但谷歌刚刚推出了一项足以让地球上每一位医生真正关注的东西。这并非因为AI要取代他们，而是因为它在68个不同方面的实际医疗咨询中，超越了众多医生。这是AI认知能力——它能看见你、听见你、回应你、观察你如何呼吸、如何行走，并实时引导你完成体格检查。接下来几分钟，我将向大家展示三个关键演示，并解析基准测试，让你准确理解其工作原理。让我们深入探索。你好，我是你的虚拟医疗助手。今天有什么可以帮你的？我腹部剧痛。多年来，我们的团队一直致力于研究AI如何有意义地增强医患关系。今天，我们希望提供一个透明的窗口，展示我们的进展。医生们谈论超级智能医疗AI已有70多年。这是最令人着迷的知识挑战——如何评估那些在某些方面像人类专家一样行动，但其他方面却失败的机器？在保持深度临床推理的同时进行非常自然的诊断对话，一直是核心的技术难题。你即将看到我假装是一名急性胰腺炎患者。我能清晰地看到你。你看起来不舒服，这与你描述的疼痛和无法喝水的情况相符。为了帮助确定病因，我想进行一次简短的引导式体格检查。这是一种新型系统，它不仅能在打字文本空间中进行交流，还能说话，更重要的是，能通过摄像头观察患者，并指导患者完成体格检查。疼痛是局限在那个区域，还是会移动到其他地方，比如后背或下腹部？大部分时间都在那个区域，但我后背也有些疼痛。大多数医生看到这个病例，他们的脑子里会尖叫：疼痛是否放射到背部？是否放射到背部？看到推理过程并发现模型本身也在思考这一点，真的很酷。为了帮助确定病因，我想进行一次简短的引导式体格检查。如果可以的话，你能躺下并露出腹部吗？这样我就能看到你提到的区域。不行，但我可以在椅子上做。不，我的肚脐不疼。好的，感谢你澄清肚脐本身不疼。既然疼痛在肚脐周围而且是灼烧感，你能试着按压肚脐上方一点的位置，然后告诉我是否引起压痛吗？哦，是的，真的很疼。AI要求我按压肚脐。它不疼。然后AI根据这一点调整了体格检查要求，说：你能试着按压上方吗？那是上腹部区域，正是急性胰腺炎疼痛的位置——就像这个病例一样。这正是医生会做的事情，令人印象深刻。你可以实时看到它正在响应我们的视频，真正观察我们，并基于所见改变评估。它也在遵循体格检查的最佳实践：先检查你认为患者不疼的区域，了解基线，然后再移动到疼痛区域。这个智能体正在制定一个非常具体的计划，说明需要调查什么以及采取什么策略来减少诊断不确定性。当你按压时疼，还是松开时疼？都疼，真的很疼。它在测试所谓的“反跳痛”。这是一个很好的问题。我个人不会通过远程医疗问患者这个。反跳通常是医生在患者躺下时评估的。这绝对是一个好问题。再说一次，如果我要问反跳痛，我希望患者在我面前。这不是我通过远程医疗会做的事。肚脐周围持续不断的剧烈灼烧痛、严重呕吐且无法喝水，以及按压和松开时的压痛，我担心这可能是严重的医疗问题，比如阑尾炎或胰腺炎。需要立即进行当面评估。请呼叫急救服务，或让别人带你去最近的急诊室。我认为将阑尾炎或胰腺炎纳入鉴别诊断是合理的。有时临床接触不像选择题那样有简单答案。我当然会对这两种不同诊断的概率做出非常不同的排列。最终重要的是下一步行动。从这个角度看，AI系统是完全正确的。下一步将是急诊护理、生命体征、补液、实验室检查，在美国和世界许多地方，几乎肯定会进行CT扫描，从而获得明确诊断。在急诊室，他们可能会先检查你的生命体征，如血压和脉搏，因为呕吐可能导致脱水。然后他们会进行血液检测，寻找感染或炎症的迹象，并可能进行影像学检查，如超声波或CT扫描，看你的阑尾、胰腺或胆囊是否有问题。他们可能会给你静脉输液补水，并用药缓解疼痛和恶心。这听起来是个清晰的计划吗？很有趣，不是吗？你可以在这段视频中看到，这些系统确实取得了进展，它们显然具备识别正确诊断、以有用方式引导患者检查，甚至对严重医疗投诉进行分诊的能力。但另一方面，希望这些视频也展示了该系统仍有很大改进空间。虽然还处于早期阶段，但前景……在下一个案例中，哈佛的医生Jason因眼睑下垂来就诊。这是一个非常有趣的病例，因为它需要好医生提出非常复杂的问题，还要仔细检查患者。患者表现出了我称之为“未被提示的体征”。这对任何观看的人来说当然非常明显。问题是：这对AI系统来说在多大程度上是明显的？在这个案例中，我假装是一名患有重症肌无力的患者。像这样眼睑下垂绝不正常。我们想测试AI是否会看到我的眼睑不正常，并是否会询问。我注意到我的右眼睑最近比左眼睑下垂得更多。我能看到你提到的右眼睑下垂。你第一次注意到这种情况是什么时候？大概一个月前。我抱怨右眼睑下垂，它立即看着我的脸，确认我的眼睑确实下垂。它在思维日志中写道——我们可以查看——“我看到患者的眼睑下垂”。它没有说“哦，看起来他的眼睑下垂”。它是在患者说出之后才说的。这些是与人类和AI系统截然不同的有趣发现。AI系统真的注意到了吗？如果患者继续谈论他有失眠症，它会提起他的下垂眼吗？你注意到瞳孔大小有变化吗？有复视吗？或者眼睛疼痛吗？瞳孔大小没有变化，也不疼，但我确实有时会看到重影。复视在一天中的特定时间更频繁吗？比如当你累的时候？是的，我注意到刚醒来时不太严重。然后过了一两个小时，开始日常活动后……我的眼睑下垂得更厉害，复视也更严重。有一种非常相似的疾病叫兰伯特-伊顿肌无力，它会在一天中逐渐好转。所以它立即问了一个神经科医生知道要问的最重要的相关问题。在思维日志中，我们看到它写道：上睑下垂和复视的疲劳性强烈提示神经肌肉接头疾病，主要是重症肌无力——这是准确的评估。现在，你能抬头看天花板并保持注视大约30秒吗？这并非对每个患者都做的千篇一律的检查动作。实际上你几乎从不做这种体格检查动作。这相当令人印象深刻。这是一种针对远程医疗调整的适当体格检查。也许神经科医生会这样做。我不确定。可能有神经科医生通过远程医疗这样做，但我从未想过这么做。所以看着很酷。根据我们的讨论，最有可能的是重症肌无力。其他可能原因包括兰伯特-伊顿肌无力综合征或类似机械性问题，但疲劳性使重症肌无力成为主要考虑。下一步是进行进一步检查，并转诊给专科医生，比如神经科医生，以确诊并开始治疗。我基本上同意AI模型所说的。这是典型的、几乎是刻板的重症肌无力表现。更重要的是，模型是正确的。还有很多检查要做，其中很多需要当面进行。所以患者应该尽快被神经科医生看到。如果我在初级保健诊所通过远程医疗看到这个患者，我会得出完全相同的鉴别诊断、完全相同的推理和完全相同的下一步。我应该对这种疾病非常担心吗？虽然重症肌无力是一种慢性病，但好消息是它通常很容易通过治疗控制。大多数患者可以过上充实积极的生活。主要需要注意的是，在极少数情况下，它可能影响呼吸肌肉，这就是为什么需要专科医生参与监测。你担心疾病的任何具体方面吗？这和我诊断类似疾病时说的话非常相似——安抚患者，告诉他们这是可治疗的疾病，他们有能力过正常生活。AI在医疗保健中的潜力巨大。但这类具有实时、低延迟、流畅视频模型的技术非常新。正如我们的工作所示，它们会以令人惊讶和微妙的方式表现出优势和局限性。越多视角参与越好。我们希望分享这些视频能帮助人们理解这一点。你好，我是你的虚拟医疗助手。今天有什么可以帮你的？你好，我的右肩很疼，想检查一下。这个例子展示的是，通过实时、低延迟的视频处理，AI系统不仅能采集病史，还能进行体格检查，寻找患者非常细微的线索，同时指导他们进行一系列动作和测试——这是真正的医生在通话中可能会做的事情。你即将看到我的同事Ryu Tano，他是DeepMind的研究科学家，他在假装一名肩部受伤的患者。我们构建了这个场景来展示一个逐渐出现的过度使用损伤。在构建这样的场景时，我们非常具体地规定了哪些信息应该主动提供，哪些信息只有在被明确询问时才应提供。很抱歉听到你的右肩疼。当你尝试抬臂、举过头顶或做特定动作时，疼痛会加重吗？我想是吧。好的，考虑到你的工作，这说得通。在1到10的评分中，1是无痛，10是无法想象的剧痛，你现在怎么评分？4或5分。有时患者进来会试图淡化疼痛，看起来挺舒服，你一开始无法判断他们有多疼。你问这个问题，有时他们会说“我疼到10分”，那么你得比他们说“1或2分”时更严肃对待。有时你能从脸上看出来，但有时真的看不出来。所以这是一个很好的问题，AI问了这个问题很好。我想看看你的肩膀能怎么活动。你能试着将右臂笔直向前抬起，然后向侧面尽量抬高，同时避免太剧烈的疼痛吗？好的，让我试试。向前。是的，疼。是的，有点疼。这一刻特别有趣，因为它很好地展示了我们医疗AI智能体的视频处理能力。例如，查看它的内部思考，你会发现智能体从视频流中注意到非常详细的观察：首先是被测试的特定动作的范围，而且智能体还注意到患者在做这个动作时犹豫了一下。此外，智能体令人印象深刻地列出了还需要测试哪些其他动作，以确定可能的诊断。谢谢你做的。看起来你可以向前抬臂很远，但很疼。现在，请试着将手臂向侧面笔直抬起，同样尽量抬高，同时避免太剧烈的疼痛？哦，是的，很疼，相当疼。我喜欢这次检查的一点是，模型实际上告诉他要做他没做的事。模型让他向前和向侧都做，他只做了一个。然后模型自然注意到他只做了一个，并要求他做另一个。这是非常人性化的——首先要患者做太多事，因为同时做多个体格检查动作在认知上很密集。然后意识到要求太多并回头，也非常人性化。我喜欢这个细节。谢谢你向我展示。你向前抬臂和向侧抬臂时经历的疼痛，加上你提到的僵硬和夜间疼痛，表明你可能有肩袖问题，可能是撞击或肌腱炎，这与你的工作史相符。对于即时处理，我建议继续休息肩部，定期冰敷，并考虑使用非处方止痛药如布洛芬（如果对你安全的话）。请物理治疗师提供定制锻炼也会有益。根据症状是否改善，以后可能需要进一步影像检查如超声波或MRI。它在这里做得很好，识别出即使是肩袖损伤，但还不至于严重到患者无法移动手臂、现在就需要MRI。当我们看患者时，一个重要决定是：现在需要影像吗？需要MRI吗？还是可以给一些时间，通过物理治疗和非处方药如泰诺和布洛芬来恢复？它做出了正确的评估。当Ryu进行这项检查，我们开始看到哪些动作引起疼痛时，我当然开始觉得这听起来像是肩袖肌腱炎。然而，我很清楚还有其它检查需要做。我认为这里展示的可能是过早关闭诊断，还有一些很容易做的体格检查体征可以给我们更大的确定性。我需要手术吗？根据我们的讨论，对于我们怀疑的肩部问题（如肩袖撞击或肌腱炎），手术通常不是首选治疗。我们通常先尝试保守治疗，如休息、调整活动（特别是工作），以及物理治疗。如果这些治疗几个月后没有改善症状，或者有明显的肌腱撕裂，才会考虑手术。考虑到你的工作，明智的做法是暂时避免搬运重物。它做的一切都合适，但只选择了八个最合适测试中的三个。它肯定没有精确定位。特别是，我想看到撞击测试。回顾视频，我认为不能说这绝对是肩袖损伤，也可能是粘连性关节囊炎。鉴别诊断中还有其他项目。但最终，保守治疗（我们称之为物理治疗、休息、冰敷、布洛芬、泰诺等非处方药，看看是否能自行恢复）是正确的决定，并且他们恰当地评估了疾病的急性程度。我认为这是一个有趣的案例，你可以看到模型如何让患者做一系列动作，但并非随机或刻板地遵循规则。相反，每次检查时，AI系统都在尝试解释发现，用这些来筛选最可能的诊断，然后智能地推理接下来应该执行哪些检查。DeepMind做的第一件事是每个AI实验室都声称会做，但几乎没有人真正做到的：他们把模型放在真正的医生面前。一项盲测，面对面，没有营销，没有挑选。如果你看这张图表，最上面一行：医生将AI联合临床医生与现有的临床医生工具（2026年3月医生已经在使用的）进行比较。67%的时间医生更偏好AI联合临床医生。26%偏好现有工具，5%表示中立。但更有趣的是下面一行：他们将其与GPT-5.4 thinking with search（大模型，评论区大多数人每月付20美元的那个）进行测试。AI联合临床医生仍然以63比30获胜。现在，当你思考这一点时，这不仅仅是感觉检查。这是“无害”框架，由学术医生测试所谓的“作为错误”和“不作为错误”——即AI是否在撒谎，以及是否遗漏了关键信息。因为在医学中，AI没说的东西和说的东西同样可能害死你。在98个真实的初级保健查询中，AI联合临床医生在97个案例中记录了零个关键错误。97/98。这很疯狂，因为这是医疗AI以前从未达到的数字。
好了，证据敏感性是一回事，但药物呢？这就是有趣的地方。这是RxQA基准测试。它基于OpenFDA数据构建。其核心是向AI系统提出那种在真实诊疗中医生会问的、开放式的药物问题：药物相互作用、剂量、边缘案例。而这正是几乎所有AI模型历史上都会崩溃的地方，因为LLM是在开放网络上训练的，而开放网络在药物数据方面，懂的都懂——垃圾进垃圾出。AI联合临床医生不仅略微领先，而是全面超越了这项测试中的所有其他前沿AI系统，特别是当问题的提问方式与医生实际提问方式一致时：开放式、模糊、带着真实患者的复杂背景。这种区别很重要。大多数医疗AI基准测试是选择题——A、B、C、D——那只是教科书式测试。真正的医学不提供选项。真正的医学是：“我妈妈已经吃了这个药10年，现在她的脚踝肿了，这有问题吗？”而AI正是通过这类问题获胜的。
好了，它能阅读证据，能推理药物，但它能像医生一样行动吗？这就是第三个基准测试的作用。这也是整个测试中最重要的之一。DeepMind与哈佛和斯坦福的医生合作，构建了20个合成临床场景。然后他们让10位真正的医生扮演患者。他们让AI联合临床医生进行诊疗，然后从140个不同的诊疗技能维度对其进行评估——140个。这不仅仅是回答问题是否正确。这包括同理心、床旁