效能鸿沟：为何AI无法取代心理治疗师

核心观点

• 大型语言模型（LLM）目前被用作“治疗师”或心理学家的辅助工具，理论上可以处理简单的心理健康支持，但在现实中存在严重问题。
• 现有LLM永远无法达到足够的准确性以取代专业的心理学家，其根本缺陷在于无法处理那些相对罕见但需要复杂专业干预的情况。
• 心理学家的核心专业价值在于评估、判断以及在关键时刻识别并处理复杂、高风险个案的能力，这是LLM无法替代的。

LLM作为治疗工具的现实与局限

• 理论上的辅助 vs. 现实中的问题：LLM在概念上可以作为心理学家的有效辅助，但实际应用却问题重重。

• 无法替代专业判断：大多数日常咨询内容看似简单，但专家的价值体现在：

  • 能够评估并区分哪些是常规简单问题，哪些需要高强度的专业训练和干预。
  • 持续进行复杂评估，预防那些罕见但困难的问题爆发。
  • 在需要时，能立即采取跟进、制定预防计划或进行转介。

• 与其他行业的类比：

  • 如同家庭医生的大部分建议（如减肥、多睡眠）看似可由非专业人士给出，但其不可替代性在于对少数复杂病例的诊断和决策能力。
  • 如同自动驾驶汽车在99.99%的情况下有效，但0.01%的错误率在涉及人类生命的复杂认知任务（如心理治疗）中是不可接受的。

为何LLM无法填补最后的“效能鸿沟”

• “效能鸿沟”的存在：简单技术和LLM可能达到相对较高的效能，但永远无法达到100%。这最后的差距，正是心理学家接受专业训练所要应对的领域。
• 忽视鸿沟的危害：仅满足于LLM当前效能会导致对大量来访者的不可逆伤害，已有研究报道使用LLM“治疗师”与自杀意念、问题症状甚至精神病性怀疑的增加有关联。

• 数据与技术的根本限制：

  • 根据“英杰尼亚定理”，要填补最后几个百分点的效能差距，所需的学习数据量将呈指数级增长。
  • 当准确率接近100%时，训练所需的数据量需求将接近渐近线，而现实中根本没有足够的数据来跨越这个鸿沟。因此，100%的准确性是不可能的。

LLM与精算方法的本质区别

• 设计目标不同：

  • 精算方法：以预测准确性为核心目标，有证据表明其在评估上常常比甚至是最有经验的心理学家的专业判断更准确。
  • LLM：其核心目标是利用从互联网获取的海量数据生成看似合理的自然语言，“看似准确”比“真正准确”更符合其设计意图。这与纯粹追求准确性的精算模型有本质区别。

对心理学专业发展的启示

• 明确专业定位：人工智能和LLM治疗师的概念可以促使人类心理学家进行积极的反思和改进。

• 调整训练重点：心理学家的训练应更侧重于：

  • 识别、治疗和预防那些LLM无法处理的罕见且困难的个案与问题。
  • 虽然仍需熟练掌握基本的支持性咨询、观察等待、预防性技能发展等相对简单的任务，但核心驱动力应放在预防、识别和处理不常见及复杂的情境与心理健康问题上。
• 不可替代的价值：训练有素、经验丰富的心理学家在处理最困难、最复杂问题上的专业能力，是实施所有形式心理服务的基石，这是LLM（或美发师、神职人员等）永远无法取代的。