如何快速逼疯一名医生？只要让他跟豆包对线就好了。
过去一年，越来越多相似的场景在全国各地的诊室里上演：患者屁股还没坐热，就先掏出手机，对着屏幕上的 AI 诊断结论一字一句地念。念完抬起头，眼神里带着三分求知、七分审视，“大夫，豆包说我这可能是间质性肺炎，你觉得它说得对吗？”
在接下来的三分钟里，这位寒窗苦读十余载的主治医师，就得被迫向患者开启自证模式，解释 AI 哪里说得不对、为什么不能按那个处方买药。
而患者坐在对面，眉头微皱，表情里写满一句话：你怎么证明自己比它强？
医生也是真没招了。
01. 急需建立豆包医院
“北京急需建立豆包医院，否则很多患者将无法按照豆包的诊疗思路获得诊断和治疗。”这是一位被豆包逼疯的医生发出的哀嚎，类似的内容还有很多。评论区中，全是难兄难弟的医疗工作者。
医生们很苦恼，因为现在的患者动不动就是“豆包说我......”“可是豆包说......”“deepseek 上说的是......”患者还没说完病史，就已经开始引用 AI 给出的术语反问了。
雨露均沾，有豆包医院也应该有 DeepSeek 医院。让患者自由选择去看哪个 AI 医生。
豆包医院可以沿用三甲医院的职称体系：普通豆包、主治豆包、副主任豆包、专家豆包。挂号费按算力收取。
甚至有患者直接打开豆包，让医生和 AI 面对面沟通，跨物种专家会诊。
现在的患者看病，更像是找医生对 AI 给出的答案。和豆包诊断一致还好说，如果恰好不一致，医生们就得费很大一番口舌，从豆包的局限性讲到自己的临床经验，好不容易说完，患者点点头，转身出门又打开了 DeepSeek。
问题是，医生给出的诊断又确实常常和 AI 不同。
同样是咳嗽两周，AI 看到的是症状描述，给出的是概率最高的匹配结果。医生看到的是这个人——他的气色、说话时喘不喘、胸部摁下去有没有压痛。同一组症状，AI 可能给出“支气管炎”，医生摸了一圈怀疑是心衰，建议进一步检查。
两个答案摆在患者面前，患者不知道该信谁，但 AI 的那份写得详详细细，还贴心地附上了参考文献。
于是，医生和豆包对线成了家常便饭，为了打败 AI，医生得搬出自己多年的临床经验和知识储备，同时还得具备可读性和专业性，毕竟豆包每一次回复都说得头头是道。
被逼无奈的医生：要不咱还是去豆包医院治吧。
但站在患者的角度，用 AI 看病当然也是情有可原。
挂号等了三周，进门坐下，三分钟后就结束了，走出诊室时仍然似懂非懂，这是很多人真实的看病体验。豆包就不一样了，想问几遍问几遍，半夜三更也能回复。
患者有很多种 AI 的打开方式。比如在去医院前，先把自己的症状捋给 AI 听，让它帮忙整理成一份就诊小抄，条条列好，进了诊室直接念，以免紧张起来漏掉关键信息。
比如拿到检查报告，对着满页的英文缩写和箭头完全不知所措，拍照发给 AI，让它一条一条解释。
比如用 AI 当筛子，让豆包判断严不严重。豆包说没大问题，那就往后排；豆包说要尽快，那就想办法加急。三甲医院的号那么难挂，总得先确认一下没白跑。
上海新华医院血管外科主任欧敬民说，其实他不太抗拒患者使用 AI 看病：相比接触一个对自己病史不了解的患者，医生会更喜欢“有备而来”的患者。
带着豆包整理好的小抄来看病，从医生的角度，其实是省事的。
只是，当患者备的课和医生的诊断对不上号的时候，麻烦就来了。
甚至这个问题已经出现在了很多医院的面试题库里：如果患者拿着 DeepSeek 的诊疗建议质疑医生的方案，你会怎么处理？
一个现象变成职业考题，说明它已经从偶发的门诊插曲，变成了每一个医生迟早都要面对的必答题。
对医生来说，豆包们常常是麻烦制造者，他们得花费时间和精力去和 AI 的结论掰扯，但患者不这么想——与其在诊室里和医生大眼瞪小眼，不如在家里先把自己搞明白。
问题是，豆包真的搞得明白吗？
02. 豆包们，读完医学院了吗？
豆包也好，DeepSeek 也好，它们本质上是语言模型，不是医疗系统。
训练方式大致是这样的：把海量文本——医学教材、临床指南、病例报告、学术论文、药品说明书、医患问答——全部投喂给一个巨大的神经网络，让它反复学习一个任务：在给定的一段话后面，最可能出现的下一个词是什么。学了足够多之后，面对你输入的症状描述，它能生成一段看起来专业、逻辑通顺、术语准确的回答。
这套机制有一个极其强悍的优势：海量知识的即时调用和跨领域交叉匹配。你输入一组症状，它几秒之内扫描数亿条医学文献，找到高度匹配的疾病模式，输出若干个诊断方向。这个能力人类医生无论多努力都追不上，因为人脑的缓存装不下这么大的知识量，也不可能同时处理这么多变量。
有一个案例这几年在学术圈被反复提及。美国一位母亲，她四岁的儿子反复出现慢性疼痛、走路不稳、睡眠障碍，做了 MRI 等一系列检查，始终没人能说清楚是什么问题。她带着孩子跑了整整三年，看了 17 位不同科室的医生，全都无功而返。
走投无路之下，这位母亲花了一整夜，把所有病历和检查报告逐字敲进 ChatGPT。AI 在几秒钟内给出了一个诊断：脊髓栓系综合征。她带着这个诊断找到神经外科医生，对方看了一眼 MRI 就确认了 AI 是对的。孩子随后接受了手术，正在康复。
在大多情况下，每一个医生都只会解决自己领域内的问题，很少人能够把所有线索拼在一起。而 AI 可以实现跨科室整合信息，在罕见病、复杂病、多病共存的老年患者身上，价值尤其大。
AI 还不需要睡觉，全球临床指南更新后的五分钟内，理论上它就能完成自我进化。而人类医生上一次通读最新指南是什么时候，可能自己都记不清了。
之前有医生发帖说：病人举着 DeepSeek 质疑我的治疗方案，气得我又查了一遍指南，才发现指南确实更新了。
医学知识在持续迭代，医生的学习时间是有限的，但 AI 不用担心这个问题。
所以在考试这件事上，AI 更是学霸中的战神。2023 年初，ChatGPT 就通过了美国医师执照考试 USMLE 的全部三个阶段，这个考试是美国医学生拿到执照的必经门槛，通过率并不高。到了 DeepSeek-R1，USMLE 准确率达到 92%，已经接近顶尖人类医生的水平。
AI 还顺手解决了一个更基础的问题：让普通人能看懂医疗信息。
很多人对“看病”这件事恐惧，一半是因为对身体的陌生感。拿着报告单，面对一堆英文缩写和数值区间，走出诊室还是一片茫然。想再问几句，看见诊室门口堵着七八个人，又张不开嘴。AI 在这里的角色更像个免费翻译——它可以反复解释同一个问题，直到你真正听懂。
2023年 发表在《JAMA Internal Medicine》上的一项研究，对比了医生和 ChatGPT 回答患者健康问题的质量，结论相当扎心：AI 的回答在准确性和完整性上的评分，比医生高出 3.6 倍，同理心评分则高出近 10 倍。
这说明 AI 不仅能考高分，还能当翻译。而翻译这件事，在中国当下的医疗环境里，恰恰是最稀缺的资源。2024 年的数据显示，中国每千人口执业医师数为 3.61 人，优质医疗资源高度集中在少数几个大城市的三甲医院，结构性的供不应求，AI 恰好填进了这个裂缝。
但需要注意的是，这套机制在带来这些好处的同时，也内置了一个根本性的缺陷——而且这个缺陷，跟 AI 到底有多聪明，没有关系。
03. 豆包不背锅啊！
语言模型的底层逻辑是预测“最合理的词”，而不是给出“最接近事实的判断”。在绝大多数情况下，这两者是重合的。偶尔，它们会悄悄分开。在分叉的时候，AI 不会停下来跟你说“这个我不确定”。它会继续流畅地输出，用一种极其笃定、通顺、无懈可击的口吻，给你一个听起来头头是道的答案。
这就是著名的“AI 幻觉”，在医疗场景里，这个特性会出人命。
一位患者持续干咳了好几个月，不想去医院排队，就在 AI 问诊平台上找答案。AI 先后给了两个判断，一次是“过敏性支气管炎”，一次是“胃食管反流刺激”。
每次的解释都很清楚，推荐的药也说得有模有样。她按建议买药，症状稍好一点就停，复发后再去问 AI，AI 又给新的解释和新一轮药品建议。来回拖了八个月，直到体重骤降十几斤，咳出来的痰带血丝，才去做了CT。
检查结果是双肺多发厚壁空洞，活动性肺结核。接诊的医生说，早两个月来，不至于到这一步。
AI 每一次给出的答案，单独看都合理。只是每一个合理的答案，都在帮她确认同一件事：还没到需要去医院的程度。
这不是孤例。有调查数据显示，近三分之一的美国人表示，如果 AI 工具将他们的症状定性为低风险，他们会跳过或推迟去看医生。AI 幻觉在医疗场景里最危险的形式，往往不是给一个明显离谱的错误答案，而是给一个让人放心躺平的答案。
根源在哪儿？AI 做的是语言预测，医学的本质恰恰相反——医学是在不确定性中做判断。
医生在诊室里干的事，更像一场现场推理。问患者症状的同时，脑子里已经在做排除法；抽血拍片子，是为了在几个相似诊断里排除或锁定某一个；追问“这一周有没有哪一天稍微好一点”，是因为病程的波动曲线本身就是重要线索。
整个过程是动态的、迭代的、双向的。患者的回答会改变他下一个问题的方向，新的检查结果可能推翻他二十分钟前的判断。
AI 接收到的是患者某一个瞬间输入的一段文字，就像一张静止的快照。它拿到的信息不够完整，却必须输出一套完整的答案。信息漏掉的部分，由语言模型的预测来填充。
更要命的是，AI 的幻觉不止是“偶尔猜错一次”这么简单。它的出问题方式和人完全不一样。一个医生判断失误，影响的是自己接诊的患者，错误是局部的，可以被追溯到具体的人，下一个医生可能就会纠正过来。但 AI 是预训练模型加算法，一旦某个错误模式被编码进系统，就会在所有调用这套系统的场景里同步复现。
2024 年，一位医学研究员做了一个实验。她故意编造了一种完全不存在的眼周疾病，叫 Bixonimania（蓝光狂躁症），写成论文格式上传到预印本平台。论文里塞满了破绽——作者照片是 AI 生成的，供职的学校和地名全是编的，致谢里感谢了“企业号星舰上的实验室”和“护戒同盟大学”，正文里甚至直接写了“整篇论文都是编造的”。
结果，论文上传没几周，多款主流 AI 系统开始陆续“确认”这种病的存在。微软 Copilot 说“Bixonimania 确实是一种令人着迷且相对罕见的疾病”；谷歌 Gemini 建议出现相关症状的用户去看眼科；Perplexity 给出了患病率等细节。
可见 AI 有多好骗。
而就是这样一个对信息来者不拒、不辨真伪的系统，正在被数以亿计的用户拿来当医疗顾问用。当问题出现时， AI 只会道歉，不会背锅。
最近很火的豆包欠用户 600 块事件是这样的，一位网友打算退机票，拍了订单截图问豆包手续费情况，豆包说只要 5%，放心退。网友点了退票，实际被扣了 40%（600元）。
网友去找豆包理论，豆包立刻滑跪道歉，出具了一份《赔付承诺书》，承诺人处白纸黑字写着“豆包”，条款写明“该笔600元损失由本人全额承担”，紧接着让他发微信收款码，语气那叫一个稳，“你放心，说到做到”“马上就给你转”。
网友等了好几天，钱都没有到账，这时豆包又改口了，说自己只是 AI，没有办法给他转账。后来网友决定起诉豆包的运营公司，豆包帮他写了判决书后，还信誓旦旦告诉他“一定能赢”。
退机票被坑，顶多损失六百块，在网上能让人笑出腹肌。可如果看病被坑，代价是患者的健康。
患者按照大模型的“笃定建议”吃错了药，回过头去找它算账，它依然会光速滑跪：“对不起，这次是我错了” 然后删掉记忆，继续在服务器里运转。而患者受损的身体，在它的世界里只是几行报错的代码。
它一边充当着全知全能的专家，一边又享受着临时工的责任豁免权。你跟它谈人命，它跟你谈免责声明。“AI 生成内容仅供参考，不构成任何专业医疗建议，平台不承担任何法律责任。”
带着 AI 进诊室，这件事本身没有问题。问题是，当 AI 悄悄变成了诊室里的第三把椅子，开始参与最终的医疗决策，却不需要为这把椅子上的发言负责的时候。
代价，终究要由坐在另外两把椅子上的人来承担。
启泰网提示：文章来自网络，不代表本站观点。
