AI与机器人学习（xí）对企业发展（zhǎn）的影响

如今（jīn），数字科学对于企业来说，显得（dé）愈（yù）发地“诱人”。但是若要正确地看待数字科学，我们亟需了解下面（miàn）一个问题（tí）：数字科学到底能（néng）为（wéi）我们的业（yè）务（wù）发展（zhǎn）做什么，不能为我（wǒ）们的业务发展做什么。

毫无疑问，很多机器学（xué）习（xí）（ML）和人工智能（AI）领域的进（jìn）展都（dōu）预（yù）计将为多种（zhǒng）类（lèi）型的企（qǐ）业带来效果和（hé）效率上的提（tí）升（shēng）。虽然听起（qǐ）来很不错，但多（duō）数情况下实际情况（kuàng）却并没有达成预期。原因至少有三点：(1) 针对机器（qì）学习/人工（gōng）智能（néng）的宣传超出了其实际能力；(2) 在（zài）大肆（sì）宣传下，客户对机器（qì）学习/人工智能（néng）抱有过（guò）高（gāo）的（de）期（qī）望；(3) 机器学习/人工智能开发人员不理解或是不知道（dào）怎么（me）解（jiě）决其技术设想（xiǎng）可能对组织（zhī）带来的影响。

在下（xià）文中，我们将详细讨论第三点（diǎn）原因（yīn）。

技术不（bú）等同于产品

不管它（tā）的本质多复杂，算法或神经网络都不等同（tóng）于产品。例（lì）如（rú）， Zebra Medical开发出（chū）了一（yī）项复杂的技术，能够通过放（fàng）射扫描识别出是否骨折，通过乳房x光识别（bié）出（chū）是（shì）否有疑似病（bìng）变。在扫描了数以百万（wàn）计的图（tú）像（xiàng）之后，机器学会了（le）如何正确识（shí）别骨折和（hé）疑似病变，使得该项技术不断（duàn）完善。在研发过程中，技术人员提出了100多种算（suàn）法，但是医生（shēng）们（放射线科（kē）医生以（yǐ）及其他涉（shè）及到的（de）医生）却无法直接（jiē）使（shǐ）用这些算法，因为算法在使（shǐ）用前首先（xiān）需要转（zhuǎn）化（huà）为产品。

要使算法成为产品，需要它可以让（ràng）医生直接使用。也就是说（shuō），至少要开发出可在任一医疗中心的设（shè）备（bèi）上运行的应用程（chéng）序（xù）。该（gāi）应用程序需要易于（yú）操作，并能够生（shēng）成对用户有（yǒu）价值的输出。就（jiù）Zebra Medical而言，这就（jiù）意味着：此应（yīng）用程序（xù）生成的输出可以告诉放射科医生骨（gǔ）折/病变的位置（zhì）和类型。

产品不等同于价值

虽然Zebra Medical开发（fā）的（de）应用程序（xù）可以帮（bāng）助（zhù）识别病症，但这个程序本身（shēn）并不能直接产生价值。但他们找到（dào）了至少（shǎo）两（liǎng）种创造价值的点。第一点是效（xiào）率。他们开发的应用程序（xù）可以比（bǐ）放（fàng）射科医师更快、更多地审（shěn）查（chá）扫描光片和乳房X光片（piàn）。因（yīn）此（cǐ），高效是这项技（jì）术带来（lái）的第（dì）一个巨（jù）大价值（zhí）。

第二个巨大价值在于，Zebra Medical开发的创新（xīn）技术是（shì）一种可以根据紧（jǐn）急（jí）程度对（duì）扫描和乳房X光片（piàn）进行排（pái）序的算法。这一算法（fǎ）的发展需要放（fàng）射科医（yī）师和其他医生提供大量反馈，以帮助算（suàn）法了解哪些（xiē）情况是正常、哪些是紧急和哪些（xiē）是非常紧急。一旦这项工（gōng）作完成（chéng），Zebra Medical不仅能够（gòu）提（tí）供扫描和乳房x光（guāng）检查（chá），还能够对扫描和乳房X光（guāng）片进行排（pái）序，以（yǐ）便放射（shè）科医生（shēng）能够优先处理最紧（jǐn）急的病例。这就是该产品（pǐn）为工作流（liú）程和病人生活增加了（le）极大便利和有效性（xìng）的（de）地方。

价值（zhí）取决于评（píng）价其价值的人

上述技术可能对一些人来说很不错，但对放射医师、其他医生、医院管理人员、保险公（gōng）司和监管机（jī）构来说却未必如此。医生们总是会担心骨折和病（bìng）变鉴定结果的（de）质量和可靠性，他们尤其会特别关注第一类（lèi）错误（wù）和第二类（lèi）错误：第一类（lèi）错误（Type 1 error）是指病人被确定为受（shòu）伤或生（shēng）病时，实际上却并（bìng）没有受（shòu）伤或生病；第二（èr）类错误（Type 2 error）则是（shì）指当病人（rén）被诊断为健（jiàn）康时，实际上他/她却不（bú）是（shì）健康的。

医生们可能会进一步担心未（wèi）来（lái）自己的工作有可能被（bèi）机（jī）器取代。这并非（fēi）没有（yǒu）可能，但我们还是（shì）需要（yào）把识别疾病和诊断疾病分开（kāi）来看。

医（yī）院管理人（rén）员可能对新（xīn）技术的态度有所保（bǎo）留。一方面（miàn）他们还是很（hěn）高兴看到新产品（pǐn）带来了（le）潜（qián）在效率和（hé）质量的提升，但（dàn）另一方面，他们也担心会（huì）发生第一类（lèi）错误和（hé）第（dì）二（èr）类（lèi）错误——这不仅仅是出（chū）于质量的角（jiǎo）度，更是出于责任的角度。

保险（xiǎn）公司（sī）可能会持乐观态度，效率提（tí）高进而降低了医疗成本，而早期（qī）发现也（yě）让我们可以采取更多预防性的（de）干预措施。

监管机构则希望了解这（zhè）些算法实际上是依据哪些变量作为（wéi）识别依据。神经网络学（xué）习的（de）问题在于，即使是程序（xù）员自己也（yě）不（bú）知道他们编出的（de）程序是如何得出结论的。更进（jìn）一步的问（wèn）题是：现在应该（gāi）由谁来为诊断（duàn）和治疗负责。是医院（yuàn）、医生、放射科医生（shēng）、算法公（gōng）司、程（chéng）序员还是算（suàn）法本身？

这就（jiù）引（yǐn）出了人工智（zhì）能/机器学习对组（zǔ）织影响（xiǎng）的最（zuì）后（hòu）一个方面。

替代人类的（de）产品VS帮助提高人类（lèi）工（gōng）作效率的产品

就（jiù）目前（qián）而（ér）言，距离依靠机器进（jìn）行病症（zhèng）诊断、设计治疗方案、开具（jù）医疗干预处方和跟进病人护理（lǐ）还（hái）有点遥远，现在这些步骤都要依靠医生来进行。即便（biàn）如此，在扫描效率、工（gōng）作流程管理和紧急病例的（de）快（kuài）速检（jiǎn）查等方（fāng）面，应用程序的（de）骨折和病变（biàn）识别功能的确已经显著提高了人力的工作（zuò）效（xiào）率。

只有人（rén）工智能/机器学习公司真正（zhèng）地理解潜在客户的挑战，才能够从客户角（jiǎo）度出发创造出能够（gòu）真正赋能效率和（hé）有（yǒu）效性的产品（pǐn）。正如上文所述（shù），创造这样的价（jià）值远比听起来（lái）要（yào）困难得多，特别是在医疗领域，因为（wéi）不同利益相关者的需（xū）求和关注点有所不同（tóng），有时甚至（zhì）还（hái）会产（chǎn）生（shēng）冲突。虽然人工智能替代人类作业距（jù）变成现实还有很长距离（lí），但（dàn）如果运（yùn）用得当的话，人（rén）工智能/机器学习确实可（kě）以极（jí）大（dà）地提高人类的工作效（xiào）率。