五一假期結束，王煜全將帶來【長壽健康】專題，和大家詳細拆解預防醫學、健康管理等全新熱門企業。
五一假期結束，前哨科技特訓營馬上推出 「長壽健康」專題直播。王煜全將點評一系列新興企業，其中就包括熱門公司——Tempus AI：
創業大佬坐鎮：創始人Eric Lefkofsky，在矽谷聲名顯赫
年營收指引x2： 2025 年目標 12 億美元，毛利率 65%
三大資本背書： 軟銀、ARK、美國「國會股神」佩洛西投資
技術野心十足： 十年內將重大醫療失誤率降至零
本文先奉上 CEO Eric Lefkofsky 萬字專訪精華，讓你提前瞭解這家公司。
今天加入前哨科技特訓營還有五一福利！歡迎現在點選文首入口，王煜全每週四為你分享一個科技產業深度研究。
跨界創業的初心
主持人: 大家好，今天我們請到了 Tempus AI 的執行長 (CEO) Eric Lefkofsky。他是一位在創業領域經驗豐富的傑出運營者。
Eric，你能先給我們介紹一下 Tempus AI 是什麼，以及你當初為什麼要創辦它？
從公眾視角來看，你最引人注目的經歷是從 Groupon （美國知名團購網站，美團曾經模仿的物件）突然轉到運營一家 AI 醫療科技初創公司，這似乎是一個奇怪的轉變。而且它現在是一家非常成功且不斷發展的公司。是什麼促成了這一切？
Eric Lefkofsky: 就我而言，我在科技行業已經很久了，大概是在 1999 年進入的。我建立了一系列科技公司，有趣的是，這些公司都是將技術應用於那些歷史上技術含量不高的領域。
我們曾將技術用於印刷、交通物流（比如卡車排程）、媒體購買等，這些領域都相當陳舊。我們積累了構建 半人工、半自動化混合系統 的專業知識，提高了市場效率。
當 Groupon 出現時，我們也試圖將一種不同的技術——引爆點技術 (Tipping Point technology)——應用於本地小商戶，比如披薩店或乾洗店。
我從未想過會進入醫療保健領域。但大約十年前，我的妻子被診斷出患有乳腺癌。在陪她治療的過程中，我驚訝地發現，技術在她所接受的護理中應用得如此之少。我原本以為非常複雜的流程，從技術、資料和 AI 的角度看，實際上卻非常陳舊。
“我的整個職業生涯似乎都在為這一刻做準備——將技術應用於醫療保健這個最需要它的領域。”
所以，我當時有了一個頓悟：我的整個職業生涯以及所學的技能，似乎就是為醫療保健準備的。於是我做了一個重大的轉變，開始沉浸在 腫瘤學 (oncology) 領域，至今如此。
主持人: 那是多久以前的事了？Tempus AI 是什麼時候開始的？現在發展到什麼階段了？
Eric Lefkofsky: 公司成立於 2015 年 8 月，快十年了。
最初，我們的焦點更窄，主要是想弄清楚如何透過連線 下一代測序 (NGS) 或 基因組 (genomic) 測試與患者的臨床資料，讓診斷變得更智慧。
我妻子治療時接受了基因測序，但報告回來時，竟然不知道她的性別、用藥史、甚至是否有資格參加臨床試驗。對於所謂的 個性化醫療 (personalized medicine) 來說，那是一個 極度缺乏個性化的報告。
這太瘋狂了！為什麼他們不知道這些基礎資訊？
於是我們著手連線這些資料點。起初，我以為我們會構建一個智慧層，疊加在其他公司的測序服務之上。
但我去找那些公司時，沒有人願意給我們分子資料 (molecular data)，他們拒絕分享，甚至不給訂購測試的醫院和醫生。資料被鎖起來了。
這反而為我們打開了市場入口。我們開始自己進行測序，從腫瘤學起步，現在這仍然是我們的根基。
大約五六年前，我們意識到這個平臺——能讓診斷測試智慧化的平臺——不僅適用於癌症，同樣適用於心臟病學 (cardiology)、神經病學 (neurology)、免疫學 (Immunology) 等眾多領域。只要存在多種 治療路徑 (Therapeutic Pathways)，我們就能幫助醫生做出資料驅動的決策。
醫藥領域向科技行業學什麼？
主持人: 我對你 從技術領域跨越到生物 (bio) 領域的歷程 非常感興趣。在這個過程中，你是否反思過，生物產業可以從科技行業中學到什麼？
Eric Lefkofsky:所有方面。即使在今天，生物領域的人們雖然技術精湛，但他們精通的技術與當前 AI 驅動變革所需的技術往往不同。
生物領域的現狀有點像一個手工造車的工匠，很難接受 3D 列印汽車的世界。
計算生物學家 (computational biologists)、生物資訊學家 (bioinformaticians) 和 轉化研究人員 (translational researchers)，以及擁有博士 (PhD) 和醫學博士 (MD) 學位的人，在應用尖端的 AI 工具，特別是大型語言模型 (LLM) 等技術方面，普遍缺乏相關技能。
第一步是認識到這一點，然後去尋找專家，建立橋樑。這也是 Tempus AI 賴以生存的方式。
“我總是說：‘各司其職’ (Swim in your own lane)。我不希望軟體工程師假裝是醫生，反之亦然。”
Tempus AI 的神奇之處在於我們多元化的團隊。最近的收購完成後，我們將接近 4000 人，包括 300 名博士，數千名軟體工程師、AI 科學家和支援人員。
解決複雜的醫療問題，既需要深厚的 生物學 (biology) 和 化學 (chemistry) 背景，也需要真正理解 基礎模型 (Foundation models) 如何運作、如何在 代理環境 (agentic environment) 中應用的人才。
主持人: “各司其職”這個角度很有趣。業界常說要培養“雙語”人才，既懂技術又懂生物。你認為未來是 培養更多跨界人才，還是建立高效的溝通協作機制更重要？
Eric Lefkofsky: 坦率地說，我認為當前的醫療體系存在太多阻礙進步的環節。如果讓我設計一個處處碰壁的生態系統，我會直接拿出 美國醫療保健系統 (US Healthcare System)。它的複雜性簡直是為了摧毀進步而精心設計的。
這個系統很難從內部自我修復。它的激勵機制本身就不利於大規模採用新技術。學術界追求發表和經費，生物製藥 (biofarma) 追求專利期內的利潤最大化，支付方 (payers) 的決策也異常複雜。
然而，解決醫療成本飆升（美國已達 5 萬億美元且持續增長）的唯一齣路，就是技術和 AI。
所以我認為，這需要像 Tempus AI 這樣的外部力量。我們有不同的激勵機制和經濟模型，能夠以全新的視角，進行巨大的技術投資，構建真正能幫助所有參與者——藥企、醫生、患者——提高效率的產品。
構建商業飛輪
主持人 : 醫療系統問題由來已久，很多創新公司都曾嘗試挑戰但失敗了。Tempus AI 不得不進行 垂直整合 (vertically integrate) 才得以進入市場。
你們如何在充滿扭曲激勵的生態中找到自己的位置併成功？ 特別是現在還推出了面向消費者的 AI 應用 (AI app) Olivia，這背後的戰略考量是什麼？
Eric Lefkofsky: 我們首先要明確目標：讓診斷 (Diagnostics) 變得智慧化。
如何實現？診斷必須瞭解患者，並圍繞患者進行個性化調整。哪些診斷？所有的診斷：血液檢測、CT 掃描、MRI、乳房 X 光檢查、基因組測試等等。我希望每一個診斷輸入都是智慧的、經過背景化處理的。
“診斷是每一個重大醫療決策的核心。”
因為診斷是所有重大醫療決策的核心。我們希望這個過程超級智慧。但這需要即時 協調 (harmonize) 和 規範化 (normalize) 海量的醫療資料，成本極高。
我們的方法是 構建一系列可持續的“拼圖塊”產品，讓它們最終能拼出完整的藍圖。
我們從測序開始，建立了一個能增長、盈利的業務。
然後思考，這些與臨床資料結合的豐富分子資料，對誰有價值？生物製藥公司。於是我們開發了他們需要的產品，讓他們投資我們的資料平臺，維持整個事業。
接下來，利用即時流動的基因組和臨床資料管道，我們還能疊加什麼業務？比如，幫助患者匹配臨床試驗？彌補 護理差距 (care gaps)？提供有償的演算法洞見？
每一個業務都是一塊拼圖，最終目標是產生足夠的收入和現金流，反哺整個生態。
我認為 Tempus AI 迄今為止克服的兩大障礙是：
-
廣泛的資料共享：我們與美國超 3000 家醫院建立了雙向資料連線。 -
持續的商業模式：我們明年的營收指引是 12.3 億美元，息稅折舊攤銷前利潤 (EBITDA) 為正，預計產生約 8 億美元毛利。
大部分毛利都將 重新投資於產品、工程、科學研究。這意味著我們每年能投入 5 億、6 億甚至未來 10 億美元用於持續增長。
“偉大的企業都有一個持續自我投資的飛輪。我們希望 Tempus AI 也能如此。”
看看谷歌，他們每年在改進搜尋上的投入，可能是 NIH (美國國立衛生研究院) 全部預算的兩倍。這就是為什麼搜尋如此強大。醫療領域也需要這樣的投資飛輪。
主持人 : 在 AI 方面，你們是自建模型還是利用外部技術？比如 Olivia 應用背後的語言模型，是自研的嗎？Tempus AI 的核心競爭力更多在於 開發獨特的 AI 系統，還是在於連線生物資訊與現有 AI 技術？
Eric Lefkofsky: 我們一直擁有龐大的工程和 AI 團隊，大部分技術棧 (technology stack) 都是自研的專有程式碼 (proprietary code)，可能已達 7000 萬行。
但我們不會重複造輪子。對於已經很成熟、商品化 (commoditized) 的底層技術，比如 光學字元識別 (OCR)，我們會採用現有的。
對 大型語言模型 (LLM)，我們也持類似看法。無論是 Gemini、Llama 還是 GPT-4，現在有很多強大、低成本、高 保真度 (fidelity) 的模型可用。
因此，我們更專注於構建 “代理構建器” (Agent Builder)。我們內部可能已構建了近千個 AI 代理 (Agent)，它們擅長利用現有大模型處理 多模態 (multimodal) 的醫療保健資料——這些資料與大模型的訓練資料截然不同。
你不能直接給大模型扔一個 DICOM 檔案 (醫學數字成像和通訊標準檔案)、心電圖 (electrocardiogram) 原始波形或 BAM 檔案 (二進位制比對/圖譜檔案)，然後問它“這是什麼意思？” 它無法理解。
我們需要做大量工作來應用這些模型，但 重新構建基礎模型本身意義不大。
當然，對於某些特定資料型別，現有模型可能完全不適用，我們可能需要構建一些更小、更專注的模型。但總的來說，我們廣泛應用各家的大模型，並且它們還在持續進步。
多模態 AI 與精準醫療的未來
主持人: Eric，你認為多模態 (multimodality) AI 將帶來的最大突破是什麼？ 這會是醫療領域的“ChatGPT 時刻”嗎？
Eric Lefkofsky: 有幾個巨大的突破。最大的突破在於真正實現個體化的結果預測。未來一到三年內，藉助強大的模型和計算能力，我們將能夠基於海量的分子資料，精確預測特定個體對特定治療的反應。
“真正的精準醫療是：我知道你具體是誰，我知道這種藥對你沒用。”
這才是 精準醫療 (precision medicine) 的真正時刻。現在的 靶向藥物 (targeted medicine)，比如針對 EGFR 突變 的藥物，更像是“定向”治療，就像特定 化療 (chemotherapy) 針對特定癌症一樣。
而真正的精準是：即使兩個人患有 表型 (phenotypically) 完全相同的疾病，他們的治療方案也可能因為分子資料的差異而截然不同。這將適用於腫瘤學，也適用於 糖尿病 (diabetes)、心血管疾病 (cardiovascular disease) 等等。
第二個突破是疾病的早期預測和干預。當我們將 病理切片 (pathology slides)、影像掃描 (scans) 等 多模態 (data modalities) 資料輸入模型時，AI 可能會以預測性的方式發現問題，讓我們 在疾病發生之前就進行干預。
想象一下：你的 A1C (糖化血紅蛋白) 指標正常，但結合你幾年前的 視網膜掃描 (retinal scan) 和其他資料，AI 告訴你：“你將在 3 年內患上嚴重 2 型糖尿病。” 這將徹底改變預防醫學。
主持人: 你們幾年前在 表型嵌入 (phenotypic embeddings) 和 深度表型分析 (Deep phenotyping) 方面做了出色的工作。
但 AI 的 幻覺 (hallucinations) 問題在醫療領域非常敏感。假陽性 (false positives) 在早期 藥物發現 (drug Discovery) 中或許可以容忍，但在臨床診斷或治療中則可能帶來嚴重後果。
你們如何應對 AI 的“幻覺”風險？
Eric Lefkofsky: 首先，模型本身在不斷進步，幻覺問題已經在大幅減少。
其次，也是更重要的，我們從不提倡一個沒有人類參與的系統。就像飛機有 自動駕駛 (autopilot)，但我們仍然需要飛行員一樣。
“無論 AI 系統未來多麼先進，我仍然希望有醫生最終確認並按下‘執行’按鈕。”
未來幾十年內，醫生在診療過程中的核心地位不會改變。AI 的角色是 增強人類 (augmented human)，而不是取代。
主持人 : 是的，就像 放射學 (Radiology) 一樣。五年前有人說 影像分類 (image classification) 會讓 放射科醫生 (Radiologists) 失業，但事實是 AI 可以處理大量簡單重複的工作，讓醫生能專注於更復雜、更需要經驗判斷的病例。
DeepMind 關於自動乳房 X 光片解讀的研究也很有趣。你可以調整 AI 的 靈敏度 (sensitivity)（檢測真陽性）和 特異性 (specificity)（排除假陽性）。透過 人機協作，比如讓 AI 以高靈敏度篩查（可能產生一些假陽性），再由人類醫生複核，最終能得到比任何一方單獨工作都更準確、更高效的結果。Tempus AI 似乎正在將這種模式產業化。
Eric Lefkofsky: 完全正確。當你面對一個原本效率低下（比如 30-50% 的低效）的系統時，AI 帶來的改進潛力是巨大的。
舉個例子：GPS 的出現消除了我們開車迷路的情況，節省了無數時間和燃油。但路上的車並沒有因此變少，油價也沒有下降。效率提升被其他因素（如更多車輛、更長出行距離）吸收了。
醫療領域也會類似。AI 帶來的效率提升，可能不會立刻導致醫生或護士數量減少——我敢保證十年後護士依然短缺。
但技術的持續改進能讓醫療系統在現有開支下服務更多人、提供更高質量的護理、延長人們的健康壽命，從而有效降低醫療開支佔 GDP 的比重，或者實現真正的成本節約。
診斷市場的顛覆與重建
主持人 : 業界一直有種說法：診斷市場沒有錢賺，因為技術容易商品化。尤其在腫瘤學之外的領域。你如何看待這個觀點？Tempus AI 如何在診斷領域建立可持續的業務？腫瘤學是否具有特殊性？
Eric Lefkofsky: 我認為其他領域的挑戰性可能與腫瘤學相當，甚至更小，因為腫瘤學的探索會為其他領域鋪路。
關於“診斷沒錢賺”的說法，這就像特斯拉 (Tesla) 出現之前說“造車沒錢賺”一樣。當 技術正規化轉變 (technology Paradigm Shift) 發生時，全新的商業機遇就會湧現。
“有時你需要一個新的進入者來改變遊戲規則。”
Netflix 顛覆了 Blockbuster，特斯拉顛覆了傳統汽車。我敢打賭，你會看到萬億美元市值的診斷公司出現。
為什麼？因為診斷是所有重大醫療決策的核心。掌握診斷洞察力的公司，為什麼要把價值拱手讓人？它們完全有潛力成為提供核心價值的主導者。
歷史上一些診斷公司可能因為固守低技術、高批次的模式而未能抓住變革機遇，但這並不代表整個領域沒有未來。
主持人: 診斷技術本身也變得越來越複雜，比如 MRD (微小殘留病灶) 檢測、早篩 (early detection) 技術、表觀遺傳 (epigenetic) 訊號分析等，這使得它們更難被商品化。
Eric Lefkofsky: 沒錯。當我們收購 Ambry（一家基因檢測公司）時，很多人質疑 遺傳性檢測 (hereditary testing) 是不是也商品化了，是不是夕陽產業。
我的看法完全不同。目前在美國，接受全基因組 (whole genome) 或 全外顯子組 (whole exome) 等大型遺傳檢測的人口比例極低。
但我預測，20 年後，這個比例可能達到 50-60%，甚至更高。
“我們最終能從分子資料中讀懂一切即將發生在你身上的事。”
想象一下，透過基因資料，AI 可以告訴你未來患上 房顫 (APIB) 或 早發性痴呆 (early onset dementia) 的風險。你肯定想知道，並採取預防措施。
生病後，這些資料還能反覆利用，指導用藥，比如判斷你對某種藥物的代謝情況，是需要加倍劑量還是減半。
這就是我們選擇從分子資料入手的原因：沒有分子資料，就不可能真正實現智慧診斷。這就像特斯拉造電動車不能沒有電池。
主持人 : AI 技術的價效比 (cost per performance) 正以遠超 摩爾定律 (Moore's law) 的速度提升。你們如何在這種技術爆炸式發展的基礎上制定商業計劃和產品策略？
Eric Lefkofsky: 我們確實感受到了這種變化。
幾年前，我們執行一個小的 AI 代理查詢可能要花費 270 萬美元，這在當時是不可承受的。而現在，同樣的查詢可能只需要幾千美元，成本下降了成百上千倍。
這使得很多過去無法想象的應用成為可能。
但要實現我們的最終目標——即時背景化所有診斷，為每個人提供最優治療路徑——所需的計算規模將是難以想象的。這需要對整個醫療系統的即時資料進行持續計算。
我們和我們的 雲 (Cloud) 合作伙伴（如谷歌、微軟）正在為此進行規劃和準備。這將是一個巨大的挑戰，但也蘊藏著巨大的機遇。
Olivia 應用與醫療的未來
主持人: 我們來談談 Olivia 應用。我知道它的命名背後有一個感人的個人故事。能否分享一下開發 Olivia 的初衷，以及它未來的發展路線圖？
Eric Lefkofsky: Olivia 是為了紀念我女兒一位因病去世的朋友。她的經歷，以及許多患者和家屬的經歷，都凸顯了管理複雜醫療過程的巨大痛苦。協調多個醫生、管理各種檢查報告和影像資料，對普通人來說極其困難。
Tempus AI 花費了數十億美元構建理解多模態、混亂醫療資料的技術。我們想，為什麼不把這些工具也交給患者呢？
Olivia 的目標是讓患者能輕鬆獲取並管理自己 所有的 健康資料，不僅僅是電子病歷 (EHR) 裡的結構化資訊，而是全部。這樣無論你是想轉診、尋求第二診療意見，還是僅僅想存檔，所有資料都在你的掌控之中。
更重要的是，你可以向 Olivia 提問。隨著模型越來越智慧，你能問的問題、能得到的幫助也會越來越多。我們希望患者能被資訊充分賦能。
“我經常提醒醫院：真正的‘資訊海嘯’正以小行星撞地球的速度逼近，所有機構都該提前準備。”
我一直認為，一場“資訊海嘯”即將來臨。過去，患者走進診室往往資訊匱乏，完全依賴醫生。
未來，患者走進診室時，可能已經像是諮詢了全球 100 位頂尖專家，對自己的病情和治療方案有了深入的瞭解，甚至準備好了關鍵問題。
這將徹底改變醫患關係。醫生需要適應這種變化，與“超級知情”的患者合作。
最終，患者將擁有強大的 AI 工具。我們堅信，資訊的自由流動對所有人都有益：支付方能為正確的治療買單，藥企能更高效地研發，好醫生能變得更卓越，患者能全面掌握自己的健康。
唯一會在這個浪潮中受損的，是那些拒絕擁抱技術、固步自封的人。就像 2000 年時那些認為網際網路只是一時風尚 (fad) 的 CEO，他們的企業後來大多表現不佳。我們希望醫療保健領域的每個人都能擁抱變革，走在前面。
主持人 :Olivia 現在在美國已經可以註冊使用了嗎？
Eric Lefkofsky: 是的，我們正在逐步開放註冊。由於初期申請人數眾多，我們設定了一個等待名單，並提供 14 天免費試用（正常月費約 12 美元）。預計很快所有等待使用者都能開始使用。
主持人 : 作為患者或家屬，確實能感受到 AI 工具帶來的巨大差異。以前在谷歌上搜索症狀，很容易被引向恐慌（比如 WebMD 說你可能得了癌症）。現在，即使只是把 電子病歷 (EHR) 的部分資訊複製到 ChatGPT 裡提問，得到的答案也可能有用得多。
但目前的痛點是資訊不完整、輸入麻煩。Olivia 似乎解決了這個問題，將完整的患者資料與智慧模型結合，這是否會催化一個更加以消費者為驅動的醫療決策體系？
Eric Lefkofsky: 我完全同意。目前的 Olivia 還只是 1.0 版本，未來會持續改進。
我認為，未來的醫療資訊互動需要一種新的模式。谷歌有常規搜尋和 無痕模式 (Incognito)。醫療領域需要第三種模式：“你瞭解關於我的一切” 模式。
“我希望 AI 能基於我完整的醫療記錄，提供完全個性化的答案，而不是通用的建議。”
當我向 AI 提問時，我不想要通用答案。我希望它能結合我的全部健康資料、用藥史、過敏史等等，給出真正個性化的建議。比如，如果它知道我在服用某種藥物，就不該推薦可能與之衝突的東西。
大型科技公司在處理 受保護健康資訊 (PHI) 方面可能面臨隱私等挑戰。這或許給像 Tempus AI 這樣專注於醫療領域、願意與患者建立深度信任關係的公司帶來了機會。
最終，我相信每個人都需要能夠以完全身份化、個性化的方式與自己的 AI 健康代理進行互動。
未來十年AI 將如何重塑健康？
主持人: 感謝 Eric 的精彩分享！最後，請展望一下未來十年。你認為在個人的健康旅程中，將會發生的最大單一變化是什麼？ 是什麼現在還不存在，但未來會深刻影響我們，甚至超出市場預期的？
Eric Lefkofsky:最大的變化將是醫療差錯率的大幅降低，甚至趨近於零。
當前的醫療系統，儘管有很多優點，但也產生了驚人的錯誤率。有研究指出，可能高達四分之一的醫療決策是錯誤的，這會給患者和整個系統帶來災難性後果。
我相信，在未來十年內，藉助 AI 的力量，這種情況將基本消失。重大醫療失誤將變得非常罕見。
在一個沒有錯誤的系統裡，人們總能在正確的時間、以正確的劑量、獲得正確的治療。這將直接轉化為 壽命 (longevity) 的顯著提高。
“我認為未來 10-20 年，人類的平均壽命有望延長 3 到 5 年。”
你可能會看到平均壽命延長 3 到 5 年。這不是一個小數字，你會真切地感受到它對社會經濟各方面的影響。人們將活得更長壽、更健康。
下一個緊隨其後的重大變化，將是疾病的精準預測和預防。我們將在問題發生之前就發現並避免它們。這個領域雖然早期有過波折，但就像基因測序一樣，技術需要時間成熟。未來 10 到 20 年，我們將非常擅長預測並規避許多健康風險。
主持人: 非常感謝 Eric！我們很早就認識，很高興看到 Tempus AI 取得的巨大進展，也無比期待你們為患者創造的未來。
Eric Lefkofsky: 謝謝邀請。
主持人 : 謝謝 Eric Lefkofsky。大家可以去了解一下 Olivia 應用。Tempus AI 無疑是一家以獨特的 第一性原理 (first principal perspective) 思考，致力於重塑人類健康的公司，完美詮釋了我們所關注的 健康領域融合 (convergence in health)。再次感謝！
以上就是今天的分享，更多關於Tempus的詳細解讀，五一節后王煜全將帶來他的深度分析。
↓長按圖片掃碼報名，先人一步，領先一路
↓¥399，掌握王煜全AI產業預測精華（iOS使用者請在電腦端開啟）
此外，我們還為您準備了一份清單
“世界大學五大學科領域top10”