3亿人每周问ChatGPT健康问题，OpenAI 的答案藏在训练数据里 原创
每周3亿人向ChatGPT提问健康问题，OpenAI健康AI负责人Karan Singhal在对话中解释了为何将医疗专长训练进通用模型而非专科模型，并以一个白血病诊断案例说明AI如何在诊室之外填补护理空白，同时划清了"辅助而非替代医生"的产品边界。
每周有超过3亿人向ChatGPT提出健康和健康相关的问题。这个数字出自OpenAI今年早些时候公开的一份报告，背后站着一个更大的命题：5.3万亿美元——这是美国每年在医疗健康上的支出，如果把它算作一个独立经济体，GDP规模能排到全球第三。可是即便砸下这么多钱，稀缺依然是这个系统最显著的特征。
Karan Singhal 在OpenAI负责健康AI研究，他与a16z合伙人Jay Rughani的这场对话，试图回答一个具体问题：当一个通用大模型被用来回答"我这个症状严不严重"的时候，它到底在扮演什么角色——是信息提供者，还是某种意义上的医疗参与者？
对话里提到的一个案例很有分量。Cognitive Revolution播客主持人Nathan Labenz的儿子出现了持续疲劳和烦躁的症状，一家人正在休假，AI帮他们判断这不是小事，建议尽快去做检查。结果孩子被诊断为一种侵袭性白血病。Labenz后来在自己的播客里说，他在整个诊疗过程中大量使用了GPT-5 Pro，帮他理解化验报告，甚至比专科医生腾出手来解读之前就先搞清楚了状况。
Jay Rughani提到自己上周看皮肤科的经历：提前把问题写在Apple Notes里，结果15分钟的问诊结束后还是漏问了一个，现在只能预约四个月后的复诊。这不是个例,而是美国医疗系统的日常——超过1亿人没有稳定的家庭医生,就算有,平均也要等40多天才能见到人。
Singhal把这种困境归结为节奏错配。医疗服务被切割成一个个15分钟的诊室时段,但健康问题从来不是按这个节奏发生的。人们带着问题走进诊室,又带着更多问题走出来,而两次就诊之间的空白期,恰恰是现在AI能发挥最大作用的地方——帮用户准备问题、理解检查报告、搞清楚医生到底说了什么意思。
这也解释了OpenAI在消费端的分布策略:3亿周活跃健康用户里,绝大多数是免费用户,而且大部分不在美国。对Singhal来说,这不是产品运营的细节问题,而是使命问题——如果目标是把医疗智能变得普惠,那分发范围本身就是衡量成功与否的核心指标。
业内一直有个争论:医疗这么复杂的领域,是不是应该单独训练一个专科模型?Singhal在加入OpenAI之前做过专科模型,他对这个问题两边都有切身经验,给出的答案很干脆——那条路走不通。
逻辑很简单:如果你分叉出去训练一个专门面向医疗的小模型,它很快会被前沿模型甩在后面,因为通用大模型的进步速度太快了。OpenAI的做法是反过来——在ChatGPT每一阶段的训练流程里,持续加入专科医疗数据,这个做法已经覆盖了过去一年发布的所有模型。
结果是同一个模型既能写代码、规划旅行,也带着医疗专业训练的底子。这是把专科训练嵌进通用模型,而不是把两者分开——既享受前沿模型的规模红利和推理能力,又吃到了与全球大量医生合作积累的专业数据的好处。两头都要,而不是二选一。
Rughani抛出了一个很多人都会被吸引的设想:一个装在口袋里的私人医生,懂所有专科,记得你全部的病史和偏好,还能在合适的时间推你一把,提醒你坚持医嘱。这是不是OpenAI正在构建的终局产品?
Singhal的回答没有回避这个愿景,但明确划了一条线:主动式的个人健康助手不是要替代医生,也不是要替代看医生这件事本身。他们真正想做的,是让获取健康信息这件事变得更贴合每个人的具体情境——这正是ChatGPT里消费端健康连接功能想解决的问题，用户可以把自己的健康信息接入进来,这些数据被安全处理,不会被用作训练素材,也不会被用来做广告定向。
这条边界背后是一个更大的判断：个性化和主动性是方向，但"替代医生"从来不在产品设计的目标里。AI能做的是把信息和情境连接起来，把两次诊室之间的空白填满，而不是取代诊室本身。