AI 医疗的发展并非一路高歌，而是经历了从“堆数据”到“懂行业”的认知转折。IBM 医疗 AI 沃森的失败，被《深度医疗》作者埃里克·托普归结为“将获取数百万页的医疗信息等同于理解或使用这些信息”；而 ChatGPT 掀起的浪潮，让科学、教育、医疗这三大 OpenAI 最为关注的核心领域，重新看到通用大模型辅助医疗的可能。关键拐点可归纳为三个：从数据获取转向数据理解、从概念炒作转向临床辅助落地、从技术乐观转向伦理约束。
拐点一：从“拿到数据”到“理解数据”
AI 的三大基石是数据、算法、算力，数据被称为 AI 时代的“石油”。但医疗数据恰恰是 AI 医疗永远的痛点：它属于患者隐私，权属基本在医院方，训练所需数据多由企业与医院签署研发协议获得，通常遵循“数据不出院，模型出院”的物理隔离原则。
然而真正的分水岭不在数据量，而在理解力。埃里克·托普分析沃森失败时指出，最基本的失误之一就是把获取海量医疗信息等同于理解这些信息。对于现阶段的 AI 医疗产品来说，理解医疗数据远比获得数据更重要也更困难。 如果不能深刻理解所服务的行业，再多的数据也只是徒耗电力。
拐点二：从概念到临床辅助落地
ChatGPT 掀起的余波一浪高过一浪，让医疗领域的多种应用从概念走向可讨论的落地场景。仅以 ChatGPT 为例，其可覆盖：
- 临床辅助决策：为医疗保健提供者提供实时的、基于证据的建议，例如针对特定情况建议适当治疗方案、标记潜在药物相互作用、为复杂病例提供临床指南。
- 远程医疗虚拟助手：帮助患者安排预约、接受治疗和管理健康信息，支持居家护理指导。
- 远程患者监护（RPM）：分析来自可穿戴设备、传感器和其他监控设备的数据，在患者病情恶化或出现其他担忧趋势时向医疗保健提供者发出警报，帮助及早干预。
- 此外在心理咨询、病历保存、医疗翻译、药物管理、疾病监测等领域也有广泛应用空间。
已有案例表明，有人的爱宠久治不愈，将所有检查信息输入 GPT-4 后，GPT-4 给出免疫介导性溶血性贫血（IMHA）作为选项，之后狗狗得救。未来，经由专业训练的 GPT 们或将在临床发挥巨大作用。
拐点三：伦理约束划定能力边界
埃里克·托普将自动驾驶汽车与人工智能的医学实践相提并论。在理想的环境和交通条件下，自动驾驶汽车已经可以达到 L3 的水平，但 AI 医疗仍处在 L1 到 L2 的路上。与智能驾驶相比，AI 医疗面临更严重的伦理问题。
基于此，托普认为 AI 医疗不太可能超越自动设备的 3 级水平。很多诊断工作、阅片工作可以用 AI 辅助完成，但就医学整体而言，在任何时候、任何情况下，绝不能容忍没有人类医生和临床医生的监督。这构成了 AI 医疗落地的硬边界。
| 维度 | 自动驾驶 | AI 医疗 |
|---|---|---|
| 当前水平 | 理想条件下可达 L3 | 仍处在 L1 到 L2 的路上 |
| 能力上限判断 | — | 不太可能超越自动设备的 3 级水平 |
| 核心约束 | 交通条件 | 更严重的伦理问题 |
常见问题
AI 医疗目前发展到什么水平？
参照埃里克·托普在《深度医疗》中的类比，在理想的环境和交通条件下自动驾驶汽车已经可以达到 L3 水平，而 AI 医疗仍处在 L1 到 L2 的路上，即诊断、阅片等工作可由 AI 辅助完成，但不能脱离人类医生和临床医生的监督。
IBM 沃森的失败给 AI 医疗留下了什么教训？
托普认为其最基本的失误之一，是将获取数百万页的医疗信息等同于理解或使用这些信息。这提示行业：理解医疗数据远比获得数据更重要也更困难，不理解所服务的行业，数据再多也只是徒耗电力。
GPT 在医疗领域有哪些应用方向？
仅以 ChatGPT 为例，可用于临床辅助决策、远程医疗虚拟助手、远程患者监护，以及在心理咨询、病历保存、医疗翻译、药物管理、疾病监测等领域发挥作用。