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。
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。
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。
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。
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。
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。
渝公网安备 50011202502165号
