北京
卢旺达农村一间煤渣砖诊所里，一名社区卫生工作者解锁手机，打开聊天窗口，输入了一个两年前她只能独自回答的问题。一个孩子连续发烧三天不退，最近的医生要坐几小时车才能到，而四月的道路几乎全是泥泞。她用卢旺达语描述症状，又换成英语，再用那种培训教她的、机器更喜欢的混杂表达复述了一遍。几秒钟后，模型回复了。语气笃定。它给出了鉴别诊断、可能病因、后续处理步骤。这名工作者读了两遍，然后做出了决定。
这一幕的规模值得被认真对待。2026年2月6日发表在《自然·健康》上的一项研究，记录了101名卢旺达社区卫生工作者跨越四个地区，向五个不同的大语言模型提交了5609个真实临床问题。同期发布的另一项巴基斯坦平行随机对照试验中，58名医生拿到GPT-4o并接受了二十小时的“如何与它争论”的培训，他们的诊断推理得分随即从仅使用常规资源时的43%，跃升至有聊天机器人参与后的71%。研究人员自己的表述是，大语言模型不仅追平了当地临床医生，它们赢了。在团队测量到的每一项指标上，模型都是胜出者。
这个故事在二月份的健康科技媒体圈子里传播时，带有某种轻微宗教启示的意味。标题们宣布，廉价的AI聊天机器人正在那些“没有诊断”往往就是最终诊断的地方，改变着医疗诊断的格局。这被包装成一次正名：多年以来围绕偏见、幻觉和炒作周期的焦虑，终于在这里找到了证据——在被世界遗忘的诊所里，在听诊器都是奢侈、儿科医生只是传说的地区，聊天机器人在发挥作用。并不完美。但它在发挥作用。而“发挥作用”这个标准，当竞品是零的时候，就是唯一诚实的基线。
这故事很有说服力。但如果停下来仔细掂量，它也让人深感不安。因为在卢旺达和巴基斯坦那些发现公布四天后，牛津大学在《自然·医学》上发表了另一项研究，由牛津互联网研究所的博士生安德鲁·比恩领衔，它关注的是同一类模型交到近1300名普通用户手中时会发生什么——任务是相同的：弄清楚身体可能出了什么问题，并决定该去哪里寻求治疗。在受控基准测试中，聊天机器人识别相关疾病的准确率约为94.9%，在判断患者应当留在家中、看全科医生还是去急诊这个问题上的正确率大约是56.3%。随后研究人员让真人实际使用这些工具。准确率崩了。使用大语言模型的参与者识别出的相关疾病比例远低于模型本身的实验室表现，错误率显著上升。
同样的技术骨架，在非洲农村社区卫生工作者手中是诊断利器，在欧美普通用户的日常提问中却成了迷失指南。这两组几乎同时发布的研究撕开了一道裂缝：问题或许从来不只是模型能力的问题，而是谁来用、怎么用、以及围绕使用的整套制度上下文完全缺失的问题。在卢旺达的研究中，社区卫生工作者本身经过培训，有既定的分诊协议，模型只是嵌入现有工作流的一个辅助环节。在巴基斯坦的试验中，医生同样接受了如何质疑模型输出的专门训练。但当技术直接面向没有任何医学背景的个人时，判断力断层立刻就暴露出来。
这些实验还指向另一个更棘手的现实。那些在受控条件下表现优异的数字，一旦进入嘈杂的真实世界，就会发生显著漂移，而监管框架几乎不存在。比恩团队的研究表明，使用大语言模型这类未经专门医疗监管审批的通用对话系统时，消费者面临的风险是被系统性低估的。人们会把信心满满的错误回答当成行动指令。模型不会承认自己不知道，而这在医疗场景下，比“不知道”本身危险得多。
夹在两篇论文之间，一个问题被冷冰冰地摆上台面：如果这些有实际用处的聊天机器人医生，至今在绝大多数国家都处于无人监管的真空地带，那么所谓的“帮助”到底建立在什么样的责任地基之上。研究界的一个共识是，目前没有任何监管机构对这些模型在医疗场景中的部署制定了可执行的准入标准。它们在诊所里跑着，在私人聊天窗口里答着，但没有一个制度能够告诉使用者，这一次的输出是可靠的临床建议，还是统计学噪音包装成的白大褂。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
