AI与机器人学习对企业发展（zhǎn）的影响（xiǎng）

如今，数字科学对（duì）于企业（yè）来说，显得愈发地“诱人”。但是若（ruò）要正确地看待数（shù）字（zì）科学，我们亟需（xū）了（le）解下面（miàn）一个问题（tí）：数字科学到底能为我（wǒ）们的业务发展做什么，不（bú）能为（wéi）我们的业务发展做什么。

毫无疑（yí）问（wèn），很多机器学（xué）习（ML）和人工智能（AI）领（lǐng）域的进展都预计将为多种类型（xíng）的企业带（dài）来效果和效率上（shàng）的提升（shēng）。虽然听起来很（hěn）不错，但多（duō）数情况下（xià）实际情况却（què）并没有达成预期。原因至少（shǎo）有三点：(1) 针对机器学习/人工智能的宣传超出了其实际能力；(2) 在大肆宣传下（xià），客（kè）户对（duì）机器（qì）学习/人工智能抱有过高的期望；(3) 机器学（xué）习/人工智能开发人（rén）员不理解或是不知道怎么解决其技术设想可能对组织带来（lái）的影（yǐng）响。

在下文（wén）中，我们将详细讨论（lùn）第三点原因（yīn）。

技术不等同于产品（pǐn）

不管（guǎn）它的（de）本质多复杂，算法或神经网（wǎng）络都不等同于（yú）产（chǎn）品。例如， Zebra Medical开发（fā）出了一项复杂（zá）的技（jì）术，能够通（tōng）过（guò）放（fàng）射扫描（miáo）识别出（chū）是否骨折，通过（guò）乳房x光（guāng）识别出是（shì）否有疑似（sì）病变。在（zài）扫描了数以百万计的图（tú）像之后，机器学会了（le）如何正（zhèng）确（què）识（shí）别骨（gǔ）折（shé）和疑（yí）似（sì）病变，使得该项技术不（bú）断完善。在研发（fā）过程中，技术（shù）人员提出了100多种算法，但是医生们（men）（放射线科医生以及其他（tā）涉及（jí）到的医生）却无法直接使用这些算法，因为算法在使用前首先需要转化为产品。

要（yào）使算法成为产品，需要它可以（yǐ）让医（yī）生直接使用。也就是说，至（zhì）少要（yào）开（kāi）发出可在任（rèn）一医疗（liáo）中心的设备上运（yùn）行的应用程（chéng）序（xù）。该（gāi）应用程（chéng）序需要易（yì）于操作，并能够生成对用户有价值的输（shū）出。就Zebra Medical而言，这就意味着：此应用程序（xù）生成的输出可以告诉放射科医（yī）生骨折/病变的位置和类型。

产品（pǐn）不等同于价值

虽然Zebra Medical开发的（de）应（yīng）用程（chéng）序可以帮助识别（bié）病症，但这个程序本身并不能直接（jiē）产生价值。但他们找到（dào）了至少两种创造（zào）价值的点。第（dì）一点（diǎn）是效率（lǜ）。他们开发的应用程序（xù）可以（yǐ）比放射科医师更快（kuài）、更多地审查扫（sǎo）描（miáo）光片和乳房X光片。因此，高效是这项技术带（dài）来的（de）第一（yī）个巨大价值。

第（dì）二个巨大价值在于，Zebra Medical开发的创新（xīn）技（jì）术是一（yī）种可以根据（jù）紧急程度对（duì）扫（sǎo）描（miáo）和乳房X光（guāng）片进（jìn）行排序的算法。这一算法的发展（zhǎn）需要放射科医师和其（qí）他医生提供大量（liàng）反（fǎn）馈，以帮助算法了解哪些（xiē）情况是正常、哪些是紧急和哪些是（shì）非常紧急。一旦这项工作完成，Zebra Medical不仅能（néng）够提供（gòng）扫描（miáo）和乳房（fáng）x光检查，还能够（gòu）对扫描和乳房X光片进行（háng）排序，以便（biàn）放射科医生能够优先处（chù）理最紧（jǐn）急的病例。这就是该产品为（wéi）工作（zuò）流程和病人生活增加了（le）极（jí）大便利和有效性的地方。

价值取决于（yú）评价其价值的人（rén）

上（shàng）述技术可能对一些人来说（shuō）很不（bú）错，但（dàn）对放（fàng）射医师、其（qí）他（tā）医生（shēng）、医院管理人员（yuán）、保险公司和监（jiān）管机构来（lái）说却未必如此。医生们总是会担心骨折和病变鉴定结果的（de）质（zhì）量和可靠性，他们尤其会特别（bié）关注第（dì）一（yī）类错误和（hé）第二类错误：第（dì）一类（lèi）错误（Type 1 error）是指病人被（bèi）确定为（wéi）受（shòu）伤或生病时，实（shí）际（jì）上却并没有受伤或生（shēng）病；第二（èr）类错误（Type 2 error）则是指当病人被诊（zhěn）断为健（jiàn）康时，实际上他/她却不是健康的。

医生们可能会进（jìn）一步担心（xīn）未来自己的工（gōng）作（zuò）有可能被机器取代。这并非没有可能，但我们还是需要把（bǎ）识别疾病和诊断疾（jí）病分（fèn）开来看。

医院管理人员可能（néng）对新技术的（de）态度有（yǒu）所保（bǎo）留。一方面（miàn）他们还是很（hěn）高兴看到新产（chǎn）品带来了潜在效率和质量的提（tí）升，但另一方面，他们也担心会（huì）发生第一（yī）类错误和第二类（lèi）错误——这不仅仅是出于（yú）质量的（de）角度，更是出于（yú）责任的角（jiǎo）度。

保（bǎo）险公（gōng）司可能会（huì）持乐观态度，效（xiào）率提高进而降低了医疗（liáo）成本，而早期（qī）发现（xiàn）也让我们可以采取更多预防性的干预措施。

监管机构则希望了解这些算法实际上是（shì）依据哪些变量作为识别依据。神经网络学习（xí）的问题在于，即使是程序员自己也不知道他们编出的程序是（shì）如何得出结论的。更进一步（bù）的问题（tí）是：现在应该由谁来为诊断和治疗负责（zé）。是医院、医生（shēng）、放射科医生、算法公司（sī）、程序员还是算法本（běn）身？

这就引出了人（rén）工智（zhì）能/机器学习对组织影响的最后（hòu）一（yī）个方面。

替代人类的（de）产（chǎn）品（pǐn）VS帮助提高人（rén）类工作效率的（de）产品

就目前而言（yán），距离依靠（kào）机器进行病症诊断、设计治疗方案（àn）、开具（jù）医疗干预处方和跟（gēn）进病人护理还有点遥远，现在这些步骤都要依靠医生来进行。即便如此，在扫（sǎo）描效率（lǜ）、工作流程管理和紧急病例（lì）的（de）快（kuài）速检查（chá）等方面，应用程序的骨（gǔ）折和病变识别功能的确已经显（xiǎn）著（zhe）提高（gāo）了人（rén）力的工（gōng）作效率。

只有人工智能/机（jī）器学习公司真正地（dì）理解潜在客户（hù）的（de）挑战（zhàn），才能够从客户角度出发（fā）创造出能（néng）够真正（zhèng）赋能效率和有效性的产品。正如上文（wén）所述，创造这样的价值远比听起来（lái）要（yào）困难得（dé）多，特别是在（zài）医疗领域，因（yīn）为不同利益相关者的需（xū）求和关注点有所不同，有（yǒu）时甚至还会产生（shēng）冲突。虽（suī）然人工智能替代人类作业距（jù）变成现实还有（yǒu）很长距（jù）离（lí），但如果运用得当的话，人工智（zhì）能/机器学习确（què）实可以极（jí）大地提高人类的工作（zuò）效率。