隨著人工智慧深入醫療影像判讀、臨床決策支援、藥物開發與醫療體系管理，南加州健康科學大學教務長 Tamara Rozhon 指出，下一代醫療人才不能只會操作工具，還須具備批判性思考、臨床判斷與人際溝通能力。美國食品藥物管理局已建立經核准上市的 AI 醫療器材清單，世界衛生組織亦盤點人工智慧於臨床照護、藥品研發及健康系統管理上的應用。
教育重點因而不再只是「如何使用 AI」，而是能否評估證據、辨識偏差與錯誤、處理倫理風險，並判斷機器輸出是否符合個別患者情境。AI 降低資訊取得與整合成本，卻同步提高錯誤被快速放大、臨床責任模糊及信任失真的風險。 Rozhon 主張，醫學教育與臨床訓練應把提問、辯護答案、倾听、共情及全人照護能力列為核心評量，而不是讓學生停留在記憶知識與套用演算法的傳統模式。
這項議題的本質並非企業或政府間的直接利益角力，而是醫療數位化、演算法普及與專業責任體系之間的結構性摩擦。過去醫學教育建立在「大量記憶、標準流程、受控環境」之上；生成式 AI 卻讓非專家也能快速取得摘要、影像初步判讀與治療建議，資訊不再稀缺，判斷力反而成為真正稀缺資源。
AI 能提升效率，卻無法自行承擔醫療情境中最棘手的部分：患者的偏好、社會條件、行為限制、照顧者支持，以及風險與效益的權衡。同一套模型在不同族群身上可能產生不同結果；若學生未受過偏差、機率、資料品質與臨床適用性的訓練，效率提升反而可能形成「自動化偏誤」。
從教育演進來看，這代表醫學資格的核心價值正在重新協商。過去，專業壁壘主要來自稀缺知識；未來則來自能否把不完整證據轉化為安全、負責且符合患者價值的決策。醫療 AI 的真正瓶頸不是模型能力，而是臨床人員能否在模型之外看見患者。
產業層面也將因此受影響。醫療器材商與醫院不能只把 AI 視為提升產能的軟體，也不能把教育責任完全轉嫁给個別醫師；必須建立可追溯的資料治理、失效情境測試、人機協作紀錄及持續監測。學校則需把口試、情境模擬與病人敘事重新納入成績，讓「正確答案」擴展為「可被質疑、可被辯護、可負責任的答案」。
AI 進入醫療的速度已從概念驗證跨越到監管核准、研究流程與健康系統管理。相較網際網路初期「資訊民主化」的歷史經驗，醫療 AI 帶來的不是單純普及，而是高風險資訊民主化：錯誤建議一旦進入臨床，後果遠高於一般消費科技。WHO 的應用盤點與美國 FDA 的器材清單顯示，制度焦點已由「能否使用」逐步轉向「如何在真實世界負責任使用」。
未來三年可觀察三種情境：
01 起因觸發：AI廣泛進入影像、臨床決策、藥物研發與醫療管理
02 一階傳導：醫學教育與醫院工作流程開始重新界定人機分工
03 二階擴散：醫療科技商須投入臨床驗證、偏差治理與可追溯系統
04 產業重構：醫療人才價值由知識記憶轉向判斷、溝通與責任
05 宏觀終局：醫療體系可能從效率競賽轉向安全、信任與全人照護
領域延伸情報推薦 相關延伸研讀
依主題領域自動關聯之高參考價值外電情報
