想象一下这样的场景：一名医学生面对复杂病例，不再绞尽脑汁列出可能的诊断，而是随手打开AI聊天机器人，几秒钟拿到一份近乎完美的答案清单。省力吗？省力。但这份省力，可能正在悄悄偷走他本应建立的临床推理能力。

斯坦福大学医学院医学生西马尔·巴贾杰和约翰斯·霍普金斯医学中心创伤外科医生约瑟夫·萨克兰，近日在《卫报》撰文表达了同样的担忧。他们警告说，医学生使用AI带来的问题已经相当令人担忧——不只是技能退化，更可能是从一开始就没有真正形成技能。两人写道：“忘记如何推理的医生还有可能重新掌握这种能力，但从未学会如何推理的医生可能就做不到了。”

打开网易新闻 查看精彩图片

他们列出了两个尤其令人不安的发现，每一个都值得医学教育者细品：

1. AI已经大规模渗入临床工作流。据内部数据，美国约三分之二的医生已经在使用专门面向临床医生的AI聊天机器人OpenEvidence。这意味着这项技术早已不是实验室里的新鲜玩具，而是实实在在地嵌入了医务人员的日常工作。当工具变得如此普及，年轻人自然会把它当作默认的“外挂大脑”，而不是辅助思考的参考书。

2. 医疗专用AI的可靠性，反而不如通用聊天机器人。一项发表在《Nature Medicine》上的新研究评估了医疗专用大语言模型的表现，结果让人意外：这些临床AI工具回答医疗问题的水平，竟然比不上ChatGPT和Claude这类通用产品。研究人员称，其整体表现大致与谷歌“AI概览”相当——而后者早已因答案不稳定、不准确而“臭名昭著”。连专门的医疗AI都靠不住，指望靠它练出扎实的诊断功夫，显然不现实。

有人可能会说：AI就算不完美，至少能帮医学生查资料、开思路吧？两位作者的回应很直接：即便暂不考虑可靠性问题，AI也不能取代学习者亲自动脑思考。因为学习过程中，艰难思考本身就是重点。他们举了个扎心的例子：过去，受训者要列出可能的诊断时，得费力思考，最后可能只交出一份不完整的清单，然后从遗漏中学习，有时还要忍受难堪。现在呢？只要问一句OpenEvidence，就能得到几乎完美的答案，连自己从未想到的可能性都列好了，还不用经历遗漏诊断的尴尬。

听起来很美好，但代价是什么？是思考过程的消失。巴贾杰和萨克兰特意强调，AI和过去医学技术进步的根本区别在于：以前的技术是在扩大医生能看到的世界，而AI直接介入医学训练本应建立的认知机制。换言之，它不是在帮你锻炼肌肉，而是在替你完成举铁动作——练完之后，肌肉根本不会长。

那怎么办？两位作者给出了几个方向。一个思路是要求受训者定期在完全没有AI帮助的情况下独立处理病例，这和美国联邦航空管理局建议飞行员定期关闭自动驾驶、手动驾驶飞机的逻辑如出一辙——飞行员的技能不能荒废，医生的推理能力也一样。另一个办法则有点意思：靠“羞耻感”约束。当医学生意识到自己离了AI就不会看病时，这种难堪或许能倒逼他们重新捡起基本功。

说到底，AI是工具，不是替身。对医学生而言，诊断推理能力不是靠答案喂出来的，而是靠一次次试错、遗漏、脸红之后长出来的。如果从入学起就习惯了AI代劳，那毕业时拿到的可能只是一纸文凭，而不是一个会看病的医生。