近日，在杉樹科技人工智能大師圓桌會議上， “冷撲大師”設計者、美國卡內基梅隆大學（CMU）的計算機系教授托馬斯?桑德霍姆（Tuomas Sandholm）告訴澎湃新聞（www.thepaper.cn），相比AlphaGo下圍棋時能得到的完美信息，在日常生活中，我們更多的會遇到不完美信息博弈的場景，比如醫療領域里的腎臟移植。在桑德霍姆的幫助下，美國器官移植網絡的非營利性組織（United Network for Organ Sharing，簡稱UNOS）成功建立了更有效的腎臟分配制度。,

利用不完美信息的博弈，“冷撲大師”（德州撲克人工智能程序）今年4月份在海南完勝中國“學霸”隊。 對于“冷撲大師”的設計者托馬斯•桑德霍姆（Tuomas Sandholm）來說，贏下比賽是第一步，他更期待的是利用“冷撲大師”的算法，在現實生活中找到實際的應用場景。

近日，在杉樹科技人工智能大師圓桌會議上， “冷撲大師”設計者、美國卡內基梅隆大學（CMU）的計算機系教授托馬斯•桑德霍姆（Tuomas Sandholm）告訴澎湃新聞（www.thepaper.cn），相比AlphaGo下圍棋時能得到的完美信息，在日常生活中，我們更多的會遇到不完美信息博弈的場景，比如醫療領域里的腎臟移植。在桑德霍姆的幫助下，美國器官移植網絡的非營利性組織（United Network for Organ Sharing，簡稱UNOS）成功建立了更有效的腎臟分配制度。

在德州撲克中，玩家不知道對手手中是什么牌，不知道五張公共牌會開出怎樣的結果，也不知道對手猜測自己握有怎樣的手牌。要想取勝，計算機需要找到一個無論對方怎么做，自己都不會產生損失的策略。不完美信息的博弈就是讓人工智能學會找到平衡風險與收益的方法。這與器官移植有著相似點。因為對于等待器官移植的病人來說，他只知曉自己的情況，無法了解整個器官供應鏈條中的信息。這種情況下，我們就需要在“不完美信息”的情景中做出決策。

用算法提高腎臟捐贈的匹配率和捐贈效率

目前，傳統的器官移植主要有兩類：一類是親屬捐獻，即病人親屬捐獻，這類捐獻的好處就是病人往往不用等；另外一類是死者捐獻，一些死者在死前會簽署捐獻協議，承諾死后捐獻器官。但不論是哪一種，器官捐獻的數量都遠遠落后于病人數量。

除了移植器官數量稀少外，器官移植還涉及到移植分配和效率問題。舉例來說，移植的器官與接受器官移植的病人，因為血型不符或白血球抗原過敏，導致器官移植之后，病人的身體與器官相互排斥。這樣一來，不見得等到有移植的器官，病人就能得救，他同樣冒著極大的風險。

因此，如何讓有限的器官，送到有需要的病人那，成為關鍵，這就需要設計一個合理的分配機制。從目前的醫療實踐來看，腎臟移植有兩種方式。一是建立多人交換循環。比如，A家屬給自己的病人A捐獻不了，但卻適合另外一家的病人B。而B的親屬的器官剛好適合病人A。在這種情況發生的時候，雙方可以通過交換捐獻的方式解決問題。依此類推，建立更完整的病人數據庫就能擴大受益家庭和病人。但是，這種移植方案也有一個漏洞，即多臺手術必須同時做。一旦有腎臟移植的捐贈者出現反悔，就會導致整個捐贈鏈條不可進行。

近日，在杉樹科技人工智能大師圓桌會議上， “冷撲大師”設計者、美國卡內基梅隆大學（CMU）的計算機系教授托馬斯?桑德霍姆（Tuomas Sandholm）告訴澎湃新聞（www.thepaper.cn），相比AlphaGo下圍棋時能得到的完美信息，在日常生活中，我們更多的會遇到不完美信息博弈的場景，比如醫療領域里的腎臟移植。在桑德霍姆的幫助下，美國器官移植網絡的非營利性組織（United Network for Organ Sharing，簡稱UNOS）成功建立了更有效的腎臟分配制度。,

多人交換移植

第二種方式是鏈式匹配。簡單的說就是將死者捐獻的器官移植給某個病人，但前提條件是病人的親屬答應把腎捐給下一個病人，這個病人的親屬又答應把腎捐給下一個，形成鏈式反應。鏈式移植的最大好處是并不需要嚴格同時執行，每一個家庭都是病人先得到腎再由捐贈人捐獻器官。如果有人反悔，雖然會有一些負面的影響，但是相對來說影響會小很多。鏈式移植的另一個好處是可選擇性高，相對來說，會大大提高系統的移植效率。不過，缺點是會消耗一部分死者捐獻的腎源。

選擇死者腎源的鏈式移植

在這的情況下， UNOS建立了捐贈者和病人的數據庫，內容包括需要移植器官的病人和捐獻者的身體情況、血型、身型，還有病人的地理位置，并努力地搜集病人的數據和愿意捐獻器官的親屬的數據，更好地把這些親屬匹配起來。最后，利用人工智能算法建立并設計一套算法以在萬億次交換的可能性當中，找到條件匹配的捐贈者和受贈者，從而提高捐贈的效率。

上海財經大學教授，中國運籌學會青年科技獎獲得者何斯邁告訴澎湃新聞（www.thepaper.cn），目前美國于2007年已經正式立法，允許交換移植。在桑德霍姆建立算法并應用到UNOS平臺后，該平臺的腎移植的數量從每年28000例提升到33600例。

效率與公平，最后由誰來決定

雖然利用人工智能算法提高了腎臟移植的匹配率，但因為死者捐贈的腎遠遠不夠滿足無親屬捐贈的病人需求。一個腎在一方面可以通過鏈式移植救很多的病人，同時一定會有病人因此無法得到合適的器官移植。這樣一來就會出現經典的電車難題：一輛電車脫軌了，一邊的軌道上有一群小朋友在玩。如果你是火車司機，你可以選擇將火車扳一個岔道從而拯救這些小朋友，但是會害了在岔道上工作的另一個人。你會怎么做呢？

電車難題

為了盡量避免這種情況，桑德霍姆的計算模型在做出決策時，并不是簡單地以人越多越好為優先。因為抗體和血型特殊很難配上，只有在追求短期移植效率最高時，這種特殊病人才會積壓下來。在這種時候，算法就必須預測每一個腎捐給一位病人之后能活多久，他們之間移植存活率有多高。

對于計算機來說，所有涉及的因素都可以量化，但在現實生活中，情況并不是都可以量化的。例如，按照計算機排序和等待時間，下一個腎臟應該移植給一位80歲的老人，但計算機根據他的身體狀況算出，他移植后只能再活一年。但如果移植給下一位病人，一位10歲的兒童，卻能活30年。這種情況下，醫生該如何選擇？

桑德霍姆給出的回答是：“我們的算法負責計算，并告知醫生移植后的效率哪個更高。但最后做出決定的應該是醫生和病人。”