精神病学为何需要专属AI模型：通用大语言模型的局限

临床现实与工具错位

精神科医生在复杂病例中会私下把记录粘贴进ChatGPT等通用模型，求摘要或问诊断问题。这种自下而上的使用说明需求真实存在，也暴露了局限：这些模型训练于互联网文本和日常对话，而非精神科临床数据。

通用模型在肿瘤分期、药物相互作用核查、影像分类等有明确编码路径的场景表现良好。精神科治疗却是迭代的、大体靠试错，疗效依赖长期观察下的主观临床判断，模型往往难以调和矛盾或含糊的临床信息。

症状必须放回语境

患者说“我睡不着”，可能是睡眠障碍，也可能是抑郁、躁狂、焦虑、精神病性症状或药物作用带来的主观感受。区分它们需要病史、当前治疗和更完整的临床图景。

语音本身也是信号：节奏、停顿、言语中断、 pressured speech、思维阻断、离题，都带诊断分量。通用模型主要处理文本，能分析转录稿，却抓不住声音与行为的完整信息；Whisper一类系统在神经精神科患者身上可靠性明显下降，近似转录可能不只是不完美，而是临床误导。

借鉴生物医药的路径

文章以生物医药作类比：把通用AI改造去适应生物学，即便用科学文献重新训练，模型仍是在文本描述上推理，而非直接面对生物学本身。该领域的答案是直接在序列、结构、组学等生命原始数据上训练新一类模型。作者认为精神科面对同样的现实。

专用模型的三项能力

作者主张建立围绕精神科完整信号训练的模型：不只文本，还包括语音、行为、临床病史与纵向变化。跨抑郁、双相、精神分裂症等不同病理训练，可让模型更好处理精神科常见的异质性；多模态基础架构则有望统一音频等信号。文章强调，用更多医学文本训练，不等于为精神科特有信号而建。