2025 年，如果你在深夜醒来，喉咙干痒、轻微发热，你的第一反应可能不再是翻找家里的退烧药，而是拿起手机，打开某款 AI 健康应用，描述自己的症状。几秒钟后，屏幕上弹出一段回复：“初步判断：风热感冒早期。建议：多喝水，服用银翘解毒片，避免辛辣食物。”
AI 驱动的医疗问答正在快速普及。它不再局限于独立的健康 App——类似功能正被嵌入通用大模型与日常平台中。许多人用它来“看看”舌苔、脸色或其他可见线索，以此推测自己的身体状态。
在社交媒体上，分享 AI 诊断截图与自愈经历的帖子越来越常见。每当 AI “说中了症状”，人们对它的信任就会在不知不觉中累积。
但这场讨论也出现了更阴暗的一面。已有报道指出，AI 生成的“处方建议”可能造成严重伤害，一些人因为误信错误建议而出现罕见病症。
一个被广泛讨论的海外案例中，有用户长期遵循与 ChatGPT 对话生成的养生建议，最终出现溴中毒——这在今天已属罕见疾病。
那么，使用 AI 进行医疗指导的真实优势与风险是什么？用户又该如何理性看待？
“AI 医生”的突然崛起
一波 AI 问诊工具正迅速涌入市场。如今，多数主流线上购药平台都内置了“AI 医生”功能，很多人依靠它来判断该买什么药。
根据阿里云《2025 医疗健康行业 AI 应用白皮书》，目前中国已备案的医疗 AI 模型达到 101 个。
与动辄数百万元、通常只有三甲医院才会采购的 AI 医学影像设备不同，这些 AI“医生”的使用门槛极低：不需要专业设备，不用预约挂号，7×24 小时在线，而且往往免费。
它们尤其擅长处理那些数据充分、症状典型的常见病——例如感冒、胃部不适、头痛、轻度炎症等——能迅速匹配基于指南的非处方药选项或生活干预建议。
很多用户用完后会觉得“挺准”：速度快、不用排队。时间久了，一些人确实减少了去医院的频率。
对于作息不规律的年轻人、被大医院长队劝退的上班族，或身处基层医疗资源相对薄弱地区的居民，这份便利可能确实能带来帮助。在某些场景下，AI 也确实填补了初级咨询的空白，缓解了“我该先做什么”的焦虑。
风险在增长——悄无声息，却持续累积
然而，便利背后，风险也可能在不知不觉中扩大。有新闻提到，有人因为过度信任 AI 而延误治疗；更极端的情况下，用户甚至会因为遵循错误建议而伤害自己。
一则 2025 年案例引发广泛关注：一名 60 岁的海外用户痴迷“洁净健康”，决定把饮食中的氯彻底清除。在与 ChatGPT 多次对话后，他接受建议，长期用含溴化合物替代食盐。
据报道，他的血液溴含量升至 1700 mg/L，超过正常水平的 200 倍。
随后他出现幻觉、步态不稳、记忆混乱等症状，并被诊断为慢性溴中毒。这种疾病曾在 20 世纪初因药物滥用出现，随着医学进步几乎消失，却因 AI 生成的“养生建议”而再次出现。
几乎同一时间，国内也出现了令人警醒的案例。一位女性（化名廖新花）长期干咳数月，反复使用某 AI 问诊平台自我诊断。
AI 给出的判断多次变化，例如“过敏性支气管炎”“胃食管反流刺激”，并推荐抗过敏药、抑酸药等。她自行购药服用，症状稍缓就停药，不久复发，陷入“吃药缓解、停药复发”的循环。
整整八个月，她没有去医院。直到体重明显下降、痰中带血丝，才前往就诊。胸部 CT 显示双肺多发厚壁空洞与斑片状浸润影，医生高度怀疑继发性肺结核且已处于活动期。
接诊医生据称直言：如果早两个月来，病情不会发展到这个程度。
这些事件逼出一个尖锐的问题：如果 AI 看起来这么强，为什么还会给出危险甚至荒谬的建议？这到底是偶发失误，还是 AI“医疗推理”机制中的结构性问题？
AI 开的“处方”，真的可信吗？
当你输入“喉咙痛、低烧、乏力”，几秒后收到“多喝水、吃银翘”的建议时，很容易产生一种错觉：这和医生开的方子差不多。
但其底层逻辑差异巨大，也远没有看上去那么可靠。
医学判断的起点是对患者信息的全面、客观评估——传统上常用“望闻问切”概括。现阶段的 AI 虽然具备文字推理与一定的图像识别能力，但它无法真正“检查”你。
它看不清你是否面色苍白，听不到呼吸是否急促，摸不到淋巴结是否肿大，也难以捕捉医生可能从语气、犹豫、焦虑或病史遗漏中发现的关键信息。
它完全依赖你输入的内容——而这些描述可能是不完整的、主观的，甚至是错误的。
许多人也不擅长表达医学意义上的关键细节：分不清干咳与刺激性呛咳，说不清隐痛与绞痛。一旦关键信息偏差，模型的判断就可能迅速漂移。甚至照片模糊、光线偏差等小因素，都可能让图像类推断走向错误。
还有一个更隐蔽的难点：长尾病种。大模型往往更擅长“高频常见病”，但许多重症早期症状与普通病非常相似。比如肺结核初期可能只是干咳、盗汗；红斑狼疮可能以低热、关节痛起病。
当“概率低但危害高”的疾病出现时，AI 容易把它归入普通感冒或轻度感染，从而让人错过最佳治疗窗口。
更根本的问题在于，大语言模型可能产生“幻觉”。它不一定在核验事实，而是在生成“看起来合理的答案”。这意味着它可能一本正经地编造不存在的药物、引用并不存在的指南，甚至给出明显危险的“健康技巧”。
一旦因 AI 建议导致误诊、误治甚至中毒，责任归属也往往不清晰。许多平台在协议中写明“仅供参考、不构成医疗行为”。现实中，这可能导致用户承担大部分后果——即便 AI 的呈现方式看起来非常权威。
因此，AI 处方之所以危险，并不只在于“可能不准”，还在于多重风险叠加：输入失真、疾病识别盲区、模型幻觉，以及责任机制模糊。
行业正在如何补救？
值得肯定的是，医疗 AI 领域并没有停在原地。许多团队正在探索更安全的设计路径。
在数据源上，训练材料正被限制在高置信度医学数据库内。有的平台尝试让 AI 只使用权威期刊与临床指南等经过验证的内容，以降低错误信息的概率。
在产品定位上，AI 的角色也在变化。与其直接对患者输出诊断与用药方案，AI 更常被定位为“后台助手”：把用户零散的描述整理成结构化病历，汇总病史线索，辅助医生文书与分诊。
在应用范围上，“全科万能”的幻想正在让位于专科工具。越来越多产品选择深耕单一任务场景，比如皮肤病图像识别、糖尿病血糖管理、眼底筛查等。在高质量数据与明确边界下，AI 的表现更稳定，也更容易接受监管。
总体来看，最负责任的方向已经越来越明确：有效的医疗 AI 必须锚定在人类医生的判断框架之内，做支持者，而不是替代者。
连大型 AI 平台也更谨慎了
随着 AI 问诊功能在各类 App 中快速扩散，越来越多人习惯在不适时先“问问 AI”。但在全球范围内，科技公司与医疗监管机构的态度正在转向更审慎的边界管理。
例如，OpenAI 已明确限制 ChatGPT 提供具体疾病诊断或用药建议。当用户询问“我头痛三天了该吃什么药？”时，系统通常会提醒无法提供医疗建议，并建议咨询合格的医疗专业人员。
这种谨慎背后，是一个现实：多数通用大模型的健康建议，本质上是对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，也不具备执业资质。它更像是在模仿“人类可能会如何回答”，而不是判断“你的病情真实如何”。
理性使用 AI：它适合哪里，不适合哪里？
AI 问诊确实有价值，但高度依赖使用场景。
在健康监测、用药提醒、复诊随访、康复训练跟踪等长期、高频、低风险任务中，AI 能发挥优势——尤其是在已经有明确诊断的前提下。此时，AI 不是决策者，而是执行者与管理者。
但在涉及新发症状、不明原因不适、急重症筛查、或需要高度个体化判断的情境中，风险会急剧上升。便利可能掩盖病情。一句“可能只是上火”，可能让人忽略严重问题的早期信号；一套“看似合理”的自我调理建议，可能延误肺结核、自身免疫病等的黄金治疗期。
如果你已经在三甲医院完成明确诊断，处于康复或慢病管理阶段，适度借助 AI 做日常跟踪与提醒通常更安全也更有益。但前提始终是：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。
当身体发出异常信号，最安全、最负责任的选择仍然是：走进医院，见到真实医生。
因为医学不仅是科学，更是人学。它需要共情去理解恐惧，需要经验去捕捉教科书之外的细节，更需要伦理去权衡治疗的利弊与尊严——这些，仍是当下的医疗 AI 难以复制的能力。
