一个医学答案,并不等于一套医疗体系
设想一套 AI 系统,能够阅读几乎所有相关论文,把一位患者的病史与数百万个病例进行比对,提出诊断,设计一种分子,并用任何语言解释各种方案。那将是专业能力的一次了不起的扩展。但患者依然需要一项可靠的检测、一位或一支负责照护的临床团队、一种经许可并已生产出来的治疗方法、出问题时可用的病床,以及一种支付方式。
变革性 AI 之后的健康状况,将由信息与实际交付之间的落差所塑造。认知性工作只是医学的一部分。生物学依然充满不确定性,临床试验需要时间,生产必须受到管控,外科手术与护理发生在物理世界之中,而稀缺的人员与设施必须服务于真实的社区。一个模型可以缓解某些瓶颈,同时把压力转移到其他环节。
现有证据支持的是审慎的乐观态度,而不是「长生不老近在眼前」这类断言。世界卫生组织 2024 年关于大型多模态模型的指导文件指出了其在临床照护、患者使用、行政管理、培训与研究中的应用,同时也警示了不准确的产出、自动化偏见、网络安全、隐私与获取不均等问题。其中的建议属于公共卫生指导意见,而不是证明某一具体产品在临床上确实有效的证据。基准测试上的表现,不等于临床证明。
发现或许会先于诊疗水平的提升而加速
AI 已经被用于制药发现与开发的部分环节,包括检索、预测与分析,尽管其证据水平与监管地位因用途而异(世卫组织,2024 年 3 月)。能力更强的系统可能以更大的广度生成假设、设计实验,更先进的机器人技术与模拟可能缩短从构想到经过验证结果之间的周期。这些都是有条件的推测,而不是已被观察到的后 AGI 结果。
「发现」并不等同于一种安全的治疗方法。一个看似可行的分子,仍然需要被合成、表征、进行毒性测试、稳定地生产出来、在人体中进行研究,并在投入使用后持续接受监测。有些环节或许也能加速,但每一个环节所防范的失败方式各不相同。仅仅因为一个模型表达出高度自信,就跳过某个环节,只会把可见的延迟换成隐性的风险。
正确的衡量标准,不是产出了多少篇论文或候选分子。而是在生存率、功能、生活质量、可负担性与可及性方面得到验证的改善——并且要如实报告不良反应,而不是把它们当作不便的数据过滤掉。
在带来科学革命之前,AI 或许还会先改善一些日常运作:排期、文书记录、翻译、事先授权、供应预测、编码与患者沟通。这些变化既可能把时间还给照护本身,也可能成为增加工作负荷的理由。具体走向哪一种,取决于各机构的选择。
诊断需要有人担责并跟进到底
一套诊断系统可以在多种角色中发挥作用:提示临床医生遗漏的可能性、对紧急程度进行分诊、解读一张影像、核查药物相互作用,或帮助患者描述症状。但它同样可能让使用者锚定在一个错误答案上、在证据薄弱时表现得胸有成竹,并在不同人群中以不同方式出错。
临床表现必须放在系统实际运行的场景中进行衡量。一个在干净的回顾性记录上评估过的模型,在面对不完整的病史、不寻常的工作流程、更换过的设备,或与训练人群不同的患者时,可能会失灵。在所有病例上取平均值得出的准确率,可能掩盖了它对某个较小群体所构成的危险表现。
责任不能归咎于「这个 AI」。部署者必须清楚,由谁来监测系统表现、接收事件报告、更新模型、处理停机,以及告知受影响的患者。临床医生需要拥有表达不同意见的权力,而不会因此被视为效率低下。患者需要知道,一套系统何时对自己的照护产生了实质性影响,以及可以向哪里寻求复核。
在家庭使用场景中,一套对话式系统不应变成急救服务、诊断或经许可治疗方式的隐形替代品。它可以帮助准备问题、解释专业术语。新出现、严重或迅速恶化的症状,依然需要恰当的人工照护,而危机情境下的引导,必须把人们导向真正的服务。
个性化医疗可能缩小、也可能加深不平等
先进系统或许能够整合基因组学、环境、行为、影像与临床数据,来定制预防与治疗方案。这可以减少试错过程,并为罕见病找到疗法。但它同样可能使高质量的照护,依赖于广泛的监控与昂贵的专有数据基础设施。
当未来的用途无法预知时,知情同意就会变得困难。一份基因组记录具有可识别性、持久性,并会透露出未曾表示同意的亲属的信息。可穿戴设备与行为数据,既可以揭示健康状况,也会影响就业、保险、信贷或广告投放。去掉姓名,并不能让任何一个丰富的纵向数据集真正变得匿名。
因此,可及性必须被纳入系统设计之中。公共与非营利研究基础设施、具有代表性的数据集、利益共享机制、隐私法律、安全计算方式,以及对二次使用的限制,与技术性能同等重要。一种源自广泛公共数据的疗法,不应对那些提供了相关信息、才使其得以问世的社区变得遥不可及。
关于长寿的说法,需要独立的证据支持
更长的健康寿命,可能来自许多不同形式的进步:预防心血管疾病、更早发现癌症、治疗感染、修复组织、改善公共卫生,以及研究衰老本身的生物学机制。AI 或许能加速其中每一个领域的部分环节。但由此并不能推出,一个具备科学推理能力的模型,就能把衰老当作单一的工程问题迅速解决。
生物系统包含相互作用的机制、漫长的时间跨度,以及难以验证的权衡取舍。动物实验的结果往往无法转化到人体身上。一种改变了某项生物标志物的治疗方法,未必能延长健康寿命。关于寿命大幅延长的说法,需要来自恰当临床终点的证据,而不是模型生成的机制、公司估值,或信心十足的预测。
在真正取得突破之前,其社会后果同样值得关注。更长的健康寿命可能是一件极大的好事,同时也会影响退休、照护、住房、政治代表性、家庭结构,以及不同获取条件的人群之间的不平等。这些是分配层面的问题,而不是拒绝相关研究的理由。
身体照护始终是一种关系性工作
护理、康复、残障支持、儿童照护、老年照护与心理健康治疗,都涉及在不可预测的环境中进行观察、接触、建立信任、给予鼓励、获取同意与承担责任。机器人技术或许能自动化其中一部分,AI 或许能减少文书工作或提供指导。如果把照护当作「真正的」认知性工作之外剩下的一项次要任务来对待,只会重复既有的低估。
更好的技术应当让照护工作更安全、人员配置更充足、更具可持续性。它不应成为让一名工作者名义上监督数量过多、并不安全的自动化系统的理由。当沟通方式、认知状态、创伤、语言或残障改变了知情同意与理解所需的条件时,患者必须能够要求获得人的接触。
AI 陪伴产品或许能减轻一些人的孤独感,但模拟出来的可获得性,并不能保证一种相互的关系,也不能保证临床上的安全性。一个商业模式以用户黏着度为奖励的系统,其激励方向可能与患者的长期福祉并不一致。心理健康类产品需要明确的边界、危机升级机制、隐私保护,以及与其所作宣称相匹配的证据。
公共卫生可以从共享的智能中受益
健康并不只关乎个体的治疗。先进系统可以改善疫情监测、供应规划、环境监测、证据综合与跨语言沟通。但它们同样可能放大虚假的健康说法、助长侵入性的监控,或制造新的生物安全滥用风险。
公共卫生系统需要值得信赖的报告渠道、实验室能力、本地专业人员,以及愿意配合的社区。一条技术上准确、却缺乏公信力的警示,可能会归于失败。透明地呈现不确定性、纠正错误、独立复核,以及防止健康数据被挪用于不相关的执法用途,都有助于维系这种信任。
生物安全防护措施应当与有益的工具同步发展:对合成订单的筛查、实验室生物安全、能力评估、访问控制,以及事件的快速通报共享。目标不是压制生物学研究本身,而是让有益的研究变得更容易,同时防止信息本身成为阻止大规模危害的最后一道屏障。
实现普遍可及性的规范性要求
廉价的推理能力,本身并不能带来普遍的医疗照护。一项认真的可及性方案,必须涵盖以下内容:
- 可靠的电力、网络连接、设备、语言支持与无障碍设计;
- 初级保健关系与转诊路径;
- 诊断设备、实验室、药房、生产制造与供应链;
- 隐私保护,以及针对敏感用途的非商业化选项;
- 在不同本地人群与疾病负担之间进行的验证;
- 法律责任、事件报告与人工申诉;
- 相关治疗方法的定价与知识产权安排;
- 在某个提供者、模型或网络不可用时的连续性保障。
低收入国家不应仅仅被视为数据来源或未来的市场。当地的研究人员、卫生部、临床医生与患者,需要对优先事项与部署方式拥有话语权。为富裕国家医院优化的系统,在真正的制约因素是卫生条件、基本药品、交通或临床人员的地方,可能毫无用处。
一份检验 AGI 之后健康说法的测试清单
在评估一项被宣称的突破时,不妨问自己以下问题:
- 这项证据来自基准测试、回顾性研究、前瞻性试验、监管决定,还是被实际观察到的健康结果?
- 测试所针对的是哪一类人群、哪一种临床场景?
- 当这套系统出错、不可用或发生变化时,会发生什么?
- 谁对整条照护路径负责?
- 这项干预措施降低的是总体成本、提升的是可及性,还是仅仅改善了某一个认知环节?
- 一个人必须交出哪些数据,以及他能否在不失去照护的前提下拒绝提供?
- 相关收益的衡量标准,是健康状况与功能本身,还是仅仅是参与度、产出量,或某个替代性指标?
变革性 AI 或许有助于催生人类历史上规模最大的健康知识扩展之一。只有当这些知识经受住与生物学、各类机构、不平等,以及照护这项体力工作的接触考验时,人类才能真正从中受益。目标不是打造一套精通医学的系统,而是缔造一个让更多人能够可靠地变得健康、并持续保持健康的世界。