2026 年 9 月 21 日，临床 AI 公司 Amigo 更名为 Concurrence。次日，它宣布与 Databricks 达成多年合作。但这轮变化指向一个比工作流自动化更大的问题：医疗能否从每一次照护中积累可复用的经验？

公司把这套底座称为 Health World Model，医疗世界模型。但现有产品与研究目标需要分开看。临床 Agent 是它进入照护现场的入口，世界模型则承载着把现场经验转化为下一次决策依据的野心。

Amigo 更名为 Concurrence 的官方主视觉（图源：Concurrence 更名公告）

先接住两次就诊之间的空白

创始人 Ali Khokhar 在 2024 年创办 Amigo，切入问诊信息采集、预约、随访与就诊间支持。**但他在更名信中强调，让 AI 取代医生诊断和开处方，不属于公司正在建设的方向。**团队选择先处理围绕诊疗展开的大量协调工作。

据平台介绍，机构提供临床协议与质量标准，公司负责技术实现，典型部署周期为 6–8 周。研究页称，Agent 已支持超过 1000 万次患者交互。但交互次数衡量业务活动量，不能换算成独立患者数，更不能当作疗效证据。

Agent 通过语音、消息与应用接入照护流程的官方示意（图源：Concurrence 平台页；透明素材补充深色底）

一位患者没有复诊，病历可能留下“未到诊”；但公司举出的场景是，患者在对话中提到自己失去了交通工具。**这种细节改变了后续支持的切入点：再次提醒预约与帮助解决出行障碍，面对的是不同的问题。**这也是团队希望补入记录的上下文。

可以把传统记录想成几张就诊快照，团队想保留快照之间发生的事。**但多记一段对话还不够，系统需要连起采取了什么行动、处于什么情境、后来发生什么。**公司把这些沿时间展开的记录称为患者轨迹，Patient Trajectories。

多源信息、患者表征与照护 Agent 之间的反馈关系；为官方概念示意（图源：Concurrence《Superintelligent Care》）

一份病历，为什么还要叫世界模型

这套底座像一本保留修改历史的账簿。Databricks 发布的联合署名工程文章介绍，新信息以不可变事件写入，再推导当前患者状态。但最新一条记录未必最可靠，来源和来龙去脉必须一起保留，才能解释信息冲突。

据该文，架构每月接收约 270 万条世界模型事件：Delta 保存事件，Unity Catalog 管理访问与溯源，Lakebase 服务运行中的状态。但这些工程规模只能说明系统处理了多少信息，无法直接说明它预测患者未来有多准确。

数据转换、事件日志、数字孪生、仿真与工作流的官方架构示意，不代表各环节均已完成临床验证（图源：Concurrence × Databricks 合作页）

研究纲领进一步提出，像从多条行程中寻找反复出现的路段一样，从患者轨迹提炼共享模式。单个片段叫 arc，跨患者的抽象模式叫 archetype。但相似经历只能提供研究线索，哪些历史案例真正适用于眼前患者，仍需检验。

更远的目标是学习这些轨迹如何演变。公司写明，计划训练关于患者观察与照护行动的纵向生成式基础模型，并结合预测模型、因果估计器和经过验证的临床工具。但它同时承认，如何训练并协同这些组件，仍是开放研究问题。

从单个患者的轨迹片段到多患者共享模式的官方概念图（图源：Concurrence《Superintelligent Care》）

能回放过去，离推演未来还有多远

因此，“世界模型”在这里有两个层次：当前可供 Agent 使用的患者状态底座，以及未来希望预测照护演变的模型。但把两层合并描述，会让读者误以为后者已经验证。 统一患者上下文与可靠推演患者未来，之间还隔着一整套研究和评估。

目前公开材料能说明事件留存、记忆提取与工作流复用的设计。但在本次检索的研究纲领、产品页及合作工程文章中，尚未找到这项纵向生成式模型的完整训练配置、预测基准或前瞻性临床结果。“走向”二字因此需要保留。

对话、提取记忆与患者模型的官方产品示意；不等同于已验证的未来预测模型（图源：Concurrence 平台页；透明素材补充深色底）

Agent 上线前，公司使用模拟患者做压力测试。联合工程文章称，新平台的仿真与评估流量约为生产流量的 7 倍，可回放历史状态而不改动真实记录。但测试流量描述的是验证投入，无法替代错误率、漏报率和真实环境表现。

合作页还展示“临床安全指标 100% 通过”的宣传口径，但不能据此推导现实中的零风险。研究纲领明确说，实际照护场景的验证仍然必要。仿真可以暴露失败，但患者是否获益，最终必须回到真实照护中回答。

身份核验、风险识别与转交医生等仿真维度的官方示意；图内百分比不作独立临床性能证据（图源：Concurrence《Superintelligent Care》）

轨迹越多，因果问题越难绕开

数据增加，也会留下更多选择的痕迹。研究纲领讨论了一个陷阱：重症患者更容易接受强干预，但结局也可能更差。**如果系统只学习行动与结局同时出现的模式，就可能把“病得更重”误读为“治疗造成伤害”。**这就是适应证混杂。

记录更密，也可能仅仅意味着患者就诊更频繁。但患者较少出现时，系统看到的空白不能自动解释为健康。团队因此提出，要研究数据为何被记录、哪些因果效应无法由现有信息识别，以及何时降低置信度、交还医生判断。

研究纲领对观察过程偏差与适应证混杂的原文说明（图源：Concurrence《Superintelligent Care》页面截图）

跨机构学习还有另一道门槛。研究计划希望让知识在同意参与的机构间迁移，但平台页同时写明，标准数据处理协议禁止使用客户数据训练 AI。“从照护中学习”必须说清楚：哪些是患者状态更新，哪些涉及模型训练，又依据什么授权。

公司列出的首批优先事项也很具体：新增照护上下文能否优于仅用病历的预测，隐私保护后保留多少价值，换一家机构还是否有效。**但这些目前被列作待检验的问题。**它们比“拥有多少条轨迹”更接近这条路线能否成立的判据。

公司明确区分已部署 Agent、在建数据底座与首批待验证研究问题（图源：Concurrence《Superintelligent Care》“Where we are”页面截图）

下一次发布，需要交出什么

从产品路线看，Concurrence 正尝试让工作流带来上下文，再让上下文支持更多工作流。**但要证明这个循环能产生医疗价值，还需要对照：比仅用病历多知道了什么，比原有照护改善了什么，以及改善能否迁移。**这些问题也应成为后续报道的追踪点。

Databricks 合作提供了数据基础设施的落点，但基础设施无法代答患者结局。**公司目前解决的仍是这条长链中的一部分问题。**当它下一次展示“医疗世界模型”时，最值得等待的，也许是一份能说清谁获益、谁没有获益、为何如此的真实验证。

交织轨迹的官方艺术插图，用于表达健康影响因素的复杂性，不承载实验数据（图源：Concurrence《Superintelligent Care》）