AI 的力量

当今的数字世界中，已经充斥着唯有借助人工智能（AI）的进步才得以实现的系统和技术。您最近在网上购物过，或接触过任何形式的网络媒体吗？很可能 AI 被用于优化定向广告和产品投放算法。与 Siri 对话过，或用 Google 翻译过内容吗？这些都用到了 AI 辅助的自然语言处理。用最近发布的智能手机拍过照吗？AI 被应用在手机相机硬件之上，提升了您所拍照片的画质。凭借多样化的学习算法、预测模型、深度学习等技术，AI 几乎可以被塑造成赋能任何行业的力量。

正如我们在之前的文章中详述的那样，AI 的应用极其广泛。即便有了深度学习、神经网络和其他即将到来的突破，我们也只是触及了它的皮毛。不，它还无法取代受过训练的人类头脑所具有的直觉、经验、智慧或复杂性，但人类与 AI 恰恰在这里交汇：我们都会学习。AI 之所以如此强大，是因为它有潜力学到比我们人类更多的东西。

然而，正如孩子需要良好的教育才能发挥真正的潜力一样，AI 也是如此。AI 必须借助正确的算法、工具、数据集等进行训练，就像人类需要教科书、研究和实践工作坊一样。没有指导，二者都无法完成复杂的任务。

为下一次进化而训练

我们已经明确，在 AI 能够介入并施展其“魔法”之前，人类专家必须首先提供训练指令——本质上就是告诉程序该做什么。毕竟，机器不会凭空发展出具有独立创新思想的个性。请注意本文开头段落中列举的例子：所提到的所有活动都涉及我们已经相当了解的流程和系统。各领域的专家已经理解每个工作流程中不同组成部分和方面之间的核心关系。但问题仍然存在：他们如何将这些知识转化为 AI 的训练模块？

让我们回想一下工业革命时期的实体机械。尽管那些复杂的机器大大减少了对体力劳动的需求，但它们本身并没有变得更聪明或更有能力。一个运动部件以物理方式影响另一个部件——齿轮被安放在最高效的位置并转动——但这些金属、木材或其他材料制成的零件并没有一个能够感知任何事物的主导“心智”。从那以后，人类始终需要在旁观察、学习和创新。

在当今的数字世界中，情况略有不同。当我们将信息数字化时，就能够以极其精确的尺度追踪统计数据和数据。随着计算能力上限的提高，我们定义、收集、评估和利用这些数据的能力也随之提升。事实上，AI 的另一个极其重要的分支正是为完成这些事情而设计的，它被称为机器学习（ML）。实体机器必须在人类的物理局限下加以改进，而数字化信息只需输入程序，便可训练它完成我们无法完成的工作。

数据是迈向更高水平 AI 的关键

熟悉 ML 的人都知道，训练 ML 主要有三种方式：监督学习、无监督学习和强化学习。每种方式各有利弊，但最稳定、使用最广泛的是监督学习。只要组织得当，它就能让 AI 更上一层楼，完成复杂程度和数量都超出人类头脑能力的任务。

监督学习完全依赖于高质量的训练数据集。由于原始数据实际上就只是数据而已，它还不太有用。要让它变得有用，需要三个步骤：

数据采集

这看起来也许显而易见，但您必须先有一定的数据，才能创建数据集。

由于数据集的整个基础依赖于高质量“和”大数量，最重要的是建立一个渠道、工作流程或流程，使其能够从信誉良好、值得信赖的来源大量获取信息。

如果收集到的数据是错误的，甚至只是数量太少，那么最终的数据集就不会很有用，因为它无法涵盖足够的参数。同样非常重要的是尽可能地重视数据的组织，这一点在流程的下一步中会体现得很明显。

数据清洗

数据采集之后，必须进行标准化，为实际分析做好准备。例如，如果您的数据是一张图像，但该图像颗粒感过重，无法清晰显示其目标对象，就需要进行“清洗”，要么通过各类软件进行额外处理，要么需要重新采集。

同样的道理也适用于使用不同计量单位的数据。如果没有明确的配置，计算机将无法区分“1”天和“1”小时。这只是说明数据清洗在整个流程中不可或缺的几个例子。

数据标注

在信息完成采集和清洗之后，就必须对其进行分析。这最后一步可以说是最重要的，因为它往往也是最复杂的。

数据标注的关键在于精确和准确。在这一步中，医生对清洗后的数据进行处理，判断这些数据在现实世界中代表什么。由于仍有大量未知和未确定的内容，这需要多步骤的审核流程，才能获得最佳结果。

这并不是说每个数据集本质上都很复杂。一个简单数据标注的例子是：一张香蕉图片，标注为“一根香蕉”。将其与我们身体这一无限复杂的生物系统相比，您就能开始想象事情可以复杂到何种程度。从通过视觉识别我们体内特定的静脉、动脉和通路，到辨别蛋白质、激素等体内化学物质水平升高所带来的影响，这至少可以说是一项浩大的工程。

数据标注对各个层级的医生都非常有用。正在进行深入学习和研究的医生可以借此实践新学到的知识，而处于领域顶尖的医生也能借此磨练技能、拓展经验。

为此，可以训练 ML 去考虑诸如外卖配送中涉及的每一个流程。所有可能的参数及其相互关系都会被考虑在内：车辆类型、燃料类型与速度之间的关系、餐厅与顾客之间的最快路线，以及交通、位置、价格详情等。一个经过恰当训练、充分吸收了所有这些数据的 AI/ML 驱动程序，在分析时会更快、更高效，也更不容易出现人为错误。它将完全理解每个数据点如何影响另一个数据点，从而能够发现各种组合和模式，并由此得出可付诸行动的洞见，例如找出在特定交通路线上最适合外卖配送的车辆类型等。

拥有此类技术的外卖配送公司将立即获得巨大优势。他们会知道哪种车辆类型效率最高、何时建议哪些路线以实现最快送达、顾客似乎最喜欢哪类餐厅，等等。

Ever AnnoMed 建立面向未来的基础设施

当然，这一切说起来容易做起来难。要为如此强大的程序收集所需的海量数据，需要多年的精确微调以及用于分析的数据输入。这正是当今世界技术所处的位置。在我们能够创造、创新并拓展知识和能力的边界之前，我们必须准确理解我们所处理的对象。这需要世界上各个领域最杰出的先驱者的专业知识。

Ever Medical Technologies 持续突破界限，将全球领先的技术与顶尖医生的经验相结合。我们深知，进步不是终点，而更像一条奔流不息、蜿蜒曲折、永无止境的河流。尽管我们已在现有产品中采用了区块链以及多种 AI/ML 模块等技术，但我们也认识到，仍有一片浩瀚的知识海洋有待开发。

我们追求更高目标的愿望促成了 Ever AnnoMed 的成立。这是一家临床研究机构，将成为全球医学研究人员的灯塔，其主要目标是为 AI/ML 训练打造一个蓬勃发展的数据标注社区。

Ever AnnoMed 将能够借助高素质的医学专业人员，以实惠的价格精准、快速地标注大量数据。依托由众多大学和遍布泰国的合作医院组成的庞大网络，我们拥有独特的优势，目标是彼此共同学习、共同成长、相互启发。我们热切希望进一步推动数据标注这一互利共赢的实践：即使是来自非 AI 领域和执业背景的医生，我们也为其提供主动学习的机会，并由我们经过专门训练、协助消除假阳性/真阴性数据的优秀 AI 团队提供内部支持。我们还支持种类繁多的数据类型（DICOM、Nifti、超声、文本数据等），我们的区块链核心基础设施在设计上即可适应全球的数据实践和标准。

与我们开展的所有其他工作一样，Ever AnnoMed 将在质量、精确度和准确性方面坚持最高标准，致力于打造更好的诊断工具、神经网络服务、更高效的数据存储/传输等。事实上，完整的数据标注可能带来多少创新和发现，实在难以估量——但我们已经准备就绪，并且无比激动地迈出第一步，为世界的下一次进化开展训练、做好准备。