ChatGPT 近期針對美國市場推出了 Health 功能，這不僅僅是增加了一個健康問答模組，而是一次將「外部結構化健康數據」與「大語言模型（LLM）推理能力」深度整合的嘗試。對於工程師而言，這項功能的關鍵在於如何解決醫療數據碎片化（Data Fragmentation）的問題，並在極高隱私要求的環境下實現個人化上下文（Context）的召喚。
醫療數據碎片化問題與解決方案
在實務上，個人的健康資訊通常分散在不同的系統中，例如醫院的病患門戶（Patient Portals）、電子病歷（Medical Records）、穿戴裝置（Wearables）以及健康管理 App。這種碎片化導致使用者在詢問 AI 時，必須反覆手動上傳 PDF 或輸入病史，不僅效率低，且容易遺漏關鍵上下文。
ChatGPT Health 透過整合 Apple Health 以及美國主流醫療系統（如 One Medical、Function Health），將這些分散的數據源同步至 OpenAI 的系統中。這樣做能讓 LLM 在回答問題時，不再僅依賴通用知識，而是能基於使用者的真實數據進行推理。例如，當使用者詢問某項檢驗結果時，AI 可以直接對比之前的歷史數據，分析數值的趨勢變化，而非僅僅解釋該數值的定義。
從專屬空間到全域上下文的演進
在早期的測試版本中，健康功能被設計在一個獨立的專屬空間（Dedicated Space）。但數據顯示，超過 70% 的健康相關對話其實發生在日常對話中。例如，使用者在規劃飲食菜單時，可能會突然想到自己的過敏史或飲食限制。
因此，OpenAI 將其演進為一種全域上下文機制。使用者可以授權讓 ChatGPT 在任何對話中，只要偵測到相關需求，就自動調用 Health 模組的數據。這在技術上實現了從單一任務導向（Task-oriented）到情境感知（Context-aware）的轉變，讓 AI 能在規劃週末活動時，自動考慮使用者最近的運動傷害紀錄，提供更精準的建議。
模型能力的升級：GPT-5.5 與 GPT-5.6
為了處理複雜的醫療邏輯，OpenAI 針對健康對話對模型進行了專門的訓練。
GPT-5.5 Instant 主要提升了對緊急情況的識別能力，以及在資訊不足時主動詢問上下文的能力。
GPT-5.6 Sol 則進一步強化了複雜推理（Complex Reasoning）。這對於醫療應用至關重要，因為醫療診斷往往需要跨多個維度的數據分析，例如將睡眠品質、心率趨勢與用藥紀錄結合起來分析。為了驗證這些能力，OpenAI 開發了 HealthBench Professional 評估基準，並邀請數百名醫師參與，針對準確性、安全性及適時轉診（Escalation）等維度進行評核。
隱私保護與安全邊界
處理醫療數據時，隱私是最高優先級。ChatGPT Health 採取了分層的安全防護機制：
數據隔離：所有連接的醫療紀錄與 Apple Health 數據，無論使用者的模型訓練設定為何，均絕對不會被用於訓練基礎模型，也不會用於廣告投放。
傳輸與儲存加密：數據在傳輸過程中與靜態儲存時均經過加密，且健康數據擁有額外的加密層級。
權限控制：系統預設在調用健康數據前會請求使用者許可。使用者可以選擇單次授權或永久授權，並能隨時斷開連接。一旦斷開，同步的數據將在 30 天內從 OpenAI 系統中刪除。
記憶機制（Memory）的區隔：值得注意的是，AI 的記憶功能不會直接從醫療紀錄中創建，以防止敏感醫療資訊在無意識中被永久記錄在通用記憶中。
實務限制與定位
儘管模型能力大幅提升，但 ChatGPT Health 的定位是支持（Support）而非替代（Replace）專業醫療服務。AI 仍可能產生幻覺或錯誤判斷，因此其核心價值在於：將複雜的醫療術語轉化為易懂的語言、將碎片化紀錄整理成時間線、幫助使用者在就診前準備更精準的問題。
來源：openai.com
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。