被稱為“認知計算”革命性代表的IBMWatson從誕生那一刻起，就一直在被質疑中發展，在發展中被質疑。近日，坊間傳言IBM Watson健康部門將裁員50%-70%，甚至也有傳言說，整個健康部門將被關閉，所有員工要么辭職要么轉崗。IBMWatson是失敗的案例，這已經是業界普遍結論。問題是，為什么IBMWatson一度被業界仰望，又為了什么，曾經的神，那么快就失敗?

失敗原因之一：

過分夸大的市場宣傳

自從IBMWatson面市，對外的市場宣傳，有兩個重點。1. IBMWatson超越人類醫生，2. 能夠解決連人類醫生都撓頭的疑難雜癥。這樣的宣傳，在短時間內，迅速拉高了外界對于IBM Watson的期望。IBM Watson的宣傳策略，拉升了公眾對自己產品乃至整個醫療AI產品的期望值，獲得了外界大量的關注。但是，在業界還缺乏統一的測試標準，產品最終的臨床效果還有待評價的情況下，過分夸大的市場宣傳，對產品長期健康的發展并沒有好處。然而，高調到失真的宣傳，成為IBMWatson日后失敗的罪魁禍首。

主攻腫瘤等疑難雜癥的Watson?

IBMWatson對外宣傳自己從海量的醫學文獻和病歷中提取醫生臨床診斷經驗，通過機器學習讓計算機掌握臨床診斷方法，可以替代人類醫生看很多疑難雜癥，例如腫瘤。這個目標為IBM研發團隊挖了一個巨大的坑。疑難雜癥的病歷數量必然就很少，診斷成功的案例就更為罕見。訓練數據不足，IBMWatson如何用機器學習的方法，獲得精準的結果?

Watson的診斷精度比人類醫生更高?

IBMWatson宣稱在東京大學附屬醫院等試點項目中，IBMWatson的診斷已經比人類醫生中最頂級的專家的會診更加精準。機器學習，能學習到人類醫生的經驗，已經讓人喜出望外。想讓機器通過學習人類，，然后超越人類，不是不可能，但是前提條件是，必須能讓機器反復試錯。臨床醫學，試錯的代價是人類生命，這和下圍棋可不一樣，不是能夠容忍反復試錯的場景。

失敗原因之二：

技術水平遠遠不能支撐超越人類醫生的目標

理論研究指導產品實踐，產品實踐推動理論研究。在IBMWatson研究組發表的相關論文中，沒有發表過有關機器閱讀的成熟的研究成果，其實直至今日，機器閱讀仍然處于低幼階段。而IBM 的宣傳聲稱，IBMWatson能夠在10分鐘內，閱讀2000萬篇癌癥研究論文，并且把人類自然語言，翻譯成機器可以處理的形式語言(formal language)，然后與病人的基因變化進行對比。

當IBMWatson課題研究的前沿課題，都還沒有遠遠不能完成真正的閱讀作為在市場上出售的產品級別的IBMWatson，怎么可能高速讀解人類論文，并且基于閱讀理解，做進一步操作，譬如對比呢?

失敗原因之三：

產品開發與研究及市場嚴重脫節

IBMWatson在產品開發階段，不但與市場宣傳脫節，同時也與前沿技術研究脫節。事實上，IBM內部真正參與產品開發的人員，數量并不充裕，使用的真實病歷數量也不多。病歷數量最多的單病種是肺癌，而肺癌的病歷數量也不過只有635例，其它疾病更是少得可憐。

食材少，廚師少，巧婦難為無米之炊，從何談起超越人類醫生呢?

失敗原因之四：

整體規劃混亂戰線太長

2015年8月份，IBM 花費 10 億美金，收購醫療圖像公司 Merge Healthcare。但是似乎在IBM Watson并沒有在醫療圖像識別領域，取得搶眼的成就，更沒有在產品中，把文字解析與圖像識別，深度融合。忍不住想問，IBM的投資并購與產品研發，有沒有預先規劃好整合路徑?

IBMWatson不可磨滅的功績：從“演繹法”到“歸納法”

醫療人工智能演變的前世今生

以CDSS(Clinical Decision Support System)臨床決策輔助系統為例，最早是在1970年前后，美國匹茲堡大學的研究人員開始從事這一領域的研究，當時研究人員使用的主要方法是從醫學教科書和醫學文獻里提取醫學規則，規則被表達成“if-then”的形式邏輯。輸入患者的癥狀，找到相應的if，然后根據then，推斷罹患的疾病。

兩年以后，1972年，斯坦福大學的教授也開始進行類似的研究，這個研究課題名叫MYCIN。MYCIN也主要是 if-then規則庫，但是后來if-then規則庫有了一個響亮的新名號，叫“專家系統Expert System”。

If-then規則，非黑即白，涇渭分明。后來把概率引入進規則，又用網狀結構，把眾多規則關聯在一起，這就是1990年代大紅大紫的技術，貝葉斯網絡，又稱因果關系網絡。貝葉斯網絡的旗手是Judea Pearl教授。2011年，他獲得圖靈獎。另一位研究“貝葉斯”網絡的大咖是斯坦福大學的一位女教授，叫Daphne Koller。“貝葉斯”網絡在數學上很美，但是落到實際應用過程中非常的復雜，始終找不到好的應用落地，于是貝葉斯網絡熱了一陣以后，現在門可羅雀。去年召開的一場國際計算機領域學術會議上，Pearl教授的演講，聽眾寥寥。而Koller教授更為大家熟悉的成就，是與吳恩達合辦的網校Coursera。

直到2011年，IBMWatson出現了。最開始的時候，IBMWatson是IBM研究院的一個研究課題，課題組從2006年開始，研究自然語言處理。他們教機器，從文獻摘錄出 “葡萄牙人，瓦斯科·達·伽馬，于1498年5月20日到達卡利卡特” 這樣的語句。又從其它文獻中，摘錄出 “卡利卡特位于印度西南部”這樣的語句。然后串聯這兩句語句，推理出這樣的結論，“葡萄牙人，于1498年登陸印度” 。這個課題組最著名的成就，是2011年參加了美國知識問答電視競賽，Jeopardy，并戰勝了人類選手。

這場比賽非常重要，它事實上宣告了AI人工智能應用時代的到來，是人工智能史上重大的里程碑事件。但是，這個事件本身只是一場電視節目問答游戲。游戲成功以后，IBM公司積極致力于把科技成果轉化為贏利產品，進過一番分析比較，IBM選擇了醫療。

IBMWatson

醫療人工智能領域的探路者

事實上，IBM選擇醫療方向進行轉化是對的，醫療服務市場空間非常巨大。從海量病歷中，挖掘整理人類醫生的臨床診療經驗，這個方法論是歸納法。而先前從醫學文獻中提取規則的方法，是演繹法。IBMWatson改變了人工智能醫療所使用的方法論。

近代科學的歷史說明，方法論的改變很可能帶來翻天覆地的變化。在FrancisBacon以前，主流的方法論是演繹法。從圣經古蘭經這些真理的源泉，推理出生活中細節規律。FrancisBacon倡導歸納法，在他的影響下，出現了人們開始重視歸納法，隨即出世牛頓這樣的科學家，然后科學家源源不斷地大量涌現。

因此，IBMWatson從海量病歷中提煉臨床診斷經驗，而不是從醫學文獻中摘抄并推理醫學規則，這是方法論的變革。IBMWatson引領認知革命，這句贊譽，并不過分。

目前很多人把谷歌公司的Google Medical Brain項目，視為人工智能醫療的業界領袖。Google Medical Brain項目也是從海量的病歷中，挖掘整理人類醫生的臨床路徑。并且于今年4月份在Nature雜志上發表了一篇論文，系統地描繪了Google Brain整個項目規劃。方法論一致，但是細節更精致。雖然IBMWatson由于上述四個方面的原因，現在落后了，但是IBM的歷史功績是必須得到承認的。因為IBM改變了方法論，思路決定高度!

未來智能實驗室是人工智能學家與科學院相關機構聯合成立的人工智能，互聯網和腦科學交叉研究機構。

未來智能實驗室的主要工作包括：建立AI智能系統智商評測體系，開展世界人工智能智商評測；開展互聯網（城市）云腦研究計劃，構建互聯網（城市）云腦技術和企業圖譜，為提升企業，行業與城市的智能水平服務。