AI看脸预测死亡风险，哪些岗位的判断权正在被让渡

AI看脸预测死亡风险这件事，对求职者真正的提醒不是「医生要失业了」，而是「职业里那些靠经验积累、却说不清依据的判断环节，正在被重新定价」。

《柳叶刀·数字健康》刊出的这项研究里，美国麻省总医院布莱根医疗集团开发的FAHR-Face模型，只用人脸照片就区分出了癌症患者的死亡风险差异：3820名测试患者中，被模型评为极高风险的122人，拍照后90天内有64人去世；而评分在0到0.1之间的975人，同期只有20人去世。研究团队还用荷兰近4900名患者的数据做了外部验证，观察到了相似规律。

模型没有看病历，没有分析CT影像，也没有参考血液检查结果。它只看了一张脸。

AI看脸预测死亡风险，到底预测了什么

先把结论说清楚：这项研究证明的是「统计关联」，不是「因果机制」。

研究团队用4000多万张普通人脸照片训练视觉基础模型，再用三万四千多张癌症患者照片和对应的生存记录做排序学习，让模型学会比较不同患者的生存时间。最终输出的评分在0到1之间，分数越高，代表模型认为死亡风险越高。

但AI究竟从脸上看到了什么，研究人员并没有给出答案。论文提出，眼睛下方、鼻子附近的特征，可能与医生长期观察到的重病患者面容变化有关，比如身体衰弱带来的面部脂肪、肌肉和皮肤状态改变。英国萨里大学教授Miroslaw Bober在专家点评中也指出，能预测结果，不代表已经弄清楚了原因。

这一点对求职者很关键：AI拿走的不是「理解」，而是「识别」。它把医生过去凭经验、凭直觉完成的那部分观察，变成了可量化、可复现的分数。

哪些岗位的判断权正在被让渡

把这项研究放回职场，会发现一条清晰的规律：越是「输入标准化、输出可打分」的判断环节，越容易被AI接手。

• 影像、病理、分诊这类有明确输入和输出标签的环节，AI已经在做辅助评估；
• 依赖「看一眼、感觉不对」的经验判断，正在被拆解成可训练的特征；
• 而需要综合病史、患者意愿、治疗耐受度、家庭条件做取舍的环节，仍然留在人手里。

研究负责人、放射肿瘤学家Raymond Mak提到，医生决定是否为患者安排手术、放疗或其他高强度治疗时，需要评估患者身体状况和能否承受治疗，他希望AI能让这类判断更客观、统一。注意他的措辞：是「辅助评估」，不是「替代决策」。

而且这项研究自己也承认，FAHR-Face目前还不能直接用于临床。拍摄条件会干扰结果——让一个人笑一下或改变光线，AI估计的面部年龄平均就可能变化两岁左右；训练数据以白人患者为主，其他人群的效果还需验证；更关键的是，模型能把患者按风险分组，却还没有证明这些预测能帮医生选出更合适的治疗方案。

求职者该往哪里加码

对正在选专业、投简历、考虑转行的人来说，这项研究给出的信号是分层的。

第一层，别把「会做判断」当成护城河。 如果你的岗位核心价值是「按既定标准把人和事分类」，那这类工作被工具化的速度会比想象中快。分诊、初筛、风险评估、简历初筛，逻辑都一样。

第二层，往「判断之后的动作」走。 AI能告诉你这个患者风险高，但要不要手术、要不要告知家属、怎么安排随访，这些需要承担责任的动作，短期内仍然由人完成。求职时，优先选择那些「决策后果由人承担」的岗位。

第三层，学会和模型对话。 未来的临床医生、风控人员、招聘官，很可能都要面对一个AI给出的分数，然后判断这个分数在具体情境下是否可信。理解模型的边界——它依赖什么数据、在什么条件下会失效——本身就是一项可迁移的技能。

写在最后

这项研究最值得玩味的细节是：研究人员用的部分照片，原本只是医院为核对患者身份拍的普通照片。也就是说，很多岗位每天在产生的「副产品数据」，可能比岗位本身更早被AI利用。

对求职者而言，与其焦虑「AI会不会取代我」，不如问一句：我这份工作里，哪部分判断正在被变成分数？想看清同类岗位的需求变化，可以在求职者营地（qzzyd.com）按城市和行业订阅在招岗位，把趋势落到具体的职位描述上。

被替代的从来不是整个职业，而是职业中可被标准化的那一段。剩下的那一段，才是你该花时间的地方。