一个「AI+医疗」团队的「沟通地狱」
2026年，一家AI医疗创业公司经历了「三个月的地狱」。他们的团队由两拨人组成：5个AI工程师（来自计算机科学背景），3个医学专家（来自三甲医院）。
三个月里，两拨人几乎「无法沟通」。AI工程师说：「我们要用Transformer架构，做多模态的医学影像分析。」医学专家说：「什么是Transformer？你们说的『准确率』，在临床上不叫『准确率』，叫『敏感性』和『特异性』。而且你们知道吗，临床上一个『假阴性』的代价，可能是病人的生命。」
AI工程师觉得医学专家「不懂技术，要求太多」。医学专家觉得AI工程师「不懂医学，写得东西不能用」。三个月后，产品原型做出来了，但医学专家说：「这个产品，我不敢给病人用。」
这是所有「AI+行业」创业公司都会遇到的「跨学科协作」问题。AI工程师和行业专家使用不同的「语言」、不同的「思维方式」、不同的「评价标准」。
跨学科协作的「三个障碍」
障碍一：语言障碍。 AI工程师说的「语言」是「准确率、召回率、F1、AUC、延迟、吞吐量」。行业专家说的「语言」是「敏感性、特异性、阳性预测值、临床指南、工作流」。两拨人使用「不同的词汇」描述「同一个问题」，结果就是「鸡同鸭讲」。
障碍二：思维障碍。 AI工程师的思维是「统计思维」——「平均来说，我们的模型比人类医生准确率高3个百分点。」行业专家的思维是「案例思维」——「但你这个模型在某个病人身上犯了一个致命错误，这个病人死了。」统计思维关注「整体」，案例思维关注「个体」——两种思维不在一个维度上。
金句：跨学科协作的最大障碍，不是「知识差距」，而是「思维模式」的差距。AI工程师追求「统计上的最优」，行业专家追求「每个案例上的安全」。
障碍三：评价障碍。 AI工程师评价一个模型的好坏，用「benchmark分数」。行业专家评价一个产品的好坏，用「临床效果」和「用户满意度」。这两套评价标准常常「不一致」——benchmark上表现最好的模型，临床效果可能很差。
跨学科协作的「四个解决方案」
方案一：建立「翻译角色」。 团队中需要一个「翻译者」——这个人懂AI（但不一定是AI专家），也懂行业（但不一定是行业专家）。他的工作是「翻译」——把AI工程师的「技术语言」翻译成行业专家能理解的「行业语言」，反之亦然。这个角色可以是产品经理，也可以是「有跨学科背景」的团队成员。
方案二：用「场景」代替「概念」来沟通。 不要问行业专家：「你的需求是什么？」（他们不知道如何用技术语言表达需求）。要问：「你一天的工作流程是什么？你遇到了什么痛点？你希望AI帮你解决什么具体问题？」把「需求讨论」变成「场景演练」。
方案三：建立「共同评价标准」。 不要用AI工程师的「技术指标」来评价产品，也不要用行业专家的「主观感受」来评价产品。建立一个「双方认可」的评价标准——比如「在100个真实案例中，AI的诊断建议被医生采纳了多少次？」
方案四：定期「交叉培训」。 每两周，AI工程师给行业专家讲一次「AI原理」（用通俗语言，不用公式），行业专家给AI工程师讲一次「行业知识」（用案例，不用术语）。目的是让双方「互相理解」——不是成为专家，而是「理解对方的思维方式」。
金句
AI创业的跨学科团队，核心不是「AI+行业」，而是「AI x 行业」——「+」是「拼凑」，「x」是「融合」。拼凑的团队互相消耗，融合的团队互相放大。
跨学科协作的「终极目标」：让AI工程师能用「行业视角」思考问题，让行业专家能用「AI视角」思考问题。