IBM 沃森健康瘋狂裁員70％原因何在？

世界知名AI公司IBM Watson在5月24日傳出其醫療部門進行了大幅度裁員，範圍覆蓋北卡羅來納州、德州、密西根州、俄亥俄州和科羅拉多州多處辦公室，規模佔總員工比例50%至70%（因為過程不透明，還有當事人猜測是80%）。這場裁員發生的非常突然，行業內一片嘩然，眾多媒體以「醫療AI泡沫破滅」來形容這次悲劇。

事實是這樣的嗎？

IBM Watson過去四年整體業務收入基本平穩，而醫療部門在過去幾年大肆收購了醫療分析公司Explorys，醫療管理軟體公司Phytel，醫學影像軟體公司Merge Healthcare和雲醫療數據存儲及分析公司Truven。這些公司也是本次裁員的重災區。

但不可忽視的事實是，IBM2016年和2017年一直在裁員，裁員人數高達數萬人。在這樣的背景下，本次Watson Health的裁員沒有那麼突兀。我們也沒有必要大驚小怪。

IBM究竟在醫療AI領域碰到了哪些困難呢？

一、Watson是IBM的天之驕子

Watson起源於1997年IBM深藍戰勝卡斯帕羅夫。2014年初，IBM投資10億美元專門建立「Watson Group (沃森集團)」。Watson在2015年4月成立了Watson Health部門，之後收購了大量醫療數據公司，為今日裁員埋下了伏筆。

IBM最近幾年正在經歷轉型期，整體收入下降的非常嚴重（參見下圖）。認知解決服務方案是IBM五大業務收入板塊之中毛利最高的領域，收入自2014年至2017年分別為197億、178億、182億、185億美元，在IBM總收入的佔比也在不斷上升。

認知解決服務方案中，主要包括了Watson平台、Watson醫療、Watson物聯網（Internet of Things）。其中Watson物聯網主要應用在汽車、家用電器、能源設施、保險、製造業和零售六個領域，跟寶馬、惠而浦、霍尼韋爾等公司在不同領域探索AI解決方案，僅2018年二季度就獲得7.8億美元，在美國各大科技公司中領先。

考慮到IBM目前這種狀態，經常性裁員也就不足為奇，IBM稱裁員為「資源行動」（Resource Action，RA），卻被內部人稱為「定期踢屁股」（Routine Asskicking，RA）。

二、Watson醫療部門碰到的挑戰

裁員是企業轉型時經常發生的事情，但作為朝陽行業的醫療AI，為什麼也被裁員了呢？Watson Health確實碰到一系列的挑戰，其中最惹人注目的是與知名腫瘤專科醫院MD Anderson合作失敗。

Watson2012年與MD Anderson簽署協議，共同開發腫瘤專家顧問(Oncology Expert Advisor)。2016年11月德州大學審計辦公室對該項目出具48頁審計報告，終止了繼續合作。主要原因是：

1.腫瘤專家顧問研究方向不確定：一開始定位於白血病，後來轉向肺癌。因為該項目對研究方向處於評估階段，項目投入和方向多次變化。

2.電子病歷系統對接：腫瘤專家顧問是基於MD Anderson老系統訓練的，在開發期間，MD Anderson更換了電子病歷系統。新電子病歷系統與IBM系統不能對接。

3.腫瘤專家顧問沒有成功推廣到其他醫院：MD Anderson給了普華永道兩千三百萬美元，讓後者做了一份商業計劃，將腫瘤專家顧問推廣到其他醫院併產生收益。但其他醫院對此缺乏興趣。

4.預期收益沒實現：MD Anderson在整個項目上花費了六千兩百萬美元，卻沒有見到回頭錢。

簡而言之，MD Anderson項目中止是因為理想和現實差距太大，投入過高沒有收益。

IBM Watson讓MD Anderson幫助訓練自己的AI，還能賺這麼多錢，這種商業模式也就在國外跑的通。在中國，應該是IBM Watson給醫院倒找錢才對。

但Watson Health並不是所有項目都失敗，另外一家與MD Anderson齊名的腫瘤醫院Memorial Sloan-Kettering Cancer Center也在和Watson合作，研究腫瘤輔助系統。美國臨床腫瘤學會（ASCO）每年都會發布該系統的研究進展，自2014年以來，在腫瘤多個領域都證明了AI可以提升臨床決策和科研水平。

ASCO2017年顯示該系統已經運用於超過55家醫院，分布在美國、中國、印度、泰國、韓國等多個國家。美國佛羅里達州的Jupiter Medical Center在2017年2月宣布引入該系統用於本院腫瘤疾病診治。而且Watson還被用於藥物研發和基因研究等多個領域。

MD Anderson的項目失敗並不意味著醫療AI就一無是處了。

三、醫療AI為什麼遭遇裁員待遇

IBM目前日子難過，砍掉不創造收益的部門也情有可原。同樣，醫療AI碰到很大挑戰也是實情。這些挑戰主要原因在於：

AI技術實現難度

深度學習對於規則明確的事物學習速度較快，像圍棋這麼複雜的遊戲，只要規則明確，AI就能戰勝人類高手。但是醫學很多邊界和規則是不清晰的，醫學有很多問題自己還沒有研究清楚，更不可能期望AI就能搞明白這些問題。而且醫療複雜程度遠遠高於普通行業，比如磁共振的成像原理跟CT和X光不一樣，所以深度學習較為困難，國內做磁共振影像AI的非常少。因此，AI在金融、教育等行業落地應該都會比醫療行業快。

2.高質量醫療數據難以獲得

醫療機構數據的結構化和電子化水平不高，導致用於訓練AI演算法的標記過的高質量醫療數據較為稀缺。演算法用特定數據集訓練完成後，是不是能適用於其他醫療數據來源的診斷，也未可知，因為醫療數據標準化程度較低。比如訓練好的AI，是不是能夠診斷不同機器產生的不同影像數據（因為不同廠商的機器都有差異），還需要探討。理論上，不斷的積累數據，演算法會愈加精準，但在實踐中，這個問題還不好說。

3.醫學倫理問題

我們日常誤診漏診其實很多，但是有明確的醫療責任主體承擔責任。如果是AI漏診誤診，那麼責任應該是由誰來承擔呢？這個問題搞不清楚，就算是AI診斷水平比普通醫生高，推廣起來也很難。

4.監管難題

AI作為新事物，監管機構如何管理和審批還需要摸索。美國FDA在2017年批准了第一個基於雲端的心臟影像演算法，是AI監管的重大突破。但總體而言，如何監管AI仍然是一個難題。

5.新技術的抵觸

醫療AI技術目前宣傳概念過多，有些概念吹得太大有誤導，導致大家對於AI的未來存在不同意見。就醫療AI而言，宣傳替代醫生會導致現有醫療從業人員的反彈和抵制，而且新事物讓現有行業人員接受也需要時間。

6.缺乏盈利模式

目前AI應用前景廣闊，但誰來買單仍是障礙。安防領域的AI是政府買單，所以你會發現所有AI公司都跟政府走的很近，是個2G的商業模式。但醫療AI受限於醫療行業本身限制，希望找到支付方是件非常困難的事情。

7.長期資金的耐心

醫療AI投入周期長，產出不明確，但前景良好。需要有耐心的資本長期投入，才能產生價值，這個對投資人也是挑戰。

IBM Watson的裁員不是醫療AI的災難，我仍然長期看好醫療AI的未來。但投資人也需冷靜，急功近利的心態希望快速投出獨角獸會導致企業動作變形。未來醫療AI將迎來洗牌期，能夠熬下去的團隊才能笑到最後。

作者簡介：劉偉奇（同心醫聯創始人兼CEO  ），未經本人同意，禁止轉載，違者必究。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！