《评人工智能如何走向新阶段》后记（再续7）
由AI科技大本营下载自视觉中国
66. 谷歌近来研发用于基因科学的人工智能AlphaFold，根据基因序列预测生命基本分子一蛋白质的三维结构（AlphaFold与下国际围棋的AlphaGo似孪生兄弟），这是用来预测蛋白质折叠结构的能力或设计新的蛋白质，用以抗击疾病，解决塑料污染，对人类健康丶生态丶环境将产生重大影响。
67. 谷歌为研发AlphaFold，用数千种已知蛋白质训练神经网络，直到它可以独立预测氨基酸的3D结构。
68. AlphaFold成功预测蛋白质的三维结构表明，当人工智能与基因科学相结合，人类将进入一个风高浪急的新时代。
69．谷歌的人工智能AlphaFold，预示其人工智能开始进入基因科学和生物科学及医疗保健领域。基因是DNA上有遗传效应的片断，人类的生老病死都与基因有关。
70. 用基因治疗方法将重塑人体内一切组织和器官的活性。人工智能医生将逐渐取代目前最优秀的医生，未来大批医生将逐渐消失，从此医疗彻底成为一项人工智能+基因科技。
71. 看了70条，有点夸大其辞！今天欲将人工智能+基因科学用于医疗实践，尚处于原始的初级阶段，其医疗效果还说不清楚，以人工智能医生淘汰目前的临床医生，还是十分遥远的未来！
72. IBMWatson研发的以知识驱动的人工智能医疗实践，10年来其效果在美国还存在很大争议（突出一点是人工智能理论和临床医生在处置上尚缺乏共识）。
73. 今天要抓住机遇研发人工智能+基因科学底层理论，可以预见未来它将对人类产生前所未有的冲击浪潮，如今国外已经动手！ 走在前头的研发工作可能是：为病人添加其缺少的基因或删除不好的基因，DNA编程逆转衰老，改写干细胞，靶向药扫荡癌细胞等，人工智能将助力基因科学。
74. MIT技术评论（Sep9.2016）：深度学习、人工智能的可解释性是由物理学家而不是数学家解释证明的。
75. 日本《朝日新闻》2019年11月30日报导：中美人工智能人才争夺战愈发激烈。目前拥有前沿知识和技术的IT领域的人才在世界范围内约有几百万人，中美围绕人工智能等高科技产业人才争夺战十分激烈。
今年1月，美国人工智能学会在夏威夷召开，全球数千名人工智能研究者与会，同时举办招聘会，中美企业之间火花四溅。
日刊介绍英国瀚纳仕人才管理公司调查报告，中国对人工智能和大数据需求极高，声音识别和自然语言处理等方面人才更是供不应求。
日刊谈到信息技术产业飞速发展的中国面临技术人才不足的问题，它举出华为的白皮书，截止2017年中国IT产业人才缺口765万人。
76. 计算智能、感知智能、认知智能、决策智能，反映机器的智能化水平的不同发展阶段。以基于数据驱动的深度学习为代表的感知智能水平，隨着大数据红利的消失日益接近天花板。所谓认知智能指让机器能够像人一样思考，具备理解、解释、规划、推理、演绎、归纳的能力（达到人脑思维的高级境界），从感知智能到认知智能是人工智能发展中一次颠覆性的飞跃。认知智能的实现需要知识驱动或数据、知识双驱动。
77. 对于谷歌收购的人工智能企业DeepMind，由它提供的深度学习强化学习算法，支持AlphaGo、AlphaStar等研究均取得举世嘱目的成绩，在深度学习强化学习领域为DeepMind的算法带来很高声誉。
最近DeepMind一篇在Nature子刊（今年7月号）发表的关于Alpha-Rank智能体强化学习的论文，被华为英国研究中心质疑：如果复现DeepMind算法，无法实现其预期的算力。
78. 近来我与IBM“沃森（Watson）健康”一位人工智能资深专家讨论他们在美国当地（准确地说是IBM与合作方安德森癌症中心）历时7年（2011~2017）的医疗效果。
当我谈到感知和认知时，令我惊讶的是那位专家说感知与认知没有高低之分，在不同场景应该有不同判断，作出判断时要小心一点！我当时对他说，你们IBM自己说过，从感知智能到认知智能是人工智能发展中一次颠覆性的飞跃，前者完全是数据驱动后是知识驱动（或数据、知识双驱动），怎么能说感知与认知没有高低之分？！
从我们讨论IBM“沃森健康”以前7年人工智能的医疗实践来看，IBM主要采用的是感知的数据驱动的深度学习模式，至于认知的知识驱动模式尚处于开研前的准备阶段，未能付诸于试验实践！所以如果针对不同场景的需求采用不同人工智能模型以谋求最佳效果来看，确实感知和认知没有高低之分。
79. 在“IEEESpectrum”2019年4月号上刊登一篇向IBM“沃森健康”在医疗人工智能实践方面提出质疑的文章，综合IBM、医疗合作方和第三方评论的意见：
IBM研发布局，自2011年至2017 年，与安德森癌症中心合作，研究25个课题，在癌症治疗建议方面有635个案例，尝试用基于大数据和深度学习的感知技术与医疗行业融合应用，最终未产生成功的建议和商用产品，未达到IBM原来设定的目标，2016年合作方在花掉6200万美元后终止与IBM沃森健康的合作。
究其原因，（1）数据资源十分有限。癌症病例数量有限，样本数据不足，可用于深度学习模型训练的成功案例更少。（2）沃森与合作医疗机构之间沟通不好。沃森的治疗建议与医院的临床实践差距很大（第三方认为IBM纵使有好的技术，但美国医疗行业偏于保守，沟通不好难于成功）。（3）过于迷信深度学习。深度学习是实现人工智能的路径之一，但也是有缺陷的：深度学习本质上是一项暗箱技术，其训练过程具有难以解释、不可控的特点，人工智能不适应应用复杂度、需求量的快速增长，超出人们理解和控制范围，过度依赖数据，采集数据在量和质上不满足需要，数据建模与真实生活间冇差距，深度学习理论与现实医疗护理不匹配，深度学习无法独立地从医学文献最新进展及患者档案中提取有意义的信息。（4）IBM沃森健康在国外（韩国、泰国、智利）的医疗实践效果较好、成功率较高，受到欢迎。
80. 我们几个朋友讨论人工智能在中医方面的应用。专家系统已属过去。我们认为，中医的“望、闻、问、切”基本上可采用数据驱动的深度学习模式，但中医数据结构化程度较低，形式化描述的规则较弱，采用人工智能要考虑中医的特点。