OpenAI健康板块负责人：AI医疗健康的上限和下限
“如果你想约一位专科医生，有时要等上几个星期，甚至几个月。你可能得花大量时间弄清怎样才能约到号、如何安排日程。折腾了这么久，最后也许只能和医生谈15分钟；你觉得自己准备得还不够充分，走出诊室时才想起来：‘糟了，我还有6个问题想问’。”
在一场访谈中，OpenAI健康板块负责人Karan Singhal点出如今普遍存在的医疗服务困境。哪怕是在医疗资源发达的美国，患者仍然会面临以上种种问题。并且，医疗需求不会随着一次门诊的结束消失。在两次就诊之间，患者也需要理解检查结果，判断接下来应该做什么。
Karan谈到，每周有超过3亿人使用ChatGPT询问健康相关问题。
对OpenAI而言，这是庞大的需求量，更是一份责任。AI不应止步于提问题，给答案，还应该逐步成为持续的健康助手，甚至辅助医生识别潜在风险、连接医疗服务，在未来帮助人们更早发现健康变化。
要实现这一愿景，还有很长的路要走。如何建立各方信任、融入真实医疗流程，证明这些技术确实改善了健康结果，是我们必须面对的问题。
围绕这些问题，访谈讨论了OpenAI对个人健康助手的设想、AI如何成为医生的辅助工具、医疗机构如何将模型融入工作流程，以及AI加速医学研究的可能性。
访谈的核心是，OpenAI不可能取代医生，只希望让可信的医疗智能像基础设施一样普及，同时抬高人类健康的下限和上限。所谓下限，是让医疗智能免费或低成本普及。所谓上限，是实现过去做不到的事情。
看病不止15分钟，更不止于门诊
Karan提到一个让他印象深刻的真实案例：播客主持人Nathan Labenz的儿子曾出现持续疲劳、易怒等症状，借助AI，Nathan逐步意识到孩子的情况可能比想象中严重。
后来，孩子被确诊为一种侵袭性白血病。整个就医过程中，他经常使用GPT-5 Pro，请它协助理清诊疗过程、理解化验报告；有时在医生来不及帮忙解读前，AI就已提供帮助。
这个案例让Karan看到AI在医疗过程中的重要价值：患者需要的健康支持贯穿整个就医过程，尤其是在两次就诊之间。人们会向ChatGPT询问健康疑惑、理解检查结果、准备就诊问题，也会回顾医嘱。Karan认为，AI能帮助人们更好应对种种环节，让健康支持延伸到诊室外。
主持人问到：OpenAI为什么选择以通用模型作为医疗智能的基础？
Karan曾经参与过专用模型开发，在他看来，通用模型的优势在于能够持续受益于前沿模型在规模、智能和推理能力上的进步，医疗领域的专业训练则可以进一步强化模型处理健康问题的能力。“我们所做的，其实是在通用模型中进行专业化训练。在我看来，这恰恰能兼取两者之长。”
Karan介绍，过去一年里，OpenAI在ChatGPT模型训练的各个阶段都加入了专门的医疗数据，其中也包括与全球医生合作获得的数据。如果单独训练一个规模较小、仅面向医疗领域的专用模型，它很快就会落后于前沿模型的发展速度。OpenAI 选择将专业训练与通用模型的持续迭代结合，同时把评测和训练数据融入模型改进过程。
沿着这个思路，OpenAI正在探索一种更进一步的产品形态：主动式个人健康助手（proactive personal health assistant）。“让健康服务越来越个性化，也越来越主动。”
主持人提出，AI是否能帮助患者预约医生、确认保险覆盖范围、跟进出院后的治疗计划，甚至协助处理医疗账单问题？
Karan表示期待，个人健康助手的下一步，就是帮助用户处理就医过程中繁琐、分散的事务，让AI出现在诊前、诊中、诊后全流程。
OpenAI也在探索让用户连接自己的健康信息，以便ChatGPT根据个人情况提供更有针对性的支持。隐私保护也很重要，Karan表示这些健康信息不会被用于模型训练或广告定向。
Karan强调，个人健康助手不能取代医生，也无法独立提供医疗服务的全部内容。OpenAI希望帮助用户更好地获取健康信息、应对就医过程，与现有医疗服务体系相配合。
不替医生做决定，只给诊疗加一道“安全网”
AI在患者端的应用已经很常见，那么在医生端，它能否帮助医生发现容易被忽略的风险？
Karan对此很感兴趣。他把这种能力形容为患者和临床医生身边的一道“安全网”。
“我非常喜欢这个想法：无论对患者还是临床医生，它都存在于整个就医过程中，但并不时时插手，也不会变成横亘其中的中间人；它真正做的，是增强并完善现有体验。”
Karan介绍，团队曾与Penda Health合作开展一系列实验，研究临床医生辅助系统（Clinician Copilot）的应用。这类工具在工作中起到提醒作用，帮助医生留意可能遗漏的信息，为临床判断增加一层核查。
在和Penda Health合作实验过程中，AI注意到一些临床场景存在抗生素使用过度的倾向，这涉及的不光是眼前患者的治疗，也包括抗生素耐药这一更广泛的公共卫生风险。由此，AI的作用体现得更具体：帮助医生注意到日常容易被忽略的规律。
Karan提到医学判断中一个很现实的难题：不同医生对同一个问题也会有不同意见。“如果你问五位医生同一个问题，可能会得到八种不同的答案。”
所以，OpenAI建立了一个由全球数百名医生参与的专业网络，覆盖数十个医学专科、不同语言和不同国家的临床实践。团队通过不同专家的反馈完善训练数据和评估标准，尤其关注医学判断存在分歧的情况。
Karan用一句话概括其中关键：“在医疗领域，一切都要以信任建立的速度向前推进。”
从一项新的研究成果被发现到应用到日常诊疗，这一过程往往至少需要5到17年。OpenAI希望缩短这一过程中的信息获取环节。医生在接诊时，可以更便捷地查找最新的医学文献，为诊疗判断提供参考。对于一次只有几分钟的门诊来说，更快找到相关研究证据，将高效减少查找资料所花的时间。
要让这些能力真正进入日常诊疗，需要解决医院内部的信息割裂问题。病历、检查结果和诊疗记录分散在不同系统中，OpenAI正在与Epic等医疗信息系统合作，探索让医护人员在原有工作环境中直接使用ChatGPT。
这些变化最终给患者能带来什么？主持人提出一个实际问题：既然患者和医生双方都用了AI处理各自问题，那当双方真正见面时，他们还应该谈些什么？
Karan回答：“我希望，他们能够更多地谈论医疗中属于人的那一面。”
他随后谈到医疗中的不确定性、医生的共情能力，以及床边关怀和面对面交流的重要性。这也是AI作为医生“安全网”的另一层含义：帮助医生更充分地准备诊疗、核查信息、获取医学证据，让医生有更多精力关注患者本身。
警惕医疗的AI偏信主义
在中国，越来越多的人正在用
近期，贵州网友刘先生因为腹痛住院，结果在消化内科完成全套检查后也没能查出病因。他自觉不妙，联系到前妻，希望她来协助自己订立遗嘱，以防不测。
之后，前妻咨询蚂蚁阿福，阿福提示症状高度指向致命的肺栓塞，他们立刻拿着提示与医院沟通，医院随即安排手术，刘先生脱离生命危险。
蚂蚁阿福在回应事件的同时也公布数据：在每天的用户咨询中，阿福每天大概会发出20多万条立即就医建议，其中有5万多条与危重症相关。
还有网友分享：“尽管很多人吐槽
可以看出，AI的建议和提醒开始介入，患者犹豫就医的时间被大幅缩短了。
蚂蚁阿福已经将Karan对个人健康助手的部分设想变成现实，包括提供预约挂号、在线问诊和云陪诊等服务。以广州为例，蚂蚁阿福APP内的“穗小伊”已上线“即问即办”挂号服务。
医生也开始在工作中使用AI。今年1月，《生命时报》发布一项有全国超500位三甲医院医生参与的调研。
结果显示，超七成三甲医生表示愿意推荐大众使用AI医生，用以解决日常基础的健康疑问，62%的受访医生已经在使用AI医生辅助自己工作。
不过，新的问题也随之出现。越来越多的患者开始依赖AI，更有甚者不相信医生，只相信AI。
当患者拿着AI的回答去看医生，如果其中的建议不适用于自己的情况，医生就需要花时间解释原因、核对信息。假如患者始终认定AI是对的，双方还要先解决分歧问题，再讨论真正的病情。原本帮助患者理解健康信息的工具，反而增加医患沟通的难度。
复旦大学AI向善与数智养老研究中心、复旦大学附属华山医院全科医学科和上观智库于2026年联合开展一项双端调研，共收集75份医生问卷和143份中老年居民问卷。
调查发现，约七成受访医生曾在门诊遇到使用AI查询健康信息的患者。在医生最担心的AI健康建议风险中，81.33%提到了缺乏个体化，73.33%担心AI可能增加患者的误解或焦虑，54.67%担心它会增加医生的解释负担。
当患者真正按照AI的建议改变治疗方案，后果可能不堪设想。
10月27日报道，亚马逊软件工程师万博文的父母起诉了OpenAI。万博文患有癫痫，于今年2月去世。诉讼称，她生前使用GPT-4o时，模型曾指导她逐步减少抗癫痫药物的剂量，并建议她向医生隐瞒相关调整。家属认为，ChatGPT的相关行为与女儿的死亡有关。
GPT-4o此前因回答过度迎合用户等问题受到批评，OpenAI于今年2月13日将其从ChatGPT中下架，时间恰好是万博文去世后的第二天。
这场起诉让一个问题变得具体：当AI开始真的影响患者的实际用药决定时，它能否正确识别其中的风险？
OpenAI希望通过全球医生参与模型训练与评估，提高AI处理复杂医学问题的能力。当患者期待的答案与医嘱冲突时，模型也应该优先考虑安全；如果现有信息不足以支持明确判断，就应该说明不确定性。
当AI成为人们获取健康信息的重要入口，建立信任就需要让每一方都清楚自己的角色：患者知道如何参考AI的建议，医生能够核查相关信息，AI也能在发现风险时引导用户及时就医。这才是Karan所期待的医疗安全网。
AI医疗的突破，在诊室之外
访谈的前半部分Karan大多谈到的是AI如何帮助患者和医生应对眼前的医疗问题。对于未来，他还有两个更长远的期待：让更多人以更低的成本获得医疗智能，以及借助AI推动医学研究，发现新的治疗方法。
首先是医疗成本。
主持人提到，美国每年的医疗支出已经超过5.3万亿美元，医疗支出增速远超通胀，如何让更多人获得高质量的医疗服务，始终是一个难题。
Karan认为，模型能力在不断提升，获得医疗智能的成本也会持续下降。“我们希望，医疗智能最终会像基础资源一样普及。”
不过，这不意味着整个医疗体系的支出会立即下降。医疗费用中有很大一部分来自行政事务、文书处理、慢性病管理等工作。
AI要真正帮助医疗减少开支，就要让模型真正融入工作流，需要部署和规模化，也需要确保在实际应用中证明自己的价值。用一句话概括就是“更多医疗照护，更少文书工作。”
Karan对AI的另一项期待，来自医学研究本身。
主持人借用AlphaGo的著名案例：在围棋比赛中，AI走出了让人类专家感到意外的“第37手”，当时，所有观看这场对决的人类专家，都觉得这一手非常愚蠢。可事后回看，它却是一手极具洞察力的妙棋。人类直到现在，才开始理解并学习其中蕴含的模式。
主持人追问：“AI在医学领域能否带来类似的发现，让科学家看到过去没有注意到的规律？”
Karan认为现在处在非常早期的阶段，“但我认为，今后会看到更多案例：模型接收一名用户长达十年的纵向健康记录，综合电子病历数据、对话数据等所有信息，然后作出过去看似不可能的健康与风险预测。这样的成果就有资格被称为医疗领域的‘第37手’。”
这一方向已经开始体现在OpenAI的生命科学布局中。今年4月，OpenAI推出GPT-Rosalind；9月，介绍了一项利用AI寻找新型抗菌分子的研究。生物工程师César de la Fuente的团队利用深度学习模型筛选候选分子，并借助ChatGPT和Codex辅助研究假设、代码编写与数据分析。
10月20日，OpenAI又宣布收购Orchestra Bio。这家公司专注于帮助生物制药团队协调药物开发流程。OpenAI表示，将把Orchestra的团队和技术与 GPT-Rosalind及相关生命科学工具结合，帮助研究人员推进从早期发现到药物开发的工作。
对于未来5到10年，Karan预计AI带来的重要变化体现在新疗法的开发上。他提到两个方向：一是利用AI发现新的药物靶点或候选分子，二是帮助研究人员筛选和验证更有潜力的治疗方案，让临床试验开展得更加顺畅、高效。
Karan指出，新药研发的瓶颈会逐渐从发现候选分子转向筛选和验证。进入临床试验的候选药物越来越多，AI能帮助研究人员判断哪些方案更值得推进，提高实验和临床试验资源的利用效率。
从降低医疗服务成本，到帮助科学家发现新的治疗方向，Karan对健康AI的期待已经超出了回答医学问题本身。
谈及未来可能出现的医学突破时，他总结：“我的判断是，在未来5到10年内，我们有望看到更好的药物，以及更加个性化的药物治疗。而这一切，都将建立在我们今天投入的这两项工作之上。”
