醫(yī)學(xué)上還存在著一種還原論的觀點街州，這在“人類基因組計劃”中得到了充分的體現(xiàn)蜗搔。它的前提假設(shè)是：理解基因組的變異能夠告知每個人患病和治療的風(fēng)險咒精。這種線性思維并沒有意識到健康和疾病的復(fù)雜性牵辣，以及與微生物群抢腐、免疫系統(tǒng)姑曙、表觀基因組、社交網(wǎng)絡(luò)迈倍、環(huán)境乃至更多方面的多維相互作用伤靠。
整合一個人的所有數(shù)據(jù)是關(guān)鍵的第一步。我們必須將數(shù)據(jù)視為一種活的流動性資源啼染，需要提供所有新的相關(guān)數(shù)據(jù)來進行“培育”和“喂養(yǎng)”宴合，而這些數(shù)據(jù)可能來自各種傳感器、生活中的應(yīng)激事件迹鹅、職業(yè)變化卦洽、腸道微生物檢測結(jié)果、孩子的出生等斜棚。所有這些數(shù)據(jù)必須進行不斷的整合和分析阀蒂，只有無縫對接才不會對個人帶來任何干擾。這意味著我們不應(yīng)該進行任何手動的登錄和注銷操作弟蚀，也不需要進行額外的工作蚤霞。但實現(xiàn)這一目標(biāo)并不容易。比如粗梭，如果不通過應(yīng)用程序或網(wǎng)站進行手動輸入争便，我們就無法捕獲所攝取食物的相關(guān)信息。我曾經(jīng)在兩個星期內(nèi)對自己的鍛煉断医、睡眠以及攝取食物數(shù)據(jù)進行了手動記錄滞乙。好在我只需要堅持兩個星期奏纪。學(xué)習(xí)時間超過幾天的任何人工智能顧問，都不應(yīng)該讓用戶主動輸入數(shù)據(jù)斩启。
對此序调，人們已經(jīng)提出許多創(chuàng)造性的被動解決方案，有的則在積極探索之中兔簇。我擔(dān)任谷歌的顧問時发绢，谷歌與羅切斯特大學(xué)的生物醫(yī)學(xué)工程師合作，設(shè)計了一款馬桶座圈垄琐，人坐在上面時就可以測量血壓边酒。此外，他們還想出了其他方法狸窘，如讓人在站在體重計上或照鏡子時獲取生命體征墩朦，不經(jīng)意間獲取有效的數(shù)據(jù)。許多公司還在開發(fā)特殊的智能手機應(yīng)用程序翻擒，通過光譜或比色來掃描食物氓涣，如Onduo的智能手機人工智能圖像檢測。如果這些結(jié)果準(zhǔn)確的話陋气，確實會有所幫助劳吠，但仍然需要個人花精力，而且需要提前想到這個環(huán)節(jié)巩趁，因此并不太吸引人痒玩。
在美國，新型智能手表也正在收集比以往更多的數(shù)據(jù)晶渠，如Fitbit的Ionic或Versa凰荚，它們可以獲得連續(xù)的心率、睡眠和體育鍛煉等數(shù)據(jù)褒脯。理論上這些數(shù)據(jù)對人工智能助手來說是有價值的輸入數(shù)據(jù)便瑟，但存在一個問題：數(shù)據(jù)質(zhì)量。眾所周知番川，睡眠過程中的移動只是大腦活動的一種替代到涂，并不如通過腦電圖監(jiān)測大腦的電波活動來得精確；而且雖然數(shù)字跟蹤器可以計算步數(shù)颁督，但它們僅適用于某些活動践啄，如散步，而不適用于騎自行車或游泳等沉御。所以屿讽，如果數(shù)據(jù)質(zhì)量得不到保證，那么要想從人工智能助手中得到有意義的輸出，就有些難度了伐谈。
在圖12-3中烂完，我描述了指導(dǎo)個人健康的深度學(xué)習(xí)模型的復(fù)雜性。該圖描述的是一個人真正的“大數(shù)據(jù)”诵棵，這項挑戰(zhàn)縱然艱巨抠蚣，但非常適合人工智能。想要獲得所需的實時履澳、準(zhǔn)確嘶窄、可預(yù)測、有價值的輸出距贷，以促進健康的指導(dǎo)建議柄冲，可能需要數(shù)百個神經(jīng)網(wǎng)絡(luò)的隱藏層。一些人工智能專家發(fā)現(xiàn)储耐，這種單一的模型過于簡單且并不現(xiàn)實羊初。但我們正需要這種端對端的深度網(wǎng)絡(luò)，復(fù)雜的網(wǎng)絡(luò)架構(gòu)很可能需要結(jié)合其他學(xué)習(xí)型人工智能工具什湘，有些甚至尚未開發(fā)（可參考前文提到的AlphaGo）。
[插圖]
圖12-3 深度神經(jīng)網(wǎng)絡(luò)原理示意圖
在許多方面晦攒，我們的確不知道每個人的“整體”到底是由什么構(gòu)成的闽撤，信息豐富的全景圖在人與人之間可能存在很大的差異。比如脯颜，需要哪些特定的傳感器來預(yù)防或管理疾灿雌臁？再比如栋操，轉(zhuǎn)錄組或表觀基因組雖然在整個身體中是不同的闸餐，但它們對于特定的細胞類型則是唯一的，而且獲取的十分有限矾芙。
事實上舍沙，目前的電子健康檔案對個人健康狀況的記錄非常狹義、不完整剔宪，且漏洞百出拂铡，在未來，這將成為虛擬醫(yī)療助手的最大阻礙葱绒。對個體進行深度學(xué)習(xí)的輸入數(shù)據(jù)依賴個人數(shù)據(jù)的完整性和準(zhǔn)確性感帅，而對美國電子健康檔案的價值的誤解，促使我寫了一篇題為《你的醫(yī)療數(shù)據(jù)》（Your. Medical. Data.）的推文（見表12-1）地淀。
