考试很厉害的 AI,到了医院只做对一半

这是 Josh 的第83篇原创文章

👋

这几年，每隔一段时间就会看到类似的消息：某个 AI 在医学考试里超过了多少考生，答题准确率又逼近了哪位专家。

看多了以后，很容易产生一种错觉。

既然卷子都会做了，进医院应该也只是早晚的事。

但斯坦福最近发布的一组医疗 AI Agent 评测，把这件事重新拉回了现实。

真实医疗工作，完整任务完成率

46% / 36.3%

前者来自模拟医生工作的 PhysicianBench，后者来自医疗行政流程 HealthAdminBench。两个数字不能直接横向比较，因为测试环境、模型和评分方式不同。

但它们指向了同一件事：今天最好的医疗 AI Agent，完整办成的事情还不到一半。

考试很厉害，真到了医院，手里的活却经常做不完。

斯坦福 MedHELM：开始把评测从“会不会答”推向“能不能把事情办完”

01 / THE HOSPITAL

会答题，和会看病，中间隔着一家医院

医学考试通常会把问题收拾得很干净。症状列在题目里，检查数据整齐地排好，四个选项安静地等着。答案也许很难，但边界通常清楚。

医院不是这样。

一个真实任务可能要先翻出两年前的心脏超声，再核对今天早上的化验结果；要看患者正在吃什么药，有没有其他疾病；要在不同页面间来回跳转，完成判断、下医嘱、开检查、写病历，最后还要确认这件事真的进入了系统。

PhysicianBench 设计了 100 个长流程任务，横跨 21 个专科，每个任务平均需要调用工具 27 次。

这已经不是“知道答案”了。它更像一个人在繁忙的门诊里，手边开着好几个系统，耳边还有患者和家属不断补充新情况，却仍然不能漏掉那一项真正重要的检查。

真实医生任务，要在资料检索、判断、执行和记录之间反复往返

02 / EXECUTION

最可怕的不是答错，而是写对却没做

报告里有个细节，我看完以后印象很深。

在部分执行失败的任务里，AI 已经在病历中写出了正确的治疗计划，却没有真的在电子病历系统里提交对应医嘱。

对于 GPT-5.5，这类情况占其动作执行失败的 62%；Claude Opus 4.6 则达到 73%。

文字看起来完整、专业、条理清楚。但药没开，检查没下，转诊也没有真正发生。

如果是一道考试题，它可能已经得分了；如果是一位等待治疗的患者，这件事等于还没做。

少发一封邮件，可以补发。表格填错一格，可以撤回。医疗流程里，一个“差不多完成”的动作，有时和没有完成没有区别，甚至比明显失败更危险。

因为明显失败会提醒人接手，漂亮的错误却可能让人放下戒心。

单次成功不等于稳定可靠：连续三次都做对，最佳模型也只剩 28%

03 / HANDOFF

零件都会做，装起来却散了

医疗行政评测里的反差更有意思。

GPT-5.4 在单个子步骤上的通过率达到 82.8%，但把整个流程从头到尾办完，成功率只剩 26.7%。

它会查资料，会点按钮，也会填写表格。可流程一长，它可能忘记之前从病历里看到的信息，漏掉一次文件上传，或者把正确的材料送到了错误的地方。走到后面发现前面出错时，它也很少主动折返修正。

像一个每道小题都会做的学生，最后把答题卡交错了考场。

问题不在某一步有多难，而在那些步骤之间的缝隙。

医院恰好是一个到处都有缝隙的地方。医生和护士交接，门诊与住院交接，检验科和临床交接，病历、影像、处方、保险与患者之间也在不断交接。

许多工作看起来只是转述、确认和补录，真正出事时，人们才发现这些琐碎动作一直撑着整套系统。

医疗行政工作跨越多个系统，难点往往藏在信息交接的缝隙里

04 / THE PERSON

医疗最难的部分，可能是没有标准答案的

AI 擅长的是把大量已经写下来的知识迅速调出来。可医生面对的，常常是没有被完整写下来的部分。

患者说“最近不太舒服”，这句话到底意味着疼痛、乏力、焦虑，还是对某种变化说不清楚？化验指标没有越过警戒线，但和他过去三年的结果放在一起，是否已经悄悄偏离？患者点头说听懂了，他是真的理解，还是只想赶紧结束这次谈话？

这些判断很少出现在选择题里。它们藏在语气、停顿、生活习惯和时间留下的细小变化中。

说到这里，我也想到了中医。

无论如何看待中医理论，它的诊疗方式里一直很重视“望闻问切”、体质、节气、饮食起居与长期变化。它不是只盯着某一个孤立指标，而是试图把一个人放回完整的生活里观察。

这恰好说明，医疗信息并不只存在于检查单和病历字段中。

脸色、舌象、脉象这些信息能否被可靠数字化，相关方法又应接受怎样的现代临床验证，是另一组需要严肃回答的问题。不能因为信息复杂，就跳过证据；也不能因为系统里没有这一栏，就假装这些观察从不存在。

未来的医疗 AI 如果只会读结构化数据，它看到的患者可能很清楚，也很扁平。

05 / EXPERIENCE

为什么大家总觉得医生越老越值钱

“老医生更值钱”当然不是绝对规律。年龄不会自动变成医术，年轻医生也可能掌握更新的指南、技术和工具。

但医生这个职业，确实有一部分价值会随着病例积累慢慢长出来。

看过一万张片子以后，那些细微的不对劲很难全部写成规则；接触过足够多的患者以后，也会知道同一句“没事”，从不同人口中说出来，分量完全不同。

经验不单单是简单储存更多答案。更像是脑子里留下了一层层细密的刻度：什么情况需要马上处理，什么情况可以再观察；什么时候应该相信检查结果，什么时候要回头重新问一句；什么药理论上可用，但放在这个患者身上需要更谨慎。

AI 可以在短时间里读完人类一生看不完的论文，却还没有真正度过一个医生的“一生”。（突然想到了 许嵩VAE 的《医生》 ）

它没有连续看着同一个患者从生病、治疗到恢复，也没有在一次判断失误后，背着那份责任重新校准自己。

知识可以复制，经历暂时还不能批量下载。

06 / THE ROLE

AI 进医院，不一定非要先坐诊

看到 46%，没必要得出“AI 医疗不行”的结论。恰恰相反，这些评测把问题照得更清楚了。

AI 目前更适合先做那些边界明确、结果可核验、出了问题有人复查的工作：整理病历、提示药物冲突、归纳检查变化、准备患者教育材料，或者帮医务人员从重复录入中省下一点时间。

它也可以承担第一轮筛选，但最后那道涉及责任的门，暂时还需要人守着。

医疗 AI 的进步，不能只看它又答对了多少道题。还要看它有没有把信息带过下一道门，有没有真的把医嘱提交成功，有没有在不确定时停下来叫人，以及出了问题以后，能不能清楚说明自己做过什么。

医院里没有“思路正确，酌情给分”。患者需要的，也并不是漂亮的答案。

以上。

感谢阅读，欢迎星标⭐

资料说明：数据来自 Stanford HAI 于 2026 年 10 月 19 日发布的总结文章，以及 PhysicianBench、HealthAdminBench 论文。46% 与 36.3% 来自不同测试环境，不宜直接比较；评测使用虚拟或经过处理的医疗环境与数据，不代表模型已经投入自主临床诊疗。本文讨论技术与医疗流程，不构成医疗建议。