Karan Singhal
观点集合
你该相信 ChatGPT 处理你的健康问题吗？
OpenAI称，最便宜的前沿 API 模型 GPT-6 Luna 在 HealthBench Professional 上胜过 5.6 Sol，成本低34倍。Singhal押注健康智能商品化，但称其尚未影响美国5.3万亿美元医疗支出；降本仍需工作流集成与落地。Epic、UCSF及 AdventHealth 已有部署进展，后者称行政工作流成本下降约80%。
查看摘要（7段）
- OpenAI称，每周有超过3亿人用 ChatGPT 咨询健康问题，其中绝大多数使用免费版，且大多数用户在美国以外。 Karan Singhal将健康业务定位为 AGI 使命中“让上行真正发生”（“make upside happen”）的一环：通过“免费或近乎免费的可信、充足、可靠的健康智能”抬高人类健康的底线，同时以此前不存在的能力抬高上限。
- 成本曲线才是真正可交易的判断：OpenAI最便宜的前沿 API 模型 GPT-6 Luna，在 HealthBench Professional 上胜过 5.6 Sol——后者“就在一个月前还是我们的最佳模型”——而成本低34倍。 Singhal明确押注“健康智能商品化”（“我们不想把健康智能据为己有”），但也承认，健康 AI“尚未对美国5.3万亿美元的医疗支出产生宏观影响”——要压低成本，靠的不只是便宜的 token，还需要集成和工作流落地。
- Singhal结合自己开发专用模型的经验，主张在通用模型中进行专门训练：纯医疗模型“很快就会落后于前沿”。 过去一年推出的各版 ChatGPT 模型，都在每个训练阶段加入专门的医疗数据；这就是“在通用模型中做专门训练……两全其美”，也就是“搭上规模化前沿的顺风车”。
- 信任来自汇集专家意见：“问5位医生同一个问题，你可能会得到8种不同答案。” 因此，OpenAI在数十个专科和多个国家建立了由数百名医生组成的全球网络。当用户期待与临床现实冲突时，“基本上要优先考虑安全”：即使用户想得到安慰，模型也必须明确说“你应该就医”。从系统层面看，临床指南进入日常实践可能要“5到17年”；床旁 AI 有望把这一滞后压缩到“几周、几天，甚至几小时”。
- OpenAI表示，AI无法提供全部医疗服务：“我不认为 AI 能或将会提供这一切。” 其策略是让“真正影响患者的最后一公里，对所有合作伙伴来说都只剩最后一百米”——让 ChatGPT 成为“你的健康四分卫”，而不是医疗服务提供者的替代品。Singhal给医疗领域创业者的建议是：“押注模型会变得更好。这大概是最重要的一件事。”
- 企业端进展已有实证：已与 Epic 集成，UCSF 用它审阅病历，AdventHealth 则称行政工作流成本“下降了约80%”。 谈到智能体，Singhal认为医疗行业的遗留技术栈——运行在虚拟机上的 EHR，明天也不可能突然出现“MCP 连接器”——正适合计算机操作智能体；他预测，传统障碍“将在未来几个月内消失”。Rughani援引《纽约时报》文章和 Blue Cross Blue Shield Association 的分析，称账单和文书机器人让支出增加了“大概10亿美元左右”；Singhal则认为这场军备竞赛“只是短期干扰”。
- Singhal对未来5至10年影响最大的预测，是 AI 引导靶点和分子生成，并以 AI 引导临床试验的优先级排序与验证，从而催生新疗法；目前候选分子数量已超过临床试验名额。 更近的机会，是出现一个“健康领域的第37手”（“move thirty-seven for health”）：基于纵向数据做出预测，回头看才显得惊艳，因为“人脑无法把所有这些数据整合起来”。
Universal Medical Intelligence：OpenAI 提升人类健康的计划，与 Karan Singhal 对谈
OpenAI正把健康打造为大规模普及渠道，每周已有超过2.3亿人查询健康信息；ChatGPT Health计划连接病历、可穿戴设备和Apple Health，且不以数据训练基础模型。HealthBench Hard已从GPT-4o创建时的0%升至当前模型约40%；2026年工作流整合仍受隐私采用、监督扩展和低频高损失错误约束。
查看摘要（7段）
OpenAI 正把健康作为让使命落地、将利益规模化普惠大众的重要路径，目前每周已有超过2.3亿人使用 ChatGPT 查询健康与保健问题。 ChatGPT Health 计划接入病历、Apple Health 和可穿戴设备，同时对所有用户免费且不限速；Karan Singhal 表示“目前”没有投放广告的计划，正在形成 Nathan Labenz 所称的“普惠基础智能”的早期版本。
Labenz 表示，前沿模型在他儿子的病例中已达到主治医生水平，而人类剩余优势主要来自具身化的临床语境。 HealthBench Hard 在创建时 GPT-4o 得分为0%，当前 OpenAI 模型已升至约40%，竞争对手目前大致处于“20分上下”。儿子住院期间，Labenz 发现前沿模型“几乎每一步都跟得上肿瘤科主治医生”，但医生仍能直接观察呼吸、肤色和整体状态。
OpenAI 的健康项目依靠专家反馈、评测基础设施和真实工作流证据推进，而不是用联网患者数据训练模型。 超过250名医生——按 Singhal 的估计约260名——通过顾问、持续进行的 Slack 红队测试和紧密合作的研究转译团队参与其中；ChatGPT for Healthcare 在6个月内经历了9轮测试。HealthBench 覆盖5,000段对话和约49,000条评判标准，肯尼亚 Penda Health 的随机研究则显示，诊断和治疗结果出现统计显著改善。
瓶颈正从医学知识转向语境获取、多模态能力和产品整合。 Singhal 表示，除部分亚专科外，模型的文本表现已经很强；但模型在获得完整病历时效果最佳，仍需更好地接入影像、语音、纵向测量数据和细微的生理信号。可能的架构是原生多模态表征结合工具调用、Python 和专用模型：“随着模型智能提升，人们自行收集的数据价值也会不断增加。”
OpenAI 预计临床应用将在2026年加速，真正的约束是固化的工作流，而不是医生保护主义。 ChatGPT for Healthcare 增加了 HIPAA 合规、医学证据检索和临床工作流，首发即接入8家头部机构，收到的需求超过团队承载能力。Singhal 的目标是让 AI 辅助医疗在年末成为“医疗常规的一部分”，但他也提醒，医疗体系按月变化，而不是按周变化。
隐私正在被当作推广基础设施：健康数据获得额外加密，与普通 ChatGPT 活动隔离，也不会用于训练基础模型。 Singhal 并未声称更多数据没有价值；他的判断是，通过清晰的隐私交换降低用户的“启动能量”，将带来更大的长期健康影响。下一步政策前沿可能是经同意的数据共享，用于试验匹配、N-of-1 治疗，以及 Labenz 提出的“AI 与尝试权”。
医疗也是 OpenAI 的应用对齐实验室，但 Singhal 并不认为最难的监督问题已经解决。 医疗模型已经在一些狭窄领域超过单个医生，迫使团队继续推进可扩展监督、校准不确定性、专家聚合和模型性格研究；与此同时，随着强化学习扩展，思维链尚未出现普遍滑向“神经语”的迹象。乐观情景是出现医疗领域的“Move 37”——意料之外的诊断或治疗方案抬高健康水平上限——但能力快速扩张与更罕见安全失误之间的平衡仍难以判断。