前几天看到上观新闻的一篇新闻，不由唏嘘。一位31岁的女工程师，疑因听信 GPT-4o 给出的医疗建议，擅自停用了抗癫痫药物，最终离世。她的父母已经起诉了 OpenAI。
用不用AI询问医疗问题，在医疗界和病人之间，显然会有迥异的态度。
所以才会有了下面的梗图。
以及有人复刻了中文版梗图。
然而作为普通人，面对麻烦的问诊过程，终究克制不住问AI——考虑到某些初级医生都要问AI，这也未必完全无益。
但前提，是问对，避免被忽悠。
我拿一个很具体的问题做了测试：老年人患了大肠癌，治疗或者康复过程中，会不会引发帕金森？
这种问题如果直接去普通搜索引擎搜，大概率会搜出一堆语焉不详的健康养生号，甚至被某些断章取义的“肠脑轴”科普吓得心惊肉跳。换作现在，不少人会选择直接问大模型。
老实说，哪怕你是用豆包，或许也比直接用搜索引擎更安全。下图是不加任何约束、直接把问题丢给豆包的结果，至少这一次，它参考的几乎都是 PMC、PubMed 上的英文文献，绕开了满屏的养生号。
但用 AI 查严肃医疗问题，最让人提心吊胆的，永远是大模型的幻觉：语气无比专业、冷静、条理清晰，给出的结论却毫无根据，甚至还能随手编造几篇看似高大上的学术论文。
为了把这个疑问搞清楚，我顺手做了一次实测。同一条加了约束的提示词，同时扔给了 Gemini、DeepSeek 和豆包；跑完之后，再请外部模型顺着它们给出的线索去学术数据库逐篇核对，最后又换一个模型对核对结果做了二审。
结果不仅很有意思，甚至有点出乎我最初的预料。
给 AI 戴上一道紧箍咒
问专业问题，提示词里多加几句约束，效果往往天差地别。
面对这种涉及疾病因果关联的问题，我的习惯是明确给它定下两道规矩：
-
必须基于权威循证医学研究的结论；
-
只要提到论文，必须同步给出 DOI。
这里要多花两句解释下，很多人可能不知道 DOI 是什么。
DOI 的全称是 Digital Object Identifier，直译过来是“数字对象唯一标识符”。你可以把它理解成学术论文在全世界的“终身身份证号”。
一篇论文发在哪个网站、排版怎么变、网址链接会不会失效，都不影响它的 DOI。只要在浏览器里输入 doi.org/ 加上这串字符，就能直接跳转到出版商的官方原始页面。
要求 AI 给出 DOI，是我用来检验它有没有胡说八道的一块试金石。
大模型如果要凭空捏造一篇论文，编一个像模像样的英文标题并不难；但要编出一串真实存在、且刚好对应这篇论文的 DOI，概率极低。有了 DOI，我们花几秒钟去 Crossref 或 PubMed 上一查，它是真有据可循，还是在信口开河，立马现形。
带着这个要求，三个模型的回答都交卷了。
一次耐人寻味的交叉核对
在核心医学结论上，三个模型的大方向其实都没跑偏：目前没有循证证据表明大肠癌会诱发帕金森病；相反，多数流行病学数据还显示两者存在某种“负相关”（患其中一种的人，患另一种的概率反而略低）。至于这种负相关有多少是真的生物学关联，有多少来自吸烟习惯、筛查频率、竞争性死亡这些偏倚，学界还没有定论。
但一旦进入到文献出处和 DOI 的真伪核对，三者的表现就拉开了差距。我先用基于Kimi K3后训练的SWE-2做了一审。
DeepSeek 的敏锐与翻车
老实说，DeepSeek 的回答在方法论上是相当敏锐的。
它一眼看出了这类研究的一个常见盲区：医学界绝大多数高质量队列研究，探讨的都是“先确诊帕金森的人后续患癌风险如何”，极少有大规模前瞻研究专门追踪“肠癌幸存者后续得帕金森的概率”。它明确指出了这个证据方向上的不对称，提醒读者不要随意反推。
可惜，在提供文献 DOI 时，它栽了个不大不小的跟头。
DeepSeek 列了三篇文献。其中一篇来自韩国的全国性队列研究，它给出的 DOI 是 10.1038/s41531-023-00545-6。我顺着这串编号去数据库一查，这篇真实存在的文章根本不是讲癌症与帕金森反向关系的，而是讲“脑深部电刺激对帕金森患者驾驶能力的影响”。
耐人寻味的是，DeepSeek 自己在括号里加了一句注释：“根据期刊与年份推断，原文未直接列出”。
也就是说，它记住了这篇韩国研究发在 Nature 旗下的 npj Parkinson’s Disease 上，但没搜到确切后缀，于是按照该刊的编号规则自行“推断”（其实就是猜）了一个。真实的那篇论文其实是同一卷里的 s41531-023-00562-5。
这种“高智商幻觉”往往比胡乱编造更隐蔽。
Gemini 的稳健与瑕疵
Gemini 在这道题上的表现展现了它一贯的数据检索功底。
它一共给出了 5 篇文献，5 个 DOI 经查验全部真实有效，标题逐字吻合。
从证据链条来看，Gemini 的组织也很完整：从覆盖 1700 万人的超大样本 Meta 分析，到用双向孟德尔随机化（Mendelian Randomization）从基因层面做因果推断。其中那篇双向因果推断的研究，恰恰是少数直接检验了“结直肠癌遗传易感性是否会诱发帕金森”的工作，结论是没有找到因果证据。不过“没找到”不等于“不存在”，而且它测的是遗传易感性，管不到化疗、手术这些治疗本身的影响。
Gemini 还列了一张很实用的鉴别清单：大肠癌患者治疗期间如果出现手抖、动作变慢，先排查奥沙利铂的神经毒性、止吐药引起的药物性帕金森综合征等等。老年人化疗期间常用的胃复安（甲氧氯普胺）这类止吐药，确实可能诱发帕金森样症状。我的问题里恰好有“治疗或者康复过程中”几个字，三家里只有 Gemini 接住了。
瑕疵也有。它引用的其中一篇发表在 Aging 期刊上，这本期刊 2024 年已被 Clarivate 剔除出 SCIE，而且那篇用的是未经校正的风险比，证据权重要打点折扣。更大的问题，要到二审才浮出水面，后面再说。
一审领先的豆包
最让我感到意外的是豆包。
实测前我并没有对它抱过高预期，但第一轮核对下来，它的答卷看上去是三者中最漂亮的一份。
豆包给出的 4 个 DOI 全部准确无误。它引用的关键数据，比如宾夕法尼亚大学团队那项巢式病例对照研究里的比值比（OR 0.74），与 PubMed 上的原始摘要分毫不差。
更难得的是，豆包在临床概念上做了一个很清楚的区分。
一是原发性的特发性帕金森病，没有证据表明大肠癌会诱发它；
二是文献里有过个案，结肠癌发生多发脑转移后，患者出现了动作迟缓、肢体僵硬等帕金森样表现，这叫继发性帕金森综合征，是转移灶的占位效应引起的，跟帕金森病不是一回事。
对于拿着家属病情来咨询的普通人，这个区分很管用。家属遇到意外症状时，至少知道还有这样一种需要排查的可能，不至于胡乱归因。
二审才看出的破绽
如果故事停在这里，结论就是“豆包最好”。
但医疗问题，我不太放心只过一道手。于是我把三家的回答连同第一轮核对结果，一起交给Claude Opus 5.5做二审。这次不只核 DOI，而是逐篇调出 PubMed 摘要，拿原文去对模型的每一句转述。
二审揪出来的问题，DOI 核对一个也查不到。
Gemini 把那篇结肠镜研究说成“前瞻性队列研究证实”不增加风险。摘要写得清清楚楚，这是一项回顾性的医保数据分析；未校正时，做过诊断性肠镜的人帕金森风险反而高出三成（HR 1.31），校正混杂因素和死亡后才转为“不增加”，作者自己也承认这可能只是做筛查的人生活方式更健康。“回顾性”说成“前瞻性”，“未发现增加”说成“证实不增加”，在循证医学里差着好几个台阶。
豆包的问题更隐蔽。那项巢式病例对照研究测的是“先得帕金森，后患结直肠癌的风险”，豆包却拿它来证明“不存在肠癌促发帕金森的趋势”，方向整个反了过来，这恰恰是 DeepSeek 提醒过不要犯的错。它引用的那篇 2025 年综述，摘要原文说的是“研究结果不一致”，甚至有研究认为帕金森患者结直肠癌风险更高，豆包却概括成“主流为负相关”。
回头再看 DeepSeek，DOI 猜错了一个，但它转述的三个数字（RR 0.74、aHR 0.56、aHR 0.88）与摘要全部吻合。至于它说的“研究方向错位”，二审在 PubMed 上检索了一圈，确实没找到专门追踪“结直肠癌患者后续是否发生帕金森”的队列研究。
更有意思的是，第一轮核对本身也没过关。一审模型在报告里写了一句 Gemini 的数据“抽查无误”，实际上并没有逐条查；负责核对的模型，自己也会说过头。
三家各有破绽。豆包赢在 DOI 和概念区分，Gemini 赢在临床实用，DeepSeek 赢在方法论的清醒。没有哪一家可以单独信任。
多问一句的成本
这次随手做的对比，其实印证了我自己日常使用 AI 时的一个基本原则：面对严肃问题，绝不迷信单一模型，更不把 AI 当作终审法官。
真遇到人命关天或专业度极高的事情，我现在大致按这几步走。
首先是给它设死规矩。问医疗、法律或专业学术问题时，提示词里务必加上“循证依据”和“索要 DOI / 官方条款编号”。给它一个不可模糊的锚点，能大幅压缩它信口开河的空间。
其次是多家对比。同一个问题同时发给两三个不同背景的模型。结论一致，可信度会高一些；出现分歧或者引用打架，往往就是需要深挖的地方。这次三家的大方向一致，但各自的破绽完全不重合，只问任何一家，都会照单全收它的错误。
再次是引入外部模型审校。拿到几家的回答后，交给一个能联网、能调数据库的 Agent，先核 DOI 是否对得上篇目，再调出摘要，逐句核对转述有没有说过头、因果方向有没有搞反。DOI 只能证明论文存在，证明不了模型读懂了论文。审校的模型自己也会出错，所以最好再换一个模型复核一遍，越是敏感的问题，越值得多过一道手。
大模型确实是极其强大的文献初筛工具，它能在几秒钟内把分散在各处的医学证据梳理成型。
但只要涉及真正的健康与诊疗，带着它梳理出来的线索去向专业医生求证，永远是不可省略的那一步。
本文对文献的评述由基于Kimi K3后训练而来的SWE-2完成，并经 Claude Opus 5.5 逐篇调阅 PubMed 摘要进行二审；由Gemini 3.7 Flash成文，本人略有改动。