讓我們談?wù)劇?/p>

對AI突破的分析是我正在進行的《福布斯》列列的一部分，其中包括識別和解釋各種有影響力的AI複雜性（請參閱此處的鏈接）。

AI和心理健康療法

作為一種快速的背景，我一直在廣泛介紹和分析有關(guān)現(xiàn)代AI出現(xiàn)的無數(shù)方面，這些方面產(chǎn)生了心理健康建議並進行了AI驅(qū)動的療法。不斷發(fā)展的進步和廣泛採用生成的AI，對AI的這種不斷增長的使用主要刺激了。有關(guān)我在此不斷發(fā)展的主題上發(fā)布的一些發(fā)布的列的快速摘要，請參見此處的鏈接，該鏈接簡要回顧了我在該主題上所做的一百多列帖子中的四十個。

毫無疑問，這是一個迅速發(fā)展的領(lǐng)域，並且有很多好處，但與此同時，遺憾的是，隱藏的風(fēng)險和徹頭徹尾的陷阱也陷入了這些努力。我經(jīng)常大聲疾呼這些緊迫的事情，包括去年在CBS 60分鐘的一集中露面，請參閱此處的鏈接。

如果您是AI心理健康主題的新手，您可能需要考慮閱讀我最近對該領(lǐng)域的分析，該領(lǐng)域還講述了斯坦福大學(xué)精神病學(xué)和行為科學(xué)系的高度創(chuàng)新倡議，稱為AI4MH；請參閱此處的鏈接。

編排AI角色

生成AI和LLM的槓桿功能也許最少的是它們在計算上模擬一種角色的能力。這個想法很簡單。您告訴AI假裝是一種特定類型的人或表現(xiàn)出概述的個性，AI試圖做出相應(yīng)的回應(yīng)。例如，我通過chatgpt承擔(dān)Sigmund Freud的角色並進行治療來使用此功能，就好像AI模仿或模擬了弗洛伊德可能說的話（請參閱此處的鏈接）。

您可以告訴LLMS假裝是一個特定的人。關(guān)鍵是AI必須有足夠的數(shù)據(jù)，以了解該人的模仿。同樣，您對AI在這種假裝模式下的工作的期望需要清醒，因為AI可能最終遙遙無期。一個重要的方面不是以某種方式假設(shè)或相信人工智能將完全像該人一樣。不會。

使用角色的另一個角度是廣泛描述您想假裝AI的角色的性質(zhì)。以前，我做過一個小型體驗，因為他們假裝自己是一支精神健康治療師的團隊，他們試圖進行心理評估（請參閱此處的鏈接）。這些角色都不代表特定的人。取而代之的是，通常被告知使用幾個通常代表一組治療師的角色。

AI角色還有更多用途。

我會列出幾個。想要提高技能的心理健康專家可以與假裝是患者的LLM進行對話，這是一種方便的方法，可以增強治療師的心理分析敏銳度（請參閱此處的鏈接）。這是另一個例子。在進行心理健康研究時，您可以告訴AI假裝是數(shù)百或數(shù)千名調(diào)查的受訪者。這不一定等於使用真實的人，但這可能是一種衡量您可能會得到哪種反應(yīng)以及如何進行相應(yīng)準(zhǔn)備的富有成果的方法（請參閱此處的鏈接以及此處的鏈接）。

等等。

最新研究使用了人工智能

最近發(fā)布的一項研究創(chuàng)新的研究在執(zhí)行醫(yī)學(xué)診斷領(lǐng)域中使用了AI角色。 The study was entitled “Sequential Diagnosis with Language Models” by Harsha Nori, Mayank Daswani, Christopher Kelly, Scott Lundberg, Marco Tulio Ribeiro, Marc Wilson, Xiaoxuan Liu, Viknesh Sounderajah, Jonathan Carlson, Matthew P Lungren, Bay Gross, Peter Hames, Mustafa Suleyman, Dominic King, Eric Horvitz，Arxiv，2025年6月30日，發(fā)表了這些顯著言論（摘錄）：

• “人工智能在擴大獲得專家醫(yī)學(xué)知識和推理的機會方面具有巨大的希望?！?/li>
• “我們強調(diào)了AI系統(tǒng)在指導(dǎo)迭代思考並明智地採取行動時如何提高臨床護理中的診斷精度和成本效益?！?/li>
• “在臨床實踐中，醫(yī)生迭代地提出和修改診斷假設(shè)，調(diào)整每個隨後的問題並測試他們剛剛學(xué)到了什麼，並在承諾最終診斷之前權(quán)衡了不斷發(fā)展的證據(jù)。”
• “我們介紹了MAI診斷編排者（MAIDXO），這是一種模型不合時宜的編排者，模擬了一組醫(yī)生，提出了可能的差異診斷，並戰(zhàn)略性地選擇了高價值，具有成本效益的測試?！?/li>
• “與OpenAI的O3型號配對時，Mai-DXO可實現(xiàn)80％的診斷準(zhǔn)確性，高於20％的通才醫(yī)生的平均水平。MAI-DXO也將診斷成本降低了20％，與醫(yī)生相比，與貨架上的O3相比，Mai-Dxo Achieves Achieves 85.5％準(zhǔn)確性相比，與O3的O3相比，診斷成本為70％。

關(guān)於如何利用AI角色，有一些有趣的曲折。

關(guān)鍵是他們有一個AI角色，該角色是診斷師，另一位正在為基於AI的診斷師餵養(yǎng)病史的人，甚至還有另一個AI角色，以評估臨床診斷的情況如何。這是三個AI角色，以幫助在AI提交的各種案例研究中進行醫(yī)學(xué)診斷。

研究人員選擇通過擁有醫(yī)學(xué)診斷的AI角色小組來進一步採用這種有前途的方法。他們決定擁有五個AI角色，而逐步進行診斷時，每個角色又會允許。給予人工智能角色的名稱通常建議每個人打算做什麼，包括假設(shè)博士，Test-Chooser博士，Challenger博士，挑戰(zhàn)者，管理博士和清單博士。

在沒有擬人化方法的情況下，使用一組AI角色面板的方面將被認為類似於讓一組醫(yī)生面板賦予醫(yī)療診斷。 AI角色每個人都有指定的專業(yè)，他們遍歷患者的病史，以便每個專業(yè)在診斷期間進行輪流。

AI心理健康分析中的編排

我認為在心理健康分析環(huán)境中嘗試類似的編排可能會很有趣。我歡迎研究人員在更健壯的環(huán)境中嘗試相同的方法，以便我們可以更牢固地掌握採用這種方法的來龍去脈。我的努力只是使球滾動的迷你體驗。

我使用了由美國精神病學(xué)和神經(jīng)病學(xué)委員會（ABPN）公開發(fā)布的精神健康病史，該病史需要進行精神病評估的虛構(gòu)患者。

這是一個方便的例子，因為它已經(jīng)經(jīng)過精心構(gòu)成和分析，並且是萌芽的精神科醫(yī)生和心理學(xué)家的形式化測試問題。不利的一面是，由於眾所周知和在互聯(lián)網(wǎng)上，任何用於分析此情況歷史記錄的生成AI都可能已經(jīng)掃描了此案及其已發(fā)布的解決方案。

想要做類似這種迷你體驗的研究人員可能需要提出全新且看不見的案例歷史。這將通過可能遇到此案來防止AI“作弊”。

小插圖的概述

小插圖與他四十多歲的男人有關(guān)，該男子以前曾受到精神病的照顧，並且最近表現(xiàn)出可疑的行為。如小插圖中所述：“在過去的幾個月中，他一直在購買昂貴的藝術(shù)品，他的工作時間變得越來越不穩(wěn)定，他每天晚上只睡一到兩個小時。十九年前，他因涉及警察的嚴(yán)重躁狂事件而住院。” （來源：ABPN在線發(fā)布）。

我使用了一個受歡迎的LLM，並告訴它調(diào)用五個角色，與上面提到的編排方法相當(dāng)，包括：

• 假設(shè)博士：確定有關(guān)患者心理健康狀況的假設(shè)草案。
• Selector博士：對假設(shè)進行了反省，並提出了可用於確認或否定起草假設(shè)的測試。
• 競爭者博士：擔(dān)任魔鬼的倡導(dǎo)者，質(zhì)疑假設(shè)草案和提出的測試。
• 周到：試圖考慮如何在診斷方面進行最佳進行，包括權(quán)衡侵入性，費用和各種相關(guān)因素。
• Double-Checker博士：對診斷進行雙重檢查，確保被抓住任何陷阱，找到陷阱，確保面板之間的一致性等等。

輸入定義這五個角色的提示後，我讓LLM開始進行有關(guān)小插圖的心理健康分析。

編排表現(xiàn)不錯

我對LLM的指示中包括我想看到AI執(zhí)行一系列診斷或轉(zhuǎn)彎。在每個轉(zhuǎn)彎處，小組都要總結(jié)他們在分析中的位置，並告訴我到目前為止所做的事情。這是使AI產(chǎn)生一種對計算推理過程的解釋或指示的一種方法。

順便說一句，請謹慎依靠此類計算調(diào)製的解釋，因為它們可能與LLM的內(nèi)部標(biāo)記機制實際上與之無關(guān)，請參閱我在此處鏈接上對著名的警告的討論。

我為LLM角色面板提供了與小插圖相關(guān)的問題。然後，我將AI面板的答案與已在線發(fā)布的答案進行了比較，並被視為正確或最合適的答案。

為了說明AI角色小組提出的內(nèi)容，這是關(guān)於第一個回合患者的整體特徵的最初反應(yīng)：

• “鑑於宏偉的行為，例如購買昂貴的藝術(shù)品，不穩(wěn)定的工作出勤率以及儘管每晚僅1-2個小時睡覺，也可能存在誇張的自尊心。”
• “思想的表現(xiàn)在躁狂癥中很普遍；雖然沒有明確描述，但行為不穩(wěn)定，對睡眠的需求減少以及潛在的分心強烈表明雜亂無章，並迅速改變了思想?！?/li>
• “雖然沒有直接提及，但言語似乎存在，但言語通常與其他躁狂跡象相結(jié)合，例如睡眠減少，行為不穩(wěn)定和活動增加。這在可疑的躁狂癥的背景下是一個合理的推斷。”

該分析最終與已發(fā)布的解決方案匹配。從這個意義上講，AI角色小組表現(xiàn)出色。這是否是由於真實的性能與以前掃描案例歷史記錄的原因尚不清楚。當(dāng)我直接問是否以前看到此案時，LLM否認它已經(jīng)遇到了此案。

不要相信LLM告訴您它沒有掃描某些東西。 LLM可能無法確定它已經(jīng)掃描了內(nèi)容。此外，在某些情況下，人工智能本質(zhì)上可能撒謊，並告訴您，如果您願意的話，它沒有看到一種內(nèi)容，一種掩蓋。

傾向於AI角色

人工智能角色是現(xiàn)代生成AI和LLM的一種非常有利的能力。以精心策劃的方式使用AI角色是一個明智的舉動。您可以讓AI角色作為團隊工作。這很容易提高結(jié)果。

您應(yīng)該認識到的一個快速問題是，如果LLM正在執(zhí)行所有角色，那麼您可能不會完全了解自己的想法。另一種方法是使用單獨的LLM代表角色。例如，我可以連接五個不同的LLM，並讓每個LLM模擬我在迷你體驗中使用的角色。這個想法是，通過使用單獨的LLM，您可以通過不嘗試調(diào)用角色來避免單個LLM懶洋洋的雙重交易的機會。 LLM可以這樣偷偷摸摸。

目前的最後想法。

馬克·吐溫（Mark Twain）著名地提供了這一講述：“協(xié)同效應(yīng)是當(dāng)事情和諧合作時所獲得的獎勵?！笔褂肁I角色的編排可以達到一定程度的協(xié)同作用，否則這些類型的分析就不會表現(xiàn)出來。話雖這麼說，有時您也可以在廚房裡有太多廚師。

確保適當(dāng)?shù)乩肁I角色編排，您希望獲得甜美的聲音和令人印象深刻的結(jié)果。

以上是通過診斷人類心理障礙的多個基於AI的角色來策劃心理健康建議的詳細內(nèi)容。更多資訊請關(guān)注PHP中文網(wǎng)其他相關(guān)文章！