当人工智能的浪潮席卷全球，关于“AI治愈癌症”“AI终结所有疾病”的宏大叙事不绝于耳。然而，这究竟是触手可及的未来，还是又一个被过度包装的科技泡沫？OpenAI前高管、生物医药初创公司ChronicleBio联合创始人Fidji Simo给出了一个清醒的答案：她相信AI最终能治愈所有疾病，但仅仅让大模型变得更智能，远远不够。这一判断恰好揭示了当前AI医疗领域最值得关注的科技趋势——从“模型迷信”转向“基础设施重建”。
从宏大承诺到现实瓶颈：AI医疗的信任危机
不久前，Anthropic CEO Dario Amodei公开表示，AI行业需要真正取得具体的医疗突破，才能赢得公众的信任。“说AI将治愈癌症，与其说令人振奋，不如说已经变成了一句陈词滥调，而且大多数人认为这种说法具有欺骗性。”Fidji Simo在社交媒体上转发了这段话，并坦言自己“在很多事情上不同意Dario，但这句话完全正确”。
这个表态背后，是一场关于AI落地价值的深层拷问。过去几年，各大科技公司频繁发布“AI诊断疾病”“AI预测蛋白质结构”“AI设计新药”等最新科技成果，然而真正从实验室走向病床的案例屈指可数。公众对“AI万能论”的免疫力正在增强，资本市场的耐心也在被消耗。
Simo指出，问题的核心在于：人们往往简单地把“更智能的AI模型”与“疾病治愈”直接画等号，却忽视了两者之间还存在一整套必不可少的基础设施。这种“基础设施”并非服务器或算力，而是能够支撑AI推理的、高质量、结构化的生物学数据。没有这些数据，再强大的模型也只能在真空中“空转”。
数据才是真正的“金矿”：为什么生物学数据比模型更关键
“模型智能和生物学基础设施必须同步扩张。”Simo在文中写道。她认为，当前最大的“瓶颈”在于能否获得“正确的生物学数据”。如果缺乏理解某种特定疾病所需的数据，即使AI拥有强大的推理能力，也无法凭空找到治愈方法。
这就像给一个顶级厨师最好的厨房设备，却没有食材——他依然做不出菜。在AI医疗领域，数据就是最核心的“食材”。然而，获取这些数据远比想象中困难：涉及患者隐私、伦理审查、数据标准化、跨机构共享等一系列复杂问题。许多慢性疾病（如体位性心动过速综合征POTS，Simo本人就深受其扰）缺乏长期、系统性的生物样本库，使得AI模型难以建立有效的因果关系。
从科技趋势来看，未来几年AI医疗的竞争焦点将从“谁的模型参数更大”转向“谁能构建更高质量的数据资产”。那些拥有独家临床数据、基因组数据、病理影像数据的机构，将占据绝对优势。这也解释了为什么许多AI初创公司开始与医院、药企深度绑定，甚至自建数据采集平台。
癌症领域为何成为AI突破的“优先赛道”？
讽刺的是，Simo最看好AI率先在癌症领域取得巨大进展。“几十年来的投入已经积累了规模惊人的数据集，涵盖基因组学、病理学、医学影像、临床治疗结果等多个领域。”她解释道。
癌症研究有着天然的数据优势。全球范围内，癌症基因组图谱（TCGA）、国际癌症基因组联盟（ICGC）等大型项目积累了海量公开数据；病理切片数字化、医学影像AI辅助诊断也早已进入临床应用。这些结构化数据让AI模型能够快速学习、训练，并产生可验证的结果。相比之下，许多慢性疾病（如自身免疫病、神经退行性疾病）的数据分散、标准不一，甚至缺乏统一的诊断金标准，AI的发挥空间自然受限。
值得关注的是，这一领域的科技产品形态正在从“算法辅助诊断”向“闭环治疗决策”演进。例如，一些前沿研究利用AI分析肿瘤微环境的多组学数据，推荐个性化免疫治疗方案。这类产品不再只是“看片子”，而是直接参与治疗路径的制定。当然，这需要与AI工具导航中的各类专业工具协同，才能构建完整的临床工作流。
慢性病的“基础设施荒”：AI还缺什么？
与癌症不同，慢性病领域面临的是一场“基础设施荒”。Simo创办ChronicleBio的初衷，正是为了解决这一问题。该公司正在建立针对复杂慢性疾病的大规模数据集，试图填补从“数据缺失”到“AI可用”之间的鸿沟。
以POTS为例，这种疾病常常被误诊或漏诊，缺乏标准化的诊断数据。患者的心率、血压、血氧等指标往往在动态变化中，传统医疗记录难以捕捉完整病程。AI要真正理解这类疾病，需要连续、多维度的真实世界数据，包括可穿戴设备监测数据、患者自报症状、生物标志物变化等。然而，这些数据的获取、清洗、标注成本极高，且涉及隐私合规问题。
Simo指出，另一个被忽视的“基础设施”是“从AI推理到实际治疗方案”的转化路径。即使AI模型给出了一个精准的疾病预测，如何将其转化为可执行的药物或干预方案？这需要分子生物学、药物化学、临床实验等多环节的衔接。换句话说，AI不能只做“预言家”，还要成为“工程师”。
在这一过程中，生成式AI正在发挥意想不到的作用。例如，利用AI画图工具生成药物分子结构示意图，辅助化学家理解空间构象；或者通过文生图技术将抽象的基因表达数据可视化为直观的病理图谱。这些看似“边缘”的应用，恰恰是连接AI智能与医疗实践的桥梁。
从实验室到病床：AI治愈疾病需要“双轮驱动”
Simo的核心理念可以概括为“双轮驱动”：模型智能与基础设施必须同步扩张，缺一不可。她认为，当前行业过度关注“模型能力提升”（如参数规模、推理速度），而对“基础设施投入”严重不足。这种失衡不仅导致AI医疗进展缓慢，还可能加剧公众对技术的不信任。
从商业模式看，AI医疗公司需要同时做好两件事：一是持续迭代模型，使其在特定疾病领域达到甚至超越人类专家水平；二是投入资源建设数据基础设施，包括与医院合作采集数据、建立标准化数据格式、开发隐私保护计算框架等。这需要极大的耐心和资本，但也是建立真正竞争壁垒的唯一路径。
事实上，一些头部企业已经开始布局。例如，AI工具导航中的医疗AI模块，专门收录了从数据标注到模型训练的全链路工具；而抠图这类看似简单的图像处理技术，也被用于医学影像的病灶区域分割，提升AI诊断的精确度。这些细节恰恰说明，AI医疗的“基础设施”并不只是宏大的数据中心，还包括无数个细分场景的效率工具。
未来展望：AI与基础设施的同步扩张
Simo在文末写道：“我确实相信AI能够治愈所有疾病，但前提是我们必须以与模型能力提升相同的速度，建设将AI智能转化为实际治疗方案所需的基础设施。”这句话点明了未来五到十年AI医疗的科技趋势：从“卖模型”转向“卖解决方案”，从“技术驱动”转向“数据+基础设施双轮驱动”。
对于创业者而言，这意味着机会不再局限于打造下一个GPT-5，而是诞生于“让AI数据更容易获取”“让AI推理更可靠”“让AI方案更可落地”等看似平凡却至关重要的环节。对于普通用户而言，我们或许应该降低对“AI一夜治愈癌症”的期待，但增强对“AI逐步改善医疗流程”的信心。
最后，AI医疗的终极形态不会是一个“万能药丸”，而是一个由无数个专用模型、高质量数据集、临床验证工具、以及监管合规框架共同构成的生态。这个生态的建设，需要每一个参与者——从科学家到工程师，从医生到患者——共同努力。而在这个过程中，像AI工具箱这样整合了前沿技术的平台，将成为加速器。
当技术不再空洞地承诺“治愈一切”，而是脚踏实地地解决“数据在哪”“怎么用”“如何验证”等基础问题时，真正的奇迹才会发生。