北欧AI创业实录：从医疗Agent到AI设计分子

北欧的AI创业生态正在形成一种独特的路径：不只追逐模型规模，而是把AI嵌入医疗、法律、生物制造这些高门槛场景。在斯德哥尔摩的一场Build-a-Claw对谈中，Corti、Legora与Root Bio三家公司的创始人分享了各自的实践，也暴露了这个生态真实的速度与代价。

三家北欧公司，三条截然不同的AI落地路径

这场对话由Northscape Foundation北欧区董事总经理Fia主持，三位嘉宾分别代表医疗、法律与生物科技三个方向。

Corti创始人Lars拥有机器学习博士学位，曾在苹果工作，如今带领团队构建面向临床工作流的agentic基础设施。用他的话说，公司从医疗起步，如今已扩展到生命科学、保险和金融领域。开发者可以直接访问docs.corti.ai了解其能力栈，覆盖大语言模型、语音转文字、agentic框架等模块。

Legora的CEO Jacob在YC之后几周加入，从零搭建了整个工程组织。他给出的增长数字相当直白：18个月达到1亿美元，随后6个月再增1亿。这家公司专注于法律行业的AI工作流。

Root Bio的Martin则把视角拉到了实验室。他的起点是在KTH和哈佛医学院设计一种能减少奶牛甲烷排放的分子，三年后公司将整个流程自动化：AI设计全新分子，机器人在实验室完成验证。

Agent到底在替人做什么

主持人抛出的第一个问题很具体：举一个agent已经端到端替代人类完成的任务。

Lars的回答是编程——平台上大量用户在做coding，公司内部也在端到端地写代码。Jacob给出了更具体的场景：事故响应（incident response），系统能够处理推送代码引发的故障，且过程相当顺畅。Martin的答案最具画面感：从一句prompt到实验室里的一个分子。

这三个答案恰好勾勒出agent能力的三个层次——软件生产、运维响应、科学发现。你可能没注意到，编程被两位创始人同时提及，Lars还补充说GPT的使用分布目前也主要集中在coding上。

Agentic框架指让大语言模型具备自主规划、调用工具、执行多步任务能力的软件架构，典型模式包括ReAct（推理-行动循环）、工具调用（function calling）以及多agent协作。与单次问答不同，agentic系统会维护状态、分解目标并根据中间结果调整下一步动作，因此对错误处理、可观测性和权限控制的要求更高。在医疗、法律等场景中，agentic框架通常需要与业务系统深度集成，并设置人工审核节点或硬性拦截规则，这也是后文“程序化护栏”讨论的前提。

高速增长的另一面：那些没被写进BP的翻车现场

Jacob对增长代价的坦白是这场对话里信息密度最高的部分。他提到早期大量演示出问题的时刻：联合创始人Max会焦急地打电话说"跑不起来了"，整个团队一起排查。

他给出的经验是分阶段的：在找到product-market fit之前，可以快速试错、走一些捷径，正是这些"yank shit"让团队迭代得足够快；一旦确认某个方向长期需要，就必须转向可靠性和鲁棒性建设。这套"先跑通再加固"的逻辑，与很多创业公司的真实节奏吻合，但能在公开场合讲出来的并不多。

Lars则从另一个角度补充了对Legora的观察：他们从分销和客户出发，再反向构建产品，而大约90%的团队做的是相反的事——先做产品再找客户。

医疗Agent：30个子agent与程序化护栏

Lars分享的案例是欧洲最大的EHR（电子健康记录）系统，覆盖北欧乃至欧洲大部分地区，目前已经有agent上线运行。

他的判断很直接：临床医生天生讨厌软件，他们不盯着屏幕，而是盯着病人。所以这家EHR厂商通过Corti的API构建了一个包含约30个子agent的系统，部分采用orchestrator加子agent的架构，部分使用状态图。

关键在于错误成本。营销邮件里出现"Hi {name}"这种失误可以容忍，但在临床场景里不行。因此这套系统设置了严格的前置检查——agent不能绕过这些检查继续执行。Lars强调，这不是花哨的trunks护栏，而是围绕agentic系统的程序化护栏。

**EHR（Electronic Health Record，电子健康记录）**是医疗机构用于存储患者病历、用药、检验结果和临床决策信息的核心系统。欧洲的EHR生态高度碎片化，不同国家与医院集团采用不同厂商，且受GDPR和各国医疗数据法规约束。将agent嵌入EHR意味着必须处理结构化与非结构化临床数据、遵循HL7 FHIR等互操作标准，并在审计追踪、访问控制和患者隐私方面满足合规要求。因此临床场景中的agent设计往往以“低错误成本”为首要目标，而非追求通用能力。

开源模型与前沿模型的差距，以及主权AI

当被问到开源模型与前沿模型的差距时，三位创始人的回答趋于一致：差距不大。Martin提到Root Bio会发布白皮书详述这一点，Jacob则强调benchmark取决于具体任务，生态的多样性本身就是好事。

Lars补充了一个细节：很多人问为什么不用Claude，但Claude只能用自家模型，而这些抽象层在某些场景下表现更好。

在主权AI议题上，Corti的做法是by design的完全主权栈，可以在任何符合条件的云上部署整套系统。Legora则把治理和来源（provenance）纳入模型选择的维度——部分客户对美国的模型有信任顾虑，部分对中国模型有顾虑，公司需要根据客户的风险偏好来调整。

Lars还讲了一个有意思的测试：有开发者做了个周末项目CodingBridge，把Claude Code的harness接到Corti的模型上。一些原本极力推崇Claude的开发者参与了A/B测试，结果分辨不出差异。

**主权AI（Sovereign AI）**指一个国家或组织确保其AI系统在数据存储、模型训练与推理、供应链和治理规则上不受外部司法管辖或单一供应商控制的能力。在欧洲，主权AI常与GDPR、EU AI Act以及公共部门采购规则绑定，要求数据不出境、模型可审计、供应商可替换。实现路径包括在本地或区域云上部署开源模型、采用端到端加密与自带密钥（BYOK），以及保留模型来源（provenance）元数据。对创业公司而言，主权栈既是合规成本，也可能成为面向受监管客户的差异化卖点。

北欧凭什么：分销能力与监管红利

Martin解释了为什么Root Bio把总部放在斯德哥尔摩：这里是CME5资本聚集地，数据基础和人才基础一直很强，而在AI时代，应用层的能力被进一步放大。他用了一个说法——斯德哥尔摩是"影响力资本"（impact capital），影响力与AI在这里交汇。

关于监管，Lars的看法与常见的抱怨相反：EU AI Act、医疗和生命科学领域的良好实践规范如今已经相对清晰，对非欧洲的竞争者来说反而构成壁垒。他甚至说，美国市场对Corti而言是竞争优势，而欧盟的问题在于"从2010年就开始说这件事"，直到现在才真正落地。

Jacob被问到法律职业的未来时，给出的框架是：agent接管所有没人为了做律师才去做的琐碎任务，法律研究、在海量合同里找出关键条款，而人类律师把时间花在判断风险偏好上——客户是要快，还是要保守，还是要激进。他的期待是，效率提升让法律服务从过去五到七年价格上涨10倍的轨道上走下来，变得更可及。

给开发者的建议：每周都去试新东西

收尾环节，主持人请每人推荐一个工具。Lars让大家这周就去试Corti的API，几秒钟就能跑通。Jacob的建议更宏观：AI的前沿形态每6到12个月就变一次，没人真正想清楚了，想站在前沿就得每次新东西出来都去试，并且愿意给它一些你原本不愿给的访问权限。

Martin的补充回到了agent的形态：从chat到team再到agent，交互范式还在演进，而这一代模型和组合的可能性是此前不存在的。

这场对话没有宏大叙事，三个创始人谈的都是具体的故障、具体的架构选择、具体的监管条款。北欧AI创业的样本价值或许正在于此：在 regulated industry 里做深，把合规从负担变成护城河。