智慧醫療-台灣下一個護國神山?(CC字幕)

謝謝林校長的精彩介紹。今天非常有榮幸跟大家來討論一下智慧醫療的東西，也謝謝各位老師、各位同學的參加。

今年，應該說2024年呢，這個諾貝爾醫學獎都頒給，不管是什麼物理、化學，都是頒給做AI的人。如果你問我這個AI小兵的話，我可以負責任跟各位講，他們做的東西跟物理化學其實沒什麼太大的關係。我怎麼想都想不出來它們的直接關係。但是呢，這個代表的是什麼？因為大家都知道，諾貝爾獎是科學界的最高榮譽，代表的是整個科學界對AI的全面的肯定。在這個情況之下，你有沒有發現它好像已經慢慢走入我們的生活？包括Google，他都說他們很多程式根本就是已經AI在寫了。現在不是說你用程式來寫，用AI來寫程式是作弊，不是這個樣子，而是公司會跟你講：你幫我寫程式，如果你不用AI，你就不用在我這公司待了。可是我們就會擔心說，人有沒有可能因為這樣子就被AI取代？可是也有權威的財經期刊說，AI只是泡沫啦，過一陣子就沒有了。所以AI會怕泡沫嗎？這好像是一個兩個極端的看法。

同樣的，也有人說臺灣AI就很好，全世界都在看我們；可是聯合國會說，AI真正領先的應該是中國跟美國。然後呢，包括一些AI的大神，像李開復，他就說臺灣根本就沒有機會做AI。我也覺得，像大型語言模組這個東西，也許我們沒有機會，但是你就好像整個科技產業，我們呢，也可以找到我們自己的出路。我們可能不必做什麼自走車，可能不必做什麼機器人，但是我們做半導體，我們做到全世界第一，那不是就很OK了嗎？

同樣的，AI有沒有一個臺灣最有利的發展方向？我們今天要跟大家報告的就是我認為智慧醫療。貫穿今天報告的會有幾個內容，包括AI的本質到底是什麼？臺灣的AI的機會是什麼？面對AI的革命我們要擔心的是什麼？我們又怎麼樣來努力？我們先來看看AI的定位，AI到底是一個什麼樣的東西呢？

工業革命，它最重要最重要的一個特質是機器取代肌肉；我們現在呢，就是電腦取代人腦。電腦已經存在非常非常久，可是傳統的電腦充其量只是一個高速、可程式化的計算機，它沒有辦法主動學習，更沒有辦法主動思考。現在AI出來以後，才是真正的開始模擬我們人腦。就好像我們說網路，當然它有它的科技成份，3G/4G/5G不斷的進步嘛，但是網路不只是科技，網路是一個超級的資訊分享方式。有人說過，站在風口上，豬都會飛。AI這個風口，當站到了以後，你會發現科技前四強，三家半都是網路公司：Amazon、Google、Facebook。如果它沒有站在網路的風口上面的話，它就不會現在是世界最富有、最有影響力的公司。同樣的，在臺灣也是，臺灣現在首富就是林先生，因為他很早很早就看到AI，所以他就做AI伺服器，到此時此日為止，他還是臺灣首富。

我們如何定位AI？我們就來看看AI，也就是現在我們所熟悉的機器學習，它的核心精神是什麼？我們說網路不只是科技嘛，對不對？因為它就是一個超級資訊增強的方式。人工智慧也不只是科技，因為如果它是科技的話，它就會被更新的科技取代。人工智慧，或者我們說機器學習，我覺得對它定位是：它是一種方法學，它是叫做第五方法學。我們在解決問題的時候，常常是建立在系統分析的架構。我知道這個系統是什麼，我也知道給系統的這個輸入是什麼，我想知道，在這個情況之下系統的輸出是什麼？真金難買早知道。舉個例子，系統就是一個人，N會是什麼？就是這個疫苗，我打這個疫苗以後對我有什麼樣的影響、幫助？covid-19這件事告訴我們，其實這並不是一件容易的決定。

傳統的方法是什麼？第一個，就人工決定，人來做決定。不只是運動、政治、軍事、財務、法律，你會發現，我要娶誰我要嫁誰，也是人做決定；以後在醫療現場也是一樣。所以站在這個角度，可以放心的跟各位報告，AI絕對不可能全面取代人。第二個呢？為什麼我們要學物理？為什麼要學化學？為什麼要學生物學？就是希望說，學了這些理論以後，我們可以建立一些方程式，建立一些化學反應式，來預測系統會怎麼發展。這個當然非常非常有幫助，可是你知道嗎？有些現象實在是太複雜了，化學方程式解不出來，數學方式不知道在哪裡，怎麼辦呢？做實驗，以實驗結果作為檢驗真理的黃金標準。但是從這個剛剛個畫面你也可以看出來，做實驗真的是耗錢又耗工。所以在1980年代就開始說，我們就來做電腦模擬好了，電腦模擬沒有過關之前就不要先做實驗嘛。這個當然是非常好，當然雖然不能取代實驗，但是也實務也證明非常非常的成功。另外一個就是機器學習，意思就是說呢，我呢，人呢，先給你數據，讓你學會怎麼做這件事情以後，所有的事情就不必我再教了，你自己來做。待會兒我們還會談到這樣的精神。機器學習對應到了資訊社會的變化，大概是這個樣子。我覺得資訊社會基本上有三部曲：第一部曲就是分享資訊，我們基本上就是透過網路來分享資訊；可是如何覆核天量的資訊？你會發現這個網路資訊實在是太多了，基本上就是需要有工具幫我們解讀資訊，AI就是做這件事情。所以你可以這麼想，就是就好像這邊這個圖顯示的，網路上面很多資訊，就好像世界上有很多的原物料，怎麼樣把原物料變成成品，這就很重要了。AI基本上就是說，這些原始資訊就是原物料，透過我AI的整理跟解讀，它可以變成成品；可是成品到最後我需要什麼樣的成品，這些成品怎麼用，還是靠人。所以以後我們就會看到，這是社會的第三部曲。我們先回來看一件事情，如果說AI是我們的…我們說，它的第五方法的話，AI的基本運作原理是什麼？總能不能把它當做一個黑盒子？其實它基本運作、運作原理當然是變化形式很多，但基本的架構絕對就是這張圖，我們叫做監督式的學習。受過教育的我們都很非常熟悉嘛，反正就寫考卷嘛，老師給正確的答案，學生也給答案來比對一下答案對不對？不對的話呢，繼續回家努力讀書，修改自己的這個的認知，然後看看下次會不會答得更好。AI其實也是這麼做。這樣子的話，我們就希望說，我就要建立一個學習系統，最好的學習系統，我們會發現就是人腦，這個平行分散的架構。所以機器學習做了一件事情就是，我們就是模擬人的大腦，做一個系統叫做類神經網路。這個神經網路就講的是我們大腦的神經網路。我們大腦的神經網路號稱有，像黃色這個點是神經元，號稱有一千億個神經元，然後神經元跟神經元之間的連接數目號稱有一千兆，它是一個非常大的平行分散網路。有了這樣平行分散網路以後就可以開始解問題。我們看到上面這個部分就是我們傳統解問題的方法：我要有數據，我要有規則，根據規則我寫出程式，要寫出這個程式，我就要把規則、解題步驟的每一個細節清清楚楚的掌握，少一個環節都不行。這個就變成這種方法的致命傷，因為只要一步不到位，程式都寫不出來，東西就解不了。machine learning呢，走的是不同的方式：我給你data，我給你答案，你把它們因果關係建立起來，它以後自己形成規則，再進入這個架構。所以呢，要講machine learning它的基本精神的話，我覺得我自己就是用這個概念概括：它就是在不需要知道來龍去脈這些細節的前提之下呢，直接掌握因果關係。

舉個例子，比方說呢，人臉辨識系統，現在天天都在用嘛，手機就是做人臉辨識嘛，看人臉，它還可以判斷我們的性別跟年紀。性別跟年紀有大家都知道這個概念，可是你要說怎麼寫出這個明確的規則，說這個就是男生這個就是女生，他就是五十歲，他就是七十歲，沒有人知道，有感覺，但是就不知道明確的規則。我們怎麼做呢？找了很多張相片，每張相片我們告訴AI，這個是男生，這是女生，這個人幾歲，這個人是幾年幾月幾日生，只要丟給它就好，你就盡量把它判斷對，你會發現做到最後，AI還判斷的真的　很準。你問它怎麼判斷，它也說它不知道，我就怎麼怎麼做了，我不知道來龍去脈，但是既然你已經給我因果的條件，我就直接建立這個因果的關係。當然它裡面並不是什麼巫術，它還是有強大的統計學理論做後盾，它會成功還是因為數學定理證明這個解存在，所以它的理論基礎是札實的，只不過是說很多技術細節我們可能不知道，尤其是，我是1988年開始學AI的，剛開始學的時候工具實在是很不到位。這幾年身為一個AI小兵，我要跟大家忠實的報告，大家在媒體上看到說AI如何如何厲害，有很多部分都沒有任何的誇張。身為一個AI界的小兵，我真的看到說：哇，技術怎麼進步的這麼快？以前我們覺得天難地難的問題，現在好像吃青菜蘿蔔一樣，啪啪啪啪直接就啃掉，真的是這個樣子。所以呢，比方說大家常常聽到一些大型的語言模組，ChatGPT、OpenAI，比方說我現在常常呢，以前大概做網路搜尋的時候就是打關鍵字，找答案嘛；現在比方說你用Perplexity這個東西，你就不是打關鍵字，你就直接問問題，然後它就幫你找答案，而且找出來的答案，它會告訴你它的根據是什麼，然後告訴你它從哪裡哪裡找到了網頁網址，都提供給你。而些而且些都不是虛擬的，我現在上課都是這樣，我現在已經不用課本了，因為我發現用AI幫我準備教材，很多時候做的比課本都來得更好。我出題目，我全部就是AI幫我出。你說這樣可以嗎？我也跟我同學講，我就是用AI出題，你們回去就用AI替自己模擬考試。可是重點不在個題目，重點在你怎麼問問題，你要AI幫你出什麼樣的題目，才能呼應到你的學習目標。所以呢，還有一個大家一定要注意的一個重點，就是說AI能夠個人化，也就是說呢，我們可以建構自己功能模組，比方說有人就專門用把佛學的經典、佛學高僧、大師講的話，所以我們把文稿灌到AI裡面去，還專門回答佛學的問題，還真的答得很不錯。這個技術呢，進一步延伸的話就會出來一個東西，是我們AI裡面領域裡面講的叫做Digital Twin，數位孿生體。有人說未來十年之內在虛擬世界，我們每一個人都可以有自己的數位雙胞胎，也就是說呢，這個數位雙胞胎呢，它們一顰一笑，所有講話的內容、思考模式都跟我們高度的類同。你說這個是真的嗎？微軟都已經把它專利了，它可以把復活已故的親人…當然了，這在倫理上面是有爭議性的，但是我也忠實的跟大家報告，這個技術上面絕對做得到。所以呢，你在網路上面就有人透過這樣的技術，讓你可以打造你自己的男朋友女朋友，或者是虛擬很多人。既然大家想跟名人談話嘛，我就做一個巴菲特的AI，我就做一個比爾蓋茲的AI，我就做一個史蒂夫·賈伯斯的AI，讓你跟它對話，真的有人做，你也可以上去分享試試看。甚至於Google說，按照現在的技術，只要跟我們對談兩個小時，大概就可以掌握85%的言成文，意思就是說它對我言成文這麼高程度的了解，如果有這麼高程度的了解的話，以後要怎麼針對我的軟肋，賺我的錢，影響我的投票行為，恐怕都會變得相對容易。所以它看起來真的非常非常的神奇，然後你用這些東西每個人都可以用，而且很多時候只要你用量沒有太超過的，基本上都是免費的。所以有些公司、公司甚至學生宣稱GAI，也就是Generative AI是指日可待，我是絕對不認為如此。為什麼？因為我們講過嘛，AI會它是怎麼建立的，它都是透過這種師徒式，所謂的監督學習方式建立出來的嘛。然後呢，現在大家用的大型的模組，它做的事情呢，我們剛剛不是講嗎？系統分析、input、output，對不對？它做的東西就是input就是前句，output就是後句。所以呢，所有的大型語言模組都是在做文字接龍，它都是在做文字接龍。這什麼意思呢？就是說它其實不了解文字是什麼意思。你說文字接龍真麼厲害呢？我們實作發現當文字接龍的量，我的意思就是說前面的input並不是只有兩三句句子，後面的output也不是只有兩三個句子，前面的可能就是一整本書，後面的出來可能也是一整本書。你只要弄到這樣子的規模之後呢，文字接龍就可以非常非常的厲害。然後呢，我們也講過，AI的基本的核心就是在不知道來龍去脈的情況之下，直接掌握因果關係，這樣就會碰到一個基本的困難，就是典型的知其然而不知其所以然，就有一個大大的？號出現。那是不是不求甚解？這個就是目前AI的死穴，也就是它的天花板，這個不突破，它就不可能走到下一個層次。為什麼會是這個樣子？所以因為是就是這個樣子，所以其實呢，AI跟你講很多話的時候，它其實不知道它自己在講什麼。為什麼？因為它根本就不懂。我們學的東西跟AI學東西是不一樣，我們學的時候是小學、初中、高中，慢慢的學循序漸進。我要學數學這個東西，我先學加減乘除，背九九乘法表，會了這些算術以後，我再去學幾何；有了這幾何以後呢，我可能再去學微積分，然後我再去學工程數學。所以很多課都有先修課，這個是一個循序漸漸進的過程。AI不是這個樣子，AI丟東西的時候就是你所有的data，所有的數據一股腦的丟進去，然後一次完成。也有人這麼想說，如果人是循序漸進學的話，我們可不可以用循序漸進的方式來訓練AI？有人真的這麼做過，可是都沒有成功。所以現在的東西就是夯不啷噹，全部丟進去；夯不啷噹全都丟進去以後，你會發現它做的事情就好像什麼？它就把百科全書全部背下來。一個人把百科全書全部背下來的時候，你問它問題的時候你會覺得它是真的好有…看起來很有學問，因為它就是一個萬事通。可是這樣子算是有學問的人嗎？同樣的，我們就倒過來問一句話，大型語言模組，像ChatGPT這樣的東西，它到底掌握了什麼東西？它掌握的東西就是話術、語言的規則跟運作基本方式，就是這個playbook。我舉個例子，就好像一個人，如果把所有的公式都背下來的話，它解題考試都很厲害，可是它不是真正的科學家。同樣打遊戲，如果我打遊戲打得很快，都是因為我看了很多攻略，然後我就按照攻略一步一步打，這個裝備拿得很好，積分在短時間裡面就拼得很高，然後在最短的時間裡面把所有的關卡都破了，你會覺得我是一個電動電動高手嗎？當然不是，我絕對不可能變成一個電動這方面的國手。所以呢，因為這個樣子，因為它不懂，所以它有時候就會瞎掰。這次我要AI畫圖，我就想說，你有常識嗎？哪有一個主審，他會拿一個手套，然後有一個投手會拿球棒？我再舉個例子，像這張圖，非常非常的多。不過話倒回來講，這是我弟弟教我的，我弟弟說，人際互動的時候有兩件事是最難的：第一件難的事就是說，我怎麼樣把你的口袋的錢賺到我的口袋，天天我們要努力做這件事情嘛；另外一個東西是我怎麼樣把我腦袋的東西放到你的腦袋裡面去，老師要做這件事情，政治人物也要做這件事情，當我可以說服你的時候，你就會投我票，你會支持我的這個政見或者我的政黨。我們人呢，是利用語言跟文字來傳承知識；現在AI，因為它已經掌握了話術，也就是語言使用的規則，雖然它不知道語言裡面代表的含意，但它知道怎麼運用這個東西，所以我們以後的世界真的會完全不一樣。

AI會不會泡沫？我應該這麼講，我們從真實的產業變化來看，臺積電像這樣的公司，它基本上是傳承，最最底層是量子力學，然後半導體科技，然後臺積電做的就是在半導體科技這個架構之下不斷的精進它的工程制造技術。這個工程制造技術，大家都知道，反正就是越小越好，7奈米你一定比16奈米好，比5奈米更好，3奈米更好，2奈米更好，這是一個固定的規則。同樣的，大型語言模組，至少在之前也是發現這樣的事情，就是反正呢，我就把模組越做越大就好了。一開始呢，我的參數呢，只有1750億個，後來就變成一兆，下一代呢，就變成一百兆，就往上面繼續做經費競賽。所以訓練一個語言模組，動不動就十億美金起跳，因為模組就是要做麼大。但是重點在什麼？在這個過程之中，演算法又是怎麼樣訓練這個AI的方式，怎麼叫AI來做邏輯推理，或是語言辨識這個方式，演算法本身並沒有改變，只是把模組變大而已。這就業界很有名的叫做Scaling Law，越大就是越好。但是Scaling Law發生什麼樣的事情？這個是諾貝爾獎得主，化學獎得主，他是Google這方面的領導人，他說其實在訓練大型語言模組的過程之中，結果出來完全不在意料之中，就是大家做的時候，事實上你就想想為什麼，就OpenAI做得出來？不是Google，不是Facebook，不是這個傳統科技公司，因為大家傳統科技公司，我有錢，我有機器，可是我就看你這條路走不通了，我不覺得它走得通。OpenAI就是，我就這樣硬幹看看，其實它真的走通了。走通做到這個程度，我跟各位保證一件事情，程式設計師、計劃領導人自己的下巴都掉下來：哇！原來這麼玩就可以成功！所以他才會講說unrealistic effective，這不現實的有效。為什麼會這個樣子？應該是這麼說，大型語言模組現在這麼厲害，並不是AI技術有多厲害，而是我們算力到位了，然後可以模擬人的大腦，然後更重要更重要更重要的一件事情，其實語言這件事情沒有我們想象中的困難，它其實是一個簡單的問題。為什麼它是一個簡單的問題？很簡單，我很快的就可以說明，當我們去說一件事情，所有人只要經過適當的學習都學得會的話，這件事情應該是簡單的；如果有些事情，就是只有少數人才學得會，這個應該算是難的。語言這件事情，所有人只要給它適當的環境誰都學得會，臺灣基本上沒有文盲不是這個樣子嗎？所以語言這個東西其實本來是簡單的，只是以前我們找不到合適的工具跟框架，所以帶進去以後就會成功好不好？並不是說AI…與其說AI什麼突破，不如說在大型語言模組這方面，問題本質是簡單的。為什麼講這個東西？以後AI能夠做到什麼事情，也許這就是大家可以考量的一個因素。如果這件事情原本人在做，而且是大家經過適當的訓練以後都會做的，AI應該都可以做得到；但是如果有些事情，像是創造性的藝術，只有少數人才能做得到的話，拍出一個好電影，萬古流芳，感動很多人的心血，這件事情，只有少數導演才做得到的話，那AI就做不到。所以呢，剛剛我們講到Scaling Law，就是大家都越做越大，你有沒有發現現在ChatGPT跳到4.0版以後，好像就不太動，5.0版就一直聽到樓梯響，東西就是沒有出來，因為它已經開始撞牆了，東西變大以後，發現碰到天花板。我們舉幾個例子，這是AI界的一些笑話，現在某些大型語言模組這個問題都還沒有解，就是你問它喔，strawberry這個字裡面，英文字母r到底有幾個？小學生也會算嘛！123，3個r，ChatGPT就會告訴你說two，兩個r，there are two 'r' characters，你就再問它說check again please，要確定，它說我恰再檢查一次以後我發現，它真的就是兩個，你就說真的是100%確定嗎？它說100%確定…@_@” 你可不可以跟大型語言模式講，等一下，我算給你看哈，123，它是三個r不是兩個r，它可能會跟你講，這樣知道嗎？下次又再繼續跟你講兩個r。我們再舉個例子，包括伊隆·馬斯克，他出的號稱最強的大型模組，回答這個問題就這樣回他的。你問它9.8跟9.11哪個大？它會說9.11比較大，我說這個怎麼會是這樣子，它就說9跟9一樣大啊，所以第一回合平手，8對上11，11比8大，所以9.11比9.8大，我是講真的，你就會知道說：不會吧～原來你什麼都不懂。我兒子也跟我講過一句話，他說爸爸，人都不可怕，怕的是不知道自己笨。AI就有這樣的問題，AI完全沒有自知之明，這也是AI的一個死穴。人如果有自知之明，相對就出來其實也不容易你知道嗎？所以Apple出了一篇論文就說，在數學推理上面，事實上AI一定有它的局限性。所以，現在你聽到的一些大型語言模組，因為它要…因為訓練大型語言模組很花錢啦，所以為了他要募資，他一定要吹牛，這些吹牛的泡沫我認為會泡沫，但是我還是要跟各位再三的強調，現有的AI技術已經足以發揮革命性的功能。現在好多事情透過AI幫助生產力真的提高了非常非常高。

智慧醫療應該就是臺灣最好的機會，我們大家都知道，其中一個原因就是因為我們的 高科技的工程師跟我們醫師就是臺灣最強的兩個爆肝族。然後呢，在醫療這方面，尤其是在臨床上，我們的品質、速度、結果、還有成本，應該是說在品質方面，我們絕對跟先進國家並駕齊驅；在速度跟成本上面，我們絕對比先進國家強。速度成本，印度、中國可能比我們強，可是他沒有我們的軟實力，對不對？所以林百里先生他在2020年的時候，他就說過一句話：智慧醫療會是臺灣下一個護國神山。我不是聽他講才這麼覺得，我本來也就這麼覺得。如果他是臺灣首富，他真的有…我們說…值得我們尊重的地方。我們來看看它的應用模式可能是什麼，怎麼用這個智慧醫療。第一個呢，就直接引用傳傳統模式，也就是說呢，比方說，這是2017年Google發展一篇論文，它基本上就是建一套設備去看，自動偵測糖尿病視網膜病變，因為我糖尿病，我視網膜有沒有病變來檢查這樣的事情，AI自己來做判斷，然後跟37個醫生來做比較。所以呢，就會想說，這樣子以後呢，看這些片子呢，用AI來取代對不對？當然可以，但是東西是這個樣子的就是，我們在看片子的時候，我們說聞道有先後，術業有專攻嘛，不是每個片子，每個醫生看片子能力都一樣強。有些放射科的醫師，他就是一天到晚就在看胸部CT的片子，他當然最強。你會發現，如果我不是一個接過在這方面累積足夠經驗的醫生，看片子能力可能就不如AI，可是AI可能就比不上些專門看片子大師級的醫師。但重點來了，如果是一般的醫師加上AI的輔助以後，它可能就比大師級的醫師在看片子這方面更厲害！這是目前我們所看到的。所以以後我們要擔心的，以及說要擔心我會不會被AI取代，我們可能更需要擔心的是說我不懂AI，會被懂AI的人取代。然後呢，剛剛的第一種模式呢，就是把事情做得更快、更好、更便宜，那絕對不止如此。所以進入第2種模式，提升弱訊號。在醫院裡面我們接受檢查的時候，我把它分成強訊號跟弱訊號。強訊號就是比方說核磁共振、電腦斷層，看片子以後直接可以下判斷；弱訊號是什麼？心電圖啦、血氧濃度啦、腦波啦，出來訊號常常就是一個參考，到目前為止，你沒有辦法透過腦電波來準確判斷一個人有沒有憂鬱症，或一個人有沒有失智症，目前還做不到。為什麼很難呢？因為呢，動不動我們就會貼二十個以上的通道，每個每個位置就看電波是什麼樣子，每個電波你要把它分解開來，Alpha波、Beta波、Theta波，加起來以後，動不動就一兩百個頻道，用人眼看怎麼看得出端倪來？所以呢，AI呢，來做這種數據分析的時候，它就可以很厲害，它就可以幫忙，比方說診斷失智症。我這邊特別提這個問題，就是失智症真的很嚴重，比方說在高收入國家，WHO說它已經是第二、第三名的殺手；在日本呢，它早就是第一名的殺手，臺灣都是癌症啦，不過日本在癌症的時候把它分開來，肺癌、肝癌再分別來看，阿茲海默症，應該是說Dementia，老人失智症，已經是最重要的殺手。這個以後呢，我們講弱訊號，最強的弱訊號，我個人認為會是聲音。這個圖裡面就告訴你了，老年人，我們只是用一個麥克風，真正它一天講話的頻率，你就會發現，憂鬱症的老年人跟健康的對照組，他講話的量跟頻率是不一樣的。為什麼要做這件事情呢？因為有了AI以後，他講什麼話我們就可以做分析，不是說他的帳戶是什麼，我們要盜取，不是！而是說他每天講的話內容是什麼？都是無意義的！寒暄或是看電視的時候在那邊無意義的乾笑，還是跟人家互動的時候都是有溫度的、感情交流，然後會心或是開心的大笑，我們就可以做這樣的分析，這個對健康評估就可以有發揮很大的功能。

另外一個，可以通過AI建立新指標。舉個例子，可以建立新指標很多，比方說，我們就可以透過AI判斷，判斷這個人的顏值年齡。為什麼要做這件事情呢？我們就想說，一個人氣色不好的時候看起來應該太臭老了，比較蒼老，我們就看看，從這個角度來看，它是加速老化，還是它不只是駐顏有術而且是養生有術，因為估測出來的年齡就只比它實際的年齡還要來得小。你有沒有發現，每天睡覺狀況不一樣的時候，起床看起來氣色…你要給它判斷年齡的時候，它判斷年齡都會不一樣。這個東西也有道理，因為中醫本來就講望聞問切嘛，望診本來主要就是看人的人臉氣色也符合我們生活的經驗。如果你不相信的話，這個是頂級期刊裡面就講到，有人就已經用這個東西來判斷，就只看人臉了，其它都不看，看我有沒有可能得到冠狀動脈疾病，精度沒有絕對的很高，但是絕對有一定的參考價值。我在講人臉可以提供什麼資訊，有人就玩這種遊戲，臉書上面有很多人提供相片，它也會順便跟你講，他自願填的他的政黨屬性，我是民主黨的我是共和黨的，而且它用人臉直接來判斷，就會發現居然有72%準。所以人類有很多資訊，事實上是能夠萃取出來，作為我們判斷的基礎的，包括健康情況的掌握。然後另外一個就是個人化。個人化的意思就是說，比方說我做了一個肝癌的研究，得了肝癌以後呢，第一件事情就是會分期，分期完了呢，不同的期會用不同的治療方法，這是標準的SOP。我看過的數據資料裡面就會發現說，有一位醫生說，很多這些病例資料並沒有走這條路，醫生就會說這個還有很多個人裁判的空間，我們常常希望為病人好，所以不按照這個標準走。這個標準走是什麼來的？它基本上是用統計學的方法來評估出來的，第一期、第二期、第三期，我們把它分成各個子族群，就好像去買衣服一樣，我們先分成男生女生，然後再分成大中小固定的幾個規格尺寸。當衣服要好看的話，最好的還是怎麼樣？請裁縫量身打造！不是這個樣子的嗎？機器學習就是說我們就不要這種大中小，我們就用個人化的學習。比方說呢，我就麼多的生化指數，包括肝癌的分析，然後我們呢，去預測每個人接受某一種醫療服務，或去治療方法的時候，他能夠存活多久？存活多久是畫一條曲線出來，用這種醫療方法超過三年、五年、七年的機率風險有多高，然後每個人的曲線都不一樣，因為每個人的背景包括年紀包括性別，包括生化指數都不一樣。這就可以個人化。另外一個是整合簡化既定的模式。心臟病是全球的第一大殺手，怎麼樣防治心臟病？我的研究夥伴告訴我說：嚴老師阿，看心臟健不健康最正本清源的方法之一，就看是心臟裡面的三條主動脈堵到什麼程度。怎麼看呢？就這樣做一個檢查，叫Cardiac CT，專門看胸部，自費檢查大概都要上萬，所以一般健康檢查不會包在裡面，但是如果你是臺積電員工的話，你會發現臺積電每年健康檢查，公司會替你做，因為它就是這麼重要。堵得越厲害呢，風險就越高。另外一個呢，我們說肺癌也很可怕，在臺灣呢，多年都是長居死亡率的第一名、第二名，通常就是這幾個：肺癌、肝癌。所以有一種檢查方法不是X光，它叫做低輻射劑量的電腦斷層攝影去掃我們的肺，掃肺的時候，順便就會一定會掃到心臟對不對？結構先天就是這個樣子。如果已經掃到肺的話，為什麼我們不用這個圖像直接來把心臟三條主動脈血管看看它堵塞在什麼程度呢？答案就是說，因為它是低劑量，為什麼要低劑量？低劑量就是說輻射線低一點，附帶傷害小一點，可是缺點是什麼？它影像畫質就會比較不清楚，反正我現在只要看有沒有腫瘤嘛，所以影像畫質不清楚比較沒有關係，可是要判斷其它的細節，包括這個腫瘤是良性惡性，或者我看到心臟血管堵到什麼程度，那就不OK，因為畫質就是不到位。這是低劑量，這是標準劑量。醫生就跟我們講說，說AI不是可以做這件事情嗎？不清楚的相片一下就把它變清楚，你有沒有辦法做這件事情阿？不清楚的影像透過AI，就把它變清楚。然後呢，做完第一劑量攝影的時候呢，它是來照肺的，我們心臟順便幫它看一看。所以呢，民眾不必花更多的錢，醫院不必花更多的時間，健保也 不必做更多的給付，因為原來要做的事情都一樣，只不過通過AI的技術可以一魚兩吃，一石二鳥。那這個就是AI的一個功能。另外一個東西叫Crowdsourcing，是什麼東西？就是說，你會發現為什麼麼多網路服務不要錢？因為它從我們身上刮羊毛，利用我們這樣子收集我們資訊，然後推廣告給我們，類似這個樣子。比方說呢，Google做一件事情，它可以預測流感，就是看大家輸入的關鍵字，它透過AI的演算法來預測流感在什麼地方、什麼時間會爆發，盛行率是多少，然後它數據都有公布，做得非常非常的準。同樣的，我們現在在用不管是Spotify或是Netflix或是YouTube，你會發現，你進去的時候，它推的影片呢？每個人都不一樣，它盡量做個人化的推薦。這是AI技術裡面的一個東西，叫做recommender system，推薦系統。推薦系統基本上是怎麼樣，就是它透過你的收視習慣把我們分門別類，然後呢，我分的一類裡面的人呢，比方說呢，很多片子看的喜好都跟我相同，只不過呢，其中有些人看了某些片子我還沒有看，這樣子的話，既然過去你們看的片子品味都這麼相同，他已經看了你還沒看，我當然就推給你；反之亦然，我看過的東西人家還沒看，它會推給你看，這叫推薦系統。這個推薦系統非常有效，Netflix上面看的影片大部分都是從它的選單上面Netflix推的東西看到，80%以上很少是自己搜尋的。為什麼要做這個東西？我們現在推的不是影片，我們推的是什麼？病患者的需求。醫院裡面大家都有這方面的病例資料，大家都有看病、都有做檢查，就跟大家有看影片一樣。如果我跟某人受的醫療服務基本上都完全相同，我們的年齡、種族背景都完全相同，結果某人得了某些病，但是我還沒得，那它是不是應該先預警我們？嚴成文，基於你的病理歷史呢，你接著要得什麼病，風險非常非常的高，所以我們推薦你什麼什麼樣的醫療服務。我就跟醫院講說，趕快做這個東西，可以替我們健康未雨綢繆。

另外一個呢，提到一個新裝置，這就我們學校蔣老師做的東西，就中醫的舌診系統。中醫我們都知道望聞問切嘛，望診一個是看人人的氣色，另外一個就是看舌頭。舌頭呢，就可以分成很多的不同的部分，對應到我們心肝脾肺腎，然後呢，所以它就用數位相機建立一個這樣的系統來做判斷。千萬不要小看，就覺得這個是教授做的一個東西，沒有什麼實用價值。中華民國健保給付，每照一張相片，健保給付五百點，只不過它做出來的東西，它會出一個健檢報告，報告出來的東西是像這樣子，以中醫學的概念來講是完全合理的，但是以我們一般人或者是西醫來看的話，它就不知道怎麼樣對應到現在的醫療服務。既然我們講過嘛，AI就是在不知道來龍去脈的情況之下直接掌握因果關係的話，蔣老師就做一件事情，他就把早期乳癌的患者請過來，然後也找年齡相同的婦女就做對照組，然後來比對，他們用舌頭來判斷哪些人是早期乳癌的患者，哪些人不是，準確率有80%。當然呢，這還是不能取代傳統的方法，但是你知道嗎？像這樣的東西，嚴格來講用手機照一下就可以了，多方便多簡單。然後呢，也有人用手機照的相片來檢查皮膚癌，甚至CASIO也是有做東西也得到FDA認證許可。然後呢，有人做傷口照護，摔跤好大一個傷口，你回叫我回家天天塗藥，我可不可以天天叫醫生看？好麻煩喔，我用AI幫我看，如果AI真的說不OK的話，我趕快趕快再來找醫生。比方說現在AI這個技術，我也用這個技術可以把每個人的關節點都把它照出來，一個人在那邊整個移動的軌跡跟肢體的聯動方式就可以做分析，這對物理治療或跌倒風險的評估有非常直接的幫助。也有人可以透過AI來做牙齒健康照顧、保健的工作。所以這些AI技術所造成的改變的並不是任何單項