Anonim

Ezt az átiratot az érthetőség kedvéért szerkesztettük.

Eric J. Topol, MD: Helló. Ez Eric Topol, a Medscape "Medicine and the Machine" című művéért. Nagyon örülök, hogy lehetőségem van kibővített beszélgetést folytatni Fei-Fei Li-vel, aki a Stanfordi Egyetem professzora. Vezet a Stanford Institute for Human-központú Mesterséges Intelligencia (HAI). Óriási hatással volt a mesterséges intelligencia területére az évek során, hősöm, és nem utolsósorban igazi barátom. Üdvözlet, Fei-Fei.

Fei-Fei Li, PhD: Köszönöm, Eric. Nagyon kedves volt. Az érzés kölcsönös; a digitális orvoslásban is hős vagy.

Topol: Nagyon kedves vagy. Tudom, hogy szórakoztató beszélgetést folytatunk, mert sok gondolatot tettél az AI emberi oldalára. Ez év elején új intézetet indítottál a Stanfordi Egyetemen. Bejuthat a háttérbe, miért csinálta ezt, és hol van?

Li: Ön a Stanford Institute of Human-központú AI-re utal. Sok szempontból új, de nem is új, mert Stanfordban és az ország más részein már sok kutatás zajlik nemcsak az AI technológia, hanem az AI társadalmi megértésének emberi oldalán is. és a humanista hatások, valamint az orvostudomány, az oktatás és sok más terület interdiszciplináris együttműködése.

Az intézet mindezt összeállította - és ezt a történelem kritikus pillanatának nevezem -, ahol ebben az évtizedben először látjuk ezt a számítástechnikai rést, a „mesterséges intelligencia” elnevezést, amely valódi útjává vált. élet. Azt is látjuk, hogy az emberi életre és a társadalomra gyakorolt ​​hatása csak felrobban az alkalmazások, termékek és szolgáltatások hatalmas lehetőségein keresztül ezen iparágak minden ágazatában.

Nagyon fontos, hogy megértsük, hogyan kell ezt a technológiát továbbvinni, mind tudománya, mind alkalmazásai és az emberi életre gyakorolt ​​hatása szempontjából.

Topol: Nos, nem kétséges, hogy az élettani betegségek, amelyek befolyásolják az életünket, természetesen a gyógyászatban is. Ezért annyira megfelelő, hogy ezt a vádot vezesse ezzel az intézettel.

Sok évvel ezelőtt elindítottál valamit, az ImageNet néven, amely az idő múlásával megváltoztatta a mezőt. Az orvostudomány sok emberének nincs tudomása arról, hogy az ImageNet valamilyen előfutára volt azoknak a nagy dolgoknak az előfutára, amelyek ma folynak az orvostudományban, a különféle típusú szkennelések tekintetében, legyen az a retina képe, az elektrokardiogramok vagy bármi más, ami képe gyógyszer. De sok szempontból akkor kezdődött, amikor elindította az ImageNet alkalmazást.

El tudod mondani nekünk arról, hogy mi történt a fejedben akkoriban, és mi vezetett a mély tanulás területén?

Li: Az AI szakterületem a számítógépes látás és a gépi tanulás kereszteződésén van. 2006-ban egy nagyon fontos, Szent Grál látásproblémán dolgoztam, amelyet "tárgyfelismerésnek" hívunk.

Ha gondolkodik az intelligens állatokról, mint az emberek, akkor nagyon gazdag módon látjuk a világot. Vizuális intelligenciánk építőeleme azonban több százezer különféle tárgy felismerését öleli fel, amelyek körül vesznek minket, legyenek macskák, fák, székek, mikrohullámú sütő, autók vagy gyalogosok. A gépi intelligencia e képességgel történő engedélyezése szent graál volt - még mindig van.

Szakterületünk ezen dolgozott. Fiatal asszisztens voltam; ez volt a kari karim első éve. Néztem ezt a problémát, és ráébresztett, hogy miközben az adott korszak összes gépi tanulási algoritmusán dolgozunk, egy-egy tucat objektumból egy nagyon tucat adatkészlettel játszottunk, mint mezőt. osztályok. Az adatkészletnek osztályonként körülbelül száz vagy legfeljebb néhány száz képe volt, ez éles ellentétben áll az emberek és állatok által tapasztalt valós világgal.

Az emberi fejlődés ihlette és felismertük, hogy óriási szükség van nagy adatokra a tanulás ösztönzéséhez. Meghajtja a különböző minták sokféleségét, de matematikai szempontból még fontosabb: elősegíti, hogy a tanulási rendszerek jobban általánosítsanak, ahelyett, hogy túl sokkal szűkebb adatmintákba illeszkednének, amelyek nem általánosítják a nagyvilágot.

Ezzel az elismeréssel azt gondoltuk, csináljunk valami őrültséget, azaz hogy körülhatároljuk az egész világ tárgyait. Hogyan történt ez? A legnagyobb angol szókincs-taxonómia, a WordNet ihlette minket, amelyet az 1980-as években George Miller nyelvész talált ki. A WordNet több mint 80 000 főnevet tartalmaz, amely a tárgyak világát ábrázolja.

Végül 22 000 objektumosztályt vettünk fel, amelyeket különféle keresőmotorok segítségével töltöttek le az internetről, és egy hatalmas tömegmérnöki projektet indítottunk az Amazon Mechanical Turk révén, amely az első pár üzleti évben működött. Több mint 50 000 online munkavállalót kaptunk 160 országból és közel egy milliárd kép megtisztításában és címkézésében. Egy nagyon összeállított adatkészletünk 15 millió képet tartalmazott, 22 000 objektumosztály felett, és ez lett az ImageNet.

Azonnal közzétettük a kutatóközösség felé. 2010-től kezdve az ImageNet Challenge nevű éves nemzetközi versenyt szerveztünk, hogy világszerte meghívjuk a kutatókat, hogy vegyenek részt a számítógépes látás e szent grálának problémájának megoldásában.

Pár évvel később a kanadai gépi tanulással foglalkozó kutatók a meglehetősen hagyományos „konvolúciós neurális hálózat” elnevezésű modellt alkalmazták az ImageNet kihívás 2012-es megnyerésére. Ez volt Geoff Hinton professzor csoportja.

Úgy gondolom, hogy sokan úgy gondolják, hogy az ImageNet Challenge munkája mérföldkő lehet a mély tanulás korszakának kezdete.

Topol: Igaz. Csak ez év elején kapta meg a Turing-díjat vagy a számítástechnika Nobel-díját. Felállította őket, Fei-Fei.

Li: Köszönöm az elismerést.

Topol: Körülbelül 4 évvel ezelőtt egy TED beszélgetést adott arról, hogyan tanítunk számítógépeket a képek megértésére. Azt hiszem, néhány millió ember figyelte ezt. Ez rendkívüli. Emlékszem, hogy erről kérdeztél tőled, és azt hiszem, megmutatt egy ember szoborát egy lón, és azt, hogy a számítógépek hogyan lehetnek ilyen jók.

Nyilvánvalóan nagy a különbség a kontextusban. A tévedések továbbra is előfordulnak. Emlékszem, hogy erről kérdeztem. Csak olyan messzire mentünk, igaz? Ez valós kijelentés arról, hogy miként képezhetjük gépek képeinek értelmezését?

Li: Igen. Annak ellenére, hogy a mi területünk folyamatosan nagy előrelépést tett, teljesen igaza van. Sok árnyalat, kontextus, gazdag tudás, józan ész és érvelés van. Ez még mindig elkerüli a mai gépi intelligenciát. És a látómezőben egy olyan szobor, mint egy ló, még mindig elkerülheti a gép felismerését.

Még akkor is, ha túllépjük a szobor felismerésére szolgáló rendszert, mondjuk, még mindig nem ismeri fel úgy, mint az emberi intelligencia - műalkotásként fényképezi, megérti a kontextust, felismeri annak anyagát, és ezek a gazdag részletek továbbra is hiányzó.

Topol: Igaz. A gyógyászat történetének másik része az, hogy korlátozott számú ilyen megjegyzésű adatkészlet létezik. Nincs olyan ImageNet, amelyben 15 millió gondosan megjegyzésképes kép van, tehát ugyanazok az adatkészletek csak újra és újra szoknak.

Szükséges-e külön erőfeszítéseket kidolgozni ezeknek az adatkészleteknek a kidolgozása érdekében, vagy átmegyünk valamilyen önfelügyeleti, nem felügyelt tanulásra?

Li: Nagyszerű kérdés, Eric. Úgy gondolom, hogy a válasz, amint tudod, egy hosszú távú megközelítés. Ez sok esetben a kutatók és fejlesztők általános csalódása az orvostudományban - a jó összesített adatkészlet hiánya. De vannak jó okok, ugye? Az orvosi adatokat sokkal körültekintőbb módon kell kidolgozni a betegek magánélete és biztonsága érdekében, és sokkal jobban tudatában vagyunk az adatokból származó torzítás kérdéseinek.

Rendben, hogy a macskaképeket elfogultnak tekintik. De valóban nem rendben van, ha az emberi életre, egészségre és jólétre vonatkozik. Ezek az okok és a szabályozási korlátozások sokkal nehezebbé teszik az orvosi adatok tömeges összesítését. Úgy gondolom, hogy jószívű erőfeszítéseket kell tenni, és tudom, hogy a kutatók szerte a világon különféle erőfeszítéseket járulnak hozzá. Néhányan egyesítik az erőket.

Időközben maga a technológia is különböző módon járulhat hozzá. Amellett, hogy jó adatkészletekre és a képzés által felügyelt tanulási algoritmusokra van szükség, amint azt mondtad, a gépi tanulás területén sok előrelépés történt ezen nagyon érdekes, újabb technikákkal kapcsolatban, mint például az önellenőrzés, az átviteli tanulás, az egyesített tanulás, és felügyelet nélküli tanulás.

Azt hiszem, sokféle megközelítést fogunk látni. Bizonyos esetekben továbbra is jó adatkészletekre van szükségünk; más esetekben sokkal több multimodális és vegyes adatkészlet halad előre.

Topol: Azt hiszem, mivel az első nagy hullám a gyógyászatban zajlott, természetesen a kép oldalán, ezeket a szintetikus megjegyzéseket kezdjük látni a beteg és az orvos közötti beszélgetés alapján, hogy potenciálisan eltávolítsuk a billentyűzetet. És ez izgalmas, mert ez a közös ellenség mind a betegek, mind az orvosok számára. Tehát optimista lenne, ha végül nem kellene adatbeviteli hivatalnokokat - azaz klinikusokat - használni ehhez a munkához?

Li: 100% -ban egyetértek veled. Nemcsak optimista vagyok, de nagyon remélem, hogy az egészségügyi munkánk során a lehető legtöbb mechanikai ábrázolási terhet vállaljuk orvosainkat.

Miközben az öregedő szüleimmel foglalkoztam, sok időt töltöttem kórházakban, és megfigyeltem az ápolóink ​​és orvosaink munkáját. Úgy gondolom, hogy számomra az AI területén kívüli emberektől érkező kívánságuk az, hogy több időt adjunk a betegek kezelésére, ahelyett, hogy a képernyőt nézzék és rajzolnák. Nagyon remélem, hogy a betegek, az orvosok, sőt gazdasági szempontból is - előrelépés tapasztalható ezen a területen.

Topol: Nagyon érdekelne a közvetlen tapasztalataim. Tudom, hogy törődött a szülőkkel és orvosi szükségleteik voltak. Milyen tapasztalatai vannak a gondozásban részesülő betegek családtagjainak, ahogyan ma létezik, még az első osztályú orvosi központban is?

Az egészségügy a nap végén az emberek gondozása.

Li: Mindenekelőtt a betegek családjaként a szorongás, félelem, remény emberi tapasztalata - mindez továbbra is domináns. Az egyik dolog, ami igazán segített abban, hogy elhigyem abban, amit csinálok, az a személyes tapasztalat. Olyan határozottan hiszem, hogy a technológia az emberi munka kibővítésére és javítására szolgál, és nem helyettesíti azt. Ez egy nagy téma a saját kutatásomban és a Stanford HAI Intézetben, különösen az orvostudomány területén.

Számos beszélgetést hallottunk az orvosok cseréjéről, mert vannak olyan gépek, amelyek jobb diagnosztikát végeznek. De miután megtapasztaltam a teljes orvosi tapasztalatot, a műtéttől kezdve az intenzív osztályon (ICU) és a meghosszabbított kórházi tartózkodáson az öregedő szüleimnél, el sem tudom képzelni egy olyan világot, amely ápolónő és orvos nélkül lenne betegeink számára.

Az egészségügy a nap végén az emberek gondozása. Annyira meggyőződéssel éreztem magam, hogy ha a technológia képes támogatni azt a segítséget, amely elősegíti a térképkészítést, javítja a triaging gyorsabb korai diagnosztizálásával, és extra szemként szolgálhat a betegek biztonságának biztosítása érdekében, akkor mindez nagyon hasznos lenne. Ezen dolgozom, és nagyon szenvedélyesen érzem magam.

Topol: Sokat együttműködött Arnie Milstein-rel ott, és sok munkát végzett, például a gépi látás területén az ICU-ban. Kérjük, mondja el nekünk néhány nagy munkáról, amelyet már foglalkoztatott.

Li: Arnie Dr. Arnold Milstein, a Stanfordi orvostudományi professzor, és egyben nemzeti gondolatvezető is az egészségügyi szolgáltatások minőségének javításában és az egészségügyi költségek csökkentésében különböző szögekből, a kutatástól a szakpolitikáig és az üzleti gyakorlatig.

Körülbelül 7-8 évvel ezelőtt Arnie és én találkoztam kedvesen, és felismertünk egy nagyon érdekes pillanatot. Én mint AI professzor láttam, hogy az elmélyült tanulás kora elindul, különösen az önálló vezetésű autók látványán keresztül, ahol az intelligens érzékelők, az AI algoritmusok fejlesztése és ezek alacsonyabb költségei lehetővé tették egy teljesen más technológiát, amely sokkal több átfogóbb, és lehetővé teszi a szállítási technológiát oly módon, hogy nagyon különbözik a mai autótól, amelyek leginkább az emberi vezetőkre támaszkodnak.

Amikor Arnie és én elkezdtük megvitatni ezt a technológiát; a jegyzetek összehasonlítása; és megvizsgáljuk az egészségügyi ellátási rendszert, a hiba pillanatait, a hiányosságokat, amelyekben nincs elegendő emberi gondozás a betegek biztonsága érdekében, valamint a hatékonyabb optimalizálás szükségességét annak érdekében, hogy az emberi klinikák számára minõségi idõt adjunk a páciensekkel töltött idõkhöz, elvégzik munkájukat, és mindezen lehetőségek összeolvadtak az intelligens érzékelők és az AI algoritmusok ezen új technológiájával.

Elkezdtük beszélni az egészségügyi szolgáltató rendszerünk kritikus forgatókönyveiről és arról, hogy miként tudjuk prototípusként készíteni az intelligens érzékelőket. Az egyik azonosított terület az ICU-k. Sok dolog miatt az ICU kritikus, igaz? Pácienseink az életükért harcolnak; klinikusaink minden percben intenzíven dolgoznak. Bármilyen hiba - gondatlanság vagy becsületes hiba - életköltségeket okozhat.

Elkezdtünk beszélgetni az Utah-i Intermountain Kórházzal és a Stanfordi Kórházzal, hogy kiderítsük, lehet-e kísérleti projektet készíteni az ICU-k beteggondozásában annak érdekében, hogy az orvosok dokumentálhassák, hogy a betegek megfelelő ellátását (pl. Szájápolás, mozgásszervi ellátás) a protokolloknak megfelelően végzik-e a az egészségügyi ellátásban elfoglalt munka jellege.

Ebben a konkrét projektben olcsó mélységérzékelőket telepítettünk, amelyek adatokkal gyűjtik az emberek viselkedésével kapcsolatos adatokat a betegekről és az orvosokról anélkül, hogy megsértenék a magánéletüket, mivel ezek nem képesek az emberek arcaira és személyiségére. Ezzel az információval hosszirányban, 24 órán keresztül és 7 órában megfigyelhetjük, hogy megfelelő ellátást kap-e betegeinknek, és visszacsatolást adunk-e az egészségügyi ellátó rendszerben.

Ugyanez történik a Stanfordi Gyermekkórházban, ahol a kézhigiénés projektet kísérletezzük, mivel tudjuk, hogy a megfelelő kézhigiénia megakadályozza a kórházban szerzett fertőzéseket, amelyek évente több ezer életbe kerülnek Amerikában. Ezen olcsó érzékelők és egy mélyreható tanulási algoritmus felhasználásával megtervezhetjük az orvosok kézhigiénés viselkedését, és elkezdhetjük a visszacsatoló jel küldését, hogy emlékeztessük őket a megfelelő kézhigiénia elvégzésére, amelyet az Egészségügyi Világszervezet (WHO) egy protokoll.

Topol: Valójában messzemenő, hány dolgot lehet megoldani ezekkel az érzékelőkkel és a gépi látással, hogy elősegítsék a biztonságot és a kórházi betegek jobb eredményeit. Észrevettem, hogy a Stanfordi Egyetemi Orvosi Központtal az AI számára külön ágyak vannak, nem igaz?

Li: Igen. Határozottan nagyon korai vagyunk. Együttműködünk a kórházzal, ahol kibővítjük az érzékelők ezt a projektet. Nagyon korai, tehát nincs megvitatható eredményeink, ám klinikusok, kórházi vezetők és az AI kutatói támogatják.

Az egyik dolog, ami szintén izgat, az az, hogy az etikusok, jogtudósok és bioetikusok felé fordulunk, hogy beszéljünk a technológiai kutatás által felvetett határ kihívásokról. Fontos akarunk maradni ezen, és nagyon odafigyelünk arra, hogy betegeink, klinikusaink, családjuk és érdekelt feleink biztonságban érezzék magukat.

Topol: Az egyik dolog, amely természetesen fontos az AI gyógyászatban történő alkalmazásához, az, hogy az orvosok és a klinikusok kényelmessé váljanak, és megértsék néhány olyan kérdés árnyalatait, amelyeket már érintettek.

Az egyik, ismeretes csoport, Pearse Keane vezetésével, az Egyesült Királyságban, egy papírt tett közzé, ahol olyan orvosokat vett fel, akik soha nem írtak egy sor sort vagy nem rendelkeztek háttérrel a számítógépes tudományban, és képkészletekkel dolgoztak. Megtanultak a kép értelmezésének pontosságáról. Gondolod, hogy ez jó ötlet - bár nyilvánvalóan nem fogjuk az orvosokat az algoritmusok kidolgozására késztetni -, hogy az orvosok jobban megismerjék ezt?

Li: Nem ismerem ezt a projektet, de ezt az általános kérdést arról, hogyan lehet egy nagyon interdiszciplináris csoportos környezetben dolgozni, és hogyan kell az orvosokat és számítógépes tudósokat felvenni a fedélzetre, valami olyasmit tapasztaltam meg az elmúlt 7-8 évben. Azt hiszem, ez egy lenyűgöző utazás.

Még mindig tanulok, de az egyik legfontosabb dolog, amit megtanultam, az, hogy időt töltsek egymással, és megértsék egymás munkájának jellegét, aggodalmait, értékjavaslatát, és legyen türelme és nyitott hogy öleljék meg egymás mezőjét. Ez nem lesz lineáris folyamat.

Emlékszem a kezdeti napokra, amikor a számítógépes tudósok és a kutatócsoportunk klinikusai egymás mellett beszélgettek. Még ma is, amikor új hallgatókat vagy új tagokat vesznek fel, több találkozóra kerül sor, ahol egymás mellett beszélgetünk.

Számítógépes tudósként az egyik elvárásom, hogy számítástechnikai hallgatóim csatlakozzanak az AI egészségügyi munkához, az az, hogy az orvosoknak és az ápolóknak feltétlenül árnyékolniuk kell, mielőtt még kódokról és algoritmusokról beszélnének. Be kell menniük az ICU-ba, a kórterembe, a műtéti szobába vagy az idősek otthonába, hogy megértsék az emberi munkakörülményeket, a betegeket és családjukat. Akkor elkezdjük beszélni a számítástechnikai problémáról.

Topol: Csak szögetted be. A másik dolog, amit csinálsz, és amely az ön sokrétű potenciális hozzászólásai közé tartozik, az AI4ALL. Nem csak azt akarja, hogy a számítógépes tudósok együttműködjenek a klinikusokkal, hanem a számítógépes tudósok következő generációját is megpróbálja fejleszteni. Mondjon nekünk az AI4ALL-ról.

Li: Nagyon köszönöm, Eric, hogy előhozta ezt. Az AI4ALL már több mint 5 évvel ezelőtt indult. Ez 2014 körül volt, a mélyreható forradalom nagyon korai napjaiban, és az egész világ, különösen a tech- nológia és a Szilícium-völgy, csak izgalommal, vitákkal és aggodalmakkal világította fel ezt a technológiát.

Szó szerint csak egy nap felébredtem és rájöttem, hogy van egy kapcsolat, egyrészt az emberek miatt, akik aggódnak a szomszédos Terminátorok miatt - a gép felülbírálja ezt, és mindezt. Másrészt személyesen élek minden nap, sokszínűség nélküli világban. Az AI szakmai világában nagyon kevés nő van. A technikai konferenciáink többségében kevesebb, mint 15% nő vesz részt. És ha az alulreprezentált kisebbségeket nézzük, akkor még nem is jó a statisztikánk, mert a szám annyira kicsi volt - és még mindig is -.

Megállapítottam, hogy ez a két dolog szorosan, mélyen kapcsolódik egymáshoz. Ha mi, mint emberi faj, e technológia miatt törődünk társadalmunk jövőjével, akkor törődnünk kell azzal, ki formálja ezt a jövőt. Ha az emberiség nagyon szűk szeletét képviselik az egyetlen technológia a technológia kialakításában és a kormánykeréken, akkor valójában annak a veszélynek fenyegetünk, hogy ez a technológia nem mindannyiunkat képviseli.

Volt egy csodálatos volt doktori hallgató, aki akkoriban még doktori tanulmánya utolsó éve: Olga Russakovsky. Most az AI professzora a Princetonon. Ő és én beszéltünk az aggodalmainkról, és teljesen lezártuk, és azt mondtuk, hogy tennünk kell valamit.

Az első néhány évben, 2015-2016, a Stanfordi programban kísérleteztünk, ahol meghívtunk középiskolás nőket, hogy jöjjenek hozzánk tanulmányozni és kutatni az AI-t néhány nyárra az AI laborban. Ez a program annyira vadul sikeres lett, hogy 2017-ben Melinda Gates és Jensen Huang ösztönzésével elindítottuk az AI4ALL nevű nemzeti nonprofit szervezetet.

Küldetésünk az, hogy oktatjuk és inspiráljuk az AI technikusok és gondolatvezetők következő generációját az élet minden területén. Az AI4ALL most 3 éves. 2019 nyarán 11 észak-amerikai egyetemre bővítettünk nyári programokat alulreprezentált kisebbségi hallgatók és alulteljesített közösségek számára, például faji kisebbségi hallgatók, alacsony jövedelmű családi hallgatók, vidéki hallgatók és nők.

Még mindig kibővítjük, és a célunk valójában a tű áthelyezése 10-15 év alatt, amikor ezek a hallgatók kijönnek a tanulmányaikból, és változást hoznak a technológia és az AI területén. Már látunk néhány korai példát.

Topol: Azért lettél a hősöm, amikor a Mély gyógyászat című könyvemet kutattam, és mert az adott terület vezetõitõl megtanultam - nyilvánvalóan te is köztük vagy -, hogy a dolgoknak egész sor áll rendelkezésre kerülnek bemutatásra, az ellenkezõktõl a hiperbole mesteréig. Amit mindig imádtam rólad, Fei-Fei, az, hogy te vagy a megfelelő egyensúly. Úgy hívja, ahogy van, az igazság keresője, és tényleg lerakja a hiányosságokat.

Szeretném áttekinteni a perspektívadat, mert ez egy olyan terület, amely átélte a télét, és minden héten nagy dolgok jelentkeznek, legyen az AI a gyógyászatban, vagy természetesen ezen túl is. Hol vagyunk ebben a ciklusban az AI hiperboljáról és valóságáról, különös tekintettel az orvostudományra?

Li: Ez egy nagy kérdés. Egyesek ezt buboréknak nevezik, mások szerint ez annyira valóságos. Úgy gondolom, hogy egy buborékcsomagolásban vagyunk, ami azt jelenti, hogy van egy szilárd mag, és azt látom, hogy ez a technológia valóban komoly potenciállal bír az egészségügy és az orvostudomány mély, mélységes befolyásolásában.

De van egy buborékcsomagolás, amely magában foglalja a hiperboleket, a hype-t és ezeket az izgatott beszélgetéseket. Remélem tudósként az, hogy a buborék burján felrobbant. Arra összpontosítunk, hogy valóban biztosítsuk, hogy a szilárd mag növekedjen minden ember számára, különösen olyan területeken, mint az egészségügy és az orvostudomány.

Nem szabad technológiát alkalmaznunk igazságtalanság létrehozására, torzítás létrehozására vagy a meglévő egyenlőtlenség erősítésére. Szeretném növelni a hozzáférést, a méltányosságot, és enyhíteni ezeket a kérdéseket ezen technológia miatt. Lehetőség van, ha helyesen hajtjuk végre, de valóban át kell mennünk ezen technológia emberi részét és magát a technikai magot is.

Topol: Fei-Fei, nagyon köszönöm szépen. Ez nagyon élvezetes volt, és nagyszerű lehetőség arra, hogy elolvassa az egész dolgot. Nagyra értékelem. Folytatni fogjuk Önöket mindazon dolgokért, amelyeket Ön és csapata csinál.

Li: Nos, továbbra is követlek téged, és mindent hallok tőled a digitális orvoslásról szóló hírekről és a gondolati vezetésről. Köszönöm, Eric.

Topol: Köszönöm.

Kövesse a Medscape-t a Facebook-on, a Twitter-en, az Instagram-on és a YouTube-on