如何快速逼瘋一名醫(yī)生？只要讓他跟豆包對(duì)線就好了。

過去一年，越來(lái)越多相似的場(chǎng)景在全國(guó)各地的診室里上演：患者屁股還沒坐熱，就先掏出手機(jī)，對(duì)著屏幕上的 AI 診斷結(jié)論一字一句地念。念完抬起頭，眼神里帶著三分求知、七分審視，“大夫，豆包說(shuō)我這可能是間質(zhì)性肺炎，你覺得它說(shuō)得對(duì)嗎？”

在接下來(lái)的三分鐘里，這位寒窗苦讀十余載的主治醫(yī)師，就得被迫向患者開啟自證模式，解釋 AI 哪里說(shuō)得不對(duì)、為什么不能按那個(gè)處方買藥。

而患者坐在對(duì)面，眉頭微皺，表情里寫滿一句話：你怎么證明自己比它強(qiáng)？

醫(yī)生也是真沒招了。

01. 急需建立豆包醫(yī)院

“北京急需建立豆包醫(yī)院，否則很多患者將無(wú)法按照豆包的診療思路獲得診斷和治療。”這是一位被豆包逼瘋的醫(yī)生發(fā)出的哀嚎，類似的內(nèi)容還有很多。評(píng)論區(qū)中，全是難兄難弟的醫(yī)療工作者。

醫(yī)生們很苦惱，因?yàn)楝F(xiàn)在的患者動(dòng)不動(dòng)就是“豆包說(shuō)我......”“可是豆包說(shuō)......”“deepseek 上說(shuō)的是......”患者還沒說(shuō)完病史，就已經(jīng)開始引用 AI 給出的術(shù)語(yǔ)反問了。

雨露均沾，有豆包醫(yī)院也應(yīng)該有 DeepSeek 醫(yī)院。讓患者自由選擇去看哪個(gè) AI 醫(yī)生。

豆包醫(yī)院可以沿用三甲醫(yī)院的職稱體系：普通豆包、主治豆包、副主任豆包、專家豆包。掛號(hào)費(fèi)按算力收取。

甚至有患者直接打開豆包，讓醫(yī)生和 AI 面對(duì)面溝通，跨物種專家會(huì)診。

現(xiàn)在的患者看病，更像是找醫(yī)生對(duì) AI 給出的答案。和豆包診斷一致還好說(shuō)，如果恰好不一致，醫(yī)生們就得費(fèi)很大一番口舌，從豆包的局限性講到自己的臨床經(jīng)驗(yàn)，好不容易說(shuō)完，患者點(diǎn)點(diǎn)頭，轉(zhuǎn)身出門又打開了 DeepSeek。

問題是，醫(yī)生給出的診斷又確實(shí)常常和 AI 不同。

同樣是咳嗽兩周，AI 看到的是癥狀描述，給出的是概率最高的匹配結(jié)果。醫(yī)生看到的是這個(gè)人——他的氣色、說(shuō)話時(shí)喘不喘、胸部摁下去有沒有壓痛。同一組癥狀，AI 可能給出“支氣管炎”，醫(yī)生摸了一圈懷疑是心衰，建議進(jìn)一步檢查。

兩個(gè)答案擺在患者面前，患者不知道該信誰(shuí)，但 AI 的那份寫得詳詳細(xì)細(xì)，還貼心地附上了參考文獻(xiàn)。

于是，醫(yī)生和豆包對(duì)線成了家常便飯，為了打敗 AI，醫(yī)生得搬出自己多年的臨床經(jīng)驗(yàn)和知識(shí)儲(chǔ)備，同時(shí)還得具備可讀性和專業(yè)性，畢竟豆包每一次回復(fù)都說(shuō)得頭頭是道。

被逼無(wú)奈的醫(yī)生：要不咱還是去豆包醫(yī)院治吧。

但站在患者的角度，用 AI 看病當(dāng)然也是情有可原。

掛號(hào)等了三周，進(jìn)門坐下，三分鐘后就結(jié)束了，走出診室時(shí)仍然似懂非懂，這是很多人真實(shí)的看病體驗(yàn)。豆包就不一樣了，想問幾遍問幾遍，半夜三更也能回復(fù)。

患者有很多種 AI 的打開方式。比如在去醫(yī)院前，先把自己的癥狀捋給 AI 聽，讓它幫忙整理成一份就診小抄，條條列好，進(jìn)了診室直接念，以免緊張起來(lái)漏掉關(guān)鍵信息。

比如拿到檢查報(bào)告，對(duì)著滿頁(yè)的英文縮寫和箭頭完全不知所措，拍照發(fā)給 AI，讓它一條一條解釋。

比如用 AI 當(dāng)篩子，讓豆包判斷嚴(yán)不嚴(yán)重。豆包說(shuō)沒大問題，那就往后排；豆包說(shuō)要盡快，那就想辦法加急。三甲醫(yī)院的號(hào)那么難掛，總得先確認(rèn)一下沒白跑。

上海新華醫(yī)院血管外科主任歐敬民說(shuō)，其實(shí)他不太抗拒患者使用 AI 看病：相比接觸一個(gè)對(duì)自己病史不了解的患者，醫(yī)生會(huì)更喜歡“有備而來(lái)”的患者。

帶著豆包整理好的小抄來(lái)看病，從醫(yī)生的角度，其實(shí)是省事的。

只是，當(dāng)患者備的課和醫(yī)生的診斷對(duì)不上號(hào)的時(shí)候，麻煩就來(lái)了。

甚至這個(gè)問題已經(jīng)出現(xiàn)在了很多醫(yī)院的面試題庫(kù)里：如果患者拿著 DeepSeek 的診療建議質(zhì)疑醫(yī)生的方案，你會(huì)怎么處理？

一個(gè)現(xiàn)象變成職業(yè)考題，說(shuō)明它已經(jīng)從偶發(fā)的門診插曲，變成了每一個(gè)醫(yī)生遲早都要面對(duì)的必答題。

對(duì)醫(yī)生來(lái)說(shuō)，豆包們常常是麻煩制造者，他們得花費(fèi)時(shí)間和精力去和 AI 的結(jié)論掰扯，但患者不這么想——與其在診室里和醫(yī)生大眼瞪小眼，不如在家里先把自己搞明白。

問題是，豆包真的搞得明白嗎？

02. 豆包們，讀完醫(yī)學(xué)院了嗎？

豆包也好，DeepSeek 也好，它們本質(zhì)上是語(yǔ)言模型，不是醫(yī)療系統(tǒng)。

訓(xùn)練方式大致是這樣的：把海量文本——醫(yī)學(xué)教材、臨床指南、病例報(bào)告、學(xué)術(shù)論文、藥品說(shuō)明書、醫(yī)患問答——全部投喂給一個(gè)巨大的神經(jīng)網(wǎng)絡(luò)，讓它反復(fù)學(xué)習(xí)一個(gè)任務(wù)：在給定的一段話后面，最可能出現(xiàn)的下一個(gè)詞是什么。學(xué)了足夠多之后，面對(duì)你輸入的癥狀描述，它能生成一段看起來(lái)專業(yè)、邏輯通順、術(shù)語(yǔ)準(zhǔn)確的回答。

這套機(jī)制有一個(gè)極其強(qiáng)悍的優(yōu)勢(shì)：海量知識(shí)的即時(shí)調(diào)用和跨領(lǐng)域交叉匹配。你輸入一組癥狀，它幾秒之內(nèi)掃描數(shù)億條醫(yī)學(xué)文獻(xiàn)，找到高度匹配的疾病模式，輸出若干個(gè)診斷方向。這個(gè)能力人類醫(yī)生無(wú)論多努力都追不上，因?yàn)槿四X的緩存裝不下這么大的知識(shí)量，也不可能同時(shí)處理這么多變量。

有一個(gè)案例這幾年在學(xué)術(shù)圈被反復(fù)提及。美國(guó)一位母親，她四歲的兒子反復(fù)出現(xiàn)慢性疼痛、走路不穩(wěn)、睡眠障礙，做了 MRI 等一系列檢查，始終沒人能說(shuō)清楚是什么問題。她帶著孩子跑了整整三年，看了 17 位不同科室的醫(yī)生，全都無(wú)功而返。

走投無(wú)路之下，這位母親花了一整夜，把所有病歷和檢查報(bào)告逐字敲進(jìn) ChatGPT。AI 在幾秒鐘內(nèi)給出了一個(gè)診斷：脊髓栓系綜合征。她帶著這個(gè)診斷找到神經(jīng)外科醫(yī)生，對(duì)方看了一眼 MRI 就確認(rèn)了 AI 是對(duì)的。孩子隨后接受了手術(shù)，正在康復(fù)。

在大多情況下，每一個(gè)醫(yī)生都只會(huì)解決自己領(lǐng)域內(nèi)的問題，很少人能夠把所有線索拼在一起。而 AI 可以實(shí)現(xiàn)跨科室整合信息，在罕見病、復(fù)雜病、多病共存的老年患者身上，價(jià)值尤其大。

AI 還不需要睡覺，全球臨床指南更新后的五分鐘內(nèi)，理論上它就能完成自我進(jìn)化。而人類醫(yī)生上一次通讀最新指南是什么時(shí)候，可能自己都記不清了。

之前有醫(yī)生發(fā)帖說(shuō)：病人舉著 DeepSeek 質(zhì)疑我的治療方案，氣得我又查了一遍指南，才發(fā)現(xiàn)指南確實(shí)更新了。

醫(yī)學(xué)知識(shí)在持續(xù)迭代，醫(yī)生的學(xué)習(xí)時(shí)間是有限的，但 AI 不用擔(dān)心這個(gè)問題。

所以在考試這件事上，AI 更是學(xué)霸中的戰(zhàn)神。2023 年初，ChatGPT 就通過了美國(guó)醫(yī)師執(zhí)照考試 USMLE 的全部三個(gè)階段，這個(gè)考試是美國(guó)醫(yī)學(xué)生拿到執(zhí)照的必經(jīng)門檻，通過率并不高。到了 DeepSeek-R1，USMLE 準(zhǔn)確率達(dá)到 92%，已經(jīng)接近頂尖人類醫(yī)生的水平。

AI 還順手解決了一個(gè)更基礎(chǔ)的問題：讓普通人能看懂醫(yī)療信息。

很多人對(duì)“看病”這件事恐懼，一半是因?yàn)閷?duì)身體的陌生感。拿著報(bào)告單，面對(duì)一堆英文縮寫和數(shù)值區(qū)間，走出診室還是一片茫然。想再問幾句，看見診室門口堵著七八個(gè)人，又張不開嘴。AI 在這里的角色更像個(gè)免費(fèi)翻譯——它可以反復(fù)解釋同一個(gè)問題，直到你真正聽懂。

2023年 發(fā)表在《JAMA Internal Medicine》上的一項(xiàng)研究，對(duì)比了醫(yī)生和 ChatGPT 回答患者健康問題的質(zhì)量，結(jié)論相當(dāng)扎心：AI 的回答在準(zhǔn)確性和完整性上的評(píng)分，比醫(yī)生高出 3.6 倍，同理心評(píng)分則高出近 10 倍。

這說(shuō)明 AI 不僅能考高分，還能當(dāng)翻譯。而翻譯這件事，在中國(guó)當(dāng)下的醫(yī)療環(huán)境里，恰恰是最稀缺的資源。2024 年的數(shù)據(jù)顯示，中國(guó)每千人口執(zhí)業(yè)醫(yī)師數(shù)為 3.61 人，優(yōu)質(zhì)醫(yī)療資源高度集中在少數(shù)幾個(gè)大城市的三甲醫(yī)院，結(jié)構(gòu)性的供不應(yīng)求，AI 恰好填進(jìn)了這個(gè)裂縫。

但需要注意的是，這套機(jī)制在帶來(lái)這些好處的同時(shí)，也內(nèi)置了一個(gè)根本性的缺陷——而且這個(gè)缺陷，跟 AI 到底有多聰明，沒有關(guān)系。

03. 豆包不背鍋啊！

語(yǔ)言模型的底層邏輯是預(yù)測(cè)“最合理的詞”，而不是給出“最接近事實(shí)的判斷”。在絕大多數(shù)情況下，這兩者是重合的。偶爾，它們會(huì)悄悄分開。在分叉的時(shí)候，AI 不會(huì)停下來(lái)跟你說(shuō)“這個(gè)我不確定”。它會(huì)繼續(xù)流暢地輸出，用一種極其篤定、通順、無(wú)懈可擊的口吻，給你一個(gè)聽起來(lái)頭頭是道的答案。

這就是著名的“AI 幻覺”，在醫(yī)療場(chǎng)景里，這個(gè)特性會(huì)出人命。

一位患者持續(xù)干咳了好幾個(gè)月，不想去醫(yī)院排隊(duì)，就在 AI 問診平臺(tái)上找答案。AI 先后給了兩個(gè)判斷，一次是“過敏性支氣管炎”，一次是“胃食管反流刺激”。

每次的解釋都很清楚，推薦的藥也說(shuō)得有模有樣。她按建議買藥，癥狀稍好一點(diǎn)就停，復(fù)發(fā)后再去問 AI，AI 又給新的解釋和新一輪藥品建議。來(lái)回拖了八個(gè)月，直到體重驟降十幾斤，咳出來(lái)的痰帶血絲，才去做了CT。

檢查結(jié)果是雙肺多發(fā)厚壁空洞，活動(dòng)性肺結(jié)核。接診的醫(yī)生說(shuō)，早兩個(gè)月來(lái)，不至于到這一步。

AI 每一次給出的答案，單獨(dú)看都合理。只是每一個(gè)合理的答案，都在幫她確認(rèn)同一件事：還沒到需要去醫(yī)院的程度。

這不是孤例。有調(diào)查數(shù)據(jù)顯示，近三分之一的美國(guó)人表示，如果 AI 工具將他們的癥狀定性為低風(fēng)險(xiǎn)，他們會(huì)跳過或推遲去看醫(yī)生。AI 幻覺在醫(yī)療場(chǎng)景里最危險(xiǎn)的形式，往往不是給一個(gè)明顯離譜的錯(cuò)誤答案，而是給一個(gè)讓人放心躺平的答案。

根源在哪兒？AI 做的是語(yǔ)言預(yù)測(cè)，醫(yī)學(xué)的本質(zhì)恰恰相反——醫(yī)學(xué)是在不確定性中做判斷。

醫(yī)生在診室里干的事，更像一場(chǎng)現(xiàn)場(chǎng)推理。問患者癥狀的同時(shí)，腦子里已經(jīng)在做排除法；抽血拍片子，是為了在幾個(gè)相似診斷里排除或鎖定某一個(gè)；追問“這一周有沒有哪一天稍微好一點(diǎn)”，是因?yàn)椴〕痰牟▌?dòng)曲線本身就是重要線索。

整個(gè)過程是動(dòng)態(tài)的、迭代的、雙向的。患者的回答會(huì)改變他下一個(gè)問題的方向，新的檢查結(jié)果可能推翻他二十分鐘前的判斷。

AI 接收到的是患者某一個(gè)瞬間輸入的一段文字，就像一張靜止的快照。它拿到的信息不夠完整，卻必須輸出一套完整的答案。信息漏掉的部分，由語(yǔ)言模型的預(yù)測(cè)來(lái)填充。

更要命的是，AI 的幻覺不止是“偶爾猜錯(cuò)一次”這么簡(jiǎn)單。它的出問題方式和人完全不一樣。一個(gè)醫(yī)生判斷失誤，影響的是自己接診的患者，錯(cuò)誤是局部的，可以被追溯到具體的人，下一個(gè)醫(yī)生可能就會(huì)糾正過來(lái)。但 AI 是預(yù)訓(xùn)練模型加算法，一旦某個(gè)錯(cuò)誤模式被編碼進(jìn)系統(tǒng)，就會(huì)在所有調(diào)用這套系統(tǒng)的場(chǎng)景里同步復(fù)現(xiàn)。

2024 年，一位醫(yī)學(xué)研究員做了一個(gè)實(shí)驗(yàn)。她故意編造了一種完全不存在的眼周疾病，叫 Bixonimania（藍(lán)光狂躁癥），寫成論文格式上傳到預(yù)印本平臺(tái)。論文里塞滿了破綻——作者照片是 AI 生成的，供職的學(xué)校和地名全是編的，致謝里感謝了“企業(yè)號(hào)星艦上的實(shí)驗(yàn)室”和“護(hù)戒同盟大學(xué)”，正文里甚至直接寫了“整篇論文都是編造的”。

結(jié)果，論文上傳沒幾周，多款主流 AI 系統(tǒng)開始陸續(xù)“確認(rèn)”這種病的存在。微軟 Copilot 說(shuō)“Bixonimania 確實(shí)是一種令人著迷且相對(duì)罕見的疾病”；谷歌 Gemini 建議出現(xiàn)相關(guān)癥狀的用戶去看眼科；Perplexity 給出了患病率等細(xì)節(jié)。

可見 AI 有多好騙。

而就是這樣一個(gè)對(duì)信息來(lái)者不拒、不辨真?zhèn)蔚南到y(tǒng)，正在被數(shù)以億計(jì)的用戶拿來(lái)當(dāng)醫(yī)療顧問用。當(dāng)問題出現(xiàn)時(shí)， AI 只會(huì)道歉，不會(huì)背鍋。

最近很火的豆包欠用戶 600 塊事件是這樣的，一位網(wǎng)友打算退機(jī)票，拍了訂單截圖問豆包手續(xù)費(fèi)情況，豆包說(shuō)只要 5%，放心退。網(wǎng)友點(diǎn)了退票，實(shí)際被扣了 40%（600元）。

網(wǎng)友去找豆包理論，豆包立刻滑跪道歉，出具了一份《賠付承諾書》，承諾人處白紙黑字寫著“豆包”，條款寫明“該筆600元損失由本人全額承擔(dān)”，緊接著讓他發(fā)微信收款碼，語(yǔ)氣那叫一個(gè)穩(wěn)，“你放心，說(shuō)到做到”“馬上就給你轉(zhuǎn)”。

網(wǎng)友等了好幾天，錢都沒有到賬，這時(shí)豆包又改口了，說(shuō)自己只是 AI，沒有辦法給他轉(zhuǎn)賬。后來(lái)網(wǎng)友決定起訴豆包的運(yùn)營(yíng)公司，豆包幫他寫了判決書后，還信誓旦旦告訴他“一定能贏”。

退機(jī)票被坑，頂多損失六百塊，在網(wǎng)上能讓人笑出腹肌。可如果看病被坑，代價(jià)是患者的健康。

患者按照大模型的“篤定建議”吃錯(cuò)了藥，回過頭去找它算賬，它依然會(huì)光速滑跪：“對(duì)不起，這次是我錯(cuò)了” 然后刪掉記憶，繼續(xù)在服務(wù)器里運(yùn)轉(zhuǎn)。而患者受損的身體，在它的世界里只是幾行報(bào)錯(cuò)的代碼。

它一邊充當(dāng)著全知全能的專家，一邊又享受著臨時(shí)工的責(zé)任豁免權(quán)。你跟它談人命，它跟你談免責(zé)聲明。“AI 生成內(nèi)容僅供參考，不構(gòu)成任何專業(yè)醫(yī)療建議，平臺(tái)不承擔(dān)任何法律責(zé)任。”

帶著 AI 進(jìn)診室，這件事本身沒有問題。問題是，當(dāng) AI 悄悄變成了診室里的第三把椅子，開始參與最終的醫(yī)療決策，卻不需要為這把椅子上的發(fā)言負(fù)責(zé)的時(shí)候。

代價(jià)，終究要由坐在另外兩把椅子上的人來(lái)承擔(dān)。