IBM沃森健康發展遇阻折射AI應用四大誤區

李雅琪

《IEEE Spectrum》2019年4月發表特別報告《IBM沃森在人工智能醫療方面的妄言與食言》，細數了沃森健康曾經設立的目標與現實難以兌現的窘境。此文一經發表，再次引發了產業界對人工智能高速發展的憂慮與反思。因此，有必要全面審視人工智能應用發展過程中出現的問題與思維誤區，為后續高質量健康有序發展提供借鑒。

IBM沃森面臨的三大困境

一是發展后勁不足。IBM沃森成立之初前景看好。早在2011年IBM就開始布局人工智能醫療，同時承諾將在兩年內推出首批醫療保健產品。2015年4月，IBM成立獨立的沃森健康部門，并于一年后投入約40億美元收購了包括Explorys、Phytel以及Merge Healthcare 等在內的數家醫療數據公司。短短4年間，IBM匯聚了人工智能醫療保健領域應用所需的技術、資源與人才，在智能診斷、臨床決策等領域的技術布局一路高歌猛進，成為媒體宣傳和企業爭相效仿的標桿。然而，截至目前，IBM曾經的承諾并未兌現，市場推廣阻礙重重，已出現治療方案導致患者死亡、營收下滑、相關業務快速收縮、高管離職，以及大幅度裁員70%等諸多負面新聞，唱衰之聲不斷。

二是醫療AI產品落地困難。IBM沃森開展了廣泛的項目合作，成果卻十分有限。自2011年起，沃森已發布近50份關于智能醫療的合作研發公告，涉獵領域十分廣泛，包括面向醫生的臨床決策支持工具研發，以及面向消費者的健康管理工具研發等，旨在打造全面的新一代醫療保健產品。這些項目大多為人工智能技術與醫療行業融合應用的首次嘗試，雖具有重要價值與意義，但多數至今尚未產生可商用的醫療健康產品。2016年，安德森癌癥中心在花費6200萬美元之后，依舊選擇終止與沃森健康的合作，只因深層次合作研究之后發現，深度學習與醫療護理的現實之間有著根本性的不匹配，深度學習尚無法獨立地從醫學文獻的最新進展與患者的電子健康檔案中提取有效信息。

三是數據獲取存在梗阻。沃森用于技術研發的醫療數據資源十分有限，一方面，由于癌癥的病歷數量相對其他常見臨床病癥本身就十分有限，樣本數據不足，可用于深度學習模型訓練的成功案例就更為罕見。另一方面，由于企業與醫療機構之間的有效溝通渠道尚未打通，獲取病人真實病歷面臨多重阻礙以及高額的資本與時間投入。因此，沃森智能癌癥診斷工具的大量訓練時間都用于掌握腫瘤學家設計出的理想化病歷與治療方案，即便是僅有的635例真實病歷數據也多集中于肺癌，不具備普適性。將沃森的癌癥治療建議與醫院腫瘤專家的建議進行比較后發現，沃森的智能診斷方案差強人意。尤其是在韓國加欽大學吉爾醫療中心，為656名結腸癌患者提供的診斷建議與醫生的醫療方案的一致率僅有49%。

IBM沃森項目折射出人工智能應用的四大誤區

夸大宣傳，名實難副。不僅是以沃森為代表的智能醫療行業，其他領域的人工智能應用也是名實不符。以無人駕駛為例， 2018年無人駕駛企業紛紛提出年內實現無人駕駛商業化運營計劃，看似是無人駕駛元年的2018年，卻成為無人駕駛商用的平臺期，所謂的“無人駕駛”實則只是 L2、L3 級別的有條件自動駕駛，“商業化運營”也多為短期封閉園區內的應用示范，眾多商業計劃紛紛“跳票”，甚至還有幾項在世人矚目下以失敗告終。目前，業界尚缺乏統一的人工智能測試標準，其產品無法被量化評價，企業對人工智能產品進行過分夸大的宣傳，不利于行業的長遠健康發展。人工智能的確未來可期，但目前應用落地尚處探索階段，終端產品的性能與用戶體驗仍需提高，過多的夸大宣傳與造勢炒作，一方面會給公眾以不切實際的想象與期望，另一方面，還容易引發資本界的無序跟風投機，進而激發行業泡沫。

急功近利，根基不穩。人工智能的技術能效在很大程度上取決于用于模型訓練的數據數量與質量。然而，在很多情況下，高質量的數據樣本非常稀缺，且獲取數據的過程面臨重重阻礙，相關企業對此類基礎環節不夠重視，在投入與積淀嚴重不足的情況下，急切地將尚不成熟的產品推向市場，引發一系列“質量”問題，為人工智能技術商業化落地平添阻礙。截至2018年5月8日，全國有人工智能企業4040家，其中拿到風險投資的人工智能企業僅有1237家，僅占30%，仍有70%的公司 拿不到風險投資。全球新增人工智能企業數量自2016年達到2733家巔峰后，便開始逐年下降，隨著人工智能創業熱潮趨于理性，未來市場將會更加注重核心技術與落地能力，急功近利的布局策略終很難在市場立足。

研用脫節，落地困難。目前除計算機視覺、深度學習等相對成熟的人工智能技術催生出的智慧安防、智慧交通、精準營銷等垂直應用場景外，醫療、制造業等大多數傳統行業的業務需求與人工智能前沿科技成果之間尚存在較大鴻溝，人工智能技術的全流程應用尚未實現。據統計，目前人工智能技術多聚焦于計算機視覺，其中68%的計算機視覺技術集中應用于智慧安防、智慧交通等場景。多數人工智能創新成果與實體經濟融合尚處于起步階段，人工智能創新成果在行業推廣應用時，仍面臨數據、標準、 資質、安全評估等多種壁壘。

迷信深度學習，以偏概全。深度學習僅是實現人工智能的路徑之一，且并非一項完美的技術路徑。一方面，當前的深度學習本質上是一項黑盒技術，其訓練過程具有難以解釋、不可控制的特點，隨著人工智能應用復雜度、需求數據量的指數式增長，機器學習尤其是基于多層神經網絡的深度學習的復雜程度，將愈發超出人類的理解和控制范疇，在快速進化過程中極易偏離預設軌跡。另一方面，基于深度學習的人工智能技術過度依賴數據，而數據建模與真實生活之間卻很難直接劃上等號，數據采集時也很難保證完全合理。比如，亞馬遜智能簡歷篩選工具歧視女性，就是由于過去十年里，男性在科技行業從業人數中占有主導地位，用于訓練的樣本數據中大部分簡歷來自男性，導致其誤以為女性簡歷不具備競爭力，在抓取關鍵詞時更偏向男性。

對策建議

筑根基。人工智能發展要一步一個腳印地向前走，強化人工智能的基礎性研究，切勿急功近利。一是以技術基礎理論、算法 為核心，系統謀劃和組織攻關，促進共性技術的研發和應用推廣，夯實發展基礎。二是開發人工智能算法所需的數據資源，構建基礎設施等關鍵環節，推動人工智能軟硬件平臺及生態建設。三是前瞻布局腦科學、計算機科學等領域的基礎理論研究，探索人工智能發展的最優路徑與根本目標。

促應用。積極培育人工智能創新產品和服務，推進人工智能技術產業化，形成科技創新和產業應用互相促進的良好發展局面。一是聚焦智慧交通、智能家居、智慧安防等需求明、范圍廣、基礎好且可形成示范帶動效應的領域，積極推廣人工智能技術應用。二是提供更多有代表性的應用場景，為人工智能創新成果提供展示與示范應用平臺，推動其實用化、產業化。

強監管。一是強化智能醫療、智能金融等多種人工智能應用的事中事后監管，避免出現“偽人工智能”等違規應用。二是建立健全法律法規，確保人工智能技術向商業化產品轉換過程中的安全可靠，規范人工智能產品宣傳，避免夸大其詞，誤導消費者。