# 雷吉娜·巴尔齐莱：用深度学习诊断与治疗癌症 > 讲述机器学习如何用于癌症早期筛查与药物设计，以及医疗数据与临床落地中的现实难题。 - 原标题：Regina Barzilay: Deep Learning for Cancer Diagnosis and Treatment - 期数：特别节目 - 发布日期：2019-09-23 - 嘉宾 / 主题：雷吉娜·巴尔齐莱 - 网页版：https://lexfridman-cn.pages.dev/ep/regina-barzilay/ - 官方页面：https://lexfridman.com/regina-barzilay/ - 精读字数：约 11316 字（阅读约 25 分钟） > 本文为 lex.qiaomu.ai 基于原始访谈的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。 乳腺癌风险评估里有个叫“密度”的指标，用来判断一个女性患癌的可能性。它怎么来的？1967 年，一位叫沃尔夫（Wolfe）的放射科医生回头去看那些已经确诊的女性，凭肉眼找出片子上的某些特征，归纳成四个类别。这套东西一路演化，2019 年成了美国的联邦法律，规定医生必须告知女性，乳腺密度高就属于高风险人群。 而在预测五年内乳腺癌风险这件事上，今天的深度学习模型比这套指标好上好几个数量级。雷吉娜·巴尔齐莱（Regina Barzilay）是 MIT 的教授，也是把深度学习带进肿瘤学最前沿的人之一。她在访谈里说，卡住的从来不在算法那一头：**算法已经好了几个数量级，整套采纳机制还停在原地。** 那卡住的是什么？ ## 一本书改变了她看科学的方式 巴尔齐莱说，她在 MIT 待的时间太长，跟人打交道的带宽有限，很多对世界的理解来自书。她提到一本叫《万病之王》（The Emperor of All Maladies）的书，讲癌症治疗史和药物研发史。 这本书击中的地方在于，它让她看清了科学发现的真实面目。她自己就在做科学研究，读完才发现，发现的过程有多么不精确，今天在用的方案有多么不完美，一件事能成功、能被真正采用，靠的是什么。 > 有时候推动一件事往前走的，靠的是某个人的投入程度，他非要看到这件事被实现不可。想法本身强不强，反而是次要的。（雷吉娜·巴尔齐莱） 书里写化疗药物是怎么被开发出来的。波士顿有一批，法伯（Farber）医生在丹娜法伯癌症研究院也做了一批。那些实验怎么做出来的？巴尔齐莱的原话是“有些计算失误，我们姑且这么说吧”。他们试在孩子身上，那些孩子是白血病患者，死了，然后换一个改法再试。 她说，如果看的是六七十年前的事，你多少能理解。但书里有几个故事，发生的时间近得多，可能就是十几二十年前，那才真让她震惊。**而到现在，我们仍然没有一个载体能让这个过程变得更快、更有效。** ## 为什么计算机科学家敢碰生物学 访谈里有一组很直接的对照。 巴尔齐莱说，计算机科学之所以在很多领域成功，原因之一是它压根没打算“理解”。亚马逊推荐你一本书，它并不理解你。传统营销是把人群切成子群体，找出特征，再针对这个子群体制定策略。推荐系统不声称自己理解谁，它只是从你的行为模式里做匹配。 再看传统生物学，她说那里对“机制性理解”的强调重得让她吃惊。考虑到系统的复杂度，对这些过程做到确定性的、完整的理解，很可能超出人类的能力上限。计算机科学做人脸识别、做推荐，本质上都是概率匹配。 > 在某些情况下，我们也许根本不该去试图理解。或者我们可以去理解，但同时并行地去做这种匹配，它能帮我们找到解药、做早期诊断。（雷吉娜·巴尔齐莱） 她知道在生物学期刊和医学共同体里，“理解”是极重要的词。但她会追问一句：在这里，理解到底指什么？ 访谈里提到了符号主义 AI 的那个梦：把人类知识压缩成逻辑，再用一套人能看懂、能解释的方式去推演。那是很美的梦。而今天真正管用的路径，是把问题尽量变成数据，然后上统计方法。 ## 43 岁那年，她第一次意识到自己会死 2014 年，巴尔齐莱被诊断出乳腺癌。她说自己接受过很多次采访，没有一个人问过她这个问题。 > 那年我 43 岁。我人生第一次意识到，我可能会死。在那之前我从来没想过这件事。（雷吉娜·巴尔齐莱） 确诊之后有两个半月的时间，她不知道自己在什么位置上。检查一项接一项地做，一个说不好，下一个又说不是。在知道自己到底处在什么位置之前，她脑子里滚过所有可能的结局。希望、绝望，一轮一轮地过。 治疗结束她回到 MIT，人还在治疗的后劲里，脑子不太在。她回头看自己组里在做什么，别的组在做什么，冒出来的感觉是：**这些东西太琐碎了。**人们在用二三个百分点的改进垒自己的职业生涯。 她当时在做的是破译真核生物的语言，一种没人说的语言。她苦笑着回忆，那时候会有人问她，这有什么意义？ > 走出 MIT 的围墙，围墙外的人是真的在乎的。他们问的是：你的下一篇论文是什么？你对世界有什么义务？那里有大量的痛苦，而我在此之前，每天都被完全屏蔽着。（雷吉娜·巴尔齐莱） 她说那是她第一次看见真实的生活和真实的苦难。 这里有一段很真实的挣扎。一边是她带的博士生，他们想发论文，想继续做手上的事，而那些事本身做得不错。另一边是她自己，刚刚重新评估了什么叫重要。 她往回看自己这些年在科学上的时间，十年前最火的是主题模型（topic model），几百万篇论文，各种变体。现在回头看，大部分都无关紧要。**你觉得重要的东西会随时间漂移，而且一直在漂移。每个人的时间都有限，优先去做那些对你真正重要的事就变得极其关键。而这件事可能跟整个学术共同体认为重要的事完全不一样。** ## 医院走廊里那些“白白捡回一条命”的人 放疗期间她每天都要去医院。她在那里看见了一个社群，很多人比她当时严重得多。她也第一次看见，有人仅仅因为今天感觉好一点就高兴。 对处在正常生活里的人，身体好是理所当然的。你想跑步就能去跑步，你想对身体做什么基本都自由。她说，然后她的社群变成了那些人。 她讲了一个细节。朋友迪娜·卡塔比（Dina Katabi）带她去 Prudential 商场买生日礼物，那是她几个月来第一次出去见其他人。 > 我当时的反应是：哇，这些人好开心，他们在笑。他们跟医院里那些人完全不一样。而在我眼里他们简直是疯了，笑着把钱浪费在愚蠢的礼物上。他们可能明天就死了，他们可能已经有癌症了，而他们不知道。（雷吉娜·巴尔齐莱） 她接着说，你在此之前问这些人“你知不知道你会死”，他们当然知道。但那是一个理论上的概念，不具体。而在那个时刻，当你真的看见了，看见死亡有多致命，你才会真的觉得：**我们必须把这里的才华，转化成真正有用的东西。** 美国的数字是这样的：每年新增癌症病例七百万，每年癌症相关死亡六十万。 ## 胰腺癌的生存率只有几个百分点 被问到文明什么时候能治愈癌症，巴尔齐莱没有给时间表。她说自己评估不了。但她相信机器学习会带来两件事：**很多类型的癌症能被极早地预测出来，现有的治疗手段能被更有效地使用。**AI 加药物发现，能让相关分子的发现速度快得多。 她不确定的是另一件事：医疗体系和监管机构要多长时间才能跟上、才能把这些东西真正推到医院里。她说这是一块目前完全没被解决的拼图。 早期检测为什么关键，胰腺癌是个残酷的例子。绝大多数胰腺癌患者被发现时已经是无法治愈的阶段，这就是它五年生存率只有几个百分点的原因。几乎等于死刑判决。 但如果早期发现，是有手段治疗的。她认识好几个人，是因为食物中毒去了急诊，扫描时偶然看到早期迹象，命就这么保住了。问题在于，这靠的是偶然。 > 等我们做得越来越好，能帮到的人会多得多。这些人本来很可能发展成疾病，他们只是需要被更早看见。（雷吉娜·巴尔齐莱） 她还补了一句，越往这个领域里走，她越意识到癌症当然可怕，但外面还有一整排可怕的疾病，神经退行性疾病就是其中之一。我们很多人盯着癌症，只是因为它在社会里太普遍了。 作为计算机科学家，我们某种程度上默认了治疗这些病是别人的工作，因为传统上想这些事的是生物学家、化学家、医生。她说这个假设是错的，所有人都该加入这场战斗。 ## 80% 的乳腺癌患者，是家族里第一个得的人 机器学习在诊断里能做什么？巴尔齐莱先讲了一个事实：对很多癌症，我们今天根本不知道你的患癌概率是多少。 对绝大多数患者，尤其是年轻患者，确诊是完全出乎意料的。乳腺癌患者里，**80% 是家族里第一个得这个病的人**。她本人就是这样。她从来没觉得自己风险高，因为家族里没人得过。她脑子里一直以为这是个遗传病。 就算你去查今天临床在用的那些模型，它们也基本给不出答案。胰腺癌一样，不吸烟者的肺癌一样，很多癌症都一样。 机器学习在这里的作用，是把所有数据用起来，告诉你谁更可能易感。影像、其他检查，未来还有液体活检。单个信号弱到人眼分辨不出来，而把多个来源组合起来，一个在海量数据上训练过的机器可以做到早期识别。乳腺癌上已经看到了，其他疾病上也有人在报。 ## 她花了两年，才拿到数据 这一切都归结到数据。而数据是这场战役里最难看的部分。 巴尔齐莱说，在她决定做这件事之后，**花了整整两年才拿到数据访问权限。** > 这个国家现在没有一个公开可用的现代乳腺钼靶数据集。你没法打开电脑、签个文件就拿到它，它就是不存在。（雷吉娜·巴尔齐莱） 每家医院当然都有自己的钼靶片子，临床试验也产出过一些数据。但一个计算机科学家只是想跑跑自己的模型，看看行不行，这样的影像数据不存在。 唯一能用的公开数据集是 1993 年的，完全不能代表今天的技术水平。在它上面训出来的东西，规模上不去。而今天管数据访问的机构很多，你的数据在医院手里，医院决定给不给研究者。 流程是有的。走 IRB 审批，一项项过，最终能拿到。但能顺利拿到数据的人很少，因为整个过程太难了。 访谈里追问了一个关键点：医院的数据是不是已经数字化了，不需要额外处理？答案是早就数字化了，格式就是对的。技术不是卡点，卡点在法律责任。**医院对数据负法律责任，给错人代价很大，但给对了人，作为法人的医院并没有多少收益。** 巴尔齐莱提了一个很具体的设想：就像考驾照时可以勾选要不要捐献器官，一个人去医院时，也应该能很方便地勾选要不要把数据捐给研究。而且要能选粒度：只给检验结果，还是给钼靶影像，还是给完整病历。 > 我们最终都会从这些洞察里受益。我不愿意把自己的数据拿出来，但我特别希望别人的数据能被用上，因为别人也是这么想的。（雷吉娜·巴尔齐莱） ## 每周都有钼靶片子寄到她办公室 隐私怎么办？巴尔齐莱说，两条路：技术方案和社会方案。 影像的去标识化做得已经相当好，去掉脸、去掉名字。文本数据做不到 99.9%，但有一类技术已经比较成熟：在编码后的数据上做学习。图像在本地被编码，网络只在编码上训练，结果送回医院再解码。**学习发生在编码形态里，这是她很看好的一个方向，目前还早。** 但她说真正的大问题还是那个：医院没有动力把数据交出来。 然后她讲了两个场景。 第一个是很多年前她自己的处境。她需要一个答案，她必须做一个选择，而没有任何信息能支撑这个选择，只能猜。**在那个时刻，你觉得自己的命就押在这里，可你就是没有做选择所需的信息。** 第二个是现在。她做演讲之后，会收到女性的邮件，说“我处在这样的处境里，你能不能帮我跑一下统计，看看结果是什么”。她说这并非个别现象，**几乎每周都有人把钼靶片子寄到她的办公室**，请她帮忙跑一下，因为他们要做改变人生的决定。她不打算开诊所，但她会跑，然后把结果给他们的医生。 > 我们所有人，或者我们爱的人，总有一天会处在那个需要信息才能做出最好选择的位置上。如果这个信息不存在，你会觉得脆弱、无保护。（雷吉娜·巴尔齐莱） ## 密度这个指标，科学含量有多少 回到那个 1967 年诞生的指标。它是怎么变成联邦法律的？ 逻辑链是这样的。传统乳腺癌风险评估里有个“密度”，决定一个女性患癌的可能性。所谓密度，基本就是在钼靶片子上你看到多少白色，白色越多，组织越密。 沃尔夫当年回头去看已确诊的女性，想从片子里找出能提前判断的特征，他能做到的最好程度就是这样，然后被形式化、被编成四个类别，一直用到今天。 2019 年，特朗普总统批准、前一任 FDA 局长推动，它成了联邦法律：女性就诊时，医生有义务告知她，如果密度高，她就属于高风险人群。在某些州，因为你在这一档，你的保险可以报销补充筛查。 这套东西背后的生物学或流行病学证据有多强？**40% 到 50% 的女性乳腺密度高。**也就是说，大约 40% 的人做完筛查出来，有人告诉她们：你是高风险。 > 然后呢？这个“高风险”到底意味着什么？如果你对一半的人口说他们是高风险，那可能我根本不是。或者，我到底该拿这件事怎么办？系统并没有给我解决方案，因为像我这样的人太多了，我们没法为这么多人提供很昂贵的方案。（雷吉娜·巴尔齐莱） 这东西之所以变成大事，是因为患者群体在推动。很多女性做了钼靶，结果是正常，然后发现时癌症已经相当晚期。她们没有任何办法知道自己是否真的在高风险里，也没有办法知道医生跟你说“你没事”的时候，你是不是真的没事。 十五年前，这可能是当时最好的科学。巴尔齐莱也承认，从科学到联邦法律花了十五六年，这件事本身有它的道理。但现在它成了标准，而深度学习模型可以准确得多地预测谁会得乳腺癌，因为机器是被训练来看片子、看未来一到五年风险的。**机器能系统性地识别模式，这正是当年那位放射科医生想做的事，只是机器做得更系统。** 把密度换掉要多久？她说问题不在算法，算法已经好了几个数量级。问题是：**你需要说服谁？你需要在多少家医院跑实验？这套采纳机制怎么运转？你怎么向全国的女性和患者解释，这个指标真的更好？** 回去把算法再做好一点，解决不了这个问题。她说自己真的不觉得这里有技术瓶颈。 ## 一本讲激励结构的书 访谈里她提到正在读的一本书，伊丽莎白·罗森塔尔（Elisabeth Rosenthal）的《美国病》（American Sickness），是她的临床合作者康妮·雷曼（Connie Lehman）医生推荐的。她说自己以为对美国医疗体系已经全都知道了，但每一页都还在让她意外。 这本书对从计算机科学进来的人有很深的教训：**要真正理解一个系统里的激励结构有多复杂，要理解你到底该怎么玩这场游戏，才能推动新方案被接受。** 那该推谁？医生、政策制定者、患者、消费者？她说没有简单答案。但医疗体系里有很多好人，他们真的想改变。很大一部分力量会来自“我们作为消费者”，因为我们所有人都是，或者未来都是，医疗服务的消费者。 > 我们可以做很多事去解释这件事的潜力，但别用炒作的口气，别宣称我们这就把癌症全干掉了。我读那种文章真的读烦了。要拿具体的例子示人：这个方案进入临床后做了什么，它怎么改变了照护。（雷吉娜·巴尔齐莱） 她的理由很朴素：不管你是什么政治立场，我们都可能得这些病，没有人是免疫的。我们最终都是人，都在寻找减轻痛苦的办法。 ## 药物发现：真正有意思的技术战场 诊断之外，她花了很多精力在药物设计上。她的逻辑是：早期检测到问题很好，但你还需要有药。而今天，**没有任何一个药是由机器学习模型开发出来的，哪怕只是让模型在其中扮演了重要角色。** 她认为“生成具有目标性质的分子”和“做筛选”是这个领域的大开放问题。而且她很坦率：诊断和影像这块，他们主要是把其他领域已经发展出来的想法拿过来，稍作调整就用。**药物设计不一样，它在技术上真的有意思。**你要处理图，要捕捉各种三维性质，有很多可以发挥技术创造力的空间。 怎么发现一个药？她讲了小分子的路径，因为今天大多数药是小分子。分子就是一张图，节点是原子，边是化学键。 今天的工业流程是高通量筛选。你知道你想要某个生物活性，手上有一大堆化合物，几十万个，在真实的实验室里、用真实的机器去筛，找出有正确活性的那些。然后化学家进场，凭经验去改造这个起始分子，让它更可溶、降低毒性、减少副作用。 > 化学家的创造力决定了设计的成败，因为他们有大量领域知识：什么管用、怎么降毒性。今天所有 FDA 批准的药物，都是这样由领域专家设计出来的。（雷吉娜·巴尔齐莱） 这套流程有效吗？如果用成本衡量，贵得离谱。用时间衡量，很多病我们一个药都没有，神经退行性疾病的药物试验大量失败，后期失败在财务上是灾难性的。她说这套流程算不上最有效，但它目前是唯一管用的。 她跟制药行业的人打过不少交道，对他们的敏锐和对领域的深刻理解印象极深。那是观察驱动的，背后有大量科学。但如果你问她要不要改掉它，她非常确定要改。 > 就算最有经验的化学家，也没法把几百万个分子和反应里能学到的东西全都装进脑子里。而图这个空间对机器学习来说完全是新的。（雷吉娜·巴尔齐莱） 他们已经做出来的东西是这样的。第一个工具是性质预测：给一个分子，预测某个性质，可以是生物活性，也可以是别的。人们刚进这个领域时做法很简单，用现有的分子指纹，也就是手工特征，把图拆成子结构，然后过一遍前馈神经网络。 结果很清楚：这条路不够有效。你需要更复杂的模型，能自己归纳出表示，把图映射到嵌入向量里，再做预测。 第二个方向和第一个相关：嵌入本身只用来做判断，有点可惜，真正有空间的是去修改它，直接生成更好的分子。你可以把它想成机器翻译：从一个分子出发，目标是它的改进版，把它编码到隐空间，学会怎么改，让分子在某些性质上变好。他们已经看到性质预测工作得不错，现在在生成分子，并且真的在合成这些分子。 ## 1997 年，一个公式就能发一篇论文 访谈转向她的本行，自然语言处理。 她 1997 年开始做 NLP，那是个特别的时间点，正好是统计方法开始冲击 ACL 的时候。她的英语当时还不太好，但正好站在转折点上：一半的论文是规则驱动的，人们用重语言学的路子啃小领域，再往上垒；另一半是第一批基于语料库的论文，在她看来很简单，收集一些统计量，在上面做预测。 让她着迷的是，**同一个共同体可以对同一个问题想得如此不同。**她记得自己第一篇论文就一个公式，没有评测，只有一些输出示例，而这就是当时领域里的标准。 后来的故事大家都知道了，统计方法全面压过来，各项基础任务的性能一路上涨。她说这个故事里比较让人难过的部分是，语言学在其中的角色被大幅削弱了。今天你翻遍论文集，很难找到几个还在认真做语言学引用的。 那这是不是缺失？她的反驳很直接：所谓“可解释、可理解”，最终是什么意思？我们是在完成功能，机器完成功能和你的方式不同，这没有关系。**就像计算器，它算的方式跟你完全不同，但它很有效，这就够了。** 她还补了一层：要求机器跟人一样理解，某种意义上甚至是不公平的，因为训练系统的时候，很多人类拥有的其他信息源是缺席的。它能交付就行。 她举了机器翻译的例子。1997 年她刚到以色列的时候，机器翻译还很原始，感觉上要做出真正能用的系统，跟飞上月球、在花园里盖房子然后幸福地生活下去差不多，是不可能的。她完全无法想象十年之内就能看到能用的系统。 > 现在没人会为每天用机器翻译而惊讶了。这是巨大的进步，人们花了很长时间用别的方法都解决不了。（雷吉娜·巴尔齐莱） 回到生物学的类比：语言学家试图写句法树、做抽象、找正确的表示，走了那条路，走不远。而这些用其他信号源的模型，取得了很大进展。 ## 机器翻译做得好，配方一换就崩 她不天真。她知道 NLP 不处在天堂里。领域稍微一变，训练量一少，模型就能做出非常古怪、非常好笑的事。但她认为这只是泛化能力的问题，是个技术问题。 访谈追问得很紧：人类的语言理解里，有多少能被深度网络解决？特别是当我们逼近图灵测试、对话、那些需要真理解的东西时。 她的答案很克制：她被结果驱动。如果你看机器翻译，在大量数据上训练，效果相对几年前是惊人的。如果以同样的速度往前推，会很好。它会像人一样翻译吗？那会困扰她吗？ > 认知科学到现在也没完全搞清楚我们自己翻译的时候在干什么。有很多理论，有很多进展，但大脑处理语言时到底发生了什么，我们还没精确到能翻译成机器指令的程度。（雷吉娜·巴尔齐莱） 真正困扰她的是另一件事：**机器会很脆弱。**一旦出了它的舒适区，一旦训练和测试之间出现分布漂移，就崩了。她讲了自己教 NLP 课的例子：年年给学生看报纸上的希伯来语翻译示例，完美。然后朋友寄来一份芬兰语的食谱，讲的是怎么做卡累利阿馅饼，翻出来一团糟，什么都看不懂。错得离谱，整段都读不通。 年复一年，学生翻译那份食谱都翻得很糟，因为食谱在他们的训练数据里占比太小。 那图灵测试呢？如果最好的表述方式是：你愿不愿意跟一个神经网络聊一个小时？ > 哦天，不。不会有那么多人愿意的。（雷吉娜·巴尔齐莱） 她认为难点在数据：要造出一个成功的训练集，让机器能进行长达一小时的、有上下文的对话，非常难。同时也是训练方式和真正泛化能力的问题，组合性是有限的。能翻译、能检索、能抽取，这些能力都很好。但聊天，不是她会选的事。 不过她补了一个故事。她去过中国，看到那边的聊天机器人，据说有大量用户会跟它聊四个小时。她说自己无法相信，但似乎有记录显示，确实有人享受这种对话。 这让她想到魏泽鲍姆（Weizenbaum）和伊莉莎（ELIZA）的故事。魏泽鲍姆是 MIT 的教授，他做的伊莉莎只是字符串匹配，几乎没有规则，没有句法，就是把你说的话换个说法还给你。据说 MIT 有位秘书会坐在那里跟这个极其简陋的东西聊上几个小时，而且当时界面很烂，要忍受使用上的痛苦。 魏泽鲍姆本人被这个现象吓到了：**人居然能相信一台机器，你只需要给他们一点暗示说机器懂你，剩下的他们自己会补完。**他因此停止了这项研究，转而去思考人工智能会对我们的大脑做什么。 > 所以关键不在技术有多好，而在我们有多愿意相信它提供了我们想要的东西。（雷吉娜·巴尔齐莱） 访谈者在这里给了一个很漂亮的回应。他说这件事让他觉得鼓舞，人类的连接，通过语言也好，通过爱也好，似乎都很适合机器学习，剩下的只是心理学问题。那些能聊几个小时的秘书，跟我们的日常生活没多大区别，我们跟所爱之人待上几个小时，很多时候也不过是在做关键词匹配。 ## 少样本学习才是真正的门槛 那什么才是眼下够不着、但一旦够着会让人兴奋的基准？ 她的回答落在少样本学习上。今天论文里写的“我们只有 55 个样本，然后能推到 65”，这些方法实际上没有一个真能派上用场。**真正的门槛是从很少的例子里真正学到东西，以及自主地去找数据集、去掌握一个新任务或一门新语言。**这个方向必须往前走，而我们现在还没到。 被问到是否对造出人类级别智能这件事好奇，她的回答很稳。她说这里有个经典的两难：什么算智能？是我们终于让机器做人做的事，而我们自己都还没搞懂人在做什么？还是我们有了在非常多的领域里交付结果的能力，不只翻译、不只答题，而是横跨很多领域，能达成人能达到的功能，并且还能学、还能做别的事？ 她认为后一个是可以衡量的，这也是让她兴奋的地方：在她的有生之年，已经看到各个功能维度上的巨大进步。 然后她换了个角度。一个角度是机器在提升功能。另一个角度是**我们这些脑子本来就不完美的人，怎么被这些越来越强的技术加速。** 她提到一本她喜欢的书，《献给阿尔吉侬的花束》（Flowers for Algernon）。病人得到一个奇迹般的疗法，大脑被改变，忽然有了全新的生活，某些事做得比以前好得多，另一些事则差得多。 > 这种计算机增强的认知，你可以去设想它打开的想象空间。就像汽车带我们去了从未去过的地方，我们能不能换个方式思考？能不能想得更快？（雷吉娜·巴尔齐莱） 她说这已经在发生了，但还有很长的路。 ## 跑步机上的积分与那个被记录的注意力 访谈提到了 Neuralink 那类脑机接口的演示。巴尔齐莱没有站队，但她给了一个特别具体的观察角度：很多时候我们并不清楚自己的感受和动机是什么。 她举的例子是注意力。有很多研究表明，一个人要花一段时间才能意识到自己已经不走神了。而有些人保持注意力的能力极强，另一端是有注意力缺陷的人，很难调节。**假如你有个认知辅助工具，它根据你的视线提醒你：你的注意力已经不在手头的事上了，你正在写论文，但你在想晚上要干什么。** 然后她讲了自己的一段经历，很自嘲。 她家有个空着的健身房，设备会记录你跑了多少，给你积分、给状态等级。她当时的想法是：这太荒唐了，谁会关心某个设备里的状态等级？ 结果为了保住状态，每个月必须攒够一定积分，而且是每个月都算。过去十八个月里，事情发展到了她带着伤还在跑。等伤好了能跑了，她两天内跑了一个巨大的量，就为了把积分补上。**她说，这明显不安全，但我不想丢掉我的状态。** > 你已经能看到，直接的测量加反馈有多大力量。我们看电子游戏，会讨论它的成瘾性。同样的思路可以扩展到生活的很多其他领域，只要我们真的能拿到反馈。（雷吉娜·巴尔齐莱） 她甚至把这个想法延伸到了关系上：在关键词匹配的时候，如果那个正在生成关键词的人，能在整件事爆掉之前收到直接反馈，也许在那一刻我们就会知道方向错了。这当然是个微妙的地带。 ## 教了六年机器学习课，她发现学生的障碍不在编程 巴尔齐莱在 MIT 教机器学习，大课很受欢迎。六年前她开始教这门课，随着这个领域越来越热，选课的人越来越多，课程是给计算机专业的学生设计的。结果有很多人真心想学，但背景跟不上，学得很痛苦，很多人把机器学习跟挣扎和失败联系在一起，尤其是非本专业的学生。 所以她开了门新课，叫“机器学习：从算法到建模”，重点放在建模上，面向本专业和非本专业的学生。她说，**标准机器学习课上教二十个分类器，这件事本身就值得商榷。** 有意思的是第一批学生实习回来之后的反馈。他们会说，我居然可以把机器学习用到某件事上，而这件事她之前完全没想到。**现在什么都成了“机器学习奇迹”。** 访谈追问：那这些非专业的学生，缺的到底是什么技能？ 答案不在编程。他们有 Python 基础，课本身对编程要求也不高。卡住的是数学。**课程一开始沿用给本专业学生的那套记号，比如说大 O 表示复杂度，其他背景来的人，这些符号根本不在他们的词汇表里。**概念本身不难，他们只是从没见过。 她说，线性代数、概率、微积分基础、多元微积分，这些能帮上忙。 ## 她给想进来的人的建议 第一条是好消息：现在资源太多了，各种层次都有，在线课程、学校课程，偏数学的、偏应用的都有。你可以找到用你熟悉的语言讲课的那一档，从那里进场。而且根据你的长处，你能做出很多不同类型的贡献。 第二条更重要：**找一个你真正在乎的领域，它能给你的学习提供动机。**这个领域可以是治愈癌症，可以是自动驾驶，什么都行。但要找一个有数据、你相信里面存在强模式、而且我们还没做或者能做得更好的领域，然后就站在那儿看看它能带你到哪。 ## 关于意义，她没有宏大答案 访谈最后问了一个不可能的问题：这一切的意义是什么。 她说自己没有全球性的答案。也许正因为这个，她本科时没去上人文相关的课。 她的说法是：每个人内心里都有一套自己认为重要的东西。只是我们太忙于达成各种目标，太忙于听别人说话、努力去顺应、去成为人群的一部分，以至于不去听自己内心那部分。**我们都该找出一些时间，搞清楚自己个人的使命是什么。而每个人的使命可能非常不同。**要确保在同时跑一万件事的时候，我们知道自己在错过什么，并且把资源投到自己使命的满足上。 > 回头看年轻时候的我，大部分使命是被外部刺激驱动的：去达成这个，去成为那个。现在我做的很多事，驱动力是我认为什么对自己重要，跟外部的认可无关。我不介意别人怎么看我，对我来说最重要的是对自己诚实，忠于我认为对的东西。（雷吉娜·巴尔齐莱） 这个过程花了多久？她说要时间。而且即便现在，虚荣和琐碎的东西还是能占据你一分钟。虚荣在不同地方有不同的形态，但每个人都有自己那一份。 对她来说，回到自己的方式，常常是独处的时候，还有读书的时候。**选对了书，你就能得到对的问题，然后从读的东西里学到东西。** 她说，当然这不完美，跟别的事一样，总会有东西压过来。 ## 可操作的建议 - **如果你在技术领域想找一个值得投身的应用方向，优先选一个有真实数据、有强模式、但现有方法还很粗糙的领域。**巴尔齐莱的判断标准很朴素：你相信这里存在强模式，我们还没做，或者能做得更好。癌症早期筛查符合这个标准，很多别的领域也符合。 - **别把“算法更好”当成能落地的充分条件。**密度指标那个例子摆在那儿：深度学习模型好上几个数量级，仍然换不掉一个 1967 年凭肉眼归纳的四分类指标。真要做成事，必须花时间搞懂那个系统的激励结构，谁有动力、谁有损失、谁需要被说服。 - **如果你在做医疗或其他受监管领域的数据工作，把预期管理好：她花了两年才拿到数据。**提前规划 IRB 流程、找到愿意合作的临床方，不要假设数据是现成的。同时关注编码域学习这类技术路径，它可能绕开一部分隐私阻力。 - **如果你在教机器学习，先检查你的记号。**卡住非专业学生的往往不在编程，在大 O、线性代数、概率这些你以为人人都有的词汇。分层教学、把建模和应用分开讲，比多教几个分类器有用。 - **定期花时间问自己一个问题：我现在忙的这一万件事里，哪几件是我真的在乎的？**巴尔齐莱的原话是，很多使命在年轻时是被外部刺激驱动的，而意识到这一点、主动往自己认为重要的方向调资源，需要刻意练习。她自己回到这个问题的方式是独处和读书。 - **如果你要用测量和反馈来推动行为改变，先想清楚副作用。**她自己带着伤跑步去凑积分，就是活生生的例子。任何积分、等级、连续打卡的设计，都会激发人去优化指标而不是优化目标。设计的时候就要预判这一点。