反思IBM沃森大裁員：AI落地應(yīng)用，需解決這三大痛點

　　不久前，據(jù) The Register 報道，有 IBM 內(nèi)部消息人士透露，Watson健康部門要解雇了大約 50% 至 70% 的員工。

　　這對IBM來說是一個非常糟糕的消息，這些年IBM大力宣傳“認(rèn)知計算”，而Watson 健康就是這其中的標(biāo)桿項目。如今Watson健康大裁員，基本就是宣告IBM這些年的努力基本失敗了。

　　IBM作為最早將AI技術(shù)推向市場的企業(yè)，我們可以從Watson健康的失利，來看看目前AI落地的一些痛點。

　　1、缺乏有效的評估標(biāo)準(zhǔn)

　　關(guān)于Watson健康我們可以在網(wǎng)上看到各種評論，有些人評價其為“笑話”，也有人認(rèn)為其技術(shù)先進性不可否認(rèn)，在各種說辭中大家莫衷一是。

　　這里面當(dāng)然很大一部分原因是因為IBM為了宣傳自己的產(chǎn)品，通過媒體、廣告等手段混淆了大家注意力。但業(yè)界缺乏統(tǒng)一的基礎(chǔ)測試，使得AI產(chǎn)品無法量化評價，是問題的本質(zhì)。

　　其他的行業(yè)，無論廣告怎么宣傳，行業(yè)里自會有其自己的標(biāo)尺，通過基準(zhǔn)測試，大家總可以大概分個高下，但在AI行業(yè)，除了圖像和語音以外，公認(rèn)的基準(zhǔn)測試根本不存在。

　　在李飛飛建立ImageNet圖像測試集之前，在圖像識別領(lǐng)域，也沒有統(tǒng)一的評測標(biāo)準(zhǔn)。這就很難定量的評價各種算法的優(yōu)劣。

　　我們可以看到，自從ImageNet數(shù)據(jù)集成為行業(yè)基準(zhǔn)測試的標(biāo)準(zhǔn)后，極大的推動了圖像識別領(lǐng)域的發(fā)展。圖像識別很快成為人工智能領(lǐng)域發(fā)展的最快的領(lǐng)域。

　　這里面自然有算法的適用性問題，但建立統(tǒng)一的評測標(biāo)準(zhǔn)，讓行業(yè)可以定量分析算法的有效性，確實對整個行業(yè)是有極其重大的意義的。這也是李飛飛在人工智能界如此受人尊重的原因。

　　我們再回過來看，在醫(yī)療健康領(lǐng)域，雖然IBM耕耘多年，但幾乎沒有發(fā)布任何行業(yè)公認(rèn)的測試結(jié)果，或者自己制定一套嚴(yán)密的評測體系供外界參考。

　　反過來，IBM通過各種非學(xué)術(shù)渠道，大肆宣傳自己取得的成果，導(dǎo)致人們對其期望過高，但在應(yīng)用中又無法驗證其有效性，這種落差很容易給人不信任感。

　　2、沒有良好的商業(yè)模式

　　商業(yè)模式，對于技術(shù)變現(xiàn)來說至關(guān)重要，但IBM并沒有給其AI產(chǎn)品找到合作雙方都接受的商業(yè)模式。

　　IBM的商業(yè)模式非常古板，即通過技術(shù)服務(wù)合同鎖定客戶，然后派遣人員去合作伙伴那邊進行項目實施。

　　這種合作模式一般適用于傳統(tǒng)的IT項目，由于目標(biāo)明確、需求清晰，投入產(chǎn)出相對可預(yù)計，合作雙方都可以將自己的投入控制在可控的范圍內(nèi)。但是目前一些AI項目實施其投入規(guī)模巨大，但其收益卻無法衡量。

　　以著名的IBM和MD Anderson癌癥研究中心為例，據(jù)報道MD Anderson向IBM支付了3900萬美元的費用，但該報道同時指出：“使用過 Watson的醫(yī)生都不愿談及此事。”像此前第一條所說，AI帶來的好處，無法精確量化，以至于昂貴的AI其結(jié)果完全無法評估。

　　另外一個案例是IBM和新加坡政府的合作，根據(jù)鈦媒體的報道，當(dāng)時在試驗的時候，其治理交通的情況獲得了肯定，但后期如果投入真實運營，新加坡交通管理部門需要首先繳付巨額的支出，巨大的成本讓相關(guān)部門望而卻步了。

　　由于云計算的興起，現(xiàn)在的IT服務(wù)我們已經(jīng)逐漸向按需付費轉(zhuǎn)變，越來越多的企業(yè)不愿意為不確定的效果一次性的支付巨額的固定費用。AI服務(wù)需要找到類似的模式以便取得客戶的信任，以傳統(tǒng)合同綁架客戶的模式肯定不是未來。

　　3、缺少有效的行業(yè)模型和訓(xùn)練數(shù)據(jù)

　　我們知道，現(xiàn)在AI計算需有成熟的行業(yè)應(yīng)用模型，并通過大量的經(jīng)過標(biāo)注的數(shù)據(jù)對系統(tǒng)進行“訓(xùn)練”才可以真正的投入使用。

　　而很多時候這樣的模型和數(shù)據(jù)都是非常稀缺的。

　　在福布斯的對IBM沃森的報道中我們也可以看到這種困局：

　　“沃森需要幾個月時間進行繁重的訓(xùn)練，而專家們需要給該平臺飼喂海量條理清楚的數(shù)據(jù)，以使其能夠得出有用的結(jié)論。對于沃森系統(tǒng)來說，‘條理清楚’的要求很難達到，因此未經(jīng)整理過的數(shù)據(jù)一般都用不上。結(jié)果，沃森用戶不得不雇傭咨詢專家團隊，對數(shù)據(jù)集進行改進整理，既費時又耗錢。”

　　為了給沃森健康提供數(shù)據(jù)支持，IBM在近年進行的大量的收購，這些公司很多為醫(yī)療數(shù)據(jù)分析和解決方案的公司。這包括2016年斥資26億美元收購的醫(yī)療數(shù)據(jù)公司Truven、2015年斥資10億美元收購的醫(yī)療影像公司Merge以及同樣在2015年收購的醫(yī)療保健管理公司Phytel。

　　但即使如此大的投入，IBM似乎還是沒有獲得太多高質(zhì)量的數(shù)據(jù)，其訓(xùn)練的AI表現(xiàn)并部盡如人意。福布斯報道援引專家評論道：“最新的機器學(xué)習(xí)算法通常不能提供足夠的敏感性、特異性和精準(zhǔn)性，而這都是臨床決策所必需的?！?/p>

　　此前收購的醫(yī)療數(shù)據(jù)和服務(wù)公司人員正是這次裁員的主要部分，也側(cè)面證明了他們并沒有給IBM帶來太大的價值。

　　IBM的沃森是AI產(chǎn)業(yè)化最早的先驅(qū)，其遇到的困境也是整個產(chǎn)業(yè)所面臨的困境。

　　新生的AI企業(yè)，需要克服這些困境：建立行業(yè)認(rèn)可的評價標(biāo)準(zhǔn);推出更加靈活的實施方案，控制企業(yè)成本;建立真正的行業(yè)應(yīng)用模型并獲得海量數(shù)據(jù)進行訓(xùn)練，得到可用的方案。完成以上這些點，才能真正讓AI從概念走向應(yīng)用。