AI时代的医生(下):从科室差异到行动指南

上篇我们回答了“为什么AI越强大，医生越值钱”AI时代的医生（上）：为什么AI越强大，医生越值钱？。AI不是替代医生，而是把医生推向更有价值的判断、信任和责任。下篇，我们来回答“具体怎么转”。

五、医生内部的AI影响差异

AI对医生的影响，不是一个统一的故事。

不同科室的医生，面临完全不同的挑战和机遇。有的科室可能80%的常规工作被AI自动化，医生被迫向更高价值的角色转型；有的科室AI只能起到辅助作用，医生的核心技能仍然牢固；还有的科室，AI的影响才刚刚开始显现。

这种差异可以用我们之前讨论过的“数据可得性×任务标准化”框架来理解。如果你读过本系列的前一篇《不被AI替代还不够》，你可能已经熟悉这个框架。简单来说，数据越充足、任务越标准化，AI的影响越大；数据越稀缺、任务越依赖个体化判断，AI的影响越小。

医生群体主要分布在两个象限：“高数据+低标准化”的人机协作象限（如放射科、病理科）和“低数据+低标准化”的深度创造象限（如精神科、儿科）。下面逐一展开各科室的AI影响程度和转型方向。

5.1 放射科、病理科：冲击最大，但转型空间也最大

放射科是AI影响最深的科室。影像数据的标准化程度高、数据量大，AI在肺结节检测、乳腺癌筛查、骨折识别等任务上的表现已经接近甚至超越人类专家。华西口腔AI能在数秒内完成30多种疾病的初筛，县域远程影像诊断系统已处理数千万例。这些技术的普及，正在从根本上改变放射科医生的工作内容。

但正如上篇所述，放射科医生的需求不降反增。这背后的逻辑是，AI在影像分析等标准化任务中显著提升了效率，这将医生从繁琐的“逐张读片”中解放出来，从而可以专注于三件事：一是复核AI标记的可疑区域，处理疑难杂症；二是将影像信息与临床、病理、检验数据整合，做出综合性诊断；三是参与多学科会诊，为治疗决策提供影像学依据。

放射科医生的转型方向是清晰的，从“读片者”变为“诊断决策者+AI质控者”。未来，掌握AI工具、理解AI的局限、能为AI诊断背书并承担责任的放射科医生，将比只会读片的医生值钱得多。

5.2 急诊科：AI辅助下的复杂决策

急诊科的工作特点是时间压力大、信息不完整、决策风险高。AI可以帮助急诊医生快速分析心电图、解读影像、预测危重病风险。例如，2024年发表于《自然医学》的一项多中心随机对照试验显示，AI增强心电图预警系统可使高风险患者的90天全因死亡风险相对降低31%（HR=0.69），这是AI在急诊场景中提升救治效果的有力证明。

但急诊科的AI影响程度被标记为“中”，因为真正的急诊决策无法被算法替代。患者的主诉往往模糊不清，病史信息支离破碎，医生需要在几分钟内判断，这个胸痛是心梗还是焦虑？这个腹痛是阑尾炎还是肠易激？这些判断依赖于医生的临床直觉和经验，而不是单纯的数据模式。

急诊医生的转型方向是从“快速判断”升级为“复杂决策+人机协同”。AI负责处理标准化任务（如心电图判读、实验室指标预警），医生负责综合判断、风险分层、紧急处置。

5.3 内科、全科：从“信息处理”到“综合诊疗”

内科和全科医生面临着中高程度的AI影响。AI可以辅助鉴别诊断、推荐治疗方案、监测慢病指标，在信息处理层面大幅提升效率。但内科诊疗的核心，比如个体化治疗方案的制定、多病共存的权衡、患者的长期管理，仍然高度依赖医生的综合判断。

这类科室的转型方向是从“信息处理者”到“综合诊疗+慢病管理者”。AI可以在文献检索、数据整合、风险评分等任务上显著提升效率，医生得以从这些工作中解放出来，把更多时间用于与患者沟通、解释病情、制定长期随访计划，让医生重新成为“人的医生”。

5.4 外科、介入科：手工操作的护城河正在变薄

外科是传统上被认为“最安全”的科室之一。毕竟，手术刀下是活生生的血肉，任何失误都事关生死。但这一假设正在被打破。达芬奇手术机器人、骨科导航机器人、介入手术机器人正在快速普及。最令人警醒的标志性事件发生在2025年，约翰霍普金斯大学团队研发的AI驱动手术机器人在完全无人干预的条件下，成功完成了离体胆囊切除手术，成功率100%。精细的手工操作作为外科医生的核心技能，正在被技术重塑。

但手术机器人大规模替代医生的场景远未到来，在可预见的未来也不可能实现。根据全球手术机器人5级自动化分级标准，截至2025年，近50款获批的系统中，86%仍停留在“无自动化”（1级）或“辅助”（2级）阶段，尚无获批用于人体的“高自主性”（4-5级）系统。手术机器人对于医生而言，始终是决策的辅助工具，而非执行任务的替代品。

相反，外科医生的角色正在发生变化，从“主刀操作者”到“手术策略设计师+机器人指挥官”。未来的外科医生需要掌握机器人手术系统，设计最佳的手术入路和操作流程，在术中根据实时影像和导航信息做出调整，并在术后管理并发症。

外科医生的转型方向是保留手工操作的基本功（这是应对意外和复杂情况的最后防线），同时拥抱机器人辅助技术，成为“懂机器、懂人、懂策略”的外科专家。

5.5 精神科、儿科：共情与沟通是终极护城河

精神科和儿科是AI影响程度最低的科室。原因很简单，这两个科室的工作高度依赖人与人的情感连接、信任建立和深度沟通。AI可以提供标准化的话术、评估量表、用药建议。研究显示，精神医学垂直大模型辅助下，住院医师诊断准确率从41%提升至72%，选药准确率提升10%，病历撰写时间缩短约40%。但AI 无法替代医生与患者的真实共情。

一位精神科医生需要敏锐地捕捉患者言语之外的细微情绪变化，需要在恰当的时机说出恰当的话，需要在患者最脆弱的时候给予安全感。一位儿科医生需要安抚哭闹的患儿，需要用孩子能理解的语言解释病情，需要与焦虑的家长沟通治疗方案。这些能力，AI无法模仿。

上海交通大学研究发现，GPT-4在认知共情和情感共情两个维度的得分均显著低于人类平均水平。中国新闻网评论更指出，AI只有“计算共情”，没有“体验共情”。它可以通过数据知道“失恋会难过”，却从未真正经历爱、失去与挫败。

这类科室的转型方向是强化共情与沟通，把AI作为辅助工具（如自动记录病历、提醒随访），把省下的时间用于更深度的人际互动。

5.6 基层医疗：从“守门人”到“AI协同的健康管理者”

基层医疗是AI影响程度高的科室，因为大量基层工作，比如常见病的诊断、慢病随访、健康咨询，具有较高的标准化程度，可以被AI辅助甚至替代。2025年11月五部门联合印发的《关于促进和规范“人工智能+医疗卫生”应用发展的实施意见》已对此作出国家级部署。

同时，基层医疗也是AI最能发挥价值的领域。AI可以帮助基层医生快速获取专家级别的诊断参考，弥补医疗资源不均的短板。比如苏州“AI全科医生”诊断符合率达98.52%，智医通系统分析超10亿份临床病例，准确率超过99%。国家政策为这一转型提供了清晰的路线图，到2030年，基层诊疗智能辅助应用基本实现全覆盖。

基层医生的转型方向是从“守门人”到“AI协同下的健康管理者”。AI负责信息处理和初步判断，基层医生负责综合评估、患者沟通、转诊协调。在AI的辅助下，基层医生可以管理更广泛的健康问题，成为分级诊疗体系中的关键节点。

不同科室的医生，AI影响的程度和方式各不相同，但有一个共同的方向，就是无论哪个科室，AI都在把医生推向更有价值的位置，从重复性劳动中解放出来，聚焦于判断、沟通、决策和人文关怀。这正是AI时代医生价值重构的本质。国家规划的2030年全覆盖目标，正是对这一方向的制度性确认。

六、医生的转型路线图

转型不是一蹴而就的。不同的职业阶段，面临的任务和挑战完全不同。因此，我们将医生的转型路线划分为三个阶段：近期（住院医师阶段）、中期（执业医生阶段）和远期（医学知识创造者阶段）。这不是一个严格的时间线，而是一个能力成长和角色演进的逻辑框架。

6.1 近期（住院医师阶段）：AI素养的建立

对于正在接受规范化培训的年轻医生来说，现阶段最重要的任务不是“学会用AI工具”，而是在AI的辅助下，建立独立临床推理的能力。

这听起来有些矛盾，但这正是张文宏担忧的核心。如果年轻医生从一开始就习惯了AI给出的“标准答案”，他们可能永远不会经历那些让临床直觉形成的“痛苦过程”。这个“痛苦过程”就是面对一个模糊的症状、有限的检查结果、矛盾的信息，反复推敲、查阅文献、向老师请教、最终形成自己的判断。这个过程恰恰是建立临床推理能力的必经之路。

2026年1月，《医学生AI素养能力清单及其测评框架》发布，由46位专家制订、52位专家参与前期调查，系统提出了21项能力指标，涵盖知识、技能、态度三个维度。以下几个关键要求值得特别关注。

在知识维度方面，理解AI诊断结果的潜在偏倚，知道AI的“训练数据分布”是什么意思，明白为什么一个在顶级医院表现优异的AI到基层医院可能失效。

在技能维度方面，掌握与AI对话的结构化技巧，不仅要会问“这个病的诊断标准是什么”，更要会追问“这个建议的依据是什么”“有哪些被排除的可能”。与AI对话的能力，正在成为一项新的临床基本功。

在态度维度方面，坚持医生主导原则，对AI辅助决策负最终责任。AI是工具，不是决策者。

这套框架的核心精神是：AI可以帮你做事，但不能替你思考。

给住院医师的具体建议如下。

（1）训练方法：“先自己想、再问AI、最后对比”。拿到一个病例后，先不要打开AI。用自己的知识储备，写出初步的鉴别诊断列表、需要补充的检查、可能的治疗方案。然后，再向AI提问，让它给出它的分析。最后，把两者对比，你遗漏了什么？AI的分析哪些有道理、哪些是“幻觉”？你能判断出AI的错误吗？这个过程，就是在保持独立思考的同时，学习和验证AI的能力边界。

（2）建立自己的“案例笔记本”。记录那些你独立判断正确或错误的病例，附上你的思考过程和AI的分析建议。这不仅是学习材料，更是未来你转型为“疑难杂症专家”时的资产。

（3）关注AI工具的“局限性”而非“能力”。当你学习一个AI医疗工具时，不要只关注它“能做什么”，更要关注它“在什么情况下会出错”。理解AI的失败模式，比知道它的成功更有价值，因为这正是你不可替代的地方。

6.2 中期（执业医生阶段）：从“读片者”到“诊断策略师”

当医生完成住院医师培训、进入独立执业阶段后，转型的重点就从“建立AI素养”转向了“重新定义自己的角色”。

在这个阶段，医生需要接受一个基本事实：AI在信息处理、模式识别、概率计算上已经超越了绝大多数人类专家。你不需要和AI比“谁读片更快”，你需要做的是AI做不了的事。

AI做不了的事，可以概括为三个高价值方向。

一是成为疑难杂症专家。常规病例可以被AI处理，但那些跨越多个专科、信息矛盾、临床表现不典型的复杂病例，仍然需要人类专家。这类病例往往数据不充分、标准指南缺失、治疗决策需要权衡多方面因素，而AI恰恰在这些“边界条件”上表现最差。

如何成为疑难杂症专家？积累案例库。把你职业生涯中遇到的“怪病”“难案”“不能解释的情况”系统化记录下来，附上你的推理过程、查阅的文献、多学科会诊的意见、最终的诊断和治疗结果。这些案例库不仅是你的知识资产，也是你未来讲学、培训、咨询的基础。

二是掌握AI质控能力。随着AI在临床中的普及，对AI输出进行质量控制将成为每一位医生的核心基本功。每位使用AI的医生都必须能够审核AI的诊断建议是否准确，判断AI标记的可疑区域是否真的是病灶，并决定在什么情况下应该“驳回”AI的建议、改用人判断。这些不是少数专家的特权，而是AI时代医生的必修课。当然，科室中可以由资深医生担任“AI质控协调人”，负责制定质控标准、培训年轻医生、处理疑难案例，但这仍是基于普遍能力的职能分工，而非一个新的职业标签。

成为AI质控专家的关键是，不仅要会用AI，更要能发现AI的错。这需要比AI更深的专业功底和更广的临床视野。

三是成为人机协作教练。当AI工具越来越多地进入科室，培训和指导其他医生使用AI将成为一项新的专业能力。不是每个医生都擅长与AI对话，不是每个医生都理解AI的局限性。具备这种能力的医生，可以成为科室内部的“AI教练”，帮助团队整体提升效率。

这三个方向不是互斥的，一名优秀的执业医生可以同时在这三个方向上发展，只是侧重点不同。

6.3 远期（医学知识创造者阶段）：AI学习已有知识，医生创造新的知识

当医生进入职业生涯的中后期，从“诊疗执行者”转型为“医学知识创造者”是最具战略意义的跃迁。

AI的本质是学习已有的知识。GPT-4、DeepSeek、医疗垂直模型，无一例外，它们从海量数据中提取模式、学习规则、模仿人类专家的判断。它们能做的事情，必须是人类已经做过、记录过、标注过的事情。

但医学知识不是静止的。新的疾病会出现，新的疗法会被发现，新的诊疗路径会被开创。这些新知识的源头不是AI，而是人类医生，是那些在临床实践中发现问题、提出假设、设计研究、验证结论的医生。

金观涛、凌锋、鲍遇海、金观源合著的《系统医学原理》正是一种“知识创造”的尝试。他们没有被还原论的医学范式束缚，而是尝试用系统论的框架重新理解疾病、治疗、康复与面对死亡。无论这本书的结论是否被主流接受，这种“突破现有范式”的努力本身就是AI无法完成的。

在AI时代，医生作为知识创造者的价值将更加凸显。因为AI可以把已有知识应用到极致，但它无法跨越知识的边界去创造全新的范式。这正是高级医生，特别是教学医院、研究型医院的医生，最不可替代的定位。

具体来说，知识创造包括以下几个内容。

一是提出问题，在临床中发现现有知识无法回答的问题，并把它转化为可研究的方向。

二是设计研究，用科学方法验证新的诊断或治疗方案。

三是撰写指南，将研究成果转化为可推广的临床实践标准。

四是培养下一代，把自己积累的经验和判断力传授给年轻医生。这是AI永远无法做到的“言传身教”。

当你成为医学新知识的创造者时，AI就不再是你的竞争对手，而是你的“助手”。它帮你检索文献、分析数据、生成报告，让你能专注于最重要的创造性工作。

6.4 与“两种源头”框架的呼应

把这三个阶段串起来看，会发现一个有趣的轨迹。

近期（住院医师阶段），医生在AI的辅助下建立独立判断能力。这是在“科学的医学”维度上打好基础。

中期（执业医生阶段），医生从“信息处理者”转向“决策者”，这是在“科学的医学”和“人的医学”之间建立连接，把AI的输出转化为患者的个性化方案。

远期（知识创造者阶段），医生突破现有知识边界，创造新的医学知识。这是在回答“科学从哪里来”的问题，而AI只能回答“科学现在怎么说”。

AI学习已有的知识，而医生创造新的知识。这正是医生的不可替代性的终极来源。

《系统医学原理》中有一条核心原则：“以不破坏生命自我维系机制为底线，既要求整合科学知识，又允许在科学无效时采用个体化疗法。” 这条原则，恰恰捕捉了AI时代医生的核心使命，这就是在科学能覆盖的地方用科学（包括AI），在科学不能覆盖的地方，用自己的判断和经验填补空白。

这不是医生的退步，而是医生的进化。当AI把“科学的医学”推到极致，医生反而可以回归医学最原初的模样，帮助活生生的人面对疾病和痛苦，而不是在数据和流程之间疲于奔命。

七、给不同角色医生的建议

前面的分析，从AI的能力边界、医生的价值重构，到不同科室的差异和转型路线，已经勾勒出一幅完整的图景。但“转型路线图”是一回事，“具体怎么做”是另一回事。

不同职业阶段的医生，面临的约束和可调用的资源完全不同。一位刚入行的住院医师和一位管理着几十个人科室的主任，不可能用同样的方式应对AI的冲击。因此，这一部分的建议按照角色细分。

7.1 年轻医生/医学生：在AI时代打好基本功

年轻医生和医学生正处于职业的起点。他们面临的最大风险，不是“被AI替代”，而是“因AI而丧失了独立临床推理能力的形成机会”。

核心建议一：用“先自己想、再问AI、最后对比”的方法训练自己。

这是避免成为“AI傀儡”最简单也最有效的方法。拿到一个病例后，先不要打开任何AI工具，用自己的知识储备，列出鉴别诊断、需要补充的检查、初步的治疗思路。写下来。然后，再向AI提问，让它给出它的分析。最后，把两者放在一起对比：你漏掉了什么？AI的建议哪些是有道理的、哪些是明显的“幻觉”？你能判断出AI的错误吗？

这个过程看似繁琐，但它是建立临床直觉的必经之路。如果你从一开始就依赖AI的“标准答案”，你可能永远不知道自己的短板在哪里，也永远无法建立对AI判断的批判性思维。

核心建议二：系统化提升AI素养。

2026年1月发布的《医学生AI素养能力清单及其测评框架》明确提出21项能力指标。这不是可有可无的“加分项”，而是未来医生执业的基本要求。

具体来说，你需要掌握以下内容。

在知识层面，理解AI的基本原理，不是要你写代码，而是要理解“训练数据”“过拟合”“分布偏移”这些概念，知道AI诊断结果的潜在偏倚来自哪里。

在技能层面，掌握与AI对话的结构化技巧。不同的问题问法，会得到完全不同的答案。学会如何用AI检索文献、整理病历、辅助鉴别诊断，是未来临床效率的关键。

在态度层面，始终坚守“医生主导”原则。AI是工具，不是决策者。你对AI辅助决策负最终责任，这意味着你不能盲目信任AI的输出，必须有独立判断的能力。

核心建议三：不要放弃基本功。

在AI可以快速读片、分析心电图、生成鉴别诊断的时代，有些东西反而变得更加珍贵，比如完整的病史采集、细致的体格检查、与患者建立信任的沟通能力。这些“老派”的临床技能，恰恰是AI无法替代的。

不要因为AI能帮你做心电图分析，就不学习心电图判读了。因为你只有在掌握基本功的前提下，才能判断AI的分析是否正确。张文宏担心的“年轻医生失去诊断思维”，正是源于基本功的缺失。

一个可行的训练方法，是每周选一个典型病例，进行“全流程独立操作”。从问诊、查体到鉴别诊断、治疗方案，全程不借助AI。然后，再用AI辅助重新分析一遍，对比差异。这个过程不仅能强化你的基本功，也能让你更清楚地了解AI的强项和弱项。

7.2 资深医生/科室主任：从“操作者”到“教练”和“质控者”

资深医生面临的任务与年轻医生不同，他们已经具备了扎实的临床功底，不需要从头建立推理能力。但他们的挑战在于，如何带领团队在AI时代保持竞争力？如何从一线操作者转型为更高价值的角色？

核心建议一：主动引入AI工具，但要设定边界。

AI不是洪水猛兽，但也不是万能神药。作为科室管理者，你需要做的是评估哪些AI工具真正适合你们的临床场景，小范围试点，验证效果和安全性，然后逐步推广。同时，必须明确AI的使用边界，什么情况下可以用AI辅助，什么情况下必须由医生独立判断，什么情况下绝对不能依赖AI。

核心建议二：从“读片者”变成“AI质控者”。

当AI处理了80%的常规影像后，资深医生的核心价值就不再是“逐张读片”，而是“审核AI的输出”。你要能够发现AI的漏诊和误诊，判断AI标记的可疑区域是否真的有临床意义，在AI的建议和患者的实际情况之间做出权衡。这种能力，是年轻医生在短期内无法替代的。

核心建议三：成为“人机协作教练”。

不是所有医生都擅长与AI对话，也不是所有医生都理解AI的局限性。作为资深医生，你可以承担起“教练”的角色，指导年轻医生如何有效使用AI工具，如何判断AI输出的可靠性，如何在AI辅助下保持独立判断。这种培训和指导的能力，本身就是一种不可替代的价值。

核心建议四：建立科室的AI应用标准和培训体系。

AI在临床中的应用不能“各自为政”，科室需要统一的标准。哪些AI工具被批准使用？使用流程是什么？如何记录和追溯AI辅助决策的过程？如何评估AI对诊疗质量的影响？这些制度和流程的建立，是资深医生和科室主任的核心职责。

7.3 医院管理者：设计AI时代的绩效体系和培训路径

医院管理者（院长、医务处、信息科负责人）面临的挑战是系统性的，就是如何在保证医疗质量和安全的前提下，推动AI的有效落地？如何重新设计绩效体系，激励医生向高价值方向转型？

核心建议一：重新设计绩效体系，从考核“操作量”到考核“复杂病例处理率”和“AI复核质量”。

传统的绩效体系，按门诊量、手术量、检查量计酬，在AI时代会越来越不合理。因为AI处理了常规工作后，医生的价值更多地体现在“疑难杂症的处理”和“AI诊断的复核与背书”上。

建议探索新的考核指标，比如复杂病例的处理数量和质量、AI辅助诊断的复核准确率、多学科会诊的参与度、患者满意度和信任度。这些指标更能反映医生在AI时代的真实价值。

核心建议二：投资AI工具培训，同时保留手工技能训练。

AI工具再先进，也不能完全替代医生的基本功。医院管理者需要在两个方面同时投资，一是为医生提供AI工具的培训（如何使用、如何判断、如何规避风险），二是保留和强化传统临床技能的训练（病史采集、体格检查、独立诊断推理）。两者不可偏废。

核心建议三：关注医生的“去技能化”风险，建立AI使用的监督机制。

波兰研究显示，在AI辅助下达到高检出率的医生，移开AI后检出率显著下降。这说明AI使用不当可能导致医生技能的“隐性退化”。医院管理者需要建立AI使用的监督机制，定期评估医生的独立诊断能力，而不是只看“有AI辅助时的表现”。这种机制对于年轻医生的培养尤其重要。

核心建议四：建立AI辅助诊断的责任框架。

当AI辅助诊断出错时，责任如何划分？这是医生和医院管理者最关心的问题。虽然目前国家层面还没有统一的规定，但医院可以在内部建立先行先试的责任框架，明确AI的使用边界，规定AI建议必须经过医生复核签字才能生效，建立AI辅助决策的记录和追溯机制。这些制度设计，既能保护医生，也能为未来的立法提供实践参考。

7.4 给所有医生的通用建议

无论你处于哪个职业阶段、哪个科室，以下三条建议具有普适性。

第一，每周花一定时间学习一个AI医疗工具。

你不必成为技术专家，不必会写代码，但你必须知道：市场上有什么工具？它们能做什么、不能做什么？在什么情况下可以信任它们？怎么用才能发挥最大价值？这种“AI素养”正在成为医生的基本功，就像过去学习如何读心电图、如何解读检验报告一样。

第二，建立一个“AI做不了的事情”清单，持续投入时间。

这个清单因人而异、因科室而异。对于放射科医生，清单上可能是“结合临床信息做综合判断”“与患者沟通影像结果的意义”；对于外科医生，清单上可能是“术中突发状况的处理”“复杂手术策略的设计”。把你每天工作中那些“AI搞不定”的任务写下来，然后把你的时间和精力持续投入到这些任务上。这是你不可替代性的具象化。

第三，和患者谈话时，尝试“AI帮你分析，我来帮你选择”。

这是一个简单但有效的沟通框架。当患者拿着AI生成的报告或建议来找你时，不要排斥，也不要直接否定。你可以说：“AI帮你做的分析很有参考价值，但它只是基于数据的一个建议。现在，我需要结合你的具体情况，包括你的年龄、基础疾病、生活习惯、个人意愿，来帮你做出最适合你的选择。这才是我作为医生的价值所在。”

这个框架既肯定了AI的价值（不抗拒技术进步），又清晰地界定了医生的角色（判断和选择）。它让患者感受到，你不是一个“信息转述器”，而是一个为他们负责的决策者。

医生的不可替代性，不在于你知道多少，而在于你能在不确定中做出选择，在风险中承担责任，在患者最脆弱时给予安全感。这正是AI永远无法模仿的，也是医学在AI时代重新被理解的机会。

八、两个被忽略的关键维度

前面几个部分，我们讨论了AI的能力边界、医生的价值重构、不同科室的差异、转型路线图以及给不同角色的建议。这些分析大多从“供给侧”，也就是医生和技术的角度出发。但AI对医疗的影响，还有两个至关重要的维度，它们决定了AI能否真正落地、医生的价值能否被市场认可。这就是患者怎么看和法律怎么定。

这两个维度在之前的分析中有所触及，但需要更系统地展开。

8.1 患者视角：AI能诊断疾病，但不能治愈恐惧

让我们先来看一个真实发生的场景。

某三甲医院门诊，一位45岁的女性患者携某AI健康App生成的“疑似肺部恶性肿瘤”报告前来就诊。报告上清晰地标注着“高风险”“建议立即就医”等字样。这位患者已经焦虑失眠两周，甚至开始考虑身后事。

医生调阅了她的原始CT影像，仔细比对后判断，这只是一个小小的良性钙化灶，与恶性肿瘤毫无关系，不需要任何治疗，只需要常规随访。

患者如释重负地哭了。但她也愤怒地问：“为什么AI会给我这样的报告？”

这个案例并非孤例。随着AI健康App和通用大模型的普及，越来越多的患者开始用AI“自我诊断”。他们把自己的症状、检查报告输入AI，得到一个诊断建议，然后带着这个“建议”去找医生。

这本身不是坏事，AI可以帮助患者更早地关注健康问题。但问题在于，AI的输出往往缺乏概率校准和风险沟通。一个AI可能会给出“85%的可能性是某某病”，但患者听到的是“我得了某某病”。AI没有能力解释“85%”意味着什么，它既不是确诊，也不是排除；它可能需要进一步检查，也可能只是统计噪声。更重要的是，AI无法理解患者的恐惧和焦虑，无法在给出建议的同时给予心理支持。

美国医学会（AMA）2026年调研揭示了一个有趣的矛盾：大多数医生欢迎患者使用通用AI工具进行健康信息查询，认为这有助于提高健康素养；但近半数医生强烈反对患者使用AI解读病理或影像结果。

为什么？因为解读病理或影像结果，已经进入“诊断”的范畴。当AI越过医生直接向患者输出诊断性结论时，它不仅可能误导患者，还可能破坏医患的信任关系。患者可能质疑医生的判断：“AI说是恶性肿瘤，你为什么说是良性？”医生不得不在诊疗之外，额外花费大量时间解释AI的错误。

这个矛盾指向一个关键结论：AI可以在“前台”帮助患者获取信息，但在“内核”决策环节，AI的输出必须经过医生的过滤和解释，才能传递给患者。医生不仅是AI的复核者，还是患者与AI的“翻译者”和“缓冲带”。

从经济角度看，这种“翻译”和“缓冲”服务本身就有独立的价值。患者愿意为“有人帮我解释AI报告”付费，因为他们需要的不只是信息，更是安心。

AMA调研的另一个发现也印证了这一点。医生们认为，AI最有价值的应用场景是那些不直接面对患者的任务，比如文献检索、病历整理、数据录入。越是接近患者、越是涉及情感沟通的场景，医生越倾向于“自己来”。

这意味着，在AI时代，医生的“共情”和“沟通”能力不仅没有被削弱，反而变得更加值钱。因为当AI处理了越来越多的技术性工作后，患者对“有人真正理解我”的需求反而增加了。这正是杰文斯悖论在医疗人文层面的映射。

8.2 法律责任：为AI背书的签字权，是医生的独立价值

如果说患者视角回答的是“谁需要医生”，那么法律责任维度回答的是“为什么需要医生签字”。

AI可以给出诊断建议，但AI不会签字，不会出庭作证，不会面对患者家属的追问，不会在医疗纠纷中承担责任。这个“签字权”的差异，是医生不可替代的最后一道防线。

当前，AI辅助诊断的法律责任归属问题远未解决，核心问题可以概括为：当AI辅助诊断出错时，谁来负责？

有三种可能的归责路径。

一是医生负责。医生使用AI工具辅助诊断，最终由医生签字确认。如果出错，责任归医生。这是最接近现状的模式。但问题是，如果医生只是“复核”了AI的输出，而AI的误诊非常隐蔽，医生未能发现，责任是否完全由医生承担？这种“无限责任”可能导致医生拒绝使用AI工具。

二是医院负责。医院采购并部署了AI系统，对系统的安全性和有效性负有审查义务。如果AI系统存在设计缺陷或训练数据偏差导致误诊，医院可能承担部分责任。但这需要医院具备评估AI系统的专业能力，而这恰恰是大多数医院不具备的。

三是算法公司负责。如果AI系统的误诊是由于算法本身的缺陷造成的（而非医生的使用不当），算法公司是否应该承担产品责任？目前，全球范围内几乎没有这样的先例。医疗AI产品大多以“辅助诊断工具”的名义获批，法律上被视为“工具”而非“决策者”，算法公司的责任被限定在产品缺陷层面。

2025年，国内开始出现涉及AI辅助诊断的医疗纠纷诉讼。虽然具体案件的判决细节尚未公开，但它释放了一个信号，就是法律界已经开始关注这个问题。可以预见，随着AI深入临床，围绕“签字责任”的司法实践将成为影响医生价值定价的关键变量。

在法律框架尚未明确的过渡期，医生需要理解一个基本的经济学逻辑：为AI诊断背书，是一种具有独立市场溢价的服务。

道理很简单，一个没有医生签字的AI报告，在法律上几乎没有效力。患者不能用它来请假、申请保险、提起诉讼。一个有医生签字的报告，则具有法律效力，医生用他的专业声誉和法律风险，为AI的结论提供了“确定性”背书。这种“确定性”本身就有价值。

想象一个场景。某私立影像中心提供两种服务。服务A：AI自动生成的影像报告，免费；服务B：三甲医院放射科专家复核并签字确认的诊断意见，收费200元。患者愿意为服务B付费，不是因为专家读片比AI更准（事实上，在常规影像上AI可能已经接近甚至超过人类），而是因为专家愿意为这个结论负责。这200元，买的是“确定性”，是“有人兜底”的安全感。

这正是医生在AI时代的独立价值。它不是与AI竞争“谁看得更准”，而是在AI提供的概率基础上，叠加了一层人类的判断、责任和信任。这个叠加层的价格，将随着AI能力的提升而上升。因为AI越准，人们对“有人为结果负责”的需求就越强烈。

从医院管理的角度看，这种“签名费”或“复核费”可以成为医生绩效体系的新组成部分。当AI处理了80%的常规工作后，医生节省下来的时间可以投入到更高价值的复核、会诊和患者沟通中，而医院的收费结构也可以从“按操作量计费”转向“按决策难度和责任风险计费”。

当然，这套定价机制的前提是法律框架的明确。目前，国家层面尚未出台统一的AI医疗责任划分规定。但2024年11月，国家医保局已明确，在已收取影像诊断费用后，不宜单就人工智能辅助诊断再向患者额外收费。这说明政策层面正在关注这个问题，但方向是“AI不能成为独立收费项”。这对医生的“复核费”定价提出了挑战，如果AI辅助诊断不能单独收费，那么医生的复核劳动如何体现价值？

一个可能的路径是将“医生复核AI报告”的劳动纳入现有的会诊费、特需门诊费、专家阅片费等收费项目中，而不是单独设立“AI复核费”。这样既能体现医生的劳动价值，又符合现行政策框架。

无论如何，有一点是确定的，这就是医生的签字权，是AI无法替代的最后一道防线，也是医生在AI时代价值定价的核心锚点。保护这个签字权，就是保护医生的不可替代性。

8.3 两个维度的交汇：患者信任与法律责任共同塑造医生的新角色

把患者视角和法律责任放在一起看，一个清晰的图景浮现出来。

患者需要的不只是“正确的诊断”，更是“有人为我负责”的安全感。当AI给出一个准确的诊断时，患者仍然会问：“这个诊断可靠吗？我该相信它吗？”医生的签字，提供了这种信任的锚点。

法律需要的不只是“准确的结果”，更是“可追责的主体”。当诊断出错时，社会需要一个能够承担责任的实体。AI不是法律意义上的“人”，无法被追责，医生和医院，必须成为这个责任链条的最后一环。

因此，AI时代的医生新角色可以概括为：从“信息提供者”转变为“信任中介”和“责任承担者”。

作为信任中介，医生在患者和AI之间架起桥梁，解释AI的输出、过滤AI的错误、传递诊断结论、安抚患者的焦虑。这个角色要求医生具备更强的沟通能力和共情能力，而这些恰恰是AI无法替代的。

作为责任承担者，医生为AI的结论提供法律背书，比如复核、签字、负责。这个角色要求医生具备扎实的临床功底和批判性思维，能够发现AI的错误，并有勇气推翻AI的建议。

这两个角色的价值，不会随着AI能力的提升而削弱，反而会增强。因为AI越强大，它的输出就越需要人类的解释和背书。患者会越来越依赖AI获取信息，但他们最终寻求的，仍然是一个可以信任的人，一个能够看懂AI、理解AI、并在必要时超越AI的人。

这正是医生在AI时代的终极定位。不是与AI竞争，而是成为AI与患者之间的“人”的桥梁。而这个定位，恰恰回到了医学最原初的模样，面对活生生的人，用判断、共情和责任，帮助他们在疾病和痛苦中找到方向。

九、行动指南

前面的分析从AI的能力边界、医生的价值重构、不同科室的差异、转型路线图，到给不同角色的建议、患者视角和法律责任，已经勾勒出一幅相对完整的图景。但最终，每个医生都需要回答一个最个人化的问题：我，现在应该做什么？

这一部分的行动指南，不试图给出“标准答案”，而是提供一个自我诊断的框架和几个可立即着手的方向。你可以根据自己的职业阶段、科室特点和现实约束，选择适合自己的路径。

9.1 自检问题：找到你的位置

在采取任何行动之前，先花15分钟，诚实地回答以下四个问题。把它们写在纸上，而不是只在脑子里过一遍。

第一个问题：如果AI能完成你工作中80%的任务，剩下的20%是什么？

这个问题帮你识别自己的不可替代性。不要笼统地回答“诊断”“治疗”，要具体。对于放射科医生，答案可能是“结合临床信息做综合判断”或“与患者沟通影像结果的意义”；对于外科医生，可能是“术中突发状况的处理”或“复杂手术策略的设计”；对于精神科医生，可能是“深度共情和信任关系的建立”。

把剩下的20%写下来，这些是你最值得投入时间的方向。

第二个问题：你今天的工作中，有哪些是AI已经在做、且做得比你好的？

这个问题帮你识别哪些任务应该“放手”。如果你还在花大量时间做AI已经能做好的事情，比如常规影像的初步判读、标准化的病史采集、常见病的鉴别诊断列表生成，那你可能正在把时间浪费在低价值的工作上。

诚实面对这个问题可能会让人不舒服。承认AI在某些任务上比你强，不是示弱，而是理性的起点。只有知道哪些任务可以交给AI，你才能把自己解放出来，做那些AI做不了的事。

第三个问题：你每天花多少时间在与“判断”和“决策”直接相关的事情上？

这个问题帮你评估自己的价值来源是否在向正确的方向迁移。如果你的大部分时间花在信息收集、数据录入、文书撰写上，你可能还停留在“信息处理者”的角色。如果你的时间越来越多地花在疑难病例的分析、治疗方案的权衡、与患者和家属的深度沟通上，说明你正在向“决策者”和“信任提供者”转型。

不需要精确到分钟，但可以给自己一个粗略的估计：每天8小时工作中，有多少时间是在做“判断”和“决策”？如果这个比例低于20%，你可能需要调整工作方式。

第四个问题：你的“不可替代性”具体体现在哪里？

这个问题是对前三个问题的综合。用一句话回答：“如果明天AI变得更强大10倍，我的岗位中还有哪一部分是它做不到的？”这个答案就是你的核心护城河。

如果你的答案是“我也不知道”或“好像没有”，那说明你可能正处于被替代的边缘，需要尽快启动转型。如果你的答案清晰具体，比如“我能处理多学科交叉的罕见病”“我能与极度不信任医生的患者建立关系”“我能设计出超出常规指南的创新手术方案”，那么你的护城河已经存在，需要做的就是持续加深它。

9.2 三个建议：从今天开始行动

自检是为了行动。以下三条建议不要求你一次性全部做到，但至少选择其中一条，从今天开始。

建议一：每周花一定时间学习一个AI医疗工具。

你不必成为技术专家，不必会写代码，但你必须知道，市场上有什么工具？它们能做什么、不能做什么？在什么情况下可以信任它们？怎么用才能发挥最大价值？

这种“AI素养”正在成为医生的基本功，就像过去学习如何读心电图、如何解读检验报告一样。一个简单的开始方式，是选一个你工作中常用的AI工具（可能是医院的影像AI系统，也可能是通用的ChatGPT、DeepSeek），花2小时系统地探索它的功能和局限。问它一些问题，看看它的回答质量；给它一些复杂病例，看看它在哪里出错；尝试用不同的问法，看看结果有何不同。

2小时不会让你成为专家，但它会让你从一个“被动使用者”变成一个“主动判断者”。

建议二：建立一个“AI做不了的事情”清单，持续投入时间。

这个清单来自自检问题的第一个答案。把它写下来，贴在办公桌的显眼位置。然后，每天问自己：我今天的时间，有多少花在了清单上的事情上？

如果你的清单上有“与患者深度沟通”这一项，但你的日程表里80%的时间还是花在写病历和整理数据上，说明你的时间分配需要调整。这可能意味着你需要主动争取那些“复杂病例”的机会，或者在团队中重新分配工作任务。

清单本身也会随着你的成长而变化。每过三个月，重新审视这份清单，那些过去觉得“AI做不了”的事情，现在AI能做了吗？那些过去觉得“AI能做”的事情，现在是否反而因为AI的普及而变得更有价值？保持清单的动态更新，就是保持对自己的不可替代性的清醒认知。

建议三：和患者谈话时，尝试“AI帮你分析，我来帮你选择”。

这是一个简单但强大的沟通框架。当患者拿着AI生成的报告或建议来找你时，不要排斥，也不要直接否定。你可以说：“你做的这个AI分析很有参考价值，它帮我快速了解了你的情况。但是，AI只能基于数据给出建议，它不了解你的全部，比如你的生活习惯、你的家族史、你对不同治疗方案的接受度、你此刻的担忧和顾虑。现在，我需要结合这些‘只有我知道’的信息，来帮你做出最适合你的选择。”

这段话同时做到了三件事：肯定了AI的价值（不与技术进步对抗），清晰地定义了医生的角色（整合信息、做出判断、承担责任），让患者感受到被重视和信任。

这不仅是沟通技巧，更是角色定位的具象化。每一次这样的对话，都在强化一个事实：你不是AI的“传声筒”，而是患者的“决策伙伴”。

9.3 一个最后的提醒

转型不是一蹴而就的，你不需要明天就变成一个精通AI、擅长沟通、敢于承担风险的“超级医生”，你只需要比昨天的自己多走一小步。

如果你今天还没有用过任何AI工具，那么“花2小时学一个”就是你的第一步。

如果你已经在用AI，但总是直接采纳它的建议，那么“先自己想、再问AI、最后对比”就是你的下一步。

如果你已经能熟练判断AI的优劣，但还没有建立自己的“不可替代性清单”，那么“把剩下的20%写下来”就是你的下一步。

AI时代医生的终极定位，不是“比AI更强的诊断者”。这条路注定会输。而是“比AI更懂人的医生”，这条路没有人能和你竞争。

医学从痛苦中起源，最终也要回到痛苦中的人身上。这个起点和终点，AI无法抵达。

十、结语：AI正在把医生“驱赶”回医学的源头

2016年，AI先驱杰夫里·辛顿站在多伦多的演讲台上，用近乎决断的语气告诉世界：人们应该停止培训放射科医生；五年内，深度学习将在读片这件事上超越人类。十年后，美国放射科医生的平均年薪达到57.1万美元，岗位空缺率创历史新高。辛顿本人后来承认，他当初“看得太窄了”，他专注于影像分析，忽略了医生诊断疾病、指导治疗等更核心的工作。

这个反转，不是偶然的。它指向一个更深层的真相：AI不是在替代医生，而是在把医生“驱赶”回医学的源头。

1543年，哥白尼发表《天体运行论》，近代科学从仰望星空开始；同一年，维萨里发表《人体的构造》，现代医学从俯视身体开始。科学的源头是好奇，是人类对世界的追问；医学的源头是痛苦，是人类对疾苦的回应。不同的起点，决定了不同的终点。科学追求的是普遍规律，医学面对的是具体的人。

几百年后，现代医学试图把自己打扮成科学。双盲实验成为黄金标准，循证医学建立了证据等级体系。这套“科学的医学”取得了辉煌的成就，但它始终无法完全抹去医学最初的印记。

1919年，现代医学之父威廉·奥斯勒在人生最后一次公开演讲中发出警示：“医学是个不确定的科学和可能性的艺术。”“行医是一种以科学为基础的艺术。它是一种专业，而非一种交易；它是一种使命，而非一种行业。”奥斯勒知道，医学中那些无法被科学还原的部分，比如共情、判断、责任、意义，才是医学的灵魂。

今天，当AI以超人的精度和速度处理影像、分析数据、生成诊断建议时，奥斯勒的洞见获得了全新的回响。AI可以在“科学的医学”的维度上逼近极限，诊断更快、更准、更全面。但AI越强大，它就越清楚地暴露了自己的盲区：它不懂恐惧，不懂共情，不懂一个家庭面对重病时的选择焦虑，不懂那些在数据之外的真实痛苦。

AI时代的医生，不再是与机器赛跑的医生，而是驾驭AI的医生。不再是躲在机器背后的医生，而是站出来为患者负责、承担风险、传递温度的医生。

AI可以诊断疾病，但无法治愈恐惧；可以给出方案，但无法分担焦虑；可以提供数据，但无法做出选择。这正是医生永远无法被替代的理由，也是医学在AI时代，重新被理解的机会。

医学从痛苦中起源，最终也要回到痛苦中的人身上。这个起点和终点，AI无法抵达。

全文完

AI时代的医生（上）：为什么AI越强大，医生越值钱？

不被AI替代还不够：四类岗位的“价值放大”路线图

AI的尽头是新能源——算力、电价与机器经济的重构