Token导航 LogoToken导航

AI 资讯 · AIGC从0到1

苹果启动健康AI使用研究招募20万人

更新 2026-11-18AIGC从0到1正文 6780字阅读约 22分钟1 张图片

2026 年 11 月 15 日,苹果做了一件看上去很克制、但其实很值得琢磨的事。

苹果宣布启动 Apple Health AI Usage Study,计划面向最多 20 万名符合条件的美国成年用户,研究人们如何理解、信任和使用 AI 提供的健康信息,以及这些信息会不会改变他们后续的健康行动。

研究本身不是诊断或治疗服务。苹果把它定义为一项使用研究:AI 的回答质量怎么样,用户能不能理解,是否愿意相信,是否会据此做出行动。

这件事碰到了医疗 AI 最难的地方:AI 给出一个看起来正确的答案,远远不是故事的结束。

用户会不会误解?会不会过度相信?会不会因为一句模糊的风险提示而焦虑?会不会因为一句看似专业的安抚而延误就医?医生拿到 AI 的建议时,能否看见证据、识别适用范围、拒绝一个“说得很像对的”结论?

医疗不是一道选择题。

它是一串彼此咬合的动作:发现异常、解释信息、决定是否就医、选择检查、完成转诊、制定治疗、持续随访、评估结果。AI 也许能把其中一个动作做得很漂亮,但只要它接不上后面的环节,或者越过了本不该越过的边界,就很难真正改变医疗。

01 医疗 AI 不是一个赛道,而是七种完全不同的承诺

今天,“医疗 AI”这个词已经大得有点失去意义了。

同一个词里,既包括帮患者解释化验单的健康助手,也包括在乳腺癌筛查中读片的影像系统;既包括帮助医生检索文献的知识工具,也包括试图自主规划多轮检查的诊断 Agent;既包括自动生成病历的文书助手,也包括在实验室里寻找新分子的 AI 制药平台。

它们都在用 AI,但并不在解决同一个问题。

路线
它试图改变什么
最终要交出的答卷
消费者健康 AI
让普通人更容易理解自己的健康
用户是否理解,并采取恰当行动
临床知识 AI
帮医生更快找到、审查医学证据
证据是否适用于眼前患者
医学影像 AI
扩展医疗系统发现异常的能力
是否减少漏诊,同时不制造过多误报
疾病预测 AI
更早识别高风险人群
预测之后,是否有可改变结局的干预
诊断推理 AI
在不完整信息中规划检查与判断
是否安全改善真实临床决策
医疗工作流 AI
减少文书、转诊、审批等摩擦
是否带来可复制的净效率收益
AI 制药
改变药物发现与开发过程
是否更快产出安全、有效的疗法

这张表看起来像分类,实际上是在划边界。

影像 AI 即使检出率提高,也不自动等于患者获益;它还要回答召回率、误报、工作量和后续处置的问题。

疾病预测 AI 即使能比医生更早看见风险,也不自动等于改善未来;如果没有可用的治疗、转诊和随访,提前知道风险有时只是把焦虑提前了。

医疗工作流 AI 即使能替医生写完病历,也不自动等于医生更轻松;审核、补错、系统切换和责任确认,可能会把节省的时间重新吃掉。

AI 制药即使生成了更有希望的分子,也还要经过药效、安全性、临床试验和商业化的漫长筛选。

因此,医疗 AI 不该被问“有没有用”。

它应该被问:它在替谁解决哪一种问题?它的收益最后能不能跨过下一道门槛?

02 模型进步很快,医疗证据增长得很慢

医疗 AI 最容易让人兴奋的,是模型能力。

今天的系统可以看图、读报告、总结病历、模拟鉴别诊断,甚至在特定基准中超过人类医生。技术新闻天然喜欢这种时刻,因为它足够明确:分数提高了,模型赢了。

但医学不只问“答得对不对”。

医学还要问:这个答案在真实患者身上是否成立?在另一家医院是否仍成立?医生是否会正确使用它?它是否改善结局?错误出现时,谁能发现、撤销和承担后果?

一项针对临床大模型研究的系统性综述,梳理了截至 2025 年 9 月的 4,609 篇相关研究。其中,1,048 篇使用真实患者数据,1,857 篇仍使用模拟病例;真正的前瞻性随机对照试验只有 19 项。

这组数字说明,医疗 AI 仍处在一个很典型的状态:模型进步的速度,快于临床证据积累的速度。

可以把它理解为五层台阶。

层级
可以证明什么
还不能证明什么
离线评测
模型会不会完成某项任务
是否适用于真实临床
回顾性验证
在既有数据里是否表现良好
换人群、换医院后是否稳定
前瞻性部署
进入工作流后是否能使用
是否改善患者结局
随机对照试验
是否造成可测量的因果改变
是否能长期、大规模复制
人群健康结果
是否改善健康、成本与公平性
这种改变能否归因于 AI 本身

医疗 AI 真正困难的地方,不是迈上第一层。

而是每往上一层,都会遇到模型之外的变量:医生如何使用、患者是否配合、医院系统是否兼容、支付方是否认可、法律责任如何划分。

所以,医疗 AI 的竞争,迟早会从“谁的模型更强”,转向“谁能把模型放进一个更可靠的系统”。

03 七条路,各自卡在不同的地方

1. 消费者健康 AI:信任不是越多越好

苹果的研究把“信任”放进核心指标,本身就值得注意。

在消费互联网里,用户信任产品,通常被视为好事:更高的留存、更高的使用频率、更强的推荐意愿。

但在健康领域,信任太少当然有问题,信任太多也可能有问题。

一个用户收到 AI 的建议后,可能因此及时就医;也可能因为 AI 的安抚而延误;还可能因为过度解读一个低风险指标,进入不必要的检查与焦虑循环。

健康 AI 的难题不只是“回答是否准确”,而是用户是否知道何时应该相信、何时应该核查、何时必须找医生。

因此,苹果这项研究真正值得关注,在于能否把“信任”拆开测量。

需要测量的变量
真正的问题
回答质量
信息是否准确、完整、有来源
用户理解
用户是否真的听懂,而非只觉得听懂
信任校准
用户能否区分可靠与不可靠的回答
行为改变
用户是否采取合适行动
健康结果
行动是否真的带来益处
风险与公平
是否造成延误、过度就医或群体差异

医疗 AI 最危险的状态,不一定是用户完全不信它。

也可能是用户太信它。

2. 临床知识 AI:检索到知识,不等于完成了判断

医学知识更新太快,临床医生不可能记住每一篇文献、每一版指南、每一个罕见病例。

这正是临床知识 AI 的价值所在。它可以检索证据、对比研究、整理病历、标记药物相互作用,帮助医生在有限时间里看到更多信息。

但医学知识与临床判断之间,有一段无法被轻易抹平的距离。

一篇研究结论有其适用人群;一项指南有其前提;一个患者却可能同时带着多种基础病、特殊用药史、家庭条件和个人偏好。

医生需要的不是一个“结论生成器”。

医生需要的是一个能保留证据出处、适用条件、反对证据和不确定性的系统。

如果 AI 只把复杂文献压缩成一句流畅的建议,它确实提高了阅读效率,却也可能把最重要的限定条件一起压缩掉。

这也是临床知识 AI 的真正考验:它不能只会把知识说得像答案,还要让人知道答案从哪里来、在哪些情况下不成立。

3. 医学影像 AI:最接近落地,也最容易被误读

七条路径中,医学影像 AI 可能是最接近成熟应用的一条。

它的输入相对明确:X 光、CT、MRI、病理切片、眼底图像。它的输出也相对清楚:异常在哪里、风险有多高、哪些病例需要优先复核。

而且,它已经出现规模较大的前瞻性研究。

例如,乳腺癌筛查中的 AI 系统可以降低人工阅片工作量,也有研究显示其癌症检出率提高。但一套筛查系统的价值不能只看“发现了更多病灶”,还要看它是否提高了不必要召回,是否增加患者焦虑,是否让有限的专科资源被更合理地使用。

影像 AI 的关键启示是:越接近真实临床,指标越不能单一。

模型可能更敏感,却更容易误报;系统可能减少一部分阅片量,却把难题集中留给少数医生;它可能在一所顶级医院里表现优秀,换一台设备、换一个人群之后就出现性能下滑。

影像 AI 已经证明了,AI 能扩展医疗系统的“眼睛”。

但看见更多,不等于知道该如何行动。

4. 疾病预测 AI:预测未来,不等于改变未来

疾病预测 AI 很诱人。

它希望在症状明显之前,利用影像、病历、基因、行为与生理数据,预测谁会患病、谁会恶化、谁需要更早干预。

从技术角度看,这是一种很自然的进步:医疗从“生病后治疗”,走向“风险出现前管理”。

但预测比诊断多了一层问题。

如果 AI 提前预测出某人可能患上阿尔茨海默病、心血管疾病或某种癌症,医疗系统接下来能做什么?

有没有有效干预?谁来沟通?患者是否愿意知道?保险、就业和家庭关系会不会受到影响?预测错误或不确定时,焦虑由谁承担?

预测不是终点。

预测只是把一个问题更早交给了系统。

如果系统没有后续的治疗、支持、随访和责任安排,预测能力越强,未必意味着医疗价值越大。

5. 诊断推理 AI:真正难的是连续决策

诊断 Agent 的吸引力,在于它看起来最像医生。

它不是一次性回答“这是什么病”,而是像临床医生那样,根据已有信息继续提问、决定下一项检查、比较不同假设、在不确定中逐步收敛。

这也是微软 MAI-DxO 一类系统所尝试的方向:不是回答一道病例题,而是在有限成本下完成一段连续诊断过程。

但诊断的难点,恰恰不在于某一步猜对。

它在于每一步都可能改变后面的路径。

一次不必要的检查,会带来成本、等待与新的偶然发现;一次遗漏,可能导致延误;一次错误的高置信度建议,可能让医生或患者忽略真正重要的信号。

诊断 Agent 因此不能只看“最终答对率”。

它还要看:检查选择是否合理,成本是否可接受,错误是否可恢复,是否能在不确定时及时转交给人。

医疗里的好决策,有时不是继续推理,而是知道什么时候该停下。

6. 医疗工作流 AI:最可能先赚钱,也最可能被高估

医疗工作流 AI 没有“AI 医生”那么有想象力,但它或许最接近短期可量化的价值。

病历生成、转诊准备、医保授权、患者消息回复、检查预约、编码、随访提醒,这些事情看起来琐碎,却消耗了医院与医生大量时间。

一项涉及五家美国学术医疗机构、8,581 名临床人员的研究发现,获得 AI 病历助手使用权限,与每 8 小时排定患者服务时间减少 13.4 分钟电子病历操作相关;文书记录时间减少 16 分钟。但非工作时间电子病历使用并没有显著下降,每周门诊量变化也不显著。

这组结果很有代表性。

它没有否定 AI 文书助手的价值。相反,它说明 AI 确实在一个局部环节节省了时间。

但它也提醒我们:减少某项工作,不等于同样幅度地释放整个系统。

医生可能需要审阅 AI 草稿,补全遗漏信息,处理更多患者消息,或把节省的时间投入另一项必要工作。医院还要承担软件采购、培训、流程改造和合规管理成本。

同一种工具,在不同环境里也可能完全不同。

报告中提到的住院场景研究显示,59 名医生中,AI 文书助手的实际使用率很低,部署前后每天用于病历记录的时间没有显著变化。原因不难理解:住院记录不是一次问诊的转录,而是连续整合化验、会诊、治疗计划和前序病程。

AI 没有读懂工作本身,就很难真正接住工作。

工作流 AI 最终要证明的,不是“能不能完成操作”。

而是“完成操作之后,整个系统是否真的更轻”。

7. AI 制药:最远离患者,却最可能改变治疗本身

AI 制药在另一条时间轴上推进。

它不直接减少医生的文书负担,也不直接帮助患者理解化验单。它试图改变的是疾病干预工具本身:靶点发现、蛋白结构、分子设计、候选药物筛选、临床试验设计。

这条路最慢。

因为它最终不是要证明模型能不能生成一个分子,而是要证明一个分子能不能成为药:有效、安全、可制造、可支付,并经得起临床试验。

但它的重要性也最大。

前六条路线主要是在改进医疗服务如何运转;AI 制药可能改变的是医疗系统手里究竟有没有更好的治疗工具。

它也提醒我们,医疗 AI 的终点并不只是提高效率,更深的终点,是改变疾病本身。

04 七条路真正的交汇点,不是“让 AI 替代医生”

如果把七条路线分别看,它们像七个彼此独立的赛道,但有一个案例,让它们开始显出可以连接的样子。

2026 年发表的一项中国随机对照研究,测试了 PreA 诊前预评估聊天机器人。患者在见专科医生前,先通过对话完成症状、病史、用药等信息采集,系统将其整理成医生可使用的结构化报告。

研究在中国西部两家医疗中心进行,纳入 2,069 名患者、111 位专科医生和 24 个专科。与未使用 PreA 的组别相比,患者独立使用 PreA 后,专科医生平均问诊时间从 4.41 分钟降至 3.14 分钟,下降约 28.7%;照护协调和沟通便利性也有所改善。

这项研究最重要的地方,不是 AI 缩短了 1 分多钟的问诊。

而是它提供了另一种想象。

AI 不必先从“替代医生”开始。

它可以先解决患者与医生之间最普遍、也最少被解决的问题:信息断层。

患者知道的是自己的感受:哪里不舒服、什么时候开始、生活受到了什么影响、以前吃过什么药。

医生需要的是可以判断的信息:主诉、病史、症状演变、既往检查、风险因素、关键缺失项。

两者之间原本靠一次有限时间的沟通连接。AI 可以先完成整理、追问、结构化与转译,但把专业判断保留给医生。

这恰好把几条路线接了起来:

  • 患者端 AI 帮助表达和理解;
  • 临床知识 AI 帮助调用证据;
  • 风险与诊断系统帮助整理可能路径;
  • 工作流 AI 帮助准备转诊、检查与随访;
  • 医生保留诊断、治疗与高风险行动的最终权力;
  • 患者后续的行为和结果再回到系统中。

这不是“AI 独立看病”的故事,这是“AI 让医疗信息终于能够顺着患者流动”的故事。

图片

05 医疗 AI 的核心问题:谁拥有下一步的选择权

当这些能力开始连接,问题就不再只是“模型能不能做”。

而是:连接之后,谁拥有下一步的选择权?

假设一个系统可以读取患者长期健康记录,发现异常化验指标,检索最新证据,建议进一步检查,自动生成材料,甚至打开医院系统发起预约。

每往前一步,风险都在变化。

环节
AI 可以做什么
需要守住的边界
解释指标
总结、翻译、提示异常
不把解释伪装成诊断
识别风险
标记趋势、提示核查
不隐藏不确定性
建议就医
推荐合适的就诊路径
不替代紧急临床判断
草拟材料
准备申请、病历摘要、转诊信息
必须保留人工审核
执行低风险流程
提醒、预约、资料补全
在明确授权范围内行动
下达医嘱
提供证据与选项
不能绕过专业授权
调整治疗
协助监测与提示
由有资质人员承担责任

医疗 AI 的关键能力,不应只是推理、规划与执行。

它还应该包括一项经常被忽略的能力:识别自己无权决定什么。

在医疗里,正确地停下、把证据交给对的人、等待授权,并不是系统失败。

恰恰是系统可靠的一部分。

06 从“给出答案”到“形成闭环”,还缺四种反馈

医疗 AI 今天最常见的产品形式,是一次问答。

输入症状,输出建议。

输入影像,输出概率。

输入病历,输出摘要。

但医疗真正需要的是闭环。

这个闭环至少有四种反馈。

第一种是数据反馈。

新的检查结果、病程变化、可穿戴设备数据、用药与生活方式变化,能否进入系统,让它更新对患者当前状态的理解。

第二种是行为反馈。

患者有没有完成复查?医生有没有采纳建议?预约是否成功?药物是否按计划使用?一条建议被发出,不代表行动已经发生。

第三种是结果反馈。

患者的健康状态有没有改善?是否发生不良事件?是否减少住院、重复检查或不必要支出?

第四种是归因反馈。

这最难。

患者状态变好,可能因为 AI,也可能因为医生、药物、自然恢复、家庭支持或医疗资源变化。没有合理比较与因果识别,系统就可能把偶然成功误认为自身能力。

这意味着,医疗 AI 的长期护城河不会只是数据量,也不会只是模型参数。

它会是能否建立一套严谨的“信息—行动—结果—归因”系统。

07 最后竞争的,不是模型,而是谁能搭起这套系统

未来几年,医疗 AI 可能出现几种不同的产业结构。

结构
可能的主导者
优势
难题
专业工具网络
影像、文书、药物等垂直公司
专业性强,容易验证
工具彼此割裂
平台型健康入口
大模型公司、科技平台
用户入口和统一体验
数据、责任与信任集中
医院主导的 Agent 网络
医疗机构与信息化厂商
更贴近真实流程与责任体系
部署慢、互通难
长期健康协同系统
患者端与临床端共同构成
能形成长期连续反馈
隐私、支付、公平与治理更难

没有谁一定赢。

但不管最后是哪种结构,都绕不开几个老问题:数据能否互通,模型能否被验证,谁对错误负责,谁付钱,医生和患者是否愿意改变原有行为,监管能否从“批准一个产品”走向“治理一个持续运行的系统”。

医疗 AI 的技术门槛会不断降低。

这些门槛却不会自动降低。

08 苹果提出了一个问题,整个行业都还没有答案

11 月 15 日,苹果启动健康 AI 使用研究,看上去是一件很克制的事。

但它其实问出了医疗 AI 最难的问题:

当一个系统开始影响人的健康选择时,什么叫“帮助”?

是让用户更满意?让医生少写一点字?让医院跑得更快?让更多疾病被发现?还是让一个人最终得到更合适、更及时、更可负担的照护?

这些答案并不总是一致。

医疗 AI 不会被一个更强的模型彻底改写。

它会在七条不同路径的推进中,被一点点重写:患者如何理解自己,医生如何判断证据,医院如何分配工作,系统如何执行行动,药物如何被发现,错误如何被拦下,结果如何被证明。

真正重要的,或许不是 AI 能否给出更多答案。

而是当答案出现之后,它能不能让下一步变得更好。


>/作者:王零壹,920.org.cn(AI Research Institute)创始人,港大AIBT研究生,前上市公司 CMO。长期研究 AI 产品、Agent 架构与商业增长,并持续观察技术变迁如何重塑人的工作、判断与生活。

*著有《AIGC从0到1》系列丛书、及东方寓言小说《飞将军》;

*善于洞察先机,1月26日中文互联网第1个意识到OpenClaw(小龙虾)范式价值的人;

关注我,一起AIGC从0到1~

文章标签应用落地

资讯来源:由AI资讯编辑整理自互联网公开内容,版权归原作者所有,未经许可,不得转载。