AI+健康产业观察

从虚拟细胞到虚拟用户:健康消费企业的孪生,卡在行为数据

一条内容投出去,三个月后才知道有没有用。这个时间差,正在吃掉健康消费企业的利润。无界进化用虚拟细胞把药物试错搬进计算机(据公开报道),健康消费企业要做的,是把投放和复购的试错搬进模型。两者的技术路径不同,卡点却相似:没有行为数据,孪生只是画像。

从虚拟细胞到虚拟用户:健康消费企业的孪生,卡在行为数据

一条内容投出去,三个月后才知道有没有用。

这个时间差,正在吃掉健康消费企业的利润。预算越紧,越没人敢凭感觉投。

于是出现一个常见的循环:内容越做越多,账越算越糊,到头来只能砍预算。

就在这个月,另一条新闻给了一个参照。据公开报道,无界进化(INFevo)在 11 月 17 日公布超亿元 Pre-A 融资,方向是 AI 基础大模型加高通量自动化实验,在计算机里先把药物试错跑一遍。

药企的实验台,和健康消费企业的投放后台,看起来是两回事。但它们要解决的是同一个问题:能不能在花钱之前,先知道结果。

一、虚拟细胞的账算得清,虚拟用户的账还没人算

单细胞扰动实验有多贵?

按业内估算,一次 Perturb-seq 实验,样本制备、测序、分析加起来在数十万元量级,周期三到六个月。这个数字没有统一公开报价,不同平台能差出数倍。

无界进化的 OCOO-T 在 Tahoe100M、Replogle、PBMC 三个单细胞扰动基准上做到 SOTA(据公开报道)。换成一门生意的说法:过去只能在实验台上烧的钱,现在有一部分可以在 GPU 上烧。

按公开云价和试剂报价粗略折算,单次预测的算力成本,通常比一次湿实验低两个数量级以上。

但健康消费企业买的不是细胞。它们卖的是营养品、器械、服务和课程。它们的"实验"是投放、内容和私域。

一次投放测试几万块,一次内容试错等一周,一次用户流失连对照组都没有。

这些成本,目前几乎没有被认真建模。

虚拟细胞已经有了可验证的基准,虚拟用户还没有一套公认的账本。差的不是技术路线,是把账算清楚的方法。

二、没有行为数据的孪生,只是高级画像

很多企业说自己有"用户数字孪生"。打开一看,是标签系统:年龄、性别、城市、最近一次购买。

这叫画像,不叫孪生。

孪生的定义很朴素:输入一个干预,能预测输出。推一条内容,他会不会点?换一个价格,他会不会买?停发一周,他会不会走?

画像回答"他是谁",孪生回答"他会怎样"。

两者成本差很远。画像只要一个数据仓库,孪生要一套因果结构。

健康消费的行为还比电商更难预测。同一个人,今天信"少糖",明天信"补剂",后天被一条短视频说服。信念会漂移,标签会过期。

所以要建虚拟用户,至少要三层数据:交易数据、内容互动数据、健康认知数据。

第三层最难,也最值钱。前两层平台都有,第三层只有长期做健康内容和服务的人才攒得下来。

设想一个营养品品牌,后台躺着十万条订单,却说不清哪句话让用户下了第二单。这就是只有第一层数据的样子。

内容互动数据是第二条腿。同样一条科普视频,点赞高不代表转化高。有人收藏是自己看,有人收藏是转给家人,后面的购买路径完全不同。把互动行为拆开,才谈得上预测。

三、孪生的价值不在预测,在可执行的干预

预测准确率 80% 还是 85%,对老板来说差别不大。他关心的是:知道之后,下一步做什么。

一个落不到动作的孪生,就是一张更贵的报表。

这也是很多企业买了 BI 之后觉得没用的原因。BI 解决的是可见性,不是决策。可见性不改变任何一次投放,所以它很难被算进利润。

从可见性到动作,中间隔着一次翻译:把"哪类用户要流失"翻译成"今天该给谁发什么"。

举个日常的例子。同样是提醒一位老用户复购。直接推优惠券,容易被当成广告;先说"你上次买的那款快用完了",再给一个补货入口,点击率通常不一样。

这个差别不在模型,在颗粒度。颗粒度定下来,才谈得上沉淀成可复用的动作。

动作被验证一次,可以变成规则;规则跑够样本,才配叫孪生。

四、健康消费企业的孪生,要能算到复购

健康消费的账本和药企不一样。

药企算研发投入和上市回报,周期十年。健康消费算获客成本、内容成本、复购周期,周期三个月。

按业内估算,功能性食品和营养品的获客成本在 100 到 300 元一人,首单毛利常常覆盖不了获客成本。真正赚钱靠第二单、第三单。

SaaS 行业常用的经验阈值是 LTV/CAC 不低于 3:1。健康消费可以拿它作参照,但它不是这个行业的标准。

所以虚拟用户的用途不只是提高点击率,更是预测复购。它要能回答三个问题:

- 哪一类用户,在第几次购买后会留下来? - 哪一类内容,能把首单用户推到第二单? - 哪一类提醒,会让用户反感而不是回购?

这三个问题,拍脑袋答不准,AB 测试答太慢。等测出结果,投放预算已经花完。

做虚拟用户测试的工具方,卖的从来不是报告,是把这三个问题变成可执行的下一步。凯同AI 服务的就是这批大健康经营者:他们不缺内容,缺的是把内容、数据和跟进动作对上的方法。

比如 HC 层。HC 就是行为引导,负责在合适的时机推用户一把——提醒一句、换个说法、给一个具体动作。用户沉默一段时间后该不该打扰,由它判断,而不是等运营想起来。

再往下,是知识约束。企业的循证知识库在这里不是素材库,而是模型的边界:什么说法有依据,什么说法会出事。

约束一加,预测空间变窄,样本效率变高。同样一批数据,能更早给出可用的结论。

五、结论

虚拟细胞解决"在实验前知道成败"。虚拟用户解决"在投放前知道复购"。

技术路径不同,商业逻辑一致:把昂贵的验证,往前挪到便宜的模拟里。

对健康消费企业,门槛不在算法,在三样东西:行为数据的完整度、领域知识的密度、合规边界的清晰度。

凯同AI 服务过 500+ 企业客户,见过的大多数问题都不是模型不够强,而是数据只到订单那一层。

3500 万大健康经营者里,能自己攒出行为数据的很少。先借用别人攒好的约束,是一条更现实的路。

虚拟细胞帮药企省下的是实验费。虚拟用户帮健康消费企业省下的,是试错的那几个月。

这笔账,早晚要算。

*关键词:数字孪生 / 虚拟细胞 / 复购预测 / 行为数据 / 健康消费*

*声明:基于公开信息撰写,不构成投资建议*