近日，在杉树科技人工智能大师圆桌会议上， “冷扑大师”设计者、美国卡内基梅隆大学（CMU）的计算机系教授托马斯•桑德霍姆（Tuomas Sandholm）告诉澎湃新闻（www.thepaper.cn），相比AlphaGo下围棋时能得到的完美信息，在日常生活中，我们更多的会遇到不完美信息博弈的场景，比如医疗领域里的肾脏移植。在桑德霍姆的帮助下，美国器官移植网络的非营利性组织（United Network for Organ Sharing，简称UNOS）成功建立了更有效的肾脏分配制度。,
利用不完美信息的博弈，“冷扑大师”（德州扑克人工智能程序）今年4月份在海南完胜中国“学霸”队。 对于“冷扑大师”的设计者托马斯•桑德霍姆（Tuomas Sandholm）来说，赢下比赛是第一步，他更期待的是利用“冷扑大师”的算法，在现实生活中找到实际的应用场景。
近日，在杉树科技人工智能大师圆桌会议上， “冷扑大师”设计者、美国卡内基梅隆大学（CMU）的计算机系教授托马斯•桑德霍姆（Tuomas Sandholm）告诉澎湃新闻（www.thepaper.cn），相比AlphaGo下围棋时能得到的完美信息，在日常生活中，我们更多的会遇到不完美信息博弈的场景，比如医疗领域里的肾脏移植。在桑德霍姆的帮助下，美国器官移植网络的非营利性组织（United Network for Organ Sharing，简称UNOS）成功建立了更有效的肾脏分配制度。
在德州扑克中，玩家不知道对手手中是什么牌，不知道五张公共牌会开出怎样的结果，也不知道对手猜测自己握有怎样的手牌。要想取胜，计算机需要找到一个无论对方怎么做，自己都不会产生损失的策略。不完美信息的博弈就是让人工智能学会找到平衡风险与收益的方法。这与器官移植有着相似点。因为对于等待器官移植的病人来说，他只知晓自己的情况，无法了解整个器官供应链条中的信息。这种情况下，我们就需要在“不完美信息”的情景中做出决策。
用算法提高肾脏捐赠的匹配率和捐赠效率
目前，传统的器官移植主要有两类：一类是亲属捐献，即病人亲属捐献，这类捐献的好处就是病人往往不用等；另外一类是死者捐献，一些死者在死前会签署捐献协议，承诺死后捐献器官。但不论是哪一种，器官捐献的数量都远远落后于病人数量。
除了移植器官数量稀少外，器官移植还涉及到移植分配和效率问题。举例来说，移植的器官与接受器官移植的病人，因为血型不符或白血球抗原过敏，导致器官移植之后，病人的身体与器官相互排斥。这样一来，不见得等到有移植的器官，病人就能得救，他同样冒着极大的风险。
因此，如何让有限的器官，送到有需要的病人那，成为关键，这就需要设计一个合理的分配机制。从目前的医疗实践来看，肾脏移植有两种方式。一是建立多人交换循环。比如，A家属给自己的病人A捐献不了，但却适合另外一家的病人B。而B的亲属的器官刚好适合病人A。在这种情况发生的时候，双方可以通过交换捐献的方式解决问题。依此类推，建立更完整的病人数据库就能扩大受益家庭和病人。但是，这种移植方案也有一个漏洞，即多台手术必须同时做。一旦有肾脏移植的捐赠者出现反悔，就会导致整个捐赠链条不可进行。
近日，在杉树科技人工智能大师圆桌会议上， “冷扑大师”设计者、美国卡内基梅隆大学（CMU）的计算机系教授托马斯•桑德霍姆（Tuomas Sandholm）告诉澎湃新闻（www.thepaper.cn），相比AlphaGo下围棋时能得到的完美信息，在日常生活中，我们更多的会遇到不完美信息博弈的场景，比如医疗领域里的肾脏移植。在桑德霍姆的帮助下，美国器官移植网络的非营利性组织（United Network for Organ Sharing，简称UNOS）成功建立了更有效的肾脏分配制度。,
多人交换移植
第二种方式是链式匹配。简单的说就是将死者捐献的器官移植给某个病人，但前提条件是病人的亲属答应把肾捐给下一个病人，这个病人的亲属又答应把肾捐给下一个，形成链式反应。链式移植的最大好处是并不需要严格同时执行，每一个家庭都是病人先得到肾再由捐赠人捐献器官。如果有人反悔，虽然会有一些负面的影响，但是相对来说影响会小很多。链式移植的另一个好处是可选择性高，相对来说，会大大提高系统的移植效率。不过，缺点是会消耗一部分死者捐献的肾源。
选择死者肾源的链式移植
在这的情况下， UNOS建立了捐赠者和病人的数据库，内容包括需要移植器官的病人和捐献者的身体情况、血型、身型，还有病人的地理位置，并努力地搜集病人的数据和愿意捐献器官的亲属的数据，更好地把这些亲属匹配起来。最后，利用人工智能算法建立并设计一套算法以在万亿次交换的可能性当中，找到条件匹配的捐赠者和受赠者，从而提高捐赠的效率。
上海财经大学教授，中国运筹学会青年科技奖获得者何斯迈告诉澎湃新闻（www.thepaper.cn），目前美国于2007年已经正式立法，允许交换移植。在桑德霍姆建立算法并应用到UNOS平台后，该平台的肾移植的数量从每年28000例提升到33600例。
效率与公平，最后由谁来决定
虽然利用人工智能算法提高了肾脏移植的匹配率，但因为死者捐赠的肾远远不够满足无亲属捐赠的病人需求。一个肾在一方面可以通过链式移植救很多的病人，同时一定会有病人因此无法得到合适的器官移植。这样一来就会出现经典的电车难题：一辆电车脱轨了，一边的轨道上有一群小朋友在玩。如果你是火车司机，你可以选择将火车扳一个岔道从而拯救这些小朋友，但是会害了在岔道上工作的另一个人。你会怎么做呢？
电车难题
为了尽量避免这种情况，桑德霍姆的计算模型在做出决策时，并不是简单地以人越多越好为优先。因为抗体和血型特殊很难配上，只有在追求短期移植效率最高时，这种特殊病人才会积压下来。在这种时候，算法就必须预测每一个肾捐给一位病人之后能活多久，他们之间移植存活率有多高。
对于计算机来说，所有涉及的因素都可以量化，但在现实生活中，情况并不是都可以量化的。例如，按照计算机排序和等待时间，下一个肾脏应该移植给一位80岁的老人，但计算机根据他的身体状况算出，他移植后只能再活一年。但如果移植给下一位病人，一位10岁的儿童，却能活30年。这种情况下，医生该如何选择？
桑德霍姆给出的回答是：“我们的算法负责计算，并告知医生移植后的效率哪个更高。但最后做出决定的应该是医生和病人。”
