當你走進診間，醫生注意的不只是你說了什麼——他會觀察你的咳嗽方式、走路姿態，甚至是你坐下時的表情。這些非語言線索，長期以來是 AI 醫療系統最難跨越的門檻。
2026 年 8 月 11 日，Google Research 與 Google DeepMind 發表了一項首創研究，將他們的醫療研究系統 AMIE 推進到即時臨床視訊問診的領域。這不是單純把文字對話換成視訊通話，而是讓 AI 真正「看見」與「聽見」病人。
從文字到視訊：AMIE 的技術架構
AMIE 建立在 Gemini 與 Project Astra 之上，採用多代理架構（multi-agent architecture）。這意味著系統不是單一模型在運作，而是多個專業代理協作：一個負責解讀視覺線索，另一個處理聽覺資訊，還有一個進行診斷推理。
在模擬問診中，AMIE 能即時解讀病人的視覺與聽覺訊號，引導虛擬身體檢查，並在對話過程中持續進行診斷推理。這與傳統的醫療聊天機器人有本質差異——後者只能依賴文字輸入，而 AMIE 試圖捕捉診間裡那些「說不出口」的訊息。
對產品建造者而言，這個架構值得注意的點在於：它不是把多模態能力硬塞進單一模型，而是讓不同代理各司其職。這種設計在醫療這種高風險場景特別重要，因為每個環節都需要可追溯的決策邏輯。
隨機研究的設計與意義
這項研究採用隨機對照設計，使用模擬病人（patient actors）與一群初級照護醫師進行測試。研究團隊讓 AMIE 與醫師分別進行模擬問診，再比較兩者的表現。
研究結果顯示，AMIE 在視訊問診中達到了專家級的能力水準。但這裡的「專家級」需要謹慎解讀——研究使用的是模擬情境，而非真實病人。模擬的好處是標準化，可以重複測試；但缺點是無法完全重現真實診間的混亂與不確定性。
對醫療 AI 產品而言，這種研究設計是必要的第一步。它提供了可量化的基準，讓團隊能在受控環境中驗證系統的安全性與有效性。但從產品角度，真正的考驗在於：當系統進入真實臨床環境，面對各種罕見症狀與非典型表現時，還能維持同樣的水準嗎？
對醫療 AI 產品設計的啟示
AMIE 的進展對醫療 AI 產品有三點啟示。
第一，多模態輸入不是選配，而是核心。如果 AI 只能處理文字，它就永遠無法理解病人「看起來」怎麼樣。這對任何想進軍醫療領域的團隊都是重要提醒：你需要從第一天就考慮視覺與聽覺資料的整合。
第二，多代理架構提供了更好的可解釋性。在醫療場景，醫生需要知道 AI 為什麼做出某個判斷。多代理系統讓每個決策環節可以獨立審查——是哪個代理發現了異常？它依據什麼線索？這比黑箱式的端到端模型更容易建立信任。
第三，研究與產品之間仍有巨大鴻溝。AMIE 目前仍是研究系統，距離實際部署還有很長的路。產品建造者應該關注的是它驗證的技術方向，而不是急著把類似功能放進產品。
限制與下一步
這項研究的限制也很明顯。首先，模擬問診無法涵蓋所有臨床情境，尤其是緊急狀況或需要實際觸診的檢查。其次，研究中的醫師群體是初級照護醫師，不代表所有專科醫師的判斷標準。最後，視訊問診的技術依賴——如攝影機品質、網路延遲——在真實環境中可能影響表現。
對台灣與香港的醫療科技團隊來說，AMIE 的價值不在於直接複製，而在於它展示了 AI 醫療的下一步：從被動的文字問答，走向主動的視覺與聽覺理解。這需要的不只是模型能力，還有對臨床流程的深刻理解。
如果你正在打造醫療 AI 產品，不妨從這個角度思考：你的系統能「看見」病人的哪些訊號？這些訊號如何轉化為診斷依據？當你開始回答這些問題，你才真正進入醫療 AI 的核心戰場。
參考來源
本文由 AI 協助自上述來源整理，經人工審核後發布。