从GPT-4为宠物诊断出免疫介导性溶血性贫血（IMHA）并成功救回狗狗的案例回望，AI医疗的发展已跨越多个关键拐点：从早期规则驱动的专家系统，到以IBM沃森为代表的认知计算尝试，再到深度学习在影像识别上的突破，直至当前GPT-4等大模型带来的通用推理能力，每一次拐点的本质，都是AI对医疗数据“理解能力”的跃迁。

早期专家系统：规则驱动，未能大规模落地

AI医疗的起点可追溯至以MYCIN为代表的专家系统时代。这类系统依赖人工编写的规则库进行推理，在特定病种的诊断测试中表现出一定准确率，但其知识获取依赖专家手工录入，规则之外的情形无法覆盖，且缺乏自我学习能力，最终未能走出实验室实现大规模临床应用。这一阶段的核心局限在于：系统只能“执行规则”，无法“理解医学”。

IBM沃森：认知计算的警示

IBM沃森曾被视为AI医疗的里程碑式尝试，但其结局成为行业经典教训。在《深度医疗》中，埃里克·托普分析沃森的失败时指出，其“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”。沃森虽能处理海量文献，却缺乏对医疗场景的深度理解，无法将信息转化为可靠的临床判断。这一案例确立了AI医疗的关键命题：理解医疗数据远比获得数据更重要也更困难。

深度学习与当前大模型时代

深度学习的兴起让AI在医学影像识别等感知类任务上取得实质突破，但模型仍局限于单一任务。GPT-4等大模型则带来通用推理能力，能综合多源信息进行逻辑分析——宠物诊断案例中，GPT-4正是整合了全部检查数据后给出鉴别诊断方向。不过，AI医疗整体仍处于早期阶段：在《深度医疗》的类比框架下，自动驾驶已达L3水平，而AI医疗仍处在L1到L2的路上，伦理约束决定了任何情况下都不能没有人类医生的监督。

常见问题

GPT-4宠物诊断案例说明了什么？

该案例展示了大模型在医疗辅助决策上的潜力：GPT-4能够整合多模态检查信息并给出合理的鉴别诊断。但需注意，这属于辅助性参考，远未达到替代专业兽医或医生的水平，且医疗数据权属、隐私等痛点仍是行业瓶颈。

AI医疗当前的主要瓶颈是什么？

医疗数据是AI医疗的第一驱动力，但数据权属复杂（患者、医院、政府多方牵涉），且“数据不出院、模型出院”的物理隔离模式限制了训练数据的流通。更重要的是，理解医疗数据远比获得数据更困难，这是从沃森时代延续至今的核心挑战。

AI会取代医生吗？

在《深度医疗》的框架下，AI医疗不太可能超越自动设备的3级水平（对应自动驾驶L3）。大量诊断、阅片工作可由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监督的诊疗过程。AI的角色是增强而非替代。