該不該把健康交給 ChatGPT？

OpenAI 健康 AI 研究負責人 Karan Singhal 主張，公司的目標是讓「值得信賴、充裕、可靠的醫療智慧」免費或近乎免費；而正確的架構，是把醫療資料融入每一個訓練階段的一般前沿模型，而非另建一個獨立的醫療模型。這場對談主要圍繞 OpenAI 如何打造這層健康能力：大規模的消費端使用、支撐信任的評估機制、臨床人員與企業產品，以及公司刻意止步、不涉入醫療行為的界線。標題提出的問題——該不該把健康交給 ChatGPT——在信任與安全那段討論中獲得回應，但它只是全篇的其中一條線，並非貫穿全域性的主軸。

與 Singhal 對談的是 a16z 合夥人 Jay Rughani，專注投資醫療與生技。兩人談到 OpenAI 對外揭示的健康策略、一則涉及播客主持人 Nathan Labenz 之子的病患故事、HealthBench 與心理健康基準、Epic 整合，以及 Singhal 對成本曲線與 AI 加速藥物開發的預測。讀者讀完應能掌握 OpenAI 的具體數字、它在「資訊」與「照護」之間的分工，以及 Singhal 明確表示公司不會跨入的領域。

OpenAI 表示每週有 3 億人向 ChatGPT 詢問健康問題，且多為免費使用

Singhal 把健康定位為 OpenAI 實踐使命的三條路徑之一——打造並部署 AGI、防範下行安全風險，以及「讓上行發生」——而健康是第三條最具體的例項。規模數字是最大亮點：每週有超過 3 億人用 ChatGPT 詢問健康與保健問題，他說這個數字正快速成長。其中絕大多數是免費使用者，且多數身在美國以外。他在對談他處提到 ChatGPT 整體每週使用者為 12 億，照他自己的數字推算，健康約佔用戶群的四分之一。

需求端的敘事，講的是既有體系的缺口。Rughani 指出，超過 1 億人沒有固定的家庭醫師可看，想看診得等 40 天以上；Singhal 補充，即使在灣區，預約專科醫師也可能要等數週甚至數月，好不容易見到面卻只有 15 分鐘，離開診間時問題仍未解。Singhal 的定位是：AI 最能幫上忙的地方在兩次看診*之間*——協助就醫導航、準備要問的問題、解讀醫師說了什麼、後續追蹤。

| 專案 | 數字（依 Singhal 所述） |
|---|---|
| 每週向 ChatGPT 詢問健康／保健問題的使用者 | 3 億以上 |
| 其中免費使用者佔比 | 「絕大多數」 |
| 美國以外使用者佔比 | 「多數」 |
| ChatGPT 每週總使用者 | 12 億 |
| 美國醫療支出 | 5.3 兆美元以上（Rughani），若視為一個國家將是全球第三大 GDP |
| 美國醫療從業人數 | 2,300 萬（Rughani） |
| 沒有固定家庭醫師的人數 | 1 億以上（Rughani） |

在通用模型內做專門訓練，勝過另建獨立醫療模型

Singhal 過去曾任職於專門模型的開發工作，他認為「通用 vs. 專門」是個假選擇。過去一年 ChatGPT 上線的每一個模型，OpenAI 都在訓練的每個階段加入專門的醫療資料，他稱之為「兩者兼得」：模型既有前沿規模的推理能力，也受過醫師來源的醫療訓練。他認為，另外分叉出一個較小的純醫療模型，很快就會落後於前沿，因為通用能力進步得太快。

產品上的意涵是：同一個模型既寫程式、規劃旅遊，也回答醫療問題，行為再依使用者型別調整。Singhal 表示，2025 年 5 月發布的 HealthBench 已納入評估，檢視模型是否會針對一般使用者與臨床人員調整專業術語的用法；此後 OpenAI 在這方面的量測與訓練都有所改善。

信任建立在全球醫師網路上，而非幾位內部醫師

Singhal 在方法論上最具體的主張是：不能讓少數幾位醫師定義什麼才是正確行為。「你拿同一個問題去問五位醫師，大概會得到八種不同答案。」他說。因此 OpenAI 建立了一個涵蓋數十個專科、語言與執業國家的數百位專家網路，把他們的判斷彙整成評估與訓練資料——尤其是在專家意見分歧之處。

至於使用者想聽到的答案與醫學上為真之間的張力，Singhal 明確表示安全優先。OpenAI 會針對某些情境做評估：即使使用者想要的是安心感或替代療法，模型也應該建議就醫；他說模型在這些評估上的表現已有「相當顯著」的進步。對於政治化或確實存在爭議的題目——未經核准的胜肽、疫苗——既定政策是遵循專家訂定的標準，而非自行表態。面對真正的科學不確定性，模型受訓在查閱資料後辨識並說明自身的不確定性；保留不確定性、不把話說死，是 HealthBench 公開評分的一部分。

「健康這個領域，進展速度取決於信任。所以你除了要把模型做得更好、能量測它，還得能溝通，帶著整個世界一起往前走。」

Singhal 也點出一個值得量化的體系瓶頸：依不同研究，臨床指引平均要 5 到 17 年才會真正進入日常診療。把這個時間壓縮到數週、數天甚至數小時，正是 ChatGPT for Healthcare 與 ChatGPT for Clinicians 的既定理由——讓臨床人員在那 15 分鐘的看診時間內，就能看到最新的文獻。

OpenAI 想當入口與總指揮，不當醫師

Singhal 在醫療資訊與醫療照護之間劃下明確界線。他不認為 OpenAI 會包辦所有照護，也直言：「不會有哪一天，是任何一家公司包辦所有醫療照護。」OpenAI 的角色是入口與「總指揮」——導航、行政協調、協助安排行程、提醒何時該就醫——最後一哩路交由合作夥伴完成。他明確排除 OpenAI「自己來管理這一切」的可能性。

代理（agent）的願景是這件事最具體的地方。Rughani 描述正在成形的一類個人代理（Instinct、Muse、Grokbot、OpenAI 的 DOTS），它們接收一個目標，在能取用使用者應用程式與付款憑證的情況下執行多步驟任務。套用到醫療，可能意味著預約掛號、確認保險給付、指導出院後的照護流程，或對帳單錯誤提出申訴。Singhal 對此興致高昂，並指出一項結構性助力：醫療體系大量倚賴架在虛擬機器上的老舊 EHR 軟體，而這「對代理與電腦操作來說再適合不過」。他預測，病人、臨床人員與健康資料之間的許多障礙「會在未來幾個月內消融」。

至於照護的人性核心，Singhal 認為看診這件事會保留下來。問診、理學檢查、同理心，以及人們想要由人再做一次確認的需求，都不會消失；他也指出，在看診產生資訊之前，AI 手上並沒有完整資訊。當雙方都先用 AI 預處理過病情後，病人與臨床人員還要談什麼？他的答案是：「醫療照護中屬於人的那一面。」

Epic 整合與具名合作的醫療體系，撐起企業端佈局

Singhal 把進入市場的路徑分成三部分：把模型做好、打造能降低啟動門檻的配套工具，再透過合作夥伴部署。法遵工程——HIPAA、醫療資料的隱私保護——大約花了兩年推動，於本集播出前約一年完成，目標是打通阻礙醫療體系採用的安全瓶頸。

Epic 的合作是最具體的細節。OpenAI 宣佈讓醫療人員能在 ChatGPT 內使用 Epic，並在 Epic 的工作流程中嵌入 ChatGPT 側邊欄。Singhal 點名兩家醫療體系：

• UCSF——Epic–EHR–ChatGPT 串接的早期採用者，用於病歷審閱，並減少照護過程中的分頁切換。
• AdventHealth——重度使用者，在工作場域全面部署代理；Singhal 說該體系回報行政流程成本約降低 80%。

他也提到與 Panda Health 合作的一項研究，把臨床人員副駕駛當作安全網部署，模型會主動標示藥物互動作用等問題。觀察到的模式之一是：臨床人員原本略偏愛用抗生素，而模型的警示會促使他們把抗藥性納入考量，而不只看眼前這個病例。

心理健康另立基準，由具執照的專家打造

Singhal 表示，包括 DOTS 在內的所有產品介面都套用同一套安全底線；心理健康方面的工作則不止於安全，還進一步量測上行效益——正向的心理健康體驗，而不只是避免危機。方法與 HealthBench 如出一轍：與全球具執照的心理健康專家合作，定義棘手情境下的正確行為，取得共識後發布共用基準。他指出，心理健康領域的專家分歧比生理健康更大，這正是建立共識這一步格外重要的原因。該基準於本集播出前不久發布。

單位醫療智慧的成本正快速下降，但總體節省尚未出現

Singhal 的成本論證建立在一個比較上：API 上最便宜的前沿模型 GPT-6 Luna，在 HealthBench Professional 的得分優於他口中「一個月前」最好的模型 GPT-5.6 Sol，而價格便宜 34 倍。他進一步推論：在同等能力水準下，AI 壓低成本的速度快過先前的技術；他預期固定水準醫療智慧的成本會「大幅下探」，而信任門檻會隨時間墊高。既定目標是商品化，而非囤積：「我們不想把醫療智慧藏起來，我們要每個人都用得到。」

對於 5.3 兆美元這個大哉問，他相當謹慎。據他所說，醫療智慧目前尚未對美國醫療支出產生總體影響。他點名的節省空間在於慢性病管理、病歷記錄、行政作業與後勤流程；而要真正實現，需要整合、流程重新設計與大規模部署，光靠更便宜的模型不夠。

至於外傳醫療提供方 AI 與付款方 AI 之間的帳單攻防——Rughani 引用《紐約時報》報導與藍十字藍盾協會（Blue Cross Blue Shield Association）的分析，指額外支出約 10 億美元——Singhal 稱這是本不該存在的短期陣痛。他提出的解方是：由環境臨床智慧（ambient clinical intelligence）擷取看診的真實紀錄，提供方與付款方共用，再由 AI 裁決，並保留有限的申訴程式。如此一來就不需要攻防。

未來五到十年，關鍵在主動預防與 AI 加速的藥物開發

Singhal 借用 AlphaGo 對戰李世乭那盤棋中著名的「第 37 手」——一手起初被專家判為失誤、後來證明是神來之筆——作為 AI 能為醫學帶來什麼的標竿。他近期的例子不是單一洞見，而是一整類洞見：模型整合十年的縱向資料（EHR、理賠、對話紀錄），做出人類腦中根本裝不下的風險預測。他也指出，代理能從 EHR 與理賠系統中早已閒置未用的資料裡挖出新知識。

放眼五到十年，他點出兩大支柱：以 AI 引導生成新靶點與新分子，以及以 AI 引導的優先排序與驗證。第二項之所以重要，是因為候選分子數量遠超過可用的臨床試驗名額，能讓試驗跑得更快、挑出更好候選分子的模型，因此具有直接槓桿。至於侵入性處置，他近期的期待是更精準的鎖定——AI 協助病人提早介入，避開昂貴的下游手術——機器人則在技術與給付兩方面都還是更長期的問題。他也點出病人與臨床人員之外的第三個利害關係人：科學家；他預期 AI 會攻的是驗證瓶頸，而非產生點子。

他給醫療創業者的建議是一句直白的押注：建立在會越來越強的模型上，並為代理與電腦操作重塑技術堆疊的世界預作佈局。「押注模型會越來越好。」他說，這是他給出的最重要的一項決定。

本集未解的張力，在於 OpenAI 的觸及範圍與它自稱的剋制之間。它握有入口（每週 3 億健康使用者）、成本曲線與評估基礎設施，但 Singhal 一再排除由它親自提供照護、裁決有爭議的醫療問題，或自行管理慢性病。這使得那 5.3 兆美元的節省，得仰賴 OpenAI 無法掌控的合作夥伴與流程整合——也得仰賴一道 Singhal 形容為「接近但尚未達到」的信任門檻：病人與臨床人員都覺得，有 AI 在場更安心。各項基準（HealthBench、HealthBench Professional、心理健康基準）正是 OpenAI 用來讓外界得以量測這道門檻的機制；產業是否會把它們採納為共同的量尺，則是接下來值得觀察的重點。