AMIE Video 以三代理拆分即時問診，模擬臨床評分達 83%

Google Research 與 Google DeepMind 8 月 10 日公開 AMIE Video，把原本偏文字的醫療對話系統改造成即時影音架構。系統沒有要求單一模型同時兼顧反應速度與完整推理，而是以三個非同步代理分工：Talker 使用 Project Astra 基礎設施及 Gemini 3 Flash，只讀取最近五秒影片並產生低延遲語音回覆；Planner 以 Gemini 3.1 Pro 維護症狀摘要、鑑別診斷、管理計畫及對話里程碑，最密集每十秒執行一次深度推理；Perception 則以較長影音視窗追蹤咳嗽、姿勢、語速或動作等線索，寫入持久觀察記憶，再供 Talker 取用。[論文](https://arxiv.org/abs/2608.09861)亦建立單輪「能力單元測試」與多輪模擬評測，嘗試分開檢查感知、推理及互動失敗。

研究以 100 個可由演員呈現的臨床情境，比較 AMIE Video、AMIE Text 與十名美國基層醫師；另由二十名醫師評分，十五名專業病人演員提供使用體驗。AMIE Video 在案例專屬量表取得 83%，醫師組為 68%；鑑別診斷首選命中率為 91% 對 77%，引導視訊身體檢查則為 72% 對 39%。不過 top-3 診斷差異已無統計顯著性，病人演員在建立關係與合作感上仍較偏好真人醫師。

工程價值在於，這套設計把即時代理常見的「快回覆」與「慢推理」衝突改成狀態同步問題，但也引入 Planner 資訊過期、感知正確卻未觸發行動等新故障模式。它仍依賴離散輪替，無法像真人般重疊說話或因畫面即時插話；高頻顫抖、細微情緒及精確解剖位置也仍是弱點。Google 先前的[真實臨床可行性研究](https://research.google/blog/exploring-the-feasibility-of-conversational-diagnostic-ai-in-a-real-world-clinical-study/)仍採醫師監督的文字病史蒐集流程；下一步應觀察真實患者、跨族群校準、延遲與代理狀態一致性，而非只看 OSCE 總分。