一项最新研究得出了一个令人惊讶的结论：OpenAI的o1-preview人工智能系统，在处理复杂棘手的医疗病例时，其诊断表现甚至可能超越人类医生。

来自哈佛医学院和斯坦福大学的研究团队，对o1-preview开展了一系列全面的医疗诊断能力测试。结果显示，与之前版本相比，这个AI系统的进步是实实在在的。

从具体数据来看，o1-preview在所有检查病例中正确诊断了78.3%。而在70个特定病例的直接对比中，它的表现更为突出：准确诊断率高达88.6%——这比其前代模型GPT-4的72.9%提升了显著幅度。

在医疗推理这一关键维度上，o1-preview的成绩尤其亮眼。使用R-IDEA量表（一种专门评估医疗推理质量的标准化测量方法）时，该AI系统在80个病例中有78个获得了满分。对比之下，在相同条件下，经验丰富的医生仅在28个病例中拿到满分，而住院医生更是只有16个。

当然，研究人员也承认，某些测试病例可能已经存在于o1-preview的训练数据中。不过，当他们用系统从未遇到过的新病例进行验证时，发现其性能只是略有下降，影响并不大。

在处理25位专家专门设计的复杂病例时，这个AI系统的表现尤其令人印象深刻。Rodman对此直言不讳：“人类医生看到这些病例，理所当然会觉得困难。但o1的表现——你根本不用看数据，就能明显感受到它做得有多出色。”

在这些棘手的病例中，o1-preview获得了86%的可能得分。这个成绩是医生们使用GPT-4（41%）或传统工具（34%）时所得分数的两倍以上。

话说回来，这个系统也有自己的短板。它在概率评估方面的表现并不理想，与旧模型相比几乎没有实质性改进。举个例子，在估算肺炎的可能性时，o1-preview给出的结论是70%——而科学合理范围实际上是25-42%，差距明显。

研究人员发现了一个值得关注的规律：尽管这个系统在需要批判性思维的任务上——如诊断和推荐治疗方案——表现得相当出色，但在更抽象的挑战（例如概率估算）上就显得力不从心。

他们还指出，o1-preview倾向于生成非常详细的回答，这在很大程度上拉高了它的总体得分。此外，这项研究主要关注的是o1-preview独立工作的场景，并未探讨它与人类医生协作时的实际效果。

此后，OpenAI已经发布了完整的o1版本及其继任者o3。这些新版本在复杂推理任务上的性能提升非常显著——在那些需要深度分析思维的基准测试中，它们的能力已经远远超出了o1-preview。细想之下，短短几个月内，AI在临床诊断领域的发展速度确实令人不得不关注。