醫療AI代理上線前，誰來先檢查它會不會做研究？

當AI代理開始被設計成能搜尋文獻、整理證據、撰寫研究流程，醫療場景裡真正棘手的問題不只是它答得像不像專家，而是每一項可被呼叫的「技能」是否足以在上線前被信任。AIPOCH宣布推出MedSkillAudit，正是試圖把這個問題從抽象的AI安全，拉回可審查、可分級的部署程序。

根據AIPOCH發布的消息與4月登上arXiv的論文，MedSkillAudit被描述為一套針對醫療研究代理技能的預部署稽核框架。參與研究者來自AIPOCH PTE. LTD.與復旦大學附屬中山醫院；框架目標不是評估一般聊天能力，而是檢查醫療研究工作中可能被AI代理執行的具體功能，例如資料整理、文獻判讀、研究任務輔助與高風險輸出控管。

論文中的驗證設計相對務實：研究團隊評估75項醫療研究技能，並把它們分成五大類；每項技能由兩名專家審閱，給出品質分數、釋出建議與高風險標記。這種設計反映一個正在浮現的治理思路：醫療AI不應只在模型層次被打分，也要在代理實際能做的任務層次被審核。

研究報告稱，MedSkillAudit與專家判定的一致性以ICC(2,1)計算為0.449，高於兩名人類審閱者之間的0.300。這個結果不宜被解讀為AI審核已取代專家，而更像是一個訊號：在標準化稽核流程中，系統可能協助補足人工審查不穩定、尺度不一的問題，但仍需要由醫療與研究專業把關。

更值得放在風險脈絡中看的，是研究中有57.3%的受測技能低於「Limited Release」門檻。換言之，在這批被測試的醫療研究代理技能裡，超過半數尚不適合即便是有限條件下釋出。這支持了AIPOCH宣稱需要部署前治理的理由，也說明醫療AI代理的問題往往不在單一驚人錯誤，而在許多看似日常的研究步驟中累積偏差。

不過，目前公開資料仍有邊界。這項框架的主要細節來自公司發布與尚未經同儕審查的arXiv論文；75項技能的來源、測試場景與不同醫療研究任務的代表性，仍需更多外部驗證。若未來要進入臨床研究機構或藥物開發流程，監管者與採用者還會追問：稽核門檻如何更新、誰負責最終責任、以及高風險技能在真實資料環境中如何被限制。

醫療AI代理的承諾，是把繁瑣的研究工作變得更快；它的風險，則是把錯誤也變得更快、更有規模。MedSkillAudit的意義不在宣稱某套AI已經安全，而在提醒產業：在代理能替研究者按下更多按鈕之前，每一個按鈕本身都該先被檢查。