而国内的代工厂对制衣服技术已经日臻完善，周围的一些中小型工厂的技术也与日具进。技术哪里来，没有不透风的墙。大厂的品质为什么得到公认，因为他们细节把关比较严，细节决定成败一点也没错。

十多年过去，深度学习给了人工智能发展的契机，再加上并行计算（parallel computing）的快速处理能力，以及海量数据的训练，人工智能在很多场景中得以应用，包括语音、图像识别、人脸识别，以及语言翻译和自动驾驶等。

但是，医学领域和上述场景不同，后者已经拥有大量的经过标记的数据，而前者则没有。医学博士亚伯拉罕·韦尔盖斯（Abraham Verghese）表示，要想突破这一难关，人类必须开发出更多人工智能的潜力。开发的关键，在于如何让机器脱离对标注数据的依赖，拥有人类大脑的学习能力，将一个领域的知识应用于另一个领域。

此外，人工智能虽然颇具争议，但其能够带来的优势也十分喜人。医学博士埃里克·J.托波尔（Eric J. Topol）认为，这些优势很快会给医院带来许多改变。

人工智能未来将面临的挑战

• 获得人类的学习方式

未来，人工智能将面临许多挑战，其中最主要、最关键的是如何获得人类的学习方式。

人工智能目前的学习方式是“监督式学习”，也就是研究者需要将经过标记的数据输入其程序之中进行学习训练。显然，“监督式学习”并不是人类学习的方式，人类的学习方式为“迁移学习”（transfer learning），也就是将一个领域的知识应用到另一个从未接触过的领域。

这也是“学习”真正的意义。如果一个人在有限的领域所学到的知识，无法应用到其他领域，那就说明其并没有学到那个领域的基本、抽象的概念。

目前，人工智能过度依赖计算机模型，而不是真实的环境。以糖尿病性视网膜病变为例，在计算机模拟的实验室环境下，研究人员做了4组实验，其诊断数据准确率高达98%至99%。但回到临床实验时，准确率下降至约90%。

从计算机到真实的环境，原始数据集的准确率呈现下降的趋势。如果人工智能的发展停留在监督式学习阶段，那么未来计算机模拟数据和临床数据的差异会进一步扩大。

因此，如何摆脱监督式学习，或者说如何实现知识迁移学习，是人工智能技术在未来10年取得突破性进展的关键。

• 自然语言处理

2020年，大多数临床医生每和患者相处1小时，就意味着在电子病历上花费2小时，且每天晚上，他们还要在电子邮件上消耗1小时。

在韦尔盖斯看来，既然人工智能和视网膜病变的诊断都取得了突破性进展，现在是时候处理医生工作不断被电子文字打断的问题了。他认为，人工智能中的自然语言处理技术（Natural Language Processing, NLP）或许会有所帮助。

所谓自然语言，其实就是人类所用的语言。文字转录就是自然语言处理的进展之一。

梅兰妮·米切尔（Melanie Mitchell）是一位人工智能领域的专家，著有《人工智能：人类思维学习指南》（Artificial Intelligence: A Guide for Thinking Humans），现任职于美国圣塔菲研究所（Santa Fe Institute，SFI）和波特兰州立大学（Portland State University）。她的哥哥曾经是一名医疗记录员，每天的工作就是按照医生的口述，记录病历。但现在，这份工作已经被自然语言处理系统取代了。

米切尔表示，这是医学上一个巨大的进步，因为它证明了蛮力统计（brute-force statistics）是一个有效的方式。之所以称其为“蛮力”，是因为自然语言处理系统并不懂得人类的语言，但仍然可以进行转录。事实上，不同语言间的翻译也是如此——有很多翻译效果良好的软件，使用的也是“蛮力统计”方法。

但是，“蛮力统计”不是自然语言处理技术的终点。米切尔认为，真正的自然语言处理技术可以满足更多需求，包括真正理解人类语言，如，IBM Watson技术平台。

如果没有时间阅读所有发表的医学文献，IBM Watson能够在阅读指定文献后，回答你的问题。要做到这一点，IBM Watson需要做到理解文献内容，而“理解”文字比翻译，或单纯的文字转录要困难许多。

米切尔表示，这种“理解”目前还不确定到底是什么，但有一点非常明确，那就是“理解”也不是人工智能技术真正的终点，甚至可以说还相距甚远。