李飛飛最新訪談：希望AI領(lǐng)域泡沫盡快消散，尤其是醫(yī)療部分
2020-03-03 來源：raincent
技術(shù)與人性間平衡的支點，如何尋找?
最近，Medscape《醫(yī)學與機器》欄目的主持人、《深度醫(yī)學(Deep Medicine)》的作者 Eric J. Topol 博士與李飛飛圍繞“人工智能、醫(yī)療、人性”三個關(guān)鍵詞展開了交談。自從離開谷歌回到斯坦福，李飛飛就立即開啟了一項“以人為中心的 AI 計劃(Human-Centered AI Initiative，HAI)”，李飛飛曾在 twitter 上表示該項目的愿景是：推進 AI 研究、教育、政策和實踐，以惠及全人類。
Eric J. Topol 博士：大家好，這里是 Eric Topol，也是 Medscape《醫(yī)學與機器》的主持人。很高興能有機會與斯坦福大學的李飛飛教授面對面交流。她是斯坦福大學 Human-Centered 人工智能(HAI)研究所的負責人。多年以來，她在人工智能領(lǐng)域擁有巨大的影響力，同時也是我心中的巨人以及摯友。歡迎你，飛飛。
李飛飛：多謝，Eric。很高興來到這里。其實我對你也抱有同感，你永遠是我心中的醫(yī)學數(shù)字化英雄。
Topol: 哈哈，太客氣啦。此前，你在斯坦福大學開設(shè)了新的研究院，能不能結(jié)合背景講講開設(shè)新研究院的原因，以及這家研究院的定位?
李飛飛: 你指的應(yīng)該是斯坦福大學 Human-Centered AI 研究院。這所研究院當然有很多新鮮元素，但也繼承了不少學術(shù)機構(gòu)的特性，畢竟在斯坦福大學乃至美國其他地區(qū)，AI 技術(shù)代表著一大跨學科領(lǐng)域，從業(yè)者們也一直在 AI 社會下的人性問題方面推動著相關(guān)探索性研究。除此之外，AI 正在與人文、醫(yī)學、教育乃至其他各類領(lǐng)域開展跨學科合作。
新的研究院將把這一切結(jié)合起來，在我稱其為“重大歷史時刻”的當下，也是過去十年中的第一次，我們將見證“人工智能”從小眾計算機科學議題逐步融入現(xiàn)實生活。此外，我們也將見證 AI 技術(shù)給人類生活以及社會結(jié)構(gòu)造成的深遠影響，觀察它在各行各業(yè)的實際應(yīng)用，以及可能在無數(shù)產(chǎn)品及服務(wù)中迸發(fā)出的巨大能量。
無論是從科學性、應(yīng)用性還是對人類生活的切實影響層面出發(fā)，我們都有必要了解 AI 技術(shù)的發(fā)展導(dǎo)向，這一點應(yīng)該得到全世界的高度重視。
Topol: 毫無疑問，在醫(yī)學領(lǐng)域，AI 將給我們的生活帶來更重要的影響。也正因為如此，你才適合在新的研究院當中擔任負責人一職。
多年之前，你曾經(jīng)創(chuàng)立過名為 ImageNet 的項目，而該項目也隨著時間推移改變了整個 AI 領(lǐng)域的面貌。從各類圖像掃描場景來看，無論是視網(wǎng)膜圖像、心電圖圖像還是其他任何圖像，很多從事醫(yī)學領(lǐng)域并運用這類技術(shù)的人們，還不清楚 ImageNet 正是當前眾多醫(yī)學發(fā)展成果的最初萌芽。但我知道，如今的累累碩果，確實始于你當初建立的 ImageNet 項目。
你能給大家講講當初為什么要建立 ImageNet 項目，它又在深度學習領(lǐng)域引發(fā)了哪些變革嗎?
李飛飛: 我在 AI 領(lǐng)域的專業(yè)方向，主要是研究計算機視覺與機器學習之間的交集。早在 2006 年，我就試圖解決計算機視覺領(lǐng)域的一個核心難題——用直白的話來說，就是如何實現(xiàn)物體“識別”。
人類是一種非常聰明的動物，我們會以非常豐富的方式觀察這個世界。但是，這種視覺智能的基礎(chǔ)，在于首先準確識別出周遭環(huán)境中多達幾十萬種不同的物體，包括小貓、樹木、椅子、微波爐、汽車乃至行人等。從這個角度出發(fā)探索機器智能的實現(xiàn)，無疑是實現(xiàn)人工智能的第一步，而且直到現(xiàn)在也仍然是重要的一步。
我們一直在為此努力。當時我還年輕，在學校擔任副教授。在評上副教授的第一年，我就開始研究這個問題。但我突然間意識到，那個時代下的所有機器學習算法，在本質(zhì)上只能處理來自幾十種對象的一組極小數(shù)據(jù)類別。這些數(shù)據(jù)集中的每個類別只包含 100 張或者最多幾百張圖片，這樣的素材量遠遠無法與人類及其他動物的實際成長經(jīng)歷相契合。
受到人類成長過程的啟發(fā)，我們意識到大數(shù)據(jù)對于推動機器學習發(fā)展的重要意義。充足的數(shù)據(jù)量不僅能夠改善模式的多樣性，同時也在數(shù)學層面有著關(guān)鍵的積極意義，能夠幫助一切學習系統(tǒng)更好地實現(xiàn)泛化，而非被束縛在總量遠低于真實世界的數(shù)據(jù)集內(nèi)，經(jīng)歷一次又一次過度擬合。
以這一觀念為基礎(chǔ)，我們認為接下來不妨做點瘋狂的事情，那就是把我們周遭環(huán)境中的所有物體都整理出來。具體是怎么做的?我們受到了英語詞匯分類法 WordNet 的啟發(fā)，這種方法由語言學家 George Miller 于上世紀八十年代提出。在 WordNet 當中，我們能夠找到超過 8 萬個用于描述客觀對象的名詞。
最終，我們收集到 22000 個對象類，這些對象類通過不同的搜索引擎從互聯(lián)網(wǎng)上下載而來。此外，我們還通過 Amazon Mechanical Turk 發(fā)動了規(guī)模可觀的眾包工程項目，這一干就是兩年。最終，我們吸引到來自 160 多個國家和地區(qū)的超過 5 萬名參與者，他們幫助我們清理并標記了近 10 億張圖像，并最終得到一套經(jīng)過精心規(guī)劃的數(shù)據(jù)集。數(shù)據(jù)集中包含 22000 個對象類以及下轄的 15000 萬張圖像，這就是今天大家所熟悉的 ImageNet。
我們立即把成果向研究社區(qū)開源。從 2010 年開始，我們每年舉辦一屆 ImageNet 挑戰(zhàn)賽，誠邀全球各地的研究人員參與解決這一代表計算機視覺領(lǐng)域終極難題的挑戰(zhàn)。
幾年之后，來自加拿大的機器學習研究人員們利用名為“卷積神經(jīng)網(wǎng)絡(luò)”這一頗具傳統(tǒng)的模型刻了 2012 年 ImageNet 挑戰(zhàn)賽。沒錯，就是 Geoff Hinton 教授帶領(lǐng)的小組。
我知道，很多人都把 ImageNet 挑戰(zhàn)賽視為開啟深度學習新時代的里程碑式事件。
Topol: 大約四年之前，你走上了 TED 演講的舞臺，談到我們?nèi)绾谓虒?dǎo)計算機理解圖片內(nèi)容。那一期真的很特別，我想至少有幾百萬人觀看過這場演講。我記得之前曾經(jīng)問過你，你當時拿出了一張男人騎馬的照片，并解釋了計算機為什么在對象識別方面一下子就突飛猛進起來。
但如今的計算機視覺在不同情境下的表現(xiàn)仍然差距巨大，而且偶爾還會犯下錯誤。我曾問你，我們目前的水平就只能達到這樣，對吧?那么現(xiàn)在回頭看，我們對于訓(xùn)練機器理解圖像內(nèi)容的理論還準確嗎?
李飛飛: 是的，雖然圖像識別技術(shù)一直在穩(wěn)步發(fā)展，但你的觀點確實值得深思。圖像內(nèi)容仍存在很多計算機無法判定的細微差別、上下文、背景知識、常識以及推理性元素。這一切，都足以難倒當前最先進的機器智能。單在視覺角度來講，即使是騎馬者雕像這類看似單純的對象，都同樣可能讓機器摸不著頭腦。
也可以說，盡管我們通過大量訓(xùn)練構(gòu)建起一套能夠識別雕塑的系統(tǒng)，它也仍然無法重現(xiàn)人類智能在識別方面的表現(xiàn)。具體來講，人類能夠體會到雕塑中的藝術(shù)氣息、了解背景信息、識別出材質(zhì)，這一切都是現(xiàn)在的機器智能所無法做到的。
Topol: 沒錯。在醫(yī)學領(lǐng)域，情況也差不多，帶有注釋的數(shù)據(jù)集在體量上仍然無法令人滿意。由于沒有像 ImageNet 這樣包含上千萬張經(jīng)過精心標記的圖像，醫(yī)學從業(yè)者只能不斷使用相同的數(shù)據(jù)集訓(xùn)練自己的模型。
那么，我們有必要投入專門的精力構(gòu)建新的數(shù)據(jù)集嗎?或者說，自我監(jiān)督或者無監(jiān)督學習才代表著真正的未來?
李飛飛: 問得好，Eric。相信你也清楚，我認為答案絕不會非此即彼。在大多數(shù)情況下，高質(zhì)量數(shù)據(jù)集的匱乏確實讓醫(yī)學研究人員與開發(fā)人員感到沮喪不已。但在這方面，匱乏也有匱乏的理由。出于患者隱私與安全保護的原因，醫(yī)療數(shù)據(jù)往往需要受到更精心的管理，其中涉及的數(shù)據(jù)偏見問題也有可能引發(fā)更嚴重的后果。
在識別小貓時，有點偏見可能沒啥大問題。但一旦涉及到人類的生活、健康甚至是福祉時，偏見就會惹出大麻煩。正是由于這些問題，再加上法規(guī)的嚴格限制，導(dǎo)致醫(yī)學數(shù)據(jù)很難得到大規(guī)模匯總。我認為我們確實有必要為此付出努力，而且目前世界各地的研究人員也開始自發(fā)聯(lián)合起來，共同為攻擊這道難關(guān)而奮斗。
與此同時，技術(shù)本身的改進也有望從另一個角度帶來新的曙光。如你之前提到，除了需要高質(zhì)量的數(shù)據(jù)集以訓(xùn)練有監(jiān)督學習算法之外，機器學習領(lǐng)域在其他一些非常有趣的方向上也取得了重大進展，包括自我監(jiān)督、遷移學習、聯(lián)邦學習以及無監(jiān)督學習等。
我認為未來這些方法將相互結(jié)合。在某些特定場景下，我們?nèi)匀恍枰哔|(zhì)量的大規(guī)模數(shù)據(jù)集。而在另一些場景中，多模與混合數(shù)據(jù)集可能功效更為顯著。
Topol: 既然醫(yī)學領(lǐng)域已經(jīng)掀起了第一波 AI 浪潮，那么圖像識別肯定是最直接的受益場景吧**。此外，患者與醫(yī)生也開始與會話式 AI 系統(tǒng)交互，整個過程終于不用通過鍵盤實現(xiàn)，而且 **傳統(tǒng)錄入方式一直是患者跟醫(yī)生的共同敵人。在你看來，最終臨床醫(yī)生能不能在 AI 技術(shù)的幫助下徹底從枯燥的轉(zhuǎn)錄工作中解放出來?
李飛飛: 我百分之百相信這一點。這不只是是因為樂觀，也是因為我真心希望能夠通過 AI 技術(shù)的發(fā)展，在醫(yī)療保健領(lǐng)域減輕長期以來困擾著臨床醫(yī)生的機械重復(fù)負擔。
我的父母也已經(jīng)年邁，在醫(yī)院里照顧他們的時候，我曾經(jīng)認真觀察過護士和醫(yī)生們的工作內(nèi)容。我認為，在 AI 領(lǐng)域當中，像我這樣的研究者們真心希望幫助他們拿出更多時間來照料病人，而不是把大量精力浪費在盯著屏幕跟圖表上。無論是從患者、臨床醫(yī)生還是經(jīng)濟效益的角度出發(fā)，我都真心希望這一領(lǐng)域盡快迎來堅實有效的進步。
Topol: 我對你當時的經(jīng)歷很好奇。你需要照料父母，他們需要在醫(yī)院里調(diào)養(yǎng)身體。那么能不能談?wù)勄猩眢w會。在現(xiàn)在的一流醫(yī)療中心里，作為患者家庭成員，你的實際感受如何?
畢竟歸根到底，醫(yī)療保健的本質(zhì)在于由人類照料人類。
李飛飛: 首先，作為患者的家屬，人類的焦慮、恐懼以及希望等情緒波動仍然非常重要。如果沒有個人體驗，那么人類很難對事物表現(xiàn)出充分的信任。我堅信技術(shù)能夠在這一領(lǐng)域擴大并增強人類的工作能力，但絕對不是要替代人類。我自己的個人研究，以及斯坦福大學 HAI 研究院的相關(guān)工作，一直在以此為核心主題。這一點在醫(yī)學領(lǐng)域也體現(xiàn)得尤其明顯。
我聽說過不少關(guān)于 AI 系統(tǒng)徹底替代醫(yī)生的討論，因為機器在某些診斷當中擁有更好的表現(xiàn)。但是在經(jīng)歷了從外科手術(shù)到重癥監(jiān)護病房(ICU)的整個醫(yī)療體驗之后，再加上我在醫(yī)院里長期看護年邁父母的真實感受，我越來越無法想象沒有護士與醫(yī)生到底會是怎樣的情景。
歸根到底，醫(yī)療保健的本質(zhì)在于由人類照料人類。我之所以如此堅定，是因為如果技術(shù)能夠在處理文書工作方面發(fā)揮顯著的輔助作用，同時通過更快的早期診斷提升歸類效率，那么這樣一雙保障患者安全的關(guān)注之眼才是患者與醫(yī)護人員真正想要的。我目前所從事的正是這方面的工作，我對這一切也抱有極高的熱情。
Topol: 你與Arnold Milstein在這方面開展了不少合作，你也開始努力嘗試在 ICU 當中引入機器視覺方案，能不能跟我們分享一點經(jīng)驗心得?
李飛飛: Arnold Milstein 博士是斯坦福大學的醫(yī)學教授，同時也是美國醫(yī)療領(lǐng)域的意見領(lǐng)袖，一直致力于從研究、政策以及商業(yè)實踐等不同角度提高醫(yī)療質(zhì)量并削減醫(yī)療成本。
大約七、八年前，她和我偶然相遇，兩個人馬上就碰撞出了火花。作為 AI 教授，我感受到深度學習時代的到來，特別是通過無人駕駛汽車、智能傳感器、AI 算法進步以及相關(guān)技術(shù)成本下降所帶來的全新可能性。我相信，與目前主要依賴人類駕駛員的汽車不同，未來的運輸技術(shù)將呈現(xiàn)出完全不同的面貌。
我和 Arnold 最初的話題就是探討這項技術(shù)，分享心得，進而聊起醫(yī)療保健領(lǐng)域的種種問題，包括因系統(tǒng)低效、計時錯誤、人手不足等問題給患者安全帶來的巨大威脅。我們都希望能夠讓醫(yī)護工作者將更多時間花在患者身上，并幫助他們在工作中充分享受由智能傳感器與 AI 算法等成果帶來的全新體驗。
我們開始討論如何在醫(yī)療保健交付系統(tǒng)的典型場景中，通過智能傳感器原型設(shè)計為醫(yī)護人員提供幫助。我們首先確定的場景就是 ICU——畢竟作為挽救生命的有力武器，ICU 意義重大而且有著極廣的社會認知度�；颊哒谂c死神對抗，而我們的臨床醫(yī)生每分每秒都在緊張工作。這個時候，任何小小的失誤都有可能改變個人甚至家庭的命運。
接下來，我們與猶他州 Intermountain 醫(yī)院以及斯坦福醫(yī)院交流，希望了解能否在 ICU 當中試行患者護理項目，幫助臨床醫(yī)生記錄其是否按照規(guī)程完成了正確的患者護理(包括口腔護理與復(fù)健指導(dǎo)等)。醫(yī)生們的日�？偸敲γβ德档模@方面記錄工作確實給他們增添了不少負擔。
在項目當中，我們安裝了成本低廉的深度傳感器，能夠在不侵犯患者及臨床醫(yī)生隱私的前提下收集行動數(shù)據(jù)——之所以安全，是因為其中不涉及任何面部或者身份信息。有了這些數(shù)據(jù)，我們就能 24/7 全天候觀察患者是否得到妥善護理，并在醫(yī)療交付系統(tǒng)中提交反饋。
我們在斯坦福兒童醫(yī)院里也做了類似的實驗，包括推動手部清潔項目。很多人可能不清楚，由于的手部清潔不當而造成的院內(nèi)交叉感染，每年在美國造成數(shù)千人喪生。同樣利用之前提到的低成本傳感器以及深度學習算法，我們得以勾勒出臨床醫(yī)生的手部清潔習慣，并發(fā)送反饋信息以提醒他們嚴格按照世界衛(wèi)生組織提出的標準認真洗手。
Topol: 確實，利用不起眼的傳感器，機器視覺技術(shù)確實能夠顯著提高住院患者的安全性以及治療效果，這項工作絕對意義深遠。我注意到在斯坦福大學的醫(yī)學中心，你們有專門配備 AI 的病床，是真的嗎?
李飛飛: 確實是這樣。但目前還處于項目發(fā)展早期，我們正在與醫(yī)院合作，希望進一步擴大傳感器項目的部署規(guī)模�，F(xiàn)在我還沒辦法討論具體部署效果，但這項工作已經(jīng)得到臨床醫(yī)生、醫(yī)院領(lǐng)導(dǎo)以及 AI 研究人員們的大力支持。
尤其讓我興奮的是，我們正在邀請倫理學家、法律學者以及生物倫理學家，共同討論這項技術(shù)可能面臨的前沿性挑戰(zhàn)。我們希望牢牢把握這方面原則，確保患者、臨床醫(yī)生、病患家屬以及其他利益相關(guān)者不致因此遭受意外損失。
Topol: 肯定的，對于醫(yī)學界來說，實施 AI 技術(shù)的一大基本前提，就是在保證臨床醫(yī)生能夠輕松適應(yīng)的同時，透徹分析各項問題中的深層細節(jié)。
由 Pearse Keane 領(lǐng)導(dǎo)的一支英國研究團隊就發(fā)表了一篇論文，他們邀請從未編寫過代碼也毫無計算機科學背景的醫(yī)生們嘗試使用圖像數(shù)據(jù)集。通過這種方式，醫(yī)生們逐漸見識到了計算機圖像識別的本事。你覺得這是個好主意嗎?畢竟我們不可能要求醫(yī)生自己上陣開發(fā)算法，對吧?
李飛飛: 我對這個項目不太熟悉。不過，在過去七、八年中，我也一直在進行類似的嘗試，研究如何在跨學科小組當中引導(dǎo)醫(yī)生和計算機科學家共同討論同一個常規(guī)問題。我覺得這段體驗讓人印象深刻。
我自己也仍然在學習，目前我得出的一大重要結(jié)論，就是人們應(yīng)當學會相處并理解彼此的工作性質(zhì)、對方的顧慮、他們的價值主張，同時始終保持耐心與開放的胸懷。當然，接納對方的專業(yè)領(lǐng)域不輕松，也絕對不是什么線性過程，其中有不少問題需要克服。
我還記得研究團隊剛剛成立時，計算機科學家們是如何跟臨床醫(yī)生相互交流的。即使是在今天，當有新的學生或者成員加入時，我們也會組織多輪會議，引導(dǎo)大家盡快熟悉溝通環(huán)境。
作為計算機科學家，我對參加 AI 醫(yī)療保健項目的計算機專業(yè)學生們只有一項基本要求——在討論代碼與算法之前，先融入醫(yī)護人員的日常生活。他們需要進入 ICU、病房、手術(shù)室甚至是醫(yī)護人員 / 患者家中，了解這些人的生活方式并跟他們的家人面對面接觸。完成了這一切之后，我們才有資格開始討論計算機科學問題。
Topol: 你做出的另一項貢獻當屬AI4ALL。通過這個項目，你不僅希望引導(dǎo)計算機科學家與臨床醫(yī)生合作，同時也在嘗試培養(yǎng)下一代計算機科學家�？旖o我們講講關(guān)于 AI4ALL 的故事。
李飛飛: 非常感謝，Eric。AI4ALL 項目誕生至今已經(jīng)有五年多時間了。當時是 2014 年左右，可以說是深度學習革命的發(fā)展初期。整個世界，特別是科技領(lǐng)域，尤其是硅谷，全面充斥著對于深度學習技術(shù)的興奮、爭論與擔憂。
我很快意識到，大家在面對 AI 技術(shù)時都有些精神分裂——一方面，人們擔心終結(jié)者和天網(wǎng)變成現(xiàn)實，人類淪為機器的奴隸;另一方面，我們生活在一個極度缺乏多樣性的世界當中。在 AI 專業(yè)領(lǐng)域，像我這樣的女性真的非常少見。在大多數(shù)技術(shù)會議當中，女性參會者的比例不足 15%。更夸張的是，少數(shù)族裔始終存在代表性不足的問題，由于相關(guān)統(tǒng)計數(shù)據(jù)太過有限，我們一直無法建立起有效且可靠的統(tǒng)計結(jié)果。
大家可能覺得這根本就是兩碼事，但在我看來這兩件事之間有著極為深遠的關(guān)聯(lián)。作為人類，如果說我們關(guān)注 AI 的理由是關(guān)注人類社會的未來，那么我們就必須要關(guān)注這樣的未來到底由誰所創(chuàng)造。如果 AI 技術(shù)的設(shè)計與導(dǎo)向權(quán)只掌握在一小部分人手里，那么我們恐怕真的只能接受強大但卻根本不打算代表全人類的 AI 成果。
我之前帶過一名出色的博士生，當時她馬上就要博士畢業(yè)了。Olga Russakovsky，她現(xiàn)在是普林斯頓大學的 AI 教授。她和我就這方面擔憂進行了深入探討，我們達成了共識，并決定為此做點什么。
在 2015 年到 2016 年期間，我們在斯坦福大學試行一個新項目，邀請高中女生通過夏令營活動在 AI 實驗室中與我們一道研究人工智能技術(shù)。項目取得了巨大的成功，因此在 2017 年，Melinda Gates(蓋茨夫人)與黃仁勛鼓勵我們將項目正規(guī)化，這就是全國性非營利組織 AI4ALL 的由來。
我們的使命是為各行各業(yè)教育并啟發(fā)下一代 AI 技術(shù)專家與意見領(lǐng)袖。AI4ALL 現(xiàn)在已經(jīng)三歲多了。在 2019 年的夏令營中，我們?yōu)楸泵赖貐^(qū)的 11 所大學在校生準備了時期課程，專門面向少數(shù)族裔學生以及公共服務(wù)嚴重短缺的社區(qū)——包括低收入家庭學生、農(nóng)村學生以及女生等等。
我們?nèi)栽跒榇瞬恍概�，我們的目標是在未�?10 到 15 年之內(nèi)培養(yǎng)出優(yōu)秀的繼任者，讓這些學生在告別校園之后投身技術(shù)、特別是 AI 領(lǐng)域并做出一番成就。目前，我們已經(jīng)迎來了不少早期案例，效果相當喜人。
Topol: 在撰寫《深度醫(yī)學(Deep Medicine)》一書的過程中，你的事跡給了我很大的啟發(fā)。之所以印象深刻，是因為我關(guān)注過不少 AI 領(lǐng)域的大牛，從專潑冷水的批判者到炒作大師應(yīng)有盡有。但你在其中非常獨特，你就像是權(quán)衡中的標桿。你一直在努力尋求真理，而且絲毫不避諱 AI 技術(shù)的種種缺點。
在這里，我想聽聽你的個人觀點。如今的 AI 技術(shù)就像是雨后的春筍，每個禮拜都會出現(xiàn)不少重大事件，來自醫(yī)學、來自純 AI 技術(shù)等等。在這一輪上升期當中，必然充斥著大量關(guān)于 AI 技術(shù)的炒作之詞。那么這一切，特別是與醫(yī)學相關(guān)的消息，到底有多真或者說多假?我們的 AI 到底發(fā)展到什么程度了?
李飛飛: 這個話題可就大了。有些人認為如今的 AI 技術(shù)全是泡沫，也有人覺得這些都是真實的結(jié)果。在我看來，泡沫確實存在，但 AI 技術(shù)同時也擁有著堅實可靠的內(nèi)核。而且我始終堅信，AI 技術(shù)擁有在給醫(yī)療保健與醫(yī)學領(lǐng)域帶來深遠影響的巨大潛力。
但說回泡沫，泡沫確實存在，過度夸張、炒作可以說鋪天蓋地。作為科學家，我希望這些泡沫都盡快消散。只有關(guān)注堅實內(nèi)核的人們才能推動 AI 進步并帶來真正的收益，這一點在醫(yī)療保健與醫(yī)藥等領(lǐng)域尤其重要。
另外，我們絕不應(yīng)該利用技術(shù)制造不公、偏見或者擴大原已存在的不平等現(xiàn)象。對于 AI 技術(shù)，我希望盡可能降低它的接觸門檻、增加公平性并緩解種種相關(guān)矛盾。只要處理得當，我們完全有機會利用 AI 技術(shù)創(chuàng)造出更美好的未來。當然，前提是我們得認真梳理現(xiàn)有 AI 成果，弄清哪些是捏造的、哪些是真實的。
Topol: 非常感謝你參加這次訪談。跟你聊天非常開心，也很高興能聽到你親口為我解答關(guān)于 AI 技術(shù)的種種疑惑。我們將繼續(xù)關(guān)注你和你的團隊未來帶來的更多成果。
李飛飛: 我也會繼續(xù)關(guān)注你的研究，期待你在醫(yī)學數(shù)字化與公共意見表達方面的新進展。感謝你，Eric。
Topol: 謝謝。
原文鏈接：
https://www.medscape.com/viewarticle/923406?faf=1&src=soc_tw_200208_mscpedt_news_mdscp_medicineandthemachine
標簽： AI醫(yī)療
版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請與原作者聯(lián)系。
