人类的一切活动、语言和思想都源于大脑，而大脑活动的本质是神经元放电与电信号传递，脑机接口就是在这些电信号与外界设备之间搭建通路，以实现信息的交换。目前，这一技术主要应用在医疗场景，最直观的价值在于它为治疗药物无法治愈的神经系统疾病提供了可能性。
佳量医疗正是瞄准了这一领域。目前公司已构建先进的脑机调控，医用激光以及脑机芯片三大技术平台，为多种神经系统疾病提供创新器械解决方案。已开发产品包括用于癫痫和脑肿瘤的磁共振引导激光消融手术系统(LITT)，用于治疗癫痫、帕金森病的植入式闭环自响应神经刺激系统，以及颅内深部电极等，其中部分产品已获得国家药监局批准，正式推向市场。
从成立到今天，佳量医疗已完成6轮融资，并成长为一家准独角兽企业。研发团队规模已壮大至超过100人，其中硕博比例超过三分之一。佳量医疗具备自主创新能力，累计申请200多项专利，获得授权超过100项，其中包括30项PCT专利。
秉承自主创新、造福患者的理念，全球化布局，产研协同发展，佳量医疗正致力于成为神经医学领域值得信赖的解决方案领航者。
以下为融中财经对话佳量医疗创始人兼CEO曹鹏实录，以飨读者：
融中财经：贵司所处AI产业链条哪些关键环节、市场格局如何，具备哪些技术/产品优势等？
曹鹏：我司正好处在“AI+脑科学”这个交叉点上，主要聚焦于脑机接口与AI驱动的闭环神经调控技术。从芯片、算法到云端数据处理，我们在底层硬件、信号解码、个性化刺激模型等方面都有自己的专利和技术积累。
目前这个赛道还在早期阶段，特别是在医疗领域，具有高门槛、高壁垒的特点。但我们优势在于可以完整的从信号采集、算法训练到神经刺激治疗的闭环能力；目前我司已与多家三甲医院和科研机构保持密切合作，推动真实场景落地；除此之外，我司拥有自主研发的低功耗神经调控硬件平台。
融中财经：随着这两年大模型的快速发展，特别是Deep seek爆火，您对公司发展有了哪些新的想法？近三年战略路径是？
曹鹏：这两年大模型的快速发展为我们智能医疗带来了新的启发，接下来三年，我司计划搭建脑电云平台并打磨高质量垂直应用小模型，聚焦神经刺激参数优化、个性化治疗方案推荐等实际需求，设计生产带有相关AI功能的芯片，并通过临床予以验证。
融中财经：AI医疗技术的“长周期、高风险”研发特征下，企业如何平衡市场需求与技术创新的投入？贵司近两年研发投入如何？
曹鹏：确实，医疗AI不像消费AI，不能靠“先上线、后优化”的打法。我们采取的是“两条腿走路”的方法：一方面，聚焦少数关键场景，比如癫痫和帕金森病神经调控，力求一点打穿；另一方面，保持底层算法平台的可迁移性，为未来的场景扩展打基础。
研发投入占我们预算的很大一块，这两年保持在总支出的80%以上，硬件、算法、系统集成三个方向都在持续加码。
融中财经：对比中美AI底层生态，您认为目前国内处于何种状态？随着AI产业的快速发展，中国创新企业，实现国产替代弯道超车的突破口在哪里？
曹鹏：国内在AI“基础设施”建设方面跟美国还有一定的差距，比如高端芯片、开源社区活跃度、算法原创能力等。但我们也看到了弯道超车的机会，那就是更加实用主义的垂直场景落地，比如医疗和制造业。并且国家政策支持力度强，数据资源更集中，场景+AI的结合更紧密，比如我们在“神经调控+AI”领域，就能快速推动技术到临床。我认为国产替代真正的突破口是：找到不依赖国外生态的“局部最优路径”，比如专精垂直小模型、自研芯片和临床级算法验证体系。
融中财经：AI系统的性能往往高度依赖于数据规模和质量。虽然无监督学习和强化学习在一定程度上缓解了对标注数据的依赖，但大多数应用仍需庞大的数据集进行训练。如何确保数据的高质量应用？如何在确保AI性能的同时，有效保护用户隐私和系统安全？
曹鹏：这点在医疗领域尤其重要。我司的做法是所有数据收集都签署伦理审批，并进行本地脱敏处理。在模型训练阶段，我们用联邦学习框架，数据不出医院，模型“跑进去”。系统层面引入差分隐私机制，确保即使模型被攻击也无法还原原始患者信息。
融中财经：大模型落地需要工程和算法的协同创新，如何建立开放协作的AI产业生态？产学研合作能起到哪些关键作用？
曹鹏：我们认为，大模型不是拼谁单点强，而是看谁能把“算法+工程+场景”融在一起。对我们来说，开放生态是刚需，不是选项。
我们目前的策略包括：和高校、医院、研究机构共建“数据共享+联合攻关”机制；和硬件厂商、云计算平台做集成测试，共同推进工程化落地；开放式欢迎AI团队开源共建部分非核心模块，提高行业共识和透明度；另外，产学研的价值其实不在“合作写几篇论文”，而是在于能一起定义真正的临床需求、一起跑通验证路径、一起做出能用的产品，这点也是我司一直在贯彻的。
融中财经：在AI时代下，现有的软件架构体系是否发生颠覆变化？以后软件架构会如何？
曹鹏：确实存在变化。以前是“人写规则，软件照做”；现在是“模型懂语义，系统自进化”。特别是在神经科学领域，我们感受到未来的软件架构可能更像“活的生态系统”，能根据数据、自身状态与用户反馈不断优化自我。
融中财经：贵司所处AI产业链条哪些关键环节、市场格局如何，具备哪些技术/产品优势等
曹鹏：我们聚焦在AI+脑机接口的神经调控方向，在整个AI医疗产业链中，属于比较偏下游但也最贴近“患者真实疗效”的一环。关键环节包括：脑电信号的高质量采集与预处理；个性化神经调控模型的算法训练与部署；低延迟、低功耗、高精准度的刺激器件与控制系统。
市场上，国外巨头如Medtronics等主要做传统硬件，但在AI闭环能力上布局还不深。我们在这一点上有先发优势，尤其是我们整合了信号解码、数据建模与硬件响应控制的全链路能力，更适合做个性化治疗。
融中财经：大家都在拥抱开源生态，但企业生存又需构建差异化护城河。您认为贵司在哪些方面具备“做大做强”的优势？开源后，如何解决数据共享与知识产权冲突？
曹鹏：我们认为，开源是一种趋势，但医疗行业是一个严谨且伦理性要求极强的产业。因此，我司在技术上坚持“核心闭源+外围开源”的策略，具体做法是算法框架、数据处理工具链可以部分开源，吸引合作、聚合生态；核心模型参数、临床验证体系、设备通信协议等保留内部优化权和知识产权；对于数据共享，我们采用联邦学习+数据协议签署机制，确保数据使用透明合规，同时保护合作医院和患者的权益。
融中财经：选择做通用大模型还是应用模型？如何训练专精模型？数据怎么搞、成本如何降？
曹鹏：鉴于人体生理信号的复杂性和设备使用的差异化，现阶段基于脑电的通用大模型尚不具备意义，专精垂直模型是更有效的方案。具体路径为：通过长期植入设备，长期收集个性化脑电数据，利用个性化数据调优模型，通过迁移学习降标注成本，通过用户自己的标记进一步调优模型，形成良性互动。
融中财经：您认为未来3年，最具颠覆性的智能体应用场景是？
曹鹏：从我们医疗方向看，我认为个性化智能治疗助理会是最具颠覆性的应用之一，尤其是在神经系统疾病、慢病康复、精神类疾病方面。
比如：智能体实时监测患者状态、调整刺激参数；对医生起到“治疗建议+风险预警”双重作用；可远程运维与病患互动，提高长期依从性。这类应用对模型稳定性、可解释性要求高，也正是我司能发挥优势的地方。
融中财经：AI训练需要消耗海量数据与算力。未来如何展开技术创新，打造聪明又能干的智能体？多模态能力和MoE如何更好服务客户？
曹鹏：我们提倡效率型创新，也就是让模型更小、更快、更懂上下文。我们会利用MoE架构实现模块化部署，结合多模态融合影像信息、加速度信号以及肌电信号等，并实现癫痫、帕金森等不同模型的独立运行。
融中财经：从影像识别到手术导航，从基层辅助诊疗到个性化健康管理，人工智能正在医疗领域掀起一场深刻的效率革命与模式创新。贵司所处AI+医疗产业链条哪些关键环节、市场格局如何，具备哪些技术/产品优势等
曹鹏：我司是神经疾病闭环治疗设备供应商，已开发数款基于脑机接口技术的颅骨植入式闭环神经调控系统，产品可实现长期植入，持续收集海量有标记的清晰颅内脑电信号。我司同时具备医疗器械硬件和算法双研发能力，在行业里是相对稀缺的。
融中财经：AI技术与医疗的深度融合，内科、神经外科、肿瘤等细分领域众多，哪些场景最具商业化潜质？
曹鹏：我们认为，越“刚需+高复杂度”的场景，AI越容易落地出价值。神经系统疾病（如帕金森、癫痫、脑卒中后康复）需要长期随访，且个性化需求强，传统方法很难满足，AI正好有用武之地。
另外还有比如精神健康辅助诊疗领域，可以模型结合语音、生理参数等用于风险预警和治疗响应监测。
我们认为神经类疾病的商业潜力非常大，因为设备投入少但长期复购率高，医院与患者黏性也很强。
融中财经：许多AI模型，特别是深度学习模型被视为“黑箱”，用户和监管机构都对其AI系统的决策过程产生质疑，尤其在医疗和金融等高风险领域。该如何提高AI模型的透明度？
曹鹏：我们的产品具有录制信号的功能，当解码出异常需要给刺激时，产品可以记录并保存刺激前后几十秒的数据，后续方便进行分析，能够直观看到脑电的异常情况和刺激的对应关系。
融中财经：由于人体的复杂性和差异性，医疗领域AI应用的数据隐私、医学伦理与国家安全等都面临难题，特别是在数据方面，AI医疗数据孤岛问题给如何解决？
曹鹏：针对伦理和合规问题，我们会聘请独立医学伦理顾问参与项目评估，与行业协会或地方数据平台共建“合规中台”，探索合法跨机构数据共享机制。从长期看，我们希望推动建立一个以临床需求为牵引、合规机制透明的医疗数据联盟，这样既解决孤岛问题，也让大家敢放心合作。
融中财经：DeepSeek的出现给AI+医疗带来哪些新变革和影响？公司未来战略发展做哪些调整？
曹鹏：确实带来变革，拥有医疗数据优势的医疗公司开始思考如何基于数据优势建立行业垂直模型，如把强化学习的理念引入模型的优化中，以及如何降低训练的成本和模型的规模。公司未来也会考虑引入强化学习人类反馈（Reinforcement Learning from Human Feedback, RLHF）技术，将人类偏好信号和强化学习（RL）结合来微调AI模型。