GPT-4 辅助宠物诊断是 AI 医疗应用的一个典型缩影，但远非终点。从官方梳理的行业脉络看，AI 医疗的下游应用场景已覆盖远程医疗虚拟助手、临床辅助决策、远程患者监护三大主线，并延伸至心理咨询、病历保存、医疗翻译、药物管理、疾病监测等多个方向，需求结构呈现出从“单点工具”向“全流程辅助”扩散的特征。
从宠物诊断到人类临床：应用场景矩阵
此前有公开案例显示，一只久治不愈的爱宠在走投无路时，主人将全部检查信息输入 GPT-4，模型给出了免疫介导性溶血性贫血（IMHA）的选项，狗狗随后得救。这一案例验证了通用大模型在临床辅助判断上的潜力。未来，经由专业训练的 GPT 模型或将在临床发挥更大作用。
在人类医疗领域，应用场景更为纵深：
| 场景方向 | 核心功能 |
|---|---|
| 临床辅助决策 | 针对特定情况建议治疗方案、标记潜在药物相互作用、为复杂案例提供临床指南 |
| 远程医疗虚拟助手 | 帮助患者安排预约、接受治疗、管理健康信息，支持居家护理 |
| 远程患者监护 | 分析可穿戴设备、传感器数据，实时了解健康状况，在病情恶化时向医护发出警报 |
| 心理咨询/病历保存/医疗翻译/药物管理/疾病监测 | 广泛的应用空间，覆盖诊疗全流程的辅助环节 |
需求结构：降本增效与数据瓶颈并存
AI 医疗的底层驱动力来自“鲍莫尔成本病”——医疗服务这类依赖人力的部门，单位成本随时间不断上升。用机器辅助替代部分人工环节，正是 AI 医疗需求扩张的根本逻辑。然而，AI 医疗目前仍处于较低自动化水平：在自动驾驶分级中，理想条件下自动驾驶汽车已达到 L3，而 AI 医疗仍处在 L1 到 L2 的路上，且业界普遍认为其不太可能超越自动设备的 3 级水平——诊断、阅片等工作可由 AI 辅助完成，但任何情况下都不能容忍没有人类医生的监督。
需求侧的另一个关键约束是数据。医疗数据被视为 AI 时代“石油”，但其权属复杂，通常数据不出院、模型出院。更重要的是，理解医疗数据远比获得数据更困难——如果不能深刻理解所服务的行业，再多的数据也难以转化为有效能力。
常见问题
AI 医疗会取代医生吗？
不会。行业共识是 AI 医疗难以超越自动设备的 3 级水平，诊断、阅片等工作可由 AI 辅助完成，但任何情况下都不能容忍没有人类医生和临床医生的监督。
医疗数据从哪里来？
医疗数据权属复杂，通常归属医院方，第三方机构需借助政府支持和医院配合方能商业化开发。实际操作中常见模式是数据不出院、模型出院，并经过专门的数据清洗。
AI 医疗目前处于什么发展阶段？
按自动驾驶分级类比，AI 医疗仍处在 L1 到 L2 的路上，远未达到 L3 水平，属于“辅助人类”而非“替代人类”的阶段，远程监护、临床辅助决策等场景正逐步落地。