人工智能在医疗领域应用风险很大

虽然医学人工智能是发展的大趋势，但目前AI还有很多不成熟的地方，如果大规模在临床应用的话是很危险的。在资源不足且分布不均的医疗领域，人们开始把希望寄托在机器上，医疗成为人工智能（AI）赋能的热门领域。前瞻产业研究院数据显示，2017年中国医疗人工智能市场规模超过130亿元，并有望在2018年达到200亿元，医疗人工智能空间广阔。但现实情况是，AI进入医疗领域，头上有一面穿不透的天花板。

人工智能要一分为二地看待。一方面，从积极的态度看，医学人工智能目前是发展大趋势。大数据技术的发展使得AI已成为一个行业发展的必经之路和重要方向。从需求上来说，无论是大医院的医生，还是基层医生，都需要一些辅助用具，都需要一些用以决策的数据依据。按照人的记忆能力，是没法完成数字化大规模运算和大规模记忆存储的，这是人脑的局限性，而机器正好弥补了人类的短板。所以在很大程度上，我们对AI有很大的期待，将来在各个领域，AI都会产生重要的作用。但回过头来说，我们要清醒地看待AI现在发展的历程。

目前AI还处在非常初级的阶段，有很多不成熟的地方，包括数据模型的建立、数据的来源以及知识模型和知识标准等，这些方面都很初级。而且，目前都是工程师在建立模型，很少有临床医学的专家参与这个过程。所以在这个阶段，AI还存在很多缺陷和风险，如果大规模临床应用的话是很危险的，因为医疗是不能出错的。IT界有个行话叫开着飞机修飞机，但医疗是不行的，一定得把飞机修好了才能开上去，这是由行业的特点决定的，医疗和电商等领域都不太一样。

现在的AI是基于国际开源的一些公用的模型和算法，所以它局限在我们的语音识别、图像识别，对于很多其他逻辑数据的建立，目前还很难建造一个非常符合临床医学规律的数据模型。所以，这就需要更多的数学家参与到医学AI的开发中来。我们的医学数据模型没有建立的话，将来AI的应用场景就会非常受限，会很肤浅。

所以在目前这个状态下，AI用在基层医疗上是不行的，是一个风险所在。或许很多大专家有判断能力，但是基层医生是没有判断能力的，你把这样一个机器给他，他无法判定是采取机器的建议还是拒绝机器的建议，这对诊断疾病来说就会有潜在风险。

在AI不太成熟的时候，我们不主张大规模在医疗领域推广，但是我们需要实验，需要一个局限性的、小范围的、特定环境下的实验，目的是为了帮助AI工程师们去建立更好的数学模型。

现在AI的整个设计逻辑还存在短板，它是基于一种完全可控的、可知的、可预测的数学逻辑去建立的模型，换句话说，它是符合现代简单数学逻辑的，比如“1+1=2”的这种。但我们的临床疾病很多情况下不是如此清楚的数学逻辑，它是因果关系，其中会涉及很多潜在的干扰因素，还有未知因素，所以目前建立起来的AI模型还无法vwin 临床上的这种因果关系。简单一句话就是，目前的AI不具备逻辑推理能力，因为人还不知道自己的逻辑推理是怎么算出来的。

从生物学上来说，我们对人的这些跳跃性思维还不完全掌握，我们看到科学界有很多报告也对AI的一些优点和弊端做了相关鉴定。一方面，AI具备大规模的运算能力、存储能力、深度搜索能力以及快速学习能力。它目前解决的包括精确控制和远程操控，都是劳动密集型问题，也就是重复性的、简单逻辑很明确的工作关系。但是对临床诊断来说，它需要逻辑推理能力，这是AI的短板。所以目前整个AI的运用还有很大风险。

从思维方式上来说，积极的深度学习是一个连续性的学习，我们在人脑上叫连续性思维，但目前机器无法做到的是跳跃性思维。比如，我们人类有个事情解决不了，睡了一觉后，第二天早上突然灵光一现，找到了解决方案，这种跳跃性思维目前从生理学上是怎么诞生的，我们并不知道，这是脑科学还没有解决的问题，所以无法用机器去模拟这种跳跃性思维，这时候就无法完成逻辑推理层面上的治病过程。

从AI发展的技术上来说，技术本身存在很多缺陷，比如说鲁棒性的问题。鲁棒性是系统面临决策产生的干扰因素时表现出来的稳健性。人在判断错误的时候会有一些其他因素来补偿，人会及时终止自己的逻辑，会有一些潜意识的反应去防范一些恶性问题的发生。所以科学界说，人的鲁棒性是好的，后果不是很严重。但机器的鲁棒性是差的，它出现错误时自己都不知道是错的，会继续错下去，带来的后果很严重，因为它没有修正的过程。所以我们目前对AI的认识必须要看到背后的风险。