配资门户网官方平台 “医生，豆包说你诊断错了”

配资门户网官方平台

7月18日凌晨，江苏某二甲医院急诊外科。工作1年的医生余米正在上夜班，诊室来了一个因为酒后打架，头部出血的中年男人。在夏天，像这样喝酒上头后打架的人，是诊室的常客。男人显得着急，反复追问余米到底有没有问题。余米给男人做了头部CT，确认没有颅内出血，让他先去打破伤风。

男人刚回到诊室门口，余米就听到了从他手机里传来的豆包的AI女声：“根据目前影像报告上的描述，可以判断有颅内出血。可能是医生的诊断错误。”这刻，余米感到魔幻。

学界、医学圈、AI圈还在争论大模型究竟能不能看病，患者们已经开始用“指尖”投票。余米的经历开始在全国各地医院上演：患者带着AI问诊的答案进入诊室，寒窗苦读十年的医生，被迫需要向眼前人证明，自己讲的是对的。

余米和豆包的分歧来自影像报告上那句“颅内可见高密度影”。这句话既可以提示钙化灶，也可以提示颅内出血。余米不确定豆包为何做出了颅内出血的判断，也许是读图能力欠佳。她向男人解释，不能全信豆包，要相信医生的判断，又尽她所能地再讲了一遍，“高密度影”是什么情况。

但男人没能被说服，他酒还没醒，情绪变得激动。新来的病人还在排队，余米没法继续和男人拉锯，又不知还能怎么解释，她感觉异常尴尬，只好打电话请来了神经外科医生，当着男人的面又分析了一遍片子，结论和余米一致。

为此，余米前前后后花掉了半小时，是平时看病时长的三倍。男人走后，余米在社交媒体上发了一篇吐槽帖，帖子写道：“我真没招了。豆包是嫌医患矛盾还不够大吗？”

无论医生们多崩溃，这场“赛博问诊”的浪潮正以惊人的速度席卷开来。尽管目前没有确切的官方数字公布，在2026年6月的一次播客中，百川智能创始人王小川不经意透露了竞品的数据：“豆包一天承载的健康相关问诊次数，大概已经达到两三千万人次。”

这一数字是什么概念？根据国家卫健委发布的最新数据，2025年1-11月，全国医院的总诊疗人次是42.4亿，平均到每天，大约是1269万人次。

医疗流量向AI的大规模迁徙，正在全平台上演。2026年1月，科创板日报报道称，医疗垂类大模型蚂蚁阿福日均健康咨询量也已超1000万次。而美国OpenAI公司更是在2026年7月表示，ChatGPT每周有超3亿次健康询问。

伴随这场流量大迁徙的，是医疗大模型的井喷。据艾媒咨询2026年8月发布的报告，过去三年，中国医疗大模型完成了从0到1的爆发式生长，累计发布量从2023年的61个，跃升至2025年6月的311个。

当余米们还在为一张张影像报告和患者据理力争时，潮水的流向已然改变。“头痛怎么办？”50年前，人们会拿这个问题去医院挂号，20年前，是打开浏览器问搜索引擎，现在，是喂给了AI。

但在这场亿万人参与的大型赛博问诊实验里，盲目信任的代价，才刚刚开始在暗处标价。

急，是急诊外科的日常。许多研究显示，这里也是医院里投诉量最高的科室之一。

车祸伤、打架伤、机械伤、腹痛、肾结石、阑尾炎，你能想象到的所有需要紧急处理的外科病，还有很多病情不急、但自己很着急的人，都出现在这个科室。

余米的任务是，用最快速度把眼前这群“非常非常着急”的病人看完。夜班是下午五点到第二天早上八点，会涌来80-100个病人，平均每10分钟接诊1人。

“如果前面有个病人需要缝合、清创，我就去清创室了，新来的病人需要等。小伤口要等十分钟，大一点的伤口要半小时起步。很多人会很生气，‘既然我挂的是急诊号，你为什么没有立刻来看我’？”余米说，她习惯了被投诉。

如此忙碌的情况下，现在，余米还要想办法应付一个新角色：AI。

前不久，因为病人问了AI，一个吊诡的场景在急诊室上演：一个神志清醒、自己走进诊室的大学生，强烈要求去抢救室抽动脉血。

起因是这个大学生做实验时，接触到少量化学试剂。来到诊室后，他对照豆包念完了想做的检查——血气、血常规、肝肾功能。

这其中最让余米意外的是血气检查，它一般用在休克、呼吸困难、昏迷等严重情况。“比如口服了大量药物，整个人神智也不清晰，我们才会把他送到抢救室抽血气，”余米说，但眼前的人远没到这么严重的地步，“但他非常坚持，一定要做，那就给他做了。”

最多的一次，武汉某三甲医院耳鼻喉科医生林青一天碰见过三四例因“AI确诊”前来问询的病人。

有人颈部长了淋巴结，在AI上问，怀疑是癌症，非常恐慌；有人头晕，问了AI，怀疑是耳石症，实际上是脑梗前兆。

临床上，头晕是一个听上去很直白、但牵涉复杂的症状，其中轻则如耳石症，发作起来天旋地转，但却是自限性疾病，不干预也会好，最严重的则是脑梗，如果干预不及时，会危及生命。但林青发现，由于病人无法准确描述头晕感受——可能是眩晕，也可能是昏沉，大多数情况下，AI都会建议先去排除耳石症。

按医院标准流程，如果病人不清楚要挂什么科室，需先去找导诊，再根据症状从重到轻排查，像头晕，会优先推荐去神经内科，排除大脑的问题。

然而，林青已经接诊过许多例自诉耳石症，但实际却是脑梗的病人。“耽误了最佳治疗期的话，可能有后遗症的。”林青对网说。

更多时候，AI像一道横在医患之间的赛博阴影。只要出现分歧，病人就会立即搬出AI来撑腰。今年6月，有个孩子耳屎过多，需要清洗，林青给家长开了左氧氟沙星滴耳液，说回家滴几天。考虑到儿童不能口服左氧氟沙星类药物，林青特别嘱咐，在这种情况下，外用是可以的。

家长带孩子回来冲洗时，林青很忙，自己接诊的同时，还要替去做急诊手术的医生接诊，得两边跑。家长等了半小时，表现得不耐烦，呛了林青一句：“我在豆包上查了，儿童不能用左氧氟沙星。”

离开医院后，家长给了林青一记投诉。

医学生李莫不理解，为什么有的病人“信豆包，不信医生，觉得医生要骗他钱，给他乱开检查”。她在江西一家综合三甲医院实习，不知从何时起，AI成了病人口中的高频词，“听到病人争论‘豆包说你们医院可以做这个项目’‘豆包说应该这么治’，忙了一天的气终于断了”。

她曾轮岗的胃镜室来过一个病人，上来就问能不能做某项检查，但科室并不存在这个项目。病人质疑说：“不可能，豆包说你们医院有这个项目的。”

发现医生的诊疗方案和豆包不一致，病人再次质疑，医护人员只能花更多精力努力解释。

麻烦只是其次，李莫更深的感受是，AI作为第三方介入，让病人对医生的质疑变得更多，加剧了本就复杂的医患矛盾。

今年6月，李莫在麻醉科轮岗，聊天时听医生提起一个“偷偷录像”的患者。因为骨折，患者要做下肢手术。术前谈话时，患者和家属同意手术，但不同意麻醉方案。“患者的理由是，豆包说，最不推荐腰麻，要神经阻滞。”李莫说。

交涉中，医生发现，患者家属打开了手机录像，录下了沟通全程。

“举起摄像机，就代表着你不信任面前的医生，而且可能做好了随时把他/她告上法庭的准备，医生也有了一丝防备感。”说这话时，李莫的语气变得尖锐，“医疗过程是医生和病人一起对付疾病，病人却把医生放到敌对方了，互相信任的话，会顺畅很多，如果是互相消耗，是双输的。”

但在患者的叙事里，医生口中的“双输”，不过是弱者的无奈自救。医生是掌握知识和权力的人，象征着专业的绝对权威，在忙碌的门诊里，他们却没时间也顾不上仔细解释——于是，那些无处安放的恐惧，带着患者方走向了随时在线、不厌其烦的AI。

3月22号早上5点1分，一通电话搅扰了陈墨的梦境。半梦半醒间，电话那头，父亲说自己在急诊室，要马上做手术。5点10分，陈墨到达医院，情况比想象中还严重。医生说父亲是心衰心肌梗死，要立刻做支架手术，以父亲的情况，可能下不了手术台。

医生说了很多，陈墨脑子越来越懵，迷迷糊糊签了一堆知情同意书、病危通知书，6点，父亲被推进了手术室。

手术原计划一个半小时，但陈墨等了三个多小时。期间，医生找了她4次，“一次比一次糟糕，最后直接告诉我最糟糕的情况出现了，三根主血管堵了两根，而且全都钙化，导丝无法穿过，支架做不了，患者术中休克，现在就靠患者自身的意志力了，”陈墨回忆那个绝望的时刻，“我一个人真的被吓傻了，最后一次护士叫我签字，连时间都没告诉我，一个劲催我快点。”

三个多小时后，父亲转入CCU（冠心病监护病房）。医生说，陈墨父亲是CCU里病情最严重的一个。

父亲治疗期间，陈墨把每一张看不懂的化验单都喂给了AI。AI会安慰她，耐心解释，还会告诉她，父亲的情况在好转还是变坏。4月26号，父亲的核磁检查结果出来了，心肌大面积陈旧性坏死，陈墨又一次“感觉晴天霹雳”。

没法立刻问医生，陈墨把检查结果发给了豆包，豆包说建议不要手术；她又把能找到的AI大模型都问了个遍，DeepSeek、蚂蚁阿福、元宝、千问，结论都是不可以，陈墨感觉父亲被判了“死刑”，吓得一晚没睡。

最后，第二天问诊时，陈墨在医生那里吃了定心丸。医生判断，虽然手术风险很高，至少是可以做的。陈墨选择相信医生。

手术很顺利。术后，父亲进入了缓慢的康复阶段。但医生两相矛盾的建议让陈墨陷入困惑：主治医生建议父亲吃杂粮，会诊大夫却说，杂粮很伤肾，不建议吃。陈墨只好把父亲的既往病史、详细的肾脏指标都发给AI，询问最推荐的食物和建议量，并严格执行。

后来，父亲身上的插管慢慢撤掉，氧气瓶撤掉， “慢慢可以站起来了，再一点点康复就能走路了。”陈墨在日记里写道。6月12号，父亲终于出院，陈墨松了口气，“一关一关总算是闯过来了”。

相比之下，陪患癌母亲看病的陈枫更早体会到了医疗系统里“严重的信息不对等”。

早在2021年母亲确诊肝癌晚期时，由于没有AI，他只能靠百度搜索化验单，“获取的信息，都是一个个‘孤岛’，没法跟其他指标关联起来”。在半懂不懂的慌乱中，他听从了一些医生的建议，让母亲做了肝脏的部分切除手术，事后却被另一位微创专家告知“没必要切除”。

这种茫然感一直持续到2025年初，DeepSeek爆火。也是这时，陈枫母亲的病情急转直下，开始频繁因为电解质（钠、钾）紊乱住院治疗。AI大模型成为了陈枫跟进病情的第一工具。

陈枫咨询了很多医生，但医生的回答大多模棱两可。“要么是‘这个不好说’，是肝硬化晚期的症状，要么是，可能原因比较多，又涉及跨科室，所以医生也很难准确判断。”陈枫回忆。

他又去问AI，AI的回答类似，“肝癌晚期出现电解质紊乱，通常是多种因素共同作用的结果”，但不同于医生的是，AI把可能性一个一个列了出来：“甲减”“利尿药”“内分泌”……

基于此，陈枫找到了甲状腺、肾内科、内分泌、肿瘤科等科室的医生一个个排查，最后把问题锁定在了利尿药上。他把母亲服用过所有药物、做过的检查报告都发给了DeepSeek，DeepSeek也怀疑是两种强效利尿药导致。

最终，陈枫拿着自己和AI推断的结果，跑去咨询肾内科的医生，替换掉了利尿药。那之后的两个月，母亲的电解质不再像之前那样频繁紊乱。但对于陈枫的“越轨行为”，管床医生表现出了反感。

不过，像陈枫这样频繁多科室多医生咨询、精细化跟进母亲的病情，成本是高昂的，几年间，他在该医院的各种门诊已有上百次。“这些问诊里，其实80%都是没多少价值的，但是那20%甚至1%就可能特别有价值，”陈枫说，这对医院来说可能是浪费资源，但对自己，是一种筛选。

这之后，陈枫开始密集使用AI跟进母亲的病情。他认为，Al对患者方最大的意义，不是掌握专业的医学知识，而是迅速减少信息差。AI会给陈枫事无巨细地解读检查报告、医生用药，回答各种猜测疑虑，“能通俗易懂地告诉你，原理是什么、逻辑是什么、趋势是什么”，让他在跟医生沟通时更能问在点子上。

但他也发现，当提到AI，90%的医生都会表现出反感。密集使用AI后，陈枫也意识到AI在医疗领域还“很不成熟”，只能整合检索到的文献，对病情的评估、猜测并不完全准确。

“家属很容易拿着AI的猜测和医生谈治疗，这会很大程度上干扰医生的治疗思路。因此和医生沟通的时候，一定要掌握尺度，不能拿AI作为沟通的依据，要用医生能接受的沟通方式，得到更多反馈和提醒。”陈枫说。

陈枫最喜欢用的两个AI大模型是DeepSeek和蚂蚁阿福。他发现，不同AI也有不同“性格”：DeepSeek的推理能力强，但会把问题说得比较严重，推理出多种可能，这往往会加剧焦虑，但现实往往没那么糟糕；蚂蚁阿福的表述往往比较温和，不会让人过分焦虑，但却缺乏深度推演能力。

使用AI问诊时，陈枫会小心鉴别参考资料和答案，并非全听全信。他发现，AI喜欢引用文献，但很多都是罕见病例，此外，AI也会在网络上搜集一些未经核实的推断、帖文。

这和通用大模型的数据来源有关。2026年2月，一篇发表于《克利夫兰临床医学杂志》的文章解释了AI在医疗领域的局限性：其一，训练数据的偏见会引发结果偏差；其二，遇到超纲问题时，AI极易用看似合理的推测进行编织，产生“幻觉”。

也因此，给AI“投毒”比人们想象中更容易。

2026年4月，国际顶级科学期刊《自然》发表的一篇文章指出，捏造一种疾病，AI就会信以为真。如两年前，瑞典哥德堡大学的医学研究员Almira Osmanovic Thunström为了测试AI会不会盲目采用虚假信息，编造出了一个并不存在的病——Bixonimania（比克索尼狂躁症）。她写了两篇假论文，上传到学术社交平台。

假论文中，她有意保留了清晰的造假痕迹，比如作者单位是虚构的大学，正文里写着“整篇论文都是编造的”。

然而几周后，Google Gemini、ChatGPT等主流大模型开始向用户绘声绘色讲述这种“比克索尼狂躁症”的发病原因，还给出了患病率、就医建议。

哈佛医学院的研究员Mahmud Omar在《自然》的采访中指出，当错误信息被包装为医院出院记录或临床论文时，AI产生幻觉的概率会显著增加。

但数据源可靠，AI问诊的结果就更准确吗？答案是否定的。

事实上，在具体的病人、复杂的病情前，光储备知识是远远不够的。医生工作的一大难点，是如何从病人嘴里得到准确信息。

医生张冰曾在某沿海城市三甲医院住院部消化科工作过3年，在她眼里，和病人沟通像“玩海龟汤”——这是情境猜谜游戏的俗称，玩家需要通过情境推理得到答案，张冰也需要从病人分散、主观、有真有假的回答中得到线索。

“问”只是看病的一小部分，张冰还需要面对面观察病人、拍片做检查，才能下结论开药。但AI大模型省略了许多步骤，单纯依赖患者口述，很容易误诊。

“比如说尿多，但多少算多？有人说口渴，那唾液的分泌量是多少？还有人说腿疼，是麻木、刀割、针刺还是火烧感？每个人的认知是有偏差的。这些症状 AI 很难评判，患者自己也不会输入这么详细的信息。”武汉某三甲医院内分泌科医生石林对网补充道。

医生石林从业7年，他认为，AI在知识广度、学习能力上的确早已超过了绝大多数医生，但临床上，AI很难处理和患者的“全障碍沟通”：“比如我问患者有没有做过手术，对方说没做过，但仔细问，她生孩子时是剖腹产，但觉得剖腹产不叫手术。问血压高不高，对方说不高，又问吃什么药，吧啦吧啦说一堆降压药。”

研究也揭示，目前的AI还不擅长通过自然对话准确识别病情。2026年2月，牛津大学研究团队在《自然·医学》发表了一项针对上千人的研究，结果显示，当研究人员直接输入包含症状、病史和背景的清晰的病例描述时，AI识别病情的准确率是94.9%；但当真人用自然对话的方式描述相同病情，准确率降至34.5%以下。

那么，倘若病情已知，AI能顺利治病吗？答案仍然是否定的。

石林提到，临床治疗时，最优解往往不存在，而是根据病人自身情况权衡利弊的结果，这依赖医生的经验和判断：“没有最好的药物，只有最适合的药物。没有最好的治疗方式，只有最适合的治疗方式。”

进入真实的求诊场景，AI的错误变得千奇百怪。陈枫发现，DeepSeek、阿福读取报告时都会出现抓取错误数值的问题。“明明写的是63，有可能给你读取成96，”陈枫说，“但很多时候我们会直接看AI得到的结论，往往不看思考过程。”

而比“看错数据”更隐蔽的雷区，是AI对患者的“无底线讨好”。

2025年底，梁好在一次血常规复查中发现“嗜酸性粒细胞”指标偏高。医生结合她此前的过敏史，告诉她“单一指标异常不用太在意”。

但当梁好把报告单发给DeepSeek时，AI却如临大敌：过敏不会上升这么多，建议查寄生虫。

在AI的反复警告下，心生恐惧的梁好跑去感染科查了寄生虫，结果一切正常。当她把阴性的检查结果喂给AI时，荒诞的一幕出现了。

DeepSeek答道：“我完全理解您的困惑……但请相信，这是医学诊断中向前迈进的一大步！”紧接着，它迅速抓取了梁好之前随口提过的“最近拉肚子”，得出了一个新结论：“所有的证据……都强烈地将病因指向了您的消化道……即将进入目标明确的诊断环节。”

在这段洋洋洒洒的推理下方，是一行灰色小字：本答案由AI生成，内容仅供参考，请仔细甄别。

梁好没有继续听DeepSeek的话。再次检查时，嗜酸性粒细胞已下降。她终于意识到，AI是在顺着用户思路往下编，“会根据你说的话做反应，如果我没提到肠胃问题，它可能就不会说再做其他检查了，但是我提到了，它就跟着扯上一点消化的问题”。

不仅是梁好，此前获益于AI的陈枫也吃过苦头。AI曾把他母亲的咳嗽，高度怀疑是容易被漏诊的“支气管类癌”，陈枫为此跑了几个月——看不同医生、做多科会诊才最终排除。AI虽然能穷尽细节，但也极易让患者在小概率事件上疯狂内耗。

而当这种极具误导性的“讨好”真正切入诊疗场景时，更现实的问题是：一旦出了事，将无人担责。

武汉某三甲医院医生石林提到一个细节，目前，医院已经有AI自动生成病历，但仍然需要医生把关，“最后如果病历出了问题，还是得医生负责，医生存在失察的责任，但AI是不用负责任的”。

在海外，已有人因误诊将AI告上法庭。

据美国哥伦比亚广播公司CBS报道，2026年7月22日，美国佛罗里达州一男子起诉OpenAI，称ChatGPT给出了错误的医疗建议，导致他差点因为肺栓塞死亡。

起因是他有段时间总觉得头晕，且血压不稳定，ChatGPT认为他症状轻微，建议卧床休息。几周后，男子因血栓引发大面积肺栓塞。起诉书称，有医生指出，正是卧床的举动导致了这次栓塞。

但OpenAI的发言人回应称，将与个人护理（one's own care）相关的意外归咎于聊天机器人是错误的，ChatGPT不是医生，绝不应被用作医疗护理、诊断或治疗的替代品。

在ChatGPT的附加条款中，有这样一条规定：“因使用我们的服务，而产生的任何输出结果，均由您自行承担风险。”

国内尚未有相关的诉讼案例出现，但AI已经批量炮制了更多焦虑的病人。

这个夏天，医生余米的急诊科来了一个焦虑的年轻女孩，她下肢肌肉酸疼了一个星期，问过AI，怀疑自己得了骨肉瘤。

余米给她拍了片，没什么问题，但女孩无法被说服。“她看起来完全没有放心，总觉得好像自己就是骨肉瘤，非常相信AI的结论，”余米对网说，“解释的过程很困难，我没有办法说服她，这让我觉得，可能以后的医患沟通会变得更加困难。”

时间紧张，余米只能终止对话，给女孩开了一些常规的止疼外用药，建议她如果后续疼得厉害，再去挂骨科门诊。

医生——病人——病情，过去稳定的三角正在动摇，AI混入其中，想要找到自己的位置。但这个准确的位置，到底是什么？

2025年6月，一项发表在《美国国家科学院院刊》的研究指出，医生和AI大模型会犯不同类型的错误，前者容易有思维盲区，后者容易误诊，但当二者联合诊断，可以互相兜底，准确率要高于医生或AI大模型。

今年8月，被誉为“AI教母”的科学家李飞飞在一次对谈中也展望了AI医疗的前景，她认为，如何用AI助力医学研究、临床诊疗是当下最值得深耕的机遇：“怎么整合各类医学信息、怎么把分析结果清晰给到医生和患者，怎么让患者全程参与诊疗过程，还有非常大的探索空间。”但她同时认为，在数据源稀缺的情况下，人们应该审慎看待AI的能力：“AI的判断全部依托数据里总结出的规律，一旦对应场景的样本稀少，我们就要理性看待AI的能力。”

在真实的临床一线，显然，AI独立看病仍是一个伪命题，但医生们也发现，如果运用得当，AI可以成为医疗系统的润滑剂，能在很大程度上为医生的诊疗提供帮助。

许多医生向网提到，AI大模型很擅长给病人科普，在已知病证后，AI能进行事无巨细的解释、咨询和安慰，这是医生无法做到的。

消化科医生张冰很有共鸣。消化系统的疾病和情绪密切相关，涉及到生活的方方面面，问诊时，“有些病人会从婆媳关系讲起”。

然而，她能分给每人的问诊时间只有15分钟，来不及听完琐碎的日常。她也发现，很多患者不是真的想看病，只是想找个人聊天：“这部分病人，跟AI聊天会得到很好的缓解。”

事实上，早在患者带着AI来看病之前，张冰和身边的医生也都尝过AI的甜头。

在过去，刚入行、经验不足的医生会单拉一个微信群，当身边没有更资深的医生可以请教，就能把复杂病例发到群里，询问意见。

但有了AI大模型后，张冰平均每看10个病人，会在AI上查三四个，身边的医生也会频繁用AI排查病情，核对是否有遗漏。

对医生们而言，AI大模型是更方便的医学检索工具，能让他们在短时间内找到想用的内容。“我觉得AI鉴别诊断非常厉害，特别是一些细节问题和不常见的病案，”张冰说，“过去，新医生刚开始临床时，会用‘口袋书’（注：供临床医生快速查阅的便携医学手册），现在AI可能取代了口袋书的作用，它比口袋书更全。”

武汉某三甲医院医生石林认为，AI检索的文献、指南有滞后性，但AI的广度“远超所有专科医生”。因此，临床上如果遇到罕见或合并其他科室的问题，自己也会问AI，作为一种补充材料。

但无论AI的检索能力有多强，张冰都不会只看结论，还会溯源AI的参考资料，更会根据十年寒窗的专业知识做判断。

“病人看到AI列出的ABC三种症状，会觉得这个好像我也有、那个我也有，但医生知道不同症状的鉴别点，也知道是不是需要做个检查才能区分。”

在她看来，这种判断能力是医生、患者用AI的关键区别，也正是医生在这场技术浪潮中无法被替代的底线所在。

应对方要求，文中余米、林青、李莫、

陈墨、陈枫、张冰、石林、梁好为化名

作者张木亭｜编辑阳千鱼

排版魏蔚｜文内AI制图丛敏

1. 对话王小川：造医生，战豆包，与无尽的 AI 非共识，硅星人Pro，2026年6月20日

https://mp.weixin.qq.com/s/EyYLglvu0G5nz4Z8cwwPXg

2. 2026年中国医疗大模型行业研究报告，艾媒咨询，2026年8月

https://mp.weixin.qq.com/s/4qDFtANfxJ8RUPbUwtdLHA

3. Artificial intelligence in medicine: How it works, how it fails，Rick Rejeleene and Neil B. Mehta，Cleveland Clinic Journal of Medicine，2026年2月

https://doi.org/10.3949/ccjm.93a.25089

4. Scientists invented a fake disease. AI told people it was real，Chris Stokel-Walker，Nature，2026年4月7日

https://www.nature.com/articles/d41586-026-01100-y

5. General-purpose large language models outperform specialized clinical AI tools on medical benchmarks，Vishwanath, K., Alyakin, A., Ghosh, M. et al，Nature Medicine，2026年6月12日

https://doi.org/10.1038/s41591-026-04431-5

6. Reliability of LLMs as medical assistants for the general public: a randomized preregistered study，Bean, A.M., Payne, R.E., Parsons, G. et al，Nature Medicine，2026年2月9日

https://www.nature.com/articles/s41591-025-04074-y

7. Human–AI collectives most accurately diagnose clinical vignettes，N. Zöller, J. Berger, I. Lin, N. Fu. et al，Proceedings of the National Academy of Sciences of the United States of America，2025年6月13日

https://doi.org/10.1073/pnas.2426153122

8. Using AI to Increase Your Intelligence & Enrich Humanity | Dr. Fei-Fei Li，Huberman Lab，2026年8月10日

https://www.hubermanlab.com/episode/using-ai-to-increase-your-intelligence-and-enrich-humanity-fei-fei-li配资门户网官方平台

广盛配资提示：文章来自网络，不代表本站观点。