想象这样一个场景：一个AI模型能够复刻你身体的几乎所有信息——包括基因、病史、用药记录、成长环境、种族、性别、日常习惯等——并据此构建一个关于“你”的数字模型。这个模型可以预测你对药物和治疗的反应、未来可能罹患的疾病，甚至预估你的寿命长短。
这并非天方夜谭，而是一个正在逐步实现的现实。
过去一年里，北京大学智能学院的博士利友诚正致力于开发“AI虚拟患者”技术。他和团队利用来自千万名真实患者的医疗、生理、生活环境等合规数据，通过专门的AI模型经过多轮优化，成功创建了一个越来越接近真实人类的“虚拟患者”模型。
在商业领域，这种“患者”模型正被越来越多的医药公司视为可行的技术路径。
目前，制药企业面临一个共同的挑战：临床试验难以招募到足够的参与者。尤其是在罕见病、儿科和重症领域，符合入组条件的患者本就稀少，再加上严格的排除标准，许多试验在预算耗尽前仍无法凑齐对照组。
虚拟患者模型恰好填补了这个空白——它利用真实患者数据生成数字分身，在计算机中模拟试验过程，预测药物效果，淘汰注定失败的方案，甚至替代部分真实对照组。
此外，临床试验是制药企业成本最高的环节，一旦虚拟数据获得监管认可，节省的招募成本和时间将“不可估量”。
政策层面也释放了明确信号。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。行业内，山东齐鲁医院发布了一项“数字孪生虚拟临床试验”采购项目，预算为262.5万元，需求明确包括虚拟人群建模和疗效虚拟预测。
到了今年9月，“虚拟患者模型”被纳入十部门《医药工业发展“十五五”规划》的AI制药高价值场景清单。从监管机构到产业规划，这条道路正在逐步铺平。
全球范围内，“虚拟患者”已进入跨国制药企业的研发视野。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，成立公司专注于AI患者模型。目前，他的公司与三十家制药企业和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）建立了合作，并尝试与阿斯利康、强生等国际药企开展合作。
商业化路径正在逐步成型，公司的第二轮融资已进入交割阶段，估值接近10亿元。公司旗下一款涵盖十余种癌症的患者模型，正与合作药企进行验证工作。
制药企业是他目前的客户对象，但这并非他对这项技术的全部设想。在他构想的未来中，每个人都可能拥有自己的“健康分身”。通过这个分身，个人能更深入地了解自身状况，甚至预见未来的健康趋势；从宏观层面看，多个分身的集合还可用于模拟和预测公共卫生事件，就像预报山火或天气一样。
然而，当前团队的首要任务是回答：模型预测的变化，能在多大程度上与真实患者的表现一致？我们与利友诚探讨了构建“虚拟患者”的过程、验证模型科学性的方法，以及这项医疗AI技术如何寻找付费客户，也聊到了它可能对生活产生的影响。
以下是镜相工作室与利友诚的对话：
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，这个领域有更热门的创业方向，为什么你会选择医疗领域创业？
利友诚：高中时，我身边一位朋友患上严重疾病，恰好通过医疗器械早期筛查发现，治疗后得到了显著好转。这件事对我影响深远，也一直是我内心的一道坎。
2019年，大一的一个晚上，我觉得既然这件事困扰我这么久，不如投身这个方向，直面内心的恐惧。无论家庭背景如何，生老病死都是每个人必须面对的。我若能向前迈进一步，或许有些家庭会因我的努力而变得更好。
当时我想，医生只能救一个人，但通过技术从事医疗相关事务，可能会影响整个人群或社会。
那时我觉得医疗器械很有前景，自学了近半年的模拟电路和数字电路，大二暑假与电气工程专业的学长参加电子设计竞赛，并在一家医疗器械公司实习，负责控制电路等工作。完成后发现，技术并非唯一重点，商业模式和销售同样重要。我仍想寻找一个技术更前沿的方向。
大三期间，我申请到国外进行生物信息学研究，发现这离实际的诊断、治疗和制药等现实问题还很远。一次偶然机会，我注意到影像AI，深受震撼：一些人眼容易忽略的细小肺结节，AI都能识别出来，而影像科医生需经过多年训练才能做到。
从这些案例中，我看到了AI的潜力——它可能超越人类诊断的精度，或发现人类无法察觉的生命科学现象与规律。同时，这个领域在国内和国际上已有许多落地案例，技术也到了成熟时机。
之后我开始研究影像AI诊断，最初聚焦于乳腺超声。但逐渐发现，判断患者是否患有乳腺癌，不仅需要超声，还需核磁、电子病历，了解家族史、病史，甚至多次检查。那时我萌生了以患者为中心的研究思路。
除了学校导师，我还与许多一线医生交流。做影像AI诊断时，我经常去北大肿瘤医院的超声科，与医生探讨他们的诊断思路，直到我的阅片能力接近医生水平时，我发现训练模型的思路变得非常清晰。
影像只是患者在特定时间、特定检查方式下健康状态的一个投影。我想收集不同时间、不同检查方式下的这些投影，以刻画一个更完整的患者。后来我又觉得，仅做诊断不够，还需知道患者用了什么药、用药后的反应，以及身体状况如何随时间变化。
因此，从影像AI到患者模型，对我来说并非突然转变，而是之前研究的延伸。我们不仅想知道患者当前的状态，还想进一步了解在不同治疗条件下，他未来可能的发展。
● 图源：《万神殿》
镜相工作室：你说想把不同时间、不同检查中的“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、影像记录和用药记录进行建模。除此之外，我们还会收集患者生活地区的PM2.5、是否烧秸秆、饮食结构、经济状况等信息。收集之初就需要对疾病有足够深入的理解，才能知道需要记录什么。
它不是简单地拟合患者数据并输出数值，而是希望根据过去记录，预演未来几年身体健康状态的变化，并给定特定治疗或用药条件，观察健康状态如何变化——这是我们的目标。
以制药企业为例。一个药物成分在早期研究中可能各项数据指标都很好，但研发团队还需判断它在哪些人群中更可能有效，是否存在需提前排查的安全风险。如果这些问题直到人体试验后期才暴露，之前的沉没成本将难以挽回。
我们希望将患者的纵向记录与分子和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、该入组哪些患者。我们的定位不是只做临床诊断模型，而是将模型用于药物试验和临床试验决策中。在这里，模型起补充和辅助作用，并非完全替代真实临床药物试验，真实人体试验仍需进行。
● 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：我们现在主要围绕三大队列：呼吸、肿瘤和心血管。我们针对这三类疾病进行数据搜集，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，做患者模型最难的是数据收集和治理。各种医疗数据零散分布在不同数据库中，需要对齐、治理、去重，并排除互相矛盾的记录，这些都很困难。数据并非一开始就整理成可训练AI的形式，可能是零散的表格，我们需要将它们变成能映射到具体患者甚至病灶的完整数据库。
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，之后还需人工参与。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、如何定义疾病、纳入或排除哪些数据。这背后需要对疾病有深刻理解。
我们需要先理解完整问题，再将不懂的地方请教医学专家。专家提供疾病经验，我们将其融入研究方案中。并非请来一个专家，他就能完整告诉你如何构建模型。
镜相工作室：现在你们的模型到了哪个阶段？
利友诚：目前我们正与合作药企进行验证，多个验证项目在并行推进。
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过程中，你们是如何验证的？
利友诚：从训练之初，我们就在进行各种测评。一种是回顾性验证，即已知患者过去发生的疾病，利用发病前的数据进行预测。这些数据我们已经拥有，在某个时间点截断，让模型预测之后的数据，再与真实记录对比。每次训练后，我们都会进行相应测评。
这部分验证中，医院有患者用药和治疗的记录，可在一定程度上检验特定治疗条件下，模型对患者治疗和用药后变化的预测是否准确。验证也需依靠药企，它们有自己的测试数据，可用我们的模型生成新测试数据，再对比模型是否在某些地方不准。
另一种是前瞻性验证，即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，最近就发生了一次。在我们的癌症模型上，我们使用了外部团队的一个患者队列进行验证。结果模型判断队列中有一位患者可能患有癌症。当时，单独看之前的影像和检查，医生都认为没问题。但模型的预测得到了后续手术活检验证。
这个结果让我们感到意外，我们还在研究模型是从哪些信息得出这个判断的，可能是一些人们未关注的更细信息。我们保留了推演过程，并正在补充其他验证，以探究原因和机制。
● 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：一般方法是先做好数据、提高精度，再考虑解释。精度可通过回顾性和前瞻性评测验证，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。一个模型在许多评测上有效，但如果它仍是黑箱，面对全新情况时，我们应在多大程度上采纳其预测？这就是需要解释的原因。如果预测和解释能符合现有理论和机制，在我们都不熟悉或不了解机制的情况下，它给出的结果才更有参考价值。
因此，从实验和评测上做扎实，才有可能说服使用者。建模患者是否有价值，大家可能已有共识；但患者模型能否建成、能否用于健康预测、能否用于药物试验，并非共识。这是一个需要通过数据验证的科学问题，需逐步推进。
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，我当时提出的架构过于理想化，导致模型死活训练不出来，花了很大力气排查问题。现在说得轻描淡写，但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。模型建成后，初步实验成功，但当我们扩大规模验证时，发现行不通。如果是预实验失败，改就行了，但规模扩大后，出错成本很高。我们排查了许多情况，思考是否模型的某个部分学错了，或是否想让它学的东西太多。
当时白天黑夜都在思考这个结构。我们之前开发模型的想法很直观：完整的人难以建模，就逐个针对适应症。但有些适应症数据天然稀少、质量不佳，难以训练。
后来发现，换个方式是否更合适？于是我们将其变为一个共病模型——将所有疾病放在一个模型中，希望不同疾病的信息能补足部分疾病数据稀疏的问题。
我们发现，现在这个更简单的结构似乎很合理，每个环节的训练成本也可控。模型的准确度也提高了。这个模型初步训练时准确率较低，但经过优化后，现在达到了较高水平。
镜相工作室：这个准确率如何理解？
利友诚：可以理解为，经过初步验证，我们的模型能准确预测疾病未来的演变情况。这种健康预测本来就是人难以做到的事。医生可能只能给出风险提示，让你密切关注并定期复查，但不能得出判断说某物一定会变成恶性或良性、需要立即处理。
使用这个模型，它可以得出这些判断。我们要求模型能建模背后底层的机制和机理，这是我们的目标。
预测不出的部分，可能是一些罕见情况，如罕见病或罕见治疗手段，或数据本身存在问题，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：疾病之间相互作用，也有共同特征。我们所坚持的理论在医学界是常见共识，大家明确疾病之间存在相互关系。以前我们逐个疾病建模，但不同疾病可能有相关的底层机制和靶点，这些关系值得深挖。
现在我们尝试的共病模型，并非说这个虚拟患者同时患十多种癌症。可以理解为，模型能学习疾病之间的共同特征，同时保留不同疾病的差异。
药企可根据需要模拟单个病种、多个病种或某些具体情况的患者。就像一个大语言模型可以执行任务A或任务B，两者可能有关联也有区别。我们期望未来药企或开发者能根据需要，用模型“捏”出不同类型的患者，而这种能力底层的模拟和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后，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。我们有一些猜想和假说，希望让AI自己寻找联系，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，经常伴随不确定性，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我们做出了结果并验证了，但卖到医院里很难。医院的预算还有其他用途，买模型不一定是首要任务，也不是科室主任能决定的，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，医院不会随便开放接口。有时需与器械结合，有时免费给医生用，甚至需研究者或公司贴钱去推广。研究有经费投入很正常，但放在销售层面就是另一回事。
我当时想了小半年，与许多人交流，尝试从不同角度解决。比如想过通过医疗信息化帮医院省钱，省下的钱能否用于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。
在我看来，这个问题短期内难以充分解决。所以我开始跳出临床诊断框架，寻找另一种商业模式。
● 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，而是将模型嵌入服务流程中。直接打包卖，可能意味着模型权重和后续效益权益一起交出，这不是我们想要的。
我们的规划是先将数据整理成可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、授权等环节实现价值。
中间也可以“沿途下蛋”，数据层和模型层都有一些商业化可能。近期有合作带来收入，但我们预计还需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。刚创业时，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，需发工资、交社保，运转需要钱。早期的一些成本都是我们自己垫付的，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？商业模式如何变现？团队有什么优势？数据、模型和管线进展如何？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。故事较新、方法较新，我们也较嫩。有人认为国内没有竞品，国外没有明确对标。还有人问，那时大家都在做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。与最初相比，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安全是很多人讨论的话题。许多人会想，当一个AI知道了人类的疾病历史和身体数据，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主观作恶的概率远小于AI公司主动作恶。这取决于我们如何看待世界：它是黑客帝国、哆啦A梦，还是终结者，都说不准。
我们怀着哆啦A梦的心态建设这项技术，它未来可能就变成哆啦A梦世界。我觉得作为技术前沿的人，我们有主观能动性，可以按自己意愿建设技术未来。至少我们能确定的是，将这项技术做到极致。
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，我们每个人都能精准掌握未来的健康变化，在很早期阶段进行干预和治疗，甚至在不可避免的情况下，安排好生命最后阶段的所有事情——这是对个体而言。
但对于国家层面，国家对整个社会公共卫生的动态能持续掌握，并及早做出预警。或许未来重大的公共卫生事件，如疫情或其他流行病，不会来去无踪、不可预防或不可预演，而可能像山火或天气一样，可被监测或提前预报。
对于药企来说，未来研发药物可能不再需要投入这么多时间和成本，同样能做出更好、更高效、更精准的药物。
● 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：还有很多问题需解决。比如模拟从健康到患病的过程，就很难。疾病我们研究了很久，但确诊前身体是如何变化的？
人到了医院、确诊有病，数据才被留下。在这之前，我们的状态变化是谁在记录？没人在记录。这部分数据太少、太稀缺，如何收集和使用，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形成更普遍的共识，而不是每家都需要从头谈起。这个判断也考虑了收集数据和验证所需时间。
现在我们最想做的，还是在新药研发场景中，如何精准刻画现实中人的变化，让模型预测与真人在试验中的变化一致、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，