IBM 沃森健康疯狂裁员70%原因何在？

世界知名AI公司IBM Watson在5月24日传出其医疗部门进行了大幅度裁员，范围覆盖北卡罗来纳州、德州、密西根州、俄亥俄州和科罗拉多州多处办公室，规模占总员工比例50%至70%（因为过程不透明，还有当事人猜测是80%）。这场裁员发生的非常突然，行业内一片哗然，众多媒体以“医疗AI泡沫破灭”来形容这次悲剧。

事实是这样的吗？

IBM Watson过去四年整体业务收入基本平稳，而医疗部门在过去几年大肆收购了医疗分析公司Explorys，医疗管理软件公司Phytel，医学影像软件公司Merge Healthcare和云医疗数据存储及分析公司Truven。这些公司也是本次裁员的重灾区。

但不可忽视的事实是，IBM2016年和2017年一直在裁员，裁员人数高达数万人。在这样的背景下，本次Watson Health的裁员没有那么突兀。我们也没有必要大惊小怪。

IBM究竟在医疗AI领域碰到了哪些困难呢？

一、Watson是IBM的天之骄子

Watson起源于1997年IBM深蓝战胜卡斯帕罗夫。2014年初，IBM投资10亿美元专门建立“Watson Group (沃森集团)”。Watson在2015年4月成立了Watson Health部门，之后收购了大量医疗数据公司，为今日裁员埋下了伏笔。

IBM最近几年正在经历转型期，整体收入下降的非常严重（参见下图）。认知解决服务方案是IBM五大业务收入板块之中毛利最高的领域，收入自2014年至2017年分别为197亿、178亿、182亿、185亿美元，在IBM总收入的占比也在不断上升。

认知解决服务方案中，主要包括了Watson平台、Watson医疗、Watson物联网（Internet of Things）。其中Watson物联网主要应用在汽车、家用电器、能源设施、保险、制造业和零售六个领域，跟宝马、惠而浦、霍尼韦尔等公司在不同领域探索AI解决方案，仅2018年二季度就获得7.8亿美元，在美国各大科技公司中领先。

考虑到IBM目前这种状态，经常性裁员也就不足为奇，IBM称裁员为“资源行动”（Resource Action，RA），却被内部人称为“定期踢屁股”（Routine Asskicking，RA）。

二、Watson医疗部门碰到的挑战

裁员是企业转型时经常发生的事情，但作为朝阳行业的医疗AI，为什么也被裁员了呢？Watson Health确实碰到一系列的挑战，其中最惹人注目的是与知名肿瘤专科医院MD Anderson合作失败。

Watson2012年与MD Anderson签署协议，共同开发肿瘤专家顾问(Oncology Expert Advisor)。2016年11月德州大学审计办公室对该项目出具48页审计报告，终止了继续合作。主要原因是：

1.肿瘤专家顾问研究方向不确定：一开始定位于白血病，后来转向肺癌。因为该项目对研究方向处于评估阶段，项目投入和方向多次变化。

2.电子病历系统对接：肿瘤专家顾问是基于MD Anderson老系统训练的，在开发期间，MD Anderson更换了电子病历系统。新电子病历系统与IBM系统不能对接。

3.肿瘤专家顾问没有成功推广到其他医院：MD Anderson给了普华永道两千三百万美元，让后者做了一份商业计划，将肿瘤专家顾问推广到其他医院并产生收益。但其他医院对此缺乏兴趣。

4.预期收益没实现：MD Anderson在整个项目上花费了六千两百万美元，却没有见到回头钱。

简而言之，MD Anderson项目中止是因为理想和现实差距太大，投入过高没有收益。

IBM Watson让MD Anderson帮助训练自己的AI，还能赚这么多钱，这种商业模式也就在国外跑的通。在中国，应该是IBM Watson给医院倒找钱才对。

但Watson Health并不是所有项目都失败，另外一家与MD Anderson齐名的肿瘤医院Memorial Sloan-Kettering Cancer Center也在和Watson合作，研究肿瘤辅助系统。美国临床肿瘤学会（ASCO）每年都会发布该系统的研究进展，自2014年以来，在肿瘤多个领域都证明了AI可以提升临床决策和科研水平。

ASCO2017年显示该系统已经运用于超过55家医院，分布在美国、中国、印度、泰国、韩国等多个国家。美国佛罗里达州的Jupiter Medical Center在2017年2月宣布引入该系统用于本院肿瘤疾病诊治。而且Watson还被用于药物研发和基因研究等多个领域。

MD Anderson的项目失败并不意味着医疗AI就一无是处了。

三、医疗AI为什么遭遇裁员待遇

IBM目前日子难过，砍掉不创造收益的部门也情有可原。同样，医疗AI碰到很大挑战也是实情。这些挑战主要原因在于：

1. AI技术实现难度

   
   

深度学习对于规则明确的事物学习速度较快，像围棋这么复杂的游戏，只要规则明确，AI就能战胜人类高手。但是医学很多边界和规则是不清晰的，医学有很多问题自己还没有研究清楚，更不可能期望AI就能搞明白这些问题。而且医疗复杂程度远远高于普通行业，比如磁共振的成像原理跟CT和X光不一样，所以深度学习较为困难，国内做磁共振影像AI的非常少。因此，AI在金融、教育等行业落地应该都会比医疗行业快。

2.高质量医疗数据难以获得

医疗机构数据的结构化和电子化水平不高，导致用于训练AI算法的标记过的高质量医疗数据较为稀缺。算法用特定数据集训练完成后，是不是能适用于其他医疗数据来源的诊断，也未可知，因为医疗数据标准化程度较低。比如训练好的AI，是不是能够诊断不同机器产生的不同影像数据（因为不同厂商的机器都有差异），还需要探讨。理论上，不断的积累数据，算法会愈加精准，但在实践中，这个问题还不好说。

3.医学伦理问题

我们日常误诊漏诊其实很多，但是有明确的医疗责任主体承担责任。如果是AI漏诊误诊，那么责任应该是由谁来承担呢？这个问题搞不清楚，就算是AI诊断水平比普通医生高，推广起来也很难。

4.监管难题

AI作为新事物，监管机构如何管理和审批还需要摸索。美国FDA在2017年批准了第一个基于云端的心脏影像算法，是AI监管的重大突破。但总体而言，如何监管AI仍然是一个难题。

5.新技术的抵触

医疗AI技术目前宣传概念过多，有些概念吹得太大有误导，导致大家对于AI的未来存在不同意见。就医疗AI而言，宣传替代医生会导致现有医疗从业人员的反弹和抵制，而且新事物让现有行业人员接受也需要时间。

6.缺乏盈利模式

目前AI应用前景广阔，但谁来买单仍是障碍。安防领域的AI是政府买单，所以你会发现所有AI公司都跟政府走的很近，是个2G的商业模式。但医疗AI受限于医疗行业本身限制，希望找到支付方是件非常困难的事情。

7.长期资金的耐心

医疗AI投入周期长，产出不明确，但前景良好。需要有耐心的资本长期投入，才能产生价值，这个对投资人也是挑战。

IBM Watson的裁员不是医疗AI的灾难，我仍然长期看好医疗AI的未来。但投资人也需冷静，急功近利的心态希望快速投出独角兽会导致企业动作变形。未来医疗AI将迎来洗牌期，能够熬下去的团队才能笑到最后。

作者简介：刘伟奇（同心医联创始人兼CEO  ），未经本人同意，禁止转载，违者必究。