基于人工智能的中医有效性探究

一、引 言

2020年以来,新冠肺炎疫情肆虐全球,数万人染疾,死伤无数。面对这一场来势凶猛的致命病毒疫情,中西医都面临着严峻的考验。可喜的是,作为中国国粹的中医在这次大考中发挥了积极的作用,取得了不错的成绩。即便如此,中医的有效性依然受到广泛的质疑,这种质疑还经常与中医的存废相关。

中医存废问题一直是国内外学界广泛探讨的话题。回顾历史上关于中医存废较为著名的四次争论,如20世纪初的“教育系统漏列中医案”、1929年的“废止中医案”、文化大革命时期的“破四旧”以及2006年的“废除中医”运动等,在多次的争论中虽然提出了“废除中医中药”“废医存药”“中医科学化”等不同主张,但这些主张的立论依据大多围绕两个问题展开,第一是关于中医的科学性问题,第二是关于中医的有效性问题。

关于中医的科学性问题,主要关注中医的理论基础层面,涉及科学与非科学的划界,而科学哲学关于划界标准的讨论先后出现了一元标准、历史标准、消解标准以及多元标准等等,基于不同标准,对于中医科学性的回答观点各异甚至大相径庭。客观来说,如果以实验传统、逻辑推理与定量描述等为特征的西方科学作为科学之唯一范本的话,中医基本不可能进入科学的范围。此外,由于中医的天人合一、辨证论治等基础理论与西方科学完全不同,要实现中医的科学化也很难找到一条合适的道路。因此,如果不重新审视科学的定义和标准,不打破关于科学的传统看法,关于中医科学性的进一步探讨将失去应有的意义。当然,关于中医科学性的探讨并不是本文的重点,退一步讲,即便按照某些标准将中医排除在科学的疆域之外,并不妨碍我们探讨中医的有效性,因为中医作为一门治病救人的技艺,其有效性与否才是中医存废的终极判据。

关于中医的有效性问题,主要关注中医的临床应用层面,学界基本持肯定态度。但也应该看到,中医有效性的发挥还很不充分、很不全面,很多时候还表现出主观性和个体性的经验特征,诊疗的规范性和有效性还亟待提高。尤其重要的是,现代中医虽然已经开始借用西医循证医学的方法来检验中药的疗效,但确认其有效性的公认的、客观的判断标准还没有出台,于是,中医在治病救人中是否真正有效?有效的比率是多少?有效的范围到底有多大?对这些问题若不能给出清晰的回答就会引起一些人对中医的质疑。

能否在充分尊重中医的理论基础和已有诊疗经验的基础上,取其精华,去其糟粕,找到一种与中医基本理念相适应又能提高中医有效性的新方法?立足智能时代,中医界应该正视现实,积极面对智能时代的挑战,在充分发挥中医自身优势的同时,从当前大数据和人工智能的发展中不断吸收养分为我所用,全面推进中医的改造与革新。作为一种尝试,若能借助数据挖掘等最新科技手段,通过对人工智能发展中数据化、程式化、整体化三个环节的探究并谋求其对于中医革新的方法论意义,或许对提高中医的有效性,拓展中医的临床救治范围,更好地凸显中医存在的价值和意义有所助益。

二、人工智能发展的三个环节

当AlphaGo、Sophia等人工智能产品进入人类的视线以来,人类对人工智能的关注空前高涨,学界不仅详细梳理了自图灵测试以来人工智能发展的历程,还将人工智能概括为弱人工智能、强人工智能、超人工智能等三个层级,诸多发达国家甚至将抢占人工智能高地上升为一种国家战略。人工智能的出现和发展是其数据化、程式化、整体化三个环节前后相继,不断深化融合的结果。对三个环节之于人工智能的意义的探讨,有利于明确人工智能的发展思路,推动人工智能的发展进程,进而为中医的改造与革新提供方法论的启示。

1.数据化

数据化是指一种把现象转变为可制表分析的量化形式的过程。数据化是人工智能发展的第一个环节,人工智能的发展离不开大数据的支持,大数据组成的样本为人工智能的深度学习提供原材料,让智能算法得以运行,并产生新的数据,随着新数据的不断产生,智能算法还可以不断改进和更新,使其性能得以优化。如AlphaGo会接收大量矩阵数据的输入,并通过策略网络和价值网络取权重,再产生另一个数据集作为输出,其生成结果的各个环节都体现着数据化的必要性。

人工智能时代,数据化成为了社会发展的重要趋势。在社会层面,一个国家的经济运行状况、科学发展水平均可以用数据来描绘。在个人层面,我们个体的身体状态与心理状况,也可以用相应的数据来表示。在当前的学科研究中,不仅物理、化学等传统自然科学全面数据化,新兴的人文社会科学也逐渐采用数据化的研究方式。如经济学通过采集社会经济层面的大量数据,并通过计算机进行模拟计算,来描述经济运行规律和预测未来的经济发展。

人工智能需要以全面数据化为基础。基于深度学习技术的植物识别软件,其基本运作原理是把花草果蔬的特征转换成可以存储的数据,再通过基于卷积神经网络的通用图像识别引擎形成专业植物数据库,最后通过基于GIS的大数据统计分析系统进行花草识别。医疗大数据系统则是首先通过自然语言识别技术对海量的以非标准化、非结构化为代表特征的医疗数据进行有效整合,进而构建智能化的临床科研应用。以上两种类型的人工智能软件均是通过把花草特征或疾病特征这些抽象、模糊的概念加以数据化,为人工智能进一步模拟推演和深度学习打下基础。概言之,人工智能的发展与数据化相伴相生,如果没有数据化这一必经环节,人工智能的发展将寸步难行。

2.程式化

程式化是指将模糊的自然机理用计算机程序和数学公式表达出来的过程。程式化作为人工智能发展的第二个环节,其主要目标在于通过对大数据的处理分析,寻求大数据背后的规律,它与作为第一个环节的数据化前后相继,共同为人工智能的发展服务。当前应用较广的人工智能拍照技术便是通过数学化的运算,自动识别各种场景并相应地调整相机参数设置以达到更加优异的观感。拍摄美食时,可相应地改变饱和度与色温,让照片看起来更有食欲。拍摄夜景时,传感器检测到进光量低于预设值,便启动多帧合成以提高画面亮度和纯净度。2019年5月21日,华为创始人兼CEO任正非在面对媒体群访时回答道,当前华为手机的照相就是数学,现在的图像不是照出来的,是数学算出来的。华为手机便是通过数学的方式分解光线成为几千万个视觉镜头,再重新还原。

人工智能的研究离不开相应的数学基础。人工智能要实现自然语言识别与问题应答需要运用不确定性推理,而数学中的概率理论则是人工智能实现不确定性推理的重要数学基础。支持向量机是人工智能技术中重要的分类方式之一,基于此衍生出的一系列扩展算法被广泛运用于人像识别、文本分类等技术中。支持向量机的数学基础为核函数理论,正是核函数的引入避免了“维数灾难”,大幅减少了计算量,让支持向量机应用于人工智能研究得以可能。广泛应用于网络流量分析与预测的分形方法论,其数学基础为分形理论。分形理论能够更好地描述复杂系统的多样性与复杂性,为发掘复杂智能体的内在规律提供了重要的数学基础。

随着人工智能的发展,人工神经网络、深度学习等多种机器学习算法开始出现,大数据背后隐含的规律将会不断被挖掘出来,部分规律甚至可以通过数学公式得以表达,使之展现出“构造性”的特点,而构造性是指科学知识的各个部分是有逻辑关联的,是用数学联系起来的。[1]前言2此时的人工智能将进入数据化之后的又一个必不可少的环节——程式化。

3.整体化

人工智能发展的第三个环节便是整体化。在早期的人工智能研究中,人们撇开智能系统的整体结构,专注于模拟智能系统的“刺激—响应”行为表现,这种做法可以大大降低研发的难度,但这种行为模拟方法很难模拟出更为深层的智能。弱人工智能向强人工智能发展是人工智能发展的必然趋势,而强人工智能对智能体各个环节的协同提出了更高的要求,必将推动人工智能研发的整体化进程。事实上,虽然传统的 “分而治之,各个击破”的方法系统功能主导论对于科技的过往发展作用巨大,但对于当前智能化的研发而言则将收效甚微,人工智能的研究需要由“分力”转化为“合力”。[2]前言4-5一言以蔽之,未来的人工智能研发更需要采取整体化的运思方式。

人工智能研究要求各领域和各学科之间实现整体化,源自于人工智能的程序自身即是一个内部紧密联系的有机整体。就人工智能实现的过程及原理而言,已经不再是以前简单的数据转换,而是一个包含数据转换、策略网络、价值网络等模块的综合“整体”。以当前在网络购物平台广为应用的智能客服系统为例,该系统需要通过问题搜索与智能应答、查询分析系统、问题与答案理解模块、问题与答案匹配排序模块、用户行为采集与效果分析系统、离线挖掘系统等多达十几个模块相互匹配协作。这一技术过程不仅涉及自然语言识别与图像识别,还要包括智能价值判断、优先级选择、综合决策等等。任何真正的人工智能体都不是技术的简单叠加,而是一个紧密联系的整体。组成智能体的各模块涉及不同的科学研究领域,因此各学科之间相互印证并实现整体化,是人工智能发展的必然要求。

需要指出的是,以人工智能为代表的现代科技的整体化,不同于古代笼而统之的整体科学观,而是基于近代科学详细分工基础上实现的再联合。人工智能时代各个学科通过数据化、程式化的重构之后,将实现学科内部甚至学科之间的语言统一,标准一致,从而使学科内外的整体性和一致性得以加强。

[1] [2] 下一页