作者：王晓行

“横看成岭侧成峰，远近高低各不同。”

用这句诗来形容当前人们对人工智能的理解最合适不过了。

人工智能浪潮起来以后，在医3疗领域各种各样的“人工智能”冒了出来，在一些医学会议上，可穿戴设备、自动化系统、专家系统、智能化设备、最新辅助诊断系统、传统的CAD技术都被企业或者医生称为人工智能。

究竟什么是人工智能？或者说什么是新时代的人工智能，与十几年前出现的人工智能有什么区别？在医疗方面，研究又处于怎样的阶段？这波浪潮又能持续多久？这是最近经常听到的问题。

带着这些问题，记者查阅了一些资料并采访了斯坦福大学AI教授、百度深度学习研究院专家、医疗AI企业的首席科学家、创业者、吉林大学智慧医疗的负责AI的教授以及在医疗AI投入上亿元的投资人，希望从他们那里得到答案。

> > > >鹦鹉智能与乌鸦智能

加州大学洛杉矶分校UCLA、统计学和计算机科学教授、视觉、认知、学习与自主机器人中心主任朱松纯曾在视觉求索的一篇文章《浅谈人工智能：现状、任务、构架与统一 | 正本清源》中做了两个比喻，很有意思：“鹦鹉智能”和“乌鸦智能”。

鹦鹉有很强的语言模仿能力，人多教育几次，鹦鹉就可以重复人类一些短语，这就类似于当前的由数据驱动的聊天机器人。二者都可以说话，但鹦鹉和聊天机器人都不明白说话的语境和语义，也不能把说的话对应到物理世界和社会的物体、场景、人物，不符合因果与逻辑。

乌鸦要远比鹦鹉聪明，他会利用工具，懂得物理常识和人类简单的社会常识。

上图是日本的研究人员跟踪拍摄的，乌鸦是野生的。它必须靠自己的观察、感知、认知、学习、推理、执行，完全自主生活。

为了获取坚果里面的食物，经过各种尝试以后，它发现把果实放在马路上，让车子轧过去就可以得到食物（图b），但是马路上车水马龙，容易丢掉性命。然后它就站在马路上方的电线杆上观察，这之前他没有经过大数据学习。它发现在靠近红绿路灯的路口，车子和人有时候停下了。这时，它必须进一步领悟出红绿灯、斑马线、行人指示灯、车子停、人流停这之间复杂的因果链（图c、d、e）。最后它发现规律，最终吃到了食物。

在这个过程中，乌鸦是完全自主的智能，完全自主感知、认知、推理、学习、和执行。也没有几百万训练数据供他学习。在这个过程中他学习耗能也很低（人脑功耗大约是10-25瓦，乌鸦大脑约为人类1%，它就只有0.1-0.2瓦）。

鹦鹉智能属于现在在应用方面流行的数据驱动型智能，虽然与乌鸦智能有差距，但是在医疗这个垂直领域是有前景的。乌鸦智能属于人们希望的人工智能。

具体来讲什么研究和应用属于人工智能范畴，朱松纯给了一个系统的归纳，它涵盖了六个领域：

（1）计算机视觉（暂且把模式识别，图像处理等问题归入其中）；

（2）自然语言理解与交流（暂且把语音识别、合成归入其中，包括对话）；

（3）认知与推理（包含各种物理和社会常识）；

（4）机器人学（机械、控制、设计、运动规划、任务规划等）；

（5）博弈与伦理（多代理人agents的交互、对抗与合作，机器人与社会融合等议题）；

（6）机器学习（各种统计的建模、分析工具和计算的方法）。

由于学科比较分散，从事相关研究的大多数博士、教授等专业人员，往往也只是涉及以上某个学科，甚至长期专注于某个学科中的具体问题。比如，人脸识别是计算机视觉这个学科里面的一个很小的问题；深度学习属于机器学习这个学科的一个当红的流派。

在医学应用层面，据动脉网了解目前市场上见到的医学人工智能产品如辅助诊断系统、影像辅助诊断系统都是多领域交叉合作，并结合临床实践得到的成果，仅凭在一个领域内的研究是很难取得成绩。

> > > >三个问题教你识别人工智能公司

全球著名的计算机博弈专家吴韧认为，这一轮人工智能能够取得前所未有的进步主要有三个方面的原因：

第一，大数据的积累。在医学方面，随着电子病历和数字胶片的积累，大量可以用于研究的结构化病例保存起来。而这个大数据至少是以10万份为起点，并且可直接用于模型训练的数据。

第二，计算能力的提升。这几年，云计算、GPU等一些计算能力的提升为处理大数据提供基础，缩短了训练模型所用的时间，将训练周期缩短为几天。

第三，大数据与计算力的结合，是研究人员可以快速得到并训练出可以应用在时间中的算法模型。而现代的可以称之为人工智能的产品，必须有深度学习技术的参与。之前的人工智能技术并没有很好的解决问题，而深度学习技术的出现才推动了这波浪潮。

吴韧表示，正是由于这波人工智能兴起的原因，决定了这次浪潮将是持续的，而不是间歇性的。从目前取得成绩来看，也在验证这种说法。

基于这三方面常识，我们可以用以下几个问题来鉴别新时代的人工智能公司。

1、公司数据从何而来，是网上下载还是从医院获取高质量标注数据？

2、公司算法模型从何而来，是从网上下载别人训练好的，还是自己训练模型。如果是自己训练的模型，那么训练软件是哪一款，计算能力有多强？

3、自己训练的模型又与别人开源的模型有什么区别？训练的计算机里面有几块GPU？

> > > >通俗易懂的3条判断标准

除了从技术上做鉴别，图玛深维创始人及CEO钟昕也给出了通俗易懂的判断医疗AI公司方法。

1、拥有长期从事医疗背景人工智能技术研究的核心技术团队。比如说图玛深维的首席科学家陈韵强博士，大学是清华大学生物医学工程专业，毕业后进入中国自然科学最高学术机构-中国科学院自动化研究所，专攻人工智能专业。1998年赴美国伊利诺伊大学厄巴纳-香槟分校电子与计算机工程系攻读博士学位，师从 “计算机视觉之父” 黄煦涛教授。长期在西门子研发全球研发中心从事医疗图像计算机视觉和人工智能研发，这类医疗和人工智能都具有深厚背景的复合型人才是非常稀缺的。能够吸引这样顶尖的专家加入公司，代表图玛深维核心竞争力之一。

2、参与国内外与医疗人工智能相关的学术会议和展会，交流成果。在参会的过程中，企业会参与学术和科研的讨论，在交流中自会展示自己的公司以及产品的情况。比如在此次北美放射年会上，图玛深维亮相了6大产品体系，与国内外的行业人士进行了深入的交流。在此次展会上，有很多友商也参与了展览和学术交流，也许现在和将来我们会存在竞争关系，但是我们非常尊重友商的研究成果。如果一个公司长期脱离人工智能的圈子，只是做一些包装宣传，那就值得怀疑。

3、公司需要拥有落地医院的产品，以及医生对产品的认可度。图玛深维已经分析过的胸部CT扫描病例超过5万病例，获得了医生的广泛认可。如果仅仅是在公司网站上写一句自己属于人工智能公司，没有实际产品，那么最后很难获得最终落地客户认可，这样公司是难以获得长期生存机会。

钟昕总结道，那些真正掌握了核心技术，踏实做事情，并把医生的需求转化为落地产品的公司都有很好的发展前景。

> > > >人工智能智能必须理解物理世界及其因果链条

有专家表示，人工智能可以发现人类未知的一些联系，而不是简单的专家职能的复制。在不同的环境条件下，智能的形式会是不一样的。任何智能的机器必须理解物理世界及其因果链条，适应这个世界。

希氏异构宋捷表示，医学AI发展方向一定不是仅仅依靠人类对疾病的关联、特征的认识去让计算机对疾病做出判断，医学是不能完美的结构化的，要知道人类对于自然的认识或许只有自然界本质的百分之几，倘若我们用这百分之几的“经验”去“规范”AI对自然的认识标准，那么AI的未来一定不会有突破，发展瓶颈不会超过人类医生的认知。我们更希望AI能帮我们找到我们尚未认识到的疾病的更多的关联和最佳的治疗途径。

各种现代技术，在医疗方面或许都会有不错的应用可能。但是，AI解决的问题，就是人类认识疾病的效率问题，AI能把人类需要若干年才能发现的疾病关联、特征，用很短的时间，找出来，这个过程可能是几天，未来可能是几个小时，这就是AI的真实能力!

反过来说，现阶段AI要依赖人类已有的大数据的支持，凡事号称基于很有限的数据“研究”出很好的模型的说法，可以说都不是真正的AI。各种技术可能都会有医疗的应用前景，但不见得非得要搭车AI。

有人则认为，医疗人工智能就是可以自动半自动的对疾病进行诊断。

系统通过阅读海量的电子病历或者医学知识，然后自己形成一套知识图谱，并具备逻辑推理的能力，根据输入的患者疾病特征推理做出诊断，并给出诊断依据。核心是系统自己找寻疾病的特征和规律，自己创造规则，而不是研究人员告诉系统疾病的特征。

而那些将规则“写死”的系统不算人工智能。比如说系统将疾病的10个特征全部写进去，只有满足这个这10个特征才可以诊断疾病，这些显然不是人工智能系统。

> > > >深度学习是新时代人工智能的标志

朱松纯表示，在概率统计的框架下，当前的很多深度学习方法，属于一个被我称作“大数据、小任务范式（big data for small task）”。针对某个特定的任务，如人脸识别和物体识别，设计一个简单的价值函数Loss function，用大量数据训练特定的模型。这种方法在某些问题上也很有效。但是，造成的结果是，这个模型不能泛化和解释。

达泰资本创始人叶卫刚表示，新时代的人工智能必须有深度学习能力。纵观中美的医疗人工智能创业公司，他们大多是计算机背景的企业，通常拿一些基本数据直接做数学模型，然后计算模型跟医疗流程的结合是非常需要行业融入能力的。

作为资本方，达泰既关注具备底层研发技术的公司，也关注应用类人工智能企业。应用类人工智能企业在本地化做好的前提下，可以很好的解决行业痛点。比如达泰投资的汇医慧影，这家公司在通用深度学习算法框架的基础上，针对影像的三维，大尺度，高灰阶以及小数据量等影像特殊问题，做了针对性的开发以及优化了底层框架，使得人工智能能在医学影像有很强的识别度，并且建立医学影像应用的行业壁垒。

> > > >结果更重要

最后，一名长期从事人工智能研究的医生还给出了不同的结论，医生认为只要能够提高效率，减少重复性的工作，提供更好的诊断准确率，不管它是用什么底层技术，都可以称之为人工智能系统，没有必要非得纠结于技术的来源和名称。