这项由谷歌计划院（Google Research）与谷歌DeepMind链接开展的大畛域计划，于2026年5月5日以预印本表情发布，论文编号为arXiv:2605.04012v1。成心思深入了解的读者可以通过该编号在arXiv平台查询竣工论文。

你有莫得在深夜倏得感到体格不对劲，却不细则要不要去看医师的阅历？喉咙有点痛，是平淡伤风照旧扁桃体炎？肚子蒙胧作痛，是吃坏了东西照旧需要坐窝去急诊？大多数东谈主遭逢这种情况，第一反映不是坐窝拨打病院电话，而是掏脱手机，掀开搜索引擎或者AI聊天器具，输入我方的症状形容，但愿得到一个初步谜底。

这个活顺耳起来再平淡不外，但背后其实藏着一个莫得被谨慎回答过的紧迫问题：当平淡东谈主用日常语言向AI形容症状时，AI给出的会诊提议到底有多准确？它能和确切的医师比较吗？不同的对话样式——比如AI主动追问照旧用户我方破绽说——会不会显赫影响会诊质料？

谷歌计划院的团队决定用一场真实的大畛域实验来去答这些问题。他们拓荒了一套叫作念SymptomAI的对话式AI系统，把它接入了数百万东谈主在用的Fitbit健身跟踪应用，让真实用户在真实生病时使用它，历时快要一年，采集了快要1.4万场真实的症状对话。这不是在实验室里盘算推算的模拟场景，也不是请演员饰演病东谈主，而是真材实料的真实天下测试。

这项计划的专有之处在于，它同期作念了三件事：测试AI是否能准确会诊平淡东谈主自述的症状，比较不同对话政策对会诊准确率的影响，以及探索将AI会诊与可穿着设置的生理数据结合起来有莫得价值。最终的论断让许多东谈主感到不测——在特定条款下，AI给出的阔别会诊斥逐赫然优于东谈主类临床医师。

一、为什么平淡东谈主看病前总要先问AI

在慎重先容这项计划之前，有必要先办法它为什么紧迫。咱们正处在一个医疗信息获取样式发生根人道变化的期间。昔时，东谈主们生病了领先参谋家庭医师，或者打电话给诊所。自后互联网普及，多样症状查询网站和在线症状查验器具兴起。而近几年，大语言模子（也即是ChatGPT、Gemini这类AI聊天器具）的普及，让情况进一步发生了变化。

稀零据败露，东谈主们向AI发问的问题中，大要有五分之一与医疗健康知知趣干。而在健康干系的AI对话里，快要二成触及症状评估或疾病计划。这个趋势也曾实实在在地影响了东谈主们的就医活动——有计划发现，当搜索引擎上某种症状的查询量高潮时，对应的门诊就诊量反而会下降。换句话说，东谈主们在确切去病院之前，也曾越来越习尚先通过数字器具完成一次"预会诊"。

问题是，传统的在线症状查验器具发扬并不睬想。一项心事23个症状查验器具的系统性综述发现，这些器具能把正确会诊排在第一位的概率惟有约34%。也即是说，你告诉它"我头疼、发热、周身酸痛"，它有三分之二的概率不会把伤风列为首选谜底。这个准确率，连病东谈主我方当场推测都巧合差些许。

那大语言模子呢？有计划用规范化的临床病例形容来测试GPT-4，发现它在前五个候选会诊（也叫Top-5阔别会诊）里包含正确谜底的概率特出80%，令东谈主印象深远。但这里有一个环节问题被疏远了：那些测试用的病例形容，是由专科医师写的，信息竣工、抒发范例。真实病东谈主不会那么语言。

一项很有劝服力的计划斥逐揭示了这个差距有多大：当AI径直处理专科撰写的病例形容时，Top-3准确率高达94.9%；而当平淡东谈主把统一个病例的信息用日常语言理论转述给AI时，准确率骤降至34.5%。从快要95%跌到不及35%，这个峭壁式着落，了了地说明了一件事：在实验室里发扬优秀的AI，在面临真实用户的时候，发扬可能霄壤之别。

谷歌计划院的团队恰是看到了这个空缺，决定把AI症状评估拉到真实天下里来锻真金不怕火。

二、一场持续九个月、涵盖近1.4万东谈主的真实实验

这项计划的盘算推算本人就值得好好先容，因为它的畛域和真实性在同类计划中相等生分。

计划团队把SymptomAI系统接入了Fitbit应用的"Fitbit Labs"计划环境，向好意思国各地的Fitbit用户发出邀请。这个实验从2025年6月慎重启动，一直运行到2026年4月，持续了快要一年。计划通过了寂寥伦理审查委员会（Advarra，马里兰州，编号GH-SCD-001）的批准，通盘参与者都经过了知情答允设施，明确了解这是一项计划，而非慎重的医疗行状。参与者莫得任何经济酬谢。

最终，约4万名Fitbit用户被邀请参与，其中13917东谈主完成了至少一次与SymptomAI的竣工对话。这些参与者在确切感到体格不应时，会掀开应用与AI进行一场对于症状的对话，AI凭据对话内容给出可能的病因列表（也即是阔别会诊，简称DDx）。对话收尾后，参与者还会被邀请填写一个苟简问卷，讲演我方是否去看了医师以及得到了什么会诊。如果那时还没去看医师，两周后系统会再次提醒，请他们补充后续会诊斥逐。

最终，13917东谈主中有1228东谈主提供了医师给出的真实会诊，这部分数据成为评估AI准确率的"金规范"。在这1228东谈主中，计划团队又当场抽取了517东谈主，邀请三位具有特出35年从业训导的家庭科牌照医师进行了深度临床评估，耗时特出250个小时。

这三位医师的职责分两个阶段。第一阶段，其中两位医师寂寥阅读对话记载（AI给出的会诊被结巴，只保留用户的述说），各自给出我方的阔别会诊列表，并评估我方的信心进程。第二阶段，第三位医师在不知谈任何会诊开始的情况下，同期看到三份会诊列表（两份来自东谈主类医师，一份来自AI），对它们进行盲评和名次，并在看到真实会诊后评估各列表的准确率。

除了东谈主类医师的评估，计划团队还锻练了一个AI自动评分系统（auto-rater），用来把东谈主类评估的畛域从517东谈主彭胀到系数1228东谈主，确保论断更有统计力度。

系数实验时期，参与者被当场分拨到五个不同的"对话模式"组，每组使用不同的AI对话政策。这个当场分组盘算推算，使得计划者粗略径直比较不同政策的成果，而不是让参与者解放选拔。

三、五种对话政策，哪种更像确切的好医师

这项计划最中枢的变量之一，是AI和用户交流的样式。计划团队盘算推算了五种不同的对话政策，对应五个实验组，这五种政策的区别，骨子上是AI主动性的高下。

第一种政策叫"基础模式"，这亦然现在市面上大多数奢侈级AI聊天器具的默许状态。AI只被见告要聚焦于健康话题，并在对话收尾时给出可能的会诊列表。它不会主动追问，用户说什么它就酬报什么，会诊的质料皆备取决于用户我方好意思瞻念提供些许信息。这就像走进一家诊所，医师只是坐在那边等你语言，不主动问任何问题。

第二种政策叫"固定问题模式"，基于医学院教学中的规范病史采集框架——HPI（现病史）。AI被要求按方法问一套固定的问题，包括症状发生的位置、初始时刻、严重进程（1-10分）、症状的具体感受（比如是刺痛照旧钝痛）、什么情况下症状加剧或缓慢、是否有干系风险成分，以及症状怎样影响日常生计。不论用户之前说了什么，AI都要把这套问题问完，最多对话六轮，然后给出会诊。

第三种政策叫"活泼问题模式"，与第二种肖似，但AI有权凭据用户也曾提供的信息跳过毋庸要的问题。比如用户一初始就提到了症状出现了三天，AI就不需要再问"症状什么时候初始的"。这种样式在保持结构化的同期，更接近天然对话的嗅觉。

第四种政策叫"动态及时更新模式"，AI有皆备的自主权决定问什么、怎样问，莫得任何预设问题列表。独一的拘谨是对话最多进行六轮，况兼AI在每轮对话后都要及时更新并展示当前最可能的会诊列表，匡助用户边聊边了解情况。

第五种政策叫"动态最终输出模式"，与第四种至极相似，雷同给AI皆备的自主权，但AI不会在经过中展示中间会诊斥逐，只在对话收尾时给出最终的会诊列表。

这五种政策从第一种到第五种，AI的主动性和结构化进程冉冉发生变化。计划团队的中枢假定是：主动商讨更多信息的政策，会比恭候用户主动提供信息的政策发扬更好。

四、斥逐令东谈主传诵：主动追问的AI，会诊准确率进步27%

实验斥逐至极清亮地撑持了这个假定，况兼差距之大超出了许多东谈主的预期。

更特酷爱的是，固定问题模式（第二和第三种，共计准确率75.6%）和动态自主模式（第四和第五种，共计准确率71.4%）之间，并莫得统计上显赫的各异（Welch t锻真金不怕火，p=0.155）。换句话说，AI不需要呆板地顺从医学院教的规范问题清单，只消它被赋予追问的权限，哪怕皆备自主决定问什么，成果也良善从经典临床框架差未几。

从用户参与度来看，基础模式下用户在系数对话中平均输入的单词数最少，而其他四种模式由于AI主动追问，用户被蛊卦提供了更多信息，总词数赫然更多。这径直解释了为什么会诊准确率更高：更多的信息意味着AI有更充分的依据进行判断。

这个发现对平淡奢侈者使用AI器具有径直的率领酷爱酷爱。当你掀开ChatGPT、Gemini或者其他AI助手形容症状时，米兰体育app如果AI只是在被迫酬报你，莫得追问任何细节，那么它给出的会诊提议的可靠性要打一个很大的扣头。

五、AI的会诊，为什么连有训导的医师都比不外

计划中最引东谈主留心的发现，是SymptomAI的会诊质料与东谈主类临床医师比较的斥逐。

在那517个经过深度临床评估的案例中，每个案例都有三份会诊列表：一份来自SymptomAI，另外两份来自寂寥阅读对话记载的东谈主类医师（他们看不到AI的会诊）。第三位医师在皆备不知谈这些列表谁写的情况下，对三份列表进行了盲评名次。

不外这里需要稍稍解释一下"公正性"的问题。参与对比的东谈主类医师，他们手头拿到的信息，是用户和AI之间的对话记载——也即是说，这个对话是AI主导的，问的问题是AI选拔的，采集到的信息是AI以为有效的。如果让医师我方来进行病史采集，他们可能会问不同的问题，采集到不同的信息。计划团队在论文中坦承了这个局限性：这不是一个皆备公正的端对端对比（即医师我方问诊+我方会诊 vs. AI问诊+AI会诊），而是医师基于AI问诊内容进行会诊，与AI基于雷同内容进行会诊的对比。

尽管如斯，有一个事实使这个比较依然具有劝服力：在那些被医师评为"对话质料最高、信息最充分"的案例中，AI的发扬上风最为杰出。既然在信息最竣工的情况下AI依然胜出，说明AI的上风不单是来自它掌持了东谈主类医师没看到的信息，而是的确在会诊推理上发扬更好。

六、AI在低信息量对话中的韧性：越难越显上风

计划还发现了一个特别特酷爱的模式，触及不同"难度"的对话案例。

计划中，第一阶段的医师（也即是提供基准会诊的两位医师）在完成会诊后，会被要求评估我方对这个会诊的信心进程（1到5分）。在医师自信心较高（评分4-5分）的案例中，AI和医师的发扬收支不大，两边都作念得可以。但在医师自信心较低（评分1-2分）的案例中——这类案例时常是信息不够充分、症状不够典型的"艰辛"——AI的发扬赫然优于医师，差距在统计上显赫。

这意味着AI对信息不竣工的对话具有更强的"抗烦闷才略"。即便用户形容得蒙胧不清、东一句西一句，AI也能从中索取出有价值的会诊脚迹，而东谈主类医师在雷同情况下会更快地堕入困惑和不细则。

一种可能的解释是，AI在海量锻练数据中鸠集了极为等闲的"症状-疾病"统计模式。当信息不充分时，AI可以诳骗这些统计端正，瞻望在给定的有限症状下最可能的疾病散布，相等于在不细则性中给出一个经过大宗先验信息校准的推测。而东谈主类医师在面临不竣工信息时，时常更依赖个东谈主训导和直观，这在信息枯竭时反而成了局限。

七、计划东谈主群有莫得代表性？来自平淡东谈主群的额外考据

一个合理的质疑是：Fitbit的用户不成代表平淡东谈主。Fitbit主若是健身醉心者和健康意志较强的东谈主在用，这群东谈主可能对我方的体格景况更了解，形容症状更清亮，导致AI发扬虚高。

计划团队谨慎对待了这个质疑。他们额外从第三方探问平台（Toluna）招募了1509名来自好意思国平淡东谈主群的参与者进行了寂寥考据。这批东谈主通过结构化问卷形容我方近期的健康事件，然后由SymptomAI对疏通内容进行会诊评估。

斥逐败露，SymptomAI在这批平淡东谈主群上的Top-5准确率为75.2%，与Fitbit用户群的80.0%至极接近，差距不大。天然两个东谈主群的疾病散布赫然不同（统计锻真金不怕火败露散布各异显赫），但AI的会诊准确率保持了相等进程的踏实性，说明磋辩论断具有一定的广博性，不单是适用于健康意志较强的特殊群体。

另外，计划团队还作念了统计锻真金不怕火，证据参与临床评估的517东谈主子样本在年级、性别、体重等东谈主口学特征上与整体13917东谈主莫得实质性各异，自行讲演了会诊的东谈主群也莫得赫然的选拔性偏差。

八、身上的手环，尽然也能"感知"你在生病

这项计划还有一个令东谈主咫尺一亮的延迟发现，与可穿着设置联系。

Fitbit腕表和手环可以畅达采集多种生理数据，包括静息心率、心率变异性（HRV，这是揣度腹黑健康的一个目的）、就寝中的呼吸频率、就寝中的非快速眼动期心率、就寝中的皮肤温度、就寝中的知道时刻、总就寝时长、活跃分钟数以及逐日步数。计划团队采集了整体13917名参与者在SymptomAI对话前后共特出50万天的可穿着数据，将SymptomAI给出的会诊作为"标签"，分析哪些疾病与哪些生理目的的变化存在关联。这类分析在医学计划中有一个专门的称号叫"全表型关联计划"（PheWAS）。

计划发现，急性呼吸谈感染与多种可穿着生理目的的显赫变化高度干系。以流感为例，在参与者斗殴SymptomAI的前后几天里，他们的静息心率赫然升高（赔率比OR>7，意味着流感患者静息心率特地的概率瑕瑜流感东谈主群的7倍以上），日步数和活跃分钟数大幅下降，就寝中知道时刻增多，心率变异性镌汰。这些变化在SymptomAI对话今日前后达到峰值，然后跟着病情发展而演变。

新冠病毒感染、急性支气管炎、急性上呼吸谈感染和平淡伤风也败清晰肖似但强度不同的生理信号变化模式。值得防御的是，许多这些生理变化——比如就寝中心率的轻飘高潮或心率变异性的镌汰——在用户我方还没意志到生病之前就也曾出现了。

这个发现辅导了一种真理的畴昔可能性：在用户我方主动掀开症状查验器具之前，可穿着设置检测到的这些生理特地信号，也许可以作为"触发器"，主动辅导用户进行症状评估。就像手环防御到你最近几天就寝质料变差、心率偏高，然后主动问你"你最近嗅觉怎样样？需要作念个症状评估吗？"。

计划还发现，东谈主们选拔在阿谁时刻点与SymptomAI交互，时常与"就寝中知道时刻的峰值"高度吻合——也即是说，严重影响就寝质料，让东谈主夜不成眠，时常是促使东谈主们下定决心去寻求医疗信息的环节驱动成分之一。

九、这项计划的局限性：哪些论断需要严慎对待

任何计划都有局限性，这项计划的团队也径直而坦诚地指出了几个需要防御的地点。

第一，会诊"金规范"来自参与者的自我讲演，而非经过考据的医疗记载。参与者说我方被会诊为流感，但计划团队无法证据这个会诊是否准确。有些东谈主可能误记了医师的会诊，有些东谈主可能耻辱了病名，还有些东谈主可能在慢性病的贬责经过中，讲演的是正在演变中的阶段性会诊。计划团队对赫然分歧理的讲演进行了筛查和过滤，但大畛域数据采集不可幸免地引入了一些杂音。

第二，临床对比的不皆备公正性前边也曾提到——参与对比的东谈主类医师，是基于AI问诊内容而非我方问诊内容进行会诊的。这在一定进程上适度了咱们对"AI问诊+AI会诊"与"医师问诊+医师会诊"进行竣工端对端比较的才略。

第三，这个计划盘算推算无法适度参与者讲演症状的时刻点。有东谈主可能在症状刚出当前就使用了SymptomAI，有东谈主可能比及症状很赫然、以至也曾去看了医师之后才使用。不同的时刻点意味着用户能提供的信息质料和竣工性各异很大，这会影响会诊斥逐。

第四，许多疾病仅凭语言形容无法确诊，还需要体格查验、实验室检测或影像学查验。SymptomAI能作念到的只是给出阔别会诊列表，不成替代确切的医疗查验。对于慢性病或需要专科查验的情况，AI的局限性愈加赫然。

十、不同东谈主群，AI发扬存莫得各异

计划团队还分析了AI会诊准确率在不同东谈主群特征中的散布。

从年级来看，年级较大的参与者（65岁以上）Top-5准确率总体高于年青东谈主。计划团队认为，这可能是因为年长辈有更丰富的就医阅历，对我方的体格景况更了解，形容症状时更精确。

从性别来看，女性参与者的会诊准确率高于男性。计划团队援用了一项医学计划的发现：男性在日常生计中倾向于比女性更少就医，对体格症状的感知和形容才略相对弱于女性，这可能导致男性用户在使用AI症状器具时提供的信息质料偏低。

从老师进程来看，领有计划生及以上学历的参与者准确率高于本科及以下。从医疗信息造就来看，自评"粗略识别和办法蚁集健康信息"和"粗略使用AI器具解答健康问题"的参与者，比自评信心较低的参与者发扬更好。这些规建都指向统一个标的：用户的健康学问布景和信息抒发才略，是影响AI会诊质料的紧迫成分。

此外，计划还比较了不同版块的Gemini模子（包括Gemini 2.0 Flash、Gemini 2.5 Flash和Gemini 2.5 Pro）在雷同对话内容上的发扬，发现更新、更大的模子在会诊准确率上照实有一定晋升，但晋升幅度不算戏剧性。这说明对话政策（主动追问与否）的影响，比模子版块本人的影响更为环节。

说到底，这项计划告诉咱们什么？

归根结底，这项计划的中枢信息至极清亮：当AI主动追问、系统地采集症状信息时，它的会诊才略可以特出有训导的临床医师；而当AI被迫恭候用户自说自话时，它的发扬会大幅缩水。这对咱们日常使用AI健康器具有径直的率领酷爱酷爱——如果你发现某个AI器具只是在被迫酬报你，并莫得追问细节，那它给出的会诊提议参考价值有限。

这项计划的酷爱酷爱还不啻于此。它用快要1.4万场真实对话诠释了，大语言模子在面临真实用户的真实症状时，不再只是"实验室里面子"，而是的确能在现实会诊中阐明特酷爱酷爱的作用。在全球优质医疗资源分拨特别不均、偏远地区和低收入群体严重枯竭专科医疗撑持的布景下，这种可以随处随时、免费赢得的AI会诊赞成器具，有着不可疏远的群众卫生价值。

天然，有几个念念考标的值得持续矜恤。AI的会诊提议应该在多猛进程上被用户看成"参考"而非"论断"？当AI给出的会诊提议与医师的判断相矛盾时，用户应该怎样量度？可穿着设置的生理数据与AI症状评估相结合，能否确切完毕疾病的早期预警，照旧仍然过于复杂？这些问题，都在恭候更多计划来去答。

如果你对竣工的计划细节感意思，可以在arXiv平台通过论文编号2605.04012搜索全文，免费获取。

Q&A

Q1：SymptomAI的会诊准确率和真实医师比较到底差些许？

A：SymptomAI在Top-5阔别会诊准确率上显赫优于东谈主类医师，赔率比OR=2.47，也即是说AI的会诊列表包含正确谜底的概率大要是东谈主类医师的2.5倍。在517个经过临床行家盲评的案例中，行家把AI的会诊列表排为"最好"的比例特出52.9%，而两位东谈主类医师的列表被排第一的比例分辨惟有约23.5%和26.7%。不外需要防御，参与对比的医师是基于AI问诊记载进行会诊，而非我方主导问诊，这在一定进程上影响了对比的皆备公正性。

Q2：为什么AI追问症状比用户我方形容成果各异那么大？

Q3：Fitbit的生理数据能提前瞻望生病吗？

A：计划发现米兰体育app，急性呼吸谈感染（尤其是流感）与Fitbit采集的多种生理目的变化高度干系，且这些变化在用户主动寻求症状评估之前就也曾出现。以流感为例，赔率比特出7，意味着流感患者出现生理特地的概率是平淡东谈主的7倍以上。静息心率升高、心率变异性下降、步数骤减等信号在症状讲演日前后达到峰值。这辅导畴昔可能通过可穿着设置的生理特田主动触发症状评估，但现在仍处于计划阶段，尚未酿成可落地的预警产物。

博亚体育中国官网在线入口