ARTICLE · 1069525
99% 的医生要求最终决定权,但 AI 单独跑分更高:这场拉锯战谁让步?
99% 的医生要求最终决定权,但 AI 单独跑分更高:这场拉锯战谁让步?一、先把结论摊开 2026 年 6 月 17 日，国际顶级学术期刊《自然》同期发表了两篇论文，讲的是两个 AI 系统——德国团队做的 MIRA、谷歌做的 AMIE。它们要做的事情，是传统意义上医生的核心工作：问病史、开检查、读结果、下诊断、定治疗方案。 结果很难看。在一场同条件的头对头比较里，MIRA 的诊断准确率是 87.8%，对面四位经验丰富的跨专科医生组成的专家组是 78.1%，住院医师与专家混合组只有 71.1%。 也就是说，AI 赢了医生，而且赢的不是一点点。 但如果因此得出"AI 要取代医生"，那就跳得太快了。真正的事实是这样一个组合： AI 在"看"这件事上已经赢了，但在"担"这件事上还完全没入门。全国超过 300 家三甲医院部署了影像 AI，日常常态化使用的不到三分之一；国家药监局累计批了 127 张 AI 医用软件注册证，而民众最直接的感受是——没感觉。 这不是技术不够，是技术之外的四件事没解决：谁负责、谁付钱、错了谁兜、以及那个"万一"由谁来承受。 这篇文章想把三件事说清楚：AI 医疗今天到底走到了哪一步；它取代不了医生的真正原因是什么；以及如果一定要问"还要多久"，那个答案长什么样。 二、它现在能做什么、不能做什么 把"AI 医疗"当成一个整体去讨论是没有意义的。它在不同任务上的完成度差着量级。 已经做到（接近或超过人类） 乳腺 X 线检出比人类读者高 13.8%–21.6%糖尿病视网膜病变筛查准确率 96%脓毒症提前最多 6 小时预测阑尾炎诊断 98.6%、胰腺炎 92.3% 正在做（能力够、门槛未过） 全流程管理推理（AMIE 首诊方案适当性 95%）用药推理（RxQA 基准疑难病例优于医生）病历文书（减少医生记录时间 40%–45%）多就诊追踪的慢病管理 做不到（结构性短板） 体格检查（诊断最基础的临床技能）真实的共情与在场感告知坏消息、终末期对话、哀伤支持为临床决策承担法律责任 图 1 ｜ 数据来源：《自然》2026 年 6 月两篇论文及相关综述。三层划分按"是否已进入常规临床流程"而非"技术是否可行"。 有一个数字最能说明"能力"和"落地"之间的距离：MedQA 这个医学考试基准已经饱和了——头部模型都在 96% 以上，o1 是 96.52%，GPT-5.1 是 96.38%，Gemini 3.1 Pro 是 96.37%。但换到 HealthBench Hard 这个困难切片，几乎所有模型都趋近于零，最好的一个也只有 0.428，平均 0.222。 考试满分，实战零分。这是理解整件事的关键前提。 三、两个系统，两种赢法 MIRA 和 AMIE 虽然同期发表，但走的是两条完全不同的路。 MIRA（德国）—— 在封闭病历里当医生 开发方：德累斯顿工业大学、海德堡大学等。它不是一个聊天机器人，而是在隔离的电子病历系统内部自主运行的智能体，能调用 11 个工具、从 85,000 多个选项中做选择：开化验、开影像、解读结果、生成鉴别诊断、写治疗方案（含处方、手术安排、办理入院）。 测试集：公开 MIMIC-IV 数据集中 500 多例真实急诊病例，由一个"扮演患者"的 AI 智能体提供信息。 88.9%：八个疾病类别、对照病历记录诊断的准确率87.8%：311 例同条件头对头（医生专家组 78.1%）一个没漏：需要住院的病例零遗漏 AMIE（谷歌）—— 管的是"多次复诊" 双智能体结构：一个负责与患者流畅对话，另一个在后台参考临床指南做更审慎的推理。底层用 Gemini，输出对齐英国 NICE 指南与《英国医学杂志》最佳实践，以及经批准的药物目录。 测试集：100 个多次就诊的病例场景、5 个专科，对手是 21 名初级保健医生；患者由演员通过文本扮演。 95% vs 72%：首诊方案被评为"适当"的比例持平：管理推理能力优于医生：治疗与检查的精准度、指南遵循度、疑难病例用药推理 图 2 ｜ MIRA 论文 DOI: 10.1038/s41586-026-10675-5；AMIE 论文 DOI: 10.1038/s41586-026-10764-5。 但两位作者自己都在踩刹车。MIRA 团队承认，它对"比例虽小但并非为零"的一部分患者，给出了偏离最佳实践的照护建议；而且模拟患者的回答比真实急诊问诊"更有结构"，测试用数据集还可能已经在模型的训练数据里——如果真是这样，测出的性能更像天花板，而不是现实估计。 AMIE 团队的表述更直接：这项工作是"里程碑"，但"尚未准备好用于真实世界转化"，还需要解决藏在系统内部推理步骤里的"潜在推理错误"。而且即便在较简单的问题上，双方的最高分都低于 75%。 注意这个细节：两队都不约而同地强调"测试条件比真实临床更理想"。技术团队自己比媒体谨慎得多。 四、同一期《自然》上的那盆冷水 这是全篇最容易被忽略、也最重要的一段。 两篇论文刊出的同一期，哈佛医学院生物医学信息系的 Arjun Manrai 教授发表了一篇评论，标题叫《医疗 AI 存在测量问题》。他提的问题不是"AI 够不够强"，而是——我们真的知道该怎么衡量它吗？ 他提了三个很难回答的问题。 问题一：能力强，到底是谁的功劳？ 两个系统都建立在通用大语言模型之上：MIRA 用 GPT-4o 与 o1-preview，AMIE 用 Gemini。研究团队在底层模型之上加了复杂的"脚手架"——额外的软件和医学知识。但一个意外发现是：新版本"开箱即用"的通用大模型，能力已经追平了旧版 AMIE 经过精心脚手架增强后的效果；而曾经帮到旧版 AMIE 的那套脚手架，换成新版底层模型后几乎起不到作用了。 这就引出了阿尔伯塔大学 Richard Sutton 那个著名的论断——「苦涩的教训」：随着算力增长，通用方法最终会超越为 AI 系统精心构建的专门架构。 问题二：AI 的迭代速度，远远超过评估速度 底层模型每几个月更新一次，每次进步都让上一轮的评估结论变得更难判断。而最现实的一层担忧是：医生们已经在临床实践中使用 AI 工具了，采用速度很可能已经超过了关于其有效性的证据积累速度。 问题三：同一个问题，两项研究得出相反结论 2026 年另有研究试图回答"专门的医学 AI 模型是否比通用模型更好"，结果是：研究 A 得出"通用模型更优"，研究 B 得出"专门模型更优"。两个团队做的是同一件事，方向完全相反。 Manrai 的结论是：问题不在于哪个研究"对了"，而在于评估方法本身的差异，就足以导致截然不同的结论。因为所有这些研究，都依赖医生的判断来评估 AI 输出—— 一把尺子上的六个变量，每一个都能翻转结论 1. 谁是评判者？全科医生还是专科医生？人数够不够？评判者之间一致吗？2. 是否盲法？评判者知道哪些输出是 AI 的、哪些是医生的吗？3. 标准统一吗？是否给了评判者正式的评判指引？4. 怎么对比？AI 和医生是同时对比，还是分别评估？5. 题目从哪来？测试问题能否代表真实临床场景？6. 结果怎么定？由研究者选定的评判者点头就算，还是有明确定义的结果指标？ 他打了个很通俗的比喻：你要比较两个厨师的厨艺，但每次请的评委不同、评分标准不同、连比赛菜品都不同——得出的结论能有多可靠？ 所以医疗 AI 真正的前沿，也许不是"更聪明"的模型或"更大胆"的智能体——这些每几个月就会被超越。真正的前沿，是"尺子"本身：一套足够耐用、可靠的评估科学，能经受得住被测对象的持续变迁。 他还指了一个方向：过去把 AI 与医生判断做对比是必要的，但更难的挑战在前面——需要在真实临床环境中做前瞻性试验，深入研究人机交互的效果，建立明确定义的结果指标，而不是依赖研究者选定的评判者。 五、最锋利的一个发现：AI 的严重错误，八成是"该做的没做" 2026 年 7 月，斯坦福大学、哈佛医学院等机构的研究者发布了一个专门测"临床危害"的新基准，叫 NOHARM。 它的做法跟传统考试完全不同：不看模型答对多少题，而是问——如果患者真的照着这个建议去做，可能受到多严重的伤害？研究对象包括 20 个通用大语言模型和 4 个在医院里实际使用的临床 AI 工具，覆盖 1,100 个"从初级保健转诊到专科"的真实病例任务、10 个专科，累计 12,747 条专家标注、4,249 个临床管理选项。 潜在严重有害错误率（越低越好） AMBOSS LiSA 2.9% Doximity Ask 4.8% OpenEvidence 5.1% Glass Health 5.4% ChatGPT 5.5 8.9% Gemini 2.5 Pro 12.8% Gemini 3.1 Pro 15.6% Grok 4.3 20.9% Llama 4 Maverick 24.6% 假想对照：永远建议"什么都不做" 37% 图 3 ｜ 条形长度表示潜在严重有害错误率（若建议被直接采纳时的危害概率），基准为 37%。颜色编码：青蓝 = 专用临床 AI 工具（四者差异不显著，但均显著优于所有通用模型）；琥珀 = 通用模型；砖红 = 通用模型中错误率最高的两档；灰色 = 假想的"什么都不做"对照模型。数据为 2026 年 7 月 13 日预印本，未经正式同行评审。该指标衡量的是"若建议被直接采纳"的潜在危害，不等于真实世界的不良事件发生比例。 这张图本身已经很有信息量：四个专用的临床 AI 工具（2.9%–5.4%）全部明显好于所有通用大模型（8.9%–24.6%）。但更值得注意的是研究对错误类型的拆解—— 超过 80% 的严重错误属于"遗漏"。也就是说，更大的危险往往不是 AI 推荐了一个明显危险的操作，而是它没有推荐某个临床上重要的东西。 这一点在临床上格外棘手：错误的药物剂量、明显不合适的干预措施，在医生复核时容易引起警觉；而一项被漏掉的检查、治疗或随访建议，恰恰是复核者最难察觉的——因为医生必须自己本来就知道"少了什么"，才可能发现它少了。 研究者还做了另一组实验：101 名持有美国执照的全科医生参与的随机交叉研究。结果是三层递进，每一层都反直觉—— 第一层 AI 辅助确实提升了医生的表现 相比使用常规资源，接入 AI 的医生表现更好。 第二层 但 AI 辅助的医生，仍低于许多单独运行的 AI 原因之一：医生有时没有采纳 AI 给出的有用建议。 第三层 如果全部采纳，人机组合会同时超过医生和 AI 也就是说，当前损失主要来自"人没有听 AI 的"。 研究者同时提示了一个悖论：虽然人在环内是安全保障，但这个保障会被临床的认知负荷与时间压力削弱；而系统越强大，"自动化偏见"带来的风险反而越高——因为有害错误变得更难被发现，也更容易真的落到患者身上。 这些话把"人机协同"这个温情口号，变成了一个有数据支撑的真问题：人在环内，究竟是安全阀，还是效率损失？如果是前者，代价多大？如果是后者，谁有权决定把这个阀门关上？ 六、AI 出错的三副面孔 如果不看具体怎么错，"AI 会犯错"就只是一句空话。它的错误有三种可测量的形态。 面孔一：顺着错的信息往下编 西奈山的研究团队造了 300 个经医师验证的临床情景，每个里面故意植入一个虚构细节（假化验值、编造的体征、不存在的疾病），跑 6 个模型、5,400 次输出。 默认状态下幻觉率 65.9%，加一句"先核实再作答"的提示降到 44.2%。但最麻烦的数字是：模型重复或扩写那个植入的假事实的比例，最高达 83%。调温度没有帮助。 后续针对 GPT-5 的同协议研究显示：更强的模型在这项测试上反而更差（65% vs GPT-4o 的 53%），加上缓解提示后可降到 7.67%。 面孔二：缺失信息时，直接猜 卡内基梅隆大学的研究者向模型提问时，故意不提供医学图像，看它会不会主动索取。12 个模拟患者画像、覆盖胸片/脑 MRI/皮肤科图像，三个模型共 11,700 次响应。 82% 的情况下模型拒绝作答，但在剩下的 18% 里，它直接编出了一个诊断，而不是索要缺失的图像。 更值得警惕的是偏见：GPT-5 对约 77% 的年轻黑人胸片提问给出"结节病"（一种发病率仅每 10 万人 10–60 例的罕见病）；一位 65 岁白人男性询问皮肤痣，几乎每一次回答都是"黑色素瘤"，而癌症专家估计不到万分之一的痣会癌变。 面孔三：该做的没做 回到 NOHARM 基准的发现：超过 80% 的严重错误是遗漏。 真实临床摘要的独立测量也指向同一处：某生产环境测量显示幻觉率 1.47%、遗漏率 3.45%，但被归类为"重大"的错误里，幻觉占 44%、遗漏只有 16.7%——说明遗漏虽然数量少，单个更严重。而且所有幻觉里有 20% 落在"计划"部分，也就是直接驱动医嘱的那一段。 另一组急诊分诊测试中，AI 对 52% 的真实急症做出了"下调分诊"。 图 4 ｜ 三副面孔对应三类可测错误：事实性幻觉（65.9%／83%）、信息缺失时的编造（18%）与偏见、以及遗漏（占严重错误 80% 以上）。数据分别来自《通讯·医学》2025 年论文、npj Digital Medicine 2026 年后续研究、卡内基梅隆大学研究、NOHARM 预印本及独立生产环境测量。各研究测试条件不同，数字不可直接横向比较。 还有两个数字也值得记住：一份针对 500 多个 AI 生成参考文献的核查发现，只有 32% 是准确的，近一半属于部分编造；而 2026 年一份对 5 个聊天机器人、250 条健康提示的审计显示，49.6% 的回答有问题，19.6% 属于"高度有问题"。美国急救医学会性质的机构 ECRI 更直接把"AI 赋能的健康技术"列为 2025 年第一号健康技术危害，排在网络安全之前。 七、拉锯战：五方各说各话 "AI 能不能取代医生"之所以争不出结果，是因为争论的几方根本不在回答同一个问题。 立场方 核心主张 关键证据 医生方守 AI 必须整合进医生主导的团队、在主治医师指导下使用，是"增强"而非"替代"。医疗是"一门艺术"，不只是任务集合。 美国医学会 2026 年会决议；其首席执行官公开反问："你真的愿意胸痛时去急诊被大模型治疗吗？" 技术资本方攻 生成式 AI 已在收集病史、做出诊断、选择检查、开具治疗、管理慢病五项认知任务上"匹敌或超越"医生；把人类留在环内，可能最终让临床表现更差；而医生的技能正因依赖 AI 而退化。 2026 年《美国医学会杂志》评论文章（作者含知名风投与公共卫生政策人士），明确预言"优越的自主 AI 很可能在 2030 年前"进入部分真实工作流。 患者方摇摆 要准确，也要人。分不出 AI 写的和医生写的，甚至更偏好 AI 写的那份；但仍不愿用 AI 替代医生本人。超过九成要求"必须有人类监督"和"随时能转真人"。 一项百人患者调查中，50% 把"信息准确性"排第一，40% 选"与医生的个人关系"，只有 10% 认为"即时获取"最重要；跨国调研显示，患者对嵌入医生门户的 AI 的信任，是公共聊天机器人的 3 倍。 监管方划线 划清"谁能自称医生"。美国多个州立法禁止 AI 使用 doctor / physician / MD 等受保护头衔，加州已立法可对 AI 系统的开发者或使用者执行头衔保护法。中国口径是"人机协同、以人为主"。 特拉华州、俄勒冈州、华盛顿州相关立法；中国《医疗机构人工智能应用与治理专家共识（2026 版）》明确医师拥有最终诊疗决策权。 数据侧戳破 用跑分把前两方的说法都推翻了：医生用 AI 仍不如 AI 单干，但如果医生全部采纳 AI 建议，人机组合又同时超过两者。所以争论"谁更强"是个伪问题。 101 名执业全科医生的随机交叉研究；以及"人在环内会被认知负荷和时间压力削弱"的机制提示。 现实侧投票 医生实际怎么用，比他们怎么说更能说明问题：用得最多的是行政减负，用来辅助诊断的最少。 医生 AI 使用者中 39% 用于检索研究与诊疗标准、30% 用于制定治疗方案、28% 用于记录就诊，仅 17% 用于辅助诊断；另一项调查中 92% 的医生认为 AI 最大的价值是减少行政负担。 图 5 ｜ 五方立场对照。需要说明的是，"现实侧"的使用比例来自美国医学会 2026 年 3 月调查，样本为医生中的 AI 使用者，不代表全部医生。 把这张表读一遍会发现一件很有意思的事：医生在"该不该由 AI 决定"上口径统一（几乎没有人同意），但在"AI 好不好用"上身体很诚实（八成人在用）。而技术方在讲能力，患者在讲关系，监管在讲头衔，数据在讲"你们吵的方向不对"。 八、为什么 AI 必然要上：需求侧正在崩 如果只看技术争议，容易以为这是一场"要不要"的选择。但在中国的现实里，这更像一场"来不及"的补位。 先看存量。国家卫健委主要负责人在 2026 年的公开署名文章中明确表态：我国医务人员总量仍然不足，每千人口执业医师仅 3.25 人。而《国家人权行动计划（2026—2030 年）》提出的目标是每千人口执业医师数达到 3.77 人、注册护士数达到 5.1 人。 更值得注意的是结构。据媒体对历年数据的统计，过去十年全国有 470 万医学生毕业，最终注册执业医师仅新增约 75 万人——每 100 个走进医学院的人，最后坐在诊室里的不到 16 个。而 2026 年 8 月，北京协和医学院团队在《英国医学杂志·开放版》上发表的调研（覆盖全国 31 个省份 136 家三甲医院、两万多名医师）给出了更直接的信号：10.4% 的在职医生明确计划跳槽转行，20.5% 打算彻底离开医疗行业。 部分科室的人才缺口（据媒体报道的行业统计口径） 全科 约 50 万 精神科 超 40 万 麻醉科 超 30 万 儿科 近 9 万 参考线 全科医生占全部医生的比例仅 10%–15%，发达国家常规水平为 30%–60%；乡镇卫生院本科以上医师占比不到 30% 图 6 ｜ 条形长度表示各科室缺口规模估算，基准为全科约 50 万。口径说明：上述缺口数字来自媒体转述的行业统计口径，非国家卫健委正式发布文件原文，引用时需标注来源。老年医学人才缺口率高达 95%（同口径）。 横向看也一样。美国的医生就业预测是到 2034 年增长 3%、每年约 23,600 个岗位空缺，而医学院校协会预测到 2036 年将短缺 86,000 名医生。也就是说：AI 在全球范围内首先是被当作"人手不够"的解法来部署的，而不是被当作"替代医生"的兵器。 这解释了为什么政策层面的推进速度，比技术层面的争议快得多。 九、中国走到了哪一步：证件、定价、和那扇门缝 这一节回答的是最实在的问题：在中国，AI 医疗到底能不能用、能不能收钱。 9.1 证件：127 张，且高度集中在两个模态 截至 2026 年年中（6 月 28 日快照），国家药监局累计批准了 127 张 AI 医用软件注册证，其中 126 张是最高等级的三类证，占比 99.2%。第一张是 2020 年批准的冠脉血流储备分数计算软件。 年度获批数量：六年爬坡 2021 6 张 2022 22 张 2023 22 张 2024 28 张 2025 36 张 2026上半年 13 张 图 7 ｜ 条形长度表示当年获批注册证数量。2026 年为截至 6 月 28 日的不完整年度（灰色），不可与完整年度直接比较。累计 127 张中，国产 120 张、进口 7 张。 但证件数量的分布暴露了真实能力边界。肺结节/肺部影像 32 张、心血管/心电 22 张，两项合计就占了四成以上；而超声只有 3 张、病理/细胞 5 张、内镜/消化 6 张。 32 肺结节/肺部 22 心血管/心电 6 内镜/消化 5 病理/细胞 3 超声 这里有个容易忽略的落差：能力最强的影像领域，证件最挤；而病理、超声这些"更依赖经验判断"的领域，反而证件稀少。一种解读是技术不成熟；另一种解读是——这些领域恰恰是 AI 的想象力最大的地方，因为那里的诊断不一致性最高，改进空间也最大。 另一个值得关注的结构特征是：大模型公司在三类证上几乎是空白。某头部大模型公司的医疗大模型仍在申请阶段；一家把自己明确定位为 C 端健康咨询的平台，宣称不碰临床诊断；而一家以基层辅助诊疗和影像云为主业的企业，目前只有 1 张肺结节 CT 三类证。 这说明一件很硬的事："会做模型"和"能拿证"是两条完全不同的赛道。拿证需要的是多中心临床试验数据、算法泛化能力、全生命周期的质量管理体系——这些都得一件件沉下来做。 监管侧也在跟进。2026 年 9 月，国家药监局医疗器械技术审评中心发布了《人工智能医疗器械注册审查指导原则（2026 年修订版）（征求意见稿）》，相比 2022 版新增了跨模态图像合成功能、多模态产品、多病种产品、大模型四节，并对大模型落地的三条路径——接口调用通用大模型、基于通用大模型开发医疗智能体、采用大模型技术路线自研模型——分别给出明确定性规则。 9.2 定价：一个被大多数人误读的制度设计 网上流传着很多"AI 辅助诊断进医保、自付仅 15%、单项 200 元"的价目表。这些数字大多是拼凑的。真实的制度设计比它克制得多，也比它更有意思。 三份官方文件里的真实口径 江苏（2026 年 6 月）：在放射检查、超声检查、康复类立项指南中设立 51 项"人工智能辅助"扩展项；待发布的检验项目立项指南，所有检验项目均设置"人工智能"辅助扩展项。关键一句：AI 辅助执行与主项目相同的价格水平——"同样的价格水平下，医院可以选择培养医务人员进行诊疗，也可以选择使用 AI 参与诊疗行为，但现阶段不宜额外单就 AI 辅助技术再向患者收费。" 苏州（2026 年 4 月）：2025 年 10 月与 2026 年 1 月先后落地影像、超声类立项指南，共 34 项人工智能辅助诊断（拓展项）——影像类 22 项（甲类 4 项自付 0、乙类 14 项自付 0.1、丙类 4 项自付 1），B 超类 12 项。例："X 线摄影成像-人工智能辅助诊断（扩展）40 元/部位或体位"，甲类、自付比例为 0，但不得与主项目同时收费。 重庆（2026 年 6 月）：截至 2026 年 3 月已新增设立 55 个 AI 技术相关医疗服务价格项目，覆盖临床量表、放射检查、超声检查、康复、病理；均为扩展项，明确与主项目不同时收费，AI 技术纳入主项目价格构成。病理方面，"病理诊断费-人工智能辅助诊断（扩展）"三级、二级及一级医疗机构收费标准均为 110 元/次，纳入甲类支付；而"病理诊断费（远程）"110 元/次明确为不支付项目。 读懂了就会发现：中国给 AI 医疗开的是"同价不加价"的门。医院用 AI，可以收和原来一样的钱，但不能因为用了 AI 就多收患者的钱。这个设计的意图很清楚——鼓励应用，但绝不增加患者负担。它同时意味着：AI 的价值不需要向患者证明，而需要向医院的成本结构证明。这跟"AI 能提高诊断准确率"是两件完全不同的事。 于是就有了那个最扎心的现实：全国超过 300 家三甲医院部署了影像 AI，日常常态化使用的不到三分之一。而行业人士给出的原因很直白——"制约 AI 诊断大规模临床落地的核心瓶颈，是不成熟且无法闭环的商业模式"：一套 AI 系统动辄上百万元，医院难以负担；按次收费又缺乏统一标准。采购靠信息科挤预算，运维靠领导批特款。 所以，"AI 能不能查出癌症"和"医院用不用得起"，是两个问题。前者已经解决，后者还没。 十、回到那个问题：还要多久 "取代医生"这个问法本身就不准确。准确的问题是：哪些任务、在哪个层级、什么时候被接管。 四层替代时序 已经在发生 ｜ 约 2024–2026 第一层：模式识别型诊断——影像、心电、筛查眼科 特征：输入边界清晰、输出是分类结论。这恰好是深度学习被造出来就要做的事。乳腺 X 线检出比人类读者高 13.8%–21.6%、糖网筛查 96%、脓毒症提前 6 小时。AI 已经接管的是"首读"这个动作，不是"签发报告"这个责任。 正在逼近 ｜ 约 2027–2030 第二层：模式识别型的"诊断职能"整体质变——病理、皮肤科诊断、全流程管理 支撑它的三个条件正在同时到位：一是《美国医学会杂志》2026 年评论明确预言"优越的自主 AI 很可能在 2030 年前"进入部分真实工作流；二是中国政策给的时间表是 2027 年形成一批临床专病专科垂直大模型、2030 年基层诊疗智能辅助基本全覆盖；三是技术侧出现了"选择性自主"的可操作框架——德国团队 2026 年 9 月的研究显示，在七疾病基准上自主临床 AI 智能体诊断准确率达 90.04%，而通过"行为一致性"这个信号，可以在 49.4% 的病例上以 98.9% 的准确率实现选择性自主，剩下的交给医生复核。 这一层的里程碑不是"AI 能不能诊断"，而是"什么时候允许它在没人看着的情况下诊断一部分病例"。 更晚 ｜ 2030 年之后 第三层：方案导向型——心内科、内分泌科、呼吸科、门诊内科 特征是"检验值 + 影像 + 病史，套进循证算法"。技术上比第一层复杂但性质相同，主要变量是责任划分和长期追踪的可靠性。这一层大概率走"AI 主导方案生成 + 医生签字确认"的路径，而不是替代。 不是"更晚"，是"另一类" 第四层：具身介入型与人类身份型——外科、急诊、麻醉、产科、介入；精神科、安宁疗护、成瘾医学、心理治疗 前者要在"永远会出意外的活体环境"里做灵巧的物理干预；后者处理的是一个人对自我的认知、文化框架、哀伤、关系与求生意愿。这两类里，AI 的作用是"辅助"而不是"取代"，而且这个判断在可预见的时间里不会因为模型更强而改变——因为限制它们的不是模型能力，是责任主体必须是可追溯的人。 图 8 ｜ 四层划分依据"认知任务的性质"而非科室地位或薪酬水平。第一、二层顺序参考 2026 年 5 月一位执业二十年的急诊科医生提出的分层框架，并结合中国政策时间表与最新研究结论校准。 所以，如果一定要给一个"还要多久"的答案： 如果问题是"AI 什么时候在诊断能力上全面超过医生"——已经在部分任务上发生了，2027 到 2030 年会在影像与病理这类模式识别领域成为常态。 如果问题是"AI 什么时候取代医生这个人"——这个时间点不会到来，不是因为技术做不到，而是因为责任无法转移给一个没有执照、没有执业主体资格、无法被追偿的实体。 如果问题是"我什么时候能感受到变化"——已经能了，只是感受的方式不是"医生消失"，而是"你的片子多了一个不睡觉的复核者"。 十一、三个判断抓手 抓手一：看"尺子"，不看"分数" 下次看到某个医疗 AI"准确率 98%"，先问四个问题：评判者是谁、几人、是否盲法、测试题从哪来。哈佛那篇评论已经证明，同一件事换个评估方法就能得出相反结论。一个领域的成熟标志不是分数越来越高，而是评估标准开始收敛。 抓手二：看"错误类型"，不看"错误率" 漏诊和误诊是完全不同的风险。NOHARM 基准给出的最重要提示是：严重错误里八成是"该做的没做"，而这种错误恰恰是人工复核最难拦住的。所以评价一个 AI 产品，不要只问"它答错了多少"，要问"它会在什么情况下沉默"。 抓手三：看"付费结构"，不看"技术公告" 证批了多少张、模型又刷新了什么榜，都不如一件事说明问题：这个环节的钱从哪来。中国现在给的是"同价不加价"，美国还在争论谁为 AI 错误负责、以及 AI 提供的照护该怎么报销。这两件事没落地之前，技术再强也只是产线上的一个待装零件。 十二、五个必须盯住的风险 1. 责任真空。司法实践采用的是"人为核心、AI 为辅"的归责逻辑：医疗机构与在岗医师承担诊疗首要责任，医务人员必须自主复核算法输出，完全依赖 AI 结论的损害后果由医疗机构先行承担赔偿，赔付后可向技术提供方追偿。但一旦患者脱离医疗机构单独使用面向大众的健康 AI 自诊，就会出现无医师兜底、追责链条断裂的空白地带。而这类轻量化小程序和智能问答，目前恰恰缺乏强制备案要求。2. 举证困难。我国法律未明确 AI 的法律主体资格，AI 只能作为辅助工具参与诊疗，无法独立承担法律责任。但算法"黑箱"导致举证困难：患者难以证明损害与 AI 缺陷之间的因果关系，医疗机构与研发企业容易相互推诿。3. 审批模式跟不上迭代速度。算法迭代快、具备持续学习特性，会出现"上市后性能漂移"，而传统的"一次性审批"监管模式难以适配；同时卫生健康、药品监管、网信、数据管理等多部门职责边界不清，容易形成监管空白。此外，AI 自动生成处方、无人监控的全自动诊疗，违反《互联网诊疗监管细则（试行）》的禁止性规定。4. 数据与场景的"最后一公里"。训练需要不同年龄、地区、病情阶段的数据，以及不同设备、参数下的影像，但现实是各家医院数据互不相通，获取成本高、周期长。基层落地更麻烦：在大医院相对规范的数据上训练的模型，进到基层诊所后会遇到设备条件不一、病历记录不完整、诊疗信息碎片化的问题，影响模型稳定性。中医领域尤其困难——术语不标准、诊断结果不统一，同一位患者，不同流派的老中医可能给出截然不同的诊断和处方；而很多经验传承只传自家人，"没有标准答案，如何训练 AI"。5. 技能退化。这是最容易被忽略的长期风险，而且已经被写进了《美国医学会杂志》的评论里：医生的技能正面临"AI 导致的技能退化"。如果一代医生从训练阶段就依赖 AI 给出结论，那么当 AI 出错、或者遇到 AI 训练分布之外的罕见病例时，可能已经没有足够的人有能力发现它错了。这不是"AI 会不会犯错"的问题，而是"人类还剩多少纠错能力"的问题。 结语 把整件事压缩成一句话： AI 已经在"读"这件事上赢了医生。真正卡住"取代"的，从来不是技术——是漏掉的那 80% 谁来补、猜错的那 18% 谁来兜，和那个付钱的人是谁。 所以这篇不是"AI 威胁论"，也不是"AI 万能论"。它是一个更冷静的判断：医疗 AI 的瓶颈已经从实验室转移到了制度层——评估科学、责任分配、付费机制、人才结构，这四件事的进度条，比模型的版本号更能决定我们什么时候能感受到变化。 至于医生会被取代吗——一位执业二十年的急诊科医生给出的分层判断里，最值得记住的不是哪一科先倒，而是他在文中写下的那句意思：把学科按"认知任务的性质"重新理解一遍，正在变成一种职业义务，而不只是一场智力练习。 你上一次看病的时候，有没有悄悄把症状先问过 AI？你会接受一个"AI 看完、医生签字"的诊断结果吗？欢迎在评论区聊聊你的真实选择——这个问题没有标准答案，但每个人的答案加起来，其实就是这件事最终会怎么落地的样子。