丁香園CEO談醫療AI：資訊化帶來的效率提升遠大於人工智慧 | 獨家專欄
題圖來自視覺中國
鈦媒體注：“人工智慧在外行看起來有力而魔幻，比起技術佈道者各種鼓吹，真正的從業者們都保持非常剋制的樂觀。”在丁香園近日的一次內部會議上，CEO張進談了談關於醫療人工智慧的12點看法，總結成一句話是“前路坎坷，仍值得行走，但勿盲目樂觀。”
鈦媒體此前曾報道過，在投資人、創業者以及醫生們的討論聲中，醫療人工智慧出現了冰火兩重天的局面：一面是醫療企業無不談AI，資本市場對醫療AI頻頻加註；另一面是醫療人工智慧的先行者IBM Watson陷入輿論風波，媒體報道“AI成了醫生們不常用的功能鍵”。
雖然丁香園在面板病和智慧分診上做了一些AI相關的嘗試，但張進坦言，即便人工智慧技術能夠在短期內取得突破性的進展，從實驗狀態打敗人類的演算法到真正的產業應用也是非常漫長的過程，尤其是醫療領域。
該欄目為丁香園在鈦媒體開設的獨家特約專欄，專注於對大健康行業趨勢及技術創新的觀察，每月更新。本篇文章作者為丁香園CEO張進，獨家首發鈦媒體。
請注意，以下觀點主要基於人工智慧在醫療場景落地的假設。
1、人工智慧在外行看起來有力而魔幻，比起技術佈道者各種鼓吹，真正的從業者們都保持非常剋制的樂觀。
建議不要通過媒體報道來認知人工智慧，要和真正一流的人工智慧從業者交流，並且到實際技術落地的場景去看看。去看看在醫院的「機器人」過的好不好，去看看那些已經比醫生準確度更高的人工智慧演算法是停留在Paper、公關稿上，還是真的可以在醫療場景落地。
2 、總的來說，人工智慧還在出發點附近，走的並不遠，距離人們期待的智慧還非常遙遠。 人工智慧概念加持可以讓你的專案聽起來更加sexy，乃至獲得資本溢價，但真正要在專案中落地還是要保持冷靜和清醒。
3、人工智慧目前還是分類系統而不是感知系統，分類能力很強，理解、推理和泛化能力很弱，還在弱人工智慧時代，強人工智慧還只是一個概念，且並沒有明確的實現路徑。
4、 人工智慧需要基礎研究及理論的重大突破，目前看起來挺困難 。所以，弱人工智慧時代會持續相當長的時間（至少在基礎理論獲得重大突破以前），弱人工智慧比較適合解決明確輸入輸出，不需要長鏈推理和泛化，不需要詳細解釋，允許出錯的窄場景。
5、很多人誤以為醫療診療決策是基於精確的科學依據、統一的診斷標準和統一的治療方法。但實際上大量的醫療決策經常是基於經驗、推測、慣例，甚至是便利或習慣，還有患者的支付能力等等因素。
簡單地說， 除了醫療的標準，還有大量非標準的推理在起重要作用，這和弱人工智慧的確定性資料和場景及弱推理能力相去甚遠。
6、在醫療某個確定的小場景，演算法可以帶來一定的輔助作用，但是如果不能帶來體驗、效率或者質量、數量級的提升，也很難在醫療領域落地實施，因為成本太高，獲益有限。
很多做醫療影像的人工智慧公司都宣傳讀片某個環節的準確度超過了醫生，“但很多時候只是在電腦上多了一個「不常使用的AI功能鍵」，（醫生）一般不會用。”行業人士曾這樣說。
只能識別肺部結節的AI對於需要全面解讀片子的影像科醫生來說，有時候甚至是累贅。以相對成熟的語音識別來說，技術上確實已經可以實現比較高的識別率，但用它來寫報告和病歷的醫生非常少，因為大部分時候，實際上還不如模板加鍵盤的效率高。
7、弱人工智慧很容易受干擾，魯棒性很差，這在醫療的核心診療領域基本不可被接受。 醫生是「小錯不斷、大錯不犯」，人工智慧則是「小錯不犯，一犯就犯大錯」。
8、與機器相比，人類算的慢，但可以通過推理和理性糾正；機器又快又認真，但容易出大錯。
比如特斯拉無人駕駛汽車未能識別橫穿公路、白色車身且車身過高的拖掛車，從而導致重大事故，新手司機應該也不太會犯這種錯誤。 說白了，在無人駕駛和醫療應用領域，無法預先讓機器學習所有未來可能遇到的場景資料集，需要推理和泛化。
從分級上看，無人駕駛已經到了僅次於最高級別的 L4 ,但是要從 4 到 5 ，需要完成的不是簡單的爬坡升級，而是質的飛躍。包括 Google 在內的大量無人駕駛團隊，之前宣稱要在 2020 年量產 L5 級別的車，大考之日臨近，這一目標能否實現？如果不能實現 L5 級別的無人駕駛， L4 級別輔助無人駕駛根本談不上數量級以上的體驗和效率提升，就像很多汽車有自動泊車功能，但實際運營非常少。這一點，無人駕駛和醫療領域非常相像。
9、提到無人駕駛和醫療人工智慧，就不得不提倫理和法理。無人駕駛汽車撞死人，應該誰負責？涉及到人體，倫理是迴避不了的話題。 如果拋開倫理的限制，藥物臨床研究會快很多，但是沒有倫理，好萊塢電影中的「邪惡博士」就真的會降臨人間。
10、另外，人工智慧是一個底層的工具，和網際網路一樣。 未來不會有人工智慧公司，人工智慧會成為每個公司的一個部門 ，就像公司的大資料團隊一樣，輸出底層的資料和算力。人工智慧現在還不是一個嚴絲合縫的工程科學，還遠沒有到可以像安卓一樣成為行業大規模應用的工具平臺。
11、在醫療領域只有場景明確且狹窄、容錯性相對高，並且容易得到確定資料（少推理）的少數問題我們可以進行嘗試性的投入和關注。實際上我們也在面板病和智慧分診上做了一些嘗試，並藉此保持對這個領域接觸和關注。 但必須明確，技術層面的關注和公司戰略層面的實施是兩個事情。
12.最後，即便人工智慧技術能夠在短期內取得突破性的進展，從實驗狀態打敗人類的演算法到真正的產業應用也是非常漫長的過程，尤其是醫療領域。
「老技術」在消費網際網路領域似乎示弱，但是在醫療領域，哪怕是簡單的資訊化帶來的效率和體驗提升都遠大於人工智慧。我們對人工智慧保持長期樂觀，但短期的泡沫還是挺明顯的。
前路坎坷，仍值得行走，但勿盲目樂觀。 （本文首發鈦媒體，作者/丁香園CEO 張進 編輯/付夢雯）
更多精彩內容，關注鈦媒體微信號（ID：taimeiti），或者下載鈦媒體App
