人体功能智能

从“回答一个问题”到“判断一个人的功能”

用户问“上楼膝盖疼”，一般问答可能罗列多种原因。人体功能智能首先要明确这是哪个人、什么任务、发生在什么时间与条件下，已有何种症状、病史和评估，专业角色可以使用哪些信息。它随后区分：任务要求是什么、这个人具有什么能力、这些能力是否被实际调用、最终产生什么表现和代价。只有在证据允许时，才逐步联系潜在结构、疾病、干预和复评问题。

任务拆解与双向推理

一种方向是从任务追问能力：完成现实任务需要什么功能条件，哪些能力或调用环节可能形成限制？另一种方向是从观察结果追问解释：出现疼痛、疲劳、动作变化或功能下降时，可能有哪些相互竞争的解释，哪些评估可以区分？两条方向需要在时间、场景和证据约束下交叉验证，不能直接以症状锁定某块肌肉、某个神经或某种疾病。

共享的人体功能大脑，不等于共享全部权限

木梯的技术方向采用统一的 Human Function Brain Core，为自由聊天、学习聊天、会员服务聊天及人体功能评估入口提供共同的语义和判断基础。但入口不同，证据资格、输出方式和正式记录权也不同：自由聊天用于专业知识交流，不能直接产生真实会员正式事实；学习聊天用于课程学习、模拟与考核；会员服务聊天必须与被授权的真实会员、服务角色和业务上下文关联；功能评估需要对应的评估内容及适用证据。

统一的是计算逻辑和证据原则，不是把四类场景混成同一权限。具体接线及能力仍处于持续建设和验收中，不能将规划中的全部判断链宣称为生产已完整实现。

证据、记忆和学习怎样形成闭环

推理结果应区分已有记录、外部知识、当前推断和候选建议，并保留来源和版本。长期记忆不是把对话中说过的话全部当成事实，而是让经过授权、确认及审计的专业记录能够沿时间线保留。执行、监控、反馈和复评为下一次判断提供证据；正式知识体系更新则需要独立治理，不能由单次会话自动改写本体。

有效判断要能说清楚什么

面对一项具体功能问题，系统至少应该尝试说明：当前能确认什么，哪些只是候选解释，可能的风险和边界在哪里，缺哪些信息，下一步优先做什么评估，以及新证据出现后如何修正结论。对于非临床训练场景，它应避免越权诊断；对于涉及医学风险的场景，应提示专业资格与转诊边界。

可检验的研发方向

人体功能智能需要在准确性之外，检验缺失信息识别、证据可追溯性、不同案例中的判断一致性、能力与调用区分、时间更新和安全边界。更广泛的自动学习、因果推断、长期预测及跨模型协调属于研究任务，不能以页面宣传替代实验结果。