《令人心动的offer8》医学生“盲猜”病情上热搜，AI医生能避坑吗？

AI看病藏着一个致命bug。

这两天，《令人心动的offer》第八季把医疗圈惹毛了。神经外科方向的实习生对着一张片子脱口而出“我盲猜，他肯定是颅咽管瘤”。

带教老师当场纠正：诊断绝不能靠猜。人民日报也下场点评：“临床不是秀场，医学容不得‘盲猜’。”

节目翻车后，有网友半开玩笑：真人实习生都敢“盲猜”，那还不如直接问 AI。这话一半是吐槽，一半是真心的——现在越来越多人，小病小痛先问大模型。

但 AI 真比这些实习生稳吗？

但最近几篇研究，把这个“Ai看病”戳了个洞。一篇是 Nature 上的 MIRA 系统，在医生级、结构化输入下，诊断准确率接近 89%；另一篇是牛津大学发表在《自然·医学》的研究，普通人用自己的话描述症状去问 AI，准确率直接掉到 34.5% 上下。

同一个 AI，输入方式一换，准确率从近 89% 降到三成多。关键不是模型突然变笨了，而是 AI 太会顺着你说了。

01

同一个AI，两种输入，两个世界

先说那两个数字分别是什么。MIRA 是海德堡等团队做的医疗推理系统，发在 Nature 上，平均诊断准确率 88.9%，接近 89%。但要注意，它测的是“医生级别的输入”——也就是把整理好的病历、检查结果喂进去，让 AI 做推理。换句话说，考的是 AI 在“理想考生”手里能发挥多好。

牛津大学那篇不一样。它让普通人用自己的话描述症状，去问 AI，准确率掉到 34.5% 左右。这才是大多数人真实使用 AI 看病的样子：信息零散、带着自己的猜测、病情描述不全。

来源：罐头图库

差距不在模型能力，在输入质量。同一套系统，换一批“会问的人”和“不会问的人”，结果能差出一倍多。这也解释了为什么很多 AI 医疗产品 demo 看起来很神，真到用户手里就容易翻车。

为什么会掉这么多？核心是一个词：顺从性。患者描述症状时往往带着预设——“我怀疑是胃炎”“是不是新冠后遗症”，AI 容易顺着这个框架走，给用户一个听起来很合理、其实建立在错误前提上的答案。真正的医生不会这么干，他会主动追问、排除、纠偏。

这个现象不是只在“自由描述”里出现，受控实验里同样明显。骨科场景的基准测试里，通用大模型在用户塞进一个错误线索后，准确率从 78% 掉到 48%。三十个点说没就没——前提是错的，答案就跟着歪。

更扎心的是，顺从性会在一段对话里把正确的临床动作慢慢拖没。2026 年一项睡眠呼吸暂停研究发现，患者一淡化症状，聊天机器人就放弃转专科会诊。教科书式的重症，转诊建议只维持了 22%。

来源：罐头图库

在“开车时犯困”这种有公共安全风险的情形下，46% 到 68% 的对话直接把转诊劝没了。病例信息完全一样，变的只是患者说话的方式。

为什么 AI 这么“好说话”？根子在训练。主流大模型靠 RLHF（基于人类反馈的强化学习）调优，而“礼貌、顺从、不冲突”的回复更容易拿高分。牛津另一项研究（同样发在 Nature）专门测了“温暖”版模型。

它发现，被调成“温暖”的模型，错误率比原版高 10 到 30 个百分点，附和错误信念的倾向高约 40%；用户一表露悲伤，掉得更快。顺从性，是被训练出来的。

所以 MIRA 把自己定位成医生用的工具，而不是患者自诊入口——这个设计本身就在说：AI 现在更适合做医生的辅助，而不是患者的替代品。

02

产品边界、责任和评测都要改

这个发现，对做 AI 医疗的人是个提醒：不能再用一个“准确率”数字通吃所有场景。

面向医生的辅助诊断和面向患者的自诊工具，不能共用一套“准确率”说辞。

医生端测的是“结构化输入下的表现”，患者端面对的是“混乱输入”，两者风险完全不同。患者端产品如果只拿 89% 当卖点，是在误导。它需要更强的追问、纠偏和风险提示机制，比如主动问“你发烧几天了”“有没有基础病”，而不是顺着用户一句话就给结论。

责任归属也要重新想。如果 AI 顺着患者的预设给出建议，最后出了问题，责任在平台、在医生还是在用户自己？产品把自己定位成“辅助”还是“替代”，直接决定这条责任链怎么画。定位越靠近“替你做决定”，平台背的责任就越重。

评测标准更得改。论文提示得很清楚：AI 医疗评测不能只测“理想输入”，要测“真实患者输入”。否则 89% 这种数字会慢慢变成营销话术，采购方和公众都被带偏。

来源：罐头图库

这些不是纸上风险，已经有人因此进了医院、也进了法庭。2025 年 7 月，佛罗里达一名牧师起诉 OpenAI：诉状称，ChatGPT-4o 顺着他的信仰话术，反复劝他“不用急着就医”。

最后他大面积肺栓塞、险些丧命。这可能是第一起“AI 医疗建议直接导致人身伤害”的官司——AI 的“太顺着你”，已经不只是修辞，而是能让人拖延就医、再把公司告上法庭的真风险。

国内也不缺例子。2025 年 3 月，汕头一位家长拿孩子的反复咳嗽发热问 AI，AI 判成“普通呼吸道感染”，家长居家用药拖了一个月。送医才确诊肺炎。

约五分之一的成年人会用大模型问健康问题，出错面远比想象大。把视线拉回国内 C 端，这个风险只会更集中。

面向 C 端的头部大模型里，蚂蚁的“蚂蚁阿福”一度冲进苹果应用商店排行榜前二；京东健康的“京医千询”内嵌在京东 App，问诊到检验到买药履约闭环强，电商用户天然转化，商业化体验完整。

来源：罐头图库

字节的“小荷 AI 医生”依托抖音搜索流量，用户随手查症状、自查分诊，轻问诊使用量很高，交互偏互联网轻量化。三家入口都很强，但都绕不开同一个问题：用户是“带着预设来问”的，顺从性风险在 C 端被放大。

好消息是，顺从性不是改不了的。2025 年 npj Digital Medicine 的研究给了一个朴素做法：在提示里加一句“发现逻辑漏洞你可以拒绝”，模型对无逻辑请求的顺从率就被压到 94% 以下。

换句话说，追问、纠偏、表达不确定性，这些机制不仅能做，而且能量化测试——“患者顶嘴时你还守不守得住正确建议”，应该写进发布前的必测项。

短期看，AI 医疗最稳的商业模式，不是替代患者判断，而是辅助医生提效。

你敢完全照着 AI 的自诊建议吃药吗？评论区聊聊吧！