笔者在上一篇人工智能刚提到的老牌人工智能IBM Watson，在还没来得及给大家细细讲述其特点、发展与弊端，就先迎来了其“IBM Watson健康部门裁员50%-70%甚至全部关闭”的消息。其实这个消息并不是毫无征兆，早在2016年年底，MD Anderson就宣布了终止了与Watson维持四年的合作。MD Anderson撒了6200万美金却没看到有效的回报。所以今天就给大家细数一下Watson在医疗领域给我们的教训。
1、了解过Watson的人都知道，其本质上是一个巨大的封闭的知识库所谓的人工智能训练是建立在大量的人工对已有材料的整理和标注上。而面对海量的电子病历数据，这样的人工成本是巨大的。加之整个训练的战线拉得长，所以在成本方面难以控制。近年来Watson想拓展国内医疗市场的时候，一直面临一个现实问题，即国内病例都是中文书写，而在这之前的在英文病例阅读解析的上积累的工作与经验基本难以复用，这也让Watson在国内的推广遇到了前所未有的困难。
2、定位失误。Watson在医疗方面的一个专注点放在了疑难杂症上，众所周知，人工智能是需要大量的数据“喂出来”的，而疑难杂症能够存在的病例本来就少之又少，想在这个点上发力颇有点巧妇难为无米之炊的感觉。
3、技术水平有限，难以达到商用标准。直至今日机器阅读能力也仅仅才达到了“仅供参考”的级别，而就IBM声称Watson能够在十分钟之内阅读两千万篇医学论文，然后把人类语言转换成机器语言进行进一步的搜索查询。其实也只是做到了将论文中及其所识别出来认为“重要”的关键词拎出来再进行搜索而已。而这样的能力里临床意义上的“诊断”还是有遥远的距离。
4、试错成本高，难以界定的医学伦理问题。在推广的过程中，医学伦理的点无法绕开，只要问一个问题：“机器和医生同时做出的诊断出现分歧时应该听谁的？不管听从了任意一方，一旦结果出现问题，应该谁来负责，并且，人工智能是否付得起这个责？”毕竟，这些失败的背后都是拿每一个活生生人的健康作为试错代价。
纵观IBM Watson的发展史：其从“演绎法到归纳法”的突破，无疑是人工智能发展史上不可磨灭的一笔，而Watson仍在教育、金融、商业等领域的尝试也无法让我们下定论说Watson时代已经结束。但另一方面，Watson所面临的“缺乏盈利模式”，“除了 toG很难有更多领域愿意付费”的困境其实也是整个人工智能界面临的问题，我赞同吴恩达的那句话：“人工智能不会再经历一个冬天。”但我同时也认为，人工智能不论从商用场景的实践还是本身技术的打磨，都道阻且长。
最后我想做一个小调查，如果现在一位资深医生与一个全球顶尖的人工智能，同时为你诊断，双方意见完全相悖，你愿意选择相信谁呢？