博文
基于DIKWP人工意识的中医感冒-咽炎-支气管炎诊疗全过程语义模拟与建模
|
基于DIKWP人工意识的中医感冒-咽炎-支气管炎诊疗全过程语义模拟与建模
段玉聪
人工智能DIKWP测评国际标准委员会-主任
世界人工意识大会-主席
世界人工意识协会-理事长
(联系邮箱：duanyucong@hotmail.com)
摘要
本研究构建了一种融合数据-信息-知识-智慧-意图（DIKWP）网状语义模型的人工意识中医诊疗系统，并以感冒-咽炎-支气管炎的连续病程为例进行全过程模拟。通过传统中医八纲辨证（表里、寒热、虚实、阴阳）和脏腑经络理论对患者症状进行辨证分层，将医患问诊对话语料逐句逐词标注于DIKWP语义层级（数据D、信息I、知识K、智慧W、意图P）。结果展示了人工意识中医助手如何从患者语言中提取数据，升华为诊断信息，匹配中医知识（病机辨识），运用智慧制定个体化治则并生成治疗意图，最终形成处方方案并经随访反馈闭环验证。在对话模拟中引入主观“同-异-完”机制，演示了“同病异治”“异病同治”的辨证思维如何指导语义生成与反馈调节。通过对经典方剂桑菊饮与麻杏石甘汤的解析，将方剂组成映射到DIKWP层次：单味药为数据，药对组合为信息，方义为知识，加减化裁为智慧，遣方目的为意图。研究表明，DIKWP语义数学模型能够适配中医辨证论治的认知过程，为构建可解释的中医人工智能诊疗系统提供了前瞻思路。
关键词： DIKWP人工意识；中医辨证；八纲；同病异治；异病同治；语义网络；桑菊饮；麻杏石甘汤
引言
中医药学通过辨证论治实现对疾病的个性化诊疗，其核心在于“证”的概念。“证”是对患者症状体征等资料经分析归纳而成的病理概括，包含了病因、部位、性质以及正邪盛衰等信息 (中医辩证方法 八纲辩证-医联)。与西医直接对应病名不同，中医诊断更关注综合征候（证）的确定，而非仅仅疾病的名称 (中医辩证方法 八纲辩证-医联)。例如，西医所谓的“支气管炎”在中医下可归属于风热犯肺、痰热郁肺等不同证型；反之，不同西医疾病若见相似证候，中医可采用相同治法。这体现了中医灵活的辨证思维——同病异治与异病同治。同病异治指同一种疾病因人、因时、因地或病程阶段不同而表现不同证候，故治疗各异 (中医基础知识点：同病异治和异病同治的区别是什么？)；异病同治指不同疾病在发展过程中出现大致相同的病机和证候，因而可采用相同的治法方药 (中医基础知识点：同病异治和异病同治的区别是什么？)。这套理论高度体现了中医以患者为中心、以证为本的诊疗观，也对人工智能建模提出了挑战：如何让机器像中医师一样，根据语义线索灵活归纳出证，并动态调整治疗策略。
中医辨证的理论基础之一是八纲辨证。八纲指阴阳、表里、寒热、虚实四组纲要，其中阴阳统摄其它六纲，是概括病证属性的总纲 (中医辩证方法 八纲辩证-医联)。通过八纲，可对疾病的表里（病位深浅）、寒热（性质）、虚实（正邪盛衰）作出分类，从而把握疾病发生发展过程的整体性与规律性 (寒热辨证 - 维基百科，自由的百科全书) (中医辩证方法 八纲辩证-医联)。例如，本案患者若属外感表证、热证、实证，则总体归为阳证范畴 (中医辩证方法 八纲辩证-医联)。此外，中医诊断还依赖脏腑经络理论，将症状归属相关脏腑病机，如咳嗽属肺，咽痛可涉肺经或肾经（若反复咽炎则考虑肾阴亏虚火旺）等。在辨证过程中，中医师往往通过望闻问切四诊收集大量数据（症状、舌脉等），并将其提炼为有意义的信息（症状组合与病机线索），进而调用中医知识体系（历代经验、经方理论）识别证候，将理论应用为临床智慧（具体治法和方剂运用），以治疗为最终意图和目标。这一过程与现代认知模型不谋而合，可用数据-信息-知识-智慧-意图（Data-Information-Knowledge-Wisdom-Purpose, DIKWP）模型进行描述 (段玉聪|DIKWP人工意识（原理篇） – DAMA China Limited)。DIKWP模型最初是对经典DIKW金字塔的拓展，加入了**“Purpose/意图”层，以强调智能体的目标驱动作用 (段玉聪|DIKWP人工意识（原理篇） – DAMA China Limited)。更重要的是，DIKWP被构建为网状交互结构**，不同层次间并非简单线性关系，而是存在多向动态交互，形成一个封闭自洽的认知空间 ((PDF) 基于网状DIKWP 模型的人类社会经济活动演化趋势)。意图作为驱动力贯穿始终，使数据的收集和处理始终服务于特定目标；反过来，数据和知识又不断校正和充实高层意图，使其更贴合实际 (段玉聪|DIKWP人工意识（原理篇） – DAMA China Limited) (段玉聪|DIKWP人工意识（原理篇） – DAMA China Limited)。这种双向反馈机制非常契合中医诊疗中医患互动、反复辨证思考的过程。
近年来，人工意识(Artificial Consciousness)研究将DIKWP模型与大规模预训练模型(LLM)相结合，试图赋予AI以类人的认知和解释能力 (计算机科学与技术学院DIKWP-AC人工意识团队的论文获CCF2023中国数字服务大会“最佳海报奖”-计算机科学与技术学院)。其中，LLM（如GPT）扮演“潜意识”角色，负责自然语言理解与生成，而DIKWP模型作为“意识层”，对LLM提供的信息进行高层次的语义加工、推理和决策 (计算机科学与技术学院DIKWP-AC人工意识团队的论文获CCF2023中国数字服务大会“最佳海报奖”-计算机科学与技术学院)。这种架构有望解决AI在医疗对话中遇到的信息不完备、不一致、不精确等问题 (计算机科学与技术学院DIKWP-AC人工意识团队的论文获CCF2023中国数字服务大会“最佳海报奖”-计算机科学与技术学院)。对于中医问诊这一复杂的人机交互场景，DIKWP人工意识模型可以将医患对话的外在语言表达与医生大脑内在的主观辨证认知过程相映射 (计算机科学与技术学院DIKWP-AC人工意识团队的论文获CCF2023中国数字服务大会“最佳海报奖”-计算机科学与技术学院)。通过语义分层映射与融合转换，该模型使得AI能够处理患者陈述中的模糊、歧义信息，提炼出可靠的中医证候判断依据，并制定治疗意图，生成言行一致的应答 (计算机科学与技术学院DIKWP-AC人工意识团队的论文获CCF2023中国数字服务大会“最佳海报奖”-计算机科学与技术学院)。本研究将结合具体案例，深入探讨DIKWP模型在中医诊疗语义模拟中的应用。
本文在**“感冒-咽炎-支气管炎”**连续病程的诊疗场景下，模拟中医师（人工智能助手）与患者的问诊对话，详细展示DIKWP人工意识系统的工作流程。首先，基于患者主诉和问诊对话语料，进行逐句的DIKWP层级标注，剖析每句话中哪些词语承载数据、信息、知识、智慧或意图的语义功能。其次，应用八纲辨证和脏腑理论对病例进行辨证分析，建立从症状到证候再到治法处方的映射模型，并解析经典方剂在DIKWP语义结构中的映射关系。然后，引入人工意识视角，推演中医AI助手如何在语义空间完成对话决策，实现医患语义闭环。随后，通过语义网络图示，直观展示“同病异治”“异病同治”等辨证规律在语义层面的体现。最后，总结DIKWP模型与中医语义认知融合的意义，并展望未来工作。
语料展示与DIKWP分层标注
**初诊对话语料：**某青年患者因反复咳嗽、咽痛前来就诊，首次问诊对话如下：
**患者：**医生，我已经咳嗽三天了，嗓子很疼，还有点发烧。
**医生：**咳嗽有痰吗？痰是什么颜色？
**患者：**有痰，偏黄黏稠。
**医生：**这几天怕冷吗？出汗情况怎么样？
**患者：**刚开始有点怕冷，现在就是发热，汗不多。
医生：（一边望闻问切，一边思考）嗓子疼痛咳嗽，痰黄而黏，微恶寒发热……（记录症状）
**医生：**最近嗓子疼得厉害吗？吞咽会痛吗？
**患者：**是的，咽喉肿痛，吞口水都痛。
**医生：**嗯，扁桃体发炎了，有脓点吗？
**患者：**镜子里看好像有点淡黄色的点。
**医生：**好的。我再看下舌苔和脉象。（查看患者舌脉）
医生：你舌苔薄黄，脉浮数。根据这些症状，我考虑是风热犯肺，导致咽喉炎症、肺失清肃。
**患者：**什么意思呀医生？
**医生：**就是受了风热邪气，引起感冒和咽喉肿痛，热邪犯到肺经，所以咳嗽痰黄。属于中医所说的“表热实证，肺经热盛”。
**患者：**明白了，那怎么治疗呢？
医生：治疗上我们疏风清热，宣肺止咳。我先开一个方子叫桑菊饮，主要有桑叶、菊花、薄荷、连翘等药 (桑菊饮 - 中药方剂 - 中医世家) (桑菊饮 - 中药方剂 - 中医世家)。这些中药能清肺热、缓解咳嗽和咽痛。
**患者：**好，谢谢医生！
上述对话涵盖了主诉(1)、问诊(2-5,7-10)、检查(11)、辨证(12,14)、解释(13,14)、处方建议(16)等环节。下面对其中每句话进行DIKWP分层语义标注分析：
句1（患者）：“医生，我已经咳嗽三天了，嗓子很疼，还有点发烧。”
“咳嗽”“嗓子疼”“发烧”——患者描述的症状数据(D)，直接体现病人主观感受到的异常；这些是未经加工的一手信息来源。
“三天”——限定了症状持续的时间数据(D)，属于定量的客观描述，使信息更具体。
整句话提供了多个离散的**数据(D)**点：咳嗽(症状)、咽痛(症状)、发热(症状)、持续三天(时间)。患者此时只是陈述事实，没有对因果进行推测，其语义内容主要停留在数据层。医生将从中提取信息加以理解。
句2（医生）：“咳嗽有痰吗？痰是什么颜色？”
这是医生基于已有症状进行的追问。提问本身体现医生的意图(P)——即获取更多与咳嗽相关的数据以判断热寒属性。
“有痰吗”“是什么颜色”——医生在引导患者提供新数据(D)：有无痰（定性数据），痰色如何（定性数据）。颜色暗含病机信息，例如黄痰提示内热。 (桑菊饮 - 中药方剂 - 中医世家)
可以看出，医生提出这一问题运用了其知识(K)：在中医知识中，咳嗽的痰的性质是判断寒热、病位的重要线索 (桑菊饮 - 中药方剂 - 中医世家)。因此问句本身体现出医生**智慧(W)层的作用——即根据知识判断需收集哪方面的数据。这里医生的知识使其认识到“痰的有无及颜色”是关键信息(I)，于是出于诊断目的(P)**发问获取该数据。
句3（患者）：“有痰，偏黄黏稠。”
患者回答提供了新的数据(D)：“有痰”（症状存在与否）和“黄黏稠”（痰的性状）。这些都是对医生问题的直接数据回应。
“黄黏稠”这组词虽然由患者说出，但在语义上已不仅是原始数据：颜色和黏度经过患者主观感知后描述，信息(I)含量更高。例如，“黄”对于医生意味着热象的信息(I)，这在中医知识中很明确 (桑菊饮 - 中药方剂 - 中医世家)。不过就患者而言，他只是如实描述所见，仍属于数据提供。数据经过医生解读才上升为诊断信息。
句4（医生）：“这几天怕冷吗？出汗情况怎么样？”
医生继续围绕寒热辨证发问，意图(P)在于明确患者的寒热属性。
“怕冷”“出汗”——都是症状的感觉和体征，为医生提供寒热辨别的关键**数据(D)**依据 (中医基础知识点：同病异治和异病同治的区别是什么？)。恶寒重者多偏寒，发热汗出者多偏热，二者对比可判断表证性质。
提问体现医生调动知识(K)：“外感风寒患者常恶寒无汗，风热患者多发热微恶寒，有汗或少汗”这一经验。因此医生有目的地询问这两个症状，属**智慧(W)**应用知识来补充数据。
句5（患者）：“刚开始有点怕冷，现在就是发热，汗不多。”
患者提供数据(D)：“发病初期恶寒，现以发热为主，汗出不多”。这些是对寒热表现随时间变化的描述，反映病情演变。
这句话的信息量较丰富，实际上描述了症状转变的信息(I)：由恶寒转为发热为主，提示外感表证由表寒转表热的发展过程。这对医生是重要的病机信息(I)。但患者并未明言其中含义，仍只是数据层表述，信息层的意义由医生挖掘。
句6（医生自语记录）：“嗓子疼痛咳嗽，痰黄而黏，微恶寒发热……（记录症状）”
医生在核对并记录症状，相当于对当前收集到的所有**数据(D)进行归纳。这是医生在内心将多条症状数据整理成信息(I)**的过程：例如他嘴里念叨的这些词实际上已将上一句患者提供的内容整合为“风热表证”的线索信息。
这体现了AI助手内部从数据到信息的转换：医生开始形成对证候的初步印象，属于**知识(K)**调动前的信息聚合阶段。
句7（医生）：“最近嗓子疼得厉害吗？吞咽会痛吗？”
医生进一步询问咽痛细节，意图(P)是评估咽炎程度。
“疼得厉害吗”“吞咽会痛吗”——引导患者对咽痛程度和性质提供数据(D)。吞咽痛提示咽喉肿胀明显，可能有化脓。
这一步医生关注咽部症状细节，体现对脏腑经络知识的应用(知识K)：咽属肺胃之门户，剧烈咽痛伴吞咽困难可能提示热毒较盛，需要清热解毒药物（如连翘、大青叶）加减。这是医生为下一步确定治疗方案在收集更具体的信息(I)。同样体现了智慧(W)：知道哪些细节会影响选方用药。
句8（患者）：“是的，咽喉肿痛，吞口水都痛。”
患者确认了咽痛剧烈并伴有吞咽痛，这是新的数据(D)。
“咽喉肿痛”是症状描述，也可视为对“嗓子很疼”的进一步确认和加强。此时患者主动加了“肿”字，表明喉部肿胀，客观上提供了疾病严重程度的信息(I)（表明炎症明显）。
这些信息为医生判断病情轻重（是否有化脓倾向）提供依据，属于诊断相关信息。
句9（医生）：“扁桃体发炎了，有脓点吗？”
医生根据咽喉肿痛推测扁桃体可能化脓，直接问有无脓点。问话带有明确的知识(K)：扁桃体是解剖名词，脓点出现说明热毒炽盛（如化脓性扁桃体炎）。这是西医体征，但中医也认识到其严重性（属毒热入里）。
提问意图(P)：判断病情是否从一般风热表证加重为热毒证，需要不同治法。因此这是医生运用知识(W)在验证一种可能性，获取相应的数据。
句10（患者）：“镜子里看好像有点淡黄色的点。”
患者提供观察所得数据(D)：看到扁桃体上有淡黄色点状物。
这可视为客观体征数据，对应“脓点”这一信息。颜色淡黄说明脓未成或不多。对医生而言，这是非常关键的信息(I)：证明已有化脓倾向但尚属轻度。这将进入医生的知识系统评估是否需要清热解毒药辅助。
句11（医生）：“好的。我再看下舌苔和脉象。（查看患者舌脉）”
医生结束问诊，开始望舌切脉。检查舌苔脉象是获取重要客观**数据(D)**的手段。
这里的“舌苔和脉象”本身是中医诊断数据点，通过望诊和切诊获得。医生此举意图(P)是进一步验证寒热和病情深浅。舌苔薄黄、脉浮数往往提示风热在卫表 (桑菊饮 - 中药方剂 - 中医世家)。
这一行为表现出医生对诊断可靠性的追求(智慧W)：在下结论前通过更多客观检查数据完善信息，确保辨证完备性。
句12（医生）：“你舌苔薄黄，脉浮数。根据这些症状，我考虑是风热犯肺，导致咽喉炎症、肺失清肃。”
医生此处给出诊断知识(K)：“风热犯肺”。这是对前面收集的信息进行综合分析后得出的证名。它属于中医知识层的内容 (桑菊饮 - 中药方剂 - 中医世家)。
“舌苔薄黄，脉浮数”——医生引用检查所得**信息(I)**来支撑诊断。这句表明医生已将之前的各种数据融合为对病机的整体认识(知识K)。
“肺失清肃”描述病理机制，属于知识层对病机的表述，说明肺气失于宣降（清肃功能受扰）。
整句话体现出**知识(K)层面的语义：使用中医专业概念总结了患者的证候。医生此刻的意图(P)**是向患者交代诊断结论，但用词可能患者不懂，于是紧接着会有解释。
句13（患者）：“什么意思呀医生？”
患者未理解中医术语，提问是在寻求将知识层内容翻译成直观信息。这反映了患者此刻的认知层停留在信息/知识边界，需要医生以更通俗的信息(I)解释专业知识(K)。
句14（医生解释）：“就是受了风热邪气，引起感冒和咽喉肿痛，热邪犯到肺经，所以咳嗽痰黄。属于中医所说的‘表热实证，肺经热盛’。”
医生将“风热犯肺”的含义用平实语言解释，相当于把知识(K)翻译成患者易理解的信息(I)。
“受风热邪气”“引起感冒咽喉肿痛”“热邪犯肺经”“咳嗽痰黄”——这些短语把专业名词拆解成具体的因果描述，属于信息层的语义表述，使患者明白病因病机。
医生最后补充的概念“表热实证，肺经热盛”依然是中医知识(K)总结，但通过前面的解释，患者对这些知识有了感性认识。
此时医生的智慧(W)在于有效沟通：既不失专业准确性，又让患者明白病情。这是人工意识系统中知识与意图结合的体现：以治疗为目的，确保患者理解配合。
句15（患者）：“明白了，那怎么治疗呢？”
患者表示理解，接着询问治疗方案。这一问本质上在寻求医生接下来的意图(P)（治疗目标和方法）。也是患者提供反馈，推动对话进入处置阶段。
句16（医生处方建议）：“治疗上我们疏风清热，宣肺止咳。我先开一个方子叫桑菊饮，主要有桑叶、菊花、薄荷、连翘等药 (桑菊饮 - 中药方剂 - 中医世家) (桑菊饮 - 中药方剂 - 中医世家)。这些中药能清肺热、缓解咳嗽和咽痛。”
前半句“疏风清热，宣肺止咳”是医生提出的治法，属于**智慧(W)**层的内容。治法是基于诊断知识确定的总体策略，是从知识向实践转化的关键一步 (桑菊饮 - 中药方剂 - 中医世家)。这里的四字短语凝练了治疗意图(P)——既要疏散外风、清泄肺热，又要宣畅肺气、止咳。
“方子叫桑菊饮，主要有桑叶、菊花…”——这是具体的处方方案，涉及到药物组成。列举桑叶、菊花等药物名，是在向患者交代**数据(D)**层面的信息（用到哪些药材），但对于医生而言，每味药和组合意义早已储存在知识库中。医生此处提及几味药并不是随机的数据罗列，而是有目的地让患者知晓方剂的主要成分和功效。
“这些中药能清肺热、缓解咳嗽和咽痛。”——医生将方剂功效解释出来，这是知识(K)（方剂功效机理）的通俗表述，也是对处方意图的强调：清除肺热（对应病因）以缓解咳嗽咽痛（对应症状）。
这一整句综合体现了多个层次：治法（智慧W）指导下选方（知识K），方名和药物（数据D）传达给患者，加上功效说明（信息I），最终落实医生治病的意图(P)。对于AI系统而言，这一步是将内部决策转化为外部语言行动，达成治疗环节的语义闭环。
句17（患者）：“好，谢谢医生！”
患者接受处方建议，表示感谢并结束第一次就诊。这是对医生意图的正向反馈，意味着对话在此阶段达成了一致的目标。
以上逐句分析展示了在初诊对话中，不同语义元素如何归属到DIKWP各层，并随着对话推进由低层向高层转化，再由高层指导新的低层信息收集和输出的过程。可以看到，在问诊早期，患者语句主要提供疾病数据(D)，医生则据此提出假说并不断寻求补充信息，体现出意图(P)驱动下对数据的主动获取。当足够信息汇集后，医生运用中医知识(K)进行辨证归类，上升到智慧(W)层制定治法和方剂方案，最后通过语言将决策付诸实施，实现目的(P)。整个过程中，医生（人工智能）的认知活动表现出主观同-异-完机制：一方面，在海量症状数据中寻找共同点将之归纳成特定证候（寻“同”）；另一方面，注意到特殊症状如脓点等差异（观“异”）以判断病情轻重；同时，通过舌脉检查确保信息完整无遗漏（求“完”），从而保证诊断准确、治疗得当。这正是DIKWP人工意识模型处理“不一致、不完整”等问题的方法论体现 (计算机科学与技术学院DIKWP-AC人工意识团队的论文获CCF2023中国数字服务大会“最佳海报奖”-计算机科学与技术学院)——既要同一整合，又要关注差异，并追求完备闭环。
**复诊随访对话：**患者按照医嘱服用桑菊饮三剂后一周，再次来到门诊复查，对话如下：
**医生：**上次的药吃了几副？症状有什么变化吗？
**患者：**一共吃了三副中药。刚开始前两天效果挺好的，嗓子不怎么疼了，烧也退了，就是还有点咳嗽有痰。可是后来这两天咳嗽又加重了，痰也变多了。
**医生：**哦，咳嗽加重，痰量多，是痰还很黄吗？还有发烧吗？
**患者：**痰还是黄的，黏黏的。这两天又有点低烧。人感觉没什么力气。
医生：（复测体温）有点低热，舌苔黄腻，脉滑数。听诊肺部痰鸣音重。嗯，你这是病邪往里传了，化热化燥，伤了肺络。
**患者：**医生，怎么又严重了呀？
医生：可能一开始外感风热没有完全清理干净，邪气进一步侵犯到了肺的更深层。简单说，就是现在肺里面有热有痰，所以咳嗽反而加重了。中医把这种情况叫肺热壅盛，有点类似西医说的支气管炎。
**患者：**那要换药吗？
医生：嗯，需要根据现在的情况调整方子。同样是咳嗽，这次我们采用清肺泻热，化痰止咳的治法。给你换一个方剂，叫麻杏石甘汤，用麻黄、石膏、杏仁、甘草这四味药为主 (麻黄杏仁甘草石膏汤 - 中药方剂 - 中医世家) (麻黄杏仁甘草石膏汤 - 中药方剂 - 中医世家)。这个方子专门清解肺里的热邪，化痰平喘，你这种咳嗽用了会更对症 (麻黄杏仁甘草石膏汤 - 中药方剂 - 中医世家) (麻黄杏仁甘草石膏汤 - 中药方剂 - 中医世家)。我再加点川贝母、瓜蒌之类的药增强化痰作用。先吃五副看看效果。
**患者：**好的，谢谢医生。
在随访对话中，医生根据患者反馈重新评估病情并调整了治疗方案。下面对关键语句作简要语义标注和分析：
**句18（医生）：医生询问用药情况和病情变化，意图(P)在于获取随访数据(D)**以评估疗效。
句19（患者）：患者详细描述了服药后的症状演变：初期好转（咽痛缓解、退烧）但后来咳嗽加重、痰增多。这提供了宝贵的信息(I)：说明先前治法疏风清热有效地缓解了表证症状，但肺内残留的热痰问题仍在，甚至深化。这提示病机可能由表及里。患者还主动提到**“人没力气”**，这是新出现的症状数据(D)，暗示正气受损一些或热扰气阴。
句20（医生）：医生针对咳嗽恶化追问痰色和有无发烧，再次以问题获取数据(D)。隐含的知识：痰色不变仍黄则内热未清，出现低烧则病邪未尽或二次感染。医生的问话表明他怀疑肺里郁热未除（知识K），意图通过患者回答验证之。
句21（患者）：患者确认痰仍黄且黏，近两日低烧，无力感增加。这组数据进一步明确了内热未清，肺气不宣的信息(I)。尤其“舌苔黄腻，脉滑数”在句22医生检查得知，和黄痰一起构成痰热内蕴的典型证据 (麻黄杏仁甘草石膏汤 - 中药方剂 - 中医世家)。
**句22（医生）：医生通过望诊闻诊（体温）、舌脉检查获取新数据，综合判断：“病邪入里，化热化燥，伤了肺络”。这句是医生的知识(K)**表述，相当于诊断病机：风热传里化热伤肺。这里提到“肺络”暗示病及肺之络脉，可能有咯血隐患。这是医生高层次的辨析，患者未必能懂。
**句23（患者）：**表达对病情加重的不解，推动医生进一步解释（希望了解知识K层内容转化的信息I）。
句24（医生解释）：医生将专业判断翻译：“外感风热未清→邪入肺里，肺有热痰→咳嗽加重”，并给出中医名词“肺热壅盛”以及对应西医名词“支气管炎”帮助理解。这段解释一方面使用了更深入的知识(K)概念“肺热壅盛”，另一方面通过比喻类比提供患者熟悉的信息(I)（类比支气管炎）。这体现了医生在知识和信息层之间的转换技巧。患者由此明白病情性质：虽然表面仍是咳嗽，但内里病机已变化，需要不同对策。
**句25（患者）：询问是否需要换药，表现出对治疗意图(P)**变化的关注。因为患者已认识到现在的病机不同于初诊，所以主动提及换药。
句26（医生新方案）：医生肯定需要调整，并指出“同样是咳嗽，这次治法改为清肺泻热，化痰止咳”。对比前次治法疏风清热、宣肺止咳，显然治疗意图(P)有所不同：上次侧重疏散表邪，这次侧重清泄里热、化痰为主。紧接着医生开出麻杏石甘汤处方，并解释药物组成与功效。 (麻黄杏仁甘草石膏汤 - 中药方剂 - 中医世家) (麻黄杏仁甘草石膏汤 - 中药方剂 - 中医世家)这里涉及大量语义层次：
提出新治法“清肺泻热，化痰止咳”——**智慧(W)**层决策，针对肺热壅盛之证设计的策略，与前次不同（体现同病异治思想）。
处方名及组成（麻黄、石膏、杏仁、甘草）——医生明示几味君药，为患者提供用药透明度的信息(I)。每味药本身是具体数据(D)，但医生不会逐一详述药理，只点出主要成分以便患者了解方剂走向。 (麻黄杏仁甘草石膏汤 - 中药方剂 - 中医世家)
“专门清解肺里热邪，化痰平喘”——用浅白话总结方剂功效，对应中医知识中麻杏石甘汤的作用 (麻黄杏仁甘草石膏汤 - 中药方剂 - 中医世家) (麻黄杏仁甘草石膏汤 - 中药方剂 - 中医世家)。这是将**知识(K)**内容转化为患者可理解的信息，强调此次方剂更对症内邪。
“加川贝母、瓜蒌增强化痰”——体现医生根据患者新症状（痰多）进行处方加减的智慧(W)，这些调整源自经验知识并针对性强化了治疗意图（化痰）。方剂加减属于临床智慧层面的灵活应变。
可以说，此句完整体现了从智慧W（新治法制定）→知识K（选方依据及药理）→信息I（告知方名和主要药物，功效说明）→数据D（具体药物名列举）→最终落实意图P（清除肺热痰邪以止咳）的层层映射。AI助手在此阶段输出的语言不仅在告知患者方案，更是在实施其治疗意图。
随访过程中，我们看到AI中医助手根据反馈不断调整认知和决策，实现了语义闭环：患者服药后的症状反馈（数据）经AI分析，发现初诊方案只解决了表证，肺内留邪未尽（知识更新），于是AI产生新意图（清肺化痰）并执行新的处方方案。这个闭环过程体现了异病同治与同病异治相结合：患者从“感冒”转为“支气管炎”（疾病名变化），但中医诊断从风热表证转为肺热里证，治疗上从桑菊饮改为麻杏石甘汤——同一患者病程中因证候不同而异法（同病异治）；而不管西医叫感冒还是支气管炎，只要证属肺热壅盛，中医皆可用麻杏石甘汤治疗——体现了异病同治的原则 (中医基础知识点：同病异治和异病同治的区别是什么？)。这套思维模式通过DIKWP模型得以语义化：AI对不同疾病名背后的证候求同，对同一疾病不同时期的证候差异辨异，并在治疗方案上保持动态优化使疗效达至完满。
辨证分析与治法建模
上述模拟案例涵盖了从外感风热表证发展为里热咳喘实证的全过程。依据传统中医理论，可对关键环节的辨证论治进行抽象建模，并映射到DIKWP语义层次。下面结合八纲辨证和脏腑经络理论，对本案的辨证要点和治法方剂进行分析。
（一）初诊辨证：风热犯肺表证初诊时，患者症见咳嗽、咽痛、发热、微恶寒、汗少，舌苔薄白微黄，脉浮数。八纲归类为：病位在表（外感表证），邪气属热（发热、舌薄黄、脉数），正气未虚（咳嗽有力，病程短属实证），总体属阳证 (中医辩证方法 八纲辩证-医联)。“风热犯肺”是对此证候的概括，其病机特点可以表述为：风热之邪侵袭肺卫，肺失清肃，宣发不利。主要涉及的脏腑经络为肺及肺系（咽喉）。症状中的咳嗽、黄痰、咽喉肿痛直指肺系有热；兼有恶寒发热则提示病邪在卫表阶段（尚未完全入里） (桑菊饮 - 中药方剂 - 中医世家)。这与中医温病学“卫分风热证”相符 (桑菊饮 - 中药方剂 - 中医世家)。因此辨证结论为：风热袭表，肺卫同病，证属表热实证。辨证过程相当于将患者数据（具体症状和舌脉）提炼成信息（风热在肺的证候特征），再上升为中医知识范畴的证名（风热犯肺）。这个证名本身蕴含了对因（风热邪气）、部位（肺）、病性（热实）、病机（肺失宣肃）的高度概括 (桑菊饮 - 中药方剂 - 中医世家)。
在DIKWP模型中，这一步属于从信息层到知识层的跃迁：医生将零散症状信息整合为一个有意义的知识单元——病证。人工智能要实现这一点，需要庞大的中医知识图谱做支撑，包括症状与证型的关联规则等。当AI识别出“风热犯肺”这一知识标签后，下一步就是据此调用相应的治疗知识。
（二）治法与方剂：桑菊饮处方及语义拆解辨证确定为风热犯肺后，治疗当疏风清热，宣肺止咳 (桑菊饮 - 中药方剂 - 中医世家)。这一治法反映了医生的智慧决策：疏风以散表邪，清热以除肺中之热，佐以宣肺止咳缓解症状。具体实施上，选用了经典方剂桑菊饮。桑菊饮出自清·《温病条辨》，正是治疗风温初起、肺卫热盛咳嗽的基础方 (桑菊饮 - 中药方剂 - 中医世家) (桑菊饮 - 中药方剂 - 中医世家)。其组成和结构在语义上可映射到DIKWP的不同层次：
数据层(D)：方剂的基本构成单元是药味。桑菊饮由桑叶、菊花、薄荷、杏仁、桔梗、连翘、芦根、甘草组成 (桑菊饮 - 中药方剂 - 中医世家)。每一味药材名称本身是最基本的处方数据。例如“桑叶7.5克，菊花3克”等剂量组成 (桑菊饮 - 中药方剂 - 中医世家)。这些原始数据对于患者或计算机来说只是离散的对象，但对中医师意味着丰富内涵。
信息层(I)：药物之间的搭配形成药对和组合，产生协同功效的信息。桑菊饮中，桑叶与菊花同用，皆性味辛凉，轻清宣散，为主药，相须发挥疏散风热、清宣肺气之功 (桑菊饮 - 中药方剂 - 中医世家)。这是药对组合的典型信息；再如杏仁配桔梗，一降一宣，协同宣降肺气、祛痰止咳 (桑菊饮 - 中药方剂 - 中医世家)。连翘、薄荷、芦根、甘草等配伍，分别侧重清热解毒、疏散风热、生津止渴、调和诸药 (桑菊饮 - 中药方剂 - 中医世家)。这些药物组合所对应的功能，是方剂层面的关键信息。例如“桑菊”为君、“杏桔”为臣的配伍关系，以及连翘芦根为佐、甘草为使的组合 (桑菊饮 - 中药方剂 - 中医世家) (桑菊饮 - 中药方剂 - 中医世家)。在语义上，这些组合信息连接了药物数据与治则知识之间的桥梁：告诉我们哪些药一起用体现了什么治疗用意。
知识层(K)：方剂对应的证候和机理知识。桑菊饮之所以选用这些药物，是有深厚知识依据的。从知识角度分析：本方所治证为风温初起，肺失清肃 (桑菊饮 - 中药方剂 - 中医世家)。桑叶、菊花疏散肺经风热；薄荷辅之以增强疏风清热、利咽头；杏仁苦降宣肺，桔梗辛散开提肺气，合用宣降肺气以止咳 (桑菊饮 - 中药方剂 - 中医世家)；连翘清热解毒，防止邪毒内陷；芦根甘寒清热生津，缓解咽痛口渴 (桑菊饮 - 中药方剂 - 中医世家)；甘草调和诸药并利咽 (桑菊饮 - 中药方剂 - 中医世家)。这样的方解体现了中医知识：每味药的作用以及协同后如何对应病机。例如“风热客肺，肺失清肃，治宜疏风清热、宣肺止咳” (桑菊饮 - 中药方剂 - 中医世家)正是方剂知识的高度总结。AI需要掌握这种药物-病机对应知识才能理解处方的合理性。对桑菊饮来说，知识层的内容还包括其现代应用和药理研究：诸如有解热、抗炎、抗菌作用，被广泛用于上呼吸道感染等 (桑菊饮 - 中药方剂 - 中医世家)。这些都是知识网络的一部分。
智慧层(W)：方剂的加减运用和变通属智慧范畴。临床医师不会拘泥于既定方剂，而会根据具体情况增删药物。桑菊饮原书中就提示：“二三日不解，气粗似喘，燥在气分者，加石膏、知母…肺热甚者加黄芩…”等加减法 (桑菊饮 - 中药方剂 - 中医世家)。这体现了临证智慧：根据病情动态调整处方以确保疗效。对于AI，这意味着要具有根据新的数据调整已有方案的能力（正如随访时加减或换方）。智慧层还体现为对异常情况的处理经验，如本方所治病在卫气分，如邪传营血需去薄荷芦根加玄参等 (桑菊饮 - 中药方剂 - 中医世家)。这些都属于高级策略，不是固定知识，可以看作医者智慧的结晶。
意图层(P)：处方立方的目的。对于桑菊饮而言，治疗意图非常明确：在不伤正的前提下轻清宣透风热，止咳化痰，使风热表邪从肺卫解除。其目标是让患者咳嗽减轻、热退、咽痛缓解，即恢复肺的宣肃功能和卫表的和调。这个意图反映了医者对治愈的追求和对患者康复的终极目标。意图也是沟通处方各要素的灵魂：所有药物的选择和配伍，都是服务于“疏风清热、宣肺止咳”这一核心目标 (桑菊饮 - 中药方剂 - 中医世家) (桑菊饮 - 中药方剂 - 中医世家)。当AI在知识层选定方剂后，也需要明确这张方剂要达到的疗效目的，从而在用药过程中监测疗效是否达标，并为随访调整做准备。
综合而言，桑菊饮处方在DIKWP模型中形成了一个有机的语义单元：从数据（药物）到信息（配伍）再到知识（病机对应）和智慧（临机加减），最终为实现特定意图服务。我们可以设想将这些关系构建为语义网络，AI即可通过图谱推理明白：给定“风热犯肺”证，应以“疏风清热，宣肺止咳”为意图，调用“桑菊饮”知识单元，取其药物清单作为数据输出药方。同时，AI还会依据患者具体情况，对药物数据做智慧调整，例如本案咽痛较重加射干、牛蒡子等利咽之品，诸如此类。这一系列动作背后，有着严密的语义逻辑和知识支撑。
（三）复诊辨证：肺热壅盛里证患者二诊时症情改变，表现为咳嗽加重、痰多色黄、复发低热、乏力，舌苔黄腻，脉滑数。八纲分析为：病位转里（邪入肺里），邪气属热且挟痰（苔黄腻、脉滑数、黄痰），正气出现一定虚象（乏力，正气被耗但未及虚证），总体仍偏实热。证候可判为肺热壅盛（亦可称为痰热郁肺）。这是由风热犯肺迁延不解，邪陷于里化火生痰所致 (麻黄杏仁甘草石膏汤 - 中药方剂 - 中医世家)。中医学将此类病位较深、症状较剧烈的咳喘称为肺热壅盛证，常见于支气管炎、肺炎等相当的西医疾病 (麻黄杏仁甘草石膏汤 - 中药方剂 - 中医世家) (麻黄杏仁甘草石膏汤 - 中药方剂 - 中医世家)。其病机特点：肺中积热，灼津为痰，痰热壅阻肺窍，肺气上逆。症见高热或午后潮热、咳嗽气急、痰多黏稠或黄稠、喘憋、口渴喜冷饮，舌红苔黄腻，脉滑数 (麻黄杏仁甘草石膏汤 - 中药方剂 - 中医世家) (Ma Xing Shi Gan Tang - 麻杏石甘湯 - Ephedra, Apricot Kernel, Gypsum and Licorice Decoction - Ma Huang and Apricot Seed Combination - Chinese Herbs - American Dragon - Dr Joel Penner OMD, LAc)（本患者属轻中度，只有低热和痰多咳重）。这一证属里热实证，脏腑为肺，兼有痰饮病理产物。相比初诊的表证，此时病邪深入，需要从体内清泄。
对于AI而言，从初诊到复诊，相当于知识图谱中证候节点从“风热犯肺”切换到了“肺热壅盛”。这种证候转换，AI可以通过新输入的数据与原有模式的不匹配来检测：例如出现舌苔黄腻、脉滑数，这是初诊无的新情况，表明病机变化。于是AI在知识库中寻找与这些新信息匹配更好的证候分类，“肺热壅盛”呼之欲出。这一判断其实就是利用同病异治规则：同样是咳嗽病，但现在症候不同，要重新辨证。人类医师依据经验完成这个过程，而AI可通过计算症状-证候匹配度完成。当AI确认目前证型为肺热壅盛，就会着手新的治疗策略。
（四）新治法与方剂：麻杏石甘汤加减针对肺热壅盛证，治疗原则转为清肺泻热，化痰止咳。这是中医治实热咳喘的一般法则，与初诊治法有明显区别：初诊侧重“疏风”以解表，复诊侧重“泻热”以清里；初诊不需大量化痰（因痰不多），复诊必须重用化痰（因痰多阻肺）。治法的转变体现了辨证施治的精髓，也是DIKWP框架中**意图(P)**的调整：第一次的意图是“清上焦风热”，第二次意图变为“清肺泄热、祛痰镇咳”。
具体方剂选择上，经典麻杏石甘汤最契合同类证候。此方出自东汉《伤寒论》，由麻黄、杏仁、石膏、炙甘草组成 (麻黄杏仁甘草石膏汤 - 中药方剂 - 中医世家)。原治太阳表证误治后转为肺热喘咳，但后世发现其对一切肺热咳喘症都有效，临床常用于肺炎、支气管炎、哮喘等属邪热闭肺者 (麻黄杏仁甘草石膏汤 - 中药方剂 - 中医世家) (麻黄杏仁甘草石膏汤 - 中药方剂 - 中医世家)。在本案中，患者咳喘属肺热壅盛之证，与麻杏石甘汤主治相符 (麻黄杏仁甘草石膏汤 - 中药方剂 - 中医世家)。我们再从DIKWP角度解析此方：
数据(D)：麻黄9g、杏仁9g、石膏18g、炙甘草6g (麻黄杏仁甘草石膏汤 - 中药方剂 - 中医世家)是基本处方数据。四味药组成精炼，没有繁杂配伍。单味看：
麻黄：辛温，发汗宣肺，平喘，为君药 (麻黄杏仁甘草石膏汤 - 中药方剂 - 中医世家)（虽病属热但仍需麻黄宣肺以平喘）。
石膏：辛甘大寒，清泄肺胃大热，为臣药 (麻黄杏仁甘草石膏汤 - 中药方剂 - 中医世家)（重用石膏以清肺中实热）。
杏仁：苦温，降肺气止咳，为佐药 (麻黄杏仁甘草石膏汤 - 中药方剂 - 中医世家)。
炙甘草：甘温，调和诸药兼润肺止咳，为使药 (麻黄杏仁甘草石膏汤 - 中药方剂 - 中医世家)。每味药的性味归经和作用是中医药物知识，这里列出则属于知识解释；但作为处方组成列表，它首先是数据层面的呈现。
信息(I)：药物配伍所形成的功能信息。方中麻黄+石膏是一对经典配伍，一温一寒，一宣一清，使内热得清而喘咳得平，非常契合肺热闭肺之机 (Ma Xing Shi Gan Tang - 麻杏石甘湯 - Ephedra, Apricot Kernel, Gypsum and Licorice Decoction - Ma Huang and Apricot Seed Combination - Chinese Herbs - American Dragon - Dr Joel Penner OMD, LAc)。杏仁辅麻黄以增强宣泄肺气的作用；甘草配麻黄缓其峻烈，又与石膏、杏仁合用润肺化痰 (Ma Xing Shi Gan Tang - 麻杏石甘湯 - Ephedra, Apricot Kernel, Gypsum and Licorice Decoction - Ma Huang and Apricot Seed Combination - Chinese Herbs - American Dragon - Dr Joel Penner OMD, LAc) (麻黄杏仁甘草石膏汤 - 中药方剂 - 中医世家)。这些组合在药理上也体现为协同：麻黄碱与石膏中的硫酸钙等配合，有解热平喘作用；苦杏仁含苦杏仁苷，可止咳平喘，并与麻黄协同扩张气道 (Ma Xing Shi Gan Tang - 麻杏石甘湯 - Ephedra, Apricot Kernel, Gypsum and Licorice Decoction - Ma Huang and Apricot Seed Combination - Chinese Herbs - American Dragon - Dr Joel Penner OMD, LAc)。因此，麻杏石甘汤虽然药味精简，但结构严谨，形成了“麻黄-石膏”与“杏仁-甘草”两个互补协同单元，共同达到清热平喘之效 (麻黄杏仁甘草石膏汤 - 中药方剂 - 中医世家)。对AI来说，这些是处方的功能性信息，如果构建了药对到功效的映射，AI便能理解为何要这四味同用。
知识(K)：方剂适应的病机和证候知识。麻杏石甘汤所治病机为“邪热壅肺，肺失宣降”，证属肺热喘咳 (麻黄杏仁甘草石膏汤 - 中药方剂 - 中医世家)。临床表现为身热不解，咳逆气急，鼻煽，口渴，苔黄，脉滑数等 (麻黄杏仁甘草石膏汤 - 中药方剂 - 中医世家) (麻黄杏仁甘草石膏汤 - 中药方剂 - 中医世家)。本案患者虽无高热气喘，但咳黄痰、舌苔黄腻、脉滑数已属其范围。对于这一证候，四味药配合的作用在于：麻黄宣通肺气以散壅滞，石膏大清肺热以治其本，杏仁降气化痰，甘草缓急兼清热 (麻黄杏仁甘草石膏汤 - 中药方剂 - 中医世家)。合参现代医学，麻杏石甘汤有抗炎、解热、镇咳、祛痰、平喘等作用，可以显著改善支气管炎患者的症状 (麻黄杏仁甘草石膏汤 - 中药方剂 - 中医世家)。这些都属于知识层面的内容。AI如果存有该方剂知识节点，输入“肺热壅盛”证即可关联到“麻杏石甘汤”作为备选方案。知识层还包括本方证与其他类似方的比较，如与麻黄汤、越婢加半夏汤等的鉴别等，但此属于更细化的知识，不展开。
智慧(W)：方剂的临床变通应用。麻杏石甘汤也需根据情况加减运用。 (加减麻杏石甘汤- 中药方剂 - 中医世家)现代临床常加入清肺化痰药以增强疗效，如本案医生加入川贝母、瓜蒌，即所谓“麻杏石甘汤加味” (加减麻杏石甘汤- 中药方剂 - 中医世家)。这是针对“痰多”这个新情况的变通。又如若患者夹湿（痰黄黏稠难咯、苔黄腻重），可加厚朴、苏子以化痰降气；若气喘甚，可合用葶苈大枣泻肺汤；若阴伤口渴明显，可加沙参、天花粉养阴生津等。这些加减经验都是智慧层面的知识运用，非方剂本身固有，但优秀AI医生需具备此类能力，以实现真正的个性化治疗。智慧层还体现为对疗程和剂量的掌控，如本案医生决定先服五副再观，此是基于经验的决策，也属智慧范畴。
意图(P)：使用麻杏石甘汤的治疗目标。正如医生所言，意在“清解肺里热邪，化痰平喘”，让患者咳嗽减轻、痰液排出、肺功能恢复 (麻黄杏仁甘草石膏汤 - 中药方剂 - 中医世家) (麻黄杏仁甘草石膏汤 - 中药方剂 - 中医世家)。这一意图与初诊用桑菊饮的意图不同，针对的是更深层的病机。目的明确后，一切处方组成和加减都围绕这一目的展开。对于AI来说，意图层明确则评价指标明确：例如期待患者烧退咳减，痰液性状转为清稀，精神体力改善等。如果达不到，则表明还需继续在智慧层调整方案。
通过上述辨证和处方案例分析，可以看到中医辨证论治过程在DIKWP模型中形成了清晰的映射：辨证阶段属于将感知数据综合成诊断知识的过程，治疗阶段是将知识付诸实践（智慧和操作）以实现治疗意图，而方剂本身又可以拆解成从数据到知识的多个层级。这样的分层建模有助于人工智能对中医诊疗进行可解释的模拟。例如，当AI选择了桑菊饮或麻杏石甘汤时，我们可以追踪其每味药的作用、组合意义以及对应的病机知识，验证AI的决策合理性。这对于中医AI的研究尤为重要，因为中医决策过程本身就是多层次、多角度的，不是一套固定的规则能涵盖的。DIKWP模型的引入，使得这些层次分明地表述和运转，为实现中医诊疗的智能化、透明化提供了可能。
人工意识系统推演与对话模拟
借助上述语料与辨证分析，我们进一步抽象出中医AI助手在诊疗全过程中的推理与决策机制。从人工意识角度，可将其划分为“潜意识语言处理”和“意识语义决策”两个层面协同工作：前者由预训练大模型（LLM）承担，对患者自然语言进行理解并生成恰当回应；后者由DIKWP模型驱动，负责语义信息的抽取、推理和高层规划 (计算机科学与技术学院DIKWP-AC人工意识团队的论文获CCF2023中国数字服务大会“最佳海报奖”-计算机科学与技术学院)。下面结合案例，对AI内部的DIKWP语义流转进行一步步的剖析。
感知和数据获取（D）： 患者最初的诉说通过听觉/文字输入进入AI系统，相当于人类大脑通过感官接收数据。LLM对句子进行分词、句法和语义初步解析，将“咳嗽三天”“嗓子疼”“发烧”等标记为症状、时长等类别。此时这些仍属于数据层(D)的语义单元。AI在这一阶段并不急于定性判断，而是尽可能全面地获取原始数据。在案例中，AI收集到的初始数据包括主诉里的症状及随后问诊中补充的症状（有痰、痰黄黏稠、微恶寒、汗少等）以及查体数据（舌苔、脉象）。在人工意识模型中，这一步相当关键：如果数据获取不充分或有误，后续决策将偏离。为此，AI的意图(P)会推动其向患者发问，以弥补数据缺口。例如AI识别到咳嗽症状缺少痰的描述，就会产生询问痰的有无和性状的意图，于是由LLM生成相应问题句（如“咳嗽有痰吗？”）。这体现了Purpose→Data的反馈：高层意图引导低层数据采集 ((PDF) 基于网状DIKWP 模型的人类社会经济活动演化趋势)。整个问诊过程中，这种根据需要反复询问的行为，体现了网状DIKWP模型的数据<->意图动态交互机制 ((PDF) 基于网状DIKWP 模型的人类社会经济活动演化趋势)。当患者回答新的数据，AI再将其纳入感知集合，不断丰富对当前病情的客观描述。
信息转换与理解（I）： 随着数据输入的增多，AI开始进行信息层的构建。这一步类似于人类大脑对感知数据进行理解和整理 (段玉聪|DIKWP人工意识（原理篇） – DAMA China Limited)。AI通过规则或深度学习模型，将相关的数据点聚合成有意义的信息。例如，将“三天咳嗽、咽喉疼痛、发热”综合为“外感热邪表证”的初步线索，将“痰黄黏稠、舌苔黄、脉数”归纳为“内有热、痰热征象”的线索。可以认为，AI在内部形成了若干症状群组和属性：一组对应表证（有恶寒发热等），一组对应热象（黄痰、黄苔、发热），一组对应咽喉受侵（咽痛、扁桃体脓点）等等。每一组就是一定的信息块(I)。此外，AI借助中医知识库中的语义关联，可能进一步推测一些隐含信息：例如根据“咽痛”推测可能有扁桃体肿大，根据“风热表证”联想到最近是否有风热疫毒盛行等。这些属于信息层的扩展，不一定在当前对话中出现，但AI可以在背景处理中考虑。主观同异机制在此阶段发挥作用：AI一方面将相似或相关的数据归并（同），另一方面辨析出互相矛盾或不符常理的数据（异）。比如如果患者同时说怕冷又说舌苔黄厚，AI会检测出寒热症状不一致（矛盾信息），可能需要澄清。这种不一致信息，人工意识系统可以通过再次提问或检查来解决，从而保证信息的一致完备 (计算机科学与技术学院DIKWP-AC人工意识团队的论文获CCF2023中国数字服务大会“最佳海报奖”-计算机科学与技术学院)。本案中患者症状较一致，未出现冲突信息，AI顺利完成了信息层对症状的结构化表示。
知识匹配与辨证推理（K）： 有了结构化的信息，AI进入知识层推理，即辨证阶段 (段玉聪|DIKWP人工意识（原理篇） – DAMA China Limited)。AI调用中医知识图谱，尝试将收集到的信息模式与某一疾病证候范畴匹配。这类似于分类问题，但比简单分类复杂，因为一个患者可能对应多个重叠的证候，要靠推理判断主次。AI可能采用启发式规则或概率图模型来推断。本案中，通过知识库，AI会知道：
咳嗽、咽痛属肺经症状；
恶寒发热同时存在，多为表证；
发热重于恶寒，舌脉表现热象，属于风热表证；
扁桃体有脓点提示热毒，但整体症状仍可用风热犯肺解释。 将这些知识点综合，AI得出“风热犯肺”（或类似概念，如“肺卫热盛”）的结论。这个过程可视为一个模式识别：AI在人类专家知识的向导下，将信息映射到最符合的证名上 (桑菊饮 - 中药方剂 - 中医世家)。如果采用机器学习技术，可能是将症状向量输入训练好的辨证模型输出一个证候标签以及置信度。如果置信度不高，AI可能列出几个可能证型，如“风热犯肺”或“风温犯肺营”（若咽喉症状更严重则需考虑入营），然后通过询问/检查附加症状来区分。这种做法与医师思路一致，也是主观异（差异）机制的体现：对尚不确定的地方，承认差异并进一步求证。最后，当AI确定证型后，会进入知识库检索相应治疗方案，包括可选方剂、经方、药物库等。这相当于在知识图谱上以“证候”为节点，找到连接的“治法”和“方剂”节点。以“风热犯肺”节点为例，其关联可能有：“治法-辛凉解表，清肺止咳”，“经方-桑菊饮、银翘散”等。AI综合现有信息或遵循医师经验，选择其中一个方案（本案选择桑菊饮)。至此，AI的知识层完成了从证候到治疗方案的推理。这部分是人工智能中最具中医特色和难度的部分，也是DIKWP模型发挥作用的核心环节 (计算机科学与技术学院DIKWP-AC人工意识团队的论文获CCF2023中国数字服务大会“最佳海报奖”-计算机科学与技术学院)。通过DIKWP的脑区映射理论，数据、信息、知识、智慧、意图各概念在认知过程中的地位作用都被明确划分 (计算机科学与技术学院DIKWP-AC人工意识团队的论文获CCF2023中国数字服务大会“最佳海报奖”-计算机科学与技术学院)，AI可以据此设计层层递进的推理算法，实现类似人的辨证思维。
决策制定与智慧执行（W）： 一旦知识层输出了候选的治法和方剂，AI进入智慧层进行决策执行。这一步包括处方细节拟定和与患者互动两个方面：
处方细节： AI需根据患者具体情况，对选定方剂进行适当调整（加减化裁），并确定剂量和疗程。这要求运用经验知识+创造性，正是智慧的体现。比如本案初诊患者咽痛明显，可以考虑在桑菊饮基础上加射干、山豆根等清咽利喉药；但患者情况尚可，不必加大量苦寒，以免伤正。这种权衡和创新是AI难点。可以为AI准备一些规则，如根据症状严重程度增减药物，或者通过强化学习从大量案例中学习加减模式。DIKWP模型提供了框架，使AI在语义上明确这样做的根据：因为意图是清热利咽，所以增加某药来更好完成意图（这是智慧对意图的服务）。智慧层还涉及确定剂量、服法等实际操作信息，这需要结合药理知识和患者体质评估，这里简化处理。
交流与解释： AI决定方案后，通过LLM将方案告知患者，并给予解释。这一步非常关键，因为医患沟通影响患者依从性。AI在句16和句26中分别向患者解释了桑菊饮和麻杏石甘汤及其功效，语言上做到专业而易懂。这体现了AI在输出语言时进行语义调整：内部可能只是一个处方列表（数据D）加上几个关键词（知识K，如清热止咳），但AI通过学习大量医患对话语料，掌握了如何用患者熟悉的语言描述方案的信息(I)，并辅以必要的解释。比如不会直接说“麻杏石甘汤治肺热壅盛”，而会说“这个方子专门清肺热、化痰止咳，对您的症状很对症”。这种话术是在智慧层指导下，由语言模型具体生成的。可以认为智慧层决定说什么，而潜意识LLM决定怎么说，共同构成了AI医生的言语行为。
此外，智慧层还包括对患者情绪和期望的感知并做出适当回应。例如患者关心自己怎么更严重了，AI耐心解释并给予安慰；患者担心是否要换药，AI肯定换方的重要性以取得理解。这些都需要情感计算和经验知识，属于智慧范畴。DIKWP模型中通常将这些视为超越纯客观知识的价值观和长期经验部分 (段玉聪|DIKWP人工意识（原理篇） – DAMA China Limited)，与意图一起决定AI的具体言行。
意图实现与语义闭环（P）： 最终，一切努力都是为了实现治疗意图。在初诊，AI的意图是帮助患者尽快解除感冒和咽喉肿痛，恢复健康。这个意图驱动了从问诊到处方的整个过程。而随访时，通过与患者交互，AI发现初始意图只部分实现（咽痛好了但咳嗽未除根），于是根据新的情况更新意图为“进一步清肺热，彻底止咳”。这个更新后的意图再次驱动新的循环，产生新的方案。直到患者痊愈，意图完全达成，整个诊疗对话才算画上句号。这样的语义闭环过程，充分体现了DIKWP模型的动态性和平衡性思想 ((PDF) 基于网状DIKWP 模型的人类社会经济活动演化趋势)：意图既引导各层信息流动，又在反馈中被校准。对AI而言，每一轮对话都是一次封闭的意图实现循环：输入患者的需求（治病）作为最高意图P，输出处方和医嘱来满足它，中间经历数据->信息->知识->智慧的一系列处理 (段玉聪|DIKWP人工意识（原理篇） – DAMA China Limited)。如果疗效不理想，那就是新一轮循环的开始，直到达到目标或目标改变。值得注意的是，在人工意识框架下，AI的最高意图应该始终与患者的健康目标对齐，并在过程中接受人类监督 (DIKWP语义模型及RDXS+PUCR+EXCR+ESCR等关键理论方法简介)。比如若AI走偏，医生可以介入纠正其意图和判断。这保证了AI系统的可控性和可靠性。
综上，基于DIKWP人工意识模型的中医诊疗AI，可以模拟人类中医师的思维流程，与患者进行多轮问答对话，完成从症状感知到辨证论治的全过程。其关键优势在于可解释性：每一句对话、每一个决策，都对应于DIKWP某层的语义活动，我们可以追溯AI为何这么问、为何这么治，正如上文通过语义分层所分析的。这种可解释机制源于DIKWP模型对认知过程的清晰刻画 (计算机科学与技术学院DIKWP-AC人工意识团队的论文获CCF2023中国数字服务大会“最佳海报奖”-计算机科学与技术学院)。相比传统端到端的黑箱AI，这种具有“意识”的系统更容易获得医患信任，也更容易调试优化。当AI的推理偏离中医理论时，我们能迅速定位到是哪一层出了问题（数据误读？知识库误判？意图不当？），从而有针对性地修正。这为实现安全有效的中医AI打下基础。
语义网络图与图表分析
为更直观地展示中医诊疗中同病异治与异病同治的语义关系，我们构建了一张语义网络图（见下图）。图中左侧展示了“同病异治”：以“Common Cold（感冒）”为疾病节点，依据辨证可分为“Wind-Cold Pattern（风寒表证）”和“Wind-Heat Pattern（风热表证）”两个证候节点，不同证候分别连接到不同的治疗方案节点——风寒表证宜用“Ma Huang Tang（麻黄汤）”发汗解表，风热表证宜用“Sang Ju Yin（桑菊饮）”疏风清热 (中医基础知识点：同病异治和异病同治的区别是什么？)。右侧展示了“异病同治”：两个不同疾病节点“Pharyngitis（咽炎）”和“Bronchitis（支气管炎）”汇聚到相同证候节点“Lung-Heat Pattern（肺热证）”，进而指向同一方剂节点“Ma Xing Shi Gan Tang（麻杏石甘汤）”清肺泄热 (中医基础知识点：同病异治和异病同治的区别是什么？)。箭头方向表示由病名经辨证指向治法方剂。通过该语义网络可以看到，中医诊疗的核心在于证候（Pattern）这一中间层：疾病（Disease）必须经由辨证归纳为证候，才能进一步联系到具体方药（Treatment）。同一种疾病由于证候不同会有不同的治疗路径；反之不同疾病若证候相同则共享治疗路径。这恰是“辨证论治”在语义层面的反映。对于人工智能，实现这一网络的认知意味着它理解了疾病、证候、治法三者之间的关联模式，能够跳出西医病名的框架去思考，用中医证候这个桥梁将疾病与疗法相联 (中医辩证方法 八纲辩证-医联)。这张图也可视为AI中医知识图谱的一部分，其中节点和连接可进一步扩充，例如加入更多证候（风燥犯肺、肺阴不足等）以及相应方药。实际应用时，AI会在这样的网络上进行推理遍历：给定一个病（如支气管炎），它会寻找可能的证候分支（寒痰阻肺？热痰壅肺？），根据患者具体症状选择正确路径进入“肺热证”，再从该节点得出推荐方剂麻杏石甘汤。这相当于在语义网络中找到一条符合当前语境的路径。而这种路径的选择，正是有目的的语义生成过程。
(image) 图：中医“同病异治”“异病同治”语义网络示意图。左侧，感冒根据表证性质不同分别采用麻黄汤（风寒证）或桑菊饮（风热证）治疗；右侧，咽炎和支气管炎如同属肺热证，其治法同属清肺泻热，可选麻杏石甘汤。该图凸显了疾病(Disease)-证候(Pattern)-方剂(Treatment)的桥接关系，也是DIKWP模型中信息(I)-知识(K)-智慧(W)转换的体现。
通过图表分析，我们还可以将之前详述的DIKWP语义分层对照到图中节点：疾病名称和症状属于数据/信息层（患者说出的语言表现和基本信息）；证候属于知识层（中医理论对信息的框架化认识）；具体治法方剂属于智慧层（将知识付诸实践的方案）。而整张网络运转的动力在于医生/AI的意图层：辨证的意图在于识别准确的证候，治疗的意图在于对证施治、祛除病邪。这些意图驱动着从疾病节点到证候节点、再到治疗节点的导航选择。如果没有明确的意图，网络就无法收敛到正确的路径上。同样，如果缺乏对同异的辨析，可能会把某疾病错误归入他证，走错路径。幸运的是，DIKWP模型天然具有确保闭环和纠错的机制 (计算机科学与技术学院DIKWP-AC人工意识团队的论文获CCF2023中国数字服务大会“最佳海报奖”-计算机科学与技术学院)：当治疗意图未完成（如随访发现病情未愈），AI会重新检视路径，必要时更换路径，例如从桑菊饮这条路转到麻杏石甘汤这条路。这种调整对应图中从左侧路径转向右侧路径，本质上就是证候判断的改变和相应治法的改变。本研究案例中，我们让AI成功地二次调整，走对了新的路径，使患者好转。未来更复杂的场景下，AI可能需要多次在语义网络中迂回前进，但只要有DIKWP模型提供方向，其行为都是有迹可循、有章可依的。
总结
本文通过一个具体案例，全面展示了DIKWP人工意识模型在中医诊疗语义模拟中的应用潜力。我们以感冒迁延为咽炎、支气管炎的过程为背景，让人工智能模拟中医师进行辨证论治，对医患对话进行了逐句语义分层标注和深入剖析，阐明了每一句话在数据、信息、知识、智慧、意图各层所承载的功能意义。案例表明，DIKWP模型能够高度契合中医诊疗的思维模式：它以意图驱动整个问诊和治疗过程，使AI像医生一样有目的地提问检查；通过数据-信息-知识的逐级提炼，AI得以理解患者症状并准确归纳为证候；借助庞大的中医知识网络，AI可以在知识层完成辨证推理和方剂匹配；进而在智慧层进行处方优化和人性化沟通；最终通过语言与行为实现治疗目的。这一系列过程中，人工意识系统体现了良好的可解释性和灵活适应性：可解释性来自于DIKWP模型对每一步决策都有清晰的语义注解（如为何问此症、为何下此诊断、为何用此方等皆有据可循），灵活适应性则体现在面对病情变化能运用“同病异治、异病同治”等辨证法则及时调整策略，实现闭环迭代。
值得强调的是，DIKWP模型中的“主观同、异、完”机制赋予了AI一种类似名中医的辨证能力：既能举一纲而统众症（从纷杂症状中找到共同点归纲统领），又能察一隅而辨大势（通过特殊症状识别病机转变），并通过反复求证使诊断和治疗达到完善无漏 (计算机科学与技术学院DIKWP-AC人工意识团队的论文获CCF2023中国数字服务大会“最佳海报奖”-计算机科学与技术学院)。这与中医临床思维的不拘一格、动态调整高度吻合。通过语义网络图的构建，我们验证了AI有望在疾病-证候-治疗的映射关系上取得对中医逻辑的深刻理解，从而突破仅记忆方剂或病名的浅层应用，真正做到“窥其要者，一言而终”，抓住辨证要领进行推理。
本研究采用的DIKWP中医语义建模方法，为中医人工智能的发展提供了一条新思路。它能将中医的经验性知识转化为形式化的语义网络和可计算的规则，使AI系统在进行自然语言交互时具备双向可解释能力：一方面，AI可以向医生和患者解释其诊断治疗依据（如同我们让AI解释“风热犯肺”的含义一样）；另一方面，医生也可以读懂AI内部的决策路径，发现可能的错误并加以干预。这种人机融合模式正是可信医疗AI所需要的。相比之下，以往的中医AI多停留在症状到方剂的模式匹配，缺乏中间推理过程，因而在应对复杂、多变的临床情况时表现不足，难以赢得医生信任。引入人工意识理论后，中医AI有望实现从“智能”到“觉知”的跃升——不仅能“看病”，更能“悟病”，达到更高水平的自主性和可靠性。
当然，本研究仍然是初步探索。在实现一个真正临床可用的中医人工意识系统之前，还有诸多挑战。例如，中医证候要素繁多且表述灵活，如何构建完备的知识图谱？如何量化意图层的目标达成度并据此调整方案？如何将患者的情志等主观感受纳入DIKWP模型以模拟“以人为本”的人文关怀？这些都需要进一步研究和实践。此外，不同流派医家对同一病证用药思路可能不同，AI如何在统一模型下兼容多种辨治路径，也是未来值得探索的问题。然而，可以确定的是，DIKWP模型为我们提供了一个宏观框架去容纳中医的复杂性，其“网络化、层级化、主观驱动”的特性使之非常适合刻画中医诊疗过程 ((PDF) 基于网状DIKWP 模型的人类社会经济活动演化趋势)。随着知识图谱、自然语言处理、强化学习等技术的进步，我们有理由相信，一个博采众长又独具“悟性”的中医AI助手将不再遥远。它将协助医生更好地传承与发扬中医智慧，服务广大患者，并成为人工智能与传统医学融合创新的成功范例。
参考文献
李医师. 中医辨证方法 八纲辨证 (中医辩证方法 八纲辩证-医联) (中医辩证方法 八纲辩证-医联). 医联, 回答ID:30017375. (阐述八纲辨证概念和辨证过程)
医学教育网. 同病异治和异病同治的区别是什么？ (中医基础知识点：同病异治和异病同治的区别是什么？). (解释同病异治、异病同治的定义)
中医世家. 桑菊饮 (桑菊饮 - 中药方剂 - 中医世家) (桑菊饮 - 中药方剂 - 中医世家) (桑菊饮 - 中药方剂 - 中医世家). (记录桑菊饮处方组成、功用及方解)
中医世家. 麻黄杏仁甘草石膏汤（麻杏石甘汤） (麻黄杏仁甘草石膏汤 - 中药方剂 - 中医世家) (麻黄杏仁甘草石膏汤 - 中药方剂 - 中医世家) (麻黄杏仁甘草石膏汤 - 中药方剂 - 中医世家). (记录麻杏石甘汤处方组成、功用主治及方义)
Duan et al. 意图驱动的数据、信息、知识、智慧融合DIKWP生理人工意识原型 (计算机科学与技术学院DIKWP-AC人工意识团队的论文获CCF2023中国数字服务大会“最佳海报奖”-计算机科学与技术学院) (计算机科学与技术学院DIKWP-AC人工意识团队的论文获CCF2023中国数字服务大会“最佳海报奖”-计算机科学与技术学院). CCF数字服务大会 Best Poster, 2023. (介绍DIKWP模型在医患问诊交互中的应用，强调处理信息不完备、不一致等问题)
段玉聪. DIKWP人工意识（原理篇） (段玉聪|DIKWP人工意识（原理篇） – DAMA China Limited) (段玉聪|DIKWP人工意识（原理篇） – DAMA China Limited). DAMA中国, 2023年7月19日. (阐述DIKWP人工意识模型的数据-信息-知识-智慧-意图转化机制及意图驱动特点)
科学网. 网络化DIKWP模型概述 ((PDF) 基于网状DIKWP 模型的人类社会经济活动演化趋势). (说明DIKWP模型区别于层级DIKW的网络交互特性，形成封闭自洽的认知空间)
American Dragon. Ma Xing Shi Gan Tang (Ma Xing Shi Gan Tang - 麻杏石甘湯 - Ephedra, Apricot Kernel, Gypsum and Licorice Decoction - Ma Huang and Apricot Seed Combination - Chinese Herbs - American Dragon - Dr Joel Penner OMD, LAc) (Ma Xing Shi Gan Tang - 麻杏石甘湯 - Ephedra, Apricot Kernel, Gypsum and Licorice Decoction - Ma Huang and Apricot Seed Combination - Chinese Herbs - American Dragon - Dr Joel Penner OMD, LAc) (Ma Xing Shi Gan Tang - 麻杏石甘湯 - Ephedra, Apricot Kernel, Gypsum and Licorice Decoction - Ma Huang and Apricot Seed Combination - Chinese Herbs - American Dragon - Dr Joel Penner OMD, LAc). (英文资料，提供麻杏石甘汤的药理作用、配伍解读及主治症状，用于佐证方剂现代作用)
https://wap.sciencenet.cn/blog-3429562-1481214.html
上一篇：基于网状DIKWP模型的动态规划最优性原理理解歧义消解与教学重构
下一篇：DIKWP语义视角下中医诊断白话化解构与认知适配
