張文宏稱拒把AI引入病歷系統，為什么？哪些領域專業判斷更重要？

在全民都在熱聊大模型、聊顛覆、聊替代的時候，在1月10日的香港高山書院十周年論壇上，一個神仙打架復興科學的地方，張文宏稱“拒絕把AI引入醫院病歷系統”，張醫生說的這些話，聽上去多少有點逆風而行的味道。

但如果你把他后面那幾句話拼在一起看，會發現，這是一個一線專家對行業根基的焦慮。

他真正擔心的，其實不是AI不夠強，而是醫生會不會變“笨”。

張文宏自己怎么用AI？他說得很直白，他會讓AI先把病例“看一遍”，然后他一眼就知道AI哪里錯了。

這話的潛臺詞是：前提是我本身的專業能力，要強過這個AI。

如果換成一個剛從學校出來的實習醫生呢？

同樣一份AI給出的診斷報告，專家一眼看出漏洞，實習醫生卻會當成標準答案抄在病歷里。

這就是他反對把AI直接嵌進病歷系統的核心原因。

不是怕AI，而是怕還沒長成的大夫，從一開始就學會偷懶，怕醫生的成長路徑會直接被改寫成“我負責抄，AI負責想”。

很多人會反駁：那就把AI當工具啊，又不是讓醫生全信。

問題就在這里——你憑什么保證一個沒有打過基礎的人，知道何時該信，何時該懷疑。

AI最大的危險從來不是“不會答”，而是“答得挺像那么回事”。

AI回答本質上仍然是基于搜索和統計，搜索本身并不評判真偽，加上大模型自帶的渲染效果，有時候錯誤反而被包裝得更像真理。

如果你腦子里沒有一條自己的診斷邏輯鏈，很容易被這種“像真的卻是錯的”牽著走。

再看現實應用。

現在很多地方的影像科已經在用AI讀片了，因為這一塊確實更適合機器——看到啥就說啥。

肺上有沒有結節，有。

多大。

長在哪里。

這些都是高度結構化的信息，訓練足夠多的數據，AI能幫放射科醫生分揀大量常規片子，挑出可疑的交給人類復核。

這一塊，AI不是搶飯碗，而是幫醫生從機械勞動中解放出來。

但臨床科室就完全不是一個難度級別。

一個發燒病人，你得問旅行史、接觸史、基礎病，還要結合當地流行病學、既往用藥史。

很多時候，真正決定診斷方向的，是一句“看起來不像那么簡單”的直覺。

這東西怎么喂給模型？

更現實的問題是：如果AI把一個罕見病看漏了，誰來背鍋。

可以類比自動駕駛的L3級。

符合標準的時候，車企背鍋；不符合的時候，車主背鍋。

那醫療AI呢？

你說你罕見病識別率有多高，你愿意為這條數字簽多少法律責任？

現在大部分供應商都留了一句安全墊：“僅供參考，最終診斷以醫生判斷為準。”

看起來很合理，但這意味著什么？

意味著真出事了，還是醫生背鍋。

那換個角度問：如果你不肯承擔實質責任，這套系統對提高罕見病診出率究竟有多大價值？

值不值得全國鋪開？

這就是很多臨床科室遲遲觀望的原因。

張文宏的擔心，其實直指一個問題：不能讓醫生從一開始就淪為技術的盲從者。

技術永遠可以出錯，所以行業必須保留一群有能力“看出技術錯哪兒了”的人。

醫學這一行，AI可以錯，設備可以壞，人可以補。但如果把最后一層人也訓練成只會點按鈕的小白，那整個系統在關鍵時刻就會全線崩塌。

那是不是說明，要把AI擋在醫院門外？

也不是。

一味拒絕，當然也有問題。

歷史車輪阻擋不了，科技創新是必然趨勢。

事實上，一些病癥的影像識別上，AI確實已經開始比普通醫生更準。

醫生本來就依賴各種診療設備：CT、核磁、超聲，機器給出初步結果，人再去判斷。

AI相當于新一代“診療設備”，問題不在用不用，而在怎么用。

回到最后那個問題，一個更大的圖景是：在哪些領域，專業判斷的價值遠遠高于AI輔助？

可以大致分幾類。

第一類，要求極致準確、又高度復雜的醫療場景。

比如心胸外科、神經外科、牙科精細操作。

術前規劃，AI可以給一堆參考路徑；術中突然大出血、組織結構和影像不符時，拿什么決策？

靠醫生多年積累的手感和現場判斷。

電工、水管工、汽車修理師也是類似道理。

車輛同樣一個異響，原因千奇百怪，沒有統一答案，需要“同病異治”的診斷經驗。

AI能做的是推薦最常見的幾種可能，但一旦情況超出樣本分布，它就懵了。

第二類，高度依賴人際博弈和主觀判斷的職業。

比如銷售。

產品是同一款，價格卻不是同一個價。

一斤菜和十斤菜是兩個價格，大宗采購還有另一個價格。

科技設備單機有統一報價，打包設計、施工、維保，又是另一套算賬方式。

面對不同客戶，話術、節奏、讓利空間，完全不一樣。

這些決策，既沒有通用模板，也很難量化成數據，全都系在對人性的把握上。

AI可以給你做話術推薦，但最后拍板，是人。

第三類，高度非標準化、充滿煙火氣的服務性工作。

社區工作者、幼兒園老師、志愿者，這些崗位每天遇到的問題，往往連“對”和“錯”都很難定義。

一個社區矛盾到底怎么調解，既要合法合規，又要人情世故。

AI可以給出理想化方案，卻很難站在“這個阿姨今天剛吵完架、那個大爺脾氣本來就沖”的現實場景里做平衡。

第四類，頂尖專家和高層決策崗位。

一個行業頂尖專家的價值，不是會多少知識，而是在巨大的不確定性里拍板的那一下。

AI非常依賴“大樣本數據”，而這些崗位面臨的問題，恰恰往往是“沒有先例”的。

疫情初期用不用某種新藥，新的收費模式要不要推向全國，這些問題根本沒有足夠數據可以訓，最后還是要落實到人的價值判斷。

從這個角度看，張文宏說的并不是“AI沒用”，而是給全體職場人提了個醒。

對結果要求極度準確，還牽涉重大風險的崗位，短期內極難被替代，但更要求你不斷精進，因為你要為機器兜底。

對結果可以模糊、只要差不多就行的內容，比如大量流水線式寫稿、簡單設計、模板化PPT，最容易被AI吃掉。

如果你每天的工作就是千篇一律、照抄照搬、不思進取，那么不需要AI，別人也可以隨時替代你。

真正的安全感，從來不是“不讓AI進來”，而是“AI進來以后，你依然有不可替代的判斷力”。

未來醫學AI一定會越來越強，大模型加上精準訓練，有一天很可能能達到一般專科醫生的平均水平。

那時，普通醫生會被拉到一個更高的起點：常見病由AI提速，疑難雜癥、人文溝通、復雜決策，交給真正有能力的人。

所以，當張文宏說“我拒絕把AI引入病歷系統”時，他捍衛的不是舊秩序，而是醫生的基本功和行業的最后防線。

技術可以幫助我們跑得更快，但方向錯了，只會更快沖向懸崖。

在AI洶涌而來的當下，最值得我們警惕的不是機器搶走工作，而是我們主動交出自己的思考權。

不論你做什么工作，記住一句話：如果你只是照著按鈕點、照著模板抄，那替代你的未必是AI，可能只是一個工資更便宜的人。

相反，只要你始終在打磨自己的判斷力，讓AI的每一次回答都變成你思考的起點而不是終點，它終究會成為你的工具，而不是你的主人。