2025年，如果你在深夜感到喉咙干痒、轻微发热，第 一反应可能不再是翻找家里的退烧药，而是打开手机，对着某款AI健康应用描述症状。几秒钟后，屏幕上跳出一行字：初步判断为风热感冒初期，建议多饮水、服用银翘解毒片，避免辛辣。
最近，关于AI看病问诊的功能越来越多，甚至集成到了豆包、元宝deepseek等通用大模型里，不少网友用其来看舌苔、看脸色，推断自己的健康状况。社交平台上，晒AI诊断结果、分享自愈经验的帖子屡见不鲜，信任在一次次“说中症状”中悄然累积。
但关于AI看病，目前也出现了乱开药方导致用户患上疑难杂症的情况。据悉，国外就有网友根据ChatGPT生成的独 家养生建议把自己吃成了多年未见的溴中毒。
那么，AI看病有着怎样的利与弊？用户应该如何理性看待？
最近市面上兴起了很多AI诊疗的应用程序，主流购药平台都内置了AI医生，不少人靠AI治病、买药。阿里云《2025医疗健康行业AI应用白皮书》显示，目前国内已有101个医疗AI模型已备案。与动辄数百万元、仅限三甲医院采购的AI医学影像设备不同，这些AI医生接触门槛极低，无需专业设备，不需预约挂号，7×24小时在线，且基本免费。
它们尤其擅长处理感冒、胃痛等现有数据丰富、症状典型的常见病，能快速匹配指南推荐的非处方药或生活干预方案。
很多网友用AI看病后发现很准，不用预约，也逐渐减少了去医院的次数。
AI医生的便捷专业特性帮助了长期作息不规律的年轻人、被三甲医院长队劝退的上班族或身处基层医疗资源薄弱地区的居民。在一定程度上，技术确实填补了初级医疗咨询的空白，缓解了部分就医焦虑。
然而便利的背面，风险也在无声滋长。有新闻爆出，有人因为听信AI延误最 佳治疗时间、更有甚者将自己吃成了多年未见的溴中毒。
2025年，一则关于“溴中毒”的报道引发广泛关注：一位60岁的海外用户出于对健康的执念，决定从饮食中彻底“清除氯”。在与ChatGPT多次对话后，他竟采纳其建议，长期用含溴化合物替代食用盐，导致体内溴含量达到了惊人的1700mg/L，超过正常人含量的两百倍。
结果该男子出现幻视、步态不稳、记忆混乱等症状，最终确诊为慢性溴中毒。这种曾因药物滥用在20世纪初盛行，后因医学进步而近乎绝迹的疾病，竟因一段AI生成的“养生建议”而死灰复燃。
几乎同一时间，国内也发生了一起令人警醒的案例。
廖新花（化名）女士因持续干咳数月，反复使用某AI问诊平台自我诊断。AI先后给出“过敏性支气管炎”“胃食管反流刺激”等不同判断，并推荐抗过敏药、抑酸剂等药物。她按建议自行购药服用，症状稍缓便停药，不久又复发，陷入“吃药暂缓、停药复发”的恶性循环。
整整八个月，她始终未走进医院。直到体重骤降十余斤、咳出带血丝的痰液，才前往医院。胸部CT显示：双肺多发厚壁空洞、斑片状浸润影，医生高度怀疑为继发性肺结核，且已处于活动期。接诊医生直言，如果早两个月来，病情不会发展到这个地步。
这些事件不禁让人发问，既然AI如此强大，为何还会给出如此危险甚至荒谬的建议？这究竟是AI医生一时的失误，还是一直潜伏在其技术系统里的漏洞？
当用户在手机上输入“喉咙痛、低烧、乏力”，几秒后收到AI开出的银翘解毒片、多喝水建议时，很容易产生一种错觉：这和医生开的方子似乎没什么不同。但细究其背后逻辑，便会发现AI开的药方远非表面看起来那般可靠。
看病开方最基础的是对病人的信息做出全面客观的判断，而这离不开四个字“望闻问切”。目前，AI仅仅具备简单的图片识别和文字推理能力。它看不见你面色是否苍白，听不到呼吸是否急促，摸不到淋巴结是否肿大，更无法通过眼神、语气捕捉你隐藏的焦虑或隐瞒的病史。
它只能依赖用户主观、碎片化甚至错误的自我描述分析。普通人往往难以准确表达医学意义上的关键细节，比如分不清干咳与刺激性呛咳，说不清隐痛还是绞痛。一旦关键信息出错，哪怕是摄像头模糊或者光线产生的图片温差就可能导致病情误判。
其次，现有的大模型并没有我们想得那么神通广大。大数据擅长处理常见病，却对疑难杂症束手无策。许多重症在早期症状与普通感冒、肠胃炎高度相似。例如，肺结核初期仅表现为干咳、盗汗；系统性红斑狼疮常以低热、关节痛起病。AI模型主要基于高频数据训练，面对低概率但高危害的疾病，极易将其归入普通流感而轻率处理，从而延误黄金治疗期。
更根本的问题则在于技术自身固有的幻觉。大语言模型并非检索事实，而是预测最合理的文本。因此，它可能一本正经地编造不存在的药物、虚构临床指南，甚至推荐“用溴代替氯”这样医学生一眼就能看出错误的医学建议。
而一旦因AI建议导致误诊、误治甚至中毒，责任归属几乎无解。目前几乎所有平台都在用户协议中注明：“本建议仅供参考，不构成医疗行为。”这意味着，即便用户肝衰竭住院、精神受损，平台也可凭借“技术中立”“用户自愿”等条款全身而退。
可见，AI开的药方看似便捷高效，实则暗藏多重风险。从信息输入的失真，到疾病识别的盲区，再到技术固有的漏洞，最终还面临着责任机制不清等问题。
对此，行业内部也已经开始探索多样化的解决方案。
源头上，训练材料被严格限定高置信度数据库。通过限定AI仅从经过严格验证的数据源中获取信息，可以显著减少误诊概率。例如，某些平台已经开始使用权威医学期刊和临床指南作为唯 一数据来源，确保每一条建议都有坚实的科学依据。
分工上，产品定位发生根本转变。AI不再直接面向患者输出诊断结论或用药方案，而是转向后台支持角色。例如，它可以帮助用户将零散的症状描述整理成结构化病历，供接诊医生快速掌握情况。
领域上，从全科幻想回归专科务实。早期不少AI产品试图打造无所不能的家庭医生，结果往往泛而不精。如今，越来越多开发者选择深耕垂直领域，比如专注皮肤病图像识别、糖尿病血糖管理、眼科眼底筛查等。通过在特定场景下积累高质量数据并进行模型精调，AI在这些有限任务中的表现显著提升，也更容易通过监管审批。
总的来说，现阶段所有有效的AI医疗应用都必须锚定于人类医生的判断框架之内，服务于而非僭越于专业诊疗，做好自己分内的事。
近年来，随着AI问诊功能在各类App中遍地开花，越来越多人习惯在身体不适时先“问问AI”。然而，全球科技界与医疗监管机构的态度却正悄然转向审慎。OpenAI 已明确限制 ChatGPT 不得提供具体疾病诊断或用药建议。如今，当用户输入“我头痛三天了，该吃什么药？”，系统会主动回复：“我无法提供医疗建议，请咨询合格的医疗专业人员。”
事实上，当前市面上绝大多数通用大模型所提供的健康建议，本质上只是对互联网公开文本进行统计关联后的概率推测。它没有临床训练，未经医学验证，更不具备任何执业资质。它的输出是语言模型对“人类可能如何回答”的模仿，而非对“病情真实如何”的判断。
因此，AI看病有利有弊，其价值高度依赖于特定场景，关键看用在哪儿。
在健康监测、用药提醒、复诊随访等长期、高频、低风险的场景中，AI确实能发挥独特优势。高血压老人忘记服药，智能助手能准时提醒；术后康复者按计划进行锻炼，AI可记录完成情况并反馈给主治医生。这些任务标准化程度高、容错空间大，且建立在已有明确诊断的基础上。此时，AI不是决策者，而是执行者。
但在涉及新发症状、不明原因不适、急重症筛查或需要个体化判断的场景中，AI的风险则急剧上升。此时，它的便捷可能掩盖病情。一句轻描淡写的“可能是上火”，可能让你错过早期肿瘤的信号；一次看似合理的自行调理建议可能延误肺结核或自身免疫病的黄金治疗期。
值得强调的是，如果已在三甲医院完成明确诊断，进入康复或慢病管理阶段，适度借助AI进行日常跟踪和提醒，是相对安全且有益的。但前提是，AI不能越界开方，不能替代复诊，更不能让你产生“不用去医院”的错觉。
但面对身体发出的任何异常信号，最安全、最负责任的选择始终是走进医院，见到真人医生。
因为医学不仅是科学，更是人学。它需要共情去理解患者的恐惧，需要经验去识别教科书之外的蛛丝马迹，更需要伦理去权衡治疗的利弊与尊严。这些是目前市面上的医疗AI应用尚无法复制的。
