“今天由医学生来为您诊疗。别担心，他非常优秀——医学院所有考试全部满分，一道题都没错过。您放心好了。”
听完这句话，你是不是隐约觉得哪里不对劲？
这个看似荒诞的场景，恰恰是AI进入医疗领域时面临的最大难题。AI在那些有“标准答案”的任务上已经强得离谱——给它海量训练数据，让它反复学习，再交给它执行，它就能做得越来越好。考试考得好和实际干得好之间的差距越小，AI的表现就越出色。
医疗AI的梦想与现实的鸿沟
医疗AI的蓝图听起来很美：把“健康”的样子教给AI，喂给它所有能找到的临床数据，它就能比人类医生更早发现问题、给出更好的建议。这个梦想值得追求，但现实远比想象中骨感。
问题出在一个核心环节：怎么评估“这个AI到底行不行”？医疗领域的评估难度，远超大多数行业。至少有三大原因让这件事变得异常棘手。
第一道坎：医学评估本身就是主观的
临床决策很难被当作训练数据集来用。每位医生做判断时都带着微妙的个人习惯，这些习惯极难标准化。如果你拿临床数据训练AI，任何你设计的基准测试都暗含着主观倾向——它评的是“这位医生当天做了啥”，而不是“病人这辈子是否健康长寿”。你的评估标准反映的是你在那个时刻会怎么做，而不是绝对正确的答案。医学里根本不存在一个公认的、绝对的“标准答案”。
第二道坎：底层数据被捂得严严实实
所有想构建医疗AI模型的公司，手里都攥着各种临床和行政数据集，用于训练和评估。这些数据是各家公司的核心资产，自然被严密保护，绝不轻易示人。数据不共享，评估就无从谈起。
第三道坎：评估和基准必然沦为营销工具
这不是说企业都在耍花招或暗箱操作，而是事情天然就会变成这样。“模型在基准测试上表现优异”这句话，更多反映的是你出的题怎么样，而不是它在临床价值上比别的模型强多少。这是一种典型的委托-代理问题。
预言机问题：医疗AI的终极考验
要客观衡量一个模型的判断是否正确，唯一办法是长期追踪病人的后续情况——而这本身又是一个主观决定。这种训练方式比单纯建基准、跑测试要难得多得多。
正因如此，医院网络和其他AI产品买家很难真正评估谁家产品最好。在一个模型能力差距越来越小的世界里，这个问题只会愈发突出。医疗AI的落地瓶颈，或许根本不在技术，而在于这个看不见的“预言机问题”。