当药物研发开始“先做人再做人”：Mantis Biotech想用数字分身填平医疗数据荒

医学行业最不缺的，可能就是“数据很重要”这句话；最缺的，则往往恰恰是真正能用的数据。

纽约初创公司 Mantis Biotech 最近抛出的想法，听上去像科幻片：为人类建立“数字孪生体”——也就是一个可模拟解剖结构、生理状态乃至行为变化的虚拟人。公司希望把教科书、动作捕捉、可穿戴传感器、训练日志、医学影像等零散信息拼起来，再借助大模型和物理引擎，生成高保真的合成数据集，用来训练预测模型。它的目标不小：从手术训练、医疗测试，到药物研发和预防性健康管理，都想插上一脚。

这家公司刚拿到 740 万美元种子轮融资，领投方是 Decibel VC，Y Combinator、Liquid 2 和几位天使投资人跟投。融资金额在今天的 AI 创业潮里算不上惊人，但它切入的问题很关键：生物医学研究不是没有数据，而是高质量、可共享、能覆盖极端情况的数据太少。

医疗 AI 的最大瓶颈，不是模型不够聪明，而是病人不够“出现”

过去几年，AI 在医疗里的叙事非常热闹：能读影像、能写病历、能辅助诊断、能加速新药发现。可一旦进入真实场景，问题就暴露了。医院数据高度碎片化，格式不统一，隐私约束极强，很多罕见病样本数量少得可怜。模型在常见病例上或许还能表现体面，但遇到边缘案例，很容易露怯。

这也是为什么“数据可得性”成了医疗 AI 的老大难。互联网行业习惯了“用户越多、数据越多、模型越强”的飞轮逻辑，可医疗不是短视频平台，不可能靠一键授权就抓取海量行为数据。患者信息不仅敏感，还牵涉伦理和监管；很多病例就算真实存在，也未必能进入公开数据集，更别说被拿来训练商业模型。

Mantis Biotech 试图绕开的，正是这个僵局。它不直接向市场兜售“我们有更多病人数据”，而是想说：我可以根据有限的真实世界信息，加上物理约束和多源知识，生成可信的虚拟样本。换句话说，它押注的是“可计算的人体”，而不是“更多被收集的人体”。这条路径的诱惑很大，因为一旦成立，意味着医学研究不必永远被真实样本数量卡住脖子。

不是简单造假数据，而是想造一个“讲物理”的虚拟人

很多人听到“合成数据”会本能警惕：这不就是 AI 自己编数据，再拿编出来的数据训练 AI 吗？如果只是这样，那确实很危险，容易在幻觉上叠幻觉。

Mantis 的说法是，它的关键层不只是大模型，而是物理引擎。公司的流程大致是：先把来自教材、运动捕捉摄像头、生物传感器、训练日志和医学影像的数据收进来，再由基于 LLM 的系统做路由、验证和综合，最后交给物理引擎去生成符合解剖学和运动学规律的高保真模型。这里的核心意思是，虚拟人不能只“像”，还得“合理”。关节怎么转，肌肉怎么发力，身体缺失一根手指后手势会怎么变化，这些都不能只靠文本统计相关性去猜。

Mantis 创始人兼 CEO Georgia Witchel 举了个很直观的例子：如果让计算机去做一个缺失手指者的手势估计，公开可用的标注数据几乎没有。但如果你有一个足够靠谱的物理模型，就能把某根手指“拿掉”，快速生成对应数据集。这件事听上去有点冷冰冰，却精准击中了医疗 AI 的痛点——现实里最难收集的，恰恰是那些少见、异常、无法标准化的大量情形。

从技术路线看，这家公司有点像把三类东西缝在一起：一部分是生成式 AI 的数据整合能力，一部分是数字孪生在工业界已经验证过的建模思路，还有一部分则来自计算生物学和生物力学。此前，数字孪生更多用在飞机发动机、工厂设备和城市基础设施上，因为这些系统可以部署传感器、持续采集数据、建立闭环。把这套方法搬到人体上，难度高了不止一个量级：人不是机器，人会疲劳、受伤、情绪波动，生活方式也会不断改变。也正因如此，这个方向一旦推进成功，价值会非常大。

为什么这家公司先在职业体育里跑通，而不是先去医院

Mantis 眼下最顺利的落地场景，不是在三甲医院，也不是制药巨头实验室，而是在职业体育，尤其是高水平运动员管理。公司称其主要客户之一是一支 NBA 球队，它会为球员建立数字表征，追踪他们在过去一年里每天的起跳表现，再与睡眠、训练负荷、抬手次数等变量做对照。

这个切口其实很聪明。职业体育是少数几个同时具备“高价值个体”“高频传感器数据”“明确预测需求”的场景。球队愿意花钱，只要能少伤一个核心球员，或者提前判断某个动作模式是否会引发跟腱风险，投入就有现实回报。相比之下，医院的数据体系更复杂，采购流程更漫长，伦理审查也更严。对于一家还在打磨产品的创业公司来说，先在体育领域证明模型有效，再向更严格的医疗和药物研发领域渗透，节奏上合理得多。

这也让我想到近几年一个常见趋势：很多“严肃医疗 AI”最终都是从相对市场化、决策链更短的旁支场景先起量，比如保险、康复、运动医学、临床文书，而不是一上来就冲击核心诊疗流程。因为真正的医疗创新，不是技术做出来就完事，它还得穿越监管、责任归属、医生接受度和支付体系这几堵墙。职业体育则像一个低压试验场，能让公司先把数字孪生这件事从 PPT 拉到真实应用里。

药物研发会因此提速吗？会，但别急着把虚拟人当成替身

Mantis 对外讲得最诱人的愿景，还是制药和 FDA 试验相关场景：如果能模拟患者对治疗的反应，就可能帮助研究人员更早筛选方案，更快理解疗效和副作用，甚至缓解临床试验样本难找的问题。这个方向为什么让资本兴奋，很简单——新药研发太贵、太慢、失败率太高了。任何能提前淘汰坏方案、缩短试验周期的技术，都有被认真对待的理由。

但我对这类故事始终有一丝保留。数字孪生体再逼真，也不能天然等于“真实人体替身”。人体不是一个完全由力学和生理参数决定的封闭系统，药物反应会受到遗传背景、合并症、环境暴露、服药依从性，甚至社会因素影响。模型可以帮助研究者缩小搜索范围、优化试验设计、补足稀缺样本，却很难在短期内彻底替代真实临床数据。

更大的争议点还在于：谁来证明这些合成数据“足够真”？如果一套数字孪生模型在某些人群上有系统偏差，它会不会把偏差包装成科学结论，反而影响医疗决策？这在罕见病、残障人群和少数族裔人群上尤其敏感。因为这些本来就是数据最稀缺、最容易被忽视的人。AI 医疗最怕的，不是没有雄心，而是把样本缺失误判成普遍规律。

当然，Witchel 的一个表述我倒觉得很有意思。她说，希望大家像小孩拿着芭比娃娃乱折腾那样去“测试”这些数字分身。这个比喻带点顽皮，但背后的想法很明确：在虚拟人体上大胆试错，总比在真实患者身上冒险更合伦理。如果这套体系真能把隐私压力和实验成本一起降下来，它确实有机会改变医学研究的前期方法论。

从行业对比看，Mantis 不是唯一在押注“虚拟患者”的公司。过去几年，做合成临床数据、模拟试验、数字病理和计算生物学的平台层出不穷，一些大药企也在内部建设自己的患者建模系统。Mantis 的差异化，似乎在于它更强调人体运动、生理行为与物理建模的结合，这让它在体育、康复、外科机器人训练等场景更有故事可讲。但接下来它必须回答两个很硬的问题：模型到底能预测到什么程度，以及这些预测能不能被医生、研究人员和监管者相信。

医疗科技行业最迷人的地方，就是它总在“人命关天”和“工程优化”之间摇摆。你会一边为技术进展兴奋，一边又不得不提醒自己：这里容错率极低。Mantis Biotech 这次融资，不意味着虚拟人马上会走进每家医院，却很可能预示着一个方向正在变清晰——未来的医学研究，可能不再只围着患者样本转，而是开始越来越依赖一个与真实世界相互校正的数字世界。

如果说工业革命教会人类先在机器上装传感器，再做预测性维护，那么 AI 时代的医疗，或许正试图对人体做同样的事。只是这一次，我们面对的不是发动机，而是人类自己。这件事，听起来很酷，也足够让人保持警惕。