AI赋能教学科研 · 医学教育观察

AI已经拿了诺奖、看片超过专家：医学院的专业培养体系，谁来重构？

诺奖、临床、再到普通人的厨房——从聊城大学医学院的一次交流说起。

文 / 张树军 · 东北财经大学继续教育学院院长

这两天，应聊城大学继续教育学院明书记的邀请来学校进行AI赋能继续教育方面的工作交流，期间和聊城大学医学院的老师、研究生做了一次交流，主题是 AI 如何赋能高校教师。让我印象很深的是，老师们事先准备了一整页问题——从"AI 给出错误科研信息怎么办""AI 写论文和抄袭如何界定"，一直到"课题组能不能建一套完整的 AI 科研工作流，先从哪个环节试点"。

这些问题很具体，也很真实。交流之前，我先让我的 AI 助理 NEO 把这十一个问题逐项答了一遍，作为现场讨论的底稿。说实话，答得相当不错——边界清晰、口径稳健，既没把 AI 神化成"自动答案机"，也没有回避它的风险。这本身就说明了一件事：AI 已经能在科研协作的很多环节里，承担一个靠谱助理的角色。

但真正让我想多写几句的，不是 NEO 答得好，而是坐在我对面的这支队伍。聊城大学医学院是一支很年轻的团队，院长和老师都很年轻，学习和应用 AI 的劲头很足。面对一群有动力、有问题意识的年轻医学教育者，我心里冒出来一个更大的问题——

一、医学，可能是这一轮 AI 变革最剧烈的学科

很多行业还在讨论"AI 到底有没有用"的时候，生命科学和医学领域，AI 已经实实在在地改写了游戏规则。

2024 年的诺贝尔化学奖，一半授予 David Baker，表彰他在计算蛋白质设计上的贡献；另一半授予 Demis Hassabis 和 John Jumper，表彰他们用 AlphaFold 实现蛋白质结构预测。一个困扰结构生物学半个世纪的难题——根据氨基酸序列预测蛋白质的三维结构——被 AI 大幅推进。这不是科普文章里的比喻，而是一座诺贝尔奖。

在临床这一侧，变化同样真实。在糖尿病视网膜病变筛查、皮肤病变识别、部分影像分类等特定任务上，AI 模型已经达到、甚至超过专科医生的平均水平。需要说清楚的是，这是"在限定任务、限定数据上"的超越，不等于 AI 全面取代了影像科医生；但它足以说明：医学影像、病理、组学这些以"看图识数"为核心的环节，正在被 AI 深度重塑。

问题随之而来：如果医学的现场已经变了，而培养医学人才的方式没变，那我们交付给行业的，就会是一批"用上一个时代的能力，去面对下一个时代问题"的毕业生。

二、更值得警醒的是：AI 已经下沉到普通人手里

如果说诺奖和顶级实验室的突破，还离普通人有点远，那么过去一两年，真正让我感到震动的，是另一类故事——没有生物学背景的普通人，靠着公开的 AI 工具，开始在生命科学的门口"动手"了。

这三个故事，背景、结果、可信度各不相同，但它们共同说明一件事：DNA 测序、蛋白质结构预测、文献推理这些过去高高在上的能力，正在借助公开 AI 工具，快速"下沉"到普通人手里。十几年前，英国少年 Fred Turner 在卧室里用约 250 英镑 DIY 一台 PCR 仪、自己解读基因，曾被当成天才新闻；而今天，门槛比那时还要低得多。

需要强调的是，我举这些例子，绝不是鼓励大家在家"自己治病"——医疗有它不可逾越的安全、伦理和法律边界，案例里的缩瘤数据也仍需严谨验证。我真正想说的是：能力的门槛已经塌方式下降，专业人才如果不主动把这种能力纳入正规、严谨、合规的轨道，业余的尝试反而会先一步涌进来。

三、真正的问题，不是"要不要用 AI"

交流中老师们的问题，几乎都集中在"怎么用"这个层面：怎么让 AI 不胡说、怎么界定学术诚信、怎么给研究生写指令、怎么保护未发表的数据和想法。这些都很重要，我也逐条谈了意见——核心就是把 AI 放进"检索—生成—核验—引用—复审"的流程里，事实回到 PubMed、指南、原始文献，最终判断永远交给导师和作者本人。

但如果我们把视野再抬高一层就会发现：教会每个老师、每个学生熟练使用 AI 工具，只是第一步。更关键、也更难的，是有没有人能把 AI 真正"织"进一个专业的培养体系里——课程怎么排、能力怎么定义、实训怎么设计、伦理怎么把关。

这批人，我愿意借用一个最近很火的概念来称呼他们——FDE。

四、医学院的老师，应该成为 AI 时代的 FDE

FDE，通常指 Field Deployment Engineer 或 Forward Deployed Engineer，可以理解为"场景交付工程师""前线部署工程师"。这个角色最早出现在复杂软件和 AI 项目的落地过程中，他不一定是最懂模型参数的人，但他是最懂业务场景、最能把 AI 能力部署进真实流程、并把结果交付出来的人。

我一直认为，AI 时代各行各业都需要自己的 FDE。在继续教育领域如此，在医学教育领域更是如此。因为医学的专业性、严谨性和伦理要求，决定了它的 AI 落地，不可能靠外部供应商交付一套通用系统就解决，必须由真正懂这门学科的人来主导。

为什么必须是老师，而不是技术部门？因为只有任课教师和导师，才真正知道一门课要解决什么问题、一个专业的学生缺什么能力、一篇论文的红线在哪里。AI 工具可以采购，但"用 AI 重构培养体系"这件事，外人替代不了。

而聊城大学医学院这样一支年轻的队伍，恰恰最有条件成为这样的 FDE——船小好调头，没有那么多历史包袱，学习动力又强。年轻，在 AI 这件事上，是真正的优势。

五、用 AI 重构培养体系，重构的是什么

所谓"重构专业培养体系"，不是在原来的课表上加一门《人工智能导论》就完事。它意味着培养目标本身的升级——从单一的"知识传授型"，转向"专业能力 + 数据能力 + AI 协同能力 + 伦理合规能力"的复合型培养。

具体到医学院的几个专业方向，重构的侧重点并不相同：

无论哪个方向，有一条主线是共通的：教学方式要从"讲 AI 概念"转向"做 AI 工作流"。增加项目制学习、案例式教学和真实工作流训练，让学生不是听懂了 AI，而是在导师指导下真正用 AI 做了一遍科研、写了一遍综述、处理了一批数据。

六、怎么落地：别追全流程自动化，从一个场景开始

交流到最后，老师们问得最实在的一个问题是：课题组能不能建一套完整的 AI 科研工作流？我的建议是——能建，但千万别一上来就追求"全流程自动化"。

一套完整的科研工作流，大致包含选题与文献、研究设计、数据处理、科研作图、论文写作、基金申报、专利挖掘等环节。但落地的诀窍，是先选一个门槛低、见效快、风险可控的环节做试点。

配套要做三件事：建立课题组的 AI 使用规范（哪些能输入、哪些禁止、哪些必须导师审核）；沉淀一个常用提示词库（文献筛选、方法学审查、图表说明、审稿回复）；坚持成果留痕（保留 AI 对话摘要、修改记录和人工复核说明）。每月做一次小复盘，看哪些环节真正省了时间，哪些输出容易出错。

从一个场景开始，跑通一个、沉淀一套、再扩展一片——这正是 FDE 的工作方式：不贪大、不空谈，用一个个看得见的成果，把 AI 一点点织进专业的肌理里。

七、写在最后：年轻团队的机会窗口

这次和聊城大学医学院的交流，让我更加确信一个判断：在医学这样被 AI 深度改写的学科里，决定一个学院能走多远的，不是它买了多少工具、上了多少平台，而是它有没有培养出一批能用 AI 重构培养体系的老师。

蛋白质结构预测拿了诺奖，AI 看片在特定任务上超过了专家，这些都是已经发生的事实。面对这样的变革，最被动的姿态是焦虑"AI 会不会取代我"，最主动的姿态是追问"我如何带着 AI，培养出更适应这个时代的医学人才"。

一支年轻、有动力的队伍，加上一条务实、合规、可落地的路径，完全有机会在 AI 时代的医学教育里，蹚出属于自己的一条路。东财继续教育学院愿意把已经做过、正在做的实践拿出来，与医学教育的同行一起讨论、一起验证、一起迭代。

这篇文章，权当抛砖引玉。

— END —