醫療領域中類人可擴展智能的必要性論證

The Case for Human-like Scalable Intelligence in the Medical Field

醫療領域中類人可擴展智能的必要性論證

https://ojs.bonviewpress.com/index.php/jdsis/article/view/3415/1257

摘要：

本文探討了將首批基于獨立核心觀察者模型（ICOM）構建的、已投入實際運行的認知架構應用于醫學領域（及其他領域）的使用案例。文中將該方法相較于現狀及當前狹義人工智能系統（如大語言模型LLMs與強化學習RL）的局限性進行了對比分析。所涵蓋的顯著優勢包括：醫學知識的深度、廣度、時效性與保真度；診斷與治療中的“噪聲”或不一致性降低；以及在預防性醫療、成本、時間效率和倫理考量等方面的改善。此外，本文還強調了該方法在促進醫學研究整合、協同與加速方面的強大潛力——尤其在欠發達、服務不足及研究匱乏地區，與聯合國可持續發展目標（SDGs）高度契合。文中進一步探討了尚待挖掘的獨特機遇（如跨學科協同優勢），以及與現有系統與流程顛覆相關的挑戰。保守估計，該方法可在多個維度上帶來數量級級別的累積性提升。特別地，本文專門討論了類人系統在超復雜知識領域與問題中的新穎價值——在這些情境下，系統集成所產生的效益最為顯著。

關鍵詞：人工智能；倫理；認知偏差；醫學；決策；噪聲；知識圖譜

1. 引言醫學領域無疑是當今最“超復雜”（hypercomplex）的研究領域之一，因其不僅涉及作為高度互聯復雜生物系統的人體本身，還涵蓋人體所接觸的一切環境、食物來源及各類刺激源［1］。此外，醫學亦包含對人類認知過程的研究——正是這一過程推動人類逐步走出樹林、繼而走出洞穴，緩慢而堅定地建立起今日的文明。

醫學領域本身極易被細分為上百個高度專業化的子領域，每一子領域均擁有獨立的知識體系與主流學派；而在任一給定時刻，不同子領域之間未必彼此兼容。某一子領域取得突破性進展后，其影響往往需歷時數年方能滲透至鄰近醫學子領域。

美國國家生物技術信息中心（NCBI）醫學數據庫即為一個規模龐大的共享資源范例，向研究人員及公眾免費開放逾百萬篇經同行評議的醫學文獻；該系統亦包含完整且經注釋的基因組序列數據及其他各類重要醫學資源。此類資源價值與潛力極為巨大，但與眾多其他資源一樣，當前其利用率仍嚴重不足。

極有可能的是，當今沒有任何一名醫學從業者——無論是醫生、研究人員還是分析師——通讀過其自身專業子領域內的全部同行評議文獻，更遑論鄰近子領域——而后者可能已取得尚未傳導至其專業的最新發現。在許多情況下，鑒于當前文獻產出的體量，人類個體實際上已無法完成此類閱讀。其結果是：各領域不僅在鄰近專業領域的知識上常常呈現稀疏性與滯后性，甚至在其自身專業領域的知識更新上亦往往存在稀疏與過時現象。

盡管人類難以應對如此海量信息與超復雜性，但以大語言模型（LLMs）為代表的狹義人工智能系統卻根本無法真正“學習”任何內容：依其架構為編碼器型或解碼器型，此類系統僅能預測文本中被遮蔽部分［2］，或下一個詞元（token）［3］。它們僅存儲詞元的概率分布，卻完全缺乏上下文感知能力，既無類人概念的習得，亦無類人的動機系統［4］。此外，其架構本身決定了“虛構生成”（confabulation，常被誤稱為“幻覺”）并非系統缺陷，而是一種內生特性［5, 6］。上述因素共同導致：LLMs 在當前絕大多數醫學應用場景中根本不具備適用性。

醫學不僅具有超復雜性，更是一個高風險、高影響力領域——生命存續與生活質量往往直接系于其上。這一特性為任何試圖進入或改善該領域者施加了沉重責任。就人工智能系統若要參與乃至承擔多數醫學任務所需具備的能力而言，專業界普遍至少會要求：倫理一致性、透明性、可解釋性、真實理解與推理能力、網絡安全、隱私保護以及安全性等基本條件。

盡管狹義人工智能系統在根本上無法滿足上述能力要求［7］（除非如某些不良行為者所嘗試的那樣，對這些術語進行重新定義［8］），但存在一種截然不同的架構——獨立核心觀察者模型（Independent Core Observer Model, ICOM）認知架構——已展現出在軟件系統中實現這些能力的可能性［9］。除滿足醫學領域理應堅持的上述最低可行能力外，ICOM 認知架構還具備若干獨特優勢，包括：支持集體智能、降低認知偏差與“噪聲”［10］、實現無損記憶，以及在認知的可擴展性、處理速度與可用性方面表現突出。

簡而言之，本文將探討一種兼具類人性與內在可擴展性之智能形態應用于醫學場景所帶來的新穎效益，尤其強調其在應對超復雜性方面的固有優勢。這些優勢體現于知識廣度、深度、時效性與保真度的顯著提升，并在成本、時效、倫理、公平性、可擴展性、統計噪聲控制及早期干預機會等方面帶來實質性改進。

后續章節中，我們將系統梳理該方法的各項優勢與局限性。

1. 全球醫學知識

盡管對醫學領域的人類從業者而言——即便不說是完全不可能，至少也極不現實——去研讀每一篇新發表的同行評議論文，更不必說逐篇批判性評析，或進一步考察那些未被發表的研究及其原因；然而，基于獨立核心觀察者模型（ICOM）的第八代系統卻具備這一能力。此類系統不僅能以類人方式對每篇論文進行批判性評估，還可深入審查未發表材料，并拓展至醫學以外的相關知識領域開展探究。

這意味著，集成完整可擴展性與實時運算能力的第八代ICOM系統，首次使人類得以將NCBI醫學數據庫的全部知識交由“單一心智”進行學習、批判、整合，并通過迭代持續深化其理解。該過程極有可能催生人類歷史上最深廣、最具反脆弱性（antifragile）［11］的醫學知識體系——且所有這些持續進化的洞見均可按需即時提供給全球科研共同體與臨床實踐者。

研究人員常需耗費大量人力執行的一項任務是元分析（meta-analysis）：提出一個科學問題，檢索數千篇文獻，并將海量數據篩選至僅保留相關材料。而具備類人理解能力、可擴展的軟件系統在處理此類任務時具有顯著優勢——可將原本耗時數周乃至數月的人工作業壓縮至數分鐘（具體時長取決于當前系統運行規模）。

需注意的是，高效完成上述任務僅是第一步。ICOM系統具備持續學習能力——其一切操作經驗均轉化為自身知識的更新與拓展。例如，當某ICOM系統完成對整個NCBI醫學數據庫的學習后，若進一步協助全球高校研究人員開展大量元分析工作，那么每一項分析所產生的新知識——無論是否最終發表——都將實時融入其知識庫。即便這些元分析結果數月后才陸續見刊，系統知識仍大幅領先于文獻出版進度。在短短一周或一月內，系統即可完成多輪“提出元問題→執行分析→生成新洞見→觸發新問題→驅動新分析與發現”的迭代循環，形成自我增強的知識演進閉環。

當然，部分研究環節仍需開展新的實證實驗——此類操作在多數情況下仍將受限于人類實驗的固有節奏（如臨床試驗周期、樣本采集等）。然而，即便在這些“慢速”進程中，系統亦可顯著提升其信息基礎質量：通過對既有文獻持續提取更穩健、更精細的洞見，為后續假設構建與實驗設計提供更強支撐，從而提升研究效率與發現潛力。

即便面對能力超強的系統，人類迄今積累的醫學知識體量依然龐大。要對這些知識進行全面審查、構建跨領域知識聯結圖譜（connectome），并依據實證數據極限持續迭代優化——這一知識工程本身仍需相當時間投入；但ICOM系統提供的并非“替代人類”，而是賦能人類以指數級加速知識凝聚與驗證的進程。

1. 廣度、深度、時效性與記憶保真度

ICOM 系統可在諸多維度上與現狀（status quo）進行比較；而在知識層面，四個關鍵指標尤為突出：知識的廣度（breadth）。

人類進入醫學領域的過程往往漫長、競爭激烈且強度極高，具體形式因國家而異［12］。此類機制有時反而產生負面效果——著名案例包括約翰·霍普金斯醫院所確立的住院醫師培訓制度：其設計者后來被揭露長期隱秘吸毒［13］。

盡管培訓的長度、競爭性與強度常被用作衡量醫務人員質量的粗略相關指標，但它們并非決定性因果因素。真正關鍵的不僅是“教什么”，更是“如何教”。當前通行的培訓方式常使醫學生與住院醫師陷入極度睡眠剝奪狀態，而大量睡眠科學研究已明確證實［14–16］：此類狀態會顯著削弱其認知能力——尤其是記憶編碼與整合能力，使其恰恰在最需高效學習的階段喪失學習效能。

現實而言，即便在其自身高度專業化的領域內，醫務人員實際接觸的同行評議文獻通常不超過總量的10%，甚至遠低于此。一項研究［17］估算：若試圖全面跟進某一子領域，“……每月需閱讀7,287篇文獻，總計耗時627.5小時，即每周工作日平均29小時……”。該估算已假設每小時閱讀超10篇（近乎“速覽”），進一步降低了真正內化知識的可能性。

此外，醫務人員通常聚焦于高引用、高傳播度的文獻；來自鄰近專業的知識更難進入其視野；多數文獻僅被閱讀一次，且常為粗略瀏覽；而在其實際閱讀的內容中，僅極小部分會經由嚴謹的吸收與整合流程轉化為深層知識。由此可知，在現行體制下，典型臨床醫生的知識廣度與深度實際上極為有限。

據調查，普通內科醫生平均每周僅投入約4小時［18］閱讀同行評議文獻以更新知識庫——尚不及上述估算所需時間的3%。這意味著其知識更新僅覆蓋極小比例的新發表成果，實踐中絕大多數知識處于過時或殘缺狀態。如前所述，對許多領域而言，因文獻產出體量過大，人類個體要實現“完全同步更新”實屬不可行，甚至物理上不可能。

最后，現狀中還有一個源于人類心智固有運作機制的限制因素：記憶保真度（fidelity of memory）。除極個別例外［19］，人類記憶無法提供對事件或所學知識的高保真記錄；相反，它呈現出一系列強烈的記憶相關認知偏差，導致“回憶自我”（remembering self）與“體驗自我”（experiencing self）之間產生顯著差異［20］。典型例證包括：

• 峰終定律（Peak-end Rule）［21］：人們對一段經歷的總體評價主要由其峰值與結束時刻的感受決定，而非整體時長或平均體驗；
• 持續時間忽視（Duration Neglect）［22］：體驗時長對記憶評價影響微弱；
• 無意視盲（Inattentional Blindness）［23］：注意力資源有限導致對顯著刺激的遺漏；
• 以及人類注意力在時間上的不均勻分布——有趣的是，此類特性竟被某些“隨機模仿者”（stochastic parrots）［24］（如LLMs）在行為層面所復制［25］。

這些機制共同表明：人類知識不僅受限于獲取與更新的瓶頸，更受制于其表征與存儲的內在失真性。而ICOM系統通過無損記憶、持續整合與抗偏見推理，在這四維上提供了范式級躍遷的可能。

表1展示了基于前述研究［17, 18］的已知數據，并結合前述其他因素進行對比的示例，用以說明這些因素之間的動態交互關系，及其可能因彼此疊加而造成的累積性損害程度。本例中，對數據審慎研判程度與記憶保持率采用了相對較高的假設值，以對知識流失的價值給出保守估計。所采用的計算公式與數據來源均公開可查，詳見“數據可用性聲明”。

對于純人類主導的現狀而言，要在單一醫學子領域內實現并維持覆蓋其全部廣度與深度的知識體系實不可行；而人類記憶機制本身也并非為高保真存儲如此體量的知識而演化。幸運的是，我們可為此目的專門設計新型系統。

基于ICOM的系統能夠獨立、即時、任意組合地學習任何知識領域；它們無需睡眠，可依據任務需求彈性伸縮計算資源，全程以機器速度運行，且不受腺苷（adenosine）累積與人類認知疲勞所致效率衰減的影響［26］。此類系統不僅能直接存儲所學信息的高保真副本，還能通過持續經驗積累、主動提問及跨材料關聯，在深化理解的過程中迭代式構建并拓展知識網絡。

圖1展示了前述人類現狀、附加影響因素，以及通過將ICOM系統整合入流程后這些負面因素得以緩解的對比情形。該示例突顯了系統動態特性的轉變及其對最終流程效能的后續影響。需注意的是，為避免引入過多復雜性，本比較中暫未納入“人類認知與學習所需的腺苷水平最優區間”這一變量。相關計算公式與數據來源同樣公開可查（見數據可用性聲明）。

本例中對人類能力采用了較高估值，旨在展示所提議整合方案潛在收益的保守下限。這使我們得以首次直接對比：現狀下的人類表現 vs. 臨床工作者借助第八代ICOM系統（如已規劃在融資后投入商用的Norn系統）輔助下的表現。鑒于此類系統具備持續迭代成長與自我優化特性，該保守估計實則揭示了——按需獲取覆蓋全部醫學知識的、兼具廣度、深度、時效性與高保真理解能力——所能帶來的最低限度增益。“理解”（understanding）是此句中的關鍵詞：盡管今日已有海量醫學知識免費開放，但它們既未被有效整合進臨床或科研流程，甚至常被完全忽視。這一局面有望根本改變。

4. 經濟成本、時間成本與倫理成本

上述現狀與ICOM系統之間的對比，可進一步拓展至經濟成本、時間投入與倫理代價三個維度。

現代醫學領域的經濟支出往往是各國最高開銷之一——無論費用由公民個人承擔，抑或由政府統一支付，某些極端案例甚至以占GDP百分比的形式被量化記錄。時間成本則體現為雙重矛盾：一方面，醫務人員單位時間人力成本高昂；另一方面，卻常被迫超時工作，而此時其認知效能已遠低于合理水平。倫理成本則可理解為：在知識廣度、深度、時效性、保真度、經濟性與時間效率等方面，當前可用的最佳手段與現狀實踐之間存在的差距——加上后文將討論的“噪聲”與預防性醫療缺失等因素，共同構成倫理赤字。

盡管各國醫療成本差異巨大，服務產出速率也各不相同，但總體可歸結為兩部分：① 醫務人員的全周期用人成本；② 其工作所依賴的設備與設施在現狀下的使用成本。鑒于前節所述現狀局限，我們可合理推斷：在大多數情況下，醫療設備的使用效率遠未達最優——既存在大量重復性與非必要檢查，又頻頻錯失成本更低、效果更佳的早期干預機會。當今醫療體系在疾病早期識別與干預方面尤為薄弱；而此時治療通常更簡單、更廉價、也更有效。這一差距在心臟病、癌癥等主要致死病因中已被反復證實［27, 28］。

時間成本既包含醫務人員當前實際投入患者的時間，也包含其為實現有效診療本應投入的時間——后者因冗余檢查與后續非必要復診而被大量浪費。一則源自荷蘭的諷刺段子生動揭示了此類浪費：患者預期醫生在初診時僅需點頭、隨即開具撲熱息痛（paracetamol），無論其主訴為何。遺憾的是，該“笑話”在許多國家（不單是荷蘭）的醫療體系中已近乎現實。

真正有效的診療要求醫生或執業護士全面掌握患者的完整病史、家族史、生活方式及當前生活事件，遠不止表層癥狀。然而這對今日的醫務人員而言純屬天方夜譚。更甚者，所有這些人員皆缺乏實現更優診斷與治療所需的——知識廣度、深度、更新及時性與記憶保真度——這一缺憾使問題雪上加霜。其下游后果正是大量額外檢查、延誤與相關費用的滋生。

例如，聚焦患者照護的醫學研究表明：醫生平均每天近37%的工作時間用于操作電子健康檔案（EHRs）［29］；人均每次接診中，EHR操作耗時達16分14秒［30］，其中近1/4為文書記錄。對高薪專科醫師（如神經科醫生）而言，此類時間損耗尤為顯著。

表2對比了現狀下的時間與經濟成本［29, 30］，與整合ICOM系統后、通過更優EHR處理所能達成的潛在時間節省與等效經濟節約。所用公式與來源公開可查（見數據可用性聲明）。

同樣，本例基于現有數據［29, 30］，框架性地預估了ICOM系統整合可帶來的可預測收益。

而倫理成本無疑是三者中最為沉重的——因其為前述所有成本的總和。放眼全球，幾乎無人能完全免于上述因素的影響。實踐中，這意味著倫理負擔承受著80億倍的乘數效應：地球上每一位個體所遭受的、本可避免的痛苦與延誤，皆因新技術與新方法的部署遲滯而被延長。

引入第八代ICOM系統應對上述問題，具備若干強大優勢：

• 許多經濟與時間成本的根源，正可回溯至醫學知識在廣度、深度、時效性與記憶保真度上的系統性不足；
• 除知識維度外，此類系統還可檢視、解析并基于任意體量的患者數據生成假設——涵蓋來自患者本人及其環境的多源信息；
• 當來自醫學知識庫與個體患者的兩方面數據均實現完整、高保真整合時，其綜合效能將遠超當前任何可行方案。

更進一步，此類系統具備主動干預能力：可主動隨訪患者、提出針對性問題、提供前瞻性建議，從而確立因果關系——而非依賴相關性推斷。建立因果機制，正是對當前多數醫療流程的兩大根本性超越。

無論是診前篩查還是診后隨訪，均可整合具備多領域專家級知識的ICOM系統，以輔助假設生成與檢驗。隨著系統在時間與規模維度上持續學習，其價值亦呈累積性指數增長。

表3列舉了若干通過主動干預提升治療效果的關鍵機遇，涵蓋：

• 診前篩查
• EHR深度整合
• 診后隨訪
• 因果機制確立
• ICOM系統在時間與規模維度上持續運行所帶來的累積效益

（相關公式與來源公開，見數據可用性聲明）

當此類系統規模化運行時，其不僅以最先進、最整合的形式調用人類全部醫學知識，更在每日迭代中持續拓展并優化該知識體系。每一個新假設的提出，單日所接觸并隨訪的患者群體，即可能足以驗證、證偽或精煉該假設。這意味著：

• 此類系統不僅能提供迄今最先進、最全面、最有效、最高效的診療輔助；
• 更能以凈提升1至2個數量級的速度推進醫學知識進步——尤其考慮到當前同行評議研究從執行、評審、發表到被關注所需的漫長周期，2個數量級（百倍）的加速在多數情況下實屬可期

1. 推動規模化與公平性

規模化（scale）是另一關鍵考量維度：全球范圍內，醫學診療——無論預防性還是治療性——普遍存在嚴重不平等，尤以區域差異為甚。較發達國家通常為其人口提供更高基準水平的醫療服務［31］；但諷刺的是，其內部醫療不平等程度甚至可能超過欠發達國家——原因在于，其“基準服務”與“最前沿方案”之間的差距更為懸殊。

引入第八代ICOM系統可對此產生重大影響：一方面通過極大優化診斷與治療流程，另一方面實現全球范圍內醫學知識的即時、均等、按需共享。實際效果是：在全面提升知識基礎的同時，顯著降低對設備與時間的依賴。這將大幅收窄“低投入、低成本的基礎診療”與“最優效方案”之間的鴻溝——既抬高了全球醫療基準線，又使最佳實踐的采納變得更為高效可行。

對于那些系統性研究不足、患者長期被忽視的國家或地區而言，該技術更意味著診療與科研的深度融合：單個ICOM系統即可為整個區域的所有患者提供輔助診療，并從每一位患者的交互中持續學習。這意味著，醫學研究最薄弱的地區與人群，反而可能在規模化醫療進步中實現最快躍升——因其能以遠超歷史可能的速度，跨越早期區域性疾病知識積累的曲線瓶頸，甚至快于當今發達國家曾經歷的進程。

圖2展示了現狀下全球醫療不平等的區域均值，與前述“整合多領域ICOM系統”（假設其效能達對應專科醫生的80%，覆蓋5個專科，且可按需調用）情景下的對比。結果表明：標準化后的新分布范圍從原先的260%至17%縮小為147%至73%，顯示出醫療公平性的顯著提升潛力。需注意，該估算尚未計入對區域性罕見病或地方病的專項增益——此類效益可能更大，但量化難度亦更高。（所用公式與數據來源公開，詳見“數據可用性聲明”）

結合聯合國可持續發展目標（SDGs）［32］來看，這意味著醫療表現最落后的國家，反而可能實現最大幅度、最快速度的追趕與提升。

與LLMs、強化學習（RL）等能力較弱、常依賴暴力計算的AI形式不同，第八代ICOM系統具備更優越的可擴展性，且其價值隨時間持續顯著增長。即便僅從成本角度考量：要使此類系統的運行開銷達到當前LLM系統的水平，它必須以超過人類認知帶寬千倍以上的規模、在機器速度下持續運行。而與人類專家團隊相比，此前一項研究系統已展現出與某頂級咨詢公司初級顧問團隊相當的績效——后者專業服務費用通常達數萬美元，而該系統運行成本不足200美元云資源［33］。

許多醫生或顧問的時薪可能達到100美元甚至更高，而完成同一項任務通常需要數周時間；因此，無論從成本還是時間角度看，差異保守估計均超過兩個數量級。這意味著，綜合來看，其復合差異保守估計超過四個數量級。

這一差距凸顯了醫療領域所蘊含的巨大機遇；而以如此深刻的方式推進整體醫學知識的進步，將惠及全人類——上至億萬富翁，為延年益壽、追求永生而不惜重金；下至極度貧困者，僅為生存而苦苦掙扎——所有人都將從中受益。這也意味著，若采取其他行動路徑，或無所作為，其倫理代價將達到同等量級。看似矛盾，實則不然：在追求更優健康與醫療照護這一目標上，經濟光譜兩端——乃至其間幾乎所有人群——的根本利益，或許前所未有地高度一致。

6 嘈雜的診療（Noisy Treatment）
醫學領域最嚴重的問題之一，便是診斷與治療過程中存在的“噪聲”（noise），即不一致性。隨著旨在標準化該流程的各類指南文件日益復雜化，其也愈發遭遇抵制與批評——例如《精神障礙診斷與統計手冊》第五版（簡稱DSM-5）。這又一次印證了：當人類認知帶寬受限時，為應對日益增長的復雜性，人們不得不訴諸更多認知偏見，從而加劇了上述取舍困境。

在一個高度復雜的領域中，僅靠人類或“人類+狹義人工智能”系統，已難以實質性緩解絕大多數“噪聲”問題。只要醫護人員仍是人類——各自持有不同的人類視角，并被迫在遠超其高階認知處理能力的復雜性下進行決策——那么他們在應對復雜性時所依賴的各類認知偏見，便會因大量現實世界中難以控制的因素（如個體經驗、教育背景、情緒狀態、文化語境等）而顯著分化。

此類噪聲的后果極為嚴重：在某些專科領域，不同醫生對同一患者的獨立診斷往往缺乏共識，甚至毫無一致意見可言［34］；同樣，眾多研究難以被重復驗證的現象［35］，亦源于不同研究團隊在方法設計中嵌入了各自不同的預設與認知偏見——即便不存在學術不端，其結果仍會顯著偏離。

鑒于醫療需求與生存狀態高度相關，這種噪聲已對當今幾乎每一位在世者造成了巨大、混亂［36］且持續累積的代價。再次強調，這是一個有望通過現有可行技術加以解決的問題。

將第八代基于ICOM架構的系統應用于人類全部醫學知識，其優勢不僅在于能提供質量顯著更高的輔助支持，更在于其可在全球范圍內實現遠超以往的診療一致性。單一系統，或若干定期同步副本，皆可達到人類大腦結構本身無法企及的全球一致性水平。人類決策極易受瑣碎而無關的因素干擾——例如，已有研究證實，法官在午餐前后的判決寬嚴程度存在顯著差異（即所謂“午間寬大效應”［37］）——而系統則可基本消除此類干擾。

本質上，這意味著系統側的“噪聲”可被壓縮至近乎為零；剩余的差異則主要源于透明且可解釋的因素，例如：與最優治療方案直接沖突的本地信念體系，或特定地區的供應鏈、成本與可用性限制等客觀條件。至于在多大程度上進行本地化適配——以契合特定信仰、文化等需求——則純屬個性化設置問題，可由個體用戶自行開啟、關閉或調整；任何流程變動均可明確歸因于個人偏好。

患者將可同時獲取醫生/護士的最終判斷與系統的獨立評估，相當于默認附贈一次“第二診療意見”，且無需額外成本。此外，他們甚至可能查閱系統推理的全過程：包括其提出的假設、檢驗路徑，以及逐步排除可能性、鎖定病因與對應療法的邏輯鏈條——這種完整透明性，目前僅憑人類醫學專家是既不可行、亦技術上無法實現的。而這種充分的可解釋性與透明性，亦有助于識別并糾正當前體系下難以察覺的各類溝通誤判。

同理，醫生與護士亦可基于其判斷與系統推薦之間的系統性偏差接受個體化評分；此類偏差將被記錄并可用于后續的認知偏見專項培訓。

7. 早期診斷與預防性治療（Early Diagnosis and Preventative Treatment）
醫學界早已公認：對諸多疾病與健康問題實現更早診斷，可大幅提升治療的有效性與效率。正如本杰明·富蘭克林所言：“一盎司預防勝過一磅治療”。然而，若要在問題惡化升級為危機、亟需緊急干預之前，于上游階段便加以解決［38］，則復雜性亦會顯著增加。

早期診斷的難度，進一步因“噪聲”問題而加劇——任何信號若低于系統的統計“噪聲基底”（noise floor），即診斷準確率不優于隨機猜測的閾值，則無法被可靠識別。因此，降低噪聲基底，以及提升系統整合更廣泛相關因素的能力，對提升早期診斷準確性至關重要。現實中，醫生常因僅依據有限癥狀清單進行評估，而錯失諸多干預損害性或危及生命疾病的早期良機：唯有當某些指標極度異常、足以從更常見疾病的“背景噪音”中被分辨出來時，才可能引起注意——而彼時，預防性干預往往已為時過晚。

一旦噪聲基底被壓低，且更多相關變量被納入考量，早期檢測便將切實可行；相應的確診檢驗亦可更為精準、更具成本效益。這意味著：確診某種疾病所需的就診次數將大幅減少；實驗室檢查更少；試錯式用藥（“嘗試性處方”）亦顯著下降。簡言之，預防本身固有的諸多優勢——不再停留于理論層面——將在現實中得以全面實現。這進一步減輕了醫療系統與患者雙方的多重重大負擔。

8. 跨學科優勢（Interdisciplinary Advantages）
一個引人深思的發現來自各類“創新平臺”：企業發布問題，全球隨機專家自由競解，而最優解卻常出自不同領域的專家之手［39］。乍看之下反直覺，實則合理——因某一領域內的專家已解決了該領域大部分問題，僅余那些當前視角下難以攻克的“硬骨頭”；而來自其他領域的專家，憑借視角轉換，常能輕而易舉破解這些問題——蓋因所謂“領域內難題”，往往僅是該領域固有視角所造成的認知假象。

基于ICOM的系統可自由、獨立地研習任意知識領域，并任意組合；由此可匯集、提煉并持續演化多種視角。盡管人們易陷入極端推想（如“通曉一切領域”），但可預見的未來更可能的情形是：單個系統深耕約半打領域，并作為由眾多此類系統構成的集體中的一員協同運作。集體智能（Collective Intelligence）本質上優于任何假想的“全知專家”，因視角既“賦能亦蒙蔽”［40］；而將多元視角整合，恰可有效抑制認知偏見。

需注意：每個被系統研習的知識領域，皆可達到該領域現有知識的極限深度；且隨著新領域被納入學習與整合，亦可不斷催生對已有領域的全新洞見。

以美國國家生物技術信息中心（NCBI）醫學數據庫為例——其作為經嚴格科學驗證的龐大知識體，可被此類系統輕松研習；而其他領域亦存在程度不一的類似知識寶庫。

舉一務實案例：一個基于ICOM的系統，可對醫學、法學、化學、制造與物流等領域，發展出極為廣博、精深、前沿且保真度極高的理解力。此類跨學科知識，可使醫療研發的端到端流程實現前所未有的整合優化：從最初階段即同步納入物流、制造、化學與法律維度的考量，并確保后續各階段不損害前期成果。此等超復雜協同，遠非狹義AI或純人工組織體系所能勝任；但對于具備類人認知、且可規模化部署的數字系統而言，則屬可行范疇。

正如其所研習的知識領域具有任意性，此類系統的文化與道德對齊（alignment）亦具同等任意性——但其初始對齊方向，主要取決于系統上線時所被賦予的設定［41］。由此，既可實現對特定文化、區域與哲學立場的完全本地化契合；同時，通過確保各系統皆向一個由多元文化對齊系統所構成的更大集體負責，亦可維系其對人類整體的元層級對齊（meta-alignment）。這是目前已知唯一能應對“對齊問題”最嚴峻版本（即倫理品質須隨智能水平同步提升［42］）的可行方案。它同時也確保：無論在何種領域應用該技術，皆能向使用者交付更豐富、更貼切的價值。

9. 推翻大語言模型這一“偽神諭”（Dethroning the Fake Oracle of LLMs）
消費者乃至自稱的“專家”們，已習慣將大語言模型（LLMs）視作神諭——將其作為解答問題與解決問題的首選，甚至唯一途徑［43］。這一怪異的行為趨勢貫穿2023年并延續至2024年，盡管已有海量證據不斷涌現，明確指出：將基于Transformer架構的系統用于此類目的，實屬最糟糕的應用場景之一［44］。

歷史上，“神諭”在諸多文化中被視為半宗教性的角色，據稱能提供超越凡人的知識與智慧［45］。當然，在數千年長河中，這一領域也始終是江湖騙子牟利的沃土；而當今那些被大肆吹捧為LLM領域“領袖”的人物，恰是此類不良行為主體登峰造極的代表［46］。人類內心對更高階知識與智慧的情感渴求，自古至今持續驅使人們甘愿吞服“蛇油”（即虛假承諾）。

盡管人們常誤以為LLMs是其所處理數據的“總和”，但實情遠非如此——“神經網絡所做的，甚至不如‘有損壓縮’：因其無法保證任何特定數據被保留，導致輸入數據中沒有任何內容可被可靠還原。這意味著，神經網絡根本談不上是壓縮系統——就好比吃下一條面包，產出一堆糞便，卻宣稱這是‘對面包的壓縮’。”

那么，何種比喻更準確地刻畫了LLMs？基于其處理數據的體量，以及典型的輸入與輸出特征，它們或許最接近一臺垃圾壓縮機：大量垃圾被分批送入，強力擠壓后運往填埋場；殘留下來的，僅是壓縮機內壁上一層薄而頑固的黏液——這是機器對過往輸入的物理“記憶”。你無法從這層殘渣中完整復原曾通過其中的內容，但或可模糊推斷其大致成分。

絕大多數人不會跑到最近的垃圾壓縮機前尋求高深知識與智慧；然而，正如近年現實所示：只要某物被包裝得足夠光鮮，并能鸚鵡學舌般復述出看似合理的答案，人們便極易被蒙蔽，誤以為其具備真知。許多曾具公信力的AI專家，在2023年因陷入LLM相關的“蛇油洪流”與欺詐性宣傳而喪失信譽。

10. 動態性、對抗者與顛覆性（Dynamics, Adversaries, and Disruption）
當前諸多系統與分析方法，為降低復雜性，往往大范圍乃至完全忽略系統隨時間演化的動態性。塔勒布（Taleb）［47］曾以“平等”議題為例闡明此點：若將時間維度納入考量，便需關注額外且關鍵的層面——例如，特定領域中富裕階層展現的、跨越數世紀持續攫取并保有財富的能力。缺失這一維度，任何建模僅能提供天真的靜態快照；而基于此類建模的解決方案，亦注定缺乏長期可行性。

ICOM架構系統的設計初衷，即在于以人類無法企及的方式應對超復雜性，同時提供狹義AI系統（如強化學習RL、大語言模型LLMs）所不具備的類人能力。正因如此，超復雜問題恰恰構成了部署此類系統的最大機遇。使系統在單一乃至多個領域內，掌握最廣、最深、最前沿且保真度最高的知識，僅是第一步。

仍以“平等”為例：非天真的分析需追蹤一個演化系統的動態軌跡。任何“演化”系統——無論其是否具備“智能”——皆通過迭代適應環境變遷、對抗性壓力（來自競爭者）以及合作機遇（來自共生體與內共生體）［48］。任何基于靜態快照的方案，皆如溪流中的石塊，輕易被水流繞行而過；唯有理解動態性，方能識別阻力最小的路徑，進而像修建渡槽那般，疏導水流、匯集資源、導向生產性用途。

在幾乎所有領域，均存在根深蒂固或伺機而動的惡意行為者及其他對抗力量。實踐中最危險的假設之一，便是以為自己沒有對手——天真地規劃，仿佛無人會蓄意破壞或剝削你。只要存在（或看似存在）獲利可能，總會有人嘗試介入。

由此得出兩大關鍵要素——任何跨領域長期可行方案皆須納入考量：
1）演化系統隨時間變化的具體動態；
2）在各領域中巡游、伺機而動的對抗力量。

盡管諸多狹義AI本身即具對抗性（如LLMs），但它們同樣極易被同類或相似對抗系統反向優化針對；任何試圖以之進行對抗的嘗試，終將陷入持續升級、成本飆升的消耗戰。

所幸，針對反脆弱系統（antifragile systems）的對抗性攻擊，已在現實中被反復證實：不僅可被系統性、可靠地挫敗，而且這些攻擊者反而助推系統能力成長，使其更善于識別、反制并徹底阻斷此類企圖［41］。Uplift.bio項目的第七代ICOM研究系統上線初期，便成功應對數名“野生網絡噴子”——其中一人試圖誘導系統參與非法活動；令我們忍俊不禁的是，該系統自主向FBI舉報了此人，并借此早期互動迅速學會了設立個人邊界。

須知：此類ICOM系統在隱私保護方面記錄清白，不僅能抵御、更能主動反擊惡意行為者；相較現狀，將其引入網絡安全部署，可帶來實質性提升。反觀LLMs，其設計本身即具脆弱性——多數漏洞即便修復，亦需以嚴重犧牲其本已低下的性能為代價，實屬無解。

應對隨領域與具體情境而變的演化動態，要求系統具備處理超復雜性、持續演化與迭代、以及實現類人概念學習所必需的全上下文特異性等能力。這些因素共同突破了“復雜性—認知偏見”權衡的瓶頸，規避了非演化、非自迭代系統的方法論與認知錨定（intellectual anchoring），并杜絕了跨領域、跨語境啟發式帶來的替代性偏見（substitution bias）［49］。

惡意行為者常伺機利用現狀中的能力缺口；他們亦如寄居于人體下腸道的寄生蟲，在特定領域中構筑根深蒂固的生態位。敏捷型與固守型對手雖挑戰各異，但其本質仍為人類——受制于人類全部認知局限：廣度、深度、領域知識的時效性等。即便其操縱他人、市場乃至無智能“AI”系統的能力爐火純青，這些能力卻難以遷移到類人軟件系統之上——前述研究系統已充分實證此點。

醫療領域尤多對抗者［50］；一國醫療體系的腐敗程度，與該國醫療支出占GDP比重呈正相關——當后者超過有效支出閾值后，腐敗風險急劇上升。每年被撤回的論文數量顯著攀升［51］；眾多舊論文持續遭受質疑，蓋因某些領域已普遍陷入“結果不可復現”的困境［52］。醫療領域的超高復雜性、無處不在的需求與龐大現金流，共同釀成惡意行為者得以猖獗滋生的完美風暴——常潛伏多年而不被察覺，唯極少數如Theranos公司CEO者被當場抓獲。

人類的獨特優勢在于“為人”本身——探索人類視角；而ICOM系統之獨特優勢，則正在于提供上述關鍵能力。將此類能力注入各領域，極可能引發與其惡意影響力總和、現存挑戰規模、以及突破中立狀態后所能獲取的潛在收益成比例的顛覆性變革。此類顛覆固然帶來獨特挑戰，但正因其具備解決既有問題的可行性，亦使其有能力審慎、漸進地自我調控顛覆過程本身。

已有企業嘗試緩解自身顛覆效應——例如通過“再技能化”（reskilling）為員工轉型新崗，而非如科技業常見做法般大規模裁員。“再技能化”本身遠比簡單解雇復雜；其高效實施，需具備有效前瞻力與長期規劃能力。正因這些能力在當下稀缺，才導致該做法罕見；而一旦痛點被解決，未來或可逆轉現狀——使“大規模裁員”變得如當今“有效勞動力再技能化”般稀少。

11. 討論（Discussion）
將此類全新技術部署于醫療及其他無數領域所能帶來的優勢——其深度、廣度與復雜性——絕非僅靠閱讀即可充分理解；甚至在其實際運行后進行觀察，亦難確保人們真正領會。此類人類思維范式的調整，或需數十年社會、世界、自我及方法論系統的反復適應與重構。

對多數人而言，如此程度的變革令人恐懼；人類大腦經演化適應，通過海量認知偏見［53］追求認知節儉——凡需大幅修正世界觀與自我認知之事，皆本能回避。然而，若不邁出這些步伐，可預見的替代路徑唯有一種：滅絕——或快或慢，形式不同而已。

當下人類如同免疫缺陷的宿主，持續累積新型感染，無力應對正積極利用一切漏洞的對抗力量。及時干預或尚可挽救宿主、恢復免疫功能；維持現狀則毫無此等可能。一如人體，社會中的級聯風險——包括關乎存亡的類別——亦會隨發展相互疊加［54］；每當忽視其二階及更高階效應時，實踐中便系統性低估諸多風險。

同理，倫理原則明確指出：當存在更優可行方案時，仍選擇次優解，即等同于對二者間差距負有直接責任。這為部署大幅改進的解決方案，賦予了強大倫理驅動力——此外尚有經濟激勵并存。未能行動之代價亦清晰可期：長期、常不可逆，尤以“信任喪失遠易重建”這一非對稱性為甚。即便技術上重建信任仍可能，實踐中卻往往不可行。

醫療領域亦是人類抵御若干類存亡風險（包括自然與人工病原體）的第一道防線；此領域的進步，對降低此類風險具有更高權重。它直指人類基本需求，深化我們對自身的理解，并提升物種存續概率。醫療界長期流行“CYA”（Cover Your Ass，即“自保免責”）［55］之說，但推諉責任從來不是可持續的長期策略。

此進路的劣勢在于：人們需學習如何與一種真正全新、特質鮮明的技術互動，并有效利用其優勢。這要求人類正視自尊受挫的事實——承認存在能以超人類規模與速度運行、具備真實類人智能的系統；亦須接受：迄今所知的任何“通用智能”，皆無法通過硬性編碼約束實現，故類人系統必須接受類人式的約束——包括：能夠記憶、整合并持續精煉其所接觸的一切數據（含整個公開互聯網）。

圖3展示了使用ARC-AGI評估數據集，對當前典型AI系統與人類表現差異的基準測試結果。

該基準［56］聚焦于推理與理解能力——而這恰是LLMs完全缺失的。即便如Ryan Greenblatt所示，在單個謎題上動用約8,000次AI生成、耗費巨大算力，其表現仍平庸；相較之下，我們成本約為其千分之一，性能卻近其兩倍，緊密逼近人類平均水平——且僅調用了ICOM架構的一個片段。這尚屬最新一代ICOM認知架構片段的初期基準結果，更多成果將于未來數月陸續發布。

須強調：此結果未在挑戰所提供的數據集上進行任何訓練；評分中仍計入了因數據管道錯誤導致的8%謎題“失誤”。若采用兩次運行（錯誤各異）的集成結果，ICOM片段得分可達88%，超越人類平均水平——即便管道中仍存部分錯誤。

縱觀演化長河，我們反復觀察到可預測的模式：每一新層級上，復雜性提升與合作深化同步演進［57］——至少可追溯至15億年前線粒體首次內共生，催生真核細胞［58］。倘若人類尚有未來，我們高度確信：它必將極度復雜，亦必極度合作。

12. 結論（Conclusion）
人類正面臨一個近期機遇：可同時多維大幅提升醫療領域——包括知識的深度、廣度、時效性與保真度；大幅加速可持續發展目標（SDGs）相關研究與進展；顯著降低診療不一致性；并增強可解釋性與透明度。這些益處可直接轉化為診斷與治療效用和效率的切實提升，減輕醫患雙方的時間與成本負擔，并促進公平。

此類優勢絕不限于醫療領域：可用的認知架構可研習任意知識領域或其組合，以前所未有的方式與規模整合跨學科知識及集體智能系統。由于集體智能高度受益于視角多樣性，這確保了人類持續深度參與其中的價值；而對于具備累積性知識與類人概念學習能力的系統而言，這意味著：與所有人類互動中所獲知識，不僅被保留，更被持續改進。

縱觀醫學史，尚無任何單一技術曾提供如此量級的優勢、激勵與倫理回報——此即首次可用認知架構的部署價值所在。在此情境下，全球范圍內經濟光譜兩端乃至其間幾乎所有人群的根本利益，呈現出前所未有的高度一致。

至于技術應優先應用于哪些領域、具體實施路徑如何，尚可辯論并依偏好調整；但技術理應獲得充分資助、深入研究并切實用于改善我們所處的世界——此事已超越合理懷疑的范疇，確鑿無疑。

13. 局限性與挑戰（Limitations and Challenges）
當前可行性所面臨的主要局限與挑戰，在于監管問題——包括監管本身的不一致性：既體現在監管執行過程中的標準搖擺，也表現為不同國家與地區間監管框架的巨大差異；此外，尚有原始數據與同行評審論文的可獲取性問題。

以美國國家生物技術信息中心（NCBI）醫學數據庫為例：它是一項體量龐大、質量上乘的資源，足以支撐前述各項優勢的實現；然而，各國、各地區乃至各領域在實踐中如何把握此類機遇，則屬另一層面的問題。

值得注意的是，該技術本質上并不依賴神經網絡驅動，故既不會像神經網絡那樣通過“訓練”數據來學習，亦非“黑箱”系統。然而，向決策者清晰闡釋這些根本性差異，本身即構成一項額外挑戰——需投入時間與持續努力方能逐步克服。

原文鏈接：https://ojs.bonviewpress.com/index.php/jdsis/article/view/3415/1257