这项由谷歌掂量院（Google Research）与谷歌DeepMind伙同开展的大限制掂量，于2026年5月5日以预印实质式发布，论文编号为arXiv:2605.04012v1。有酷爱深入了解的读者可以通过该编号在arXiv平台查询无缺论文。

你有莫得在更阑一会儿感到躯壳不对劲，却不细目要不要去看医师的阅历？喉咙有点痛，是平方伤风照旧扁桃体炎？肚子抵赖作痛，是吃坏了东西照旧需要坐窝去急诊？大多数东说念主碰到这种情况，第一响应不是坐窝拨打病院电话，而是掏动手机，灵通搜索引擎或者AI聊天器用，输入我方的症状描摹，但愿得到一个初步谜底。

这个行为听起来再平方不外，但背后其实藏着一个莫得被矜重回答过的紧迫问题：当平方东说念主用日常语言向AI描摹症状时，AI给出的会诊提议到底有多准确？它能和实在的医师比较吗？不同的对话形态——比如AI主动追问照旧用户我方纰漏说——会不会显赫影响会诊质地？

谷歌掂量院的团队决定用一场真实的大限制实验走动答这些问题。他们开拓了一套叫作念SymptomAI的对话式AI系统，把它接入了数百万东说念主在用的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。这不是在实验室里规画的模拟场景，也不是请演员饰演病东说念主，而是真材实料的真实寰宇测试。

这项掂量的独到之处在于，它同期作念了三件事：测试AI是否能准确会诊平方东说念主自述的症状，比较不同对话战略对会诊准确率的影响，以及探索将AI会诊与可穿着成就的生理数据结合起来有莫得价值。最终的论断让好多东说念主感到无意——在特定条目下，AI给出的辨别会诊终结明显优于东说念主类临床医师。

一、为什么平方东说念主看病前总要先问AI

在矜重先容这项掂量之前，有必要先贯穿它为什么紧迫。咱们正处在一个医疗信息获取形态发生根人性变化的时期。畴前，东说念主们生病了率先参谋家庭医师，或者打电话给诊所。其后互联网普及，各式症状查询网站和在线症状搜检器用兴起。而近几年，大语言模子（也即是ChatGPT、Gemini这类AI聊天器用）的普及，让情况进一步发生了变化。

罕有据知道，东说念主们向AI发问的问题中，约莫有五分之一与医疗健康知知趣干。而在健康关系的AI对话里，快要二成触及症状评估或疾病筹划。这个趋势一经实实在在地影响了东说念主们的就医行为——有掂量发现，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，东说念主们在实在去病院之前，一经越来越习气先通过数字器用完成一次"预会诊"。

问题是，传统的在线症状搜检器用进展并不睬想。一项障翳23个症状搜检器用的系统性综述发现，这些器用能把正确会诊排在第一位的概率唯有约34%。也即是说，你告诉它"我头疼、发热、混身酸痛"，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，连病东说念主我方当场预计都偶然差若干。

那大语言模子呢？有掂量用范例化的临床病例描摹来测试GPT-4，发现它在前五个候选会诊（也叫Top-5辨别会诊）里包含正确谜底的概率超越80%，令东说念主印象长远。但这里有一个要津问题被冷漠了：那些测试用的病例描摹，是由专科医师写的，信息无缺、抒发范例。真实病东说念主不会那么谈话。

一项很有劝服力的掂量终结揭示了这个差距有多大：当AI平直处理专科撰写的病例描摹时，Top-3准确率高达94.9%；而当平方东说念主把并吞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，清亮地说明了一件事：在实验室里进展优秀的AI，在靠近真实用户的时候，进展可能迥乎不同。

谷歌掂量院的团队恰是看到了这个空缺，决定把AI症状评估拉到真实寰宇里来考试。

二、一场连续九个月、涵盖近1.4万东说念主的真实实验

这项掂量的规画自己就值得好好先容，因为它的限制和真实性在同类掂量中相称萧疏。

掂量团队把SymptomAI系统接入了Fitbit应用的"Fitbit Labs"掂量环境，向好意思国各地的Fitbit用户发出邀请。这个实验从2025年6月矜重启动，一直运行到2026年4月，连续了快要一年。掂量通过了落寞伦理审查委员会（Advarra，马里兰州，编号GH-SCD-001）的批准，统统参与者都经过了知情甘心智力，明确了解这是一项掂量，而非矜重的医疗办事。参与者莫得任何经济答谢。

最终，约4万名Fitbit用户被邀请参与，其中13917东说念主完成了至少一次与SymptomAI的无缺对话。这些参与者在实在感到躯壳不当令，会灵通应用与AI进行一场对于症状的对话，AI凭证对话内容给出可能的病因列表（也即是辨别会诊，简称DDx）。对话扫尾后，参与者还会被邀请填写一个爽快问卷，敷陈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终结。

最终，13917东说念主中有1228东说念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"金范例"。在这1228东说念主中，掂量团队又当场抽取了517东说念主，邀请三位具有超越35年从业陶冶的家庭科牌照医师进行了深度临床评估，耗时超越250个小时。

这三位医师的责任分两个阶段。第一阶段，其中两位医师落寞阅读对话纪录（AI给出的会诊被遮拦，只保留用户的述说），各自给出我方的辨别会诊列表，并评估我方的信心进度。第二阶段，第三位医师在不知说念任何会诊开端的情况下，同期看到三份会诊列表（两份来自东说念主类医师，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。

除了东说念主类医师的评估，掂量团队还老师了一个AI自动评分系统（auto-rater），用来把东说念主类评估的限制从517东说念主膨胀到一起1228东说念主，确保论断更有统计力度。

通盘实验期间，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对话战略。这个当场分组规画，使得掂量者好像平直比较不同战略的后果，而不是让参与者解放接受。

三、五种对话战略，哪种更像实在的好医师

这项掂量最中枢的变量之一，是AI和用户交流的形态。掂量团队规画了五种不同的对话战略，对应五个实验组，这五种战略的区别，本质上是AI主动性的高下。

第一种战略叫"基础模式"，这亦然当今市面上大多数耗费级AI聊天器用的默许状态。AI只被奉告要聚焦于健康话题，并在对话扫尾时给出可能的会诊列表。它不会主动追问，用户说什么它就恢复什么，会诊的质地皆备取决于用户我方平安提供若干信息。这就像走进一家诊所，医师只是坐在那边等你谈话，不主动问任何问题。

第二种战略叫"固定问题模式"，基于医学院教学中的范例病史采集框架——HPI（现病史）。AI被要求按步调问一套固定的问题，包括症状发生的位置、启动时候、严重进度（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削弱、是否有关系风险成分，以及症状如何影响日常生存。无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。

第三种战略叫"生动问题模式"，与第二种访佛，但AI有权凭证用户一经提供的信息跳过无谓要的问题。比如用户一启动就提到了症状出现了三天，AI就不需要再问"症状什么时候启动的"。这种形态在保持结构化的同期，更接近天然对话的嗅觉。

第四种战略叫"动态及时更新模式"，AI有皆备的自主权决定问什么、如何问，莫得任何预设问题列表。惟一的不断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。

第五种战略叫"动态最终输出模式"，与第四种尽头相似，雷同给AI皆备的自主权，但AI不会在流程中展示中间会诊终结，只在对话扫尾时给出最终的会诊列表。

这五种战略从第一种到第五种，AI的主动性和结构化进度迟缓发生变化。掂量团队的中枢假定是：主动掂量更多信息的战略，会比恭候用户主动提供信息的战略进展更好。

四、终结令东说念主惊奇：主动追问的AI，会诊准确率进步27%

实验终结尽头清亮地撑持了这个假定，况兼差距之大超出了许多东说念主的预期。

更故风趣的是，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别（Welch t考试，p=0.155）。换句话说，AI不需要古板地盲从医学院教的范例问题清单，只须它被赋予追问的权限，哪怕皆备自主决定问什么，后果也和盲从经典临床框架差未几。

从用户参与度来看，基础模式下用户在通盘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，用户被指点提供了更多信息，总词数明显更多。这平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。

这个发现对平方耗费者使用AI器用有平直的带领真谛。当你灵通ChatGPT、Gemini或者其他AI助手描摹症状时，开云官方app下载如果AI只是在被迫恢复你，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，为什么连有陶冶的医师都比不外

掂量中最引东说念主瞩目的发现，是SymptomAI的会诊质地与东说念主类临床医师比较的终结。

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，另外两份来自落寞阅读对话纪录的东说念主类医师（他们看不到AI的会诊）。第三位医师在皆备不知说念这些列表谁写的情况下，对三份列表进行了盲评名次。

不外这里需要略略解释一下"公说念性"的问题。参与对比的东说念主类医师，他们手头拿到的信息，是用户和AI之间的对话纪录——也即是说，这个对话是AI主导的，问的问题是AI接受的，采集到的信息是AI认为灵验的。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。掂量团队在论文中坦承了这个局限性：这不是一个皆备公说念的端对端对比（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"对话质地最高、信息最充分"的案例中，AI的进展上风最为凸起。既然在信息最无缺的情况下AI依然胜出，说明AI的上风不单是来自它掌抓了东说念主类医师没看到的信息，而是真实在会诊推理上进展更好。

六、AI在低信息量对话中的韧性：越难越显上风

掂量还发现了一个突出故风趣的模式，触及不同"难度"的对话案例。

掂量中，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度（1到5分）。在医师自信心较高（评分4-5分）的案例中，AI和医师的进展出入不大，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——这类案例往往是信息不够充分、症状不够典型的"用功"——AI的进展明显优于医师，差距在统计上显赫。

这意味着AI对信息不无缺的对话具有更强的"抗禁绝期间"。即便用户描摹得磨蹭不清、东一句西一句，AI也能从中索取出有价值的会诊踪迹，而东说念主类医师在雷同情况下会更快地堕入困惑和不细目。

一种可能的解释是，AI在海量老师数据中积蓄了极为泛泛的"症状-疾病"统计模式。当信息不充分时，AI可以应用这些统计规则，瞻望在给定的有限症状下最可能的疾病散播，相称于在不细目性中给出一个经过无数先验信息校准的预计。而东说念主类医师在靠近不无缺信息时，往往更依赖个东说念主陶冶和直观，这在信息缺少时反而成了局限。

七、掂量东说念主群有莫得代表性？来自平方东说念主群的额外考证

一个合理的质疑是：Fitbit的用户不成代表平方东说念主。Fitbit主若是健身珍摄者和健康意志较强的东说念主在用，这群东说念主可能对我方的躯壳气象更了解，描摹症状更清亮，导致AI进展虚高。

掂量团队矜重对待了这个质疑。他们额外从第三方访谒平台（Toluna）招募了1509名来自好意思国平方东说念主群的参与者进行了落寞考证。这批东说念主通过结构化问卷描摹我方近期的健康事件，然后由SymptomAI对疏导内容进行会诊评估。

终结知道，SymptomAI在这批平方东说念主群上的Top-5准确率为75.2%，与Fitbit用户群的80.0%尽头接近，差距不大。固然两个东说念主群的疾病散播明显不同（统计考试知道散播各别显赫），但AI的会诊准确率保持了相称进度的贯通性，说明掂量论断具有一定的浩荡性，不单是适用于健康意志较强的特殊群体。

另外，掂量团队还作念了统计考试，阐发参与临床评估的517东说念主子样本在年齿、性别、体重等东说念主口学特征上与整体13917东说念主莫得实质性各别，自行敷陈了会诊的东说念主群也莫得明显的接受性偏差。

八、身上的手环，尽然也能"感知"你在生病

这项掂量还有一个令东说念主目前一亮的延长发现，与可穿着成就相关。

Fitbit腕表和手环可以一语气采集多种生理数据，包括静息心率、心率变异性（HRV，这是权衡腹黑健康的一个方针）、寝息中的呼吸频率、寝息中的非快速眼动期心率、寝息中的皮肤温度、寝息中的通晓时候、总寝息时长、活跃分钟数以及逐日步数。掂量团队采集了整体13917名参与者在SymptomAI对话前后共超越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方针的变化存在关联。这类分析在医学掂量中有一个专门的称招呼"全表型关联掂量"（PheWAS）。

掂量发现，急性呼吸说念感染与多种可穿着生理方针的显赫变化高度关系。以流感为例，在参与者构兵SymptomAI的前后几天里，他们的静息心率明显升高（赔率比OR>7，意味着流感患者静息心率非常的概率长短流感东说念主群的7倍以上），日步数和活跃分钟数大幅下降，寝息中通晓时候加多，心率变异性裁汰。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、急性上呼吸说念感染和平方伤风也知道出访佛但强度不同的生理信号变化模式。值得防卫的是，许多这些生理变化——比如寝息中心率的幽微高潮或心率变异性的裁汰——在用户我方还没意志到生病之前就一经出现了。

这个发现教导了一种真谛的改日可能性：在用户我方主动灵通症状搜检器用之前，可穿着成就检测到的这些生理非常信号，也许可以作为"触发器"，主动教导用户进行症状评估。就像手环防卫到你最近几天寝息质地变差、心率偏高，然后主动问你"你最近嗅觉如何样？需要作念个症状评估吗？"。

掂量还发现，东说念主们接受在阿谁时候点与SymptomAI交互，往往与"寝息中通晓时候的峰值"高度吻合——也即是说，严重影响寝息质地，让东说念主转辗反侧，往往是促使东说念主们下定决心去寻求医疗信息的要津驱动成分之一。

九、这项掂量的局限性：哪些论断需要严慎对待

任何掂量都有局限性，这项掂量的团队也平直而坦诚地指出了几个需要防卫的场所。

第一，会诊"金范例"来自参与者的自我敷陈，而非经过考证的医疗纪录。参与者说我方被会诊为流感，但掂量团队无法阐发这个会诊是否准确。有些东说念主可能误记了医师的会诊，有些东说念主可能污染了病名，还有些东说念主可能在慢性病的惩办流程中，敷陈的是正在演变中的阶段性会诊。掂量团队对明显不对理的敷陈进行了筛查和过滤，但大限制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说念性前边一经提到——参与对比的东说念主类医师，是基于AI问诊内容而非我方问诊内容进行会诊的。这在一定进度上限定了咱们对"AI问诊+AI会诊"与"医师问诊+医师会诊"进行无缺端对端比较的期间。

第三，这个掂量规画无法戒指参与者敷陈症状的时候点。有东说念主可能在症状刚出面前就使用了SymptomAI，有东说念主可能比及症状很明显、致使一经去看了医师之后才使用。不同的时候点意味着用户能提供的信息质地和无缺性各别很大，这会影响会诊终结。

第四，好多疾病仅凭语言描摹无法确诊，还需要体格搜检、实验室检测或影像学搜检。SymptomAI能作念到的只是给出辨别会诊列表，不成替代实在的医疗搜检。对于慢性病或需要专科搜检的情况，AI的局限性愈加明显。

十、不同东说念主群，AI进展存莫得各别

掂量团队还分析了AI会诊准确率在不同东说念主群特征中的散播。

从年齿来看，年齿较大的参与者（65岁以上）Top-5准确率总体高于年青东说念主。掂量团队认为，这可能是因为年长辈有更丰富的就医阅历，对我方的躯壳气象更了解，描摹症状时更精确。

从性别来看，女性参与者的会诊准确率高于男性。掂量团队援用了一项医学掂量的发现：男性在日常生存中倾向于比女性更少就医，对躯壳症状的感知和描摹期间相对弱于女性，这可能导致男性用户在使用AI症状器用时提供的信息质地偏低。

从教悔进度来看，领有掂量生及以上学历的参与者准确率高于本科及以下。从医疗信息修养来看，自评"好像识别和贯穿汇集健康信息"和"好像使用AI器用解答健康问题"的参与者，比自评信心较低的参与者进展更好。这些规则都指向并吞个主见：用户的健康学问布景和信息抒发期间，是影响AI会诊质地的紧迫成分。

此外，掂量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进展，发现更新、更大的模子在会诊准确率上如实有一定提拔，但提拔幅度不算戏剧性。这说明对话战略（主动追问与否）的影响，比模子版块自己的影响更为要津。

说到底，这项掂量告诉咱们什么？

归根结底，这项掂量的中枢信息尽头清亮：当AI主动追问、系统地采集症状信息时，它的会诊期间可以超越有陶冶的临床医师；而当AI被迫恭候用户自说自话时，它的进展会大幅缩水。这对咱们日常使用AI健康器用有平直的带领真谛——如果你发现某个AI器用只是在被迫恢复你，并莫得追问细节，那它给出的会诊提议参考价值有限。

这项掂量的真谛还不啻于此。它用快要1.4万场真实对话说明了，大语言模子在靠近真实用户的真实症状时，不再只是"实验室里排场"，而是真实能在施行会诊中阐述有真谛的作用。在全球优质医疗资源分拨十分不均、偏远地区和低收入群体严重缺少专科医疗撑持的布景下，这种可以遍地随时、免费获取的AI会诊辅助器用，有着不可冷漠的大家卫生价值。

天然，有几个想考主见值得赓续保重。AI的会诊提议应该在多猛进度上被用户作为"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，用户应该如何权衡？可穿着成就的生理数据与AI症状评估相结合，能否实在已毕疾病的早期预警，照旧仍然过于复杂？这些问题，都在恭候更多掂量走动答。

如果你对无缺的掂量细节感酷爱，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若干？

A：SymptomAI在Top-5辨别会诊准确率上显赫优于东说念主类医师，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约莫是东说念主类医师的2.5倍。在517个经过临床大师盲评的案例中，大师把AI的会诊列表排为"最好"的比例超越52.9%，而两位东说念主类医师的列表被排第一的比例差别唯有约23.5%和26.7%。不外需要防卫，参与对比的医师是基于AI问诊纪录进行会诊，而非我方主导问诊，这在一定进度上影响了对比的皆备公说念性。

Q2：为什么AI追问症状比用户我方描摹后果各别那么大？

Q3：Fitbit的生理数据能提前瞻望生病吗？

A：掂量发现，急性呼吸说念感染（尤其是流感）与Fitbit采集的多种生理方针变化高度关系，且这些变化在用户主动寻求症状评估之前就一经出现。以流感为例，赔率比超越7，意味着流感患者出现生理非常的概率是平方东说念主的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敷陈日前后达到峰值。这教导改日可能通过可穿着成就的生理非常主动触发症状评估，但当今仍处于掂量阶段开云中国2026世界杯app下载，尚未变成可落地的预警家具。

K8凯发中国官方网站