北大医学部发布医学生AI通识课程报告

截至2025年5月，国内医疗垂直大模型总数已突破288个。

无论是智能诊断、精准医疗，还是药物研发与手术机器人，AI技术已深度融入医疗全流程。然而，一个核心议题亟待解答：未来的医生究竟应具备何种素养？

北大医学部王静教授团队发布的《医学院校人工智能通识课程探索与实践》报告（67页），对此给出了系统性解答。该报告不仅总结了课程建设经验，也为观察中国医学教育如何应对AI时代挑战提供了重要视角。

报告开篇的对比分析颇具深意。

在政策层面，支持力度空前巨大。从2017年《新一代人工智能发展规划》将智能医疗列为重点，到2020年国家卫健委规范“人工智能+医疗卫生”，再到2024年国务院推动“新医科”建设，直至2026年4月教育部印发《“人工智能+教育”行动计划》，明确要求将AI设为高校公共基础课。

然而现实层面却呈现出“三个并存”的复杂局面：

简而言之：行业飞速发展，但人才培养体系尚未跟上步伐。

报告对医生职业角色演变的判断极具洞察力：

传统医生→单纯诊疗者，依赖经验独立决策；AI时代医生→数据决策者，强调人机协同，兼顾循证与算法。

这不仅是技能的补充，更是职业身份的重塑。为此，报告指出了三个迫切的能力缺口：

基于此，报告提出了四大核心素养：理解AI、应用AI、AI伦理思考、评估AI。这四个词看似简练，却勾勒出了未来医生的完整能力画像。

在具体落地方面，报告梳理了当前医学院校开设AI课程的四种模式，各有优劣。

除了这四类模式，还有两种具体的实施路径值得特别关注。

嫁接式改造：在原有计算机基础课中嵌入AI模块，虽普及且成本低，但培养深度不足。

独立开设通识课：如北京协和的《医学人工智能导论》、上海交大的《AI与医学》。这类课程效果更佳，但对师资要求也更高。

这两种路径并非对立，关键在于根据各校条件进行阶段性组合。

作为报告的核心内容，北大医学部十余年的探索提供了大量可借鉴的经验。

现状：全校开设59门AI相关课程，覆盖临床、药学、护理、预防、公卫等领域。健康信息管理系自2010年起便面向本科生开设AI系列课程，构建了从本科到研究生的完整课程体系。

教学方法具有以下显著特点：

考核方式同样引人注目：课堂参与20% + 上机实践60% + 小组项目20%。这种考核导向非常明确，即重过程、重实践、重应用。

此外，报告还提到了一个前沿探索——利用AIGC赋能教学设计，让AI参与生成教学资源和个性化适配。这种“用AI教AI”的模式，形成了一个有趣的递归循环。

仅有理念是不够的，还需要资源的落地支持。

配套教材由北大医学部牵头、多所院校共同编写，共9章：涵盖AI概述与技术基础、医学文本/影像/感知/生物信息等细分领域应用，以及热门的医学大模型与智能体，最后以伦理与安全收尾。教材四大特色鲜明：知识体系全面系统、理实结合（提供大量低代码/零代码案例）、专为非计算机专业医学生定制、配套丰富教学资源。头歌平台的在线课程也在建设中，未来可提供标准化支持。

读完报告，有几个问题值得深入思考。

师资瓶颈。既精通医学又懂AI的教师极度匮乏，这是制约AI课程大规模推广的根本因素。跨校协作和企业导师虽能短期缓解，但长期解决需制度创新层面的突破。

路线之争。“嫁接派”成本低见效快，但深度有限；“独立派”效果好，但在已饱和的专业课表中争取席位难度大。或许不存在唯一解，而应根据校情做阶段性组合。

伦理教育的分量。报告将“伦理思考”列为核心素养之一，并专设章节探讨AI伦理与安全。当AI介入诊断决策时，医生需具备识别风险和偏见的能力，而非盲目信从算法。这种批判性思维训练，虽比教会调用API难，却更为重要。

更大的视角。这场医学AI教育变革，实质是高等教育应对AI冲击的缩影。师资短缺、课程容量不足、学科壁垒难以打破——这些困境在其他学科同样存在。北大十余年探索出的方法论，价值或许不止于医学领域。

医疗大模型仍在激增，今天的医学生即是明天的执业者。他们现在的所学所缺，终将转化为患者所能享受的医疗服务质量。

从这个角度看，医学院校的AI通识课程建设，绝非仅仅关乎一门课。

本文基于大数据百家讲坛《医学院校人工智能通识课程探索与实践》报告（北京大学医学部 王静）撰写，详情请参阅原文。