當我們在討論大型語言模型（LLM）處理醫療問題時，最核心的挑戰不在於模型是否「讀過」醫學教科書，而是在於它能否在真實的醫療情境中展現出正確的判斷力。OpenAI 近期發布的 GPT-5.5 Instant 展示了 AI 在醫療智能上的顯著進步，這不僅是參數規模的提升，更是一套完整的醫療評估與反饋體系的成果。對於工程師來說，這提供了一個極佳的案例：如何將一個高度專業且對錯誤零容忍的領域（醫療），轉化為可量化、可迭代的模型優化流程。
醫療智能的核心定義：不只是正確，更是判斷力
在一般技術問答中，我們追求的是答案的正確性。但在醫療領域，單純的正確是不夠的。OpenAI 將醫療智能定義為三個維度的結合：準確性、可理解性以及良好的判斷力。
所謂的判斷力，是指模型在面對用戶提問時，能否意識到哪些資訊是缺失的（Context Awareness），能否在不確定時誠實地表達不確定性而非過度自信，以及最關鍵的，能否在危急情況下正確地引導用戶尋求專業醫療救治（Appropriate Escalation）。
例如，當用戶詢問關於坐骨神經痛的治療時，模型不應只是列出治療選項，而應能解釋為什麼醫生在注射類固醇前會建議先做 MRI 檢查，並提醒用戶哪些症狀屬於紅旗指標（Red Flags，指具有高度危險性、需立即就醫的警訊），這才是真正的醫療智能。
建立專業的評估體系：HealthBench 與醫師導向的評估
要提升模型能力，必須先能準確衡量。OpenAI 引入了 HealthBench 與 HealthBench Professional 兩套專門的評估基準。這類基準不同於一般的選擇題考卷，而是使用真實的醫療對話情境，並由醫師撰寫評分量表（Rubrics）來衡量。
評估的維度包括準確性、安全性、溝通能力、對上下文的感知、完整度以及轉診建議的適當性。透過這種方式，開發團隊可以將模糊的「感覺回答得不錯」轉化為可追蹤的數據指標。
此外，OpenAI 採取了一種極端對比的測試方法：讓醫師在不使用 AI 的情況下，利用網路搜尋撰寫答案，再由另一組獨立的醫師小組將 AI 的回答與人類醫師的回答進行盲測對比。結果顯示，GPT-5.5 Instant 在減少錯誤模式（Failure Modes）方面表現優於人類醫師，尤其在考量在地醫療脈絡、捕捉紅旗指標以及主動詢問缺失資訊等方面更為細膩。
從生產環境數據驗證事實準確性
除了離線的基準測試，在生產環境（Production）中監控事實錯誤（Factuality Issues）同樣重要。OpenAI 使用隱私保護監控工具來追蹤數以十億計的醫療相關訊息。數據顯示，在最近兩個月內，包含事實錯誤的醫療回答率下降了 71%。這證明了模型在處理事實性資訊時的穩定度大幅提升。
醫師反饋迴圈：將專業知識轉化為模型行為
模型能力的飛躍來自於一個龐大的醫師反饋網路。OpenAI 協作了來自 60 個國家、涵蓋 26 個醫學專科的 260 多位醫師。這些醫師的工作並非直接寫程式，而是扮演定義者與審核者的角色。
醫師們審核了超過 70 萬個真實案例的回答，指出模型在哪裡顯得過於自信、在哪裡遺漏了關鍵上下文，或在哪裡應該更強烈地建議就醫。這些質化的反饋被轉化為量化的評分量表，進而指導模型的微調方向。
總結與實務啟示
對於開發 AI 應用的人來說，GPT-5.5 Instant 的案例告訴我們：處理專業領域問題時，不能僅依賴通用能力的提升。成功的路徑在於建立一個由領域專家（SME）主導的反饋迴圈，將專業的直覺轉化為明確的評估基準，並在離線基準測試與在線生產監控之間建立閉環。
當 AI 能在醫療這種高風險領域展現出比人類更低出錯率的判斷力時，這不僅是技術的勝利，更是評估方法論的勝利。
來源：openai.com - Improving health intelligence in ChatGPT
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。