不久前，據 The Register 報道，有 IBM 內部消息人士透露，Watson健康部門要解僱了大約 50% 至 70% 的員工。
這對IBM來說是一個非常糟糕的消息，這些年IBM大力宣傳“認知計算”，而Watson 健康就是這其中的標杆項目。如今Watson健康大裁員，基本就是宣告IBM這些年的努力基本失敗了。
IBM作為最早將AI技術推向市場的企業，我們可以從Watson健康的失利，來看看目前AI落地的一些痛點。
1、缺乏有效的評估標準
關於Watson健康我們可以在網上看到各種評論，有些人評價其為“笑話”，也有人認為其技術先進性不可否認，在各種說辭中大家莫衷一是。
這裡面當然很大一部分原因是因為IBM為了宣傳自己的產品，通過媒體、廣告等手段混淆了大家注意力。但業界缺乏統一的基礎測試，使得AI產品無法量化評價，是問題的本質。
其他的行業，無論廣告怎麼宣傳，行業裡自會有其自己的標尺，通過基準測試，大家總可以大概分個高下，但在AI行業，除了圖像和語音以外，公認的基準測試根本不存在。
在李飛飛建立ImageNet圖像測試集之前，在圖像識別領域，也沒有統一的評測標準。這就很難定量的評價各種算法的優劣。
我們可以看到，自從ImageNet數據集成為行業基準測試的標準後，極大的推動了圖像識別領域的發展。圖像識別很快成為人工智能領域發展的最快的領域。
這裡面自然有算法的適用性問題，但建立統一的評測標準，讓行業可以定量分析算法的有效性，確實對整個行業是有極其重大的意義的。這也是李飛飛在人工智能界如此受人尊重的原因。
我們再回過來看，在醫療健康領域，雖然IBM耕耘多年，但幾乎沒有發佈任何行業公認的測試結果，或者自己制定一套嚴密的評測體系供外界參考。
反過來，IBM通過各種非學術渠道，大肆宣傳自己取得的成果，導致人們對其期望過高，但在應用中又無法驗證其有效性，這種落差很容易給人不信任感。
2、沒有良好的商業模式
商業模式，對於技術變現來說至關重要，但IBM並沒有給其AI產品找到合作雙方都接受的商業模式。
IBM的商業模式非常古板，即通過技術服務合同鎖定客戶，然後派遣人員去合作伙伴那邊進行項目實施。
這種合作模式一般適用於傳統的IT項目，由於目標明確、需求清晰，投入產出相對可預計，合作雙方都可以將自己的投入控制在可控的範圍內。但是目前一些AI項目實施其投入規模巨大，但其收益卻無法衡量。
以著名的IBM和MD Anderson癌症研究中心為例，據報道MD Anderson向IBM支付了3900萬美元的費用，但該報道同時指出：“使用過 Watson的醫生都不願談及此事。”像此前第一條所說，AI帶來的好處，無法精確量化，以至於昂貴的AI其結果完全無法評估。
另外一個案例是IBM和新加坡政府的合作，根據鈦媒體的報道，當時在試驗的時候，其治理交通的情況獲得了肯定，但後期如果投入真實運營，新加坡交通管理部門需要首先繳付鉅額的支出，巨大的成本讓相關部門望而卻步了。
由於雲計算的興起，現在的IT服務我們已經逐漸向按需付費轉變，越來越多的企業不願意為不確定的效果一次性的支付鉅額的固定費用。AI服務需要找到類似的模式以便取得客戶的信任，以傳統合同綁架客戶的模式肯定不是未來。
3、缺少有效的行業模型和訓練數據
我們知道，現在AI計算需有成熟的行業應用模型，並通過大量的經過標註的數據對系統進行“訓練”才可以真正的投入使用。
而很多時候這樣的模型和數據都是非常稀缺的。
在福布斯的對IBM沃森的報道中我們也可以看到這種困局：
“沃森需要幾個月時間進行繁重的訓練，而專家們需要給該平臺飼餵海量條理清楚的數據，以使其能夠得出有用的結論。對於沃森系統來說，‘條理清楚’的要求很難達到，因此未經整理過的數據一般都用不上。結果，沃森用戶不得不僱傭諮詢專家團隊，對數據集進行改進整理，既費時又耗錢。”
為了給沃森健康提供數據支持，IBM在近年進行的大量的收購，這些公司很多為醫療數據分析和解決方案的公司。這包括2016年斥資26億美元收購的醫療數據公司Truven、2015年斥資10億美元收購的醫療影像公司Merge以及同樣在2015年收購的醫療保健管理公司Phytel。
但即使如此大的投入，IBM似乎還是沒有獲得太多高質量的數據，其訓練的AI表現並部盡如人意。福布斯報道援引專家評論道：“最新的機器學習算法通常不能提供足夠的敏感性、特異性和精準性，而這都是臨床決策所必需的。”
此前收購的醫療數據和服務公司人員正是這次裁員的主要部分，也側面證明了他們並沒有給IBM帶來太大的價值。
IBM的沃森是AI產業化最早的先驅，其遇到的困境也是整個產業所面臨的困境。
新生的AI企業，需要克服這些困境：建立行業認可的評價標準；推出更加靈活的實施方案，控制企業成本；建立真正的行業應用模型並獲得海量數據進行訓練，得到可用的方案。完成以上這些點，才能真正讓AI從概念走向應用。
閱讀更多 鈦媒體APP 的文章
