如果有一天，你花了半輩子累積的專業、智商與考試分數，突然變得像自來水一樣便宜，你會怎麼看待自己？這個問題，醫師其實早就面對過。臨床現場充滿沒有標準答案的抉擇：治療成功率、生活品質、風險與尊嚴，往往彼此衝突。AI 可以在瞬間提供所有數據、列出每一種可能，卻無法替你決定——要為誰冒險，又要承擔到什麼程度。
輝達執行長黃仁勳在劍橋大學直言，AI 時代最重要的，不再只是聰明，而是「品味與選擇力」。這句話聽起來抽象，但在醫療裡卻極為具體：當資訊過載、選項無限，人類真正的價值，正體現在能否看清什麼才真正重要。
為什麼在 AI 時代，「聰明」不再是稀缺資源？
你有沒有想過，如果有一天，你最引以為傲的專業能力、反應速度，甚至考試分數，都像自來水一樣隨手可得，會發生什麼事？在醫療現場，這個問題其實早已出現。AI 可以在幾秒內讀完成千上萬筆影像、病歷與數據，精準度往往不輸資深醫師，但臨床研究反覆提醒我們：高準確率，並不等於高品質決策。在不確定、風險高、資訊不完整的情境中，真正困難的從來不是「算得對不對」，而是「該不該這樣做」。近年的系統性回顧指出，AI 擅長處理定義清楚、目標明確的任務，卻無法替人類完成價值取捨與責任承擔（註1）。也正因如此，當「聰明」被大量外包後，它不再稀缺；稀缺的，反而是能在模糊中做出選擇的那種判斷力（註2）。
AI 為什麼無法取代臨床醫師的判斷？
別小看臨床現場的每一次決定。很多時候，醫師面對的不是「對或錯」，而是「哪一個代價你願意承擔」。在腫瘤治療、重症醫學或精神醫療中，數據常常同時指向兩條都合理的路：一條風險較低但效果有限，另一條成功機率較高卻可能帶來巨大傷害。AI 在這裡能做的，是量化不確定性、計算風險區間，甚至透過最大熵模型或貝葉斯模型，提醒你「這裡的不確定性仍然很高」。但它無法替你回答那個真正困難的問題：這個人，值不值得冒這個險。研究指出，AI 的決策邏輯主要建立在關聯與最佳化之上，缺乏對情境脈絡、倫理優先順序與價值權衡的理解（註3）。而臨床判斷，正是一種高度情境化、受限於現實條件的決策能力——它結合專業知識、過往失敗、病人的人生背景，最後由醫師親自承擔後果（註4）。這也是為什麼在高風險、不確定的場域裡，AI 只能是輔助，而不能成為最後那個按下確認鍵的人。
什麼是 AI 算不出來的「定義不清楚的問題」？
你有沒有發現，真正重要的決策，往往發生在「問題還沒被定義清楚」的時候？在醫療現場，這樣的情境天天上演。不是「要不要治療」，而是要為誰而治、為了什麼而治；不是「哪個方案成功率最高」，而是當成功率差距不大時，病人真正願意承擔的是什麼樣的未來。這類問題的困難，不在於資料不足，而在於資料再多，也無法替你決定「什麼才算重要」。AI 可以列出所有可行選項、比較每一條路的風險與機率，卻無法告訴你，在這個人的人生脈絡裡，哪一種結果更有意義。這正是黃仁勳所說的「定義不清楚的工作」：它沒有標準答案，卻決定了方向本身的價值。研究也指出，臨床專家在這類情境中，會動用高度整合的直覺與理論框架，快速辨識哪些資訊是雜訊、哪些才是訊號（註5）。這種能力，不是計算力的產物，而是長期經驗、失敗與價值反思累積而成的選擇力。
當聰明變得廉價，人類真正值錢的是什麼？
如果「聰明」可以被大量複製，那人類真正值錢的，究竟剩下什麼？在醫療決策裡，答案其實早就存在——不是計算能力，而是品味。品味並不是藝術性的偏好，而是一種在資訊爆炸、選項無限時，仍能做出價值排序的能力。當 AI 能在幾秒內生成上萬種治療策略或行動方案，真正困難的工作，反而變成「哪些應該被捨棄」。在臨床現場，這種能力表現為醫師對風險、尊嚴、生活品質與倫理原則的整體權衡；在 AI 時代，它轉化為一種編輯能力——決定什麼值得被留下、被執行、被承擔後果。研究共識也指出，未來最安全、最可靠的 AI 應用模式，不是取代人類，而是讓人類保有最終判斷權，確保價值導向與倫理原則仍然居於核心（註6）。當聰明不再稀缺，能在不確定中做出負責任選擇的品味，才會成為唯一無法被複製的昂貴資產。
結論：那些不能被複製的，才會留下來
在醫療現場，有一件事所有醫師都心知肚明：真正困難的判斷，往往不是因為知識不足，而是因為你太清楚後果會落在誰身上。當治療的風險、病人的期待、家屬的恐懼同時湧現，決定從來不是「算出來的」，而是在理解之後，仍然願意承擔。古人說「人身至重，有貴千金」，這句話不是形容身體的價格，而是在提醒，每一次選擇，都牽動著不可回頭的人生。
很多人以為，品味來自天分或審美，其實不然。它更像是一種被鍛造過的判斷力——來自你曾經選錯、曾經猶豫、曾經因為一個決定而失眠的夜晚。正因為受過傷，我們才知道什麼不能輕易犧牲；正因為走過失敗，我們才懂得哪些代價並不值得。AI 擁有龐大的資料，卻沒有經歷過這些時刻，也因此無法真正理解「為誰而選」的重量。
在這樣的時代，真正重要的能力，或許不是把世界看得更完整，而是知道什麼時候該停下來。當資訊過載、選項無限，能夠果斷捨棄，其實比繼續加碼更困難。醫療判斷提醒我們，負責任的選擇，從來不是最華麗的那一條，而是你願意承擔後果、也能對得起內心的那一條。
AI 可以幫我們看見更多可能，但它不會替我們受傷。那些來自痛苦、失敗與反覆思考所淬鍊出的尺度，才是真正屬於人的部分。當聰明變得廉價，這份經過人生打磨的選擇力，會留下來，成為你無法被取代的根基。
《本文將依據最新提問持續更新》
| 比較面向 | AI 的判斷來源 | 人類的判斷來源（品味） |
|---|---|---|
| 判斷基礎 | 統計模型、機率計算、最佳化演算法 | 經驗、價值排序、對後果的理解 |
| 面對不確定性 | 量化不確定性，提供風險區間 | 接受不確定性，仍需做出選擇 |
| 決策邏輯 | 從資料中找出最可能的結果 | 在多個合理選項中取捨「哪個更值得」 |
| 情境理解 | 依賴可被結構化的輸入條件 | 能整合背景、脈絡與隱含訊號 |
| 價值判斷 | 無法自行定義價值或優先順序 | 能進行倫理、尊嚴與意義的排序 |
| 責任承擔 | 不承擔後果，只提供建議 | 必須為選擇承擔實際後果 |
| 對錯標準 | 準確率、效能、最佳化程度 | 是否對得起這個人與當下情境 |
| 在醫療中的角色 | 決策支援與風險提示工具 | 最終判斷與責任的承擔者 |
| 在 AI 時代的價值 | 提供算力與可能性 | 在不確定中做出有意義的選擇 |
常見問題與回覆
問題 1：AI 這麼聰明，真的還需要人類來做決定嗎？
回覆：需要，而且在關鍵時刻更需要。AI 很擅長整理資訊、計算風險，但當問題沒有標準答案、又牽涉價值取捨時，仍然必須由人來做最後判斷。就像醫療決策，算得再精準，也無法替你決定哪一種人生結果更值得承擔。
問題 2：文章裡說的「品味」，是不是只是主觀感覺？
回覆：不是。這裡的品味指的是在資訊過載時，進行價值排序與取捨的能力。它來自經驗、理解與反思，而不是隨意的喜好。在醫療現場，這種能力往往表現在能分辨「重要」與「只是看起來重要」的差別。
問題 3：為什麼 AI 無法處理「定義不清楚的問題」？
回覆：因為這類問題的困難不在計算，而在價值。當選項彼此都合理時，真正的關鍵是你要為誰、為什麼而選。AI 可以提供所有可能性，但無法理解哪一種後果對人來說更有意義。
問題 4：沒有醫療背景的人，也需要理解這種判斷力嗎？
回覆：非常需要。醫療只是最清楚的例子，但未來的職涯選擇、組織決策、甚至人生方向，都會越來越常遇到沒有標準答案的情境。能否在不確定中做出負責任的選擇，會成為所有專業者的共同課題。
問題 5：那我們該怎麼培養這種「品味型判斷力」？
回覆：從練習慢下來開始。不要只問「哪個最好」，而是多問「這個選擇的代價是什麼、我願不願意承擔」。反思自己的失敗與猶豫，其實正是在累積這種判斷尺度，而不是在浪費時間。
本文作者：GCM上醫預防醫學發展協會 數位編輯部
總編輯：草本上膳醫廚－黃子彥
免責聲明：本文所提供之信息僅供參考，並非醫療建議，無特定商業合作關係，亦無針對特定商品進行推薦。在進行任何飲食或健康改變前，請先咨詢專業醫師或營養師。
參考文獻：
（註1）Seoni S, Jahmunah V, Salvi M, et al. Application of Uncertainty Quantification to Artificial Intelligence in Healthcare: A Review of Last Decade (2013–2023). Computers in Biology and Medicine, 2023.
（註2）Tikhomirov L, Semmler C, McCradden M, et al. Medical Artificial Intelligence for Clinicians: The Lost Cognitive Perspective. The Lancet Digital Health, 2024.
（註3）Rohlfsen C, Shannon K, Parsons AS. Entropy in Clinical Decision-Making: A Narrative Review Through the Lens of Decision Theory. Journal of General Internal Medicine, 2025.
（註4）Gauld C, Martin VP, Bottemanne H, et al. Exploring the Interplay of Clinical Reasoning and Artificial Intelligence in Psychiatry. Psychiatry Research, 2024.
（註5）Xu H, Wang Y, Xun Y, Shao R, Jiao Y. Artificial Intelligence for Clinical Reasoning: The Reliability Challenge and Path to Evidence-Based Practice. QJM, 2025.
（註6）Harish V, Morgado F, Stern AD, Das S. Artificial Intelligence and Clinical Decision Making: The New Nature of Medical Uncertainty. Academic Medicine, 2021.