当人们谈论人工智能时，往往联想到机器人和复杂算法，但其在公共卫生领域的迫切应用远没有这般光鲜。
关键问题在于：我们是否在培养能够构建这种未来的人才？
2022年启动的麻省理工学院人工智能与决策专业，为学生提供机器学习、决策理论和算法设计的严格训练，现已成为该校注册人数第二多的专业，仅次于计算机科学。其核心课程聚焦于编码、建模、优化和计算决策系统等技术能力，这反映了人工智能的工程学根源。然而，公共影响、伦理和社区后果等问题在结构上仍从属于专业技术。
《国家健康》（美国公共卫生协会出版物）的近期报告显示不同图景：人工智能正助力疫情预测、疾病监测、环境危害检测和预防性宣传活动。但随着AI工具越来越多地用于技术官僚式的公共卫生决策——例如通过筛查健康记录、环境指标和卫星图像来发现疾病集群及病媒传播风险——问责制和社区信任的需求也日益增长。这些并非技术问题，而是根本性的社会、伦理和政治议题。正因如此，单纯的技术型AI课程并不足够。
在德克萨斯州，各大学已将健康科学融入AI教育：提供健康数据科学、机器学习和临床分析的硕士课程与证书项目；结合AI与生物医学科学的课程；以及AI培训与医学教育的双学位项目。共同点在于，这些项目主要通过生物医学研究、临床决策支持或技术信息学来接触AI。公共卫生即便存在，也常被视为边缘化资质而非核心学科。
结果是大量孤岛式课程设置，虽在算法和分析方面实力强劲，却较少关注这些工具如何在社区和政策决策中运作、产生影响，甚至改变健康结果。生物医学信息学和AI赋能医学聚焦于优化设计与诊断，而公共卫生则致力于规模化预防伤害、伦理化使用数据以及清晰传达风险。当AI教育根植于生物医学和技术领域时，群体层面的问题便沦为次要而非基础。
这一缺口蕴含机遇。率先建立真正"公共卫生与AI"培训路径的机构，将定义该领域的发展方向。除非AI被作为公共卫生的基础技能而非辅助技能来教授，否则劳动力队伍仍将无法充分应对已塑造健康未来的现实。
人工智能的发展未来不应局限于技术官僚式掌握编码和数据分析技能，而应通过教育优先级的转变——从提升效率转向确保公平性与对人类生活及社区的影响——培养新一代将AI视为服务群体福祉基础设施的专业人才。
贾雷尔·德马塔斯博士是德克萨斯大学医学分部的助理教授
【全文结束】
