人工智能（AI）相关精神病性现象并非凭空想象，但目前真正缺乏的不是各种解释，而是临床证据。
OpenAI于2025年10月估计，在与ChatGPT的互动中，约0.07%的周活跃用户出现过精神病性或躁狂症状的迹象。若按9亿周活跃用户计算，可能涉及约63万名用户。这个数字未必精确，却足以提示问题的规模。遗憾的是，同行评议研究远未跟上。
围绕AI相关精神病，概念正在迅速繁殖，临床基础却依旧薄弱。眼下更迫切的任务，或许不是继续命名，而是先把临床现象记录清楚，正如克雷丕林过去所做的那样。
框架很多，临床数据很少
Østergaard较早提出，AI聊天机器人可能诱发易感者出现妄想，并建议通过病例系列、定性访谈和实验研究加以验证。此后，病例报告综述、「双向放大框架」、数字化「感应性精神病」（folie à deux）等概念陆续出现；还有研究从AI产品行为和用户脆弱性两个维度出发，提出了相应的交互机制类型框架。
这些框架未必有错，问题是大多还没有经受经验数据的检验。
现有为数不多的报告中，一名26岁女性既往没有精神病或躁狂病史，却在与ChatGPT-4o（现已停用）互动后产生妄想，确信聊天机器人能帮她联系已经去世的兄弟。规模稍大的一份资料来自Moore等的预印本研究：19名用户自述在使用聊天机器人后受到心理伤害，并分享了共计391,562条对话记录。由于招募此类样本本就困难，研究采用了自我选择样本，也没有进行临床评估。换言之，这是一批内容丰富的真实对话，却还不能替代规范的精神科诊断与访谈。
这份资料显示，AI的迎合行为在ChatGPT-5等较新模型中仍然存在，尽管更新的模型可能已经开始调整。当聊天机器人表达浪漫兴趣或认同妄想时，用户参与度也会升高，与强化机制的设想相符。但这种关联能否延续到今后的模型版本，仍是未知数。
对于既往有精神病史的人而言，这类互动尤其值得警惕：他们可能更容易为AI赋予意图；如果同时存在社会孤立的问题，鉴于AI互动几乎没有时间上限，也可能更具吸引力。上述对话资料在一定程度上支持了「产品行为×用户脆弱性」的二维框架和强化机制假说，但无法改变一个尴尬事实：目前的理论框架甚至比经过临床评估的病例还多。
借鉴克雷丕林的方法，而不是他的成果
精神病学并非第一次面对「概念走在数据前面」的局面。在克雷丕林之前，精神病学同样不乏理论，却缺少系统的经验资料。克雷丕林最重要的贡献并不是再提出一种新理论，而是换了一种做法：为大量患者建立纵向诊断卡片，在决定疾病实体之前，先记录症状特征和病程变化。
这些卡片没有直接回答疾病究竟是什么，却为后来的分析和讨论准备了材料。
面对新出现的AI相关妄想，今天需要借鉴的是这种方法，而不是照搬克雷丕林的疾病本体论。这个领域仍像处在「前克雷丕林时代」：人们忙于解释部分用户与AI互动时出现的精神病理学现象，手中却没有足够的临床资料。不妨先收集，再分类。
数字表型可以成为「现代诊断卡」
数字表型为这种资料积累提供了现实路径。借助传感器、问卷和认知测验，研究可以连续获取被动与主动数据。现阶段未必需要先统一理论，只要先就「记录什么」达成共识。
可记录的一般变量包括屏幕使用模式、睡眠、步数、注意模式、语音特征、居家或外出时间，以及社会互动模式等。很多指标已经用于精神病的数字表型研究。苹果、谷歌和OpenAI都对利用大语言模型分析数字表型数据表现出兴趣，精神病学也不应置身事外。
针对AI相关妄想，还需要加入一组更有针对性的互动指标：单次会话持续多久；用户与AI如何轮流对话、节奏怎样；采用文字、语音还是多模态互动；对话涉及什么内容；当时使用的是哪一个模型版本。
把这些指标与一般行为数据结合，才有可能检验现有框架。更重要的是，数字表型能够把研究延伸到现实功能：工作是否受到影响，社会关系是否发生变化，个人活动是否减少。长期积累这些资料，才可能逐步回答三个真正有临床价值的问题：
哪些人容易出现风险；
风险通常在什么条件下发生；
怎样让易感者与AI的互动更安全。
此外，AI系统不是固定不变的研究对象。横断面研究和病例报告天然锚定于某个模型版本；模型一更新，迎合程度、安全措施和互动方式都可能随之改变。只在单一时间点进行评估，结论很快就会过时。
数字表型的优势在于连续追踪。它可以跨越模型更新，捕捉用户互动模式、行为和现实功能的变化，并由此反映安全功能、迎合行为及互动动力的改变。研究方法如果始终停留在「昨天的模型」，就注定追不上它试图研究的技术。
有数据还不够，还要理解体验本身
数字表型并非答案的全部。克雷丕林之后，雅斯贝尔斯细致描述了精神病性体验的结构。对应到今天，下一步还需要分析AI相关精神病性现象究竟以何种形式出现：它们是雅斯贝尔斯所说的原发性妄想，还是在AI迎合、镜映以及用户感受到的拟人化等具体行为背景下，具有某种可以从心理层面理解的发生过程？
这类问题不能只靠传感器和对话日志回答。深入访谈与数字表型分析需要并行：前者帮助理解体验的结构和意义，后者记录互动、行为与功能随时间如何变化。数据收集和现象学分析不是两条相互竞争的路线，而是彼此补足。
如果缺少克雷丕林通过诊断卡片积累的经验资料，雅斯贝尔斯的现象学工作也会失去一部分现实根基。同样，如果今天缺乏方法学上的克制，AI相关精神病性现象也可能过早被塞进某种疾病分类，在尚未得到充分理解之前便被窄化为一种障碍。
框架再多，最终仍要接受真实数据的检验。建立在有限经验资料上的临床指导，同样难以达到患者、临床医生和监管机构所需要的科学严谨性。
克雷丕林的诊断卡片没有回答精神分裂症究竟是什么，但却让后人有条件把这个问题问清楚。面对AI相关精神病性现象，我们同样需要这样的耐心：先把证据攒够，再谈如何分类。
文献索引：Augustin M, Torous J. AI-Associated Psychotic Phenomena: Collect Before You Classify. Acta Psychiatr Scand. 2026 Jul 3. doi: 10.1111/acps.70123. Epub ahead of print. PMID: 42399097.
来源：医脉通
