Watson是IBM在人工智能上押的大注,而医疗保健则是现在和未来的典型应用领域。现在就让我们来一探Watson的内貌,来看看医疗如何受益于Watson以及在此过程中都会使用什么样的数据。
本周的全球Watson(WoW)活动再次将Watson推至聚光灯下,本次活动的参加者来自110多个国家。如果数字能打动用户,那吉尼·罗梅蒂(Ginni Rometty)在主题发言里放出的大量数字一定可以震撼世界。
认知系统的市场价值为320亿美元,Watsond的定位是成为该市场的领导者、帮助各种组织做出更好的决策(估计价值为2万亿美元)以及通过旗下700名客户为近十亿人的生活做出贡献。
2亿人是消费者,另有2亿病人,而据IBM的主要合作伙伴之一的Teva说,医疗保健“消费化”是变革的推动力:消费者期望能即时拿到所有的一切,而且其方法必须方便、实惠、透明以及能根据他们的需求进行调整。他们不明白的医疗保健、太昂贵的医疗保健或是要经常离开舒适的家才能享受的医疗保健,这些他们是不能接受的。
IBM健康和Person-Centric知识系统研究经理Spyros Kotoulas 表示,“我们不再是治疗一些毛病,我们治疗的是人。传统上,IT在医疗中做的是 (a) 记录和分享信息 (b) 提供工具以帮助用户基于临床症状做出更好的决策。
基于病人的临床症状和观察结果,不同人的健康状况之间存在重要的、明显的差距。该差距被称为健康的社会决定因素,包括:一个人的社会经济地位、家庭环境、社会环境等。这些都对健康状况有巨大的影响。
社会决定因素在一个人的身心健康上扮演着重要角色,大数据能为我们跟踪到各种因素
因此下一步要做的顺理成章的事就是建立一个系统,将这些社会决定因素以及决策支持系统考虑进去,决策支持系统应建立在一套广泛的标准和各式各样的任务上。例如,基于过去在类似患者上做过的工作开展深度个性化护理计划,或指导卫生专业人员获取信息,令他们做的决定最有效。
IBM的核心技能是在计算机科学和人工智能方面,Kotoulas管理着一个研究人员和工程师团队,他们的背景都是和人工智能有关的(语义网、深度学习、机器学习、排名和推荐、自然语言处理以及医疗决策支持)。
然而,社会决定因素这个概念需要用到社会科学和医学科学,因此,采取的方法是高度跨学科的,各领域的专家和客户密切合作,以验证各种方法的有效性。
例如,Kotoulas举了个例子,他表示,“IBM参与了ProACT项目,与心理学专家、护理和初级保健人员以及客户密切合作,目标是开发和验证一种新的综合护理模式。该模式将先进的分析技术和物联网整合到长者多重障碍的自我管理上,这些长者的分布环境包括家庭、社区和二级护理环境以及医疗和社会保障环境。
医疗专家发挥的作用比传统商业智能领域的专家更重要,该领域面临更大的挑战,维持“人情味”至关重要。IBM最近收购了几家公司(Explorys、Phytel、Truven、Merge),大量保健专业人员因此加入了IBM,另外,世界级健康创新人士Paul Tang和Kyu Rhee也是IBM的员工。”
Kotoulas表示,“健康的关键因素与临床、社会经济和医疗保健有关。而这些数据是多层面的。要整合诸如社区贫困水平(社会)的数据或健康服务(护理质量)数据并不是什么敏感的事情,而且也相对容易(例如从人口普查资料里获取)。
这些数据在群体健康里的作用甚为重要,但是为了更好了解每一个个体,就需要了解个体的方方面面以及他们的社会背景(家庭成员、非正式的护理人员、社区成员)。”
医疗保健的有效运作需要各种数据源,物联网数据流对提供实时洞察非常有价值
诸如Teva的医疗专家公司可以从各种各样的源收集大量的数据,包括生物传感器。生物传感器有助于更多地了解病人,Watson则可以使病人了解自己的病情并为他们提出一些建议。
Kotoulas表示,“物联网是兑现真正的综合护理承诺的一个关键组成部分。物联网令持续监测身处自家环境里的患者成为现实。
这样做有许多好处:一些仪表读数在家里和在正式护理环境中是不一样的,在自家环境里获取信息的频率要高得多,病人以主人的姿态出现,感觉自己是独立的,而且,在许多情况下,更便宜,没人不喜欢便宜的好事吧?
成功从多个物联网数据流里挖掘出有用的东西通常是一波一波的,在多个并发数据流的情况尤其是这样。有些很有用的数据的获取很容易,比如位置数据和脚步数,很容易从智能手机获取。
而有些数据则需要做额外的推断,例如从多个数据流里检测出社会隔离。有些数据流非常难处理,需要专门的硬件,要结合多个实时信号才能监测到某些情况的出现。
目前,Watson在IBM云里运行,提供一系列的服务, 而Watson开发者云里的几个服务都来自IBM研究所。
好文章,需要你的鼓励
K Prize是由Databricks和Perplexity联合创始人推出的AI编程挑战赛,首轮比赛结果显示,获胜者巴西工程师Eduardo Rocha de Andrade仅答对7.5%的题目就获得5万美元奖金。该测试基于GitHub真实问题,采用定时提交系统防止针对性训练,与SWE-Bench 75%的最高得分形成鲜明对比。创始人承诺向首个在该测试中得分超过90%的开源模型提供100万美元奖励。
T-Tech公司研究团队开发了SAE Boost助推器系统,通过训练专门的"错误补偿器"来增强AI理解工具对专业领域的理解能力。该系统在化学、俄语和外交等领域测试中显示出显著改进效果,同时完全保持原有通用能力。这种模块化设计为AI系统的持续优化提供了安全可靠的路径,对AI可解释性研究具有重要意义。
阿里巴巴通义千问团队发布开源编程模型Qwen3-Coder-480B-A35B-Instruct,专门用于软件开发辅助。该模型采用混合专家架构,拥有4800亿参数,支持25.6万token上下文长度,可在数秒内创建完整功能应用。在SWE-bench基准测试中得分67.0%,表现优于GPT-4和Gemini。模型基于Apache 2.0开源许可,企业可免费使用。AI研究者称其可能是目前最佳编程模型,特别适合企业级代码库理解、自动化代码审查和CI/CD系统集成。
斯坦福大学研究团队开发出革命性AI系统,能够像生物学家一样"看懂"蛋白质三维结构并预测功能。该系统通过多层次分析方法,在蛋白质功能预测方面达到90%以上准确率,为新药开发和精准医疗开辟新道路。这项技术不仅加速了蛋白质研究进程,更为解决复杂疾病提供了强大的AI助手,预示着人工智能与生物医学融合的美好前景。