此前，一位澳大利亞的人工智能博士候選人宣布構建了一套深度學習模型，能夠從肺部 X 光片中以 97.5% 的準確率 檢測出患者是否感染了 COVID-19 病毒。因為國外疫情蔓延且醫(yī)療設施不足，因此人們對這個成果非常關注，短短時間就收獲到了上萬條評論、點贊和轉發(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，整個項目具有以下特點：
一套經過訓練的 PyTorch 模型
容器化應用代碼
一套 GitHub庫，并被翻譯為多種語言
正在開發(fā)中的 Web 應用程序
正在開發(fā)中的移動應用程序
規(guī)劃藍圖，有意在 AWS 中利用無服務器架構托管這套模型
在營銷與贊助方面還有大量后續(xù)計劃
而以上的一切，都在一周之內快速完成。隨后，Reddit 網友扒出這套解決方案存在幾個嚴重問題，并對此進行了整理與反駁。
首先，這些網絡的潛在神經表示非常復雜，因此必然需要使用大量訓練樣本才能完成模型訓練。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 萬個參數的網絡來說，如此有限的訓練樣本集顯然極為荒謬。
此外，樣本中可能存在巨大的數據偏差，這 50 張圖片并不包含相關人員是否感染病毒，而僅根據 COVID-19 急性病例造成的肺部操作做出標記。除非肺部已經被病毒破壞，否則該模型根本無法檢測到感染跡象。此外，即使已經出現肺炎癥狀，如果尚不屬于急性癥狀，仍然無法證明這套模型的準確度。
最后，這套 COVID 模型基于高人氣基準網絡 ResNet-50。雖然后者確實屬于圖像識別與分類領域的常用方案，但 ResNet 的預訓練一般只涵蓋日常環(huán)境下的物體。換言之，ResNet 網絡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。也正因為如此，大多數醫(yī)學神經網絡才只能選擇從零開始構建的開發(fā)方式。
進一步觀察這套代碼庫，我們還發(fā)現了不少其他問題。訓練、驗證與測試數據集中包含重復的圖像，大部分訓練過程直接照搬 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)者與項目負責人溝通并提出質疑時，對方回應稱：
xxx，你好，我們的成果已經得到加拿大 xxx 研究機構放射科醫(yī)生的支持與認可
然而，隨著質疑聲越來越多，項目負責人更新了 GitHub 中的介紹，并表示：
盡管該項目的結果“看起來很有希望”，但我明確指出該模型遠沒有可用，因此不應將其用于診斷或任何醫(yī)療決定。這是在進行中的工作，我們需要具有相關技能的人員的幫助。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據集的開發(fā)者的幫助。
......
不幸的是，這個項目引起了相關專家的注意，他們沒有注意模型尚未準備就緒，且需要更好的數據集并幫助創(chuàng)建更好的模型，也沒有閱讀我們的所有免責聲明。就指責該項目具有誤導性，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，這位負責人此前還在大肆宣揚此項目，并發(fā)起籌款。該項目負責人創(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 頻道則負責與潛在投資者交流，向其報告未來的投資回報前景。
Slack 討論組：https://app.slack.com/client/T010AJ5H31N/learning-slack
此外，名為 #datascientists 的頻道中沒多少有用的內容，里面充斥著熱情滿滿但沒什么經驗的新手。同樣的，#doctors 頻道情況也差不多，唯一有價值的內容就是來自專業(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 頻道產出的內容倒是頗為豐富。此項計劃目前已經擁有 5 款不同的徽標，外加一套專門用于移動與 Web 應用程序的界面。
因此，對于這份聲明，大部分開發(fā)者并不買賬，不少人認為 在當前的特殊情況下，這類存在嚴重問題的項目不應發(fā)布并大肆宣傳（甚至有開發(fā)者調侃道宣傳的工作量大概是開發(fā)工作的 20 倍）。
深度卷積網絡在疾病的診斷與治療方面確實具有一系列潛在優(yōu)勢。近年來發(fā)表的眾多科學出版物中都在高度關注這一全新發(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 萬張眼底照片的數據集為基礎，能夠以 86% 的準確率診斷出患者因糖尿病引發(fā)的視網膜病變。
同一年，來自烏干達的研究人員利用包含 10000 個對象的數據集，評估了卷積神經網絡（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 掃描影像的數據集，對肺結節(jié)進行一輪規(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習及 AI 技術的認知嚴重不足。更糟糕的是，眾多開發(fā)者都在質疑其明顯是想利用此次疫情爆發(fā)對自己進行推廣。
深度學習絕不是百試百靈的解決方案。近年來，無數沒有做好準備的企業(yè)匆匆在內部建立起數據團隊，最終卻發(fā)現成本迅速提升的同時得不到任何有意義的產出。
此前，李飛飛在接受訪談時曾提到：
泡沫確實存在，過度夸張、炒作可以說鋪天蓋地。作為科學家，我希望這些泡沫都盡快消散。只有關注堅實內核的人們才能推動 AI 進步并帶來真正的收益，這一點在醫(yī)療保健與醫(yī)藥等領域尤其重要。
另外，我們絕不應該利用技術制造不公、偏見或者擴大原已存在的不平等現象。對于 AI 技術，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矛盾。只要處理得當，我們完全有機會利用 AI 技術創(chuàng)造出更美好的未來。當然，前提是我們得認真梳理現有 AI 成果，弄清哪些是捏造的、哪些是真實的。
延展閱讀：《李飛飛最新訪談：希望 AI 領域泡沫盡快消散，尤其是醫(yī)療部分》
如今，AI 技術仍然在以開創(chuàng)性的方式推進。忽略掉這一點，很容易陷入炒作的泥潭。
說到這里，任何有理智的開發(fā)者都不會貿然進入，將自己的命運完全交給運氣。相反，只有首先建立起擁有 AI/ML、DataOps、架構、開發(fā)等領域專業(yè)知識的團隊，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.reddit.com/r/MachineLearning/comments/fni5ow/d_why_is_the_ai_hype_absolutely_bonkers/
https://www.reddit.com/r/MachineLearning/comments/frno4g/n_remember_that_guy_who_claimed_to_have_achieved/
https://medium.com/@antoine.champion/detecting-covid-19-with-97-accuracy-beware-of-the-ai-hype-9074248af3e1
