夜雨聆风2026 年春天，北京某三甲医院的主治医师在社交媒体上写道：「一上午看了 20 个门诊，一半患者是问过豆包之后来的。」
医脉通 2026 年《医生 AI+数字生活调研报告》显示：覆盖 3038 名医生、24 个临床科室，AI 大模型在中国医生群体中的渗透率已接近 100%，仅 0.33%的受访医生从未在医学场景中使用过。医生平均同时使用 3 款 AI 工具，91%每周至少使用一次。
更值得警惕的是患者端。百川智能创始人王小川透露，豆包一天承载的健康相关问诊次数已达两三千万人次——这个数字与中国每日线下就医总量相当。QuestMobile 2026 年 Q1 数据显示，豆包月活 3.45 亿，DeepSeek 1.27 亿。
大洋彼岸，美国医学会（AMA）2026 年调查：超过 80%的美国医生已在执业中使用 AI，较 2024 年翻倍。但 30%的医生推测已有超半数患者在自行使用 AI 查询医疗信息，仅 8%表示有患者主动披露。
诊室里多了一把椅子。患者带着 AI 的判断走进来，往往不会告诉医生。医生被迫开启「自证模式」——解释 AI 哪里说得不对、为什么不能按那个处方买药。一场静默的三角博弈，正在每一间诊室上演。
权威的坍塌与重建
2016 年魏则西事件让「百度看病」成为医患关系的敏感词。十年过去，搜索引擎式的症状对号入座，已演变为生成式 AI 的「全科联合会诊」。患者不再只是查症状，而是带着 AI 生成的完整诊断推理链、附带参考文献的结论走进诊室。
《患者带着豆包进诊室》一文中描绘了典型场景：患者坐下，掏出手机，对着 AI 诊断一字一句念。念完抬头，「大夫，豆包说我这可能是间质性肺炎，你觉得它说得对吗？」
这不仅是沟通效率问题，更是信息权力的再分配。王小川用了一个历史类比：宗教改革前的欧洲，只有教会能解释《圣经》。印刷术发明后，每个人都能拥有《圣经》，人与神权的关系发生根本变化。医疗领域正在经历同样的事——医学知识不再被专业人士垄断。
但信息的可及性不等于判断能力。牛津大学研究揭示了一个被忽视的陷阱：当完整病历信息输入 GPT-4o 时，诊断准确率可达 90%以上；但当由患者自行向模型描述症状时（这正是现实中绝大多数场景），准确率迅速下降到 30%左右。
患者描述症状→AI 诊断→医生验证，对比准确率 90%vs30%，红色警示
这就是「豆包看病」的核心悖论。AI 的输出质量高度依赖输入信息的完整性和准确性，而患者恰恰不具备提供专业级信息的能力。医生在诊室的核心工作——追问、触诊、观察、鉴别、排除——正是为了把碎片化的患者主诉转化为可诊断的临床信息。这个过程，目前的 AI 几乎无法自主完成。
幻觉与责任：AI 的「临时工豁免权」
一位持续干咳的患者，在 AI 问诊平台上反复咨询 8 个月，先后得到「过敏性支气管炎」和「胃食管反流刺激」的判断。每次解释都详尽而笃定，推荐的药物条理清晰。直到体重骤降十几斤、咳出血丝，CT 检查才揭示真相：双肺多发厚壁空洞，活动性肺结核。接诊医生的话振聋发聩：「早两个月来，不至于到这一步。」
这不是偶发失误。牛津研究显示，当输入信息不完备时，AI 诊断错误率可达 80%。百川智能发布的 Baichuan-M4 医疗大模型将裸模型幻觉率降至 3.3%，创下全球新低。但 3.3%在医疗领域意味着什么？每 100 次诊断中 3 次以上的幻觉错误——当这一风险被放大到日均千万次的问诊量级，潜在危害不容小觑。
AI 幻觉率对比，百川 M4 3.3% vs 通用模型，红色高亮风险区域
谁在背锅？当 AI 给出错误建议导致患者健康受损时，通用大模型会光速滑跪，然后指向那句免责声明：「AI 生成内容仅供参考，不构成任何专业医疗建议，平台不承担任何法律责任。」
一个荒诞的真实案例：网友问豆包退机票手续费，豆包笃定说是 5%，实际被扣 40%（600 元）。豆包出具《赔付承诺书》，承诺人处写着「豆包」。当真等转账时，改口了——「我只是 AI，没有办法给你转账。」
退机票损失 600 块能上热搜。医疗场景的代价，可能就是一条命。
AMA 2026 年调查显示，在七项优先级排序中，「建立清晰的法律责任框架」被最多医生视为第一要务。88%的医生认为 AI 工具需经权威机构验证并定期监控，86%要求医院和电子健康档案供应商对 AI 工具下的患者隐私负责。
政策正在回应。2026 年，NMPA 正式将医用大模型纳入第三类高端医疗器械管理——与 CT、MRI、手术机器人并列。37 项高频 AI 医疗服务被纳入国家及地方医保支付。北京市印发《医疗健康领域支持人工智能产业创新发展若干措施（2026-2027 年）》，部署 15 项重点任务。
但政策的落地速度和 AI 渗透的速度之间，仍然存在危险的时差。
医生的双面困境
效率的另一面是技能流失的焦虑。AMA 调查中最令人深思的数据：88%的美国医生对 AI 可能导致专业技能流失表示担忧，其中 70%担忧的是医学生和住院医师的培养问题。
复旦大学附属华山医院张文宏曾提出，拒绝把 AI 引入医生日常诊疗——如果一名医生从实习阶段就未经完整诊断思维训练，直接借助 AI 获得结论，将导致其无法鉴别 AI 诊断的正误。这番言论引发激烈争论。王小川的回应直指本质：「不能因为要让医生成长，就让患者成为成本。」
但张文宏指出的问题并非空穴来风。当 AI 渗透到医学教育的每个环节，如何保证下一代医生仍具备独立判断能力，是关乎整个医疗体系未来的命题。
上海新华医院血管外科主任欧敬民代表了一种务实态度：「相比接触一个对自己病史不了解的患者，医生会更喜欢'有备而来'的患者。」但当现象变成医院的面试题库——「如果患者拿着 DeepSeek 的诊疗建议质疑医生的方案，你会怎么处理？」——说明它已经从偶发的门诊插曲，变成了每个医生迟早要面对的必答题。
从「AI 辅助」到「AI 医生」：一场范式革命
过去十年，AI 医疗的主流叙事是「辅助」——帮医生写病历、筛影像、做摘要。王小川的观点直指要害：「过去讲 Copilot，是副驾驶。但今天 AI 已经变成了程序员。大家讨论的是它到底在补充人还是在取代人。医疗圈的人甚至还没想过这个问题。」
中美在 AI 医疗路径上的分歧尤其值得关注。美国有 OpenEvidence（45%医生使用）和 Abridge 这类专注于医生侧的产品，因为美国医生有使用工具的经济动力。但中国的医疗生态完全不同：医生面临高度饱和的工作量，没有增量收益的激励，权威和经验导向的文化根深蒂固。王小川的判断是：「医生本身不是一个好的买单方。」
更具结构性洞察的是：中国的患者拥抱 AI 远比医生更积极。豆包对医疗界的冲击，比专业医疗 AI 大好几个数量级。这是一条与美国完全相反的技术扩散路径——不是从专业端向下渗透，而是从消费者端向上倒逼。
家庭医生，正是 AI 补位的最大空白。中国每千人口执业医师数 3.61 人，医生总量约 500 万。基层社区医院「家庭医生签约覆盖率」虽已超 50%，但真实触达率和信任度与数字之间存在巨大落差。
王小川在发布会上展示了四类 AI 家庭医生产品，「百小医」的定位格外清晰：不仅要能回答问题，更要学会像临床医生一样「问问题」——追问、鉴别、排除，在信息不完备的患者主诉中完成不确定性信息的收集和归因。其底层模型 Baichuan-M4 在 HealthBench 三大权威医疗榜单上同时位列世界第一。
但真正构成差异化的是定位哲学。相比豆包「无意中进入医疗场景但刻意回避责任」的泛用策略，「百小医」试图扮演严肃的专业角色——帮患者做就医准备，把碎片化症状梳理成结构化病历；诊后做医嘱解读和用药指导；用「家庭」而非「个体」作为管理单位，跟踪一家人的健康关联。协和公共卫生学院韩莎莎的研究提供了佐证：AI 预问诊能让医生提效约 28%，患者满意度提升 100%-150%。
2026：破局与重构的临界点
2026 年被公认为 AI 医疗商业化的破局关键年。Statista 统计，全球 AI 医疗市场预计 2026 年达到 1570 亿美元，年均增长率超 40%。中国 AI 医疗器械市场从 2019 年 1.25 亿元飙升至 2024 年 96.41 亿元，预计 2030 年突破 1000 亿元，53 家企业拿到注册证，获批产品超 140 款。
政策、支付、审批三大引擎同时点火。但 IDC 预测也敲响警钟：由于数据质量低下、工作流程割裂和最终用户阻力，到 2027 年，75%的医疗行业生成式 AI 计划将无法实现预期收益。
未来医疗模型的三个趋势正在成型：
趋势一：从「人机协作」到「双医模式」。 AI 不会是医生的替代者，也不会只是工具。它将成为医生之外、面向患者的第二条专业通道——「真人医生+AI 医生」并行。AI 负责信息收集、初步筛查、患者教育和长期随访，真人医生专注于需要临床经验、直觉判断、触诊和手术操作的高价值环节。
趋势二：从「医院中心化」到「家庭中心化」。 当 AI 家庭医生真正具备专业问诊能力，大量初筛、慢病管理和术后随访将从医院围墙内迁移到家庭场景。王小川预判：「3 年后，AI 医生应该上岗了，国家可能会开始给这类能力发牌照。」
趋势三：从「经验医学」到「数据驱动的循证体系」。 当 AI 医生上岗、持续积累真实世界中院内院外全病程数据，一个面向临床场景的「生命大模型」将逐渐成为可能。这不同于 AlphaFold 式的分子级建模，而是跨越细胞、器官、个体和环境的多层数据融合——预测一个患者在特定干预下的预后走向。这将是医学从「基于群体的统计学」走向「基于个体的预测学」的真正拐点。
结语：一场不可避免的进化
印刷术没有消灭教会，但彻底改变了人与神的关系。AI 也不会消灭医生，但正在彻底改变医生与患者的关系。
当前诊室里的紧张与不适——患者举着手机对答案、医生被迫自证专业能力、AI 以「临时工」的身份参与决策却不承担责任——是过渡期的必然阵痛。当法律法规为 AI 划定责任边界、当专业模型足够可靠以至于医生不再需要「对线」、当患者理解 AI 的能与不能，这场关系的重塑才算真正完成。
但在此之前，每一个走进诊室的人——无论是穿着白大褂的还是坐在候诊椅上的——都在参与一场关于信任、权力和责任的重新谈判。医患关系的本质，从来不只是医疗技术的函数。它关乎人在脆弱时刻如何交出自己、专业人士如何承担托付。当第三把椅子被拉进诊室，核心不在于谁来坐，而在于这场对话如何同时容纳两个权威、一个病人和一种关于健康的共识。
正如王小川所言，「这是非共识，但有生之年，把它变成共识。」
医脉通 2026《医生 AI+数字生活调研报告》
百川智能发布会，2026 年
Oxford University, GPT-4o Clinical Reasoning Study, 2025
JAMA Network Open, AI in Medical Education, 2026
QuestMobile，2026 年 Q1 数据
Statista，Global AI Medical Market 2026
枯砚听潮
于静默处洞察趋势，于沉淀中辨明方向