Hinton 现在有资格发起挑衅。他告诉我：「放射科医生的角色将从做一些感知任务——受过高度训练的鸽子也可能能完成的这种任务——演变为做更多的认知工作」。他对于自动化医学未来结局的预测是基于一个简单的原则：「如果你拥有关于某旧式分类问题的大量数据，那么就考虑去解决这个问题吧，深度学习将会做到这一点。那时会有数以千计的深度学习应用程序出现。」他想利用学习算法来读取各种各样的 X 射线、CT 扫描和核磁共振——而这只是他所认为的近期前景。在未来，他说，「学习算法将会从事病理诊断」，它们可能会阅读 Pap 涂片、听心脏的声音或是预测精神病患者复发的可能性。

我们讨论了黑箱问题。虽然计算机科学家们正在研究它，但是 Hinton 承认，这些挑战——打开黑箱和试图找出到底这些强大的学习系统知道些什么以及它们是如何知道的——是「微不足道的——不要相信任何人的话。「不过，这是一个他认为我们可以学会去适应的问题。他说：「想象在某场比赛中，一名棒球运动员与一名物理学家对抗以确定球可能在哪着陆，」他说。「棒球运动员一次又一次地抛了一百万次球，他可能不了解任何方程式，但是他知道球到底会有多高、能达到多大的速度以及它会降落到地面的位置。物理学家可以写方程式来判断同一件事物。但是二者终将殊途同归。」

我回顾了计算机前辈在钼靶检查中使用计算机辅助检测和诊断的令人失望的结果。Hinton 承认，任何新系统都需要通过严格的临床试验进行评估。然而，他强调，新的智能系统是为了从其错误中吸取教训——从而可以随着时间的推移而改进。「我们可以在一个会关注每个错过的诊断——最终患肺癌的病人——并将其反馈到机器系统中来建立检测与诊断机制。我们可以问，你错过了什么？你能细化诊断吗？没有针对人类放射科医生的这种系统。如果你遗漏了某件事，然后 5 年后你的一个病人患上了癌症，那么这就没有系统的例行程序来告诉你如何纠正自己。但是你可以在一个系统中建立这种机制来教计算机实现这一目标。」

一些最雄心勃勃的诊断机器学习算法版本寻求将自然语言处理（让算法可以查看病人的医疗记录）与从教科书、期刊和医学数据库获得的医疗方面的百科知识整合起来。总部设立于马萨诸塞州剑桥市的 IBM Watson Health 和总部设在伦敦的 DeepMind 都希望建立这样的综合系统。我看到一些这样的系统正处于试点示范运行中，但它们的许多功能——特别是深度学习组件仍在发展中。

Hinton 对于深度学习诊断的未来充满激情，这部分是由于他自己的经验。当他正在开发这种算法时，他的妻子被发现患有晚期胰腺癌。他的儿子被诊断出患有恶性黑色素瘤，但随后活检显示该病变是一个基底细胞癌，是一种不太严重的癌症。「这里还有很多东西需要学习，」Hinton 说，轻轻地叹了一口气。「准确的早期诊断并不是一个简单的问题。我们可以做得更好。为什么不让机器帮助我们呢？」

五

在一个冰冷的三月的清晨，在我与 Thrun 和 Hinton 谈话的几天之后，我去了位于曼哈顿第一大街 50 号的哥伦比亚大学的皮肤诊所。主治医师 Lindsey Bordone 那一天原定要看 49 个病人。然而到了十点钟，候诊室却里挤满了人。一个 60 岁左右留着胡子的男人坐在角落里，用一条羊毛围巾把脖子上的皮疹掩盖起来。一对焦虑的夫妇蜷缩着在看《时代》杂志。

Bordone 看着病人接二连三地赶来。在一个由荧光灯照明的里屋内，一个护士坐在一台计算机前说了一句话总结到：「50 岁，先前没有诊断史，皮肤上有新的可疑点」——然后 Bordone 冲进诊疗室，她金色的头发在风中飞扬着。

一个 30 多岁的年轻人脸上有鳞屑红疹子。Bordone 打量着这个年轻人，他的皮肤剥落了并从鼻子上掉下来。Bordone 把他拉入灯光下仔细检查了他的皮肤，然后用手持皮肤镜对其进行观察。

「你的头发里有头皮屑吗？」她问。

这个男人看起来很困惑。「当然，」他说。