ARTICLE · 1273305
从医学专业求职到AI+医疗,我才发现选对方向有多重要
从医学专业求职到AI+医疗,我才发现选对方向有多重要说实话，在接触AI+医疗之前，我对医学专业的职业发展也有过一些固有的认识。临床医学毕业，大多数人会考虑医院、规培、考研；药学专业可能会去药企、做研发、医学事务；护理专业则更多考虑医院、护理管理或者医疗机构。大家好像都在沿着一条已经规划好的路往前走，只要学历够、专业知识扎实，再努力积累几年经验，职业发展自然会越来越好。 但真正了解医疗行业和AI应用之后，我才慢慢意识到，医学背景的人在求职时，最容易忽略的一个问题，就是只盯着自己的专业能去哪些岗位，却没有认真想过，自己的专业能力还能和哪些新领域结合。 这两年，我接触了不少想往AI+医疗方向发展的朋友。有刚毕业、正在为秋招和春招发愁的医学专业学生，也有在医院工作了五六年、开始考虑职业转型的临床和护理人员，还有一些药学、生物、医疗器械背景的朋友。他们的学历、经历和年龄各不相同，但聊到职业规划时，经常会遇到类似的困惑。 有的人觉得医学专业的就业方向太固定，除了医院和药企，好像没有太多选择；有的人工作几年之后发现，自己每天都很忙，但职业发展空间似乎没有想象中那么大；还有人明明对AI很感兴趣，看到医疗行业开始应用大模型，也想试试新的方向，却因为自己不会编程、没有计算机背景，迟迟不敢行动。 我特别能理解这种纠结。毕竟，医学专业通常需要投入很多年的学习成本，好不容易积累了一些专业知识和实践经验，谁也不愿意轻易放弃。但继续走原来的路线，又担心未来的发展；想尝试新的方向，又不知道自己到底适不适合。 后来我越来越觉得，医学背景的人在考虑职业发展时，不一定非要在传统医疗和纯技术岗位之间做选择。AI+医疗，就是一个值得认真了解的方向。它不是让所有医学专业的人都去当程序员，而是让我们重新思考：过去学到的专业知识，能不能借助AI应用，在新的工作场景里发挥更大的价值。 先说一个我感受比较深的现象。很多医学背景的朋友在准备求职时，习惯先按照自己的专业名称搜索岗位。学临床的搜临床医生，学药学的搜药学相关岗位，学护理的搜护士、护理管理，学生物的搜实验员、研发助理。 这样找当然没有错，毕竟专业对口本来就是一种优势。但如果你已经开始考虑未来几年的职业发展，就不能只看眼前有哪些岗位，还应该看看行业需求正在发生什么变化。 举个例子，以前一家医院想改善某个业务流程，可能主要依赖信息科、软件供应商和业务科室一起沟通；现在，随着大模型和AI应用逐步发展，医院也可能开始探索智能病历、医学知识检索、患者服务、临床辅助工具等应用。技术团队需要解决系统开发和模型应用的问题，但他们也需要有人真正理解医生和护士的工作流程，知道哪些环节存在问题，哪些需求值得优先解决。 药企也是类似的情况。医学文献、药物研发资料、临床试验信息和医学知识管理，都存在大量需要整理、检索和分析的内容。AI可以在部分环节提供辅助，但要让应用真正符合业务要求，还需要有人理解药物、研究流程、专业资料和行业规范。 这意味着，未来医疗行业中的一些岗位，可能会越来越需要既懂专业业务、又理解AI应用的人。当然，这并不代表所有企业都在大量招聘这类人才，也不代表AI已经解决了医疗工作中的所有问题。医疗场景对准确性、安全性和合规性的要求很高，真正落地仍然需要专业人员参与。 但对医学背景的人来说，这至少提供了一个新的思考角度：你过去积累的专业能力，不一定只能用在传统岗位上，也可能成为你进入新领域的基础。 我发现，很多人听到AI+医疗，第一反应就是AI算法工程师，接着又觉得自己数学不好、编程能力不够，于是直接认为这条路不适合自己。 其实，AI+医疗涉及的工作类型远不止算法研发。不同岗位的工作内容和技术要求差别很大，医学背景的人完全可以结合自己的经历，选择更适合自己的方向。 第一类，是AI医疗产品经理。 如果你比较擅长沟通、分析问题、梳理流程，或者对产品设计和业务规划感兴趣，可以重点了解这个方向。AI医疗产品经理需要理解医生、护士、药企或患者的真实需求，再把这些需求转化成产品功能，并和研发、算法、设计等团队一起推动落地。 比如，医院希望开发一个辅助整理病历的工具，产品经理不能只考虑“让AI生成一段文字”。还需要了解医生什么时候使用、病历需要包含哪些字段、哪些信息必须由医生确认、生成内容如何校验，以及系统如何接入现有工作流程。 如果你本身有临床、护理、药学或医疗器械相关经验，就更容易理解一些专业场景。但医学背景只是基础，你还需要补充产品需求分析、原型设计、业务流程梳理、大模型应用和效果评估等能力。 第二类，是医疗AI应用和解决方案岗位。 如果你过去接触过医院信息化、药企业务、医疗器械产品或者医疗服务流程，可以了解这个方向。这类岗位通常更关注如何把AI能力应用到真实业务中，既需要理解客户的问题，也需要考虑技术方案是否可行、系统如何实施，以及项目交付之后如何验证效果。 比如，一家药企希望提高医学资料检索效率，你需要先弄清楚使用者是谁、资料有哪些类型、当前检索方式有什么问题，再考虑是否适合用RAG知识库来解决。之后还要关注文档解析、权限管理、答案引用、错误处理和效果评估等细节。 这类岗位不一定要求每个人都具备算法研发能力，但通常需要一定的技术理解能力、沟通能力和项目经验。你需要能听懂业务方的需求，也能和技术团队讨论方案，而不是只会向别人介绍AI有哪些功能。 第三类，是AI辅助科研、临床研究和生物医药数据方向。 如果你喜欢科研、实验、数据分析，或者本身就在生物、药学、临床研究等领域工作，也可以了解这类岗位。 例如，AI辅助药物研发、生物信息学、临床研究数据分析等，都可能涉及医学或生命科学知识与计算方法的结合。不过，这些方向的技术门槛差异很大，有些岗位需要扎实的统计学、Python、机器学习或生物信息学基础，有些还要求相关科研经历。 所以，不能因为这些领域带有AI两个字，就认为只需要学会使用大模型工具。你需要先看清目标岗位的要求，再判断自己应该补充哪些知识。 我一直建议大家，先选方向，再决定学什么。不要还没搞清楚自己想做哪类工作，就急着把所有AI课程买一遍。岗位选对了，学习才更容易有重点。 这一点，是我接触AI+医疗之后越来越重视的。 很多人刚开始学习AI，会觉得自己必须先成为技术高手，至少要把Python、机器学习、深度学习、大模型原理全部学明白，才有资格去做项目。 但实际上，不同岗位对技术的要求并不相同。如果你的目标是算法研发，系统学习数学、编程和模型训练当然很重要；如果你想做AI医疗产品或应用解决方案，就应该把更多精力放在目标岗位需要的能力上。 我举几个比较具体的例子。 假设你是护理专业出身，过去在医院工作过几年。你知道护士每天要处理护理记录、交接班信息、患者宣教和风险评估，也知道实际工作中哪些事情重复、繁琐，哪些信息又不能出现偏差。 当你开始学习AI之后，就可以尝试设计一个护理记录辅助工具。先把护士的工作流程梳理清楚，再分析哪些内容可以由AI辅助整理，哪些字段需要固定规则校验，哪些信息必须由护士审核。最后，你可以使用模拟数据完成一个简单的演示项目，展示这个工具如何工作、解决什么问题，以及如何控制风险。 再比如，你是药学专业出身，过去读过大量药物说明书、医学文献和研究资料。你可以尝试做一个基于公开资料的药学知识检索项目，学习如何建立知识库、如何让模型回答时引用来源、如何处理资料之间的差异，以及如何避免模型把不确定的信息说得过于肯定。 这些项目不一定需要一开始就做得非常复杂，但它们能帮助你把专业知识和AI能力连接起来。你既能解释业务问题，也能展示自己对技术应用的理解，这比只在简历上写一句“熟悉大模型”更有说服力。 当然，项目练习不能替代真实医疗场景中的验证。涉及患者信息时，需要遵守数据授权、隐私保护和相关合规要求；涉及诊疗建议时，更不能把未经验证的模型输出直接当作专业结论。 医学背景真正值得保留的优势，不是你比计算机专业的人更会写代码，而是你可能更了解医疗工作中真实存在的问题。当你再补上AI应用能力，这种专业经验就有机会转化成新的竞争力。 很多人问我，医学背景从零开始学AI，到底应该从哪里入手？ 我的建议是，不要一开始就追着各种新概念跑，也不要把学习目标定成“把AI全部学会”。AI技术更新很快，今天流行一个框架，过一段时间又可能出现新的工具。真正重要的是建立基础认知，掌握解决问题的方法，并且能把学到的东西应用到实际场景里。 如果你想做AI医疗产品经理，可以先学习大模型的基本原理，理解Prompt、RAG、Agent分别适合什么任务，再补充产品需求分析、用户调研、流程设计、原型设计和AI产品评估。接着，选一个自己熟悉的医疗场景，完成一份产品方案，并做出能够演示的应用原型。 如果你想做医疗AI应用或解决方案，可以在理解大模型基础之后，重点学习API调用、RAG知识库、工具调用和Agent的基本使用方式。然后围绕医疗文献检索、医学知识问答、资料整理等场景做项目，练习从需求分析到方案设计，再到测试和效果评估的完整过程。 如果你想进入AI辅助科研或数据分析方向，就需要先看具体岗位的技术要求。如果招聘信息要求Python、统计学、机器学习或生物信息学，就应该有针对性地补齐这些基础，而不是只学几个大模型应用框架。 我还想提醒一点：不要只看课程讲了什么，要看自己最后能做出什么。学完RAG，不是会背RAG的概念就结束了，而是应该尝试建立一个知识库，测试检索结果，分析回答错误的原因；学完Agent，也不只是跑通一个示例，而是要理解工具调用、任务流程、异常处理和结果验证。 每学一个阶段，都尽量留下一个看得见的成果。哪怕只是一个小项目、一份产品需求文档、一张业务流程图，或者一份完整的测试报告，都比一直停留在收藏资料的阶段更有价值。 还有一个问题，我想单独说一下。 有些医学背景的朋友看到AI发展很快，就开始担心自己过去几年是不是白学了。尤其是已经工作五六年的人，一边要应付日常工作，一边还想抽时间学习新技术，看到别人转型成功，难免会焦虑自己是不是已经晚了。 但我觉得，没必要把转型理解成推倒重来。 你在临床积累的经验、在药企接触的业务、在实验室做过的研究、在护理岗位理解的工作流程，都可能成为你未来选择新岗位时的基础。真正需要做的，是判断这些经验能和哪些AI应用场景结合，再有针对性地补充能力。 当然，也不要因为看到一些高薪案例，就认定AI+医疗一定比传统医疗更好。不同岗位的薪资、发展空间、工作强度和技术要求都不一样，企业招聘也会看学历、经验、项目和具体岗位匹配度。适不适合自己，最终还是要回到实际招聘需求和个人规划上。 如果你目前还没有明确的转型目标，可以先用业余时间了解岗位、学习基础、做一个小项目，不必急着辞职。如果你已经有相关行业经验，就可以把自己的经历整理出来，对照招聘要求找出能力缺口，再逐步补齐。 选对方向不是保证你一定成功，而是让你的努力更有针对性。与其每天担心自己有没有机会，不如先做一点真正能够帮助自己判断方向的事情。 最后说点心里话。我本人是6年Java后端转大模型产品，现在在大厂做AI产品，业余时间也一直在带不同背景的人转型AI+行业复合岗。接触的人越多，我越觉得，很多人并不是缺少努力，而是缺少一条清晰、适合自己的路径。尤其是医学背景的人，不必因为自己不是计算机专业就提前放弃，也不必盲目跟风转AI。先弄清楚岗位需要什么，再结合自己的专业积累去学习、去实践，往往比一开始就焦虑结果更有用。 如果你是临床、药学、护理、生物、医疗器械等相关背景，正在考虑AI+医疗，可以关注我，并在评论区留下“111”。我会把整理好的AI+医疗系统学习路线发给你，里面包括学习阶段、医疗AI应用场景、RAG和Agent实战方向、AI产品方案以及岗位面试准备。 别急着否定自己，也别盲目跟风。先找到适合自己的方向，再一步步补齐能力。医学专业积累了这么多年，不一定只能走一条路；当你愿意把原有优势和新技术结合起来，职业选择也可能变得更加丰富。
