AI 不会像你想象的那样取代放射科医生

多年来我们一直在讨论 AI 自动化工作的问题。放射科一直是首要目标，Geoff Hinton 曾宣称：“人们现在应该停止培养放射科医生了，这已经再明显不过了，五年之内深度学习就会做得比放射科医生更好。“有趣的是，他说这番话是在 2016 年。如今对放射科医生的需求比以往任何时候都大，显然事情的发展并不像许多人预期的那样。在这里我要做一个预测：尽管放射科在未来十年会发生变化，但放射科医生不会很快被自动化取代。我将以放射科为例，但我认为这些原则大致适用于任何需求具有弹性、且质量能随智能提升而扩展的领域。

首先，从语言模型的短暂历史中我们已经看到存在一条“智能的锯齿边缘“（jagged edge of intelligence），即 AI 在拥有大量数据的可验证任务上表现出色，但在不常见的任务上表现平平。大多数 AI 研究者对放射科低估的一点是，它实际上是一个极其多任务的领域。仅从 X 光片中就能诊断出至少一百种疾病，而使用 CT 和 MRI 则可达数千种。AI 将首先掌握常见且容易识别的病症，而由于罕见疾病的数据较少，AI 在这些疾病上的表现将不如专家。这条锯齿边缘肯定会随时间不断改善，但这意味着 AI 最初将被用作分诊工具，而非一步到位地实现全自动化。我估计从可靠的分诊工具到完全自动化，最乐观的情况下也需要 3-5 年时间，因为要让 AI 正确处理所有边缘病例，瓶颈在于罕见疾病的数据收集，同时也因为放射科目前并不是前沿实验室的研究重点。

其次，随着单位成本下降，放射科将出现弹性需求。我认为，在人们思考 AI 自动化时，弹性需求（“杰文斯悖论”）是最被低估的现象。在软件领域，这一点很明显——我的需求比以前多得多，因为 Claude Code 让一切都变得如此简单。如今我让 Claude Code 构建一个自定义的三千行 HTML 查看器，帮助我可视化我所做的每一次 RL 实验。放射科也会发生同样的事情。如果解读一个 MRI 几乎没有成本和延迟，医生就可以预防性地安排大量扫描来更好地诊断病情。因此，借助 AI 工具，放射科医生可能只需要读片 20% 的来片量，但来片量可能是原来的 5 倍。许多发展中国家每百万人中不到一名放射科医生，他们也将有大量的放射影像需要解读。

从长期来看，廉价而快速的放射影像解读还将推动建设更廉价放射设备的激励。如果 MRI 的解读延迟几乎为零，医疗器械公司就会想要制造更便宜的 MRI 设备，使其能够更频繁地使用，甚至可以在手术过程中使用。AI 也将加速扫描技术的发展。如果全身 MRI 只要 100 美元，我绝对愿意每个月做一次而不是每两年做一次。我可以想象这样一个世界：如果放射科检查便宜 10 到 100 倍，人们接受的扫描次数将是现在的 10 倍或 100 倍，主要用于预防性医疗。

第三，即使我们真的拥有了一个能超越当今世界顶级放射科医生的模型，那也不意味着放射科的工作就此终结。医学是一个不断变化的领域。我们可能会开发出新的治疗方案，要求以放射科医生目前不熟悉的方式来解读影像。新的扫描设备可能会发现我们目前无法仅凭放射影像诊断的疾病。一些放射科医生会从读片转向前沿研究，推进我们对放射学的理解，并将新知识转化为更新的模型。

此外，我确信我们对 AI 模型的期望将比以往任何时候都高。有了良好的飞轮效应，我们有一天可能会训练出能利用放射影像预测远期疾病概率的 AI 模型。借助先进的预测算法，癌症可能会比现在早几个月被检测到。社会将在这一领域投入大量资源，这将进一步推动放射科及其最佳 AI 的需求增长。

除此之外，医疗体系通常比科技公司更缓慢地采用新技术，且监管更多。存在遗留基础设施问题，医疗中心还需要持续为患者提供服务，这使得新技术的整合变得困难。在发展中国家尤其如此。此外，由于 HIPAA、去标识化、IRB 等因素，数据获取往往受到限制。因此我认为放射科医生在相当长一段时间内仍会有需求。

虽然有人担心放射科会被完全自动化，但我认为放射科正在迎来前所未有的更令人兴奋的未来——一个需求更大、我们对智能的预测能力提出更高要求的未来。这类似于我们许多人对编程的感受：尽管领域发生了剧烈变化，编程将比以往更加繁荣。更广泛地说，任何需求具有弹性、且质量能随智能提升而扩展的领域，都会像放射科一样，随着 AI 的发展而蓬勃发展。这无疑比 Hinton 在 2016 年描述的未来更加令人兴奋，也更加复杂和 nuanced。

（最后，为了公平起见，Hinton 在最近的一次播客中确实承认自己错了，他也认同弹性需求的观点。）

感谢 @JayRothschild 和 @engyziedan 对本文的反馈。