ChatGPT 掀起的浪潮让科学、教育、医疗三大领域成为焦点，AI 医疗虚拟助手正是沿着这条线索，从经济学解释、思想节点到行业反思，逐步走向以“深度医疗”为方向的演进路径。 从概念到落地，它大致经历了三个阶段：以“鲍莫尔成本病”解释医疗成本长期上升的经济学起点；以《改变医疗服务价格曲线的方式：解雇医生》和《深度医疗》为代表的两种思路碰撞；以及以 IBM 医疗 AI 沃森的失败为标志的行业反思拐点。
经济学起点：为什么医疗需要技术替代
美国经济学家鲍莫尔于 1967 年构建了一个两部门非平衡增长模型，把宏观经济分为具有正劳动生产率增长率的进步部门和不存在劳动生产率增长率的停滞部门。在若干关键假设下，进步部门的单位产品成本（指劳动力成本）将维持不变，而停滞部门的单位产品成本将不断上升，需求随之减少，停滞部门可能不断萎缩。
医疗服务被视为类似情形：《福布斯》专栏作家蒂姆·沃斯托在《改变医疗服务价格曲线的方式：解雇医生》中提出，“雇用他人来获得服务的方式正变得越来越昂贵”，并认为解决之道是用机器替代医生。这一判断，为 ChatGPT 在医疗领域的应用提供了巨大的想象空间。
思想节点：从“解雇医生”到“深度医疗”
与沃斯托的激进主张不同，《深度医疗》作者埃里克·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。他认为，AI 医疗不太可能超越自动设备的 3 级水平，阅片、诊断等工作可由 AI 辅助完成，但就医学整体而言，绝不能容忍没有人类医生和临床医生的监督。
反思拐点：沃森的失败与数据孤岛
托普在分析 IBM 医疗 AI 沃森的失败时指出，“最基本的失误之一，就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”。这揭示出 AI 医疗的另一重现实：医疗数据是永远的痛点，数据权属、隐私与流通机制仍在探索之中；而对现阶段的 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。
常见问题
AI 医疗虚拟助手目前能做什么？
以 ChatGPT 为例，它可用于开发远程医疗虚拟助手，帮助患者安排预约、接受治疗和管理健康信息；也可用于临床辅助决策，为医疗保健提供者提供实时的、基于证据的建议。此外，远程患者监护、心理咨询、病历保存、医疗翻译、药物管理、疾病监测等领域，都存在广泛的应用空间。
为什么说 AI 医疗仍处在早期阶段？
《深度医疗》将 AI 医疗与自动驾驶对比：自动驾驶汽车在理想条件下已达 L3，而 AI 医疗仍处在 L1 到 L2 的路上。加之医疗数据权属复杂、隐私要求高，理解数据远比获取数据更困难，这些都决定了其成熟仍需时间。
沃森的失败给行业留下了什么教训？
托普认为，沃森最基本的失误之一，是把获取海量医疗信息等同于理解或使用这些信息。这提示行业：如果不能深刻理解所服务的医疗行业，再多的数据也只是徒耗电力。