臨床AI的專科光環，為何在醫學基準測試前失色

醫療AI的承諾，常被包裝成「越專門越可靠」：接上臨床資料庫、面向醫師工作流程、用醫學語言訓練，似乎就能比一般聊天機器人更接近診間需要。但最新被討論的一項預印本研究，提出了相反警訊：在若干醫學基準測試中，通用大型語言模型反而壓過了標榜臨床用途的工具。

這項研究評估了OpenEvidence與UpToDate Expert AI等臨床AI產品，並與GPT-5、Gemini 3 Pro、Claude Sonnet 4.5等通用模型比較。研究團隊使用一組1,000題的迷你基準測試，內容由500題MedQA醫學考題與500個HealthBench提示組成，試圖同時測量醫學知識回答與較貼近健康照護情境的溝通、判斷能力。

依研究摘要所述，通用模型在整體表現上優於兩款臨床工具，其中GPT-5在比較中分數最高。更關鍵的是，差距不只出現在能否答對醫學選擇題；研究也指出，OpenEvidence與UpToDate Expert AI在回答完整性、溝通品質、脈絡掌握，以及以醫療系統安全為基礎的推理上出現不足。這些面向正是臨床AI從「會答題」走向「能協助醫療決策」時最難迴避的門檻。

這並不等於通用聊天機器人已可直接取代醫師、藥師或臨床決策支援系統。MedQA與HealthBench能提供可比較的測量尺，卻仍是基準測試，不是前瞻性臨床試驗；題庫中的高分，也不必然代表模型在真實病歷、院內流程、用藥限制、保險規則與責任歸屬交織的環境中同樣穩定。

這項結果更像是在提醒醫療AI產業，專科定位本身不是品質保證。若一個工具只是在醫學內容外層加上介面與品牌，而未能證明它在複雜病例、資訊不完整、病人偏好與安全警訊之間作出更可靠的取捨，專門化反而可能成為一種錯覺。對醫療機構而言，採購臨床AI時需要看的不只是資料來源或產品定位，還包括可重複驗證的表現、錯誤類型、更新機制與人類監督設計。

監管問題也因此變得更細。當AI工具被用於回答醫學問題、輔助文獻查找或整理治療選項時，它究竟是一般資訊工具、臨床決策支援軟體，還是可能影響診療行為的醫療器材，會牽動不同的驗證要求。模型若頻繁更新，先前通過的測試能否代表今日版本，也會成為審查與院內治理的難題。

這篇預印本尚未經同儕審查，且目前公開摘要能提供的細節有限；不同產品的實際部署情境、資料連接方式與使用者介面，也可能影響臨床現場表現。不過，它已把一個尖銳問題擺上檯面：醫療AI的競爭，不能只問誰更像醫療產品，而要問誰能在可驗證的條件下，給出更完整、更合乎語境、也更懂得安全邊界的回答。