一句話總結：當醫學生習慣讓AI代勞「思考」與「推理」，他們失去的不是「記憶力」，而是從零到一建立臨床直覺的能力——這項能力，恰好是區分「匠人」與「專家」的關鍵分水嶺。
核心要點
- AI不是「更快的搜尋引擎」，而是「思考迴路的外包商」。傳統資料庫檢索迫使學習者主動拆解問題、過濾雜訊、拼湊線索；但生成式AI直接遞上「近乎完美的結論」，等於跳過整個推理鍛鍊過程。
- 資深醫師與醫學生的風險完全不同。史丹佛醫學生西馬爾巴賈傑與約翰斯霍普金斯外科副主任約瑟夫薩克蘭在《衛報》指出：老手失去的是「記憶細節」，補回來很快；但新手從未建立過「病理演繹網絡」，一旦沒了AI，連基本診斷都可能當機。
- 專用醫療AI的表現，竟輸給通用型聊天機器人。《自然醫學》最新研究打臉：號稱專為醫學微調的OpenEvidence等工具，準確度與穩定性普遍落後於ChatGPT和Claude，表現僅與Google備受爭議的「AI概覽」差不多。
- 全美已有約三分之二醫師日常使用AI臨床助手。這代表AI早已不是「未來式」，而是「現在進行式」。但若把可靠度堪憂的系統當作年輕醫師的決策依靠，等於是在醫療安全的地基上埋未爆彈。
- 「尷尬與犯錯」才是醫學教育真正的催化劑。過去被導師點出鑑別診斷的漏洞，那種心理衝擊會讓學生記住一輩子；現在AI三秒給出完美清單，學生連犯錯的機會都沒有，當然也無從深刻學習。
- 生成式AI的威脅，與過去所有醫療科技有本質不同。MRI或血液分析儀是「放大醫師的眼睛」，AI卻是「直接取代醫師的大腦」。當思考被外包，醫學教育就不再是教育，而是操作手冊的填鴨。
說真的，每次看到「AI 會讓醫療變得更精準」這種論調，我就忍不住想翻白眼。問題從來不在於工具本身，而在於我們怎麼用它——以及，我們有沒有意識到它正在悄悄改變什麼。
史丹佛大學醫學院的巴賈傑（他同時也是記者）和約翰斯霍普金斯的薩克蘭醫師，最近在《衛報》拋出一個尖銳問題：如果醫學生從入門就開始依賴AI，他們到底是在學「診斷」，還是在學「操作AI」？
傳統的醫學訓練，其實是一套「刻意讓你卡關」的設計。想像一下：沒有AI的年代，一個醫學生面對不明原因發燒的病患，得自己從生理學、病理學、藥理學的記憶庫裡翻找線索，絞盡腦汁擠出一份鑑別診斷清單，然後戰戰兢兢地遞給導師。導師瞄一眼，冷冷補上三個他完全沒想到的罕見病因——那一刻的羞愧感，會讓學生牢牢記住這三個病，可能記一輩子。
但現在呢？學生打開OpenEvidence或任何一款醫療AI，輸入症狀，三秒鐘就拿到一份完美無缺、條理分明的診斷清單，連罕見病的機率都幫你算好了。他不曾犯錯，不曾遺漏，不曾經歷那種「被釘在黑板前腦袋一片空白」的尷尬——但他也從未真正「思考」過。
巴賈傑和薩克蘭點出一個很殘酷的現實：「既有技能的退化」還算小事，真正可怕的是「從一開始就未能建立獨立推理能力」。對於已經擁有完整臨床思維體系的資深醫師來說，AI像是個記憶輔具，忘掉的細節補回來就好；但對於正在「長腦子」的醫學生，AI直接跳過了神經元建立連結的過程。等他們畢業後獨當一面，沒有AI在身邊時，那會是什麼場景？我不敢想像。
更諷刺的是，這些被寄予厚望的「專業醫療AI」，表現其實沒有比較厲害。《自然醫學》最近一篇研究直接戳破這個泡泡：專為醫學設計的語言模型，在回答專業問題的準確度上，竟然普遍輸給ChatGPT和Claude這類通用型聊天機器人。研究團隊甚至直言，這些醫療模型的表現「跟Google那個被罵翻的AI概覽差不多」。一個連基本事實都常常出包的系統，我們卻把它當作臨床決策的依靠？這不是醫療，這是賭博。
美國現在已經有大約三分之二的醫師在日常工作中使用OpenEvidence這類AI工具，這數據不是來自某個未來趨勢報告，是現在、此刻、正在發生的事。工具已經嵌進臨床流程，擋都擋不住。但問題是——我們有沒有在醫學教育中，先教會學生「沒有AI時該怎麼思考」？
話說回來，我並不是要妖魔化AI。醫療領域的AI應用勢不可擋，我也不認為該走回頭路。但醫學教育的核心從來都不是「記住所有知識」，而是「在資訊不完整的情況下做出合理的判斷」。這種「模糊中的決策力」，必須從大量的錯誤、修正、再錯誤、再修正中長出來，無法靠餵資料速成。
編輯觀點：從產業面來看，我認為接下來三到五年，醫學教育會迎來一場「被迫的反思」。當AI已經從工具變成共犯結構的一部分，問題不再是「要不要用」，而是「怎麼教才能讓思考不被取代」。台灣的醫學院如果現在不把「無AI推理訓練」納入必修，十年後我們培養出來的醫師，可能會是技術上很會操作系統、但臨床上毫無直覺的「數位原生代」。這不是危言聳聽——教育最怕的，不是教得太慢，而是教了不該教的，卻沒教最重要的。
我常在想，如果一個醫學生從入學到畢業，所有的診斷練習都有AI輔助，那他畢業時，腦袋裡裝的到底是醫學知識，還是AI的操作手冊？這兩者的差異，可能要到某天系統當機、連線中斷、或遇到AI從未見過的特殊病例時，才會真正浮現——但那時候，病人就坐在他面前。
醫學訓練中「艱難思考」的價值，遠遠被低估了。那種面對複雜病例時腦中同時運轉數十種可能性的緊繃感、那種在最後一刻靈光乍現的頓悟、那種因為曾犯過錯而對某個症狀特別警覺的直覺——這些都無法透過「輸出→接收」的AI互動來養成。它們必須來自真實的認知掙扎，來自面對導師時的緊張，來自深夜翻書查資料的疲憊，來自曾經漏掉一個診斷而耿耿於懷的自責。
AI沒有錯，錯的是我們讓它從「輔助者」變成了「代勞者」。而這條界線，在醫學教育現場正以極快的速度模糊化。
給醫療現場的兩個實際建議
如果你在醫院帶學生、或在醫學院教書，有兩件事現在就可以做：第一，規定某些臨床練習「禁用AI」——讓學生至少在某些案例中，必須用自己的腦袋跑完完整推理流程；第二，把AI當作「事後驗證工具」而非「事前解答工具」——先讓學生提出自己的診斷清單，再用AI對照，討論差異，而不是一開始就讓AI給答案。這兩個動作，會決定他們未來是「會思考的醫師」，還是「會按按鈕的技術員」。
一句話結論
AI不會讓醫學生變笨，但會讓他們「從未學會聰明」——而醫學教育的當務之急，是在擁抱工具之前，先確保思考能力沒有被外包。
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，真的會影響臨床推理能力嗎？
會。史丹佛與約翰斯霍普金斯專家指出，生成式AI跳過「主動思考與試錯」的關鍵階段，可能導致醫學生從未建立完整的病理演繹網絡，離開工具後難以獨立診斷。
目前美國有多少醫師在日常工作中使用醫療AI工具？
根據最新數據，美國已有約三分之二的醫師採用OpenEvidence等臨床AI聊天機器人作為日常工作輔助。
專為醫療設計的AI模型，表現比通用型AI更好嗎？
不一定。《自然醫學》研究顯示，醫療專用模型的準確度與穩定性普遍落後於ChatGPT與Claude，表現僅與Google爭議不斷的「AI概覽」相當。
醫學生該如何正確使用AI，才不會讓思考能力退化？
建議把AI當作「事後驗證」而非「事前解答」工具：先自行完成鑑別診斷推理，再用AI對照結果並討論差異，保留完整的認知掙扎過程。
醫學教育現場可以怎麼因應AI帶來的挑戰？
建議將部分臨床練習設為「禁用AI」時段，強迫學生使用傳統推理方式，並在課程中增加「無AI診斷訓練」的比重。
※ 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。
