Watson揭示智慧計算未來：以自然方式與人交互的計算機

Michael Barborak，非結構化語言工程經理，IBM研究院

當IBM 公司的計算機Watson在電視競賽節目《Jeopardy！》中擊敗兩名全能冠軍后，這表明全球最聰明的計算機能夠與兩個真正聰明的人對決。Watson在該智力問答競賽節目中的獲勝，吸引了人們的注意，但目前，在我們尋找Watson在社會上的應用領域時，我們越來越清晰地發現，這些技術將主要被用于增強人類智慧，而不是與人類競爭，或者取代我們。

這不是人與機器對決，而是人和機器攜手，共同應對挑戰，以達成通過各自力量無法實現的更高目標。這種強大的全新強強聯合的優勢，在醫藥和健康領域的表現最為明顯。具備“認知計算”能力的機器有潛力幫助醫生診斷疾病，并且評估患者的最佳治療方案。但是，要充分抓住這一機遇，機器必須經過專門的設計和訓練，使其能夠以最自然的方式與醫生交互。

Michael Barborak在使用WatsonPaths

日前，在克利夫蘭醫療中心醫療創新峰會上，IBM研究院Watson團隊負責人Eric Brown演示了IBM與克利夫蘭醫療中心的醫生共同開發的一個技術項目，該項目旨在幫助醫療專業學生學像經驗豐富的醫生那樣思考。這個項目名為WatsonPaths，是截止到目前計算機和人類聯合思考的最好例證。

對我來說，Eric的演示標志著三年多辛苦工作的圓滿完成。我是在《Jeopardy！》競賽節目播出前的幾個月，從一家數字營銷機構加入IBM研究院的。我的工作是幫助開發Watson的現實世界應用。現在，我是Watson團隊的自然語言工程經理。

在我加入團隊時，我就明白：Watson技術必須經過調整才能在醫療、銀行、零售、教育和其他業務與生活領域中使用。Watson的最初設計是在《Jeopardy！》節目中對準確的問題形成準確的答案，但世界的運行方式并非如此。要想在真實生活中使用，系統必須能夠理解復雜的現實世界場景，這樣才能幫助人們處理這些場景。因此，我們必須訓練Watson使用其問答能力，例如在一個復雜場景中挑選一個選項，并將其細分為可理解的部分。系統必須能夠發現顯而易見的事實，形成假設，對假設進行驗證，并且最終得出結論。因此，我們開發了一項名為Watson推理鏈系統 （WICS，Watson inference chaining system） 的技術來做到這一點。

在克利夫蘭醫療中心，我們發現與我們的Watson推理鏈系統完美配合的方法，這幫助我們將其演變為一個稱為WatsonPaths的應用。克利夫蘭醫療中心的Lerner醫學院采用基于問題的學習方法（problem-based-learning methods），向學生講授如何像醫生那樣思考。通過采用醫療的現實場景，他們逐步學習醫生評估患者狀況并確定最佳治療方案的每個流程。

我們看到將Watson和計算機虛擬化技術集成到這種訓練方法中的潛力。 現在，借助WatsonPaths，學生們可以檢查計算機提供的證據以及得出的推理。在他們使用系統時，得出最佳結論的路徑會變得更加明顯。設想一下：學生可以訓練Watson系統，同時Watson系統幫助訓練學生。這樣做的目的是，有朝一日將這些能力整合到未來的Watson商用產品中。

我們在IBM研究院創建了WatsonPaths的一個版本，但我們認識到，要實現在現實生活中的應用，這項技術必須極為易于使用。我們需要優秀的圖形用戶界面。因此，我們請求位于紐約市的IBM設計實驗室的人員提供幫助。一般來說，該團隊開發網站和移動應用，以幫助開展營銷活動。通過與我們和克利夫蘭醫療中心的合作，該設計實驗室團隊為WatsonPaths設計了全新界面。

這只是Watson與真人交互的開始。將來，您可以預期認知系統能夠與人進行書面和口頭對話——甚至是辯論，所有這些旨在降低復雜度，使我們能夠做出更明智的決策。

我在IBM研究院的同事Dario Gil設想了這樣一個房間：一組人與認知系統進行交互，交互的方式是采用手勢在屏幕上提供信息或洞察。根據Dario的想像，在這些場景中，每個人會以對他最有用的格式看到信息。系統將“看到”我們在看什么，并“聽到”我們在說什么，而且他們將主動向我們提供有用的數據和建議。

憑借著在加盟IBM之前長達10年的數字營銷專業人員的經驗，我了解圖形化呈現信息和交互能力的價值。但現在，對于認知計算領域的未來，我看到一場變革正在我面前展現。計算機有史以來第一次能夠適應我們人類做事的方式，而不是我們去適應計算機。這將是一項重大的變革。