人工智能（AI）这几年火得不要不要的，从自动驾驶到学生写作业，从生成图片到准备报告，似乎就没有它不能做的事。我从去年至今已经做过四五场关于职业卫生和人工智能的演讲，西至加州伯克利，北至加拿大安大略，提问的人无数，有些问题靠我自己的知识甚至很难回答。但是很多AI的应用看起来高大上，实则是追求潮流关键词，一定要冷静看待。
职业卫生领域里AI的几种应用，无非就是用图像和视频识别工作场所的安全问题，或者用算法预测暴露浓度，但最多的是有人希望用大语言模型（LLM）来回答问题。下面一条条来说一下我的担忧：
首先，图像识别并不是人工智能，它只是一种成熟的工具。现在许多研究或应用都在用图像、视频识别来发现现场隐患：
比如识别未戴口罩的工人、检测施工区域的火花、判断是否有坠落风险。这些方案确实有用，也确实提高了效率。但这并不是AI带来的智能革命，早在 2010 年前后，Google 就开源了大量图像识别算法。今天用的所谓AI视频监控，本质上就是把这些老算法套进了新的工业场景。区别在于：过去模型门槛较高，很多公司提供成熟的商业模块，所以，这类应用其实是一种产业化整合，不应该带有太多AI的光环。
另一种常见做法，是用机器学习模型分析数据。比如随机森林回归模型（Random Forest Regression Model）或者梯度提升树回归（GBR），预测空气中某种化学物的浓度，或根据个体特征推测暴露风险。
这类方法在有大量高质量数据时确实非常有效，机器学习能自动发现人眼看不到的趋势，比传统的线性回归模型更灵活。但问题在于职业卫生的数据往往不够多，也不够干净。数据量大的时候又常来自于低成本传感器，质量较低，在这种情况下强行喂进机器学习模型，结果很可能是算法自嗨，从噪点里挖出看似有意义的规律，但那其实只是数据偏差或偶然现象。最近看的几篇学术论文都是这样，数据曲线拟合得漂亮，但没什么用。
最后最热的当属ChatGPT、Claude、Gemini 这类大语言模型（LLM），尝试让AI回答工人关于防护的问题，或写风险评估报告。这听起来像未来，但其实最危险。原因在于，现阶段的LLM并不是真正的智能体。它不是在像人一样思考，而是一种伪装的匹配模式。通俗讲，它只是把特定时间段内的大量正确不正确的信息标签化，然后用一种极端消耗资源的线性回归方式，预测下一个词最可能是什么。所以，当它回答职业卫生问题时，它其实只是在模仿过去的文本表述，而不是在真正理解暴露路径、毒理机制、法规差异。一旦用它来给工人或雇主提供建议，就有可能造成严重的误导和安全风险。
通用人工智能（AGI）或许有朝一日能真正理解情境、权衡风险、做出决策，但那还没远来。在此之前，LLM最多也就只能起到辅助作用，绝对不能成为职业卫生这种能轻易决定工人生死的决策者。
发表回复