斯坦福大学医学院学生西马尔·巴贾杰与约翰斯·霍普金斯医学中心创伤外科副主任约瑟夫·萨克兰在《卫报》联合撰文指出，人工智能在医学教育中的渗透正引发系统性风险。两位专家强调，过度依赖AI工具可能导致医学生丧失临床推理能力，这种危害远超表面看到的技能退化问题——未形成核心能力的医生将面临无法弥补的职业缺陷。
内部调研数据显示，美国临床领域已出现技术依赖的显著趋势。约67%的在职医生在日常工作中使用OpenEvidence等医疗专用AI聊天机器人，这项原本为辅助决策设计的技术，正悄然改变着传统医疗工作流程。更令人担忧的是，最新发表于《自然·医学》的研究证实，这些专业医疗模型在解答临床问题时，准确率反而低于ChatGPT等通用型大语言模型，其表现仅与饱受争议的谷歌AI摘要功能相当。
研究团队通过对比测试发现，当被问及复杂病例的诊断思路时，医疗专用AI给出的答案存在系统性偏差。这种偏差不仅体现在医学知识的准确性上，更关键的是缺乏对临床决策逻辑的呈现。相比之下，通用型AI虽然可能包含非专业信息，但能更完整地展示推理链条，这种差异对医学教育具有决定性影响。
"临床训练的本质是构建认知框架，"巴贾杰解释道，"当学生可以直接获取完美答案时，他们失去的是通过试错建立知识体系的机会。"他描述了传统教学模式的转变：过去医学生需要花费数小时分析病例，在可能遗漏关键诊断的焦虑中完成学习，这种压力恰恰是形成临床直觉的重要途径。而现在，AI工具能在几秒内提供完整解决方案，使学习过程变成了简单的信息搬运。
两位专家提出双重应对策略：其一，建立"无AI实践日"制度，要求医学生定期在脱离技术辅助的环境下处理真实病例，这种模式借鉴了航空业飞行员定期手动驾驶的训练要求；其二，重构医学评价体系，将独立思考能力纳入核心考核指标。萨克兰特别指出："适度的认知挑战带来的挫败感，其实是专业成长的必要催化剂。"
医疗界对AI的争议折射出更深层的教育困境。随着技术渗透加速，如何平衡效率提升与能力培养成为关键命题。巴贾杰团队的研究显示，过度依赖AI的医学生在独立接诊时，问诊时间平均延长40%，且更频繁地请求上级医师协助，这暗示着技术依赖可能造成反向效率损失。如何在数字化浪潮中守护医学教育的本质，成为全球医学院校共同面临的挑战。
