*
一个月前有个曾经在B轮创业公司担任CTO的小伙子来依图面试，和我说他想要加入算法团队，从深度学习算法开始从头学起。我十分惊讶，问他；“你在团队管理、产品开发、业务理解上面已经有很多的经验，可以在依图发挥更大的价值，为什么要从头来过？”
他十分认真地告诉我：“Facebook的首席运营官桑德伯格说过，如果你有一个机会坐上火箭，不要犹豫。既然AI时代已经到来，谷歌和百度都已经all in AI，我为什么不可以呢？而且我十分好奇，想知道机器为什么能够在图像识别、语音识别、机器翻译甚至在围棋比赛中能打败人类？” (来源：Gartner 2017 年度新兴技术成熟度曲线) Gartner在2017年新兴技术成熟度曲线上面，把深度学习标在了过高期望的峰值，且它预测到2020年AI会无处不在。 但是毕竟理想很丰满，现实很骨感，现在AI仍处于前工业化时代，每一个场景的落地都需要大量的手工工作，想移到其它场景却不太可能的。怪不得会有很多人讲，AI公司像是个外包公司。应该会有很多人疑问：AI落地的瓶颈到底在哪里？
依图从2012年成立以来，就一直致力于人工智能在多个行业的落地，并且过去五年在金融、医疗、安防等多个行业都有成功的案例，这些案例已经被央视所报道。所以我想把过去五年中依图在AI落地过程中的一些探索和思考跟大家分享一下。
首先抛一个观点，依图认为，行业理解+技术远见是AI落地的核心要素。
行业理解： AI落地瓶颈究竟是什么？
2017年可以算是医疗AI元年，很多公司和算法团队都公布了他们在数据集上的一些结果，很多人都说自己已经打败了医生。 去年11月份，吴恩达教授的团队也在美国国家卫生研究院肺癌筛查的数据集上面公布了结果，他们还特地找了几个放射科医生去做测试，用下图右边的曲线论证说算法无论在敏感性还是特异性上都超过了人类。 吴教授还兴奋地发了一条推特，说放射科医生们要小心你们的工作咯，我们的算法已经在肺癌筛查上打败了你们。
依图在2016年就已经进入了医疗AI领域。大家可能知道肺癌是所有癌症当中发病率最高的一种癌症，而早期肺癌除了肺结节以外，又没有其他任何临床症状，所以肺结节诊断是一个非常重要的任务。
我们经过行业调查发现，放射科医生的工作十分繁重，一份CT有200张左右片子，一个医生需要花五分钟才能完成诊断，而一般一个放射科医生每日按的工作量在一百到两百份CT。因此如果我们能够用AI辅助医生完成这些工作，是有十分重要的价值的。
经过半年努力，我们的算法在某个数据集上已经整体超过了一般的放射科医生，当时我们也天真地认为，肺部结节这个问题已经被解决了。 当部署到实际医院后发现了很多问题，医生并不愿意使用我们的产品。中大结节、磨玻璃结节是医生特别重视的两类典型病灶，在这两类病灶上，依图当时的算法不如医生。
深入了解之后，我们才发现肺部CT的诊断十分复杂，患者的病种、表现的症状以及严重程度，甚至患者的历史诊断报告都会被医生用来辅助诊断。 不同病种因为恶劣性的不同，得到医生的关注也会有显著的不同。所以我们花了很大的力气去解决了很多的case，最后是以生成的辅助诊断报告被医生采用的百分比作为产品能够发布的判断依据。
最终上线产品的整体性能和上个版本相比并没有多大提高，但是在医生关注的这两类病灶当中超过了医生，也被医生所采纳。我们发布的这个胸部CT智能辅助诊断系统，现已在数十家顶级三甲医院投入临床使用。
技术远见： AI时代，一切才刚刚开始
AI技术中有很多有众多的场景，比如人脸识别、机器翻译、多轮对话。怎么样从众多的场景中进行探索，从而达到商业价值的最大化，这是需要技术远见的。 就像门捷列夫发明的元素周期表，除了能够帮助我们总结过去元素之间的关系，还能帮我们预测未知元素的存在以及其相应属性。
依图在人脸识别的成绩可以说是有目共睹，其中技术远见的功劳是非常大的。任何一个算法都是从场景开始，慢慢得到行业的理解，从而在具体场景中落地；技术的不断进步，能够解锁更多的场景，而多个场景的融合则能够在行业内形成一个平台，平台本身就可以沉淀数据；然后数据又可以再加速技术进一步的发展。 这就是为什么我们能够在美国国家标准技术局主办的人脸识别竞赛中获得世界第一，属中国首次。
综上，依图认为AI落地需要最先锋的算法团队和垂直领域的开拓者紧密配合，算法团队提供技术远见，开拓者提供行业理解，他们在一起就能够使得AI这个火箭加速上天；而在这个火箭当中，不管你以前在做什么，都能够找到你的位置，并且发挥你的价值。 我一开始提到的那位CTO已经加入了依图。他和我说，十分幸运能够在这个AI时代加入依图这样一家技术驱动的公司和一帮非常厉害的工程师一起挑战工程和算法的难题。
AI时代已来，一切才刚刚开始。欢迎加入！
（整理自周健本月在“全球人工智能技术大会AICon”上的分享，主题为《依图：AI落地的探索与思考》） ☟你可能还对这些感兴趣：
|
|
|
