AI医疗浪潮下的医生成长之问：技术赋能与临床根基如何共存

当人工智能以前所未有的速度渗透进医疗体系，一场关于“人”与“机”角色边界的讨论正悄然升温。2025年初，在香港举办的高山书院十周年论坛上，国家传染病医学中心（上海）主任张文宏抛出一个颇具争议的观点：他所在医院目前拒绝将AI引入病历书写系统。这一表态在科技驱动医疗革新的大背景下，犹如投石入水，激起了层层涟漪。

在张文宏看来，医生的成长是一条必须亲身跋涉的路径。从实习医师到住院医师，再到独立诊疗的专家，每一步都依赖于对病例的深度思考、反复推敲与经验积累。而AI若过早介入病历撰写与诊断建议，可能让年轻医生跳过关键的学习阶段——他们不再需要逐字梳理症状、分析体征、构建鉴别诊断，而是直接依赖算法输出的结果。“一旦形成依赖，未来如何判断AI给出的答案是否正确？”他反问道。在他眼中，真正的医学能力，不仅在于得出结论，更在于拥有质疑结论、验证逻辑的能力。

这并非是对技术的全盘否定。事实上，张文宏坦言自己也会使用AI工具处理复杂病例。面对每日海量的临床信息，他会先让AI快速浏览并整理资料，作为初步参考。“但我看一眼就知道它哪里错了。”这种底气，源自多年一线实战积累的临床直觉与专业判断。然而，他担忧的是，尚未建立扎实医学思维的年轻医生，缺乏足够的“纠错能力”，极易被看似严谨实则存在偏差的AI结论误导，从而陷入“技术依赖—能力退化”的恶性循环。

当前，不少医疗机构正积极推进AI落地。自2025年DeepSeek等高性能大语言模型问世以来，多家医院已将其整合进内部系统，用于自动提取病史、生成初版病历、辅助制定诊疗方案。这些专用医疗大模型经过严格的数据清洗与隐私保护训练，能够在保障信息安全的前提下提升工作效率。支持者认为，AI能减轻医生文书负担，使其更专注于患者沟通与复杂决策，尤其在基层医疗资源紧张的现实中，具有现实意义。

但效率提升的背后，也潜藏着教育断层的风险。医学教育本质上是一种“ apprenticeship model”（师徒制模式），强调在实践中学习、在错误中成长。书写病历不仅是记录过程，更是思维训练：如何归纳主诉、厘清现病史、进行系统回顾，都是临床推理的重要环节。若这些工作被AI代劳，年轻医生或将失去打磨基本功的机会。正如外科医生不能跳过解剖练习直接上手术机器人，内科医生同样需要经历从零构建诊断思路的过程。

值得深思的是，张文宏的立场并非反对AI本身，而是警惕其应用方式与时机。他主张，在医生完成基础训练、建立起独立判断力之前，应尽量减少对AI诊断功能的依赖。技术应当成为“助手”，而非“导师”。理想的路径或许是分阶段引入AI：初期用于数据归档与信息检索，待医生具备足够资质后，再逐步开放更高阶的分析功能。

此外，制度设计亦需跟进。医院在部署AI系统时，可配套建立“AI使用评估机制”，监控年轻医生的临床思维发展情况，防止过度依赖。同时，教学体系应强化对AI输出的批判性审视训练，教会下一代医生如何“与AI对话”，而不是被动接受结果。

技术不会停下脚步，但医学的本质始终是“以人为本”。无论是AI还是传统诊疗，最终目标都是更好地服务患者。在这个过程中，我们既要拥抱创新带来的便利，也要守护住医学传承的核心价值——那便是通过千锤百炼的实践，培养出会思考、敢担当、能决断的真正医者。

未来的智慧医疗图景中，AI或许会成为每位医生的标配工具，但唯有当人类智慧依然主导诊疗决策，医学才不至于沦为算法的附庸。