作者：李俊廷醫師｜艾苜中醫診所
文章初稿：2026年 9 月 4 日
最後文獻檢索與內容更新：2026 年 9 月 4 日
這幾年，如果要問我：「哪一個工具最明顯改變了我的工作方式？」
我的答案大概會是——AI。
我是李俊廷醫師，一名中醫師，也是艾苜中醫診所診的創辦人。除了平常在診間看診之外，目前也擔任學士後中醫系的兼任教師，以及成功大學 Maker Factory 的講師。
這幾年因為臨床、教學與寫作的需求，我算是蠻早就開始把各種 AI 工具放進日常工作裡的人。
從找文獻、整理研究、準備課程、製作衛教資料，到協助處理一些高度重複的工作，我必須承認：
AI真的幫我們省下了很多時間。
但也因為用得越來越多，我反而越來越確定一件事情：
未來真正拉開差距的，可能已經不是「會不會使用AI」，而是你有沒有能力成為AI的「指揮官」。
AI很會整理資料，但「整理資料」不等於「做出醫療判斷」
很多人第一次接觸生成式 AI，最直覺的方式就是拿來問問題。
「我這個症狀可能是什麼病？」
「這個檢查數字正常嗎？」
「這篇論文在講什麼？」
「這個藥有沒有副作用？」
這當然非常方便。
以我自己的工作來說，過去可能要花半小時搜尋、整理的資料，現在AI幾分鐘內就能先整理出一個架構。
但是，用久了就會發現一個很重要的問題：
AI很會做摘要，但摘要跟臨床判斷，其實是兩件完全不同的事情。
例如，同樣是一篇醫學研究，AI可以很快告訴你研究人數、治療方法與結果。
可是醫師真正會繼續追問的是：
這群研究對象，跟我眼前這位患者真的一樣嗎？
研究結果雖然達到統計顯著，差異在臨床上真的重要嗎？
研究使用的劑量、製劑、治療方式，跟現實世界相同嗎？
如果患者同時還有其他疾病，甚至正在服用好幾種藥物，這篇研究的結論還能不能直接套用？
這些「眉角」，通常才是真正需要專業判斷的地方。
一篇大型系統性回顧甚至發現，目前許多醫療大型語言模型的研究，仍集中在考試題目、醫學知識與診斷表現，真正使用真實病人照護資料驗證的比例仍然不高。[1]
所以，我比較喜歡把AI想像成一位：
速度非常快、資料整理能力很好，而且永遠不會喊累的研究助理。
只是這位研究助理有一個很大的問題——
偶爾會非常有自信地講錯話。
AI最可怕的，不是「不知道」，而是「不知道自己不知道」
這就是近年大家常說的 AI hallucination，也就是「AI幻覺」。
AI可能產生一段看起來非常合理、語氣甚至比醫師還有自信的答案，但裡面的資料可能是錯的，甚至連引用的論文都有可能不存在。
2026年的一篇系統性回顧指出，醫療AI的幻覺可能包括錯誤的治療敘述、不正確的病歷摘要，甚至虛構參考文獻。因此目前研究的重要方向之一，就是如何透過可信資料庫、RAG（Retrieval-Augmented Generation）、人工覆核等方法降低這類問題。[2]
所以以前我會開玩笑說：
有時候拿著症狀一直問AI，頭痛問著問著變腦瘤，肚子痛問到最後好像又變癌症。
前陣子 Threads 上「怎麼問都是癌症」的笑話很好笑XD
但如果真的拿AI來幫自己下診斷，就不一定這麼好笑了。
而且這件事情也不是「免費版AI才會發生」。
即使是能力更好的模型，一樣可能產生錯誤。真正需要注意的是：它使用什麼資料、能不能指出來源、來源可不可信，以及最後有沒有人去確認答案。
那麼，我怎麼看2027年的醫療AI？
如果根據現在看到的發展，我認為2027年有一個非常重要的變化：
AI會慢慢從「幫我們回答問題」，走向「幫我們完成工作」。
這可能才是真正影響醫療產業的下一步。
美國醫學會（AMA）2026年的調查顯示，81%的受訪醫師已經在專業工作中使用某種AI工具，比2023年的38%增加一倍以上。
而目前最常見的用途，並不是讓AI自己決定患者得什麼病，而是協助整理醫學資訊、臨床文件與行政工作。
這其實跟我的觀察非常接近。
趨勢一：AI會接手更多「重複性的醫療工作」
我很期待的一個方向，就是讓AI處理掉醫療現場大量重複、但又不得不做的工作。
例如病歷初稿、門診摘要、衛教資料、轉診摘要、醫療文件整理，甚至部分患者訊息的初步分類。
近年很受到注意的 Ambient AI Scribe，就是其中一個例子。
簡單講，它可以在取得適當同意與符合隱私規範的情況下，協助整理醫病對話並產生病歷草稿，再由醫療人員確認。
2025年發表於《NEJM AI》的隨機試驗已經開始評估這類工具在真實臨床工作的影響。[3]
另一項跨六個醫療體系、263名臨床人員的研究則發現，使用環境式AI病歷工具30天後，臨床人員自述的文書負擔、下班後處理病歷時間以及burnout等指標有所改善。[4]
當然，這不代表每一套AI系統都有相同效果。
但至少讓我們看到一件事情：
AI真正有價值的地方，可能不是幫醫師「取代思考」，而是幫醫師「把時間拿回來」。
如果AI可以幫我少打一點病歷，我其實更希望把那些時間拿來好好聽患者講話。
趨勢二：未來的醫療AI，會更重視「有根據地回答」
現在的大型語言模型，有一個根本性的問題：
它非常會「生成文字」，但生成文字不代表資料一定正確。
所以我認為接下來一個很重要的方向，就是讓AI不要只依靠自己模型裡原本的資料，而是能夠去搜尋可信的醫療資料庫、臨床指引或指定文獻後，再整理答案。
這就是目前常被討論的 RAG。
2025年的系統性回顧與統合分析顯示，在生物醫學應用中，把LLM與外部可信資料來源結合，整體而言可以改善模型表現。[5]
這對醫療尤其重要。
因為真正理想的醫療AI，不應該只告訴我：
「答案是A。」
而是應該告訴我：
「根據哪一份指引、哪一篇研究、什麼樣的患者資料，我認為A比較可能。」
然後再由醫療人員判斷這個答案到底適不適合眼前這個人。
所以我常說：
AI可以當第二雙眼睛，但不要讓它變成最後一顆腦袋。
趨勢三：穿戴裝置＋AI，會讓健康管理走出醫院
另外一條我很注意的發展，是AI與穿戴式裝置、感測器及digital biomarkers的結合。
以前我們對健康的認識，常常來自：
一年做一次健康檢查。
某一天量一次血壓。
生病了才去醫院做檢查。
但是現在的手錶、戒指、貼片與各種感測器，可以持續記錄心率、活動量、睡眠甚至其他生理訊號。
相關系統性回顧也顯示，目前研究已經嘗試利用穿戴裝置與手機產生的資料，搭配machine learning分析睡眠、壓力、神經疾病與其他健康狀態。[6]
我覺得這背後真正有價值的地方，不是：
「我們每天可以收集十萬筆數據。」
而是：
AI能不能幫我們從十萬筆數據裡，找出那一筆真正值得注意的改變。
這可能會讓未來的健康管理從「生病之後找問題」，慢慢往「在趨勢改變時就注意到問題」前進。
當然，健康數據的改變並不等於疾病診斷，穿戴裝置也不能取代必要的醫療檢查。
但它可能成為一個很重要的提醒工具。
趨勢四：2027年，我認為大家會越來越常聽到「AI Agent」
這可能是我認為接下來最值得觀察的一個詞：
Agentic AI，或稱AI Agent。
過去的生成式AI比較像：
「你問一個問題，它回答你。」
未來的AI Agent比較像：
「你給它一個目標，它自己拆解工作、尋找資料、使用不同工具，最後把任務完成到某個階段。」
2026年《npj Digital Medicine》已經發表醫療Agentic AI的scoping review，整理目前AI Agent在醫療工作流程、影像、急診、腫瘤與其他領域可能的應用。[7]
不過這裡我要特別踩一下煞車。
目前Agentic AI在醫療仍然屬於相當早期的階段。
真正經過病人臨床驗證的研究仍然有限，包括安全性、責任歸屬、資料隱私與AI可以自主做到什麼程度，都還需要建立規範。
所以2027年我期待看到的，不是「AI醫師自己看完整個門診」。
我反而比較期待：
AI可以把一連串重複工作的80%先完成，剩下20%交由專業人員做真正重要的確認與決策。
這可能會是比較實際的未來。
那中醫呢？AI會不會改變中醫？
我認為會。
而且這一塊其實非常有趣。
近年的研究已經開始把AI應用在舌象、脈象、問診資訊、辨證以及多模態資料整合上。
2026年《Journal of Traditional Chinese Medical Sciences》的回顧就整理了AI、多模態資料與大型語言模型在中醫診斷數位化上的發展，同時也指出中醫資料仍面臨客觀化、標準化與重複性等問題。[8]
舌診可能是目前最直觀的一個例子。
因為舌象本身就是影像資訊，所以非常適合進行影像辨識。2026年的一篇研究整合了AI舌診相關研究，也顯示這個領域正在快速發展。[9]
但這裡一定要講清楚：
這不代表我們現在拿手機拍一張舌頭，AI就可以知道你全身有什麼問題。
目前不同研究使用的拍攝設備、光源、疾病族群與模型都可能不同，研究之間的異質性也很高。
因此我反而更期待AI在中醫裡扮演另外一個角色：
把以前很難記錄的「臨床脈絡」，變得更容易被保存與追蹤。
例如舌象影像的長期變化、症狀時間軸、睡眠、飲食、排便、月經，以及治療前後不同資料之間的變化。
中醫有很大一部分的特色，本來就在於觀察一個人長時間的整體狀態。
如果AI能幫我們把這些資訊更有系統地保存下來，我認為它真正帶來的價值，可能不是「取代中醫師辨證」，而是：
幫醫師看到以前容易被忽略的長期變化。
我最期待的醫療AI，是把「人」重新放回醫療中心
這大概是我對AI最期待的一件事情。
我並不希望未來的醫療變成：
患者坐在診間看手機。
醫師坐在對面看電腦。
最後兩個人都在跟AI講話。
醫療行業有一個非常特殊的地方：
我們處理的不只是資料，而是一個人。
有時候患者說：
「最近都還好。」
但是停頓了兩秒。
你再多問一句，才發現他已經三個月沒有睡好了。
媽媽說孩子只是「最近胃口比較不好」。
繼續問下去，可能才會發現孩子其實同時有鼻塞、打呼、偏食甚至體重變化。
這也是我在臨床上一直很重視的事情：
真正的問題，常常不是第一句話就會出現。
很多時候需要醫師觀察、追問，再把很多看似沒有關係的線索慢慢拼起來。
這部分，我目前仍然認為是醫療非常重要的核心。
所以如果AI可以幫我們整理病歷、整理文獻、整理數據，甚至先完成大量重複性的工作，我反而覺得：
很好。
把時間還給醫師。
讓醫師可以重新把注意力放在人身上。
一般民眾，到底應該怎麼用AI幫助自己的健康？
我會給大家一個很簡單的原則：
把AI當「健康資料整理員」，不要直接把它當成「你的主治醫師」。
看完一份健康檢查，可以請AI幫忙把專有名詞翻成一般人看得懂的語言。
如果最近有很多症狀，可以請它幫忙整理症狀出現的時間軸。
準備去看醫師之前，可以請AI幫忙整理：
「根據我目前提供的資料，有哪些問題值得帶去問醫師？」
甚至可以問：
「有哪些警訊出現時，我不應該再繼續問AI，而應該直接就醫？」
這些我都覺得是很好的使用方式。
但是，如果問題變成：
「請直接告訴我是不是癌症。」
「我可不可以自己把這顆藥停掉？」
「不用去醫院，直接告訴我應該吃哪個藥。」
那就已經超過目前一般生成式AI適合扮演的角色。
另外還有一件很重要的事情：
不要隨便把完整姓名、身分證字號、病歷號碼或其他高度敏感的醫療資訊，上傳到隱私政策不清楚的AI服務。
AI很好用。
但健康資料的隱私，一樣需要保護。
2027年，我真正期待的不是「AI取代醫師」
如果要我用一句話總結自己對2027醫療AI的觀察，我會說：
AI會從「幫我們找到答案」，開始走向「幫我們完成事情」。
也正因如此，我反而覺得人的角色會變得更加重要。
我們需要知道：
什麼問題值得問。
哪些資料值得相信。
AI什麼時候可能講錯。
什麼工作可以交給AI。
以及——
什麼事情一定要由人負責。
所以未來真正重要的能力，可能不只是學習更多Prompt，也不只是知道哪一套AI最厲害。
而是：
學會成為AI的指揮官。
不要讓AI取代你的專業，
而是讓AI放大你的專業。
對醫師是如此。
對老師是如此。
對每一位想利用AI改善自己健康的人，我想也是如此。
科技真正好的地方，不應該是讓醫療少一點人味。
而是幫我們把時間，從那些大量、重複、機械性的事情裡拿回來，
重新放在真正值得由「人」完成的事情上。
這次會我有這系列的文章，起源於白袍人生學院創辦人 張益豪醫師 號召發起這項『集結多科別多領域的多元視角』一起看待這件醫療與AI的重要議題。 想看更多多面向醫師的觀點，請看這篇文章『 我所看見的 2027 醫療 AI 藍圖』
參考文獻（References）
[1]. Bedi S, Liu Y, Orr-Ewing L, et al. (2025). Testing and Evaluation of Health Care Applications of Large Language Models: A Systematic Review. JAMA, 333(4), 319–328.
DOI: https://doi.org/10.1001/jama.2024.21700
[2]. Basu S, Huynh B. (2026). Mitigating hallucinations in healthcare AI: a systematic review of evidence-based strategies. BMC Health Services Research, 26, 1115. DOI: https://doi.org/10.1186/s12913-026-14851-1
[3]. Lukac PJ, Turner W, Vangala S, et al. (2025). Ambient AI Scribes in Clinical Practice: A Randomized Trial. NEJM AI, 2(12).
DOI: https://doi.org/10.1056/AIOA2501000
[4]. Olson KD, Meeker D, Troup M, et al. (2025). Use of Ambient AI Scribes to Reduce Administrative Burden and Professional Burnout. JAMA Network Open, 8(10), e2534976.
DOI: https://doi.org/10.1001/jamanetworkopen.2025.34976
[5]. Liu S, McCoy AB, Wright A. (2025). Improving large language model applications in biomedicine with retrieval-augmented generation: a systematic review, meta-analysis, and clinical development guidelines. Journal of the American Medical Informatics Association, 32(4), 605–615.
DOI: https://doi.org/10.1093/jamia/ocaf008
[6]. Sameh A, Rostami M, Oussalah M, Korpelainen R, Farrahi V. (2025). Digital phenotypes and digital biomarkers for health and diseases: a systematic review of machine learning approaches utilizing passive non-invasive signals collected via wearable devices and smartphones. Artificial Intelligence Review, 58, 66.
DOI: https://doi.org/10.1007/s10462-024-11009-5
[7]. Collaco BG, Haider SA, Prabha S, et al. (2026). The role of agentic artificial intelligence in healthcare: a scoping review. npj Digital Medicine, 9, 345.
DOI: https://doi.org/10.1038/s41746-026-02517-5
[8]. Zhu W, Zhang Y, She K, Chen J. (2026). Artificial intelligence-driven intelligentization of traditional Chinese medicine diagnosis: Applications, challenges, and prospects of multimodal fusion and large language model. Journal of Traditional Chinese Medical Sciences, 13(3), 291–301.
DOI: https://doi.org/10.1016/j.jtcms.2026.05.002
[9]. Liu L, Hu K, Zhou Y. (2026). Visualization analysis and clinical interpretability evaluation of artificial intelligence-assisted tongue diagnosis. Digital Chinese Medicine, 9(2), 223–240.
DOI: https://doi.org/10.1016/j.dcmed.2026.05.004
官方資料與延伸閱讀
American Medical Association. (2026). Physician Survey on Augmented Intelligence — AI usage among doctors doubles as confidence in technology grows.
U.S. Food and Drug Administration. (2026). Artificial Intelligence-Enabled Medical Devices. FDA Digital Health Center of Excellence.
Centers for Medicare & Medicaid Services. (2026). CMS Interoperability Framework. Health Technology Ecosystem.
重要提醒
本文為醫療AI趨勢與健康識能之一般性衛教內容，其中對2027年的描述屬於依據目前研究與產業發展所做的趨勢觀察，並非對未來技術發展的保證。AI生成內容可能出現錯誤或不完整資訊，不能取代醫師診斷、醫療處置及個別化治療建議；若有實際健康疑慮，仍應由合格醫療專業人員進一步評估。