AI不会取代放射科医生？弹性需求才是关键

从Hinton的预言说起

2016年，Geoffrey Hinton曾公开表示：“人们应该停止培训放射科医生了，五年内深度学习在阅片上的表现就会超过人类。”如今十年过去，现实走向了相反的方向——放射科医生的需求比以往任何时候都高。一位AI研究者在Twitter上以此为引，展开了一场关于AI与就业的深度推演，并给出了一个核心判断：放射科不会在短期内被自动化，弹性需求将改写结局。

这个判断的价值不止于放射科。作者认为，任何“需求具备弹性、质量能随智能提升而扩展”的领域，都会遵循相似的逻辑。理解这一点，比争论“AI会不会抢工作”更有意义。

智能的锯齿边缘：AI先做分诊，而非全面替代

放射科是多任务，而非单一任务

大多数AI研究者低估了放射科的复杂性。仅凭X光片就能诊断至少上百种疾病，CT和MRI则涉及数千种。AI会率先掌握常见、易识别的病症，但在罕见病上远不如专家——原因很简单：罕见病的数据量天然稀缺。

这就是“智能的锯齿边缘”（jagged edge of intelligence）：AI在有大量数据、可验证的任务上表现出色，在低频任务上则不尽如人意。作者预测，AI在放射科的第一步是作为分诊工具（triage tool），而非一次性全面自动化。从可靠的分诊工具走到全面自动化，最乐观也需要3-5年，瓶颈在于罕见病数据的收集，以及前沿实验室目前并不把放射科作为主攻方向。

数据瓶颈与聚焦度

这一点常被忽略：模型能力的提升速度，取决于数据采集的进度。罕见病病例分散在各家医院，受限于隐私法规和审批流程，聚合难度极大。即便算法架构突飞猛进，数据侧的限制依然会拖慢全面替代的节奏。

HIPAA（Health Insurance Portability and Accountability Act）是美国1996年颁布的联邦法律，其中隐私规则对受保护健康信息（PHI）的使用和披露作出了严格规定。在AI医疗影像研究中，这意味着训练数据必须经过去标识化处理，且跨机构数据共享往往需要签署商业伙伴协议或经过机构审查委员会（IRB）批准。IRB是对涉及人类受试者的研究进行伦理审查的独立委员会，其审批流程通常耗时数月。这些法规和流程虽然保护了患者隐私，但也显著提高了多中心、大规模医疗数据聚合的门槛，成为AI在放射科全面落地的重要非技术瓶颈。

弹性需求：被低估的自动化反作用力

杰文斯悖论的现实版本

作者认为，弹性需求（杰文斯悖论）是人们在讨论AI自动化时最被低估的现象。在软件领域，这一点已经显而易见：有了Claude Code，作者会顺手让它生成三千行的HTML查看器来可视化每一次强化学习实验——需求因为成本降低而膨胀。

放射科同理。如果解读一次MRI的边际成本趋近于零，医生会倾向于提前开具更多扫描以辅助诊断。假设AI让放射科医生只需阅读20%的入院扫描，但扫描总量可能增长5倍，总工作量未必下降。许多发展中国家每百万人拥有的放射科医生不足一名，这些被压抑的需求一旦释放，会进一步推高总体阅片量。

杰文斯悖论（Jevons Paradox）源自19世纪经济学家威廉·斯坦利·杰文斯对煤炭消耗的观察：当蒸汽机效率提高、煤炭使用成本下降时，英国的总煤炭消耗量不降反升。原因在于，效率提升降低了单位产出的资源成本，从而刺激了更大规模的生产和消费，最终抵消甚至超过了单次使用节省的资源。在AI与就业的讨论中，这一悖论意味着：某项任务自动化程度提高、成本下降，未必导致该任务的总人力需求减少，反而可能因为需求被释放和扩大而增加总工作量。放射科正是这一逻辑的典型场景——阅片成本下降会刺激扫描量增长，从而维持甚至推高对放射科医生的总体需求。

更便宜的扫描仪与预防性检查

更长期看，廉价快速的阅片能力会反向激励扫描设备的降价。如果MRI阅片几乎没有延迟，设备厂商就有动力开发更便宜、使用更频繁的MRI，甚至术中实时使用。作者直言：如果全身MRI只要100美元，他愿意每月做一次，而不是两年一次。若放射科成本降低10到100倍，人们的扫描次数可能增长10到100倍，主要用于预防性护理。

医学在变，问题也在变

新疗法与新扫描仪创造新任务

即便某天出现超越顶尖放射科医生的模型，放射科的工作也不会终结。医学是变化的领域：新治疗方案可能需要以现有医生不熟悉的方式解读影像；新扫描仪可能揭示今天单靠放射科无法诊断的疾病。部分放射科医生的工作重心会从阅片转向前沿研究，把新知识转化为更新后的模型。

对AI提出更高的要求

作者预计，社会会要求AI模型做得更多——比如利用影像预测远期的疾病概率。若预测算法足够好，癌症可能比现在提前数月被发现。这类研究会吸引大量投入，反过来进一步推高对放射科和顶尖AI的需求。

分诊工具（triage tool）在放射科场景中，指的是AI系统对影像进行初步优先级排序——例如将疑似危急病例（如气胸、颅内出血）标记为高优先级，供放射科医生优先阅片，而非直接给出最终诊断。这种模式的优势在于：AI无需达到专家级全面诊断能力，只需在特定高频任务上表现可靠，即可嵌入现有临床工作流，提升效率并降低漏诊风险。分诊定位也契合“智能的锯齿边缘”特征——AI在常见、数据充足的病症上表现优异，而将罕见病和复杂病例留给人类专家，形成人机协作的过渡形态。

系统惯性与监管现实

医疗系统的技术采纳速度通常慢于科技公司，监管更重，遗留基础设施多，医疗中心还必须持续支撑患者运转，集成新技术的难度不小。发展中国家尤其如此。再加上HIPAA、去标识化、IRB审查等限制，数据获取天然受限。这些现实因素决定了放射科医生在相当长时间内仍会被需要。

一个更值得期待的未来

作者的结论并不悲观，反而更积极：放射科的未来需求更多、对智能预测能力的要求更高。这与编程领域的感受类似——尽管变化剧烈，编程活动本身反而更繁荣。

公平地说，Hinton在近期一档播客中也承认自己当年的判断有误，并认同弹性需求的论点。这场跨越十年的预测修正提醒我们：讨论AI与就业，不能只看“AI能否胜任”，还要看“成本下降后人类会要多少”。后一个问题，往往才是决定性的。