北京
想象一下這樣的場景：一名醫學生面對復雜病例，不再絞盡腦汁列出可能的診斷，而是隨手打開AI聊天機器人，幾秒鐘拿到一份近乎完美的答案清單。省力嗎？省力。但這份省力，可能正在悄悄偷走他本應建立的臨床推理能力。
斯坦福大學醫學院醫學生西馬爾·巴賈杰和約翰斯·霍普金斯醫學中心創傷外科醫生約瑟夫·薩克蘭，近日在《衛報》撰文表達了同樣的擔憂。他們警告說，醫學生使用AI帶來的問題已經相當令人擔憂——不只是技能退化，更可能是從一開始就沒有真正形成技能。兩人寫道：“忘記如何推理的醫生還有可能重新掌握這種能力，但從未學會如何推理的醫生可能就做不到了。”
他們列出了兩個尤其令人不安的發現，每一個都值得醫學教育者細品：
1. AI已經大規模滲入臨床工作流。據內部數據，美國約三分之二的醫生已經在使用專門面向臨床醫生的AI聊天機器人OpenEvidence。這意味著這項技術早已不是實驗室里的新鮮玩具，而是實實在在地嵌入了醫務人員的日常工作。當工具變得如此普及，年輕人自然會把它當作默認的“外掛大腦”，而不是輔助思考的參考書。
2. 醫療專用AI的可靠性，反而不如通用聊天機器人。一項發表在《Nature Medicine》上的新研究評估了醫療專用大語言模型的表現，結果讓人意外：這些臨床AI工具回答醫療問題的水平，竟然比不上ChatGPT和Claude這類通用產品。研究人員稱，其整體表現大致與谷歌“AI概覽”相當——而后者早已因答案不穩定、不準確而“臭名昭著”。連專門的醫療AI都靠不住，指望靠它練出扎實的診斷功夫，顯然不現實。
有人可能會說：AI就算不完美，至少能幫醫學生查資料、開思路吧？兩位作者的回應很直接：即便暫不考慮可靠性問題，AI也不能取代學習者親自動腦思考。因為學習過程中，艱難思考本身就是重點。他們舉了個扎心的例子：過去，受訓者要列出可能的診斷時，得費力思考，最后可能只交出一份不完整的清單，然后從遺漏中學習，有時還要忍受難堪。現在呢？只要問一句OpenEvidence，就能得到幾乎完美的答案，連自己從未想到的可能性都列好了，還不用經歷遺漏診斷的尷尬。
聽起來很美好，但代價是什么？是思考過程的消失。巴賈杰和薩克蘭特意強調，AI和過去醫學技術進步的根本區別在于：以前的技術是在擴大醫生能看到的世界，而AI直接介入醫學訓練本應建立的認知機制。換言之，它不是在幫你鍛煉肌肉，而是在替你完成舉鐵動作——練完之后，肌肉根本不會長。
那怎么辦？兩位作者給出了幾個方向。一個思路是要求受訓者定期在完全沒有AI幫助的情況下獨立處理病例，這和美國聯邦航空管理局建議飛行員定期關閉自動駕駛、手動駕駛飛機的邏輯如出一轍——飛行員的技能不能荒廢，醫生的推理能力也一樣。另一個辦法則有點意思：靠“羞恥感”約束。當醫學生意識到自己離了AI就不會看病時，這種難堪或許能倒逼他們重新撿起基本功。
說到底，AI是工具，不是替身。對醫學生而言，診斷推理能力不是靠答案喂出來的，而是靠一次次試錯、遺漏、臉紅之后長出來的。如果從入學起就習慣了AI代勞，那畢業時拿到的可能只是一紙文憑，而不是一個會看病的醫生。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
