沈医课堂感悟：AI浪潮下高校教育的认知断层

我和沈阳医学院的老师们相识多年，回国之后就一直保持合作。他们院长还是我们专委会的常委，这次才有机会过来讲课。单纯为一点课酬，我肯定不会专程跑一趟。愿意过来，主要是想和师生面对面交流，把AI这十五年走过的路讲一讲，从跌入低谷到再度兴起，聊聊身处技术变革之中，个体如何避免被淘汰，如何寻找重生的路径，最后落点回到人性。

一堂课讲完，留下来和在座老师们交流，心里生出很强烈的割裂感。台下不少是医学院承担计算机基础课的老师，教了一辈子计算机。可聊过才知道，他们对当下生成式AI最基础的概念，基本没有建立认知。反观前段时间，我去口腔医院、耳鼻喉科讲课，那些临床大夫不是计算机科班出身，但他们对AI的兴趣、愿意动手尝试的劲头，反倒强得多。这件事，让我一直放不下，心里满是困惑。

行业里不少人判断，AI产业化的窗口期就在眼前，甚至笃定2027到2035年，大范围AI智能化落地一定能够实现。可如果高校里教计算机基础的老师，对底层原理都不甚了解，整个高等教育体系，又该如何接住这场技术变革？

顺着课堂讲授的思路，我把这一组核心概念逐一拆开，把彼此内在的逻辑梳理清楚，一并讲明白生成式大模型为什么天生存在两个短板：缺少持久记忆，容易产生幻觉。

先说生成式大模型。

很多人误以为大模型就是一座巨大的知识库，把全世界的知识都存储在里面。这其实是最大的误区。生成式大模型本质上就是一个概率预测器。训练阶段，它学习海量文本当中词语之间的统计关联；等到实际运行推理的时候，它不是去调取一条预先存好的标准答案，而是顺着已经生成出来的文字，去预判下一个出现概率最高的单元，一段一段接龙，拼出完整的文字。

模型权重记录的，只是文字和文字之间的统计规律，并不是像数据库那样，把一条条事实固化保存。这一点，和早年传统AI完全不一样。老一代符号AI、专家系统，有独立的存储器，事实写进去，读出来是什么就是什么，几乎不会编造内容。生成式大模型本身没有原生的永久存储单元，这就是所有问题的根源。

再讲Token，词元。

大模型并不直接认识汉字、词语或是完整句子。所有输入、输出的文字，都会被切分成最小的处理单元，也就是Token。一个Token可能是单个汉字，可能是半个词语，也可能只是一个标点符号。模型全部的概率计算，都是在Token这个层面完成。整套信息链路里，所有数据流转，全部以Token流的方式传递。

简单来讲，Token就是AI世界里信息最小的载体。不管是人的提问，还是外部调取回来的资料，都必须转换成Token，模型才能够处理。

接下来是上下文窗口，IMIC。

IMIC就是大模型眼前这张临时草稿纸。大模型能够实时读到的全部信息，只能放在这张草稿纸上。用户提出的问题、过往对话片段、外部检索拿到的资料、工具返回的结果，全都要转成Token，填进IMIC。窗口有固定的Token容量上限，一旦空间占满，最早写进去的内容就会被截断丢掉。

这就是大模型“没有记忆”最直接的原因。它不存在一块可以永久存放信息的内存。所有信息只留在这张临时草稿纸上，草稿写满、旧内容被冲刷掉，信息也就消失了。它只有有限的短时工作信息，没有长时记忆。

当草稿纸上现有的信息不足以回答问题，模型又必须继续生成通顺的文字，它就会按照统计规律，自动补全看起来合理的内容，这就是幻觉。幻觉不是程序漏洞，是生成式架构自带的副作用，就像药物与生俱来的不良反应。学医的人很容易理解：想要用好一项技术，先要读懂它的副作用。

只依靠大模型和上下文窗口，能力远远不够。这就引出Tool，工具。

大模型本身不会联网检索，做不了复杂数学运算，也读不了外部文档。Tool就是外部能力接口，负责执行单一类型任务，像文献检索、数据计算、读取文件都属于Tool。

当智能体判断上下文里面信息不足，就下发指令调用Tool；Tool完成任务，把结果送回来，再转为Token送入上下文窗口，大模型才能看到这份真实素材，依靠外部事实减少编造，降低幻觉发生的概率。Tool只是独立的执行单元，本身没有任务规划、自主推理的能力。

单个工具比较零散，我们把整套流程打包封装，就形成Skill，技能。

Skill是一套封装完成的标准化业务流程。里面包含提示词模板、多个Tool的调用逻辑，还有事实校验规则，明确规定什么场景调用哪一类工具，拿到结果之后如何核验，哪些情况不允许模型自由发挥。Tool好比一件件单独的器械，Skill是一套完整、规范的操作流程。

Skill的价值，就是约束大模型不受控的概率生成，加入复核环节，压低幻觉出现的概率。

把大模型、上下文窗口、外部记忆系统、Skill调度模块、安全护栏整合在一起，就构成了Agent智能体。

智能体不等于大模型。大模型只是智能体内部负责思考推理的大脑。智能体本身是一套调度管控框架。接到一项任务之后，智能体先拆解任务，判断现有信息够不够；信息不够，就去检索外部记忆，按需启用对应的Skill，Skill再调用Tool获取外部信息；拿到结果之后循环校验，信息不足就再次检索或者调用工具，反复推进，直到任务完成。

这里单独说外部记忆系统。它独立在大模型之外，一般采用向量数据库，相当于永久的档案库房。历史对话、文献资料长期保存在这里。但大模型不能直接读取向量数据。有需要的时候，由智能体检索相关档案，提取内容转成Token送入上下文窗口。外部记忆解决长期留存的问题，弥补上下文窗口容量有限的短板，但没法彻底消除幻觉，只能提供可信的参考素材。

整套智能体体系落地使用，最终的运行模式就是人机协同。

智能体擅长信息检索、文本整理、多步骤任务执行，但是幻觉没办法百分之百根除，AI不具备人的价值判断、真实场景感知和风险权衡能力。人机协同的核心，就是分工互补：AI负责信息处理、生成初稿；人负责设定目标、审核风险，做出最终决策。AI承担执行层面的工作，人守住风险底线。

各组件之间的互动逻辑，以及AGI、智能体、Skill之间的关系

讲完单个概念，更重要的是看懂它们如何联动运转。

整条信息链路的起点永远是Token。所有信息流转，全部以Token作为载体。外部记忆检索出来的材料、Tool返回的数据、Skill里面预设的规则，都必须翻译成Token，送入IMIC。IMIC是整套系统唯一的信息交汇舞台。没有放进IMIC里的内容，大模型看不见。不管外部记忆库存了多少档案，只要检索结果没有转成Token送入IMIC，这个大脑就感知不到。这是最底层的一条规则。

智能体作为总调度，它的工作是一个完整闭环：接收任务 → 检索外部记忆，调取相关历史资料 → 把资料转为Token送入IMIC → 大模型依靠IMIC内全部信息判断任务难度，规划执行步骤 → 判断是否启用Skill；如果需要，由Skill按需调用Tool → Tool执行完毕，返回结果，结果再次转为Token送入IMIC → 大模型继续推理，校验结果；信息不足就再次发起检索或者调用工具，循环往复，直到任务完成。

我用医院体系来类比AGI、智能体、Skill之间的关系，医学院的老师们一听就能明白。

AGI，通用人工智能，就相当于医院里的全科医生。全科医生知识面广，能够接诊各类问题，初步评估病情，判断患者需要转诊到哪个专科。但全科医生并不精通每一类复杂专科手术与专项诊疗，遇到棘手的病症，要交给专科处理。

Skill，就是一个个专科医生。心内科、骨科、耳鼻喉、口腔，每一个专科只精通一类固定业务，有标准化诊疗流程、专用器械，专门解决特定问题。

Agent智能体，则相当于医院整体的诊疗管理体系。这套体系负责分诊、调度，接收患者诉求，判断什么时候调用全科能力（大模型）做初步判断，什么时候转交给专科Skill去处理。

IMIC在这套体系里，相当于接诊医生眼前的病历页。档案室（外部记忆系统）资料再多，专科大夫（Skill）检查得到的结果再关键，都必须摘抄到这张病历纸上，接诊的全科医生（大模型）才能读到。病历纸篇幅有限，写满了，前面记录的内容就要舍弃，这就是IMIC的局限。

放到我们的智能体架构里看：AGI是能力愿景，是那个全科式的通用推理能力；Skill是专项能力包，用来处理特定场景，弥补通用能力在专业领域的不足；Agent智能体是调度框架，负责把通用能力和各项专项Skill组织起来，配合外部记忆、工具协同完成复杂任务。

技术本身终究只是工具。无论智能体架构怎么完善，都替代不了人的判断。技术浪潮来来去去，到最后，所有技术的落脚点，终究还是看见人性。