新智元報道

編輯：犀牛 所羅門

【新智元導(dǎo)讀】哈佛研究登上Science：在76名真實(shí)急診患者的雙盲對決中，OpenAI o1診斷準(zhǔn)確率67%碾壓人類醫(yī)生的50%，治療方案得分89%對34%更是斷崖式領(lǐng)先——但AI還看不見患者的臉色和痛苦，真正的變革不是「AI贏了」，而是急診室正在走向「醫(yī)生×患者×AI」三方共治的新范式。

剛剛，一顆重磅炸彈砸進(jìn)了全球醫(yī)療圈。

哈佛大學(xué)醫(yī)學(xué)院聯(lián)合貝斯以色列女執(zhí)事醫(yī)療中心（Beth Israel Deaconess Medical Center），把一項(xiàng)令人坐立不安的研究結(jié)果發(fā)在了《Science》上。

在急診室的真實(shí)分診場景中，OpenAI的o1推理模型診斷準(zhǔn)確率達(dá)到67%，而兩位經(jīng)驗(yàn)豐富的內(nèi)科主治醫(yī)生，一個55%，一個50%。

AI贏了。

不是在做題，不是在考試，而是在真刀真槍的急診室里。

更扎心的數(shù)據(jù)還在后面——在制定治療管理方案的測試中，o1拿了89%，而人類醫(yī)生使用傳統(tǒng)資源輔助后，中位數(shù)只有34%。

差距不是一星半點(diǎn)，是兩倍多。

這不是一個AI公司的自賣自夸，這是哈佛醫(yī)學(xué)院牽頭、頂級學(xué)術(shù)期刊背書、雙盲評審確認(rèn)的結(jié)果。

研究論文的通訊作者、哈佛醫(yī)學(xué)院AI實(shí)驗(yàn)室負(fù)責(zé)人Arjun Manrai說了一句意味深長的話：「我們用幾乎所有基準(zhǔn)測試了這個AI模型，它超越了此前所有模型和醫(yī)生基線�！�

一個時代的裂縫，就這么被撕開了。

76個真實(shí)患者，零預(yù)處理，雙盲對決

這項(xiàng)研究最硬核的地方在于：它不是拿精心整理的教科書病例去考AI，而是直接把急診室里最原始、最混亂的電子病歷扔給了機(jī)器。

研究團(tuán)隊(duì)從貝斯以色列急診科隨機(jī)選取了76名真實(shí)患者，在三個關(guān)鍵診斷節(jié)點(diǎn)進(jìn)行對比——急診分診（患者剛進(jìn)門）、急診醫(yī)生首次接診、以及收治入院或進(jìn)ICU。

每個節(jié)點(diǎn)，兩位內(nèi)科主治醫(yī)生和OpenAI的o1、4o模型同時給出鑒別診斷，每方最多列5個可能診斷。

關(guān)鍵細(xì)節(jié)是：研究人員對數(shù)據(jù)零預(yù)處理。

論文明確寫道，AI模型接收到的信息和醫(yī)生看到的電子病歷完全一致——那些凌亂的、缺失的、充滿噪聲的真實(shí)臨床數(shù)據(jù)。

然后，由另外兩名主治醫(yī)生進(jìn)行「盲評」——他們不知道哪個診斷來自人類、哪個來自AI。

盲評結(jié)果顯示，評審醫(yī)生幾乎完全無法分辨診斷來源：一位醫(yī)生猜對AI/人類的準(zhǔn)確率僅15.2%（83.6%的時候選了「分不清」），另一位更夸張，只有3.1%（94.4%「分不清」）。

換句話說，AI寫的診斷，連資深醫(yī)生都看不出是機(jī)器生成的。

在這樣的嚴(yán)苛條件下，o1模型在急診分診階段——信息最少、時間最緊、決策最關(guān)鍵的環(huán)節(jié)——給出了67.1%的準(zhǔn)確率（包含精確診斷或非常接近的診斷）。

兩位人類醫(yī)生分別是55.3%和50.0%。

隨著信息逐漸增多，所有人的表現(xiàn)都在提升：到入院階段，o1準(zhǔn)確率升至81.6%，醫(yī)生分別為78.9%和69.7%。

但差距始終存在，而且在信息最匱乏的初始階段差距最大。

這恰恰是最可怕的發(fā)現(xiàn)——急診最要命的就是「前幾分鐘」，患者剛被推進(jìn)來，信息碎片化，生死攸關(guān)，醫(yī)生需要在極度不確定中做出判斷。

而恰恰在這個環(huán)節(jié)，AI表現(xiàn)最突出。

急診醫(yī)生不干了：拿內(nèi)科醫(yī)生跟AI比，能說明什么？

論文發(fā)布后，一位名叫Kristen Panthagani的急診科醫(yī)生在社交媒體上直接開懟：這是一個「被過度炒作的有趣研究」。

她的核心質(zhì)疑是：研究中和AI對比的是內(nèi)科主治醫(yī)生，不是急診科醫(yī)生。

「如果我們要拿AI和醫(yī)生的臨床能力做比較，至少應(yīng)該拿同一個�？频尼t(yī)生來比。我不會驚訝于一個大語言模型能在神經(jīng)外科的�？瓶荚囍写驍∑つw科醫(yī)生，但這并不能說明什么�！�

她還指出了急診醫(yī)學(xué)的本質(zhì)邏輯：「作為一名第一次看到患者的急診醫(yī)生，我的首要目標(biāo)不是猜出最終診斷。我的首要目標(biāo)是判斷你是否有一種可能會殺死你的疾病�！�

這個反駁有力量嗎？

有。但也需要注意，研究論文本身已經(jīng)承認(rèn)了這一局限性，而且論文的核心論點(diǎn)從來不是「AI可以替代急診醫(yī)生」，而是「AI在有限信息下的推理能力已經(jīng)達(dá)到值得臨床試驗(yàn)的水平」。

急診醫(yī)生在現(xiàn)場做的遠(yuǎn)不止「猜病名」——他們要看患者的面色、聽呼吸的聲音、感受疼痛的程度、判斷生命體征的微妙變化。

這些細(xì)微的非語言信號，有時候比任何檢驗(yàn)指標(biāo)都重要。

一個經(jīng)驗(yàn)豐富的急診醫(yī)生走進(jìn)病房，掃一眼患者，可能就已經(jīng)做出了80%的判斷——這種能力叫「臨床直覺」（clinical gestalt），它來自數(shù)以萬計的真實(shí)接診經(jīng)驗(yàn)，目前沒有任何AI能夠復(fù)制。

Manrai自己也承認(rèn)，團(tuán)隊(duì)正在研究AI處理影像和其他非文本信號的能力，「看到了快速進(jìn)步的結(jié)果」，但距離臨床部署還有很長的路。

辛頓的「預(yù)言」教訓(xùn)：放射科醫(yī)生沒下崗，反而更忙了

說到AI取代醫(yī)生這個話題，不得不提一個經(jīng)典的「打臉」案例。

2016年，AI教父、諾貝爾獎得主Geoffrey Hinton說了一句震動醫(yī)學(xué)界的話：人們現(xiàn)在就應(yīng)該停止培訓(xùn)放射科醫(yī)生了。深度學(xué)習(xí)在五年內(nèi)就會比放射科醫(yī)生做得更好，這完全是顯而易見的。

這句話當(dāng)時嚇退了不少準(zhǔn)備選擇放射科的醫(yī)學(xué)生。整個2010年代后期，媒體上鋪天蓋地都是「放射科即將消亡」的文章。

十年過去了。

梅奧診所的放射科醫(yī)生團(tuán)隊(duì)從2016年至今增長了55%，達(dá)到400人。美國放射學(xué)會預(yù)測，未來30年放射科醫(yī)生供給還將增長26%。

全球最大的放射科醫(yī)生短缺正在發(fā)生——不是因?yàn)锳I搶走了工作，而是因?yàn)锳I讓影像檢查變得更便捷，反而催生了更多需求。

Hinton本人后來也承認(rèn)自己「說得太寬泛了」。

他修正了預(yù)測：未來的醫(yī)學(xué)影像解讀將由「AI和放射科醫(yī)生的組合」來完成，AI會讓放射科醫(yī)生「效率大大提高，同時提升準(zhǔn)確率」。

這個故事里有一個深刻的經(jīng)濟(jì)學(xué)原理——杰文斯悖論：當(dāng)一項(xiàng)技術(shù)讓某種資源的使用更高效時，這種資源的總需求反而可能大幅增加。

影像診斷變便宜、變快了，于是醫(yī)生開了更多檢查，放射科醫(yī)生反而更忙了。

哈佛這項(xiàng)新研究的作者們顯然吸取了辛頓的教訓(xùn)。

論文通訊作者M(jìn)anrai在新聞發(fā)布會上明確說：「我們的發(fā)現(xiàn)并不意味著AI取代醫(yī)生，盡管有些賣AI醫(yī)療產(chǎn)品的公司可能會這么說�！�

共同通訊作者、貝斯以色列AI項(xiàng)目負(fù)責(zé)人Adam Rodman則更直白：「目前AI診斷沒有任何正式的問責(zé)框架�；颊呦胍氖侨藖硪龑�(dǎo)他們度過生死攸關(guān)的決策，引導(dǎo)他們面對艱難的治療選擇�！�

不是「AI贏了」

而是醫(yī)療決策權(quán)在重組

據(jù)美國醫(yī)學(xué)會（AMA）2026年調(diào)查，超過80%的美國醫(yī)生已經(jīng)在職業(yè)中使用AI——是2023年的兩倍。

17%的醫(yī)生使用AI進(jìn)行「輔助診斷」。

2025年的一項(xiàng)Elsevier研究發(fā)現(xiàn)，20%的臨床醫(yī)生已經(jīng)在向大語言模型尋求「第二意見」。

哈佛這項(xiàng)研究證明，AI在信息最匱乏、決策最緊迫的急診場景中，推理能力已經(jīng)超過了人類醫(yī)生。

三個數(shù)據(jù)疊加在一起，指向一個清晰的趨勢：醫(yī)療決策的權(quán)力結(jié)構(gòu)正在發(fā)生根本性的重組。

過去的急診室模式是：患者進(jìn)來→醫(yī)生判斷→做出決策。

未來的模式可能變成：患者進(jìn)來→AI快速掃描電子病歷給出初步判斷→醫(yī)生結(jié)合臨床觀察和AI建議做出決策→患者參與討論治療方案。

研究作者Rodman預(yù)測，未來會出現(xiàn)三種分化：一部分任務(wù)人類持續(xù)做得更好，一部分任務(wù)AI持續(xù)做得更好，還有一部分任務(wù)需要人機(jī)協(xié)作增強(qiáng)。

這就是研究者所說的「醫(yī)生-患者-AI」三方協(xié)作模式。

聽起來很像自動駕駛。

L2級別——AI輔助人類決策；L3級別——AI主導(dǎo)、人類監(jiān)督；L4級別——特定場景全自動。

目前AI在醫(yī)療領(lǐng)域大概處在L2到L3之間的階段：它已經(jīng)能在「文字世界」里給出超越人類的判斷，但在真實(shí)的、多模態(tài)的臨床場景中，它還需要人類的眼睛、耳朵和直覺來補(bǔ)位。

AI誤診了，誰負(fù)責(zé)？

在所有討論中，有一個房間里的大象無人敢正面觸碰：AI出錯了，誰來承擔(dān)責(zé)任？

Rodman在接受《衛(wèi)報》采訪時坦言：目前AI診斷沒有任何正式的問責(zé)框架。

如果一名醫(yī)生誤診了，有成熟的醫(yī)療糾紛處理體系——患者可以投訴、可以訴訟、醫(yī)生面臨執(zhí)照風(fēng)險。

但如果AI給出了錯誤建議，醫(yī)生采納了，患者受到了傷害——是算醫(yī)生的責(zé)任？AI公司的責(zé)任？醫(yī)院的責(zé)任？還是三方共擔(dān)？

更復(fù)雜的場景是：如果AI給出了正確建議，但醫(yī)生否決了AI的判斷、堅持自己的錯誤診斷，導(dǎo)致患者延誤治療——此時醫(yī)生要不要為「忽視A建議」承擔(dān)額外責(zé)任？

還有一個更隱蔽的風(fēng)險：過度依賴。

當(dāng)醫(yī)生習(xí)慣了AI給出的高準(zhǔn)確率判斷，他們的獨(dú)立思考能力會不會退化？就像GPS讓很多人喪失了自主導(dǎo)航能力一樣，AI輔助診斷是否會讓醫(yī)生的臨床推理「肌肉」逐漸萎縮？

這些問題，目前沒有任何國家有清晰的答案。

參考資料：

https://www.science.org/doi/10.1126/science.adz4433

https://www.harvardmagazine.com/ai/ai-outperforms-doctors-diagnosis-harvard-study