擔任平安集團首席科學家之前，謝國彤已在IBM與認知醫學深交了15年，算得上國內認知醫學從“0”到“1”的見證者。

認知醫學，是以認知計算為核心技術，以醫療大數據為底層數據支撐，借助AI對患者數據進行深度挖掘和分析利用，探索醫學問題新解法。描述之中有個兩個關鍵，一是AI，二是數據。

理論上，AI人人可有，數據卻不一定可有。訓練圍棋AI時，DeepLearning團隊可以輕松調用豐富的棋局數據，通過不斷模擬演練，對AI的決策方式、決策能力進行調整完善。相比之下，打造醫學AI則困難得多，這一難度的提升很大程度上歸結于“醫療數據”本身的特征。

醫學數據存在非標準化與倫理限制兩個特點。一方面，由于學習、習慣的不一致，不同醫生的病歷錄入往往不盡相同；另一方面，數據的歸屬權雖然沒有定論，但肯定不屬于想要創造AI的企業。

這便是謝國彤來到平安的原因之一。坐擁完整醫療生態的平安擁有充分的動力去生產并標準化醫療數據，這意味著它擁有成熟的AI造血能力。在這里，謝國彤可以解決“知識”與“數據”的問題。

在平安集團，謝國彤看到了什么？AI的未來將要發生什么？近日，動脈網和謝國彤一起，展開了一場深刻的對話。

平安科技首席醫療科學家 謝國彤

“AI的發展就像一個鐘擺，它在兩級之間搖擺，一級是知識，一級是數據。”

Ｑ：算法、算力、數據三要素外，現在尤其強調知識這一新要素。新階段下，如何同時做好知識與數據？

A：人工智能概念剛興起時，走的便是“知識”這一重推理的方向。具體而言，研究人員嘗試將人積累的知識轉寫為機器可以理解的邏輯算法，又名專家系統。

專家系統的嘗試以失敗告終。要想把專家的知識變成規則，就需要一個非常強的規則表示語言，還需要擁有非常強領域知識的工程師對知識進行編碼。實際操作下來，就算能把專家的經驗轉化為知識，但實際上也就只有五、六成的水平，醫院是跑不下來的。

知識方向的失敗推著大家走向另外一個極端，許多研究人員開始沉迷于數據，將海量的數據堆至算法之中。這種重學習的方式在別的領域或許可以，但醫院領域不行。醫療太大，你永遠不可能說你的大數據是大而全。

GPT-3便是一次關于數據量的嘗試，它聚焦于通用的NLP模型，使用了45TB的數據進行訓練，但在關于醫療相關任務的測試之中，“人工智能暴力美學”的表現仍然不盡人意。

因此，無論是“重推理”，還是“重學習”，偏重任何一側都不能充分發揮AI的力量。但要找到其中的平衡點也并不容易。許多學者都在其中進行了深入淺出的嘗試，希望在一個框架下讓機器學習和邏輯推理二者能更均衡更充分地發揮效用。

AI的發展就像一個鐘擺，它在兩級之間搖擺，一級是知識，一級是數據。到目前為止，沒人知道這個平衡點在哪里。這也意味著，處理知識與數據的方法，沒有最好，只有更好。我們一直在路上。

Q：到了今天，創造AI的方式是否因時代的進步而發生變化？醫療領域是否因變化而受益？

A：打孔機時代，數據存儲的方式是在卡片上打孔；數據的傳輸是由交通工具對卡片進行物理位置上的轉移后再進行讀取……60年過去了，數據的處理方式依然是收集、治理、存儲、應用，但其中的每一個環節，都因為技術的介入而使得數據的價值得以提升。譬如，過去只能處理存儲文本信息，現在能夠存儲影像、聲音等等各式各樣的信息。越來越多的非結構化信息進入可處理的范疇，這賦予了AI被創造的可能。

游戲領域便非常適合打造AI算法，因為這里有確定的規則，豐富的可供調用的數據。谷歌AlphaStar開發的星際爭霸AI便是以百萬份游戲《星際爭霸2》的游戲錄像為數據進行學習，短短一年時間便能與職業選手一爭高下。

相比之下，醫療數據往往是非結構化數據，且不同數據之間的差異與聯系需要專業人士進行甄別。這意味著，要理解醫療數據并用機器進行處理并不容易。以糖尿病為例，醫生的治療有一線二線三線四線藥物，你不能一上來就給醫生推薦四線藥物。四線藥物的療效支撐是有前提的，AI不能對前提條件視而不見。

另一個問題來源于醫療數據分布的不均勻，我們曾嘗試做一個覆蓋大多數眼疾診斷的人工智能軟件，但當我們綜合了四家頂級眼科醫院的脫敏數據后，我們發現常見病如青光眼、白內障占據了大部分數據，而網膜裂孔、視網膜動脈阻塞等病種的數據便非常少，這些病種便很難打造出成熟的、符合臨床需求的AI工具。

總的來說，創造AI的根本路徑沒有變，但細節一直在變。醫療領域的確因此受益，但就現在而言，這些益處非常有限，AI還需要很長一段時間的發展。

“輔助醫生工作的AI，不應想著做一個破壞者”

Q：如此看來，現階段的醫療AI功能還十分有限，我們應該怎樣正確的認識AI，以避免盲目樂觀，或帶給醫生過高的預期？

A：指出錯誤認識，剩下的便是正確的認識。

首先是要理解醫療行業。很多AI企業在同醫生溝通時，把他們的訴求想得太過簡單。答應得很容易，但做著做著就開始認清現實了，發現自己辦不到了。這種情況不僅僅出現在醫療領域，當你把任何一個算法應用到一個具體行業中時，必須先有對這一行業的深刻理解。包括行業的應用、流程、關系生態……然后你才知道怎么把你的東西嵌進去。

其次是認清自己在做什么。過去幾年，很多AI企業總想著“破壞”與“重構”，想著用AI代替醫生。就像往平靜的湖面上丟石頭，這會打破醫院現有的平衡關系，但沒人會歡迎破壞者。醫療是個慢行業，互聯網思維在這里很難走通。

到了今天，醫療AI與醫生的磨合也就短短數年，醫生從一張片子里看到的信息關聯著他的認知，他對患者情況的理解……這不是一個從影像中找到可疑區域的過程，醫生的推理貫穿這過去與今天的知識，還夾雜著想象力。

要學習這些，AI任重道遠。

Q：探索至今，現有的AI應用場景中，哪些有前景？哪些還需要變革？

A：談論這個問題，一般需要區分為院內和院外兩個部分來思考。

先談院內。俗話說“三分靠院內治，七分靠院外養”。現在我國慢性疾病患者人數劇增，年診療量從70億到80億再到90億。患者出院后，醫院是想管的，希望留住客源，收集完整的患者數據，這對醫院的收入、后續的科研都是有幫助的。同時，患者全程由同一個醫生跟蹤管理，也會有更好的效果。

不過，院外疾病管理全靠醫生來管，肯定是管不過來的，全靠患者自覺，患者也沒那么自覺。所以，院外管理是可以由機器幫助醫生進行統計、監督的。這是一個有效的應用場景，藥企、醫院都有需求。

當然，很多企業想要切入三甲醫院的核心流程，不過到目前為止，我覺得沒有什么AI真的切入到了三甲醫院的核心流程，肺結節沒有，病理也沒有。可能有小案例確實做到了，但成規模的現象沒有發生。

那么AI能在診療中發揮大作用嗎？我認為是的。不過不是在三甲醫院，而是在基層醫療。

中國有100萬家醫療機構，三家醫院才不過3000多家，基層醫療是一個擁有龐大AI需求的場景。當然，基層醫療的需求自然與三甲醫院不同，那里的醫生跟大醫院相比確實有差距，醫生們也沒有那么忙，更多需要的，不是效率的提升，而是規范性的提升。AI開發者要抓住這些特征。

規范下來的好處很明顯，第一是對患者好，能夠提高診治準確率；第二是省錢，避免了各種不合理的醫療行為。

院外的AI應用場景合理的非常有限，最重要的便是藥物研發。

藥物研發是一個需要大量數據密集計算的領域，從上億個分子中去尋找，從無數臨床試驗中去探尋，最后看到底什么物質最有可能成為藥。

如今一款創新藥的研發全流程花費動輒十億美元，時間跨度也長達十年。但其中的每一個環節，都有很多可以用算法優化的地方，這里擁有很大的市場。

到目前為止，有很多創業公司在里面競速，但都沒跑得太遠，如今包括平安、騰訊、百度等企業都加入了其中，要追上去，并不困難。

Q：有了方向，怎樣才能做好AI？

A：第一是動力問題，就我個人的經驗而言，簡單說可分為兩點。

第一點是這個問題得足夠有挑戰，不是我伸手就能夠到的。我得對這個問題花點力氣、花心思，然后做好他，這樣我才會去做這件事。

第二點是解決這個問題得有意義，不能說為了掙錢來做這個事。醫療本身特別有價值，當你看見醫生逐漸通過醫療手段將腫瘤患者從死亡邊緣拉回來時，幫助他重獲新生時，你會覺得這事特別有意義，我們也想用科技手段幫助醫生，進而幫助到患者。

有了動力，其次便是執行的問題。為什么選擇平安？因為醫療科技并非任何地方都可以做，需要多方共同開拓，而平安擁有這樣的生態。三十年的保險業務經驗，十年的醫療業務、數據積累，這些東西研發AI很需要，也很難復制。

如今我們正在將這么多年積累的用戶體檢數據、保險理賠數據、互聯網問診數據、影像中心數據等等數據沉淀下來，知識圖譜化，然后變成醫學大腦，去服務更多的患者，為患者構建疾病全生命周期的管理。

只做單一環節的AI很難發揮作用，這樣的AI企業要么做不大，做么在做好后被整合，能啃下硬骨頭的企業太少了。最后能活下去的，一定是一個有醫療業務的公司，而不是單純的醫療科技公司。

“如果沒有NVIDIA的GPU，沒有Google，Microsoft的開源算法，我們怎么辦？”

Q：醫療AI，需要怎樣的底線？

A：數據問題一直是醫療AI中最為敏感的問題，也是企業需要遵守的底線。過去大家少有隱私意識，但隨著人們對于隱私問題越來越敏感，從事醫療大數據的公司將會越來越困難，這個行業發展會相對放緩。

當然，這種發展的放緩是相對于近年來的AI醫療野蠻生長而言的，一家從事數據處理的公司，首要任務便是處理好數據的安全問題，保護用戶的隱私，做不到這一底線，就不要去談發展速度。

做好數據安全不單單是企業的事，我們也需要國家推動數據的使用指南。海外一些國家對于數據的交易擁有明確的定義，主要滿足相關的要求便可進行合法交易。在一方面，我們還很缺乏。需要向外學習。任何產業，有了規范，遵守底線，才能蓬勃發展。

Q：中國能在AI方向做到世界最前沿嗎？

A：毫無疑問，我們會站在世界的最前沿。

當我還在IBM的時候，無論是紐約的同事，還是硅谷的同事，我都告訴他們，做醫療AI，中國是一個不錯的選擇。五年過去了，看著他們這些年的成果，我覺得當時的話更在理了。

中國擁有開發醫療AI源源不斷的動力，病人多，醫生少，需求就擺在這里。同時，對于新技術，我們擁有其他國家人民難以望其項背的熱情，所以我們能做成，也能做到最好。

現在要解決的，是我們仍缺乏的兩個關鍵點。第一是定義問題的能力；第二是底層的核心技術。

為什么需要定義問題的能力？一直以來，我們都擁有濃厚的實用主義精神，從來不缺乏解決問題的能力，別人做什么，我們就能跟著別人做，甚至做的更好。不過，當我們逐漸走到最前面時，這時就迷茫了，因為我們缺乏開創性的想法，沒有東西可學了。

所以，我們需要為企業構建創新發展的環境。

其次是底層的核心技術。現在的AI就像沙灘上的城堡，很輝煌，但也很脆弱。如果NVIDIA不向我們出售GPU，Google、Microsoft不向我們開源算法，我們怎么辦？

華為是一個很好的案例，我們要引以為戒。

現在是一個很好的機會，由于美國對于華人科學家的打擊，很多人都回國了。他們知道應該怎么去做開創性的東西，問題的關鍵在于我們能不能給他們一片適合他們生長的土壤。說到底，我們需要為人才構建創新發展的環境。