最近和一位做AI 应用的读者交流健康OS,他提到了一个让我印象很深的概念：Palantir 的 Ontology（本体论）。
简单来说，企业里的数据并不是天然能够被 AI 理解的。客户、订单、供应链、生产设备、财务数据……这些信息来自不同系统，AI要真正参与业务，需要先理解：
什么是对象？
对象之间有什么关系？
哪些因素影响决策？
哪些行动会带来什么结果？
因此，Palantir提出的 Ontology，本质是在帮助 AI 建立一个关于企业现实世界的结构化理解。
但当这个思路放到数字健康领域，一个更复杂的问题出现了：
健康 AI 缺少的，真的只是数据吗？还是我们是否真正建立了一个能够理解“健康如何变化”的世界模型？
企业 AI 和健康 AI 的最大区别，在于它们面对的问题起点不同。
企业场景中，业务流程通常已经存在，例如，订单 →采购 →生产 →交付；客服：问题 →分类 →解决方案 →反馈。AI的任务是理解这些已有流程，并提高效率。
但健康完全不同。例如，帮助一个人改善睡眠，看起来可以设计一个流程：
检测睡眠 →分析问题 →提供建议 →提醒执行 →反馈调整。
但真正困难的问题是，这个流程本身是否正确！
一个人睡不好，到底应该改善运动？调整饮食？改变光照？补充营养？降低压力？还是减少对睡眠的焦虑？不同人的原因可能完全不同。
因此健康 AI 真正需要理解的，不只是“这个人的睡眠数据是多少”，而是：
· 什么因素导致什么结果；
· 什么干预对什么人有效；
· 哪些行为是真正关键变量；
· 为什么用户无法执行；
· 如何根据反馈不断调整。
所以，
企业 AI 的挑战，是让 AI 理解已经存在的业务世界；
健康 AI 的挑战，是建立一个能够理解健康变化规律，并指导行为改变的健康世界模型。
而这也引出了本文真正想讨论的问题：
在数字健康领域，什么样的数据才真正具有资产价值？
在企业 AI 中，Ontology 的价值在于让 AI 理解“什么是客户、什么是订单、什么是业务流程、什么因素影响结果”。而健康领域，如果 AI 要理解“健康如何变化”，它需要理解的同样不是孤立的数据指标，而是：
状态、行为、干预和结果之间的关系。
这也意味着，未来健康 AI 的竞争并不是简单争夺更多健康数据，而是重新定义“什么数据才真正具有价值”。
我们可以从产业演进的角度，看这个演变过程：
过去产业首先解决的是“如何让身体状态被看见”，大量企业围绕可穿戴设备、生物标志物检测，以及从肠道菌群、基因到影像等多维健康检测建立数据入口。
这一阶段的核心竞争力，是获取更多、更连续的健康数据。
因此，建立数据入口、整合多源健康数据，并为 AI 提供可理解的数据基础，在当下仍然是一门常做常新的生意。
但今天做这些生意的公司，它们的商业目标也不是永远停留在“采集数据和结构化处理”这个阶段。
随着 AI 的发展，越来越多系统开始解决一个新的问题“这些数据到底意味着什么”？
这实际上也是近两年欧美主动健康（长寿）产业发展最快的方向之一——整合多种健康数据来源，为用户提供个性化解释和建议。
备受资本关注的美国主动健康平台 Function Health、Superpower 等，就是这一趋势的典型代表。它们通过整合血液生物标志物、生活方式数据以及其他健康信息，帮助用户建立更加完整的个人健康画像，并进一步提供个性化洞察和行动建议。
除了这些面向消费者的大型主动健康平台，市场上还出现了大量针对特定健康问题的数据解释平台，例如聚焦肠道健康的 Tiny Health，以及围绕饮食、血糖和代谢管理的 January AI等。
与此同时，可穿戴设备的发展，也进一步推动了健康数据解释能力的提升。以 Oura、WHOOP 为代表的可穿戴设备企业，正在探索将连续生理数据与血液生物标志物以及生活方式（行为）数据结合，为健康洞察提供更深度、更具行动价值的视角。
这一趋势也正在被大型科技公司验证。近期，苹果通过 Apple Health 与 Quest Diagnostics 合作，让用户能够直接通过健康应用购买实验室检测套餐，并将超过 50 项生物标志物检测结果整合进入健康数据体系。
像苹果这样的大型科技公司的加入，说明从“健康数据入口”向“健康理解系统”趋势迁移已经不可逆转了。
实际上，不仅是苹果，近两年欧美市场还不断出现大量小型创新公司，提供更加个性化和深度化的健康解释服务。
这在过去实际上是很难想象的，因为 AI 正在极大降低健康数据解释的门槛。
这也意味着，未来仅仅依靠数据整合、健康分析和个性化建议，很难形成长期壁垒。因为从健康数据中发现问题，并进一步基于医学指南、循证研究（或构建相关知识库）提供建议，本身的门槛正在降低。
而且，光是提供建议，你还是不能最终帮用户解决问题——因为即使是慢病的药物干预，也是要涉及到行为依从性。我们之前就曾经写过一家公司，这家公司就是靠现金激励用户坚持服药，获得了一些保险和资本的认可。
当然，随着可穿戴设备的发展，现在越来越多企业开始关注用户行为数据：
用户做了什么？
是否完成目标？
生活方式如何变化？
但知道这个人做了什么 ≠ 知道什么方法有效，真正稀缺的数据应该是：
经过真实干预验证的数据。
例如，100万人中：什么年龄？什么健康状态？面临什么问题？采用什么干预方案？是否坚持执行？最终产生什么结果？
这些数据回答的是“什么方法对于什么人有效”。这才是健康 AI 真正需要学习的东西。
但问题是，为什么这样的数据过去如此稀缺？因为健康产业最大的难点，从来不是不知道答案，而是把简单直白的建议（如多吃植物蛋白，多运动）转化为具体行动：
· 帮助用户降低行动门槛；
· 根据反馈调整方案；
· 解决执行过程中的各种障碍；
· 最终形成新的生活习惯。
但这种能力过去高度依赖营养师、教练、健康管理师个人经验，成本高难以规模化。
实际上，我最近的一个小规模健康行为改变实验，本质上也是在观察这个过程。这其实也说明了未来健康 AI 的核心机会不是生成更多健康建议，而是将这种专家级行为管理能力规模化。
因此，健康数据的价值正在发生迁移：
状态数据（发生了什么）
↓
解释数据（做了什么）
↓
行为&结果数据（是否改善）
↓
行为改变模型（什么方法对什么人有效）
过去产业关注“谁拥有更多健康数据”，未来真正有壁垒的企业关注：
谁拥有更多经过验证的行为改变模型。
换言之，未来那些仅仅告诉用户“你的健康出了什么问题”的系统，门槛会越来越低，真正值得关注的是能够回答：
“对于像你这样的人，下一步应该做什么，以及如何帮助你做到。”
的系统。
而这种系统，本质上要求 AI 要理解健康变化背后的因果链条。它需要通过大量真实用户行为反馈，逐渐建立对以下问题的理解：
· 一个人的健康状态是如何长期形成的；
· 哪些行为变量真正影响最终结果；
· 不同干预方式在什么情况下对什么人有效；
· 用户为什么无法执行，以及如何降低执行过程中的阻力。
换句话说，健康 AI 真正需要构建的，不只是一个健康数据模型，而是一个“行为—干预—结果”的动态模型。
而要让这样的模型真正转化为用户行为改变，关键在于构建一个能够持续推动执行的 AI 执行层。这个执行层需要解决三个核心问题：
传统健康建议的问题，在于它往往假设：所有人的最佳方案都是一样的。例如：
“每天运动30分钟。”
“减少碳水摄入。”
“保持规律睡眠。”
这些建议本身没有错，但它们忽略了一个关键问题：
人在不同情境下，对健康行为的执行能力完全不同。
一个昨天睡眠不足、今天工作压力巨大、过去一周运动中断的人，和一个规律训练、状态良好的人，即使拥有同样的健康目标，也不应该接受同样的建议。
因此，未来健康 AI 的第一个能力，不是知道更多健康知识，而是理解：
· 用户当前的身体状态；
· 最近的行为变化；
· 工作和生活环境；
· 历史执行情况；
· 当前最大的阻力是什么。
然后做出动态调整。它提供的不是“理论上最优的方案”，而是：
在当前情境下，最可能被执行的方案。
还有很多情况下，健康改变失败，是因为人每天面对大量微小选择，使得正确行为太难发生，比如
· 今天太阳有点大，是骑行还是开车去上班？
· 好困啊，今天要不要去跑步？
· 早餐出去随便吃个包子，还是给自己做个全麦三明治？
· 晚上继续追剧还是看会书早点睡觉？
· 是爬楼还是坐电梯？
单次选择看起来微不足道，但长期累积决定健康结果。因此，健康执行系统需要具备一种能力：
不是不断告诉用户“应该做什么”，而是设计环境让正确行为更容易发生。
例如，发现用户过去经常在晚上放弃运动，那么 AI 不应该只是提醒“今天请完成运动”，而应该进一步分析：
· 为什么失败？
· 时间安排是否冲突？
· 目标是否过高？
· 是否需要降低行动门槛？
· 是否应该调整到更容易坚持的微习惯？
这实际上对应行为科学中的 Nudge（助推）。
过去，优秀健康教练、营养师、行为干预专家会根据经验完成这些调整。而 AI 的价值，在于第一次有可能把这种个性化助推能力规模化。
此外，行为改变失败的一个最常见情况是，我们的行为太容易受心情影响。
很多人在开始健康计划时并不缺少动力，真正的问题发生在第一次失败之后。一次饮食失控、一次运动中断、或一次心情不好导致的一天行为中断，都可能让用户产生“反正做不到”、“这个方法没用”、“我坚持不了”等种种情绪，于是重新回到旧习惯。
优秀的健康教练之所以有效，并不仅仅因为他们懂健康知识，更因为他们知道：
· 什么时候应该提高要求；
· 什么时候应该降低目标；
· 什么时候需要鼓励；
· 什么时候需要重新设计方案。
未来健康 AI 如果能够理解用户状态，并根据长期互动调整策略，它才可能成为真正的行为伙伴。
这也是为什么执行层最容易形成长期壁垒。
因为知识可以被大模型快速复制，数据可以通过设备快速采集，硬件可以通过供应链快速制造，但一个经过大量真实用户反馈验证的行为改变系统，需要长期积累。
如果前面的判断成立，那么我们就可以理解，为什么过去几年美国一些受到资本市场关注的数字健康公司，都在往这个方向走。
以 Oura Health 和 WHOOP 为代表的新一代可穿戴公司，随着数据积累已经在尝试进一步回答“基于你的状态，下一步应该如何行动”，健康操作系统的概念也是他们最早提出的。
前面我们也报道过，一些非硬件的软件即服务提供者，一方面整合来自不同设备和应用的数据，形成对用户状态的理解；另一方面开始基于实时反馈，为用户提供更加具体的行动建议。例如，Levels 通过整合血糖、饮食、运动、睡眠等数据，将健康目标转化为日常可执行的 Habit Loops 和小行动；Signos 则基于 CGM 数据，在发现血糖变化时提供即时的行为调整建议，例如短时间活动、饮食调整等。一些新的应用，已经开始尝试将这种行为智能嵌入真实生活场景中。
也就是说，可穿戴设备及基于这些数据提供服务的软件应用，真正的价值已经不在传感器本身，而在传感器背后不断积累的“状态—行为—结果”关系。
以 Sword Health 为代表的数字健康服务则是通过 AI 和临床专业人员结合，把过去依赖专业人员的健康干预规模化，为用户提供持续的康复过程管理。
其 AI Care 模式强调根据用户情况进行个性化调整，利用持续反馈优化治疗过程，通过 AI 辅助提升服务规模。
这其实就是前面所说的执行层。它的核心资产并不是某个硬件，而是在大量用户互动中积累：
什么方案有效；
什么阶段需要调整；
什么因素影响恢复。
数字营养平台的发展逻辑也类似。以 Nourish 为例，它将注册营养师服务、数字工具和持续跟踪结合起来，帮助用户完成长期饮食改变。
未来 AI 在这里最大的价值，不是替代营养知识，而是降低记录成本、沟通成本、反馈成本、持续陪伴成本，最终让过去昂贵的人工服务变得可规模化。
除了上面提到的数字健康企业，还有一类企业拥有另一种非常有价值的数据：
用户日常生活中的真实选择。
Hungryroot 的发展方向，就是利用 AI 将这种消费行为数据转化为个性化健康饮食决策。其 SmartCart 系统通过用户的饮食目标、偏好、购买反馈等信息，不断优化商品和食谱推荐，让用户更容易完成健康饮食选择。
公司称 SmartCart 基于大量用户互动数据运行，用户接受推荐商品的比例超过60%。大概受益于AI的应用，公司最近几年业绩连续增长，2025 年披露收入达到 7 亿美元，同比增长55%，服务约150万用户、70万家庭，并实现盈利。
大家都知道数据具有价值，但未来我们可能需要重新理解“数据资产”这件事。
至少在非医疗数字健康领域，并不是所有数据都具有同等价值。真正有价值的数据，应该是连接了行为、干预和结果闭环的数据。只有这样的数据，健康系统才能证明自身创造的实际价值，支付方才有可能基于结果进行付费。
这也是为什么美国一些数字健康公司能够逐步进入保险支付和企业健康管理体系。其核心并不只是美国支付制度的特殊性，而是这些公司正在积累支付方真正关心的数据：
什么样的人 → 采取什么干预 → 最终产生什么健康改善。
而在健康零售领域，像 Hungryroot 这类平台积累的真实消费行为数据，如果利用得当，也可以直接转化为长期商业价值，并体现在持续增长中。其关键在于，用户购买的不只是商品，而是在平台帮助下更容易实现健康目标。因此，平台积累的不只是交易数据，而是真实的“需求—选择—结果”反馈。
当然，这条路并不容易。
因为它需要长期积累真实用户行为反馈，并不断验证和优化行为模型。也正因为如此，一旦形成经过真实世界验证的“行为—干预—结果”系统，它的壁垒才会远高于单纯的硬件能力或数据采集能力。
这也是我自己正在进行的小规模健康行为实验背后的长期目标：
免责声明：
智慧医疗网转载其他网站内容，出于传递更多信息而非盈利之目的，内容仅供参考。版权归原作者所有，若有侵权，请联系我们删除。
本平台所发布信息的内容和准确性由提供消息的原单位或组织独立承担完全责任!
凡来源注明智慧医疗网的内容为智慧医疗网原创，转载需获授权。
