人工智能将如何从根本上重塑医疗保健的未来(2)

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军备竞赛。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（Andrew Ng）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（Geoffrey Hinton）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。