沈醫課堂感悟：AI浪潮下高校教育的認知斷層

我和瀋陽醫學院的老師們相識多年，回國之後就一直保持合作。他們院長還是我們專委會的常委，這次才有機會過來講課。單純為一點課酬，我肯定不會專程跑一趟。願意過來，主要是想和師生面對面交流，把AI這十五年走過的路講一講，從跌入低谷到再度興起，聊聊身處技術變革之中，個體如何避免被淘汰，如何尋找重生的路徑，最後落點回到人性。

一堂課講完，留下來和在座老師們交流，心裡生出很強烈的割裂感。台下不少是醫學院承擔計算機基礎課的老師，教了一輩子計算機。可聊過才知道，他們對當下生成式AI最基礎的概念，基本沒有建立認知。反觀前段時間，我去口腔醫院、耳鼻喉科講課，那些臨床大夫不是計算機科班出身，但他們對AI的興趣、願意動手嘗試的勁頭，反倒強得多。這件事，讓我一直放不下，心裡滿是困惑。

行業里不少人判斷，AI產業化的窗口期就在眼前，甚至篤定2027到2035年，大範圍AI智能化落地一定能夠實現。可如果高校里教計算機基礎的老師，對底層原理都不甚了解，整個高等教育體系，又該如何接住這場技術變革？

順着課堂講授的思路，我把這一組核心概念逐一拆開，把彼此內在的邏輯梳理清楚，一併講明白生成式大模型為什麼天生存在兩個短板：缺少持久記憶，容易產生幻覺。

先說生成式大模型。

很多人誤以為大模型就是一座巨大的知識庫，把全世界的知識都存儲在裡面。這其實是最大的誤區。生成式大模型本質上就是一個概率預測器。訓練階段，它學習海量文本當中詞語之間的統計關聯；等到實際運行推理的時候，它不是去調取一條預先存好的標準答案，而是順着已經生成出來的文字，去預判下一個出現概率最高的單元，一段一段接龍，拼出完整的文字。

模型權重記錄的，只是文字和文字之間的統計規律，並不是像數據庫那樣，把一條條事實固化保存。這一點，和早年傳統AI完全不一樣。老一代符號AI、專家系統，有獨立的存儲器，事實寫進去，讀出來是什麼就是什麼，幾乎不會編造內容。生成式大模型本身沒有原生的永久存儲單元，這就是所有問題的根源。

再講Token，詞元。

大模型並不直接認識漢字、詞語或是完整句子。所有輸入、輸出的文字，都會被切分成最小的處理單元，也就是Token。一個Token可能是單個漢字，可能是半個詞語，也可能只是一個標點符號。模型全部的概率計算，都是在Token這個層面完成。整套信息鏈路里，所有數據流轉，全部以Token流的方式傳遞。

簡單來講，Token就是AI世界裡信息最小的載體。不管是人的提問，還是外部調取回來的資料，都必須轉換成Token，模型才能夠處理。

接下來是上下文窗口，IMIC。

IMIC就是大模型眼前這張臨時草稿紙。大模型能夠實時讀到的全部信息，只能放在這張草稿紙上。用戶提出的問題、過往對話片段、外部檢索拿到的資料、工具返回的結果，全都要轉成Token，填進IMIC。窗口有固定的Token容量上限，一旦空間占滿，最早寫進去的內容就會被截斷丟掉。

這就是大模型“沒有記憶”最直接的原因。它不存在一塊可以永久存放信息的內存。所有信息只留在這張臨時草稿紙上，草稿寫滿、舊內容被沖刷掉，信息也就消失了。它只有有限的短時工作信息，沒有長時記憶。

當草稿紙上現有的信息不足以回答問題，模型又必須繼續生成通順的文字，它就會按照統計規律，自動補全看起來合理的內容，這就是幻覺。幻覺不是程序漏洞，是生成式架構自帶的副作用，就像藥物與生俱來的不良反應。學醫的人很容易理解：想要用好一項技術，先要讀懂它的副作用。

只依靠大模型和上下文窗口，能力遠遠不夠。這就引出Tool，工具。

大模型本身不會聯網檢索，做不了複雜數學運算，也讀不了外部文檔。Tool就是外部能力接口，負責執行單一類型任務，像文獻檢索、數據計算、讀取文件都屬於Tool。

當智能體判斷上下文裡面信息不足，就下發指令調用Tool；Tool完成任務，把結果送回來，再轉為Token送入上下文窗口，大模型才能看到這份真實素材，依靠外部事實減少編造，降低幻覺發生的概率。Tool只是獨立的執行單元，本身沒有任務規劃、自主推理的能力。

單個工具比較零散，我們把整套流程打包封裝，就形成Skill，技能。

Skill是一套封裝完成的標準化業務流程。裡面包含提示詞模板、多個Tool的調用邏輯，還有事實校驗規則，明確規定什麼場景調用哪一類工具，拿到結果之後如何核驗，哪些情況不允許模型自由發揮。Tool好比一件件單獨的器械，Skill是一套完整、規範的操作流程。

Skill的價值，就是約束大模型不受控的概率生成，加入覆核環節，壓低幻覺出現的概率。

把大模型、上下文窗口、外部記憶系統、Skill調度模塊、安全護欄整合在一起，就構成了Agent智能體。

智能體不等於大模型。大模型只是智能體內部負責思考推理的大腦。智能體本身是一套調度管控框架。接到一項任務之後，智能體先拆解任務，判斷現有信息夠不夠；信息不夠，就去檢索外部記憶，按需啟用對應的Skill，Skill再調用Tool獲取外部信息；拿到結果之後循環校驗，信息不足就再次檢索或者調用工具，反覆推進，直到任務完成。

這裡單獨說外部記憶系統。它獨立在大模型之外，一般採用向量數據庫，相當於永久的檔案庫房。歷史對話、文獻資料長期保存在這裡。但大模型不能直接讀取向量數據。有需要的時候，由智能體檢索相關檔案，提取內容轉成Token送入上下文窗口。外部記憶解決長期留存的問題，彌補上下文窗口容量有限的短板，但沒法徹底消除幻覺，只能提供可信的參考素材。

整套智能體體系落地使用，最終的運行模式就是人機協同。

智能體擅長信息檢索、文本整理、多步驟任務執行，但是幻覺沒辦法百分之百根除，AI不具備人的價值判斷、真實場景感知和風險權衡能力。人機協同的核心，就是分工互補：AI負責信息處理、生成初稿；人負責設定目標、審核風險，做出最終決策。AI承擔執行層面的工作，人守住風險底線。

各組件之間的互動邏輯，以及AGI、智能體、Skill之間的關係

講完單個概念，更重要的是看懂它們如何聯動運轉。

整條信息鏈路的起點永遠是Token。所有信息流轉，全部以Token作為載體。外部記憶檢索出來的材料、Tool返回的數據、Skill裡面預設的規則，都必須翻譯成Token，送入IMIC。IMIC是整套系統唯一的信息交匯舞台。沒有放進IMIC里的內容，大模型看不見。不管外部記憶庫存了多少檔案，只要檢索結果沒有轉成Token送入IMIC，這個大腦就感知不到。這是最底層的一條規則。

智能體作為總調度，它的工作是一個完整閉環：接收任務 → 檢索外部記憶，調取相關歷史資料 → 把資料轉為Token送入IMIC → 大模型依靠IMIC內全部信息判斷任務難度，規劃執行步驟 → 判斷是否啟用Skill；如果需要，由Skill按需調用Tool → Tool執行完畢，返回結果，結果再次轉為Token送入IMIC → 大模型繼續推理，校驗結果；信息不足就再次發起檢索或者調用工具，循環往復，直到任務完成。

我用醫院體系來類比AGI、智能體、Skill之間的關係，醫學院的老師們一聽就能明白。

AGI，通用人工智能，就相當於醫院裡的全科醫生。全科醫生知識面廣，能夠接診各類問題，初步評估病情，判斷患者需要轉診到哪個專科。但全科醫生並不精通每一類複雜專科手術與專項診療，遇到棘手的病症，要交給專科處理。

Skill，就是一個個專科醫生。心內科、骨科、耳鼻喉、口腔，每一個專科只精通一類固定業務，有標準化診療流程、專用器械，專門解決特定問題。

Agent智能體，則相當於醫院整體的診療管理體系。這套體系負責分診、調度，接收患者訴求，判斷什麼時候調用全科能力（大模型）做初步判斷，什麼時候轉交給專科Skill去處理。

IMIC在這套體系裡，相當於接診醫生眼前的病歷頁。檔案室（外部記憶系統）資料再多，專科大夫（Skill）檢查得到的結果再關鍵，都必須摘抄到這張病歷紙上，接診的全科醫生（大模型）才能讀到。病歷紙篇幅有限，寫滿了，前面記錄的內容就要捨棄，這就是IMIC的局限。

放到我們的智能體架構里看：AGI是能力願景，是那個全科式的通用推理能力；Skill是專項能力包，用來處理特定場景，彌補通用能力在專業領域的不足；Agent智能體是調度框架，負責把通用能力和各項專項Skill組織起來，配合外部記憶、工具協同完成複雜任務。

技術本身終究只是工具。無論智能體架構怎麼完善，都替代不了人的判斷。技術浪潮來來去去，到最後，所有技術的落腳點，終究還是看見人性。