2026 年,Nature Medicine、NEJM AI 和 JAMA Network Open 先后发表了三份心理健康 AI 研究,结论看起来互相打架:第一份说,一个 AI 心理治疗系统在专家盲评中"持续胜过人类临床医师";第二份说,一个 AI 幸福感应用让大学生的韧性和归属感显著提升;第三份说,一个随访 12 个月的随机试验里,AI 聊天机器人对焦虑和抑郁毫无帮助。三份都对,也都不全对——把它们摆到同一张桌上,能得到今年这个领域最清晰、也最容易被误读的一张证据版图。对每一个用过、或考虑用 AI 谈心事的人,这张版图值得一看。
## 第一关:会谈像不像治疗
3 月在线发表于 Nature Medicine、收进 5 月刊的那份研究,由 Limbic 团队主导,马克斯·普朗克—UCL 计算精神病学中心与蒂宾根大学的学者参与署名。团队给通用大语言模型加了一个"认知层"架构,注入专门的心理治疗推理能力。评估分两步。第一步是随机双盲实验:227 名人类参与者与不同的治疗代理对话,生成自然情境的心理健康会谈记录,由 22 名临床专家组成的联盟盲态评分——结论是加了认知层的大模型,在交付高质量认知行为治疗(CBT)所需的关键临床胜任力上,持续胜过最强的独立大模型,也胜过人类临床医师。第二步走向真实世界:团队分析了一次大规模部署中的 19,674 份会谈记录(来自 8,920 名寻求心理幸福帮助的用户),发现认知层激活程度越高,症状改善越大,约 10 周时长期临床恢复的可能性也越高。
三点必须看清。其一,被评分的会谈记录由研究参与者模拟生成,不是真实患者的治疗过程。其二,真实世界那步是观察性关联,不是随机试验,排除不了"状态好的人谈得更深"的反向解释。其三,论文 9 名作者中,8 名是被评估技术开发商 Limbic 的现任或前任雇员并持股,剩下 1 名是它的付费顾问并持股。在本文覆盖的证据里,这是"会谈能力"一层最漂亮的一份,也是厂商利益绑定最深的一份。
## 第二关:能不能让人好受些
NEJM AI 7 月在线发表的 Flourish 试验,按作者自称的口径,是首个多机构、纵向、预注册的生成式 AI 幸福感应用随机对照试验。2024 年秋 6 周,美国三所院校的 486 名本科生被随机分到应用组(被指导每周使用两次)与照常照护对照组。结果一半阳性:应用组的心理韧性与社会幸福感显著提升——归属感、社群亲近感增加,孤独感下降——并且缓冲了积极情感、正念与幸福感水平的下滑。另一半阴性:在这个一般人群样本里,抑郁、焦虑、压力三项没有出现显著的组别×时间效应。作者的结论措辞谨慎:有目的且符合伦理的设计下,生成式 AI 可以交付"主动的人群层面幸福感干预"并产生可测量的收益。注意它承诺的是什么——幸福感收益,不是症状收益。局限同样明显:只有 6 周、大学生的一般人群样本、实际使用深度不得而知;它测出的是"短期有没有收益",不是"能不能持续改变一个人"。另一个值得记录的细节:论文第一、二作者的署名单位,就是这款应用的开发商 Flourish Science。
## 第三关:能不能治病
JAMA Network Open 11 月 2 日在线发表的母婴试验,把标准提到了最高:主要终点是症状量表,不是幸福感;随访做满 12 个月,不是 6 周。400 名怀孕或育儿(婴儿小于 6 个月)的参与者,全部自认为少数族裔(47% 黑人、20% 亚裔、16% 西语裔、14% 多族裔、2% 原住民),从全美 49 个州和华盛顿特区在线招募,平均年龄 32.6 岁,一半人入组时已在照顾 6 个月内的婴儿。2023 年 10 月至 2024 年 12 月,参与者按 1:1 随机获得一个母婴健康生成式 AI 聊天机器人的使用权限,或一份主动对照——每月寄一本童书。随访 12 个月,至 2025 年 12 月完成。
结果全阴:12 个月时,焦虑量表(GAD-7)与抑郁量表(PHQ-9)的校正均差分别为 0.10(95% CI −0.77~0.96)与 −0.23(−1.05~0.59),双双跨在零上;急诊就诊、产后检查、避孕使用、睡眠时长等次要终点也全部没有组间差异。作者的结论直截了当:与主动对照相比,获得聊天机器人未能改善 12 个月时的母婴焦虑或抑郁。两个探索性信号值得记下、但不宜过度解读:入组时怀孕的亚组,在 12 个月的次要终点分析中自报了更多妊娠相关并发症(纵向分析中未见此差异);组内探索分析发现,聊天机器人用得越多的人,睡眠越长,焦虑评分也越高。利益冲突披露只记录了一名作者在试验之外的咨询酬金与研究资助,"无其他披露"。
## 我的四个判断
三关并排,以下是本文的综合,不是任何一篇原文的结论。
第一,会谈胜任力与治疗效果是两场不同的考试,目前没有证据显示前一场的成绩能预测后一场。专家盲评说 AI 的 CBT 胜任力超过了人类治疗师;但在本文覆盖的三层证据里,唯一以临床症状为主要终点、随访到 12 个月的随机试验是阴性的。胜任力评分量的是过程像不像好治疗,症状终点量的是人有没有变好——两者之间还缺一座因果的桥。
第二,终点和对照的选择,几乎预先决定了"成败"。同一个技术方向,用幸福感做终点是阳性(Flourish),用症状做终点是阴性(母婴试验,以及 Flourish 自己的抑郁焦虑压力子项);对照拿"每月一本童书"垫底,才试出"拿到使用权限"并不自动等于"得到帮助"。所以读任何"AI 心理健康有效"的宣称,第一问是终点是什么,第二问是对照是谁——赢过"什么都不给",不算赢。
第三,随机分配的是"访问权",不是"治疗关系"。母婴试验发下去的是聊天机器人的使用权限;用得多深、谈了什么、危机信号有没有被接住,试验没有测。"用得越多、焦虑评分越高"的探索性信号方向耐人寻味——也可能只是焦虑的人本就聊得更多,方向判不出来;而正因为判不出来,这块测量空白才要命:我们甚至还不知道,哪些人应该被这类产品提醒少用。
第四,利益关联的密度与结果的效价,在这三份研究里呈出刺眼的反比:厂商绑定最深的(九名作者全部持有 Limbic 股份:八名现任或前任雇员,一名付费顾问)结果最阳性,开发商团队主导的 Flourish 半阳半阴,披露最干净的母婴试验全阴。三个数据点当然不足以证明系统性偏差,但足以立一条阅读纪律:越是接近"能治病"的宣称,越要先看证据是谁出的钱、量的又是什么。
## 按身份带走
如果你是普通用户:幸福感类 AI 应用对韧性、孤独感可能有温和收益,但它们不是抑郁焦虑的治疗;有症状,答案仍然是专业照护。"和 AI 聊了很多"本身不等于"变好了"——那个探索性信号值得每个重度使用者留一份自我觉察。
如果你在做产品:Flourish 的预注册与阴性子项照实报告,是值得抄的范式;母婴试验的教训则是,访问权限是最弱的干预形态——参与深度、内容质量与安全监测若不入测量,效果证明不了,伤害也发现不了。
如果你在临床或监管一侧:专家评分的胜任力替代不了终点的试验,厂商关联的能力评估需要独立复现。空白清单也很清楚:机制(什么成分起效)、剂量-反应(用多少才够)、安全监测(谁可能被伤害),以及把随访做到症状缓解与功能恢复。
会谈正在越来越像治疗;证据接下来要追上的,是治疗本身。如果一个 AI 告诉你"我能给你做认知行为治疗",你会先问它师从谁,还是先问它的 12 个月试验在哪?评论区聊聊。
来源:Generative Artificial Intelligence and Maternal Health Outcomes in Pregnant and Postpartum Individuals: A Randomized Clinical Trial. JAMA Network Open, 2026. https://doi.org/10.1001/jamanetworkopen.2026.41062