五一假期结束，王煜全将带来【长寿健康】专题，和大家详细拆解预防医学、健康管理等全新热门企业。
五一假期结束，前哨科技特训营马上推出「长寿健康」专题直播。王煜全将点评一系列新兴企业，其中就包括热门公司——Tempus AI：
本文先奉上 CEO Eric Lefkofsky 万字专访精华，让你提前了解这家公司。
今天加入前哨科技特训营还有五一福利！欢迎现在点击文首入口，王煜全每周四为你分享一个科技产业深度研究。
主持人:大家好，今天我们请到了 Tempus AI 的首席执行官 (CEO) Eric Lefkofsky。他是一位在创业领域经验丰富的杰出运营者。
Eric，你能先给我们介绍一下Tempus AI 是什么，以及你当初为什么要创办它？
从公众视角来看，你最引人注目的经历是从 Groupon （美国知名团购网站，美团曾经模仿的对象）突然转到运营一家 AI 医疗科技初创公司，这似乎是一个奇怪的转变。而且它现在是一家非常成功且不断发展的公司。是什么促成了这一切？
Eric Lefkofsky:就我而言，我在科技行业已经很久了，大概是在 1999 年进入的。我建立了一系列科技公司，有趣的是，这些公司都是将技术应用于那些历史上技术含量不高的领域。
我们曾将技术用于印刷、交通物流（比PG电子网站如卡车调度）、媒体购买等，这些领域都相当陈旧。我们积累了构建 半人工、半自动化混合系统 的专业知识，提高了市场效率。
当 Groupon 出现时，我们也试图将一种不同的技术——引爆点技术 (Tipping Point technology)——应用于本地小商户，比如披萨店或干洗店。
我从未想过会进入医疗保健领域。但大约十年前，我的妻子被诊断出患有乳腺癌。在陪她治疗的过程中，我惊讶地发现，技术在她所接受的护理中应用得如此之少。我原本以为非常复杂的流程，从技术、数据和 AI 的角度看，实际上却非常陈旧。
“我的整个职业生涯似乎都在为这一刻做准备——将技术应用于医疗保健这个最需要它的领域。”
所以，我当时有了一个顿悟：我的整个职业生涯以及所学的技能，似乎就是为医疗保健准备的。于是我做了一个重大的转变，开始沉浸在 肿瘤学 (oncology) 领域，至今如此。
主持人:那是多久以前的事了？Tempus AI 是什么时候开始的？现在发展到什么阶段了？
最初，我们的焦点更窄，主要是想弄清楚如何通过连接 下一代测序 (NGS) 或 基因组 (genomic) 测试与患者的临床数据，让诊断变得更智能。
我妻子治疗时接受了基因测序，但报告回来时，竟然不知道她的性别、用药史、甚至是否有资格参加临床试验。对于所谓的 个性化医疗 (personalized medicine) 来说，那是一个 极度缺乏个性化的报告。
于是我们着手连接这些数据点。起初，我以为我们会构建一个智能层，叠加在其他公司的测序服务之上。
但我去找那些公司时，没有人愿意给我们分子数据 (molecular data)，他们拒绝分享，甚至不给订购测试的医院和医生。数据被锁起来了。
这反而为我们打开了市场入口。我们开始自己进行测序，从肿瘤学起步，现在这仍然是我们的根基。
大约五六年前，我们意识到这个平台——能让诊断测试智能化的平台——不仅适用于癌症，同样适用于心脏病学 (cardiology)、神经病学 (neurology)、免疫学 (Immunology) 等众多领域。只要存在多种 治疗路径 (Therapeutic Pathways)，我们就能帮助医生做出数据驱动的决策。
主持人:我对你 从技术领域跨越到生物 (bio) 领域的历程 非常感兴趣。在这个过程中，你是否反思过，生物产业可以从科技行业中学到什么？
Eric Lefkofsky:所有方面。即使在今天，生物领域的人们虽然技术精湛，但他们精通的技术与当前 AI 驱动变革所需的技术往往不同。
生物领域的现状有点像一个手工造车的工匠，很难接受 3D 打印汽车的世界。
第一步是认识到这一点，然后去寻找专家，建立桥梁。这也是 Tempus AI 赖以生存的方式。
“我总是说：‘各司其职’ (Swim in your own lane)。我不希望软件工程师假装是医生，反之亦然。”
Tempus AI 的神奇之处在于我们多元化的团队。最近的收购完成后，我们将接近 4000 人，包括 300 名博士，数千名软件工程师、AI 科学家和支持人员。
主持人:“各司其职”这个角度很有趣。业界常说要培养“双语”人才，既懂技术又懂生物。你认为未来是 培养更多跨界人才，还是建立高效的沟通协作机制更重要？
Eric Lefkofsky:坦率地说，我认为当前的医疗体系存在太多阻碍进步的环节。如果让我设计一个处处碰壁的生态系统，我会直接拿出 美国医疗保健系统 (US Healthcare System)。它的复杂性简直是为了摧毁进步而精心设计的。
这个系统很难从内部自我修复。它的激励机制本身就不利于大规模采用新技术。学术界追求发表和经费，生物制药 (biofarma) 追求专利期内的利润最大化，支付方 (payers) 的决策也异常复杂。
然而，解决医疗成本飙升（美国已达 5 万亿美元且持续增长）的唯一出路，就是技术和 AI。
所以我认为，这需要像 Tempus AI 这样的外部力量。我们有不同的激励机制和经济模型，能够以全新的视角，进行巨大的技术投资，构建真正能帮助所有参与者——药企、医生、患者——提高效率的产品。
主持人 :医疗系统问题由来已久，很多创新公司都曾尝试挑战但失败了。Tempus AI 不得不进行 垂直整合 (vertically integrate) 才得以进入市场。
你们如何在充满扭曲激励的生态中找到自己的位置并成功？ 特别是现在还推出了面向消费者的 AI 应用 (AI app) Olivia，这背后的战略考量是什么？
如何实现？诊断必须了解患者，并围绕患者进行个性化调整。哪些诊断？所有的诊断：血液检测、CT 扫描、MRI、乳房 X 光检查、基因组测试等等。我希望每一个诊断输入都是智能的、经过背景化处理的。
因为诊断是所有重大医疗决策的核心。我们希望这个过程超级智能。但这需要实时 协调 (harmonize) 和 规范化 (normalize) 海量的医疗数据，成本极高。
我们的方法是 构建一系列可持续的“拼图块”产品，让它们最终能拼出完整的蓝图。
然后思考，这些与临床数据结合的丰富分子数据，对谁有价值？生物制药公司。于是我们开发了他们需要的产品，让他们投资我们的数据平台，维持整个事业。
接下来，利用实时流动的基因组和临床数据管道，我们还能叠加什么业务？比如，帮助患者匹配临床试验？弥补 护理差距 (care gaps)？提供有偿的算法洞见？
每一个业务都是一块拼图，最终目标是产生足够的收入和现金流，反哺整个生态。
大部分毛利都将 重新投资于产品、工程、科学研究。这意味着我们每年能投入 5 亿、6 亿甚至未来 10 亿美元用于持续增长。
“伟大的企业都有一个持续自我投资的飞轮。我们希望 Tempus AI 也能如此。”
看看谷歌，他们每年在改进搜索上的投入，可能是 NIH (美国国立卫生研究院) 全部预算的两倍。这就是为什么搜索如此强大。医疗领域也需要这样的投资飞轮。
主持人 :在 AI 方面，你们是自建模型还是利用外部技术？比如 Olivia 应用背后的语言模型，是自研的吗？Tempus AI 的核心竞争力更多在于 开发独特的 AI 系统，还是在于连接生物信息与现有 AI 技术？
但我们不会重复造轮子。对于已经很成熟、商品化 (commoditized) 的底层技术，比如 光学字符识别 (OCR)，我们会采用现有的。
对 大型语言模型 (LLM)，我们也持类似看法。无论是 Gemini、Llama 还是 GPT-4，现在有很多强大、低成本、高 保真度 (fidelPG电子网站ity) 的模型可用。
因此，我们更专注于构建 “代理构建器” (Agent Builder)。我们内部可能已构建了近千个 AI 代理 (Agent)，它们擅长利用现有大模型处理 多模态 (multimodal) 的医疗保健数据——这些数据与大模型的训练数据截然不同。
你不能直接给大模型扔一个 DICOM 文件 (医学数字成像和通信标准文件)、心电图 (electrocardiogram) 原始波形或 BAM 文件 (二进制比对/图谱文件)，然后问它“这是什么意思？” 它无法理解。
当然，对于某些特定数据类型，现有模型可能完全不适用，我们可能需要构建一些更小、更专注的模型。但总的来说，我们广泛应用各家的大模型，并且它们还在持续进步。
主持人:Eric，你认为多模态 (multimodality) AI 将带来的最大突破是什么？这会是医疗领域的“ChatGPT 时刻”吗？
Eric Lefkofsky:有几个巨大的突破。最大的突破在于真正实现个体化的结果预测。未来一到三年内，借助强大的模型和计算能力，我们将能够基于海量的分子数据，精确预测特定个体对特定治疗的反应。
而真正的精准是：即使两个人患有 表型 (phenotypically) 完全相同的疾病，他们的治疗方案也可能因为分子数据的差异而截然不同。这将适用于肿瘤学，也适用于 糖尿病 (diabetes)、心血管疾病 (cardiovascular disease) 等等。
第二个突破是疾病的早期预测和干预。当我们将 病理切片 (pathology slides)、影像扫描 (scans) 等 多模态 (data modalities) 数据输入模型时，AI 可能会以预测性的方式发现问题，让我们 在疾病发生之前就进行干预。
想象一下：你的 A1C (糖化血红蛋白) 指标正常，但结合你几年前的 视网膜扫描 (retinal scan) 和其他数据，AI 告诉你：“你将在 3 年内患上严重 2 型糖尿病。” 这将彻底改变预防医学。
Eric Lefkofsky:首先，模型本身在不断进步，幻觉问题已经在大幅减少。
其次，也是更重要的，我们从不提倡一个没有人类参与的系统。就像飞机有 自动驾驶 (autopilot)，但我们仍然需要飞行员一样。
“无论 AI 系统未来多么先进，我仍然希望有医生最终确认并按下‘执行’按钮。”
未来几十年内，医生在诊疗过程中的核心地位不会改变。AI 的角色是 增强人类 (augmented human)，而不是取代。
主持人 :是的，就像 放射学 (Radiology) 一样。五年前有人说 图像分类 (image classification) 会让 放射科医生 (Radiologists) 失业，但事实是 AI 可以处理大量简单重复的工作，让医生能专注于更复杂、更需要经验判断的病例。
DeepMind 关于自动乳房 X 光片解读的研究也很有趣。你可以调整 AI 的 灵敏度 (sensitivity)（检测真阳性）和 特异性 (specificity)（排除假阳性）。通过 人机协作，比如让 AI 以高灵敏度筛查（可能产生一些假阳性），再由人类医生复核，最终能得到比任何一方单独工作都更准确、更高效的结果。Tempus AI 似乎正在将这种模式产业化。
Eric Lefkofsky:完全正确。当你面对一个原本效率低下（比如 30-50% 的低效）的系统时，AI 带来的改进潜力是巨大的。
举个例子：GPS 的出现消除了我们开车迷路的情况，节省了无数时间和燃油。但路上的车并没有因此变少，油价也没有下降。效率提升被其他因素（如更多车辆、更长出行距离）吸收了。
医疗领域也会类似。AI 带来的效率提升，可能不会立刻导致医生或护士数量减少——我敢保证十年后护士依然短缺。
但技术的持续改进能让医疗系统在现有开支下服务更多人、提供更高质量的护理、延长人们的健康寿命，从而有效降低医疗开支占 GDP 的比重，或者实现真正的成本节约。
主持人 :业界一直有种说法：诊断市场没有钱赚，因为技术容易商品化。尤其在肿瘤学之外的领域。你如何看待这个观点？Tempus AI 如何在诊断领域建立可持续的业务？肿瘤学是否具有特殊性？
Eric Lefkofsky:我认为其他领域的挑战性可能与肿瘤学相当，甚至更小，因为肿瘤学的探索会为其他领域铺路。
关于“诊断没钱赚”的说法，这就像特斯拉 (Tesla) 出现之前说“造车没钱赚”一样。当 技术范式转变 (technology Paradigm Shift) 发生时，全新的商业机遇就会涌现。
Netflix 颠覆了 Blockbuster，特斯拉颠覆了传统汽车。我敢打赌，你会看到万亿美元市值的诊断公司出现。
为什么？因为诊断是所有重大医疗决策的核心。掌握诊断洞察力的公司，为什么要把价值拱手让人？它们完全有潜力成为提供核心价值的主导者。
历史上一些诊断公司可能因为固守低技术、高批量的模式而未能抓住变革机遇，但这并不代表整个领域没有未来。
主持人:诊断技术本身也变得越来越复杂，比如 MRD (微小残留病灶) 检测、早筛 (early detection) 技术、表观遗传 (epigenetic) 信号分析等，这使得它们更难被商品化。
Eric Lefkofsky:没错。当我们收购 Ambry（一家基因检测公司）时，很多人质疑 遗传性检测 (hereditary testing) 是不是也商品化了，是不是夕阳产业。
我的看法完全不同。目前在美国，接受全基因组 (whole genome) 或 全外显子组 (whole exome) 等大型遗传检测的人口比例极低。
想象一下，通过基因数据，AI 可以告诉你未来患上 房颤 (APIB) 或 早发性痴呆 (early onset dementia) 的风险。你肯定想知道，并采取预防措施。
生病后，这些数据还能反复利用，指导用药，比如判断你对某种药物的代谢情况，是需要加倍剂量还是减半。
这就是我们选择从分子数据入手的原因：没有分子数据，就不可能真正实现智能诊断。这就像特斯拉造电动车不能没有电池。
主持人 :AI 技术的性价比 (cost per performance) 正以远超 摩尔定律 (Moores law) 的速度提升。你们如何在这种技术爆炸式发展的基础上制定商业计划和产品策略？
几年前，我们运行一个小的 AI 代理查询可能要花费 270 万美元，这在当时是不可承受的。而现在，同样的查询可能只需要几千美元，成本下降了成百上千倍。
但要实现我们的最终目标——实时背景化所有诊断，为每个人提供最优治疗路径——所需的计算规模将是难以想象的。这需要对整个医疗系统的实时数据进行持续计算。
我们和我们的 云 (Cloud) 合作伙伴（如谷歌、微软）正在为此进行规划和准备。这将是一个巨大的挑战，但也蕴藏着巨大的机遇。
主持人:我们来谈谈 Olivia 应用。我知道它的命名背后有一个感人的个人故事。能否分享一下开发 Olivia 的初衷，以及它未来的发展路线图？
Eric Lefkofsky:Olivia 是为了纪念我女儿一位因病去世的朋友。她的经历，以及许多患者和家属的经历，都凸显了管理复杂医疗过程的巨大痛苦。协调多个医生、管理各种检查报告和影像资料，对普通人来说极其困难。
Tempus AI 花费了数十亿美元构建理解多模态、混乱医疗数据的技术。我们想，为什么不把这些工具也交给患者呢？
Olivia 的目标是让患者能轻松获取并管理自己 所有的 健康数据，不仅仅是电子病历 (EHR) 里的结构化信息，而是全部。这样无论你是想转诊、寻求第二诊疗意见，还是仅仅想存档，所有资料都在你的掌控之中。
更重要的是，你可以向 Olivia 提问。随着模型越来越智能，你能问的问题、能得到的帮助也会越来越多。我们希望患者能被信息充分赋能。
“我经常提醒医院：真正的‘信息海啸’正以小行星撞地球的速度逼近，所有机构都该提前准备。”
我一直认为，一场“信息海啸”即将来临。过去，患者走进诊室往往信息匮乏，完全依赖医生。
未来，患者走进诊室时，可能已经像是咨询了全球 100 位顶尖专家，对自己的病情和治疗方案有了深入的了解，甚至准备好了关键问题。
最终，患者将拥有强大的 AI 工具。我们坚信，信息的自由流动对所有人都有益：支付方能为正确的治疗买单，药企能更高效地研发，好医生能变得更卓越，患者能全面掌握自己的健康。
唯一会在这个浪潮中受损的，是那些拒绝拥抱技术、固步自封的人。就像 2000 年时那些认为互联网只是一时风尚 (fad) 的 CEO，他们的企业后来大多表现不佳。我们希望医疗保健领域的每个人都能拥抱变革，走在前面。
Eric Lefkofsky:是的，我们正在逐步开放注册。由于初期申请人数众多，我们设置了一个等待名单，并提供 14 天免费试用（正常月费约 12 美元）。预计很快所有等待用户都能开始使用。
主持人 :作为患者或家属，确实能感受到 AI 工具带来的巨大差异。以前在谷歌上搜索症状，很容易被引向恐慌（比如 WebMD 说你可能得了癌症）。现在，即使只是把 电子病历 (EHR) 的部分信息复制到 ChatGPT 里提问，得到的答案也可能有用得多。
但目前的痛点是信息不完整、输入麻烦。Olivia 似乎解决了这个问题，将完整的患者数据与智能模型结合，这是否会催化一个更加以消费者为驱动的医疗决策体系？
我认为，未来的医疗信息交互需要一种新的模式。谷歌有常规搜索和 无痕模式 (Incognito)。医疗领域需要第三种模式：“你了解关于我的一切” 模式。
“我希望 AI 能基于我完整的医疗记录，提供完全个性化的答案，而不是通用的建议。”
当我向 AI 提问时，我不想要通用答案。我希望它能结合我的全部健康数据、用药史、过敏史等等，给出真正个性化的建议。比如，如果它知道我在服用某种药物，就不该推荐可能与之冲突的东西。
大型科技公司在处理 受保护健康信息 (PHI) 方面可能面临隐私等挑战。这或许给像 Tempus AI 这样专注于医疗领域、愿意与患者建立深度信任关系的公司带来了机会。
最终，我相信每个人都需要能够以完全身份化、个性化的方式与自己的 AI 健康代理进行交互。
主持人:感谢 Eric 的精彩分享！最后，请展望一下未来十年。你认为在个人的健康旅程中，将会发生的最大单一变化是什么？ 是什么现在还不存在，但未来会深刻影响我们，甚至超出市场预期的？
Eric Lefkofsky:最大的变化将是医疗差错率的大幅降低，甚至趋近于零。
当前的医疗系统，尽管有很多优点，但也产生了惊人的错误率。有研究指出，可能高达四分之一的医疗决策是错误的，这会给患者和整个系统带来灾难性后果。
我相信，在未来十年内，借助 AI 的力量，这种情况将基本消失。重大医疗失误将变得非常罕见。
在一个没有错误的系统里，人们总能在正确的时间、以正确的剂量、获得正确的治疗。这将直接转化为 寿命 (longevity) 的显著提高。
“我认为未来 10-20 年，人类的平均寿命有望延长 3 到 5 年。”
你可能会看到平均寿命延长 3 到 5 年。这不是一个小数字，你会真切地感受到它对社会经济各方面的影响。人们将活得更长寿、更健康。
下一个紧随其后的重大变化，将是疾病的精准预测和预防。我们将在问题发生之前就发现并避免它们。这个领域虽然早期有过波折，但就像基因测序一样，技术需要时间成熟。未来 10 到 20 年，我们将非常擅长预测并规避许多健康风险。
主持人:非常感谢 Eric！我们很早就认识，很高兴看到 Tempus AI 取得的巨大进展，也无比期待你们为患者创造的未来。
