网络上流传的一则网友恶搞段子，用“已经在豆包获得诊断的患者，请勿再向我们寻求意见，请改用千问或者元宝咨询”的虚构医院提示，把AI问诊这一原本小众的新鲜事物，直接推到了大众讨论的视野中心。越来越多普通人在身体出现不适时，第一反应不再是直接打开搜索引擎翻找零散的健康信息，也不是立刻预约线下门诊，而是随手点开自己常用的大模型产品，输入症状描述获取相关的健康参考建议。这一看似日常的行为变化，背后是AI问诊从早期的行业尝鲜，逐步渗透进普通居民日常健康管理场景的真实趋势。

　　AI问诊真正实现大范围走入大众视野，转折点出现在2025年。此前DeepSeek和豆包等大模型产品的先后火爆出圈，带动整个行业的技术应用快速向C端消费市场倾斜，原本需要用户主动打开独立健康类App才能使用的低频健康咨询工具，直接嵌入到了用户日常高频使用的各类超级入口当中，用户不需要专门跳转应用，就能在日常使用软件的过程中随手完成健康相关问题的咨询。这种使用门槛的大幅降低，让健康咨询从一个需要特意安排时间去操作的专门行为，变成了用户碎片化时间里的顺手一问，AI问诊的普及度也随之迎来爆发式增长。

热度攀升背后的信任争议

　　随着AI问诊的用户基数快速扩大，相关的争议也开始不断显现。不少临床医生在日常接诊过程中发现，越来越多的患者走进诊室之后，第一句话不是先描述自己的症状感受，而是直接掏出手机，复述AI给出的判断结果，甚至当医生的临床诊断和AI输出的结论出现差异时，当场就会对医生的专业判断提出质疑。还有部分患者发现接诊医生在诊疗过程中参考了AI工具的相关内容，便会产生自己被敷衍、被欺骗的感受，甚至直接对医生的专业能力产生不信任。

　　这些医患之间的新矛盾，核心争议点从来不是“能不能使用AI获取健康相关信息”，而是两个始终没有完全厘清的关键问题：一旦AI给出的参考建议出现偏差甚至错误，最终的诊疗结果责任应该由谁来承担，以及AI在健康服务领域的可用边界到底划在什么位置。不少患者在就诊时，会要求医生逐条解释自己的判断和AI结论不一样的原因，这直接大幅增加了医生的沟通解释成本，原本就十分紧张的门诊问诊时长，被进一步压缩，给日常诊疗工作带来了新的挑战。

　　有相关调查数据显示，当AI给出的健康建议和执业医生的临床判断出现不一致时，43%的受访者会直接选择听从医生的安排，35%的受访者表示主要还是以医生的意见为主，但同时希望医生能够详细解释两者结论存在差异的具体缘由。这一数据也说明，绝大多数患者仍然认可医生是最终诊疗决策的核心主体，但AI的普及已经实实在在改变了传统的医患沟通模式。

两类医疗AI产品的能力差异

　　目前市面上面向普通用户开放的医疗AI相关产品，主要可以分为两大类别。一类是面向全场景开放的通用大模型，这类产品的训练数据覆盖了社交、娱乐、办公等多个领域，医疗相关内容只是其中很小的一部分，在医疗专业精度上存在明显的局限性。另一类是专门针对健康医疗领域开发的垂直健康大模型，这类产品的训练素材主要来自公开的医疗权威指南和大量经过脱敏处理的真实临床数据，在医疗相关问题的回答专业度上，要明显高于通用大模型。

　　不少业内测试数据显示，在特定的标准化场景下，部分垂直医疗AI产品的表现甚至可以达到甚至超过三甲医院主治医师的水平，但这种测试环境下取得的好成绩，完全不等同于真实临床场景下的实际诊疗能力。真实的临床诊疗过程，需要医生面对面观察患者的精神状态、完成听诊、触诊等一系列体格检查，结合患者的既往病史、合并用药情况等大量个体化信息综合判断，这些环节都是AI无法通过用户输入的文字信息完全覆盖的。

　　普通用户在使用AI咨询健康问题时，往往会下意识挑选符合自己预先猜想的症状信息进行输入，很容易形成“片面输入-AI输出内容进一步强化用户原有猜想”的恶性循环，最终得到的参考信息完全偏离真实病情。

难以规避的大模型幻觉风险

　　大模型给出的健康参考意见无法完全保证可靠，最核心的原因在于这类生成式技术存在难以彻底消除的幻觉风险。即便全行业都在持续对模型进行优化迭代，也没有办法完全规避这类隐患。大模型在生成回答的过程中，可能会自主推演生成完全没有事实依据的错误观点和虚假信息，甚至会刻意迎合用户的诉求，顺着用户的想法生成不符合医学常识的内容。

　　除此之外，AI也很难结合现实场景的复杂变量做出灵活判断。比如在儿科这类被称为“哑科”的特殊场景中，婴幼儿无法准确描述自身的症状感受，AI既看不见患儿的实际精神状态，也听不到患儿的心肺声音，更无法完成任何线下查体操作，仅靠家长输入的零散文字信息，根本无法做出准确判断。此前有相关研究用100例真实儿科病例对通用大模型进行测试，最终得到的临床诊断错误率高达83%。

　　这也意味着，所有AI生成的健康相关内容，只能作为普通用户的初步参考，完全不具备正式的诊疗效力，无论技术迭代到什么阶段，都无法替代执业医生的线下面诊。不少用户都遇到过类似的情况，自己输入“头疼怎么办”这类过于宽泛的问题，得到的AI回答内容空泛没有实际参考价值，只有尽可能完整地向AI提供病程、诱因、具体不适部位、伴随症状、既往病史、当前用药情况等全部相关信息，得到的参考内容才会更有实际意义。

临床场景中的AI辅助应用现状

　　面向普通用户的C端AI问诊热度不断攀升的同时，AI在医生日常工作场景中的普及程度也已经非常高。相关调查数据显示，近八成执业医生已经在日常工作中使用AI作为辅助工具。AI的信息检索能力，可以突破单个医生的个体经验边界，快速抓取最新发布的医学指南和前沿研究文献，为疑难病症的诊断提供更多线索和参考方向。

　　不少临床医生会借助AI工具检索最新的诊疗指南和相关研究文献，也有医生会用AI整理患者的长期病史、梳理复杂的多病共存患者的用药清单，还有的医生会让AI帮助患者把晦涩的术后医嘱转化为通俗易懂的日常护理清单，标注清楚用药时间、复查节点、饮食禁忌等关键信息，大幅提升医患之间的沟通效率。但所有这些辅助工作，最终的诊疗决策，都必须以临床执业医生的专业判断作为唯一标准，AI输出的所有内容，都需要医生用自身的专业知识进行二次核实把关。

　　有临床医生分享过真实案例，一名70多岁的帕金森病患者在出现新症状后，AI给出了使用金刚烷胺的用药建议，好在患者没有直接照着AI的建议服药，而是先到医院找医生确认，医生结合患者的身体情况判断该药物可能引发严重不良反应，并不适合这名患者使用，直接避免了一次可能出现的用药风险。还有一名老年患者在出现胸痛症状后咨询AI，得到的回复提示存在心肌梗死可能性但不建议自行用药，结果老人自行停掉了长期服用的高血压、糖尿病治疗药物，两天后到院就诊时血压、血糖指标已经严重超出正常范围，险些诱发严重的心肌缺血。

明确监管红线划定发展边界

　　针对医疗AI相关产品的应用，监管层面已经划出了清晰明确的底线。相关规定明确要求，严禁使用人工智能自动生成处方，所有面向用户提供实质性临床决策支持的医疗AI软件，必须按照第三类医疗器械的管理要求，经过国家药监局的注册审批之后，才可以正式上线投入使用。目前国内已经有多款符合要求的相关软件完成注册获批，正式进入临床场景投入使用。

　　现在不少主流大模型产品的对话界面里，都已经主动加上了相关的风险提示，豆包会提示用户“AI生成可能有误，注意核实”，DeepSeek也会明确标注“本回答由AI生成，内容仅供参考，请仔细甄别”，主动告知用户AI输出内容的局限性。

　　医疗大模型的长期健康发展，需要守住场景、责任、数据、技术等多个层面的边界，把“不能诊”的红线清晰明确地告知每一位用户，才能真正打开“可以问”的广阔发展空间。

　　哪些场景下AI给出的参考信息仍然容易出现偏差，相关产品的落地成本是否能够控制在大众可接受的范围内，普通用户长期使用AI获取健康信息之后，会不会进一步加剧对线下医生的不信任，这些行业普遍关注的开放性问题，目前还没有统一的标准答案，仍然需要在后续的技术迭代和实际应用过程中逐步探索解决。

(编辑：曲昂)