复刻医生思考逻辑，云知声医疗世界模型正在训练AI“看门诊”

当医疗大模型能准确回答“这是什么病”，是不是就意味着它具备了临床能力？

云知声给出的答案是否定的。在单点医学问答之外，真实诊疗核心的难点是多轮交互里的主动追问、动态判断，以及对病情走向的推演。云知声推出医疗世界模型U2-Med-World，试图推动医疗AI从“答题者”，转向会连续决策的诊疗智能体。

长期以来，不少医疗AI的能力局限于问答模式：输入一组症状，输出对应的疾病解释。但临床诊疗从来不是静态的判断题。患者的主诉往往模糊零散，医生需要顺着线索不断追问、安排检查，拿到新信息后修正判断；后续还要结合复查指标、症状变化调整方案，全程是持续变化的动态过程。只擅长单次作答的AI，很难适配这套诊疗逻辑。

U2-Med-World的核心思路，是搭建一套可交互的医疗模拟环境，底层遵循“当前患者状态＋临床行动→患者下一状态”的逻辑。它不是简单扩充回答篇幅，而是把病历、检验、影像、生命体征、对话等碎片化、不同步的临床信息整合起来，估算患者当下状态，再模拟问诊、检查、干预之后，患者信息和病情可能发生的变化。

为了落地这套能力，云知声搭建了分层的能力建设路径：

先表征患者状态，再建模疾病动态变化，接着模拟干预带来的影响，最终给多条诊疗路径提供对比参考。同时模型保留不确定性，不会把推演结果包装成确定的临床结论，守住医学严谨性。在整套架构里，U2-Med-World相当于模拟演练场，负责推演病程、反馈行动结果；U2-Med作为诊疗智能体，自主选择下一步动作、接收反馈、更新诊疗策略，二者协同支撑连续诊疗。

这个模拟环境的数据根基，分为真实诊疗轨迹和合成轨迹两部分。研发团队先对真实诊疗记录做信息对齐，梳理出“状态—行动—观察—状态更新”的完整链条，完整留存时间线、检查项目、处置动作、患者反馈和结局，严格区分客观事实、医生主观判断，规避信息“穿越”的问题，作为模型学习的基础。

在真实病例之上，U2-Med-World还能生成多分支的合成诊疗轨迹。同一个初始病情下，先问伴随症状、先核实既往史或是优先排查危险信号，会走出完全不同的问诊路线。多路径模拟，可以让模型对比不同问诊动作的价值，减少关键证据遗漏。需要说明的是，合成轨迹用于训练和策略对比，不等同于真实临床疗效证据。

依托这个虚拟患者问诊环境，U2-Med可以反复练习多轮问诊。系统会区分两层变化：追问、检查，改变的是AI掌握的信息；治疗、病程发展，改变的是患者本身的生理状态。比如面对主诉乏力、食欲下降的患者，模型不会急于下结论，而是自主判断信息缺口，挑选优先级最高的问题逐步询问，根据新线索动态调整提问方向，及时识别风险、提示进一步处置。

从看懂病症，到学会问诊，是医疗AI很关键的一步跨越。单点问答解决信息查询，而主动连续问诊，才更贴近临床工作的本质。U2-Med-World的探索，本质上是用世界模型补齐交互推演短板，为医疗智能体找到一条贴合真实门诊逻辑的成长路径。

标签：