OpenAI做醫療AI不走專科模型路線，賭的是通用模型會持續變強
專科醫療模型很快會被通用前沿模型甩開，OpenAI選擇把數百名醫生提供的專科數據訓練進每一代GPT裡，而不是單獨做一個醫療專用模型。
原視頻在 YouTube 上放不出來，用音頻聽：
核心論點 · 點時間戳可跳到原聲
就診之外的空白，才是AI的用武之地
美國即使在灣區，預約專科醫生也常要等數週到數月，好不容易見到醫生也只有15分鐘，很多人走出診室才想起還有問題沒問。Singhal說，ChatGPT每週有3億多用戶問健康問題，大多數使用場景不是替代就診，而是填補兩次就診之間的空白——理解化驗單、準備問題、消化醫囑。真正稀缺的不是醫學信息，是兩次15分鐘之間那段沒人管的時間。
— Karan Singhal不做專科醫療模型，是故意的
Singhal曾做過專科模型，深知單獨訓練一個醫療專用小模型，很快會被通用前沿模型甩開，因為整個行業規模化的速度太快。OpenAI的做法是反過來：在GPT每一代訓練的每個階段都加入醫生網絡提供的專科數據，讓模型既吃到通用模型的規模紅利，又帶著醫療專項訓練。他的判斷是，押注模型會持續變強，比押注一個獨立醫療模型更穩。
— Karan Singhal問五個醫生，會得到八種答案
OpenAI最初想過找幾個醫生來定義模型該怎麼應對疑難場景，但很快發現行不通：同一個問題問五個醫生，可能得到八個不同答案。於是團隊轉而搭建覆蓋幾十個專科、多國執業醫生的網絡，用來聚合共識而非依賴一兩個人的判斷。遇到用戶想聽安慰但病情確實危險的場景，團隊把安全性置於用戶體驗之上，即便用戶不想聽。
— Karan Singhal臨床指南落地要等5到17年
醫學知識的生產鏈條是：論文→每年更新的臨床指南→醫生實際怎麼做。研究發現最後一環常常要拖5到17年，最新指南才能變成日常實踐。Singhal認為AI的價值不在於發明新知識，而在於把這段滯後從年壓縮到周甚至小時——在接診當下就把最新文獻和指南帶到醫生和患者面前，而不是等知識慢慢滲透進臨床。
— Karan Singhal打通Epic，是在拆醫療碎片化的牆
Singhal認為醫療的一大障礙是數據和流程彼此割裂，很多醫院的核心電子病歷系統仍跑在老舊的虛擬機上，沒有現成的AI接口。OpenAI與Epic的合作讓醫生可以在ChatGPT裡直接調用Epic數據，也能在Epic工作流裡嵌入ChatGPT側邊欄。UCSF是最早落地這一打通的醫院之一，被團隊當作證明碎片化可以被拆掉的樣本。
— Karan Singhal醫療版Move 37：別亂用抗生素
借用AlphaGo對李世石那步起初看不懂、後來被奉為經典的「Move 37」，Singhal在和Panda Health做的臨床醫生協作實驗裡看到了醫療版雛形：模型反覆提醒醫生不要因為盯著眼前這個病例而過度使用抗生素，要考慮抗生素耐藥性這個更全局的問題。他認為能整合十年縱向病歷、做出人腦算不過來的預測的案例，未來會越來越多。
— Karan Singhal新模型便宜34倍，表現卻更好
Singhal把5.3萬億美元醫療支出（相當於全球第三大經濟體GDP）這件事，和AI的另一條曲線放在一起看：最新一代最便宜的API模型，在OpenAI自己最難的臨床評測HealthBench Professional上，表現超過了一個月前還是最強模型的那一版，價格卻便宜了34倍。他押注的是，一旦模型智能達到醫患願意信任的門檻，這個門檻對應的成本會像過去一樣持續暴跌。
— Karan Singhal未來5到10年，AI改變的是藥
被問到什麼技術今天看像科幻、未來5到10年會實現，Singhal沒有談聊天機器人，而是指向藥物研發：一是AI生成新的藥物靶點和分子，二是AI輔助篩選和驗證臨床試驗候選——目前想進臨床試驗的候選分子數量遠超試驗名額，AI可以幫助排出優先級、讓試驗跑得更快更順。他認為更個性化的新藥，會是未來幾年AI對人類健康影響最大的單一來源。
— Karan Singhal原話 · 已逐字校驗
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.
我喜歡這個想法：AI是患者和醫生共同的安全網，始終在診療過程裡，但不總是插手、也不當中間人，而是增強既有的體驗、在它基礎上搭建。
Karan Singhal11:11
health is a place where, you know, it moves to the speed of trust.
醫療這個領域，它前進的速度，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.
結果發現，你問五個醫生同一個問題，能得到八種不同答案。
Karan Singhal17:25
this takes, depending on the study, like five to 17 years for that penetration to actually happen, which is massive.
根據不同研究，這個滲透過程要花五到十七年才能真正發生，這個數字大得驚人。
Karan Singhal21:32
there's no future where, you know, any one company is delivering all the medical care, right?
不存在那樣一個未來：某一家公司提供全部的醫療照護，對吧？
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.
但事後看，這是一步非常精妙、極具洞察力的棋，人類現在才剛剛開始理解其中的規律並從中學習。
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.
它的表現超過了一個月前還是我們最強模型的那一版……而且便宜了34倍，表現卻更好。
Karan Singhal44:01
數字與實體
| 美國醫療支出 | 5.3萬億美元以上，相當於全球第三大經濟體GDP | 43:00 |
| 美國醫療行業就業人數 | 2300萬人 | 43:00 |
| ChatGPT每週健康類提問用戶 | 3億多人 | 1:02 |
| ChatGPT每週活躍用戶總數 | 12億人 | 24:32 |
| 美國缺乏固定初級保健醫生的人數 | 1億多人 | 5:05 |
| 預約初級保健醫生平均等待時間 | 40多天 | 5:05 |
| 臨床指南落地到日常實踐的滯後 | 5到17年 | 21:32 |
| 新一代最便宜模型相比一個月前最強模型 | 便宜34倍，表現更好 | 44:01 |
術語
- Move 37第37手
- AlphaGo對李世石時下出的一步起初被認為很差、事後證明極具洞察力的棋，比喻AI給出超出人類直覺但最終被驗證正確的判斷
- HealthBench ProfessionalHealthBench專業版
- OpenAI聯合醫生制定的醫療模型評測基準，用於衡量模型在高難度臨床場景下的表現
- A1C糖化血紅蛋白
- 衡量糖尿病患者長期血糖控制水平的指標
- EHR電子健康檔案
- 醫院存儲患者病歷和診療記錄的系統
收聽指南
關注醫療科技、數字健康創業或醫院AI部署的創業者和投資人，以及想了解AI如何真正嵌入就醫流程的人
開頭的使命介紹和結尾的感謝、免責聲明可以跳過，信息量低