这集讲什么
OpenAI 健康 AI 负责人 Karan Singhal 认为，AI 最现实的医疗价值不是取代医生，而是在就诊前后提供可信的信息、发现可能遗漏的风险，并帮助患者与临床人员穿越割裂的医疗流程。
1-3要点
- 先补就诊间隙，再谈重塑医疗：准备面诊、解释报告、识别下一步，是节目中最具体的近期用途。
- 可靠性包括“敢于不同意”：遇到危险信号，模型不能为了安慰用户而淡化就医需要。
- 医学知识有两类缺口：已有共识未进入实践，与科学本身尚无定论；两者需要不同的回答方式。
0:00 / --:--
a16z Show · 10 月 20 日
OpenAI 健康 AI 负责人 Karan Singhal 认为，AI 最现实的医疗价值不是取代医生，而是在就诊前后提供可信的信息、发现可能遗漏的风险，并帮助患者与临床人员穿越割裂的医疗流程。
OpenAI 健康 AI 负责人 Karan Singhal 认为，AI 最现实的医疗价值不是取代医生，而是在就诊前后提供可信的信息、发现可能遗漏的风险，并帮助患者与临床人员穿越割裂的医疗流程。
这集还没有学习卡。生成后会保存在这一集，下次直接打开。
a16z Show· 2026-10-17为什么 AI 终于有可能解决医疗服务的可及性问题｜Zocdoc CEO Oliver KharrazWhy AI Could Finally Fix Healthcare Access | Zocdoc CEO Oliver Kharraz同主题：AI 医疗a16z Show· 2026-08-24为什么医疗 AI 需要裁判｜Protege 的 Engy ZiedanWhy Medical AI Needs a Referee | Protege's Engy Ziedan同主题：AI 医疗
The Cognitive Revolution· 2026-10-01AI:AM：特朗普与习近平的会面有什么实质意义吗？什么才算乌托邦？＋AWS GPU 成本是 3 倍、AI 诊断罕见病a16z Show
What Happens When Everyone Has a Health Expert in Their Pocket? | OpenAI’s Karan Singhal
YouTube
音频
医疗问题并不只发生在诊室里的十几分钟。患者要等待预约、整理病史、理解检查结果、记住医嘱，还要在不同机构和系统之间安排下一步。Singhal 将这些就诊间隙视为 AI 的切入点：让更多人获得便宜、随时可用的健康信息，同时让医生在工作流程中获得辅助检查与提醒。
但“口袋里的健康专家”不是“口袋里的执业医生”。一次医疗服务还包含查体、检验、处方、治疗、同理心和责任承担。本集的核心问题因此是：当健康智能越来越容易获得，怎样让它可靠地接入真实医疗，而不把信息服务误当成完整照护？
这场对话沿着“能力、信任、落地”逐层推进。Singhal 首先指出，已有大量用户在 ChatGPT 中询问健康问题，需求常来自传统医疗难以覆盖的时段：等待专科预约、准备短暂的面诊、理解报告，以及确认下一步该问什么。OpenAI 的路线不是把健康能力封存在一个独立的小模型里，而是在通用模型的训练与评估中持续加入医疗专门内容，再通过面向消费者、临床人员和机构的产品降低使用门槛。
真正困难的部分并非把答案写得像医生，而是知道何时不能顺着用户说。当患者渴望“没事”的安慰，系统仍须识别需要就医的风险；当医学证据不足，也须表达不确定性。Singhal 因而反复谈到跨专业专家评估、心理健康场景，以及让 AI 成为安全网而非决策终点。另一方面，他明确划出信息与照护的边界：OpenAI 可以帮助导航、提醒和连接，却不能独自完成检查、治疗与持续照护。
节目后半段将愿景放到成本和科学发现上。更便宜的模型不等于医疗总费用立刻下降；节省还取决于工作流整合，而保险方与服务方各自部署 AI，甚至可能先增加摩擦。更长远的机会，则是利用纵向健康数据提出值得验证的新判断，并加快药物研究中的筛选与验证。整集最审慎的结论是：健康智能可能变得充裕，但其收益必须经过临床验证、患者授权和医疗体系的实际执行，才能兑现为更好的健康结果。
💬 他们说了什么：开场以医疗支出庞大、服务却仍稀缺的反差设题。Singhal 随后说明，OpenAI 希望让可信、可靠的健康智能免费或近乎免费地普及。他称每周有超过 3 亿人使用 ChatGPT 询问健康与保健问题；患者的需求往往发生在预约前、检查后、两次面诊之间。一次医生会面可能只有约 15 分钟，患者未必来得及问完问题。
💡 为什么重要：这里重新界定了 AI 的首要使用场景：不是凭空创造一次“虚拟就诊”，而是补上现有就诊流程的时间空白，帮助患者准备问题、理解解释并安排后续沟通。
⚡ 争议点：使用规模不等于临床获益。若用户把容易获得的回答当作诊断，或因看似完整的解释而延迟求医，“填补空白”也可能变成新的风险。
💬 Singhal 转述播客主持人 Nathan Labenz 的家庭经历：其幼子出现疲劳、烦躁等状况时，AI 帮助家人在旅行途中判断事情可能严重、决定接受检查；孩子后来被诊断患有侵袭性白血病。Labenz 也曾用模型理解检验报告、准备与专科医生沟通。谈到技术路线，Singhal 主张在通用前沿模型的各训练阶段加入专门医疗数据，既获得通用推理能力的进步，也接受医疗场景的专门训练。
💡 这个故事说明，患者家属最需要的可能是及时意识到“该进一步检查”，而不是让 AI 给出最终病名。模型路线则体现 OpenAI 的判断：独立训练、规模较小的医疗模型可能跟不上通用模型的能力迭代。
⚡ 这是当事人经历的转述，不能据此计算 AI 的诊断准确率，也不能推断同样症状都需要相同检查。通用模型加医疗训练是否优于独立专科模型，仍应按具体任务、风险和部署环境比较。
💬 主持人描绘能记住病史、理解偏好并主动提醒的“口袋医生”。Singhal 接受“主动、个性化健康助手”的方向，但强调它不取代真正的医生。他称健康信息连接后不会用于训练或广告定向；前述每周健康用户中，绝大多数是免费用户，且多数在美国以外。临床端，他举与 Penda Health 研究的辅助系统为例：AI 可提示可能遗漏的药物相互作用；患者端则可能在糖化血红蛋白（A1C）升高时，提醒其找医生复核用药。
💡 从“有人提问才回答”转向“在恰当时点提示”，可能把 AI 从搜索工具变为照护过程中的安全网。医疗系统的旧软件与数据孤岛，也使能跨界面处理任务的AI 智能体（Agent）具有吸引力。
⚡ 主动提醒容易带来误报、提醒疲劳和隐私问题。预约、保险、病历等操作涉及权限与责任，不能因为智能体“能操作界面”就默认它有权替患者完成高风险决定。
💬 同一项结果，对普通患者应解释清楚含义与下一步，对专业医生则可能需要技术细节。Singhal 说，OpenAI 于2025 年 5 月发布的 HealthBench 已评估模型能否按用户身份调整措辞。他还指出，不能仅请少数医生裁定所有难题：团队建立了覆盖多专业、语言和执业地区的数百名医生网络。若用户希望获得安慰，但其描述提示危险，模型应优先提示风险与就医，而非迎合。若医生与 AI 意见相左，他建议患者像处理其他医疗分歧一样，讨论理由，并在需要时寻求第二位医生意见。
💡 医疗信任不只是“答对”，还包括对谁说、怎么说，以及能否在不讨好用户的情况下指出需要采取行动的风险。
⚡ 专家人数多不意味着一定形成正确共识；不同地区的资源和指南也可能不同。另一难点是避免把每种不确定情况都报成急症，否则安全提醒会失去可信度。
💬 Singhal 将知识进入临床分为研究发表、形成指南、日常实践三个环节。他援引研究称，指南进入日常实践可能花费5—17 年，希望 AI 把已有共识送到面诊现场；对真正缺乏证据的问题，则应坦承不确定性。他又将落地拆为模型能力、产品工作流、合作部署：医疗机构还需要安全、隐私与合规安排。谈及 Epic，他描述了临床人员在 ChatGPT 中使用 Epic，以及在 Epic 界面内调用 ChatGPT 的连接方式。
💡 医疗 AI 的价值并不只由模型分数决定。若最新证据无法在医生需要的时刻进入病历工作流，再好的回答也可能闲置；反过来，把证据直接嵌进工作流，也更需要清晰标明来源与适用条件。
⚡ “5—17 年”是节目中引用的概括，不能直接套用所有专科或指南。快速传播新研究也未必总是好事：早期发现可能被后续研究推翻，系统必须区分初步论文、成熟指南和具体患者的例外情况。
💬 面对“我想在接下来几周感觉好一点”这样含义开放的请求，Singhal 先谈所有产品界面都应具备的危机应对安全底线，再谈如何评估积极的心理健康支持。他说团队与各地持证心理健康专家合作，为复杂情境定义模型行为，推出 Mental Health Bench，希望形成可供行业共同使用的衡量尺度；他也承认，此领域的专家分歧可能比躯体健康更大。
💡 心理健康回答不能只按“有没有明显违规”衡量。语境理解、支持方式、风险识别与适时引导真人帮助，都是体验的一部分。
⚡ 基准测试能让改进可比较，却无法单独证明长期心理健康获益。何种陪伴属于有益支持、何时可能形成依赖，仍需要现实使用数据和独立研究检验。
💬 主持人指出，处方、验血、影像、体格检查和治疗仍需进入医疗体系；照护还包括同理心与责任。Singhal 明确回答：AI 不能、也不会独自提供这一切。他把 OpenAI 的角色比作帮助患者导航的“协调者”，并让实际提供照护的机构更容易使用 AI。他举 UCSF 对病历审阅及 Epic 连接的探索，以及 AdventHealth 在行政工作流使用智能体的例子；后者据其转述，报告部分行政流程成本下降约 80%。面诊即使已有 AI 准备，也仍要获取新信息、进行必要检查和处理人与人之间的沟通。
💡 信息供给可以近乎即时，医疗执行却受人员、设备、执照和组织流程约束。明确这条边界，才能把产品承诺从“替你治病”落实为“帮你更顺利地获得适当照护”。
⚡ 行政流程的个案降本不能直接推算全院或全行业节省；“协调者”若实际影响分诊、用药或转诊，也需要说清由谁监督、谁核准以及出错后如何纠正。
💬 Singhal 借 AlphaGo 出人意料的“第 37 手”，描述 AI 提出人类起初未想到、事后可验证的健康判断。他强调目前仍在早期。较小尺度的例子是 Penda Health 的临床辅助工作：模型曾提示抗生素可能被过度使用。更长远的设想是整合患者约 10 年的纵向病历等信息，发现单个医生难以在脑中综合的风险模式。他也认为，现有电子病历、理赔等数据尚未被充分分析，科学家的关键瓶颈将越来越多地落在验证，而非单纯提出假说。
💡 这把 AI 的目标从“更快复述已知医学”推进到“提出值得检验的新认识”。如果成立，受益者不仅是患者和医生，也包括研究者。
⚡ 提示可能的抗生素过量使用，与发现经严格验证的新疗法并不是同一级别的突破。纵向数据也存在缺失、偏差和跨机构不一致；发现相关性之后，仍须验证因果与临床效用。
💬 主持人称美国医疗支出超过5.3 万亿美元，医疗业雇用约2300 万人。Singhal 举模型迭代为例，称一个较便宜的新模型在临床工作流基准上优于此前的较强模型，同时价格低34 倍；但他也直言，健康智能尚未对整体医疗支出产生可见的宏观影响。潜在节省更可能先来自文书、行政和慢病管理的流程整合。主持人又提出保险方与医疗服务方各自使用 AI 处理账单，可能引发自动化“军备竞赛”；Singhal 希望双方最终能依据共享的就诊记录更直接地核定。
💡 模型调用变便宜，只是降低成本的前提。要减少医疗总支出，必须证明它替代了重复劳动、改善了决策或避免了下游损失，而不只是生成更多可供双方争辩的文件。
⚡ 节目转写对上述模型名称的识别不稳定，34 倍的比较应待官方发布资料核实。保险核定所需的“共同事实”也不天然中立：记录是否完整、规则如何解释、患者如何申诉，都会影响结果。
💬 对影像、检验、手术等程序性照护，Singhal 认为近期更可行的是更准确地判断何时需要检查或干预，以及更早预防恶化。他猜测，未来一两年预防性、主动性的辅助可能比医疗机器人产生更明显影响；机器人还面临技术、支付与行业整合障碍，不是他预期的“未来几年”成果。展望5—10 年，他更看重 AI 帮助寻找治疗靶点与分子，以及在候选药物多于临床试验容量时，协助筛选和验证研究方向。
💡 本集最终把“健康专家在口袋里”落到两个不同时间尺度：近期让患者更早采取合适行动，远期则可能加快新疗法从候选想法走向验证。
⚡ 预防能否减少昂贵治疗，须用真实世界结果验证；更频繁的风险提示也可能带来过度检查。药物发现预测尤其不能跳过实验、临床试验与监管审查。
“健康的发展速度，取决于信任的发展速度。”——Singhal 谈医疗 AI 的采纳条件，意译。
“AI 不能、也不会提供医疗照护的全部。”——Singhal 区分健康信息与实际照护，意译。
“我们希望让健康智能变得充裕，而不是把它囤积起来。”——Singhal 谈能力与价格的方向，意译。
“如果模型变聪明了，却没人信任或使用它，我们也没有实现使命。”——Singhal 谈产品与部署，意译。
“第二意见”更适合被设计成可讨论的线索，而非自动裁决。 节目中的用药相互作用与抗生素提醒，价值都在于促使人重新检查依据。对患者而言，可把 AI 输出带给医生询问：“它依据什么提出这一点？我的情况有何不同？”而不是要求医生直接照单执行。
主动助手最难的是决定何时不打扰。 长期监测若每次指标波动都提醒，可能造成焦虑和无谓检查。真正有用的系统须综合变化幅度、既往病史、医生既定计划及提醒后的可执行步骤。
“发现新知识”与“确认新知识”应分开衡量。 AI 可以从分散数据中提出候选风险或治疗假说；证明它能改善患者结局，则还需要数据质量审查、前瞻性验证和适当的临床研究。
