Thrun 设想的世界是这样的：在这里人类时刻处在诊断机器的监控下，我们的手机能通过语音模式的转变发现老年痴呆症的先兆，而方向盘则能通过手部的迟钝和抖动来确定人是否有可能患上帕金森症。在洗澡时，浴缸则会通过无害的超声波或磁共振来执行扫描工作，并以此来判断女性卵巢中是否有需要检查的部位。大数据会注视、记录并时刻对你的身体状况进行评估，我们将在不同算法的眼皮底下生活。一旦进入了 Thrun 设想的世界，就进了满是诊断镜的大厅，这里的检测项目一个接着一个。
这样的愿景确实让人心生向往，不过这样的医学“全景监狱”能通过无死角甚至细小到细胞的扫描来提前探知癌症的出现吗？它能为癌症检测带来什么突破吗？听起来好像一如反掌，但这里却有个大坑：许多癌症都属于自限性疾病，我们会与它们一起死去，而不是被它们害死。一旦这种诊断引擎诞生，医生可能会突然多出数百万不必要的活检任务。在医学上，早期诊断可以挽救或延长生命。但有时，你会陷入恐惧之中，根本无法享受最后的时光，因此人对诊断结果的接受程度根本无法精确拿捏。
当被问到这种系统对人体诊断的影响时，Thrun 表示：“我对放大人类能力方面感兴趣。机械化的农业确实消除了一些传统的农业形态，但它却提高了我们的农业生产力。事情都有好有坏，不过新型态的农业确实能养活更多人了。”工业革命就增强了人类肌肉的力量，当我们用手机时，人类语言的力量也得到了放大。毕竟用肉嗓子喊，纽约的人可听不到加州的声音。”Thrun 和笔者当时就身处两地。“你手中的这个小方块让人的声音能快速传递 3000 英里，它替代人类声音了吗？当然没有，它只是人类声音的放大器。未来，认知革命将让计算机将以同样的方式增强人类的思维能力。就像机器使人类肌肉增强了一千倍一样，机器也将令人类的大脑变聪明一千倍。”Thrun 坚持认为深度学习设备不会取代皮肤病医生和放射科医生，它们会成为专家们的力量倍增器，为他们提供专业知识和必要的辅助。
Hinton：医院不用培养放射科医生了
Geoffrey Hinton 是来自多伦多大学的计算机科学家，他对学习机器在临床医学中的作用看的也很重。Hinton 是著名数学家 George Boole 的玄孙，后者发现的布尔代数是数字计算的关键基石，有时人们甚至称他为深度学习之父。Boole 在 19 世纪 70 年代中叶开始研究相关课题，他的许多学生都成了该领域的超级大牛。
“我觉得如果你是个放射科医生，那其实你就像动画里的 Wile E. Coyote（歪心狼）。”Hinton 说道。“你已经冲的太快飞下了悬崖，但自己都不知道往下看看，下面已经没路了。”专用于乳腺和心脏造影的深度学习系统已经完成了商业化开发。“毫无疑问，五年之内深度学习的诊断能力就会超过放射科医生。当然，也可能需要花十年，我此前就曾亮明这一观点，但许多人不愿接受。”
当年 Hinton 的观点很直率，他在医院表示：“医院无需继续训练放射科医生了。”笔者拿这个问题询问 Angela Lignelli Dipple 时她表示，放射科医师可不是仅仅在做“是或不是”的分类工作。除了定位导致中风的栓塞，他们还在关注其它地方的小出血，这些小出血可能会令溶栓药物的使用造成灾难性的后果。他们在寻找一种意料之外的、或许依然处于无症状状态的肿瘤。
现在，Hinton 确实有资格说这话。“放射科医生的职责将从完成感知任务变成解决认知任务。”他对医学未来的预测是基于一个简单的原则，即“如果你掌握某种旧式分类问题的大量数据，那么就考虑去解决它吧，而深度学习就能完成这个任务。到时会有数以千计的深度学习应用程序出现。”他想用深度学习算法来分析 X 光片，CT 扫描和核磁共振等医学数据。不过这只是近期规划，未来“深度学习算法将做出病理学诊断。”它们能看懂 Pap 涂片，也能听懂心跳或预测精神病患者复发的可能性。
随后，笔者还与 Hinton 探讨了黑箱问题。虽然计算机科学家也在努力找答案，但 Hinton 明确表示那些试图打开黑箱，或找出深度学习系统到底如何学习技能的努力都是微不足道的，谁要是说自己解决了黑箱问题，一定是在骗人。