斯坦福 HAI 花了三年建医疗 AI 基准,结论冷冰冰:PhysicianBench 上最强的 GPT-5.5 单次只完成 46% 任务,HealthAdminBench 上 Claude Opus 4.6 只有 36.3%。

换句话说,你在大会上看到的"AI 医生",到真实临床工作流里大概率连一半活儿都干不利索。

核心问题不在"不懂",在"断了"。失败大多发生在跨文档、跨系统传递信息时丢上下文——病历在 A 系统、检验在 B 系统、医嘱在 C 系统,Agent 在它们之间搬运时把关键线索弄丢了。

这对工业场景是同一道坎。你让 AI 管工单、管排程、管质检,最难的也是把分散在各系统的数据拼成一条完整上下文。模型聪明没用,拼接断了就是断了。

MedHELM 覆盖 5 大类 121 项临床任务,评分最低的正好是临床决策支持和行政流程——也就是最依赖多源信息整合的那两块。

所以别再问"模型够不够强"了。该问的是"它在我的数据孤岛之间能不能不丢东西"。这俩问题的答案,往往差着十万八千里。

医疗 AI 这波会先在最窄、最确定的环节用起来。但凡是涉及多系统协同的,短期内都别指望 Agent 替你把活干完。

这个判断,同样送给所有想用 AI 重构内部流程的甲方。先量清楚自家系统的"断点"在哪,再谈上 Agent,顺序别反了。