# 雷吉娜·巴爾齊萊：用深度學習診斷與治療癌症 > 講述機器學習如何用於癌症早期篩查與藥物設計，以及醫療資料與臨床落地中的現實難題。 - 原標題：Regina Barzilay: Deep Learning for Cancer Diagnosis and Treatment - 期數：特別節目 - 釋出日期：2019-09-23 - 嘉賓 / 主題：雷吉娜·巴爾齊萊 - 網頁版：https://lex.qiaomu.ai/tw/ep/regina-barzilay/ - 官方頁面：https://lexfridman.com/regina-barzilay/ - 精讀字數：約 11316 字（閱讀約 25 分鐘） > 本文為 lex.qiaomu.ai 基於原始訪談的 AI 改寫中文精讀，非官方翻譯；引用請註明出處並連結網頁版。 乳腺癌風險評估裡有個叫“密度”的指標，用來判斷一個女性患癌的可能性。它怎麼來的？1967 年，一位叫沃爾夫（Wolfe）的放射科醫生回頭去看那些已經確診的女性，憑肉眼找出片子上的某些特徵，歸納成四個類別。這套東西一路演化，2019 年成了美國的聯邦法律，規定醫生必須告知女性，乳腺密度高就屬於高風險人群。 而在預測五年內乳腺癌風險這件事上，今天的深度學習模型比這套指標好上好幾個數量級。雷吉娜·巴爾齊萊（Regina Barzilay）是 MIT 的教授，也是把深度學習帶進腫瘤學最前沿的人之一。她在訪談裡說，卡住的從來不在演算法那一頭：**演算法已經好了幾個數量級，整套採納機制還停在原地。** 那卡住的是什麼？ ## 一本書改變了她看科學的方式 巴爾齊萊說，她在 MIT 待的時間太長，跟人打交道的頻寬有限，很多對世界的理解來自書。她提到一本叫《萬病之王》（The Emperor of All Maladies）的書，講癌症治療史和藥物研發史。 這本書擊中的地方在於，它讓她看清了科學發現的真實面目。她自己就在做科學研究，讀完才發現，發現的過程有多麼不精確，今天在用的方案有多麼不完美，一件事能成功、能被真正採用，靠的是什麼。 > 有時候推動一件事往前走的，靠的是某個人的投入程度，他非要看到這件事被實現不可。想法本身強不強，反而是次要的。（雷吉娜·巴爾齊萊） 書裡寫化療藥物是怎麼被開發出來的。波士頓有一批，法伯（Farber）醫生在丹娜法伯癌症研究院也做了一批。那些實驗怎麼做出來的？巴爾齊萊的原話是“有些計算失誤，我們姑且這麼說吧”。他們試在孩子身上，那些孩子是白血病患者，死了，然後換一個改法再試。 她說，如果看的是六七十年前的事，你多少能理解。但書裡有幾個故事，發生的時間近得多，可能就是十幾二十年前，那才真讓她震驚。**而到現在，我們仍然沒有一個載體能讓這個過程變得更快、更有效。** ## 為什麼電腦科學家敢碰生物學 訪談裡有一組很直接的對照。 巴爾齊萊說，電腦科學之所以在很多領域成功，原因之一是它壓根沒打算“理解”。亞馬遜推薦你一本書，它並不理解你。傳統營銷是把人群切成子群體，找出特徵，再針對這個子群體制定策略。推薦系統不聲稱自己理解誰，它只是從你的行為模式裡做匹配。 再看傳統生物學，她說那裡對“機制性理解”的強調重得讓她吃驚。考慮到系統的複雜度，對這些過程做到確定性的、完整的理解，很可能超出人類的能力上限。電腦科學做人臉識別、做推薦，本質上都是機率匹配。 > 在某些情況下，我們也許根本不該去試圖理解。或者我們可以去理解，但同時並行地去做這種匹配，它能幫我們找到解藥、做早期診斷。（雷吉娜·巴爾齊萊） 她知道在生物學期刊和醫學共同體裡，“理解”是極重要的詞。但她會追問一句：在這裡，理解到底指什麼？ 訪談裡提到了符號主義 AI 的那個夢：把人類知識壓縮成邏輯，再用一套人能看懂、能解釋的方式去推演。那是很美的夢。而今天真正管用的路徑，是把問題儘量變成資料，然後上統計方法。 ## 43 歲那年，她第一次意識到自己會死 2014 年，巴爾齊萊被診斷出乳腺癌。她說自己接受過很多次採訪，沒有一個人問過她這個問題。 > 那年我 43 歲。我人生第一次意識到，我可能會死。在那之前我從來沒想過這件事。（雷吉娜·巴爾齊萊） 確診之後有兩個半月的時間，她不知道自己在什麼位置上。檢查一項接一項地做，一個說不好，下一個又說不是。在知道自己到底處在什麼位置之前，她腦子裡滾過所有可能的結局。希望、絕望，一輪一輪地過。 治療結束她回到 MIT，人還在治療的後勁裡，腦子不太在。她回頭看自己組裡在做什麼，別的組在做什麼，冒出來的感覺是：**這些東西太瑣碎了。**人們在用二三個百分點的改進壘自己的職業生涯。 她當時在做的是破譯真核生物的語言，一種沒人說的語言。她苦笑著回憶，那時候會有人問她，這有什麼意義？ > 走出 MIT 的圍牆，圍牆外的人是真的在乎的。他們問的是：你的下一篇論文是什麼？你對世界有什麼義務？那裡有大量的痛苦，而我在此之前，每天都被完全遮蔽著。（雷吉娜·巴爾齊萊） 她說那是她第一次看見真實的生活和真實的苦難。 這裡有一段很真實的掙扎。一邊是她帶的博士生，他們想發論文，想繼續做手上的事，而那些事本身做得不錯。另一邊是她自己，剛剛重新評估了什麼叫重要。 她往回看自己這些年在科學上的時間，十年前最火的是主題模型（topic model），幾百萬篇論文，各種變體。現在回頭看，大部分都無關緊要。**你覺得重要的東西會隨時間漂移，而且一直在漂移。每個人的時間都有限，優先去做那些對你真正重要的事就變得極其關鍵。而這件事可能跟整個學術共同體認為重要的事完全不一樣。** ## 醫院走廊裡那些“白白撿回一條命”的人 放療期間她每天都要去醫院。她在那裡看見了一個社群，很多人比她當時嚴重得多。她也第一次看見，有人僅僅因為今天感覺好一點就高興。 對處在正常生活裡的人，身體好是理所當然的。你想跑步就能去跑步，你想對身體做什麼基本都自由。她說，然後她的社群變成了那些人。 她講了一個細節。朋友迪娜·卡塔比（Dina Katabi）帶她去 Prudential 商場買生日禮物，那是她幾個月來第一次出去見其他人。 > 我當時的反應是：哇，這些人好開心，他們在笑。他們跟醫院裡那些人完全不一樣。而在我眼裡他們簡直是瘋了，笑著把錢浪費在愚蠢的禮物上。他們可能明天就死了，他們可能已經有癌症了，而他們不知道。（雷吉娜·巴爾齊萊） 她接著說，你在此之前問這些人“你知不知道你會死”，他們當然知道。但那是一個理論上的概念，不具體。而在那個時刻，當你真的看見了，看見死亡有多致命，你才會真的覺得：**我們必須把這裡的才華，轉化成真正有用的東西。** 美國的數字是這樣的：每年新增癌症病例七百萬，每年癌症相關死亡六十萬。 ## 胰腺癌的生存率只有幾個百分點 被問到文明什麼時候能治癒癌症，巴爾齊萊沒有給時間表。她說自己評估不了。但她相信機器學習會帶來兩件事：**很多型別的癌症能被極早地預測出來，現有的治療手段能被更有效地使用。**AI 加藥物發現，能讓相關分子的發現速度快得多。 她不確定的是另一件事：醫療體系和監管機構要多長時間才能跟上、才能把這些東西真正推到醫院裡。她說這是一塊目前完全沒被解決的拼圖。 早期檢測為什麼關鍵，胰腺癌是個殘酷的例子。絕大多數胰腺癌患者被發現時已經是無法治癒的階段，這就是它五年生存率只有幾個百分點的原因。幾乎等於死刑判決。 但如果早期發現，是有手段治療的。她認識好幾個人，是因為食物中毒去了急診，掃描時偶然看到早期跡象，命就這麼保住了。問題在於，這靠的是偶然。 > 等我們做得越來越好，能幫到的人會多得多。這些人本來很可能發展成疾病，他們只是需要被更早看見。（雷吉娜·巴爾齊萊） 她還補了一句，越往這個領域裡走，她越意識到癌症當然可怕，但外面還有一整排可怕的疾病，神經退行性疾病就是其中之一。我們很多人盯著癌症，只是因為它在社會里太普遍了。 作為電腦科學家，我們某種程度上預設了治療這些病是別人的工作，因為傳統上想這些事的是生物學家、化學家、醫生。她說這個假設是錯的，所有人都該加入這場戰鬥。 ## 80% 的乳腺癌患者，是家族裡第一個得的人 機器學習在診斷裡能做什麼？巴爾齊萊先講了一個事實：對很多癌症，我們今天根本不知道你的患癌機率是多少。 對絕大多數患者，尤其是年輕患者，確診是完全出乎意料的。乳腺癌患者裡，**80% 是家族裡第一個得這個病的人**。她本人就是這樣。她從來沒覺得自己風險高，因為家族裡沒人得過。她腦子裡一直以為這是個遺傳病。 就算你去查今天臨床在用的那些模型，它們也基本給不出答案。胰腺癌一樣，不吸菸者的肺癌一樣，很多癌症都一樣。 機器學習在這裡的作用，是把所有資料用起來，告訴你誰更可能易感。影像、其他檢查，未來還有液體活檢。單個訊號弱到人眼分辨不出來，而把多個來源組合起來，一個在海量資料上訓練過的機器可以做到早期識別。乳腺癌上已經看到了，其他疾病上也有人在報。 ## 她花了兩年，才拿到資料 這一切都歸結到資料。而資料是這場戰役裡最難看的部分。 巴爾齊萊說，在她決定做這件事之後，**花了整整兩年才拿到資料訪問許可權。** > 這個國家現在沒有一個公開可用的現代乳腺鉬靶資料集。你沒法開啟電腦、籤個檔案就拿到它，它就是不存在。（雷吉娜·巴爾齊萊） 每家醫院當然都有自己的鉬靶片子，臨床試驗也產出過一些資料。但一個電腦科學家只是想跑跑自己的模型，看看行不行，這樣的影像資料不存在。 唯一能用的公開資料集是 1993 年的，完全不能代表今天的技術水平。在它上面訓出來的東西，規模上不去。而今天管資料訪問的機構很多，你的資料在醫院手裡，醫院決定給不給研究者。 流程是有的。走 IRB 審批，一項項過，最終能拿到。但能順利拿到資料的人很少，因為整個過程太難了。 訪談裡追問了一個關鍵點：醫院的資料是不是已經數字化了，不需要額外處理？答案是早就數字化了，格式就是對的。技術不是卡點，卡點在法律責任。**醫院對資料負法律責任，給錯人代價很大，但給對了人，作為法人的醫院並沒有多少收益。** 巴爾齊萊提了一個很具體的設想：就像考駕照時可以勾選要不要捐獻器官，一個人去醫院時，也應該能很方便地勾選要不要把資料捐給研究。而且要能選粒度：只給檢驗結果，還是給鉬靶影像，還是給完整病歷。 > 我們最終都會從這些洞察裡受益。我不願意把自己的資料拿出來，但我特別希望別人的資料能被用上，因為別人也是這麼想的。（雷吉娜·巴爾齊萊） ## 每週都有鉬靶片子寄到她辦公室 隱私怎麼辦？巴爾齊萊說，兩條路：技術方案和社會方案。 影像的去標識化做得已經相當好，去掉臉、去掉名字。文字資料做不到 99.9%，但有一類技術已經比較成熟：在編碼後的資料上做學習。影象在本地被編碼，網路只在編碼上訓練，結果送回醫院再解碼。**學習發生在編碼形態裡，這是她很看好的一個方向，目前還早。** 但她說真正的大問題還是那個：醫院沒有動力把資料交出來。 然後她講了兩個場景。 第一個是很多年前她自己的處境。她需要一個答案，她必須做一個選擇，而沒有任何資訊能支撐這個選擇，只能猜。**在那個時刻，你覺得自己的命就押在這裡，可你就是沒有做選擇所需的資訊。** 第二個是現在。她做演講之後，會收到女性的郵件，說“我處在這樣的處境裡，你能不能幫我跑一下統計，看看結果是什麼”。她說這並非個別現象，**幾乎每週都有人把鉬靶片子寄到她的辦公室**，請她幫忙跑一下，因為他們要做改變人生的決定。她不打算開診所，但她會跑，然後把結果給他們的醫生。 > 我們所有人，或者我們愛的人，總有一天會處在那個需要資訊才能做出最好選擇的位置上。如果這個資訊不存在，你會覺得脆弱、無保護。（雷吉娜·巴爾齊萊） ## 密度這個指標，科學含量有多少 回到那個 1967 年誕生的指標。它是怎麼變成聯邦法律的？ 邏輯鏈是這樣的。傳統乳腺癌風險評估裡有個“密度”，決定一個女性患癌的可能性。所謂密度，基本就是在鉬靶片子上你看到多少白色，白色越多，組織越密。 沃爾夫當年回頭去看已確診的女性，想從片子裡找出能提前判斷的特徵，他能做到的最好程度就是這樣，然後被形式化、被編成四個類別，一直用到今天。 2019 年，特朗普總統批准、前一任 FDA 局長推動，它成了聯邦法律：女性就診時，醫生有義務告知她，如果密度高，她就屬於高風險人群。在某些州，因為你在這一檔，你的保險可以報銷補充篩查。 這套東西背後的生物學或流行病學證據有多強？**40% 到 50% 的女性乳腺密度高。**也就是說，大約 40% 的人做完篩查出來，有人告訴她們：你是高風險。 > 然後呢？這個“高風險”到底意味著什麼？如果你對一半的人口說他們是高風險，那可能我根本不是。或者，我到底該拿這件事怎麼辦？系統並沒有給我解決方案，因為像我這樣的人太多了，我們沒法為這麼多人提供很昂貴的方案。（雷吉娜·巴爾齊萊） 這東西之所以變成大事，是因為患者群體在推動。很多女性做了鉬靶，結果是正常，然後發現時癌症已經相當晚期。她們沒有任何辦法知道自己是否真的在高風險裡，也沒有辦法知道醫生跟你說“你沒事”的時候，你是不是真的沒事。 十五年前，這可能是當時最好的科學。巴爾齊萊也承認，從科學到聯邦法律花了十五六年，這件事本身有它的道理。但現在它成了標準，而深度學習模型可以準確得多地預測誰會得乳腺癌，因為機器是被訓練來看片子、看未來一到五年風險的。**機器能系統性地識別模式，這正是當年那位放射科醫生想做的事，只是機器做得更系統。** 把密度換掉要多久？她說問題不在演算法，演算法已經好了幾個數量級。問題是：**你需要說服誰？你需要在多少家醫院跑實驗？這套採納機制怎麼運轉？你怎麼向全國的女性和患者解釋，這個指標真的更好？** 回去把演算法再做好一點，解決不了這個問題。她說自己真的不覺得這裡有技術瓶頸。 ## 一本講激勵結構的書 訪談裡她提到正在讀的一本書，伊麗莎白·羅森塔爾（Elisabeth Rosenthal）的《美國病》（American Sickness），是她的臨床合作者康妮·雷曼（Connie Lehman）醫生推薦的。她說自己以為對美國醫療體系已經全都知道了，但每一頁都還在讓她意外。 這本書對從電腦科學進來的人有很深的教訓：**要真正理解一個系統裡的激勵結構有多複雜，要理解你到底該怎麼玩這場遊戲，才能推動新方案被接受。** 那該推誰？醫生、政策制定者、患者、消費者？她說沒有簡單答案。但醫療體系裡有很多好人，他們真的想改變。很大一部分力量會來自“我們作為消費者”，因為我們所有人都是，或者未來都是，醫療服務的消費者。 > 我們可以做很多事去解釋這件事的潛力，但別用炒作的口氣，別宣稱我們這就把癌症全乾掉了。我讀那種文章真的讀煩了。要拿具體的例子示人：這個方案進入臨床後做了什麼，它怎麼改變了照護。（雷吉娜·巴爾齊萊） 她的理由很樸素：不管你是什麼政治立場，我們都可能得這些病，沒有人是免疫的。我們最終都是人，都在尋找減輕痛苦的辦法。 ## 藥物發現：真正有意思的技術戰場 診斷之外，她花了很多精力在藥物設計上。她的邏輯是：早期檢測到問題很好，但你還需要有藥。而今天，**沒有任何一個藥是由機器學習模型開發出來的，哪怕只是讓模型在其中扮演了重要角色。** 她認為“生成具有目標性質的分子”和“做篩選”是這個領域的大開放問題。而且她很坦率：診斷和影像這塊，他們主要是把其他領域已經發展出來的想法拿過來，稍作調整就用。**藥物設計不一樣，它在技術上真的有意思。**你要處理圖，要捕捉各種三維性質，有很多可以發揮技術創造力的空間。 怎麼發現一個藥？她講了小分子的路徑，因為今天大多數藥是小分子。分子就是一張圖，節點是原子，邊是化學鍵。 今天的工業流程是高通量篩選。你知道你想要某個生物活性，手上有一大堆化合物，幾十萬個，在真實的實驗室裡、用真實的機器去篩，找出有正確活性的那些。然後化學家進場，憑經驗去改造這個起始分子，讓它更可溶、降低毒性、減少副作用。 > 化學家的創造力決定了設計的成敗，因為他們有大量領域知識：什麼管用、怎麼降毒性。今天所有 FDA 批准的藥物，都是這樣由領域專家設計出來的。（雷吉娜·巴爾齊萊） 這套流程有效嗎？如果用成本衡量，貴得離譜。用時間衡量，很多病我們一個藥都沒有，神經退行性疾病的藥物試驗大量失敗，後期失敗在財務上是災難性的。她說這套流程算不上最有效，但它目前是唯一管用的。 她跟製藥行業的人打過不少交道，對他們的敏銳和對領域的深刻理解印象極深。那是觀察驅動的，背後有大量科學。但如果你問她要不要改掉它，她非常確定要改。 > 就算最有經驗的化學家，也沒法把幾百萬個分子和反應裡能學到的東西全都裝進腦子裡。而圖這個空間對機器學習來說完全是新的。（雷吉娜·巴爾齊萊） 他們已經做出來的東西是這樣的。第一個工具是性質預測：給一個分子，預測某個性質，可以是生物活性，也可以是別的。人們剛進這個領域時做法很簡單，用現有的分子指紋，也就是手工特徵，把圖拆成子結構，然後過一遍前饋神經網路。 結果很清楚：這條路不夠有效。你需要更復雜的模型，能自己歸納出表示，把圖對映到嵌入向量裡，再做預測。 第二個方向和第一個相關：嵌入本身只用來做判斷，有點可惜，真正有空間的是去修改它，直接生成更好的分子。你可以把它想成機器翻譯：從一個分子出發，目標是它的改進版，把它編碼到隱空間，學會怎麼改，讓分子在某些性質上變好。他們已經看到性質預測工作得不錯，現在在生成分子，並且真的在合成這些分子。 ## 1997 年，一個公式就能發一篇論文 訪談轉向她的本行，自然語言處理。 她 1997 年開始做 NLP，那是個特別的時間點，正好是統計方法開始衝擊 ACL 的時候。她的英語當時還不太好，但正好站在轉折點上：一半的論文是規則驅動的，人們用重語言學的路子啃小領域，再往上壘；另一半是第一批基於語料庫的論文，在她看來很簡單，收集一些統計量，在上面做預測。 讓她著迷的是，**同一個共同體可以對同一個問題想得如此不同。**她記得自己第一篇論文就一個公式，沒有評測，只有一些輸出示例，而這就是當時領域裡的標準。 後來的故事大家都知道了，統計方法全面壓過來，各項基礎任務的效能一路上漲。她說這個故事裡比較讓人難過的部分是，語言學在其中的角色被大幅削弱了。今天你翻遍論文集，很難找到幾個還在認真做語言學引用的。 那這是不是缺失？她的反駁很直接：所謂“可解釋、可理解”，最終是什麼意思？我們是在完成功能，機器完成功能和你的方式不同，這沒有關係。**就像計算器，它算的方式跟你完全不同，但它很有效，這就夠了。** 她還補了一層：要求機器跟人一樣理解，某種意義上甚至是不公平的，因為訓練系統的時候，很多人類擁有的其他資訊源是缺席的。它能交付就行。 她舉了機器翻譯的例子。1997 年她剛到以色列的時候，機器翻譯還很原始，感覺上要做出真正能用的系統，跟飛上月球、在花園裡蓋房子然後幸福地生活下去差不多，是不可能的。她完全無法想象十年之內就能看到能用的系統。 > 現在沒人會為每天用機器翻譯而驚訝了。這是巨大的進步，人們花了很長時間用別的方法都解決不了。（雷吉娜·巴爾齊萊） 回到生物學的類比：語言學家試圖寫句法樹、做抽象、找正確的表示，走了那條路，走不遠。而這些用其他訊號源的模型，取得了很大進展。 ## 機器翻譯做得好，配方一換就崩 她不天真。她知道 NLP 不處在天堂裡。領域稍微一變，訓練量一少，模型就能做出非常古怪、非常好笑的事。但她認為這只是泛化能力的問題，是個技術問題。 訪談追問得很緊：人類的語言理解裡，有多少能被深度網路解決？特別是當我們逼近圖靈測試、對話、那些需要真理解的東西時。 她的答案很剋制：她被結果驅動。如果你看機器翻譯，在大量資料上訓練，效果相對幾年前是驚人的。如果以同樣的速度往前推，會很好。它會像人一樣翻譯嗎？那會困擾她嗎？ > 認知科學到現在也沒完全搞清楚我們自己翻譯的時候在幹什麼。有很多理論，有很多進展，但大腦處理語言時到底發生了什麼，我們還沒精確到能翻譯成機器指令的程度。（雷吉娜·巴爾齊萊） 真正困擾她的是另一件事：**機器會很脆弱。**一旦出了它的舒適區，一旦訓練和測試之間出現分佈漂移，就崩了。她講了自己教 NLP 課的例子：年年給學生看報紙上的希伯來語翻譯示例，完美。然後朋友寄來一份芬蘭語的食譜，講的是怎麼做卡累利阿餡餅，翻出來一團糟，什麼都看不懂。錯得離譜，整段都讀不通。 年復一年，學生翻譯那份食譜都翻得很糟，因為食譜在他們的訓練資料裡佔比太小。 那圖靈測試呢？如果最好的表述方式是：你願不願意跟一個神經網路聊一個小時？ > 哦天，不。不會有那麼多人願意的。（雷吉娜·巴爾齊萊） 她認為難點在資料：要造出一個成功的訓練集，讓機器能進行長達一小時的、有上下文的對話，非常難。同時也是訓練方式和真正泛化能力的問題，組合性是有限的。能翻譯、能檢索、能抽取，這些能力都很好。但聊天，不是她會選的事。 不過她補了一個故事。她去過中國，看到那邊的聊天機器人，據說有大量使用者會跟它聊四個小時。她說自己無法相信，但似乎有記錄顯示，確實有人享受這種對話。 這讓她想到魏澤鮑姆（Weizenbaum）和伊莉莎（ELIZA）的故事。魏澤鮑姆是 MIT 的教授，他做的伊莉莎只是字串匹配，幾乎沒有規則，沒有句法，就是把你說的話換個說法還給你。據說 MIT 有位秘書會坐在那裡跟這個極其簡陋的東西聊上幾個小時，而且當時介面很爛，要忍受使用上的痛苦。 魏澤鮑姆本人被這個現象嚇到了：**人居然能相信一臺機器，你只需要給他們一點暗示說機器懂你，剩下的他們自己會補完。**他因此停止了這項研究，轉而去思考人工智慧會對我們的大腦做什麼。 > 所以關鍵不在技術有多好，而在我們有多願意相信它提供了我們想要的東西。（雷吉娜·巴爾齊萊） 訪談者在這裡給了一個很漂亮的回應。他說這件事讓他覺得鼓舞，人類的連線，透過語言也好，透過愛也好，似乎都很適合機器學習，剩下的只是心理學問題。那些能聊幾個小時的秘書，跟我們的日常生活沒多大區別，我們跟所愛之人待上幾個小時，很多時候也不過是在做關鍵詞匹配。 ## 少樣本學習才是真正的門檻 那什麼才是眼下夠不著、但一旦夠著會讓人興奮的基準？ 她的回答落在少樣本學習上。今天論文裡寫的“我們只有 55 個樣本，然後能推到 65”，這些方法實際上沒有一個真能派上用場。**真正的門檻是從很少的例子裡真正學到東西，以及自主地去找資料集、去掌握一個新任務或一門新語言。**這個方向必須往前走，而我們現在還沒到。 被問到是否對造出人類級別智慧這件事好奇，她的回答很穩。她說這裡有個經典的兩難：什麼算智慧？是我們終於讓機器做人做的事，而我們自己都還沒搞懂人在做什麼？還是我們有了在非常多的領域裡交付結果的能力，不只翻譯、不只答題，而是橫跨很多領域，能達成人能達到的功能，並且還能學、還能做別的事？ 她認為後一個是可以衡量的，這也是讓她興奮的地方：在她的有生之年，已經看到各個功能維度上的巨大進步。 然後她換了個角度。一個角度是機器在提升功能。另一個角度是**我們這些腦子本來就不完美的人，怎麼被這些越來越強的技術加速。** 她提到一本她喜歡的書，《獻給阿爾吉儂的花束》（Flowers for Algernon）。病人得到一個奇蹟般的療法，大腦被改變，忽然有了全新的生活，某些事做得比以前好得多，另一些事則差得多。 > 這種計算機增強的認知，你可以去設想它開啟的想象空間。就像汽車帶我們去了從未去過的地方，我們能不能換個方式思考？能不能想得更快？（雷吉娜·巴爾齊萊） 她說這已經在發生了，但還有很長的路。 ## 跑步機上的積分與那個被記錄的注意力 訪談提到了 Neuralink 那類腦機介面的演示。巴爾齊萊沒有站隊，但她給了一個特別具體的觀察角度：很多時候我們並不清楚自己的感受和動機是什麼。 她舉的例子是注意力。有很多研究表明，一個人要花一段時間才能意識到自己已經不走神了。而有些人保持注意力的能力極強，另一端是有注意力缺陷的人，很難調節。**假如你有個認知輔助工具，它根據你的視線提醒你：你的注意力已經不在手頭的事上了，你正在寫論文，但你在想晚上要幹什麼。** 然後她講了自己的一段經歷，很自嘲。 她家有個空著的健身房，裝置會記錄你跑了多少，給你積分、給狀態等級。她當時的想法是：這太荒唐了，誰會關心某個裝置裡的狀態等級？ 結果為了保住狀態，每個月必須攢夠一定積分，而且是每個月都算。過去十八個月裡，事情發展到了她帶著傷還在跑。等傷好了能跑了，她兩天內跑了一個巨大的量，就為了把積分補上。**她說，這明顯不安全，但我不想丟掉我的狀態。** > 你已經能看到，直接的測量加反饋有多大力量。我們看電子遊戲，會討論它的成癮性。同樣的思路可以擴充套件到生活的很多其他領域，只要我們真的能拿到反饋。（雷吉娜·巴爾齊萊） 她甚至把這個想法延伸到了關係上：在關鍵詞匹配的時候，如果那個正在生成關鍵詞的人，能在整件事爆掉之前收到直接反饋，也許在那一刻我們就會知道方向錯了。這當然是個微妙的地帶。 ## 教了六年機器學習課，她發現學生的障礙不在程式設計 巴爾齊萊在 MIT 教機器學習，大課很受歡迎。六年前她開始教這門課，隨著這個領域越來越熱，選課的人越來越多，課程是給計算機專業的學生設計的。結果有很多人真心想學，但背景跟不上，學得很痛苦，很多人把機器學習跟掙扎和失敗聯絡在一起，尤其是非本專業的學生。 所以她開了門新課，叫“機器學習：從演算法到建模”，重點放在建模上，面向本專業和非本專業的學生。她說，**標準機器學習課上教二十個分類器，這件事本身就值得商榷。** 有意思的是第一批學生實習回來之後的反饋。他們會說，我居然可以把機器學習用到某件事上，而這件事她之前完全沒想到。**現在什麼都成了“機器學習奇蹟”。** 訪談追問：那這些非專業的學生，缺的到底是什麼技能？ 答案不在程式設計。他們有 Python 基礎，課本身對程式設計要求也不高。卡住的是數學。**課程一開始沿用給本專業學生的那套記號，比如說大 O 表示複雜度，其他背景來的人，這些符號根本不在他們的詞彙表裡。**概念本身不難，他們只是從沒見過。 她說，線性代數、機率、微積分基礎、多元微積分，這些能幫上忙。 ## 她給想進來的人的建議 第一條是好訊息：現在資源太多了，各種層次都有，線上課程、學校課程，偏數學的、偏應用的都有。你可以找到用你熟悉的語言講課的那一檔，從那裡進場。而且根據你的長處，你能做出很多不同型別的貢獻。 第二條更重要：**找一個你真正在乎的領域，它能給你的學習提供動機。**這個領域可以是治癒癌症，可以是自動駕駛，什麼都行。但要找一個有資料、你相信裡面存在強模式、而且我們還沒做或者能做得更好的領域，然後就站在那兒看看它能帶你到哪。 ## 關於意義，她沒有宏大答案 訪談最後問了一個不可能的問題：這一切的意義是什麼。 她說自己沒有全球性的答案。也許正因為這個，她本科時沒去上人文相關的課。 她的說法是：每個人內心裡都有一套自己認為重要的東西。只是我們太忙於達成各種目標，太忙於聽別人說話、努力去順應、去成為人群的一部分，以至於不去聽自己內心那部分。**我們都該找出一些時間，搞清楚自己個人的使命是什麼。而每個人的使命可能非常不同。**要確保在同時跑一萬件事的時候，我們知道自己在錯過什麼，並且把資源投到自己使命的滿足上。 > 回頭看年輕時候的我，大部分使命是被外部刺激驅動的：去達成這個，去成為那個。現在我做的很多事，驅動力是我認為什麼對自己重要，跟外部的認可無關。我不介意別人怎麼看我，對我來說最重要的是對自己誠實，忠於我認為對的東西。（雷吉娜·巴爾齊萊） 這個過程花了多久？她說要時間。而且即便現在，虛榮和瑣碎的東西還是能佔據你一分鐘。虛榮在不同地方有不同的形態，但每個人都有自己那一份。 對她來說，回到自己的方式，常常是獨處的時候，還有讀書的時候。**選對了書，你就能得到對的問題，然後從讀的東西里學到東西。** 她說，當然這不完美，跟別的事一樣，總會有東西壓過來。 ## 可操作的建議 - **如果你在技術領域想找一個值得投身的應用方向，優先選一個有真實資料、有強模式、但現有方法還很粗糙的領域。**巴爾齊萊的判斷標準很樸素：你相信這裡存在強模式，我們還沒做，或者能做得更好。癌症早期篩查符合這個標準，很多別的領域也符合。 - **別把“演算法更好”當成能落地的充分條件。**密度指標那個例子擺在那兒：深度學習模型好上幾個數量級，仍然換不掉一個 1967 年憑肉眼歸納的四分類指標。真要做成事，必須花時間搞懂那個系統的激勵結構，誰有動力、誰有損失、誰需要被說服。 - **如果你在做醫療或其他受監管領域的資料工作，把預期管理好：她花了兩年才拿到資料。**提前規劃 IRB 流程、找到願意合作的臨床方，不要假設資料是現成的。同時關注編碼域學習這類技術路徑，它可能繞開一部分隱私阻力。 - **如果你在教機器學習，先檢查你的記號。**卡住非專業學生的往往不在程式設計，在大 O、線性代數、機率這些你以為人人都有的詞彙。分層教學、把建模和應用分開講，比多教幾個分類器有用。 - **定期花時間問自己一個問題：我現在忙的這一萬件事裡，哪幾件是我真的在乎的？**巴爾齊萊的原話是，很多使命在年輕時是被外部刺激驅動的，而意識到這一點、主動往自己認為重要的方向調資源，需要刻意練習。她自己回到這個問題的方式是獨處和讀書。 - **如果你要用測量和反饋來推動行為改變，先想清楚副作用。**她自己帶著傷跑步去湊積分，就是活生生的例子。任何積分、等級、連續打卡的設計，都會激發人去最佳化指標而不是最佳化目標。設計的時候就要預判這一點。