被稱為“認知計算”革命性代表的IBMWatson從誕生那一刻起，就一直在被質(zhì)疑中發(fā)展，在發(fā)展中被質(zhì)疑。近日，坊間傳言IBM Watson健康部門將裁員50%-70%，甚至也有傳言說，整個健康部門將被關閉，所有員工要么辭職要么轉(zhuǎn)崗。IBMWatson是失敗的案例，這已經(jīng)是業(yè)界普遍結(jié)論。問題是，為什么IBMWatson一度被業(yè)界仰望，又為了什么，曾經(jīng)的神，那么快就失敗?

失敗原因之一：

過分夸大的市場宣傳

自從IBMWatson面市，對外的市場宣傳，有兩個重點。1. IBMWatson超越人類醫(yī)生，2. 能夠解決連人類醫(yī)生都撓頭的疑難雜癥。這樣的宣傳，在短時間內(nèi)，迅速拉高了外界對于IBM Watson的期望。IBM Watson的宣傳策略，拉升了公眾對自己產(chǎn)品乃至整個醫(yī)療AI產(chǎn)品的期望值，獲得了外界大量的關注。但是，在業(yè)界還缺乏統(tǒng)一的測試標準，產(chǎn)品最終的臨床效果還有待評價的情況下，過分夸大的市場宣傳，對產(chǎn)品長期健康的發(fā)展并沒有好處。然而，高調(diào)到失真的宣傳，成為IBMWatson日后失敗的罪魁禍首。

主攻腫瘤等疑難雜癥的Watson?

IBMWatson對外宣傳自己從海量的醫(yī)學文獻和病歷中提取醫(yī)生臨床診斷經(jīng)驗，通過機器學習讓計算機掌握臨床診斷方法，可以替代人類醫(yī)生看很多疑難雜癥，例如腫瘤。這個目標為IBM研發(fā)團隊挖了一個巨大的坑。疑難雜癥的病歷數(shù)量必然就很少，診斷成功的案例就更為罕見。訓練數(shù)據(jù)不足，IBMWatson如何用機器學習的方法，獲得精準的結(jié)果?

Watson的診斷精度比人類醫(yī)生更高?

IBMWatson宣稱在東京大學附屬醫(yī)院等試點項目中，IBMWatson的診斷已經(jīng)比人類醫(yī)生中最頂級的專家的會診更加精準。機器學習，能學習到人類醫(yī)生的經(jīng)驗，已經(jīng)讓人喜出望外。想讓機器通過學習人類，，然后超越人類，不是不可能，但是前提條件是，必須能讓機器反復試錯。臨床醫(yī)學，試錯的代價是人類生命，這和下圍棋可不一樣，不是能夠容忍反復試錯的場景。

失敗原因之二：

技術水平遠遠不能支撐超越人類醫(yī)生的目標

理論研究指導產(chǎn)品實踐，產(chǎn)品實踐推動理論研究。在IBMWatson研究組發(fā)表的相關論文中，沒有發(fā)表過有關機器閱讀的成熟的研究成果，其實直至今日，機器閱讀仍然處于低幼階段。而IBM 的宣傳聲稱，IBMWatson能夠在10分鐘內(nèi)，閱讀2000萬篇癌癥研究論文，并且把人類自然語言，翻譯成機器可以處理的形式語言(formal language)，然后與病人的基因變化進行對比。

當IBMWatson課題研究的前沿課題，都還沒有遠遠不能完成真正的閱讀作為在市場上出售的產(chǎn)品級別的IBMWatson，怎么可能高速讀解人類論文，并且基于閱讀理解，做進一步操作，譬如對比呢?

失敗原因之三：

產(chǎn)品開發(fā)與研究及市場嚴重脫節(jié)

IBMWatson在產(chǎn)品開發(fā)階段，不但與市場宣傳脫節(jié)，同時也與前沿技術研究脫節(jié)。事實上，IBM內(nèi)部真正參與產(chǎn)品開發(fā)的人員，數(shù)量并不充裕，使用的真實病歷數(shù)量也不多。病歷數(shù)量最多的單病種是肺癌，而肺癌的病歷數(shù)量也不過只有635例，其它疾病更是少得可憐。

食材少，廚師少，巧婦難為無米之炊，從何談起超越人類醫(yī)生呢?

失敗原因之四：

整體規(guī)劃混亂戰(zhàn)線太長

2015年8月份，IBM 花費 10 億美金，收購醫(yī)療圖像公司 Merge Healthcare。但是似乎在IBM Watson并沒有在醫(yī)療圖像識別領域，取得搶眼的成就，更沒有在產(chǎn)品中，把文字解析與圖像識別，深度融合。忍不住想問，IBM的投資并購與產(chǎn)品研發(fā)，有沒有預先規(guī)劃好整合路徑?

IBMWatson不可磨滅的功績：從“演繹法”到“歸納法”

醫(yī)療人工智能演變的前世今生

以CDSS(Clinical Decision Support System)臨床決策輔助系統(tǒng)為例，最早是在1970年前后，美國匹茲堡大學的研究人員開始從事這一領域的研究，當時研究人員使用的主要方法是從醫(yī)學教科書和醫(yī)學文獻里提取醫(yī)學規(guī)則，規(guī)則被表達成“if-then”的形式邏輯。輸入患者的癥狀，找到相應的if，然后根據(jù)then，推斷罹患的疾病。

兩年以后，1972年，斯坦福大學的教授也開始進行類似的研究，這個研究課題名叫MYCIN。MYCIN也主要是 if-then規(guī)則庫，但是后來if-then規(guī)則庫有了一個響亮的新名號，叫“專家系統(tǒng)Expert System”。

If-then規(guī)則，非黑即白，涇渭分明。后來把概率引入進規(guī)則，又用網(wǎng)狀結(jié)構，把眾多規(guī)則關聯(lián)在一起，這就是1990年代大紅大紫的技術，貝葉斯網(wǎng)絡，又稱因果關系網(wǎng)絡。貝葉斯網(wǎng)絡的旗手是Judea Pearl教授。2011年，他獲得圖靈獎。另一位研究“貝葉斯”網(wǎng)絡的大咖是斯坦福大學的一位女教授，叫Daphne Koller?！柏惾~斯”網(wǎng)絡在數(shù)學上很美，但是落到實際應用過程中非常的復雜，始終找不到好的應用落地，于是貝葉斯網(wǎng)絡熱了一陣以后，現(xiàn)在門可羅雀。去年召開的一場國際計算機領域?qū)W術會議上，Pearl教授的演講，聽眾寥寥。而Koller教授更為大家熟悉的成就，是與吳恩達合辦的網(wǎng)校Coursera。

直到2011年，IBMWatson出現(xiàn)了。最開始的時候，IBMWatson是IBM研究院的一個研究課題，課題組從2006年開始，研究自然語言處理。他們教機器，從文獻摘錄出 “葡萄牙人，瓦斯科·達·伽馬，于1498年5月20日到達卡利卡特” 這樣的語句。又從其它文獻中，摘錄出 “卡利卡特位于印度西南部”這樣的語句。然后串聯(lián)這兩句語句，推理出這樣的結(jié)論，“葡萄牙人，于1498年登陸印度” 。這個課題組最著名的成就，是2011年參加了美國知識問答電視競賽，Jeopardy，并戰(zhàn)勝了人類選手。

這場比賽非常重要，它事實上宣告了AI人工智能應用時代的到來，是人工智能史上重大的里程碑事件。但是，這個事件本身只是一場電視節(jié)目問答游戲。游戲成功以后，IBM公司積極致力于把科技成果轉(zhuǎn)化為贏利產(chǎn)品，進過一番分析比較，IBM選擇了醫(yī)療。

IBMWatson

醫(yī)療人工智能領域的探路者

事實上，IBM選擇醫(yī)療方向進行轉(zhuǎn)化是對的，醫(yī)療服務市場空間非常巨大。從海量病歷中，挖掘整理人類醫(yī)生的臨床診療經(jīng)驗，這個方法論是歸納法。而先前從醫(yī)學文獻中提取規(guī)則的方法，是演繹法。IBMWatson改變了人工智能醫(yī)療所使用的方法論。

近代科學的歷史說明，方法論的改變很可能帶來翻天覆地的變化。在FrancisBacon以前，主流的方法論是演繹法。從圣經(jīng)古蘭經(jīng)這些真理的源泉，推理出生活中細節(jié)規(guī)律。FrancisBacon倡導歸納法，在他的影響下，出現(xiàn)了人們開始重視歸納法，隨即出世牛頓這樣的科學家，然后科學家源源不斷地大量涌現(xiàn)。

因此，IBMWatson從海量病歷中提煉臨床診斷經(jīng)驗，而不是從醫(yī)學文獻中摘抄并推理醫(yī)學規(guī)則，這是方法論的變革。IBMWatson引領認知革命，這句贊譽，并不過分。

目前很多人把谷歌公司的Google Medical Brain項目，視為人工智能醫(yī)療的業(yè)界領袖。Google Medical Brain項目也是從海量的病歷中，挖掘整理人類醫(yī)生的臨床路徑。并且于今年4月份在Nature雜志上發(fā)表了一篇論文，系統(tǒng)地描繪了Google Brain整個項目規(guī)劃。方法論一致，但是細節(jié)更精致。雖然IBMWatson由于上述四個方面的原因，現(xiàn)在落后了，但是IBM的歷史功績是必須得到承認的。因為IBM改變了方法論，思路決定高度!

未來智能實驗室是人工智能學家與科學院相關機構聯(lián)合成立的人工智能，互聯(lián)網(wǎng)和腦科學交叉研究機構。

未來智能實驗室的主要工作包括：建立AI智能系統(tǒng)智商評測體系，開展世界人工智能智商評測；開展互聯(lián)網(wǎng)（城市）云腦研究計劃，構建互聯(lián)網(wǎng)（城市）云腦技術和企業(yè)圖譜，為提升企業(yè)，行業(yè)與城市的智能水平服務。