Jason Wei：放射科医生不会很快被AI取代，因为需求会随AI扩张

过去几年，人们常把放射科当作AI取代工作的典型例子。Geoff Hinton在2016年曾断言，人们应该停止培养放射科医生，因为五年内深度学习就会做得比放射科医生更好。Jason Wei在这篇博客中给出的判断更谨慎：放射科会在未来十年发生变化，但放射科医生不会很快被自动化取代。他的核心观点不是AI能力不足，而是放射科的工作结构会先让AI成为分诊工具，而不是一次性替代全部读片工作。

第一个机制是“智能的参差边界”。Jason Wei指出，语言模型在可验证、数据充足的常见任务上表现突出，但在少见任务上仍不稳定。放射科并不是单一任务，而是极其多任务：仅X光片就可能涉及至少上百种可诊断情况，CT和MRI则涉及数千种。AI会先掌握常见、容易发现的疾病，而不会因为模型整体变强就自动擅长罕见病。他认为，从可靠分诊工具走到完全自动化，最好情况下也要三到五年，因为边缘病例的训练会被罕见病数据收集卡住，而且放射科目前并不是前沿模型实验室的优先方向。

第二个机制是弹性需求，也就是“杰文斯悖论”。Jason Wei认为，这是人们讨论AI自动化时最被低估的现象。他以自己使用Claude Code为例：当编码成本降低后，他会要求模型写一个约三千行的HTML查看器，用来可视化自己每次强化学习运行，这说明软件工作并没有因为AI变强而需求下降，反而让更多以前不值得做的工具变得可行。放射科也可能如此：如果MRI读片的成本和延迟接近于零，医生会更愿意提前开具更多检查来辅助诊断。他给出的示意性判断是，AI工具可能让放射科医生只读百分之二十的来片，但来片量可能增加五倍。许多发展中国家每百万人不足一名放射科医生，也可能把更多影像送去解读。

Jason Wei进一步把这种需求扩张推到更长期。如果影像解读几乎不增加等待时间，医疗设备公司会有动力制造更便宜、更高频使用的MRI设备，甚至可能在手术过程中使用。他还提出一个假设：如果全身MRI只要一百美元，他愿意每月做一次，而不是每两年做一次。这不是已经发生的事实，而是他用来展示弹性需求的例子。按照这个逻辑，放射科价格下降十倍或百倍后，预防性检查数量可能大幅上升，放射科工作并不会因为单次读片被自动化而消失。

第三个机制是医学本身会变化。即使今天出现一个能超过全球最好放射科医生的模型，放射科工作也不会结束。新的治疗流程可能要求医生以当前不熟悉的方式阅读影像，新的扫描设备也可能揭示今天仅靠放射学无法诊断的疾病。Jason Wei认为，一部分放射科医生会从读片转向前沿研究，把新知识转化为更新模型。与此同时，社会还会要求AI做更多事情，例如利用影像预测未来疾病概率，让癌症比现在更早数月被发现。这种预测能力若形成飞轮，反而会进一步增加对放射科和AI系统的需求。

医疗制度也会拖慢完全替代。Jason Wei提到，医疗系统通常比科技公司更慢采用新技术，监管更多，遗留基础设施更复杂，医疗机构还必须持续服务患者。数据访问也受隐私和伦理审查限制。这些因素不证明放射科医生永远不会被替代，但说明替代不会只是模型指标超过医生后的瞬间切换。

这篇博客最有用的地方，是把“AI会不会取代放射科医生”从一个情绪化问题拆成几个可检查条件：任务是否高度多任务，罕见病例是否有足够数据，单位成本下降后需求是否会扩张，医疗制度能否吸收新工具，以及医生工作是否会转向研究和模型更新。Jason Wei的结论是，放射科会更繁荣，而不是简单消失；他把编程也作为类似例子，认为领域会剧烈变化，但需求和质量上限同时提高时，专业工作仍会存在。

这个判断的边界也很明确。它是Jason Wei的预测和机制解释，不是已经验证的就业数据或医疗市场结果。如果罕见病数据瓶颈被快速解决，模型泛化能力超过他的估计，或者医疗支付制度改变使更多检查并不转化为放射科医生岗位，放射科工作仍可能大幅减少。但反过来，若只因为模型在常见影像任务上变强就断言放射科医生很快失业，也会忽略分诊先于全自动、以及弹性需求扩大工作量这两个关键机制。