你以為把問題丟給ChatGPT，讓它幫你整理出一個完美答案，自己只要負責複製貼上，這叫做「善用工具」？那醫學生如果也這樣幹，將來站在病床前，誰來幫病人的生命負責？
史丹佛大學醫學院的一名醫學生兼記者西馬爾巴賈傑，與約翰斯霍普金斯醫學中心創傷外科醫生兼外科執行副主任約瑟夫薩克蘭，最近在《衛報》聯名發出一記重砲警訊。他們的論點很直接：醫學生若在養成階段過度依賴AI，不只是「退化」而已，而是從一開始就根本沒長出獨立臨床推理的能力。這兩位專家戳破了一個多數人沒想透的盲點——把AI當成進階版Google，是對「思考」這件事最大的誤解。
現象觀察：當「思考」被外包，醫學教育的根基正在鬆動
先說一個核心差異。傳統上，醫師查資料庫，比如PubMed或UpToDate，你得自己下關鍵字、過濾文獻、交叉比對，最後把零散的臨床線索拼成一個診斷假設。這過程很耗神，但正是那「耗神」的每一步，都在鍛鍊大腦的推理肌肉。
AI不一樣。你給它症狀，它直接吐出一份近乎完美的鑑別診斷清單，罕見病因一條條列得清清楚楚。對已經有深厚功力的資深醫師來說，這確實是省時的輔助工具——他們能判斷AI給的答案合不合理。但對還在打基礎的醫學生呢？巴賈傑與薩克蘭點出最核心的恐懼：當學生從未在腦中走完整個病理演繹的過程，他們離開AI後，根本沒有能力獨自面對複雜病患。這已經不是「技能生疏」的問題，而是「從來就沒學會過」。
過去，臨床導師要求學生列出鑑別診斷時，學生會在腦中快速檢索病理與生理機制。被導師糾正遺漏時，那種尷尬與挫折，反而會深刻印在腦海裡，成為下次進步的養分。現在，AI幾秒鐘就給出完美清單，學生連犯錯的機會都沒有，更別說從錯誤中長出記憶了。——巴賈傑與薩克蘭於《衛報》
原因剖析：為什麼醫療專用AI，反而可能更不可靠？
話說回來，如果AI給的答案都正確，那依賴它似乎也沒什麼不好。問題是，AI在醫療場景下的可靠性，遠比多數人想像的還要脆弱。
巴賈傑與薩克蘭引述了一組值得警惕的數字：目前美國已有大約三分之二的醫師在日常工作中使用名為OpenEvidence的臨床AI聊天機器人。滲透率之高，顯示這已經不是「未來式」，而是「現在進行式」。但就在這股熱潮席捲之際，一篇發表於權威期刊《自然醫學》（Nature Medicine）的研究，狠狠地打了醫療AI一巴掌。
研究團隊針對多款標榜「專為醫療打造」的大型語言模型進行系統性評估，結果出爐：這些經過醫學數據微調的專業模型，回答醫療問題的準確度與穩定性，居然輸給ChatGPT和Claude這類通用型聊天機器人。研究作者更直言，這些專業醫療模型的表現水準，大概只跟Google過去引發爭議的「AI概覽」差不多——也就是那個曾經頻繁給出荒謬答案、被網友笑翻的功能。
想像一下，如果一個年輕醫師拿著一個可靠度堪比「搞笑版AI」的工具來輔助診斷，這不是輔助，這是風險的轉嫁。
從產業面來看，我認為醫療AI的市場競爭已經出現嚴重的「數據灌水」現象。廠商急著拿「專為醫學訓練」當賣點，但模型背後的訓練資料與驗證流程卻缺乏第三方監管。《自然醫學》這篇研究點出一個殘酷事實：微調不等於進步，甚至可能因為過度擬合特定資料集而喪失泛用性。對醫院管理者來說，導入AI之前，應該要求廠商提供「與通用模型對照的第三方驗證報告」，而不是只看幾張公關簡報就簽約。醫療安全沒有重來的機會，千萬別拿病人當白老鼠。
影響評估：醫學生將面臨的「能力斷層」有多嚴重？
巴賈傑與薩克蘭在文章中用了一個非常精準的對比：過去的醫療科技進步，比如高解析度MRI或精密血液分析儀，本質上是「擴大醫師觀察生理現象的視野與維度」；但生成式AI不一樣，它是在「直接干預與替代醫學生本應建立的認知思考機制」。
這差別在哪？簡單說，過去你眼睛看得更細、更清楚，但「判斷」還是要靠大腦；現在AI連判斷都幫你做完，你的大腦只需要負責「點頭」。長此以往，醫學生畢業時腦中裝的恐怕不是病理機制，而是一堆對AI答案的「熟悉感」——但醫療現場沒有Ctrl+Z，你無法撤回一個錯誤的診斷。
我必須說，這不只是醫學教育的危機，更是整個社會的隱憂。台灣的醫學系每年養成數百名新血，我們的健保體系之所以強韌，靠的就是基層醫師扎實的臨床判斷力。如果這一代醫學生缺乏獨立推理的訓練，十年後站在第一線的醫師，會不會變成只會「按表操課」的AI傳聲筒？這不是危言聳聽，這是正在發生的事。
趨勢預判：AI不會消失，但醫學教育必須重新設計
當然，我們不可能也完全不應該把AI趕出醫學教育——這不切實際，也違反時代潮流。但醫學院校必須正視一個事實：有了AI之後，教學方法必須整個翻過來重想。如果過去考的是「你能記住多少」，現在考的應該是「你能質疑AI多少」。
比如說，醫學院可以設計「AI輔助判讀」的專門訓練，要求學生先看AI給出的診斷建議，然後找出其中的矛盾點、遺漏的臨床線索，甚至是模型偏誤。這種「第二層思考」的訓練，反而更能培養出有批判力的醫師。問題是，有多少醫學院已經開始這樣調整？坦白說，我看到的還是多數停留在「禁止學生用AI」或「放牛吃草」的兩個極端。
如果你現在是醫學生或醫療從業人員，不妨自己檢視一下：今天你遇到一個臨床問題時，你第一反應是打開AI，還是先在腦中跑一遍自己的推理？
如果你的答案是前者，那可能該給自己一個提醒——AI可以給你答案，但它無法替你長出經驗。經驗來自於犯錯、來自於尷尬、來自於被導師釘在牆上的那一刻。那些不舒服的感受，才是真正讓一個醫師從「會看病」變成「懂看病」的關鍵。
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
醫學生用AI輔助學習，真的會導致推理能力退化嗎？
會。史丹佛大學醫學院專家指出，醫學生若在養成階段過度依賴AI，問題不只是「既有技能退化」，而是從一開始就無法建立獨立的臨床推理能力，因為他們從未在腦中完成完整的病理演繹過程。
醫療專用AI模型比ChatGPT更準確嗎？
不一定，甚至可能更差。《自然醫學》期刊研究顯示，多款經過醫學數據微調的專業模型，回答醫療問題的準確度與穩定性，普遍落後於ChatGPT和Claude等通用型聊天機器人。
台灣的醫學院目前有規範學生使用AI嗎？
目前多數台灣醫學院仍處於觀望或初步討論階段，尚未有統一的官方政策。部分學校採禁止或限制態度，也有教師開始嘗試將AI納入批判性思考訓練課程，但整體來說缺乏系統性的教學改革。
OpenEvidence是什麼？台灣的醫師可以用嗎？
OpenEvidence是美國目前約三分之二醫師使用的臨床AI聊天機器人，專為醫療問答設計。台灣醫師可使用，但須注意該工具的診斷建議僅供參考，最終臨床決策仍應由醫師親自判斷，並建議諮詢專業同儕或臨床導師。
如果醫學生想安全地使用AI，有什麼具體建議？
建議將AI當作「對答案」的工具，而非「找答案」的工具。先用自己的臨床知識推理出診斷清單，再將AI的建議作為對照，檢視自己遺漏了什麼、AI有沒有不合理之處。這種「第二層思考」才是AI時代醫學生該練的真功夫。
※ 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。
About the Author
