事件總覽：從「輔助檢索」到「直接給答案」，生成式AI只花了不到兩年就改寫了醫學教育的遊戲規則。但史丹佛與約翰霍普金斯的專家聯手示警：這套捷徑，正在讓未來的醫師大腦裡，長不出一張完整的疾病地圖。

如果你以為，醫學生用ChatGPT查病例，就跟當年你用Google搜尋文獻一樣，只是「數位轉型」的自然演進——那你就太小看這波AI浪潮了。

傳統的醫學資料庫檢索，說穿了是一場腦力馬拉松。你得自己想關鍵字、翻找一堆研究摘要、再把零散的臨床數據拼湊起來，像在玩一場沒有說明書的拼圖。而生成式AI呢？它直接把拼好的圖端到你面前，還附贈邊框跟裱框服務。

問題就出在這裡。史丹佛大學醫學生西馬爾．巴賈傑與約翰霍普金斯醫學中心的外科副主任約瑟夫．薩克蘭，日前在《衛報》聯名投書，點出了一個讓醫學教育界背脊發涼的事實：這群年輕學子從一開始，就沒有經歷過那個「拼湊」的過程。

換句話說，過去我們擔心的是「技能生鏽」——現在更恐怖的是「大腦根本沒長出肌肉」。

📅 資深醫師與菜鳥的最大差別：不是年資，是腦迴路

巴賈傑與薩克蘭在文章裡做了一個很犀利的區分。他們認為，對於一個已經行醫多年的資深醫師來說，就算一時忘了某個罕見疾病的診斷步驟，只要重新翻書、接受提醒，那股臨床直覺很快就能回來。為什麼？因為他的腦海裡早已建立了一套完整的病理演繹網絡，就像一條走過千百次的山路，就算暫時被雜草覆蓋，拿把刀砍一砍就能重新通行。

但對於從醫學系一年級就抱著AI大腿的學生呢？他們從未親自走過那條路。

說得直接一點：當你習慣用導航走路，你永遠不會記住地圖。等到有一天導航失靈，你連校門口都走不出去。

📅 比「不會思考」更恐怖的事：AI本身也不可靠

如果AI真的完美無缺，那「依賴」或許還算是某種策略。但偏偏，現實不是這麼回事。

巴賈傑與薩克蘭引用了一項發表在《自然醫學》（Nature Medicine）的研究，數據讓人有點心驚：目前美國已有約三分之二的醫師在日常工作中使用一款名為OpenEvidence的臨床AI聊天機器人。聽起來很潮對吧？但這項大規模評估卻發現，那些號稱經過專業醫療數據「特訓」的專用模型，回答問題的準確度竟然輸給ChatGPT和Claude這種通用型聊天機器人。

甚至更難堪的是，這些醫療專用模型的表現，大概只跟Google之前那個被罵翻的「AI概覽」差不多。記得那個會建議用戶「在披薩上加膠水」的AI嗎？把這種等級的工具放進診間，說好聽一點是輔助，說難聽一點是在幫醫療糾紛埋地雷。

編輯觀點：從產業面來看，這其實點出了一個長年被忽略的結構性問題——我們太習慣把「科技導入」當成進步的同義詞，卻很少停下來問：導入的到底是助力，還是拐杖？在AI輔助工具如雨後春筍般出現的此刻，醫學教育最急迫的恐怕不是「教學生怎麼用AI」，而是「教學生在什麼時候不該用AI」。說得殘忍一點，如果你連一套完整的鑑別診斷邏輯都生不出來，那你憑什麼判斷AI給的答案是對的？未來三年，我們極有可能迎來第一批「AI養成」的住院醫師，到時候真正該緊張的不是他們的考試分數，是躺在病床上的你我。

📅 尷尬，是醫學訓練裡最被低估的養分

巴賈傑與薩克蘭在文章裡描述了一個經典的醫學教育場景：在傳統的臨床教學中，主治醫師會要求醫學生列出某個病例的可能診斷清單。學生絞盡腦汁，往往還是會遺漏幾個關鍵項目。然後，就在全組同學面前，被老師點出漏洞。

「你怎麼沒考慮到XXX？」

當下那種臉紅、支支吾吾、恨不得找個洞鑽進去的尷尬感——在AI時代，被徹底消除了。

因為現在的學生只要把症狀打進軟體，三秒鐘之內就會出現一份條理分明、涵蓋各種罕見病因的「完美解答」。跳過了被糾正的過程，也跳過了那個讓知識真正「長進腦子裡」的瞬間。沒有人喜歡尷尬，但有時候，尷尬才是最好的老師。

這句話聽起來像心靈雞湯，但背後其實有扎實的認知科學基礎。那種輕微的挫折感會觸發大腦的「錯誤警覺機制」，讓你在下次遇到類似情境時，優先記住這個教訓。跳過了這一步，你擁有的不是知識，只是暫時的答案。

📅 這次不一樣：AI不是聽診器，是大腦的外包商

支持AI的人可能會說：當年X光機發明的時候，也有人擔心醫師會失去觸診的能力；血液分析儀普及的時候，也有人哀悼手工檢驗的技藝失傳。但這次，情況真的不太一樣。

過去的醫療科技，不管是MRI還是質譜儀，本質上都是在「擴大人類感官的極限」——讓醫師能看到更細微的病灶、測到更精確的數值。它們扮演的是感官的延伸。

但生成式AI做的事情，是直接跳到「思考中樞」去代勞。它幫你把症狀分析好、鑑別診斷列出來、甚至治療建議都寫好。這已經不是視野的延伸，這是認知能力的代工。

當思考的過程被全程外包，醫學教育最核心的「臨床推理能力」就像被溫水煮青蛙一樣，不知不覺間消失殆盡。

至今影響與未來展望

巴賈傑與薩克蘭的警告，其實戳破了醫學界長期以來的一個集體自我安慰——「反正AI只是工具，人腦才是最終決策者。」但事實是，當這套工具在養成階段就介入學習歷程，最終做出決策的那顆「人腦」，可能從一開始就沒有被完整建構過。

接下來兩三年，我們會陸續看到第一批在AI全面輔助下完成訓練的醫學生走入臨床。到時候，真正的考驗才會開始。他們能不能在沒有AI的環境下獨立完成診斷？遇到AI給出錯誤建議時，有沒有能力辨識與質疑？這些問題的答案，不僅關乎醫學教育的成敗，更直接影響到每一個進醫院掛號的普通人。

說到底，AI可以是一個很好的助理，但絕對不能是主治醫師。如果我們讓未來的醫師在養成階段就習慣把思考責任交給演算法，那十年後的診間裡，坐在你面前的可能不是一位醫師——只是AI的傳聲筒。

如果你正在醫學系就讀，或身邊有正在接受醫學訓練的朋友，不妨問問自己這個問題：今天我面對一個病例，關掉所有AI工具，我還能講出一套完整的診斷邏輯嗎？如果答案是否定的，或許該重新思考，你把AI放在學習中的哪個位置了。

本文改寫整理自公開新聞來源，原始報導由T客邦發布。

常見問題 FAQ

醫學生真的會因為用AI而喪失臨床推理能力嗎？

會的。史丹佛與約翰霍普金斯專家指出，若在養成階段就依賴AI給出診斷答案，學生從未建立獨立的病理演繹網絡，離開工具後無法進行複雜診斷。

目前有多少醫師在臨床上使用AI輔助工具？

根據巴賈傑與薩克蘭引述的數據，美國已有約三分之二的醫師在日常工作中使用OpenEvidence這類臨床AI聊天機器人。

醫療專用AI模型的準確度可靠嗎？

不可靠。發表於《自然醫學》的研究顯示，醫療專用模型的準確度低於ChatGPT等通用型AI，表現僅與Google備受爭議的「AI概覽」相當。

傳統醫學教育如何避免被AI侵蝕？

關鍵在於強化「無AI環境下的鑑別診斷訓練」，讓學生經歷犯錯與被糾正的過程，才能建立紮實的臨床推理基礎。

資深醫師用AI跟醫學生用AI的風險有什麼不同？

資深醫師已具備完整推理體系，用AI只是加速；醫學生若在學習階段就依賴AI，則從未建立思考路徑，風險在於「根本沒有能力」而非「技能退化」。

※ 此篇文章由 AI 改寫或生成，內容僅供參考，可能存在錯誤或不準確之處。