IBM Watson大裁员，问题还是AI落地太难

　　不久前，据 The Register 报道，有 IBM 内部消息人士透露，Watson健康部门要解雇了大约 50% 至 70% 的员工。

　　这对IBM来说是一个非常糟糕的消息，这些年IBM大力宣传“认知计算”，而Watson 健康就是这其中的标杆项目。如今Watson健康大裁员，基本就是宣告IBM这些年的努力基本失败了。

　　IBM作为最早将AI技术推向市场的企业，我们可以从Watson健康的失利，来看看目前AI落地的一些痛点。

　　缺乏有效的评估标准

　　关于Watson健康我们可以在网上看到各种评论，有些人评价其为“笑话”，也有人认为其技术先进性不可否认，在各种说辞中大家莫衷一是。

　　这里面当然很大一部分原因是因为IBM为了宣传自己的产品，通过媒体、广告等手段混淆了大家注意力。但业界缺乏统一的基础测试，使得AI产品无法量化评价，是问题的本质。

　　其他的行业，无论广告怎么宣传，行业里自会有其自己的标尺，通过基准测试，大家总可以大概分个高下，但在AI行业，除了图像和语音以外，公认的基准测试根本不存在。

　　在李飞飞建立ImageNet图像测试集之前，在图像识别领域，也没有统一的评测标准。这就很难定量的评价各种算法的优劣。

　　我们可以看到，自从ImageNet数据集成为行业基准测试的标准后，极大的推动了图像识别领域的发展。图像识别很快成为人工智能领域发展的最快的领域。

　　这里面自然有算法的适用性问题，但建立统一的评测标准，让行业可以定量分析算法的有效性，确实对整个行业是有极其重大的意义的。这也是李飞飞在人工智能界如此受人尊重的原因。

　　我们再回过来看，在医疗健康领域，虽然IBM耕耘多年，但几乎没有发布任何行业公认的测试结果，或者自己制定一套严密的评测体系供外界参考。

　　反过来，IBM通过各种非学术渠道，大肆宣传自己取得的成果，导致人们对其期望过高，但在应用中又无法验证其有效性，这种落差很容易给人不信任感。

　　没有良好的商业模式

　　商业模式，对于技术变现来说至关重要，但IBM并没有给其AI产品找到合作双方都接受的商业模式。

　　IBM的商业模式非常古板，即通过技术服务合同锁定客户，然后派遣人员去合作伙伴那边进行项目实施。

　　这种合作模式一般适用于传统的IT项目，由于目标明确、需求清晰，投入产出相对可预计，合作双方都可以将自己的投入控制在可控的范围内。但是目前一些AI项目实施其投入规模巨大，但其收益却无法衡量。

　　以著名的IBM和MD Anderson癌症研究中心为例，据报道MD Anderson向IBM支付了3900万美元的费用，但该报道同时指出：“使用过 Watson的医生都不愿谈及此事。”像此前第一条所说，AI带来的好处，无法精确量化，以至于昂贵的AI其结果完全无法评估。

　　另外一个案例是IBM和新加坡政府的合作，根据钛媒体的报道，当时在试验的时候，其治理交通的情况获得了肯定，但后期如果投入真实运营，新加坡交通管理部门需要首先缴付巨额的支出，巨大的成本让相关部门望而却步了。

　　由于云计算的兴起，现在的IT服务我们已经逐渐向按需付费转变，越来越多的企业不愿意为不确定的效果一次性的支付巨额的固定费用。AI服务需要找到类似的模式以便取得客户的信任，以传统合同绑架客户的模式肯定不是未来。

　　缺少有效的行业模型和训练数据

　　我们知道，现在AI计算需有成熟的行业应用模型，并通过大量的经过标注的数据对系统进行“训练”才可以真正的投入使用。

　　而很多时候这样的模型和数据都是非常稀缺的。

　　在福布斯的对IBM沃森的报道中我们也可以看到这种困局：

　　“沃森需要几个月时间进行繁重的训练，而专家们需要给该平台饲喂海量条理清楚的数据，以使其能够得出有用的结论。对于沃森系统来说，‘条理清楚’的要求很难达到，因此未经整理过的数据一般都用不上。结果，沃森用户不得不雇佣咨询专家团队，对数据集进行改进整理，既费时又耗钱。”[page]分页标题[/page]

　　为了给沃森健康提供数据支持，IBM在近年进行的大量的收购，这些公司很多为医疗数据分析和解决方案的公司。这包括2016年斥资26亿美元收购的医疗数据公司Truven、2015年斥资10亿美元收购的医疗影像公司Merge以及同样在2015年收购的医疗保健管理公司Phytel。

　　但即使如此大的投入，IBM似乎还是没有获得太多高质量的数据，其训练的AI表现并部尽如人意。福布斯报道援引专家评论道：“最新的机器学习算法通常不能提供足够的敏感性、特异性和精准性，而这都是临床决策所必需的。”

　　此前收购的医疗数据和服务公司人员正是这次裁员的主要部分，也侧面证明了他们并没有给IBM带来太大的价值。

　　IBM的沃森是AI产业化最早的先驱，其遇到的困境也是整个产业所面临的困境。

　　新生的AI企业，需要克服这些困境：建立行业认可的评价标准；推出更加灵活的实施方案，控制企业成本；建立真正的行业应用模型并获得海量数据进行训练，得到可用的方案。完成以上这些点，才能真正让AI从概念走向应用。