AI 时代，临床八年制女生接下来七年怎么走

短大纲

• 这篇文章写给临床八年制本博连读、即将结束大一的医学女生：路还很长，别被“八年制”“AI”“科研”“发论文”这些词吓住，也别被它们带节奏。
• AI 不会让临床医学变简单，它会把“查资料、写文书、整理数据”的一部分工作自动化，同时让临床判断、责任承担和沟通能力更重要。
• 临床医学会发生五类变化：知识获取更快、诊疗流程更轻、连续照护更常见、科研更依赖数据、医患沟通从“信息解释”走向“共同决策”。
• 医学生要适应的不是某一个工具，而是一种新的能力结构：医学地图、临床问题定义、循证阅读、数据和编程、AI 边界、沟通与伦理。
• 大一结束时最重要的不是抢跑，而是复盘第一年，给后面七年建立学习系统、英语文献习惯、科研问题意识、数据工具箱和身心节奏。
• 编程和 AI 不必学成计算机专业，但要有“少而够用”的工具箱：Excel/CSV、Python 或 R、基础统计、Notebook、Markdown、Git、提示词和隐私脱敏。
• 最后给一份从大二到博士阶段都能执行的路线图，以及按周、按月能落地的行动清单。

一、病人已经带着 AI 走进诊室了

未来的门诊，大概率会出现一个很普通的场景：病人拿着手机坐下来，说：“医生，我把检查报告喂给 AI 看了，它说我可能有三个问题，您帮我看看。”

这句话听起来有点扎心。医生辛苦读了多年书，熬过考试、见习、实习、规培、值班、论文，最后患者先问了一个模型。换成程序员世界，大概就是你排查了半天线上故障，老板说：“ChatGPT 说可能是缓存问题。”你不能说它一定错，但也不能让它直接改生产环境。

我不是临床医生，不能给医学建议。这里只从技术、系统和学习方法角度谈一个判断：AI 不会让临床医学变简单，它会让临床医学的分工重新洗牌。

这篇文章的对象，我再说具体一点：一个临床八年制本博连读、第一年快结束、准备进入大二的女生。

八年制的压力很特别。它不像普通本科那样先读完再决定是否读研，也不像博士阶段那样一开始就有明确课题。它是一条很长的路：基础医学、临床课程、见习实习、科研训练、博士课题、论文、未来规培或专科方向，一环套一环。第一年快结束时，很容易两头焦虑：一边觉得自己基础课还没完全摸熟；另一边又听说师兄师姐已经进组、发论文、做 AI 医疗项目。

我的建议先放在前面：别急着证明自己很厉害，先把接下来七年的学习和科研节奏搭稳。

对女生来说，也不必把“女生”当成能力边界。医学里需要体力，也需要韧性、细心、表达、共情、判断和长期主义。真正要注意的是现实变量：作息、压力、身体状态、实验室和临床环境里的边界感、导师和团队是否尊重人。这些不是矫情，是长跑选手要懂得保护自己的膝盖。

过去，很多临床工作被信息处理淹没：病历、影像、检验、指南、药物说明、随访记录、医保表单、科研数据。医生真正值钱的判断，常常被埋在文书、检索和重复解释里。AI 进入之后，最该被释放出来的，不是医生这个角色，而是医生的注意力。

一句话：AI 可以接管一部分“找、抄、算、排版”的活，但不能接管“判断、取舍、沟通、负责”的活。

这也是医学生现在就要思考的问题：如果未来低价值重复劳动会被压缩，那么从大一结束开始，接下来七年到底该把力气花在哪里？

二、AI 对临床医学的五个改变

谈 AI 医疗，最容易走两个极端。

一种是过度兴奋：好像模型读了几篇论文、看了几张片子，就能坐堂问诊，妙手回春。

另一种是本能排斥：医学这么复杂，病人这么不同，AI 怎么可能懂？

我觉得这两个判断都太急。AI 更像一个不知疲倦、记忆力很好、查资料很快、但需要上级医生把关的助手。它会改变临床工作，但不该替代临床责任。

1. 知识获取变快，判断能力更稀缺

医学教育过去很大一部分训练，是记忆和归纳。症状、体征、检验指标、疾病谱、药物、指南、禁忌证，一层一层压下来。医学生背书的痛苦，外行人很难想象。我们程序员背几个 API 就叫苦，人家背的是身体这套最复杂的老系统，而且还没有 rollback。

AI 出现之后，事实性知识的获取会更快。不是说医生可以不背了，而是“背得多”不再是唯一优势。真正拉开差距的，会是以下几件事：

• 问题定义能力。 病人说胸闷，到底是心血管、呼吸、消化、焦虑，还是多个因素叠加？问题问错了，答案越快越危险。
• 上下文整合能力。 同样一个指标，放在年轻人、老人、孕妇、肿瘤患者、肝肾功能不全患者身上，意义不一样。
• 概率判断能力。 医学里很多事情不是“是或不是”，而是“可能性多大、风险多高、下一步怎么验证”。
• 取舍能力。 检查做不做？药加不加？手术现在做还是观察？收益、风险、成本、患者意愿都要放在一起看。
• 沟通能力。 再正确的方案，如果病人听不懂、不相信、做不到，临床效果也会打折。

AI 可以把很多资料摆到桌面上，但最后要有人把桌面收拾清楚。

2. 文书和检索会变轻，但责任链会变重

AI 很适合做病历摘要、时间线整理、检查异常项提取、随访提醒、患者教育材料初稿。它可以把医生从一部分机械劳动里解放出来。

但这里有一条红线：AI 整理的信息必须可追溯。

它说“患者三个月前开始咳嗽”，你要能点回原始记录。它说“无药物过敏史”，你要知道这是来自明确记录，还是因为没看到相关信息。临床里，“没有记录”和“明确没有”不是一回事。工程里这叫 null 和 false 的区别，线上事故里经常死在这里。

AI 让文书变轻，不代表责任变轻。恰恰相反，工具越强，审核链、责任链和追溯链越要清楚。

3. 诊疗会从单次门诊，走向连续照护

很多疾病不是一次门诊能解决的。慢病管理、康复、肿瘤随访、老年病、心理健康，都需要连续观察。

AI 可以在连续照护中发挥作用：提醒复查、收集症状、识别异常、做健康教育、帮助患者理解方案。它会把临床医学从“医院里的一次决策”，扩展到“患者生活中的长期陪伴”。

当然，陪伴不能只是消息轰炸。提醒太多，患者会像我们看到无用告警一样，最后一键关闭。连续照护的关键不是多发消息，而是识别什么时候该提醒，什么时候该升级，什么时候该让医生介入。

4. 科研会从“会用软件”，转向“会提出问题”

AI 可以帮你做文献摘要、整理变量、生成统计代码、润色论文。但研究设计不能外包。

未来临床科研会更依赖数据，也更容易被工具包装得很漂亮。可是一个研究值不值得做，首先不取决于图表好不好看，而取决于问题是否真实、结局是否可测、偏倚是否可控、伦理是否合规。

真实的小问题，常常比空泛的大题目更适合医学生入门：

• 为什么这类患者随访总是中断？
• 某个指标能不能提前提示病情变化？
• 某种治疗在本院患者里效果和指南描述是否一致？
• 某类不良反应是不是被低估了？
• 患者为什么不按医嘱用药，是听不懂、做不到，还是负担太重？

科研的起点不是软件，也不是论文模板，而是问题。

5. 医患关系会从“解释信息”，走向“共同决策”

病人不是一组指标。病人会害怕，会犹豫，会误解，会被家属影响，会在“最佳方案”和“我承受得起的方案”之间摇摆。

AI 越强，患者越容易提前获得大量信息。可是信息多，不等于理解深。很多时候，患者拿着 AI 生成的答案来找医生，不是为了挑战医生，而是想确认：我到底该怎么办？我该担心什么？我能不能承受这个选择？

医生的沟通、人文和共情能力，在 AI 时代不会贬值，反而会升值。因为当信息越来越多，患者更需要一个可信的人帮助他理解、选择和承担。

有些话，模型可以生成；但有些安慰、解释和陪伴，只能由真实的人给出。

三、AI 时代的医生能力结构，会从“记得多”变成“判断稳”

如果把上面五个变化收束一下，临床医生未来的能力结构大概会变成这样：

这张表的意思很简单：AI 最适合当副驾驶。副驾驶可以看地图、提醒限速、报前方拥堵，但方向盘、刹车和责任还在驾驶员手里。

所以医学生从大一开始要练的，不是“怎样把 AI 用得花哨”，而是“怎样成为那个能把关的人”。

四、医学生要适应的，不是一个工具，而是一种新基本功

对医学生来说，AI 时代最危险的误解，是把 AI 当成捷径。

AI 能让你更快完成作业，编程能让你更快处理数据，但医学不是只看作业完成没有、图画得漂亮不漂亮。将来面对病人时，你不能说“模型是这么建议的”，也不能说“代码跑出来就是这样”。病人信任的是医生，不是提示词，也不是 Notebook。

我建议把新基本功拆成六块。

1. 医学地图：先把身体这套系统装进脑子里

临床医学的学习，最怕变成碎片化背诵。今天背一个综合征，明天背一个用药禁忌，后天背一个检查指标。背得很辛苦，但一遇到真实病人，脑子里还是一团麻。

AI 可以帮你解释知识点、生成表格、做记忆卡片，但它不能替你把医学知识长进身体里。

每学完一个疾病，可以用五句话复盘：

1. 这个病本质上是哪套机制出了问题？
2. 最常见表现是什么？最危险表现是什么？
3. 诊断最关键的证据是什么？
4. 治疗的核心目标是什么？
5. 哪些情况会让常规方案失效？

如果这五句话说不清，说明还只是“见过”，没有真正“认识”。

2. 临床问题定义：先问对，再求快

好医生和好工程师有一个共同点：不急着给答案，先确认问题。

程序员排查故障，第一步不是敲命令，而是问：影响范围多大？什么时候开始？最近改了什么？有没有回滚方案？临床也是一样。病人说“头晕”，你要追问时间、诱因、伴随症状、用药、既往史、危险信号，而不是马上让 AI 列十个可能诊断。

AI 会放大你的提问能力。问题清楚，它像助手；问题含糊，它像一本会聊天但不负责任的参考书。

3. 循证阅读：不只看结论，还要看证据怎么来的

指南、共识、论文、药品说明书更新很快。AI 可以帮忙做初筛，但证据不是搜出来就能用。

每读一篇论文，至少问六个问题：

• 它研究的到底是什么问题？
• 人群是谁，和眼前患者像不像？
• 设计类型是什么，能回答什么，不能回答什么？
• 主要结局是什么，是否真正有临床意义？
• 偏倚和混杂因素在哪里？
• 作者的结论，有没有超出数据能支持的范围？

AI 可以做“文献助理”，不能做“证据法官”。医生要保留那点职业性怀疑。没有这点怀疑，工具越快，错得也越快。

4. 数据和编程：少而够用，不要转行式学习

医学生的课业负担已经很重。白天上课、见习、实验、考试，晚上还要背书、读文献、写作业。如果这时候再按计算机专业的路线去学编程，从 C 语言、数据结构、操作系统、编译原理一路啃下来，多半会把自己啃到怀疑人生。

所以目标要收窄：医学生学编程和 AI，不是为了成为算法工程师，而是为了更好地学习、整理数据、读文献、做科研、理解工具的边界。

够用的技术素养，大概是四件事：

• 会整理数据。 能把 Excel、CSV、问卷、随访记录整理成干净表格，知道缺失值、异常值、重复记录是怎么回事。
• 会做基础分析。 能做简单统计、分组比较、可视化，知道结果意味着什么，也知道它不意味着什么。
• 会使用 AI。 能把 AI 当解释器、陪练、文献助理和代码助手，但不让它替自己做医学判断。
• 会守住边界。 知道患者隐私、伦理审批、数据脱敏、引用核验这些红线，不为了图省事把自己推到坑里。

这四件事看起来朴素，却很耐用。就像临床基本功里的问诊、查体、病历书写，不花哨，但关键时候救命。

5. AI 使用边界：会用，也要会停

医学生可以用 AI 帮忙解释概念、拆论文、生成复习题、检查代码、润色表达。但有几件事不能碰：

• 不上传可识别患者身份的信息。
• 不让 AI 代写学术内容。
• 不引用没核对过的文献。
• 不把模型输出当老师、导师或指南的最终意见。
• 不让 AI 替自己完成诊断、治疗、伦理判断和结论承担。

工具再强，也不能替人负责。医学和工程最大的不同是，工程事故有时还能回滚，人的生命不能。

6. 沟通与共情：这不是软技能，是硬实力

将来 AI 可以生成很漂亮的解释材料，但患者真正需要的，常常不是一段完美文字，而是一个可信的人。

医学生越早练沟通越好。不是练话术，而是练三件事：听懂患者真正担心什么，把复杂问题讲到对方能行动，知道什么时候该慢下来。

医学不是只处理疾病，也处理人在疾病中的恐惧、犹豫和选择。

五、第一年快结束了：后面七年怎么走

不同学校的八年制安排不完全一样，课程、见习、实习、博士课题和规培衔接也会有差异。下面这张路线图不按某个学校的教学日历写，而按能力成长来写。你可以根据自己的学院节奏平移。

大一快结束时，最重要的不是懊悔“我这一年是不是不够卷”，也不是立刻冲进某个实验室证明自己。更稳的做法是：先复盘，再布局；先建系统，再抢产出。

1. 先做一次大一收尾复盘

暑假开始前，建议找一个完整下午，做一份自己的“大一体检报告”。

这份复盘不是写给别人看的。它的目的，是让你看见自己真实的位置。医学学习最怕幻觉：以为自己都懂了，一做题就漏；以为自己不行，其实只是方法没调好。

2. 七年路线图：每年有一个主任务

后面七年，不要每年都用同一个目标折磨自己。大二和大八的任务本来就不一样。低年级急着发论文，高年级还不会问临床问题，都会别扭。

这张表不要求每一年都“赢麻了”。它只要求每一年不要空转。

八年制最怕的是前几年只顾考试，后几年突然发现科研、统计、英语、临床问题意识都要补；也怕前几年只顾科研，基础医学和临床判断没有扎稳。比较好的节奏，是每一年都有一个主任务，其他能力做小步维护。

3. 学习主线：从基础课，到临床问题，再到专业方向

后面七年的学习，大概会经历三次转变。

第一阶段，从碎片到机制。大二、大三要把基础医学学成“身体如何运行、哪里会失衡、为什么会出现症状”。这时最有用的笔记，不是大段摘抄，而是机制链。

正常机制 -> 关键结构/分子 -> 失衡点 -> 症状/体征 -> 检查证据 -> 治疗目标

第二阶段，从机制到病例。临床课程和见习开始后，每个病例都可以追问四句话：

1. 最可能是什么？
2. 最危险的是什么？
3. 还缺什么信息？
4. 下一步怎么验证？

第三阶段，从病例到方向。到了博士课题和未来专业选择时，不可能所有方向都深入。你要逐渐回答：我更关心哪类患者？哪类疾病？哪类技术？哪类临床流程？这不是一拍脑袋选专业，而是在几年观察、试错、复盘中慢慢收束。

4. 科研主线：别把论文当起点，要把问题当起点

科研最怕一上来就问：“我能不能发一篇 SCI？”

这句话太急，也太容易把人带偏。对八年制学生来说，科研训练可以分五级走。

注意，这不是让你大二就冲到 L5。低年级把 L1、L2 练扎实，已经非常值钱。很多论文写不顺，不是英语问题，而是问题没问清、变量没定义清、数据流没想清。

大二大三可以多做“科研边角料”：文献表、变量表、数据字典、图表复现、组会纪要。别嫌它们小。科研这座楼，很多时候就是靠这些砖一块一块砌起来的。

5. 导师和团队：选训练，不只选名气

八年制时间长，迟早要面对导师、课题组、方向选择。大一结束到大三这段时间，可以先观察，不必过早绑定。

找老师或师姐请教时，不要上来就问“有没有项目”。更好的方式，是带着准备去问：

老师/师姐您好，我是临床八年制学生，对【方向】有兴趣。
我最近读了【一篇综述/论文】，整理了一页摘要。
想请教三个问题：
1. 这个方向最重要的基础课和方法学是什么？
2. 低年级学生适合从文献整理、变量表、数据清洗还是组会旁听开始？
3. 如果未来想深入这个方向，接下来一年应该补哪些能力？

选团队时，可以看四件事：

• 有没有人愿意教你怎么读文献、怎么提问题，而不是只派活。
• 数据和患者材料是否合规，伦理边界是否清楚。
• 组里师兄师姐的状态是否健康，是否有人能持续成长。
• 老师是否允许你问问题、犯小错、逐步承担任务。

名气当然有价值，但训练更重要。一个只会消耗低年级学生的团队，再有名也要谨慎。

6. 女生要特别记住：温柔不是义务，边界不是冒犯

这一点不只对大一有用，对后面七年都很重要。

临床和科研都有强度。值班、实验、组会、论文、考试压在一起，很容易让人误以为“能扛就是优秀”。但长期看，真正优秀的人不是一直硬扛的人，而是会安排节奏、会求助、会拒绝不合理安排、会保护病人也保护自己的人。

有几条边界越早建立越好：

• 不因为“我是新人”就无限接杂活。可以帮忙，但要知道任务目的、截止时间和学习收益。
• 不因为“女生要细心”就默认承担所有整理、沟通、善后工作。细心是能力，不是免费劳动力标签。
• 不因为某个方向看起来“男生更多”就提前退缩。外科、影像、AI、基础科研、临床试验，先了解，再选择。
• 不把熬夜当荣誉。睡眠、运动、月经周期、情绪波动、社交支持，都是长期战斗力的一部分。
• 遇到让你不舒服的言语、单独约见、越界要求，要相信自己的感受，及时找可信的老师、辅导员、家人或同学商量。

这不是脆弱。医学是一条长路，长路上最重要的能力之一，就是不把自己耗坏。

7. 后面七年最值得保留的五个习惯

如果只能选五件事，我会选这五件：

1. 每天用自己的话讲清一个医学概念。
2. 每周读一篇文章，可以是教材章节、综述或论文，但要写三句话摘要。
3. 每周做一次小数据或小工具练习，哪怕只是整理一张表。
4. 每月和一位高年级同学、老师或医生聊一次，问学习路径和真实工作。
5. 每学期做一次复盘：我学会了什么，我哪里在假努力，我下学期要减少什么。

后面七年真正要赢的，不是朋友圈里的“我好忙”，而是建立一个能长期升级的系统。

六、课业很重，编程和 AI 到底学到什么程度

课业很重时，最怕什么都学一点，最后什么都没留下。今天看 Python，明天看 R，后天看大模型微调，大后天看 AutoML，收藏夹越来越厚，脑子越来越乱。

我建议先用一张表给自己限流。

工具不要贪多。医学生的主业还是医学。编程和 AI 是听诊器旁边的新工具，不是新的信仰。

一个现实的学习节奏

很多学习计划失败，不是因为人不努力，而是因为计划写得像“另一个专业”。医学生不可能每天拿出三小时学编程。真能每天多出三小时，估计第一反应是补觉，不是打开 Jupyter。

更现实的节奏是：每天 20 分钟，每周一个 90 分钟块，每月做一个小作品。

小作品不必宏大。比如：

• 把一份公开示例数据清洗干净，画出年龄分布和主要指标分布。
• 用 AI 辅助精读一篇论文，但每个结论都回到原文核对。
• 把某个疾病的学习笔记整理成“机制、表现、诊断、治疗、风险”五列表。
• 用虚构或公开脱敏数据做一次随访依从性分析。

这叫“事上练”。不是先学完所有语法再做项目，而是在一个小问题里，把语法、统计、医学理解和 AI 使用揉在一起。学得慢一点不要紧，关键是每个月留下一个能回看的东西。

七、适合医学生的 12 周入门路线

如果你完全没有编程基础，不妨用 12 周做一个“够用版入门”。这不是计算机转专业路线，而是一条医学学习和科研辅助路线。

这条路线的关键，不是 12 周后你能写多复杂的代码，而是你开始拥有一种能力：看到一个临床或学习问题，能把它拆成“问题是什么、数据在哪里、怎么处理、怎么验证、风险在哪里”。

八、医学生该怎样向 AI 提问

医学生用 AI，最容易犯的错误是直接问：“帮我解释一下某某疾病。” 这个问题太大，AI 很容易给你一碗看起来营养均衡、其实没什么嚼劲的“知识粥”。

更好的问法，是把任务拆清楚。

我是一名临床医学学生，正在复习【疾病/主题】。
请按以下结构帮我梳理：
1. 正常生理机制是什么？
2. 病理变化发生在哪里？
3. 为什么会出现这些症状和体征？
4. 哪些检查最能支持诊断？哪些结果容易误导？
5. 治疗目标是什么？常见风险是什么？
6. 请最后用一个简单病例考我，并在我回答后再点评。

要求：
- 不要编造指南和文献。
- 对不确定的地方请明确说不确定。
- 涉及具体诊疗时提醒我核对教材、指南或老师意见。

做科研时，也可以这样问：

我想研究一个临床问题：【用一句话描述问题】。
请帮我把它改写成 PICO，并指出：
1. 患者人群是否太宽或太窄？
2. 主要结局是否可测？
3. 可能有哪些混杂因素？
4. 数据收集可能遇到哪些偏倚？
5. 涉及患者数据时需要注意哪些伦理和隐私问题？

请只做研究设计层面的建议，不要替我编数据、编结论或编参考文献。

提示词不是魔法。它的作用，是逼你把问题说清楚。问题越清楚，AI 越像助手；问题越含糊，AI 越像一本会聊天但不负责任的参考书。

九、给医学生的一段提醒：工具只是陪练

如果一个医学生问我，AI 时代最该担心什么，我大概不会先问“你会不会写代码”“你会不会用最新模型”。这些当然现实，但问多了，容易把医学变成工具竞赛，把科研变成打怪升级。

我更想提醒几件慢一点、但更耐用的事。

第一，别急着成为“最会用 AI 的医学生”，先成为“最会问问题的医学生”。程序员都知道，bug 报告写不清，再强的调试器也救不了你。临床也是一样：主诉、病程、诱因、伴随症状、既往史、用药史、检查结果，如果问题没摆正，AI 给出的答案越漂亮，越可能把人带偏。

第二，把医学基本功当成操作系统，不要当成考试资料。操作系统不牢，上层应用跑得再花，也会莫名其妙崩。解剖、生理、病理、药理、诊断学，就是未来临床判断的底层系统。

第三，科研不要只追热点。AI、组学、大数据、影像模型都很好，但题目要从真实临床问题里长出来。一个小而真的问题，胜过十个包装很漂亮、没人真正关心的大题目。

第四，学会保护自己，也保护病人。不要为了效率牺牲隐私，不要为了论文牺牲伦理，不要为了显得聪明而忽视不确定性。

如果父母或老师想帮忙，也不要只催“考试第几名”“论文发了没有”。孩子学医，路长、压力大、竞争强，关心一着急，就容易变成催促。更好的帮助，是陪她建立节奏、复盘习惯、知识管理和身心边界。

这大概也是一个老程序员能给医学生的朴素建议：不要把 AI 当捷径，把它当陪练；不要把科研当装饰，把它当追问真实世界的方法；不要把医学只当职业，把它当一门需要终身修行的手艺。

十、行动清单

如果只留一张表，我会留这张。

再补一份 AI 使用检查清单。每次把 AI 用到学习或科研里，可以过一遍这七问：

• 我有没有输入可识别患者身份的信息？如果有，停下来。
• 我问的问题是否足够具体？是否给了必要上下文？
• AI 的回答有没有给出可核对来源？如果没有，不能直接相信。
• 这个回答有没有可能因为人群、地区、指南版本不同而不适用？
• 我有没有核对教材、指南、说明书或论文原文？
• AI 有没有替我做本该自己完成的判断、写作或结论？如果有，要改回来。
• 如果老师、导师或患者问我“依据是什么”，我能不能不用 AI，自己讲清楚？

最后：医学的未来，不该只有更聪明的机器

AI 会进入临床医学，这是大势。它会改变医生学习、诊断、记录、科研、随访和患者沟通的方式。很多重复劳动会被压缩，很多信息处理会被自动化，很多过去看不见的模式会被发现。

但医学的未来，不该只是更聪明的机器。

医学的未来，还应该有更清醒的医生、更可靠的流程、更透明的证据、更安全的数据、更可理解的沟通，以及更被尊重的患者。

临床医学在 AI 时代的发展，我想可以收成一句话：

让 AI 做放大器，让医生做负责人；让机器处理复杂信息，让人守住复杂生命。

医学生从大一结束往后要准备的，也不是把自己改造成半个程序员，而是在医学基本功之外，多长出一点数据意识、工具意识、证据意识和边界意识。

别小看这些慢功夫。

医学很多时候，就是靠这些慢功夫，重新变得像医学。

本作品采用知识共享署名-非商业性使用-禁止演绎 4.0 国际许可协议进行许可。