Google 的 AMIE 研究登上了 Nature，把醫療 AI 從「單次診斷聊天」推到更接近照護現場的多診次疾病管理——它能追蹤症狀、調整治療、對齊臨床指南，還會產生結構化的管理計畫。在一個模擬的、隨機且盲法的臨床測驗（OSCE）裡，AMIE 和 21 位初級照護醫師、跨 100 個多診次病例比較，整體管理推理達到「非劣效」，在管理計畫的適切性等面向表現還更好一些。
聽起來很像「AI 要能看診了」。但在你這樣讀之前，有一句話必須先擺正，而且是研究作者自己說的：AMIE 尚未可臨床使用。 研究的病例是為了評估而設計、不代表常規的基層醫療，而且——這點最關鍵——它「並沒有測試對病患實際結局的影響」。 Google 官方也把它定調為一個「research AI system」。所以這項研究證明的是「AI 能通過一套模擬評估」，不是「AI 能替你看診」。而台灣醫療的正確順序，其實臺大、馬偕已經在示範。
這研究證明什麼、不證明什麼
先看它做了什麼。AMIE 用兩個代理協作：一個負責和病患對話，另一個負責整合多次對話、檢驗、指南和藥品資訊做管理推理。它的病例參考英國的 NICE Guidance 和 BMJ Best Practice，還用一個 600 題的 RxQA（題目源自美國 FDA 與英國藥品處方集）測試用藥的適應症、禁忌、劑量和交互作用。這是一套設計得相當嚴謹的評估。
但要守住幾條界線。第一，它是「模擬」——文字聊天、專業的病患演員、為評估設計的病例，不是真實診間。第二，「非劣效」和「部分面向較好」是研究的定性結論，網路上流傳的一些逐診次精確百分比，多來自二手摘要、無法在公開來源逐字確認，這裡就不引用，以免誤導。第三，也是最重要的：它沒有測病患的真實結局。一個 AI 在模擬裡給出漂亮的管理計畫，跟這個計畫用在真人身上會不會更好，是兩件事。
台灣的規則：醫療 AI 要走 SaMD
這是台灣讀者最該知道、外電不會講的一段。在台灣，醫療 AI 不是「效果好就能上」，要走食藥署（TFDA）的醫療器材軟體（SaMD）查驗登記路徑。TFDA 早在 2021 年就公告了 AI／機器學習醫材軟體的技術指引，並在 2025 年 8 月更新了 CADe／CADx 的技術指引。
問題是，目前多數在台灣過關的醫療 AI，是影像偵測類（例如判讀 X 光、病理切片）；而 AMIE 這種「對話式、多診次、會給治療和用藥建議」的系統，風險等級明顯更高，相關規範仍在演進中。衛福部醫事司也已表示，提供健康建議的 AI 服務系統，須標示「非醫療診斷」「僅供參考」等警語。換句話說，就算 AMIE 這類系統技術成熟，在台灣落地的卡點也不在模型分數，而在取證路徑、本土指引與藥品給付、以及責任歸屬。
對台灣的啟示：院內輔助先行
台灣醫院其實已經走在一條務實的路上：先做「醫師輔助」，而不是「病患自助看診」。臺大醫院有院內的大型語言模型「診斷碼輔助系統」（全碼 F-score 約 86.67%）、馬偕有實證醫學輔助工具——這些都是幫醫師的後台工具，不是讓病患直接對 AI 看病。這正好呼應 AMIE 研究該有的讀法：把病患端的對話介面，放在最後面的試辦階段。
給醫療團隊的實用建議：試辦前先補齊臨床指南來源（而且要注意台灣的本土指引和藥品給付與 NICE／BMJ 不同，不能直接照搬）、人工審查、用藥安全的獨立測試、在地化，以及危機升級流程。想把研究工作流和可重跑證據整合，可對照 Anthropic 的 Claude Science 科研工作台。
給一般民眾的一句話：可以把 AI 當成「就醫前把問題和症狀整理清楚的初篩清單」，但最終診斷交給醫師。任何 AI 給的健康答案都要回頭查證（做法見 如何查核 AI 的回答）；而只要是急症、兒童、孕婦、高齡、多重共病或藥物過敏，直接找真人，別讓 AI 替你決定。
常見問題
AI 能看診了嗎？能取代醫生嗎？
還不能。AMIE 是研究系統，作者本人明說「尚未可臨床使用」，研究是在模擬環境做的、也沒有測試對病患真實結局的影響。它證明的是「AI 能通過一套模擬評估」，不是「能替你看診」。把它當成醫療 AI 的研究進展看，最終診斷仍要交給醫師。
AI 給的醫療建議能信嗎？
只能當參考，不能當結論。研究再漂亮，AI 仍可能出錯，而且它不了解你的完整病史。比較安全的用法是把 AI 當「就醫前整理問題」的工具，最終判斷交給醫師；任何健康答案都回頭查證來源。急症、兒童、孕婦、高齡、多重共病或藥物過敏，直接找專業，不要靠 AI 決定。
台灣醫院有在用醫療 AI 嗎？
有，但主要是「醫師輔助」而非「病患自助看診」。例如臺大有院內的診斷碼輔助系統、馬偕有實證醫學輔助工具，都是後台幫醫師的工具。台灣醫療 AI 要走食藥署的醫療器材軟體（SaMD）查驗登記，對話式、會給治療建議的系統風險更高、規範仍在演進，所以目前落地都走「院內輔助先行」的路線。