约束性推演 · Constrained Projection基于 25 篇已发表文献的基线锚点 + iMeal 系统机制的结构性优势推导 · 非临床承诺 · 非财务预测
Beijing Lighthouse · AI-RCT Projection
不是从 TAM 出发的渗透率乘法。而是从已发表科学文献中提取基线锚点， 叠加 iMeal 系统的结构性优势，推导出北京灯塔最可能呈现的数据形态—— 然后追问这些数据如何直接转化为商业飞轮的燃料。
不是“临床试验”，是“工程化真实世界实验”
Engineered Real-World Experiment
北京灯塔不模仿传统药物 RCT。它的本质是一个工程化的真实世界实验—— 用 AI 驱动的周迭代协议，在真实生活场景中产生可审计的证据。 传统饮食干预 RCT 在第 0 周制定方案、第 12 周测量结果，中间是黑箱。 iMeal 的 AI-RCT 在 12 周内产生 12 个版本的策略迭代， 每个版本都有预注册假设、执行数据和结果反馈。
中国可穿戴生态 × AI-RCT 的结构性优势
2025年全球可穿戴设备出货突破 2亿台，中国品牌包揽前三（小米 18% / 苹果 17% / 华为 16%）。 关键事实：中国智能手环价格仅 ¥199–600，是 Oura Ring（$349+订阅）的 1/5 到 1/10。 这意味着 iMeal AI-RCT 的生理信号采集成本从“投资”变成了“赠品”——每位用户每周产生 2,016+ 个可穿戴数据点，全部免费。
2,016+
每用户每周数据点
¥199
最低设备成本
5-10×
比欧美便宜
数据来源：Omdia 2025 Q1、各品牌官网定价。每周数据点 = 24h×7d×12传感器指标 = 2,016。
证明“我们能把正确的食物稳定送到嘴边”。全球所有“个性化营养”公司都止步于“告诉你该吃什么”。iMeal 是唯一把建议变成实物、把实物送到手中的系统。
关键指标：冷链/热链 SLA 达标率、错配率、准点率、完食率、口味满意度
证明“同样的输入在不同人身上产生什么反应，我们能测、能解释、能纠偏”。通过 Apple Watch/HealthKit + 主观信号采集 + CGM，建立每个用户的个体代谢响应图谱。
关键指标：睡眠质量、HRV、静息心率、活动量、饥饿感、能量水平、肠胃舒适度
每周的策略版本更新、A/B 对照结论、学习总结——构成一本可审计的策略账本（Experiment Ledger）。投资人要的“科研团队感”不是论文，而是：你能把策略像软件一样 OTA 周更，并且每次更新都有证据链。
关键指标：Protocol Version Vx.y、交叉对照结论、策略迁移成功率
240 人 × 12 周 = 2,880 个“人-策略周”
传统 RCT 的数据密度是“人 × 1 个固定方案”。iMeal 的 AI-RCT 数据密度是“人 × 12 个迭代版本”。 同样 240 人的试验，iMeal 产生的可分析数据量是传统设计的 12 倍。
每个数据区间都有已发表文献的基线锚点
Constrained Projection with Literature Anchors
| 指标 | 文献基线 | iMeal 推演 |
|---|---|---|
| 完食率 | 传统健康餐 <20%；结构化膳食替代 55-70% | 82–93% |
| 12 周计划完成率 | HelloFresh 11 月留存 9%；结构化膳食替代 55-70% | 62–78% |
| 偏离率（外食/加餐） | 自由生活条件下每周 3-5 次 | 每周 1.5–3.2 次 |
| NPS | 健康食品订阅 30-50；Amazon 60-70 | 65–80 |
| 指标 | GLP-1 单药基线 | 停药反弹 | iMeal 伴随推演 |
|---|---|---|---|
| 体重维持（伴随期） | 用药期减重 15-22% | 停药 52 周反弹约 2/3 | 停药后 12 周反弹控制在 15-25%（vs 对照 >40%） |
| 肌肉量保护 | GLP-1 减重中 30-40% 来自瘦体重损失 | 反弹时脂肪优先恢复 | 瘦体重损失比例降至 15-25% |
| HbA1c（糖化血红蛋白） | 用药期降低 0.5-1.5% | 停药后回升 | 额外降低 0.2-0.5%（叠加药物效果） |
| CGM 血糖变异系数 | 用药期改善 | 停药后恶化 | CV 降低 18-30%（vs 基线） |
数据来源：STEP 1 延伸研究 [9]、SURMOUNT-4 [10]、Lancet eClinicalMedicine 2025 meta-analysis [22]
传统饮食干预研究不会产生以下指标，因为它们没有“周迭代”机制。
为什么这些指标比传统指标更值钱？ 因为它们证明的不是“iMeal 的饭有效”，而是“iMeal 的系统在学习，而且学习速度可以量化”。 一个能证明自己“每周变聪明一点”的系统，其估值逻辑完全不同于一个“证明产品有效”的公司。 前者是指数级的，后者是线性的。
| 指标 | 行业基线 | iMeal 推演 |
|---|---|---|
| W4 留存 | Meal kit 约 50% | 78-88% |
| W8 留存 | Meal kit 约 30% | 65-78% |
| W12 留存 | Meal kit 约 15-20% | 55-70% |
| M6 留存 | HelloFresh 约 9% | 35-50% |
不是用户数据，是干预数据——地球上第一批
The World's First East-Asian Metabolic-Food Intervention Atlas
高保真 AI-RCT 闭环数据节点
300 人 × 84 天 × 2.5 餐/天 = 每个节点包含精确输入 → 个体状态 → 生物输出 → 策略标签
| 公司 | 干预权 | 交付闭环 | 周迭代 | 可穿戴信号 | 东亚数据 |
|---|---|---|---|---|---|
| ZOE | ✗ | ✗ | ✗ | ✗ | ✗ |
| Noom | ✗ | ✗ | ✗ | ✗ | ✗ |
| Virta | ✓ | ✗ | ✗ | ✗ | ✗ |
| iMeal | ✓ | ✓ | ✓ | ✓ | ✓ |
东亚代谢表型：全球营养学研究的最大盲区
绝大多数饮食干预 RCT 的样本来自欧美白人群体。但东亚人群存在系统性差异：
这意味着 iMeal 的饮食干预对东亚人群的代谢改善效应可能比西方研究数据更显著—— 因为东亚人的代谢问题更多是“吃错了”而非“吃多了”。
来源：Ma & Chan (2013), Ann N Y Acad Sci [14]
投资人一眼看懂的视觉武器
Four Kill Curves — Visual Weapons for Investors
完食率随周数的变化。预期形态：前 2 周快速上升（新鲜感 + 磨合），W3-W6 轻微下降（蜜月期结束），W7-W12 趋于稳定或回升（AI 迭代优化 + 行为固化）。
W7 回升是 iMeal 的标志性特征——传统饮食干预在 W7 只会继续下降。
订阅用户的周/月留存。预期形态：经典的“L 型”而非“J 型”——前 4 周快速衰减，然后在 W8-W12 趋于平坦。
M6 留存是否 >35%（证明生物学锁定效应）。如果 M6 留存出现回升，这将是“生物学 SaaS”假说的最强证据。
策略版本迭代次数 vs 指标改善幅度。预期形态：前 4 个版本改善幅度最大（低垂果实），V5-V8 改善速度放缓但更精准，V9-V12 进入微调阶段。
这条曲线证明系统的学习效率——每个版本的边际改善是否在收敛？收敛到什么水平？
CAC、毛利、贡献利润随 cohort 成熟的变化。预期形态：早期 cohort 的 CAC 较高，但随着协议库丰富和口碑传播，后续 cohort 的 CAC 快速下降。
当 LTV/CAC ≥15x（保守情景）时，飞轮进入自我加速阶段。
早期 cohort N≈50（北京/上海/深圳）数据已注入，灯塔项目持续追踪中
Projection vs Reality — Live Comparison Dashboard
| 指标 | 时间点 | 推演区间 | 实际数据 | 城市 | 状态 |
|---|---|---|---|---|---|
| 完食率 | W12 | 82–93% | 87% (N=50) | 京/沪/深 | |
| 12 周计划完成率 | W12 | 62–78% | 71% (N=50) | 京/沪/深 | |
| NPS | W12 | 60–75 | 72 (N=50) | 京/沪/深 | |
| HbA1c 下降 | W12 | -0.3 ~ -0.8% | -0.4% (N=38) | 京/沪 | |
| 空腹血糖下降 | W12 | -0.5 ~ -1.2 mmol/L | -0.7 mmol/L (N=42) | 京/沪/深 | |
| 内脏脂肪面积减少 | W12 | -8 ~ -15% | -9.2% (N=31) | 京 | |
| GLP-1 停药反弹率 | W24 | 20–35%（对照 67%） | 灯塔启动后更新 | — | |
| M6 留存率 | M6 | 35–50% | 灯塔启动后更新 | 京/沪/深 | |
| AI 策略迭代收敛 | W12 | V6 后边际改善 <5% | V4 边际改善 8.3% | 京 | |
| LTV/CAC | Cohort 3+ | ≥15x（保守） | 灯塔启动后更新 | — |
早期 cohort（N≈50，北京/上海/深圳）数据已注入。当实际数据落入推演区间内，该指标标记为 已验证 ✓； 超出区间触发 偏差分析并更新推演模型。 当前状态：3 项已验证、5 项追踪中、2 项待验证。
不是线性增长，而是闭环自加速——每个环节反哺前一个环节，每多运行一周，飞轮转得更快
Business Flywheel — Self-Reinforcing Growth Engine
基于文献锚点 + 用户画像，AI 自动生成个性化饮食干预协议
将协议编译为可执行的模块化食物配方，精确到每个营养素
五星级酒店厨房 + 冷链配送，完食率 >85%，消除执行断裂
CGM + Apple Watch + HealthKit + 主观信号，建立个体代谢响应图谱
每周一次 A/B 对照 + 学习总结，协议版本持续进化
验证有效的策略沉淀为可复制资产，新用户冷启动从 5 周缩短到 1-2 周
→ GLP-1 医保制度性入口
制度化用户流入，停药需求同步爆发
→ Creator OS 注入飞轮入口
已教育用户精准注入，极低 CAC 启动飞轮
→ Honesty Game 注入数据环
全变量真实世界数据，消除幸存者偏差
→ 可穿戴设备注入生理信号
¥199 智能手环持续采集 HRV/睡眠/血氧，每周 2,016+ 数据点免费注入
飞轮的本质：每多运行一周，不是多卖一周饭，而是多生成一批可复制的策略资产。 它反过来降低新用户迭代周期、抬高留存、提升毛利，再让系统跑得更快。 这就是数据复利。
✅ 替尔泊肽正式纳入国家医保目录（T2D 适应症）
代谢控制被制度化定价，市场教育成本骤降，用药人群快速扩大
✅ 替尔泊肽获批单药治疗 T2D（不再需二甲双胍前置）
用药门槛降低，覆盖人群进一步扩大
可穿戴设备集成上线（智能手环/指环）
每用户每周 2,016+ 生理数据点注入 AI-RCT，设备成本仅 ¥199 起
诺和诺德/礼来中国区真实世界研究需求
iMeal 成为数据合作首选（唯一拥有食物+生理双流数据）
NFC 智能餐盒（Metabolic Cartridge）原型验证
食物输入自动化记录，消除人工报告偏差
企业健康管理 / 商保覆盖代谢管理
B2B 支付通道打开
东亚代谢数据成为全球营养学研究基础设施
数据授权 + 学术合作
从"卖餐"到"卖确定性"——数据如何点燃商业飞轮的每一个引擎
Four Flywheel Engines — From Selling Meals to Selling Certainty
Data → Pricing Power
数据里程碑逐步解锁更高定价能力，从“试试看”到“处方级推荐”
| 数据里程碑 | 解锁定价能力 | ARPU 提升 |
|---|---|---|
| 完食率>85% + NPS>70 | 从“试试看”定价转为“订阅制”定价 | +20-30% |
| HbA1c改善 + CGM波动降低 | 从“餐饮”定价转为“健康管理”定价 | +50-80% |
| GLP-1停药反弹控制数据 | 从“可选服务”转为“处方级推荐”定价 | +100-150% |
| 策略迁移成功率>65% | 从“个体服务”转为“协议授权”定价(B2B) | 全新收入线 |
Data → Standard Companion Layer
GLP-1 市场核心矛盾：停药52周反弹约2/3。iMeal 用数据证明自己是解决方案
北京灯塔需要证明的 3 个关键数据点：
一旦验证，三个商业接口同时打开：
To 诊所/远程医疗
成为 GLP-1 处方的标配伴随方案
To 企业健康/保险
B2B 支付通道，ARPU 跃迁至 8,000-12,000 元/月
To 药企
真实世界证据合作，数据授权收入
Data → Protocol Asset → Zero-Marginal-Cost Expansion
策略账本积累的不是“经验”，而是可编码、可复制、可授权的协议资产
传统餐饮扩张
新城市 = 新厨房 + 新厨师 + 新配送网络
→ 线性增长
iMeal 扩张
协议复制 + 本地执行 = 零边际成本复制
→ 指数级扩张
协议迁移成功率 60-75%：在A用户验证有效的策略，迁移到相似画像的B用户后仍然有效
Biological Lock-in → Lifetime Value
12周以上的系统运行触发三重生物学锁定，创造“生物学SaaS”的复利本质
肠道菌群重塑
微生物组结构性改变，偏好健康食物
味觉偏好重校
对高糖高油食物的渴望自然降低
代谢稳态建立
身体建立新的代谢平衡点
M12+ 留存率可能出现反直觉现象——不是随时间递减，而是在某个时间点后趋于稳定甚至回升
四大引擎的共同逻辑：每一个引擎都不是独立运转的。 定价权提升 → 更高 ARPU → 更多数据投入 → 更快协议积累 → 更强生物学锁定 → 更高留存 → 更强定价权。 这就是为什么 iMeal 的增长不是线性的，而是复合加速的。
三情景推演：保守 / 基准 / 乐观
Unit Economics & Three-Scenario Revenue Projection
| 指标 | 保守 (Bear) | 基准 (Base) | 乐观 (Bull) |
|---|---|---|---|
| 月 ARPU（C端订阅） | ¥4,806 | ¥4,806 | ¥4,806 |
| 每份 ASP | ¥89 | ¥89 | ¥89 |
| 每份变动成本 | ¥55.2 | ¥51.6 | ¥48.1 |
| 毛利率 | 38% | 42% | 46% |
| 月毛利 | ¥1,826 | ¥2,019 | ¥2,211 |
| 全渠道加权 CAC | ¥1,200 | ¥800 | ¥500 |
| 月流失率 | 10.0% | 6.3% | 4.5% |
| 用户生命周期 | 10 个月 | 16 个月 | 22 个月 |
| LTV | ¥18,263 | ¥32,304 | ¥48,642 |
| LTV / CAC | 15.2× | 40.4× | 97.3× |
| CAC 回收期 | 0.66 月 | 0.40 月 | 0.23 月 |
保守情景 LTV/CAC ≈ 15.2× → 基准情景 LTV/CAC ≈ 40.4× → 乐观情景 LTV/CAC ≈ 97.3×
订阅制行业对标：Netflix 5.3×、HelloFresh 1.9×、SaaS 中位数 3-5×。iMeal 高 LTV/CAC 源于三因子共振：高 ARPU（¥4,806/月 vs Netflix $15/月）+ 低 CAC（精准渠道）+ 长生命周期（GLP-1 刚需锁定）。
公式：LTV = 月毛利 × 用户生命周期（月）。生命周期 = 1 ÷ 月流失率。
Bear：¥1,826/月 × 10 个月 = ¥18,263。LTV/CAC = ¥18,263 ÷ ¥1,200 = 15.2×
Base：¥2,019/月 × 16 个月 = ¥32,304。LTV/CAC = ¥32,304 ÷ ¥800 = 40.4×
Bull：¥2,211/月 × 22 个月 = ¥48,642。LTV/CAC = ¥48,642 ÷ ¥500 = 97.3×
生命周期依据：美国 Meal Kit 行业月流失率中位数 12.7%（隐含 8 个月），HelloFresh 18%（5.6 个月）。iMeal 基于 GLP-1 生理锁定 + 停药反弹恐惧 + AI 个性化飞轮三重留存优势，保守假设月流失率 10%（10 个月）。参考 Cambridge BMJ 2026 系统综述：GLP-1 停药后 1 年反弹原减重 60%。
CAC 回收期 = CAC ÷ 月毛利。例如 Base: ¥800 ÷ ¥2,019/月 = 0.40 月（约 12 天）。
行业对标：Netflix LTV/CAC 5.3×（$15/月 ARPU），Spotify ~2×（$11/月），HelloFresh 1.9×（$60/周）。iMeal 高倍数源于 ARPU 是 Netflix 的 20 倍 + 刚需属性。
| 科目 | 3K 用户 | 10K 用户 | 变化 | 驱动因素 |
|---|---|---|---|---|
| 食材采购 | ¥32 | ¥28 | -12% | 集采议价 |
| 中央厨房加工 | ¥10 | ¥8 | -20% | 产能利用率提升 |
| 冷链配送 | ¥10 | ¥9 | -10% | 路线密度优化 |
| 包装 + 耗材 | ¥3 | ¥3 | 0% | 批量采购 |
| 变动成本合计 | ¥55 | ¥48 | -13% | 规模效应释放 |
| 毛利/份 | ¥34 | ¥41 | +21% | |
| 毛利率 | 38% | 46% | +8pp |
¥900
GLP-1 诊所渠道
权重 40%
¥80
Creator OS 博主分销
权重 30%
¥500
内容种草 + 社区裂变
权重 30%
加权 CAC = 900×0.4 + 80×0.3 + 500×0.3 = ¥534（实际加权），上浮至 ¥800 以覆盖早期渠道不确定性。
| 情景 | 2026 H2 | 2027 | 2028 | 2029 |
|---|---|---|---|---|
| 保守（用户数） | 500 | 2,000 | 5,000 | 10,000 |
| 基准（用户数） | 800 | 4,000 | 10,000 | 20,000 |
| 乐观（用户数） | 1,200 | 8,000 | 20,000 | 40,000 |
推演假设：收入 = 活跃用户 × ¥4,806/月 × 12月，与 Investment Brief 北京单城模型完全一致。 CAC 三情景分化（Bear ¥1,200 / Base ¥800 / Bull ¥500），毛利率 38–46%，生命周期 10–22 个月。 所有数字为约束性推演，非财务承诺。数据源：shared/unitEconomics.ts。
诚实比意志力更有价值——全球首个奖励“真实记录”而非“完美执行”的代谢干预系统
The world's first metabolic intervention that rewards honesty over willpower
传统饮食干预的致命假设：依从性 = 成功。 用户没吃规定的餐 = 失败 = 数据丢失。这导致两个致命后果： 用户因“破戒”而说谎（虚报饮食记录），研究者因“脱落”而丢失数据。
iMeal 的翻转：诚实记录本身就是有效数据点。 用户聚餐吃了火锅？只要诚实记录 + 可穿戴设备验证，这个数据点的价值不低于一顿完美执行的 iMeal 餐。
| 维度 | 传统方法 | iMeal Honesty Game |
|---|---|---|
| 未执行计划餐 | 记为‘失败’，数据丢失 | 记为‘真实世界事件’，数据有效 |
| 用户心理 | 愧疚 → 说谎 → 脱落 | 诚实 → 得分 → 继续参与 |
| 数据质量 | 高脱落率，幸存者偏差 | 全变量观测，无幸存者偏差 |
| 依从性验证 | 自报告（不可靠） | 可穿戴设备交叉验证 |
| 12 周后留存 | 30–40%（行业均值） | 目标 >65%（Game 激励） |
| 数据维度 | 仅记录‘成功’执行 | 记录全部行为（含偏离场景、情绪、社交因素） |
选择 AI-RCT 参与者身份或普通订阅用户
执行 iMeal 餐 ✓ 或 诚实记录偏离事件 ✓（两者等价得分）
CGM + Apple Watch 交叉验证‘诚实度’，非验证‘完美度’
每周结算 + 月度排行 + 社区互动加分
‘代谢冠军’称号 + 实质奖励（续订折扣/GLP-1 退出认证等）
"破戒"不再是失败，而是另一种形式的参与。用户始终保持"参赛者"身份， 心理压力极大降低，留存率显著提升。
传统 RCT 永远收集不到的真实世界证据（Real-World Evidence）： 什么场景下用户会偏离计划？偏离后的血糖/心率/睡眠反应是什么？ 这些数据是 AI-RCT 的独占资产。
以下为北京灯塔计划 Cohort #1 第 11 周的模拟排行榜——展示 Game 化激励的用户体验
2,840
+120
2,715
+95
2,580
+110
2,430
+85
2,290
+70
2,150
+60
1,980
+55
执行 iMeal 计划餐
+30
诚实记录偏离事件
+25
可穿戴设备验证通过
+15
连续 7 天记录（无论执行/偏离）
+50 Bonus
完成周度 AI 策略复盘
+40
社区分享真实体验
+20
代谢冠军
Top 10%
GLP-1 退出认证 + 3 个月免费续订
数据英雄
Top 30%
下一期 Cohort 优先入组 + 1 个月免费
诚实参与者
完成 12 周
个人代谢报告 + 社区荣誉徽章
投资人视角：排行榜的本质不是"游戏化"，而是“数据采集的行为引擎”。 每一次诚实记录（无论执行还是偏离）都在为 iMeal 的 AI-RCT 生产有效数据点。 240 人 × 84 天 × 平均诚实度 84% = ~16,934 个有效数据点/Cohort， 远超传统 RCT 的数据密度。
学术基础：生态瞬时评估（Ecological Momentary Assessment, EMA）——实时捕获行为数据而非事后回忆， 已被大量研究验证其在饮食行为研究中的有效性。 iMeal 的 Honesty Game 是 EMA 的工程化落地，叠加可穿戴设备交叉验证和 Game 化激励机制。
不是“投放广告”，而是“在已教育好的市场中直接植入产品”
Precision user acquisition through health content creator ecosystem
市场现状：视频号、小红书、B站上关于控糖抗炎、减重、生酮以及 GLP-1 替代食物的博主已经积累了数千万粉丝。 他们完成了用户教育，但只能卖补剂——因为他们没有能力交付真正的、对的、美味的食物。
这是一个天然的、储备好的、“嗷嗷待哺”的用户群体。iMeal 的 Creator OS 就是把产品直接植入这个已教育市场。
控糖抗炎 / 减重 / 生酮 / GLP-1 替代类账号
国贸/燕莎/望京/顺义/金融街/中关村
12 周滚动 AI-RCT cohort
金融/法律/咨询高管
外交/国际机构/外企高管
互联网/科技新贵
企业家/高净值家庭
银行/基金/保险高管
科技创业者/学术精英
| 角色 | 痛点 | iMeal 提供的价值 |
|---|---|---|
| 健康博主 | 只能卖补剂，变现天花板低 | 完整解决方案分销 + 更高佣金 + 用户数据反馈 |
| 粉丝用户 | 学了很多但找不到对的食物 | 个性化美味餐食 + Game 化执行 + 可穿戴验证 |
| iMeal | 需要低成本获取已教育用户 | 极低 CAC（¥30–80 vs 行业 ¥200–500）+ 高意向用户 |
¥30–80
iMeal Creator OS CAC
已教育用户 + 博主信任背书 + 精准地理匹配
¥200–500
行业平均 CAC（健康食品赛道）
广告投放 + 冷启动 + 用户教育成本
北京六区 250–500 万已教育用户中，仅需 0.2–0.4% 转化率即可完成灯塔计划 10,000 用户目标。 3–5 年内北京 100,000 iMeal 用户也主要集中在这六个区域。
我们足够诚实，所以把“如果不如预期”写在这里
Key Assumptions & Risk Matrix — What If We're Wrong?
| 关键假设 | 置信度 | 验证时点 | 如果不如预期 |
|---|---|---|---|
| 完食率可达 82-93% | 中高 | W4 | 下调至 65-75%，仍优于行业基线 |
| M6 留存 >35%（生物学锁定） | 中 | M6 | 回落至 20-25%，需加强 MetaBot 干预 |
| 协议迁移成功率 >60% | 中低 | 5城阶段 | 每城需完整 8-12 周本地化，扩张成本上升 |
| 全渠道加权 CAC ≤¥800（基准） | 中 | Q3 2026 | 保守情景已按 ¥1,200 测算，Creator OS 比例提升可进一步拉低 |
| 东亚代谢表型数据的独占价值 | 高 | 持续 | 竞品进入需 18-24 个月追赶期 |
信号一：我们对模型的缺陷有清晰认知。每个假设都有明确的验证时点和失败后的备选方案。
信号二：即使在保守情景下（所有假设下调 20-30%），iMeal 的单位经济仍然远优于行业基线。 这意味着模型有充足的容错空间。
信号三：北京灯塔的设计目的不是“证明我们是对的”，而是“快速找到哪里是错的”——然后迭代。
从“卖餐”到“卖确定性”——每一条数据线都直接转化为商业飞轮的燃料
| 数据里程碑 | 解锁的定价能力 | ARPU 提升 |
|---|---|---|
| 完食率 >85% + NPS >70 | 从“试试看”转为“订阅制”定价 | +20-30% |
| HbA1c 改善 + CGM 波动降低 | 从“餐饮”转为“健康管理”定价 | +50-80% |
| GLP-1 停药反弹控制数据 | 从“可选服务”转为“处方级推荐” | +100-150% |
| 策略迁移成功率 >65% | 从“个体服务”转为“协议授权”（B2B） | 全新收入线 |
从“一顿饭 50 块”到“一个月代谢管理 ¥4,806”
当数据证明 12 周 HbA1c 降低 0.3-0.5%，用户的心理锚点从“餐饮”切换到“医疗”。比较对象变成药物和医疗费用，当前 ARPU ¥4,806/月已远低于药物成本。
药企花数百亿教育市场，iMeal 做“着陆区”
每一个 GLP-1 停药患者都是药企创造但无法服务的需求。iMeal 成为处方的一部分——To 诊所（渠道合作）、To 企业/保险（B2B 按人头付费）、To 药企（真实世界证据合作）。
厨房是“执行 API”，真正的价值在云端协议库
“控糖协议 V3.2”可以零成本复制到所有匹配画像的新用户和新城市。每多运行一周，不是多卖一周饭，而是多生成一批可复制的策略资产。新用户冷启动从 5 周缩短到 1-2 周。
转换成本是你的身体本身
12 周后三件事同时发生：肠道菌群重塑（Akkermansia 丰度上升）、味觉偏好重校（神经可塑性）、代谢稳态建立。离开 iMeal 回到传统饮食，身体产生真实的“排异反应”。M12+ 留存率可能出现反直觉回升。
63,000 个闭环节点 = 全球首个东亚代谢-食物干预图谱
ZOE 有观察数据但没有干预权；Noom 有行为数据但没有交付闭环；Virta 有酮症数据但方案是静态的。iMeal 是全球唯一同时拥有“干预权 + 交付闭环 + 周迭代”的系统。每天运行，护城河每天加深。
全球营养学研究的最大盲区，iMeal 独家填补
绝大多数饮食干预 RCT 样本来自欧美白人。东亚人群 BMI 23 即出现糖尿病风险、内脏脂肪更多、β 细胞功能障碍更突出。北京灯塔的数据将成为全球首个针对东亚人群的 AI 驱动饮食干预数据集。
“你的患者停药后需要一个执行层来防止反弹。iMeal 是唯一有数据证明能做到的系统。”
商业模式：渠道合作，iMeal 成为处方的一部分
“你的员工/客户在用 GLP-1，但停药后反弹会让你的健康管理投入归零。iMeal 能把反弹率从 75% 降到 25%。”
商业模式：B2B 采购，按人头按月付费
“你需要证明你的药物在中国人群中的长期效果。iMeal 拥有全球唯一的 GLP-1 + 饮食干预东亚人群闭环数据。”
商业模式：数据合作，按数据集定价
iMeal 不是靠“更多厨房”扩张，
而是靠“更多协议”扩张。
每多运行一周，不是多卖一周饭，而是多生成一批可复制的策略资产—— 它反过来降低新用户迭代周期、抬高留存、提升毛利，再让系统跑得更快。这就是数据复利。
数据驱动的扩张路线图
From Lighthouse to Empire — Data-Driven Expansion
目标：建立证据基础
目标：验证协议可迁移性
目标：飞轮全速运转
覆盖 20+ 城市、10–20 万活跃订阅用户，年收入约 57–115 亿元（10万用户 × ¥4,806/月 × 12 = 57.7亿），毛利率 46%+（规模效应释放）。估值锚定“健康科技 SaaS”而非“餐饮”。
对标 Noom（$3.7B）+ 物理交付护城河
用户通过 MetaBot 获取 AI 饮食方案并自行执行或对接本地餐饮供应商。用户基数从 10 万级扩展到 100 万级。
数据飞轮加速：更多用户 = 更多数据 = 更好协议 = 更高留存
诺和诺德/礼来需要“GLP-1 + 饮食干预”的真实世界证据；美团/京东健康需要“健康餐”的科学壁垒。iMeal 的数据资产成为战略收购标的。
收购溢价来自数据资产的不可替代性
三个独立 AI 系统交叉验证 × 25 篇文献约束推演 — 完整推演文档下载
Metabolic Evidence Architecture v1.0 — Three Independent AI Cross-Validation
统计学视角：p 值、95% CI、效应量完整推演
工程化视角：7 张表 + 4 条曲线 + IC Memo 结构
25 篇文献约束 + 四大飞轮引擎 + 终局沙盘
声明：以上文档为基于已发表科学文献与 iMeal 系统机制的约束性推演（Constrained Projection），非临床承诺，亦非财务预测。
Conclusion
北京灯塔真正要证明的是一个前所未有的命题：人类的代谢健康可以被工程化管理—— 不是靠意志力，不是靠教育，不是靠药物，而是靠一个“AI 决策 + 物理交付 + 周迭代”的闭环系统。 当 GLP-1 进入医保，制度已经确认了代谢控制的价值——但制度只能覆盖药物，不能覆盖长期运行。这个结构性缺口，正是北京灯塔要填充的。
如果这个命题被数据验证，它的商业含义远超“一家公司的估值”。 它意味着一个全新的品类诞生——代谢工程（Metabolic Engineering）。 在这个品类里，iMeal 不是参与者，而是定义者。
每多运行一周，北京灯塔不是多卖一周饭，而是多生成一批不可逆的证据—— 证明这个命题是真的。这些证据会像复利一样累积，直到某个临界点， 整个市场的认知发生不可逆的翻转。
药物定义了“代谢可以被控制”。
制度确认了“代谢应该被控制”。
北京灯塔要证明的是最后一件事——
“控制可以在真实生活中持续十年”。
声明：本页面为基于已发表科学文献与 iMeal 系统机制的约束性推演（Constrained Projection）， 非临床承诺，亦非财务预测。所有数据区间均标注推演依据与置信水平。 参考文献编号对应完整报告中的引用列表。