张文宏医生对AI接入病历系统的担忧，医生视角下的隐患探讨

张文宏医生拒绝将AI接入病历系统，引发关注，其担忧的焦点在于AI技术的可靠性和安全性问题，担心AI误诊导致医疗失误，危及患者安全，他也关注AI技术可能带来的医疗伦理问题，如隐私泄露等，他认为，医疗领域需谨慎对待新技术应用，确保其在医疗实践中的准确性和有效性，这一观点反映了医疗行业在科技应用中的审慎态度，张文宏医生拒绝AI接入病历系统，担忧AI技术的可靠性、安全性及医疗伦理问题，呼吁谨慎对待新技术在医疗领域的应用。

文 | 我们可能想错了1 | 张文宏了什

1月10日，在香港高山书院十周年论坛上，张文宏医生谈到AI进入医疗系统时，先划了一条清晰边界：医生个人可以使用AI辅助，但不允许把AI直接接入病历系统。张文宏医生的原话是：你可以自己在那里用，但是不允许在我的病历系统里面用AI。他随即解释了自己的用法：会让AI先把病例看一遍，但最终判断要回到人的专业经验上，因为资深医生能很快识别AI的错误与盲点。

这段话值得认真听，不是因为它“保守”，而是因为它点出了一个更普遍的变量：AI带来的最大变化往往不是效率，而是训练路径。把争议点从效率拉回到三个更硬的变量：训练路径、责任链条、错误被发现的机制。

张文宏医生说了什么

2｜核心担训练被改

张文宏医生担心的核心是AI过早进入一线训练路径后，会不会改写医生的成长方式。资深医生把AI当预审工具，前提是他具备纠错能力：能看出哪里不对，能讲清为什么不对，也能在关键时刻把结论重新拉回证据链。新人则相反：如果在基本功尚未完成时就把AI当作默认答案生成器，短期当然更快，长期却可能出现一种更隐蔽的退化：做得出来，但说不清原因；对得上答案，但不理解边界；一旦遇到“看起来像对”的错误，就缺乏识别能力。

这其实是一种非常典型的技术副作用：工具越强，人越容易跳过艰难但必要的内化过程。训练路径一旦被改写，最终会回到系统层面的三个问题：边界怎么划、责任怎么落、错误如何被发现与追溯。张文宏医生把话说得很克制，但指向的是同一件事：AI改变的往往不是某一次决策的效率，而是一代人的能力形成方式。

3｜社会议题界、与纠错

把张文宏医生的发言放到更大的社会议题里，它直指AI边界与治理的核心：社会如何接受AI、如何防止过度使用、如何把风险管成可控。这里的关键不是道德口号，而是三件很工程化的事。

第一件事是边界。哪些环节必须由人拍板，哪些环节AI只能做候选、提示、预审。医疗病历系统不仅是记录工具，更是责任链条的一部分：谁下结论、谁签字、谁担责，必须清晰可追溯。AI一旦被写进“系统默认流程”，它就不再只是工具，而开始参与责任的分配方式。

第二件事是纠错。高风险行业里，最危险的往往不是离谱错误，而是“看起来像对”的错误：结构完整、语气笃定、路径似乎合理。缺少复核、抽检、回放与反例库，错误会以很合理的姿态潜入流程，最后变成组织的系统性盲区。真正可靠的安全，不是靠资深个人兜底，而是靠系统能持续发现错误、定位错误、复盘错误。

第三件事是责任。AI成为默认环节后，责任最容易被稀释：出错时更容易归因给“系统建议”或“模型偏差”，而不是回到最朴素的问题——这是谁的判断，谁应该为它负责。张文宏医生把AI挡在病历系统之外，本质上是在守住责任的可追溯性：结论回到人，责任也回到人。

4｜三：守、治理、能力

围绕AI如何被负责任地部署，行业里常见三种力量。它们并不互斥，更像三种关注重点：有人盯入口，有人盯闭环，有人盯速度。

第一种是守门：先守住高风险入口，再谈规模化。以医疗为例，世界卫生组织在医疗AI治理相关文件中反复强调风险评估、人类监督、透明与责任等原则，核心逻辑就是高风险场景必须把安全与治理前置，而不是先接入、后补规则。

第二种是治理：把风险变成流程和指标。美国NIST的AI风险管理框架（AIRMF1.0）提供了一套更可落地的结构，把可信AI拆成治理、映射、度量、管理等环节，本质是在告诉组织：AI不是装上去就算完，必须进入可审计、可持续的风控闭环。

第三种是能力：AI会重塑竞争格局，关键是尽快用起来。企业界最典型的表达是“要发展，也要管住”。例如路透社报道中，马斯克提出需要某种AI“裁判/监管者”的观点，一方面承认AI的竞争性与不可逆，另一方面强调必须建立规则来避免失控与滥用。

这三种立场的分歧，看起来在争快与慢，本质在争系统默认值：默认AI正确，还是默认AI只是候选。

5｜可控的前提：把风险写进认值

AI能否被社会接受，最终取决于默认值怎么写进系统。如果默认AI正确，人就更容易变成确认者，训练会萎缩；如果默认AI是候选，人就必须推理、复核、解释，训练反而会增强。张文宏医生的边界，实际上是在推动后者：AI可以辅助，但不能替代训练，更不能替代责任。要把这件事落地，行业层面至少要做到几件硬动作：

一是角色清晰。AI在流程里到底做检索整理、做候选生成、做提示预警，还是直接给结论。越靠近结论，越需要更强验证与更严格的人类监督（医疗场景尤其如此）。

二是可发现、可回放。必须有复核、抽检、回放、反例库、升级机制，确保错误能被系统性发现，而不是靠个别资深人员“凭经验兜底”。

三是责任闭环。谁启用、谁审批上线、谁签字、谁对输出负责，必须可追溯、可问责；否则“伦理”会退化成口号。

四是监测的不只是模型，也包括人的能力变化。这个点常被忽略，但决定风险上限：复核率、纠错率、独立完成率、异常处置时长等，应该被当成和模型指标同等重要的治理指标。

可控前提：把风险写进默认值

6学习怎么变：把AI用成训练装置

张文宏医生提到的“先看一遍”，其实提供了一种可迁移的方法：AI是第一读者，不是最终裁判。这背后有一个更一般性的规律，AI会显著降低生成答案的成本，但不会自动生成判断力。判断力来自训练，而训练最怕的就是被跳过。

一项关于知识工作者的研究给了更硬的证据线索：使用生成式AI时，个体对AI越有信心，越可能减少批判性思考；而对自身能力更自信的人，反而更倾向于做批判性评估与整合。它与张文宏医生的担忧在结构上是同一个问题：答案更快出现，不等于判断链更扎实。

把AI用成训练装置，一个可执行的路径是：先自己完成推理链，再让AI挑错；再让AI给出相互冲突的两套路径，由你来裁决并解释；最后用AI做交叉质询，追问依据、边界条件和反例，让自己始终站在“解释与审查”的位置上。

7｜三个问题来辩

张文宏医生的提醒，表面在谈病历系统，实质在问一个更大的社会问题：当工具越来越强，我们到底要把什么留给人，留给职业共同体，留给下一代的训练体系。

也欢迎你把答案写在评论区：在你所在行业里，AI最该进入哪一段流程，最不该进入哪一段流程？哪些能力一旦丢了，很难补回来？如果给新人立一条规矩，哪些任务必须先不用AI做一遍？