2026年3月24日，张雪峰因心源性猝死离世的消息传开，这条新闻让许多人意识到，健康并不总是以一种清晰、可感知的方式向人发出警报。
身体里发生了什么，我们究竟能知道多少？北京大学健康数据科学方向的博士研究生唐功政，也在思考类似的问题。他关注的入口，是一张看起来再普通不过的心电图。
在医院（884301）做的心电图总是让人很难理解其中的含义，而且检查又总是滞后于问题的发生。唐功政设想，要是人们能在家中采集心电信息，并借助工具获得解读和风险提示，至少可以多一个了解自身状况的入口。如果当时张雪峰身上有这样的智能设备提醒他，也许悲剧就能被及时叫停。
带着这个想法，唐功政参加了2026科大讯飞（002230）AI开发者大赛，他尝试开发了一套心电图智能解读与模型复核工具，这个产品的落地，让他一直关注的一个朴素问题有了答案：当技术已经能够生成越来越多的信息时，让人真正理解这些信息并作出正确的选择，也许更重要。
从一张心电图开始
唐功政并不是从一个宏大的医疗愿景出发的。
项目最初的念头，来自他对心内科相关知识的接触和困惑。比如“窦性心律”，很多人在体检的时候都收到过这样的结果，对医生来说，这是一个再熟悉不过的词，但对于普通人来说，心律是什么？“窦性”又是什么意思？随便发给某个Agent应用解读，只能从二手信息里获取很多偏差理解，健康问题可能被隐藏或忽视。
“医学专有名词和普通人之间，其实是有一段距离的。”
唐功政意识到，这段距离未必来自信息缺失。有时候，信息就在眼前，只是人们缺少理解它的方式。他开始想：能不能直接给心电图报告配上一份说明，把专业术语解释得更容易懂一些。这样不仅能解释结论，还能把关键指标逐项列出来，让人知道每一项在说什么、哪些地方值得留意。
从这个角度看，他想做的就不只是一个“医学术语翻译器”。市面上已经有不少工具能够把专业语言转换成通俗表达。唐功政希望再往前走一步：尝试直接解读心电信息，并对关键数据进行核对。为此，他把整个工具拆成了三个相互配合的部分：
第一，把心电图报告转化为通俗说明，呈现风险提示和后续建议；
第二，根据结构化测量数据，按照已有的心电测量标准独立计算关键指标；
第三，将独立计算的结果与其他AI模型的输出进行交叉核对，把可能存在的差异标记出来。
例如，不同的QT间期校正公式可能得出不同的数值。工具不会简单地把某个结果判定为绝对正确，而是提示使用者关注差异，必要时进一步复核。它的价值不在于让AI的回答看起来更权威，而在于让回答更容易被检查。
这套工具目前已经有了相对完整的功能原型，能够生成报告，也经过了一定的程序测试。但测试通过不等于医学结论已经得到验证，它还需要医生参与评估，也需要更系统的真实场景检验。
唐功政很清楚，从一个想法到一个真正可靠的医疗工具，中间还有很长的路要走。不过，对他而言，事情已经可以从眼前的一小步开始：先让一份难以理解的报告变得更清楚，再让关键数据能够被核对，最后帮助人们知道，自己可以怎样理解这些信息，如何寻求专业帮助。
在计算机和医学之间搭一座桥
唐功政来自山东青岛，本科时他学的是信息管理与信息系统，因为喜欢编程，很早就开始思考：计算机除了处理数据，还能解决什么真实的问题？本科毕业论文涉及医疗门诊信息系统，这让他第一次与医疗场景产生了联系。
后来，他先后在中国科学院大学和北京大学继续深造，研究方向也从计算机技术逐渐延伸到医学自然语言处理、医学知识图谱，再到更广泛的医疗人工智能（885728）。
真正进入医疗AI领域后，唐功政发现，医学和计算机的结合并不是把一种技术直接套进另一个行业那么简单。计算机研究者习惯把问题拆解成数据、模型和算法，但医学问题背后，还有复杂的专业知识与临床语境。
一个模型即使能生成一段看起来通顺的解释，也不意味着它真正理解了医学指标，更不意味着它给出的结论经得起核对。
对唐功政来说，这意味着要补的课不只有技术。他需要通过阅读文献、了解医学概念，逐步理解医生究竟在看什么、判断什么，以及哪些信息不能被简单地交给模型。
心电图智能解读与复核项目，正是这种跨学科探索的一次尝试。于是，他尝试把自然语言解释、关键指标的独立计算，以及对其他模型输出的交叉核对放进同一套原型中。
跨学科研究难度很大，在北大读博更不是一件轻松的事，论文、项目和毕业压力交织在一起，研究也很少总能顺着预想的方向推进。当科研压力积累起来时，他会去公园走走，或者钻进北京的胡同里散散步，让自己暂时抽离出来，重新整理思绪，再回到手头的事情上。
他坦言自己的抗压能力很强，也因为长期高压生活让他会更关注健康监测的问题。在科研生活中遇到的难题，有时候就像他家乡的海浪一样，一波未平一波又起，如果不能先照顾好自己，那再多工作上的成绩也会归零。
让AI给出答案，也让答案经得起核对
对唐功政来说，医疗AI面临的难题，不只是能不能给出答案，还在于答案究竟凭什么成立。
以心电图中的关键指标为例，他尝试将医学知识转化为可复用的计算规则，并保留不同计算方法对应的原始参数、计算过程和结果。他还尝试为系统加入交叉核对机制：对关键指标进行独立计算，再与其他AI模型的输出进行比对。
当结果出现差异时，系统可以将其标记出来，提示使用者进一步检查，而不是简单地把某一个模型的答案视为最终结论。这套工具目前已经形成较为完整的功能原型，并通过了包含69项测试用例在内的初步程序测试。
就目前来看，成果已经令人满意，唐功政直言参加讯飞AI开发者大赛，为他提供了一个把想法整理成工具的机会。大赛提供的任务场景、清晰的产品要求，以及成果展示和发布的机会，推动他重新从使用者的角度检查自己的作品：工具适合什么场景，用户需要输入什么，最后能得到怎样的结果，又应该从哪里进入。
今年科大讯飞（002230）AI开发者大赛共吸引52120支团队参赛，规模为历届新高，其中31229支团队来自智能体与Skill开发赛道。唐功政就是这3万多支队伍中的一位，而他也在这次大赛中取得了医疗健康Skill赛道的冠军。
当然，距离产品真正的落地仍然有很长的路要走。心电图涉及专业医学知识，模型生成的解释不能直接当成诊断结论；独立计算和模型复核能够暴露差异，也不能自动保证最终结果正确。接下来，这套工具仍需要更多专业人士参与评估，在真实需求和严格验证之间不断修正。
AI的价值，也许正藏在这些不那么宏大的改变里。从一张心电图开始，唐功政尝试做的，是在医学知识与普通人之间搭一座桥。桥还没有完全建成，但他已经开始把第一块砖放进了现实里。
唐功政的经历，也是讯飞AI开发者大赛希望看见的故事。大赛的意义，不只是让开发者展示一项技术或完成一个项目，更在于发掘有潜力的AI人才，发现那些尚在探索、却有机会解决真实问题的技术方案。
像唐功政这样，从具体需求出发，将跨学科思考转化为应用实践的开发者，正是AI创新生态中值得被看见的力量。当更多这样的想法获得展示、交流和持续探索的机会，技术便有可能走出实验与原型，回应产业需求，也为社会生活带来新的可能。
