想象有一天，一个AI模型能复制你身体的几乎全部信息——你的基因，你的过往病史，你的用药记录，你在哪里成长，你的种族、性别，你的日常生活起居等等——用于生成一个关于“你”的模型。这个模型能预测你用药及治疗的效果、未来的疾病，乃至预期的寿命。
这并非只是想象，而是一个很可能正在到来的现实。
最近一年来，北京大学智能学院博士利友诚正在做“AI虚拟患者” 的研发。他和团队结合千万名真实患者的就医、身体、生活环境等合规数据，利用专门的AI模型，经多轮调试，造出了一个越来越像人的“虚拟患者”模型。
在商业世界里，这类“患者”模型， 如今越来越多地被医药公司认为是可行的技术方向。
眼下，药企正被同一个难题卡住：临床试验招不够人。罕见病、儿科、重症领域尤其突出，符合入组条件的患者本就稀少，严格的排除标准又筛掉一批，许多试验拖到预算烧完也凑不齐对照组。
而虚拟患者模型恰好切入了这个缺口——用真实患者数据生成数字分身，在电脑里先跑一遍试验，预测药效、筛掉注定失败的方案，甚至替代部分真实对照组。
并且，临床试验是药企花钱最狠的环节，一旦虚拟数据被监管认可，省下的招募成本和时间将“不可估量”。
政策端的信号同样明确。今年6月，国家药监局等四部门发文鼓励应用虚拟患者等模型技术。业内，山东齐鲁医院挂出一项“数字孪生虚拟临床试验”采购，预算262.5万元，需求写得很具体：虚拟人群建模、疗效虚拟预测。
到了今年9月，“虚拟患者模型”又被写进十部门《医药工业发展“十五五”规划》的AI制药高价值场景清单里。从监管口到产业规划，这条路正在被一层层铺平。
全球范围内，“虚拟患者”已经进入跨国药企的研发视野。阿斯利康、罗氏制药、赛诺菲等公司正通过模型研发、技术合作和战略投资，探索在计算机中模拟疾病进程、预测患者反应，并辅助临床试验设计。
2025年初，利友诚决定创业，成立公司做AI患者模型。如今，他的公司和三十家医药企业、CRO公司（为制药企业、医疗机构和研发机构提供药物研发外包服务的专业组织）达成合作，并尝试和阿斯利康、强生等国际药企建立合作。
一条商业化的路线正在跑通，公司的融资进行到第二轮，正在交割阶段，估值接近10亿元。公司旗下一款包含十余种癌症的患者模型正在与合作药企开展验证工作。
药企是他当下寻找的客户，却不是他对这项技术的全部想象。在他设想的未来，每个人都可能拥有自己的“健康分身”。透过这个分身，个人能更了解自己的身体，甚至能看见自己未来的健康情况；从更大的层面，数个分身的集合还可能用于预演和预测公共卫生事件，“就像预报山火、天气一样。”
但眼下，团队首先要回答的是，模型预演的变化，能在多大程度上与真实患者一致？我们与利友诚聊了聊制造一个“虚拟患者”的过程、造出来后如何科学地验证它，以及一项医疗AI技术怎样寻找愿意付费的客户，也聊到它可能怎样影响我们的生活。
以下是镜相工作室和利友诚的对话：
制造一个“虚拟患者”模型
镜相工作室：从本科到直博，你的专业方向都是人工智能，这个方向其实有更热门的创业方向，为什么你会想来做医疗领域的创业？
利友诚：我高中时，身边一位朋友得了非常严重的疾病，恰巧通过医疗器械早期筛查出来，并且在治疗后，得到了很好的好转。这件事对我影响很大，也一直是早期的一个心魔。
2019年，大一的一个晚上，我觉得，既然这件事困扰我这么久，不如投入这个方向，直面内心的恐惧。不管一个人的家庭和出身怎么样，生老病死都是要面对的。我往前做一点努力，也许就会有一些家庭因为我的工作变得更好。
那时候我想，当医生是救一个人，但是从技术去做医疗相关的事情，可能会影响到整个人群或者社会。
当时我觉得医疗器械特别好，自学了将近半年的模拟电路、数字电路，大二暑假跟一些电气工程专业的学长打电子设计竞赛，又去一家医疗器械公司实习，做控制电路这些东西。做完发现，技术不一定是第一优先级，商业模式、销售也很重要。我还是想找一个技术更前沿的方向。
大三有段时间，我申请去了国外做过生物信息学研究，觉得离实际的诊断、治疗和制药这些现实问题还很远。一次偶然机会，我注意到影像AI，我当时很受震撼，一些人眼很容易忽略的细小的肺结节，AI都能够识别出来。而影像科医生还要经过很多年的训练，看很多片子，才能识别。
我从这些案例里看到了AI的潜力，它很有可能会超越人类的一些诊断的精度，或者是发现人类发现不了的生命科学的现象跟规律。另一方面，这个领域当时在国内、国际都有很多落地的案例，技术也到了比较成熟的时机。
之后我就开始研究影像AI诊断，最早做的是乳腺超声。但做着做着发现，判断一个患者有没有乳腺癌，不一定只看超声，还要看核磁、电子病历，了解她的家族史、病史，甚至要做多次检查。当时我就萌生了一个以患者为中心的研究思路。
除了学校导师，我还会与很多业内专家交流，他们都是一线医生。当时做影像AI诊断，我三天两头跑去北大肿瘤的超声科，去跟他们医生交流，学习他们诊断思路，直到我自己的阅片能力能够接近医生的时候，我发现我训模型的思路就非常清晰，我知道该怎么做了。
影像其实只是患者在某个时间、某种检查方式下，健康状态的一个投影。我想把不同时间、不同检查方式下的这些投影收集起来，去刻画一个更完整的患者。后来我又觉得，只做诊断还不够，还需要知道患者用了什么药、用药之后有什么反应，以及他的身体状态怎样随着时间变化。
所以从影像AI到患者模型，对我来说不是突然换了一个方向，而是之前研究的延伸。我们不只想知道患者现在是什么状态，还想往前走一步，看看在不同的治疗条件下，他之后可能还会怎么样。
● 图源：《万神殿》
镜相工作室：你说想把不同时候、不同检查里的“投影”拼起来，看到一个更完整的患者。具体来说，要给模型哪些信息，它最后又能告诉我们什么？
利友诚：我们会用患者多年的就诊记录、影像记录，用药记录对他进行建模。除了这些，我们还会收集患者生活地区的PM2.5、当地烧不烧秸秆、饮食结构、经济状况等各种信息。收集之初就要对疾病有足够深入的理解，才知道需要记录什么。
它不是简单地拟合患者的数据、输出一个数值，而是希望根据他过去的记录，预演未来几年身体健康状态的变化、给定某个特定的治疗条件或者用药条件，看看在这个条件下，他的健康状态会怎样变化，这是我们的目标。
拿药企举例。一个药物成分，在早期研究时，可能各项数据指标都很好，但研发团队还需要判断的是，它在怎样的人群中更可能有效，是否存在值得提前排查的安全风险。如果这些问题一直到人体试验后期才暴露，前面的沉没成本就很难挽回了。
我们希望把患者的纵向记录和分子、细胞层面的证据衔接起来，帮助医药团队更早地验证，判断该推进哪条管线（指医药公司所有在研项目条线）、该入组哪些患者。我们的定位不是只做一个临床诊断模型，而是把模型用在药物试验和临床试验决策中。我们的模型在这里是补充和辅助的功能，不是全部替代真实的临床药物试验，真实的人体试验还是要做。
● 图源：pexels
镜相工作室：要了解一个患者这么多年的变化，首先得有足够完整的记录。你们现在从哪些疾病入手？这些数据从哪里来，拿到之后就能用吗？
利友诚：我们现在其实是围绕着三大主要队列：呼吸、肿瘤、心血管。我们针对这三类疾病做数据搜集。目前获取了千万名真实患者的就医、身体、生活环境等合规数据。
对我们来说，做患者模型，最难收集和治理的就是数据。各种医疗数据零散地分布在不同数据库里，要对齐、治理、去重，排除互相矛盾的记录，这些都很难。它不是一开始就整理成可以训练AI的样子，可能是零散的表格，我们需要把它们变成能够映射到某个具体患者、甚至某个病灶的完整数据库。
镜相工作室：这些数据整理工作会交给AI吗？
利友诚：AI可以做初筛、初步治理和清洗，后面还需要人工参与。最重要的是事前确定标准，比如关注哪些生物标记物，跟踪哪些变量，怎样定义疾病，纳入什么数据、排除什么数据。背后需要对疾病有很深的理解。
我们需要先理解完整的问题，再把不懂的地方拿去问医学专家。专家提供疾病方面的经验，我们把这些经验放到研究方案里。不是请一个专家来，他就能把整个模型怎么做都告诉你。
镜相工作室：现在你们的模型到了哪个阶段？
利友诚：目前我们和合作药企正在做验证，也有多个验证在并行推进。
造出一个“患者”之后，怎样证明它可信
镜相工作室：一个患者模型在研发的过程中，你们是怎么验证的?
利友诚：从训练之初，我们就在做各种测评。一种是回顾性验证，相当于已经知道患者过去发生的疾病，拿着发生疾病之前的数据，去预测。这些数据我们是已经有了，在某个时间节点截断，让模型预测这个节点之后的数据，再看它和真实记录是否一致。我们每次训练之后都要做相应的测评。
这部分验证，医院有患者用药、治疗的记录，在一定程度上可以检验特定治疗条件下，模型对患者治疗、用药后的变化预测是否准确。验证也需要依靠药企，药企有自己的测试数据，可以用我们的模型，产生新的测试数据，再对比模型是否在哪些地方不准。
还有一种，是我们也在做的前瞻性验证。利用模型预测患者未来的情况。
镜相工作室：前瞻性验证有成功的例子吗？
利友诚：有的，就是最近发生的。在我们的癌症模型上。我们当时用了外部团队的一个患者队列（指研究人群，基于该人群开展的纵向观察与分析构成队列研究）验证。结果模型判断队列中有一个患者可能是患癌的。当时，单独看之前的影像、检查，医生都认为没有问题。但模型的预测得到了后续手术活检验证。
这个结果我们是意外的，我们还在研究，模型是从哪些信息做出这个判断的，可能是一些人没有关注到的、更细的信息。我们保留了推演过程，也在补充其他验证，去看原因和机制。
● 图源：《匹兹堡医护前线 第二季》
镜相工作室：如果这个预测结果被证明是对的，为什么知道模型得出结果的过程是重要的？
利友诚：一般的方法是先把数据做好、精度做高，再考虑解释。精度可以通过回顾性、前瞻性的评测验证，看到结果和效果。在可信、可用的基础上，再去解释机制。
但解释确实很重要。一个模型在很多评测上都有效，如果它还是黑箱，碰到一个全新的情况，我们应该多大程度上采纳它的预测？这就是需要解释的原因。如果预测和解释能符合已有的理论、机制，在一个我们所有人都没有见过、不了解机制的情况下，它给出的结果才更有可参考性。
所以，从实验和评测上做扎实，才有可能说服使用者。建模患者这件事有没有价值，大家现在可能有共识；但患者模型能不能建成、能不能做健康预测，能不能用于药物试验，并不是共识。它是一个需要通过数据验证的科学问题，要一步一步推进。
镜相工作室：在这个过程中，建模型有失败的例子吗？
利友诚：失败是常态。这个月就有一次，当时我提出的架构太理想化，发现模型死活训不出来，花了很大力气排查问题。现在说得轻描淡写，当时折磨了将近一个半月。
那是我们现在的十余种癌症患者模型的前身。这个模型建出来之后，初步实验是成功的，后面我们开始扩大规模做验证的时候，发现不通。如果是预实验不行，改就完了，但后面规模大了，出错的成本、代价就很高。我们排查了很多情况，想是不是模型的某个部分没有学对，或者是不是想让它学到的东西太多了。
当时白天晚上都在想这个结构。我们之前开发模型很直观的想法是，完整的人这么难建模，那就逐个做适应症。但有些适应症的数据天然少，质量也不好，不好训练。
后来发现，换个方式会不会更合适？我们就把它变成一个共病模型——把所有疾病都放在一个模型里，希望不同疾病的信息能够补足部分疾病数据稀疏的问题。
我们发现，现在这样一个更简单的结构好像挺合理，每个环节的训练代价也可控。模型的准确度也更高了。这个模型，我们初步训练的时候准确率比较低，但是经过我们的优化之后，现在到了较高的水平。
镜相工作室：这个准确率要怎么理解？
利友诚：可以理解为，经过我们的初步验证，我们的模型能准确预测出疾病未来演变情况。这种健康预测本来就是人很难做的事情。医生可能只能给出一个风险提示，让你密切关注、保持定期复查，他不能得出一个判断说这个东西一定会变成恶性的或者良性的、需要立马做什么处理。
用这个模型它就可以得到这些东西，判断出来一些东西。所以我们要求这个模型能够建模背后底层的机制跟机理，这是我们的目标。
预测不出来的那部分，可能会是一些很罕见的情况，像是罕见病、罕见的治疗手段等等，或者这个数据本身就带点问题，导致无法预测。
● 图源：pexels
镜相工作室：把十多个癌种放在一个模型里，这些数据不会互相干扰吗？这种“共病模型”可靠吗？
利友诚：疾病之间有相互作用，也有共同的特征，我们所坚持的这个理论，其实在医学界是一个比较常见的共识，大家都很明确这种疾病跟疾病之间是有相互关系的，这个是一个共识。以前我们做的是逐个疾病建模，但不同疾病可能有相关的底层机制、靶点，这些关系值得深挖。
现在我们尝试的共病模型，不是说这个虚拟患者同时患了十多种癌症。可以理解为，模型可以学习疾病之间的共同特征，同时也能保留不同疾病的差异。
药企可以根据需要，模拟单个病种、多个病种，或者某些具体情况的患者。就像一个大语言模型可以做任务A，也可以做任务B，两者可能有关联，也有区别。我们期望以后药企或开发者能根据需要，用模型去“捏”出不同类型的患者，而这种能力底层的模拟、预演能力来自我们的模型。
镜相工作室：所以，关于共病模型，把不同癌种放在一起之后，究竟哪种疾病的信息补足了另一种，你们也不一定知道？
利友诚：是的。让模型利用一种癌症的信息，增进对另一种癌症的预测，它背后的联系是什么，这是值得探索的方向。我们有一些猜想、假说，希望让AI自己去找联系，找到后我们研究机制。最后如果有医学原理支撑，也可能形成新的学习方法。科学道路上没有那么多确定性的东西，经常伴随着不确定性，所以挺考验抗压能力。
谁为“AI虚拟患者”买单？
镜相工作室：你前面说，当初选择影像AI，是因为看到了它在医院落地的可能。后来真正做起来，为什么又把客户转向了药企？
利友诚：研究上的效果和卖出去是两回事。影像AI我们做出了结果，也做了验证，但卖到医院里很难。医院的预算还有其他用途，买模型不一定是第一要务，也不是一个科室主任就能决定的，决策链条很复杂。
模型进入医院还涉及系统接口、硬件等环节，医院不会随便给你开接口。有时要和器械结合，有时免费给医生用，甚至要研究者、公司贴钱去铺。研究有经费投入很正常，但放在销售层面就是另外一件事。
我当时想了小半年，跟很多人聊，试着从不同角度解决。比如当时想过，通过医疗信息化帮医院省钱，省下的钱能不能用于AI开发？后来发现，即使省下钱，也不一定会到AI这里，中间牵扯的环节太多了。
在我来看，这个问题短期内难以充分解决。所以我开始跳出临床诊断的框架，找另一种商业模式。
● 图源：《上载新生》
镜相工作室：回到现在你们的商业模式，在具体合作时，药企买的是这个模型，还是你们提供的研发服务？
利友诚：我们现在设想的不是直接把模型打包卖掉，而是把模型嵌入服务流程中。直接打包卖，可能意味着模型权重以及后续产生效益的权益都一起交出去，这不是我们想要的。
我们的规划是先把数据整理成能够训练模型的基础设施，再通过模型帮助做研发判断，最终在合作的药物管线、授权这些环节实现价值。
中间也可以“沿途下蛋”，数据层、模型层都有一些商业化的可能。近期有合作带来收入，但我们预计还要一年左右才能达到盈亏平衡。
镜相工作室：方向听起来已经想清楚了，但研究能做出结果，不代表公司就能活下去。刚创业的时候，你们怎么解决钱的问题？投资人认可这个方向吗？
利友诚：钱当然很重要。当时我们是两三个人一拍即合，觉得大家在各自领域都挺强。
那时公司初创有十来个人，要发工资、交社保，运转需要钱。早期的一些成本都是我们自己垫着的，压力很大。总要先做一个demo出来，打磨商业故事，再一个个见投资人、一个个聊。
见到投资人，他们会问，市场有多大，商业模式怎么变现，团队有什么优势，数据、模型和管线进展怎么样，过去完成了什么，接下来打算做什么。
大部分投资人听完是迟疑的。故事比较新，方法比较新，我们也比较嫩。有的人觉得国内没有竞品，国外没有明确对标。还有人问，那个时候大家都在做AI药物设计，为什么我们不做？有的听完，觉得不可靠、没意思，就走了。
我们当时经验不足，别人说什么都很当回事，不知道有选择地吸收。后来才发现，把自己的逻辑想清楚，比迎合某个投资人更重要。
镜相工作室：现在公司融资到了第几轮？
利友诚：第二轮正在交割，第三轮也在推进。我们现在每周会做三四场路演，也会主动找投资人。跟最开始相比，我们把商业模式想得更清楚了，这段时间也在推进药企合作、模型和实验验证，拿到了一些结果，投资人对我们的兴趣也更多了。
离人“最近”的AI
镜相工作室：最近AI安全是很多人讨论、关心的话题。很多人就会想，当一个AI知道了人类的疾病历史、知道了人类身体的很多数据，听上去挺危险的？
利友诚：理论上来说，AI虚拟患者模型确实是离人最近的AI。
但我觉得AI主观作恶的概率远远小于AI公司主动作恶。这取决于我们是怎么看待这个世界的：它是一个黑客帝国，还是个哆啦A梦，还是一个终结者，都说不准的。
我们怀着哆啦A梦的心态，建设这么一个技术，它可能未来就变成一个哆啦A梦世界。我觉得我们作为在技术前沿的人，是存在主观能动性的，我们可以按照我们的意愿去建设这么一个技术的未来。至少我们能确定的是，把这个技术做到极致。
镜相工作室：技术做到极致会带来什么好的结果？
利友诚：比方说，我们每一个人都能精准地掌握未来的健康变化情况，能够在很早期的阶段对健康进行干预和治疗，甚至于说在不可避免的情况下，安排好我们生命最后一个阶段所有的事情——这是对于个体来说的。
但对于国家这个层面来说，国家对整个社会公共卫生的一个动向，能够持续不断的去掌握，然后能够及早的去做出对应的预警。或许往后这种重大的公共卫生事件，比方说疫情或者别的一个流行病，它可能不会来去无踪、不可去预防、不可能去预演，而是可能会变成像山火、像天气一样，可以被监测到、或者提前预报。
对于药企来说，未来做个药可能不再需要投入这么多的时间和成本，就一样能够做出更好、更高效、更精准的药物等等。
● 图源：《超验骇客》
镜相工作室：这些设想很吸引人，但从预测疾病到预警公共卫生事件，跨越也很大。回到现在，模型还有哪些事情做不到？
利友诚：还有很多问题需要解决。比如模拟一个从健康到患病的过程，就很难。疾病我们研究了很久，但确诊之前，身体是怎样变化的？
人到了医院、确诊有病，数据才被留下。在这个过程之前，我们的一个状态变化是谁在记录呢？没人在记录。这部分数据太少、太稀缺，怎样收集、怎样使用，都还需要研究。
商业化上，我们不能一直讲故事，还是要落地。我们认为落地机会很大。药企对使用这项技术已经形成更普遍的共识，而不是每一家我们都要从头谈起。这个判断也考虑了收集数据和验证所需要的时间。
现在我们最想做的，还是在新药研发场景里，怎样精准刻画现实中人的变化，让模型预测和真人在试验里的变化一致、相似。这是很重要的事情。
● 利友诚。图源：受访者
镜相工作室：现在来看，你觉得这个技术的商业化路径你已经走通了？还是你仍然有担忧？
利友诚：我觉得我离这个真相慢慢靠近了——我们已经接近这个领域真正有价值的一个问题，落地最有商业化的一个场景，这是我很明确的一条路。
我也跟这个行业里头部的人沟通过，在看了很多方向之后，这是我认为最接近的了。我目前已经没有太多关于前途上的困惑，主要是在执行层面，我知道需要落地了就开始做这个点，需要在执行层拿到反馈之后，再学习判断未来的方向是否准确，我觉得现在是处于边看边做的一个状态。
这是一个我不知道、别人大概率也不知道的一个状态，没有第二手经验，只能我们自个干，用第一手经验去回答这个问题，不知道的范围就会越来越小。
参考资料
健闻咨询：《“AI医生”卖不出去，“AI患者”却已经被标到了260多万》
本文来自微信公众号“镜相工作室”，作者：欧阳思帆，编辑：胡苗，36氪经授权发布。