医疗行业拥有一个令所有技术创业者既兴奋又沮丧的矛盾:它是全球数据化程度最高的行业之一,却在每一次真正需要调用数据时显得笨拙。一位医生想判断眼前患者的病情轨迹,往往要翻遍分散在不同系统里的检验结果、影像报告、病程记录和用药历史;一个 AI 代理想回答一个临床问题,通常只能从文本里一次拼凑一个碎片。几十年的数字化投入,换来的是海量“可存储”却难以“可计算”的记录。
2026 年 11 月 17 日,波士顿临床智能公司 Aevius 宣布获得 2200万美元融资,由 Insight Partners 领投。公司通稿称,Aevius 是 Mass General Brigham 的衍生公司,创始团队来自此前已被阿斯利康收购的 Modella AI。这笔资金将用于持续的模型与产品开发、扩充工程、临床和商业团队,以及商业化部署。但通稿没有披露本轮融资的正式轮次,也没有给出除 Insight Partners 之外的其他参投方。
Aevius 试图回答的正是上述矛盾:当医疗记录分散在系统、格式和词汇之间,当把信息转化为可用内容需要大量人工且每上一个新应用都要重复一次,是否可能为每位患者建立一个可刷新、可复用的计算表征,让不同团队和 AI 工具在同一基础上工作?这是一个听起来清晰、做起来极重的问题。2200万美元在医疗 AI 领域不算巨额,但它押注的是一个需要长期工程投入与临床验证的底层方向。
| 字段 | 内容 |
|---|---|
| 公司 | Aevius |
| 轮次 | 未披露 |
| 金额 | 2200万美元 |
| 投资方 | Insight Partners 领投;其他参投方未披露 |
| 总部 | 波士顿 |
| 创始人 | Rowland Pettit、Ming Yang (Max) Lu、Faisal Mahmood、Long Phi Le |
| 官网 | www.aevius.ai |
把“患者表征”从项目级工程变成可复用底座
Aevius 的产品核心是一个听起来抽象的概念:多模态患者表征。公司通稿称,其模型学习不同形式医疗数据之间以及患者病史中的关系,创建一种可刷新的多模态患者表征——即患者临床状态与轨迹的可计算图景,并能随新信息更新。组织可以在同一患者表征上构建多个应用,用于预测结果、查找临床相似患者、识别和分层人群、监测随时间的变化。
这一描述的关键不在于“多模态”本身,而在于“同一表征上的多个应用”。在医疗 AI 的常见做法中,每解决一个具体问题——比如预测再入院、识别高风险患者、筛选临床试验受试者——往往需要重新做数据抽取、特征工程和模型训练。Aevius 提出的路径是,先建立一个可更新的患者级表征,再让不同应用共享这个底座。公司通稿援引联合创始人兼首席技术官 Ming Yang (Max) Lu 的话称,其构建的是“每位患者多模态纵向病史的原生表征”,支撑对整个群体的预测与分析;研究人员、照护团队和 AI 代理可以“从完整患者出发,而不是从记录碎片出发”处理新问题。
这是一个有野心的架构主张,但通稿没有披露任何技术基准、模型规模、验证研究或与现有方法的对比数据。从已披露的信息看,Aevius 的技术路线更接近“表征层基础设施”而非单一应用,这意味着其价值高度依赖下游应用能否真正复用这一表征。如果每个新问题仍需要大量定制化工作,底座的价值就会被削弱;如果表征本身不能稳定捕捉临床上有意义的状态变化,复用反而会放大误差。这些关键问题在本次披露中均未得到回答。
三类客户、三种商业逻辑,但尚无具名客户
公司通稿称,Aevius 面向医疗系统、支付方和生命科学公司三类客户,并为每一类客户描述了不同的价值主张。对医疗系统,用于推进临床研究、预判患者需求、支持诊疗交付与资源规划;对支付方,用于理解患者随时间变化的需求,支持更早、更协调的照护;对生命科学公司,用于加深对疾病的理解并支持临床开发,包括利用纵向患者病史研究疾病进展和治疗结果、识别候选生物标志物、为临床研究寻找并刻画患者。
这三类客户的付费逻辑并不相同。医疗系统购买的是运营效率与临床决策支持,支付方购买的是风险识别与照护协调能力,生命科学公司购买的则是研发效率与试验入组能力。同一套患者表征要同时服务三种逻辑,意味着 Aevius 需要在产品化、合规和数据接入上同时应对三套要求。公司通稿没有披露任何具名客户、收入或部署规模,因此无法判断其商业化处于早期试点还是已有重复性收入。
值得注意的是,Aevius 的创始团队背景与生命科学场景有直接关联。公司通稿称,四位创始人此前是 Modella AI 创始团队成员,而 Modella AI 已被阿斯利康收购。这一经历可能意味着团队对药企的病理数据、临床试验和监管流程有更深入的理解,也可能意味着其早期商业关系更偏向生命科学端。但通稿没有说明 Aevius 当前最优先的商业化场景是哪一类客户,也没有披露任何客户案例。
从 Mass General Brigham 衍生,但“衍生”不等于“验证”
Aevius 的机构背景是其叙事中重要的一环。公司通稿称,Aevius 是 Mass General Brigham 的衍生公司。Mass General Brigham 首席创新官 Chris Coburn 在通稿中表示,Aevius 从 MGB 剥离出来,是为了“把这里开发的研究与一支有医疗 AI 商业化经验的团队结合起来”。
这一背景有两层含义。一方面,Mass General Brigham 作为美国大型学术医疗系统,其临床数据资源、研究网络和品牌背书对早期医疗 AI 公司具有实际价值。另一方面,“衍生公司”本身并不自动等同于技术已经过临床验证或产品已经可用。通稿没有披露 Aevius 获得了哪些具体的数据授权、模型在哪些真实临床场景中测试过、是否有经过同行评议的研究或前瞻性验证。学术医疗系统的衍生公司往往面临从研究原型到可部署产品的漫长转化过程,Aevius 目前披露的信息尚不足以判断其处于这一过程的哪个阶段。
Insight Partners 的“AI 与软件”逻辑落在医疗数据层
Insight Partners 是本轮唯一被确认的投资方。公司通稿援引 Insight Partners 董事总经理 Dylan Morris 的话称,医疗 AI 与其他行业一样,“只有驱动它的数据有价值,AI 才有价值”,而临床数据是“最难解锁的”数据之一。他将 Aevius 描述为“人才与技术的罕见组合”。
Insight Partners 的参与值得放在其投资风格中理解。公司通稿称,截至 2026 年 6 月 30 日,Insight Partners 管理监管资产超过 900亿美元,已在全球投资 900 多家公司,并有超过 55 家投资组合公司完成 IPO。这是一家以规模化软件投资见长的机构,其医疗 AI 布局通常倾向于那些能够成为企业级基础设施或平台的公司,而非单一病种应用。Aevius 的“患者表征底座”叙事与这一逻辑吻合。
但投资方的判断仍是对未来价值的押注,而非对当前产品市场匹配的确认。Dylan Morris 的引语来自公司通稿,属于投资方在交易宣布时的公开表态,不代表独立验证。2200万美元的金额在 Insight Partners 的组合中属于早期投入规模,这与其“从第一笔投资到 IPO”的长期陪伴叙事一致,但也意味着 Aevius 目前仍处于需要证明技术可规模化、商业可重复的阶段。
资金用途指向团队扩张,但商业化路径仍待拆解
公司通稿称,本轮融资将用于持续的模型与产品开发、扩充工程、临床和商业团队,以及商业化部署。这一表述覆盖了从技术到市场的完整链条,但每一项的具体权重未披露。
从团队构成看,Aevius 面临的是一个典型的“双重门槛”:既要建立足够强的机器学习与数据工程能力,处理多模态医疗数据的异构性和质量问题;又要建立足够深的临床与商业能力,理解医疗系统、支付方和药企各自的采购流程与合规要求。2200万美元在波士顿的人才市场上,能够支撑的团队规模和时间窗口是有限的。如果 Aevius 同时推进三类客户场景,资源分散的风险会上升;如果聚焦单一场景,通稿中“医疗系统、支付方和生命科学”的宽泛定位则需要进一步收窄。
竞争不在“医疗 AI”这个宽泛标签里,而在数据工程与工作流嵌入的交叉点
Aevius 没有在通稿中列出竞争对手,但其所处的竞争位置可以从产业链约束中推断。医疗 AI 的竞争通常发生在三个层面:数据接入与工程化能力、模型能力、以及工作流嵌入深度。Aevius 的“多模态患者表征”定位,意味着它首先要在数据接入与工程化层面与医疗系统的既有 IT 架构竞争——电子病历厂商、数据平台公司和医院内部数据团队都在争夺“谁来做数据整合”这一层。
在模型层面,大型语言模型和基础模型公司正在快速进入医疗领域,它们拥有更强的通用推理能力和更大的算力资源,但往往缺乏对纵向、多模态临床数据的深度接入。Aevius 的差异化主张在于“原生表征”而非“从文本中拼凑”,这是一个有意义的区分,但前提是其表征确实能比通用模型提供更可靠的临床状态刻画。在应用层面,Aevius 不直接做临床决策支持或支付风控产品,而是提供底座,这意味着它需要与下游应用开发商或客户内部团队形成协作关系,而非直接竞争。这种“卖底座”的模式在数据基础设施领域有成功先例,但在医疗 AI 领域,客户往往更倾向于购买能直接解决问题的应用,而非自己在上层构建。
本轮披露的验证边界:轮次、客户与收入的三重空白
围绕 Aevius 的这笔融资,有三项关键信息处于未确认状态。第一,本轮融资的正式轮次在原始通稿中未明确。Dealroom 的聚合标题称其为 seed 轮,但该表述仅见于聚合标题,未在通稿正文确认。Axios 的聚合标题则仅称其为“临床智能平台融资 2200万美元”。因此,本轮究竟属于种子轮、A 轮还是其他阶段,本次来源无法确认。
第二,除 Insight Partners 作为领投方外,其他参投方未披露。通稿标题和正文均只提及 Insight Partners,没有列出任何共同投资方。这可能意味着本轮确为单一机构领投,也可能意味着其他参投方选择不公开。无论哪种情况,资本结构的完整图景尚不可知。
第三,公司未披露具名客户、收入或部署规模。通稿中关于医疗系统、支付方和生命科学公司的描述均为目标客户类型,而非实际客户案例。这意味着 Aevius 的商业化进展缺乏可量化证据,其“持续商业化部署”的表述只能理解为公司计划,而非已实现的状态。
此外,公司通稿称四位创始人此前是 Modella AI 创始团队成员,且 Modella AI 已被阿斯利康收购。这一履历来自公司单方自述,本次来源未提供独立核证。创始人此前是否有成功退出经历,对评估团队执行力有参考价值,但在缺乏独立确认的情况下,只能作为公司口径记录。
从“医学可计算”到可验证的商业现实,中间隔着什么
Aevius 的使命口号是“让医学可计算”。这是一个足够大的愿景,足以容纳医疗系统、支付方和生命科学公司的所有数据痛点。但愿景越大,验证路径越长。从已披露的信息看,Aevius 需要回答的第一个问题不是“患者表征是否可能”,而是“谁愿意为这个表征付费,以及付费之后能获得什么可衡量的改变”。
医疗 AI 的历史反复证明,技术先进性本身不足以打开医院和支付方的预算。采购决策往往由工作流嵌入深度、合规成本、临床验证证据和可量化的投资回报共同决定。Aevius 的“底座”定位意味着它需要说服客户在一个尚未被广泛验证的架构上投入,而不是购买一个立即可用的应用。这在早期市场尤其困难,因为客户往往没有足够的耐心和工程能力去消化一个平台级产品。
同时,Aevius 的 Mass General Brigham 背景既是资产也是约束。学术医疗系统的数据环境和真实世界的异构数据环境之间存在显著差距。在一个数据质量高、治理完善、研究文化浓厚的系统中训练出的模型,能否在社区医院、中小型支付方或不同数据标准的生命科学公司中保持性能,是一个尚未被回答的问题。公司通稿没有披露任何跨机构验证的结果。
从资本结构看,2200万美元由 Insight Partners 一家领投,且轮次未明,这可能意味着本轮更接近一次机构对团队和方向的早期押注,而非对已验证商业模式的扩张性投资。Insight Partners 的参与为 Aevius 提供了后续融资的机构背书和软件规模化经验,但也带来了增长压力。在医疗 AI 领域,从 2200万美元到下一轮融资之间,通常需要拿出至少一个可重复的商业场景或一项有说服力的临床验证结果。Aevius 目前披露的信息中,这两者都尚未出现。
编辑推断,Aevius 最可能的早期商业化路径是优先切入生命科学场景。这一推断的依据有三:创始团队有被阿斯利康收购的 Modella AI 背景,对药企需求更熟悉;生命科学公司对“纵向患者病史”“候选生物标志物”“临床试验患者刻画”等能力有明确付费意愿;相比医院和支付方,药企的采购周期和合规门槛相对可预测。但这一推断的边界也很清楚:通稿没有披露任何生命科学客户,也没有说明三类客户的优先级,因此这只能视为基于团队背景和场景逻辑的分析,而非公司已确认的战略。
RecodeX 极客视:Aevius 拿到 2200万美元,讲的是一个“让医学数据可计算”的底层故事。这个故事在架构上有吸引力,但在商业上尚未被证明。真正的考验不是模型能否学习多模态数据,而是有没有客户愿意为“同一患者表征上的多个应用”这个前提买单。在医疗 AI 的漫长验证周期里,2200万美元买到的是一张入场券,而不是一条已经跑通的路。
信息来源
本文在采集与核验阶段引用了以下公开来源,按站点去重列出;来源内容归原发布方所有,其口径不代表 RecodeX 的核实结论。
