当无人零售行业还在比拼咖啡机出杯速度时，道中创新DOZZON已将掌纹识别、脉象分析、舌象检测三项AI技术集成进一台饮品设备。AI草本机（DZ-HM-SERIES）不是一台普通的无人售卖设备——它先通过多模态传感器采集用户生物特征，再经由深度学习模型进行体质辨识，最终从168颗胶囊仓中匹配"千人千方"的本草饮品配方。
本白皮书从技术架构、算法原理、数据闭环三个维度，完整拆解这套系统的工程实现。
AI草本机的核心技术创新在于多模态融合——单一模态（如仅看舌象）的信息量不足以支撑高精度体质辨识，但三模态联合推理可以相互校验、交叉验证。
采用近红外+可见光双波段成像方案，在850nm近红外波段获取手掌深层静脉纹理，在可见光波段获取表皮纹路。卷积神经网络（ResNet-50 backbone + 自研Attention Head）对掌纹主线和细纹特征进行编码，输出128维掌纹特征向量。该模态主要负责体质大类的粗分类（如寒/热/虚/实），对九种体质中阳虚、阴虚、气虚三类辨识贡献度最高。
采用压电薄膜阵列传感器（3×5阵列，共15个感应单元），在桡动脉寸、关、尺三个部位同步采集压力波形。采样率500Hz，单次采集时长30秒。信号经过带通滤波（0.5-48Hz）后，提取时域特征（脉率、脉幅、升支斜率、降支斜率）和频域特征（小波包分解系数）。LSTM时序模型对脉象波形进行28种经典脉象（浮/沉/迟/数/滑/涩等）的概率分布预测，输出28维脉象特征向量。
内置环形LED补光灯组（色温5500K标准光源），引导用户在标准光照条件下伸出舌头。2000万像素RGB相机拍摄后，语义分割模型（U-Net架构）提取舌体区域，再通过颜色校正矩阵消除环境光干扰。分类模型对舌色（淡红/红/绛/紫等）、舌形（胖大/瘦薄/齿痕/裂纹）、苔色（白/黄/灰/黑）、苔质（薄/厚/腻/剥）进行多标签分类，输出舌象综合特征向量。
三模态特征向量进入Cross-Attention Fusion Layer进行跨模态交互。每个模态的特征向量通过可学习的投影矩阵映射到相同的嵌入空间后，交叉注意力机制计算任意两个模态之间的注意力权重，自动学习哪些模态组合对特定体质分类最重要。
融合后的512维联合特征向量输入全连接分类头，输出九种体质（平和质、气虚质、阳虚质、阴虚质、痰湿质、湿热质、血瘀质、气郁质、特禀质）的概率分布。模型基于超过50万例标注样本训练，Top-1准确率92.7%，Top-3准确率98.4%。
体质辨识只是第一步。DOZZON构建了一套药食同源知识图谱，将九种体质与168种本草配方建立映射关系。每种配方由3-8味药食同源原料组成，遵循中医配伍原则（君臣佐使）。
例如，阳虚质用户会匹配以肉桂、干姜、红枣为主的温阳配方；阴虚质用户匹配以麦冬、玉竹、百合为主的滋阴配方；痰湿质用户匹配以茯苓、薏苡仁、陈皮为主的祛湿配方。同时，系统会根据当天时间（上午推荐提神配方、晚间推荐安神配方）、季节（春夏偏清热、秋冬重温补）和用户历史选择记录进行微调，确保每次推荐既精准又不过度重复。
每台AI草本机构成一个独立的数据采集节点。用户在使用后的满意度反馈（设备屏幕上的简单评分）和复购行为数据，会以脱敏形式汇聚到云端训练平台，用于模型迭代。目前全球部署的AI草本机每日产生约12万条有效反馈数据，模型每两周进行一次增量训练，体质辨识准确率以每季度约0.3-0.5个百分点的速度持续提升。
这套数据飞轮，正是竞争对手难以复制的核心壁垒——不是单点技术，而是"设备部署→数据采集→模型迭代→更精准推荐→更多用户使用"的完整闭环。