人工智能系统已经在改变医疗保健。这些变化将在未来几年加速，以至于人工智能将很快成为我们医疗保健体验的一部分，就像医生、护士、候诊室和药房一样。事实上，用不了多久，人工智能就会取代或重新定义几乎所有这些。正如COVID-19大流行期间远程医疗的急剧扩张所表明的那样，当有足够的需求时，医疗保健提供者可以比我们想象的更快地转向采用新策略。
人工智能有两种不同但互补的方法。第一个阵营认为，只要有足够的数据和计算能力，我们就可以推导出复杂的模型来完成困难的任务——人类能够完成的许多甚至全部任务。数据阵营认为，我们所需要的只是数据和大量的计算机周期来解决问题。不需要相关领域的领域专业知识。想买一台电脑来开车吗？有了足够的数据，您就可以做到这一点。需要机器人来烤蛋糕吗？数据将带您到达那里。希望看到贝尔特·莫里索风格的画作在您眼前实现吗？数据和海量计算能力可以做到这一点。
第二个阵营押注于知识，专注于模仿人类实际推理的方式，使用概念性、联系性和因果关系。知识阵营相信领域专业知识的关键要求，构建算法以应用积累的人类知识的近似值，以便通过通常称为专家系统对事实模式执行逻辑。这些通常是基于规则或概率计算的，例如，如果患者的HbA1c高于6.5%，并且他们的空腹血糖高于mg/dL，那么患者很有可能患有糖尿病。
如今，数据驱动的人工智能比基于知识的人工智能发展得更进一步，因为基于规则的专家系统的复杂性一直是扩展的重大障碍。使自动驾驶汽车能够在我们的道路上运行的系统都是基于数据的。大型科技公司用来指导广告展示位置、消息传递和推荐的算法都是基于数据的。正如我们将看到的，数据驱动的人工智能也很好地解决了生物学中的一些重要问题。但在像人类生物学和疾病这样复杂的领域，领域专业知识最终可能更重要的是帮助我们理解大数据中出现的复杂信噪比问题。事实上，我们很可能不得不整合数据驱动和知识驱动的方法来处理人体的极端复杂性。
没有处理能力，数据就什么都不是。由于计算机游戏的需求，神经网络策略取得了巨大的进步，这提供了经常推动计算创新的市场力量。游戏玩家想要真实感和实时响应能力，而一家公司朝着这些目标取得的每一次进步都会引发一场*备竞赛。正是在这种竞争激烈的环境中，图形处理单元（GPU）被开发出来以优化图像的操作。如果您曾经注意到近年来视频游戏角色和环境变得多么逼真，那么您就会惊叹于GPU实现的超快渲染。
这些专门的电子电路并没有在游戏领域停留太久。吴恩达（AndrewNg）是一位人工智能领导者，也是广泛使用的在线课程的老师，他是第一个认识并利用GPU的力量来帮助神经网络弥合人脑数百万年来进化到的功能与计算机在几十年内取得的成就之间的差距的人。他发现，GPU实现的超快矩阵表示和操作非常适合处理输入、处理和输出的隐藏层，这些隐藏层是创建计算机算法所需的，这些算法可以在数据中移动时自动改进自己。换句话说，GPU可以帮助计算机学习。
深度网络是伟大的“模拟器”。他们从他们所看到的中学习，但他们不能告诉你新的东西。
这是向前迈出的一大步。根据吴恩达的早期估计，GPU可以将机器学习的速度提高一百倍。一旦这与神经网络算法的基本进步相结合，例如由认知心理学家杰弗里·辛顿（GeoffreyHinton）等杰出人物领导的反向传播，我们就进入了“深度学习”时代。
是什么让深度学习如此深入？在人工神经网络的早期，网络是浅层的，通常在输入数据和生成的预测之间只包含一个“隐藏层”。现在我们有能力使用数十层甚至数百层深的人工神经网络，每层都包含非线性函数。将这些组合足够多，您可以表示数据之间的任意复杂关系。随着层数的增加，这些网络识别模式并从高维数据中进行预测的能力也在增加。关联和集成这些功能已经改变了游戏规则。
考虑一下通过将这种排序能力应用于个人数据云，我们可以做些什么。基因组、表型组、健康数字测量、临床数据和健康状况。由此产生的模式被认为是早期健康到疾病过渡的指示，并预测疾病轨迹分叉可能面临的选择（例如，您是否可以发展或避免慢性肾脏疾病，或避免发展糖尿病以恢复代谢健康，而不是进展到糖尿病溃疡和足部截肢的晚期阶段）。
潜力是惊人的，但这种方法存在局限性。这些高质量的预测来自极其复杂的函数，导致一个“黑匣子”，导致我们无法完全理解其逻辑的决策。深度网络是伟大的“模拟器”。他们从他们所看到的中学习，但他们不能告诉你新的东西。数据驱动的人工智能可以帮助我们找到适合数据趋势的功能。在统计预测方面，它可以创造虚拟奇迹，具有细致入微和准确的预测能力。但它只能做到这一点。这是一个关键的区别。一个我们仅基于数据相关性的理解和行动的世界确实是一个非常奇怪的世界。
计算机在计算方面是非凡的。他们不擅长的是别的。
有多奇怪？好吧，如果你让人工智能告诉你如何防止人们死于慢性病，它很可能会告诉你谋杀病人。毕竟，谋杀不是一种慢性疾病，如果在生命早期进行，它将%有效地确保不死于慢性病。对于大多数人来说，荒谬或不道德到不可想象的选择摆在计算机的桌面上，因为荒谬和不道德是人类的概念，没有被编程到计算机中。它需要人类程序员——大概是那些有正派、同情心和道德感的人——来编写特定的代码行来限制人工智能的选择。正如图灵奖得主朱迪亚·珀尔（JudeaPearl）在《为什么之书》（TheBookofWhy）中所说，“数据是非常愚蠢的。Uberfast的数据在光速下非常愚蠢。
珀尔所说的“愚蠢”并不意味着“不擅长计算机应该做的事情”。当然不是。计算机在计算方面是非凡的。他们不擅长的是别的。给计算机编程下棋，它可以击败最伟大的人类大师，但在游戏结束后，它没有任何办法决定如何最好地使用它的力量。它不知道国际象棋是一种游戏，或者它正在玩游戏。
这是加里·卡斯帕罗夫（GarryKasparov）在历史性地输给IBM的深蓝（DeepBlue）后不久意识到的。是的，机器打败了这个人，但卡斯帕罗夫后来指出，从他的角度来看，似乎许多人工智能爱好者相当失望。毕竟，他们早就期望计算机能够压倒人类的竞争;这是不可避免的。但“深蓝并不是他们的前辈几十年前想象的那样，”卡斯帕罗夫写道。“他们不是一台像人类一样思考和下棋的计算机，而是具有人类创造力和直觉的计算机，而是一台像机器一样下棋的计算机，每秒系统地评估棋盘上亿个可能的移动，并以蛮力计算数字。
接下来发生的事情受到的报道要少得多，但对卡斯帕罗夫来说，要有趣得多。当他和其他玩家不与机器竞争，而是与机器合作时，人机组合通常被证明优于单独的计算机，主要是因为这种思想的融合改变了他们与感知风险的关系。凭借计算机能够运行数百万种排列以防止做出毁灭性移动或错过明显的东西的好处，人类玩家可以更自由地探索和参与新策略，使他们在游戏中更具创造力和不可预测性。当涉及到游戏时，情况可能并不总是如此，游戏是封闭的系统，蛮力和数字运算能力非常强大，但我们相信这是二十一世纪医学的重要教训，因为最终，当涉及到健康时，仅仅发现模式是不够的：我们需要了解生物学机制并知道为什么事情会发生，以便我们能够进行适当的干预。
医疗保健的未来将把我们带到一个地方，越来越多的常规医疗决策仅由人工智能做出。但更多的决策将来自强大的人工智能评估的组合方法，这些评估由训练有素的人类智能增强和放大，这种模式被称为“半人马人工智能”。就像希腊神话中神话中的半人半马生物一样，这种混合安排部分是人类，部分计算机，应该为我们提供两全其美的体验。在极端人类复杂性发挥主要作用的领域尤其如此，并且蛮力计算能力可能不如在封闭的、完全指定的系统（如游戏）中成功。