VOLOVLO职业自动化风险与转型导航
问 VOLO职业专业企业创业者近期变化方法与证据搜索职业、专业…EN
VLO
VOLO

理解自动化如何改变工作 —— 逐个任务地看,证据摆出来,不确定的地方承认不确定。

问 VOLO职业专业企业创业者近期变化方法与证据关于岗位诊断隐私条款
© 2026 VOLO
职业
全部职业
AI / 软件
翻译 / 口译银行柜员文案客服行政助理测试工程师平面设计师律师助理视频剪辑师会计 / 记账市场营销专员前端工程师数据分析师保险理赔员初级程序员人力资源 / 招聘金融分析师记者销售 / 客户经理房产中介 / 地产经纪审计师后端工程师产品 / UX 设计师业务系统与流程负责人放射科医生数据工程师律师算法 / 机器学习工程师中高级软件工程师产品经理药师业务合作 / 渠道经理建筑师一线主管 / 团队管理者心理咨询师中小学教师护士企业 AI 落地负责人
RPA / 自助化
运营专员 / 业务运营
机器人
收银员 / 零售店员仓储分拣员流水线装配工厨师电工
自动驾驶
网约车 / 出租车司机卡车司机外卖骑手 / 快递员
专业
全部专业英语 / 外语计算机科学会计学心理学新闻传播金融学 / 经济学法学视觉传达设计市场营销护理学工商管理教育学 / 师范建筑学
指南
问 VOLO企业创业者近期变化岗位诊断方法与证据关于站内搜索
你在看:我在工作我在读书我在经营公司我在做东西
本页任务拆解它是怎么走到这里的近期变化对你意味着什么方法与来源
职业›放射科医生

放射科医生

读影像来回答一个临床问题 —— 并为那个答案签字,包括为没有人想到要问的那部分签字。

radiologist看你的选择 ↓医疗健康评估于 2026-09-12
自动化影响指数
51/100
低置信度 · 不是失业概率
正在自动化的任务
1/ 6 项
2 项正在被增强
仍由人主导
2/ 6 项
1 项新任务
有证据支撑的判断
0/ 6 项
0 条已核实记录
51/100
自动化影响指数低置信度

这不是失业概率。它把「岗位任务中有多少暴露于自动化」与「采用实际走到了哪一步」合成为一个值 —— 只用于在同一套口径下横向比较职业,除此之外不作他用。

适用范围

适用于在医院或远程阅片环境下做诊断的放射科医生。介入放射作为其中一项任务写在这里,但它实际上是另一份工作,暴露度也不同。放射技师(拍片的那批人)是另一个职业,本站还没有覆盖,而他们的情况与这一页不同。

本页所有判断均为平台推断,不是已核实证据。

证据库里已有其他职业的已核实记录,但这个职业还一条都没有。在有之前,下面的分析是对任务结构与已知技术能力的推理 —— 就这个职业而言,它没有可追溯来源支撑。我们宁可直说,也不引用未经核实的东西。这里是空的,是我们覆盖上的缺口,不是关于这份工作的结论。

到底什么在变#

分析单位是任务,不是职位名称。职业不会被整体替代 —— 变的是它的任务构成。

正在自动化×1正在被增强×2仍由人主导×2新出现的任务×1

这就是你做的吗?认一下,这一页会缩到只剩与你有关的那一份。

职位名只是一组恰好被打包买走的任务,而没有两个人手里的那一组是一样的。什么都不会被发送出去 —— 它只留在这个浏览器里。

读常规片

正在自动化≈ 平台推断

高频、模式清晰的那部分:筛查钼靶、胸片、随访复查 —— 问题很窄,而答案通常是「无异常」。

AI / 软件
为什么

这项任务具备让任何任务成为机器强项的四个性质:输入是图像、输出是标签、对不对可以拿后来的结果去核对、而训练数据海量存在 —— 因为每一张片子本来就已经有人读过并写过报告。它也正是 2016 年那个预言真正说的那件事;而在这一项上,那个预言的方向是对的,尽管它的时间表和它的结论都不对。

这还不能说明什么

它没有说这占一个放射科医生一天的多少,而筛查项目与三甲医院之间这个比例差得极远。它也没有说采用:监管机构批准一件产品上市,不等于医院在用它 —— 而本站在这个职业上还没有任何一条已核实记录。能把它定下来的是:某个医疗系统自己披露的「有多少比例的检查在人看到之前已经由机器读过」。

看见没有人问起的那一处

仍由人主导≈ 平台推断

这次检查是为了腰伤开的;而真正要紧的东西在图像的角落里,和腰没有任何关系。

AI / 软件
为什么

一个检测模型是针对「被问出来的那个问题」训练的。而意外发现按定义就是「没有人问的那个问题」的答案 —— 它恰恰是「读片」之所以有价值而不只是「准确」的很大一部分。把模型在它自己那项任务上做得更强,不会推动这一项,因为这不是那项任务。

这还不能说明什么

这是一条关于工作结构的判断,不是测量。我们没有任何记录量化过「意外发现改变了处置」的频率,而这个答案因检查方式与人群而异。它也没有声称人在这件事上做得好 —— 漏掉意外发现是一种已知且被研究过的失效。

决定这个检查该不该做

正在被增强≈ 平台推断

定方案:这个检查能不能回答临床问题、用哪个序列、造影剂多少、剂量多少 —— 以及要不要说不做。

AI / 软件
为什么

决策支持工具在这里确实有用:适应证标准本身是规则形状的,系统能一致地应用它,而一个忙碌的人不会。迁移不过去的是拒绝 —— 否掉一个开单医生想要的检查,是一个有代价、且落在具名的人身上的判断;而放射科医生在那一刻的价值,恰恰在于他是可以被争论的。

这还不能说明什么

这里没有说放射科医生到底多经常真的在定方案、而不是照单签字 —— 在很多环境里,这一步早就因为与 AI 无关的原因被下放或自动化掉了。

会有人照着做的那份报告

正在被增强≈ 平台推断

把你看到的东西变成临床医生会据以行动的文字 —— 包括留多少余地,以及要不要建议一次既花钱又让人担心的复查。

AI / 软件
为什么

起草与结构化报告很适合生成,而目前宣称的时间节省大部分也来自这里。不动的那部分是分寸:一句留余地留太多的话没有用,留太少则会招来一次不必要的手术 —— 而那条线画在哪里,取决于这个病人、这个开单医生、这个医疗系统。

这还不能说明什么

本站没有任何已核实记录测量过报告起草节省的时间,而厂商关于它的说法来自一个对答案有利害关系的一方。能把它定下来的是:某个医疗系统自己公布的前后报告周转时间。

在人身体里做的操作

仍由人主导≈ 平台推断

影像引导下的穿刺活检、引流、栓塞 —— 介入工作,影像在这里是引导手段,不是产物。

机器人AI / 软件
为什么

这是身体上的、不可逆的、在一个当场的、会被伤害的人身上做的。这个领域里的机器人是辅助一只手,而不是替代一只手,而监管把这个行为绑定在一个持证的个人身上。这是 2016 年那个预言完全没有谈到的那一半放射科。

这还不能说明什么

介入放射实际上是一个有独立培养路径的职业,把它当成这一页的一项任务,低估了它有多不同。它也没有说工作量,而这份工作真正的压力正是来自工作量。

为那台读了片子的机器答复

新出现的任务≈ 平台推断

在开启一个工具之前先在自己的人群上验证它、之后盯着它漂移,并在一份机器参与写成的报告上成为那个具名的人。

AI / 软件RPA / 自助化
为什么

这是这些工具进入阅片室之前不存在的工作,而它落在这里,是因为签字落在这里。一个在别处验证过的模型不等于在这里验证过 —— 性能会随设备、扫描方案与人群而变 —— 所以必须有本地的人去核,而「核」正是把放射科医生的本事用在一台机器上,而不是用在一个病人身上。

这还不能说明什么

新工作出现不等于新增编制;在多数科室里,这是被本来就在那儿的人顺手接过去的。我们没有任何「某家医院为此专门配人」的记录。

哪些技术在起作用#

四类独立信号。它们刻意不做加总 —— 一个职业暴露于两种技术,不等于风险翻倍。

脑力工作自动化
读常规片看见没有人问起的那一处决定这个检查该不该做会有人照着做的那份报告在人身体里做的操作为那台读了片子的机器答复
体力工作自动化
在人身体里做的操作
流程与自助化
为那台读了片子的机器答复

它是怎么走到这里的#

指数不是一个静态数字。这是自 ChatGPT 以来,每个能力检查点上它大致会落在哪里 —— 回溯重建,并且如实标注。

回溯重建 · 平台推断每个过去的检查点都是今天回头估的,不是当时测的。38 → 51。
1007550250
未评估
2022 下半年2024 下半年现在

起点高,而且和生成式 AI 没有关系:计算机辅助检测在 1990 年代末就获批用于乳腺钼靶并被广泛部署,所以这个职业是带着「已经被自动化了一部分」的状态进入这段时期的 —— 而且早就知道那是什么感觉。2023 至 2025 的上行,是窄检测器与分诊工具成批进入阅片室。它在远低于「最暴露的那项任务」的位置走平,而理由正是 2016 年那个著名预言漏掉的东西:批准不等于部署、检出不等于签字,而意外发现是「模型从来没被问到的那个问题」的答案。要注意这条曲线显示不了的东西:读片变便宜会不会让开出来的检查变多。那是这个职业悬着的问题,而它指向的方向和这条曲线相反。

2022 下半年38通用文本生成进入公众手中。在这之前,暴露度来自已经部署多年的自动化 —— OCR、流程机器人、机器视觉、自助结账、派单算法。 ChatGPT research preview (2022-11-30) ↗
2023 上半年40通用模型开始通过职业考试。初稿质量跨过了「专业工作愿意用」的门槛。 GPT-4 (2023-03-14) ↗
2023 下半年43视觉输入、长上下文与工具调用。模型可以被指向文档、接进系统 —— 这才动得了流程类工作,而不只是写作类。 GPT-4 Turbo:128k 上下文、视觉、工具调用(DevDay) (2023-11-06) ↗
2024 上半年46同等能力大幅降价、变快。没有新东西变得可能,但很多东西变得规模上划算 —— 这才是部署决策改变的时刻。
2024 下半年49会做多步推理的模型;以及第一批「看着屏幕操作电脑」的模型。后者才碰得到「以操作软件为主」的工作。 OpenAI o1(推理);同期 Claude 的 computer use 进入公测 (2024-09-12) ↗
2025 上半年50代理开始端到端操作真实软件,而不只是产出让人去粘贴的文本。同期出现第一批公开回退 —— 自动化之后又部分撤回的组织。 Claude 3.7 Sonnet 与 Claude Code:混合推理 + 命令行编码代理 (2025-02-24) ↗
2025 下半年51长上下文与工具使用从「功能」变成默认。能力仍在提升,但可见的约束从「模型能不能做」转向责任归属、采购与成本。 GPT-5(2025-08-07);Claude Opus 4.5(2025-11-24) (2025-08-07) ↗
2026 上半年51长时程代理落进具体行业流程。采用从「通用」变成「分行业」。 GPT-5.5:「专为实际工作打造」 (2026-04-23) ↗
现在51本次评估 —— 这个点就是职业页上公布的影响指数,所以曲线末端锚在一个本站已经为之负责的数字上。对那些平缓的曲线值得记一句:就在同几周里,一份「让 AI 代理安全操作物理设备」的共享规范开放了研究预览,面向科研机构与先进制造厂。那是第一个把矛头指向「图上几乎不动的那些体力职业」的能力类别。 GPT-6 Astra(2026-09-03);Claude Fable 5.1 / Mythos 5.1(2026-09-01);Model Hardware Standard 研究预览(2026-08-27) (2026-09-03) ↗

曲线平缓不是「安全」的预测。它只是在说:到目前为止,自动化触及了哪些任务 —— 这里动得最少的职业,约束都是物理的或监管的,而这两样都会变。

近期变化#

暂无已核实事件。

这一栏会随着监测流水线采集、去重、分级并关联到上面的任务而逐步填充。这里是空的,意味着我们没有核实到任何东西 —— 不意味着什么都没发生。

「没搜到新闻」不等于「安全」。

这对你意味着什么#

如果你刚入行

你选的这个方向,曾被一位非常有名的人公开建议「不要再培养了」。值得知道那条建议为什么没有成立:它说的是一项任务,而这份工作后来被证明是好几项 —— 包括为一次漏诊签字、看见没有人问起的那一处,以及做操作。同样值得知道的是那条诚实的风险:如果读片变便宜让影像检查整体变便宜,检查量会上升 —— 而一份靠工作量守住的工作,守它的是一个会变的东西。

如果你已有经验

「那个预言错了」不是结论;它为什么错才是。它量了一项任务,却对一份工作下了结论。把同一把尺子用在你自己的一周上:花在「问题很窄、答案通常是无异常」那类检查上的小时,是暴露的小时 —— 而它们也恰好是行政人员做商业测算时最容易数出来的那部分。

你的选择#

四个方向,每个都写明真实约束和一个本周可验证的动作。继续做下去也是正当选择 —— 只要它是被选择的,而不是被默认的。

保住并强化

成为验证工具的那个人

一个在别处验证过的模型不等于在这里验证过,而必须有本地的人签字确认它在这个人群、这些设备上成立。多数科室还没有指定这个人。

现实约束

它需要你大概没被教过的统计能力,而且是一份不光鲜的工作 —— 它要和「你被考核的阅片量」抢时间。

本周可验证

找一个正在你们科室里跑的 AI 工具,问它是在什么人群上验证的。如果没有人答得上来,那就是这份工作。

调整职责

往操作那一侧走

介入工作是身体上的、不可逆的、且绑定在一个持证的个人身上 —— 本站的证据一致显示,这个组合是最难被替代的。

现实约束

它是另一条培养路径,也是另一种生活:值班、辐射暴露,以及眼前是一个病人而不是一份工作列表。

本周可验证

去介入室待一个班次,数一数那里发生的事情有多少是能事先写成规格的。答案是很少。

相邻转岗

去影像被使用的地方,不是被读的地方

临床信息、影像项目设计与筛查政策都需要一个「懂一次阅片到底确立了什么」的人 —— 而在做这些决定的房间里,这种人是稀缺的。

现实约束

你不再是那个读片的人,而你赖以立足的手艺,衰退得比你预期的快。

本周可验证

找一个筛查项目自己公布的结果数据,核对它的召回率是不是在方案规定的位置上。

常见问题#

我还有多久?

这个职业本身就是「不要相信那个问题」的理由。十年前,一位非常有名的研究者公开建议停止培养,理由是五年内机器会做得更好。在他点名的那项窄任务上,机器确实做得很好了。而这份工作没有消失,因为这份工作是好几件事,而他量的是其中一件。一个你自己能核对的信号,也是更值得花掉这份担心的地方:你上一周有多少小时花在「问题很窄、答案通常是无异常」的检查上。那个数字就是暴露的部分 —— 而它也正是一个行政人员数得出来的数字。

那个「AI 会取代放射科医生」的著名预言,是不是就是错的?

结论是错的,而它值得弄懂,不值得一笑置之 —— 因为它犯的正是所有人都会犯的那个错。它拿了一项任务(读高频、模式清晰的片子),却对一份工作下了结论。在那项任务上它的方向是对的。它漏掉的是:谁为一次漏诊签字、谁看见没有人问起的那一处、谁否掉那个不该做的检查,以及读片变便宜之后需求是升还是降。把它当成吹牛一笑而过,什么也学不到;把它读成一次「范畴错误」,你就知道该拿什么去检查自己的工作了。

已经有几百个获批的 AI 影像产品了,是不是说明这份工作要没了?

批准说明一件产品可以卖;它没有说某家医院买了、开了、并且一直开着。本站刻意把这三件事分开 —— 而关于这个领域的多数预言,恰恰是在这三者之间的落差里出的错。另外值得知道的是那些产品指向哪个方向:大多数是窄检测器与分诊工具,它们改变的是工作列表的顺序 —— 也就是改变了「人什么时候看」,而不是「要不要有人看」。

医学生现在还该不该选放射科?

本站不告诉任何人该选哪个专科,而一个会告诉你的页面本身就更不值钱。它能给你的是这次押注的形状:暴露的那一半是高频、问题很窄的阅片;耐久的那一半是担责、意外发现与操作;而悬着的问题是工作量 —— 影像变便宜是不是意味着做得更多。拿这个问题去问已经在做的人,并且注意他们是用「科室实际考核的东西」回答,还是用「他们希望的东西」回答。

方法与来源#

评估日期
2026-09-12
任务判断的依据构成
0 条有证据支撑 · 6 条平台推断 · 0 条证据不足
已核实事件
0

我们如何评估一个职业 →