很多人以为临床试验最重要的是统计模型，实际上真正决定研究质量的往往发生在模型之前。ICH E9(R1)提出的Estimand并不是一种新的统计方法，而是一套重新定义科学问题的思维框架。它要求研究开始前先回答：究竟希望估计什么治疗效应？研究对象是谁？哪些事件应该纳入解释？只有这些问题明确之后，统计模型才真正有意义。

很多研究争论的焦点放在Cox模型、Logistic回归还是贝叶斯分析，却忽略了这些都属于Estimator。Estimator回答的是“如何计算”，Estimand回答的是“到底想回答什么问题”。如果科学问题本身没有定义清楚，再复杂的模型也可能得到毫无价值甚至误导性的结论。这也是近年来监管机构越来越强调Estimand的重要原因。

AI时代，这一理念反而更加重要。大模型能够自动写代码、自动建模、自动分析，却无法替代研究者定义科学问题。AI可以帮助寻找最优Estimator，却无法决定真正值得回答的Estimand。随着模型能力越来越接近，真正决定研究质量的不再是算法，而是问题定义是否准确、因果框架是否合理、研究设计是否严谨。

这一思想不仅适用于临床试验，也适用于真实世界研究、人群队列、AI药物研发以及生物医学研究。未来真正拉开差距的，不是谁拥有最大的模型，而是谁能够把模糊的医学问题转化为清晰、可验证、可监管的科学问题，再利用AI高效完成后续分析。这才是AI真正应该发挥价值的地方。

未来十年，AI会越来越擅长回答问题，却不会自动提出正确的问题。真正稀缺的人才，也不会只是最会调模型的人，而是能够定义问题、设计研究、建立因果框架，并让AI围绕正确目标工作的科学家。理解Estimand，本质上就是理解AI时代科学决策的新起点。