从“师带徒”到“数智链” AI重塑广东中医教学

广州中医药大学学生小李曾陷入中医跟师困境：名家诊疗经验传承渠道有限，临床实操少，辨证思辨及临证处方能力不足。如今，他多了一位AI“线上导师”，这位导师能够拆解名医诊疗全过程，推送类似案例，助其沉浸式模拟跟师，随时吃透诊疗精髓。

这是广州中医药大学打造的“杏林智慧教学大模型”所带来的教学之变。让AI学会中医的辨别证候和治疗方法（“辨证论治”），助力解决名医经验“传不广”、临床辨证“练不够”、个性化教学“难普及”等难题，并以此帮助学生学习中医药的知识和经验。

AI赋能中医药，已是广东省级战略。2026年全省中医药工作会议提出要“推动人工智能与中医药各领域广泛深度融合”。随后印发的《广东省加快推进人工智能全域全时全行业高水平应用行动方案》，明确要推进人工智能在名老中医传承等方面的创新与应用。“杏林智慧教学大模型”的落地正是这一战略部署下的先行实践。

20亿词元构建“中医大脑”

中医药教育的精髓，在于理论与临床的深度结合，尤其倚重“辨证”思维的实际操练。长期以来，这一知识体系高度依赖师徒间的口传心授，但有限的师承容量难以满足广泛的人才培养需求——名老中医亲授名额稀缺，优质临床病案亦无法覆盖全体学生。这是整个中医药教育界面临的共同难题。

如今AI技术为这一困局提供了新的想象空间。广州中医药大学开发了“杏林智慧教学大模型”，试图把名医经验、经典医案、教学资源从“师徒对口传”变为“模型对众授”，让更多学生站在同一起跑线上获得高质量的学习支持。

在技术路线上，广州中医药大学采用了“通用大模型基座+中医药专业训练”的模式，即在通用大模型已具备的语言理解和推理能力的基础上，用大规模、高质量的中医药专业数据进行持续训练和微调，同时结合中医知识图谱、专业知识库对大模型进行进一步约束和增强。

支撑这一模型的底层数据，是20亿词元（2B Token）的海量中医药专属数据，兼备专业性和高质量。这些数据既包括中医经典古籍、专业教材，也包括现代中医药教学资源、科研成果，还有经过规范治理的数十万份临床病例和名医医案，以及相关的学术思想和诊疗经验。此外，舌象、脉象、中药标本、针灸穴位等中医教学特色数据，也将逐步以多模态形式融入。

“我们已经积累了在不同光线条件下100多万张舌头图像，”项目开发技术人员罗工介绍说，“根据这些图像数据，AI将能够具备中医基础知识，通过舌象辨识病症；同时，还可以‘看’ 舌象，基于大量经过教师标注的舌象图像构建图形算法，让AI学会识别不同舌象的视觉特征，比如舌色是淡红还是绛红，舌苔是薄白还是黄腻。”

大模型不仅“懂中医”，还要“懂教学”，真实教学过程数据不可或缺。两年前，广州中医药大学便开始分批次建设智慧课程，包括常态化录制的线下课程、知识图谱课和AI课。现在，大量教学视频已通过AI转化为知识切片和思维导图，为模型训练提供了丰富的教学场景数据。

然而，有些原始数据并不能直接拿来训练AI。如古籍涉及古文断句、古今术语转换、语义理解；病例数据涉及隐私保护，需严格脱敏；名医经验需进一步整理成规范的辨证逻辑和知识结构。

“数据要经过采集、清洗、脱敏、解析、标注、专家审核等完整流程，才能进入训练集或知识库，”广州中医药大学现代教育技术中心主任陈沁群表示，“我们既保留病案原文、名医批注和诊疗过程，也会对证候、病机、治法、方药、加减化裁和疗效转归做标签化标注，帮助大模型学习中医‘辨病—辨证—立法—处方—复诊调整’的完整逻辑。”

基于大量的数据学习，“杏林智慧教学大模型”得以构建。目前，团队正按照“百亿参数中医药教育专属大模型+百万级节点多模态知识图谱”的方向，将其打造为一个真正懂中医、懂教学、能支撑具体场景的专业模型。

知识入库需经过“同行评议”

开发过程中最大的技术挑战，不是让AI“知道很多中医知识”，而是让它按照中医自己的理论逻辑去理解和推理。

罗工解释说：“中医不是简单的‘一个症状对应一个答案’——同样一个症状，不同患者因体质、病因、病机不同，辨别证候和治疗方法可能完全不同，这也是中医区别于西医的最大特征和优势——‘辨证论治’。”

为攻克这一难点，开发团队从两方面入手：一是针对古籍理解，通过古文语义解析、知识结构化等方式，减少模型单纯靠猜测来理解经典的情况；二是建设知识图谱，在症状、病机、证候、治法、方药以及经典依据之间建立关联，让模型的每一次判断都有据可循。

然而，有了知识图谱还不够——如何保证数据准确性？如何防止数据污染？这对医学领域的AI应用至关重要。

开发团队在方案中明确设置了专业审核和多级评测机制。首先，模型并非只依赖自由生成，而是结合专业知识库、知识图谱和检索增强技术，让AI尽可能基于可信内容回答；其次，大模型内所有医学专业内容、名医经验、辨证逻辑，均须经过专家审核和人工校验。

“我们不采纳任何未经验证的网络公开内容，”陈沁群强调，“知识库的入库标准是严选，而非临时或实时从互联网抓取，这从根本上杜绝了数据污染的风险。每条名医思维链和关键数据的产出，都需经过名医传承工作室团队的‘同行评议’，专家们会现场审阅、标注和修正，确认无误后方可纳入训练集。”

名医“思维链”的数字化建模

“杏林智慧教学大模型”最核心的创新，在于探索了名老中医“思维链”的数字化建模。

团队将名中医医案、著作、讲稿及跟诊记录进行系统性梳理。从数据科学角度，将诊疗过程中的病因病机分析、辨证要点、遣方用药原则、长期调护经验及关键学术观点等环节，抽象为可计算的思维链条，即把名老中医看病时的推理过程拆解成一条清晰的逻辑链条，然后把这条“链条”教给AI，让AI模仿名医的推理顺序去思考和回答。

“这是一个‘双向奔赴’的过程。”陈沁群提到，“我们纯粹从数据层面梳理出特征，医学专家则从临床角度判断这个链条是否靠谱，指出不妥或需要细化之处。”目前大模型在专病上的辨证准确率可达95%以上，开方准确率达85%以上。

在教学端，名中医经验不再是关门秘方。学生看到的不只是AI给的“答案是什么”，更能看到“名医是怎么一步步想出来的”，从而实现可学习、可复盘的跟师效果。陈沁群说：“学生得到的不是简单的‘对或错’，而是真正看到自己的辨证思维过程。对于同一种病，系统会根据学生的辨证论治情况不断提供新的真实病案进行反复训练，让学生在真实场景中逐步理解和掌握名医的辨证论治思维。”

对于教师来说，该大模型还可用于课程目标分析、教学大纲优化、章节知识点与课程思政点生成、课程考核体系设计、教学资源匹配，以及课程知识图谱、能力图谱构建。此外，还能将线下录播自动切分为知识点片段，生成字幕、摘要和测验题，快速转化为微课、案例包等素材反哺课堂。

在名老中医传承方面，团队也在持续推进数字人和智能体建设，打破线上和线下的隔阂。运用AIGC技术复刻名医的音容神态和讲学风格，把静态文献转化为沉浸式动态教学资源；学生可围绕经典病例、学术思想、临床经验与“数字名师”持续互动，让名医讲学从一次性现场资源变成可反复学习的数字课程。

当前，“杏林智慧教学大模型”已在校内课程改革试点中应用，覆盖首批中医核心试点课程，包括“中医各家学说”“中国医学史”“中医外科学”，成为教师授课和学生学习的AI助手。下一步，广州中医药大学将在更多中医临床主干课程中继续探索大模型最终能不能真正帮助学生提高中医思维能力、辨证能力和临床实践能力。

“虽然AI不能替代真正的师承，但它可以把名师的能力‘放大’。”陈沁群表示，过去一位名医可能只能带几十个学生，未来更多的学生可以通过数字化方式了解名医的学术思想、辨证方法，然后进入真实临床和真实师承中进一步学习。

目前，广东累计有“省名中医”396位。如果能把他们的经验和能力数字化，将是一笔可观的无形资产。教务部负责人朱磊表示，“杏林智慧教学大模型”在校内充分验证后，该大模型有望形成课程共享、跨校教研以及与其他中医药院校合作的应用模式。

AI赋能名老中医传承有望推动中医教育从相对统一的教学方式，逐步走向规模化基础上的个性化教学，同时让中医药知识不仅是“数字化保存”，更是真正被理解、关联、推演和应用。