重构健康AI，中科新知以1200 万小时生理时序数据构建数字孪生底座

撰稿｜王鑫雪

只有跨越足够长的时间，模型才有机会认识一个人，而不是认识某一次测量。大模型读懂文本，具身智能走进物理世界；下一步，AI要进入长期、连续、难以从互联网获取的生理信号。中科新知正在把十二年的无感监测积累，变成单病种模型、个人数字孪生和精准抗衰的共同基础设施。

过去两年，人工智能最令人惊讶的能力，是越来越像一个“懂人”的助手。它能读懂一份病历，回答健康问题，也能根据公开知识给出一套像模像样的生活建议。

但它真的理解一个具体的人吗？

它知道你说了什么，却未必知道你昨夜的心率和呼吸发生了怎样的变化；它能总结更年期知识，却看不见一次潮热之前自主神经的细微波动；它能生成一份抗衰计划，却不知道这套计划实行三个月后，你的身体究竟如何回应。

这正是当前健康AI的一道分水岭：模型掌握了大量关于人的知识，却仍缺少来自人体本身的数据。

01

AI的下一站，

是理解“生物学的人”

回看人工智能的演进，每一次能力跃迁，背后都是数据边界的一次外扩。

传统深度学习从人的数字痕迹中识别规律；大语言模型进入文本和符号构成的心智世界；具身智能借助摄像头、雷达和机器人理解物理环境。再往前一步，AI要理解的不是“人说了什么”，也不只是“人身处什么环境”，而是这个人的身体此刻处于什么状态，又正在向哪里变化。

这类数据与互联网数据有根本区别。网页、图片和视频可以被抓取、复制和反复训练，连续生命体征却只能在真实生活中逐小时生成。一次体检是一张照片，长期生理信号更像一部电影。深夜的呼吸暂停、压力来临时的心率变异、疾病加重前缓慢积累的异常，都藏在时间里。

如果说公开互联网是AI已经照亮的大陆，那么这些尚未被持续测量的生命状态，可以被理解为“生命暗物质”。它们不是不存在，而是很难被看见，更难被结构化。

中科新知选择用非接触、低打扰的方式连续感知这些数据。白天，戒指记录日常活动与生理变化；夜间，放置在枕下的非接触式设备采集心率、呼吸、心冲击等信号。设备的存在感越低，用户越可能长期使用。只有跨越足够长的时间，模型才有机会认识一个人，而不是认识某一次测量。

依靠这套低负担的采集方案，经过十二年在普通用户与医疗机构场景的持续落地，大量碎片化的生理时序信号被不断沉淀，最终汇聚成一套规模可观的生命体征数据集。

02

1200万小时，

不只是一个规模数字

几组核心数字，可以直观呈现这份积累的厚度。

据中科新知披露，其目前累计沉淀了1200万小时连续生命体征数据，其中360万小时来自医疗场景，约占三成；而围绕健康状态、核心诉求、生活方式和消费偏好等维度，也已形成1240个客户标签。

这三个数字分别指向健康AI最难补齐的三块拼图：时间长度、医学场景和个体语境。

连续数据让模型看到变化。医疗场景数据让部分信号有机会与疾病进程、检查结果及临床判断相互参照。客户标签则补上“为什么变化”——同样一次心率上升，可能来自运动、焦虑、睡眠不足，也可能与疾病风险有关。没有场景，信号只是一条曲线；没有连续性，标签也容易沦为一次性的用户画像。

更重要的是，连续数据改变了健康判断的参照系。传统健康管理习惯把每个人放进同一套人群区间，而长期监测则可以先建立个人基线，再观察一个人相对于自己的偏离。按照中科新知目前的产品逻辑，用户使用前7天，系统结合人群参考数据形成初始基线；此后，个人历史数据的权重逐渐提高，基线也随状态变化持续校准。

对单病种研究而言，这种时间维度尤其重要。许多慢性疾病并不是在一次异常中突然发生，而是在发作前留下缓慢累积的信号。

围绕慢阻肺急性加重、心衰加重、睡眠呼吸暂停等方向，中科新知已与医疗机构开展研究，并已基于既有数据构建36个医疗级疾病风险评估模型和82个健康评估及趋势预测模型。

对这些模型能力的更准确理解不是“替代医生”，而是把医生的观察窗口从一次就诊向前后数周乃至更长时间延伸。具体预警性能和适用边界，仍需由对应研究设计和临床验证来回答。

在中科新知看来，这也是AI for Science在健康领域真正有价值的地方。人的眼睛很难从长达数月的高频波形中辨认微弱关联，算法却可以反复比较、寻找模式，提出此前不容易被察觉的线索。它拓展的是人的观察边界，而不是取消医学判断。反过来，Science for AI同样重要：医学测量、有效标注和基础理论，为模型提供可靠的数据、问题定义与验证标准。两者相互咬合，健康AI才不会在未经证实的相关性上越跑越远。

03

从单病种模型，

到一个持续更新的数字孪生

当数据不再围绕某一次检查或某一种疾病组织，另一种可能性就出现了：为一个人建立持续更新的数字孪生。

这里的“数字孪生”不是一个虚拟形象，也不是会聊天的数字人。它更接近一套个人生命模型：持续监测并接收心率、呼吸等核心生命体征，同步记录睡眠、活动等日常健康数据，并结合体检报告、检验结果、既往健康记录、生活习惯、个人健康诉求及干预后反馈，逐渐生成专属于个人的生理基线和变化轨迹。

单病种模型回答的是“某一种风险是否正在升高”。个人数字孪生则还需回答三个更难的问题：这个变化对你意味着什么，可能由什么触发，哪一种干预对你真正有效。

这让健康管理从“给建议”走向“做验证”。睡眠、营养、运动、情绪或产品干预不再是发出后就结束的方案，而是一次可以被追踪的行动：干预前是什么状态，干预后哪些指标发生变化，变化能否持续，方案是否需要调整。每一轮反馈又回到模型中，成为下一次判断的依据。因此，真正的精准，不是一次把人算准，而是在长期相处中不断减少误差。

并且，这套 “建立基线‑识别偏离‑给出干预‑追踪身体反馈‑动态调优方案” 的完整逻辑，不仅仅适用于慢病风险预警，还可为精准抗衰难题提供一套新的发展思路。

04

精准抗衰，

首先要回答“对谁有效”

高认知、高投入的精英女性并不缺产品，也不缺健康建议。她们真正缺少的，是一套能够解释个体差异、记录真实反应，并随着生命阶段变化而调整的系统。睡眠、压力、运动恢复、代谢状态和围绝经期变化往往交织在一起；只凭年龄、肤质或一份问卷，很难说明一个人为什么疲惫、为什么恢复变慢，也很难判断一次抗衰干预究竟有没有真正发挥作用。

连续生命体征提供了观察这种变化的新窗口，但边界必须界定清楚：心率变异等信号可以反映自主神经和压力反应的变化，不能被简单等同为激素水平或某种疾病诊断。它需要和多维度信息结合，汇入个人数字孪生模型中，才能发挥参考价值。只有把连续信号与症状、周期阶段、检验数据和干预反馈放在一起，精准抗衰才有可能从营销语言变成可测量、可复盘的长期服务。

由此，一条新的长寿科技路径开始成形：先建立个人生命基线，再识别偏离；根据个人目标匹配护肤、口服营养和生活方式方案；持续观察身体反馈，调整下一阶段计划。对用户而言，这是一套越来越了解自己的健康服务；对品牌和服务机构而言，则是一套能把产品、服务与真实反应连接起来的验证系统。

05

基础设施的价值，

是让增长飞轮真正咬合

健康消费过去的增长逻辑，往往依赖新品、流量和一次性转化。但这会带来一个新问题——当用户无法知道产品是否适合自己，品牌也无法解释长期效果，复购便更多建立在感受和营销之上。

基于连续数据采集所提供的个性化服务则正在带来改变。它把原本分散的环节连成一个闭环：测量身体，理解需求，提出干预，追踪反应，校准方案，再进入下一轮服务。对医疗机构而言，它可以延长院外观察；对健康管理机构而言，它可以提高服务的连续性；对抗衰品牌而言，它可以帮助识别适配人群、沉淀反馈，并形成更长期的客户关系。

从这个角度看，中科新知想成为的并不是所有健康产品的替代者，而是底层基础设施。如果把高端健康消费看作一只增长飞轮，连续生命数据不是飞轮本身，却是让测量、干预、验证和复购彼此咬合的润滑系统。没有这套系统，所谓个性化很容易停留在推荐；有了它，产品和服务才可能在一次次真实反馈中变得更准。

当然，1200万小时并不会自动变成壁垒。数据质量、有效标注、模型泛化、临床验证、隐私保护，以及用户是否愿意长期使用，都会决定这些数据最终能产生多大价值。但它至少提出了一个属于当下的问题：当大模型已经能像人一样说话，下一轮竞争会不会属于那些能让机器真正理解人的公司？

互联网数据可以被复制，生命数据只能在时间里生成。中科新知要做的，是把这些一夜一夜长出来的数据，变成下一代健康AI的基础设施。

秒追医疗健康产业创新

声明：动脉网所刊载内容之知识产权为动脉网及相关权利人专属所有或持有。未经许可，禁止进行转载、摘编、复制及建立镜像等任何使用。文中如果涉及企业信息和数据，均由受访者向分析师提供并确认。

点喜欢