Universal Medical Intelligence：OpenAI 提升人类健康的计划，与 Karan Singhal 对谈
摘要
OpenAI 正把健康作为让使命落地、将利益规模化普惠大众的重要路径，目前每周已有超过2.3亿人使用 ChatGPT 查询健康与保健问题。 ChatGPT Health 计划接入病历、Apple Health 和可穿戴设备，同时对所有用户免费且不限速；Karan Singhal 表示“目前”没有投放广告的计划，正在形成 Nathan Labenz 所称的“普惠基础智能”的早期版本。
Labenz 表示，前沿模型在他儿子的病例中已达到主治医生水平，而人类剩余优势主要来自具身化的临床语境。 HealthBench Hard 在创建时 GPT-4o 得分为0%，当前 OpenAI 模型已升至约40%，竞争对手目前大致处于“20分上下”。儿子住院期间，Labenz 发现前沿模型“几乎每一步都跟得上肿瘤科主治医生”，但医生仍能直接观察呼吸、肤色和整体状态。
OpenAI 的健康项目依靠专家反馈、评测基础设施和真实工作流证据推进，而不是用联网患者数据训练模型。 超过250名医生——按 Singhal 的估计约260名——通过顾问、持续进行的 Slack 红队测试和紧密合作的研究转译团队参与其中；ChatGPT for Healthcare 在6个月内经历了9轮测试。HealthBench 覆盖5,000段对话和约49,000条评判标准，肯尼亚 Penda Health 的随机研究则显示，诊断和治疗结果出现统计显著改善。
瓶颈正从医学知识转向语境获取、多模态能力和产品整合。 Singhal 表示，除部分亚专科外，模型的文本表现已经很强；但模型在获得完整病历时效果最佳，仍需更好地接入影像、语音、纵向测量数据和细微的生理信号。可能的架构是原生多模态表征结合工具调用、Python 和专用模型：“随着模型智能提升，人们自行收集的数据价值也会不断增加。”
OpenAI 预计临床应用将在2026年加速，真正的约束是固化的工作流，而不是医生保护主义。 ChatGPT for Healthcare 增加了 HIPAA 合规、医学证据检索和临床工作流，首发即接入8家头部机构，收到的需求超过团队承载能力。Singhal 的目标是让 AI 辅助医疗在年末成为“医疗常规的一部分”，但他也提醒，医疗体系按月变化，而不是按周变化。
隐私正在被当作推广基础设施：健康数据获得额外加密，与普通 ChatGPT 活动隔离，也不会用于训练基础模型。 Singhal 并未声称更多数据没有价值；他的判断是，通过清晰的隐私交换降低用户的“启动能量”，将带来更大的长期健康影响。下一步政策前沿可能是经同意的数据共享，用于试验匹配、N-of-1 治疗，以及 Labenz 提出的“AI 与尝试权”。
医疗也是 OpenAI 的应用对齐实验室，但 Singhal 并不认为最难的监督问题已经解决。 医疗模型已经在一些狭窄领域超过单个医生，迫使团队继续推进可扩展监督、校准不确定性、专家聚合和模型性格研究；与此同时，随着强化学习扩展，思维链尚未出现普遍滑向“神经语”的迹象。乐观情景是出现医疗领域的“Move 37”——意料之外的诊断或治疗方案抬高健康水平上限——但能力快速扩张与更罕见安全失误之间的平衡仍难以判断。
精读
1. 健康是 OpenAI 让 AGI 普惠大众的路径
Singhal 大约4年前开始研究医疗 AI，并在2022年底前后转为全职投入。他当时的判断是，AGI 很可能在自己有生之年到来，而自己可以从两方面改善结果：一是“做安全”，二是“做收益”，其中医疗是最直观的收益落点。
在 ChatGPT 出现前，他看到了一个“能力过剩”：经过规模化和指令微调的语言模型已经能完成惊人的任务，但临床 AI 仍把它们视为推测性技术。因此，他最初有两个目标——先说服医疗行业相信 LLM 能够工作，再建立让它们值得信赖所需的安全与可靠性体系。
OpenAI 的健康项目起初有3个目标：让医疗专业知识普惠化，用医疗为安全和对齐研究提供现实锚点，并通过合作伙伴、产品和政策制定者推动社会共同适应。Singhal 的态度转变颇有意味：两年前听起来雄心勃勃的目标，如今“还不够有野心”。
2. OpenAI 依靠医生群体判断，而不是静态规则手册
Singhal 将项目分为3个阶段：打好安全基础、承接快速增长的采用、扩大影响。采用阶段来得很快——健康已成为 ChatGPT 增长最快的用例之一，在专门的健康产品完全铺开前，每周用户已超过2.3亿。
第一性原理式的规范透明，但 Singhal 认为，无论是自己还是 Labenz，都无法可靠枚举医学各种边界案例中的正确行为。“不伤害”划出了重要边界，却“无法告诉你在大多数场景下该做什么”，所以 OpenAI 转而汇总约260名医生的判断。
医生网络分为3层：制定战略的高层顾问；在 Slack 上紧密协作、比较输出、进行红队测试、识别盲点和测试产品的社区；以及一个规模更小的团队，负责将更广泛社区的判断提炼为评测、训练数据和可供研究员使用的行动信号。
ChatGPT for Healthcare 展示了这套流程的深度。医生红队成员在6个月内进行了9轮测试，而更广泛的社区则找出了人口统计、临床和沟通层面的失误，而不是只完成孤立的偏好排序任务。
3. “不伤害”是底线，不是完整的医疗决策政策
Labenz 的反驳值得保留：机构医疗可能变得过度保守。一位医生朋友私下对他说：“我不需要随机对照试验来告诉我这件事有道理。”但医院医生经常因为生物学复杂、无法保证成功，而拒绝合理的假设或行动。
Singhal 认为问题存在于两端：医生将警示信号常态化后，患者可能需要更积极地争取关注；医生则面临证据爆炸、文档负担过重和普通人的能力边界。Labenz 的案例中，异常血检结果和最初的安慰性判断，说明单纯把决定交给现有系统可能失败。
AI 可以在一个语境中整合患者病史、当前状态和最新医学证据。医生可能为便于沟通只给出一条治疗路径，模型则可能列出3至5条——前提是明确说明证据有限，并区分合理选项与已经确立的结论。
因此，OpenAI 的校准工作分别追问两个问题：模型能否识别自身不确定性，以及能否以有用的方式表达这种不确定性。Singhal 认为，这正是模型分享早期证据、又不至于鲁莽行事的机制，也能避免模型过度保守到不提供自己的“最佳猜测”。
4. 可靠性如今衡量的是多次推理后的表现，而非下一个 token 的置信度
旧式校准图会比较模型对选择题 token（例如“A”）的概率与“A”实际正确的频率。Singhal 表示，这种方法已经无法覆盖现实任务：健康问题的答案远比选择题丰富，而且推理模型会在最终回答前先输出思考 token。
HealthBench 加入了细致的临床评分标准；“worst-of-N”测试则通过反复采样模型并记录最弱结果来检验一致性。采样20次，可以暴露不同推理路径是否偶尔会产生明显更差的医疗回答。
对于高难病例，用户可以采样10个答案，通过“LM council”合并，再让另一个模型进行综合。Singhal 预计，这相较于一次强推理运行只能带来边际提升，并表示 GPT-5 Pro 在底层大致执行着类似机制；提高推理投入也能带来相当的收益。
他的实际建议是，健康问题优先使用 GPT-5.2 Thinking，而不是 GPT-5.2 Instant；如今默认推理已经能服务大多数人，只有最难的病例例外。最差的 o3 输出也胜过最好的 GPT-4o 输出；GPT-5 nano 和 OpenAI 的开源模型如今表现接近 o3，而 GPT-5.3-Codex 和 GPT-5.2 Thinking 能以更少思考得到更好的答案。
5. 随着强化学习扩展，思维链仍意外地易读
推理模型带来了一个有用的安全副作用：它们的思考 token 往往用普通英语解释自己在做什么。研究人员可以检查这段轨迹，寻找谋划、不可取的策略，或模型表面推理与最终答案之间的差异。
Labenz 担心，更密集的推理会产生一种内部方言或“神经语”。Singhal 表示，没有大规模证据显示强化学习扩展导致可解释性持续下降；确实存在“奇怪的小波动”，但没有稳健趋势，他也不认为这一有利结果会无限期保持。
人类可读的思考并非训练直接保证的结果。Singhal 的解释是，模型继承了英语语言先验，并使用英语，因为这仍是通向有用答案的最便捷路径；OpenAI 避免对思维链施加优化压力，也有助于保留这一经过实证、对研究有用的特性。
6. HealthBench 把医疗质量推向尚未饱和的前沿
医疗评估已从考试题转向真实互动：Med-PaLM 测试广泛的健康回答，AMIE 探索追问式对话，HealthBench 则评估与普通人和专业人士的完整交流。其5,000段对话包含约49,000个不同评估维度，覆盖事实、不确定性、升级处理、推理和床边沟通。
3个 HealthBench 版本分别对应3个设计目标。完整基准必须有意义——“如果这个数字上升”，现实世界的健康结果就应改善；HealthBench Consensus 必须值得信赖，由多名医生确认评分标准适用；HealthBench Hard 则必须保持挑战性，不能滑向95%至100%。
HealthBench Hard 采用对抗式构建，挑选各家模型表现最差、但本身质量较高的样本。创建时 GPT-4o 的得分“确实是0”；当前 OpenAI 模型约40%，Singhal 认为当前竞争模型大致在20分上下，距离饱和仍很远。
评分层本身也接受了医生测试。医生将 HealthBench 的模型评分器与其他医生的判断进行比较，自动评分器的表现优于平均医生；Singhal 认为，这说明该基准的细化评分具有异常高的可靠性。
7. 在床边，模型达到主治医生水平，但没有具身判断
Labenz 的个人基准来自一次30天、高风险的住院经历，当时他的儿子正在接受癌症治疗。前沿模型“几乎每件事都与肿瘤科主治医生同步”，知识水平明显高于住院医生，既改变了他对治疗的信心，也改善了他的心理状态。
他最初使用 GPT-5 Pro，随后用 Gemini 3 重复提问，再用最新的 Claude 提问3次。AI 彼此之间的分歧甚至少于它们与主治医生的分歧，整个月只出现大约6次争议，通常集中在电解质补充等小决定上。
事后回看，Labenz 对这些分歧的判断大约是“医生六、AI四”：约三分之二的时间里，听从医生似乎是正确选择。这一有限的人类优势并非来自他能上传的信息，而是来自 PDF 中没有的证据。
主治医生实际上可以补充一句：“看着他现在的样子。”医生能观察呼吸、肤色和细微的整体状态。Labenz 也对结论做了限定：他儿子的癌症并不特别罕见，且遵循成熟方案，因此这是一场情感上极其艰难的治疗，但未必代表临床判断的最前沿。
8. 更好的语境如今与更好的文本推理同等重要
HealthBench 测试模型能否在不通过制造恐慌挤兑医疗系统的情况下，对紧急病例进行升级处理。其最大单项重点是全球健康：根据性别、地区流行病学、医疗可及性，以及用户所在地区是否常见结核病等事实调整推理。
模型在不确定时浏览资料、综合最新资源和提出有优先级的追问方面也有所进步。Labenz 学会要求模型采访自己，并判断他能否完成部分体格检查；新系统越来越能主动识别并提出这一工作流。
Singhal 表示，除部分亚专科外，模型的文本表现已经很强。随着 o1、o3、GPT-4.1、GPT-5 及后续版本持续改进，健康工作如今已进入 OpenAI 模型的每个主要训练阶段；下一步限制往往是缺少语境和模态，而非医学记忆不足。
ChatGPT Health 通过接入病历、可穿戴设备和 Apple Health，直接解决语境瓶颈。Singhal 的一般性建议是，模型从更多语境中受益，但他不会声称某一张床边照片一定会改变 Labenz 儿子的病例结果。
9. 医疗多模态将结合工具调用与原生表征
模型长期以来就擅长解决“医生的填字游戏”——所有相关语境、偶尔包括多模态数据，都在一开始完整提供的复杂临床病例。更难的产品问题，是在给出诊断或治疗建议前，通过对话主动获取缺失的观察信息。
生物医学数据存在大量尴尬的长尾格式：千兆像素病理图像、PET 扫描以及3D或4D MRI 数据，不能简单粘贴进聊天框。一条路径是模仿临床医生，借助查看工具检查选定切片，而不是一次性感知整个高维扫描。
Singhal 预计，模型会通过 Python、专用库或专门的感知模型处理这些数据，而其他模态则会像图像、音频和视频现在一样，直接编码进 token 空间。最终的医疗技术栈很可能是混合式的，按模态分别选择方案。
Labenz 提到 SleepFM，称其结合了一个人单晚睡眠期间测量的约6至8种模态，用于预测多种疾病。他的判断是“所有潜在空间最终都会连接起来”；Singhal 同样乐观，但强调时间表取决于各模态的数据可得性、相关性和影响力。
10. 真实部署缩小评测与结果之间的差距
个性化带来了巨大的测试面：即便使用同一个模型，两个用户也可能拥有不同的记忆、接入工具、指令、人口特征和沟通偏好。Labenz 担心，这条长尾会制造迎合等失误，也使得单一的“床边沟通方式”无法被明确规定。
OpenAI 将上线前评测与保护隐私的生产监控结合起来，通过分类器扫描流量，识别健康及更广泛的安全模式。Singhal 表示，在敏感心理健康对话上的工作显示，离线评测结果与真实使用中观察到的模式高度对应。
Penda Health 提供了更强的测试：在节目所称的首个 LLM 临床副驾驶随机真实世界研究中，肯尼亚医生在电子病历中记录诊疗时，获得了一个 AI 安全网，用来标记可能重要或错误的决定。
使用副驾驶的医生所治疗患者，在诊断和治疗结果上出现统计显著改善。Singhal 当前的评估阶梯，从医学考试、HealthBench 的现实离线对话，延伸到前瞻性临床研究和回溯性生产监控。
11. ChatGPT Health 优先建立用户信任，而非用联网数据训练
Labenz 个人更倾向于分享数据：公开讨论儿子的病情让他接触到有用的专业知识，而在他看来，除科幻情境外，很少有其他场景会造成同等程度的伤害。Singhal 的回答有意保持多元——隐私偏好因人而异，因此基础设施必须支持不同选择。
Singhal 认为，10年前，许多患者既无法访问自己的病历，也无法控制病历流向何处。如今访问权限有所改善，但数据仍分散在各家机构之间，患者无法形成完整图景，也无法利用数据为自己争取更好的治疗。
接入 ChatGPT Health 的数据不会用于训练 OpenAI 的基础模型。Singhal 并未说数据已经不重要；他的判断是，现有模型已经很强，而隐私优先的交换降低了用户的“启动能量”，避免那些担心数据被用于训练的人因此无法获得产品价值。
产品增加了健康专用加密，并将健康信息与普通 ChatGPT 活动隔离。健康对话可以受益于用户许可的记忆或已连接语境，但普通对话不会反向获得用户的健康语境。
12. 模型智能越高，量化自我的回报越大
ChatGPT Health 改变了 Labenz 对可穿戴设备的看法：因为 AI 终于可以处理数据，而不必把量化自我分析变成另一份工作，他买了一块 WHOOP。他衡量 AI 的更大指标是：AI 能否让他少坐在办公桌前，多花时间锻炼。
Singhal 的判断异常直接：“随着模型智能提升，人们自行收集的数据价值也会不断增加。”更好的研究和产品能力应能提取今天尚不存在的洞见；因此他说，“如果有过适合买手表的时点，就是现在。”
Labenz 每天用同一批实验室 PDF 比较 Claude、Gemini 和 ChatGPT；在他的测试中，“Grok 还没有进入第一梯队”。Gemini 3 在倡导和安慰方面最为主动，ChatGPT 回答最长、临床中立性最强，Claude 更简短，也比 Gemini 更克制。
Singhal 没有在全面性和易读性之间指定一个普遍赢家。OpenAI 明确训练模型判断用户是专业人士还是普通人，并调整术语和细节程度；他表示 GPT-5.2 Thinking 在这方面有所改善，而竞争对手也在帮助推动医学更广泛的“奥弗顿窗口”走向接受。
13. AI 可能迫使医疗围绕实验性治疗与数据建立新交换
Labenz 设想，当 AI 识别出一种实验性治疗，认为它是患者剩余的最佳选择，而医疗体系仍拒绝提供时，压力会不断上升。他提出的“AI 与尝试权”交换，是扩大治疗准入，同时系统性记录每位患者的结果。
这可以支持 N-of-1 决策——基于现有证据对个体患者的最佳判断——而不必取消临床试验。关键是将结果回流到集体医学认知中，让人类和模型能够从那些原本隐秘发生、甚至根本不会发生的干预中学习。
碎片化伤害所有参与者：患者无法整合自己的病史，医生无法跨系统调取完整记录，研究人员也难以找到符合条件的参与者。Singhal 表示，招募困难导致大多数临床试验在完成前失败，因此在获得同意的前提下进行匹配，是加快研究的直接路径。
Singhal 保留了制衡条件：传统试验标准“经过实战检验”，实验性治疗准入必须建立在主动且知情的同意上。他偏好的顺序是先以隐私优先方式部署，再增加同意机制，让患者自愿共享数据、寻找试验、探索治疗并推动科学进步。
14. 健康服务正与广告和订阅收入脱钩
Labenz 的40页住院同意书，以及明尼苏达大学后来发来的一份看似重复的请求，展现了今天公益型数据收集的摩擦。即便参与者高度积极，也可能无法寄回材料，说明依赖反复填表和人工跟进的系统产出有限。
Singhal 在变现问题上划出清晰界线，同时保留了重要的时间限定：“广告不会进入 ChatGPT Health，而且我们目前没有这个计划。”其逻辑是，将健康影响与用户有理由怀疑会扭曲医疗建议的激励机制分开。
ChatGPT Health 还计划对所有用户免费且不限速，这是产品其他部分无法提供的访问级别。Singhal 承认实际限制可能出现，但眼下看不到必须依赖广告或以数据换订阅的交易；Labenz 将这一模式称为“普惠基础智能”。
15. 医生采用 AI 是工作流问题，而非保护主义问题
消费者采用医疗 AI 的速度快于医生，这意味着医生往往先通过患者接触到医疗 AI。Labenz 的经历很典型：最初的怀疑，可能在他向医生展示模型的实际回答后迅速消失，对方会说：“哦，还不错。”
ChatGPT for Healthcare 在 ChatGPT Health 之后于1月8日宣布，是面向机构的对应产品：符合 HIPAA，专为临床医生打造，配备医学指南检索和企业级写作工作流。产品首发接入8家头部机构，收到的兴趣超过 Singhal 团队的承载能力。
Singhal 表示，医生保护主义远没有 Labenz 预想的严重。亲自使用过模型的医生和医疗系统管理者往往很容易沟通；真正的约束不是缺少自上而下的需求，而是固化的工作流无法以软件行业的速度改变。
Penda 的部署需要主动变更管理，包括培训课程、同侪学习和帮助医生将工具整合进实践。尽管如此，Singhal 仍预计这会成为“医疗史上更快的软件部署之一”，并希望 AI 辅助医疗在2026年底前成为常规的一部分，但不会在几周内完成。
16. 医疗同时也是具体的对齐实验室
Singhal 加入 OpenAI 的部分原因，是中长期对齐研究过去常停留在玩具环境或数学问题中。医疗提供了即时利害关系、专家反馈和短期激励，把关于可信超级人类系统的抽象问题，转化为研究人员必须为已部署产品解决的现实问题。
可扩展监督已经在医疗中以缩小版形式出现：模型可以在狭窄任务上超过医生，但仍需要医生监督。当单个专家无法可靠评估每个输出时，训练和评测就必须汇总多名专家，提高他们批评模型的能力，并识别任何单个审阅者都看不见的失误。
因此，HealthBench、医生网络和高算力强化学习既是医疗工作，也是对齐工作。目标是从专家判断的集体结构中学习，而不是假装一名医生或一份书面规范就能完整定义安全行为。
Singhal 最终将问题概括为模型的人设、性格或“灵魂”。随着模型获得更多患者语境并拥有更多行动能力，决定性问题变成它们能否稳定地做正确的事；训练必须精准保留有用的主动性，同时避免鲁莽自信和反射式过度保守。
17. 可扩展监督正成为普通的后训练工作，但远未解决
Singhal 如今将可扩展监督分为“评分者扩展”和“价值监督”：前者是从人类和专家那里获得更好的判断，必要时借助 AI；后者是投入足够算力，将这些判断灌注进模型。术语发生了变化，但原始研究问题仍在。
规范、宪法式规则和系统化遵循训练，都是价值监督的例子。进展越来越像“平淡无奇的后训练”，而不是一次独立的超级对齐突破，但 Singhal 对这种落地化趋势持积极态度：系统卡显示，模型对选定人设和安全要求的遵循能力及更广泛泛化都在改善。
Singhal 指出，另一个相关的乐观理由是，批评或辨别似乎比产出正确答案更容易。模型往往可以监控自己，尤其是在获得思维链特权访问时。讨论也涉及这样一个问题：能力较弱但拥有更多推理算力的模型，能否帮助监督更强模型；但 Singhal 并未声称这一扩展机制已经被理解。
Singhal 没有把闭环画上句号：让可信、能力较弱的模型对齐能力显著更强的系统，仍未被充分理解。他对更大推理规模下安全泛化增强感到鼓舞，但能力面不断扩张、单项任务失败率下降所产生的净结果，仍然“难以预测”。
18. 医疗领域的“Move 37”将目标从抬高下限推向抬高上限
Labenz 追问，医学领域的 AlphaGo Move 37 会是什么：一个人类绝不会做、后来却被证明极其高明的选择。他还提出，可以训练系统预测患者在变量改变后的未来健康状况，从而实现干预预测或计算机内实验，而不只是回答问题。
Singhal 认为，原始版本可能已经出现：患者看过多名医生后，ChatGPT 标出一个被忽略、最终导向诊断的可能性。这是否算 Move 37，“见仁见智”，但随着模型更好地理解个体生物学和纵向健康轨迹，更清晰的案例应会出现。
完整患者模拟成本高昂，也不是当前模型的主要设计目标。更可行的路径，是基于丰富语境预测结果或干预效果；Singhal 认为，预训练、推理式训练、增加模态以及现有范式的延伸，仍然“有相当多的潜力”。
OpenAI 的3条路径分别是消费者健康导航、AI 辅助医疗系统和抬高医学上限的研究。Singhal 的总结是，许多生物学突破并不缺少物理前提，只是缺少足够的聪明才智；连接正确数据的长期运行代理，可能创造出一名 AI 生物医学科学家，与 AI 医生并行存在。