2026 年 1 月 OpenAI 推出 ChatGPT Health，每週 2.3 億健康提問從暗流變明河，標誌 AI 進入醫療關鍵轉折，探討 OpenAI 健康領域發展的技術架構（GPT-5、HealthBench）、企業端佈局（OpenAI For…
2.3 億人的健康提問，從 Google 搜尋變成 AI 對話｜ChatGPT Health 重新定義醫病關係
2026 年 1 月 7 日，OpenAI 正式發布 ChatGPT Health，這不只是一個新功能的推出，而是人工智慧與醫療健康產業的重要轉折點；每週有超過 2.3 億人透過 ChatGPT 詢問健康相關問題，這個數字揭示了一個被長期忽視的現實：在漫長等待掛號及看診、醫師卻每次僅有少數問診時間的傳統醫療體系中，人們早已開始向 AI 尋求答案。OpenAI 不再只是被動接受這個趨勢，而是主動建構一個完整的醫療 AI 生態系統，試圖成為病人與醫療專業人員之間的智慧中介層。
為什麼是現在？OpenAI 進軍醫療的時機與背景
要理解 ChatGPT Health 的意義，必須先理解它出現的時機；從 2022 年 11 月 ChatGPT 問世以來，醫療健康一直是使用者最常詢問的主題之一，根據 OpenAI 的內部數據指出，每週有超過 2.3 億人向 ChatGPT 詢問健康相關問題，超過全球任何單一醫療體系的服務人次。人們詢問的問題從「這個藥物有什麼副作用」、「我的症狀可能是什麼問題」、「如何解讀我的抽血檢驗報告」到「該如何與醫師討論我的病情」，這個現象展現現代醫療體系的一個缺口：資訊取得的不對稱性。傳統上，醫療知識被封鎖在醫學院的教科書、文獻期刊、醫師的腦袋裡，病人在等待看診的過程中，往往處於資訊真空狀態，不知道自己的症狀可能是什麼疾病、不確定該問醫師什麼問題、甚至不知道出現的症狀是否值得就醫，Google Search 雖然填補了部分空缺，但搜尋結果的品質參差不齊，而且無法提供個人化、對話式的解答。
ChatGPT 改變了這個局面，能夠用自然語言回答問題、提供脈絡化的解釋、也不會因為問題太基本或被問太多次而失去耐心；對許多人來說，這是他們第一次有機會與一個「懂醫學」的對象進行真正的對話，問題是一般版本的 ChatGPT 並非為醫療場景設計，無法存取使用者的個人健康資料，也沒有經過專門的醫療安全性訓練，而 ChatGPT Health 正是為填補這個缺口而生，它的核心設計理念很簡單：讓人們能夠將自己散落在各處的健康資料 — 電子病歷、Apple Health 資料、營養追蹤 App、穿戴式裝置數據 — 集中到同一個地方，並透過 AI 的能力來理解這些資料背後的意義。OpenAI 應用執行長 Fidji Simo 在發布會上分享了一個親身經歷：她因腎結石住院後發生感染，住院醫師開了一種抗生素，但她將藥物資訊輸入 ChatGPT 並對照自己的病史後，AI 警告這款藥物可能會重新啟動她多年前曾經罹患的嚴重感染，「那位住院醫師鬆了一口氣，」Simo 說，「她告訴我每位病人只有幾分鐘的問診時間，而且病歷的組織方式讓她很難快速掌握全貌。」這個故事精準捕捉 ChatGPT Health 想要解決的痛點：現代醫療體系中，資訊是碎片化的，病人的檢驗報告在 A 系統、影像資料在 B 系統、穿戴式裝置的數據又在另一個 App 裡，而醫師在有限的問診時間內根本無法把這些拼圖拼湊完整、ChatGPT Health 試圖扮演的角色，是永遠有時間與耐心、能夠瞬間閱讀並理解所有資料的「智慧助理」。
從技術架構來看，ChatGPT Health 作為 ChatGPT 中一個獨立空間存在，擁有獨立的記憶系統（Memory）與隱私保護機制，使用者在這個空間中的對話、上傳的檔案、連結的 App 資料，都與一般 ChatGPT 對話完全隔離，健康資料和記憶不會流向 ChatGPT 的對話，但相關脈絡（例如最近搬家或生活型態改變）在必要時可以被帶入醫療空間以提供與當下情境更相關的回應；OpenAI 強調，Health 空間中的對話不會被用於訓練 Foundation Model，這是針對敏感健康資料的額外保護措施。
目前 ChatGPT Health 支援連結的資料源包括透過 b.well 平台連結的美國電子病歷（涵蓋超過 220 萬家醫療機構與 320 家健康保險 Plan）、Apple Health（需要 iOS 裝置）、Function（實驗室檢測與營養 Insight）、MyFitnessPal、Weight Watchers、AllTrails、Instacart、以及 Peloton，這個整合名單透露出 OpenAI 的策略意圖：不只是處理醫療資料，而是要涵蓋整個健康與生活型態的光譜，從正規的檢驗檢查報告解讀到日常的飲食建議與運動規劃。OpenAI 在所有官方文件中都強調 ChatGPT Health「不用於診斷或治療」、「設計來支持而非取代醫療照護」，這不只是法律免責聲明，也反映了當前醫療 AI 的監管現實與技術限制，ChatGPT Health 被定位為幫助使用者理解日常健康問題、識別長期 Pattern、為自己與醫師的對話做準備，而非直接提供醫療決策。至於可用性，ChatGPT Health 目前以 Waitlist 方式開放給一小群早期使用者，預計在未來幾週內擴展到所有 ChatGPT Free、Go、Plus、Pro 方案的使用者，然而 European Economic Area、瑞士、英國的使用者被明確排除在外，電子病歷整合與部分 App 連結功能也僅限於美國。
企業端的另一場戰役：OpenAI For Healthcare
如果說 ChatGPT Health 是 OpenAI 面向 23 億潛在消費者的佈局，那麼同時發布的 OpenAI For Healthcare 則是瞄準真正控制醫療資源配置的機構：醫院、醫療體系、醫療保險公司，這兩個產品看似針對不同市場，實際上是一體兩面的戰略：消費者端建立使用者習慣與品牌認知，企業端則掌握真正的臨床工作流程與收入來源。ChatGPT For Healthcare 是 OpenAI For Healthcare 產品線的核心，專為醫療機構的臨床、行政、研究人員設計，運行在經醫師主導測試與 HealthBench 評估的 GPT-5 模型上。
首先它具備透 Evidence Retrieval with Transparent Citations，會引用數百萬篇 Peer-Review 研究、公衛指引、Clinical Guideline，並標註文獻標題、期刊名稱、出版日期等詳細資訊，解決了醫療 AI 最被詬病的問題之一：無法追溯資訊來源，當一位住院醫師詢問某種罕見疾病的最新治療指引時，系統不只給出答案，還會告訴我們這個答案來自哪篇論文、發表在哪個期刊、什麼時候發表的。其次是與機構政策和照護路徑的整合能力，透過與 Microsoft SharePoint 等企業工具的連接，AI 的回應可以納入機構自己核准的政策、Clinical Pathway、操作指引，確保不同團隊執行的一致性；舉例來說，當護理師詢問某個 Procedure 的標準流程時，系統可以直接引用該醫院自己的 SOP，而非僅僅給出一般性的教科書答案。第三是 Reusable Workflow Templates，包括 Discharge Summary、病人衛教等常見任務的標準範本，減少臨床團隊重複撰寫的時間，對於每天要寫數十份出摘的住院醫師來說，可能每天節省一到兩個小時的文書工作時間。
在企業治理層面，ChatGPT For Healthcare 提供集中式工作空間，具備 Role-Based Access Control、透過 SAML SSO 與 SCIM 的組織範圍使用者管理，病人資料與 Protected Health Information 保持在機構的控制之下，提供資 Data Residency Options、Audit Logs、使用者管理的加密金鑰（Customer-Managed Encryption Keys）、與 OpenAI 簽訂 Business Associate Agreement 以支援 HIPAA 合規使用，與 ChatGPT For Healthcare 分享的內容目前不用於訓練模型。
首批採用 ChatGPT For Healthcare 的機構名單堪稱北美醫療界的明星陣容：AdventHealth、Baylor Scott & White Health、波士頓兒童醫院（Boston Children’s Hospital）、Cedars-Sinai 醫學中心、HCA Healthcare、Memorial Sloan Kettering 癌症中心、Stanford Medicine Children’s Health、以及加州大學舊金山分校醫學中心（UCSF），波士頓兒童醫院創新長 John Brownstein 評論：「我們與 OpenAI 合作打造客製化 Solution 的早期經驗讓我們能夠快速行動、在安全環境中證明價值、並建立穩健的治理基礎，ChatGPT For Healthcare 提供了一條通往營運規模的路徑，能夠支援臨床、研究、行政團隊進行廣泛且負責任採用的企業級平台。」
除了 ChatGPT For Healthcare 之外，OpenAI For Healthcare 還包括 OpenAI API For Healthcare，讓開發者能夠使用最新的 GPT-5.2 模型，將 AI 直接嵌入醫療系統與工作流程中，符合條件的客戶可以申請與 OpenAI 簽訂 BAA 以支援 HIPAA 合規需求，目前已有數千家機構使用 OpenAI API 建構 HIPAA 合規應用，包括 Abridge、Ambience、EliseAI 等公司，用於 Ambient Listening、自動化臨床文件、排程、與照護團隊協調等場景。
GPT-5 如何為醫療場景優化
理解 ChatGPT Health 的技術基礎，需要從幾個層面切入：基礎模型的能力、Healthcare-Specific 的 Fine-Tuning 與安全機制、以及評估框架 HealthBench。
GPT-5 是 OpenAI 目前最先進的大型語言模型，相較於前代 GPT-4，在推理能力、長文本處理、多輪對話一致性、減少幻覺方面都有顯著提升；在醫療應用中，這些改進尤其重要，醫療對話往往需要處理複雜的病史資訊（可能長達數百頁的病歷）、在多輪對話中保持脈絡的一致性（病人不會每次都重新描述自己的症狀）、而且絕對不能捏造不存在的藥物交互作用或治療指引。根據 Vectara 的基準測試，GPT-5 的幻覺率約為 1.4%，顯著低於 GPT-3.5 的 39.6% 和 GPT-4 的 28.6%，雖然這個數字在一般應用中已經相當優秀，但在醫療場景中，即使是 1.4% 的錯誤率也可能帶來嚴重後果，這也是為什麼 OpenAI 在 ChatGPT Health 中加入了額外的安全機制，包括強化來源引用、不確定性表達、在涉及緊急情況時主動建議就醫。
OpenAI 在過去兩年間與來自 60 個國家、涵蓋數十個專科領域、超過 260 位醫師密切合作，理解什麼樣的健康問題回應內容是有幫助的、哪些回答可能造成傷害，這群醫師已經提供 Model Output 超過 60 萬次回饋，橫跨 30 個醫療領域，這種協作不只是產品功能測試、也形塑回應的方式：何時應該緊急建議就醫、如何在不過度簡化的情況下清晰溝通、如何在關鍵時刻優先考慮安全等。
HealthBench 是 OpenAI 在 2025 年 5 月發布的開源評估框架，專門設計來衡量大型語言模型在醫療情境中的表現與安全性，與傳統的多選題測驗如 USMLE（美國醫師執照考試）不同，HealthBench 使用 5,000 段模擬使用者（一般民眾或醫療專業人員）與模型之間的多輪對話，配合 48,562 則由醫師撰寫的獨特評分準則（Rubrics），評估囊括緊急轉介（Emergency Referral）、全球健康、健康資料任務、脈絡探索（Context Probing）、針對不同專業程度調整溝通方式、回應深度、以及在不確定性下如何表達等多個面向。HealthBench 的設計理念是評估真實世界行為，而非僅僅測試醫學知識記憶，它會評估模型是否在應該建議緊急就醫時如實這麼做、是否在資訊不足時主動詢問更多脈絡、是否能針對不同專業背景的使用者調整解釋方式，OpenAI 使用 GPT-4.1 作為自動評分員，並經過與醫師判斷的驗證，達到 Macro F1 = 0.71 的一致性。
各模型在 HealthBench 上的表現呈現明顯世代差異：GPT-3.5 Turbo 得分 16%、GPT-4o 32%、最新的 o3 模型達到 60%，GPT-4.1 Nano 以更低的成本達到優於 GPT-4o 的表現；HealthBench Hard 是個包含 1,000 個特別困難案例的子集，目前沒有任何模型得分超過 32%，即使是最先進的模型仍有顯著改進空間。在 HealthBench 評估中，未經輔助的醫師產生的回應得分通常低於模型，但當醫師被要求改進模型生成的草稿時（特別是早期版本模型），能夠顯著提升回應品質，代表 Best Practice 可能是 AI 寫初稿、醫師審核修正，也就是所謂的人機協作（Human-AI Collaboration）模式。當然，HealthBench 也有明確的限制：它依賴生成對話而非實際臨床現場事件，不評估多模態資料（影像、檢驗結果變化趨勢、長期追蹤），且根據 JAMA Systematic Review，只有約 5% 的大型語言模型研究使用真實病人資料，在 HealthBench 上表現出色並不保證在真實世界臨床決策中同樣有效。
臨床應用實例：從糖尿病管理到癌症篩檢
技術能力需要透過實際應用場景來理解其價值，以下是幾個具體的臨床應用案例，展示 ChatGPT Health 類型的 AI 工具如何在不同疾病管理情境中發揮作用。
糖尿病管理是醫療 AI 應用最成熟的領域之一，全球約有 5.37 億人罹患糖尿病，DM 需要持續的自我管理，包括血糖監測、飲食控制、運動規劃、藥物調整等，傳統上病人每三到六個月回診一次，在診間與醫師討論血糖紀錄，然後帶著新的處方回家，但在兩次回診之間的日常生活中，病人往往獨自面對無數的決策：這餐可以吃多少碳水化合物？運動前要不要調整胰島素劑量？血糖飆高時該怎麼辦？
多項研究顯示，ChatGPT 能夠針對糖尿病自我管理的四個主要領域提供清晰、簡潔、有邏輯組織的回答：飲食與運動、低血糖與高血糖衛教、胰島素保存、胰島素施打技術；新加坡國立大學醫院的研究發現，ChatGPT 能夠回答所有被病人提出的問題，並在絕大多數情況下建議「諮詢您的醫療團隊」；當然研究人員也有觀察到一些失準的情況，例如將假性低血糖（Pseudohypoglycemia）誤解釋為不自覺低血糖（Hypoglycemia Unawareness），但整體而言，研究團隊認為 ChatGPT 可以幫助醫療人員減輕提供常規基本糖尿病病人衛教的負荷。
更進階的應用是結合連續血糖監測儀（Continuous Glucose Monitor, CGM）的資料分析，AI 可以幫助分析 CGM 產生的海量數據，識別病人可能沒注意到的模式，例如「每週三下午血糖都會偏高，可能與固定的會議壓力有關」或「睡前如果吃了含酒精的食物，隔天清晨會有低血糖傾向」，這種個人化的洞察在傳統照護模式中幾乎不可能獲得，醫師沒有時間逐一檢視每位病人數週的血糖曲線。
癌症篩檢是另一個 AI 正在發揮影響力的領域，Color Health 是一家結合基因檢測與 AI 的公司，在 2024 年與 OpenAI 合作開發「Cancer Copilot」，這個系統使用 GPT-4o 提供個人化的癌症篩檢與治療計畫，宣稱比沒有 Copilot 時能多識別四倍被遺漏的檢驗、影像、或切片結果，想像一位 55 歲的女性有乳癌家族史，她的電子病歷中散落著過去十年的乳房攝影報告、一次乳房超音波、幾年前做的基因檢測結果，過往新的醫師可能只會看到最近一次的檢查報告，忽略早期報告中提到的某個需要追蹤的小結節，AI 可以將這些資訊整合起來，提醒醫師「這位病人三年前有一個 BI-RADS 3 的 Nodule，後續追蹤狀況不明」。
心血管風險評估則展示了 AI 整合多元資料的潛力，一個人的心血管風險不只取決於膽固醇數值，還包括血壓趨勢、血糖控制、運動習慣、壓力程度、睡眠品質、甚至基因變異，ChatGPT Health 這類工具的價值在於，它可以同時存取來自不同來源的資料，包括 Apple Watch 的心率與活動數據、抽血檢驗報告、處方藥物清單 ，並提供整合性的風險評估。這類評估目前仍是輔助性質，最終的臨床決策仍需要醫師判斷，但它可以幫助病人在回診前就對自己的狀況有更全面的理解。
慢性病照護是個特別值得關注的應用場景，許多老年人同時患有多種慢性病（常見的有糖尿病、高血壓、慢性腎病、心臟衰竭等），他們可能同時看四五個不同的專科醫師，每位醫師開立的藥物可能產生交互作用，而每位醫師給同一個病人的建議可能互相矛盾；AI 可以扮演整合者的角色，幫助病人理解不同治療計畫之間的關係，識別潛在的藥物交互作用，甚至提醒病人「您的腎臟科醫師建議限制蛋白質攝取，但這與您的營養師建議的高蛋白飲食有衝突，下次回診時可以詢問如何調整」。
競爭者環伺：Google、微軟與新創獨角獸佈局
OpenAI 進入醫療領域並非在真空中發生，事實上這個領域早已是科技巨頭與創投激烈競爭的戰場；Google 與其子公司 DeepMind 在醫療 AI 領域投入最為深厚，Med-Gemini 是建構在 Gemini 模型 Family 上、針對醫療領域 Fine-Tune 的多模態模型 Series，在 MedQA（USMLE 風格題庫）達到 91.1% 的準確率，超越 GPT-4 與先前所有模型約 4.6 個百分點，Med-Gemini 的核心優勢在於真正的多模態能力：能夠解讀複雜的 3D Scanning（CT、MRI）、病理切片、醫學影像並生成放射科報告（比先前 Baseline 提升 12%）。2025 年，Google 還推出開源的 MedGemma ，基於 Gemma 3 的醫療文字與影像理解變體，設計作為下游醫療應用的基礎模型，這是個重要的戰略動作：透過開源，Google 希望建立一個圍繞其模型的開發者生態系，即使開發者最終選擇使用其他公司的 API 服務，他們仍然會傾向於使用與 MedGemma 相容的資料格式與工作流程。
Google Cloud 在企業醫療 AI 市場同樣積極佈局，主要合作醫療機構包括 Hackensack Meridian Health（使用多個 AI Agent 進行病歷摘要與事前授權自動化）、Highmark Health（超過 14,000 名員工使用生成式 AI 工具，處理超過 100 萬次 Notification）、西雅圖兒童醫院（基於 Gemini 建構的 Pathway Assistant 臨床指引工具）、WellSky（2025 年 9 月擴大合作，涵蓋超過 20,000 個照護據點）、以及 Color Health（2025 年 10 月合作擴展乳癌篩檢可及性），值得一提的是，Google 也與 b.well 建立合作關係，b.well 是 OpenAI ChatGPT Health 使用的健康資料連接 Infrastructure Provider，可能為 Google 未來推出類似消費者健康 AI 功能鋪路。
Microsoft 透過 2019 年收購的 Nuance 主導 Clinical Documentation 自動化市場，旗艦產品 Dragon Copilot（前稱 DAX Copilot）是 AI-Driven 的 Ambient 臨床文件解決方案，結合對話式、環境式、與生成式 AI 能力，這個系統已經在超過 1,000 萬次 Clinical Event 上訓練，與 200 多種電子病歷系統整合，目前在美國、加拿大、英國使用，並正在擴展到奧地利、法國、德國、愛爾蘭（2025 年 10 月），以及比利時、荷蘭（2026 年初）。每位臨床人員在每次 Event 中有機會節省 5 分鐘、文書工作時間減少 50%、使用者回報的倦怠感降低 70%，每間診所每天可增加 5 個額外約診，這些數字對於面臨人力短缺的醫療體系來說相當具吸引力。
Microsoft 與 Epic 電子病歷系統的深度整合是他們的獨特競爭優勢，DAX Copilot 已完整嵌入 Epic Haiku Mobile App、Hyperdrive、Canto，超過 150 家醫院與醫療體系正在使用，主要 Deploy 機構包括 UNC Health、Vanderbilt 大學醫學中心、UC San Diego Health、UW Health、史丹佛醫療照護，DAX Copilot 從定價來看約每位臨床人員每月 600 美元，加上一次性設定費（首位使用者 650 美元，額外使用者 250 美元），需以 Dragon Medical One 訂閱作為基礎。
在新創公司領域，幾家估值飆升的獨角獸也值得我們關注，在過去一年內寫的幾篇文章都有個別提到過。
Hippocratic AI 致力於非診斷性、面向病人的 AI Agency，在 2025 年 11 月完成 1.26 億美元 C 輪融資，估值達到 35 億美元，累計募資 4.04 億美元，投資人包括 Andreessen Horowitz、General Catalyst、Kleiner Perkins、NVIDIA NVentures、Google 的 CapitalG 等機構，Hippocratic AI 宣稱已有超過 1.15 億次臨床病人的互動對話，且零安全問題回報，客戶涵蓋克里夫蘭診所、西北醫學中心、紀念赫曼醫療體系等知名機構，他們的策略是專注在安全的非診斷性任務 ，例如提醒病人服藥、解釋檢驗報告、回答常見問題 ，而非試圖取代醫師的診斷工作。
Abridge 則聚焦在環境臨床文件，在 2025 年 6 月完成 3 億美元 E 輪融資，估值達到 53 億美元，已部署在超過 150 個醫療體系，每年支援超過 5,000 萬次醫療對話，涵蓋 55 個專科與 28 種語言；約翰霍普金斯醫學中心的 6,700 名臨床人員、6 家醫院、40 個病人照護單位都已經在使用 Abridge，公司的核心價值主張是讓醫師能夠專注於病人，而非電腦螢幕，AI 在背景聆聽醫病對話，自動生成符合格式要求的臨床病歷。
Ambience Healthcare 則將自己定位為 AI 作業系統，在 2025 年 7 月完成 2.43 億美元 C 輪融資，估值達到 12.5 億美元，產品套件包括 AutoScribe（20 秒生成病歷）、AutoCDI（ICD-10 編碼輔助）、AutoAVS（多語言出院摘要）、AutoRefer（專科轉介），克里夫蘭診所在與多家供應商進行正面對決測試後，與 Ambience 簽訂了 5 年獨家合作協議 ，這個背書對於醫療 AI 新創公司來說是極大的肯定。
對比這些競爭者，OpenAI 的差異化策略開始清晰，不專注於單一臨床任務（如 Nuance 的文件、Abridge 的環境病歷生成），而是試圖建立一個涵蓋消費者與企業、橫跨整個健康生命週期的平台，這個策略的風險是分散資源，優勢是建立生態系壁壘，一旦使用者習慣在 ChatGPT Health 中管理自己的健康資料，轉換成本會非常高。
FDA、HIPAA 與全球政策的複雜監管拼圖
理解醫療 AI 產品的監管環境，對於評估 ChatGPT Health 的可行性與限制十分重要，這個領域的監管框架正在快速演進，不同國家或地區採取截然不同的路徑，這也解釋了 ChatGPT Health 為何需要排除歐洲等地區。
美國 FDA 採取 Risk-Based 的監管架構處理 AI-Driven 的醫療設備，AI 軟體如果用於診斷、治療、緩解、處理或預防疾病，就被視為軟體醫療器材（Software As A Medical Device, SaMD），截至 2025 年 7 月，FDA 已授權超過 1,250 種 AI-Driven 的醫療設備上市，約 75% 與放射科相關，每年約有 100 種新設備獲批，絕大多數（97%）透過 510(k) 路徑取得核准，證明與現有設備 Substantial Equivalence。
然而，ChatGPT Health 這類產品處於監管的灰色地帶，FDA 新任局長 Marty Makary 在 2026 年 1 月 CES 大會上表示「僅提供資訊」的非醫療級穿戴設備與軟體將不受 FDA 監管，「我們想讓公司清楚知道，如果他們的設備或軟體只是提供資訊，可以在沒有 FDA 監管的情況下這樣做。」所以像 ChatGPT 這樣提供一般資訊的 AI 工具，只要不聲稱是醫療等級或臨床適用，就不會面臨 FDA 監督，這是 OpenAI 在所有文件中反覆強調「不用於診斷或治療」的根本原因，不只是法律免責聲明，而是維持監管豁免的關鍵聲明。
HIPAA 的適用範圍是另一個關鍵議題，許多人誤以為所有處理健康資料的 App 都受 HIPAA 保護，事實並非如此；HIPAA 只涵蓋「Covered Entities」（包括醫療機構、健康保險、結算中心）及其「Business Associates」，當消費者自願將個人健康資料上傳到 ChatGPT 這類應用時，這些資料並不受 HIPAA 保護，Center For Democracy And Technology 的 Andrew Crawford 提出警告：「OpenAI 宣布推出 ChatGPT Health 代表一些不受 HIPAA 隱私保護約束的公司將會收集、分享和使用人們的健康資料。」
這也是為什麼 OpenAI For Healthcare（企業版）與 ChatGPT Health（消費版）在隱私框架上有本質差異，前者提供 BAA 支援 HIPAA 合規使用，病人資料保持在機構的控制之下；後者則仰賴使用者自願同意，且明確聲明健康情境對話不會用於訓練模型，但本質上並非 HIPAA 合規。ChatGPT Health 排除歐洲經濟區、瑞士、英國的原因，可以從幾個監管層面理解，首先是 GDPR，健康資料被歸類為特殊類別資料，需要嚴格的處理保障措施，其次是 Medical Device Regulation，ChatGPT Health 可能被歸類為具有醫療目的的軟體而觸發合規要求，第三是 2024 年 8 月生效的歐盟 AI 法案，這是全球第一個全面規範 AI 的法律框架，大多數醫療 AI 設備被歸類為高風險，需要強制風險管理系統、資料治理與品質控制、人類監督機制、透明度與文件記錄、上市後監測、以及 15 天內向主管機關報告事故，違規罰款可達 3,500 萬歐元或全球年營業額 7%。在這種嚴格的監管環境下，OpenAI 選擇先在美國市場驗證產品，再逐步擴展到其他市場，是合理的風險管理策略。
臨床實證：AI 比醫師更準確嗎？
這可能是所有關於醫療 AI 的問題中最被頻繁詢問、也最容易被誤解的一個問題，真實答案比簡單的「是」或「否」複雜得多，取決於任務類型、比較對象、評估方式。2024 到 2025 年間一項涵蓋 83 項研究的 Meta-Analysis 發表於 Nature Digital Medicine 提供了目前最全面性的答案：生成式 AI 的整體診斷準確率約為 52.1%（95% 信賴區間：47.0–57.1%），與醫師整體相比 AI 沒有顯著差異（p = 0.10）、與非專科醫師相比也沒有顯著差異（p = 0.93），但 AI 顯著遜於專科醫師，準確率差距約 15.8 個百分點（p = 0.007）。
然而不同研究結果差異極大，2024 年 11 月發表於 JAMA Network Open 的一項研究，由史丹佛、維吉尼亞大學、哈佛研究團隊進行，涉及 3 家學術醫學中心的 50 位醫師，發現單獨使用 ChatGPT 的診斷準確率中位數達到 92%，而使用 ChatGPT 的醫師準確率為 76.3%、未使用 ChatGPT 的醫師為 73.7%，換言之在這個研究設計中，AI 本身表現優於「AI 加上醫師」或「個別醫師」，使用 ChatGPT 的醫師完成診斷平均快 46 秒（519 秒 vs 565 秒）。這個結果乍看之下有些反直覺，為什麼醫師加上 AI 的表現反而不如 AI 單獨的表現？可能的解釋是，醫師在某些情況下可能過度依賴自己的直覺而忽略 AI 的正確建議，或者在 AI 給出正確答案的情況下過度修正，所以我們可能更需要思索的是如何教導醫師有效地與 AI 協作，知道何時該信任 AI、何時該堅持自己的判斷。
類似的模式也出現在其他研究中，Beth Israel Deaconess 醫學中心的研究發現，ChatGPT-4 在 r-IDEA 臨床推理評分中獲得最高分（中位數 10/10），主治醫師中位數 9/10，住院醫師中位數 8/10，不過 AI 出現「完全錯誤」推理的情況比住院醫師還要更多，也就是說當 AI 犯錯時可能錯得更離譜；對於臨床應用來說，這是個需要特別注意的風險特性，AI 的錯誤往往不是差一點的錯誤，而很可能完全搞錯方向。
在同理心與溝通品質方面，AI 的表現出乎意料地好，加州大學聖地牙哥分校發表於 JAMA Internal Medicine 的研究發現，79% 的受試者偏好 ChatGPT 而非醫師回應，ChatGPT 被認為具有醫師約 10 倍的同理心；2023 到 2024 年間對 15 項研究的系統性回顧發現，13 項研究顯示 AI 聊天機器人獲得的同理心評分顯著高於人類醫療專業人員。不過這些結果需要謹慎解讀，AI 的「同理心」是經過訓練的文字表達模式，而非真正的情感理解，在文字評估中表現良好，不代表在面對面互動中同樣有效，更重要的是這些研究多數使用模擬情境或短期評估，長期健康結果的資料仍然非常有限。
真實世界的採用數據呈現積極趨勢，根據美國醫學會（American Medical Association, AMA）2024 年調查，66% 的美國醫師在工作中使用健康 AI（較 2023 年的 38% 成長 78%），68% 認為 AI 對病人照護有正面貢獻，主要應用場景依序為：帳務與病歷編碼文件（21%）、出院衛教、照護計畫與每日病程病歷（20%）、翻譯服務（34%）、摘要醫學研究（32%）、輔助診斷（31%）。
醫病關係與倫理議題：誰負責？誰受益？
醫療 AI 的快速發展帶來了一系列倫理與實務問題，這些問題沒有簡單的答案，但對於醫療專業人員與病人來說都十分重要。首先是醫師專業自主權（Professional Autonomy）的問題，當 AI 的建議與醫師的判斷不同的時候，誰該做最終決定？如果醫師選擇不採納 AI 的建議而病人出現不良結果，醫師是否需要負責解釋為何不聽從 AI 的建議？反過來看，如果醫師過度依賴 AI 的建議而忽略了自己的臨床判斷，是否構成醫療疏失？這些問題在現行法律框架下並沒有明確答案。一項關於大腸鏡檢查的研究發現依賴 AI 輔助偵測瘜肉後，醫師在沒有 AI 輔助時的準確率反而降低，這種去技能化（De-skilling）的風險可能意味著 AI 輔助一旦開始使用就很難停止，因為醫師的「裸眼」能力已經退化，對醫學教育有重大影響，我們應該如何訓練下一代醫師？要有多高比例強調傳統的診斷技能、又該多麽著重於如何有效與 AI 協作？
知情同意（Informed Consent）是另一個需要重新思考的議題，當 AI 參與病人的照護決策時，病人是否應該被告知？如果使用的 AI 系統曾經在某些族群中表現較差，病人是否有權知道這個資訊？ChatGPT Health 目前的做法是在界面上明確標示「不用於診斷或治療」，但這種聲明是否足以讓一般使用者真正理解其限制？健康資訊識讀素養（Health Literacy）的差距可能會因為 AI 的普及而擴大，對於能夠精準描述症狀、上傳完整病歷、理解 AI 回應的使用者，ChatGPT Health 確實能提供很大的價值，但對於健康素養較低的族群（往往也可能是最需要醫療資源的人們），他們可能無法有效地使用這類工具，甚至可能因為誤解 AI 的回應而做出錯誤的健康決策。
健康平等（Health Equity）是一個必須正視的隱憂，2024 年對 692 種 FDA 核准 AI 與機器學習醫療設備的回顧性研究發現，只有 3.6% 報告種族或族裔資料，99.1% 沒有提供社經資料，81.6% 未報告研究對象年齡，意味著我們對這些 AI 系統在不同人口群體中的表現所知甚少。NAACP 在 2025 年底發布 75 頁報告，呼籲公平優先標準，包括偏見稽核、透明度報告、社區治理委員會；資源充足的醫療體系採用 AI 的速度遠快於服務資源不足社區的機構，這可能加劇現有的健康差距，台北市的某個大型醫學中心可能已經部署了最先進的 AI 輔助診斷系統，但偏鄉地區的衛生所可能連基本的電子病歷系統都不完整，如果 AI 確實能提升照護品質，那麼採用速度的差異將進一步拉大城鄉之間的健康差距。
隱私與資料安全則是最直接的顧慮，將自己的病歷、基因資料、生活習慣等敏感資訊上傳到商業公司的伺服器，即使該公司承諾不會用於模型訓練，仍然存在資料外洩、未經授權存取、或未來政策改變的風險，對於台灣使用者而言，當資料跨境傳輸到美國伺服器時，本地法律保護的效力如何？如果發生資料外洩，台灣的消費者是否有任何法律救濟途徑？
台灣的機會與挑戰
將全球趨勢放在台灣脈絡下理解，對於本土醫師與生醫投資者而言最具實務意義，台灣在醫療 AI 領域擁有幾項獨特優勢，首先是全民健保資料庫這個涵蓋 99% 人口、自 1995 年運作至今的單一給付者系統，累積了縱貫性健康資料，健保 IC 卡儲存個人病史、MediCloud 系統提供雲端資料共享防止重複檢查、健康存摺讓民眾存取自己的電子病歷、國民健康保險研究資料庫（NHIRD）提供 230 萬人口樣本的去識別化資料供研究者使用，這種資料完整性在全球相對罕見，美國因為多方醫療給付者系統導致資料極度碎片化、歐洲因為各國系統不互通而難以進行大規模研究。再來是台灣在半導體與 ICT 產業的全球領先地位，可以轉移到 Edge AI 醫療設備與基礎設施建設，當醫療 AI 需要在本地設備上運行以保護隱私時，台灣的晶片製造能力就成為戰略優勢；最後是成熟的物聯網與設備供應鏈，以及高度普及的電子病歷採用。
上週聊到的 2024 年健保署與 Google 合作 AI-On-Diabetes Management 是台灣第一個國家級 AI 醫療專案，使用 Google Cloud 的 MedLM 與 Vertex AI 平台，目標是為 130 至 200 萬第二型糖尿病病人預測併發症風險，預測時間點可達數年之前，並整合「家庭醫師計畫 2.0」，未來計畫擴展到高血壓、高血脂、癌症管理，展示了台灣健保資料的獨特價值，Google 願意與台灣合作，正是因為台灣擁有他們在其他市場難以取得的大規模縱貫性健康資料。
衛生福利部成立的三個 AI 中心反映了政策優先順序：負責任 AI 執行中心（資料安全、隱私保護、AI 透明度、生命週期管理）、臨床 AI 認證驗證中心（加速目前超過 1 年的 TFDA 認證流程、跨醫院合作）、AI 影響研究中心（AI 醫療應用的健保給付、跨專業臨床試驗），台大醫院的臨床 AI 取證驗證中心建立了跨院資料互通機制，與輔大醫院、桃園敏盛醫院形成聯盟，目標是成為可提供完整資料且具效率之驗證中心，單一窗口的認證模式可能大幅降低台灣醫療 AI 新創公司取得 TFDA 認證的門檻。
台大醫院的 AI 應用發展也相當積極，早在 2020 年即導入兩部 AI 運算主機，建立醫療大型語言模型與多模態語言模型，開發智慧疾病分類編碼系統、檢查報告撰寫助手、風險預測、問答系統等醫療場域落地應用，2024 年與 NVIDIA 攜手合作，討論神經外科、影像醫學等的 AI 醫療合作，台大醫院遠距照護中心更在開發「數位護理師」功能，結合語音、症狀、與生理參數等綜合診斷，根據症狀給予非處方用藥或藥物調整建議，最後將對話過程自動總結，紀錄於電子病歷中。
台灣本土的醫療 AI 新創公司也開始嶄露頭角，雲象科技（aetherAI）是亞洲領先的醫療影像 AI 公司，專注於 Digital Pathology 與 AI 輔助診斷，2024 年 11 月成功掛牌興櫃（股票代碼：7803），2025 年 B 輪募資 7.65 億新台幣，由中華開發資本、廣達電腦、台灣企銀創投、國泰創投領投，核心產品包括 aetherSlide 數位病理平台、aetherAI Hema 骨髓抹片分析系統（已獲衛福部與歐盟 CE 核准，為該領域全球首例同時獲兩地認證的 AI 醫材）、以及 aetherAI Endo 大腸瘜肉偵測系統，客戶涵蓋台大醫院、長庚醫療體系、台北榮總、德國圖賓根大學醫院、日本國立癌症研究中心東病院等國內外頂尖醫療機構。雲象科技創辦人葉肇元是台大醫學系畢業、南加州大學病理學博士，公司從台灣市場起步，透過與醫學中心的合作建立臨床實證，再逐步擴展到日本、德國等國際市場，醫學中心 + 新創公司的合作模式可能是台灣醫療 AI 產業的未來普遍發展路徑。
不過挑戰同樣不容忽視，台灣自 2018 年進入高齡社會（65 歲以上人口超過 14%）、2025 年進入超高齡社會（超過 20%），醫療人力短缺嚴重，每萬人口僅 64.5 名護理師與 25.5 名醫師（約 44% 的缺口），慢性病影響 50% 人口，超過 700 萬人同時管理 2 種以上慢性病，慢性病佔健保支出約 40%（超過 3,500 億新台幣），這些結構性問題使得醫療 AI 不只是「有則更好」的創新，而是「沒有不行」的必要工具。然而，70% 的高階醫療設備仍仰賴進口，本地產業集中在中低階產品，這既是挑戰也是機會，如果台灣能將 ICT 優勢轉化為 AI 醫療設備，有機會改變這個格局。個人資料保護法（PDPA）在 2022 年憲法法庭判決後強化，個人資料保護委員會（PDPC）預計在 2025 年底前成立，允許個人選擇退出個人資料使用，對醫療 AI 發展是雙面刃，一方面提升資料使用的合法性基礎，另一方面增加合規成本與複雜性。
估值邏輯、商業模式與進場策略
醫療 AI 是個充滿機會但也充滿陷阱的領域，理解這個領域的估值邏輯、可持續商業模式、以及進場時機，對於做出明智的投資決策很重要；從市場規模來看，全球醫療 AI 市場預計到 2030 年達到 1,100 至 1,900 億美元，年複合成長率約 38%，2025 年上半年 62% 的數位健康創投資金流向 AI 相關新創公司（39.5 億美元），AI 交易平均規模 3,440 萬美元，比非 AI 新創公司高 83%；2025 年第一季新增 6 家醫療 AI 獨角獸，超過 2024 全年，顯示資本市場對醫療 AI 的熱情持續高漲。然而，高估值也意味著高期望與高風險，醫療 AI 的商業模式面臨幾個獨特挑戰。
首先是銷售週期長，醫療機構的採購決策通常需要經過層層審核，從臨床驗證、IT 整合評估、法規合規審查、到預算審批，一個大型醫院的採購決策可能需要一到兩年，因此醫療 AI 公司需要足夠的現金儲備來支撐漫長的銷售週期。接著是定價壓力，醫療機構的預算有限，而且習慣於購買硬體設備而非訂閱軟體服務，說服一家醫院每年支付數十萬美元訂閱費用購買看不見摸不著的 AI 軟體，比說服他們購買一台新的 MRI 機器更困難，這也是為什麼許多醫療 AI 公司採取成效付費（Pay-For-Performance）或節省分潤（Shared Savings）模式，只有當 AI 確實為醫院節省成本或增加收入時才收費。第三是臨床驗證的高門檻，與消費者 AI 應用不同，醫療 AI 需要嚴謹的臨床試驗來證明其安全性與有效性，試驗需要時間、金錢、與醫學中心的合作關係，沒有臨床實證支持的醫療 AI 產品，很難獲得醫療機構的信任。最後是監管不確定性，如前所述，醫療 AI 的監管框架仍在演進中，一個產品可能在今天不需要 FDA 核准，但明天因為監管政策改變而需要重新申請，這種不確定性對公司估值有負面影響。
有幾個進場策略值得考慮，投資本土新創是最直接的方式，雲象科技（7803）是目前唯一上市的台灣醫療 AI 公司，可作為觀察指標，但投資者需要注意的是，興櫃股票流動性較低，而且公司仍處於虧損階段，需要持續關注其商業化進度與現金流狀況；未上市的台灣醫療 AI 新創公司也值得關注，但需要透過創投基金或天使投資網絡才能接觸。投資海外龍頭是另一個選項，Microsoft（透過 Nuance）、Google（透過 Google Cloud 與 DeepMind）、Amazon（透過 AWS Healthcare）都在醫療 AI 領域有重大佈局，投資這些公司可以獲得醫療 AI 曝險，但風險是醫療 AI 只佔這些公司營收的一小部分，股價不會完全反映醫療 AI 的成長。
投資醫療 AI ETF 或主題基金是分散風險的方式，目前市面上有幾檔專注於數位健康或醫療科技的 ETF，但需要仔細檢視其成分股是否真正聚焦於醫療 AI，還是涵蓋了過多的傳統醫療設備公司；投資受益產業鏈也是一種策略，半導體（提供 AI 運算所需的晶片）、雲端服務（提供 AI 部署的基礎設施）、資料安全（提供醫療資料保護的解決方案）都是醫療 AI 發展的受益產業，這些產業的風險較低，因為即使某一家醫療 AI 公司失敗，整體產業的成長趨勢仍會支撐這些上游供應商的需求。
未來 20 年的技術與市場演進
預測未來是危險的事業，但某些趨勢已經足夠清晰，值得認真對待。從技術發展看，多模態 AI（Multimodal AI）將是下一個重大突破，目前的醫療 AI 主要處理文字，但真正的臨床決策需要整合影像檢查、檢驗數據、基因體資料、穿戴式裝置數據、甚至即時感測器 Data Flow，Med-Gemini 在乳癌檢測中達到 90% 敏感度（超越放射科醫師的 78%）已經展示潛力，挑戰在於資料碎片化、互通性問題、運算需求、跨模態同步、以及在臨床決策中需要 Explainable AI。
AI Agents 在醫療工作流程中的市場正在快速成長：2024 年 5.39 億美元，預計到 2030 年達到 49.6 億美元（年複合成長率 45.56%），這些 Agents 整合大型語言模型的生成回應能力、自主推理、記憶、規劃、與迭代學習，應用場景從環境 Note Writing 擴展到病人 Interaction（Hippocratic AI 與 WellSpan Health）、病人報到時間減少 90%（Notable Health）、自動排程與轉介（Innovaccer）。
數位孿生（Digital Twins）整合基因體學、影像、穿戴式裝置、臨床病歷記錄的病人虛擬表徵，正在從概念走向實踐，市場規模預計從 2025 年的 28.1 億美元成長到 2030 年的 113.7 億美元（年複合成長率 32.31%）；NVIDIA 與 Novo Nordisk 在 2025 年 6 月合作進行 AI Drug Discovery，Twin Health 的全身數位孿生平台用於糖尿病與肥胖管理，Unlearn AI 募資 5,000 萬美元優化臨床試驗；66% 的醫療高階管理人員計畫在未來 3 年投資數位孿生技術，未來醫師可能會先在病人的數位孿生上模擬不同治療方案的效果，再決定要使用哪種治療。
Edge AI 正在將智慧從雲端下放到醫療設備本身，技術優勢顯著，延遲從雲端的 100 毫秒降至邊緣的 5 毫秒，邊緣啟用穿戴裝置每天傳輸 217KB 對比原始感測器資料 4.2GB（減少 97.4% 頻寬），電池壽命從 1.8 天延長至 7.2 天，應用於 ECG 貼片、血糖監測、心律不整檢測、低血糖事件預測等場景，對於台灣的半導體與 ICT 產業來說，這是一個天然的機會領域。
從產業結構來看，價值導向照護（Value-Based Care）與 AI 的結合正在加速，全球價值導向醫療市場從 2023 年的 122 億美元預計成長到 2031 年的 434 億美元，AI 使從被動反應式照護轉向主動式族群健康管理成為可能，透過預測分析識別高風險病人，在疾病惡化前進行介入，這種模式改變的不只是技術，而是整個醫療服務的商業模式與誘因結構。
三個需要持續追問的問題
ChatGPT Health 的發布，是個值得長期追蹤而非一次性評價的事件，在這個時間點，有三個問題值得我們持續關注。
第一，消費性健康 AI 的安全邊界在哪裡？OpenAI 反覆強調「支持而非取代醫療照護」，但在一個每週有 2.3 億人詢問健康問題的平台上，這條線實際上如何維持？當使用者忽視「請諮詢醫師」的建議時，責任如何歸屬？當 AI 的建議與醫師意見不同時，病人如何判斷？這些問題沒有簡單答案，但答案的演進將決定這個產業的走向。
第二，隱私與個人化的交換是否值得？ChatGPT Health 的價值主張建立在資料整合之上 ，將我們的病歷、穿戴式裝置數據、營養追蹤全部餵給 AI，換取更相關的回應；但這些資料一旦離開你的控制，會發生什麼事呢？OpenAI 承諾不用於訓練基礎模型，但法律訴訟中的證據開示呢？未來商業模式改變後呢？對於台灣使用者而言，當資料跨境傳輸到美國伺服器時，本地法律保護的效力如何？
第三，台灣醫療體系準備好了嗎？全民健保的資料優勢、ICT 產業的技術能力、政府的政策支持，是台灣發展醫療 AI 的良好基礎，但真正的挑戰在於台灣的醫療機構是否有足夠的 IT 基礎設施與治理能力來部署這些工具？醫師是否接受過使用 AI 輔助臨床決策的訓練？病人是否理解 AI 輔助照護的性質與限制？監管機構是否有能力在鼓勵創新與保護病人之間取得平衡？
這些問題沒有標準答案，但提出問題本身就是理解這個快速演變領域的開始；對於台灣的醫師而言，現在是開始熟悉這些工具、理解其能力與限制、思考如何將其整合到臨床實踐中的時刻。這個領域的資本密集度與競爭激烈程度都在快速上升，我們也需要更精準地識別哪些應用場景在台灣市場有真實需求、哪些公司有可持續的競爭優勢。醫療從來不只是技術問題，而是技術、人性、制度、與經濟交織的複雜系統，ChatGPT Health 的出現，提醒我們這個系統正在經歷重組，無論我們對此感到興奮還是憂慮，理解正在發生的事情，是做出明智選擇的第一步；站在 2026 年的這個時間點往前看，未來 20 年的醫療 AI 發展很可能會讓今天的討論顯得幼稚，但正如所有重大技術變革一樣，我們只能從現在開始，不要只是旁觀，而是積極參與這場正在發生的變革。
當 OpenAI 讓 2.3 億人的健康提問從暗流變成明河，我們站在的不只是技術更迭的節點，而是醫療權力重新分配的起點；ChatGPT Health 試圖回答一個被醫療體系長期迴避的問題：為什麼病人必須在資訊真空中等待，而 AI 可以瞬間讀完所有病歷卻不能發言？這個問題的答案將重塑醫病關係的本質。台灣站在一個微妙的位置上，我們擁有全球羨慕的健保資料完整性、半導體產業的技術優勢、迫在眉睫的高齡化壓力，這三股力量交會之處，既可能孕育出本土醫療 AI 的突破性應用，也可能因為監管僵化或人才外流而錯失時機。雲象科技的興櫃只是開始，真正的考驗在於我們能否建立一個讓臨床需求、技術創新、與監管智慧三者共舞的生態系。醫療 AI 不會取代醫師，但懂得使用AI的醫師會取代不懂的醫師；同樣地，能夠有效整合 AI 的醫療體系會取代無法適應的體系。這是一場馬拉松而非短跑，耐心比熱情更重要，現在學習與 AI 協作的成本，遠低於未來被迫適應的代價；當 AI 開始參與每個人的健康決策時，理解它能做什麼、不能做什麼、以及誰該為結果負責，不再是選修課，而是生存技能。
— –
📒 Compiled by — 台中慈濟醫院復健科 R4 陳佳菁醫師 Sigrid Chen, PM&R Resident Physician at Taichung Tzu Chi Hospital, Taiwan; Former Medical Consultant at ASUS Intelligent Cloud Services.