问诊赢过全科医生，读片比肩放射科：谷歌医疗 AI 的五篇论文精读

先说结果。一个只能打字的 AI，通过聊天问诊，诊断准确率超过了一组真实执业的全科医生。模拟病人给它的共情评分，比给真医生的还高。

这项研究叫 AMIE，来自谷歌，2024 年年初发布，底座是已经算上一代的 PaLM 2。播客 Cognitive Revolution 这期请到了背后的两位研究员：Google Research 的 Vivek Natarajan 和 Google DeepMind 的 Khaled Saab。Vivek 已经是第三次上这个节目，是出场次数最多的嘉宾。

主持人 Nathan Labenz 把谷歌医疗 AI 的五篇论文从头捋了一遍：放射报告生成、诊断对话、Med-Gemini、多模态扩展、药物发现。下面挑最硬的信息讲。

放射科：两年前的旧模型，交出了临床级的报告

Nathan 在节目里讲了个细节。他妻子的表亲是医生，说她们医院一张影像片，最长要等 60 天才拿得到报告。医生们都很沮丧。放射科缺人，缺到这个程度。

第一篇论文做的是放射报告生成，底座是 Flamingo，谷歌 2022 年 4 月发布的早期多模态模型。论文发表距离模型发布超过 18 个月，在今天的 AI 行业算得上长寿。此前医疗 AI 的主流做法是分类：给一张图，判断有没有某种病灶。这篇论文跨出的一步，是让模型直接输出完整的自然语言报告，就是放射科医生最终写给病人和全科医生看的那种。

结果如何？在两个独立数据集上，AI 报告分别以 1% 和 12% 的绝对优势超过原放射科医生的报告；正常病例里 57% 和 96% 的 AI 报告被评为与人类报告相当或更好，异常病例里这个比例是 43% 和 65%。训练数据来自公开的 MIMIC 数据库，模型本身也不算大。高质量数据加一个相对小的模型，就能追平人类专家。

还有个更微妙的发现。把 AI 起草的报告交给放射科医生修改，这个「AI 加人」的组合，成绩比 AI 单干好，也比医生单干好。斯坦福 AIMI 中心的 Curt Langlotz 有句话在圈内流传很广：

「AI 不会取代放射科医生，但会用 AI 的放射科医生，会取代不会用 AI 的放射科医生。」

Vivek 还补了一个行业内幕。他们做 Med-PaLM 时没用清洗过的报告数据，吃了亏。那份清洗版是哈佛的 Pranav Rajpurkar 团队整理的，去掉了报告里对既往病史的引用，逼模型只根据眼前的影像推理，别瞎编它看不到的历史。杰弗里·辛顿当年那句「AI 将取代放射科医生」如今显得有点臭名昭著，但 Vivek 觉得他离真相并不远。

到了 Med-Gemini 的扩展论文，数字更进一步：首次用大模型生成 3D CT 报告，53% 被评为临床可接受。Nathan 的判断是，2D 胸片报告这件事，基本摸到了临床可用的门槛。

AMIE：7 轮自我对弈，练出一个会问诊的 AI

AMIE 做的事和之前的医疗 AI 有本质区别。以前的模型拿到的是整理干净的病例摘要，然后给诊断。真实的看病过程要复杂得多：医生先问症状和病史，再开启一段探案式的追问，可能开检查，最后才收敛到鉴别诊断和治疗方案。Vivek 说，在此之前，他没见过任何领域证明大模型能干这种活。

关键差异在于谁开车。跟 ChatGPT 聊天，是你引导对话，模型辅助你。看病反过来，模型得带着目标主动推进，问对问题，帮病人走完就诊旅程。这种能力从哪来？答案是造了一个模拟学习环境。

第一版 AMIE 用真实医患对话的转写文本训练，效果很差。原因是转写稿噪音太大：停顿、语气词、指指点点，信息在转成文字时丢了一堆。团队换了个思路，自己造数据。

具体配方是三个智能体。一个扮演病人，输入是自动生成的病人档案，包含症状、病史、家族史；一个扮演医生；第三个当批评家，按高质量对话的标准给对话挑毛病，反馈再喂回去重新生成。病人档案用网络搜索批量造了几万份，再叠加社会经济状况、用药史、旅行史，甚至病人性格，话痨的、焦虑的、有敌意的，排列组合下来能到几亿量级。同一个 AMIE 模型既演病人也演医生，靠不同指令切换，两边一起变强，这套流程叫外层自我对弈循环，论文里跑了 7 轮。Nathan 说，他见过的同类论文通常 5 轮就到头了。

他还算了笔账：一个医生整个职业生涯大概接诊几万人次，AMIE 的模拟对话量早已超过，而且还在涨。真人医生一辈子能见的病例，AI 几个月就能全部见一遍，还能按需补充。

团队自己都被速度吓到。Vivek 回忆，Med-PaLM 论文发布后大家开会讨论，一致估计搞定诊断对话至少要两年。AMIE 项目后来出了两篇论文，一篇是诊断对话，另一篇发在新英格兰医学杂志的病例挑战专栏。6 个月后，AI 就在两项评估里超过了全科医生。

当然，Vivek 主动泼了冷水。对比对真人医生算不上公平：医生习惯面对面或视频，靠表情语气传递共情，文字界面很陌生；AI 不会累，医生可能刚下完一天门诊。但进步本身没有争议。

Med-Gemini：从「一个全能模型」退到「一桌专科模型」

Med-PaLM 时代的叙事是证明通用医疗模型可行。到了 Med-Gemini，团队的想法变了。Vivek 说得很直白：真要部署，就得在数据配比、优化任务、延迟、吞吐、模型体积之间做取舍。什么都塞进一个大模型，成本经常不值。应用需要的是一份菜单，让不同场景各取所需。

这篇论文更像一次全面探底：文本推理继续做，加上了网络搜索的智能体框架；多模态专攻医学影像；碰上 Gemini 长上下文突破（100 万，后来 200 万 token），又解锁了一批新任务，比如处理多份电子病历日志、对着手术视频提问、跨 12 篇遗传学论文找答案。

其中最值得展开的是不确定性引导搜索。朴素做法是让模型对每个问题生成搜索词，抓回结果塞进上下文。Khaled 说这经常帮倒忙，无关信息一多，模型反而更容易抓错重点。他们的两个关键修正：

• 先让模型对同一问题生成多个回答，找出相互冲突的地方，再针对冲突点生成搜索词，搜的正是模型拿不准的东西。
• 训练时把搜索结果放进上下文，让模型学会只提取有用的部分，不盲从。

这套机制还有个更远的用途：模型拿不准时，明确说出来，退回去求助人类专家。Vivek 把这叫可扩展监督，是安全部署的前提。

另一个贯穿全场的话题是评估。生成式模型输出的是整段文字，准确率这种老指标用不上了，金标准是请临床专家小组逐条评审，慢，但躲不掉。Vivek 承认，现在的基准已经跟不上能力进步，MMLU 上提升 0.6% 这种数字，根本代表不了系统的全部能力。整个领域都缺更好的尺子。

从看病到制药：把生物医学宇宙编码进模型

Vivek 的长期愿景叫「AI 医师科学家」。他的参照系是科学史：弗莱明和索尔克都是白天看病人、晚上做实验的执业医生，突破来自临床观察和实验室的闭环。他想让模型同时吃下整条生物学生命链的数据，从 DNA、RNA、蛋白质，到医学影像、电子病历，再到人群健康数据。

第五篇论文 TX-LLM 是这条路上的一步。它把化学结构当成文本 token，就是有机化学课上那些 C、H、O 排成的字符串，和自然语言混在一起训练，让一个通用模型覆盖药物发现全流程，从靶点识别一路到临床试验阶段。有些任务还落后于专用模型，但不同药物模态之间的迁移学习已经出现。

更激进的是发现类工作。去年年底谷歌和斯坦福合作，让大模型对小鼠的一种耳聋表型提出致病基因假说，合作者用 CRISPR 基因敲除实验验证，假说成立。现在这套方法被用到人类「意义未明变异」上，罕见病和未确诊疾病正是最缺医生的领域。Vivek 说，幻觉的反面就是创造力，科学发现恰恰需要创造力，关键是把专家留在回路里。团队刻意没把系统接上机器人实验室，因为还做不到安全控制。

Khaled 补了一个关键瓶颈：AI 科学家要转起来，缺的是能快速检验假说的模拟环境。现在模型给一个假说，就得去湿实验室等几个月。谁先把生物模拟器做出来，谁的迭代速度就能上一个数量级。

最慢的一环：信任

Khaled 讲了个自己的故事。去年刚加入谷歌时，他在内部峰会上举手提问：大模型服务都免费，为什么不能直接出一个免费的 AI 医生？后来他明白了，医疗领域有 FDA 监管和一整套评估要求，没那么简单。

Vivek 说得更重。什么时候能把这个技术部署出去，是他现在夜里睡不着的最单一问题。他们的论文里反复加免责声明，就是在提醒：能力不等于可靠性。推特上偶尔疯传「我用 ChatGPT 诊断了自己的病，比医生强」，这种轶事说服不了监管机构。他给的路线图和制药几乎一样：先在模拟环境验证（AMIE 用的是病人演员），再进真实临床流程做对照研究，先看安全性，再看有效性，逐步放开能力。他们正在和资源充足的医疗机构合作推进，很快会有消息。

这里有个悖论。测试安全性本身就需要监督，监督意味着出问题时得有医生立刻顶上，而医疗资源恰恰集中在西方世界。所以只能先在资源充足的地方完成验证，再往外推。Vivek 的原话值得抄下来：

「医疗领域的一切，都以信任的速度前进。走捷径会把整个领域拖回几十年前；把事情做对，反而会让我们更快到达想去的地方。」

Nathan 的追问有两层：为什么不学特斯拉，先出贵的版本赚收入，再拿钱补贴降价？以及，当全球很多人今天能得到的最好选择就是 AMIE 时，把它压着不发，会不会本身就是一种不道德？Vivek 没有正面接招，他给的答案还是那条路线图：先证明安全和有效，其他的都排在后面。

接受度也是慢变量。Vivek 说他妈至今对 AI 的全部印象，是打电话给航空公司时那堵挡在人前面的 AI 墙。他估计全球大概只有十分之一的人真正用过 GPT-4 或 Gemini。技术从硅谷扩散到十亿用户，向来以十年计。

成本倒是好消息。Gemini 1.5 Pro 的输入价格是每百万 token 7 美元，Nathan 说他愿意为好用的产品每月付 500 美元。Vivek 纠正的是另一个维度：谷歌想的是十亿用户规模，在印度和非洲，每年 500 美元就是用不起。目标是让全球都能获得最好的医疗，别把现有的差距再放大一遍。所以还得往下压成本，Flash 级模型和端侧 Nano 都是为此准备的。

模型停在 Gemini 1.5，AI 医生照样做得出来

节目最后，Nathan 抛出了他自己的立场：应用加速主义者，超大规模暂停主义者。翻译过来就是，AI 医生、AI 程序员这些应用越快越好，但通往超级智能的继续放大可以缓一缓。他甚至主张搞一个「AI 医生极速计划」，用 10 的 26 次方量级算力训练的模型来做，同时给可解释性和 AI 控制留出成熟时间，理想情况下还能拉上中国一起。他的问题很直接：假如 Gemini 1.5 是你们能用过的最强模型，AI 医生的愿景还成立吗？

Khaled 先给了一个视角：计算器早就算得比数学博士快，我们的工具在很多轴上已经超人，只要可控、能造福人，超人没什么可怕的。但他同时承认，幻觉是让他睡不着的问题，今天的模型会在很基础的事情上犯蠢，这个洞必须补，靠不靠继续放大解决还是开放问题。

Vivek 的回答更干脆：以今天的模型能力，做出一个能普及医疗服务的系统，是可能的，只是要多花点时间。他拿 Waymo 做类比：自动驾驶不需要 AGI，靠的是系统性的开发、安全投入、模拟器和系统工程。医疗 AI 需要同样的东西，外加过程监督这类训练技术的补课。就算基础模型停滞，愿景照样推进；模型更强，只是到得更早。

Nathan 的总结是，这期节目恰好证明了他想说的：一些人类水平的结果建立在 2022 年 4 月发布的 Flamingo 上。当下模型已经强到极有用，又没强到失控，真正的瓶颈是把性能调校到位的笨功夫；算力的下一个数量级，暂时排在它后面。Vivek 补了一句：就算进步停滞，变的只是商业护城河和推广策略，愿景本身已经不在科幻小说的范畴里了。

节目结尾还有个彩蛋。Khaled 说，他能进谷歌，部分原因是面试前听了这档节目里 Vivek 聊 Med-PaLM 的几期，靠 Nathan 的提问补足了论文细节，才在面试里让未来的搭档眼前一亮。

最后，把能带走的东西列一下。如果你在做 AI 应用，这期节目给了一份可以直接抄的配方：

• 数据质量优先于模型体积。先把训练数据清洗干净，去掉模型不该看到的引用和噪声，小模型也能追平大模型。
• 评估是护城河。别盯着静态基准的小数点，找领域专家做金标准评审，慢，但这是别人抄不走的部分。
• 合成数据三件套：生成器造覆盖度，批评家提质量，多轮自我对弈。每一轮都要注入模型没见过的新信息，否则会饱和。
• 不确定性检测别用老办法。多次采样找回答之间的分歧，针对分歧点去搜索或求助人类，比单次输出的置信度靠谱。

如果你只是普通用户，记住一句话：能力不等于可靠性。ChatGPT 自诊替代不了就医，AMIE 和 Med-Gemini 的真实临床数据还在路上，值得等。Nathan 说得对，AI 医生可能是普通人最早享受到的 AI 红利，但它的到来方式会是临床试验报告，大概率轮不到推特热帖。