反思IBM沃森大裁員：AI落地應用，需解決這三大痛點(diǎn)

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

　　這對IBM來(lái)說(shuō)是一個(gè)非常糟糕的消息，這些年IBM大力宣傳“認知計算”，而Watson 健康就是這其中的標桿項目。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(chǎng)的企業(yè)，我們可以從Watson健康的失利，來(lái)看看目前AI落地的一些痛點(diǎn)。

　　1、缺乏有效的評估標準

　　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(jià)其為“笑話(huà)”，也有人認為其技術(shù)先進(jìn)性不可否認，在各種說(shuō)辭中大家莫衷一是。

　　這里面當然很大一部分原因是因為IBM為了宣傳自己的產(chǎn)品，通過(guò)媒體、廣告等手段混淆了大家注意力。但業(yè)界缺乏統一的基礎測試，使得AI產(chǎn)品無(wú)法量化評價(jià)，是問(wèn)題的本質(zhì)。

　　其他的行業(yè)，無(wú)論廣告怎么宣傳，行業(yè)里自會(huì )有其自己的標尺，通過(guò)基準測試，大家總可以大概分個(gè)高下，但在A(yíng)I行業(yè)，除了圖像和語(yǔ)音以外，公認的基準測試根本不存在。

　　在李飛飛建立ImageNet圖像測試集之前，在圖像識別領(lǐng)域，也沒(méi)有統一的評測標準。這就很難定量的評價(jià)各種算法的優(yōu)劣。

　　我們可以看到，自從ImageNet數據集成為行業(yè)基準測試的標準后，極大的推動(dòng)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(wèn)題，但建立統一的評測標準，讓行業(yè)可以定量分析算法的有效性，確實(shí)對整個(gè)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(guò)來(lái)看，在醫療健康領(lǐng)域，雖然IBM耕耘多年，但幾乎沒(méi)有發(fā)布任何行業(yè)公認的測試結果，或者自己制定一套嚴密的評測體系供外界參考。

　　反過(guò)來(lái)，IBM通過(guò)各種非學(xué)術(shù)渠道，大肆宣傳自己取得的成果，導致人們對其期望過(guò)高，但在應用中又無(wú)法驗證其有效性，這種落差很容易給人不信任感。

　　2、沒(méi)有良好的商業(yè)模式

　　商業(yè)模式，對于技術(shù)變現來(lái)說(shuō)至關(guān)重要，但IBM并沒(méi)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(guò)技術(shù)服務(wù)合同鎖定客戶(hù)，然后派遣人員去合作伙伴那邊進(jìn)行項目實(shí)施。

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

　　以著(zhù)名的IBM和MD Anderson癌癥研究中心為例，據報道MD Anderson向IBM支付了3900萬(wàn)美元的費用，但該報道同時(shí)指出：“使用過(guò) Watson的醫生都不愿談及此事?！毕翊饲暗谝粭l所說(shuō)，AI帶來(lái)的好處，無(wú)法精確量化，以至于昂貴的AI其結果完全無(wú)法評估。

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

　　由于云計算的興起，現在的IT服務(wù)我們已經(jīng)逐漸向按需付費轉變，越來(lái)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(lèi)似的模式以便取得客戶(hù)的信任，以傳統合同綁架客戶(hù)的模式肯定不是未來(lái)。

　　3、缺少有效的行業(yè)模型和訓練數據

　　我們知道，現在A(yíng)I計算需有成熟的行業(yè)應用模型，并通過(guò)大量的經(jīng)過(guò)標注的數據對系統進(jìn)行“訓練”才可以真正的投入使用。

　　而很多時(shí)候這樣的模型和數據都是非常稀缺的。

　　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(gè)月時(shí)間進(jìn)行繁重的訓練，而專(zhuān)家們需要給該平臺飼喂海量條理清楚的數據，以使其能夠得出有用的結論。對于沃森系統來(lái)說(shuō)，‘條理清楚’的要求很難達到，因此未經(jīng)整理過(guò)的數據一般都用不上。結果，沃森用戶(hù)不得不雇傭咨詢(xún)專(zhuān)家團隊，對數據集進(jìn)行改進(jìn)整理，既費時(shí)又耗錢(qián)?！?/p>

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

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

　　此前收購的醫療數據和服務(wù)公司人員正是這次裁員的主要部分，也側面證明了他們并沒(méi)有給IBM帶來(lái)太大的價(jià)值。

　　IBM的沃森是AI產(chǎn)業(yè)化最早的先驅?zhuān)溆龅降睦Ь骋彩钦麄€(gè)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)認可的評價(jià)標準;推出更加靈活的實(shí)施方案，控制企業(yè)成本;建立真正的行業(yè)應用模型并獲得海量數據進(jìn)行訓練，得到可用的方案。完成以上這些點(diǎn)，才能真正讓AI從概念走向應用。