AAMC AI 教育辩论：临床判断比更快答案更重要

AAMC 于 11 月 7 日召集医学教育工作者和 OpenAI 的医疗 AI 负责人，直面一项矛盾：更快获得临床答案，可能绕过学生必须经历的关键练习。AAMC 关于 AI 教育的辩论聚焦于，未来医生在依赖能够整理信息并提出决策建议的系统之前，必须掌握什么。

在 Learn Serve Lead 2026 上，来自 NYU Grossman 的 Marc Triola、来自 UCSF 的 Robert Wachter，以及 OpenAI 的 Karan Singhal 讨论了课程内容和教学方式的变革。他们的讨论提出了一项实际区分：帮助经验丰富的医生完成工作，与帮助学生培养专业能力，并不是一回事。

相互竞争的路径，是即时 AI 辅助与受保护的独立推理机会。无论是一概禁止，还是不加限制地开放使用，都无法化解这种张力。学校需要证据证明，毕业生能够评估答案、识别缺失信息，并在有无辅助的情况下解释自己的决策。

AAMC 的 AI 教育讨论挑战了学校应保留什么

11 月 7 日的医学教育讨论是一场小组讨论及报道采访，并非对具有约束力的课程要求作出宣布。这一区别很重要，因为知名发言人的建议并不构成机构标准。

Wachter 主张重新审视记忆训练，同时保留诊断推理——即解读发现结果，以识别疾病可能解释的过程。Singhal 描述了引导学生逐步得出答案的 AI 辅导。Triola 则强调，在更快调整教育的同时，应保留艰难的学习经历。

这项实质性主张，是重新审视哪些投入能够构建专业能力，哪些投入只是消耗时间。

这比增加一堂人工智能入门课困难得多。一堂课可以解释术语，却未必改变学生练习什么、教师观察什么，或考试奖励什么。

不妨考虑回忆一条孤立事实，与识别某种解释和患者病史相冲突之间的差异。两者都依赖知识，但它们对记忆、解读和注意力提出了不同要求。

因此，课程问题不能被简化为学生应记住多少信息。学校必须决定，当情境变得令人困惑、信息不完整或紧急时，哪些知识需要随时可用。

外部系统可以在问题形成后提供解释。学生仍需具备足够的理解，才能识别问题并提出有价值的问题。

正是在这里，这场讨论的意义超出了医学领域。任何在强大软件辅助下教授初学者的职业，都面临类似问题：高质量的辅助产出可能掩盖薄弱的基础理解。

一份经过润色的回答，能够告诉评估者任务完成得如何。但它并不会自动揭示学习者理解了、核查了，或未经审视便接受了哪些部分。

这一区别改变了课程现代化的含义。如果评估仍然奖励答案本身，却不考察学生如何得出答案，那么用 AI 内容替代旧材料仍然不够。

更具影响力的改变，是将教学、允许的辅助方式和评估联系起来。学生会明确知道哪些能力必须独立展示，哪些任务则需要与软件有效协作。

这些是从辩论中引出的含义，而非会议宣布的政策。公开讨论仍让学校需要就实施方式和证据作出决定。

它也留下了一条尚未厘清的边界。减少低价值记忆听起来合理，但判断什么属于低价值，不能只凭聊天机器人能够检索到它这一点。

医学知识彼此关联。一条单独看来似乎可以舍弃的事实，可能在别处支撑识别、解读或解释。

因此，学校需要对删减内容作出站得住脚的说明。最有力的说明应当证明，学生仍保留了被删材料此前所帮助培养的能力。

课程采纳使评估面临压力

早在这次会议之前，医学院就已在纳入 AI。AAMC 于 2025 年 6 月发布的 AI 课程概览显示，在连续调查年度中，作出回应的学校比例从 53% 升至 77%。

报告 AI 相关课程覆盖的学校数量，从 2023 年的 88 所增至 2024 年的 140 所。两次调查的受访群体不同，因此这些数字反映的是报告中的采纳情况，而非受控比较。

该概览还区分了 AI 在课程任意位置出现，与其出现在必修教学中之间的差别。在报告 AI 课程覆盖的学校中，提供必修教学的学校从 61 所增加到 107 所。

课程覆盖衡量的是机构活动；它不能证明学生能够安全使用 AI，或在没有 AI 的情况下进行有效推理。

这一差距给课程委员会带来压力。它们需要说明，一项 AI 要求除接触术语或演示可用工具外，还能实现什么。

教师也面临相关的评估问题。当辅助工具能够生成连贯回答时，完成后的文档就不再能直接衡量学生的贡献。

问题转向可观察的决策。学生认为哪些信息重要？他们否决了哪种替代方案？什么情况会促使他们重新考虑？

这些问题让推理过程更加可见，但也需要教师投入时间。学校不能假设购买软件就能自动获得评估学生使用软件能力的容量。

学生同样面临对预期不明确的问题。允许使用 AI 学习，并不必然意味着允许提交由 AI 辅助完成的作业，或输入患者信息。

不清晰的边界可能导致不一致的学习体验。一名教师可能鼓励使用辅助工具，另一名教师却将同样的行为视为学生准备不足的证据。

机构应明确这些边界。不同活动可以有不同规则，前提是这些规则遵循明确的教育目的。

独立练习可以揭示学生已经理解什么。辅助练习则可以揭示学生是否会注意到缺陷、整合有价值的建议，并为修订承担责任。

两种练习都不能替代另一种。二者结合，比笼统声明学生获准使用 AI 能提供更具信息量的图景。

同样的逻辑也适用于采购决策。能够在临床工作中节省时间的产品，并不会自动提供有关学生发展的证据。

评估教育软件的机构应询问，该产品让哪些行为变得可见。它们还应询问，教师能否检查足够多的互动过程，以评估这些行为。

这里还存在一个实际的公平问题。如果预期取决于对特定工具的非正式获取，学生可能面临不同的学习条件。

一项站得住脚的评估应明确可获得的辅助，并评估预期能力。否则，表现可能反映资源差异，其程度不亚于理解能力的差异。

因此，AAMC 的 AI 教育辩论将评估与课程内容并列。学校需要先界定成功学习的标准，再决定每项活动中应允许多少辅助。

强大的模型并不保证带来更好的临床团队

研究已经为教育者提供了理由，去区分模型表现和人机协作下的表现。一个系统可以很好地回答结构化问题，却未必能帮助每位用户得出更好的结论。

一项 2024 年的诊断推理试验将 50 名医生随机分配至使用常规资源，或使用常规资源加 GPT-4。像 GPT-4 这样的大语言模型，会根据训练中学习到的模式生成文本。

在该研究中，获得模型访问权限并未显著提升医生的诊断推理表现。模型单独工作时的得分高于任一医生组。

该试验涉及以书面情境呈现的临床病例。它并未证明自主软件能够提供更好的患者护理，也未证明所有形式的辅助都无效。

对教育而言，关键启示是：接触强大系统与实现有效协作，是两项不同的成就。

用户必须决定提供哪些信息、如何解读回复，以及是否改变已有结论。这些决策既创造改进机会，也带来出错可能。

对教育者而言，这意味着软件熟练度不能止于知道在哪里输入问题。学生需要展示自己如何评估由此得到的建议。

设想一项评估：学生收到一份看似合理、却包含未经支持假设的解释。关键观察点是，学生是否识别出该假设，并核查其后果。

对答案进行流畅改写，并不能展示这种能力。对系统生成的一切不经审视地全部拒绝，同样不能。

有价值的协作需要选择性判断。学生必须保留可靠推理、质疑薄弱主张，并解释为何最终答案值得信赖。

更广泛的研究图景也使“技术任务与人际沟通截然分开”的简单划分变得复杂。AI 开发者正在通过对话以及书面考试来评估系统。

Google 研究人员关于对话式诊断 AI的工作推出了 AMIE，这是一个通过与患者演员进行文本对话来评估的研究系统。该研究在模拟条件下考察了诊断和沟通表现。

这项工作是一项研究比较，并非证明该系统能够在日常实践中取代医生。它在这里的相关性，在于其考察的能力范围。

OpenAI 参与 AAMC 小组讨论，以及 Google 的研究，展示了对同一教育问题的不同贡献。前者提供开发者视角，后者提供实验性证据。

它们并未确立产品之间已尘埃落定的排名，也未为软件永远不会执行的任务划定永久边界。

因此，学校应谨慎避免围绕当今模型的弱点构建整个课程。一项弱点可能随着产品更新而改变，使狭隘的教育策略过时。

更持久的目标是评估证据并管理责任。无论系统的回答令人印象深刻、不完整，还是难以解读，这些能力都仍然必要。

这也重新界定了教授沟通的含义。一段安抚性的回应，只是一次需要理解、澄清和达成共识的互动中的一部分。

评估需要考察学习者是否发现了对患者重要的事项。它不应把流畅的语言当作成功沟通的唯一证明而给予奖励。

对于企业采购者而言，这种对应关系同样直接。一场令人印象深刻的演示，展现的是软件在选定条件下能够产出的内容。

它并不能说明团队在引入产品后会如何表现。培训、工作流程设计和评估决定了这种能力能否在实践中发挥作用。

富有成效的困难应与自动化并存

核心权衡在于提供帮助的时机。干预可能改善已完成任务的结果，同时减少执行者获得练习的机会。

这造成了即时表现与学习之间的区别。表现关乎一个人当下完成了什么。学习关乎他们日后能够理解什么、做到什么。

在将更快完成任务视为教育改进之前，学校需要同时掌握这两类结果的证据。

设想一个涉及患者访谈的假设性学生练习。如果软件立即生成摘要，学生可以审阅一份条理清晰的记录，却不必自行决定如何组织内容。

这种安排或许有助于开展有关编辑的讨论。但它较难直接证明学生能否独立识别并整理重要信息。

改变顺序，也就改变了教育任务。学生可以先自行完成一份记录，再将其与辅助生成的版本进行比较，并说明差异。

这是一种示例性的评估设计，而非 AAMC 会议确立的流程。其目的是说明，访问规则需要具备教育层面的依据。

在生成可能诊断时，同样存在这种区别。先由学生独立作出解释，教师才有内容可与学生在获得帮助后的后续回答进行比较。

这种比较可以揭示学生是经过思考后修正了薄弱结论，还是只是接受了软件的建议。它也可以展现有依据的异议。

不过，增加难度并不必然有益。一个耗费时间却没有提供有效反馈的练习，可能会令学习者感到挫败，而不会加深理解。

关键问题在于，这种难度让学生练习了什么。它是否要求解释、阐述，或识别不确定性？反馈是否针对这些能力？

要求独立完成工作，应当能够回答这些问题。否则，它可能只是保留了熟悉的流程，却无法证明该流程为何仍具有教育价值。

AI 辅导引入了另一项设计选择。辅导工具可以先要求学生作出解释，再提供反馈，而不是立即给出完整答案。

但不直接给出答案，并不能证明教学质量。反馈仍可能不准确、时机不当，或与学生的理解水平不匹配。

有意义的评估应考察学生保留了什么，以及能否将所学迁移到陌生问题中。满意度和完成速度描述的是体验的不同方面。

迁移，即在新情境中应用所学知识的能力，之所以重要，是因为临床问题很少以完全相同的形式出现。复述一种解释，比恰当地调整它提供的证据更弱。

这种区别对知识管理同样重要。学生需要一种方式保留决策背后的证据，包括此前的解释为何发生变化。

对于非临床学习材料，个人知识库可以支持这类记录。将源材料与笔记保持关联，会让后续复习更具参考价值。

这一组织作用应与机构处理患者信息的决策分开。一套便捷的学习工作流程，并不能证明某个工具适合用于临床。

更大的教育机会在于让修订过程可见。学生可以从观察证据如何改变解释中受益，而不是将完成的答案视为终点。

设计良好的辅助练习会保留这一过程。它会帮助教师区分独立理解、有效协作和不加批判的依赖。

人类监督需要学校能够证明的技能

将医生称为最终决策者，并不能说明监督将如何运作。监督需要具备足够的知识、注意力和权限，才能质疑输出结果。

世界卫生组织的健康 AI 指导指出了包括不准确回答、隐私问题、偏见以及专业技能退化在内的风险。它还讨论了自动化偏见，即过度依赖自动化建议的倾向。

这些风险使“只要有人参与，工作流程就会可靠”这一假设变得复杂。这个人必须能够发现问题并作出有效回应。

只有当学校能够观察到人实际检查了什么时，人类监督才是一项教育目标。

学生可能意识到某个回答听起来合理，却无法判断其核心主张是否获得支持。对语言表达的信心可能会取代对证据的审查。

更有力的评估会要求学习者识别最关键的主张，并说明什么能够验证或反驳它。这样，审查过程就变得可观察。

它也会将有依据的不确定性与犹豫不决区分开来。学生应能够说明哪些问题仍然未知，以及这种不确定性为何会影响下一步行动。

另一项挑战是区分正确结论与可接受的推理。一个系统可能给出预期答案，却依赖于在另一案例中不成立的假设。

如果评估只奖励结论，学生就很少有理由审视这一假设。教师也会因此失去识别脆弱理解的机会。

偏见又增加了一个维度。学生需要考虑，一项看似普遍适用的主张是否真正适用于正在讨论的人群或情境。

这并不意味着要求每位学生审计模型的整个开发过程。而是要教会他们识别证据何时不足以支持广泛应用。

责任也不止于个体学习者。学校选择工具、定义访问权限并建立监督机制。这些制度性选择塑造了学生能够合理评估的内容。

学生无法独立纠正产品未经记录的行为。机构需要建立调查问题的流程，并决定是否适合继续使用该产品。

这使教师准备成为实施的核心。教师需要就何为有意义的检查，以及学生应如何记录不确定性，形成共同预期。

否则，监督可能沦为空洞的要求。学生被告知要核实一切，却没有获得足够指导来判断哪些主张重要，或哪些证据足够。

现有研究能够解决的问题有限。使用书面案例的试验，无法回答繁忙临床环境中表现的所有问题。

同样，一项有说服力的模拟并不能证明长期学习效果或患者获益。每项评估所回答的问题，都比整体讨论有时暗示的范围更窄。

恰当的回应是让主张与证据相匹配。学校可以承认有前景的能力，同时明确说明哪些内容尚未在自身教育环境中得到评估。

这种做法使采用过程可供审查。它也能保护课程体系，避免依赖对 AI 的一概乐观或一概怀疑。

AAMC AI 教育辩论后值得关注什么

接下来有价值的信号将来自决策和可测量的结果。在未来数月中，课程文件和评估结果会比又一次笼统的认可更具参考价值。

当学校明确学生必须展示什么能力，并公布他们能否展示这些能力的证据时，进展才会变得可见。

第一个信号是明确的评估规则。关注学校是否说明哪些任务要求独立完成，哪些任务允许或要求使用 AI 辅助。

一项有意义的政策会将这些规则与某种能力关联起来。它会解释为何独立工作在一种情境中重要，而辅助表现又为何在另一种情境中重要。

这类政策将增强这样一种判断：机构正在将这场辩论转化为教育设计。模糊的许可声明则会让核心评估问题悬而未决。

第二个信号是，在移除辅助后有关学习效果的证据。关注那些让学生解决陌生问题的评估，而不只是为借助工具完成的工作打分。

显示学生保留理解能力的结果，将支持更广泛的教育应用。若结果显示辅助输出有所改善，但独立表现较弱，则需要采取更具选择性的做法。

任何一种结果都不能为每一种产品得出普遍结论。任务、时机、学生经验和反馈，对于解释结果仍然重要。

第三个信号是教育产品是否会暴露推理与修订过程以供评估。关注那些让教师检查学生如何回应反馈、如何纠正错误的功能。

一个精致的答案生成器可以展示便利性。一个有用的教育系统还必须帮助教师理解学习者贡献了什么，以及学习者仍然误解什么。

这些信号为解读 AAMC AI 教育辩论提供了务实视角，同时不假装一套既定课程已经存在。尚未解决的工作，是定义并衡量能力。

对于开发者而言，这提出了一项超越生成准确回答的产品要求。教育价值取决于让学生的理解变得可见，同时又不至于不必要地替他们完成学习任务。

对于机构采购方而言，这改变了评估问题。相关比较应包括学习者之后能够做到什么，而不只是他们在演示过程中完成得有多快。

阅读下一则课程公告时，请牢记这些区别。问问哪些能力仍须独立完成，辅助工作将如何评估，以及所选边界有什么证据支持。关注那些报告保留理解、有效修订以及在陌生问题上表现的评估。将完成速度视为一项衡量指标，而不是学习的替代品。对于下一则学校或供应商公告，最具参考价值的问题很具体：学生能否解释自己的决策、质疑一个看似合理的错误，并将这种理解带入新案例？这正是判断 AI 辅助是否有助于培养最终将对医疗照护负责的医生所需的证据。