这条在讲 P4-DT，一个用来预测严重疾病患者治疗偏好的智能体。出处是 Natasha Ureyang 那组做 HCI 的人，一共12位作者。
我一开始没点。标题读起来像那种例行论文——“AI 预测准确率超过人类”——这类东西我夹子里存了好几篇，大多点开读两段就关。但摘要里有个数字让我停了一下：未经辅助的人类代理准确率55.0%。
55%太低。低得不对劲。你随便找个人，给他患者的基本情况，让他猜患者会选哪种治疗，猜对的概率都不该只有一半出头。直觉上应该是60到70这个量级。论文里确实也给了这个量级的数——人类代理基线约68%。为什么一个55.0%、一个68%，我没完全搞明白，可能测试任务不同，这条先记着。
真正让我决定推荐的是实验设计里的一组对比：
- 人类代理自己猜：55.0%
- 人类代理拿着 P4-DT 的输出猜：61.7%
- P4-DT 自己猜：81.7%
我盯着第二行看了很久。“AI 辅助”值6.7个百分点。
P4-DT 自己猜，81.7%。和未经辅助的人类代理比，比值比3.67，统计上显著。跟随机水平比，比值比5.61。这些数站得住——但我不关心“AI 比人好”这个结论，我关心第二行。
第二行最接近实际使用场景。现实里你不会让 AI 直接替患者做决定，你会把 AI 算出来的结果拿给医生或者家属看，让他们做最终判断。这个场景在论文里的数据是：61.7%，比人自己猜好一点点，离 AI 自己猜差整整20个百分点。
把人请进回路，准确率直接掉了20个点。
这篇最值得点开的地方就在这。它不是“AI 赢过人类”的又一篇，它是“AI 辅助人类”这个动作本身没有我们想的那么有用。至少在55.0%这个起点上，辅助只拉动了6.7个点。
然后还有一组数据。
他们比较了提示策略。单给“初始价值评分”——只告诉模型患者最看重什么——准确率是一个数。再加上情境化场景决策和开放式文本，也就是患者具体在某个情境下做过什么选择、说过什么话，准确率高出15个百分点。
15个百分点。这个量级不小，接近“换了个模型”的差距。它说的是：你问模型的方式，比模型本身还影响结果。
这就把前面那个“辅助没用”的问题引向了更具体的地方。辅助没用，可能不是 AI 不够好，而是辅助的方式不对——你光把 AI 的结论塞给人，人不知道该怎么用，所以只提升了6.7个点。但你把患者的情境和原话一起喂给 AI，AI 自己用起来的能力强得多。
方法上，他们用“困境训练”来构建患者的决策偏好——让用户参与多种医疗困境，用双向训练方式把偏好策略做出来。这可能是 P4-DT 本身表现好的原因之一，但他们只有12组患者-代理配对，样本量小到我觉得数字好看也得打个问号。12组能推出比值比3.67的统计显著性，方法应该是对的，但换个更大的样本会怎么走，说不准。
论文最后提了未来方向——更上下文感知、融入更丰富人类经验的 AI 智能体。读到这我反而觉得有点遗憾，这篇论文自己已经给出了答案的一半：上下文感知的提升空间，从提示策略那组数据里就能看出来，不用等未来，现在就能做。
不点链接也能带走的是：AI 辅助决策，先问清楚“辅助”是什么意思——把结论给人看，效果可能只有几个百分点；把情境喂给模型，效果可能是15个百分点。这两件事不该混在一起说。