临床试验可以像天气预报一样提前推演。
作者丨李玉鹏
编辑丨张丽娟
医院心内科，一位刚做完冠脉造影的患者在等结果。
影像显示血管有狭窄，下一步要不要放支架、放哪种支架、放了之后效果如何，这很大程度上取决于医生的经验和判断。
医疗 AI 对这类问题帮不上太多忙，它能识别狭窄位置，也能测算狭窄比例，但它不知道如果换一种介入方式三个月后血管会怎样，若患者同时有糖尿病结果会有多大差别，以及选择保守治疗三年后的风险又是什么。但这些，才是临床决策真正有用的信息。
过去几年，医疗 AI 在 " 识别 " 这件事上已经相当成熟了，影像识别、病灶检测、病历分析等本质上都是在已有的数据分布里找规律，可一旦问题变成 " 接下来会怎样、干预之后发生什么变化 "，现有模型大都答不上来。
这也是王烁过去十五年来一直追问的问题：生命能不能被计算？他在复旦读力学，在剑桥读医学影像，在应用数学系和数据科学研究所做博士后，最后回到复旦上海医学院。这些看似跳跃、零散的研究经历其实都在解答这个问题。
去年，王烁把过往的积累变成了一家公司，取名 " 全晓得 "。他不是开发下一代医疗 AI，而是构建一种能在真实治疗发生前推演疾病进程、比较不同干预路径的 " 人体沙盒 "。
以王烁和全晓得作为样本，可以观察一个跨学科背景的研究者如何把对生命系统的理解转化为一套技术框架，又如何在医疗这个门槛极高的行业里找到落地场景。这个过程本身或许还能回答另一个更底层的问题，医疗 AI 的下一个形态可能是什么？
15年，四个方向，追问同一个问题
2010 年，王烁凭借数学、物理、信息三项竞赛的奖项被保送至复旦大学理论与应用力学专业，那个年代还没有生成式 AI、AI4S 这些概念，他每天打交道的是方程、边界条件和数值计算。说白了，就是研究怎样将一个复杂系统写成可计算的语言。
通常这个专业的大多数人毕业后会去做流体、结构或材料方向。但他那时有个模糊的念头：力学的思维方式，连续介质、动力学系统、偏微分方程这些工具，说不定可以用在人体上。
人体本质上是一个复杂的力学系统，但现代医学实践中力学工具远没有被充分使用。心内科医生关注的是功能指标，影像科医生看的是解剖结构，两者之间隔着一层没有打通的模型。
带着这个念头，他去了剑桥大学放射学系读医学影像博士。从力学到医学，跨度不小，但他的课题恰好把两块接在了一起：从心脏影像中提取结构和功能信息，用的方法很大程度上依赖力学建模，心肌形变、室壁运动、血流参数都是靠模型算出来的。
博士毕业之后，他先去了剑桥大学的应用数学与理论物理系做博士后，又转到帝国理工学院数据科学研究所。王烁的学术研究表面上看是换了好几个方向，其实里面有一条贯穿始终的线索：寻找能够描述生命系统的最佳数学语言。
这种 " 力学 + 数学 +AI+ 医学 " 的跨学科组合不太常见。研究力学的人很少关注临床问题，做医学影像的大多出身生物医学工程，做数据科学的又往往缺乏对物理系统和生命过程的理解。王烁恰好把这看似毫不相关的几块串了起来。
十五年间，他的研究对象从心脏扩展到肿瘤、消化道，研究手段从物理建模延伸到数据驱动方法，但核心问题一直没变：生命系统能不能被当作一个可计算的动力系统来处理。
这个问题难就难在生命并非孤立系统，它是跨尺度的。药物在分子层面起作用，效应在细胞层面放大，在组织层面传播，最后在器官层面变成可观测的临床症状和结果。单一尺度的模型都没法完整刻画这个过程。
2021 年，王烁回到复旦大学建立课题组之后开始系统性探索一条新路线：把物理机制的约束和数据驱动的灵活性放到同一个框架里，用神经网络来处理高维映射，同时用偏微分方程来提供物理约束，再用贝叶斯更新来吸收新证据、校准不确定性。
随后，他把这套方法在几个专病方向上做了初步验证。以心脏为例，他和团队建立了从数据输入到求解再到推演的闭环。这些前期积累为后来的创业提供了技术基础，也让他更清楚地看到了实验室研究和产业落地之间的距离。
2025 年，王烁创立全晓得。对他来说，这不是一次突然转向。
做了十多年研究，他越来越意识到一件事，真正能让生命推演从概念变成可执行技术的不是某个算法或某篇论文，得是一套完整的体系。
数据从哪来、模型怎么建、结果怎么验证、产品又如何交付，所有这些环节在实验室里只能做片段，想要做成真正可用的产品就必须全部串起来。
公司，比实验室更适合做这件事。
" 把生命系统装进算子库 "
全晓得的技术路线是一套名为 "生命算子（Life Operators）" 的体系。
这个概念的出发点倒不复杂。王烁把生命理解成一个多尺度的动力系统，比如 CT、MRI、超声、心电图、化验结果等都是这个系统在某些层面上的观测投影，而真实的状态，比如心肌细胞的动作电位、组织间的应力分布、药物在靶点的结合浓度等等，很多东西没法直接测量。
既然不可直接测量，就需要从观测中反推。三类生命算子就是围绕这个逻辑设计的。
感知算子从多模态观测数据中反推出系统当前的状态和关键参数；演化算子描述状态随时间的变化以及在不同干预条件下走向不同轨迹的规律；生成算子把内部状态映射到可验证的医学影像和临床指标。
三种算子形成一个闭环，从观测重建状态，用状态推演未来，将推演结果投影回观测，与真实数据进行比对和修正。
需要注意的是，这套框架与传统 AI 模型有明显区别。
首先是可组合性。过去大多数医疗 AI 是 " 孤岛式 " 的，知识彼此隔离，很难复用。生命算子从设计之初就是模块化的，状态重建、电生理模拟、生物力学传播、药物响应等被拆成独立的算子模块，针对不同问题从算子库里调取相应的模块组合使用，无需每次都重新搭建模型。
其次是跨尺度能力。以药物研发为例，一个分子和靶点结合之后，经过一系列传导，最终在器官层面表现为功能变化。这条因果链上的每一个环节都在不同的尺度上。生命算子为此设计了 " 尺度桥 "，让细胞、组织、器官等不同的尺度真正接起来，把微观机制和宏观结局组装进同一个计算图。
为了能够持续进化，这套体系还引入了一层 AI4AI 的自进化机制，让 AI 参与构建、评估和修订模型本身。通过真实世界的项目交付和临床反馈来检验这些方案的效果，决定哪些算子采用、哪些修正、哪些淘汰。换句话说，这不是一个训练完就固定下来的模型，而是一个能持续吸收新证据、不断自我校准的活系统，
但这条技术路线能否走通，还取决于两个客观条件。
一个是团队的知识结构。要做跨尺度生命推演，光懂 AI 不够，还得理解生命系统本身的运作逻辑，需要数学工具来描述过程，医学知识来定义问题。
全晓得的核心团队也延续了王烁的跨学科基因，成员来自复旦大学、剑桥大学、帝国理工学院等高校，背景覆盖数理建模、算法研究、生物医学、软件工程，以及医工转化和产业交付。同时，他们也与多家复旦附属医院等头部三甲医院建立长期合作，合作伙伴包括两院院士、科室主任和一线临床 PI。
这种组织架构让他们在讨论生命系统建模时不再停留在概念层面，形成从底层理论、核心算法，到临床验证和工程交付的完整闭环。
另一个是数据资源。全晓得已经积累了百万级心脏多模态数据、消化道内镜数据及万级肿瘤随访和影像数据，构成了支撑专病研究和跨尺度推演的基础底座，支撑生命算子在不同尺度、不同任务中的训练、校准和验证，形成真实世界中的证据飞轮。
有了团队知识和数据这两个基础，" 生命算子 " 才从概念走到了可执行的状态。但技术是否真正有效，最终还是要产业端说了算。
" 先替药械企业省下一笔试错成本 "
作为一家技术驱动的公司，全晓得终究要回答一个商业问题：谁愿意为生命推演买单？
他们的切入点是药物和医疗器械的研发环节。药械公司有明确的降本增效需求。以新药研发为例，临床试验失败意味着数千万甚至上亿的损失。若能在真实试验开始前通过 " 虚拟临床 " 推演缩小需要探索的参数空间、提前识别风险边界，意味着更少的试错，有效提高研发成功率。
所谓 " 虚拟临床 "，就是在药物真正进入人体之前，先在模型里跑一遍。这是全晓得目前首先瞄准的方向之一。
这个方向之下，心脏领域是全晓得现阶段的第一个落脚点，项目代号 "Cardio-World"，把过去积累的心脏模型，重新放回生命算子的统一框架里，变成可以组合、替换和复用的模块。
选择心脏主要有两个原因：一是临床需求足够大，二是心脏同时涉及电生理、力学、流体和组织结构，是一个天然的跨尺度系统，很适合用来验证生命算子体系的能力。现在，他们已经完成底层框架搭建和核心算子的原型开发，最终想做的是一套真正可以回答干预问题的 " 心脏计算系统 "。
商业化节奏上，全晓得的思路是先用药械公司的研发项目作为营收入口，积累案例和可复用的模型，逐步走向平台化服务。这个逻辑并不复杂：一个验证过的算子不会只服务一次任务，它可以在多种疾病、多个器官、多类产品形态中复用。案例积累越多，算子库越丰富，系统底层能力越强。全晓得虽然从具体场景切入，但底子里属于一家生命计算平台公司。
从这个意义上说，全晓得的路径类似于英伟达在芯片领域做的事。英伟达用 CUDA 把复杂的 GPU 算力封装成开发者可调用的统一接口，全晓得则用 " 生命算子 " 把分散在分子、细胞、组织与器官尺度上的生命规律，封装成可组合、可验证、可持续积累的计算模块。
回过头看，王烁追问了十五年的那个问题：生命到底能不能被计算？目前还无法直接给出确定答案。但至少，全晓得的实践指向了一种可行性，医疗 AI 的进化路径正从 " 看见、识别 " 走向 " 理解和推演 "。
医疗 AI 谈了很多年的 " 智能 "，但真正稀缺的是把 " 不知道 " 变成 " 可计算、可推演 " 的那一小步。而王烁把 " 全晓得 " 三个字摆在公司名字里似乎也是一种态度：承认未知，然后动手去算。
这种对 " 未知 " 的清醒才是推动行业往前走的原始动力。
登录后才可以发布评论哦
打开小程序可以发布评论哦