“一人一方“的工程化难题：中医经验数据化的三条路径

发布时间：2026/10/31 7:08:06

过去两年，"AI 中医"的项目几乎每个月都有一个新版本出现。但只要上手用过就会知道，绝大多数产品的重心落在问诊侧：把舌象、面色、问诊条目做成结构化表单，再用知识图谱检索出对应的证型，最后给一段解释。

这条路能跑通，是因为问诊侧的问题本质上是分类问题——输入是有限字段，输出是有限证型，中间有现成的教材与共识可依。

真正卡住的地方在"方"这一侧。

同一个证型，十个医生可能开出七张不同的方；同一张方，剂量轻重又能再分出三五种做法。这种差异不是噪声，恰恰是中医最核心的东西。而所有想把它工程化的人，最终都要面对同一个问题：这份差异，靠什么来算？

我把医者的判断过程粗拆成三层，难度是递增的：

层	内容	结构化程度	工程难度
症状层	主诉、舌脉、寒热虚实	高，可枚举	低，表单即可
体质层	平素偏颇、病程长短、年龄性别	中，需长期随访	中，需要时序数据
判断层	取舍、加减、剂量权衡、时机	低，多为默会知识	高，几乎无标注

前两层可以靠标注和规则解决。第三层不行——因为它不是"知识"，是"手感"。手感的特点是：当事人说不清自己依据什么，但结论稳定可复现。

工程上遇到这种问题，只有两种处理办法：要么想办法把它外化成可测量的量，要么承认它不可计算、把系统定位成辅助。中间道路（假装算出来了）是最危险的。

把证型—治法—方剂—药物的关系建成图，用规则把"症状组合"映射到"方剂组合"，加减法用规则表达。

拿海量真实处方做表征学习，让模型自己学出"症状组合 → 药物组合"的映射。

优点：能处理规则表达不了的模糊地带，泛化性明显好于规则。
失效点：模型学到的往往是医生的开方偏好，而不是病本身的规律。某位医生习惯用某味药，模型会把这个习惯当成医学规律学进去。数据里医生的分布一旦偏移，模型输出就会系统性漂移。
另一个坑：可解释性几乎为零。而在这个领域，"为什么这么开"恰恰是使用者最需要的东西。

这条路的思路不太一样：不试图计算"该开什么方"，而是去测量药材本身携带的物理特征——每一味药材、每一个复方，都对应一组可采集、可复现的特征谱。方剂的作用，被抽象成这组特征谱的叠加与配比。

于是"一人一方"这件事，就从"生成一张处方"变成了"匹配一组参数"。参数可以存储、可以传输、可以写入载体，也可以按个体差异做微调。

优点：绕开了"手感的语言化"这一步。医者的判断仍然由人做，系统只负责把判断结果变成可执行的参数。
失效点（这条最需要诚实）：配伍不是线性叠加。两味药放在一起，效果可能相互增强，也可能相互抵消，甚至产生新的东西。这意味着叠加算法必须是非线性的，而且需要大量配伍样本才能标定。
基础设施缺口：目前没有公开的、标准化的特征谱数据集。各家采集口径不同，横向比对基本做不到。

如果真要沿着这条路往下做，会依次撞上四堵墙，顺序基本固定：

第一堵：采集一致性。
同一批药材，不同产地、不同采收期、不同干燥方式，特征谱会漂。温湿度变化也会让基线偏移。没有一套漂移校正协议，采出来的数据只能自用，无法成为资产。

第二堵：配伍的非线性标定。
单味药好测，复方难测。n 味药的组合空间是指数级的，不可能穷举。现实做法是先测高频药对，再用药对的组合去逼近复方——但这只是工程近似，误差会累积。

第三堵：有效性的度量协议。
这是最要命的一堵。没有可重复的评测协议，任何结论都无法被第三方验证，也就无法进入严肃的产业采购。而建立协议本身需要行业共识，单靠一家企业做不出来。

第四堵：载体的衰减与生命周期。
参数写入载体之后不是永久的。磁体有时效，信号有衰减。工程上必须给出明确的衰减曲线、复位机制与更换周期——这一块如果含糊，整个系统的可信度就立不住。

如果把话说清楚：

能做的：在"日常养护""舒缓""放松"这个层面提供物理辅助手段，让使用者的身体状态更容易回到舒适区间。这类应用不涉及疾病，风险可控。
不能做的：任何疾病相关的声明。这条路目前不具备临床证据链，也不该被包装成医疗手段。物理辅助手段，不替代医疗——这句话不是免责套话，是技术阶段的真实描述。
不该做的：在没有评测协议的情况下宣传"有效率"。这类数字一旦被要求复现，就是项目的终点。