1. 首頁 > 生活百科 > >

Hinton預言錯了，年薪狂飆52萬美元，AI沒有「干掉」放射科醫生

芯片aigpu算力

Hinton預言錯了，年薪狂飆52萬美元，AI沒有「干掉」放射科醫生

文章圖片

Hinton預言錯了，年薪狂飆52萬美元，AI沒有「干掉」放射科醫生

文章圖片

Hinton預言錯了，年薪狂飆52萬美元，AI沒有「干掉」放射科醫生

文章圖片

Hinton預言錯了，年薪狂飆52萬美元，AI沒有「干掉」放射科醫生

2016年 ， Hinton曾建議停止培訓放射科醫生 ， 因為他們在未來五年中很可能被AI取代 。 如今已快九年 ， 美國放射科醫生不僅沒有被AI取代 ， 而且還以52萬美元的平均年薪成為全美第二高薪的醫療專業 ， 崗位數量也創下歷史新高 。
「我們現在就應該停止培訓放射科醫生了——再過五年 ， 深度學習的表現就會比他們更強 。 」
2016年 ， 在多倫多大學一場關于機器學習的會議上 ， 「AI之父」Geoffrey Hinton如此預言道 。
隨后 ， Frank Chen在X平臺上轉述了這一觀點 。
Hinton第一任妻子Rosalind在1994年因患卵巢癌去世 ， 這促使他長期關注「AI+醫療」（尤其是癌癥早篩與醫學影像）領域 。
然而九年即將過去 ， Hinton預言不僅未能成真 ， 現實甚至朝著相反的方向發展：
2025年 ， 美國放射科醫生的數量再創新高 ， 同時平均年薪較2015年增長48% ， 成為全美第二高薪的醫療專業 。
特斯拉前AI部門總監、OpenAI創始團隊成員Andrej Karpathy在X平臺上轉發一篇「AI不會取代放射科醫生」的博文 ， 指出Hinton預言落空的原因 。
Hacker News中有一篇「對人類放射科醫生的需求達到歷史新高」熱帖 ， 一名放射科醫生在下面留言：
AI在讀取診斷圖像上可能比放射科醫生做得更好 ， 但它并不會因此取代放射科醫生 。

AI為什么替代不了放射科醫生？理論上 ， 放射學應當是最容易被AI替代的職業之一 。
因為它擁有數字化圖像、明確的評估標準和可重復的任務 。
這也是Hinton在2016年提出「應停止培養放射科醫生」這一觀點的重要背景 。
也是在2016年以后 ， 美國的AI醫療器械迎來了快速發展 。
比如 ， 2017年發布的CheXNet ， 僅需一塊普通消費級GPU即可運行 ， 可在一秒內完成對新影像的分類 。
【Hinton預言錯了，年薪狂飆52萬美元，AI沒有「干掉」放射科醫生】還有模型可以在多種影像中檢測出上百種疾病 ， 并在基準測試中展現出比人類更高的速度和準確率 。
少數模型 ， 甚至已獲準在無人醫生審閱圖像的情況下獨立工作 。
放射科占據了FDA每年核準的AI醫療器械數量的絕大多數
從上圖可以看出 ， 在1995年—2015年這二十年間 ， 幾乎沒有AI醫療器械獲批 。
2016年后增長明顯加速 。 2024年 ， 所有獲批的AI醫療器械中 ， 有78%屬于放射科 。
即便如此 ， 放射科就業并未遭受到AI的強烈沖擊 ， 正好相反：
2025年美國放射學診斷住院醫師項目提供了創紀錄的1208個名額 ， 較2024年增長4% 。
放射科醫生以平均年薪52萬美元成為全國第二高薪的醫療專業 ， 比2015年增長了48% 。
每年幾乎所有放射科住院醫師名額都能被申請者填滿
從上圖可以看出 ， 從2013年—2025年的大多數年份里 ， 未填補名額只占很小一條粉色帶 ， 說明放射科崗位幾乎年年被填滿 。
背后原因主要有三個：
實際場景性能下降：模型在醫院的真實環境中 ， 很難復現在標準測試中的成績 。 一旦脫離測試環境 ， 性能往往急劇下降 。
法律阻力：監管機構和醫療保險公司普遍不愿批準或支付完全自主運行的放射學AI 。
作用有限：即使模型的診斷正確 ， 但這只覆蓋了放射科醫生工作的很小一部分 。 還有大量的工作如與患者或同事交流、監督掃描過程、教學培訓等無法覆蓋 。

AI只覆蓋了放射科臨床的冰山一角大多數模型只能識別一個發現 ， 且僅限于一種影像類型 。
比如一個模型可能用于查看胸部CT ， 或被用于評估冠狀動脈鈣化評分 。
這意味著每個問題都需要一個單獨模型 。 醫生一天的日常工作 ， 也可能需要在幾十個模型之間切換 。
而且這些模型 ， 往往來自不同廠商 ， 彼此之間是相互獨立的 。
結果往往仍停留在逐點回答 ， 難以形成對影像的整體性解讀 。
不僅如此 ， 在目前FDA已批準數百種影像AI中 ， 加在一起所覆蓋的臨床任務仍只是冰山一角 。
它們大多集中在中風、乳腺癌和肺癌等少數幾個場景上 ， 其它專科如血管、頭頸、脊柱和甲狀腺影像則嚴重缺乏模型 。
這主要仍是受制于數據問題 。
許多AI在訓練時使用的是極其有限的數據源 ， 這導致它們在訓練醫院以外的場景使用時常常「水土不服」 。
在這些場景中它們表現下滑幅度甚至可高達20個百分點 。
此外 ， 目前的放射學AI模型更適用于簡單的病例 ， 在面對真實世界中復雜、模糊的病例就顯得十分吃力 。
一位放射科醫生曾表示：他們用的模型會把圖像中出現的手術釘誤判為出血 ， 僅僅是因為金屬的亮線被誤認為是異常影像 。
此類情況往往需要醫生結合患者背景與臨床信息作出綜合判斷 。
此外 ， 訓練數據集中往往缺乏兒童、女性和少數族裔的病例 ， 使得模型在這些群體中的表現更差 。

兩大挑戰 監管門檻與保險限制現實中 ， 監管門檻和保險限制仍是兩大障礙 。
FDA將影像AI分為「輔助」和「自主」兩種類別：輔助類必須由醫生簽字確認 ， 而自主類則無需醫生介入 。
自主類AI對模型能力的要求極高：它們必須能夠證明當圖像模糊、掃描設備異常 ， 或任務超出模型能力時 ， 自己可以自動拒絕判斷 。
因為一旦人類退出流程 ， 一個模型bug在沒人監督的情況下可能連續誤診成千上萬患者 。
即便是目前最強的視覺神經網絡 ， 在低對比度、角度不規整或偽影干擾嚴重時仍容易出錯 。
以IDx-DR為例 ， 它是少數獲得批準的自主模型之一 ， 但也對它的使用做出了嚴格限制 ， 比如：
只可用于成人患者；
要求高質量圖像、無糖尿病視網膜病變史；
一旦圖像模糊或瞳孔過小 ， 就要立即中止判斷并轉診醫生 。
這些限制讓模型的市場推廣進度遠遠落后于技術進展 。
此外 ， 保險限制也是一個重要制約因素 。
即使是監管獲批 ， 保險公司也并不愿為AI誤診買單 ， 因此多數合同條款都明確注明只對持證醫生簽署報告提供賠償 。
Berkley甚至在政策中直接寫明「完全排除 AI 風險」 。
這意味著 ， 美國醫院想要全面采用AI獨立診斷 ， 必須證明其降本增效的結果足以抵消制度風險 。
2024年調查顯示 ， 僅48%的放射科醫生實際在工作中使用AI；2025年調查顯示 ， 只有19%的醫院在試點AI項目時取得「明顯成功」 。

「杰文斯悖論」 AI越強 ， 醫生越忙即使AI能做到完全獨立閱片 ， 但這并不會解放放射科醫生 ， 反而可能會讓他們更忙 。
經濟學上有一個「杰文斯悖論」：效率提升后 ， 使用量反而上升 。 即當任務變得更快、更便宜時 ， 人們就會更多使用它 。
比如當全身CT技術更快、更便宜時 ， 關于掃描的需求也隨之激增 。 同樣 ， 更強的AI ， 也將帶來更多的掃描 。
放射科醫生的工作遠不止「看片子」
在對加拿大溫哥華幾家醫院的一項小樣本研究中 ， 統計了放射科醫生在工作日的時間分配比例：
醫生僅用36%的時間處理影像本身 ， 更多時間用于監督檢查過程、與臨床醫生和患者溝通、教學以及調整掃描方案 。
這意味著 ， 即使AI在影像解讀上更高效 ， 反而也可能為放射科醫生帶來更多工作 ， 比如監督AI工作 ， 或者將更多精力投入到影像解讀之外的工作 。
這也解釋了為什么AI并沒有令放射科醫生失業 ， 反而他們的人數和收入都在持續上漲 。
現實中 ， 僅靠更強的模型 ， 無法完全覆蓋現實醫療場景的需求以及社會監管要求 ， 這使得AI在醫療行業的普及中 ， 更多依賴「人機協同」模式 ， 而非簡單地替代人類 。
好處是 ， 放射科醫生暫時不用太擔心失業了 。
但壞處是 ， 他們可能要更忙了——
AI越強 ， 醫生越忙 。
參考資料：
https://www.worksinprogress.news/p/why-ai-isnt-replacing-radiologists
本文來自微信公眾號“新智元” ， 作者：新智元 ， 36氪經授權發布 。

    推薦閱讀