101: 与王小川聊AI✖️医疗：通向“生命科学的数学原理”

摘要

• 百川 M-1 Preview 的差异化不是单纯复现 O1，而是把通用推理、视觉、搜索与医疗“循证”结合。 王小川称模型可检索 PubMed 等文献，为诊断方向提供依据；他以一名已收到死亡通知的内蒙古患者为例：M-1 提出 3 个可能诊断方向，患者转入协和后医生提出 4 个，其中 3 个与模型重合。但这仍是个案而非系统性临床验证，真正的价值取决于能否稳定复制“远超过市一级医院水准”的表现。

• 王小川押注医疗并非退守垂直领域，而是选择一个不会被通用模型吞没、反会随模型能力“水涨船高”的高价值场景。 多模态、长记忆、具身智能、文献搜索、减少幻觉都能在医疗中使用，医疗数据和新的医学范式又构成通用模型缺失的门槛；他的核心表述是：“医疗是大模型皇冠上的明珠”“造医生就等于 AGI”。投资含义在于，百川不与大厂争通用入口，而试图在“大厂射程之外”建立超级医生这一控制点。

• 商业化从儿科、基层全科和院外管理切入，按访谈时的计划，2025 年一季度海淀居民就可能获得接通区域病历的 AI 医生助理。 北京儿童医院提出“造一百万儿童医生”，王小川称约 80% 的儿科问题未来不必发生在医院；“一大四小”产品覆盖家庭、社区、市级医院和儿童医院，并辅以咳嗽音模型判断上下呼吸道感染。他把未来形态概括为“Hospital at Home”，即早筛、诊断、慢病管理和随访尽量前移到家庭与基层。

• 百川设计了 G 端、H 端和 C 端三条支付路径，但近期收入仍取决于复杂的政府与医院落地能力。 G 端承接家庭医生、强基层和区域医疗项目，H 端最终指向医保支付，C 端可能从个人付费汇聚成多层次商业保险；海外则要求本地部署，王小川只承诺当年争取在发达国家做出进展，未给出首站。早期客户必须由百川重交付，跑通后再把部署交给合作伙伴，执行风险在于“省长一句话”之后仍有逐层 KPI、采购和招投标。

• 医疗模型成本会高于低价通用 Token 服务，但王小川认为生命健康的高价值、场景和持续服务足以覆盖成本。 百川既要掌握 pre-train、post-train、强化学习和 RAG，也会调用外部更强模型；AI 医生上岗后，则从“入院即入组”进一步走向“出生即入组”，把长期诊疗轨迹转成生命科学研究数据。最远期壁垒不是一次问诊，而是“先有 AGI，再有生命科学”的临床科研范式。

• 中国模型追赶速度已从“慢一步”缩到“慢半步或很接近”，但百川选择开源 14B 医疗模型来建生态，而非加入通用模型价格战。 王小川承认蒸馏是行业“公开秘密”，也认为部分迅速发布的 O1 仿制品只是“品相长得比较像”；他特别认可 DeepSeek 的表现，同时指出其已有算力、无需承担典型创业公司的融资和交付压力。百川 14B 版本据称医疗评分超过通义千问 72B，且一张 4090 即可部署，目标是让医院、体检中心和科研人员自行调优并成为合作伙伴。

• 技术路线仍以语言为智能中轴：视觉负责交互，强化学习把“快思考”变成“慢思考”，下一次范式迁移可能是 AI 从调用工具走向创造工具。 王小川预计 2025 年内，AI“医生朋友”就能处理部分疑难杂症和罕见病问题，但手术机器人仍未触及；更长期，他认为 AI 将压缩社会分工、重定义学习与人的价值，甚至走向人机一体化。这里既有巨大期权，也有明确的不确定性：“未来十年”会天翻地覆，但供给爆发后人如何体现价值，他坦言仍“想不通”。

精读

1. 百川 M-1 Preview 先用“循证”建立医疗差异化

• 王小川给 M-1 Preview 设定的目标是通用能力处于第一梯队，同时让医疗能力足够突出；模型因此同时呈现通用推理、视觉推理与搜索推理，而不是只在医疗考试分数上做增强。

• 他把“循证”定义为搜索与推理的结合：模型不只是学习论文，而是主动查找 PubMed 等来源，让回答获得文献支撑。“所谓 evidence based，最重要就是以论文为基础这种支撑。”

• 程曼祺追问为什么百川不是最早复现 O1 的中国公司，王小川的回答是：复现本身不是目的，每次发布都要形成“通用、医疗增强”的心智；若只追通用，再另做医疗，就会消耗“双份力量”。

2. 一个协和转诊案例展示了模型价值，也暴露了证据边界

• 王小川转述，一名内蒙古患者被诊断为脑梗，住院约两周未见好转，医院已下死亡通知；家属不甘心，转往北京协和途中把病历交给百川，并放入 M-1 系统。

• M-1 给出 3 个可能诊断方向及各自需要的验证；患者抵达协和后，医生提出 4 个方向，其中 3 个与模型“完全命中”。王小川据此称，模型的能力已经远超过市一级医院的水准。

• 他的反事实判断是：若当地医院按这个思路继续做诊断，诊断完成后再进行治疗，病人就立刻被救活了。但访谈只提供了这一案例，没有展开最终诊断、治疗结果或规模化评测。

3. 14B 开源模型承担的是医疗生态入口，而非流量营销

• 百川曾开源百川一、百川二，百川三和百川四没有开源；M-1 重新提供 14B 开源版本，是因为医疗不可能由百川独自完成，医院、体检中心和科研团队都需要本地部署与二次调优。

• 王小川称，这个 14B 模型的医疗评分超过通义千问 72B，一张 4090 即可部署；相比之下，更大的模型部署难度显著增加。其目标是降低行业进入门槛，并通过透明度建立医院对模型的信任。

• 程曼祺追问这是否受 DeepSeek 及 2025 年 1 月开源潮启发，王小川连续否认，称这是既定计划；同行集中发布反而分走了关注，但医疗行业仍能识别百川的“独有贡献”。

4. 中国追赶 O1 靠蒸馏，也夹杂“品相式复现”

• 王小川不回避蒸馏，称其为行业“公开秘密”：原本需要人类标注的数据，可以由更强模型生成，DeepSeek 也用大模型蒸馏并发布了一系列小模型，避免每个尺寸重新训练。

• 他同时认为，部分迅速发布的模型只是表现形式像 O1，实际能力仍有明显差距；因此“发得快”不能直接等同于完成同水平的原创突破。对于豆包 1.5 Pro 强调“不使用任何其他模型的数据”，他把它视为大厂对原创性的自主选择。

• 对 DeepSeek，他把中国公司与 OpenAI 的差距从此前的“慢一步”修正为“慢半步，或者说很接近了”。但他也强调，DeepSeek 已有算力、没有典型融资和商业交付压力，“不是一个典型的创业公司”，其环境难以复制。

5. 百川用医疗落地兑现“理想慢一步，落地快三步”

• 王小川给出的阶段表是：2023 年完成融资和团队组建；2024 年让大家相信医疗是未来，并吸引医疗人才；2025 年开始医疗落地。他认为医疗不是最后才解锁的困难场景，反而可能是较早产生重要价值的场景。

• 他的技术理想主义并不排斥产业结果：技术突破必须与生命科学连接，而创业公司下一轮融资也不可能只讲模型。“现在你就要产业落地了嘛，大家就要听你产业故事了。”

• 百小应是一次值得保留的自我批评。2024 年 5 月发布时，它仍是偏通用的聊天机器人；王小川说当时是“不得不发了，大家都催着你发”，属于外部压力下的动作，之后内部才持续强化医疗优先级。

• 对大厂，他始终强调组织能力必须尊重，尤其把 DeepSeek 视为“牌桌上最核心”的对手；百川的策略不是假设大厂迟钝，而是让公司“任何时候都得知道在它射程之外”。

6. 大模型不是在复刻物理世界，而是在用数学解构人

• 程曼祺把技术理想主义与科学怀疑放在一起追问，王小川区分了两者：信仰是更大的词，技术理想只是其子集；相信科学，则是相信实验验证能够帮助人类发现未知。

• 他认为旧科学范式过度依赖物理、数学公式，把数学用于给客观物理世界建模；大模型从语言开始，建模主体变成了人。“以前是用数学解构物理世界，现在是在用数学去解构人。”

• 在这一框架里，知识不是物理世界本身，而是人对物理世界的投射与“reflection”；语言则承载沟通、知识和思考。语言无法精确定义所有概念，不构成放弃它的理由，反而说明新的数学表示不再等同于简洁公式。

7. 对“生命的数学原理”的追问始于 2000 年的基因测序

• 王小川 2000 年的研究生毕业论文做基因测序拼接算法，当时就被一个问题吸引：“生命的数学原理是什么，生命是怎么工作的？”此后他逐渐认为，传统数学和物理不足以解释生命现象。

• 他学习中医并非把它直接称为科学，而是反复强调“中医是一种哲学”。他的逻辑是，理论解释不了已经存在的现象时，不能简单认定现象错误，而应寻找新的理论框架；百川还在进行中医相关科研，但他没有披露细节。

• 他用受精卵作例子：一个细胞能发育成人且长得像父母，看似自然，数学上却“不可思议”；三体和长期天气都可能不可计算，生命却从更高复杂度中产生规律。他因此把精确但熵增的物理世界，与复杂却呈现熵减的生命世界并置。

• 对“整个宇宙熵增”，他也保留怀疑：熵增要求封闭且不与外界交换物质能量，但人类无法验证宇宙满足这些条件。“不能用有限去推导无限”，在他看来这是理性继续向上的结果，而非感性退让。

8. AlphaGo 与魏则西事件共同导向“语言突破、医生增供给”

• 王小川把 2016 年的 AlphaGo 和魏则西事件视为一组对照：一边是 AI 能力令人耳目一新，另一边是普通患者面对医疗困境仍然无解。由此形成两个判断——“当机器掌握语言，强人工智能才到来”，以及医疗瓶颈不是挂号，而是医生供给不足。

• 挂号网、春雨、好大夫等模式解决的是连接，却没有增加医生供给；院士和顶级医生研究巅峰问题，普通人更缺的是可信的基层医生。因此他的主张不是让 AI 只辅助尖端科研，而是先实现“人人都有医生用”。

• 在搜狗时期，他投资了十多家医疗公司，覆盖 CRISPR、器官移植、肠道菌群制药、互联网医疗和低谷期的医疗 AI；2021 年搜狗告别信写下未来 20 年做“生命科学、大众健康”，2022 年又创办了五季健康。

9. ChatGPT 让长期语言积累第一次变成可执行的 AGI 路线

• 输入法本质上已在做“predict next token”，只是过去只能预测短词短句；搜索引擎也一直想从检索走向问答，却只能返回文章目录。王小川因此认为，自己对 ChatGPT 的判断不是突然跨界，而是输入法、搜索和问答系统积累的延续。

• 2023 年，他只需输入几个问题，就确认这不是旧 AI 的增量升级，而是“变天了，历史翻篇了”；他随即公开判断“强人工智能时代到来，AGI 到来了”，核心依据正是机器首次真正掌握语言。

• 到 2024 年，他把“第四次工业革命”进一步改写为“从科学时代走向智能时代”；在他看来，AI 不只提升生产效率，也开始改变科研范式，因此工业革命已不足以描述这次变化。

• 百川创立时没有公开突出医疗，是因为融资叙事只能先对标 OpenAI、讲通用模型；钱融到、团队理解场景后，他才明确解释“百”所承载的 Bio 含义，并把医学提升为最重要方向。

10. 医疗是“皇冠上的明珠”，因为所有 AI 能力都能在此叠加

• 王小川对团队提出的第一句话是“医疗是大模型皇冠上的明珠”。多模态可读取医学图像，具身智能可用于医疗，长窗口可记住一生病史，搜索可查论文，模型还必须持续降低幻觉；几乎每项 AI 能力都有医疗用途。

• 他反对把应用理解为模型发展路上的“沿途下蛋”，更偏好“水涨船高”：模型越强，医疗应用越超级，而不是被底层模型吸收。医疗的天花板足够高，能承载“超级模型之上的超级应用”。

• 他引用 Demis Hassabis 对生物医学进展的判断：未来 5 至 10 年的进步可能超过过去 50 至 100 年，原因不只是 AI 总结已有实验数据，而是 AI 开始参与实验设计、创造新数据。医疗由此从诊断应用延伸到 AI for Science。

11. “造医生等于 AGI”把抽象智能变成了可检验目标

• 王小川观察到一种矛盾：行业一方面说 AI 无所不能，另一方面一听“让模型做医生”又说太难；如果模型还不如医生，就不能轻率宣称智能已经完成。他于是把通用模型能力与医生能力“画等号”。

• 程曼祺的质疑是，朴素路径应当先造出“人”，再造医生、律师等职业；王小川反驳，“人”过于宽泛，写广告文案也是人的能力，医生则是复杂、智能含量高的职业之一，因而更适合作为 AGI 标尺。

• 他用自然数与偶数一样多作类比：医生看似只是人的子集，但无限集合可以建立一一映射；同理，造医生需要的能力集合可能与造通用智能一样大。“这样把命题转过来，就说造医生就是 AGI。”

12. 从通用团队转向医疗组织，真正难的是共同定义问题

• 这套战略约在 7 月的内部战略会上提出，王小川估计团队当时只理解了“五五开”；工程师会问自己能做什么，后来逐渐变成“人手一本医书”，每个技术团队也都必须与医疗相关。

• 百川当时已有医学产品部和 30 多名医生，又收购了一家约 40 人的医工结合公司，研究咳嗽音等能力。医学人员负责提出问题和建立评测体系，技术人员则要理解医疗数据、任务定义和评价标准。

• 王小川承认两种人才如何融合仍在摸索，但称团队已开始形成战斗力；他举例，新任医学总监经历了清华、协和联合培养 8 年，取得约翰·霍普金斯大学硕士学位，并在协和做了 6 年大内科，后来转向培养 AI 医生。

• 资本逻辑也随之切换：早期不讲通用模型很难融资，现在“光讲模型也融不到钱”；医疗落地给地方政府提供了可开放的真实场景，也成为百川后续融资需要证明的结果。

13. 儿科以供给缺口和院外需求成为最快商业化场景

• 北京儿童医院院长提出“造一百万儿童医生”，是王小川遇到的第一个与“造医生”理念高度同频的医院负责人。相比一些院士坚持“AI 永远不能成为医生”，儿科医生短缺使这一表述更容易被接受。

• 院方的判断是，未来约 80% 的儿科问题不必发生在医院；孩子反复就诊会造成医疗挤兑、交叉感染和整个家庭停工，年轻家长又更愿意尝试新技术，因此儿科兼具政策价值、用户接受度和潜在自费空间。

• 百川与医院规划“一大四小”：一个超大模型，向下分别覆盖家庭、社区、市级医院和儿童医院场景。简单问题由家庭中的家长与模型处理，复杂问题转入医院，AI 同时成为真人医生的助手。

• 配套的咳嗽音模型试图仅从一次咳嗽判断上、下呼吸道感染：前者可居家观察，后者需要进医院并接受干预。王小川称这些产品原计划在 2025 年一季度出现雏形，并在三四月进一步发布。

14. “Hospital at Home”把医疗中心从医院推向家庭与基层

• 王小川用“Hospital at Home”概括未来医疗：早筛、早发现、早诊、慢病管理和全病程管理，大部分都不应局限于医院，而应持续发生在家庭环境。

• 这既符合“强基层”的政策方向，也创造了商业增量。百川不在院内与真人医生抢既有工作，而是在院外帮助其提前发现风险、管理患者，再在需要手术和重症资源时把患者转回医院。

• 院外并不意味着完全脱离医疗体系：家庭端是“家长配合超级模型”，医院端则由同一模型成为医生助手，串联随访、复诊和院外管理。王小川认为，只有同时连接 C 端、医院和政府，产品才具有完整可用性。

15. 海淀试点把 AI GP 接进真实病历和家庭医生体系

• 在全科方向，百川把 AI GP 定位为基层 AI 医生，海淀区是关键试点。按访谈时的计划，2025 年一季度海淀居民都可能获得 AI 医生助理，而且模型与区域医疗系统和既有病历打通。

• 王小川指出，病历名义上归患者所有，但患者经常拿不到完整数据，拿到也难以使用；政府深度合作的意义，是让病历、AI 医生和社区医生形成“双医模式”，而非再做一个孤立聊天应用。

• 这一方案试图补足家庭医生计划的现实瓶颈：基层医生工作饱和，居民又缺乏信任，单靠签约难以继续扩张。AI 负责增加供给和持续服务，复杂问题仍需进入医院。

• 对宁波合作，他明确降温：当时仍处于签约过程，各地想法不同，不能直接复制海淀模式；访谈中真正已有较完整信息的，仍是北京儿童医院与海淀两个项目。

16. 三类付费方共同承担医疗 AI 的高服务价值

• 百川的第一优先级不是先选 To C、To H 还是 To G，而是先把“超级医生”造出来；一旦核心医生能力成立，患者、医学生、医院、政府等产品形态都可以向外展开。

• G 端收入来自家庭医生、基层岗位和区域公立医院改革；H 端由医院采购，并可能最终进入医保。王小川特别注意到，AI 医疗服务开始被纳入“医生服务”而非器械目录，尽管当时主要仍是影像项目，他判断范围会继续扩大。

• C 端初期可以由个人付费，但他认为同病种用户最终会汇集为多层次商业保险；因此第三条路径不是永久订阅收入，而是个人服务逐渐与商保结合。

• 出海被他视为更关键的增量：过去中国医疗公司基本只服务国内，模型却可能全球化。百川计划通过本地部署解决数据要求，并争取 2025 年内在发达国家做出成绩，但他没有承诺首站或具体合作。

17. To B 与 To G 不是卖项目，而是让 AI 医生持续“上岗”

• 王小川承认早期客户必须由百川更重地 in-house 交付，前几个样板跑通后，部署和周边信息化再交给合作伙伴；公司核心价值必须始终是模型和 AI 医生，而不是滑向定制外包。

• 深圳被列为北京之外的重点区域：当地拥抱创新，曾率先探索医联体，同时人均财富与医疗资源供给不匹配，因此对 AI 补充医疗能力的需求比资源丰富的北京更直接。

• 大模型光环让百川比搜狗时期更容易接触市委书记、省长、区长和卫健部门负责人；但王小川的反直觉发现是，领导层越高往往越理解创新，越到基层越受既有 KPI 约束，必须共同重设考核路径。

• 医疗项目仍会招投标，也会遇到各种自称 AI 公司的竞争者。王小川称百川讲完理念和能力后，合作方“无一例外，大家觉得应该选百川”；他强调的区别是，传统项目交付后离场，百川的医生会长期运营并对区域绩效持续负责。

18. 医疗超级模型更贵，但能以临床价值和科研数据回收成本

• 相比通用模型，医疗模型需要更多专业数据、专属任务和长期服务，成本只会更高；王小川拒绝以低价 Token 养活业务，理由是生命健康服务的单位价值足够高，可以覆盖更高推理和运营成本。

• 能力来源采取“一半一半”：外部有更强超级模型时可以调用，但咳嗽音、流畅且有情商的人机沟通等缺失能力必须自己训练。百川仍要掌握 pre-train、post-train、强化学习和 RAG，而不是只封装外部 API。

• 更远期的壁垒来自 AI 医生成为科研工作者。王小川把研究型医院浓缩为“入院即入组”：病人进入医院后，诊断、干预、结果和持续观察都应留下结构化记录，而不是治疗结束后丢弃临床数据。

• 极端形态是“出生即入组”——AI 医生从出生起陪伴个人，形成完整健康轨迹，由此推动生命科学研究。“先有 AGI，再有生命科学”，是他为百川设计的长期方向。

19. 数据飞轮依赖顶级医学任务，不是无差别收集病例

• 百川通过医院协作、医学期刊任务和北京市重点实验室获得可用数据；北京儿童医院的数据并非直接交给公司，而是在双方共建实验室主体中共享和研究。

• 王小川区分了 pre-train 与高质量“金标准”：前者需要规模，后者必须来自顶尖医院和优势科室；普通城市医院把所有数据交出来，未必对模型提升有明显帮助。

• 对“用户越多、模型是否自动越好”的数据飞轮，程曼祺拿 MiniMax 与豆包的不同判断追问；王小川没有给确定答案，只说“多多少少都会有一些”，但自己尚未找到足够好的定义维度。

• 这份保留很关键：百川相信长期诊疗数据能够推动模型和科研，却没有把所有用户增长直接等同于模型增长，也没有在访谈中给出数据质量、授权和反馈闭环的统一公式。

20. 超级应用会是“医生朋友”，而不只是低频诊断工具

• 王小川没有改变超级应用门槛，仍以至少 3000 万至 1 亿 DAU 衡量。中国一年约 84 亿就诊人次，日均超过 2000 万；他还引用百度健康搜索约 5000 万 DAU、4 亿多次请求，证明健康需求本身足够高频。

• 单次诊断不足以支撑超级应用，慢病管理、长期保健和持续健康咨询才可能达到这一规模。C 端形态是随时可找、记得个人历史、站在患者角度思考的“医生朋友”，还能在就诊后分析真人医生是否可靠。

• 医院端，同一能力成为医生助理，覆盖院外随访和全病程管理；因此超级应用未必只是手机 App，也可以被称为 service 或 application，关键是“总得给你干点活”。

• 他甚至设想一个物理形态的“大白”，但区别于以 pick up 和搬运为核心的工业机器人：百川想做的不是最懂物理世界的机器，而是会察言观色、理解 intention、掌握健康状况并引导干预的“懂人的机器”。

21. 医疗、语言和生命数据构成通用模型难以直接抹平的边界

• 面对“最强通用模型会吃掉一切垂直应用”的观点，王小川用爱因斯坦作比：再聪明的人，没有医学数据和训练也不一定会看病；生命科学还会产生今天通用模型中不存在的新数据与新范式。

• 他把技术时代划为三段：科学时代把物理变成数学，智能时代从把语言变成数学开始，共生时代则把生命变成数学。生命科学与具身智能位于今天 AI 能力之外，因此不会简单被现有通用模型覆盖。

• 大厂进入并非不可能，但他认为腾讯、百度当时都在降低医疗投入；医疗既要求高创新，又消耗不小资源，对创业公司太重，对大厂又不是最高优先级，这给百川留下了窗口。

• 蚂蚁收购好大夫在线是明确反例，但王小川判断其优势仍在支付环节、院内连接和商业模式设计，属于完整战略部署，而不是冒险突破 AI 医生供给；它更多改变生产关系，尚未沿“造医生”路线改变供给。

22. 慢思考、工具创造与组织重构共同决定百川能否兑现终局

• 在 M-1 中，视觉主要承担医患交互，不代表智力本体；真正的技术跃迁是 O1 把语言从“快思考”推向“慢思考”。医疗强化学习比数学、编程和围棋更难，因为反馈并非总是清晰对错，还要理解鉴别诊断、医学任务和沟通逻辑。

• 王小川坚持“视频里没有智力”：视觉可能贡献数据和交互，但语言不是用完可扔的“拐棍”，他的最低让步只是把语言称为限制整体结构的“脚手架”。对莫拉维克悖论，他的回应是，机器过去既不会语言也不会感知，只是这一次语言率先被数学化。

• 强化学习之后，他看好两步：先调用工具，如 Anthropic 的 Computer Use 和 OpenAI 的 Operator；再创造工具，尤其让模型自己写代码、运行代码并解决自己的任务。“造工具”可能成为下一次范式迁移，因为语言和工具正是人与动物的经典分界。

• 时间表上，他预计 2025 年内“医生朋友”就能回答部分复杂问题，包括疑难杂症和罕见病；若有人判断通用 AGI 在 2027 年到来，AGI 医生也会在附近时间到来。手术机器人仍是后续阶段，更远期甚至可能走向人机一体化，他强调延续的是“人类文明”，而非不变的肉体。

23. 终局不是卖出公司，而是让“造医生”成为可持续制度

• 与搜狗时期相比，这次创业没有母体，需自行定义公司，又必须快速组织数百名目标各异的员工；王小川认为自己不再只相信技术精英，而是同时思考产业、资本、医学与组织。

• 百川的第一终局是解决医疗“不可能三角”，让所有人用上好医生；第二终局是凭持续临床数据开辟医学科研新范式。是否被收购不是核心，“把医生造出来”才是；他接受“功成不必在我”，但强调百川必须承担位置和责任。

• 技术团队还不够年轻化，是他的主动诊断。2023 年需要快速招成熟人才，后来则更需要毕业两三年甚至实习生承担挑战性任务；与此同时，医疗又必须依靠经验丰富的医生，组织难题是让两种“气味”真正相投。

• 创业没有改善他的健康，也不能简单称为快乐，却修补了“我是谁”的理解：他确认自己对生命健康方向的 vision，并感到幸运地参与了 AI 浪潮。公司仍需从“兴奋技术”转向结果导向，仅有技术理想、没有场景认知，在他看来已经不够。

24. AI 医生的最大期权是“生物自由”，最大未知是人的价值

• 王小川借用“生物自由”描述远期结果：类似财务自由，人不再被疾病持续困扰；这不等于长生，他本人也不希望无限延寿，认为使命完成后继续存在可能只是“垃圾时间”。

• 从“入院即入组”走向“出生即入组”，目标是少生病、早发现并从疾病干预转向健康研究。程曼祺追问个人是否愿意让渡全程数据，他以患者会如实回答医生、许多人更愿在线询问皮肤病或性病回应，但没有展开制度化授权方案。

• 对精神健康，他区分心理、精神和神经：神经问题相对容易，精神问题更难；抑郁还需区分病理与情绪，一些识别任务未必只靠大模型，而会调用其他技术。

• 他不再把这次变化称为工业革命，因为过去工业革命让社会分工越来越细，人变成螺丝钉；AI 可能让大量工种消失、社会分工收缩、供给爆发。王小川期待世界被“压平”、多数人过得更好，却坦言供给剧增后“人在里面价值如何体现，是一个想不通的事儿”。

• 对未来十年，他的判断既确定又克制：人与机器关系、教育方式和价值创造都会天翻地覆，但很多具体结果现在看不清；技术也不足以单独解决政治、气候和制度问题。2025 年他最期待 AI 医疗解锁真实场景，非 AI 事件则是“看特朗普怎么折腾”。