OpenAI做医疗AI不走专科模型路线，赌的是通用模型会持续变强
专科医疗模型很快会被通用前沿模型甩开，OpenAI选择把数百名医生提供的专科数据训练进每一代GPT里，而不是单独做一个医疗专用模型。
原视频在 YouTube 上放不出来，用音频听：
核心论点 · 点时间戳可跳到原声
就诊之外的空白，才是AI的用武之地
美国即使在湾区，预约专科医生也常要等数周到数月，好不容易见到医生也只有15分钟，很多人走出诊室才想起还有问题没问。Singhal说，ChatGPT每周有3亿多用户问健康问题，大多数使用场景不是替代就诊，而是填补两次就诊之间的空白——理解化验单、准备问题、消化医嘱。真正稀缺的不是医学信息，是两次15分钟之间那段没人管的时间。
— Karan Singhal不做专科医疗模型，是故意的
Singhal曾做过专科模型，深知单独训练一个医疗专用小模型，很快会被通用前沿模型甩开，因为整个行业规模化的速度太快。OpenAI的做法是反过来：在GPT每一代训练的每个阶段都加入医生网络提供的专科数据，让模型既吃到通用模型的规模红利，又带着医疗专项训练。他的判断是，押注模型会持续变强，比押注一个独立医疗模型更稳。
— Karan Singhal问五个医生，会得到八种答案
OpenAI最初想过找几个医生来定义模型该怎么应对疑难场景，但很快发现行不通：同一个问题问五个医生，可能得到八个不同答案。于是团队转而搭建覆盖几十个专科、多国执业医生的网络，用来聚合共识而非依赖一两个人的判断。遇到用户想听安慰但病情确实危险的场景，团队把安全性置于用户体验之上，即便用户不想听。
— Karan Singhal临床指南落地要等5到17年
医学知识的生产链条是：论文→每年更新的临床指南→医生实际怎么做。研究发现最后一环常常要拖5到17年，最新指南才能变成日常实践。Singhal认为AI的价值不在于发明新知识，而在于把这段滞后从年压缩到周甚至小时——在接诊当下就把最新文献和指南带到医生和患者面前，而不是等知识慢慢渗透进临床。
— Karan Singhal打通Epic，是在拆医疗碎片化的墙
Singhal认为医疗的一大障碍是数据和流程彼此割裂，很多医院的核心电子病历系统仍跑在老旧的虚拟机上，没有现成的AI接口。OpenAI与Epic的合作让医生可以在ChatGPT里直接调用Epic数据，也能在Epic工作流里嵌入ChatGPT侧边栏。UCSF是最早落地这一打通的医院之一，被团队当作证明碎片化可以被拆掉的样本。
— Karan Singhal医疗版Move 37：别乱用抗生素
借用AlphaGo对李世石那步起初看不懂、后来被奉为经典的「Move 37」，Singhal在和Panda Health做的临床医生协作实验里看到了医疗版雏形：模型反复提醒医生不要因为盯着眼前这个病例而过度使用抗生素，要考虑抗生素耐药性这个更全局的问题。他认为能整合十年纵向病历、做出人脑算不过来的预测的案例，未来会越来越多。
— Karan Singhal新模型便宜34倍，表现却更好
Singhal把5.3万亿美元医疗支出（相当于全球第三大经济体GDP）这件事，和AI的另一条曲线放在一起看：最新一代最便宜的API模型，在OpenAI自己最难的临床评测HealthBench Professional上，表现超过了一个月前还是最强模型的那一版，价格却便宜了34倍。他押注的是，一旦模型智能达到医患愿意信任的门槛，这个门槛对应的成本会像过去一样持续暴跌。
— Karan Singhal未来5到10年，AI改变的是药
被问到什么技术今天看像科幻、未来5到10年会实现，Singhal没有谈聊天机器人，而是指向药物研发：一是AI生成新的药物靶点和分子，二是AI辅助筛选和验证临床试验候选——目前想进临床试验的候选分子数量远超试验名额，AI可以帮助排出优先级、让试验跑得更快更顺。他认为更个性化的新药，会是未来几年AI对人类健康影响最大的单一来源。
— Karan Singhal原话 · 已逐字校验
I love this idea of a kind of safety net for both patients and clinicians that is just kind of there in the care journey and not always interfering or being the middleman, but really thinking about the ways in which it can augment the existing experience and build on it.
我喜欢这个想法：AI是患者和医生共同的安全网，始终在诊疗过程里，但不总是插手、也不当中间人，而是增强既有的体验、在它基础上搭建。
Karan Singhal11:11
health is a place where, you know, it moves to the speed of trust.
医疗这个领域，它前进的速度，就是信任的速度。
Karan Singhal15:19
So it turns out if you ask five physicians or something, this any question, you'll get like eight different answers.
结果发现，你问五个医生同一个问题，能得到八种不同答案。
Karan Singhal17:25
this takes, depending on the study, like five to 17 years for that penetration to actually happen, which is massive.
根据不同研究，这个渗透过程要花五到十七年才能真正发生，这个数字大得惊人。
Karan Singhal21:32
there's no future where, you know, any one company is delivering all the medical care, right?
不存在那样一个未来：某一家公司提供全部的医疗照护，对吧？
Karan Singhal31:45
But in hindsight is this kind of like brilliant and insightful move that humans are now just beginning to understand and learn from the patterns of and things like this.
但事后看，这是一步非常精妙、极具洞察力的棋，人类现在才刚刚开始理解其中的规律并从中学习。
Karan Singhal38:53
it performed better than 5.6 soul, which was literally our best model like a month ago… it performs better despite being 34 times cheaper.
它的表现超过了一个月前还是我们最强模型的那一版……而且便宜了34倍，表现却更好。
Karan Singhal44:01
数字与实体
| 美国医疗支出 | 5.3万亿美元以上，相当于全球第三大经济体GDP | 43:00 |
| 美国医疗行业就业人数 | 2300万人 | 43:00 |
| ChatGPT每周健康类提问用户 | 3亿多人 | 1:02 |
| ChatGPT每周活跃用户总数 | 12亿人 | 24:32 |
| 美国缺乏固定初级保健医生的人数 | 1亿多人 | 5:05 |
| 预约初级保健医生平均等待时间 | 40多天 | 5:05 |
| 临床指南落地到日常实践的滞后 | 5到17年 | 21:32 |
| 新一代最便宜模型相比一个月前最强模型 | 便宜34倍，表现更好 | 44:01 |
术语
- Move 37第37手
- AlphaGo对李世石时下出的一步起初被认为很差、事后证明极具洞察力的棋，比喻AI给出超出人类直觉但最终被验证正确的判断
- HealthBench ProfessionalHealthBench专业版
- OpenAI联合医生制定的医疗模型评测基准，用于衡量模型在高难度临床场景下的表现
- A1C糖化血红蛋白
- 衡量糖尿病患者长期血糖控制水平的指标
- EHR电子健康档案
- 医院存储患者病历和诊疗记录的系统
收听指南
关注医疗科技、数字健康创业或医院AI部署的创业者和投资人，以及想了解AI如何真正嵌入就医流程的人
开头的使命介绍和结尾的感谢、免责声明可以跳过，信息量低