Related articles
当 AI 深度重构医疗健康领域，「研诊治管」 全链条会迎来怎样的突破性变革？全球患者能否真正享受到可及又普惠的智能医疗服务？而这些变革，又将如何改写人类从 「疾病治疗」 到 「健康管理」 的固有认知？
美西时间 9 月 27-28 日，钛媒体集团携手 NextFin.AI、全球亚裔领袖联盟 （GALA）、盛大集团 （Shanda Group） 及巴伦周刊中文版 （Barron』s China），于美国斯坦福大学重磅举办首届硅谷未来峰会——NEX-T Summit 2025。这场以 「New Era of X-Tech」 为主题的全球科技与资本盛会，汇聚了 400 多位来自世界各地的创业者、投资人、科学家与政策制定者。
其中 「AI 与人类健康未来」 圆桌论坛，由斯坦福大学医学院客座教授周慧君 （Prof. Huijun Ring） 主持，邀请到四位嘉宾：斯坦福基因组中心教授兼主任迈克尔·斯奈德 （Prof. Michael Snyder）、黑石集团生命科学前高级董事总经理埃米特·坎宁安 （Dr. Emmett Cunningham）、Fusion Fund 风险投资合伙人桑吉夫·库马尔 （Sanjeev Kumar），以及 Form Bio Inc. 总裁兼首席执行官米歇尔·陈 （Dr. Michelle Chen）。
嘉宾分别从学术、投资、技术、产业视角出发，多维度拆解了 AI 对医疗健康领域的变革性影响、行业认知误区与待解难题、不同主体角色定位、全球实践经验及未来广阔图景，为 AI 与人类健康的融合发展提供了参考路径。
AI 重构 「研诊治管」 全链条的探索实践
在医疗健康领域，AI 的渗透已不是未来概念，而是正在对从基础研究到临床应用的全链条进行重构。
迈克尔·斯奈德是国际知名精准健康、基因组学及可穿戴技术先驱，他将 AI 的影响归纳为四大核心领域：研究、诊断、治疗与患者管理。
「在基因研究层面，AI 能帮助我们挖掘疾病的遗传基础，找到致病基因的数量是传统方法的 10 到 100 倍，这让我们更清晰地理解疾病遗传性。」 他举例称，利用 AI 构建早期疾病检测系统，可在症状出现前预警健康风险；诊断端，AI 在放射科的应用已能识别医生或放射科医师遗漏的影像异常，部分系统已实现 「半广泛应用」，未来应该得到进一步普及。
药物研发是 AI 落地的 「重点战场」，米歇尔·陈分享的行业数据与实践案例极具说服力。她是前 Insilico Medicine 首席商务官、药明康德高级副总裁，还曾任罗氏及默克公司高级管理职位。
据麦肯锡报告，在 AI 驱动的药物研发 （AI-DD） 领域，近百家企业的实践显示，从药物发现到 IND（新药临床试验申请） 阶段，效率提升超 50%，覆盖多类药物剂型与疾病领域。
「但临床阶段的提升仅 10%-15%，这仍是待突破的瓶颈。」 她举例称，在 Insilico Medicine 任职期间，她亲身经历过生成式 AI 将临床前候选药物的开发周期，从传统的 4-5 年缩短至 18 个月；而在其当前掌舵的 Form Bio，AI 更是解决了基因治疗的关键难题，帮助一家生物技术公司将其基因治疗载体的表达量提升了 20 倍，并将空载体率从 80% 降至 20%。
在服务效率层面，埃米特·坎宁安强调 AI 的两步进化：短期以效率提升为主，覆盖药物研发、患者诊断等环节；长期则将实现 「人类无法完成的任务」。
以眼科为例，人类能诊断黄斑变性患者的视网膜病变，但 AI 可预测 100 位患者中谁会对特定疗法产生响应，而这种精准分层能力，正是 AI 的独特价值。埃米特·坎宁安拥有逾 20 年风险投资与药物研发领导经验，是现 HealthQuest Capital 高级顾问，同时也是斯坦福大学医学院客座教授。
作为斯坦福卓越职业学院学者，桑吉夫·库马尔则从技术视角补充，AI 对医疗的影响主要覆盖四大利益相关者，分别为医疗服务提供者、患者、支付方、药企，既优化流程效率，其潜在影响贯穿于这些利益相关者工作流程的各个环节，既有流程效率的提升，也有临床医学方面的突破。
「炒作」 与 「低估」 的认知误区辨析
尽管 AI 在医疗领域应用火热，但嘉宾们一致认为，行业存在明显的认知偏差，部分领域被过度炒作，而真正有潜力的方向却未获足够关注。
「最被高估的，无疑是 『AI 将完全取代医生』 的说法。」 迈克尔·斯奈德直言，医疗行业的强监管属性与保守特性决定了这一场景短期内不可能实现，医生需对患者承担最终责任，AI 更应是协作伙伴而非替代者。
埃米特·坎宁安进一步补充，若未来 AI 替代部分医生，也将是最具分析能力、我们认知中最好的、擅长诊断和手术的 「技术型」 医生，到那时，医疗服务的重心将向人文关怀转移，具备良好患者沟通能力的医生将更受重视。
立足药物研发，米歇尔·陈认为，临床试验开发中的 AI 应用存在过度炒作，比如合成数据、数字孪生等概念，很少有人能清晰解释其核心逻辑与落地路径，原因在于临床试验数据与真实世界数据中存在大量噪声，且需要巨额投资。
桑吉夫·库马尔认为，生成式 AI 在医学领域的应用更多是概念炒作；而 AI 替代的是特定任务而非整个职业，这才是更现实的路径。
与之相对，多个高价值领域被低估。埃米特·坎宁安指出，个性化健康管理的潜力远未被挖掘，未来的健康服务将比我们想象的更精准；桑吉夫·库马尔则看好基因组技术与 AI 的结合，当前医疗多是推测性的病因分析，两者结合将让精准医疗真正贴合个体需求。
米歇尔·陈从产业角度提出，AI 在毒理学预测领域的价值被低估，「若能利用 AI 模型预测动物实验中的毒性，最终延伸至人类用药的副作用预警，不仅符合 FDA『减少动物实验』 的指南方向，更能降低药物从动物试验到人体试验的风险。」
面对 AI 与医疗融合的机遇与挑战，不同主体需明确自身定位，方能推动行业落地。
于投资者而言，如何判断 AI 医疗初创企业的 「生命力」？桑吉夫·库马尔提出三大标准。首先是痛点解决能力，必须明确产品要解决的具体问题，这是长期生存的基础；其次是独特性，体现在其是否拥有独家数据，能否将数据封装为独特模型，并实现云端与边缘的部署；最后是阶段匹配度，早期看创始团队的背景和过往业绩，后期则看产品市场契合度、客户认可度与规模化能力。
埃米特·坎宁安则给出更直接的判断逻辑：「先问 『这款 AI 产品能否做人类做不到的事』，若只是更快更便宜，那么其价值也只是增量的，依然面临激烈竞争；若能实现不可替代性，再追问 『谁会为此付费、付多少钱』，这才是价值核心」。
对企业来说，「桥接 AI 预测与临床验证的鸿沟」 是关键挑战。米歇尔·陈以 Form Bio 的团队架构举例，涵盖软件开发、AI/机器学习、生物学与生物信息，以及最新加入的药物研发——团队间有着各自的 「语言体系」 和舒适区，因此必须通过每周甚至每日沟通、双周研讨会等方式强制 「破壁」，让技术与临床需求对齐。「年轻一代应主动突破学科边界，这是解决 『翻译鸿沟』 的核心」。
立足学术界，迈克尔·斯奈德认为核心职责是 「发现和验证原理」。高校擅长探索未知领域，但规模化落地需依赖创业与产业力量，AI 能为这一过程提供助力。他同时强调，学术界还需承担公平性责任，相比盈利导向的药企，高校在临床试验中更易保持中立，重要的是推动 AI 技术普及，不让任何人掉队。
医疗普惠的全球启示与愿景猜想
在 AI 与医疗的融合实践中，中国与印度的经验为全球化视角提供了重要参考。
米歇尔·陈指出，中国已从过去的技术追随者转变为 「全球创新源」。去年全球上百个生物科技授权交易中，有 1/3 的授权方来自中国，总交易额高达 400-500 亿美元。这一转变归因于三大因素：庞大的人才库、相对较低的研发与临床试验成本优势，以及活跃的资本生态。
「以上海张江高新区为例，那里聚集了数千家生物科技公司，规模从 10 人到 200 人不等，形成了完整的产业生态。」 米歇尔·陈认为，在临床实践层面，中国的效率优势尤为明显，试验成本约为美国的 1/3，速度却是其 2-3 倍，这为全球企业提供了降本提速的参考路径，也倒逼企业思考如何优化全球试验布局。
桑吉夫·库马尔则分享了印度通过数字公共基础设施，实现医疗普惠的案例。印度基于 「数字身份」 基础数据体系，进一步搭建医疗数据交换框架，类似美国的 HL7（卫生信息交换标准），实现了支付与医疗记录的互联互通。
更具突破性的是边缘 AI 的应用，比如将医疗专家的判断模型嵌入到 AI 听诊器等便携设备中，大规模部署于医疗资源匮乏的农村地区，极大地扩展了专业医疗的可及性。此外，AI 在糖尿病视网膜病变检测、疫情预测等领域的应用，也为全球提供了 「资源有限地区如何利用 AI 提升医疗水平」 的参考。
聊完全球视角下的医疗实践 「启示录」，不妨再作一个大胆的设想：如果拥有无限资源，嘉宾们更倾向于启动哪些突破性 AI 医疗项目？
整体来看，他们的愿景都聚焦于 「健康本质的重构」。
埃米特・坎宁安看好实时组学分析，「若能实时解读基因组、转录组等多维度数据，理解细胞通路与信号传递的动态变化，将真正实现个体化、实时化的精准医疗」。这需要巨大投入，但一旦实现，将彻底改变医疗健康的范式。
桑吉夫·库马尔对此观点深表认同，并进一步阐释：「将基因组技术、其他组学技术与 AI 结合，再融入人类医疗判断，推动精准医疗从推测性走向确定性，让医疗服务真正贴合个体需求。」
迈克尔·斯奈德提出三大方向：从 「疾病治疗」 转向 「健康维护」，利用 AI 主动管理健康，而非被动治疗；深入研究环境暴露对健康的影响，这方面的研究极其不足；以及解决心理健康的标志物缺失与管理方案不足问题——这三者相互关联，AI 将成为关键驱动力。
米歇尔·陈的愿景更贴近普罗大众的痛点。当前医疗数据高度分散且封闭，而 AI 的潜力释放需要大规模高质量数据，只有实现数据协同，才能真正让医疗体系惠及更多人。
「希望在 5 到 10 年后，当我问起 『你们有多少人拥有用于个人健康和长寿的 AI 助手』 时，在座的大部分人都会举起手。」 米歇尔·陈面向观众展望道。（作者丨曹倩）
