至於用途，比起電話手錶，這更像是十年前的運動手環。有測心率、血壓、睡眠質量各種生理指標的功能，也有定位、緊急通話這種針對兒童的功能。
簡單看了兩眼，程數就了解了個大概，這款手環和十年前最大的不同就是——集成了AI輔助診斷，收集的所有生理信號都作為輸入，通過多模態算法得出人體的健康檢測報告。
AI for Science，多學科交叉在十年前就已經是大趨勢，現在融合緊密也是意料之中。
雖然程數並不了解如今科技的發展水平，但是她知道過去AI+醫療的最大阻礙在於深度學習作為黑盒系統並不具有很好的可解釋性。包括極大似然估計這種由果推因的參數估計法，本身就和醫學上“由因及果”先找到病因再對症下藥的治療方式相悖。
而且AI依靠數據驅動，醫學數據則採集不易且成本高昂，數據集小的情況下AI模型很容易產生帶有“偏見”的判斷。
舉個例子，比如某圖像生成器。用戶輸入文字描述後，AI就可以自動生成動漫人物的畫像。如果輸入“二次元女同”這樣的描述，最後輸出的大概率是“黑髮紫瞳”的形象。
這當然不是因為所有的“二次元女同”都是“黑髮紫瞳”。而是因為用來訓練這款圖像生成器的數據集太小，僅僅來源於《魔法少女小圓》的曉美焰和《Citrus》的芽衣。
這款圖像生成器的“偏見”可以很容易分辨出來，是訓練集在“性向”上的樣本差異。而醫學圖像處理的“偏見”可沒有這麼好分辨，一張複雜的CT或者MRI影像，誰也不知道AI算法處理完之後會攜帶什麼樣的“偏見”。
所以AI並不“可信”。
怎麼讓醫生和病人信任人工智慧做出的決策，無論何時都是問題的關鍵。畢竟醫療AI不是AlphaGo，後者下棋輸了就輸了，前者診斷失誤那將面臨極大的道德譴責和法律風險。
醫療AI現如今是可以獨立診斷還是仍處於“助手”地位，程數並不清楚。
“媽媽，我能問你一個問題嗎？”
程數的思路被小女孩的聲音打斷了。
“可以的。”程數應聲，順勢把手環重新戴到葉橙安的手腕上。
小女孩手腕處的皮膚細嫩，被手環勒住的地方還有明顯的紅痕，程數不由自主放輕了力度。
“媽媽你為什麼要帶著我們從家裡搬出來呢？”葉橙安在三天前就問過媽媽這個問題。
但是當時的程數表情很難看，並沒有做任何解釋。
葉橙安為了安慰被嚇到的程柚年，只能告訴妹妹“媽媽是要帶她們去玩滑滑梯”。
這三天的時間裡，葉橙安想了很久很久，也沒有在腦海里捕捉到任何“媽媽媽咪之間鬧矛盾了”的跡象。
她知道媽媽是很講邏輯的人，不可能無緣無故就帶著她和妹妹搬家，一定是有什麼難言之隱的。所以她帶著一絲期冀又問了程數一遍，想得到合理的解釋。
可是……過去十年的記憶現在在程數腦子裡都搜索不到分毫，她又怎麼可能想得起來三天前是因為什麼原因搬家。