在许多反复出现的话题中,今年一直是机器学习对我们生活的影响,特别是对我们未来工作生活的影响。各种预言从无处不在的乌托邦机器仆人到反乌托邦式的破坏——掏空中下层阶级的工作和经济地位。“机器学习能做什么?”Erik Brynjolfsson和Tom Mitchell在《科学》杂志上发表的文章为机器学习及其未来的经济影响提供了一些视角。
机器学习
机器学习,是一种通用形式的人工智能,就像电力,而不是一个特定的应用。在可预见的时间内,未来的机器学习将局限于定义良好的任务。作者确定了适合机器学习的特定任务:具有易于描述的目标、易于教授的任务,以及允许算法开发和应用的性能度量。由此产生的应用程序,虽然看起来不可思议,但并不是特别有弹性。他们的目标或指标范围中的微小变化会严重降低他们的功能。
人类从阅读和实践中学习。书本学习,把一个想法和另一个想法联系起来,对机器来说是有问题的。但从实践中学习,从例子中学习,则是另一回事。在职培训,在传统的术语中,指的是演示如何做一项特定的工作,并对其是否正确进行反馈,这就是“监督学习”。计算机还能加速监督学习——机器更快的计算速度,更少错误的记忆,以及毫不动摇的专注力能快速教授特定的真理。
限制
机器学习可能是我们应试教育的最好例子,但它有严重的局限性。机器不能像人类那样概括它们的知识。想想机器学习在医学上的应用。大多数应用仅限于图像和简单的诊断,其中问题和解决方案都得到了很好的定义,信息很容易被数字化到机器上,数千个例子可以在患者不参与的情况下使用。机器学习已经被证明可以准确地识别糖尿病患者的视网膜变化、乳腺癌的乳房x光检查表现以及与异常心律一致的心电图模式。这些问题表现出是或否、对或错的清晰。在这些参数范围内,机器学习的能力将达到甚至超过人类训练者的能力。
但是,用于检测乳腺癌的算法无法识别糖尿病引起的眼部变化——它无法推广到不同的情况。机器学习反映为对训练数据集“真相”的忠实模仿。机器学习依赖于我们提供的变量、在这些选择中反映出的无意偏差以及正在考虑的不断变化的问题。想想医学上的三个例子:
- 临床证据表明胃酸过量是胃溃疡的根本原因。人们花了几十年的时间才发现了一个新的变量——幽门螺旋杆菌,这种细菌最终被发现是胃溃疡的更根本原因。
- 几十年来,心脏病的临床研究主要涉及男性。我们错误地认为男人和女人的反应是一样的。直到最近几年,我们才发现这种无意的偏见是不正确的,女性在患心脏病时报告的症状往往与男性不同。
- 肺癌在20世纪早期是如此罕见,以至于医生们聚集起来观看例子。在50年内,它成为癌症死亡的最常见原因。
机器可能会更一致地应用知识,但它不会发现与幽门螺旋杆菌的关联,也不会意识到女性的代表性不足,也不会意识到肺癌将成为癌症最重要的病因。人类得出了这些发现。
也许这些系统最大的弱点是它们的解释能力。他们调整了数千个数值权重,得出了以确定性百分比表示的概率答案。机器学习的思维链,所有那些中间步骤,对人类来说都是未知或不清楚的,因为人类必须按照它们的建议行事。我们不知道鉴别器或它们的权重;只有统计上的输出。某些决定需要解释。一个高科技的魔术8球在治疗癌症方面是不够的。你相信,”算法告诉我这么做,“会在我们的病人或他们的医疗事故律师那里获得多少信任?
劳动力的影响
一些医生的工作是明确的,容易描述的,适合机器学习。我们工作的另一部分由“我们知道的比我们能说的多”的活动组成——可分享的“看一个,做一个”的意义,但不服从描述,我们的直觉。机器学习无法复制这种经验,因为我们无法在训练数据集中表达它。
医生的工作是一个可变的组合,显性任务很容易屈服于机器学习的进步,而隐性任务只有人类才能完成。机器学习将破坏基于这些任务平衡的临床护理,使其影响远非简单。在高度结构化的重复性工作、中等技能范围的工作和显性工作方面,我们无法赢得与机器的战斗。我们的价值在于我们更有挑战性地获得隐性技能,安慰和督促,推动人们做出更好的健康选择,或者在不确定性面前帮助平衡患者的感知和实际风险与收益。我们价值的另一个重要来源将是我们与咨询师、医院、出院后工作人员和设施的关系——我们提供护理的生态系统。医生通过这些关系提供比机器更大的附加值。
医生被公司雇佣的趋势即使能被逆转,也不可能被轻易逆转。只有对权力讲真话,我们才能成为机器的主人。我们必须从医疗保健系统和它们的硅农奴手中夺回药品;代表我们的病人,并在决定我们身边的医生和高级从业者方面发挥更重要的作用,我们一起不仅仅是一台机器。
查尔斯·迪纳斯坦是一名外科医生。
图片来源:Shutterstock.com