临床指南只有11%有硬证据，这位创始人要让GPT-4给你看病

先看一组数字。几年前一项针对临床指南的综述发现，医生奉为圭臬的「最佳实践」，只有大约11%建立在A级临床证据之上。剩下九成，本质上是专家委员会坐下来商量出来的意见。再往下挖一层：医生只有大约一半的时候真的照着指南执行。两个数字相乘，一个病人拿到真正数据驱动建议的概率，只有5%上下。

这是Neal Khosla在播客Cognitive Revolution上抛出的判断。他是Curai Health的创始人兼CEO，公司在这一轮AI热潮之前就融了超过5000万美元，做AI辅助的线上诊疗。2023年5月，他和主持人Nathan Labenz、Eric Torenberg聊了一场信息量极大的对话，从GPT-4考医师执照考试，聊到数据护城河为什么靠不住，再到穷国为什么更乐观。

这场对话的稀缺之处在于，Neal既发论文又开公司，两边都拿一手数据说话。

医疗，可能是唯一60年没变的职业

Neal开场的论断很直接：过去60年，计算革命改写了几乎所有行业，医疗是例外。

把今天的医生放回60年前，他照样能正常上班。诊室里多了核磁这类设备，可那也是70年代的产物。看病这个动作本身，从古至今都是同一套流程：花15分钟见医生，听一段建议。中世纪国王享受的待遇是御医多陪一会儿，今天的有钱人买私人医生，买的也是同一种东西。

医疗行业唯一的调节杠杆，就是医生的时间。谁买得起更多时间，谁就得到更好的照护。

所以Neal的愿景是：假如世界上有一个人对你的病最懂，那个人应该全天候对你开放。

未来每个人掏出手机，就能获得接近顶级水平的个性化医疗知识，边际成本接近零。

这件事在美国有意义，在更大的世界上意义更大。全球80亿人，绝大多数终其一生得不到梅奥诊所级别的照护。AI如果真能把顶级医疗知识做成软件那样复制，改变的是供给曲线本身。

他还提到一个更长期的工程：医疗需要一套基础设施，把病人身上发生了什么、做了什么治疗、结果如何，长期记录下来，再在诊疗现场变成决策支持。犹他州因为摩门教人口世代定居、早早用了电子病历和家谱数据，成了少数有纵向数据的地方，而世界其他地方连雏形都没有。

具体到产品形态，Neal的判断是，病人获得医疗知识向来只有两条路：见医生，或者自己上网查。谷歌、Reddit、健康论坛，信息没经过校验，病人也不知道该信哪条。这两条路迟早会合成一条。他举了个例子：联合主持人Eric Torenberg每天吃鱼油，他的医生大概率根本不知道这件事，因为15分钟的门诊根本聊不到这些。

未来这个入口就是一个文本框。你说出困扰，系统做的第一件事是反问：为什么想吃鱼油？试过别的吗？甘油三酯高不高？先搞清楚目标，再往下钻。这套追问能力，恰恰是所有搜索引擎都给不了的。

GPT-4当医生，已经是什么水平

先说Neal自己的用法。他承认，自己现在大部分医疗咨询就是打开ChatGPT，用GPT-4问。健身时听到什么补剂，第一反应是问模型。他强调这不推荐给不了解风险的人，但他的评价是：比约医生快多了，而且相当靠谱。

他团队里有一位在斯坦福兼职出诊的医生，坚持把这些工具带进诊室，反复说这件事让他成了更好的医生。

量化数据更狠。今年1月有论文显示，GPT-3.5已经能通过美国医师执照考试（USMLE）；GPT-4发布后，微软正式报告的成绩已经超过普通医生。Curai自己刚发布的论文，又把最好成绩往前推了一截。顺带一提，这场对话录制时，GPT-4才发布一个多月。

但Neal花了很多口舌讲这套考试的问题。USMLE的题目是这样的：一位67岁膀胱移行细胞癌患者，新辅助化疗一周后出现耳鸣，问药物的作用机制是抑制胸苷酸合成、抑制蛋白酶体，还是另外三个选项之一。

现实里没有医生是拿着五个选项看病的。病人坐在你面前，答案得从脑子里凭空长出来。所以Curai在评测里做了一件狠事：把选择题的选项全部删掉，让模型自己作答，再用另一个模型判断开放回答和标准答案是不是同一个意思。他们管这套指标叫GPT recall和GPT precision，比如模型答「高胆固醇」，标准答案是「胆固醇超过200」，得算对。

难度上去了，成绩反而还在涨。Nathan补了一个反向观察：有些2021年写的旧评测脚本，用少样本示例逼模型直接选选项，会低估GPT-4的真实水平；而选择题本身又会高估它。两头都失真。

Neal还讲了为什么医疗AI过去做不成。早期的思路是建一张巨大的对应表，症状映射到疾病。问题是真实世界太乱。一个人乳糖不耐受，病历里可能只写了「吃麦片不舒服」，因为病人从来不会说「我喝了牛奶」。人脑能自动完成这种抽象和泛化，符号系统不能。语言模型第一次让机器具备了这种能力。

还有一点：诊断是动态的。病人进来是一个初步判断，多问几句变了，一周后检查结果出来又变了。模型必须能跟着信息滚动更新，而考试题全是静态快照。

工程上还有个细节：哪怕病情简单的病人，聊上几轮，历史数据也会超出模型的上下文窗口。所以得给既往数据建索引，在对话中实时检索，把最相关的部分喂进窗口。

两个GPT-4互相挑错，又刷出新纪录

Curai那篇论文叫Dialogue-Enabled Resolving Agents，思路说穿了很简单：同一个GPT-4开两个实例，一个当「决策者」，拿到病例给结论；另一个当「研究者」，专门负责挑刺，质疑决策者的每一步推理。两个模型进入苏格拉底式的对话，最后得出更靠谱的答案。论文原名更直白，本来叫「学生和老师」。这套方法在多个医疗任务上刷出了当时的最优成绩。

直觉上这讲不通：两个一样的模型，失败模式应该一样，凭什么能变好？Neal的解释是，模型的状态空间太大，真正的问题是把正确的知识从模型里「引」出来，两个实例对话就是一种引出机制。他提到有新研究认为，链式思考里的推理能力来自模型内部变量的局部聚类互相影响，这个方向还很年轻。

更反直觉的是组合方式。按机器学习的老经验，集成学习要用不同的模型才有独立失败模式。但Neal说他们试下来，多个GPT-4实例互相配合，效果比混搭GPT-4、GPT-3和Bard更好，这和他的直觉相反。

Nathan把这套思路类比到国际象棋的深蓝：深蓝把大量算力花在对局时的搜索上，而今天的大模型把算力都花在训练阶段，推理时一个token一个token地吐。多个智能体对话，等于把算力重新搬回到运行时。Meta那个玩外交游戏的Cicero，走的也是类似的路子。

还有一个让Neal自己都吃惊的发现：GPT-4能直接读懂连续血糖监测的数据。那是一张血糖随时间变化的曲线图，模型大概率从没见过真实的血糖时间序列，但它能说出「下午1点病人血糖冲到170，说明中午吃了一顿高碳水」。没见过的数据类型，靠泛化就能处理个八九不离十。多模态他也期待：一张皮疹照片，加上病人自己的描述「又痒又脱皮」，两种信息合成起来，判断力会超过任何单一模态。

三盆冷水：OpenAI、数据护城河和专用模型

聊到商业，Neal给了三盆冷水。

第一盆：OpenAI遥遥领先，而且差距不小。他试过谷歌的模型，也试过别家的，点名时只愿意损谷歌，别家懒得提。如果你要的是纯粹的智力性能，不用OpenAI就是在做牺牲。除非你的场景像文案生成那样性能已经够用，否则自训模型或开源模型省下的钱，抵不上损失的智力。

第二盆：数据护城河靠不住。模型的少样本学习能力太强，给它10个、100个、撑死1000个人工标注的样本，就能泛化到那个任务上，做到你有100万条数据时的九成水平。除非你的场景必须99%的性能，否则一百万条数据挡不住别人标一千条。最后竞争还是回到用户体验和分发渠道上。有公司拿着血糖数据当核心优势，而GPT-4连没见过的血糖曲线都能读，这种护城河的成色可想而知。

第三盆：领域专用模型被高估了。他举了个真实病例：病人去了火人节（Burning Man），回来肺疼。只喂过病历和生物医学数据的专用模型，根本不知道火人节是什么，更不知道沙漠粉尘会进肺，还有沙漠里那种罕见真菌感染。通用模型见过整个世界，所以能提出正确假设。世界很大，世界很乱，病人的线索藏在生活的细节里。

他还在推一个叫「目标导向医疗」的方向，思路接近AutoGPT：病人想减重，想控制糖尿病，系统带着这个长期目标，主动跟病人保持互动，一路跟进。这在大模型出现之前想都不敢想。

医生签字，就是当下的护城河

Curai现在的产品长这样：消费者端每月14.99美元，匹配一位医生，获得持续照护；但重心在机构客户，跟医疗保险公司和医疗系统合作。

「大势已定。接下来三年，大多数病人寻求医疗建议的起点会是ChatGPT。」

这是Neal的原话。就像过去十几年大家先用谷歌搜症状，这次更危险，因为有人可能在ChatGPT上自助问诊之后，压根不再去看医生。保险公司还关心另一件事：如果ChatGPT随口让病人去看神经科，而神经科很贵，谁来把关这个转诊是不是真的必要？

所以他们的方案是让医疗系统主动接住这个趋势。他拿斯坦福医疗虚构了一个例子，特意说明这还不是他们的合作方：病人下载医疗系统自己的应用，点「立即就诊」，先由一套基于大模型的系统接待，问诊、分诊，处理掉大约80%的工作量；剩下20%，尤其是开药、开检查单这些决定，交还给医生。医生那头也有一套工具，自动整理病历、自动随访、自动生成护理计划。目前只有5%的用户接入了新模型，正在逐步放开，三个月内计划覆盖95%以上。

质量控制上，Neal提到了一件大多数同行还没做的事：给医疗AI建单元测试和回归测试。语言模型是非确定性的，还会因为微调和人类反馈不断变化，今天抗生素场景处理得好，明天模型一更新突然失灵，这种事不能等到发生了才知道。Curai建了一大套临床测试用例，每次改动都跑一遍，看模型在常见病例上的表现有没有漂移。Nathan说OpenAI最近开源的评测库算是露出了一点苗头，但Curai在这条路上起码深了十倍。

安全护栏是另一块重活。监管要求摆在那里，语言模型不能直接给病人开药，处方必须出自医生之手。心理健康更要单独设防，Neal提到前阵子的一则新闻，有人自杀，伴侣认为和长期跟聊天机器人对话有关。这类风险是真实存在的，护栏必须建在模型外面。另外，GPT开箱即用并不符合HIPAA（美国医疗隐私法规），哪些环节能用它、哪些环节必须换方案，Curai内部划得很细。

监管上，Neal的立场很清晰：只要有医生监督，这套东西就该按「决策支持」来监管，最终责任在医生。想让AI完全自主执业，那就走医疗器械的路子，拿证据换审批。他举了IDx-DR的例子，这套系统筛查糖尿病视网膜病变，拿到了FDA的完全自主审批，证明这条路走得通，但证据门槛应该很高。

还有一个伦理难题正在逼近：医疗事故的判定标准是「当时当地的普通医生会怎么做」。而大模型最擅长的就是给出平均水平的表现，它可能已经达到了这个标准。自动驾驶有「完美驾驶」可以对照，医疗没有，只有标准照护。这个问题迟早要摆上台面。

至于跟纯AI产品竞争，Neal觉得不构成威胁：ChatGPT让你休息加冰敷，没问题；让它给你开瑞舒伐他汀，它开不了。处方、调药、开化验单、解读报告，在美国都得医生签字。把事情办完，比把话说对值钱。

越穷的国家，越需要它

有一份调查数据Neal专门提了：对AI最乐观的，恰恰是最穷的那些国家。道理不复杂，印度十亿多人口，根本没有足够的医生服务他们，AI是唯一可能补上缺口的办法。

但现实障碍很具体。问大模型「这个病人该开什么药」，它会给出一份美国视角的标准答案；印度的药品供应链很窄，那个答案可能根本开不出来。健康素养也是问题，很多病人说不清自己的症状。

他用星巴克打了个比方：在美国做这件事，等于要盖一整座星巴克，复杂得多，但价值也大得多，因为能自己收数据、做人类反馈、做微调，长期会积累出真优势。在有些市场，只需要把咖啡冲好递出去。

各国的路径他都有判断。中国可能半年内人手一个大模型，医生被甩在后面，他半开玩笑说想想都吓人，长期会做得很好，短期可能付出代价。英国NHS是个庞然大物，内部已经在漏水，理论上最需要AI，但官僚体系转不动，好在心理健康这种极度短缺的领域已经有Limbic这样的公司在做AI分诊。美国的好处是入口多，总能找到地方先跑起来、攒证据。

最极端的场景在欠发达地区。Last Mile Health的创始人Raj Panjabi在做的事，是培训非洲的高中毕业生，教会他们当地最常见的十种病怎么处理，就这么把基础医疗铺开。在医疗资源接近于零的地方，这些系统的部署是一种道德义务，哪怕它还不完美。

最后，把这场对话里明天就能用上的东西列出来。

• 把GPT-4当第二意见用，但别当处方来源。问症状、问体检报告里指标的含义、问要不要去看专科，它答得相当好；问的时候让它先反问你几个问题再下结论，好答案来自追问。凡是涉及开药、调药，还是得见医生。Neal自己就是这么用的，同时他也反复强调，不了解风险的人别学他。
• 看病时主动交代你在网上查过什么、在吃什么。医疗最大的缺口是纵向数据。你吃的鱼油、你试过的偏方，医生都不知道。主动说，就是在给未来的自己攒病历。
• 别迷信「医疗专用」的招牌。通用大模型加上真实世界知识，在Neal的实测里经常强过只喂过病历的专用模型。评估一个医疗AI产品，先看它有没有医生监督、有没有成套的质量测试，再看它宣传的独家数据。

对话结尾，主持人问他愿不愿意植入脑机接口。他先开了个玩笑，说自己最想要的发明是能记录入睡前灵光一现的设备，然后正经回答：不知道。他的原话是，接下来10年、15年、20年，社会会有足够多的认知基础设施替我们做事，到时候每个人都得自己回答一个问题：精神上的满足，对你意味着什么。