很多医生、护士、牙医或其他医疗专家对人工智能、机器学习和深度学习之类的相关热词已经很熟悉了，但并不是所有人都意识到了它们可能产生的后果。

大多数人，尤其是千禧一代，似乎对人工智能技术持非常乐观的态度，认为其整体上是振奋人心的。

深度学习是机器学习的一个分支，机器学习是一种颇具综合性的技术组合。深度学习规定了人工神经网络在模仿学习中的范围。更确切地说，深度学习也因此被称为深度结构化学习或可微分编程，可以采用监督、半监督或无监督任一种学习方式。

深度神经网络、深度信念网络、循环神经网络和卷积神经网络主要应用于语音识别、自然语言处理、计算机视觉、音频识别、社交网络过滤、机器翻译、生物信息学、药物设计、医学图像分析、材料检测和棋牌游戏程序等领域。深度学习技术的每一部分产出的成果都可以媲美人类的专业水准，甚至超越了人类。

一般来说，机器学习的概念如下：这种精巧的设计应该能够借助经验学习和适应环境，并能够“聪明地”执行任务。

通过从机器学习、深度学习或其他系统中学到的东西，人工智能可解决实质性的问题。在计算机科学领域，人工智能也被称为机器智能，无非是机器的演示能力，这不过是人类和动物天生的典型智力特征。

人工智能和机器学习的用处

有了人工智能，人们可以完成各种各样的任务。利用AI，人们可以通过语音提问，得到很多小众问题的答案，甚至计算机可以找到人脑永远无法想到的数据；AI利用深度学习，对数据进行总结，并提供对信息进行进一步探索的方案。

同样，人工智能会进一步将提取的信息分享至先前其他人所提出的同样问题中，人们可在屏幕上或直接通过对话得到答案。

人工智能和深度神经学习的效用，特别是在提高人类生活质量这方面，似乎具有潜在的合法性和发展前景。但是，现实生活中的信息是多样的。确实，这些技术在医疗中可以即时确定治疗效果，在零售业里可以快速提供库存建议，而在金融业中，不再限于发现，还可以预防诈骗。

计算机能有效地识别出必要信息，分析所有因素之间的关系并形成答案，然后将其自动传给用户。这为后续的查询提供了选择，甚至可以在不需要人工干预的情况下更好地执行额外的预设任务。

每一种人工智能、机器学习、深度学习技术都依赖于一套限定的、可由计算机实现的明确指令或算法序列，这些指令或算法通常是不公开的。但随之而来的是，人工智能的效用喜忧参半，因为技术的风险与收益取决于其特定的算法。

人工智能实现了真正的人机互动，它凭借不断提高的精确度真正放大了人类的潜力。随着时间的推移，智能机器利用各种机器学习技术，能够理解各种请求，无论善恶。人工智能不会考虑道德后果，只负责连接数据点并得出结论，然后学会推理、观察和计划。

从亚马逊的Alexa到苹果的Siri，所有的进步都让人工智能更接近创造智能机器的初衷，人工智能被广泛应用于日常生活中。从我们最喜欢的零售网站上的推荐到社交媒体上自动生成的照片标签，许多常见的网络设施都是由人工智能驱动的。

但随着人工智能技术的进步，越来越多的隐私被公之于众，个人自由也随之变得越发微不足道。

医疗领域的人工智能

人工智能正在成为医疗领域的一股变革力量，正在如预想的那样颠覆医疗领域的方方面面。

人工智能有望通过接口融合人机思维

在不使用键盘、鼠标和显示器的情况下，在技术和人脑之间建立直接的联系，是目前最先进的研究课题，在病人护理中有大量的应用。例如，神经系统疾病和神经系统创伤可能对某些生理功能造成损害，而这项技术可以对此进行弥补。人工智能还可以为无法说话的患者发声，为瘫痪的患者挪动手臂。

下一代人工智能可进行放射性读数

通过核磁共振成像机、CT扫描机和X射线拍摄的放射图像，人们可以非侵入性地看见人体解剖结构内部运作。尽管一些诊断过程仍然依赖于直接组织取样或组织活检，存在感染和出血的风险，但人工智能将使下一代放射机器在选定的情况下，能完全不用诊断性活检。人工智能正在通过推进“放射组学”这一创新领域，实现“虚拟活检”。

人工智能将极大提高农村等服务不足地区的医疗服务

缺乏合格的医生，包括放射技师和放射科医生，可能会阻碍全球范围内发展中国家的急救医疗。人工智能可以通过担起一些通常指定由人类承担的责任，缓解合格临床工作人员严重不足的问题。

人工智能算法让电子健康记录（EHR）更高效

在医疗行业向文档化和“经济与临床健康卫生信息技术 （HITECH）” 迈进的过程中，电子健康记录发挥着越来越积极的作用。然而，健康记录在向数字化转型的过程中，存在着从认知超载、持续记录，到医生的职业倦怠等许多问题。

经济与临床健康卫生信息技术行业现在正在使用人工智能和深度学习，通过自动处置一些占据医生大部分时间的形式规则来创建更加自发的界面。机器学习和人工智能很可能会进一步支持准备收件箱中的常规请求，如药物补充和通知结果。此外，它还可协助处理要求临床医生优先重视的任务。

医疗设备成为独立运作的机器人

智能医疗设备正在充实用户场景，从肠道内部的实时视频，到感知面部表情来诊断早期的自闭症，这些都可以实现。

在医疗环境中，智能机器对于从重症监护室到家庭护理等各种场景中监测患者具有重要作用。通过人工智能，医生将借助更强的能力，识别各种病理恶化，如败血症是否情况紧急，或在并发症发生之前检测其发展情况，从而显著改善临床表现，并可能降低院内感染产生的费用。

人工智能可避免抗生素抗药性的风险

抗生素耐药性对人们来说是一个日益严重的危险，因为过度使用这些基本药物促进了某些细菌菌株的进化，这些菌株对未来的治疗将不产生反应。

精确分析病理图像

如今，病理标本为医生提供70％以上的诊断数据来源，涉及整个医疗服务领域。而且在电子健康记录系统中，可获得几乎所有提取到的数据。因此，数据越精确，就能越早得到正确的诊断，数字病理、数据和人工智能能提供更好医疗服务。

深度学习算法和人工智能分析技术，可以在大型数字图像上精确到微小的精度，从而使医生能够精确地指出肉眼所看不到的细微之处。在临床医生研究数据之前，人工智能可以通过识别病理准备中值得关注的特征，进一步提高工作效率。

免疫疗法和基于基因组的癌症治疗的无价之宝——深度学习与人工智能

免疫疗法是癌症治疗领域最惊人的成就之一，指引并利用人体自身的免疫反应来攻击恶性肿瘤。深度学习算法及其人工智能促进了高精尖数据集的合成，针对个体癌症的唯一基因结构方向，制定精准的靶向治疗决策。

修改电子健康记录，人工智能加强患者风险分层

患者的医疗记录是个人数据的宝库，然而，精确、及时并坚持提取和分析如此丰富的信息，对医生和数据分析人员来说一直是一个挑战。

数据的质量和真实性以及数据设置混合的问题，会使得任务复杂化。此外，输入是否结构化，以及记录不完整，让理解究竟如何进行有意义的风险分层、预测分析和支持临床决策变得极为困难。

电子健康记录分析已经产生了许多蓬勃发展的风险评分和分层工具。然而，在这些当中，研究人员应用深度学习的方法对看似不相关的数据集之间的独特关联进行分类。

智能机器改进监测健康状况的可穿戴设备

随着可穿戴设备日益普及，利用传感器收集消费者重要的健康数据并通过智能手机传输，其实用性越发成为必然。例如，通过步数追踪器，人们可以连续追踪心脏脉搏。通过这种技术，今后将会产生越来越多的与健康相关的数据。

收集、分析医疗信息，并辅以应用程序和其他家庭监控设备从患者身上获得的数据，可以为个人和人类的福祉提供独特的观点。从庞大而无尽的数据宝库中提取可操作的有用信息，人工智能在此方面可发挥重要作用。

手机自拍成为未来临床检查工具

专家认为，利用便携式设备，由智能手机和其他客户端拍摄的图像将成为临床质量成像的重要补充，特别是在服务不足的地区或发展中国家中。

手机摄像头的质量正在逐年提高，可产生利用人工智能算法进行分析的可行图像，这样的技术在现代皮肤科和眼科领域里是非常有名的。英国研究人员甚至已经开发出一种方式，通过分析婴儿在子宫内的面部图像来识别发育异常。

人工智能正在改变医生的诊断方式

随着医疗行业从收费报销体系向择优补偿模式转变，医疗行业也从治疗已现疾病的“被动式护理”，向在症状出现之前解决问题的“主动式护理”转变。人工智能将为这一诊断革命奠定基础，促进预测性分析和临床判断指导仪器发展。这些仪器将在医生可能意识到问题需要解决之前就提醒他们。

深度学习如何有用

深度学习在现实世界的应用中蕴含着宝贵的潜力。传统的机器学习描述训练方法，通过该方法将用于训练程序的图片与图片中的事物名称进行标记。传统的机器学习方案通常使用照片，并将其与图像内包含的“标记”进行匹配，后来的机器学习技术被称为“监督式学习”。

还记得你在脸书上给自己的照片或朋友的照片标注名字吗？这就是机器学习认识人脸的方式，从其他人中识别出来，并与互联网上的其他识别因素进行匹配，以便将来进行认证和识别。

与机器学习中使用的其他训练技术相比，监督式学习速度快，对计算能力的要求相对较低。然而，对于现实世界的应用，它有一个明显的缺点，即每天都会从社交媒体、硬件和软件服务合同、软件授权和网站咨询包中收集到大量的信息。

对于有各种议程的大小企业来说，机器学习辅助的数据挖掘或个人信息收集都非常重要。但问题是，这些数据都未被打上标签，无法用于指导依赖监督式学习的机器学习程序。因为它仍然需要人来给数据打上标签或标记，这不仅耗时而且成本也高。

深度学习网络可避免传统的机器学习的缺点，因为它使用了“无监督学习”。深度学习不用任何数据标签或标记。即使图片没有带“Tag”这个名字，深度神经网络仍可学会识别这个人。

对于那些对现实世界中的应用感兴趣的人来说，能从未经标记或未经组织的数据中学习是一个巨大的优势，深度学习为那些想要使用数据的人打开了非结构化数据的大宝库。

人工智能和深度学习为你打造个性化医疗服务

21世纪，医生和医疗卫生部门仍然希望坚持希波克拉底式的个性化医疗，并使用最先进的技术保持高质量的医疗服务。同时，医学界不再理性，快速将神圣的临床判断力推向基于协议的病人算法护理。以前的人口健康模式就是该情况的始作俑者之一。

但人工智能如果通过透明、负责的方式获取，可为个性化的医疗体系奠定基础。深度学习技术可以了解病人从出生开始的所有信息，并以去中心化的方式保存（使用区块链技术），而不会将个人信息泄露给他人使用。

作为数据的唯一拥有者，患者、医生或其他用户所收集和持有的数据将能够利用无监督的深度学习技术帮助人们获得想要和需要的个性化护理。大数据集中处理只会让其他行业受益，并加重污染存在缺陷的人口健康模式。

人工智能让医生能够根据患者需求定制治疗方案。人口健康原则无法满足患者的个人需求。根据人们的期望和需求，深度学习将了解个人需求，从而为医生和患者提供最佳建议。

人工智能也有不足之处

以前，现代社会在处理公共数字信息方面非常自由，但现在和以后人们得为这种天真的态度埋单。人们最终会明白其暴露在外的东西价值之大，以及这些东西如何被滥用或用来对付自己。

最重要的是，人们最终会意识到——哪怕社交媒体巨头和科技大亨们公开保证，他们的数据也不仅是对付他们的秘密武器，还是可以收入囊中的数字货币，个人数据在全球范围内间接地被武器化和洗钱化。尽管如此，现在我们都认识到这些问题仍然为时不晚。

脸书的用户越来越谨慎地与其他人分享数据，但使用无监督的深度学习，除非人们完全停用脸书，否则谨慎也没用。

同样，患者往往更信任他们的医生，而不太可能相信像脸书这样的大公司。这些公司将数据提供给大型研究项目，可能有助于缓解人们的不适感，但如果集中存储数据，高科技巨头公司成为“大数据”的唯一持有者，那又有什么用呢？

自动化——引发失业

虽然人工智能取代人类工作的问题引起了很大的争议，但这不是最值得关注的问题。人工智能会取代很多行业中的特定工作，而不仅仅是那些要预测和重复的工作。然而，变革毫无疑问已然开始。

侵犯用户隐私

人工智能使用不当可能会威胁到各种数字安全，这是一个迫在眉睫的问题。训练机器黑客或社会工程的受害者是一个非常值得关注的问题。此外，有些人进行非国家行为，将市场上的无人机武器化，实行监视使隐私不复存在，收集、压制、自动化并有针对性的虚假信息运动，这是我们不想看到的。

Deepfakes（换脸软件）也用深度学习

同样，凭借声音和图像形成的音频和视频，Deepfakes已造成轰动。使用机器学习和深度学习将有可能涉及自然语言处理，任何一个政治家的音频片段都可能被篡改，让人以为此人似乎在表达种族主义的观点，可其实他们并没有说过这样的话。

不良数据导致社会经济不平等与算法偏见

社会经济差距持续扩大值得深思。利用人工智能驱动的工作岗位引发人类失业成为一个重要问题。长期以来，除了教育，工作也是社会流动的驱动力。然而，当涉及某种工作时，现实已经表明，那些发现自己被冷落的人比起钱更多的高级职位的人更不容易获得或寻求再培训。

各种形式的人工智能偏见都是不利的，数据和算法的偏见亦是如此。数据和算法的偏见可“放大”人工智能偏见。

我们始终要记住：人工智能是人类的产物，而人类天生就会受到影响。人工智能研究人员只是来自于某些种族的人，他们在社会经济发达地区长大。科学家首先是健全的人，来自相对单一的人群。因此，这些人很难有效地将社会的多样性和他们的关注点联系起来。

从数据挖掘到深度学习，最终到人工智能，所有偏见都源于对社会和经济的考虑。技术是人类设计的衍生品。

武器自动化

人工智能可能比炸弹还危险。任何一个军事大国如果开发了人工智能武器，那我们几乎可预见到全球的军备竞赛，这种技术的发展归途是显而易见的，自主武器将成为未来的枪支。

与核武器不同，人工智能的原材料成本低且易获取。它们将无处不在，而且成本低廉，所有重要的军事霸主都可以大量生产。智能机器人武器在黑市上浮出水面，落入希望更好地控制群众的激进分子、独裁者的手中，落入想要清理种族的暴君等的手中，都将只是时间问题。

人工智能军备战对人类来说是不利的。美国军方2020年的拟议预算是7180亿美元，有近10亿美元将支持人工智能和机器学习，用于后勤、情报分析和武器装备等方面。

人工智能与大数据帮助企业剥夺用户

今天，利用人工智能，垄断公司正在不触犯法律的条件下，读懂人的思想和获取其个人信息，人们确实遭到了这些行业的剥夺。

人工智能行业正在取代医生

高科技行业普遍认为，机器最终将取代医生。虽然这可能真的会发生，但却远非明智之举。机器学习和人工智能的滥竽充数不仅让医生不堪重负，还影响了病人的护理质量。

通过商业智能或机器学习，建立一个用预写算法来收集不同来源的数据的技术，这是一种日益增强、让人恐怖的趋势。从商业角度来看，它会像我们这个世纪的淘金热一样有价值；从质量和利用的角度来看，它直接关系到病人的护理。

机器学习和人工智能之丑态

健康信息已变成了每一个行业的印钞机。健康信息凭借一己之力，已经建起万亿美元的市场。软件公司对公民说，数据是加密的，别人无法查阅，甚至其员工也看不到。

但人工智能却为他们提供了一种能力，即以任何喜欢的方式使用公共数据的能力。随着深度学习技术的进步，互联网自由和网络中立的概念也越来越为人们所淘汰。

人工授精和基因识别

目前，人工智能、大数据在人工授精、捐卵、基因识别等应用中各有利弊，后者涉及到了科技、文化以及伦理的应用。当大家都在用时，它们对社会规范稳定性产生的负面影响是巨大的。

我们进入了一个空间，在这里维护匿名性、尊重个人隐私以及防止重大社会、心理、伦理和法律纠纷将会很艰难。除非人工智能和深度学习算法有了根本的解决方法，否则父系匿名时代很快就会结束。

在精子库被迫打破与捐献者之间的保密协议规则、基因检测市场不断扩展以及丰厚的企业经济利益之间，为捐献者保密和维护下一代身份注定会成为一项长期任务。

为什么算法很重要

同情、情感、共鸣都是治疗过程和医疗的重要组成部分。但即使计算机学会了同情，却也永远比不上人类真实的情感，这正是人工智能永远无法取代医生的原因。尽管如此，医生不应该让自己沉浸在周围发生的变化中，这是无法掩盖的事实。

智能时代已经到来，而且很可能会继续发展下去。医生可以选择对技术进步，尤其是在深度学习算法上的技术进步视而不见，也可以选择掌握自己的领域。如果选择视而不见，他们将会失业，将对病人的神圣职责扔给那些对病人护理知之甚少或一无所知的行业与人。

医生们必须改革其行医方式。他们必须协调和引导其对病人的护理方式走上正确的道路，使用经过为医疗界所验证和测试过的最先进的工具。

人工智能算法须透明，架构师也要负责任

医生和医疗界要确保医疗质量，算法透明也是至关重要的。这对人工智能和机器学习来说必须的，相信技术与相信其设计者完全不同。

必须建立问责制，要想判定人工智能的罪责，首先必须实施适当的透明度举措。最重要的是，医生如果自己不承担责任，就必须要求这种透明度，并强制要求问责。这是医生界所期待的变革缩影。

法律界，尤其是律师界，正面临着与医生类似的挑战，但是他们似乎有效地保留了其人工智能算法的所有权。律师界一致认为，承认“非律师”拥有或投资律师事务所带来的经济利益冲突威胁着法律体系。

从技术上讲，反对这种规则的人特别关注其技术的验证方法，不当的验证和监督将导致非律师人员更容易从事某些法律活动。

医生必须知道的人工智能知识

医疗技术迅猛发展，这是医生与之脱节的主要原因，反之亦然，使用深度学习抢夺患者信息的战争已然开始。如前所述，大数据挖掘对于提供机器人医疗和人工智能所需的大量信息库非常重要，这些在未来都是要替代人类的。

算法应为战术性的医疗服务提供应有的保障，而不应以为企业追求经济利益为中心。保证深度学习算法适应个体情况，设计出服务于医生而非独立行事的算法，医生是唯一能实现这两件事的人。

医生如果不能意识到人工智能和深度学习的医疗法律风险，后果不堪设想。所以一个有用的人工智能必须精确地根据场景、时间、地点和个体确定医疗标准的特定参考点。

在患者的帮助下，医生应重新定义所有病例，通过制定个性化方案，在法律、伦理、方法上拥有相互推翻判定的权力。如果未能在医疗标准范围内解决患者问题，一旦出了问题，主治医生将可能面临法律责任。

不幸的是，医生这一职业有自我创造的习惯。医生的习惯性做法已经形成了与这些个人习惯相一致的文化和用人惯例。但常规需要打破，如果不扭转这种情况，医生将进一步与当代世界脱节。

医生必须包容人工智能、深度学习技术，就像前几个世纪包容听诊器和X光一样。医生们必须了解其用处和风险，只有如此，他们才能适应最佳医疗方式，保持独立性，确保患者安全，促进现代医疗个性化发展。