一场面向医护人员的AI实战讲座——不谈大道理，只讲真问题、给方法、透场景。从"知道AI"到"真正用好AI"，其间的距离没有那么远。
人工智能这个概念并不新鲜。从1950年代图灵提出"机器能不能思考"的命题，到2010年代深度学习技术突破性进展，再到2022年ChatGPT引爆的生成式AI浪潮——人工智能走过了一条从理论探索到工程实践、再到大众普及的完整路径。
这中间几个里程碑值得记住。2016年AlphaGo打败世界围棋冠军，让大众第一次真正感受到AI的威力；AlphaFold解决了蛋白质结构预测这个困扰生物学界几十年的难题；人脸识别技术成为我们手机拍照、支付宝刷脸的日常。这些技术的共同底座是"深度学习"——一种让神经网络自动从原始数据中学习抽象特征的方法。层数越深，理解的语义就越高级。
而大语言模型的爆发，标志着AI真正进入了"人人可用"的时代。GPT、Claude、Gemini等模型展现出强大的语言理解和生成能力，但你必须知道：使用方式决定了价值获取的巨大差异。同样一个模型，不同的人用出来的结果可能天差地别。
如果用一句话概括，大语言模型就是一个概率预测器。它并不"理解"语言，而是通过海量文本训练，学会了文字之间的关联和概率分布。举个例子：你输入"今天天气不错"，模型其实在计算下一个词出现的概率——"适合"可能占60%，"很"占30%，"糟糕"只有10%。它通过采样这个概率分布来生成回复，这也是为什么模型会有随机性和"创造力"的原因。
这个机制还解释了一个很好玩的现象。当AI面对"人"、"吃"、"苹果"三个词时，"人吃苹果"的概率是99.99%，因为训练数据里这是极高频的组合；而"苹果吃人"只有0.01%，因为几乎没有出现过。但如果前文提到了"魔法森林"、"诅咒"，模型会捕捉到这些信号，从而调高"苹果吃人"的概率分布。上下文决定了输出，这个认知对后面讲提问技巧非常关键。
在开始用AI之前，有几个术语需要先理清楚。这不是为了显摆专业，而是你懂了这些概念，才能知道不同模型的能力边界在哪里，从而更准确地选择工具。
很多人对AI有一种复杂的情绪：既想靠近，又觉得难以驾驭。这背后其实是两种焦虑的叠加——一是"想被听见"的情感需求，二是"想找答案"的实际困境。而AI的出现，恰恰是目前成本最低的"解药"。
对比一下就知道了。传统方式要么花钱请教专家，要么花时间翻页找答案，还要防广告、防欺诈。AI的方式则是零门槛上手、即时响应、暂无广告干扰。这个对比不是说AI能完全替代专家，而是说它把获取信息和帮助的门槛拉到了最低。
当然，现在大多数人用AI的方式还停留在非常粗浅的阶段。具体来说有这么几个典型特征：
这种用法就像是拿着一把利器却只用来划纸。AI能给你的远比这些多，关键在于你的认知需要升级。
我喜欢用一个比喻：很多人现在用AI的态度就像去超市买现成食品——想要一个现成答案，直接拿走。但AI真正的价值不是替代你思考，而是放大你的能力。它应该是你的厨房里的工具和食材，你需要学会的是如何拿它们烹饪出一道菜。
这种转变的核心在于：从"获取现成答案"变为"构建解决方案"。不是问AI"答案是什么"，而是告诉AI"我需要解决什么问题、有哪些约束条件、期望的输出格式是什么"。
在认识AI的过程中，人们天然形成了两种不同的使用倾向。第一种是"陪聊型"，把AI当做对话伙伴，追求拟人化的交互体验，核心是情感陪伴和自然对话。第二种是"生产力型"，把AI当做效率工具，追求任务完成的质量与速度。
对于医护人员来说，本次讲座的重点是第二种。但也要承认，AI其实可以同时满足一定的情感连接和实用价值——比如在学习处于低谷时，一个耐心的AI"老师"确实能给你一些心理支撑。
讲到这里，我们进入最实用的部分。之前说过，上下文决定了输出。那么问题来了：如何组织上下文，让AI真正理解你的需求？我推荐PREP提问框架。
P – Prompt 提示：明确任务目标，告诉AI你要做什么。例如："请总结这份文献的核心观点"。
R – Role 角色：给AI指定一个身份，让它以特定视角回答问题。例如："你是一位资深的医学教育专家"。
E – Explicit 明确：提供详细的背景信息和约束条件。例如："面向初学者，避免专业术语"。
P – Parameter 参数：设定输出要求，包括格式、字数、风格等。例如："500字，分三点，用Markdown格式"。
这个框架的价值在于，它帮助你把模糊的想法转化为精确的指令。很多人抱怨AI回答质量不高，往往不是AI不行，而是问题问得太粗。比如"帮我写一篇致辞稿"和"你是一位医学会议主任，请为2025年广东省医学会继续医学教育部年度工作会议写一篇开幕致辞，风格正式而温暖，800字左右，强调终身学习和医者任重道远"——这两个提问的输出质量一定天差地别。
在提问时，建议要求AI用Markdown格式输出。这不是为了高级，而是因为Markdown的标题、列表、粗体等语法可以让AI生成的内容直接粘贴到OneNote、语雀等笔记软件中保持排版整洁，大大节省二次格式化的时间。
大语言模型的记忆是有限的。当对话越来越长，AI会开始"胡言乱语"或遗忘最初的指令。对付这个问题有两个实用技巧：
现在很多AI都有联网搜索功能，但要知道它的边界。微信公众号文章、知网付费论文、医院内部系统、专业医学论坛、付费课程资料——这些高质量的医学信息源大多处于封闭生态中，AI联网搜索对此无能为力。所以，AI更适合在你确认信息来源可靠后，帮你提炼整理、拓展思路，而不是替代你去搜索。
很多医护同行都有这样的经历：参加学术会议时拍了一堆PPT照片，回到家就存在手机相册里，再也没打开过。这不是知识管理，这只是知识"死亡"。知识只有经过整理才能成为资产。
推荐一套组合拳：OneNote + Zotero。
笔记本-分区-页面的三级结构适合整理病例、学习笔记、会议记录。支持插入图片、音频、PDF附件和手绘，全平台同步，随时随地可访问。
浏览器插件一键保存知网、PubMed等数据库的文献元数据和PDF全文。支持数千种引用格式自动生成参考文献列表，内置PDF阅读器支持高亮批注，还可以创建共享文献库方便团队协作。
工作流建议：用Zotero管理文献库，在OneNote中整理学习笔记和临床经验，两者结合构建完整的知识体系。比如在广州某个学术会议上拍了几十张PPT照片，拍完当场就发给AI让它抽取知识点，等回到家有电脑时再让AI整理成结构化的文字笔记，进一步对话、结合自己的工作思考，提取问题、形成见解。
下面这几个场景，都是从日常工作中抽取出来的真实需求，看看AI能帮上什么忙。
很多人的做法是直接问AI"帮我写一篇致辞稿"，得到的往往是一个没有针对性的通用模板，需要大量修改。而好的做法是给足信息：时间、地点、人物、主题、风格、字数——每一个维度都在帮助AI理解你的真实需求。背景信息越完整，输出质量越高，这个原则适用于所有场景。
普通人的路径是拍照存档→照片堆积在相册→很少回顾→渐渐遗忘。会用AI的人则这么做：把所有PPT照片批量发给AI进行批量处理，指定按主题分类、提取核心观点、生成摘要，最终形成结构化的知识文档。后续的教学PPT制作、问题思考、文献查找都有迹可循。
论文的Cover Letter不是简单的"自我推销"，而是面向编辑的"结构化学术陈述 + 轻度Pitch"。它的核心目的不是夸自己，而是帮助编辑快速判断三件事：这篇文章在做什么、为什么值得发在这个期刊、有没有合规风险。
你可以指导AI按这个结构来组织：你在投什么（标题、类型）→ 你做了什么（研究内容）→ 你比别人多做了什么（创新点）→ 为什么投这个期刊（匹配度）→ 有没有合规问题。手里有了这样的模版和思路，再结合自己的研究具体调整，就能写出一封像样的Cover Letter。
病例报告对临床医师来说是很好的学术起点。准备好四类信息发给AI即可：病例基本信息（年龄、性别、主诉）、临床表现与检查结果、诊断与治疗方案、相关参考文献。重要提醒：发给AI的信息一定要做脱敏处理，不能泄露患者隐私信息。
对于有一定编程基础的同学，AI可以直接生成统计图和分析代码。给定数据，上传统计分析的Skill，本地KIMI CLI可以直接给出分析结果、分析代码和APA格式的统计报告。比如表现两组学生成绩和学习时间的描述性统计，AI可以自动生成包含均值、标准差、范围的专业报告。
Vibe Coding是近期流行的概念，指的是用自然语言描述需求，AI自动生成完整代码。比如文件批量重命名工具、图片格式转换器、数据清洗脚本、个人待办清单应用——这些原本需要写代码的小工具，现在只需要用话描述清楚就行。当然，这需要一定的Coding基础来审核和调试。
讲了这么多好处，必须认真说说风险。AI不是万能的，用不好反而会带来麻烦。
大家都见过这种文字："在当前医疗场景中，AI模型的应用——尤其是在'临床决策支持'这一领域——正在发挥越来越重要的作用。然而，需要指出的是，其效果在很大程度上依赖于'数据质量'与'算法机制'的协同优化。"这就是典型的AI味——频繁的引号、破折号、概念标签化、表达空泛且对称。
AI让文字生产成本降为零，导致垃圾信息指数级爆炸。所以要明确一个原则：用了AI，不代表要产生更多文字，而是要更狠地做减法。AI负责泛化，人负责聚焦。只要最精简、最精华的内容。
曾经有同事想找DeepSeek，搜索后下载了一个收费的"盗版"软件。真正的DeepSeek是免费的，但搜索引前列往往是广告或仿冒应用。建议从官方网页端开始尝试，无需安装，打开即用。
用前检查清单：信息是否来自官方或权威来源？是否通过多个渠道交叉验证？参考来源是否真实存在且相关？政策信息是否是最新版本？软件是否来自官方渠道？AI回答是否客观中立？
宁可多花5分钟验证，也不冒1%的风险。
说完当下，再瞻望一下未来。我们现在用的大多数AI还处于Chatbox形态——你问一句，它答一句，人做操作。而AI Agent（智能体）的形态是：你下达任务，AI自己拆解子任务、自己调用工具、自己执行操作、自己反馈结果。
举例来说，可以设计一个Skill，让OpenClaw每天早上7点自动收集数据、生成日报PPT、发送给你。本地KIMI CLI可以直接访问本地文件夹，给统计数据让它自己分析（但要会审核代码）。当然，这也带来了新的风险：LLM本质上是一个黑箱，内部决策过程高度不透明，用户无法实时干预，需要小心使用。
医生这个职业有一个特点：需要终身学习。新药、新指南、新技术层出不穷，停下来就意味着后退。而AI的出现，并没有改变这个事实，只是提供了一个更高效的学习工具。
我很喜欢《荀子·劝学》里的一句话："君子性非异也，善假于物也。"有多大本事不是生而有之的，而是懂得借助工具。AI就是这个时代最强大的"物"之一，关键在于你是否愿意花点时间去学会驾驭它。
课后作业：把你今天拍的所有PPT页面发给AI，让它帮你整理成笔记吧。