AI或导致医生丧失独立思考能力

时间：2026-05-31 09:47

人工智能正在以惊人的速度渗透进医学教育体系。从大型语言模型到临床决策支持系统，AI在诊断、用药安全、工作流程优化甚至专科医疗的可及性方面，都已展现出巨大潜力。但问题也随之而来——当AI逐渐成为医学生和年轻住院医师的“默认助手”，一种此前未被充分讨论的风险开始浮出水面：学生可能在真正形成临床思维能力之

文章明确指出，“never-skilling”和传统的“deskilling（技能退化）”是两码事。后者通常发生在经验丰富的资深医生身上，他们因为长期依赖AI，既有技能逐渐生锈。而never-skilling则发生在能力尚未形成的阶段——学习者从一开始就没有真正建立过独立思维能力。更糟糕的还有一种“mis-skilling（错误技能化）”，即学生不加批判地接受AI的错误输出，把错误的知识内化成了自己的临床认知模式。

尽管目前还没有直接证据证明never-skilling已经在医学教育中大规模发生，但研究人员认为，这一风险背后有着坚实的教育学理论基础，而且在非医学领域已经出现了早期信号。为此，文章提出了一个“三阶段能力保护框架”，希望在AI融入医学教育的同时，确保医学生依然能建立起扎实的独立临床推理能力。

近年来，AI在医学中的应用可以说是突飞猛进。大型语言模型、医学影像AI以及临床决策支持系统，已经在多个专科中展现出接近甚至超越专家的表现。AI能提高诊断准确率、优化围手术期管理、降低药物错误，还能扩大基层地区对专科医疗的获取能力。可以说，未来的医生必须具备与AI协同工作的能力。

但一个关键问题正变得越来越突出：“如何在不削弱独立临床思维能力的前提下，把AI整合进医学教育？”

研究人员指出，目前AI的发展速度远远快于医学教育体系的更新速度。大量学生和年轻医生已经在学习和临床工作中使用ChatGPT等AI工具，但绝大多数医学院还没有建立起完善的AI教育框架。美国的数据显示，2024年已有约三分之二的医生开始使用AI，但真正具备正式AI训练背景的教师和学生，比例还不到15%。

这个问题的影响远不止教育质量本身。它还可能波及：患者安全、医师执照认证、医疗责任划分、医疗体系稳定性，以及全球医疗公平。如果未来的医生只能在AI辅助下完成临床工作，那么一旦AI失效、资源不足或出现系统错误，医生可能完全无法独立应对复杂的临床情境。这意味着，医学教育的目标不能只是培养“会使用AI的人”，而必须是培养“能够独立思考并正确使用AI的人”。

Never-skilling：AI时代的新型能力危机

文章将AI相关的能力风险分成了三种类型。

第一种是deskilling，即技能退化。比如经验丰富的医生长期依赖AI后，可能逐渐失去原本具备的临床能力。第二种是mis-skilling，即错误技能化。当AI输出错误信息，而学习者缺乏辨别能力时，就可能把错误知识内化为自己的临床认知模式。第三种则是本文提出的核心概念——never-skilling。研究人员认为，这种风险主要发生在医学教育早期阶段。当AI替代了学习过程中本应由学生亲自完成的大量认知劳动后，学生可能根本无法形成独立的临床推理架构。

举个例子：学生能够在AI帮助下正确给出鉴别诊断，能够利用AI生成治疗方案，能够完成AI辅助的临床任务——但一旦AI被移除，他们可能完全无法独立完成同样的任务。研究人员进一步指出，这种风险在住院医师培训阶段更加隐蔽。因为许多临床轮转环境已经默认允许AI使用，学习者在AI环境下可能表现得相当不错，但在需要独立思考的高风险执照考试或紧急场景中，真实能力不足的问题就会暴露无遗。

图1：AI替代导致“never-skilling”的机制路径图。

为什么AI与过去的技术截然不同

文章特别强调了一个关键点：AI和过去医学技术革命有本质区别。

看看过去的技术：CT替代了部分体格检查，电子病历改变了信息记录方式，计算器降低了人工计算需求。但这些技术并没有真正替代临床推理本身。医生仍然需要理解影像、整合实验数据并形成诊断。

但AI完全不同。大型语言模型能够直接完成病史分析、鉴别诊断、治疗建议、临床总结。这意味着，AI不仅改变了认知工作的形式，而是在某种程度上“替代”了认知工作本身。

更重要的是，AI暴露的时间点发生了变化。过去的技术通常是在医生已经具备基础能力之后才开始使用，而现在，AI从医学院第一天起就触手可及。研究人员认为，此时真正的问题已经不是：“学生会不会失去技能？”，而是：“学生是否从未真正获得这些技能？”

教育学理论基础

文章认为，never-skilling并非空xue来风，而是有明确的教育学理论支撑。

首先是“Desirable Difficulties（理想困难）”理论。这个理论认为，短期内增加学习难度，反而有助于长期记忆与迁移能力的形成。如果AI过早直接提供答案，就会减少知识真正固化所需的认知努力。

其次是“刻意练习理论（Deliberate Practice）”。专家能力的形成，依赖于大量高强度、反馈驱动的问题解决过程。如果学生只是依赖AI给出诊断，而不是自己进行推理，那么虽然积累了“学习时间”，却没有完成真正的认知训练。

第三是“认知负荷理论（Cognitive Load Theory）”。临床推理依赖于工作记忆中的复杂认知框架构建，而AI可能绕过这一过程，使学生无法建立真正的推理结构。

文章还提到了“专家逆转效应（Expertise Reversal Effect）”。对新手有帮助的指导，对专家可能无益甚至有害。这意味着，AI对不同阶段学习者的影响完全不同：对资深医生，AI可能是增强工具；对新手学生，AI则可能阻碍能力形成。

初步实验证据与早期信号

虽然目前还没有直接的临床教育证据，但研究人员已经观察到一些值得警惕的早期信号。

比如，一项研究发现，经常使用AI辅助结肠镜的资深医生，在失去AI辅助后，腺瘤检出率下降了约6%。另一项研究发现，长期使用大型语言模型写作会降低大脑神经连接强度，并减少对自身内容的记忆能力。

更值得注意的是，一项针对高中数学学习的随机研究发现：使用AI辅导时，学生成绩提高了；但在后续无AI的闭卷考试中，学生成绩反而下降了约17%。

研究人员认为，这种“AI辅助表现优秀，但独立能力不足”的现象，正是never-skilling最危险的地方——它会制造一种“虚假熟练感（false proficiency）”。

图2：AI辅助学习与独立能力下降的机制模型。

Never-skilling的三大机制

文章提出，never-skilling可能通过三个核心机制发生。

第一是“能力获取失败（competency acquisition failure）”。AI过早提供答案，使学生无法建立临床推理的认知框架。比如，学生可能知道AI给出的糖尿病酮症酸中毒诊断是正确的，但并没有真正建立识别非典型病例所需的病理生理推理网络。

第二是“校准悖论（calibration paradox）”。真正有效地使用AI，需要医生知道何时信任AI、何时质疑AI、何时推翻AI。但这种能力本身必须建立在独立推理的基础之上。如果学习者从未建立过独立临床思维，就根本没有能力去验证AI的输出。

第三是“元认知侵蚀（metacognitive erosion）”。医学教育不仅训练知识，更训练面对不确定性的能力、识别自身局限性的能力以及保持谦逊的能力。如果AI长期替代诊断与决策过程，学生可能逐渐把自己理解成“AI结果的传递者”，而不是真正的临床决策者。

三阶段AI医学教育框架

为了应对never-skilling的风险，文章提出了一个“三阶段能力保护框架”。

第一阶段是“基础能力阶段（AI-free mode）”。在这个阶段，学生必须在无AI的环境下建立基础临床推理能力，包括病史采集、鉴别诊断和治疗规划等。AI可以作为学习辅助工具，但不能替代核心推理过程。

第二阶段是“引导整合阶段（learning mode）”。此时AI开始被引入教学，但重点不再是直接给答案，而是帮助学生识别AI的错误。比如，学生需要发现AI中的错误诊断，解释AI的推理漏洞，比较AI与自身判断之间的差异。研究人员还提出了一个“DEFT-AI”教学框架，包括：识别AI使用方式、验证AI输出依据、反思AI依赖行为、针对性教学，以及指导后续AI使用。

第三阶段是“协同实践阶段（collaborative mode）”。这个阶段主要适用于住院医师培训。重点不再是“监督AI”，而是学习如何与AI协作，包括何时推翻AI、何时依赖AI、何时AI能够真正增加价值。