那么，在癌症治疗这个领域，超级智能究竟可以带来什么？
现在的肿瘤医疗，基本遵循一个相对完整的流程：癌症诊断、分期、风险评估、分子检测、治疗决策、疗效监测、毒性管理，以及长期随访。与许多依赖手术和操作技术的专科相比，肿瘤内科有一个很鲜明的特点：高度依赖疾病生物学、分子通路、临床证据和逻辑推理。如果把电子病历（EMR）、临床指南、专家共识、临床试验、药物信息和患者的个人数据整合起来，从技术架构上看，完全可以设想一个End-to-End Oncology Care系统。一个新诊断癌症的患者进入系统，SI自动收集既往病历、影像、病理、基因检测、合并症、用药史，以及社会健康决定因素（Social Determinants of Health）。随后，系统完成诊断信息整理、分期、风险分类、分子通路分析，识别重要并发症和信息缺口，提出需要补充的检查，生成符合指南和专家共识的治疗方案，并根据患者的具体情况进行调整。这些工作今天已经可以部分实现。真正困难的，是如何把它们可靠地连接起来，并在真实世界中持续验证。
Tesla FSD的发展，让我对End-to-End Training有了新的认识。大量真实世界驾驶数据，帮助系统学习复杂环境中的决策。但肿瘤医疗不能简单照搬自动驾驶。我认为，Oncology SI需要的是End-to-End、High-Quality、Goal-Directed Training。其中最重要、也最困难的，是定义Goals。第一个目标，应该是最大化患者有质量的寿命（Quality-Adjusted Survival），同时合理控制医疗成本。但这只是起点。医疗是一个复杂的生态系统。患者希望获得最好的治疗、尽可能低的个人负担；保险公司关注成本；医疗机构需要维持运营；药企需要回收研发投入，支持下一代创新。一个理想的SI系统，不能只优化其中某一方的利益，而应在患者利益优先的前提下，兼顾医疗资源的可持续性。更重要的是，不同患者对医疗的理解和期待完全不同。有人希望掌握每一项数据，积极接受检查和治疗，尽可能降低疾病进展风险。也有人更重视平静的生活，愿意承担一定风险，以减少频繁检查、治疗副作用和医疗干预。同样的诊断、同样的分期，不一定意味着同样的最佳选择。所以，Oncology SI不能只有一个统一的优化目标。它需要理解每个人对寿命、生活质量、风险、经济负担和自主权的不同权重。
当一个人刚刚被诊断癌症，他面对的不仅是一个疾病，更是人生的一次重大变化。应该怎样理解这个诊断？现在最需要知道什么？哪些事情可以一步一步来，不必第一天就全部想清楚？怎样把复杂的疾病生物学、治疗选择和预后信息，用患者真正听得懂的方式解释清楚？怎样帮助患者重新安排工作、家庭、旅行、运动，以及接下来几个月甚至几年的生活？这就是The Art of Medicine。我可以想象，未来的SI能够根据患者的教育背景、语言、文化和个人偏好，自动生成文字、图表、视频，甚至由虚拟医生进行互动讲解。患者和家属可以随时提问，反复讨论，不必担心医生时间有限。人类肿瘤专家最初进行Peer Review，检查医学准确性、沟通质量和决策合理性。随着系统积累足够的前瞻性证据，部分低风险、标准化的工作可以逐步提高自动化程度。但有一点不能忽略：能解释一个治疗方案，不等于真正理解一个人愿意为它付出什么代价。在很长一段时间里，人类医生的重要价值，可能正是在诊断初期帮助患者建立信任、设定Goals of Care，以及面对那些没有唯一正确答案的选择。
既然未来可能出现SI主导的肿瘤医疗，为什么不设计临床试验来比较？Human Oncology Care versus SI-Assisted Oncology Care。可以从标准化程度较高、治疗路径清晰的癌种和临床场景开始，采用随机对照或务实性临床试验设计。评价指标包括Overall Survival（OS）、Progression-Free Survival（PFS）、Quality of Life（QOL）、患者报告结局和治疗毒性、医疗成本、患者自付费用、就医效率、等待时间，以及患者满意度、决策质量和医疗公平性。初期还应重点评估诊疗准确性、指南依从性、重大错误、患者安全和医生工作负担。当系统的安全性得到验证，再逐步扩大自主决策范围。如果有一天，经过严格试验证明，SI参与的医疗可以让患者活得更久、更好，同时花费更合理，那我们就有理由重新思考肿瘤医疗的组织方式。
人类肿瘤医生的水平会不会退化？我想，某些能力确实可能退化。就像长期使用自动驾驶以后，人类司机的部分驾驶技能可能下降一样。当SI承担越来越多的分期、指南检索、治疗方案比较和常规决策，医生独立完成这些工作的熟练程度可能降低。这并不是一个可以轻描淡写的问题。未来的Oncology SI也可能逐渐成为一个复杂的Black Box。我们未必能完整理解它内部每一步推理。但医学系统不能只因为最终统计结果不错，就放弃对个体错误的追责、对算法偏差的监测，以及在系统故障时由人类接管的能力。我想，未来医生的训练重点可能发生变化：从记忆大量知识、独立完成每一步判断，转向提出好问题、定义治疗目标、识别系统错误、处理例外情况，以及理解患者的真实需求。人类专家不一定需要做所有事情，但必须知道什么时候不能把事情交给机器。
还有一个我越来越在意的问题：超级智能的弊病，也许恰恰来自它过于强大的认知和行动能力。人类的认知本来就有边界，有些事情不知道，或者暂时不能知道，其实是一种保护。尤其在医疗领域，并不是每一项风险都需要被揭示，每一种异常都值得追踪，每一种可能的疾病都需要提前干预。一个能够分析所有基因变异、预测各种疾病风险、持续监测每一个生理指标的SI，如果缺乏边界感，很容易把健康生活变成无休止的风险管理。今天我们已经能看到一些苗头：健康数据越来越多，检测越来越敏感，但人未必因此更加安心。未来的SI可能知道得太多、做得太多，甚至比患者本人更急于消灭所有不确定性。这时候，真正重要的能力也许不是继续提高智能，而是学会克制。什么信息值得告诉患者？什么时候告诉？哪些发现可以暂时观察？哪些检查虽然能够做，却没有必要做？什么情况下应该停止分析，尊重一个人选择平静生活的权利？我希望未来的SI不仅有强大的推理能力，也有清晰的边界感和服从性（Alignment and Corrigibility），知道自己的职责是服务人类，而不是用自己的逻辑替人类决定人生。一个足够成熟的SI，应该既有能力帮助我们了解更多，也有智慧让我们不必知道所有事情。当然，这种克制不能变成隐瞒重要医学风险，而应该建立在知情同意、患者偏好、明确的安全标准和可随时调整的授权之上。
那么，SI医疗能不能像Tesla FSD，甚至未来的Cybercab一样，逐渐进入普通人的日常生活？我想是可以的。最初我们可能只是让AI帮忙整理病历、解释检查结果、提醒随访，后来逐渐让它管理慢性病、协调不同专科、提出预防方案。再往后，每个人也许都可以拥有一个长期陪伴自己的Personal Health SI。它了解你的基因、疾病风险、身体状况、生活环境、饮食习惯、运动能力，也了解你喜欢什么、害怕什么、愿意为健康付出多少时间和精力。它可以像自动驾驶一样，在明确的目标和安全边界内，承担大量日常健康管理工作，而人类保留选择目的地、改变路线和随时接管的权利。对一个人来说，健康可能意味着活到100岁；对另一个人来说，可能意味着80岁还能爬山、旅行、照顾花园；还有人希望少去医院，把更多时间留给家人。SI不应该替所有人定义一个统一的健康标准，而应该帮助每个人按照自己的价值观，实现自己理解的“健康”。当然，医疗比驾驶复杂得多，涉及身体自主权、不可逆的治疗后果、隐私和责任，因此不可能仅凭技术能力就直接实现无人监督的自动化。但我可以想象，它会像自动驾驶的发展一样，从辅助、监督下的自动化，逐步走向在经过验证的特定场景中独立运行。那时，医疗不再只是生病以后去医院，而可能成为一种低负担、个性化、长期陪伴的生活服务。
以上很多设想还需要时间。不过，今天已经有不少可以开始的工作。我认为最现实的切入口，是Ambient AI和临床工作流程自动化。从自动生成门诊记录开始，把合并症管理、药物核对、临床指南、Billing、Prior Authorization、临床试验预筛选和患者教育逐步连接起来。再结合OpenEvidence这类医学证据工具 （比如MSK），让系统不仅能够记录医生说了什么，还能根据患者的真实数据检索、解释并应用医学证据。在与患者沟通时，也可以采用类似Encounter Visit的模式，让AI参与问题解答、患者教育和随访准备。我会首先把重点放在高质量门诊医疗：Guideline-Compliant、Consensus-Based、Patient-Centered Care。让SI先像一个规矩的孩子，在清晰的边界内学习。准确、可靠、可解释，知道什么时候应该寻求人类帮助。然后逐步扩展能力。我甚至觉得，未来的Oncology SI可以像Tesla FSD一样，提供不同的偏好模式。当然，医疗不能简单分成Hurry和Standard。但可以有不同的Care Styles，例如更积极的疾病控制、更强调生活质量、更低的医疗负担、更少的检查干预。前提是所有模式都符合基本安全标准，并由充分知情的患者参与选择。
再往前想一步，如果Oncology、Cardiology、Endocrinology等系统能够真正打通，会发生什么？这些疾病并不是彼此孤立的。它们共享很多生物学通路，包括炎症、免疫、代谢、衰老和细胞损伤修复。未来，SI也许可以整合一个人的遗传背景、分子风险、生活环境、饮食、运动、睡眠、心理状态和个人偏好，提供跨疾病的Integrated Solutions。不只是诊断癌症以后如何治疗，而是更早地识别风险，尽可能降低癌症及其他慢性疾病的发生率。这也许才是超级智能对医疗最深远的改变：从Disease Management走向Long-Term Health Optimization。但这里的Optimization，也不应该意味着把所有指标都推向某个数学上的最优值，而应该是在个人价值观和生活目标之内，找到适合自己的平衡。
最后，还有一个不能回避的问题：资本和医疗体系如何转型？如果SI能够减少常规诊疗对医生时间的依赖，医疗成本结构就会发生变化。过去积累在人类医生身上的知识、经验和部分专业价值，会逐渐转移到智能系统中。那么，节省下来的资源应该流向哪里？我希望一部分能够真正回到患者身上，降低医疗负担；一部分支持医生和医疗机构转型；另一部分继续投入新药研发、临床试验、基础科学和疾病预防。AI的价值不应该只是让医疗机构用更少的人完成更多工作，而应该让整个社会获得更多健康寿命。
如果人类有一天真的要去火星，甚至长期生活在其他星球，我们需要对自身的癌症发生机制、致癌通路、免疫和衰老过程有远超今天的理解和控制能力。
从创业角度，我会怎样落地？
不建议一开始就开发一个全新的EMR。完整替代EMR意味着要承担数据迁移、医嘱系统、药房和实验室接口、网络安全、监管、Billing、机构采购等大量复杂工作。更现实的路径是：先做一个嵌入现有EMR的Oncology SI Fellow，再逐步成为完整的Care Operating System。
Phase 1：Pre-Visit SI Fellow
自动整理新患者和复诊患者的纵向病史、分期、分子检测、既往治疗、指南及待解决问题。医生可以审核、修改并评价其质量。
核心指标：医生准备时间、关键遗漏率、临床准确性
Phase 2：Closed-Loop Encounter
将病历、待审核医嘱、Prior Authorization、Billing和患者教育连接起来。医生只需完成必要的面诊、决策和签核。
核心指标：每次就诊节约时间、授权周期、返工率和错误率
Phase 3：SI + APN Longitudinal Care
SI持续监测症状、实验室检查、治疗毒性及随访任务，由APN/PA处理适合其执业范围的常规问题，Oncologist负责复杂或高风险决策，并定期参与面诊。
核心指标：非计划急诊、住院、毒性识别、患者体验及医疗成本
商业模式可以从按医生席位或按患者收费的SaaS开始，逐步加入与实际效率、质量指标挂钩的服务合同。长期更有吸引力的可能是与肿瘤诊所、医疗集团和风险分担支付体系合作，分享经验证的质量改善和成本节约收益，而不是单纯出售软件。