云知声大模型首席科学家刘升平出席2026物理AI与世界模型大会

医疗世界模型的终极浪漫是：我们在硅基构筑的多重宇宙中，为一位患者穷尽推演一万种未来，让所有坏的结局在虚拟计算中提前预演，只把经过全局比较后最优的那条因果线，牵引到这位患者病床前。

10月19日，2026物理AI与世界模型大会“医疗健康世界模型”分论坛在南京国际博览中心举行。围绕“预见疾病·推演生命——世界模型重构医疗人工智能”主题，来自医疗、科研与人工智能产业的专家学者齐聚一堂，共同探讨世界模型在疾病演化、临床过程模拟与医疗智能决策等领域的发展方向。

会上，云知声大模型首席科学家刘升平发表题为《医疗世界模型：基于合成诊疗轨迹的临床过程推演》的主旨演讲，分享云知声在医疗世界模型领域的技术探索与最新研究进展。

真实的临床诊疗并非一次性的医学问答，而是一个随着患者状态变化、临床行动与反馈不断推进的动态过程。如何让AI不仅理解当前病情，还能根据新的信息持续调整判断、探索下一步行动，正成为医疗AI迈向连续临床决策的重要课题。

基于此，云知声构建了医疗世界模型U2-Med-World，通过重建真实诊疗轨迹、生成合成诊疗情境，打造可交互的虚拟患者问诊环境，支持医疗大模型U2-Med学习主动追问、动态更新判断与潜在风险识别。

最新HealthBench评测结果显示，云知声U2-Med在HealthBench Full和HealthBench Hard两项评测中分别取得73.67分和61.07分，双双位列本次参评模型第一。

此次大会分享，正是围绕上述技术探索，进一步展开医疗世界模型如何理解患者状态、构建合成诊疗轨迹、推演临床过程，以及通过虚拟环境支持诊疗Agent学习连续决策的研究思路。

一、从理解疾病，到推演生命：医疗AI的下一道命题

真实的临床诊疗，从来不是一个静态的问答过程。

一位患者从初诊、检查、诊断到治疗、复查与随访，病情始终处于动态变化之中。每一次新的检查结果、每一项治疗干预，都可能影响医生的判断与患者后续的状态。

过去，医疗AI更多围绕单次输入展开：回答一个医学问题、生成一份病历摘要、识别一处影像异常，或提出一项诊疗建议。

但真实临床是一个时间上连续、行动上分叉、结果上不确定的过程。医生不仅需要理解患者“现在是什么情况”，还需要判断“过去发生了什么”“下一步应该做什么”，以及“不同选择可能带来怎样的变化”。

如何让AI从理解某个时点的医学信息，进一步理解持续变化的患者状态，并探索不同临床行动下的可能未来？

医疗世界模型，为这一问题提供了新的思路。

在云知声的技术探索中，医疗世界模型的核心关系可以概括为：当前患者状态 + 临床行动 → 患者下一状态。

与传统模型侧重输出单一答案不同，医疗世界模型尝试建立患者状态、临床行动与后续变化之间的动态关系，在不同干预条件下生成多条可能的诊疗路径，并从预期收益、潜在风险、时间窗口及不确定性等维度进行综合比较。

围绕这一目标，医疗世界模型需要逐步建立四层核心能力：

● 患者状态表示：整合病历、检验检查、影像等多模态临床证据，理解患者当前状态，保留未知信息与不确定性。

● 疾病动态建模：学习疾病随时间演化的规律，模拟患者状态变化及关键临床事件发生的可能性。

● 干预条件模拟：将检查、治疗及护理等临床行动作为条件，推演不同选择可能带来的后续变化。

● 临床规划支持：比较候选诊疗路径的收益、风险与不确定性，为医生提供有依据、可审阅的下一步建议。

从理解、预测到行动与规划，医疗世界模型试图让AI不再只回答“患者现在怎么了”，而是进一步探索“接下来可能发生什么”。

二、从真实轨迹，到万千可能：让临床过程可学习、可推演

真实世界里，一位患者只能经历一条实际发生的诊疗路径。

当医生选择一种治疗方案，其他方案可能带来的结果便无法在同一位患者身上同时观察。然而，临床决策恰恰需要在这些尚未发生的可能性之间进行判断。

如何让AI学习已经发生的诊疗过程，并进一步探索不同选择可能带来的后果？

针对这一挑战，云知声探索以合成诊疗轨迹为重要支撑，构建医疗世界模型的学习与推演基础。

所谓诊疗轨迹，并非简单地将病历按照时间排列，而是将患者状态、时间、观察检查、临床行动、患者响应、状态更新及临床结局等七个要素组织起来，形成能够反映诊疗过程连续变化的数据结构。

在这一框架下，真实轨迹与合成轨迹发挥着不同的作用——

真实轨迹：理解已经发生的临床过程。

真实轨迹记录患者实际经历的诊疗过程，保留临床事件的时间顺序、医生采取的行动及患者后续的响应，为模型学习疾病演化、临床行动与状态变化之间的关系提供基础。

合成轨迹：探索尚未发生的可能未来。

以真实患者状态为起点，模型可以引入不同的临床行动条件，在受约束的虚拟环境中生成多条候选路径。

真实数据记录已经发生的事实，合成轨迹则尝试拓展模型能够学习和比较的临床情境，尤其是现实数据中相对稀缺的复杂场景与长尾情况。

当然，虚拟推演并不等同于真实临床结局。合成轨迹的合理性、模型预测的可靠性以及不同干预之间的因果关系，仍需要严格评估与独立验证。

合成诊疗轨迹的意义，不是虚构更多病历，而是让AI能够在虚拟环境中学习临床过程、探索行动分支，并审视不同选择可能带来的后果。

三、从单次诊疗，到连续决策：走进真实临床场景

面向门诊与住院两类诊疗场景，云知声聚焦患者状态动态变化与临床决策需求，探索医疗世界模型的临床过程推演能力。

门诊场景：从有限信息中寻找关键决策依据

门诊诊疗往往从不完整的信息开始。患者的症状描述、既往病史和用药情况需要逐步确认，医生必须在较短时间内识别关键线索，决定下一步问什么、查什么，以及何时需要升级处理。

以一位突发胸痛的患者为例，仅仅列出可能的疾病并不足以支持实际诊疗。医生还需要判断是否存在急性冠脉综合征等危急情况，哪些信息尚未明确，哪些检查具有必要性，以及何时应立即启动急诊评估。

基于医疗世界模型的诊疗Agent，可以围绕患者当前状态，形成主动追问、针对性检查、风险识别及升级评估等候选行动，并提供相应的证据依据与风险提示。

随着新的症状信息和检查结果进入，模型持续更新患者状态，辅助医生调整判断与后续行动。

住院场景：从单次查房走向连续病程管理

相比门诊的分钟级决策，住院诊疗往往持续数天甚至更长时间。患者今天的异常指标，可能与昨天的治疗调整有关，也可能来自疾病进展或新出现的并发症。

因此，医生需要的不仅是一份当日病情摘要，更是对完整病程的持续理解。

围绕这一需求，医疗世界模型尝试构建贯穿住院诊疗的动态反馈闭环：

● 查房前：整合既往病程、检查检验、影像及生命体征，梳理当前问题与潜在风险。

● 查房中：补充患者主诉、新增体征和医生意见，更新患者状态。

● 查房后：结合最新证据，辅助提出复查、用药复核、护理观察与后续监测建议。

● 次日复评：将实际执行情况、治疗反应及新增结果重新纳入诊疗轨迹，持续调整后续计划。

通过这一机制，每一次查房不再是孤立的信息记录，而成为患者连续诊疗过程中的一个环节。

从门诊的主动信息获取，到住院的持续病程管理，医疗世界模型尝试将临床决策从单一时点的判断，延伸至连续动态的诊疗过程。

为此，云知声通过整合病历、检验检查、医学影像及医嘱等多源数据，统一时间轴，区分临床事实、实际行动与后续反馈，把临床过程重构成可追溯、可学习、可推演的诊疗轨迹，为医疗世界模型学习疾病演化规律及诊疗Agent开展连续决策提供基础。

在此基础上，医疗世界模型进一步将临床行动作为条件，推演患者可能出现的后续变化。不同于治疗干预可能改变患者的生理状态，追问和检查首先改变的是医生对患者的认知。通过区分信息获取与疾病状态变化，模型尝试模拟不同临床行动后的患者响应，为后续决策提供更有针对性的参考。

四、从学习答案，到学习决策：诊疗Agent的闭环演进

理解诊疗过程只是第一步，如何让诊疗Agent在不断变化的患者状态中，学会选择下一步行动，并根据反馈持续调整决策，是云知声进一步探索的方向。

围绕这一目标，云知声探索将专家诊疗轨迹监督学习、世界模型多步交互与可组合奖励强化学习相结合，推动诊疗Agent的优化对象从“一句回答”升级为“整条临床行动轨迹”。

首先，利用真实病历、专家问诊对话、诊疗轨迹标注及医学指南等数据开展监督学习，使诊疗Agent具备患者状态理解、信息缺口识别与行动规划等基本能力。

随后，在世界模型构建的虚拟患者环境中开展多步交互：Agent提出追问、检查或治疗等行动，世界模型模拟相应的观察结果与状态变化，Agent据此更新判断并选择下一步行动。在此基础上，结合医生审核反馈与可组合奖励机制，持续优化诊疗策略，使其不仅关注单次判断的准确性，也兼顾信息获取、临床风险、行动适宜性与长期诊疗目标。

虚拟世界中的推演能力，最终仍需接受真实临床的检验。为此，云知声提出“轨迹重建—离线推演—临床反馈”的分阶段推进路径：首先验证模型能否准确还原真实诊疗过程；再通过离线对照评估其信息获取与连续决策能力；最后从临床静默评估开始，由医生独立审阅建议，在充分验证的基础上审慎探索临床辅助应用。

在这一过程中，模型不仅需要提供诊疗建议，还应呈现判断依据、行动目的与后续观察重点，让医生能够理解、审阅和验证。医生的审核意见、实际执行情况及患者反馈，则进一步回流至诊疗轨迹，为模型持续优化提供依据。

让每一步临床决策，都能审阅依据、比较路径、检验后续。这既是医疗世界模型走向临床应用的技术目标，也是其价值最终需要接受的现实检验。

医学的每一次进步，都在拓展人类理解生命、应对未知的边界。而云知声希望探索的，是让人工智能不止于理解已经发生的事实，更能帮助人类看见尚未发生的可能。

面向未来，云知声将坚持“强基模、深应用”战略，以大模型与智能体技术为基础，进一步探索医疗世界模型与真实临床场景的深度融合，让AI从理解医学知识走向推演疾病演化，从辅助完成诊疗任务走向支持连续临床决策。

我们无法让生命重来，也无法让时间倒流。

但或许有一天，AI能够在硅基世界中反复推演那些尚未发生的故事，让疾病的风险在虚拟轨迹中更早显现，让每一种诊疗选择都经过更充分的审视，让医生在面对未知时，拥有更多看见未来的可能。

让每一个不可重来的生命，在真实世界中拥有更多希望。