人工智能（AI）从根本上改变了作为知识企业的医疗教育，创建了一个由相对不变的人脑和加速发展的基于AI的知识及认知功能组成的分布式认知系统。教育必须集中在发展与AI合作的技能以及解决问题和发现新知等成果上。课程和教育政策也需要适应这一变革。
教育作为知识企业
教育总体上是一个围绕创造、传播和应用知识的知识企业。它通过向新一代传授积累的智慧、技能和价值观，促进智力增长，使个人能够参与社会活动。在这个过程中，教学和学习深深植根于认知过程——包括记忆、注意力、感知、语言、推理、决策和批判性思维。有效的教学要求信息结构化，以便与大脑自然处理、存储和检索知识的方式相一致。另一方面，学习涉及主动构建意义，学生将新信息与先前的理解整合，使学习成为一个适应性和迭代的过程。在人工智能时代，学习的认知基础变得更加重要。随着AI能够自动化各种基于知识的任务，医疗教育的角色必须转向培养更高阶的思维技能，如元认知、创造力、情境和定位思考以及伦理推理，这些是机器难以复制的。这使得教育不仅关乎知识传递，还关乎提升人类认知能力，以应对和塑造快速变化的技术景观。
认知革命正在根本改变知识和认知过程的本质
我们正处于人类历史上第三次基本的经济转型——认知革命的开端，这场革命由最近的AI突破引发，并由海量数据、普遍连接和强大计算驱动。认知革命解放人们从认知劳动中解脱出来，其重要性可与前两次经济转型——农业革命和工业革命相提并论。农业革命发生在约公元前10,000年，通过耕作作物和动物解放人们免受食物不安全的困扰，标志着从狩猎和采集食物到定居农业社区和持续食物供应的转变，彻底改变了人类生活。工业革命始于约200年前，通过机器解放人们免受繁重的体力劳动，通过大规模生产和机械化改造经济。同样，今天的认知革命通过使AI能够执行传统上由人类处理的认知任务，正在改造经济和行业。
2012年的AI革命（图1）是更广泛认知革命的种子，当时由Krizhevsky等人开发的深度学习模型AlexNet在ImageNet竞赛中取得了里程碑式的成功。这个深度学习模型在处理视觉数据方面大幅超越了竞争对手模型，展示了深度神经网络的强大能力。这一成功引发了AI领域的巨大进步浪潮，导致了语音识别、自然语言处理、自动驾驶和医疗诊断等众多创新。
图1
包含关键词（包括同义词）的网页比例在谷歌宇宙中的变化。
全图
AI系统现在可以学习、分析和做出决策，自动化广泛的认知劳动，重塑行业。在医学领域，AI已经通过图像分析和预测分析彻底改变了诊断程序，实现疾病的早期检测。AI驱动的工具通过分析患者数据和预测个体对治疗的反应，协助制定个性化治疗计划。护理受益于AI，通过使用预测分析来预防不良事件的高级患者监测系统。AI还优化资源分配，简化患者流程，提高医疗管理的运营效率，例如将医患对话转换为结构化临床笔记并建议诊断和治疗计划的环境系统。AI的影响不仅限于自动化某些认知任务；它还在医学、护理、牙科和许多其他领域推动创新，从根本上改变我们的学习、工作和生活方式。
认知革命的核心在于AI能够大规模执行传统上仅由人类进行的认知任务，如学习、记忆、语言、推理、决策和问题解决。AI不仅是推进科学发现的工具，而且是重塑行业和全球经济的基本力量。AI无与伦比的能力在于处理复杂认知功能和从海量数据集中生成洞察力，使其成为未来经济增长的关键引擎。
教育的本质需要重新定义
AI通过从根本上改变教育作为认知过程而彻底改变了教育。最初是计算机科学的一个子领域，AI现在渗透到每一个教育领域，重塑我们对待学习和教学的方式。随着AI处理常规认知任务，教育系统必须超越传统的以死记硬背和信息保留为重点的方法。教育应侧重于培养AI难以复制的高阶认知技能，如元认知策略，学生学会评估和调节自己的思维过程。
AI也在作为知识企业的教育中掀起革命。一个突出的例子是大型语言模型（LLMs）的发展，这些模型训练于人类文明几乎所有的公共知识。这些模型可以执行高度先进的记忆任务，从庞大的数据集中以惊人的准确性和速度检索和综合信息。除了简单的数据回忆，LLMs还可以生成新的见解，支持复杂的问题解决，并通过跨不同知识领域的联系促进跨学科学习。通过利用LLMs的能力，教育者可以创建更加互联和全面的学习环境，鼓励学生跨学科综合信息。这种方法将教育转变为一种动态的、终身的知识和技能发展追求，为学习者准备一个以人类与AI合作为常态的未来。
人类智能作为分布式认知
人类认知很少作为一个孤立的、封闭的大脑存在，而不与外部世界和其他人互动。人类认知是一个分布式认知系统，知识和过程分布在人类生物大脑和外部世界之间、个体群体之间以及时间和空间上。分布式认知的外部知识和结构是认知工件：人类创造的复杂工具，用以增强人类认知过程，而不是替代我们的智力能力。这些工件一直是人类发展的关键部分，从早期用于计数的石头到今天的先进计算设备。每一次迭代都作为我们认知能力的延伸，促进了那些单独或无法完成的任务。例如，算盘在现代计算器出现之前就能进行复杂的计算，展示了早期的认知增强形式。同样，书写语言的发展彻底改变了沟通方式，使知识的记录和传播跨越世代成为可能。数学提供了逻辑推理和科学发现的基础框架，支撑了继续塑造我们世界的科技进步。
分布式认知框架（图2）展示了快速发展的认知工件与相对稳定的生物大脑之间的动态互动。人类生物大脑的认知能力在数千年间基本保持不变。相比之下，过去几十年中，人类大脑之外的数据和技术呈指数级增长。尽管生物大脑相对静态，但由大脑和技术组成的分布式认知系统的容量和能力呈指数级增长。此外，虽然技术正以前所未有的速度发展，但这并不意味着超过人类认知能力，而是增强它们。认知工件通过融合技术的外部能力和大脑的内部处理能力放大人类智能。像LLMs这样的工具不是独立实体，而是与人类指导和输入深度集成并依赖于人类指导和输入。AI，以LLMs和其他认知工件为代表，并不是要取代人类智能，而是在分布式认知系统中与人类合作并增强人类智能。
图2：由人类大脑和技术组成的分布式认知系统。
人类生物大脑的认知能力在数千年间基本保持不变。相比之下，过去几十年中，人类大脑之外的数据和技术呈指数级增长。
全图
从跨学科到AI增强教育：AI的影响
在认知时代，传统学科之间的界限正在消失，甚至曾经连接和重叠各个领域的跨学科方法也发生了变化。分布式认知技术侧的迅速增长和日益强大的能力是一个统一的知识库，涵盖所有人类学科的单一集成系统。AI的全面知识库涵盖了自然科学、社会科学、工程学、人文科学和艺术，为科学研究和创意活动提供了前所未有的资源和工具。尽管分布式认知的人类侧可能在新兴领域变得专业化，但技术侧将所有学科集成和统一，将在可预见的未来推动教育、学习和创新。
2024年物理和化学诺贝尔奖授予AI研究人员，突显了一种根本性的转变，认可AI不仅仅是工具，而是推进科学知识的重要伙伴。AI的能力远远超出数据处理；它促进了复杂问题解决、模型模拟和跨学科的新颖见解生成。例如，在物理学和化学中，AI驱动的模型通过模拟分子行为和预测材料性质，以前所未有的精度解锁了新的理解领域。
AI在教育中的影响同样具有变革性。传统教育模式通常按学科划分或松散地重叠跨学科，正在演变为反映认知时代AI增强知识互联性的综合框架。这种AI增强的方法强调跨不同领域的信息综合。它允许学习者利用AI创建的统一知识库，并鼓励他们在分布式认知系统（由人类和AI组成）中多方面的背景下绘制联系并应用他们的理解。
AI赋予教育者创建动态、个性化的学习环境，适应个别学生的需求。通过高级数据分析和机器学习算法，教育者可以定制教学方法，提供实时反馈，并促进批判性思维、创造力和解决问题技能的包容性学习体验。
此外，AI增强的教育为学习者准备了一个以人类与AI合作为常态的未来。随着AI继续增强人类智能，发展情商、社会认知和伦理推理变得越来越重要。因此，教育系统必须专注于培养这些高阶认知技能，确保学习者能够应对AI增强世界中的复杂性。
从学科和跨学科到统一的AI增强教育的转变反映了更广泛的范式转变，即理解和参与知识。通过拥抱认知革命，教育机构可以培养终身学习的文化，其中学科边界不会限制知识追求，而是一场在由人类和AI组成的分布式认知系统中不断发现和创新的旅程，AI部分构成了所有学科的统一知识库。
案例研究：超越跨学科到AI增强教育
生物医学信息学作为跨学科领域
生物医学信息学研究数据的获取、存储、通信、处理、集成、分析、挖掘、检索、解释和呈现，旨在将数据（无意义的符号）转化为信息（解释的数据）、知识（验证的信息）和智能（可操作的知识），以解决疾病预防、医疗保健提供和生物医学发现中的问题。
在德克萨斯大学休斯顿健康科学中心（UTHealth Houston）的麦克威廉姆斯生物医学信息学院（MSBMI），跨学科教育一直是其使命的核心。MSBMI的生物医学信息学涵盖了从小分子、基因、蛋白质和细胞到组织和器官，再到个体和人群的整个生物尺度范围。其教师来自临床实践（医学、护理、牙科和药学）、基础生物医学科学、公共卫生和人口健康、计算机科学与工程、数学和生物统计学、认知科学、社会和行为科学、医疗管理和法律。MSBMI的学生背景同样多样，有些是希望深化数据科学和信息学专业知识的医疗专业人员，而另一些则是希望将其技术技能应用于健康领域的工程师或计算机科学家。
MSBMI的课程反映了这种跨学科方法，超过六十门课程涵盖了生物信息学、AI、数据科学、成像、临床信息学、管理和社会科学，确保学生了解不同领域如何贡献于医疗创新。此外，学校提供多种学位项目——从研究生证书到硕士和博士学位——以满足不同学生需求和背景，进一步增强了跨学科学习环境。
教师和学生从事跨多个领域的项目，例如使用深度学习预测临床结果（如医院再入院或中风发作）、部署统计方法揭示疾病的遗传基础、将临床数据与生物和影像数据集成以改善患者护理。这些项目需要医学、工程、数据科学等领域的专业知识，使跨学科合作成为必要而非选择。
在这一复杂且不断变化的环境中，MSBMI的跨学科教育使学生能够成为该领域的领导者，能够整合来自不同领域的知识，创新并推动医疗保健的未来。
超越跨学科到AI增强教育
现在，MSBMI正在超越其传统的跨学科方法，拥抱AI增强教育。这一新范式不仅仅是在结合学科，而是将AI融入学习体验的各个方面。这一变化认识到学生需要全面了解AI如何作为涵盖所有学科的集成和统一知识库。学生被鼓励学习如何利用这一广泛的知识库并为其贡献新的见解和发现。此外，AI作为执行各种高水平认知任务的认知过程的角色被强调，学生被教导如何利用这些AI功能进行学习和研究。这种AI增强的教育方法确保学习者能够熟练地导航和利用AI作为广泛的知识库和复杂的认知工具。
AI正被嵌入MSBMI的课程中，为学生提供利用机器学习、自然语言处理和数据分析解决复杂医疗挑战的实际经验。这一整合确保学习者能够熟练地将AI技术应用于现实场景，增强他们创新和推动患者护理、疾病预防和生物医学发现进步的能力。课程设计旨在培养对AI潜力和局限性的深刻理解，鼓励学生批判性地思考AI在医疗保健中的伦理和社会影响。通过强调情商、社会认知和伦理推理的重要性，MSBMI确保其毕业生不仅技术娴熟，还能应对AI增强世界中的道德和社会复杂性。
考虑到这些进展，MSBMI也在修订其在课程作业、课堂项目、硕士论文和博士论文中使用AI的政策。这一修订强调三个关键领域：首先，培养学生有效和批判性思考和导航AI知识库所需的基本学习技能和基础知识；其次，重点关注学习的有形成果，如解决问题和发现新知；第三，遵守认证要求，确保所有教育标准得到满足。通过将AI集成与这些原则对齐，学校确保学生不仅在AI技术方面变得熟练，还能实现有意义的学术和职业里程碑。
结论
AI增强的医疗教育不仅仅涉及知识的传递。AI正在产生前所未有的变革，将知识库统一和扩展到人类能力单独无法达到的维度。AI能够执行传统上仅属于人类智力的各种高水平认知功能，从而改变知识库本身及其认知过程。
这一范式转变要求改革医疗教育课程。将AI嵌入学习体验的核心是必要的，为学生提供直接的AI体验。这种整合对于确保学习者能够熟练地使用AI技术解决实际问题至关重要，从而增强他们的创新能力，推动各学科的进步，不仅在医疗保健领域，还包括工程、自然科学、社会科学和人文学科。
此外，迫切需要修订医疗教育项目以反映这一新现实。这些项目必须优先培养批判性学习技能和问题解决能力，而不仅仅是内容获取。应强调教育过程的有形成果，如解决问题和发现新知。这种关注将更好地装备学生应对AI增强世界的复杂性，确保他们准备好利用AI的潜力，同时考虑其伦理和社会影响。
医疗教育的未来在于其适应能力，将AI作为一个人类智能和人工智能协同贡献于知识创造和问题解决的分布式认知系统。
(全文结束)
