一个人，十五年，他想重写医疗AI的底层逻辑

8月19日，Moderna的个体化mRNA癌症疫苗在III期试验中取得成功，"一人一药"由此从概念走向现实，但也抛出一个更棘手的问题：疫苗制备之前，如何预先推演不同新抗原组合进入人体后会触发怎样的免疫连锁反应，而这已经不是传统AI能回答的问题。

过去十年，医疗AI在影像诊断、病历撰写、风险预测上已经足够熟练，但本质上仍是一个观察者，擅长从历史数据中归纳"是什么"，却无法推演"如果换一种方案会怎样"。创新药平均耗时十年、烧掉数十亿美元、失败率高达90%，其中大量失败发生在进入临床试验之前的决策盲区，药企缺的，其实是一套能计算生命反应的推演系统。

王烁和他创立的全晓得医疗科技要做的正是这件事：围绕"生命能否被计算"，王烁已经追问了十五年，研究经历横跨力学、数学、AI与医学，2025年他把答案做成了公司，提出"生命算子"体系，从分子、细胞、组织到器官再到人体，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。

（图｜生命统一计算载体：生命算子）

如果说CUDA让AI开发者不必从芯片底层重新编程，"生命算子"要做的，就是让药企和医生不必为每个疾病从零搭建模型，而能像调用计算库一样调用生命规律，组合出面向具体患者与干预方案的"人体沙盒"。

这是一条从识别与问答迈向生命推演的新路，正从心脏领域的虚拟临床试验开始跑通，帮药械企业在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

在医疗AI领域，"世界模型"也是高频词，不少团队试图用统一的多模态编码、表征和预测层构建"医疗世界模型"。

但在全晓得看来，这条路有一个根本性问题：缺少明确的状态定义、跨尺度的连接桥梁、机理约束和持续校准机制，模型看到的仍然只是数据表面，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，计算的基本单元是什么？

在全晓得的框架里，生命是一个开放、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、检验指标都只是这个系统在不同层面的"观测投影"，而非生命状态本身。要真正推演这样的系统，需要一套机制同时回答三个问题：状态是什么、状态如何演化、演化后会观察到什么。

（图｜生命算子体系：感知算子、演化算子、生成算子）

生命算子因此拆成三类基础能力：感知算子负责从多模态观测中反推出不可直接观测的生命状态并估计不确定性，演化算子负责描述状态随时间的变化以及不同干预条件下可能走向的轨迹，生成算子则把内部状态重新映射为影像、波形、表型等可观测输出。

三类算子形成闭环：从观测重建状态，用状态推演未来，再将推演结果投影回观测层面与真实数据比对修正，每一步推演都被现实校准。

与传统医疗AI一个模型做一个任务的模式相比，生命算子的差异落在可组合性上：状态重建、电生理模拟、血流动力学、药物响应、观测生成被抽象为模块，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，生命算子天然适合跨尺度串联：一个心脏支架植入的推演，器官尺度的力学建模可能够用；但研究药物治疗时，问题立刻深入到微观层面：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，再在组织、器官层面体现为临床结局。生命算子打通这条链路，让不同尺度之间传递约束、参数和不确定性，把断裂的生命层级连接成一个可共同计算的系统。

技术实现上，生命算子框架将偏微分方程、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，让物理模型与深度学习各司其职，不必在两者之间选边站。

（图｜算子的自进化）

将生命通过算子语言形式化的另一大优势，是天然适合AI4AI式的自进化。AI可以提出新的状态变量、算子结构和跨尺度连接假设，但哪些被保留、哪些被限制、哪些被淘汰，由独立数据、真实项目和前瞻性验证来决定，每次进化都保留证据记录，使模型在能力增长的同时保持可追溯和可证伪。

对于创业公司，这套路线还有一个务实的好处，就是可积累。一个验证过的算子不会只服务一次任务，可以在多个疾病、多个器官、多个产品形态中复用，验证越多，算子库资产越丰富，系统底层能力越强，全晓得虽然从具体场景切入，但底子里是一家平台化公司。

英伟达用CUDA把复杂的GPU算力封装成开发者可以调用的统一接口，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。

十五年的追问：生命可以被计算吗？

"生命算子"的构想，源自创始人王烁十五年前开始追问的那个问题：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？

他的学术轨迹几乎是为这个问题设计的：复旦大学理论与应用力学本科，剑桥大学放射学博士，之后在剑桥应用数学与理论物理系、帝国理工学院数据科学研究所做博士后，横跨力学、数学、医学和AI，这种复合路径在国内医疗AI创业者中颇为罕见。

（图｜全晓得医疗科技创始人王烁博士）

十五年间，王烁的研究涵盖心脏数字孪生、肿瘤精准诊疗和跨尺度建模，成果发表在Nature Medicine、Nature Biomedical Engineering、Nature Machine Intelligence等期刊，从大规模临床数据、核心模型研发到多中心验证的完整链路均有涉及，归结起来就是在不断测试"生命能否被计算"：在不同尺度找到可用数学表达的生命规律，并连接它们。

2025年，王烁把这些积累汇聚起来并成立全晓得，把建模能力从论文和项目层面重组为可组合、可验证、可进化的统一体系。

技术要真正有用，就必须扎根真实临床数据，全晓得为此已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，这些合作带来的不仅是数据资源，更是临床判断力。

在项目合作中，全晓得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，覆盖影像、生理信号到长期随访的多种模态，支撑生命算子在多个尺度和任务中的训练验证。

团队配置同样透露出这家公司的定位：一项需要跨越学科壁垒、长期投入的基础设施级工程。算法和数理建模力量来自复旦、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，以及软件工程和产业交付团队，构成完整的研发交付链条。

这样的团队结构说明，全晓得从一开始就决定走一条更重、更难，但也更可能形成长期壁垒的路。

帮药企省下试错成本

技术之外，全晓得还要回答一个商业问题：谁愿意为生命推演付费。

目前，全晓得的切入点是药企的虚拟临床试验和新药研发支持。创新药研发的痛点是失败率高、周期长、成本重，大量失败发生在早期决策环节。适应症选择、入排标准、剂量和联用策略，如果能在进入真实试验前通过生命推演优化管线，药企就能显著压缩时间和资金成本。

心脏是全晓得选的第一个样板，它同时连接电生理、力学、流体、组织结构和临床终点，既有清晰的产业需求，又天然适合验证跨尺度推演。无论是药物对心肌细胞的作用，还是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，生命算子能在心脏领域跑通，方法论的可迁移性就有了依据。

全晓得已把这件事推进到工程交付层面，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，交付了包含候选方案排序、参数敏感性分析、风险边界识别和可追溯仿真过程的报告，帮助客户在进入昂贵的下一阶段试验前大幅缩小需要探索的变量空间，提前识别关键不确定性来源。

这个项目让全晓得跑通了"数据-模型-验证-交付"的完整链路，生命算子体系从论文概念变成了可提交给产业客户的工程交付物。

更长周期里，全晓得的商业化路径分三步。第一步，为药械企业提供高附加值虚拟临床试验服务，在真实产业需求中打磨算子、积累口碑；第二步，将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。

（图｜从医疗AGI迈向ASI）

全晓得对医疗ASI的定义最终落在一句话上：在真实治疗发生前建立一个可计算、可验证的"人体沙盒"。落到具体场景里，医生和药企可以在足够可信的计算环境中，预先推演不同干预方案可能带来的生命轨迹变化，而不是拿真实患者做试错。

这条路还有相当长的距离，但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。

全晓得给出的解法是：把生命数学形式化，然后通过AI来解决这个数学问题。（本文首发于钛媒体APP，文｜科技不焦虑，作者｜陶天宇，编辑｜盖虹达）