我国攻克大模型核心技术难题 原创分层认知AI构筑产业新范式

分层认知架构突破大模型四大结构性缺陷

　　近日，浙江省现代炁脉健康研究院宣布，其自主研发的医学AI系统Prome，已通过分层认知架构实现对大语言模型四大结构性缺陷的系统性突破，为我国AI技术走出“规模竞赛”提供了新路径。当前，全球大模型发展面临黑箱不可解释、幻觉生成、算力依赖与灾难性遗忘四大瓶颈，传统“堆参数、扩算力”的路径边际效益递减，且存在经济与环境可持续性挑战。

浙江省现代炁脉健康研究院创始人刘清源

23年理论研发+千例临床验证，构建可审计AI推理链

　　浙江省现代炁脉健康研究院的研究团队经过23年理论研发与1000+例临床闭环验证，构建了全新的分层认知AI架构，为解决上述难题提供了中国方案。该架构通过物体表征层、任务表征层、自我状态层与执行输出层四个独立层级，实现AI推理过程的全流程可审计。每一层均具备明确的输入、处理逻辑与输出记录，打破了传统大模型“黑箱决策”的局限。

　　在临床应用中，系统可完整呈现从病因到诊断的推理链条，每一步均标注置信度与验证要求，实现“决策有依据、偏差可溯源、错误可修正”，为医学AI的临床落地提供了安全保障。

能力边界感知机制杜绝幻觉生成

　　针对大模型“概率生成式编造”问题，Prome系统内置能力边界感知模块，在处理问题时首先评估自身知识与问题的匹配度，对超出验证边界的场景主动输出“不确定”提示，并明确说明限制条件，从机制上避免错误信息输出。

在1000+例临床病例验证中，该机制实现了零幻觉编造记录，为医疗场景下的AI可靠性提供了有力支撑。

“认知框架+迁移学习”大幅降低算力成本

　　研究团队创新采用“认知框架+迁移学习”路径，通过建立基础认知框架，实现新病种学习的局部参数微调，数据需求量较传统端到端训练减少一个数量级，未见过病例的泛化准确率提升37%，大幅降低了AI训练与应用的算力成本。

　　同时，“活架构”设计有效解决了灾难性遗忘问题，实现新旧知识的动态整合与长期共存，为AI系统的持续迭代提供了可持续路径。

架构优先于规模：AI发展的新范式

　　当前，全球AI竞争多聚焦于模型规模与算力投入，而浙江省现代炁脉健康研究院的成果，提出了“架构优先于规模”的创新思路，为AI技术发展提供了新的可能性。

　　业内专家表示，分层认知架构的临床验证成果，若经第三方标准化测试进一步确认，将对AI技术在医疗等高可靠性场景的落地应用产生重要推动作用，也为我国AI技术实现差异化竞争提供了方向。研究院表示，将继续推进第三方独立验证，并寻求跨领域合作，探索该架构在更多行业场景的应用价值，助力我国AI技术高质量发展。