當(dāng)大語言模型在醫(yī)師資格考試中都能取得高分時，人們曾期待它能成為貼身的“AI健康助手”。然而《自然·醫(yī)學(xué)》發(fā)表的一項在英國展開的研究表明，這些實驗室里的“優(yōu)等生”在面對真實用戶時，表現(xiàn)卻有可能意外“掉鏈子”——它們協(xié)助普通人作健康決策的效果，并未超越互聯(lián)網(wǎng)搜索引擎。這項發(fā)現(xiàn)為當(dāng)前火熱的AI醫(yī)療應(yīng)用，敲響了一記科學(xué)的警鐘：人們會不會高估了當(dāng)前大語言模型輔助普通人作健康決策的能力？

當(dāng)前全球醫(yī)療體系正嘗試將大語言模型打造為公眾的“第一道健康防線”，幫助人們在就診前進(jìn)行自我評估與管理。然而，該研究揭示了一個關(guān)鍵落差：在標(biāo)準(zhǔn)測試中表現(xiàn)優(yōu)異的AI模型，一旦面對真實場景中的普通人，其表現(xiàn)可能大打折扣。

牛津互聯(lián)網(wǎng)研究所科學(xué)家設(shè)計了一個貼近生活的實驗：邀請近1300名英國參與者，模擬應(yīng)對感冒、貧血、膽結(jié)石等十種常見健康場景，并決定該采取何種行動——是撥打急救電話，還是預(yù)約家庭醫(yī)生。參與者被隨機(jī)分配使用三種主流大語言模型（GPT-4o、Llama3或Command R+）之一，或使用互聯(lián)網(wǎng)搜索引擎作為對照。

結(jié)果出現(xiàn)了有趣的“人機(jī)鴻溝”：當(dāng)不用人類受試者進(jìn)行測試時，AI表現(xiàn)非常出色，平均能識別94.9%的疾病，并在超過半數(shù)情況下給出恰當(dāng)建議。但當(dāng)普通人使用相同模型時，疾病識別率驟降至不足35%，行動建議準(zhǔn)確率也低于45%，甚至未顯著優(yōu)于互聯(lián)網(wǎng)搜索引擎。

科學(xué)家進(jìn)一步分析對話記錄，發(fā)現(xiàn)了兩組典型的“溝通盲區(qū)”：普通人往往難以準(zhǔn)確、完整地描述癥狀，而AI偶爾也會生成看似合理實則具有誤導(dǎo)性的回應(yīng)。這種雙向的信息偏差，讓原本在測試中表現(xiàn)優(yōu)秀的模型在實際應(yīng)用中打了折扣。

這也表明，當(dāng)前的大語言模型若直接應(yīng)用于公眾健康咨詢?nèi)孕柚?jǐn)慎，因為在真實的人機(jī)互動中，存在大量實驗室測試無法預(yù)測的復(fù)雜性。AI醫(yī)療助手的發(fā)展不僅需要技術(shù)迭代，更需要深入理解：當(dāng)健康遇到焦慮，當(dāng)專業(yè)術(shù)語遇到日常表達(dá)時，人與機(jī)器該如何更好地“對話”。（記者 張夢然）