此前,，一位澳大利亞的人工智能博士候選人宣布構(gòu)建了一套深度學(xué)習(xí)模型，能夠從肺部 X 光片中以 97.5% 的準(zhǔn)確率 檢測出患者是否感染了 COVID-19 病毒,。因?yàn)閲庖咔槁忧裔t(yī)療設(shè)施不足,，因此人們對這個成果非常關(guān)注，短短時間就收獲到了上萬條評論,、點(diǎn)贊和轉(zhuǎn)發(fā),，其還創(chuàng)建了 Slack 工作組，得到了大量贊美,。

從目前公布的消息來看,，整個項(xiàng)目具有以下特點(diǎn)：

• 一套經(jīng)過訓(xùn)練的 PyTorch 模型

• 容器化應(yīng)用代碼

• 一套 GitHub庫，并被翻譯為多種語言

• 正在開發(fā)中的 Web 應(yīng)用程序

• 正在開發(fā)中的移動應(yīng)用程序

• 規(guī)劃藍(lán)圖,，有意在 AWS 中利用無服務(wù)器架構(gòu)托管這套模型

• 在營銷與贊助方面還有大量后續(xù)計劃

而以上的一切,，都在一周之內(nèi)快速完成。隨后,，Reddit 網(wǎng)友扒出這套解決方案存在幾個嚴(yán)重問題,，并對此進(jìn)行了整理與反駁。

首先,，這些網(wǎng)絡(luò)的潛在神經(jīng)表示非常復(fù)雜，因此必然需要使用大量訓(xùn)練樣本才能完成模型訓(xùn)練,。但截至提交時,，這款 COVID-19 檢測工具只見過 50 張肺部影像。

對于這樣一套包含 150 多層,、超過 2000 萬個參數(shù)的網(wǎng)絡(luò)來說,，如此有限的訓(xùn)練樣本集顯然極為荒謬。

該模型通過肺部 X 射線影像進(jìn)行學(xué)習(xí)

此外,，樣本中可能存在巨大的數(shù)據(jù)偏差,，這 50 張圖片并不包含相關(guān)人員是否感染病毒，而僅根據(jù) COVID-19 急性病例造成的肺部操作做出標(biāo)記,。除非肺部已經(jīng)被病毒破壞,，否則該模型根本無法檢測到感染跡象。此外,，即使已經(jīng)出現(xiàn)肺炎癥狀,，如果尚不屬于急性癥狀，仍然無法證明這套模型的準(zhǔn)確度,。

最后，這套 COVID 模型基于高人氣基準(zhǔn)網(wǎng)絡(luò) ResNet-50,。雖然后者確實(shí)屬于圖像識別與分類領(lǐng)域的常用方案,，但 ResNet 的預(yù)訓(xùn)練一般只涵蓋日常環(huán)境下的物體。換言之,，ResNet 網(wǎng)絡(luò)中的隱藏層更擅長識別幾何形狀與彩色圖像,，在 X 射線影像中，我們明顯找不到這樣的模式,。也正因?yàn)槿绱?，大多?shù)醫(yī)學(xué)神經(jīng)網(wǎng)絡(luò)才只能選擇從零開始構(gòu)建的開發(fā)方式。

進(jìn)一步觀察這套代碼庫,，我們還發(fā)現(xiàn)了不少其他問題,。訓(xùn)練、驗(yàn)證與測試數(shù)據(jù)集中包含重復(fù)的圖像,，大部分訓(xùn)練過程直接照搬 PyTorch 教程,，混有大量不必要的代碼；Github issues 也令人完全無法理解……

GitHub 地址：https://github.com/elcronos/COVID-19

最初,，個別開發(fā)者與項(xiàng)目負(fù)責(zé)人溝通并提出質(zhì)疑時,，對方回應(yīng)稱：

xxx，你好,，我們的成果已經(jīng)得到加拿大 xxx 研究機(jī)構(gòu)放射科醫(yī)生的支持與認(rèn)可

然而,，隨著質(zhì)疑聲越來越多，項(xiàng)目負(fù)責(zé)人更新了 GitHub 中的介紹,，并表示：

盡管該項(xiàng)目的結(jié)果“看起來很有希望”,，但我明確指出該模型遠(yuǎn)沒有可用，因此不應(yīng)將其用于診斷或任何醫(yī)療決定,。這是在進(jìn)行中的工作,，我們需要具有相關(guān)技能的人員的幫助。我還在 GitHub 存儲庫中指出,，我正在尋找能夠改善和收集更好數(shù)據(jù)集的開發(fā)者的幫助,。

......

不幸的是，這個項(xiàng)目引起了相關(guān)專家的注意,，他們沒有注意模型尚未準(zhǔn)備就緒,，且需要更好的數(shù)據(jù)集并幫助創(chuàng)建更好的模型，也沒有閱讀我們的所有免責(zé)聲明,。就指責(zé)該項(xiàng)目具有誤導(dǎo)性,，甚至有人暗示我對此有商業(yè)意圖。這對我的個人生活造成了一些負(fù)面影響,，因此,，我決定暫時退一步,，暫時退出社交媒體。至少在接下來的幾天,，我將不活躍于此組中,。

完整版聲明參照：https://github.com/elcronos/COVID-19

然而，這位負(fù)責(zé)人此前還在大肆宣揚(yáng)此項(xiàng)目,，并發(fā)起籌款。該項(xiàng)目負(fù)責(zé)人創(chuàng)建了一個包含多個子頻道的 Slack 討論組,，其中有 一個 #marketing 頻道,，專門用于溝通以及籌措資金。另外,，#sponsors 頻道則負(fù)責(zé)與潛在投資者交流,，向其報告未來的投資回報前景。

Slack 討論組：https://app./client/T010AJ5H31N/learning-slack

此外,，名為 #datascientists 的頻道中沒多少有用的內(nèi)容,，里面充斥著熱情滿滿但沒什么經(jīng)驗(yàn)的新手。同樣的,，#doctors 頻道情況也差不多,，唯一有價值的內(nèi)容就是來自專業(yè)醫(yī)療人員的反對意見，例如并不推薦利用肺部 X 射線診斷 COVID-19 感染,。最后一個子頻道 #researchers 則幾乎沒人,。

另一方面，UI/UX 頻道產(chǎn)出的內(nèi)容倒是頗為豐富,。此項(xiàng)計劃目前已經(jīng)擁有 5 款不同的徽標(biāo),，外加一套專門用于移動與 Web 應(yīng)用程序的界面。

因此,，對于這份聲明,，大部分開發(fā)者并不買賬，不少人認(rèn)為 在當(dāng)前的特殊情況下,，這類存在嚴(yán)重問題的項(xiàng)目不應(yīng)發(fā)布并大肆宣傳（甚至有開發(fā)者調(diào)侃道宣傳的工作量大概是開發(fā)工作的 20 倍）,。

深度卷積網(wǎng)絡(luò)在疾病的診斷與治療方面確實(shí)具有一系列潛在優(yōu)勢。近年來發(fā)表的眾多科學(xué)出版物中都在高度關(guān)注這一全新發(fā)展方向：

• 2016 年,，來自倫敦的一組研究人員發(fā)表一種新方法,，以包含 8 萬張眼底照片的數(shù)據(jù)集為基礎(chǔ)，能夠以 86% 的準(zhǔn)確率診斷出患者因糖尿病引發(fā)的視網(wǎng)膜病變,。

• 同一年,，來自烏干達(dá)的研究人員利用包含 10000 個對象的數(shù)據(jù)集，評估了卷積神經(jīng)網(wǎng)絡(luò)（CNN）對微觀血液涂片的分析能力,。

• 兩位日本研究人員通過包含 55 萬例 CT 掃描影像的數(shù)據(jù)集,，對肺結(jié)節(jié)進(jìn)行一輪規(guī)模浩大的分類操作,。

但前文提到的新冠病毒檢測完全不同，稍微瀏覽其公布的代碼庫,，就能看出該作者對深度學(xué)習(xí)及 AI 技術(shù)的認(rèn)知嚴(yán)重不足,。更糟糕的是，眾多開發(fā)者都在質(zhì)疑其明顯是想利用此次疫情爆發(fā)對自己進(jìn)行推廣,。

深度學(xué)習(xí)絕不是百試百靈的解決方案。近年來,，無數(shù)沒有做好準(zhǔn)備的企業(yè)匆匆在內(nèi)部建立起數(shù)據(jù)團(tuán)隊(duì),，最終卻發(fā)現(xiàn)成本迅速提升的同時得不到任何有意義的產(chǎn)出。

此前,，李飛飛在接受訪談時曾提到：

泡沫確實(shí)存在,，過度夸張、炒作可以說鋪天蓋地,。作為科學(xué)家,，我希望這些泡沫都盡快消散。只有關(guān)注堅實(shí)內(nèi)核的人們才能推動 AI 進(jìn)步并帶來真正的收益,，這一點(diǎn)在醫(yī)療保健與醫(yī)藥等領(lǐng)域尤其重要,。

另外，我們絕不應(yīng)該利用技術(shù)制造不公,、偏見或者擴(kuò)大原已存在的不平等現(xiàn)象,。對于 AI 技術(shù)，我希望盡可能降低它的接觸門檻,、增加公平性并緩解種種相關(guān)矛盾,。只要處理得當(dāng)，我們完全有機(jī)會利用 AI 技術(shù)創(chuàng)造出更美好的未來,。當(dāng)然,，前提是我們得認(rèn)真梳理現(xiàn)有 AI 成果，弄清哪些是捏造的,、哪些是真實(shí)的,。

延展閱讀：《李飛飛最新訪談：希望 AI 領(lǐng)域泡沫盡快消散，尤其是醫(yī)療部分》

如今,，AI 技術(shù)仍然在以開創(chuàng)性的方式推進(jìn),。忽略掉這一點(diǎn)，很容易陷入炒作的泥潭,。

說到這里,，任何有理智的開發(fā)者都不會貿(mào)然進(jìn)入，將自己的命運(yùn)完全交給運(yùn)氣,。相反,，只有首先建立起擁有 AI/ML,、DataOps、架構(gòu),、開發(fā)等領(lǐng)域?qū)I(yè)知識的團(tuán)隊(duì),，才有可能在這場攻堅戰(zhàn)中勝出。

最后,，代碼不能讓世界變得更好也無妨,，別禍亂即可。

參考鏈接：

https://www./r/MachineLearning/comments/fni5ow/d_why_is_the_ai_hype_absolutely_bonkers/

https://www./r/MachineLearning/comments/frno4g/n_remember_that_guy_who_claimed_to_have_achieved/

https:///@antoine.champion/detecting-covid-19-with-97-accuracy-beware-of-the-ai-hype-9074248af3e1