关键字: [亚马逊云科技， ReasoningABA， 自闭症儿童治疗， Ai督导系统， 治疗方案调整， 大语言模型应用， Reasoning模型框架]

导读

在这场演讲中，演讲者介绍了亚马逊云科技团队如何利用Reasoning模型帮助自闭症康复机构构建AI督导系统。该系统通过模拟督导老师的决策思路，结合自闭症领域知识和治疗方案调整规则，为督导老师提供高质量的治疗方案建议和调整理由。这不仅减轻了督导老师的工作压力，还缓解了教育资源不均衡带来的问题，为自闭症康复机构带来了高效智能的AI辅助决策系统。

演讲精华

以下是小编为您整理的本次演讲的精华。

在这场技术论坛上，亚马逊云科技的解决方案架构师李芳怡和应用科学家蔡天晴向我们介绍了一个令人鼓舞的客户案例。他们与一家名为大米和小米的自闭症儿童康复中心合作，利用Reasoning模型构建了一套人工智能督导系统，为自闭症儿童的治疗方案调整提供智能辅助决策。

李芳怡首先向在场人员解释了自闭症的现状。根据统计数据显示，随着社会对自闭症的重视程度不断提高，每年确诊并开始康复治疗的自闭症儿童人数也在增加。然而，自闭症康复机构的督导老师和康复师人手却没有同步增长，导致他们面临越来越大的工作压力。在自闭症康复机构中，最常用的治疗框架是应用行为分析(ABA)框架。

当一名新的自闭症儿童来到机构时，督导老师首先会对孩子进行评估和咨询，了解其确诊情况和家庭表现。根据第一步的评估结果，督导老师就会给予这个小朋友一个个性化的治疗方案。接下来，康复师会带领孩子去实施这个治疗方案，也就是可能会在一个教室里，康复师带着小朋友去做一些训练。在这个训练的过程中，康复师还会收集小朋友在训练过程中的一些表现数据。最后，督导老师会根据康复师收集起来的数据进行数据分析，并且去调整治疗方案。调整出来了新的治疗方案之后，康复师又会带着小朋友去实施新的治疗方案。

李芳怡以一个具体例子说明了数据分析和治疗方案调整的过程。在原始治疗方案中，需要锻炼的能力是“互敏反应”，即孩子对被叫名字时能否做出反应;干预策略是“部分肢体提示”;难度等级是L2。右边的图表展示了康复师在给孩子训练的过程中收集起来的一些行为表现数据。以第一个数据点80%为例，它表示的意思就是说，孩子在过去的10轮训练中，能够正确对被叫名字给出正确反应的概率是80%。我们可以看到这个图表里面，它有连续五个超过80%的数据点，这就表示说我们的这个小朋友，他其实已经掌握了互敏反应的这一个能力了，所以需要触发一次治疗方案的调整。

调整后的治疗方案，在能力这个字段上是没有变的，然后干预策略从“部分肢体提示”变成了“独立”，难度也从L2升级到了L3。在调整治疗方案的时候，督导老师就是要去改变干预策略和难度这两个字段，而能力这个字段是不需要改变的。

然而，这一过程给督导老师带来了巨大挑战。根据客户大米和小米自闭症儿童康复中心的反馈，他们每一个督导老师平均下来要负责20-30个小朋友，每一个小朋友他们又会同时进行很多治疗方案，所以说每一天督导老师花在治疗方案调整上的时间非常多，这也会压缩督导老师跟孩子进行一对一互动的时间。

另一方面，客户也观察到，成熟的督导老师和新手督导老师，他们在调整治疗方案时存在一个决策质量差异。新手督导老师在调整治疗方案的时候，往往要耗费更多的时间，然后可能不能给出一个最优的解决方案。这个问题在自闭症康复资源匮乏的偏远地区尤为突出，因为在那些地区可能他们只有新手督导老师。

有鉴于此，客户大米和小米自闭症儿童康复中心希望利用大语言模型来协助督导老师完成治疗方案调整的工作，并找到亚马逊云科技寻求解决方案。亚马逊云科技团队首先调研了大语言模型在自闭症领域的应用。最常见的应用就是应用在对话干预系统中。这是因为大多数自闭症的小朋友，他们有一些伴随的语言障碍的问题。在这一个应用中，研究者通过零样本和小样本学习的方式来让大语言模型能够完成对话干预的这一个任务，从而搭建起一套对话干预的系统，小朋友就可以通过跟大语言模型做对话，这样来锻炼自己的语言能力。

然而，在治疗方案调整任务中，大语言模型由于缺乏相关专业知识，表现出一定的智能不足。一些工作将大语言模型应用在自闭症诊断任务上，通过将大语言模型和传统规则模型结合的方式来提高大语言模型在该任务上的准确性。但这种方式可能会带来两个问题:一是传统规则模型的规则可能非常复杂，实施起来工作量大;二是这种方式下模型无法给出诊断判断的原因，可解释性差，而可解释性在医疗领域是一个非常重要的考量点。

为解决这一问题，亚马逊云科技团队设计了ReasoningABA框架，目标是提高大语言模型在自闭症领域的专业能力，并增强模型的可解释性。该框架分为两个主要步骤:

第一步是产生思维链数据。团队让Reasoning模型模拟督导老师做决策的思路，输入包括自闭症儿童的基本信息、当前治疗方案和治疗方案调整规则，输出则是调整后的治疗方案及调整理由，形成思维链数据。

第二步是两阶段的训练管线。首先进行监督微调，将思维链数据蒸馏到基座模型中。在监督微调这一步，输入数据就是督导老师做决策的依据，包括客户基本信息、当前治疗方案以及治疗方案的调整规则。输出数据就是调整后的治疗方案和思维链数据。通过这种方式，思维链数据就可以蒸馏到模型里面。

接下来是强化学习的后训练步骤，采用DeepSick的GRPO算法。前一步监督微调得到的微调模型会根据输入数据产生一些候选的治疗方案答案，然后奖励模型会对这些候选答案进行评分，根据评分来更新模型参数。最终得到的ReasoningABA模型能够根据输入数据输出调整后的治疗方案及调整原因。

通过引入ReasoningABA模型，督导老师的工作流程发生了变化。在有ReasoningABA模型之前，整个治疗方案调整过程都依赖于督导老师基于一些基本信息做决策。而在有ReasoningABA模型之后，督导老师只需将相同的数据输入模型，模型就会输出新的治疗方案和思维链数据，督导老师再确认输出是否合理即可。

这大大减轻了督导老师的工作压力，让他们有更多时间与自闭症儿童进行一对一互动。同时，由于ReasoningABA模型本身具备自闭症领域的专业知识，无论是资深督导老师还是新手督导老师，都可以获得高质量的治疗方案建议和调整理由，从而缓解了教育资源不均衡带来的问题。

总之，亚马逊云科技团队通过ReasoningABA框架成功地将大语言模型应用于自闭症儿童治疗方案调整任务，不仅提高了模型在该领域的专业能力，还增强了模型的可解释性，为自闭症康复机构带来了高效智能的AI辅助决策系统。

下面是一些演讲现场的精彩瞬间：

大语言模型被应用于自闭症儿童的对话干预系统，帮助他们锻炼语言能力。

通过强化学习后训练和奖励模型评分优化，最终得到ReasoningABA模型。

总结

亚马逊云科技团队利用Reasoning模型为自闭症儿童康复机构构建了一套AI督导系统。这一创新解决方案旨在缓解自闭症康复机构面临的人手紧缺和教育资源不均衡的挑战。

传统上，督导老师需要根据小朋友的基本信息、当前治疗方案和调整规则，手动调整治疗方案，工作量巨大且存在决策质量差异。亚马逊云科技提出了ReasoningABA框架，通过产生思维链数据、两阶段训练管线(监督微调和强化学习后训练)等步骤，使大语言模型掌握自闭症领域专业知识，能够输出调整后的治疗方案及调整理由，提高了模型的专业能力和可解释性。

该AI系统的引入大幅减轻了督导老师的工作压力，确保无论资深还是新手督导老师都能获得高质量的治疗方案建议，从而缓解教育资源不均衡问题。ReasoningABA框架成功将大语言模型应用于自闭症康复领域，为自闭症儿童康复机构带来高效智能的AI辅助决策系统。

我们正处在Agentic AI爆发前夜。2025亚马逊云科技中国峰会提出，企业要从“成本优化”转向“创新驱动”，通过完善的数据战略和AI云服务，把握全球化机遇。亚马逊将投入1000亿美元在AI算力、云基础设施等领域，通过领先的技术实力和帮助“中国企业出海“和”服务中国客户创新“的丰富经验，助力企业在AI时代突破。