一年前，ChatGPT在医学解剖学考试中平均准确率只有44%。

如今，GPT-4o交出了92.9%正确率的答卷，这将彻底改写 AI在医学教育中的角色定位。

据自然科学杂志的最新研究显示，AI不仅能解题，还能理解人体结构逻辑——它的答案，不再是背诵，而是推理。

四款AI测试：GPT-4o登顶

解剖学是医学生的基石学科，知识评估的复杂性让其成为检验大模型知识深度与准确性的试金石。

而这项涵盖325道USMLE（美国医师执照考试）的多项选择题，是迄今最系统的AI医学教育评测。

新一代大模型的平均准确度为76.8%±12.2%，相较于一年前GPT-3.5的44.4%准确率，实现了48.5%的巨大性能提升。

GPT-4o不仅正确率最高，还在三次答题中维持了超90%的稳定性。

这意味着它的知识逻辑趋于固定，而非随机猜测。

这标志着大模型已经从一个不可靠的辅助工具，蜕变成一个具有专家级潜力的系统。

模型的蜕变：从语言理解到结构推理

GPT-4o的质变不止在算力，而在推理路径的改变。

GPT-3.5以关键词匹配作答，遇到题干中隐含空间关系时极易混乱；

GPT-4o则能重建人体部位间的逻辑关系链。

例如在肱动脉分支类题中，GPT-3.5的答案正确率仅46%，GPT-4o上升至94%。

研究者认为，这得益于其多模态训练数据中加入了结构性文本，这让模型能在纯语言输入中重建空间语义。

三、Claude与Copilot：表现稳健但“领域盲区”明显

Anthropic的Claude 3.5在整体准确率上紧随其后（76.7%），其优势在骨骼系统与下肢题目，但在“腹部”和“上肢”表现下滑。研究显示，Claude的“知识置信度”高但偏好保守答案——相较GPT-4o，它更像一个安全型AI教师。

微软Copilot虽依托Office生态，便于教学整合，但受限于输入长度（最多4000字符），导致连续推理能力受损。尽管如此，它在“背部”“腹部”类题上仍有接近89%的准确率，显示其适合作为教学辅助工具，而非核心答题系统。

Google的Gemini 1.5表现最弱（63.7%），但仍优于去年GPT-3.5。这反映出：模型架构的迭代速度已超越单一公司优势，AI教育正进入多极竞争阶段。

知识结构失衡：AI懂头颈部，却不懂手

数据表明，大模型的性能在不同解剖主题间存在显著统计学差异：

● AI掌握度最高：头颈部（79.5%）、腹部（78.7%）

● AI掌握度最低最薄弱：上肢（72.9%）、胸廓（73.5%）

这种差异表明大模型并非拥有均匀的解剖学知识图谱，其训练数据在某些复杂区域（如上肢的神经和血管变异）上存在不足。

还有2.5%的题目从未被任何大模型答对过，这种集体失败表明：

大模型擅长知识的记忆、关联和模式识别，但在处理跨概念的复杂推理、临床情景等高阶思维时，仍存在无法逾越的智能天花板。

AI正在重塑医学教育模式

据美国AAMC报告，医学生使用AI进行USMLE备考的比例已达42%。

AI 能根据学生理解层次即时调整解释方式，还能将解剖与生理、临床影像等知识联通，提高学习效率。

但 AI答错的8%题目中，有三分之一表现出自信错误，学生容易把错误的知识当成真理。

AI学习系统应 + 导师的机制或将成为主流。

反向设计课程和考试重点

既然 AI在上肢和复杂推理表现最差，这些恰恰是人类专业知识最能创造价值的地方。

未来或将把教学资源和学生精力从 AI轻松掌握的基础知识点中解放出来，

重点教授2.5% AI没法掌握的复杂临床推理题。

专属医疗模型

在AI医疗领域，微调模型在解剖题上的准确率可较通用模型再提升10%–15%。

开发专科定制型医学LLM将成为未来趋势，它们将不再通读百科，而专注单一领域的知识深度。

未来出现AnatoGPT或NeuroGPT也不再奇怪。