假设现在有5000份中医门诊病历。
我们把症状、舌象、脉象和证型整理出来，交给机器学习模型训练。最后，模型判断某个证型的准确率达到90%。
这看起来像是一个很不错的结果：病例不少，算法也新，准确率还很漂亮。
但先别急着高兴。这里有一个很容易被忽略的问题：模型要学习的那个“正确答案”，究竟是谁给的？
如果这些证型本来就是不同医生根据各自经验填写的，如果同一位患者换一位医生就可能得到不同判断，那么模型学到的，究竟是稳定的辨证规律，还是这批医生过去的标注习惯？
这正是中医药科研遇上人工智能以后，最值得认真想一想的地方。
我的判断是：
AI不只是一个更快的分析工具，也是一个会继承研究定义和数据偏差的放大器。它能不能帮助我们获得新的中医药知识，首先取决于问题有没有问对、数据和标签是否可靠，以及结果有没有经受真正的验证。
这不是一个离现实很远的问题。从中医药科研辅助，到高质量数据集、垂直模型、中试验证和智能中医诊疗，人工智能已经被写入一系列具体政策场景[1-3]。方向越来越清楚，接下来真正困难的是怎样把它变成可靠的研究。
AI进入科研，不只是“帮我写”和“帮我算”
一提到AI参与科研，很多人首先想到的是写摘要、改文字、查文献、做统计或者生成代码。
这些当然有用，但主要解决的是效率问题：过去需要几天整理的资料，现在可能几小时就能完成。它改变了劳动方式，却不一定改变我们对研究对象的认识。
这里还要分清两件事。一种课题把中医AI本身作为研究对象，研究模型怎样构建、评价和落地；另一种课题借助AI研究中医药问题，希望发现新的规律或形成新的假设。真正的深度结合往往发生在两者之间：中医药问题决定模型应该怎样设计，模型的结果又反过来暴露数据、概念和理论中的缺口。
AI真正进入中医药科研，大致可以分成四个层级。
第一层是自动化劳动。从古籍和病历中抽取症状、方药与结局，清理数据、辅助编码、整理文献。人在这里已经明确知道自己要找什么，AI主要负责把工作做得更快。
第二层是发现模式。模型从大量四诊信息、组学数据或中药成分中识别人眼不容易看见的组合关系，例如患者分群、疾病风险或候选成分排序。
第三层是生成假设。AI不只告诉我们“哪些变量经常一起出现”，还帮助提出一个可以被继续检验的解释：某类患者为什么可能对某种干预反应不同，某个方药作用是否与一条特定生物学路径有关。
第四层才是进入真实决策。模型开始辅助辨证、预测疗效、推荐方案或支持新药研发，并且在实际流程中接受效果、安全性、可解释性和责任评价。现有讨论已经把生成式AI的应用延伸到临床科研、智能设备和中药新药研发，但同时指出临床数据、逻辑严谨性和复合人才仍是限制[9]。
越往后，AI的价值可能越大，需要承担的证据责任也越重。整理出一个规律，不能直接写成发现了机制；内部测试准确，也不能直接变成临床可用。
图1 从自动化劳动到真实决策支持，AI参与研究越深，需要承担的证据责任越重。
第一道关：你到底让AI解决什么问题？
“建立一个中医AI模型”不是一个完整的研究问题。
它是要识别舌象，辅助判断证候，预测患者未来风险，预测谁可能从某种治疗中获益，还是根据既有知识生成处方建议？这些任务看起来都叫“中医AI”，研究设计和评价方法却完全不同。
比如，诊断模型关心的是当前状态能否被正确识别；预后模型关心的是未来会发生什么；疗效预测则要回答不同治疗之间的反应差异。把它们混在一起，模型的准确率再高，也不知道究竟说明了什么。
现有研究已经注意到，中医临床预测模型常见的问题之一，恰恰是任务边界不清[4]。
所以，判断一个AI课题，第一步不是问“用了什么算法”，而是把问题说成一句人能听懂的话：这个模型要替谁，在什么场景里，完成哪一步判断？
第二道关：AI学习的“正确答案”可靠吗？
这是中医AI绕不开的一道关。
机器学习需要标签。可在中医研究里，证候、舌象和脉象并不总像血糖数值那样，可以由一个统一仪器直接读出来。它们往往包含医师观察、理论理解和临床判断。
这并不意味着它们不能研究，而是意味着我们必须交代：标签由谁判定？用了什么标准？多位医生不一致时怎样处理？一致性有多高？
如果这些问题没有回答，模型可能非常擅长复现某位医生的判断，却未必学到了可以推广的规律。更麻烦的是，我们还可能用同一批不稳定标签训练模型，再用这些标签给模型打分，最后得到一个看似客观的高准确率。
算法没有解决争议，只是把原来的争议藏进了数据表。
人工智能辅助中医辨证和智能诊断研究反复提到，四诊采集标准不足、高质量标注数据缺乏、证候标签噪声，是当前的重要限制[5-7]。这也解释了为什么中医药AI的发展，常常首先倒逼的不是算法升级，而是术语、诊断标准和数据采集的重新整理。
第三道关：数据多，不等于数据好
5000份病历听起来很多。但如果它们都来自一家医院、一个科室，甚至集中在少数医生手中，模型很可能同时学到了当地的患者结构、书写习惯和诊疗偏好。
换一家医院，病历格式变了，证型用词变了，仪器型号变了，模型表现就可能明显下降。
中医药数据还有自己的复杂性：古籍、医案、电子病历、舌脉图像、组学和中药成分数据，来源不同、结构不同、语义也不同。把它们放进同一个数据库，不等于它们已经能够互相理解。
2026年发布的中医药人工智能高质量数据集专家共识，把要求概括得很具体：数据不仅要能训练，还要能验证、复用、追溯，并且合规流通[6]。这其实是在提醒我们，高质量数据集不是把文件集中到一个硬盘，而是围绕一个真实任务持续治理出来的研究基础。
第四道关：准确率不错，然后呢？
许多模型会把数据分成训练集和测试集。测试集没有参与训练，当然比直接拿训练数据给自己考试更可靠。
但如果训练集和测试集都来自同一家医院、同一时期和同一套标注体系，这仍然更像一次“校内考试”。真正困难的是，换一家医院、换一批患者、换一套设备以后，它还能不能工作。
这就是为什么外部验证如此重要。
再往前一步，即使模型在外部数据上仍然准确，也不能自动证明它改善了临床结果。医生是否愿意使用？它在哪些患者身上容易出错？加入现有流程后，是减少了漏诊，还是增加了不必要的检查？这些需要前瞻性研究和真实场景评价，而不是再算一遍准确率。
生成式AI进入临床决策以后，还多了一层问题：它给出的理由能不能追溯到可靠证据，边界是否说得清楚，错误由谁发现并纠正。可解释性因此不只是一张漂亮的特征图，而应包括可溯源、可校验和可治理[8]。
图2 模型和高准确率都位于证据闭环中间，不能越过外部验证直接抵达真实应用。
那么，AI能帮助中医药产生新知识吗？
当然可以。
它可以从数量巨大、关系复杂的数据中发现人很难直接看见的模式；可以帮助我们整理分散在古籍、病历和现代研究中的知识；也可以缩小候选范围，让有限的实验和临床资源优先验证更值得关注的线索。
但AI给出的模式，仍然只是知识的候选者。
如果它发现某个证候与某组指标经常一起出现，我们还要判断这种关系是否稳定、是否受到混杂影响、能否解释，以及换一批人是否仍然成立。如果它提出一种新的组方或机制假设，我们仍要通过实验或临床研究检验。
真正有价值的结合，不是让AI替研究者得出一个更快的结论，而是让它帮助我们提出过去难以提出的问题，再用可靠研究去挑战这个答案。
准备做“AI＋中医药”课题，先问五句话
如果你正在准备相关课题，不妨先把算法名称放到一边，问自己：
- AI在这个课题中承担的具体任务是什么？
- 如果暂时不用AI，这个问题本身还值得研究吗？
- 模型学习的标签由谁定义，它的可靠性怎样证明？
- 模型有没有在训练数据之外接受真正的验证？
- 结果最后改变了什么认识，或者改善了哪一步真实流程？
这五个问题答得越清楚，算法才越有机会发挥价值。
所以，“中医药科研与人工智能最难的可能不是算法”，不是说算法不重要。好的算法、算力和工程能力当然不可缺少。
它真正想说的是：算法的上限，常常先被问题、数据和验证决定。
如果这些基础没有改变，更复杂的模型可能只是更快地重复旧结论；如果它们能够一起改变，AI才可能不只是出现在课题标题里，而是真正进入中医药知识生产的过程。
参考文献
- 国家卫生健康委办公厅, 国家中医药局综合司, 国家疾控局综合司. 卫生健康行业人工智能应用场景参考指引：国卫办规划函〔2024〕420号[EB/OL]. 2024-11-14. https://www.nhc.gov.cn/guihuaxxs/c100133/202411/3dee425b8dc34f739d63483c4e5c334c.shtml.
- 国家卫生健康委, 国家发展改革委, 工业和信息化部, 等. 关于促进和规范“人工智能+医疗卫生”应用发展的实施意见：国卫办规划发〔2025〕30号[EB/OL]. 2025-11-04. https://www.nhc.gov.cn/guihuaxxs/c100133/202511/d1a42ae835c743b9b3e83ac0253c3e9f.shtml.
- 国家中医药局, 国家发展改革委. 负责同志就《中医药振兴发展“十五五”规划》答记者问[EB/OL]. 2026-07-23. https://www.ndrc.gov.cn/xxgk/jd/jd/202607/t20260723_1406655.html.
- 段练, 张远, 张永琪, 等. 中医临床预测模型方法学挑战与报告规范扩展建议[J/OL]. 中国中药杂志, 2026: 1-8. doi:10.19540/j.cnki.cjcmm.20260706.501.
- 宋逸杰, 马素亚, 戴亚盛, 等. 人工智能辅助中医辨证的关键问题与技术挑战[J]. 中国工程科学, 2024, 26(2): 234-244. doi:10.15302/J-SSCAE-2024.02.010.
- 尤良震, 于东东, 耿兴光, 等. 中医药人工智能高质量数据集建设专家共识[J/OL]. 中国中药杂志, 2026: 1-18. doi:10.19540/j.cnki.cjcmm.20260721.501.
- 佘楷杰, 袁艿君, 马庆宇, 等. 机器学习驱动中医诊断智能化的发展现状、问题及解决路径[J]. 中国中医基础医学杂志, 2024, 30(3): 44-52.
- 王诗淳, 王永博, 赵晨, 等. 生成式人工智能在中医药临床决策支持系统中的可解释性需求与实现路径[J]. 中国中医基础医学杂志, 2026, 32(7): 80-85.
- 黄天爱, 徐刚, 杨华元, 等. 生成式人工智能在中医药科研中的应用前景与问题思考[J]. 中国中医药信息杂志, 2025, 32(7): 180-186. doi:10.19879/j.cnki.1005-5304.202405298.