來源：腦極體

對于 AI 技術(shù)來說，我們?nèi)梭w簡直就是一個大數(shù)據(jù)的寶藏。

最近發(fā)表在《自然 · 生物醫(yī)學工程》雜志上的 " 斯坦福智能馬桶 "，成為人們熱議的 " 最有味道 " 的 AI 應(yīng)用。這款馬桶可不是那種只會 " 自動清洗、烘干、除臭 " 的偽智能馬桶，而是可以分析人的糞便、尿液，同時還能識別人的菊（gang）紋的真智能馬桶。

斯坦福研究人員表示，正如世界上沒有兩片完全相同的樹葉，世界上也沒有兩片完全相同的——菊紋（為此，研究者特意新造了一個組合詞 Analprint）。

菊紋識別的用處，倒是沒有什么直接診斷疾病的功能，而只是一個身份識別功能。因為研究人員細心地發(fā)現(xiàn)智能馬桶并不只是由一個人使用，盡管在沖水按鈕上安裝了指紋識別，但也可能存在便后不沖水的可能，這樣會出現(xiàn) " 人便不一 " 的情況。

那菊紋識別就完美地解決了這一問題，畢竟排便的同時就做到身份識別，那自然是百分百準確無誤了。為斯坦福研究人員的機智點贊，并配上一張美圖來沖淡下大家腦補出的畫面！

恭喜人類，在有了人臉、指紋、聲紋、虹膜、DNA 之后，我們又解鎖了一種識別人類身份的新技能。當然，人體的大數(shù)據(jù)富礦還有很多，利用 AI 技術(shù)對于人類大數(shù)據(jù)的研究可謂層出不窮。

借此機會，我們可以對近兩年來 AI 在人體特征、疾病以及行為等研究做一場浮光掠影式的總結(jié)，看看 AI 技術(shù)在人類身上有哪些奇葩的識別應(yīng)用？

人體大寶藏，就是一個行走的數(shù)據(jù)庫

AI 進入我們的日常生活，已經(jīng)是一個不爭的事實，其差別只是我們是否能夠意識到 AI 的存在。人臉識別、指紋識別幾乎是每天都在用的手機功能。智能音箱的語音識別在隨時等候你的召喚，你常用的輸入法在預(yù)測你接下來想打的字，你常看的新聞客戶端和短視頻在記錄你的偏好，推薦你喜好的內(nèi)容……

比你更了解你的，不再是你的媽媽，而是無處不在的 AI。比做自己來得更真實的你，不再是你立下的 Flag，而是你無時無刻留下來的數(shù)據(jù)。如果你還操心《西部世界》里仿真人的自由和解放，還不如多了解下 AI 對我們身體了如指掌的程度。

人體的大數(shù)據(jù)庫還有哪些有趣的寶藏被 AI 挖掘出來呢？

在菊紋識別之外，其實還有一種少為人知的判別個人身份的 AI 技術(shù)，那就是步態(tài)識別。由于我們每個人的生理結(jié)構(gòu)不同，行走習慣也或多或少有細微不同，那么 AI 就可以根據(jù)人的走路姿勢來識別人的身份。

相比較人臉、指紋、聲紋、虹膜等身份識別，步態(tài)識別具有遠距離、全視角、難偽裝的優(yōu)點。特別是在安防領(lǐng)域抓 " 壞人 "、找走丟的老人孩子的時候，他們要么是會做刻意的偽裝，要么是卷入茫茫人群中。通過遍布公共區(qū)域的攝像頭的大范圍遠距離拍攝，就可以根據(jù)人們的步態(tài)識別來追蹤。

當然識別的前提是需要前期數(shù)據(jù)錄入做對照，或者在敏感區(qū)域做排除法。未來步態(tài)識別可能最先應(yīng)用于有違法犯罪記錄的人群，除了拍照錄 DNA，這些人還得在攝像頭面前走兩步。

唇語識別，也是最近日臻成熟的一項 AI 技術(shù)。對于能聽能說能看的正常人來說，這個技術(shù)非常小眾。但對于全世界人口 5% 的聽障人群，則是一大福音。通過這一新的唇語閱讀 AI 系統(tǒng)，聽力障礙者可以獲得專家級唇語翻譯的結(jié)果。

未來最可行的方法就是聽障人士佩帶類似谷歌眼鏡的智能設(shè)備，通過隱藏攝像頭讀取對方的唇語，通過 AR 增強來顯示翻譯出來的文字……這樣的界面就會比較友好了。

同樣類似的一個手型識別，則更為靈活小巧。通過目標檢測 - 分類（SSD-MobileNet）的算法，就可以很快訓練出識別手勢手型的 AI 模型了。至于作用么，發(fā)明者想到用它來隔空發(fā)送 Emoji，雖然實用性不高，但是用來表白還是很 Sweety 的。

最新發(fā)布的一項 AI 識別應(yīng)用，技術(shù)含量就非常高了。那就是上個月英特爾和康奈爾大學共同推出的 AI 嗅覺識別技術(shù)。通過一款英特爾正在研發(fā)的 Loihi 人工智能芯片以及一系列化學傳感器，開發(fā)出的 AI 算法可以采取類人類的嗅覺能力，分辨出數(shù)十種有毒化學氣味，并且能夠標注出來。

這讓早已對機器視覺、語音識別脫敏的人們，又可以小小的興奮一把了。我們大腦里負責嗅覺的部位頂多告訴我們這個氣味有點怪異，而在 Loihi 芯片上訓練好的模型就能告訴我們這個氣味是啥了。未來做家居、新房驗收以及一些封閉空間的氣體檢測，可能只需要一只探測筆就能搞定了。

此外，還有一些醫(yī)療上的典型場景，比如帕金森病患者會帶有某種奇怪的特殊味道。通過 AI 嗅覺識別，可以及早的發(fā)現(xiàn)以及早的預(yù)防和治療。

說到人的疾病的識別診斷和預(yù)測，AI 在其中發(fā)揮的作用也多到你想象不到。

人類的疾病問題，不過是數(shù)據(jù)出現(xiàn)異常

對于人類疾病的診斷，AI 技術(shù)的參與早已司空見慣。新冠疫情初期，由于核酸檢測試劑的不足，疑似病例的肺部 CT 影像的 AI 診斷就成了當時關(guān)鍵的補充。AI 看片把 CT 診斷的效率從十幾分鐘提高到 20 秒，確診準確度達到 96%，可見 AI 技術(shù)在醫(yī)療診斷中的戰(zhàn)斗力。

除了這些大規(guī)模的 AI 診斷的應(yīng)用，我們還注意到一些非常小眾的應(yīng)用。

阿爾茨海默癥的早期識別就是 AI 技術(shù)的一個重要應(yīng)用。以前，當阿爾茨海默癥的臨床癥狀出現(xiàn)，并最終確診的時候，患者的大腦的神經(jīng)元已經(jīng)損傷非常嚴重了，也基本錯過了干預(yù)治療的可能。而將機器學習應(yīng)用于 PET 神經(jīng)成像掃描，讓 AI 算法學習大腦當中葡萄糖蛋白水平的微妙變化，通過對一個大型數(shù)據(jù)集 ADNI 的學習，這一系統(tǒng)可以提早大約 6 年時間來識別出阿爾茲海默癥的診斷。識別準確度能夠達到 98%。

當然，這一 AI 技術(shù)還需要在更多的國家和更多的人群中進行學習，以校準算法的準確性。

臨終關(guān)懷，對于我們可能還是一個陌生的詞匯，但也是近幾年開始在醫(yī)療機構(gòu)普及的一種護理手段。但臨終關(guān)懷會遇到一個棘手的問題：如果實施地過早，會造成不必要的資源浪費；如果實施地過晚，等病人病入膏肓，又達不到臨終關(guān)懷的目的。如果可以找到在三個月到一年內(nèi)死亡的病人，就可以進行更適合的醫(yī)療干預(yù)措施。

2016 年來自斯坦福的一個 AI 團隊，通過神經(jīng)網(wǎng)絡(luò)對 20 萬份的患者的醫(yī)療記錄的學習，在對其中的 16 萬份進行了 " 死亡算法 " 的訓練后，對剩下的 4 萬名患者進行了測試，算法對在 3 到 12 個月內(nèi)死亡的患者的識別準確率達到了 90%，對存活期超過 1 年的患者，準確率達到 95%。

當然，這套 " 死亡算法 " 的過程仍然具有黑箱性，重癥患者的樣本也只是根據(jù)醫(yī)療水平較高的美國醫(yī)院的數(shù)據(jù)得出，并不具有普適性。壽命和死亡對于大多數(shù)人而言，也只有一個平均數(shù)值的參考，生死大限仍然是一個復(fù)雜因素決定的事情，難以被精確預(yù)測。

與預(yù)測重癥患者死亡時間這種較為客觀化數(shù)據(jù)不同的是，通過 AI 預(yù)測自殺就是一件更艱難的事情了。本身自殺的原因就是復(fù)雜而不確定的。我們往往只能在悲劇發(fā)生之后，才會對其進行各種原因的追溯。

可能一個人自殺的成因由幾十種甚至上百種因素導(dǎo)致，心理的、生理的以及經(jīng)濟上的。人類的預(yù)測基本跟瞎猜的概率差不多。而機器學習可以根據(jù)大量有過自殺傾向和自殘行為的病患的醫(yī)療記錄，來訓練 AI 識別這些企圖自殺的人。來自美國范德堡大學的演技團隊通過這一算法測試的結(jié)果表明，其預(yù)測一個人是否會在未來兩年內(nèi)自殺的準確率為 80-90%，而預(yù)測一個人是否會在一周內(nèi)自殺的準確率為 92%。

但這一預(yù)測也僅僅針對有過入院治療記錄的病患。而事實上很多自殺傾向的人并不會去醫(yī)院接受治療。另外，預(yù)測自殺概率的成因也很難解釋，但研究人員發(fā)現(xiàn)，患者的睡眠障礙與自殺概率有很大的關(guān)系。這一點，值得我們警惕。

盡管這些 AI 算法對于人類疾病的診斷還存在著這樣那樣的缺陷，但是預(yù)測識別算法在醫(yī)療領(lǐng)域的應(yīng)用則是一項創(chuàng)新的嘗試，AI 或許將徹底改變現(xiàn)在的醫(yī)療診斷和疾病治療方法，從流感到癌癥，從抑郁癥到自殺干預(yù)，AI 的引入將大大提前病患的診斷時間，能夠進行及時的干預(yù)和治療。

伴隨爭議的 AI 相面，靠譜嗎？

俗話說，相由心生，那么反之，通過相貌可以判斷一個人的內(nèi)在特征嗎？比如，性取向。這一點似乎正在得到來自 AI 算法的支持。

專門搞事情不嫌事大的斯坦福團隊在 2017 年就推出了這一看臉預(yù)測性取向的 AI 算法，僅僅根據(jù)面部特征就能判斷一個人是否是同性戀，男女生的判斷準確度高達 81% 和 74%。

一位來自南非的學生約翰重現(xiàn)了這一 AI 算法，并從某約會網(wǎng)站上抓取了 50 萬張照片，選出一個 2 萬張的性別、性取向平衡分布的數(shù)據(jù)集。然后他又將照片中的面部特征進行提取，轉(zhuǎn)換成四千多個元素的特征向量，來訓練出一個回歸模型，從而預(yù)測新的照片中人物的性取向，測試成績也達到了男生 68%、女生 77% 的準確率。

顯然，這一發(fā)現(xiàn)是極具爭議的。除了對于同性戀等少數(shù)群體在個人隱私上的冒犯和人身安全的威脅外，單純這一識別模型也只是證明了面部特征和性取向之間的相關(guān)性，而非因果關(guān)系。

然而相關(guān)性的研究也很要命。因為斯坦福團隊的研究不止是用 AI 相面來判斷性取向，也可以來判斷人的智商、政治傾向，甚至犯罪傾向。

當然，我們?nèi)祟愖约阂灿羞@樣的一套直覺或經(jīng)驗判斷系統(tǒng)。我們也會根據(jù)一個人的表情、神態(tài)來判斷其聰明程度、暴力傾向等。這似乎是從小孩子就開始的自然能力，而像久經(jīng)考驗的老警察更能從茫茫人群中發(fā)現(xiàn)那些可疑人員。這種能力確實非常神秘，但我們也常常出錯。網(wǎng)上流傳著馬云老師屢屢被投資人錯過的例子，就是一個很好的反例。光看外表很難斷定一個人的才能。

而 AI 算法通過對特定人群的相關(guān)面部數(shù)據(jù)的學習，很快就能進行準確度還不錯的特征判斷。但這其中包含著種種問題。

首先，如果使用了有偏見的數(shù)據(jù)，就有可能訓練出有偏見的算法模型，比如同性戀者可能更在意自己的外表，會化妝或者對照片進行美化，又比如，較高犯罪率的人群數(shù)據(jù)是來自有偏頗的司法機構(gòu)提供的。

其次，本身這些特征在人群當中就存在著一些均衡分布比例。AI 給出的識別的概率并不比這些自然概率高出多少。只要存在著一定比例的錯誤，那么 AI 的預(yù)測的結(jié)果就會造成一些嚴重的后果和風險。

由于我們本身就有這樣的預(yù)測沖動，現(xiàn)在又有了 AI 算法的幫忙，幾乎更加難以抑制研究人員和商業(yè)公司將這些算法應(yīng)用到生產(chǎn)生活當中的沖動了。

比如說 AI 面試。如果僅憑一張照片就能讓 AI 給你的職業(yè)能力和職場表現(xiàn)打分，你可能會覺得非常不公平。雖然這有效地提高了一些大公司的簡歷的篩選效率，但同時也可能造成眾多的 " 誤傷 "。也許就是你在拍照時，嘴角不夠上揚，眼神不夠堅定導(dǎo)致了分數(shù)低下。

還比如說 AI 性格測試。來自澳大利亞墨爾本大學的團隊設(shè)計了一種 AI 生物識別模型，通過把面部特征和其個性特征相關(guān)聯(lián)進行深度學習，可以分析檢測者的出十幾種性格特征。

這些研究和應(yīng)用盡管都極具吸引力，但是在實際的應(yīng)用仍然要小心謹慎。雖然偏見和歧視無處不在，但如果 AI 技術(shù)為這些偏見和歧視提供強大的相關(guān)性佐證，那對于普通人來說，顯然不是一件值得慶幸的事情。

通過以上的 AI 識別技術(shù)的速覽，我們才驚訝地發(fā)現(xiàn)原來人體的眾多秘密正在被 AI 揭示。從最基礎(chǔ)的身體數(shù)據(jù)的識別檢測，再到復(fù)雜一些的疾病的識別和成因的判斷，再到人類深層次行為的識別和預(yù)測，AI 正在步步深入其中，試圖把人類的行為徹底還原為一件可預(yù)測、可計算的既定程序。

從理論上來說，這是有可能的。我們必須克服 AI 算法的黑箱屬性，找到高識別率背后的的復(fù)雜成因。最終讓 AI 變成可解釋的，可溯源的一種技術(shù)。而從情感上，我們?nèi)匀幌Ｍ约菏亲杂傻模说哪承┬袨椴豢赡鼙煌耆饨缈陀^因素決定的。

在 AI 的應(yīng)用上，我們始終要保持著一種警惕，那就是 AI 算法在復(fù)雜成因的行為的識別和預(yù)測都只存在著相關(guān)性，而非因果性。具體到一些實際的 AI 應(yīng)用場景中，其結(jié)果仍然只是具有參考價值，而不能成為人們判斷的最終依據(jù)。就像不能因為 AI 認為一個人犯罪傾向高就提前把他逮捕，一個人被判斷智商不足，就剝奪其受教育的權(quán)利。

我們同樣要留給 AI 技術(shù)不斷演化、升級的空間。畢竟，執(zhí)掌最終判斷的權(quán)力仍然還在人類自己的手中。也許不久之后，這些奇奇怪怪的 AI 應(yīng)用就會充斥在我們身邊，成為我們規(guī)劃、指導(dǎo)未來生活的重要參考。