十年，人工智能进入医学，经历了一个清晰的迁移路径：医疗AI解决看懂医学的问题，AI制药解决发现干预工具的问题，医学世界模型解决验证干预后果的问题。前两者主要改变效率，后者才可能改变医学范式。医疗AI是过去式，AI制药是现在时，医学世界模型才是未来。

医学AI真正缺少的，可能不是又一个更大的模型，而是一个类似ImageNet的基础设施——一个能够系统记录当前生物状态、干预动作、未来状态变化的基础数据与评估体系。医学AI的下一个十年，不缺大模型。真正缺的，是一个关于生命状态转移的共同基础设施。谁能定义state、action、transition，谁就可能定义下一代AI医学的底层坐标系。

医学AI不能只依赖harness engineering的外部护栏；真正的医学世界模型必须进入state-action-transition-feedback的内部架构，使生物状态变化变得可表征、可推演、可审计、可修正。Harness engineering controls the AI system from outside. Steerable world modeling structures biomedical reasoning from inside.

预测模型回答会怎样，世界模型回答如果这样做会怎样。医学AI不能只会预测，还要学会推演行动后果。世界模型的核心结构是五个要素：State（当前状态）、Action（可选动作）、Transition（状态转移）、Objective（目标方向）、Feedback（反馈校准）。未来医学AI的核心竞争，不只是模型更大、数据更多、预测更准，而是谁能把生命系统表示为可解释、可推演、可反馈、可校准的世界模型。

如果一个人站在你面前，一个世界模型也站在你面前，你敢不敢把自己的健康交给它？SEWO（Steerable Medicine World Model）提出：世界模型的终极使命不是成为更精准的预言机器，而是成为一匹识途的马——医生给方向，它自己在不确定地形中走稳。预测是手段，靠谱的状态切换才是目的。

同一个炎症概念，用血清蛋白浓度去测，与脑健康的相关性很弱；换成DNA甲基化替代指标，相关性提升6.4倍。不是概念错了，是'快门速度'不对。这恰好是EvoSika方法论的核心洞察。

AI4S 的使命不应该是用 AI 加速现有的科学，而应该是用 AI 重新发明科学组织知识的方式。概念的内容依赖于提问的语境，我们需要的是一个概念的操作系统。