全晓得医疗用“生命算子”重写医疗AI底层逻辑

8月19日，Moderna 的个体化 mRNA 癌症疫苗在 III 期临床试验成功，“一人一药”从此走向现实。但新问题随之而来：疫苗制备前，如何预先推演不同新抗原组合进入人体后会引发怎样的免疫连锁反应？这已超出传统 AI 的能力。

过去十年，医疗 AI 在影像诊断、病历撰写、风险预测上越来越熟练，但本质仍是观察者，擅长从历史数据归纳“是什么”，无法推演“换一种方案会怎样”。创新药平均耗时十年、烧掉数十亿美元、失败率高达 90%，大量失败发生在临床试验前的决策盲区。药企缺的，是一套能计算生命反应的推演系统。

王烁和全晓得医疗科技要做的正是这件事。围绕“生命能否被计算”，他追问了十五年，研究横跨力学、数学、AI 与医学。2025 年，他把答案做成公司，提出“生命算子”体系，从分子到人体，用物理和数学的底层规律为生命现象建立统一的计算语法。

如果说 CUDA 让 AI 开发者不必从芯片底层编程，“生命算子”想让药企和医生像调用计算库一样调用生命规律，组合出面向具体患者和干预方案的“人体沙盒”。这条路正从心脏领域的虚拟临床试验开始跑通，帮药械企业进入昂贵的真实试验前缩小变量空间、识别风险边界。

跨尺度建模的工程化尝试

医疗 AI 领域流行“世界模型”，不少团队用统一多模态编码构建“医疗世界模型”。但全晓得认为，这条路缺少明确的状态定义、跨尺度连接、机理约束和持续校准，模型看到的仍是数据表面，而非生命系统本身。

全晓得提出“生命算子（Life Operators）”体系：如果生命可以被计算，基本单元是什么？在全晓得框架里，生命是开放、随机、受控、部分可观测的多尺度动力系统。CT 影像、心电波形、病理切片、检验指标只是系统在不同层面的“观测投影”，而非生命状态本身。推演这样的系统，要同时回答三个问题：状态是什么、状态如何演化、演化后会观察到什么。

生命算子因此分三类：感知算子从多模态观测反推不可直接观测的生命状态并估计不确定性；演化算子描述状态随时间的变化和不同干预下的可能轨迹；生成算子把内部状态映射回影像、波形、表型等观测输出。三者形成闭环：从观测重建状态，用状态推演未来，再把结果投影回观测层与真实数据比对修正。

与传统医疗 AI“一个模型做一个任务”不同，生命算子的核心是可组合性：状态重建、电生理模拟、血流动力学、药物响应、观测生成都是模块，面对不同问题，从算子库中调取最小但足够的一组，组成任务特异的计算图。

更关键的是跨尺度串联。推演心脏支架植入，器官尺度的力学建模可能够用；研究药物治疗时，问题就深入微观——药物如何影响 RNA 转录、蛋白表达、离子通道，进而影响心肌收缩，再体现为组织、器官层面的临床结局。生命算子打通这条链路，让不同尺度间传递约束、参数和不确定性。

技术实现上，框架把偏微分方程、常微分方程、神经网络和神经算子放进同一张计算图：方程提供机制解释和物理边界，数据驱动模型学习复杂高维关系，贝叶斯更新在新证据到来时重新校准后验，物理模型与深度学习各司其职。

将生命形式化为算子语言，也天然适合 AI4AI 式自进化：AI 可提出新的状态变量、算子结构和跨尺度连接假设，但保留、限制还是淘汰，由独立数据、真实项目和前瞻性验证决定，每次进化都保留证据记录，让模型可追溯、可证伪。

对创业公司来说，这还有一个务实好处：可积累。一个验证过的算子可在多个疾病、器官、产品形态中复用，验证越多，算子库资产越丰富。全晓得从具体场景切入，底子里是平台化公司。英伟达用 CUDA 封装 GPU 算力，全晓得则想用“生命算子”把分散在分子、细胞、组织与器官尺度的生命规律，封装成可组合、可验证、可持续积累的计算模块。

十五年的追问：生命可以被计算吗？

“生命算子”源自创始人王烁十五年前的问题：一个由无数变量驱动的复杂系统，能否被足够精确地描述和预测？他的学术轨迹几乎为此设计：复旦大学理论与应用力学本科，剑桥大学放射学博士，后在剑桥应用数学与理论物理系、帝国理工数据科学研究所做博士后，横跨力学、数学、医学和 AI。

十五年间，王烁研究涵盖心脏数字孪生、肿瘤精准诊疗和跨尺度建模，成果发表于 Nature Medicine、Nature Biomedical Engineering、Nature Machine Intelligence 等期刊，覆盖大规模临床数据、核心模型研发到多中心验证，归结起来就是不停测试“生命能否被计算”。

2025 年，他成立全晓得，把这些积累重组为可组合、可验证、可进化的统一体系。技术要落地，必须扎根真实临床数据。全晓得已与多家复旦附属医院等头部三甲医院合作，包括两院院士、科室主任和一线临床 PI，并已处理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。

团队配置也说明这是一项跨学科、需要长期投入的基础设施工程：算法来自复旦、剑桥、帝国理工等高校，同时有生命科学和分子细胞方向的研发人员，以及软件工程与产业交付团队。全晓得从一开始就选了更重、更难，但更可能形成长期壁垒的路。

帮药企省下试错成本

技术之外，全晓得要回答：谁愿意为生命推演付费？目前切入点是药企的虚拟临床试验和新药研发支持。适应症选择、入排标准、剂量和联用策略，如果能在真实试验前通过推演优化，药企就能显著压缩时间和资金成本。

心脏是第一个样板：它连接电生理、力学、流体、组织结构和临床终点，既有产业需求，又适合验证跨尺度推演。药物对心肌细胞的作用、支架植入后的血流动力学改变，都要求模型既能理解微观变化，也能解释宏观功能。心脏领域跑通，方法论可迁移性就有依据。

全晓得已推进到工程交付：依托自研神经算子和全尺度建模技术，完成创新医疗器械的虚拟临床验证，交付含候选方案排序、参数敏感性分析、风险边界识别和可追溯仿真过程的报告，帮客户在进入下一阶段试验前缩小探索空间、识别关键不确定性。这个项目跑通了“数据-模型-验证-交付”链路，让生命算子从论文变成可交付的工程产品。

商业化路径上，第一步是为药械企业提供高附加值虚拟临床试验服务，打磨算子、积累口碑；第二步是把验证过的通用能力沉淀为标准化算子资产，在不同疾病、器官和产品形态中重复调用。

全晓得对医疗 ASI 的定义是：在真实治疗发生前建立可计算、可验证的“人体沙盒”。医生和药企可以在可信的计算环境中，预先推演不同干预方案的生命轨迹变化，而不是拿真实患者试错。生命计算的吸引力在于，它不靠更大的模型或更漂亮的对答能力来定义医疗 AI 的下一阶段，而是回到根本问题：能否真正理解生命系统运行规律，并在变化发生前看见方向。全晓得的解法，是把生命数学形式化，然后用 AI 解决这个数学问题。