GPT-4救狗一命！連獸醫都束手無策，AI是怎麼「診斷」出正確病因的？|數位時代 BusinessNext

GPT-4救了我的狗！連獸醫都找不到的病因，AI一看便知

人工智慧技術的進步，推動人類進入全新世代，AI帶來的便利性不僅提高我們的工作效率、協助解決棘手問題，甚至還能夠挽救一條寶貴的性命。近日，推特用戶Cooper以「GPT-4拯救了我的狗」（GPT4 saved my dog’s life）為題發文，表示GPT-4真的能夠在醫療領域派上用場，甚至解決了連獸醫都無能為力的症狀。目前這篇推文點讚已超過2.5萬，約6,000多人轉發。

Cooper表示，他們飼養的邊境牧羊犬Sassy被診斷出患有蜱傳疾病（tick-borne disease），同時還伴有嚴重的貧血症狀。起初Sassy在接受獸醫治療後情況有所好轉，但過幾天卻突然迅速惡化，因此他們再度將狗狗帶到獸醫院進行檢查。為了排除其他與蜱傳疾病有關的合併感染症狀，Sassy進行了多次的血液檢驗，然而結果均顯示陰性；由於找不出Sassy病情惡化的原因，獸醫只能保守建議他們再觀察幾天，心急如焚、不願坐以待斃的Copper急中生智，決定尋求GPT-4的幫助。

GPT-4是怎麼診斷出正確病因的？

Cooper向GPT-4詳細描述了Sassy每一次發病的狀況，除了附上治療過程外，還輸入了兩組當天抽血後的血液檢查結果，最後詢問GPT-4是否能從描述中推導出病情惡化的可能原因。

GPT-4首先發表了一段免責聲明，表示自己並非獸醫，但可以嘗試幫助用戶分析狗狗的血液報告。它很快找出報告中幾項明顯的異常指數，並推測可能有其他原因導致貧血狀況。在Cooper進一步追問後，GPT-4給出了一份詳細清單，羅列出數種可能導致狗狗貧血的潛在原因，在排除了幾項先前做過的陰性檢測後，Cooper將注意力放在GPT-4提到的IMHA上（免疫媒介性榮血型貧血，寄生蟲感染等因素導致血液中出現紅血球異常的現象）。

在向另一名獸醫轉述了聊天機器人給予的診斷，並經過更精確的IMHA檢驗後，GPT-4的推測得到了證實。由於找出真正的病根，搭配相對應的藥物治療，很快地Sassy的病情就開始好轉，狗狗珍貴的性命得到了GPT-4的拯救。

和Google搜尋完全不一樣！GPT-4能成為幫助專業醫療人士的工具嗎？

GPT-4是OpenAI最新推出的語言模型，在發布初期，OpenAI公布了一項由美國醫師學會設計的醫學知識測驗結果，GPT-4在這份題目中的正確率為75%，相較前一個版本GPT3.5所得到的53%正確率，擁有高達22百分點的進步。

在Cooper將這個故事發布在推特上後，隨即引發一陣熱議，大眾開始對GPT-4是否真的能治病而展開激烈討論。有人分享了類似經驗，提到數周前GPT-4曾幫助他找出家中龜背芋植物的問題；持反對意見的人則認為，也許對於狗狗的診斷尚且可以接受，但自己沒辦法在無法保障醫療隱私的情況下，貿然地將病情交給AI診斷。

也有較保守的意見表示，這只是一項特例，就算用Google搜尋，也能查出差不多的結果。事實上，IMHA並非什麼難治之症，在寵物身上非常常見，有網友表示，僅從Cooper給予的描述，就能直接推測出Sassy得了IMHA。

但是兩者最大的不同， 在於Google搜尋沒有辦法像GPT-4一樣，從使用者給予的檢驗報告中逐步且詳盡的分析每一項指標。 假設你在Google搜尋欄詢問造成「頭痛」的原因，Google可能會拋出一個你得了「腦瘤」的回應；然而GPT-4相較起來更加謹慎，它通常會先表示：「頭痛可能由很多不同原因造成，雖然腦瘤是可能因素，但並非常見主因。」並列出其他潛在引發頭痛的狀況，同時建議用戶尋求專業醫療資源的協助。

也許如同部分網友所言，這段故事只是一項特例，但故事中出現的兩名獸醫，第一位沒能及時診斷出病症，另一位則是經由Cooper給予的指導並且排除其餘陰性檢測結果後，才做出正確診斷；然而GPT-4卻僅在一開始就依靠飼主的敘述和檢驗報告就推測出可能結果，這代表AI所擁有的能力是我們難以忽視的強大。最重要的是，和人類醫師不同，AI能夠一次性對所有可能性進行綜合性思考，並從中找出最接近正確答案的選項。

「難以想像20年後醫學診斷的過程會如何發展。」Cooper透過推文表示，他對於GPT-4最印象深刻的部分，是它讀取和解釋血液檢查報告的能力，「我只是從一張紙上抄錄了CBC（全血細胞記數/血液細胞分析）測試值，它就馬上給出詳細說明和參考範圍。」Cooper甚至認為，GPT-4能成為用來幫助專業人士拯救更多性命的重要工具。

GPT-4幫了大忙，但「生病看醫生」還是比較妥當

從Cooper和Sassy的故事中，我們看到了AI貢獻了幫助，然而若全面依賴GPT-4作為診斷和治療的基礎，在目前的技術範圍內仍然是非常冒險的做法。也許GPT-4能在日後成為輔助醫生治療的工具之一，但如果遇到相關問題，比較妥當的方式仍是先尋求專業醫療資源的協助。

責任編輯：陳建鈞、林美欣

快速展店背後的挑戰　如何降低跨據點管理與維運負擔

對連鎖零售企業而言，展店代表商機與成長，但當門市數量快速增加，營運與管理的複雜度也隨之提升。尤其對便利商店（C-store）、餐飲連鎖與其他高密度展店型態的企業而言，總部需要面對的不只是據點數量增加，更包括不同門市的設備管理、系統維護、日常維運與人力配置等多方面挑戰。

過去多據點門市的設備與資訊管理，往往以單一門市為單位，各據點可能擁有不同的攝影機、錄影設備配置與管理模式。當總部需要掌握事件狀況、確認門市營運情形，或進行跨區域管理時，往往需要投入大量人力逐一確認資訊，不僅增加管理負擔，也提高維運成本。

此外，零售產業本身具有高度變動性。門市可能因應市場策略進行展店、搬遷、改裝，甚至調整營運規模。傳統一次性設備投資模式，容易讓企業在面對據點變化時缺乏彈性，也增加設備重新配置與後續維護的負擔。

因此，現代零售企業所需要的不只是單純記錄事件的設備，而是一套能隨企業成長彈性調整、協助總部有效掌握多據點安全資訊，並支援未來智慧應用發展的智慧化管理架構。

從既有設備開始升級　降低全面汰換設備的轉型負擔

面對智慧化轉型需求，許多企業最大的挑戰並非是否需要升級，而是如何在不中斷現有營運的情況下完成轉型。

對已經投入大量資源建置安全系統的零售企業而言，全面汰換既有架構不僅成本高，也可能影響門市日常運作。因此，能夠兼容既有設備並逐步升級的彈性架構，成為企業導入智慧安全管理的重要關鍵。

透過混合雲架構，企業可以從既有設備開始，逐步整合不同據點的安全資訊與管理需求，同時導入雲端管理能力。相較於一次性重新建置，新一代平台架構能協助企業延續既有投資價值，並依照實際需求逐步導入更集中化、智慧化的管理能力。

此外，訂閱式雲端服務模式和混合雲安防架構，也為零售企業帶來更靈活的資產管理方式。相較於頻繁的硬體汰換、傳統一次性採購或繁瑣的跨品牌安防系統的管理，企業更有彈性的因應門市拓展、搬遷、調整或營運規模調整，精準配置資源，降低一次性投入壓力，也減少因據點變動造成設備閒置的情況。

對快速成長的連鎖零售企業而言，安全管理不再是一套固定且難以調整的架構，而是一個能隨企業規模與需求持續演進的平台。無論是新增門市、跨區域管理，或因應營運策略調整，都能以更彈性的方式完成管理升級。

AI 不只是安防工具　更開始協助零售提升營運效率

隨著 AI 技術快速發展，安全管理的角色也正在改變。過去企業導入影像系統主要用於事件記錄、事後查看與追蹤；如今，智慧雲端安防平台則能進一步從大量影像資訊中辨識人、車與行為，協助企業從「看見發生什麼」進一步「理解正在發生什麼」，甚至主動協助管理者發現與處理事件。對門市數量眾多、人力有限的連鎖零售業者而言，AI 正逐步成為降低管理負擔、提升營運效率的重要工具。

從基本事件偵測到自然語言規則　讓 AI 主動理解更多異常情境。 AI 智慧辨識已能針對跌倒、奔跑、徘徊、跨線等常見事件進行自動偵測，協助門市減少人工查看影像的需求。而進一步透過 Think Alert，管理者更可以直接以自然語言設定客製化的偵測條件，將 AI 應用延伸至傳統事件規則以外。以門市尖峰時段為例，店員往往需要同時處理結帳、補貨與顧客服務，總部也難以持續掌握每個據點的即時狀況。透過 Think Alert，管理者可以直接以自然語言設定「在門店入口抽菸的人」等情境；當符合設定條件的畫面出現時，系統即可主動發出警報，協助管理者即時掌握異常狀況。對於門市數量龐大的企業而言，這代表 AI 不只是協助辨識既定事件，更能依據不同營運需求，讓管理者以更直覺的方式設定希望 AI 主動關注的情境。

從大海撈針到快速完成調查　Think Search 搭配 Case Vault(案例庫) 掌握完整事件脈絡。 當事件發生後，如何從大量、多據點的影像中找到關鍵人物與事件脈絡，往往是最耗費人力的環節。透過 Think Search，管理者可以直接用自然語言描述想尋找的對象與情境，例如，當家長反映孩童可能在門市附近走失時，店員或總部人員不需要逐一查看不同攝影機的錄影畫面，只要在 Think Search 輸入「昨日上午，牽著小女孩的男性」等自然語言描述，系統即可協助從大量影像中篩選相關畫面，快速找到相關人物可能出現的時間與位置。若需要進一步追蹤，還能將不同搜尋階段找到的重要畫面與資訊整理至 Case Vault，建立事件時間線與人物移動路徑，協助管理者更完整掌握事件脈絡。

從安全管理延伸至顧客服務與門市營運　讓既有影像創造更多價值。 AI 的應用也不只限於安全事件。例如在咖啡店、餐飲等場景，若顧客將手機、包包等物品遺留在座位或櫃台附近，遺留物與遺失物偵測可以協助門市人員更快發現異常，主動確認並協助顧客處理失物問題；人流分析則能協助企業掌握不同時段的門市活動趨勢，作為空間配置與人力安排的參考；車牌辨識可應用於停車區域或門市周邊管理，而工安防護裝備辨識則能協助後場、倉儲等區域進行安全規範管理。透過這些應用，企業能在既有設備基礎上，進一步將影像資料延伸至安全、服務與營運等不同場景。

對連鎖零售業而言，AI 的價值已不只是「看得更清楚」，而是讓企業更快發現問題、更快找到資訊，並進一步理解事件脈絡與營運狀況。從基本事件偵測、自然語言設定規則，到 AI 搜尋與事件調查，再延伸至顧客服務與營運分析，雲端安防平台正讓影像從被動的紀錄工具，逐步成為支援多據點安全管理與營運決策的重要資訊來源。