▌董家鸿院士：临床复杂性决定AI的角色边界

“尽管新一代生成式AI有更强大的智能，但我依然认为它不可能取代医生。”董家鸿院士通过分析医疗场景的不确定性和价值观差异性，论证了AI无法取代医生的观点。

首先，在医疗场景中，患者情况高度复杂，充满极大不确定性。AI无论多么强大，本质上也只能处理确定的事情。然而，实际医疗中不存在两个完全一样的患者，即便是同种疾病的患者，其生物学、病理学以及社会学特征都会存在差异。这种复杂性和不确定性，使得AI难以在面对不同患者和多变场景时做出正确判断。

其次，涉及人类价值观的问题也是AI无法取代医生的关键因素。在临床实践中，经常会出现这样的情况：以肝癌患者为例，从科学专业的角度，医生建议进行移植等手术，但患者基于自身价值观和意愿等因素，不接受手术，转而选择中医治疗。这种基于人类价值观和个人选择所做出的决策，是AI无法左右和判断的。

此外，在一些外科实时判断场景中，AI的局限性更为明显。在复杂手术过程中，突发情况随时可能出现，需要医生实时做出精准判断。当AI在术中遇到各种场景时，要做到及时反应、准确判断、响应改变，目前来看几乎是不可能完成的任务。

“AI不可能完全取代医生，但能替代一部分医生的工作。”董家鸿院士表示。

针对AI在论文写作中的应用问题，董家鸿院士也发表了自己的看法。“现在有一些学生尝试用AI来辅助论文写作，这在一定程度上提高了写作效率。”他同时强调了学术诚信的重要性，“虽然AI可以在论文的形式和文字上起到帮助，但论文的核心思想和创新点仍然需要学生自己来完成。”

▌王振常院士：高质量数据集筑牢AI的发展基石

“所有大模型的构建都是基于高质量的数据集，这是最基本的语料。”王振常院士强调了高质量数据集作为AI大模型基础的重要性，并结合前沿实践介绍了如何建设高质量数据集的关键问题。

当前，高质量数据集的建设成为社会关注的焦点，得到政府的高度重视。北京积极推进相关工作，建设了北京健康云，汇聚了包括文本和图像在内的大量医学资料，其中影像云部分由王振常院士牵头负责质量控制，希望构建高质量数据集为诊疗、科研、教育等服务。

那么如何定义高质量数据集？标准化建设和场景化应用是关键。不同应用场景下，数据集的评判标准各异，因此需要针对不同医疗场景制定相应标准，按照标准构建数据集。同时，高质量数据集的建设也需要智慧化，开发数据治理大模型。以影像数据集为例，传统观念是对每个图像的病症进行标注，但面对百万级甚至上亿的海量数据，难以做到逐张标注。如今医学影像大模型的发展改变了这一模式，通过对患者进行标注，结合报告和图像进行数据治理，形成逻辑关系，实现全病种覆盖，更利于临床应用。

王振常院士特别指出了医学期刊知识库转化为数据产品的潜力。中华医学会杂志社拥有庞大的知识数据，通过规范化治理，未来有望形成高质量的数据产品，为科研和临床服务。

此外，王振常院士表示积极拥抱AI技术的同时应保持学术创新主体性，确保学术诚信和科研质量。“我鼓励学生使用AI，但强调使用后要将其转化为自己的思维。在AI时代，必须拥抱AI，因为它能改变世界、改变论文书写、改变科研、改变创新效率和质量，但绝不能依赖AI。”

▌朱兰院士：持续学习铺就AI时代医生的进阶之路

“无论是医生还是其他行业的从业者，都必须保持持续学习的状态。”谈及AI在医疗领域的未来，朱兰院士强调，必须明确AI的工具定位，医生始终是医疗活动的主体，要学会正确运用AI技术，在扎实自身专业技能的同时熟练掌握AI相关知识，不断学习跟上时代发展的步伐。

未来，AI将在医学影像识别、疾病预测等方面发挥越来越重要的作用。如医学影像处理方面，当数据量极为庞大时，AI可以凭借其强大的计算能力和高效的数据处理能力，快速完成病灶定位和性质判断等复杂任务。但由于其本质是基于大量数据的学习所形成的结论或推断，并不构成完整的主体能力，AI缺乏医生作为主体所拥有的人文关怀、研究意图、责任感和创新性，无法像医生那样根据患者的具体情况进行创造性思考和独立决策。在决策场景中，尤其是面对罕见病或复杂病例时，AI往往因缺乏足够的数据支持而难以作出应对。“AI不应被定位为将来会完全替代人类的工具，它本质上应该是一个高级工具，医生在创新思维、责任担当、医学伦理等方面具有不可替代性。”

基于此，AI技术的引入对医生群体提出了更高要求，医生不仅要持续学习、终身学习，更要紧跟新技术、新概念、新理念的发展步伐，只有这样才能更好地将AI应用到医学诊疗中，实现科技与医疗的协同发展。

医生始终是主体，绝不能本末倒置。合理运用AI，能够为论文写作、临床工作等提供有力支持。朱兰院士忠告，对于年轻医生而言，学会正确运用AI是临床工作的必修课，切不可走捷径，任何捷径都是要付出代价的。必须扎实掌握相关技能，为职业发展奠定坚实基础。