--- area: tech-engineering author: Lei category: technology channel: https://www.youtube.com/@Dr.IreneLee/featured companies_orgs: [] date: '2025-07-10' guest: '' insight: null layout: post.njk products_models: [] project: [] series: null source: https://www.youtube.com/watch?v=AbjE0-Nran4&t speaker: '' summary: 台大医学系毕业生胡思宇放弃临床路径，赴哈佛攻读生物医学资讯硕士，后在麻州总医院从事医学影像AI研究，最终加入Google担任机器学习工程师，分享医学背景在科技业的优势与挑战。 tags: - llm title: 从医学生到谷歌工程师——胡思宇医师的跨界之路 --- ### 讲述者简介 **胡思宇医师 (Jimmy Hu)**，台大医学系毕业后，未选择传统的临床路径，而是赴哈佛大学攻读生物医学资讯学硕士（Masters in Biomedical Informatics）。毕业后，他先在麻州总医院（MGH）的超音波实验室从事医学影像 AI 的博士后研究，随后加入 Google 母公司 Alphabet 旗下的生命科学研究机构 Verily Life Science担任数据科学家。2023 年，他正式进入 Google 加州总部，担任机器学习工程师（Machine Learning Engineer）。 ## 开场与访谈背景 **Irene：** 大家好，我是 Irene。过去的影片大多在讨论医学专科的训练与职涯发展，但其实医学系毕业后，并非只有进入临床服务这一个选项。以台大医学系为例，每一届大约有 5-10%的人毕业后没有接受住院医师训练。例如我们班就有人去读了博士班，有人到 Google 上班，也有人进入对冲基金（Hedge Fund）或到药厂工作。 **Irene：** 在“职涯不一样”这个系列的第一支影片，我访问了台湾的医师创业家陈择小医师，分享他在台湾从事医疗新创产业的心路历程。今天很荣幸可以邀请到另一位非常优秀的台大医学系学长胡思宇医师。学长在毕业后先到了哈佛大学学习医学资讯学，并取得了生物医学资讯学硕士（Masters in Biomedical Informatics）的学位。之后到了麻州总医院（MGH）的健康科学与技术中心（Health Science and Technology Center）的超音波实验室，做医学影像 AI 的博士后研究。在 2020 年，胡医师进入了 Google 母公司 Alphabet 旗下专门做生命科学研究（Life Science Research）的机构 Verily Life Science 担任数据科学家（Data Scientist），然后在 2023 年进入 Google 的加州总部，担任机器学习工程师（Machine Learning Engineer）。 ## 求学动机：从临床医学到生物医学资讯 **Irene：** 请学长分享一下，您在医学系毕业后，为什么会想要攻读生物医学资讯的硕士？生物医学资讯学又是在做什么？ **胡思宇：** 我其实当时毕业出来也是有点意外，因为我在以前读大学的时候，也没有想过我之后想要出国。那时候毕业后会出国，我觉得可以分为拉力跟推力。第一个拉力来讲，就是当时我毕业之后，其实我有延毕一年，然后继续在校总区修课。那时候就多修了一些资工相关的课，然后就发现自己对这方面其实好像还不错，也蛮有热情的。然后也刚好当时在 2015、2016 年，深度学习在医学影像的应用，那时候也算蛮大的突破。那就包括 Google Health 那时候也开始发表，就是利用 AI 去判读眼底视网膜。那时候就觉得，如果能多学习这方面的知识，其实好像也蛮有趣的。 **胡思宇：** 那另一方面，推力来讲就是，那时候我当完实习医师（Intern）就觉得，自己其实还是不知道选什么科，感觉好像什么都可以，但好像没有那种真的“click”的感觉。然后另一方面在医院，大家对未来怎么都感觉好负面，谈健保、谈压榨医师、工时。但当你离开医院之后就发现，大家怎么都充满希望的感觉。所以那时候其实没有想太多，就好吧，不然我就先申请个研究所看看，再给自己多一点时间，然后看看这方面有什么样不一样的机会。 ## 生物医学资讯学的内涵 **胡思宇：** 那时候最后申请到的学校是哈佛的生物医学资讯学（Biomedical Informatics）。那 Biomedical Informatics 其实蛮广的，它可以包含比较偏生物的生物资讯学（Bioinformatics），那可能大家会比较认知到就是做基因组学（Genomics）、定序、蛋白质体学（Proteomics）、各种 Omics 相关的资料。那方面当然非常偏生物，要学很多很多 Bio 相关的，然后自己也不是很有兴趣。那我自已碰的当然就还是比较偏临床资讯学（Clinical Informatics）。 **胡思宇：** Clinical Informatics 其实也很广，就是任何利用资讯去做临床相关的，都大致可以归在这个 Clinical Informatics。不管有些人是比较偏重在电子病历系统，有些人是做医学影像。那我自已当时就是做比较偏医学影像的部分。我们这个 Clinical Informatics 学程，其实在当时也是蛮热门的，就是很多医生来修这个课。我当时 program 其实只有一年，所以就一年就毕业。所以我那时候去了美国，读了一点，怎么会这么快就毕业了。一年说实在真的学不到太多东西，所以我那时候读完之后就决定，好，不然再留下来再多做一些研究。那老师那时候推荐我去 MGH 一个放射科医师（Radiologist）的超音波实验室做研究。我在那边大概做了两年吧，然后其实好像才慢慢觉得看到这边有更多的机会。 ## 医学背景在科技业的价值与挑战 **Irene：** 请问一下您觉得，医学背景在对您学习生物资讯学这样，有没有什么正面的影响？ **胡思宇：** 学习的话，我觉得相对帮助有限。应该是说，我觉得也是要看所谓的医学背景知识到底有多少。以我来讲，我其实是 PGY 之后就出来了。那如果你跟一般我其他修课的同学比起来，当然我懂得比较多，但你要真的说我有什么医学专业，其实我也觉得不太够。就是 Medical School 毕业，然后有当完一年 PGY。我要骗骗一般人大概可以，但我要真的拿来说这是我的专业，我觉得好像也不太够。那技术（Technical）方面我大概也懂一些，但我就觉得进到业界上要跟其他人竞争，跟同样 Computer Science 念了好几年，或者是说这方面 AI Research 的 PhD 比，好像也不太够。那我好像都懂一点，就不太确定自己的利基（Niche）在哪里。 **胡思宇：** 那时候其实找了蛮久，然后过程中其实找得也没有那么顺利啦。但最后结果运气还不错，那时候就是后来找到 Verily Life Science。那 Verily 就是 Alphabet 下面专门做医疗保健（Healthcare）相关的一个独立公司。那我那时候找到了职位是 Data Scientist。那刚好他们那个职位（Position）是做糖尿病慢性照护平台的。因为我面试的是 Data Scientist，那过程当然就是技术面试（Technical Interview）。那据我当时经理后来告诉我，第一个就是我有过招聘标准（Hiring Bar），那我技术有到位。那最后在选择的时候说，其实我有医学背景对他们来说当然还是一个加分的。所以最后就运气还不错有拿到这个职位。 ## 进入 Google 后的工作与感想 **胡思宇：** 那进到工作以后，医学对工作上的加分，我自己觉得有限。第一个是因为那是一个 Health Tech，所以它里面其实有很多临床专家（Clinical Specialist），大部分都是当了 10-20 年的主治医师（Attending）。那进到业界工作之后，我对自己的定位就是技术人员（Technical）。那我也慢慢减少我这个自我介绍说我是读 MD 的次数。所以就是看你偏重在哪里，你的专业价值到底在哪里。 **Irene：** 那其实刚刚您有讲到一些，就是在过程中遇到的一些挑战，像是不知道自己定位是什么。那不知道就是目前您在 Google 担任的职位是什么，然后主要负责哪些工作内容，那有没有什么其他的困难，然后怎么去度过这样子？ **胡思宇：** 我目前是在 Google 的 Health AI，那 Health AI 是在 Research 下面一个组织（Org）。我觉得我蛮幸运的是在一个还蛮特别的时间点加入，我是大约 2023 年 3 月的时候加入 Google。那个时间大概就是 ChatGPT 推出大概三、四个月之后，因为在 Health AI 这个组织，其实在之前 2016-2022 年，大部分都是着重在医学影像（Medical Imaging）为主。那时候 Google 其实做了很多医学影像相关的研究。然后 2023 年那时候 ChatGPT 出来，整个 Google 发现事情不太对。所以我那时候刚加入的时候，本来还是预计要做皮肤病学（Dermatology），后来就整个团队全部转向（Pivot）去做语言模型（Language Model）。 **胡思宇：** 那那时候发了一篇 Paper 叫做 Med-PaLM，那就是第一个利用 AI 在美国医师国考 USMLE，就大概达到 85 分，就是第一次有达到比人还要好的程度。那那时候 Google 就发现，喔，这个东西其实有很大的潜力，所以我们要赶快推出，让这个模型可以放上 Google Cloud，让所有有兴趣的人都可以使用。比如说电子病历的处理、做摘要（Summarization），然后你说病人医生聊天，是不是可以直接转成电子病历，然后就是你在一次看诊（Visit）完，是不是可以直接转成一个看诊后摘要（After Visit Summary）。所以我们那时候就是利用这个模型，去思考实际在医院场景有什么样的应用。 **胡思宇：** 那这个东西我们大概做了一年多，后来最大的问题其实是 AI 进步得太快了。那之前一开始做 Medical Imaging 的时候，大家模型其实都还是用，反正自己本地开发（Local Development）。所以你会真的比较做实际操作（Hands-on Implement）CNN，然后你自己去尝试不同的架构，调不同的参数，然后怎么样在这个使用案例（Use Case）达到最好。那现在在这个大型语言模型（Large Language Model）时代，大家越来越少做微调（Fine-tuning）这件事了。因为发现这个基础模型（Foundation Model），基本上什么事情都可以做到。所以我们就叫零样本（Zero-shot），就是很多在他完全没有看过的任务上，其实他也表现得很好。那我们发展一个专家模型（Specialist Model），在医学领域表现特别好，但其实过了一年后，你会发现那些通用模型（Generalist Model），就是你直接丢给 ChatGPT，直接丢给 Gemini 或是其他 Claude 任何模型，他表现其实就跟 Specialist Model 差不多好。所以我们发现好像不需要做特别的处理，你就直接拿那些 Foundation Model 就好。 **Irene：** 我记得前一阵子，也不是前一阵子，已经有一阵子了，那个 NVIDIA 也有推出一个分割（Segmentation）的 Foundation Model，就是你把 CT、MRI 丢进去，然后你跟他说你要 Segment 什么东西，他就会直接 Segment 出来，也不需要再去特别训练（Train）说，喔我要 Segment 肝脏（Liver），或我要 Segment 脾脏（Spleen）。 **胡思宇：** 现在进步最快当然还是在语言这一块，那影像当然也是进步得很快，但整体趋势都会是有一个非常巨大的模型，在你任何任务（Task）都做得非常好，那你直接拿这个来做就好。 ## 对医师跨领域的建议与展望 **Irene：** 一般的医师对于资讯工程要怎么去了解，有什么样的管道可以帮助他们去了解这些知识，或者是这有没有必要？ **胡思宇：** 我觉得这个问题其实也转变得很大。就是第一个是所谓了解资讯，因为资讯工程也很广，了解资讯工程需要了解到多少。那整体来讲，我觉得其实还好，你学的当然是有益无害，那到底有没有需要，就是看你的 Use Case。你懂一些 Computer Science 或是 Data Science 的东西，其实非常实用，因为你在医院你就会跑很多资料分析。但我觉得到这一两年，这些东西好像也越来越不需要，因为你知道你要做什么，你叫 AI 帮你写就好了。那有什么问题你看得懂，你有能力去验证（Validate），那有什么问题你觉得这不太对，你要叫他重写或者改掉，这样也 OK。你不需要从头到尾自己写。对，因为基本上现在 AI 你叫他写什么，大概正确率都蛮高的，尤其是在 Coding。现在 AI 我觉得进步最夸张的就是数学、Coding 这一块。其他比如说医疗，或是其他更复杂的领域，相对进步的没有那么快。然后一部分也是因为像 Coding 就是一个定义良好的环境，因为他所有的规则（Rule）都很清楚，测试执行有没有成功，有没有过测试，这些都是相对好验证的东西。那回到医疗，如果我们同样可以定义出一个好的评估标准，然后定义出你在怎么样的环境下执行的话，那也许可以做到像 Coding 一样，可以不断地去增强 AI 的能力。 **Irene：** 那这个定义环境的部分是，医师可以帮忙做这个定义的部分？ **胡思宇：** 对，就是定义环境，然后怎么样评估标准，这些就是需要医师帮忙的地方。对，我们可能有一些想法，那最后就是，这是我们的提案（Proposal）交给医师。这个东西的确就是会需要医疗专业的的帮助。 **胡思宇：** 大家在说医师会不会被取代，或者者很高知识会不会被取代，我觉得真的是不用担心，应该先看软件工程师（Software Engineer）就好。Software Engineer 的风险绝对是比医生高很多。现在这个，发现 Software Engineer 真的是快要消失了，那时候再来担心就好了。因为其实即便像我还蛮熟悉整个资料分析，很多事情我也是直接丢给 AI，就说，我要做什么，然后请你帮我跑一个脚本（Script）。其实 AI 真的就是做得蛮好的。 **Irene：** 我最近在写自主性 AI（Agentic AI）的综述（Review），觉得这听起来很像大家的幻想。 **胡思宇：** 我刚刚说的复杂环境其实就是在讲 Agentic，因为这算是现在比较活跃（Active）的研究方向。那现在大部分 Agentic 都不是那么实用，现在看到比较新的 Agentic，就比如说你要订一个旅游，就说我要订去哪里玩的，三天两夜的机票跟旅馆，请你帮我做，然后 Agent 就可以帮你完成所有的事情。那理论上这件事应该没有那么难，因为如果人可以做到的，那理论上（AI）也可以做到。但目前都是做起来还是不是那么顺畅。那这个东西我觉得，觉得现在做不到，以后到底做不做得到？因为我们自己的想法就是，喔如果人可以做到的，AI 没有什么理由做不到。或者者是真的是有什么障碍（Blocker），就这绝对不可能达到，不知道。那我们相信其实就是如果持续不断地进步，也许到某一天这个 Agentic System 是让你觉得，喔你可以信任他，错误率很低，或者是你只要注意有什么环节，有没有出错就好。对，也许到了某一个程度，大家觉得这个东西是可行的（Work），带来的效益可能会很大。 **胡思宇：** 那现在还不行，现在整体的系统都还不是那么稳定，对，但但这就是现在正在 Active 研究的方向。 **Irene：** 另外一个比较常被讨论的应该就是，AI 它的成本效益（Cost-effectiveness），就是到底它能不能帮医院增加收入。然后另外一个应该是说，就是刚刚学长讲到的，如果 AI 出错的话，那是谁要来负责这件事情。 **胡思宇：** 那个 Cost-effectiveness 的部分，其实在之前 2016-2022 年，那时候 Google 其实做了很多医学影像相关的研究，但是后来 Google 好像也觉得这个实际的效益，我说的效益是赚钱的部分，效益好像不是那么大。所以因为 Google 毕竟还是一个公司嘛，最终目的想要赚钱。那做了很多这些研究发现好像比较难盈利，然后就慢慢把这些技术转给直接医院拿，或者是第三方进来公司，看他们能不能找到适合的商业模式。也就是从研究到实际赚钱，我觉得这中间还是有一个差距（Gap）。那 Google 我觉得在这方面，好像也没有找到很合适的赚钱模式。就是一个东西有临床益处（Clinical Benefit），不代表有实际商业的益处（Benefit）。 **胡思宇：** 所以我们现在很多的研究都转往做语言模型。那其实为什么现在大家有这么多的热潮（Hype），我觉得就是 AI 现在的成长很快，那它成长可能是线性的，但是它最后可以带来的价值，可能是指数型成长。那举个例子就是比如说，如果现在 AI 可以自动帮你产生一份报告，假设它出错率 30%好了，这大概就没有那么实用嘛。但当这个错误率慢慢下降，从 50%、30%到 10%、5%，那也许到了某一个点，你就会发现我不需要花那么多时间修改。那当过了那个阈值（Threshold）的时候，带来的经济效益其实是会指数型快速成长。那另外一部分就是回到责任（Liability），假设真的有一个 AI，它就是表现跟人类一样好，那是不是真的就取代放射科医师啊，或是取代其他医师？我觉得当然也不是，因为第一个当然 Liability 就是，这东西需要有一个人来负责。那我觉得一定还是会需要有医生来做覆核。那其实即便今天不讲 Liability，讲信任的问题，我觉得一个 AI 表现再好，很难取代人的原因就是，医疗的专业其实就是你有能力去验证（Validate）这个资讯到底正不正确。因为你想想看，有了 Google Search 以后，你获取资讯的能力其实也变得很强嘛。一般人你有什么问题，你 Google 也可以大概得到一个还不错的答案。那这也不会取代医生嘛，因为大家做的是，你有这些资讯，你就拿来问医生说，欸这个东西对不对。因为一般人可能没有能力去验证这到底对不对。AI 其实我觉得也是一样的概念，那就是让人获得更多正确的资讯。那你有这个资讯也不代表就 OK 了嘛，我还是会需要一个有权威、有能力 Validate 的人来告诉我这个东西对不对。那你的专业其实就真的在最后，当大家有问题的时候，那些最困难、最奇怪，你也不知道 AI 讲的对不对的时候，你最后会去找的那个人，那个东西其实就是你的专业价值所在。那这个东西我觉得是非常难被取代的一件事啦。 **Irene：** 所以 Google 觉得之后的 Cost-effectiveness 会指数成长。 **胡思宇：** 对，这就是为什么会有这么多 Hype，因为我们相信这件事，就是相信它过了某一个点之后，它可以带来指数型的成长。那在你达到那个点之前，你当然就是要投入。因为现在的 Cost-effectiveness 一定是非常低的，因为投入大量的资源、投入大量的研究，那你可能就进步是 1%、2%，就进步一点点。但是如果你相信这个愿景，相信这件事是会被达成的，然后相信当过了某一个点之后，它会带来无限大的效益的话，那基本上现在科技业大家的共识就是，我们相信，所以才会投这么多钱嘛。那如果发现这件事不对的话，那大家就可以赶快卖 NVIDIA 股票了。 **Irene：** 对，所以之前 DeepSeek 出来的时候，大家就一阵恐慌（Panic）。NVIDIA 也跌了一阵子然后后来又赚回来。 **胡思宇：** 对，DeepSeek 那个我觉得当然表现很好，但大家说他成本非常低或是什么，其实你看前沿模型（Frontier Models），就 Google、ChatGPT 最 Frontier Model，其实成本也是相对低。那 DeepSeek 我觉得带给大家最大的震惊，第一个是中国，再来还是完全开源（Open Source）。好像半路突然杀出一个新的竞争者。对，但当时跌那么多，我们是自己有点看不懂，就是因为他其实没有带来完全性的认知。因为在过去一年我们就是看到，成本就是掉了 10 倍、20 倍。那 DeepSeek 其实只是在这个曲线上，他们在很前面的一个点。对，那并不是一个全新典范（Paradigm）或怎么样。所以那时候的确是有点看不懂，为什么会造成这个 Panic。 **Irene：** 对，因为那时候我看到 DeepSeek 的时候，就人家传讯息跟我说，欸你觉得这个 DeepSeek 怎么样，然后我就看了一下它的架构，然后就觉得，好像跟现在的其他的 Model 没有什么太大的区别，不太知道它到底为什么可以降掉那么多的钱。 **胡思宇：** 就是他是用专家混合模型（Mixture of Experts），那这个东西其实在各公司也都有用，那我觉得最爱的空间就是当 Open Source，因为其实在不同公司，我们也有各自不同的技巧（Tricks），就是大家都可以这样，那你怎么去做一些细微的调整啊，或者有些增进效率的部分啊，每个公司有自己不同的方法。那他们就是说，哦他们这个有效，而且他们公开。Google 或者 OpenAI 或是 Claude，我相信有自己各个不同的方法，只是我们没有公开。对，那只是大家各种不同的方法（Approach），然后他们的表现很好。那对我来说其实也是并没有那么巨大的差别，然后你实际到底花多少钱，其实这也很难知道。比如说你在训练模型的时候，你不会只运行（Run）那一次，你一定是 Run 很多不同的实验，然后最后选一个最好。那他们报出来的数字就是最后那个最终模型训练运行（Final Model Training Run）花了多少钱。那实际之前做各种实验的时候到底花了多少钱，其实是不知道。如果你要拿 Google 内部最有效率的那个 Model，其实就是现在公布的 Gemini 2.0 Flash。如果你只拿 Final Training Run 的话，花的钱其实也差不多。所以那时候看到说哦，也不是那么大的惊奇这样。 **Irene：** 学长现在觉得转职的工作怎么样？会推荐大家考虑这条路吗？ **胡思宇：** 转职这当然说到到底还是看个人兴趣了。就是真的要说的话，工作环境真的是还蛮不错的，办公室整体都蛮舒服的，然后有供三餐，所以我还蛮喜欢进办公室的。工作效率还不错，然后也不用思考吃的东西，但所有东西都一样，就是有一个保龄球馆在那边，一开始就觉得很有趣，但说实在在平常你也不会去嘛。就是“Grass is always greener on the other side”嘛，因为在每一行都会看到每一行的好或不好。以我个人来讲，我觉得我还算蛮幸运，就是在对的时间点进到科技业，因为现在 AI 的发展就是非常竞争。每几个礼拜或每几个月就会看到新的突破出现，然后有一个愿景，相信这个会对未来带来巨大的影响。我们还没到那边，但是你知道我们就在朝那个方向前进的重要时刻。对啊，所以能够在这个时间，在这样大公司工作，我自己觉得是蛮幸运的一件事，然后我也觉得蛮有热忱的啊。就是好像有种迷思会觉得 Google 好像是相对养老的科技公司。对，但真的？ **Irene：** 真的很养老吗？生活型态（Lifestyle）如何？ **胡思宇：** 嗯，就是看个人，但因为 Google 很大，那我相信有一些部门可能相对养老，比如说做广告的，因为要做的不多，你可能就是维持好广告的收益，要改变的不多。但是至少在 Research 下面，我看到很多 Google Research、Google DeepMind 的人，其实是非常非常拼的，就是那个工作时数其实也是非常高。因为在科技业这个东西也是责任制，但是在这个现在这么竞争，尤其是 Google 从过去领先者，到现在变成有点追赶者的角色了，大家其实都是都是非常拼。但我觉得对我来说是蛮好的，因为大家就是有一个愿景在那边，然后大家愿意花时间下去，然后也的确是真的蛮有趣的东西。 ## 结语 **Irene：** 那我们今天的访谈就到这边，我们下次再见啰，掰掰。 **胡思宇：** 掰掰。