能拿奥数金牌的 AI,读不准墙上的钟:对临床医生AI使用的经验分享和建议

今年有条数据，我反反复复讲给科室的同事听：

谷歌的 Gemini Deep Think 在国际数学奥林匹克拿了金牌——那是人类顶尖数学少年们厮杀的比赛。而同一个时代最好的 AI，去读一只指针式钟表，十只表里看错五只。人类的正确率是九成，AI 是五成；而且人看错，通常是差三分钟，AI 看错，中位误差是一到三个小时。

这个反差出自斯坦福刚发布的《AI Index 2026》——每年一本、四百多页、被各国政府和实验室反复引用的 AI 年鉴。它给这个现象起了个名字：锯齿状前沿。意思是 AI 的能力边界不是一条平滑的线，而是锯齿：在某些地方它已经越过人类，在隔壁不远处，它连小学生都不如。

我建议大家把这张图存在手机里。因为今后每一次有人跟你吹嘘"AI 什么都能干"，或者跟你哀叹"AI 马上取代医生"，你都可以把这张钟表的图甩出来。两边都错。真实世界里，AI 是一个偏科到极致的天才同事——用对了地方，它是神器；用错了地方，它是一本正经的灾难。

一、先看清楚：这个"天才同事"的真面目

年鉴里最诚实的一组数字，是关于 AI 智能体（就是能自己操作电脑、查资料、干活的 AI）的：

在 OSWorld 这个模拟真实电脑操作的测试里，表现最好的 AI 成功率是 66%。什么概念？人类大学生随手一做，是 72%。也就是说，今天全世界最聪明的 AI 助手，大约每干三件事，就要搞砸一件。这就是所谓的“三次一败”；

我知道这听起来像泼冷水。但请想想另一个数字：一年前，这个数字是 12%。一年之内从 12% 涨到 66%。这就是年鉴开篇那句话的含义——AI 的能力不是停滞，而是加速，只不过连给它量身定做的考试都快跟不上了。

对我们医生来说，这组数字的正确读法不是"AI 不行"，也不是"AI 无敌"，而是：

可以托付给它的，是那些搞砸了也能重来、有它没它效率翻倍的事——查文献、整理数据、跑统计、写初稿的骨架。而必须捏在自己手里的，是那些错一次就回不了头的事——最终诊断、用药决策、以及对任何 AI 输出结果的临床合理性终审。

还有一个被严重高估的能力：长文本。各家大模型都在比谁的"上下文窗口"长——能一次"读进去"多少字，现在头部模型号称一百万字。但年鉴里有个细节很值得玩味：在一项专家级长文理解测试（LongBench v2）上，人类专家限时 15 分钟，得分 53.7%；最好的 AI，57.7%。

四百分点的差距。也就是说，把一整本指南"喂"给 AI，它确实全都"看"了——但看懂的程度，和你快速翻阅一下午差不多。输入量的暴增，没有换来理解力的等比例暴增。 这件事对我们有直接的提醒：AI 读过你给的文献，不等于 AI 理解了它给的答案。

二、数学家们已经替我们吵过一架了

如果说年鉴是体检报告，那上个月数学界和 OpenAI 的一场公开决裂，就是病理切片。

简单回顾一下来龙去脉。9 月 8 日，OpenAI 宣布：一个尚未公开的内部模型，调动近万个 AI 智能体并行工作了 88 个小时，攻克了纳维–斯托克斯方程——就是克雷数学研究所悬赏一百万美元、七道"千禧年大奖难题"之一的那座珠峰。166 页的证明文档，附计算机代码。

消息一出，欢呼声还没落地，质疑就到了。纽约大学的数学家巴克马斯特公开指控 OpenAI"截胡"：他和合作者在这个方向上已经做了一年多，期间大量使用 OpenAI 的编程助手辅助推导——草稿、几何模型、推演代码，都留在人家的系统里。OpenAI 后来承认："无法排除去标识化的用户会话数据帮助改进了模型能力。"

紧接着，陶哲轩、邓煜、舒尔茨等 25 位菲尔兹奖得主联名发表公开信，标题就叫《人工智能在数学中的严重错位》。他们承认大模型进步惊人，也承认自己在用——但话锋很硬：把攻克名题当成模型能力的"基准测试"，正在损害数学这门科学本身。

真正的决裂发生在 10 月。OpenAI 先是与普林斯顿高等研究院共建了专家咨询小组，专家们明确划出红线：不要拿内部模型擅自去刷高深数学难题。话音未落，OpenAI 一次性甩出七百多份 AI 生成的数学证明手稿，声称覆盖数千道问题、数百组成果。数学家们的起床方式从此改变——睁眼就要面对一座读不完的证明山。

于是，"人类数学协会"发出声明，陶哲轩在个人博客全文转载，呼吁数学家停止与 OpenAI 合作。声明里有一句话，我建议大家抄下来：

"一次性发布七百多份文件，展示的不是学术研究，而是权力。"

这场争吵的本质，和我们在临床上天天面对的问题是同一个：答案不等于理解。 形式化验证可以逐行检查证明的逻辑，但检查不了"这个结论为什么重要、和已有的知识如何相处、边界在哪里"。机器生成证明的速度，已经把人类理解证明的速度远远甩开——而数学，恰恰是一门靠"理解"运转的科学。

医学呢？同一本年鉴里有个数字，我每次讲都有医生听众倒吸一口气：斯坦福和哈佛的联合团队审查了 500 多项临床 AI 研究，发现只有 5% 使用了真实临床数据，近半数还停留在"考试型试题"阶段。另有 NOHARM 基准测试发现，主流大模型在每 100 个临床案例中，会给出 11.8 到 14.6 条严重有害的建议，其中四分之三是"该做的没做"——漏掉一项关键检查，比开错一剂药更安静，也更危险。

数学家们争的是"谁有权定义数学的进步"。我们要争的是同一件事在医学里的版本：谁有权替病人做判断。 这场争论没有旁观席。

三、2026 年的工具地图：分工比全能重要

这一年我把能叫上名字的医学 AI 几乎试了个遍，先说结论：没有任何一个能包打天下，但组合起来已经覆盖了医生工作的全部环节。

先看"循证"这一侧。这一行的竞争逻辑很有意思——大家都不卷模型参数，改卷"证据源"：

阿里健康的"氢离子"拿到了 BMJ 集团 70 本期刊近十年的独家内容授权，7 月又宣布与 JAMA 达成独家合作，底牌是顶刊全文加三百多位临床专家的评审闭环；医学界的 DrSeek 医问答走的是精选文献库加 GRADE 证据自动分级的路线，认证医生免费，主打十秒给出有出处的循证答案；丁香园的"临床决策"则把自家二十六年的家底——四万多份指南、百万级文献、一百亿次医患互动的真实世界数据——全部接了进来，用药风险预警覆盖率 90.7%。

这类工具的天花板是版权和资源：它们背后是真的有 BMJ 和 JAMA 的全文，这是任何通用助手都给不了的东西。读顶刊全文、要逐句可溯源的循证答案，用它们。

再看"通用"这一侧。通用 AI 助手没有医学内容的独家授权，强项是另一条赛道：写代码、跑统计、画图表、整理论文、管理文献、把一份数据从 Excel 变成一张可以投期刊的图，再顺手把文献综述的初稿骨架搭好。它还能定时干活——比如每天清晨自动检索你研究方向的新文献，整理好放在你的文件夹里等你上班。

科研的全流程体力活，用这类。

三分钟选型建议

• 床旁循证问答、查指南、用药校验 → DrSeek（免费）、丁香园临床决策、氢离子（顶刊全文最全）；

• 写病历、文书减负 → 讯飞诊疗助理、京东 AI 诊疗助手、百度有医助手；

• 科研：检索 + 精读 + 写作 → 京东 AI 科研助手、氢离子/OpenEvidence（要溯源）；统计代码、数据分析、制图 → 通用大模型助手；

• 机构整体采购（医院信息化） → 讯飞、腾讯 MedMate、医渡；

• 个人文献库 + 通勤听播客 → 联想小天（或通用助手 + 语音生成自建）。

使用心法只有一句话：用垂直工具拿"可信的答案"，用通用工具干"可校验的活"，并且永远让两个来源互相印证。 两个 AI 犯的错不会一样——这是这个时代给使用者免费赠送的质检员。

四、回到临床：五条破局

绕了一圈，落回我们自己。结合这一年的观察和那本年鉴的数据，有五条具体的建议：

一、重新定义你的核心资产。 不要用下班后的两小时，去和头部机构的专职团队拼代码熟练度、统计花样和英文辞藻——那是拿短板撞人家的长板。AI 医疗领域最稀缺的从来不是算法，而是真实病人、真实病程、长期随访的数据和临床直觉。全行业 500 多项研究里只有 5% 够得着的东西，你每天呼吸的都是。

二、把身份从"操作工"切换成"PI"。 文献对比矩阵，变量定义和控制因素；PSM、Cox、RCS 这些统计方法，用自然语言把需求说准，这些目前的大部分AI都能做到这些，可以当你的 24 小时生物统计师；初稿让它按 STROBE 规范搭骨架。精力只花在两头：提出准确的科学问题，和判断结果的临床合理性。

三、先降负，后科研。 环境病历生成（ambient scribe）已经实打实进入了规模化部署——报告里记录的数据是：医生文书负担下降 83%，认知负荷降 47%。先让工具吃掉重复劳动，省下来的整块时间，才是科研真正的燃料。

四、永远当终审法官。 AI 能写出语法完美的英文和运行通过的代码，但它判断不了"这个控制变量在病理生理上是否合理"。数学家们和 OpenAI 吵的，就是这个。形式再漂亮的输出，都要过临床逻辑这一关——这不是谨慎，这是你的核心价值所在。

五、从小切口快速闭环。 不要一上来就立志做"高门槛复杂 AI 模型"。从手头的回顾性队列、单中心数据切入，用精准的 PICO 聚焦一个具体的临床决策问题——某个亚组的药物效应差异、某个标志物与长期结局的关系，第一篇的认真思索，胜过十篇的宏伟。

写在最后

AI 的江湖每天都在上演"震惊体"和"末日体"的轮播，而真实的技术曲线在两者之间安静地加速。

当工具的门槛被一点一点抹平，医生的护城河也随之换了位置——它不再是"谁会检索、谁会统计、谁的英语好"，这些都在免费化；它变成了"谁手里有真实的临床问题、谁的眼睛能看出结果里的不对劲"。

前者是技能，会被 AI 平权。后者是洞察，反而因为 AI 的存在而更贵。

时代淘汰的不是医生，是不善于使用工具的AI使用者。这句话对 AI 同样适用。

如果有个贾维斯的话，你会怎么使用他呢？

主要数据来源：斯坦福 HAI《AI Index 2026 Annual Report》；文中行业动态来自财新、新华网、中国日报、量子位等公开报道。榜单与产品数据时效敏感，引用前请复核最新版本。