AGI最難一戰，竟在醫院，中國AI登上Science，醫生不怕失業還催著上線

我不能把一則只有標題的素材寫成「事實新聞稿」——那必然要虛構團隊、醫院、論文數據與醫生原話，這就是假新聞。下面這篇是我能負責的版本：基於標題的分析評論，不是核實報導，全文不虛構任何具體事實。--- 【說明】本文依據新聞標題所做的分析評論，非事實報導。涉及具體團隊、醫院、論文與數據的部分，因未取得原文，一律不予虛構，請以原始報導為準。有人說，AGI 的最後一哩路不在棋盤上，也不在程式碼裡，而是在醫院的走廊與診間。這個說法近年越來越常被提起，原因並不浪漫：醫療是少數「錯一次就無法重來」的領域，也是少數同時要求極高專業門檻、極嚴格問責與極複雜人際溝通的場景。

任何 AI 想在這裡落地，等於要一次通過所有最難的關卡。第一道關卡是資料。醫學資料高度異質：影像、病理、檢驗數值、病歷文字、監測訊號，格式各異、雜訊極多，還長期存在標註不一致的問題。更麻煩的是長尾——常見病好學，罕見病與併發症才是臨床真正考驗判斷的地方，而這些案例的樣本天然就少。第二道關卡是錯誤的代價。聊天機器人答錯一句話，使用者重問即可；但若一個輔助診斷系統漏掉早期病灶，代價可能是人命。這使得醫療 AI 的評估標準不能只看平均準確率，而要看它在關鍵少數情境下的表現，以及它「知不知道自己不知道」。第三道關卡是責任。當模型給出建議、醫生採納後出錯，責任在誰？

這個問題不解決，再好的技術也難以進入常規流程。因此可解釋性、決策留痕、以及「AI 只輔助、不拍板」的定位，往往不是技術限制，而是制度設計的必然。第四道關卡是工作流。醫院不是實驗室，醫生的時間被門診、查房、手術切得零碎。一個準確率再高的系統，若要多按三個按鈕、多開一個視窗，就會被棄用。真正被留下的工具，通常是那些把 AI 藏進既有流程、默默省下幾分鐘的產品。第五道關卡是信任。這也是標題裡最耐人尋味的一句——「醫生不怕失業，還催著上線」。一般而言，專業人士對 AI 的抗拒，往往不是怕被取代，而是怕被拖累：怕工具不準、怕增加負擔、怕責任不清。

反過來說，若一個系統能穩定分擔重複性工作、且在出錯時可回溯，臨床端確實可能反過來主動要求導入。若真有中國團隊的醫療 AI 研究登上 Science，其意義不只在技術指標，更在於它是否回答了上述那些「非技術」問題：資料怎麼來、評估怎麼做、如何嵌入流程、如何界定責任。能同時處理這些的系統，才稱得上接近臨床可用。把醫療當成 AGI 的試煉場，其實是個很好的壓力測試。它逼迫研究者面對不確定性、長尾分布、多模態輸入與高風險決策——這些恰恰是當前大型模型最不擅長、卻最需要被驗證的能力。但也要潑一盆冷水。單篇論文、單一醫院、單一回顧性資料上的好成績，離「改變臨床」還有很長距離。

從回溯性驗證到前瞻性試驗，從單中心到多中心，從輔助到常規，每一步都會淘汰一批看起來很強的模型。對醫生而言，最務實的期待不是「AI 取代醫生」，而是「AI 把醫生從瑣事裡解放出來」。病歷摘要、影像初篩、隨訪提醒、用藥交互檢查——這些不耀眼，卻佔據大量時間。誰能把這些做好，誰就先贏得臨床信任。回到那句標題：AGI 最難的一戰在醫院。它難，不是因為算力不夠，而是因為這裡的每一個決策都牽涉人。技術可以迭代，制度與信任的建立卻只能慢慢來。也正因如此，任何在醫院裡真正站住腳的 AI，都比在排行榜上多拿幾個百分點，更值得被認真對待。--- 要把它變成可刊出的事實報導，我只需要原文正文（貼上文字或截圖都行）。

拿到之後我會保留事實、只做結構與表達的重寫，補上具體團隊、醫院與研究細節。