有家长跟我们说过这样一件事……

孩子两岁多，不太说话，也很少主动看人。她一开始只是觉得“性格慢一点”，但心里又隐约不安。

后来，她在网上看到一个工具，说“上传一段孩子的视频，AI可以评估自闭症风险。”

她犹豫了很久，还是试了一下。结果出来得很快：“高风险提示”。

那一刻，她的第一反应不是“这工具准不准”，而是要不要立刻去医院？是不是已经晚了？之前是不是忽略了什么？

但真正去医院之后，医生的回答却没有那么“确定”：“目前还不能下诊断，需要再观察一段时间。”

同一个孩子，一边是AI给出的“明确提示”，一边是临床上的“谨慎判断”。

很多家长第一次感受到的，不是答案，而是更大的不确定。

这些年，“AI能不能诊断自闭症”这个问题，被越来越多地提起。

一边是不断出现的新研究，结果看起来很亮眼；另一边，是临床一线始终保持的谨慎——可以参考，但不能依赖。

2025年9月发表的人工智能方法自闭症谱系障碍筛查回顾

然而，这些技术无论从哪个维度切入，最终都直面同一个核心挑战：在自闭症诊断这项依赖行为观察与专业判断的复杂过程中，研究报告中“亮眼”的AI结果，要跨越到临床现实，究竟面临哪些鸿沟？

要理解这一点，我们必须首先回到临床诊断的起点。

1

自闭症的诊断本来就不是一件“有标准答案”的事情

自闭症的诊断没有一个可以直接对应的生物学指标，也不是靠一张检查单就能迅速确定。更多时候，医生依赖的是对行为的观察，再结合ADOS、ADI-R这样的评估工具。

这些工具是成熟的，但最后一步，仍然需要人去理解行为。

也正因为如此，同一个孩子，在不同评估者那里，有时会出现不完全一致的判断。再加上评估需要时间，也依赖专业资源，很多孩子真正进入系统评估时，往往已经不算早了。

AI正是在这样的背景下被引入的。

目前对AI使用的更主流的共识是，它不能用来替代诊断，但可以让“早期筛查”更容易的普及。

一些系统综述和Meta分析显示，在标准化数据环境中，AI模型的敏感性和特异性大约可以达到85%到92%。但这些数字，需要放在背景里看。

数据可以很漂亮，

但现实世界从来不按数据的方式运作。

2看行为听语言

AI处理视频的方式和人不一样。

2020年3月发表的多模块人工智能方法简化儿童自闭症诊断

人是整体去看一个孩子，而AI会把视频拆成一帧一帧的数据——眼神有没有停留、有没有回应、表情有没有变化，这些都会被转成特征。

医生其实也在看这些，只不过医生依赖的是经验；而AI依赖的是模式。

在一些标准化研究中，这种方法表现不错。但其中的问题也很快显现出来。

这些效果，往往建立在被“整理过”的数据之上。画面清晰、场景稳定、行为已经被标注好。

一旦进入真实生活，比如家里随手拍的视频，情况就完全不同了。光线会变，角度会变，孩子当天的状态也会变。

模型是在整理过的世界里长大的，

但孩子生活在真实世界里。

除了“看”行为，还有一条路径是“听”语言。

2025年10月发表的使用学习设备对儿童语音转录进行自闭症谱系障碍筛查

AI 对语言与语音分析关注的不是说了什么，而是怎么说。句子结构、停顿位置、语调变对于……这些细节，AI往往更敏感。

AI在这里做的事情，更像是在分析语言的“结构”，而不是理解内容。

有些研究甚至发现，仅通过语音特征，就可以在一定程度上区分不同发展轨迹的儿童。这让它在远程筛查中看起来很有潜力。

但同样的问题也存在：语言受年龄、文化和环境影响很大，在不同人群之间，模型的稳定性仍然有限。

3多模态与真实世界的差距

近年来，一个很明显的趋势是多模态融合。

简单说，就是把行为、语言、问卷，甚至生理数据放在一起分析。逻辑其实不复杂：自闭症本身就不是单一维度的问题，只看一部分，很容易遗漏信息。

2025年11月发表的 人工智能在自闭症谱系障碍诊断中的应用:面部、语音和文本分析方法的范围综述

从结果来看，多模态方法通常更好。但代价也很直接——模型变得越来越复杂。很多时候，连研究者自己也很难完全说清楚，它到底是依据什么做出判断的。

这件事在科研里或许可以接受，但一旦进入临床，就变得很关键。因为临床并不只需要一个“结果”，更需要一个“理由”。

现在很多AI模型，能给出的只是一个结论：高风险，或者低风险。

但如果继续追问——为什么？是因为目光接触少？语调比较单一？还是某些重复行为？模型往往说不清楚。

不能解释的判断，

很难真正进入临床。

但是实际问题是，如果不知道问题具体在哪里，后面的干预，其实很难展开。

因为对临床来说，诊断从来不是为了“分类”，而是为了“干预”。如果不知道问题在哪，再准确的判断，也很难帮到孩子。

而且，还有一个更隐蔽的风险。

AI很擅长抓取模式，但它并不理解这些模式的意义。有时候，它捕捉到的，可能只是“看起来有关”的信号，而不一定是核心问题。

比如光线、背景、拍摄方式，甚至一些无关的细节，都有可能被模型当作“特征”。有时候问题不在于它准不准，而在于它到底在看什么。

再往深一层看，会发现一个更根本的限制。

自闭症的核心困难，在于社会性互动。而“社会性”本身，是高度依赖情境的。

一个孩子可能语法很完整，但在对话中很难维持话题；也可能有回应，但缺乏真正的互动意图。

这些差别，人可以在具体情境中慢慢理解，但对AI来说，很难通过几个可量化指标真正把握。最关键的能力，往往也是最难被机器理解的那一部分。

而这背后，其实还有一个基础问题：我们能提供给AI学习的数据，本身就是有限的。

尤其是“社交行为”这种内容，本来就很难被标准化标注。什么算自然互动？什么算有效回应？这些问题，人之间都未必完全一致。

所以我们可以这样理解，AI目前更擅长做的，是发现“可能存在差异”，而不是解释这些差异意味着什么。

现在我们把所有研究放在一起看，稍加思考，就可以得到一个清晰的结论：

AI更适合做辅助，而不是替代诊断。

它可以帮助更早识别风险，提高筛查效率，也能在一定程度上减轻评估负担。

但真正的判断，仍然需要人来完成。

AI可以帮我们更早看到问题，但不能替我们理解问题。

最后，也许可以换一个角度来看这件事。

AI在这个领域带来的变化，不只是技术层面的。它其实在慢慢改变一件更基础的事情——我们如何去观察一个孩子。

过去，我们更多依赖经验和直觉；现在，这些细节开始被拆开、记录，再重新组合。

这不会让答案变得更简单。但至少，让我们看见的东西，比以前更细了一些。

AI让我们看见更多，但理解一个孩子，始终是人的工作。

参考文献（向上滑动阅览）

1.Jia, S.-J., Jing, J.-Q., & Yang, C.-J. (2025).A review on autism spectrum disorder screening by artificial intelligence methods.Journal of Autism and Developmental Disorders, 55(9), 3011–3027.https://doi.org/10.1007/s10803-024-06429-9 (PubMed)

2.Reilly, A., Walsh, N., O’Reilly, D., Smyth, M., Gorman, K., Ostadabbas, S., & Power, C. (2025).The role of machine learning in autism spectrum disorder assessment and management.Pediatric Research, 98(7), 2503–2517.https://doi.org/10.1038/s41390-025-04566-0 (PubMed)

3.Zhang, S. (2025).AI-assisted early screening, diagnosis, and intervention for autism in young children.Frontiers in Psychiatry, 16, 1513809.https://doi.org/10.3389/fpsyt.2025.1513809 (PubMed)

4.Aldakhil, A. F., & Alasim, K. N. (2025).Diagnostic accuracy of AI-based models for autism spectrum disorder: A systematic review and meta-analysis.Research in Developmental Disabilities, 167, 105166.https://doi.org/10.1016/j.ridd.2025.105166 (PubMed)

5.Han, W., Yang, X., Li, X., Wang, J., Liu, J., & Pang, W. (2026).Machine learning-based diagnosis of autism spectrum disorder using eye-tracking data: A systematic review and meta-analysis.International Journal of Medical Informatics, 208, 106235.https://doi.org/10.1016/j.ijmedinf.2025.106235 (PubMed)

6.Mohammadi, F., Shahrokhi, H., Asadzadeh, A., Pirmoradi, S., Moghtader, A., & Rezaei-Hachesu, P. (2025).Artificial intelligence in autism spectrum disorder diagnosis: A scoping review of face, voice, and text analysis methods.Health Science Reports, 8(11), e71476.https://doi.org/10.1002/hsr2.71476 (PubMed)

7.Rakotomanana, H., & Rouhafzay, G. (2025).A scoping review of AI-based approaches for detecting autism traits using voice and behavioral data.Bioengineering, 12(11), 1136.https://doi.org/10.3390/bioengineering12111136 (MDPI)

8.Agrawal, R., & Agrawal, R. (2025).Explainable AI in early autism detection: A literature review of interpretable machine learning approaches.Discover Mental Health, 5, 98.https://doi.org/10.1007/s44192-025-00232-3 (Springer)