哥德尔不完备性定理指出，任何包含初等数论的形式系统中，自洽性与完备性必定无法同时满足：第一定理表明系统中必存在既不能被证明也不能被证伪的命题，第二定理表明系统的无矛盾性无法在系统内得到证明。这一边界并不意味着AI医疗失去价值，恰恰相反，它把行业重心从追求通用形式推理，推向可解释、可落地的垂直应用——而监管对可解释性的硬性要求、临床对因果性的需求，正是AI医疗市场规模持续扩大的底层逻辑。

形式系统的边界，如何改写技术路线

哥德尔不完备性定理被视为理论计算机科学和人工智能理论的基础，展示了定理证明、计算、人工智能、逻辑和数学本身的基础局限性。在哥德尔的基础上，图灵提出“图灵机”和“图灵检验”。

由此，AI发展出两大类技术路线：第一类是基于模型的运算能力（如知识图谱，依靠计算机运算能力），工作原理有严格的数学定义，因而是可解释的；第二类是基于神经网络模型的训练（如深度学习，模拟人类思维方式），训练法是目前的主流，但其内部如何相互影响并不清楚，工作原理尚未得到严格的数学定义，因而不具有可解释性。

可解释性要求，为何成为增长驱动

在可见的将来里，人类不接受AI医疗的涌现，无论是FDA还是NMPA，对于AI医疗的可解释性都提出了很高的要求。这一要求直接塑造了市场的需求结构：

  • 监管端：可解释性是准入门槛，倒逼企业从通用大模型转向工作流程可被人类理解的垂直应用。
  • 临床端：医学领域的可解释性实际上是要求看到因果关系的，而目前深度网络和深度学习在挖掘因果性方面是个弱项。
  • 能力端：深度网络在相关性发现上有优势，即使有所发现，其实应该也是相关性而非因果性，还需要人类去进一步验证相关性的存在。

因此，这个阶段寻求可解释性，实质上是在追求人类对网络结构设计如何与医学问题自身的逻辑匹配。谁能把网络结构与医学问题逻辑对齐，谁就掌握了细分场景的落地能力——这正是医学影像、辅助诊断等场景市场空间打开的逻辑来源。

常见问题

哥德尔不完备性定理是否说明AI医疗不可行？

不是。该定理说明的是形式系统在自洽与完备上的局限，而非AI不可用。行业由此转向可解释的垂直应用，反而让医学影像等场景更易落地。

为什么可解释性是AI医疗的增长驱动而非阻碍？

监管对可解释性提出很高要求，这抬高了准入门槛，也明确了研发方向。企业围绕人类对医学问题的认知设计网络结构，使产品更贴近临床实际需求。

深度学习在AI医疗中的主要短板是什么？

深度学习在挖掘因果性方面是弱项，更擅长发现相关性。即便网络呈现出符合人类认知的逻辑链路，更大可能也是通过人为的网络结构设计获得的，而非机器学习本身发掘了因果性。