当今世界人工智能已经发展到什么程度了？

前天谷歌AI掌门人交替，昨天又传出新消息：谷歌原来的人工智能及搜索负责人John Giannandrea，将加盟苹果，领导其机器学习和人工智能的发展。

Google前搜索、人工智能主管John Giannandrea加入了苹果公司。《纽约时报》率先报道了这个消息。这位高管宣布，他将辞去在Google的职务。在大范围的人事调动中，这个消息让人感到意外。在硅谷，人工智能工程师是最受欢迎，薪水甚至可能超过8位数。周一有消息称，Giannandrea出人意料地辞去了Google人工智能首席执行官一职，他也因此成为市场上最炙手可热的技术高管。

为什么人工智能行业变得如此火爆？当今世界人工智能已经达到了什么程度呢？

一个小规模皮肤病肿瘤病理阅片比赛，

比赛双方一方是来自北京、云南、内蒙古的医生们

另一方是国内公司研发的医疗影像人工智能

结果毫无悬念，AI获胜。

随着2016年，李世石1：4惨败alphaGo

人类渐渐习惯了一件事：

人工智能正在颠覆一个又一个行业。

18世纪开始的大工业化生产替代了手工业，

现在机器人也将代替越来越多的替代人类工作。

麦肯锡发布的报告认为：到了2030年，受人工智能的影响，将近8亿人会失业。

医生也会被人工智能取代，因此失业么？

在得到结论之前，必须先了解一下现在很热的人工智能在医疗领域的应用发展到了什么程度。

真正能像《终结者》里的超强人工智能并没有出现，在任何一个领域都没有。

一般按照水平高低，人工智能可以分成三大类：弱人工智能、强人工智能和超人工智能。

现在所有的人工智能研究都没有突破弱人工智能，包括全球最顶尖的alphaGo，包括深蓝，包括watson。

其基本原理都是统计数据，从中归纳出模型，只能专注完成某方面的任务，与传统工具没有本质的区别。

目前的机器学习归根到底只是高度拟合，与具有自主心智、独立意识、机器情感之类科幻影片中人工智能形象相比还差着好多个霍金。

需要担心的其实并不是人工智能的失控，是盈利目标裹挟下的商业道德失控。

人工智能在医疗领域的应用是目前最火热，含金量也是较高的一个领域。

有机构调研数据显示：目前国内有近200家从事医疗人工智能的公司，累计融资金额超过180亿元人民币。

产品主要以软件为主，业务面向主体包括医院、药店、药企、研究机构、保险公司、移动医疗，可应用场景主要有医学影像、疾病风险预测、药物研发、健康管理等，不过都处于早期阶段，例如，医学虚拟助理类产品一般只能让病人做选择题，还达不到siri的水平。

百度、阿里、腾讯等BAT三巨头在医疗人工智能领域也都已经展开布局，但同样，大多产品尚未成熟，算法模型处于训练优化阶段，虽有商用试水，但没有大规模成熟应用。

医疗影像是人工智能在医疗领域应用的热门中热门。

相对实现条件最成熟。

在医疗大数据中，超过 80%的数据来自于医学影像，海量数据是建模的基础。

一般做法是：从放射科提取图像；对之进行图像分割、提取图像有意义的特征区域；然后进行预处理、标注，将这些数据交给机器进行训练，训练好的模型就可以帮助医生进行影像辅助决策了。

当前流行的机器学习在处理医学影像识别上其实有天然优势，利用数据量以及计算量作为模型驱动力，卷积神经网络（CNN）以及深度神经网络（DNN）等深度学习算法已经超越传统方法的图像识别性能。

中国团队在《cells》上发表论文，称其主研发的精确诊断眼病和肺炎两大类疾病的人工智能（AI）工具，它的总体准确度达到了96.6%。

当然，人工智能还可以可以进行其他医学数据收集，比如病历文献分析、诊疗结果把控等。

理论上来说，人工智能可以实现流程自动化，提升流程效率，提高诊断准确度，将在包括医学影像在内的诸多领域中发挥主要作用。

然而，想要投入大规模使用仍需要解决的两个问题：一是标准数据来源，二是成本。

大型计算能力、存储都是成本。

计算力和存储倒是越来越便宜，

这也使得越来越多的AI得以民用推广的原因（智能语音、拍图购物啊背后全是AI）。

真正的瓶颈在数据的来源以和数据的质量。

无论你想要AI看皮肤肿瘤还是看眼睛，目前主流采用的都是基于神经网络训练，

第一要点是需要海量数据进行训练。

数百万张统一标准、高质量的医疗图像常常只是打底的基础。

文章开头说的那个例子中AI虽然整体的识别率高于医生，但其实对恶性肿瘤平均符合率也只有75%，现场有的医生数据是高于它的。

很显然，它的模型还需要进一步训练，以大力完善。

数据从哪儿来？

真实世界中的医疗数据非常之分散。

一方面国内医院出于数据安全和其他原因不愿意共享和公开，另一方面缺乏统一的标准，不同医院产生的影像数据质量参差，很难使用。

京津冀一些医院已经实现影像互认，这只是对于人。对于机器来说，使用影像扫描设备不同造成的机器识别依然困难，比如CT排数不同，电流、电压、扫描时间等参数不同，可能AI就需要重新训练。

所以，现在很多做AI的公司主要在一线城市和三甲医院合作，或采用一些公开的数据做初始训练，想要临床使用，这显然远远不够。

就目前的现状，仅医学数据质量的提升和共融共通，可能需要非常非常长的时间周期。

而，在数据采集的时候，谁来确保被采集者的数据安全问题？

目前来说，AI依然是一个处于婴儿期的产品，技术不完善，应用昂贵。

听起来非常高大上的人工智能医疗，在目前阶段数据采集大多靠人工（有些可穿戴设备数据可以自动上传）。

在数据处理的第二阶段：数据的标注也是纯人工在做。

数据标记员需要对每一张图像进行人工分类、画框、注释、标记，以给机器学习提供先验经验。

这是一个随着AI新兴的岗位，纯劳动密集型，就像工厂流水线的工人一样，只是换成了电脑和鼠标。

可以说，AI造成了一部分结构性失业又创造了另外一些需求。

畅想一下，在现有的条件下AI可以做的事情也还是很多的。智能医疗影像识别虽然不够完美但是依然可以大量缓解医生不足的问题，医疗助手可以对病人进行轻问诊、减少过度医疗；还有人机协同的手术机器人、智能生物兼容的生理监测系统、基于人工智能开展大规模基因组识别，高通量新药研发等等。

AI 并不能替代医生，除非强人工智能有新的突破。

何况，医生看病不止于看图这么简单，就目前人工智能的发展完成的仅仅是诊断环节中的很少一部分工作。

想要一个抱一下就能知道你会不会发烧的机器人，很容易。

想要大白？做不到。

不过，聊天的可不一定啊。

微信上秒回你的是爱人还是AI？

你知道么？（想想有点可怕）

再从总体来讲，

描述人工智能进度可以从人类智能几个维度（或层级）来看，例如：

motor control（行动）

perception (感知）

language （语言）

cognition: memory, understanding, communication，planning， etc. （认知）

generation （生成）

motor control严格意义不算AI的范畴（比如 boston dynamics并不使用也没有什么AI技术）。而motor control本身有很多非常基础，但远没有得到解决的问题，例如grasping。暂且不表。

目前所谓的AI (or deep learning) 主要是在perception中大放异彩。具体而言，是perception中的识别 (recognition) 做的很好：例如图像物体识别，语音识别，等。而这些任务一般有如下特征:

有非常明确的优化目标 (supervised signal)，有清晰的衡量方式 (metric)，有大量的高质量标定数据 (labeled data)，连续数据表达并且数据之间有强关联。

这里面有一个不满足，都有一堆的研究问题需要解决。

language（例如NLU）有很多研究工作，但目前除了在机器翻译上面还没有特别大的突破或应用。

cognition需要和其他领域多做结合，例如神经科学，甚至是传统的基于逻辑的符号人工智能。目前没有见到特别让人兴奋的研究。这块也是通向通用人工智能AGI的必经之路。DeepMind在这里有很多投入。

有意思的是曾经被认为非常困难的generation，在这几年有很多让人振奋的新工作和应用 (GAN, Autoreressive modeling, etc)。在一些领域，比如语音合成 (Tacotron)，在特定情况下已经通过了图灵测试。个人认为这个方向将是下一个爆点。

总体来说目前的AI虽然产生了极大的工业和社会价值，但从基础研究上来讲仍然有很大的局限。即便如此，我一直保持乐观态度：科学进展的速度永远都是被低估的。