我國攻克大模型核心技術難題 原創分層認知 AI 構筑產業新范式

近日，浙江省現代炁脈健康研究院宣布，其自主研發的醫學AI系統Prome，已通過分層認知架構實現對大語言模型四大結構性缺陷的系統性突破，為我國AI技術走出“規模競賽”提供了新路徑。當前，全球大模型發展面臨黑箱不可解釋、幻覺生成、算力依賴與災難性遺忘四大瓶頸，傳統“堆參數、擴算力”的路徑邊際效益遞減，且存在經濟與環境可持續性挑戰。

圖注：浙江省現代炁脈健康研究院創始人劉清源

浙江省現代炁脈健康研究院的研究團隊經過23年理論研發與1000+例臨床閉環驗證，構建了全新的分層認知AI架構，為解決上述難題提供了中國方案。該架構通過物體表征層、任務表征層、自我狀態層與執行輸出層四個獨立層級，實現AI推理過程的全流程可審計。每一層均具備明確的輸入、處理邏輯與輸出記錄，打破了傳統大模型“黑箱決策”的局限。在臨床應用中，系統可完整呈現從病因到診斷的推理鏈條，每一步均標注置信度與驗證要求，實現“決策有依據、偏差可溯源、錯誤可修正”，為醫學AI的臨床落地提供了安全保障。針對大模型“概率生成式編造”問題，Prome系統內置能力邊界感知模塊，在處理問題時首先評估自身知識與問題的匹配度，對超出驗證邊界的場景主動輸出“不確定”提示，并明確說明限制條件，從機制上避免錯誤信息輸出。在1000+例臨床病例驗證中，該機制實現了零幻覺編造記錄，為醫療場景下的AI可靠性提供了有力支撐。研究團隊創新采用“認知框架+遷移學習”路徑，通過建立基礎認知框架，實現新病種學習的局部參數微調，數據需求量較傳統端到端訓練減少一個數量級，未見過病例的泛化準確率提升37%，大幅降低了AI訓練與應用的算力成本。同時，“活架構”設計有效解決了災難性遺忘問題，實現新舊知識的動態整合與長期共存，為AI系統的持續迭代提供了可持續路徑。

當前，全球AI競爭多聚焦于模型規模與算力投入，而浙江省現代炁脈健康研究院的成果，提出了“架構優先于規模”的創新思路，為AI技術發展提供了新的可能性。業內專家表示，分層認知架構的臨床驗證成果，若經第三方標準化測試進一步確認，將對AI技術在醫療等高可靠性場景的落地應用產生重要推動作用，也為我國AI技術實現差異化競爭提供了方向。研究院表示，將繼續推進第三方獨立驗證，并尋求跨領域合作，探索該架構在更多行業場景的應用價值，助力我國AI技術高質量發展。

關于浙江省現代炁脈健康研究院

浙江省現代炁脈健康研究院成立于2018年，聚焦認知建模與人工智能架構的交叉研究，核心創新為以認知框架構建為核心的訓練方法論，致力于通過架構創新解決AI技術的可靠性與可持續性問題。