醫療 AI 的新戰場：不是更大的模型，而是會自己動手的模型

Hippocratic AI 於 8 月 13 日發表新一代「Agentic Orchestrators」（代理協調器）：不再是一支語音 AI 完成一件事，而是由一個「監督智能」決定「哪個專科代理、在什麼時機、用什麼方式」接觸每一位病人。底層是其專利的 Polaris 星系（constellation）架構——一個 700 億參數主模型，搭配 30 多個負責升級處理、用藥辨識與不良事件偵測的監督模型。首波推出 30 多個協調器，分屬支付方（8 個）、醫療提供者（8 個）與生技藥廠（18 個）三大客群（Unite.AI）。

這是「醫療 agent」從單點任務走向編排（orchestration）的代表案例，也是本週最能定義技術方向的一則。過去一年的醫療語音 AI 多半停在「打一通提醒電話」；把多個代理疊成一個由監督模型調度的系統，等於把賭注押在「以人群結果（再入院率、STAR 評分、慢病管理、臨床試驗招募）計價」的商業模式上。公司宣稱在 775,000 通電話、由 7,700 多名美國執照臨床人員審查中達到 99.89% 正確建議、零嚴重傷害，累積逾 2.5 億次病人互動。但這些是廠商自陳、非獨立第三方評估的數字，且在醫療語境下「99.89%」的剩餘 0.11% 落在哪裡，才是真正的臨床風險所在——這也正好呼應本期第 3 則對「漂亮數字」的警告。

Hippocratic AI（加州）由 Munjal Shah（執行長）與 Meenesh Bhimani（醫療長）創辦，累計募資 4.44 億美元，投資者含 Andreessen Horowitz、General Catalyst、Kleiner Perkins，以及 NVIDIA 的 NVentures 與 Google 的 CapitalG。產品為患者端對話式語音代理，非診斷或處方系統。

上海創智學院 LeapQuest 團隊與浙江大學、上海交通大學、復旦大學提出 Ophiuchus（影像）與 MedScope（影片）兩個醫學 AI 代理，論文獲 ICML 2026 接收（2026 年 5 月 27 日公開）。核心是「Think with Images/Videos」範式：模型在推理過程中主動調用視覺工具——Ophiuchus 用 SAM2 做精細分割、BiomedParse 定位醫學結構、再 zoom-in 放大關鍵區域；MedScope 先建立全局理解，再用 crop_video 截片段、get_frame 抓關鍵影格，把局部觀察整合回答案。

這是「視覺證據驅動優於單純堆規模」的一個乾淨證明。Ophiuchus-7B 在 8 個醫學 VQA 基準平均 68.0 分、工具調用準確率 97.9%，勝過 OpenAI-o3（62.2）、Gemini 2.5 Pro（61.8）與 GPT-5（59.9）——一個 70 億參數的專用代理，靠「會看片」贏過數千億參數的通用旗艦。對醫療影像特別關鍵：診斷錯誤常源於「沒看對地方」，而讓模型像放射科醫師一樣主動放大、分割、比對，比單純把整張圖丟進去更貼近臨床推理。對算力受限的醫院與國家，小模型＋工具的路線也更可負擔。

研究由上海創智學院（Shanghai Institute for Advanced Study）LeapQuest 團隊主導，跨浙大、上海交大、復旦（36 氪報導）。屬學術研究成果，本報告未見商業化或臨床取證的公開資訊，不做推測。

Frigyes Sámuel Rácz 與 Gábor Csukly 於 Translational Psychiatry（2026 年 8 月 15 日）系統檢視以 EEG（腦波）診斷思覺失調症的深度學習研究，指出多數研究因資料洩漏（data leakage）把準確率高估。最常見的錯誤是依「epoch（腦波片段）」而非「病人」切分訓練／測試集——結果模型學到的是「個人腦波指紋」而非「疾病標記」；另一種是在切分前就做特徵選擇，讓模型提前看到測試資料。號稱 95% 以上準確率的模型，在正確方法下大幅崩落（Yesil Science 報導）。

這則是本週技術主軸的另一端，也是對第 1、2 則所有「亮眼分數」的必要冷水。高達 65% 的已發表論文含這類管線錯誤、灌水幅度可達 30 個百分點，意味著一整個子領域的「SOTA」可能建在流沙上。這正是 Nature 7 月〈醫療 AI 有量測問題〉一文的具體個案：當基準本身不可信，比較模型高下就失去意義。實務含意很直接——採購或導入任何醫療 AI 時，「準確率數字」若沒有說清楚切分是否依病人、特徵選擇是否在切分之後，該數字基本上不能當真。

UC Berkeley 與 UCSF 研究團隊釋出 Pillar-0 醫學影像基礎模型（2025 年 11 月 20 日）。核心是新的 Atlas 神經網路架構，直接處理 3D 影像體積而非逐張 2D 切片，處理一份腹部 CT 比傳統 vision transformer 快 150 倍以上。模型可從單一 CT／MRI 辨識數百種病徵，涵蓋胸部 CT、腹部 CT、腦部 CT 與乳房 MRI。程式碼、訓練權重、評估與資料管線全部公開釋出。

這是「開源 + 效率架構」路線最有力的一個代表，值得在技術週特別點名。Pillar-0 在 366 項任務、四種模態上以 0.87 AUC（涵蓋 350 多種病徵）全面勝過 Google MedGemma（0.76）、微軟 MI2（0.75）與阿里 Lingshu（0.70）超過 10 個百分點，肺癌預測較 Sybil-1 進步 7%，且用僅 25% 的訓練資料就達到優異的腦出血偵測。它的意義有三：一是「直接吃 3D 體積」的架構把速度與資料效率同時拉高；二是完全開源讓醫院與研究者可以在地驗證、微調，而不必受制於大廠 API；三是它直接把幾家大廠的醫療影像模型放上同一張對照表，讓「誰真的強」有了可複現的量尺——恰好與第 3 則的基準可信度主題互補。

由 UC Berkeley 計算、資料科學與社會學院（CDSS）與 UCSF 研究者共同開發（Berkeley CDSS 公告）。被比較對象為 Google MedGemma、Microsoft MI2、Alibaba Lingshu 三個廠商模型。

NVIDIA 發表 BioNeMo Agent Toolkit（2026 年 6 月 23 日），把十餘年累積的生命科學函式庫、工具與開放模型整合成「AI 代理可直接呼叫」的平台。組件包含 BioNeMo 模型與框架、NIM 微服務、用於推理的 Nemotron 開源模型、NeMo RL 強化學習庫、以及 Parabricks 基因體加速。代理可以生成並篩選化合物、做分子對接、預測結合強度、過濾類藥性，把虛擬篩選的時程從數天壓縮到數分鐘。

如果第 1 則是「臨床照護的代理」，這則就是「科學研發的代理」——同一個技術範式（讓 LLM 調度專用工具）延伸到藥物發現。Jensen Huang 的定調很清楚：「前沿模型是大腦，BioNeMo 是科學工具箱，合起來給 AI 代理一個博士級研究助理的技能」。採用名單橫跨前沿實驗室（Anthropic、OpenAI、Owkin、Edison Scientific）、藥廠（Eli Lilly、Natera）、資料平台（Databricks、Snowflake、Benchling）與 AI 原生生技（Boltz、Chai Discovery），逾 50 家公司部署。這強化了本週的共同主線：2026 年的醫療 AI 競爭，關鍵不只是模型，而是模型能調度多完整的工具鏈。

NVIDIA Healthcare／BioNeMo；合作與採用方見上（NVIDIA 新聞稿）。工具鏈以 NVIDIA 自家開源模型（Nemotron）與微服務（NIM）為底，商業模式綁定其運算平台。

Google Research 釋出 MedGemma 1.5（4B）與醫療語音辨識模型 MedASR（2026 年 1 月 13 日），皆可在 Hugging Face 與 Vertex AI 免費用於研究與商業。MedGemma 1.5 4B 在多項醫學任務較 v1 明顯進步：MRI 判讀 51%→65%、實驗室報告擷取 F1 60%→78%、MedQA 推理 64%→69%、CT 分類 58%→61%。MedASR 針對臨床口述，在胸部 X 光口述上錯誤率 12.5%→5.2%（少 58%），跨科別口述 28.2%→5.2%（少 82%）。

MedGemma 系列是目前最被廣泛採用的開放醫學模型基底之一，也是本期第 4 則 Pillar-0 的直接對照組（Pillar-0 在影像上勝過 MedGemma，但 MedGemma 提供的是可微調的通用多模態底座）。值得關注的是 MedASR：醫療語音辨識的錯誤在臨床上代價極高（把 mg 聽成 mcg、把否定聽成肯定），而它把跨科別錯誤率壓到 5.2%、相對 Whisper large-v3 大減，對「AI 病歷書寫／臨床口述」這個當前最大落地場景很關鍵。放在技術週，它示範了「小而專、開放可微調」的另一條可行路線。提醒：此為 1 月釋出、屬本期技術背景，非本週新聞，日期已標示。

Google Research／DeepMind，Health AI Developer Foundations 系列；27B 版仍供複雜文字任務使用（Google Research 部落格）。

AgentClinic（npj Digital Medicine，2026 年 4 月 27 日）是一套多模態代理基準，用「病人代理／醫師代理／檢驗代理／裁判代理」四方系統，把 LLM 放進模擬診間，測其在資訊不完整下的循序臨床決策——問診、調度檢查工具、多輪對話、跨九科七語、23 種認知偏誤。資料取自 USMLE、MIMIC-IV 病歷與 NEJM 案例挑戰，含 215 般案例、120 多模態、260 專科、749 多語言案例。

它精準點出「考試分數」與「臨床能力」的鴻溝：同一批 MedQA 題目搬進循序互動格式後，準確率掉到原本的不到十分之一。也就是說，一個在靜態選擇題拿高分的模型，未必會問診、會在資訊不足時追問。研究也顯示工具的效果因模型而異（Llama-3 用 notebook 工具相對進步達 92%，有些模型反而退步），且非英語案例表現普遍較弱。放在本週脈絡：當醫療 AI 全面轉向「代理」，我們也需要「代理級」的基準——而 AgentClinic 這類設計，正是評估第 1、2、5 則那些代理系統時該用的尺，而不是舊的選擇題準確率。

學術基準（npj Digital Medicine, vol. 9, art. 499）。受測模型含 GPT-4／4o、Claude-3.5-Sonnet 等閉源，與 Llama、Mixtral、Meditron、OpenBioLLM 等開源，另有三名人類醫師作對照（全文、專案頁）。