医学教育者警告，过早依赖AI可能使未来医生失去核心临床判断力

为何这一警告正变得愈发紧迫

人工智能进入医学培训的速度，已经快于围绕它建立教育护栏的速度。在《Nature Medicine》发表的一篇新观点文章中，一个大型国际研究团队指出，这一时机至关重要。他们担心的不只是学生在AI辅助下偶尔出错，而是如果在培训最早阶段过度依赖AI，可能会完全阻碍基础临床推理能力的形成。

作者给这种风险取了一个专门的名字：“never-skilling”。他们用这个术语来区分学员无法建立核心技能的情况，与更常见的、经验丰富的专业人员“deskilling”问题区分开来。他们还将其与“mis-skilling”区分开来，后者是指学生吸收了AI系统的错误输出，并把它们内化为医学知识。

这种区分很重要，因为医学建立在分阶段的能力之上。学员在获得独立执业资格之前，必须学习如何收集证据、权衡不确定性、识别模式并为决策辩护。如果AI系统过早承担了过多这种认知工作，作者认为，学生表面上看起来很高效，却没有获得安全医疗最终所依赖的判断力。

论文如何看待现有证据

这篇论文对当前证据状态保持了谨慎。它并未声称已经存在来自医学教育的直接实证，证明广泛的never-skilling已经发生。相反，它表示这一担忧建立在既有学习理论和来自非临床场景的早期警示信号之上。因此，这篇文章与其说是确认危害，不如说是在教育实践围绕未经充分检验的假设固化之前，发出行动呼吁。

这是关于专业教育中AI争论的一个重要细节。许多机构仍在决定，应把生成式AI视为标准生产力工具、严格监督的支持系统，还是只适用于培训早期阶段的受限技术。这篇观点文章正落在这一政策讨论的中间：作者写道，AI本身并非有害，但其影响取决于它何时、如何被引入。

这种表述避免了两个极端。它既不主张在医学中全面禁止AI，也不接受“更多接入就必然带来更好学习”的观点。相反，它认为顺序是关键变量。学生首先需要具备不依赖AI也能推理问题的基础能力，然后需要一种结构化方式来校准对机器输出的信任，只有在此之后，才应在监督下把AI整合进临床教育。

一个三阶段的培训框架

作者提出了一个他们称为“保护能力”的框架，大致分为三个阶段。第一阶段是建立不依赖AI的基础胜任力。实际上，这意味着学习者应当在AI成为常规认知伙伴之前，先证明自己可以独立完成核心推理任务。

第二阶段是批判性校准。这里的目标不只是使用AI，而是学习它什么时候有帮助、什么时候薄弱，以及如何用临床证据和人类判断来检验它的答案。这个阶段把怀疑精神视为一种必须有意识教授的技能。

第三阶段是受监督的整合。只有在基础能力和校准都建立之后，AI才应成为临床学习工作流的一部分，即便如此，也必须在保留问责和专家监督的条件下进行。

这个框架之所以引人注目，是因为它把问题从“AI是否属于医学教育”转变为“在广泛采用之前，需要怎样的教育架构”。这对机构来说是一个更难回答的问题，因为它意味着要重新设计课程、制定明确标准，并采用新的评估方法，而不是简单地设定访问权限规则。

为何这一争论超越医学

这篇文章的更广泛意义在于，它捕捉到了高风险职业中正在浮现的挑战。AI可以压缩时间、自动生成草稿并减少阻力。但在人的判断伴随伦理与安全后果的领域里，效率并不是唯一重要指标。教育体系还必须培养出能够识别错误输出、解释决策，并在技术失灵时安全行动的人。

在医学中，这一义务尤其严苛。临床推理不仅是记忆，还包括语境、模糊性、与患者沟通，以及对不完整信息的纪律性处理。一个在AI辅助下得到正确答案的学员，如果无法解释这些答案如何得来，或者无法察觉系统何时出错，仍然可能准备不足。

这篇观点文章没有给出最终规则，作者也明确呼吁在政策固化前进行进一步实证研究。但它确实在这个快速变化的领域画下了清晰界线：医学院不应把早期AI熟练度误认为医学胜任力。

这一论点很可能超越医学院产生共鸣。随着AI工具在课堂和职场中变得普遍，核心政策问题也许不再是人们能否使用这些工具，而是机构是否仍知道如何教授那些正被技术逐渐遮蔽的底层技能。

本文基于《Nature Medicine》的报道。阅读原文。