内容摘要：去年秋天，我在一个医疗数据项目里第一次真正用上Watson。不是那种演示用的“你好，世界”，而是拿它分析三千份肺癌病理报告。结果它用了不到四十分钟，就把其中六百多份里被医生漏掉的关键基因突变标记出来了

去年秋天，使用我在一个医疗数据项目里第一次真正用上Watson。的电脑不是软体那种演示用的“你好，世界”，使用而是的电脑拿它分析三千份肺癌病理报告。结果它用了不到四十分钟，软体就把其中六百多份里被医生漏掉的使用关键基因突变标记出来了。这事儿让我对IBM这套老牌认知系统刮目相看——它远不止是的电脑那个在《危险边缘》里赢过人类的答题机器。

Watson的软体底层逻辑其实挺朴素：把非结构化数据变成可查询的图谱。你扔给它一堆PDF、使用邮件、的电脑病历甚至手写笔记，软体它能自己抽取出实体关系。使用比如你问“哪些病人同时服用过二甲双胍和某种试验药”，的电脑它不会给你甩出五百页文档让你自己翻，软体而是直接生成一张交互式表格，连药物相互作用的风险等级都标好了。这种能力在金融风控领域更恐怖——我认识一个反欺诈分析师，他用Watson把过去五年的可疑交易记录和社交媒体公开数据交叉比对，还真揪出了一个利用空壳公司洗钱的团伙。

但别被它的“人工智能”标签唬住。Watson本质上是个超级检索器加模式识别器，它没有真正的推理能力。你得把问题拆解成它听得懂的结构化查询，这过程有点像教一个聪明但固执的老教授用新术语。有一次我试图让它分析某地区房价波动与人口流动的关系，它给出的结果里居然把“学区房”和“学校周边餐饮业密度”强行关联成因果——这逻辑看得我直挠头。后来我加了限制条件，明确要求区分相关性与因果性，输出才正常起来。

用Watson最爽的时刻，是处理那些人类懒得做又容易出错的重活。比如合规审查，过去律师团队审一份跨国并购合同要两周，Watson配合规则引擎，三天就能把潜在的反垄断条款风险标红，还附上历年类似判例的引用。有个做供应链的朋友更绝，他让Watson每天凌晨自动抓取全球港口罢工、天气异常和汇率波动的新闻，然后推送“建议改道鹿特丹”或“提前锁定泰铢汇率”这类具体指令——这已经不是辅助工具，是个带节奏的参谋了。

当然，它的脾气也不小。中文语料处理得远不如英文流畅，偶尔会把“股份有限公司”拆成“股份”和“有限公司”两个独立实体。而且训练成本不低，你要喂给它足够多的行业黑话才能让它不犯傻。有一回我偷懒直接用了默认模型分析中医方剂，结果它把“黄芪”和“黄连”当成同一种药材——这错误在中医药领域简直要命。

现在IBM把Watson拆成了各种云服务，按调用量收费。小团队也能用得起基础版，但想让它真正贴合业务，还是得花时间调教。我的经验是：别把它当“答案机器”，而是当个“超强实习生”——你得给它划重点、改错题、定期复查它的作业。用好了，它能帮你省下几百个小时的机械劳动；用不好，它就是个昂贵的玩具。

说到底，Watson的价值不在“懂你”，而在“耐烦”。它不会抱怨数据脏乱，不会在下班前急着交差，也不会因为连续跑十二小时就闹脾气——就冲这点，它已经比不少人类同事靠谱了。