11 月 19 日,2026 非凡大赏·北京 AI 创造者大会现场。圆桌的主题是「专家经验:你的技能和经验,能否被调用、被复用?」凯同AI 创始人兼 CEO 马正与白双(跃向科技 Leapility 创始人)、刘遥行(ONE2X 联合创始人兼 COO)、唐斌斌(灵核数智 首席产品官)、甄子祺(光尘同行 联合创始人兼 CPO)同台。

PANEL 3 圆桌现场
PANEL 3 圆桌:白双、刘遥行、唐斌斌、马正、甄子祺

轮到他发言时,他没有讲模型规模,也没有讲榜单分数,而是先问了一个更基础的问题:大模型到底差什么?

他给出的答案有三条,而且这三条在大健康行业里会被放大。

一、记不住:对话几十轮就断片

第一条是记忆的持续性。

「你可以问一个模型今天怎么样、明天怎么样,但对话超过几十条、上百条,它就会告诉你对话中断了。」马正说,这不是某一家产品的问题,而是当前大模型技术形态的普遍状态。头部厂商近两年把长上下文当作核心能力来推,解决的正是这一层。

但健康管理对记忆的要求更高:不是记住一段对话,而是记住一个人几个月、几年,甚至十几年的状态变化。数据要能长期存储,模型不能忘,还要在这个基础上不断迭代。

「这件事在通用场景里是体验问题,在健康管理里是能力问题。」他说。

二、答不准:一个错答案可能就是违规

第二条是输出的准确性。

马正用了一个对比:在很多行业,AI 给错一个答案,用户自己能看出来,影响有限;在健康行业不行,因为「输入错的答案意味着违规甚至违法」。

他举了一个极端的例子:即便是目前最强的模型,问它 BMI 怎么算,也可能算错。原因不在知识缺失,而在生成机制本身——它是在预测下一个词,而不是在做确定性的计算。

对健康品牌和健康服务机构来说,这条线的分量很实在:一条说错的功效、一句越界的建议,代价不是差评,而是处罚。

三、说不清因果:相关不等于因果

第三条,也是他认为更值得投入的一条。

大模型的输出建立在数据相关性之上:从一个词元预测下一个词元的概率。它擅长回答「什么和什么经常一起出现」,不擅长回答「谁导致了谁」。

「到底是 A 导致 B,还是 B 导致 A,还是两者同时被第三个因素影响?」马正说,「健康行业需要的不仅是关联性模型,还需要因果模型。」他把健康因果模型称为模型端下一个值得探索的方向。

回到现场提问——「我又长痘了,怎么办」——通用模型能给出的是一份通用的护肤建议;如果系统记得这个人上次长痘的时间、当时用了什么产品、之后发生了什么,它给出的才可能是针对这个人的方案。

四、两类数据,一个闭环

要把上面三件事补齐,前提是数据。

马正把健康数据分成两类。一类是行为数据:饮食营养、睡眠、运动、情绪、用过哪些产品、可穿戴设备的记录。另一类是结果数据:每隔一段时间做的体检。

两类数据放在一起,才能回答他所说的那个循环:你现在处于什么状态,应该采取什么干预,干预之后有没有到达预期状态,没到达又该怎么推进。

「从这一个健康状态,到下一个健康状态。」他这样概括。

这也解释了为什么他强调「长期」:一次体检是一次快照,几个月的行为数据才是一条轨迹。

五、三代 AI:从知识,到数据,再到两者结合

谈到路径,马正把 AI 的演进分成三代。

第一代基于知识:把大量知识喂给模型,让它按规则告诉人下一步该怎么做。第二代基于数据:用相关性做预测。第三代,是把知识和数据结合起来。

「只有数据,它经常说错;只有知识,它又显得不够聪明。」在他看来,健康行业恰好是这两者必须同时成立的地方——知识的边界决定了什么不能说,数据的颗粒度决定了能说多准。

他也提到,团队五年前投资过国内一家头部 AI 企业,完整经历过一轮周期。这段经历让他对「这一代技术能做什么、不能做什么」有更保守的判断。

大模型在健康行业的三道坎
大模型在健康行业的三道坎
现场发言高光(71 秒):记忆、准确、因果

六、回到圆桌的主题

圆桌问的是:专家的经验能不能被调用、被复用。

马正的答案藏在上面三条里:经验要被调用,模型得先记住这个人的历史;要被复用,输出的每一句都得站得住;要真正有用,还得知道因果,而不只是相关。

这三件事没有一件能靠换一个更大的模型解决。它们要靠数据结构的重做、知识库的约束,以及一套能长期跑下去的机制。