治未病：把复杂医疗知识变成生活习惯

2026-09-05 中医 · 学习 · AI

如果一定要说一种信仰

我不确定 AGI 是否会实现，但我愿意参与建设，也愿意观察它可能怎样到来。

如果一定要说我有什么更接近信仰，我想到的不是某项技术，而是“治未病”。

我希望有一天，复杂的医疗知识不只存在于经典、医生和专业机构之中，也能变成普通人的生活习惯。人们未必要先读完一套医学理论，才知道怎样观察身体的变化，怎样保留有用的信息，怎样进行低风险的日常观察与准备，什么时候应该停止自行处理并寻求专业帮助。

我曾举过红糖姜茶、葱姜水一类例子。这里不是在判断它们对某个具体人的疗效，也不是建议读者照方使用。真正吸引我的，是这类知识曾经以极低的使用门槛进入日常生活：不需要先理解完整理论，也不需要打开一本教材，到了特定情境，人自然会想起一种行动。

当然，生活习惯也可能把错误代代相传。一个做法流传得广，并不能证明它有效；一句口诀容易记，也可能恰好删掉了最重要的适用条件。

所以问题并不是怎样把更多“偏方”送进生活，而是：

怎样让复杂医疗知识在不失去边界的前提下，成为普通人能够长期使用、能够被纠正的日常能力？

我还没有答案。过去几年做的几个中医项目，可以看成是在这个问题周围铺设很小的基础设施。

先把一本书变成可以反复接触的东西

我最早做《伤寒论》小程序，并不是为了建立一个医疗产品。

它首先是我的学习工具。我想把原本线性排列在书里的内容结构化，使条文、方剂和相关信息更容易查询、记忆和反复接触。后来它被做成小程序，对外开放。按我看到的使用情况，曾有数百人使用，但它主要是低频、按需的方剂查询工具：需要时打开，用完就离开。

按照互联网产品的常见尺度，这样的数据并不漂亮。它没有高频打开，也没有强留存；我后来把更多时间用在中医学习和 AI 应用探索上，没有持续推广它。

但后来我觉得，这种使用方式未必是失败。

一个学习和查询工具不必占据用户的注意力。需要时能够找到，找到以后能够离开，下次需要时还愿意回来，本身就是一种更接近工具的关系。

这个小程序完成的事情也很有限。它把知识变得更容易访问，不等于证明其中每条内容的医学效力；把条文和方剂结构化，不等于理解了临床；有人查询，更不等于因此改善了健康。

它让我看到的只是第一层问题：复杂知识如果始终以不方便检索、不方便复习的形式存在，就很难进入长期生活。结构化不是医学结论，却可能是形成习惯以前的一项基础工作。

从静态知识走向时间中的过程

《伤寒论》工具处理的主要是静态材料。但真正的诊疗不是一张“症状—方剂”对照表。

我在学习老师的云跟诊视频时，逐渐把注意力放到另一个地方：同一个患者怎样从初诊走到复诊，服药以后给出什么反馈，老师据此修改了什么，下一次反馈又怎样改变判断。

诊断 → 用药 → 反馈 → 再诊断 → 再用药 → 再反馈

这不是我已经发现的医学规律，只是我希望长期观察的对象。

中医有许多流派。不同医家治疗相近问题时，使用的解释框架、术语和方法可能很不一样，有时甚至彼此冲突。我有一个尚未被证明的怀疑：这些表面不同的解释和操作，在连续反馈过程中，是否可能存在某些共同结构？

现在谈横向比较还太早。我正在做的，是先纵向学习一位老师和他的患者，把散落在长视频中的诊次、病历事实、原话和前后变化组织起来。未来如果有足够资料、授权和专业协作，才可能比较不同医家的过程。

因此，云跟诊工作台不是一个自动诊断系统，也不是已经展开的临床研究。它是一个本地学习工具和素材库：帮助我从几小时的视频中找到患者边界、诊次关系、原始证据和自己的学习记录。

这一步比听起来慢得多。真实项目记录里，一段视频可能包含八十多个病案；录入一个病案的基础信息就可能超过五分钟，完整学习一段视频往往需要两三周。转写会错，患者切点会错，老师的解释、我的理解、外部资料和未解决疑问也不能混在一起。

我没有因为 AI 出现，就突然拥有了医学判断。AI 能减少转写、切分、检索和整理中的机械劳动，却不能把候选整理结果自动升级为病历事实，更不能替我证明治疗为什么有效。

习惯不是连续打卡

谈到“把知识变成习惯”，很容易想到提醒、积分、连续签到和每日任务。

但我想要的并不是让人为了保持数字而打开一个应用。

在云跟诊学习工具的设计里，我更关心的是：每天能不能只花十到十五分钟，先处理最需要复习的旧材料；中断几天以后能不能自然回来，而不是面对一堵逾期任务；能不能先用自己的语言复述，再去看原文和外部解释；能不能把不确定保留下来，而不是为了完成进度过早写成结论。

这种习惯不是高频使用本身，而是一个可以恢复的循环：

接触材料 → 主动回忆 → 回到证据 → 修正理解 → 保留疑问 → 再次接触

如果将来它进入普通人的健康生活，循环中的动作也未必只是“吃什么、喝什么”。它还可以是记录变化、辨认危险信号、准备就诊信息、理解医生的要求、观察干预后的反馈，以及知道什么时候不应该自行判断。

复杂性并没有因此消失。它只是被拆成了人在日常中有可能完成的小动作，并且每一步都保留返回证据和接受修正的入口。

这与把医学压缩成几条万能规则正好相反。

压缩必须保留返回复杂性的路

我有很强的压缩倾向。我会本能地寻找不同现象背后的共同结构，希望用一个更小的框架容纳大量材料。

这种倾向在医疗问题上既有价值，也很危险。

没有压缩，人会被无穷细节淹没，知识很难传播，更难形成行动。但压缩过度，个体差异、适用条件、剂量、时间、相互作用和危险信号都会被一句顺口的话抹掉。

所以一项进入生活的医疗知识，至少应当保留几条返回路径：

普通人不可能在每次行动以前重建完整医学体系，专家也不可能逐项审查全社会每天产生的健康判断。真正需要建立的，是一种让低风险行动可以简单发生、让高风险问题及时升级、让错误能够被发现和纠正的机制。

这仍然只是一个方向，不是我已经做成的系统。

AI 可以降低门槛，不能替知识承担后果

AI 使这个方向第一次显得不那么遥远。

它可以把长视频转成可检索文本，帮助整理待核对的结构候选，把同一患者的多次就诊连接起来，为旧材料生成复习卡片，也可以让不同表达之间的潜在关系更容易被看见。项目曾尝试自动识别患者切点，但没有达到可用性；目前病案起止仍要由人回到视频和声音中确认。

但这些能力会同时扩大错误。

一次错误转写可能改变药名或剂量；一次错误切分可能把两名患者连在一起；模型生成的顺畅总结可能抹掉原视频里的犹豫和条件；未经脱敏的临床材料还涉及真实患者的隐私与授权。

因此，我现在采用的流程更接近：

原始材料
  ↓
AI 生成转写和结构候选
  ↓
人工确认病案起止，并回到视频校正转写与结构候选
  ↓
区分事实、老师解释、个人理解与疑问
  ↓
形成可检索、可复习、可追溯的学习材料

这个流程的产物仍然是学习材料，不是诊疗结论。

目前，我不调用云端模型处理这类资料，原始病历、媒体、转写和个人笔记保留在本地。未来即使考虑云端能力，也必须先确认适当授权，并对出站脱敏、审计、供应商与删除边界完成独立验收，才可能发送最小必要的脱敏副本；模型返回的内容仍只能作为候选派生物。只要这些边界还没有落实，扩大自动化就不一定是在扩大能力，也可能只是在扩大暴露面。

AI 能让复杂知识更容易被处理，却不会自动决定哪些压缩是安全的，哪些错误可以容忍，哪些人应当承担后果。

我真正想做的，不是一款让人离不开的产品

如果以商业产品来衡量，我做过的中医工具都很小。

一个曾有数百人使用、以低频按需查询为主的小程序；一个仍在开发、连转写与患者切分的正确性都需要继续校正的云跟诊工作台；一个还没有进入足以支持结论阶段的流派共同结构设想。

这些边界必须说清楚。

但它们也逐渐让我看清，自己想做的可能不是一款让人每天停留更久的应用，而是一层安静的生活基础设施。

它不要求人对医学产生狂热，也不把每个人变成医生。它只是让知识在需要时能够出现，让日常观察有地方积累，让个人理解可以回到证据，让专业帮助更容易在正确的时候介入。

理想情况下，人们甚至不必意识到背后有一个庞大的知识系统。就像一些生活习惯已经融入家庭与社会：行动很简单，但简单背后不是任意，而是经过长期检验、保留边界、能够更新的复杂结构。

这与用户每天打开多少次应用，是两套不同的价值尺度。

技术只是中间层

我对 AI 有兴趣，也愿意研究 Auto Research、形式化验证和人机协作。但这些事情不是我的最终目的。

模型会更换，编程方式会更换，今天显得惊人的能力也可能很快成为基础设施。把一生的方向绑定在某个模型、某种架构或某个关于 AGI 的预测上，对我来说仍然太短。

“治未病”提供了一个更长的尺度。

在我使用这个词时，它不是宣布某套医学已经解决了疾病，也不是把未经验证的经验包装成传统智慧。它指向一种朴素愿望：让人更早地理解自己的变化，让可靠知识更容易进入日常，让小问题有机会在变大以前被看见，也让普通人在复杂医疗体系面前拥有更多准备，而不是更多幻觉。

我目前所做的，只是结构化一本书、整理一批视频、设计一些复习和反馈流程，并提出一个尚待检验的研究问题。

它们离这个愿望还很远。

但如果 AI 真能扩展一个人进入陌生领域、处理复杂材料和建设工具的能力，我最希望它最终服务的，不是证明 AI 有多强，而是帮助复杂知识越过专业与日常之间的距离。

我不能确定一项尚未出现的技术终点。

我愿意把时间交给一个更具体、也更难完成的方向：让知识成为习惯，让习惯保留证据，让普通人在疾病真正到来以前，拥有更多理解和行动的可能。