DRUGONE

人工智能（AI）正在以前所未有的速度进入医学教育体系。从大型语言模型（LLMs）到临床决策支持系统，AI已经在诊断、用药安全、工作流程优化以及专科医疗可及性方面展现出巨大潜力。然而，随着AI逐渐成为医学学习和临床训练中的“默认助手”，研究人员开始担忧一种此前尚未被充分讨论的风险：医学生与年轻住院医师可能在形成临床思维能力之前，就已经过度依赖AI，从而无法真正建立独立临床推理能力。研究人员将这一现象称为“never-skilling（永不熟练化）”。


文章指出，“never-skilling”不同于传统意义上的“deskilling（技能退化）”。后者通常发生在已经具备能力的资深医生身上，即由于长期依赖AI而导致既有技能逐渐退化。而never-skilling则发生在能力尚未形成的学习阶段，意味着学习者从一开始就没有真正建立独立思维能力。此外，还有一种“mis-skilling（错误技能化）”，即学习者不加批判地接受AI错误输出，从而形成错误的临床认知模式。


尽管目前尚缺乏直接证据证明never-skilling已经在医学教育中发生，但研究人员认为，这一风险具有坚实的教育学理论基础，并已经在非医学场景中出现早期信号。文章进一步提出了一个“三阶段能力保护框架”，希望在AI融入医学教育的同时，确保医学生仍然能够建立扎实的独立临床推理能力。



近年来，AI在医学中的应用迅速扩张。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。例如，AI能够提高诊断准确率、优化围手术期管理、降低药物错误，并扩大基层地区对专科医疗的获取能力。研究人员认为，未来医生必须具备与AI协同工作的能力。


然而，一个关键问题逐渐浮现：“如何在不削弱独立临床思维能力的前提下，将AI整合进医学教育？”


研究人员指出，目前AI的发展速度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开始在学习和临床工作中使用ChatGPT等AI工具，但绝大多数医学院尚未建立完善的AI教育框架。美国数据显示，2024年已有约三分之二医生开始使用AI，但只有不到15%的教师和学生真正具备正式AI训练背景。


文章进一步指出，这一问题不仅影响教育质量，还可能影响：

  • 患者安全；

  • 医师执照认证；

  • 医疗责任划分；

  • 医疗体系稳定性；

  • 全球医疗公平。

如果未来医生只能在AI辅助下完成临床工作，那么一旦AI失效、资源不足或发生系统错误，医生可能无法独立应对复杂临床情境。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相关能力风险划分为三种类型。


第一种是deskilling，即技能退化。例如，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，就可能将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临床推理架构。


例如：

  • 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，学习者可能在AI环境下表现良好，但在需要独立思考的高风险执照考试或紧急场景中暴露真实能力不足。

图1：AI替代导致“never-skilling”的机制路径图。


为什么AI与过去技术不同


文章特别强调，AI与过去医学技术革命存在本质区别。


例如：

  • 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。


然而，AI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暴露时间发生了变化。过去技术通常在医生已经具备基础能力后才开始使用，而现在AI从医学院第一天就已触手可及。研究人员认为，此时真正的问题不再是：“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并非空想，而是有明确教育学理论支持。


首先是“Desirable Difficulties（理想困难）”理论。该理论认为，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）”。专家能力形成依赖大量高强度、反馈驱动的问题解决过程。如果学生仅仅依赖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）”。临床推理依赖工作记忆中的复杂schema（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“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可能阻碍能力形成。


初步实验证据与早期信号


虽然目前尚无直接临床教育证据，但研究人员已经观察到一些值得警惕的早期信号。


例如：

  • 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，腺瘤检出率下降约6%；

  • 另一项研究发现，长期使用LLM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。

更重要的是，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；

  • 但在后续无AI闭卷考试中，学生成绩反而下降约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，因为它会制造一种“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schema。例如，学生可能知道AI给出的糖尿病酮症酸中毒诊断是正确的，但并未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基础上。如果学习者从未建立独立临床思维，就根本没有能力验证AI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为“AI结果的传递者”，而非真正的临床决策者。


三阶段AI医学教育框架


为应对never-skilling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）”。在这一阶段，学生必须在无AI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错误。例如：

  • 学生需要发现AI中的错误诊断；

  • 解释AI推理漏洞；

  • 比较AI与自身判断之间的差异。

研究人员提出了“DEFT-AI”教学框架，包括：

  • Diagnosis（识别AI使用方式）；

  • Evidence（验证AI输出依据）；

  • Feedback（反思AI依赖行为）；

  • Teaching（针对性教学）；

  • AI recommendation（指导后续AI使用）。

第三阶段是“协同实践阶段（collaborative mode）”。此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。

图3：三阶段AI医学教育框架。


研究议程与未来挑战


文章最后提出了未来的重要研究方向。


研究人员认为，目前最迫切的问题包括：

  • 哪些能力必须独立掌握？

  • AI-free训练应持续多久？

  • 哪些技能可以合理交由AI？

  • 如何建立AI时代的新型医学能力认证体系？

此外，文章强调，还需要建立新的长期纵向研究，比较：

  • AI-native学生；

  • 传统训练学生；

在长期临床表现上的差异。


研究人员还提出，未来医学执照体系甚至可能需要区分：

  • AI辅助能力认证；

  • AI独立能力认证。


讨论


文章认为，AI并非医学教育的敌人。真正的问题并不是“是否使用AI”，而是“何时、如何以及在什么阶段使用AI”。


如果AI以“直接给答案”的方式过早介入学习阶段，它可能替代建立临床推理所必须的认知努力；但如果AI以“引导思考”的方式参与教学，则可能加速能力形成。因此，未来医学教育的关键，不是培养“会用AI的人”，而是培养：


“即使没有AI，也能够独立完成临床推理的人。”


文章最后强调，never-skilling目前仍是一个理论模型，而非已被证实的现象。但由于这一风险一旦在整代医生中形成，将极难逆转，因此研究人员认为，现在就必须开始系统性研究与干预。

整理 | DrugOne团队


参考资料


Ke, Y., Jin, L., Ong, J.C.L. et al. AI-induced never-skilling in medical education. Nat Med (2026). 

https://doi.org/10.1038/s41591-026-04438-y

内容为【DrugOne】公众号原创｜转载请注明来源

内容中包含的图片若涉及版权问题，请及时与我们联系删除