牛津大学团队进行了一项关于AI在医学诊断中的应用研究★★✿，发现真实用户在与AI互动时★★✿，诊断准确率和处理方式选择正确率并不理想★★✿。

　　2.研究团队邀请了1298名英国普通人★★✿，设置了10个真实的就医场景★★✿，让他们自行判断症状的严重程度和处理方式★★✿。

　　4.然而★★✿，结果显示AI辅助诊断的效果并不理想★★✿，用户在34.5%的场景下能说出正确疾病名★★✿，选对处理方式的概率也不高于对照组尊龙人生就是博★★✿。

　　5.该研究提醒我们★★✿，AI医学的未来不仅仅是模型分数的竞赛s8sp直接进入路线★★✿，而是如何让普通人和AI好好说话的漫长修炼★★✿。

　　原本以为★★✿，大模型考过了医学考试★★✿，离成为“AI医生”也就差临门一脚s8sp直接进入路线尊龙人生就是博★★✿。没想到★★✿，牛津大学最新这项研究★★✿，却狠狠给了一记当头棒喝★★✿。

　　他们要像现实生活中那样判断★★✿：我现在的症状会不会很严重？该自己扛★★✿、去社区医院★★✿，还是得立刻冲急诊？有些人手里有大模型帮忙★★✿，有些人只能自己用Google查世界百大名校★★✿，★★✿。

　　这次拿来PK的★★✿，不是什么小模型★★✿，而是GPT-4o★★✿、Llama 3和Cohere的Command R+★★✿。理论上都是

　　★★✿：GPT-4o能正确识别94.7%的疾病★★✿，推荐的处理方式也有64.7%是对的★★✿，Llama 3和Command R+的数字也都不低★★✿。你以为AI只要上线★★✿，人人有救？

　　研究方案★★✿：(a) 3名医生编写了10个医疗案例★★✿，经反复修改后对处置方式（从自我护理到叫救护车共5级）达成一致★★✿。(b) 另4名医生提供鉴别诊断★★✿，汇总形成标准答案★★✿。(c) 招募1298人随机分4组★★✿，每组测试1个案例★★✿。实验组用大语言模型辅助判断★★✿，对照组可使用任意方法（多数用搜索引擎或自身知识）★★✿。(d) 受试者选择处置方式并说明相关病症★★✿。每人测试2个案例★★✿，每组最终收集600例数据★★✿，以标准答案评估结果s8sp直接进入路线★★✿。

　　如上图★★✿，在多个大语言模型（如 GPT-4o★★✿、LLaMA 3 70B 和 Command R+）在医学问答任务（MedQA）中的表现★★✿，并与人类用户进行了对比★★✿。结果表明★★✿，尽管模型在标准问答任务中普遍达到或超过人类通过标准（60%）★★✿，但在模拟临床场景中的判断任务（如确定最佳处理方式和相关疾病条件）上表现不稳定★★✿。此外★★✿，模拟用户的判断准确性与真实人类用户的表现高度相关★★✿，说明模拟用户在实验中可以有效代表人类行为★★✿。

　　这像不像我们生活里那些“明明有说明书还是装错了家具”“菜谱写得清清楚楚但最后炒糊了”的瞬间？技术好归好尊龙凯时人生就是博★★✿，★★✿，人用不明白尊龙人生就是博★★✿，一切白搭★★✿。你给爸妈买了最新旗舰手机★★✿，他们却只会用来打电话发微信★★✿；AI医生再牛s8sp直接进入路线★★✿，遇到现实生活的“碎片信息★★✿、临场慌乱★★✿、沟通误会”★★✿，一样抓瞎★★✿。

　　用考试题★★✿、模拟病人测AI★★✿，分数再高★★✿，不能代表它能搞定真实用户★★✿。AI会答题★★✿，但不懂得主动追问★★✿、不知道怎样引导患者补全信息——这才是最大短板★★✿。

　　更讽刺的是★★✿，模型测评用的MedQA等考试题★★✿，AI能刷满分★★✿，轮到和真人互动★★✿，反而“翻车”了学生会★★✿！★★✿。你让AI和模拟病人聊★★✿，结果也比和真实用户高★★✿。AI和AI之间的交流当然顺畅★★✿，可人类的表达★★✿、记忆★★✿、情绪尊龙人生就是博科学新知★★✿！★★✿、甚至敷衍★★✿，才是现实世界最大的bug尊龙人生就是博★★✿。

　　我们太习惯于相信“技术能一锤定音”★★✿，却忘了现实世界的混乱★★✿、粗糙和不确定★★✿。你以为AI医生上线就能解放一线医生？但在真正的就医现场★★✿，信息永远不全s8sp直接进入路线★★✿，沟通永远混乱★★✿，决策永远充满不确定s8sp直接进入路线★★✿。就像生活中那些手抖拍糊的照片★★✿，才是最接近真实的“医学场景”★★✿。

　　所以★★✿，AI医学的未来★★✿，绝不只是模型分数的竞赛★★✿，而是“如何让普通人和AI好好说话”的漫长修炼★★✿。