GitHub Radar

Jason Wei 這篇短文以放射科為例，討論 AI 對工作的衝擊。他開頭引用 Geoff Hinton 2016 年的說法：「大家應該現在就停止訓練放射科醫師，五年內深度學習顯然會比放射科醫師做得更好。」然而如今放射科醫師的需求比以往更高。他預測放射科在未來十年會改變，但放射科醫師不會很快被自動化取代，而且這些原則適用於任何「需求有彈性、品質可隨智慧提升而擴展」的領域。

第一：智慧的鋸齒邊緣

語言模型的短暫歷史顯示，AI 在資料多、可驗證的任務上表現出色，在罕見任務上則不盡理想。許多 AI 研究者低估了放射科的「多任務」程度：光是 X 光就能診斷至少上百種病症，CT 與 MRI 更有數千種。AI 會先掌握常見、容易看出的病症，罕見疾病則因資料少而不及專家。因此 AI 一開始會是分流工具，而非一步到位的全自動化。他估計從可靠的分流工具走到全自動化，最樂觀也要 3 到 5 年，因為罕見疾病的資料收集是瓶頸，而且放射科目前也不是前沿實驗室的重點。

第二：彈性需求

他認為彈性需求（Jevons paradox）是人們思考 AI 自動化時最被低估的現象。以軟體為例，Claude Code 讓寫程式變得極容易，他自己的需求因此大增，例如請 Claude Code 寫一個三千行的 HTML 檢視器，來視覺化他做的每一次 RL 實驗。放射科也會如此：若判讀 MRI 幾乎沒有成本與延遲，醫師就能預先多開幾次檢查。於是放射科醫師也許只需親自判讀 20% 的影像，但影像量可能變成五倍。許多開發中國家每百萬人不到一位放射科醫師，同樣會有大量判讀需求。

長期來看，便宜又快速的判讀也會促使廠商打造更便宜的掃描儀，甚至能在手術中使用的 MRI，AI 也會加速掃描技術本身的發展。他說如果全身 MRI 只要 100 美元，他會想每個月做一次，而不是兩年一次；若放射科便宜 10 到 100 倍，人們的掃描次數可能是現在的 10 到 100 倍，主要用於預防醫學。

第三：醫學一直在變

即使今天就有勝過全球頂尖放射科醫師的模型，放射科的工作也不會結束。新的治療方案可能需要醫師不熟悉的讀片方式，新的掃描儀可能揭露目前無法診斷的疾病，部分放射科醫師會轉向前沿研究，並把新知識轉化為更新的模型。人們也會對 AI 提出更多要求，例如用影像預測遠期的疾病機率、比現在提早數月發現癌症，這類研究投資會進一步推高對放射科與頂尖 AI 的需求。

第四：導入速度與法規

醫療體系採用新技術通常比科技公司慢、法規更多，有舊基礎設施，又必須持續照顧病人，整合新技術很困難，開發中國家更是如此。HIPAA、去識別化、IRB 等因素也限制了資料取得。

結論

他認為放射科會迎來比以往更令人興奮的未來：需求更大，人們也要求智慧提供更強的預測力，就像許多人覺得程式設計儘管劇變仍會比以往更興盛。任何需求有彈性、品質可隨智慧提升的領域都會如此，這比 Hinton 2016 年描述的未來更細緻也更令人興奮。文末他補充，Hinton 在近期一集 podcast 中也承認自己錯了，並同意彈性需求的論點。