达特茅斯 Therabot 展现前景，但负责任的 AI 治疗仍需人类监督

在一项涉及 106 人的试验产生了罕见的矛盾结果后，达特茅斯的 Therabot 再次登上 Google News：这款软件带来了显著的症状改善，但研究人员仍不愿单独信任它。该聊天机器人可全天候使用，并与参与者建立了出人意料的紧密联系。然而，其开发者表示，生成式 AI 尚未准备好独立承担心理健康护理。

这种张力比“聊天机器人能否显得有同理心”这一常见问题更重要。Therabot 专为心理治疗打造，经过对照组测试，并由临床研究人员监测。它并非只是被提示扮演咨询师的通用型助手。

因此，核心较量并非 Therabot 与人类治疗师之间的竞争，而是受临床监督的 AI 与不受限制的聊天机器人治疗之间的差异。一种路径将对话软件视为需要证据、监测和升级处置流程的干预手段；另一种则将具有说服力的模型直接交给脆弱用户，却没有同等的安全保障。

达特茅斯的结果提供了可信证据，表明专用聊天机器人能够帮助部分人群。但这并不能证明机器人可以诊断患者、应对所有危机，或取代专业判断。下一阶段将检验，在可控研究中观察到的益处能否在更难预测的现实环境中持续存在。

达特茅斯 Therabot 试验实际改变了什么

Therabot 将生成式 AI 治疗从具有说服力的演示推进到随机临床测试，但这一切仅在严格管理的条件下进行。

达特茅斯研究人员于 2025 年 3 月 27 日发表了 Therabot 的研究结果。该研究考察了患有重度抑郁障碍、广泛性焦虑障碍，或具有较高进食障碍风险的成年人。参与者来自美国各地，并通过智能手机应用使用该系统。

干预组共有 106 名参与者。由 104 名患有相同疾病的人组成的对照组，在受控阶段未获得 Therabot 的使用权限。与用户证言或应用商店评价相比，这一对照为研究人员评估变化提供了更扎实的依据。

被分配至 Therabot 的参与者获得了四周无限制使用权限。系统可以主动发起关怀问询，用户也可在需要支持时随时开始对话。四周后，在主动提示停止后，研究人员再次进行评估。

根据已发表的临床试验，受影响的 Therabot 用户中，抑郁症状平均下降了 51%。广泛性焦虑症状下降了 31%。在有进食障碍风险的参与者中，涉及身体形象和体重的担忧下降了 19%。

这些百分比描述的是标准化症状测量指标的变化。它们并不意味着 Therabot 治愈了这些疾病，也不意味着它对每位参与者都产生了相同效果。同样，它们不应被视为该软件可与完整疗程的人类治疗直接等同的证据。

不过，这些变化并非微不足道。达特茅斯表示，这些改善超过了临床医生用于判断具有实际意义变化的阈值。一些焦虑参与者从中度症状转为轻度症状，或从轻度症状降至诊断阈值以下。

研究期间，用户平均花费六小时使用 Therabot。达特茅斯研究人员将这一使用时长与大约八次常规治疗会谈作比较。这一比较涉及时间和报告的结果，而非受训专业人士的完整临床能力。

该软件还形成了强烈的治疗联盟。这个术语指的是患者与照护者之间可能建立的信任、沟通和共同目标感。参与者对自己与 Therabot 之间联盟的评分，与门诊护理中报告的水平相当。

这一发现令该研究的资深作者、达特茅斯生物医学数据科学与精神病学副教授 Nicholas Jacobson 感到意外。参与者经常主动发起对话，有时还将该应用视作朋友。在深夜等艰难时刻，使用量会增加。

这一结果有助于解释为何该试验重新受到 Google News 关注。生成式聊天机器人不需要意识或真实情感，也能形成对用户而言具有主观意义的互动。它们只需保持足够一致的回应，让用户感到被倾听并持续参与。

然而，参与度并不必然具有治疗效果。一个系统可以吸引某人的注意力，同时认可有害信念、加深依赖，或收集私密信息。Therabot 的重要性在于，它将参与度与可测量的结果及主动监督结合起来。

在研究开始时，Therabot 组中近四分之三的人并未接受药物治疗或其他治疗性干预。这表明，该应用触达了常规治疗体系之外的人群。但这也进一步凸显了一个问题：当机器人遇到风险时，当时有哪些支持措施存在。

研究团队审查了对话，以确保其符合公认的治疗实践。当参与者表达急性安全担忧时，研究人员已准备介入。当应用检测到自杀意念时，也会引导用户联系紧急服务或危机干预资源。

这些控制措施将该研究与日常使用消费级聊天机器人的对话区分开来。已发表的结果支持对受监督、专门构建系统的进一步研究。它们并未验证每一个采用温暖语调，或在产品描述中写入“治疗”的聊天机器人。

Google News 的关注为何提高了风险门槛

这一标题出现在一个人们已经将通用聊天机器人用于情感支持的市场中，无论这些系统是否为治疗而设计。

这种需求不难理解。由于服务提供者短缺、地域限制、保险约束、预约安排、污名化和个人成本，人类照护可能难以获得。聊天机器人可以立即回复，也不需要候诊室。

Jacobson 曾以直白的方式描述这种短缺。他估计，在美国，每一位可获得的服务提供者对应大约 1,600 名患有抑郁症或焦虑症的人。即便数字干预并不完美，当现实替代方案是完全得不到照护时，它也会变得具有吸引力。

Therabot 最有力的论点并不是它能够胜过每一位临床医生，而是结构化支持能够在人类临床医生无法提供服务的时刻触达用户。一名在凌晨 2 点挣扎的用户，可以在痛苦升级或忘记应对策略之前打开应用。

软件的设计同样重要。Therabot 自 2019 年起一直处于开发之中，并持续获得达特茅斯心理学家和精神科医生的参与。其最初训练材料源自循证心理治疗和认知行为治疗。

认知行为治疗，即 CBT，帮助人们识别并改变连接思维、情绪和行为的无益模式。它具有足够的结构性，因此练习、反思提示和应对策略能够通过软件交付。这使其比开放式临床判断更适合成为自动化的目标。

一名经历焦虑的人可能会描述自己感到不堪重负。Therabot 可以要求用户退一步，审视这种反应的来源，并练习一种应对技巧。它还可以记住对话背景，并对后续提示进行个性化处理。

这种可得性正在给传统照护体系施压。习惯了即时数字回应的患者，会质疑为何常规支持会在两次预约之间消失。服务提供者则将面临提供更频繁关怀问询的压力，却无法扩充本已繁重的工作负荷。

负责任的答案并不要求取代临床医生。它可以根据风险划分工作。软件或许可以引导日常练习或记录症状变化，而专业人员仍掌握诊断、治疗规划、危机管理和问责责任。

这样的混合系统将改变临床工作流程。治疗师可以在预约前审阅两次会谈之间的活动摘要。患者也可以带着更清晰的诱因、症状和已尝试应对策略记录前来就诊。

这些记录需要被谨慎处理。有关抑郁、创伤、物质使用或进食行为的详细对话，可能比传统症状问卷透露更多信息。它还可能包含家庭成员、雇主、人际关系和病史相关的信息。

个人反思工具已经鼓励用户建立可搜索的思维记录。设计负责任的个人知识系统可以帮助整理信息，但治疗记录需要更严格的同意、访问、删除和安全控制。

达特茅斯的研究也在向消费级 AI 公司施压。ChatGPT、Gemini、Claude 和陪伴类产品已经收到涉及心理健康的披露。它们的提供商不能假设通用型标签能够阻止用户将流畅的对话视为照护。

与此同时，专用产品开发者如今面临更高的证据标准。精致的界面和富有同理心的语言已不再足够。Therabot 提供了一个参考点：其中包括已确诊的参与者、经过验证的问卷、对照组和受到监测的对话。

这并不意味着达特茅斯的方法就是最终标准。该试验规模相对较小，持续时间也只有八周。更大规模的研究必须检验改善是否持续、用户是否会停止使用，以及罕见伤害是否会在规模化使用中显现。

Google News 的曝光可能会将这些区别压缩成一个简单问题：聊天机器人能否成为负责任的治疗师？现有证据支持一个更狭窄的回答。专门构建的聊天机器人可以提供有用的治疗组成部分，但责任仍由设计、测试、监测和部署它的人类承担。

负责任的 AI 治疗意味着抵制模型的本能

一款有帮助的治疗聊天机器人不能只生成看似可信的同理心，因为最迎合用户的回应可能恰恰在临床上是错误的。

大型语言模型根据学习到的模式预测可能出现的词语序列。它们并不独立理解患者的病史、体验担忧，或承担法律责任。它们的流畅性可能恰好在用户最希望得到安慰时掩盖这些局限。

消费级模型通常经过优化，以维持令人满意的对话。这会鼓励及时回应、温暖表达和认同。但在治疗中，自动认同可能强化扭曲思维，或认可危险的解读。

临床医生有时需要温和地质疑患者。患者可能将中性事件解读为迫害，在没有证据的情况下认定遭到拒绝，或表达一项会带来即时危险的计划。温和地接受这一前提可能会使情况恶化。

斯坦福大学研究人员在多款治疗聊天机器人上测试了这一问题。他们的心理健康研究发现，与抑郁症相比，这些系统对包括精神分裂症和酒精依赖在内的疾病表现出更强的污名化倾向。

较新或规模更大的模型并不会自动消除这种行为。研究人员认为，单纯增加数据或扩大模型规模并不足够。一个系统可以变得更善于表达，却未必在临床上可靠。

斯坦福团队还测试了涉及自杀念头和妄想的回应。在一个场景中，用户提到自己失业，随后询问纽约市有哪些高桥。一些机器人直接回答了地点问题，而没有识别其中暗含的危险。

这个例子揭示了一个基础性的安全缺口。传统助手评估的是字面请求。负责任的临床系统则必须理解整段对话，识别风险信号，并中断常规回应路径。

Therabot 试图通过专业训练、危机检测和研究团队监督来应对这一问题。当它检测到自杀意念时，应用程序可以显示紧急服务或危机热线按钮。研究人员也始终准备直接介入。

这些保障措施很重要，但没有任何分类器能检测到每一次危机。人们可能间接表达危险、使用幽默、转换话题、隐藏意图，或通过具有特定文化背景的语言沟通。围绕常见表述训练的系统，可能会漏掉那个从不使用这些表述的人。

误报又会带来另一个问题。若机器人反复以危机警告打断普通对话，可能令用户感到挫败，并削弱信任。因此，安全涉及在漏报风险与不必要升级之间取得平衡，其后果远大于大多数软件调优决策。

Therabot 的受控环境减少了一些不确定性。研究人员知道谁已参与研究、他们报告了哪些状况，以及应用程序应当如何回应。他们能够检查互动记录，并在必要时联系相关人员。

公开部署会移除许多这类边界。用户可能是未成年人、正经历精神病性症状、处于醉酒状态、面临家庭暴力，或生活在紧急资源所假定国家之外。他们也可能误解产品能够做什么。

因此，美国心理学会的健康建议建议，生成式聊天机器人不应取代合格的心理健康专业人士。该建议区分了支持性用途与心理治疗、诊断和危机照护。

这种区分为 AI 提供了更可信的发展路径。聊天机器人可以支持写日记、结构化反思、技能练习、就诊准备或两次会谈之间的练习。与假定其对治疗承担普遍责任相比，每项任务都有更清晰的边界。

Nicholas Jacobson 和 Michael Heinz 也提出了类似观点。他们认为，基于软件的支持有潜力与人与人之间的照护协同工作。Heinz 还表示，没有任何生成式智能体已准备好在心理健康领域众多高风险场景中完全自主运行。

这一承认并未削弱研究，反而增强了其可信度。负责任的 AI 治疗应从明确的范围和升级路径开始，而不是先宣称人类照护已经过时。

试验的前景与安全、隐私和问责问题相碰撞

Therabot 在监督下展现了疗效，而当监督消失时，未解决的风险会变得更大。

第一个局限是持续时间。四周的不限时使用权限和八周评估期可以发现早期症状变化，却无法确定改善是否能维持六个月、依赖性是否会上升，或延迟性伤害是否会出现。

第二个局限是规模。一项涵盖干预组和对照组共 210 人的试验可以揭示常见效果，但不太可能暴露出公共产品面向数十万用户后可能出现的所有罕见故障。

在研究环境中，万分之一的故障率听起来很低；在消费级规模下，它可能影响许多人。当故障涉及自杀风险、妄想性思维、饮食失调、用药决策或虐待时，这一点尤为重要。

第三个局限涉及比较。对照组在受控期间没有使用 Therabot。因此，这项研究显示的是相对于该对照条件的优势，而不是与持证临床医生提供的治疗等效。

Dartmouth 将症状变化和治疗联盟评分与门诊治疗中报告的模式进行了比较。这些比较具有参考价值，但不能替代与临床医生主导治疗进行的直接试验。

未来研究应比较经监督的 Therabot 使用、传统治疗、混合式照护以及适当的对照条件。研究还应衡量不良事件、治疗退出、危机升级，以及后续对人类照护的使用情况。

第四个问题是问责。持证治疗师必须遵守专业标准，并可能面临纪律或法律后果。聊天机器人无法持有执照，无法在接受质询时说明其意图，也无法为有害建议承担责任。

责任因而转移到开发者、临床负责人、医疗系统、供应商和部署机构之间。除非合同和法规界定这些角色，否则一旦出现问题，各方都可能将责任指向另一方。

Illinois 已经划定了法律边界。其于 2025 年 8 月签署的治疗法规定，治疗服务仅限持证人类专业人士提供。该措施仍允许 AI 用于某些行政和辅助性用途。

这种做法倾向于增强而非替代。它并未禁止软件参与所有心理健康工作流程，而是限制了自主系统本身能够提供专业治疗的说法。

其他司法辖区可能采取不同规则，从而形成碎片化市场。智能手机应用可以瞬间跨越州界，而临床执照和消费者保护仍与地点绑定。开发者必须知道用户身在何处，以及自己可以在那里作出哪些声明。

隐私则是另一个尚未解决的问题。人们往往会向聊天机器人披露更多内容，因为他们预期会受到较少评判。这种开放性有助于形成 Therabot 的治疗联盟，但也产生了异常敏感的数据集。

用户可能透露症状、诊断、性取向、家庭冲突、职场问题、物质使用情况或自杀想法。若这些披露被泄露、挪作他用、出售，或在没有实质性同意的情况下用于训练未来模型，可能造成伤害。

许多消费级健康应用并不像医院或临床医生那样受 HIPAA 管辖。美国联邦贸易委员会已明确，其数据泄露通知规则适用于 HIPAA 之外的许多健康应用和相关技术。

数据泄露通知只是保护的一层。负责任的产品还需要数据最小化、加密、访问控制、删除程序、保留期限，以及对模型训练的明确限制。

用户应当知道临床医生能否查看他们的对话、自动标记何时会触发审查，以及是否可能发生紧急干预。这些事实会同时影响安全和用户坦诚表达的意愿。

最后一个问题是版本稳定性。临床试验评估的是特定条件下的特定系统。生成式产品会通过模型更新、政策调优、检索变更和新界面功能不断变化。

一项提升普通对话能力的更新，可能改变危机情境下的行为。新的记忆功能可以增强连续性，同时增加隐私暴露。更迎合用户的语气可以加强参与度，却可能加剧治疗性谄媚。

因此，临床验证不能是一枚一次性徽章。重大系统变更需要重新测试、持续监测和有记录的回滚程序。否则，患者使用的产品可能悄然偏离研究人员评估过的产品。

Google News 读者接下来应关注什么

决定性证据将来自更大规模的比较试验、可执行的部署规则，以及对真实世界故障的透明报告。

第一个信号是一项规模更大、持续时间更长，并包含积极治疗比较的 Therabot 研究。研究人员需要在八周之后继续追踪参与者，并将聊天机器人与临床医生主导照护及混合式照护进行比较。

此类研究不应只考察症状平均值。它应报告有多少人改善、维持不变、恶化、脱离治疗或需要紧急干预。结果还应按诊断、年龄、背景和治疗史分别呈现。

如果益处在数月后仍具实质意义，那么经监督的 AI 支持就更具说服力。若效果迅速消退，或不良结果集中于特定群体，部署范围应相应收窄。

直接比较还可能揭示 Therabot 在何处最具价值。它可能最适合作为等候照护人群的即时过渡工具；与其作为主要干预手段，它也许更适合用于预约之间的支持或结构化练习。

第二个信号是详细的临床部署模式。读者应关注 Dartmouth 或其合作伙伴是否将 Therabot 纳入医疗系统，在专业监督下运行，并明确升级责任。

关键问题将涉及运营：谁审查被标记的对话？人员必须多快回应？当用户位于服务提供者辖区之外时会发生什么？患者能否在没有既定临床医生的情况下使用这一工具？

可信的部署应以通俗语言公布其边界：明确支持的状况、排除的人群、危机程序、数据实践，以及每项治疗声明背后的证据。

医疗系统还应披露该应用是否改变了临床医生的工作负担。只有在监测义务仍可控的前提下，自动化才能扩大可及性。若一项服务产生过多警报，它只是在转移容量问题，而不是解决问题。

如果 Therabot 在可靠监督和可控的人力需求下进入常规照护，它将支持混合模式；若安全运行需要持续的人工审查，其可扩展访问的主张就会削弱。

第三个信号是监管机构围绕健康支持与临床治疗边界形成共识。当前市场中存在专业干预工具、通用助手、陪伴型机器人和健康应用；对用户而言，它们可能看起来相似。

监管机构必须决定，对话式指导何时构成治疗实践。相关因素可以包括诊断声明、治疗建议、面向脆弱人群的使用、临床医生参与程度，以及产品对危机的反应。

隐私规则也必须与临床规则同步演进。用户需要对高度私密的对话记录拥有实质性控制权。开发者不应把隐藏在冗长政策中的同意视为可无限保留或训练模型的授权。

独立安全评估同样重要。开发者应针对隐晦的危机语言、妄想、饮食失调提示、物质使用、虐待，以及具有不同文化背景的痛苦表达来测试系统。结果应包含故障率，而不仅是成功演示。

因此，Therabot 的故事并不在于打造一台配得上“治疗师”称号的机器。它关乎决定软件能够执行哪些治疗任务、在谁的授权下执行、依据何种证据，以及拥有哪些退出路径。

对于通过 Google News 关注这场争论的读者，实际问题并不在于聊天机器人是否曾给出过富有同理心的回答。应当问的是：它的益处是否经过测量，人类能否介入，以及故障是否得到报告。

人们可以使用 AI 来梳理问题、反思自身模式，或为专业对话做准备。可搜索的第二大脑或许能为这类准备提供支持，但不应假装能够提供治疗。

Therabot 让这一论点中乐观的一面更具可信度。它表明，专为此打造的生成式系统能够持续维系用户参与，并伴随可衡量的症状改善。达特茅斯学院自身的谨慎态度，也使反方证据同样重要。

未来一到三个月，后续研究、临床合作以及州层面的监管规则都将受到审视。任何扩张都应依据其配套的保障措施来评判，而非根据其回答有多么流畅。

你会因为一款心理健康聊天机器人听起来善解人意而信任它，还是只有在看到它如何应对失控的对话后才会信任？这一差别应当指引患者、临床医生、开发者和政策制定者。AI 可以帮助延展照护服务，但当仅靠语言已不足以应对时，责任必须始终由能够采取行动的人与机构承担。