Does an AI Psychologist Actually Work? Evidence on AI Therapy Chatbots

怀疑者有理由追问，AI 心理学家是否真能带来可衡量的作用，还是只是听上去很有支持力。诚实的、基于证据的答案是：能，但有真实的局限。2025 年 3 月发表于 NEJM AI 的首个生成式 AI 治疗聊天机器人随机对照试验，以及一系列涵盖数万名参与者的荟萃分析，都指向对抑郁和焦虑存在可衡量的、小到中等的益处。以下是研究实际所说的内容——包括证据充分之处、薄弱之处，以及它不适用于谁。

这既不是炒作，也不是全盘否定。这是对标志性的 Dartmouth Therabot 随机试验、跨越 18 个国家、涵盖数万名参与者的荟萃分析，以及证据基础仍然薄弱的具体环节的一次审视。

本文综述已发表的研究，不构成医疗建议。AI 心理学家不能取代持照临床医生。如果你在美国正处于危机中，请拨打或发短信至 988（自杀与危机生命线），或发送 HOME 至 741741。若有即时危险，请拨打 911。

简短的答案：可衡量的益处，但有局限

在这些试验的语境中，”有效”有一个狭义、可检验的含义——在看任何数字之前，值得先把它界定清楚。一旦这个含义明确了，证据的样貌就不再像营销，而开始像一份正常、并不完美的临床研究基础。

这里的”有效”究竟意味着什么

在这项研究中，”有效”指的是与对照组相比、在设定的试验窗口内（多为 4 到 8 周）测得的具有统计学意义的症状减轻。它并不意味着治愈，也不意味着等同于多年的心理治疗。效果是真实但适度的，而且到目前为止，它集中体现在专门构建的认知行为疗法（CBT）工具上，而非通用型聊天机器人。

这一区分比本文中任何单一的百分比都更重要。随机对照试验（RCT）是研究者最信任的设计，因为它将一款 AI 治疗聊天机器人与真正的对照组进行比较，从而把工具本身的效果与安慰剂、时间或仅仅是被关注的作用区分开来。

为什么答案是”是，但是”

最好的单一数据集——Dartmouth 的 Therabot 试验——显示抑郁和焦虑症状有显著的减轻。更广泛的荟萃分析汇总了数十项试验，证实这是小到中等的效果，而非孤立的异常结果。但几乎全部证据都适用三条限定条件：证明益处能够持续所需的随访数据很薄弱；底层研究的偏倚风险往往很高；而最有力的证据属于一类狭窄的专门构建工具，而非泛泛而言的聊天机器人。

标志性研究：Dartmouth 的 Therabot 试验

关于生成式 AI 治疗聊天机器人能否改变临床症状，目前已知的大部分内容都来自一项试验，因此值得梳理一下它究竟检验了什么、发现了什么。

试验发现了什么

首个生成式 AI 治疗聊天机器人的随机对照试验于 2025 年 3 月发表在 NEJM AI 上。Dartmouth 的研究者招募了 210 名患有重度抑郁障碍、广泛性焦虑障碍，或临床上进食与饮食障碍高风险的成年人，将其中 106 人随机分配到 Therabot，104 人分配到候补名单对照组。在第四周和第八周后，治疗组的抑郁症状下降了 51%，焦虑症状下降了 31%，与进食障碍相关的身体形象顾虑下降了 19%——研究作者形容这些减幅可与门诊治疗通常所见的效果相媲美。

Therabot 本身并非通用型聊天机器人；它是专门基于 CBT 最佳实践和临床对话模式训练的，这在很大程度上说明了为什么它的结果不会自动迁移到其他 AI 工具上。

治疗联盟的意外发现

参与者在试验期间使用 Therabot 约六小时，大致相当于八次治疗会谈，而其中约四分之三的人当时并未接受任何其他心理健康治疗。值得注意的是，他们对这款软件的信任程度，接近患者通常对人类治疗师所报告的水平。

我们没有预料到人们几乎会把这款软件当作朋友。这在我看来说明，他们确实在与 Therabot 建立关系。

Nicholas Jacobson, Dartmouth (Therabot lead researcher)

对于一款自助式数字工具而言，这种投入程度是不寻常的——在这类工具中，中途退出通常是任何可衡量效果的最大障碍。

荟萃分析在数千人身上说了什么

单独一项试验，无论设计得多好，都不足以确立一个覆盖整个领域的规律。这正是荟萃分析的用途，而在 AI 治疗聊天机器人方面，它们如今已覆盖足够大的样本，可以有把握地说出一些结论。

小到中等，但一致。一项聚焦青少年和青年的 2025 年荟萃分析，汇总了 18 个国家的 31 项随机对照试验和 29,637 名参与者，发现抑郁的标准化均数差为 −0.43，焦虑为 −0.37，总体心理困扰为 −0.35。按常规临床基准，这些是适度的效应量，但在一个大到足以排除偶然性解释的样本中，它们在统计上是稳健的。由于研究人群偏年轻（15–39 岁），这些具体数字最直接地针对该年龄组，而非广义上的成年人。

效果在短期内最强。另一项针对较短干预的荟萃分析发现了相同的规律：显著但微小的改善集中在使用的前四到八周，与 Therabot 试验本身的窗口高度吻合。过了那个时间点，关于益处是否持续的数据就明显变得更薄弱。

结局指标	标准化效应量（SMD）	解读
抑郁	−0.43	小到中等
焦虑	−0.37	小到中等
总体心理困扰	−0.35	小
感知压力	−0.41	小到中等

这些数字来自对 31 项 RCT 的汇总分析，而非某个单一产品的营销宣称，这正是研究者将其视为目前可得的、最接近领域整体答案的原因。

并非所有”AI 治疗师”都一样：专门构建 vs 通用型

“AI 治疗师”这个词被套用到两类截然不同的软件上，而证据只支持其中一类。

证据实际所在之处

到目前为止讨论的每一项试验，检验的都是一款专为心理健康构建、以 CBT 为基础的工具——Therabot，以及在更早的研究中，Woebot 和 Wysa。这些产品从一开始就围绕临床方案设计，在受控研究中接受检验，并根据结局数据不断迭代。这一证据基础并不延伸到诸如 ChatGPT 之类的通用型大语言模型，后者尚未在随机临床试验中就治疗用途得到验证。

• Therabot——专门构建的 CBT 聊天机器人，在一项 210 名参与者的 RCT 中接受检验（NEJM AI, 2025）
• Woebot——较早的基于 CBT 的聊天机器人，有已发表的试点和 RCT 证据
• Wysa——以 CBT 为依据的聊天机器人，有已发表的有效性研究
• 通用型 LLM 聊天机器人（例如 ChatGPT）——没有验证治疗用途的临床试验

为什么这一区分很重要

美国心理学会（American Psychological Association）已警告，被当作治疗替代品使用的通用型 AI 聊天机器人可能带来真实的风险，正是因为它们缺乏专门构建工具所设计的临床防护栏和验证。本文讨论的正面试验结果属于一类狭窄的、结构化的、经临床设计的产品——而不属于某人恰好正在对话的任意聊天机器人。

特征	专门构建的 CBT 聊天机器人（例如 Therabot）	通用型 LLM 聊天机器人（例如 ChatGPT）
基于 CBT 方案训练	是	否
在随机对照试验中接受检验	是（Therabot：NEJM AI, 2025）	否
被 APA 标示的临床风险	较低，但仍需监督	较高——被明确标示
预期用途	心理健康支持	通用型对话

证据的诚实局限

上文的每一个数字都来自真实的试验，但这些试验背后的研究者对数据实际能延伸到多远都很坦率——值得照实看待，而不是略过不读。

以下是当今限制证据基础的因素：

1. 大多数纳入的研究在设计或报告上存在较高的偏倚风险。
2. 用研究者评定确定性的标准框架 GRADE 衡量，总体证据质量被评为极低到低。
3. 最大的那项荟萃分析中，31 项研究里有 17 项的失访率高于 20%，意味着相当一部分参与者在完成前退出。
4. 31 项研究中只有 15 项收集了任何随访数据，这不足以确认益处在试验结束后是否得以维持。
5. 整项荟萃分析中，只有三项研究专门检验了生成式 AI，而非较旧的基于规则的聊天机器人——因此对于最新一代工具而言，用研究者自己的话说，其大规模有效性仍属未知。

即便是 Therabot 的作者们——他们的试验产生了迄今该领域最有力的结果——也得出结论：没有任何生成式 AI 智能体已准备好在心理健康护理中完全自主运行，而密切的临床医生监督对于安全部署仍然必不可少。

那么，AI 心理学家能取代你的治疗师吗？

综合以上所有内容，证据支持 AI 心理学家扮演一个具体、有界的角色——而不是笼统的是或否。

证据所支持的现实角色

当今可得的数据支持将 AI 心理学家作为一个低成本、可及的第一步或护理的补充——对于轻到中度的抑郁和焦虑症状、在真实会谈之间练习应对技巧，以及面临漫长候补名单或人类治疗成本障碍的人，它确实有用。它并不支持把 AI 心理学家当作持照临床医生的替代品，也明确不支持依赖它进行诊断、药物管理、创伤治疗或危机护理。

证据所支持的：

• 针对轻到中度抑郁或焦虑的低成本、可及的第一步
• 在真实治疗会谈之间练习应对技巧的补充
• 面临漫长候补名单或人类护理成本障碍者的权宜之计

证据所不支持的：

• 心理健康状况的诊断
• 药物管理
• 创伤治疗
• 危机或紧急护理

任何在权衡是否要尝试的人，都可以逐一思考研究本身提出的这些问题：

1. 你的症状是轻到中度，而非严重或复杂吗？
2. 你在考虑的工具是专为心理健康构建的（如 Therabot、Woebot 或 Wysa），还是通用型聊天机器人？
3. 如有需要，你是否能获得持照临床医生进行诊断或用药？
4. 你是用它来补充治疗，还是作为治疗的完全替代？
5. 在你需要之前，你是否已了解本地的危机资源（988、741741、911）？
6. 你是否在几周内跟踪症状是否真的在改善，而不是想当然地认为它们在改善？

常见问题

AI 治疗真的有效吗？

对于轻到中度的抑郁和焦虑，专门构建的 CBT 聊天机器人在随机试验中显示出小到中等、具有统计学意义的短期益处——真实但适度，并非包治百病。

Dartmouth Therabot 研究发现了什么？

在首个生成式 AI 治疗聊天机器人的 RCT（2025 年发表于 NEJM AI）中，与候补名单对照组相比，8 周内抑郁症状下降 51%，焦虑下降 31%，进食障碍顾虑下降 19%。

CBT 聊天机器人对抑郁和焦虑的效果如何？

一项涵盖 31 项随机试验和 29,637 名青少年及青年的荟萃分析发现，抑郁的标准化减幅约为 −0.43，焦虑约为 −0.37——属于小到中等的效果，在前 4-8 周最强。

AI 治疗的益处会持续吗？

尚不清楚。随访数据很薄弱——最大的那项荟萃分析中，31 项研究里只有 15 项收集了任何随访数据——而研究者指出，效果可能在干预期结束后消退。

AI 治疗能取代人类治疗师吗？

不能。即便是最有力的正面试验背后的研究者也表示，生成式 AI 尚未准备好在心理健康护理中自主运行；它最适合作为补充，而非替代，且绝不用于危机护理。