人工智能在医疗诊断的应用范文

导语：如何才能写好一篇人工智能在医疗诊断的应用，这就需要搜集整理更多的资料和文献，欢迎阅读由公务员之家整理的十篇范文，供你借鉴。

篇1

【关键词】人工智能 医学领域

1 引言

人工智能（AI）是上世纪50年展起来的新兴学科，主要内容包括：知识表示、自然语言理解、机器学习和知识获取、知识处理系统、计算机视觉、自动推理和搜索方法、智能机器人、自动程序设计等方面。在过去的几十年里人工智能涌现出了大量的方法，大致可分为两大类：第一类是基于Newell和Simon的物理符号系统假说的符号处理方法。这种方法大多采用从知识阶段向下到符号和实施阶段的自上而下的设计方法，第二类是采用自下而上设计的“字符号”方法。

2 人工智能的发展

全球对人工智能的研发经历了已经有70年的发展，从上个世纪的50年代开始一直到今天，历经了两次大起大落，但伴随着深度学习的重燃、庞大的大数据支撑以及计算能力的不断提升和成本的不断下降这些因素的出现，尤其是在摩尔定律、大数据、互联网和云计算、新方法这些人工智能进步的催化剂作用下，将迎来人工智能新的春天。

3 人工智能在医学领域上的应用

3.1 在神经网络中人工智能的应用

在医学诊断中人工智能的应用会出现一些难题，例如知识获取比较难、推理速度慢、自主学习以及自适应变化能力弱。研究人脑连接发现了以人工神经为特点可以解决在获取知识中所出现的瓶颈和知识种类繁琐问题，能够提高对知识的推理能力，包括自主学习，自组织等方面的能力，促进了神经网络在医学专家系统中的快速发展。

人工智能领域ANN，有不同于其他人工智能的方法，在传统的结构上，它只是AI分支中的一个，只能通过逻辑符号来模拟人脑的思维方式，进一步来实现人工智能，与之相比，不同的ANN是学习和训练为一体来达到智能的。ANN具有学习的能力及特殊方法，用户不用编写复杂的程序来解决所遇到的问题，只用提供有效的数据就可以完成。迄今为止，医学领域中对大部分的病理原因无法解释，无法确定病理原因，加上各种疾病的表现种类复杂多变。在医学的日常实践中，疾病相应的治疗只能以经验为基础来判断。所以，ANN有着记忆，学习和归纳总结为一体的人工智能服务，在医学领域有很好的应用发展趋势。

3.2 在中医学中人工神经网络的应用

在中医学中，所提出的“辨证论治”中的“证”具有模棚性、不确定性的特点，主观性比较强，因此中医的诊断方法和治疗手段与医师的经验水平有很大联系。数年来在实验研究，临床观察，文章整理，经验总结上，都有着对“证”的研究思想的深入调查。一部分“辨证”的过程可以用人工神经网络来替换使用。恰当的中医症状可以作为基本输入和适当人工神经网络模型，人工神经网络能够根据以往的学习“经验”来进行综合分析，从而提出中医诊断方法。

由神经元结构模型、网络连接模型、网络学习算法等几个要素组成了人工神经网络。具有某些智能系统的功能。 按照网络结构来划分，人工神经网络有很多不同的种类，例如感知器、BP网络、Hopfield网络等，目前应用最为广泛的神经网络就是其中的BP网络。这种前沿网络非 BP网络所属，网络的结构与权值能够表达复杂的非线性 I/0映射关系。凭借 BP网络优良的自主学习功能，既可以通过误差的反向传播方法，对照已知样本反复进行训练，也可以调整网络的权值，直到网络的 I/0关系在某一块训练指标下最接近样本为止。

3.3 人工智能在临床医疗诊断中的应用

计算机编写的程序主要根据专家系统的设计原理和方法来模拟医生的医学诊断，以及通常治疗手段的思维过程来进行。医疗专家系统是临床医疗诊断中人工智能的很好体现，不仅能够处理较为复杂的医学治疗问题，还能当做医生诊断疾病的重要工具，更重要的是传承了专家们的宝贵医学治疗经验。

3.4 人工智能技术在医学影像诊断中的应用

目前，在医学影像中存在着的问题，比如：误诊率高、缺口大。这些问题需要通过人工智能的方法来解决。在医学影像技术领域人工智能的应用包括主要的两个方面，分别是：第一个方面为图像识别，第二个方面为深度学习，其中人工智能应用最核心的部分实深度学习。这两个部分都是基于医学影像大数据所进行的数据上的挖掘和应用。这两个方面所进行的数据挖掘及其应用都是依据医学影像大数据来完成的。

Geoffrey Hinton教授是神经网络领域的大师，2006年，他与其博士生在《Science》和相关的期刊上发表了论文，第一次提出了“深度信念网络”的概念。2012年，由斯坦福大学Fei-Fei Li教授举办的ImageNet ILSVRC大规模图像识别评测任务是由Hinton教授的研究团队参加的。这个任务包括了120万张高分辨率图片，1000个类比。Hinton教授团队使用了全新的黑科技多层卷积神经网络结构，将图像识别错误率突破性地从26.2%降低到了15.3%。 这个革命性的技术，让神经网络深度学习以迅速的速度进入了医疗和工业的领域范围，随后这一技术被陆续出现的医疗影像公司使用。例如：国际知名的医学影像公司Enlitic和国内刚刚获得有峰瑞资本600万天使轮融资的DeepCare。都是不断积累大量影像数据和诊断数据，继续对神经元网络进行深度的学习训练，从而有效的提高了医生诊断的准确率。

人工智能不仅能使患者的健康检查快速进行，包括X光、B超、核磁共振等。另外还能大量减少医生的读片时间，提升了医生的工作效率，降低误诊率。

4 总结

人工智能软件工作效率远远超过了人类大脑，不仅能够更快速的找到数据的模式和相似性，还能有效帮助医生和科学家提取重要的信息。随着人工智能的发展及其在医学领域的逐渐普及和应用，两者的互相融合在未来必定成为医学发展的重要方向。

参考文献

[1]冯伍，张俊兰.人工智能在医学上的应用[J].电子设计工程，2010（01）.

[2]杨琴，陈家荣.人工智能在医学领域中的应用[J].科技风，2012（12），100-101.

[3]王宇飞，孙欣.人工智能的研究与应用[J].信息与电脑，2016（05）.

[4]铅笔道.人工智能与影像诊断相结合的医生界阿尔法狗，2016（03）.

篇2

明确提出四项重点任务，规划人工智能未来三年发展主线。

《行动计划》提出四项重点任务:1、人工智能产品规模化发展，重点培育和发展智能网联汽车智能化产品，推动智能产品在经济社会的集成应用;2、人工智能整体核心基础能力增强，重点发展智能传感器、神经网络芯片、开源开放平台等关键环节;3、深化发展智能制造，鼓励新一代人工智能技术在工业领域的探索应用，提升关键技术装备创新能力;4、构建行业训练资源库等产业公共支撑体系，完善人工智能发展环境。《行动计划》从基础设施、核心技术、产业化和配套政策四个层面规划了未来三年发展主线，人工智能迎来又一轮发展良机。

继续加快人工智能发展步伐，力争产业化、尖端化服务实体。

随着人工智能在各行各业应用逐步深入，从算法和技术层面走入实体经济的步伐正逐渐加快，作为支撑我国制造强国和网络强国战略的重要举措，人工智能在产业化发展方面需要持续服务行业。其中培育和发展智能化产品，推动智能产品的量产，从供给和需求端推动智能硬件普及将成为人工智能落地实体的重点举措。智能网联汽车、智能服务机器人、智能无人机、医疗影像辅助诊断系统、视频图像身份识别系统、智能语音交互系统、智能翻译系统、智能家居等细分领域有望迎来迅速发展。除产业化之大以外，秉承制造“强”国战略，《行动计划》指出要重点突破核心基础，主要涵盖高精度、低成本智能传感器，面向云端训练、终端应用的神经网络芯片及配套工具，开源开放平台建设等软硬件基础。在产业化基础上，在核心基础技术领域取得突破，主要利好传感器、芯片、开源平台等急需突破的基础层技术。

深化智能制造，人工智能推动生产力和生产关系变革。

人工智能与制造业深度融合，是人工智能产业链之外推动制造强国战略的更进一步举措。《行动计划》指出，深入实施智能制造，要鼓励新一代人工智能技术在工业领域各环节的探索应用，支持重点领域算法突破与应用创新，系统提升制造装备、制造过程、行业应用的智能化水平。我们认为从智能装备角度，人工智能的发展有望在智能制造关键技术设备上取得生产力的突破，同时打造数字化车间、智能工厂等变革生产关系的工业互联网产品。

篇3

如何应对人工智能时代的转型？人工智能的商业价值地图中，哪些产业将最先享受技术红利？

“智造”并不是一个新词，几年前，我们可以看到数字技术从虚拟世界向实体世界渗透。3D打印、激光切割等一系列数字制造设备的发明让制造变得民主化，所以诞生了创客这个群体，让普通人也可以通过智造来实现想法。而今天，我们都看到“智”的含义又进化了。

人工智能正在全球范围内掀起产业浪潮。从去年开始，腾讯研究院就对人工智能的产业发展有一个持续的跟踪。我今天将从一个更广的维度，不限于制造业来与大家分享关于人工智能如何融合产业，创造万亿实体经济新动能的一些观察。

人工智能认知差距存在：已走入平常生活

在另一阵营，包括扎克伯格、李开复、吴恩达等在内的多位人工智能业界和学界人士都表示人工智能对人类的生存威胁尚且遥远。这其中主要的争议就来源于对“人工智能”定义的区别。人工智能学家马斯克等人所述的人工智能，是指可以独立思考并解决问题，具有思维能力的“强人工智能”，目前，科学界和工业界对何时发展出“强人工智能”并无定论。

现在处于全球热议中的“人工智能”，并不完全等同于以往学院派定义的人工智能。你可能没有意识到，我们日常生活中已经用到了许多人工智能技术：早在2011年，苹果就率先将人工智能应用Siri放进了大家的口袋里；拍照、签到时用到的人脸识别技术，智能音箱的语音对话系统，以及我们现在主流的新闻推荐引擎，也都用到了深度学习的算法。

人工智能算法存在于人们的手机和个人电脑里，存在于政府机关、企业的服务器上，存在于共有或者私有的云端之中。虽然我们不一定能够时时刻刻感知到人工智能算法的存在，但人工智能算法已经高度渗透进我们的生活之中。

人工智能的商业潮起：九大领域形成热点

人工智能的历史已经有60年的时间，但它作为一个商业化浪潮是最近几年爆发的。与以往几次人工智能浪潮不同，此次的人工智能革命跨越了技术商业化的临界点。

下图为腾讯研究院的《中美人工智能产业报告》，人工智能领域的投资金额从2012年起呈现出了非常陡峭的增长趋势，转折点就是深度学习技术的突破。

IT产业经过数十年的发展，在存储、运算和传输能力上都有了几何级的提升，使深度学习最终有了质的飞跃。互联网积累了20年的数据终于有了用武之地——训练数据。机器学习和深度学习的飞速发展直接引领了此次人工智能产业浪潮。

截至目前，美国在融资金额上人工达到了938亿，中国仅次于美国达到了635亿。人工智能产业发展出了九大热点领域，分别是芯片、自然语言处理、语音识别、机器学习应用、计算机视觉、智能机器人、自动驾驶。

另一个明显的趋势是中美科技巨头的集体转型。从互联网到移动互联网的历次转换历程中，把握技术革命带来的商业范式革命是屹立不败的关键。技术革命将带来基础设施、商业模式、行业渠道、竞争规则变化的涟漪效应。

谷歌最早意识到机器学习的重要性，从2012年开始从搜索业务积累数据。从2012年到2017年短短的5年时间已经渗透到了超过1200个谷歌的服务中。业务发展战略从“移动优先”转为“人工智能优先”。除此以外，美国的FAAMG (Facebook， Amazon， Apple， Microsoft， Google)以及中国的BAT无一例外投入越来越多资源抢占人工智能市场，有的甚至转型成为AI公司。他们纷纷从四方面从基础到全局打造AI生态：

第一，通过建立AI实验室，来建立核心的人才队伍。第二，持续并购来争夺人才和技术。第三，建立开源的生态，占领产业核心。今天，大多数技术进步都不是封闭的创造发明。技术的指数级增长，受益于底层技术的共享。今年，腾讯向外输出了两大AI开源项目ANGEL和NCNN。第四，最好的人工智能服务将可能化为无形，即与云服务结合。工具AI将大幅降低企业使用AI的门槛，越来越多科技巨头选择将自己的服务“云端化”来赋能全行业。正如马化腾所说的未来的企业都是在云端用AI处理大数据。并且在一些领域开始试水消费级人工智能的场景。

认识人工智能的能力与局限

认识人工智能的能力与局限AI要在商业上取得成功，首先要理解人工智能的真实能力。AI的爆发对商业的塑造也许与互联网彻底颠覆传统行业不同，在很大程度上会不动声色地嵌入到商业中。应用场景不再是新奇的概念展示，而是融入现有的生产中，进入垂直领域，创造直接的经济价值。

认识人工智能的能力与局限从认识物理世界到自主决策，目前人工智能已经具备以下几种能力：

认识人工智能的能力与局限感知智能：在语音识别、图像识别领域已经有很深入的应用，赋予了机器“看”和“听”的能力。甚至情感也能被机器理解 ；语音识别和图像识别都有了显著的提升。

认识人工智能的能力与局限理解能力：自然语言理解成为隐形的标配植入到产品中。配合计算机视觉可用于理解图像，来执行基于文本的图像搜索、图像描述生成、图像问答（给定图像和问题，输出答案）等。

认识人工智能的能力与局限数据智能：机器学习、深度学习让机器能够洞察数据的秘密，并且不断自动优化算法，提升数据分析能力。

认识人工智能的能力与局限决策能力：本质是用数据和模型为现有问题提供解决方案。棋类游戏是一种典型的决策能力，人类在完美信息博弈的游戏中已彻底输给机器，只能在不完美信息的德州扑克和麻将中苟延残喘。在更广泛的领域，例如如何自动驾驶汽车，如何将投资收益最大化等丰富的场景都将是决策能力的用武之地。

人工智能的价值地图：产业融合正在加速

与互联网时代一夜颠覆的渠道革命不同，人工智能的带来的商业变革正在不动声色地渗入到各行各业。一大批AI应用的先导者正在将AI能力赋能产业，涉及吃住行、工业医疗等各个领域。下面将用三个例子来说明正在发生的“AI+”产业增强革命。

首先是零售行业。上图是亚马逊推出的无人超市Amazon Go。在亚马逊的蓝图中，顾客从货架上取下货品，无需再经过收银台便可自动完成结算过程。从顾客进店开始，通过人脸识别验证顾客身份，在顾客购物时，通过图像识别和对比技术判断商品种类，自动生成购物订单完成自动结算。

现在，各种形式的无人零售商店在国内也如雨后春笋般兴起。当然，无人收费只是零售智能化的第一步，人工智能不同能力的应用将全面改变现在的零售模式。比如开一家店选址、到底在哪开、开多大、覆盖多少人群、卖多少东西？时装周采购设计师的衣服，买那些今年会畅销？以前这些都靠零售人的经验做决策，但在信息时代，这些都可以用精准的算法做决策。

第二个例子是医疗行业，医疗在任何国家都是最大的行业之一，我们经济发展和科技进步追求的最终目标也是增进健康。

人工智能在医疗行业的应用很广泛。用人工智能来辅助医疗影像诊断大家已经比较熟悉了。我想说的是人工智能对精准医疗的推动。所有遗传密码的信息都是非常非常多的一个大数据，对任何人在他没有得病的时候我们测量他的组学数据，分析组学大数据，那么就可以对他未来健康发展的危险因素做出评估，根据评估进行适当干预，这样的话有些疾病不发展，有些疾病减轻他的程度，提高他的生活质量，这样就把整个医疗健康体系的关口前移，在没有病之前就提出评估与保证。

第三个例子来自制造业。波士顿有家著名的机器人公司叫Rethink Robotics，顾名思义就是重新思考机器人。这个公司开发了一款名为Baxter的智能协作机器人。这个机器人的特点是和人的交互不再是机械的。Baxter 采用顺应式手臂并具有力度探测功能，能够适应变化的环境，可“感知”异常现象并引导部件就位。你只要挪动它的手臂就能进行训练，完成特定的任务。其次，对于制造业来说人工智能不仅仅意味着完成某项工任务的机器人，也是未来制造业智能工厂、智能供应链等相互支撑的智能制造体系。通过人工智能实现设计过程、制造过程和制造装备的智能化。

人工智能的经济影响

人工智能在经济层面的影响，主要有三个方面：

第一，生产效率的提升。人工智能创造了一种虚拟的劳动力，能够解决需要适应性和敏捷性的复杂任务。

第二，交易成本的下降。互联网的平台模式通过降低信息不对称，降低了交易成本。随着机器学习的引入，可以实现更精准的服务匹配，进一步优化资源的分配。

第三，人工智能将带来数据产业的蓬勃。机器学习需要数据的“喂养”，海量的数据需求催生了多种类型的数据交易模式。数据的需求会产生很多数据经纪商，有B2B模式，C2B模式，B2B2C模式等，促进数据在个人、企业及产业链层面流通。数据的来源不单单来自于用户，也来自于政府公开数据、商业渠道、博客等公共资源等。

转型之路：五要素坚实人工智能基础

人工智能将一切变化都带入了超高速发展的轨道。创新科技公司已集体转型，传统行业又改如何应对即将到来的人工智能时代？实现人工智能的转型，需要从几个方面并行：

数据、算法和算力是我们常说的人工智能的“三驾马车”，是人工智能得以应用的基础。

第一是数据，我们对数据的认识不应该停留在统计，改进产品或者作为决策的支持依据。而应该看到它导致机器智能的产生。但首先，数据是有条件的。垂直行业的数据，高质量的数据。在国家层面，也有许多数据开放计划。

第二是算法，人工智能的人才仍然是很稀缺的。高校和企业的人才流动越来越频繁。但同时，企业通过开放生态，降低开发门槛。可以让更多中小企业享受AI能力。

第三是算力，现在的人工智能系统通过成百上千个GPU来提升算力，使深度学习能够走向生产环境。但随着数据的爆发式增长，现有算力将无法匹配。

除了这三驾马车，从实验室到行业应用，在人工智能的应用过程中还需要加入两个元素：

■ 首先是场景。理解场景是人工智能应用的核心。人工智能必须落到精准的场景，才能实现实在的价值。理解人工智能能力可落地的场景及对应的流程，将AI纳入决策流程。

■ 其次是人机回环，即human-in-the-loop。“人机回圈”的第一层含义是人工智能应用中需要用户，即人的反馈来强化模型。更进一步，机器学习是一种尝试创建允许通过让专家与机器的一系列交互参与到机器学习的训练中的系统工作。机器学习通常由工程师训练数据，而不是某个领域的专家。“人机回圈”的核心是构建模型的想法不仅来自数据，而且来自于人们怎样看待数据。专家会成为垂直领域的AI顾问，把关模型的正确性。

人工智能并不是静态的东西，训练出来的模型要用到某个业务场景里，业务场景里产生新的数据，这些数据进一步提升人工智能模型的能力，再用到场景中，形成一个闭环和迭代。

总结

本轮人工智能浪潮是基于深度学习的发展，将快速渗透到数据密集行业。

人工智能目前从感知智能、理解智能、数据智能和决策智能四方面发挥在各行各业的能力。

篇4

2017年什么概念最火？人工智能当之无愧。作为新兴热点，人工智能领域的公司很多还处于创业阶段，在A股市场中成熟的公司虽然也有或多或少涉足，但总体还处于探索阶段。

咨询公司Venture Scanner统计，2016年全球人工智能公司已突破1000家，跨越13个子门类，融资金额高达48亿美元。

在这13个种类中，研究机器学习（应用）的人工智能公司数目最多，达260家，约占整个行业的30%。从区域分布情况来看，欧美等西方国家发展较为迅猛，其中美国以499家人工智能公司占据绝对主导地位，且初创公司数量众多;而以中国为首的发展中国家在人工智能领域显然仍处于起步阶段，真正布局该产业的公司较少，以传统互联网巨头进军人工智能领域为主。

目前较为成熟的感知智能技术（如语音、视觉识别的服务、硬件产品等）的应用开发所形成的新“人工智能+”将引领产业变革，成为推动社会飞跃发展的新动力。在传统产业，人工智能可以在制造业、农业教育、金融、交通、医疗、文体娱乐、公共管理等领域得到广泛应用，将不断引入新的业态和商业模式;在新兴产业，人工智能还可以带动工业机器人、无人驾驶汽车、VR、无人机等处于产业生命周期导入期的公司飞跃式发展。

从具体应用方向来看，如今十分火热的工业4.0、人脸识别、智能答题机器人、智能家居、智能安保、智能医疗、虚拟私人助理等人工智能概念是有望得到快速爆发的重点领域。目前人工智能在图像识别、语言识别和自然语言处理，以及人机交互、机器视觉、自动驾驶等方面都已经成功应用。

人工智能产业链中，基础层是构建生态的基础，价值最高，需要长期投入进行战略布局;通用技术层是构建技术护城河的基础，需要中长期进行布局;解决方案层直戳行业痛点，变现能力最强。

基础层公司 多为传统IT转型

人工智能基础层就是我们常说的大数据、云计算、CPU等。目前国内上市公司中在人工智能基础层方面相关的公司包括久其软件、东方国信、天玑科技、浪潮信息、恒生电子、拓尔思等。

恒生电子（600570.SH）2016年成立了恒生研究院，负责人工智能、区块链、大数据等前沿技术的研发。区块链课题，恒生电子作为发起单位加入了金融区块链合作联盟（金联盟），并加入了linux基金会hyperledGEr开源项目等。

久其软件从最初的软件提供商到移动互联和大数据运营的再次验证，未来定位基于高端客户资源大数据和移动互联网变现的不断执行公司。公司创立之初以报表管理软件切入，为政府提供结构化数据分析和整理，并进一步提供完整解决方案，现已发展成集大数据、集团管控、电子政务和移动互联领域软件于一身的大数据解决方案提供商，A股稀缺。

拓尔思（300299.SZ）大数据服务领域稀缺纯正标的。公司脱胎于北京信息科技大学中文信息处理研究中心，自1985年起便开始研究中文信息检索，目前公司已拥有大数据领域非结构化数据处理技术，在大数据分析领域具有较高的技术壁垒，从底层技术、平台产品到应用产品服务技术全产业链布局。随着非结构化数据的地位在整个大数据领域中的不断上升，拓尔思有望进入高速增长期。

科大讯飞（002230.SZ）是A股人工智能龙头，公司在以“从能听会说到能理解会思考”为目标的讯飞超脑项目上，持续加大投入，在感知智能、认知智能等领域均取得显著研究成果。

技术及应用层公司 靠智能制造落地

人工智能技术层主要涵盖了框架、算法、通用技术，目前人工智能算法大体上流行12种，这12种算法包括决策树、朴素贝叶斯分类器、最小二乘法、逻辑回归、支持向量机、集成学习、聚类算法、主成分析法、SVD矩阵分解、独立成分分析、关联规则、其他方法等。

人工智能算法通过AlphaGo与柯洁的人机大战，成为当前数据分析领域中的一个热点内容。目前通用的框架层：TensorFlow，Caffe，Theano，Torch，DMTK，DTPAR，ROS等框架或操作系统。作为投资者或者普通消费者更多的会关注通用技术如：语音识别、图像识别、人脸识别、NLP、SLAM、传感器融合、路径规划等技术或中间件，毕竟通用技术与我们日常生活习习相关，如你们平时所能看到的智能广告、智能诊断、自动写作、身份识别、智能投资顾问、智能助理、无人车、机器人等场景应用。

目前，A股市场有59家公司涉足机器人产业，部分公司通过收购进入这个领域。以昆仑万维为例，公司收购美国的机器人公司WooboInc.，致力于开发人工智能技术驱动的交互式机器人;在东方网力的18.30亿元增发方案中，1.57亿元拟投入智能服务机器人项目。

人工智能目前最看好生物识别，如远方光电和佳都科技。金融科技Fintech围绕IT与金融创新展开。虚拟的网络战争已经开始，IT安全有更大的弹性。无人驾驶里有四维图新和中海达。绕着人工智能产业链有很多投资机会，大数据是产业链发展起点，作为数据采集的关键通道，传感器至关重要，如汉王科技;云计算、大数据处理技术支撑上，国内FPGA（可编程性）稀缺标的紫光国芯;人工智能应用场景上防领域佳都科技、营销领域浙江富润等相关的上市公司。

我国在人工智能领域底层的计算机体系架构、智能硬件、软件应用虽有技术积累质的进步，国内人工智能的产业发展和商业化路径划，依然需要借鉴国外的产业政策引导和企业商用成功模式。

篇5

【关键词】智能化；技术；电气自动化

随着计算机技术的飞速发展，衍生出来的智能技术也逐渐成熟起来，其鲜明的特点即是替代人类的复杂脑力劳动，减轻人力劳动的繁重程度，以计算机技术为载体，通过对信息的处理、分析，继而决定后续的动作，在电气自动化控制方面能做到运行的准确和及时的响应，在提升设备的运行稳定、提高控制精度、减轻人力劳动、节约成本方面达到了很高的经济效益。

1 智能技术及其特点

所谓人工智能技术，指的就是对模仿、延伸、拓展人类智能的相关技术进行研究和开发，它主要是在充分了解智能实质的基础上，研发出一种和人类智能形似并且有反应的机器。人工智能技术属于计算机技术的一个重要领域，是在计算机技术发展的推动下产生的。替代人脑对收集到的信息、图形文字、数据资料等进行分析，进而制定出相应的处理办法是人工智能技术的主要特点。毫无疑问，在电气工程自动化控制中，它的作用是巨大的，不仅仅可以提高计算的准确度，进而提高电气系统的运行效率，而且还能够节约大量的人力资源，进而提高企业的整体经济效益。当下，在电气工程自动化控制中，人工智能技术主要是用来检测电气系统中各个元件的运行状况和系统的全过程控制，除此之外，还及时对系统运行过程中出现的故障进行诊断，进而制定出准确的解决方案。

在各个领域中，人工智能技术都得到了普遍应用，比如在工厂的控制系统中、医疗等领域。人工智能技术不仅仅可以替代人类完成高难度的工作，节省劳动力，而且还可以大大地提高工作效率。人工智能技术探究怎样使机器具备人类智能，进而独立完成危险大、难度高的工作。在电气工程自动化控制中，人工智能技术具体表现为对信息进行搜集和处理等，其适应性、实用性、综合性都很强，应用价值巨大。在社会经济发展中，电力系统占有十分重要的地位，它不但自身结构复杂，而且危险性高，一旦出现问题，会造成极为严重的后果。人工智能技术可以有效地解决电力系统中出现的一系列问题，进而保证了电力系统的安全性和提高了电力系统的运行效率。除此之外，人工智能技术可以节约大量的人力资源。在电气工程自动化控制中，人工智能技术有着极为广阔的应用前景，发展潜力较大。

智能技术电气自动化控制的中的主要应用概括为如下几个方面：

（1）可以实现远程控制，由于控制现场具有一定的局限性，例如环境恶劣、噪声嘈杂等因素，可以依赖控制中心对运行任务进行调配和控制。

（2）智能技术可以模拟实际系统的运行情况，通过数据收集（主要针对开关量与模拟量），严格按照预设程序和协议进行控制。

（3）对设备实现实时监控，一旦出现故障或生产维修等特殊情况时，可以通过实时监控掌握第一手的记录信息，方便电气自动化的控制管理。

（4）传统电气控制难以掌握参数的详细变化，对于动态的控制难以做到精确化，而智能技术的引入则不需要预先准备控制对象的模型。

2 人工智能技术在电气工程自动化控制中的优势

人工智能技术在电气工程自动化控制中的优势主要体现在以下几个方面：

（1）增强控制系统的适应性。较之于传统的控制器，人工智能控制可以快速采纳新的数据和信息，即便是那些相对比较陌生的知识，也可以通过相应信息和语言对其进行控制。

（2）在控制过程中，能够保持较好的一致性。根据控制对象的具体情况进行设计是传统的控制算法。一般情况下，这种控制方式只适用于特定的控制对象，不适用于其他的控制对象，而采用人工智能技术完全可以避免这类问题，无论是对特定的控制对象还是未指定的控制对象，它都可以起到良好的控制效果。

（3）可以提高控制系统参数、设备的控制性能。使用人工智能技术，只需对系统的相关参数进行恰当的调整，就可以提高参数以及设备的控制性能，比如，使用逻辑控制器可以减少响应时间。

（4）设计简单。传统的控制设备主要是通过控制对象的具体特点来进行设计，然而，很多不确定的问题会出现在模型建构过程中，进而加大模型设计的难度。使用人工智能技术，可以利用函数近似器对控制对象进行控制，简单易行。

3 人工智能技术在电气工程自动化控制中的应用

在电气工程自动化控制中，人工智能技术的应用价值主要体现在以下几个方面。

（1）在电气设备方面。电气设备的运行在电气工程中是一个较为复杂的过程，它牵涉到各个领域的相关知识，一般情况下，只有专业人才才能真正驾驭。如果在电气设备中使用人工智能技术对设备运行进行控制，就无需人类脑力劳作，这不仅仅可以节约人力资源，而且还可以大大提高设备运行的精确度，从而提高工作效率。

（2）在故障诊断方面。电力系统是一项非常复杂的工程，在具体操作中，局部容易出现各种故障，如果不能及时解决，势必会影响整个电力系统的运行，最终造成极大的损失。传统的故障诊断方法步骤繁多，不够精确，经常出现误诊的现象，如果使用人工智能技术对故障进行诊断，不仅步骤简单，而且能够保证较高的准确率。智能技术在电气自动化中主要应用的系统有三大类：专家系统、模糊理论和神经网络系统。此三类系统的引入，不仅可以很好的缩短诊断时间，对故障进行及时的响应，而且能够有效的提升工作效率，间接意义上也节约了成本，提高了经济效益。

（3）日常操作方面。电气系统对操作过程有着极高的要求，不仅如此，其操作过程极为繁杂，稍不留意就可能出错，从而导致重大事故的发生，造成巨大的经济损失。如果在电气系统日常操作过程中使用人工智能技术，不仅仅可以极大地简化操作步骤，而且还可以实现远程操控，进而突破地域限制，极大地提高工作效率。

电气自动化控制已经渗入到生活的方方面面，其优点是一改传统电气控制中低效、复杂、延时、误差率较高的特点，极大的简化了操作，其简易程度甚至可以通过对家用电脑进行相关的设置来达到控制的目的。由于智能技术逐步发展成熟，其操作也变得简单起来，可以通过远程控制来避免许多恶劣的工作环境，降低费用，减少失误。

4 结语

总而言之，人工智能技术的运用是电气工程自动化控制的大胆创新，是人类智能的拓展与延伸。社会经济发展极为迅速，生产力水平不断提高，在电气工程自动化控制中应用人工智能技术已经是必然趋势。在高科技迅速发展的推动下，自动化控制理论也得到了较大的发展，传统的设计控制器的技术因为自身的缺陷，已经逐步退出历史舞台。人工智能技术的应用推动了电气工程自动化控制的全面发展，使得智能理论得到极为广泛的运用，在未来社会，在电气工程自动化控制中，人工智能技术的作用将更加突出。

参考文献：

篇6

由于人体与疾病的复杂性，不可预测性，非常适合人工神经网络的应用。目前的研究几乎涉及从基础医学到临床医学的所有方面，主要应用于生物信号的检测与自动分析，医学专家系统等。

在麻醉与危重医学相关领域的研究涉及到多生理变量的分析与预测，从临床数据中发现一些尚未发现或尚无确切证据的关系与现象，信号处理，干扰信号的自动区分检测，各种临床状况的预测，单独或结合其他人工智能技术进行麻醉闭环控制等。

在围术期和重症监护与治疗阶段，需要获取大量的信息，将可能在信号处理、基于动态数据驱动的辅助决策专家系统、数据挖掘、各种临床状况的预测、智能化床旁监护、远程医疗与教学、医疗机器人等各方面广泛运用到人工神经网络技术和其他人工智能技术。

一、概述

人工神经网络（Artificial Neural Network， ANN）是人工智能(Artificial Intelligence， AI)学科的重要分支。经过50多年的发展，已成为一门应用广泛，涉及神经生理学、认识科学、数理科学、心理学、信息科学、计算机科学、微电子学等多学科交叉、综合的前沿学科。

现代计算机的计算构成单元的速度为纳秒级，人脑中单个神经细胞的反应时间为毫秒级，计算机的运算能力为人脑的几百万倍。可是，迄今为止，计算机在解决一些人可以轻而易举完成的简单任务时，例如视觉、听觉、嗅觉，或如人脸识别、骑自行车、打球等涉及联想或经验的问题时却十分迟钝。也不具备人脑的记忆与联想能力，学习与认知能力，信息的逻辑和非逻辑加工能力，信息综合判断能力，快速的高度复杂信息处理速度等。

造成这种问题的根本原因在于，计算机与人脑采取的信息处理机制完全不同。迄今为止的各代计算机都是基于冯*纽曼工作原理：其信息存储与处理是分开的；处理的信息必须是形式化信息，即用二进制编码定义；而信息处理的方式必须是串行的。这就决定了它只擅长于数值和逻辑运算。而构成脑组织的基本单元是神经元，每个神经元有数以千计的通道同其他神经元广泛相互连接，形成复杂的生物神经网络。生物神经网络以神经元为基本信息处理单元， 对信息进行分布式存储与加工， 这种信息加工与存储相结合的群体协同工作方式使得人脑呈现出目前计算机无法模拟的神奇智能。

人工神经网络就是在对人脑神经网络的基本研究的基础上，采用数理方法和信息处理的角度对人脑神经网络进行抽象，并建立的某种简化模型。一个人工神经网络是由大量神经元节点互连而成的复杂网络，用以模拟人类进行知识的表示与存储以及利用知识进行推理的行为。一个基于人工神经网络的智能系统是通过学习获取知识后建立的，它通过对大量实例的反复学习，由内部自适应机制使神经网络的互连结构及各连接权值稳定分布，这就表示了经过学习获得的知识。

人工神经网络是一种非线性的处理单元。只有当神经元对所有的输入信号的综合处理结果超过某一门限值后才输出一个信号。因此神经网络是一种具有高度非线性的超大规模连续时间动力学系统。它突破了传统的以线性处理为基础的数字电子计算机的局限，标志着人们智能信息处理能力和模拟人脑智能行为能力的一大飞跃。

近20年来，神经网络的软件模拟得到了广泛研究和应用，发展速度惊人。1987年在圣地亚哥召开了首届国际神经网络大会，国际神经网络联合会(INNS)宣告成立。这标志着世界范围内掀起神经网络开发研究热潮的开始。

二、医学领域应用现状与前景

由于人体与疾病的复杂性，不可预测性，在生物信号与信息的表现形式、变化规律（自身变化与医学干预后变化），对其检测与信号表达，获取的数据及信息的分析、决策等诸多方面均存在大量复杂的非线性关系，非常适合人工神经网络的应用。目前的研究几乎涉及从基础医学到临床医学的所有方面，主要应用于生物信号的检测与自动分析，医学专家系统等。

1、信号处理：

在生物医学信号的检测和分析处理中主要集中对心电、脑电、肌电、胃肠电等信号的识别，脑电信号的分析，听觉诱发电位信号的提取，医学图像的识别和数据压缩处理等。

2、医学专家系统

医学专家系统就是运用专家系统的设计原理与方法， 模拟医学专家诊断、治疗疾病的思维过程编制的计算机程序， 它可以帮助医生解决复杂的医学问题， 作为医生诊断、治疗的辅助工具。 “传统”的专家系统，通过把专家的经验和知识以规则的形式存入计算机中，建立知识库，用逻辑推理的方式进行医疗诊断。但一些疑难病症的复杂形式使其很难用一些规则来描述，甚至难以用简单的语言来表达；专家们常常难以精确分析自己的智能诊断过程。另一方面，基于规则的专家系统，随着数据库规模的增大，可能导致组合爆炸，推理效率很低。由于人工神经网络能够解决知识获取途径中出现的“瓶颈”现象、知识“组合爆炸”问题以及提高知识的推理能力和自组织、自学习能力等等， 从而加速了神经网络在医学专家系统中的应用和发展。

Sordo比较了采用不同网络结构和学习算法的神经网络在诊断胎儿唐氏综合征(Down’s Syndrome) 上的成绩。正确分类率为84 %， 超过了现今所用的统计方法的60 %～70 % 的分类率。

台湾DEU科技（德亚科技）开发的计算机辅助检测系统Rapid ScreenTM RS-2000为全世界最先通过美国FDA认证的早期肺癌辅助诊测系统。该产品采用人工智能神经网络ANN，自动标识数字胸片中可疑结节区。经台湾和美国的临床实验，可使放射专家检测T1期肺癌的能力明显提高(潜在提升约15 %以上)。

DeGroff等使用电子听诊器和人工神经网络制造了一种仪器，它可正确地区分儿童生理性和病理性杂音。用电子听诊器记录的儿童心音，输入能识别复杂参数的ANN，分析的敏感性和特异性均达100%。

3、其他：

生物信息学中的研究中可应用于基因组序列分析、蛋白质的结构预测和分类、网络智能查询等方面。

药学领域广泛应用于定量药物设计、药物分析、药动/药效学等方面。例如：用于预测药物效应。Veng-Pederson用神经网络预测阿芬太尼对兔心率的影响，对用药后180-300分钟的药物效应取得了较好的预测结果（平均相对预测准确度达78%）。分析群体药动学数据，以获知群体药动学特征和不同人口统计因子对药物行为的影响，对临床用药具有指导意义。

4、麻醉与危重医学相关领域的研究

手术室和ICU内是病人信息富集的地方，而且大量的信息处在动态变化中，随着医学技术的飞速进步，所能获取的信息越来越多，医护人员面临着“信息轰炸”。神经网络技术可以很好地帮助我们应对这些问题。例如：

1）可以用于分析多个生理变量之间的关系，帮助研究其内在的关系，或预测一些变量之间的关系：Perchiazzi在肺损伤和正常的猪容量控制机械通气中，用ANN估计肺顺应性的变化，不需要中断呼吸，与标准方法相比误差很小。

2）结合数据挖掘技术，可能从海量数据库例如电子病历系统中，发现一些尚未发现或尚无确切证据的关系与现象：Buchman 研究了神经网络和多元线形回归两种方法，用病人的基本资料、药物治疗差异和生理指标的变化预测在ICU延迟（>7天）。

3）信号处理：Ortolani等利用EEG的13个参数输入ANN，自行设计的麻醉深度指数NED0-100作为输出，比较NED与BIS之间有很好的相关性；

4）干扰信号的自动区分检测：Jeleazcov C等利用BP神经网络区分麻醉中和后检测到的EEG信号中的假信号，是传统EEG噪音检测方法的1.39-1.89倍。

5）各种临床状况的预测：Laffey用ANN预测肌肉松弛药的残留，发现明显优于医生的评估，还有用于预测propfol剂量个体差异的，预测术后恶心、呕吐，预测全麻后PACU停留时间，预测ICU死亡率等较多的研究。

篇7

但即便象棋下不过、围棋下不过、力气也比不过，机器依然并不能取代人类。

人工智能会说“爱你”，但它不会真的爱你，它像一面镜子，照耀的是人类的善与恶，美与丑，爱与恨。杨澜说，一想到未来手机、空调都在搜集她的数据，这种裸奔的感觉让她不寒而栗。

杨澜又说，科幻片中的人机大战是天方夜谭。

不出意外，柯洁输了。

关于那个在第一局比赛结尾露出的笑容，柯洁的解释是：当然是苦笑了，因为我很早就知道我要输了。而搜狗总裁王小川点评比赛时则更加直接：我们的关注点不是机器能否赢，而是机器用什么姿势赢。所有人在这一回输赢问题上达成了共识。

资本与市场宣称，这已经是人工智能的时代了。

4月末，我们带着一个普通人对人工智能的疑问，与过去一年内探访了30多个人工智能研究机构及实验室的杨澜深谈。当时，她就预判道：AlphaGo还会赢。

果然，可以算得上波澜不惊，天才少年柯洁的完败远并不如去年李世石的失败那样让世人震惊。

杨澜说：她还记得，1997年，当IBM的电脑深蓝战胜了国际象棋冠军卡斯帕洛夫的时候，她曾经在一个节目中断言，这样的事情在围棋领域是绝对不可能发生的。

因为蕴含着古老东方智慧的围棋变化万千，它的布局走法可能性多达10的172次方，比宇宙中的原子数量还多。不止杨澜，围棋专家和人工智能领域的专家，当时也纷纷断言：机器要在围棋比赛中战胜人类，至少还要一百年。

但是只用了不到20年的时间，机器就做到了。数次人机大战，机器都无可辩驳地完胜了人类，甚至表现出了创造力和直觉这些人类最引以为傲的特质。当AlphaGo去年走出让人汗毛倒竖的那一步棋之后，当时比赛的解说员称，再管它叫电脑程序已经不合适了，你完全能感觉到人工智能的“智能”的存在。

什么是人工智能？它们和人类是什么关系？世界上最顶尖的人工智能实验室里都在发生什么？为什么很多名人都让人们警惕人工智能？人机共生，人类准备好了吗？

对人工智能做了深度探访的杨澜一一给出了回答。 杨澜在成为工业文明遗迹的伦敦旧码头上思绪万千

Q=《北京青年》周刊

A=杨澜

相较人工智能，人的可贵之处恰恰在于我们不完美

Q：你在去年春节前就启动了这个专题片的策划，那时AlphaGo还没赢李世石呢，为什么这么有先见之明？

A：是，我团队都在说“杨澜姐你太超前了”。我的确对人工智能特感兴趣，人工智能不只是一个新的技术，它会影响到人类的生产、生活，以及人和人之间的相处模式和这个社会的运行模式。我只是隐隐约约地觉得它的影响要深远得多，而且这一次的规模会来得很大。同时在我身边像李开复、张亚勤这些老友，在说到自己的一些研究和投资的方向的时候，也在不停地说到人工智能。让我觉得这件事情非常了得，却很少有人能说明白。

那我就觉得其实观众也会有同样的兴趣和同样的迷惑，以一个媒体人的嗅觉，我觉得应该去探索这件事儿。

Q：你们花了非常大的工夫，做了到目前为止最全面也最有深度探索人工智能的纪录片，我想知道这个过程中你有什么独特的发现和结论？

A：有很多有意思的发现。

人的智能有很多局限性，比如我们经常健忘，然后我们三分之一的生命是在睡眠中度过的，还会做各种各样奇怪的梦，从纯产出的角度，我们肯定不像人工智能一样可以24小时在那计算和下棋。还有，我们的头脑不是用来处理大数据的，我们不可能同时做50万人的人脸识别，我能认清楚我身边这两百个人已经很不错了。我们人类有这么多的局限，那我们的可贵之处在哪里呢？其实这个可贵之处恰恰在于我们不完美。

正如采访中麻省理工学院的一个教授对我说的，“会忘记是人的高级智慧的体现”，如果我们什么都记得住，我们一进了这个屋子，“啪啪”眼睛一拍照，把@个屋子哪有灰尘哪有小虫子等所有细节都记住，我们就不可能把自己有限的能力集中到我们需要去创造、需要去抓住核心的东西上。

所以人类不用妄自菲薄，不要以为一个机器在围棋上不可战胜了，它就在各个方面都超越了人的智慧，人的智慧是有它的独一无二之处的。

Q：走访世界各地做了这么多功课，有没有哪些场景让你受到震撼？

A：我觉得这种震撼既有你看到的东西，也有你可以想象的东西。

当我到了伦敦的旧码头，作为工业文明的遗迹，那边有很多遗留下来的旧的大库房，库房之间有很多铁的天桥。这个当年是多么宏伟，那种蒸汽腾腾，你都可以想象到伦敦的雾天的那样的场景，但是今天，静谧极了，已经成为一个纯粹的历史遗迹了。

于是你会想到工业革命当时在英国，把几百万的农民变成了工人，让他们进入了城市。其实每次大的技术革命和工业革命发生的时候，就会产生剧烈的社会矛盾，我觉得很震撼的就是：那接下来的这一次技术革命，又会带来怎样的社会冲击？

Q：李开复先生说，“人工智能将会给传统行业带来血腥的颠覆”，“十年之内，50%的工作会被AI取代”， 你怎么看？

A：我更愿意说成是未来十年，50%的工作都会受到冲击和影响。受冲击和被取代不是一个概念，至于是不是“50%的人都要失业”，我认为需要商榷。

但是有些行业肯定会受到比较大的影响。比如卡车司机这个职业，他们有可能在十年之内，真的失去他们的工作，那他们该去哪里？甚至如果将来都是无人驾驶的话，我们都不需要拥有私家车，就像今天的共享单车一样，将来汽车也是共享的，那会对现在的汽车制造业产生多大的影响？

还有，如果说蒸汽机替代了人的肌肉的话，那么这一次的人工智能会替代掉很多简单的白领工作，人的脑力工作也被取代了。比如说律师的助理，可能就是一个人工智能，它可以帮助你查到所有需要的案例和卷宗。比如医生的助理、读片师，人工智能已经可以掌握到一千万个关于肺癌的影像资料，就不需要一个老专家在那儿看半天，还有一定的失误率。还有记者，如果你只是做一个五个W的报道，那现在的人工智能已经在帮你做了。所以这一次的影响更深远，涉及到的人会更多。

Q：无人驾驶使卡车司机失去工作的场景，你觉得在十年之内真的会出现吗？

A：我认为在十年之内，无人驾驶是最容易实现的改变。你可以想象，在一些发达国家或是像中国一样的高速公路非常发达的国家，负责运输的司机可能真的不需要了。也许某些场合还需要有一个人把手放在方向盘上，随时准备着人机切换，但是从理论上讲，起码不需要现在这么多司机了。

我们不排除外星人进攻地球的可能性，但是不是现在就要马上建立一套防御系统呢？

Q：在片子中我们看到，科学界对人工智能的认知也不尽相同，甚至还有核心观点分歧，是这样吗？

A：对。我会发现，人工智能这个领域的科学家，往往都是抱有比较乐观的态度。他们认为人工智能不过是自动化的一个新阶段而已，最终还是可以被人类所控制的。

但是，周边学科的科学家和社会公众，似乎对于人工智能的忧虑更多一些。也可能是因为我们看了不少科幻小说和科幻电影，所以就总会假想，如果机器有了人类不可控的能力怎么办？

斯坦福大学有一位人工智能的专家卡普兰教授，他说，其实人对于未知的，但是又很有力量的东西，总是心怀恐惧的。卡普兰教授比喻，这就像一个人在爬树，然后你就会担心他要是爬到月亮上了该怎么办呢？

Q：你自己更倾向于那种观点？

A：我更倾向于：我们眼前有足够多的事情需要去做。与其去担心一个所谓的智能机器将来会统治我们，不如好好来考虑一下随着人工智能的发展，我们的交通规则是否需要改变，失业的人如何能够维持一家庭的生计，还有由于大数据的发展所带来的我们的隐私问题到底该怎么保护？我觉得眼前的这些事情，已经足够我们烦恼了。

就像我采访哥伦比亚大学诺贝尔奖的获得者、著名的脑科学专家埃里克，他是研究人的学习能力、人的神经系统的。他说“I worry more about Trump”，他说我更担心的是川普的问题，而不是未来的一个机器……这就像说，我们不能够排除外星人来到地球的可能性，但我们现在是不是要马上建立一个专门为了防御外星人入侵的防御系统呢？

Q：所以你是偏向于更乐观，也更务实的态度？

A：我不代表乐观，我觉得技术永远是一把双刃剑。

人类其实可以仰望星空，让自己的想象力无边地驰骋，但是人工智能将要带来的冲击已经在敲门了，我们还是应该首先来应对目前就已经要发生的改变。而且技术的革命和科技的发展，在人类的历史上，从来没有因为人主观的乐观或者悲观，就停止脚步。从来没有！

Q：科幻片中说的那种人机大战是天方夜谭吗？

A：我认为是天方夜谭！在科幻电影里，是机器人一伙，人类一伙，两方产生了不可避免的冲突。但在现实生活中更可能出现的情况是，一群人带着自己的机器，和另外一群人带着他们的机器，所产生的冲突。所以最终要协调的，还是人的利益冲突，而不是说机器突然有了整体的自我意识，决定要把人给颠覆了。这个我认为只是科幻的场景。

Q：那么你觉得机器人可以具有人的价值观和思维方式吗？

A：我认为它们可以因为被输入的游戏规则而展现出某种人类表达的特质。比如说它被输入了“在某种情况下就要说我爱你”，但这并不意味着它感受到了爱；或者说它可以下一千万盘棋，但它不会像一个人那样，真正地享受下棋的过程。

实际上，我们现在只能证明，人工智能在一些需要处理大数据的垂直的领域具有超快的学习能力，但并没有证据表明它们会形成自我意识。

Q：所以你如何看待柯洁5月份将与AlphaGo进行的终极人机大战？（本刊记者采访杨澜时比赛还未进行）

A：虽然从我的判断上来说，它还是会战胜柯洁的，但是从另外一个角度来说，明明知道面对AlphaGo胜率并不高，柯洁还是愿意接受这个挑战，我觉得这就是体现了人类的智慧。而且，即便它能够战胜世界上所有的围棋高手，So what？

中国现在应该开始为迎接人工智能的时代做制度安排

Q：你认为，人工智能最有可能从什么领域进入到常规的日常生活？

A：我想到的是三个方面，一是无人车，就是无人驾驶，它可能会改变我们的出行方式。

第二个，在中国的场景下，就是医疗。因为中国的医疗资源实在分布得太不均衡，医疗能力实际上是集中在一些大城市的顶级专家的手里。但是因为中国人口基数大，医疗数据库也非常庞大，所以如果能够借用人工智能，就可以给那些乡镇级、社区级的医生提供非常好的诊断服务。

第三个方面，如果你要问李开复先生，他可能会说金融了，但是实际上中国在高频交易这些方面还是有限制的。比如股票，如果它用高于人零点几秒的能力下单的话，它就不得了了，但是它也会扰乱整个市场的秩序。

但我觉得，在法律援助这个方面其实是可以考量的，其实现在律师的很大一部分工作是在搜索和查询相关案例和相关法律条例，以及其他类似案件的判决情况。如果有了人工智能的帮助，可能以后基础的法律咨询就不需要请那么昂贵的律师了。

Q：这次的采访涉及全球，你感觉人工智能领域，中美之间的差距大不大？

A：其实中美两国在人工智能领域都是属于第一方阵的，在技术发展的水平上，我觉得各有优势。

的确在原创核心技术的突破方面，还是美国的实验室能力相对要强。但中国是一个大数据的王国，而所谓的机器学习，实际上是大数据学习，这是我们的天然优势。美国在这方面的资源远不如中国。

Q：中国之前的发展受益于所谓的人口红利，在人工智能时代到来的时候，这会不会成为劣势呢？

A：我认为不能简单地说是优势还是劣势。因为中国巨大的人口规模，会使中在大数据采集和人工智能的应用层面，具有得天独厚的优势。

但另一方面，过去几十年我们依赖低的劳动力成本和出口所带来的制造业的繁荣，也必然要进入一个新的阶段。如果你不能提升品牌的价值和品质，那么劳动力这个优势，其实正在迅速失去。

那如果很多蓝领要失业了，那这些蓝领应该怎样安排？会给社会带来什么样的不安定因素？这都是应该去面对的。

Q：你会有这样的担心吗？

A：我觉得现在就应该做制度安排，这个事情其实是说来就会来的。你现在去东莞看看，很多流水线都是无人工厂了，工人被机器人取代就是眼下正在发生的事情。所以我觉得像特朗普还在跟美国失业的蓝领工人说“我们要把工作从中国人的手里夺回来的时候”，我心里一阵冷笑，其实拿回美国也只是给机器人做而已，因为这是一场巨大的技术革命，它已经不是从什么人手里夺回来一份工作而已。

所以我觉得像中国这样的制造业大国应该开始做一些制度的安排，来更好地应对随之而来的比如失业问题，再培训问题，和税收的问题。

人工智能必然会带来伦理问题，而且已经就在眼前了

Q：斯坦福大学的李飞飞教授多次提到人工智能带来的伦理问题，你是什么观点？

A：人工智能一定会产生伦理问题，而且涉及很多层面。比如微软做了一款人工智能情感机器人“小冰”，当时放在网络上进行测试的时候，就有很多人故意教它说脏话，教它说一些种族主义和充满暴力的话，那么这个人工智能就像我们说鹦鹉“嘴脏了”一样学会了。其实人工智能就像一面镜子，它照耀的是人类的善与恶，美与丑。

还有像自动驾驶，如果出现一个两难的局面，它究竟应该牺牲车上的一个人，还是牺牲路边的很多人，甚至包括孩子？你要把这个选择权交给一个机器吗？如果你交给了机器的话，那么谁又会出钱买一辆将要牺牲自己的车呢？这是一个极致的问题，却不能说它不存在。

还有隐私问题，它其实也是一个伦理和道德范畴的事情。比如商业机构在多大程度上可以使用我的消费行为数据？我在多大程度上愿意暴露我的私生活？在什么样的环境不允许装这个数据采集器？我觉得这些其实就在眼前了。

Q：这么多的伦理问题又应该怎么解决呢？

A：我觉得这是我们需要面对的问题，但不是无解的问题。就像当年从马车变成了汽车，才有了红绿灯和人行道。社会的治理方式和制度的安排，一直都是跟着技术的发展而不断调整和改变的。

Q：前面说到人口红利和大数据采集，但是这其实也面临一个信息安全的问题。事实上我们今天的消费行为甚至个人资讯已经是透明的。

A：这一点我就觉得挺恐怖的，将来绝不仅仅是某些明星和名人的隐私，而是我们每个人的隐私、我们的消费习惯是不是能够得到足够的保护？因为我不想将来我得到的每一个推送，其实都是人工智能很有心机、很有套路地推送的。你还以为是你自己的要求，其实是别人对你的行为的预测。

并且我觉得中国当下应该开始研究隐私方面的法律保护了，可以说中国是摄像头最多的国家，从人脸识别到人工智能的使用，能够让像G20峰会这样的大型会议在开办之前，可以非常高效地抓到在这个城市潜伏的嫌疑犯，因为他们哪怕是一个侧面（被捕捉）都可以被认出来。

技术进步在推动社会发展的同时，法规和制度建设上的配套一定要跟上。

在我有生之年，我的工作不可能被人工智能替代

Q：你目前的生活跟人工智能的关联度高吗？

A：我主要是用手机，我们家还没有用扫地机器人。包括我现在，到睡觉的时候我都希望把手机彻底关掉，或者把它放到另外一个房间去充电。但是一想到未来的手机也好，空调也好，都在搜集我的数据，我就感到不寒而栗，好像有一种裸奔的感觉。所以我觉得未来可能我会比较有意识地把我的工作环境和我的卧室分开，虽然可能分开了也没啥用……

Q：你觉得自己的生活需要跟机器人隔离开吗？

A：那不会。如果是在工作的场景下，我可能很需要一个人工智能的助理，来帮我安排一些琐碎和需要数据处理方面的事情。比如我做采访之前做功课，需要好几个研究员或编辑来做案头的工作，其实将来可以让语音搜索和图像搜索帮助完成很多工作，所以我觉得它还是会为我的工作和生活带来很大的便利的。

Q：你觉得你的工作会被人工智能替代吗？

A：不会，我认为在我的有生之年，我的工作不会被取代。因为我不仅仅是在做一个简单的播报的工作，背后还有很多综合性的思考。我觉得机器在短期内，没法取代我的工作。

关于人工智能的“权威碰撞”

许多年前有一本小说，书名是《海底两万里》。这部幻想作品中的人，发明了一艘使用核动力的潜水艇。如今这早已经成为寻常的现实了。

某种意义上，我们已经进入了前人所预言的时代。

硅谷流行这样一句话：预测未来的最好方式就是创造它。

人类创造了机器，机器又改变了人类。

2016年5月，一辆特斯拉汽车在美国佛罗里达州与一辆拖车相撞，驾驶员丧生。事故原因是处在自动驾驶模式的汽车没能在明亮的天空下发现拖车的白色车身。

特斯拉汽车“自动驾驶”是一项辅助功能，每一次自动驾驶启动时，车辆都会提醒驾驶员“请始终握住方向盘，准备随时接管”。

放开方向盘，意味着人类将一部分掌控权交给了机器。

这也带来了更多的法律和伦理问题：

例如谁来为交通事故负责？

当汽车成为智能的移动空间万一有黑客入侵，谁来保证乘客的安全呢？

机器也将面临人类的道德困境：

在f不得已的情况下，自动驾驶汽车到底该优先保护车内的乘客，还是路边的人群呢？

如果选择后者，谁又会愿意购买一辆会牺牲自己的汽车呢？

英国著名物理学家史蒂芬？霍金多次公开表示对人工智能的担忧，他认为：“对于人类来说，强大的人工智能的出现可能是最美妙的事，也可能是最糟糕的事，我们真的不知道结局会怎样。”

特斯拉汽车公司掌门人伊隆・马斯克甚至宣称：随着人工智能的发展，我们将召唤出恶魔。

马文・明斯基是人工智能的先驱之一，他有个著名的说法“如果我们走运的话，机器或许会把我们当宠物养着。”

但是，更多人工智能专家的观点是：

现在担心邪恶的智能机器人奴役人类，就像担心火星上人口过剩。――百度前首席科学家吴恩达

在整个人类历史上，其实只有两次大事件是从根本上改变了人类生存状态，一次是工业革命，一次是农业革命。这一次的智能革命是堪比这两次革命的重大事件，可能更为重要。而且，要快速的多。――牛津大学人类未来研究院院长尼克・博斯特罗姆

人工智能会改变人类社会。因为作为一个那么强大的科技，它不光是针对情感、或意图，它也是对智能本身，对有知觉的存在本身的一个挑战。这是一个很好的哲学社会话题。――斯坦福大学人工智能实验室主任李飞飞

篇8

这些前后端的人工智能技术在应用又可分为四类：语音识别、图像识别、自然语言处理和用户画像。那么在这四类具体应用的实现上AI技术给我们生活带来哪些便利，同时存在哪些局限？下面一一来解构：

一、语音识别

语音识别

语音识别有两个技术方向，一个是语音的识别，另一个是语音的合成。

语音识别是指我们自然发出的声音需要机器转换成语言符号，通过识别和理解过程把语音信号转变为响应的文本或命令，然后再与我们交互。语音识别技术可以应用在电话销售上，例如：公司新人特别多，没有经验，拿到单子的可能性很低。怎么才能让新人也能有很优秀的销售能力呢？过去的做法是，把经验总结成册子，让新人去背，很容易就忘了。但如果有了高精度的语音识别能力，就能识别出客户在问什么，然后在屏幕上告诉新人，该怎么回答这个问题。

语音识别的第二个方向是语音的合成，是指机器把文字转换成语音，并且能够根据个人需求定制语音，然后念出来。以前的声音是那种匀速的、没有语调起伏的机器声音，现在能用比较自然的人声。语音合成能模拟任何一个你喜欢的人的说话方式，可以做到每个人听的东西都不一样。我们驾车经常使用的百度导航里李彦宏的声音就是语音合成的结果。

尽管深度学习被引入语音识别后，识别率迅速提升到95%，但要将ASR（自动语音识别）从仅在大部分时间适用于一部分人发展到在任何时候适用于任何人，仍然是不现实的。一个无法突破的问题就是语义错误。例如：生活在南京的人都知道有个地方叫卡子门（kazimen），但是百度导航在理解卡子门的时候，会分词为：“卡子-门”，结果卡子门（kazimen）就被读成了卡子门（qiazimen）。

二、图像识别

计算机视觉

图像识别就是我们常说的计算机视觉（CV）。常用在：印刷文字识别、人脸识别、五官定位、人脸对比与验证、人脸检索、图片标签、身份证光学字符识别（OCR）、名片OCR识别等领域。

人类认识了解世界的信息中大部分来自视觉，同样，计算机视觉也成了机器认知世界的基础，其终极目的就是让计算机能像人一样“看懂世界”。目前计算机视觉在人脸识别、图像识别、增强现实等方面有很好的应用，但也存在一定的挑战。我们就拿谷歌的无人驾驶来说，通过机器视觉识别的技术路径在现阶段，仍有完全无法逾越的技术难题。

不谈算法，图像的摄取精度就是难关，即使最顶级的摄像设备都无法达到人眼的细节获取能力，看看最顶级的哈苏相机配合最顶级镜头，在夜晚街头短曝光时间下拍的照片，对比人眼看到的图像就能看到差异，这还不谈经济上可行的低成本摄像设备，视觉识别自动驾驶这个系统，眼睛就是近视眼。

而且如果下雨，灰尘等对分辨的影响都是很难解决的bug。如果配合雷达的话又有逻辑判断优先的问题，信摄像头，还是信雷达？会不会误报？而作为激光雷达，如果单纯的车身自己也有同样的逻辑判断的问题，什么样的东西是有威胁的，什么是无威胁的。什么是潜在的威胁，这都不是计算机视觉这种单一智能所能解决的。因为预测未来的感知能力，是人与机器最大的区别。

三、自然语言处理（NLP）

贤二机器僧

自然语言是人类智慧的结晶。自然语言处理（NLP）是人工智能中最为困难的问题之一。由于理解自然语言，需要关于外在世界的广泛知识以及运用操作这些知识的能力，自然语言认知，同时也被视为一个人工智能完备（AI-complete）的问题。

举个例子，我们以前用键盘，鼠标，触摸屏去和设备互动。但是现在你操作设备，只需冲着智能音箱说：请给我的手机充值100元即可。虽然这种功能在阿里的天猫精灵上已经实现了，但实现的前提是天猫精灵APP上已经录有你的声纹，并且你的手机号码，及支付密码已经预先在APP端设置好，否则机器没有办法理解我是谁、给谁的手机充值100元话费。

其次，自然语言处理背后所依赖的是传统的问答系统技术，即Question Answering（QA）。QA技术是自然语言处理中非常重要的一个研究方向，原理是：对于输入的问题首先做句法分析，从而理解问题或者指令的结构和意图。比如如果用户问的问题是某人出生在哪儿，那么机器需要先对这句话进行解析，进而了解所要回答的应当是一个地点，并且这个地点应当满足某人出生与此的条件。

当我们能够准确地了解到用户提问的意图并能根据机器可以理解的方式重新组织之后，就需要寻找答案。为了实现这一目的，QA系统的背后都存在一个庞大的数据库（也就是知识库），这个数据库中存储着所有的指令对应的行为或者问题对应的答案，当系统在数据库中搜索到了自己要做什么或者回答什么的时候，就可以将答案反馈给用户，或者直接实现用户的指令。当然，如果数据库的规模实在有限，有一个兜底的方法就是基于信息检索来返回答案，即将用户的输入提取出关键词然后求助于搜索引擎返回相关的内容再返回给用户，由于互联网无所不包，因此结果一般也尚可接受。

自然语言处理这块相关落地的产品就很多啦。典型的代表就是聊天机器人，其中一类是以Siri、Amazon Echo、微软小娜、阿里天猫精灵、小米小AI音箱等为代表，偏向于工具性的服务型机器人。另一类则是以微软小冰为代表的娱乐型机器人。第一类聊天机器人，以完成任务或回答事实性问题为导向，譬如你问天猫精灵“今天的天气如何？”，或者给“小爱同学”下达“关闭卧室台灯”等指令。第二类则以闲聊为导向，并不需要给出某一个事实性问题的解答，只要交谈自如、博君一笑即可。比如：北京龙泉寺的贤二机器僧。

四、用户画像

碟中谍6：全面瓦解

用户画像是根据用户社会属性、生活习惯和消费行为等信息/数据而抽象出的一个标签化的用户模型。构建用户画像的核心工作即是给用户贴“标签”——用数据来描述人的行为和特征，而标签是通过对用户信息分析而来的高度简练的特征标识。

用户画像在商业领域应用的非常广泛。拿百度举例。百度现在识别了将近10亿用户，用了几千万个细分标签给用户分类，比如性别、年龄、地理位置，还有这个人在金融领域的情况，在旅游方面有什么爱好等等。这些东西合在一起，就组成了用户画像。百度就知道你是什么样的人，喜欢什么样的东西。比如，今年暑期档将要上映的电影《碟中谍6：全面瓦解》，在宣传的时候把人群分成了三类，一类是不管怎样都要看的，一类是不管怎么都不会看的，第三类是可能会进电影院的。宣传方就会使用百度大脑的用户画像功能，识别出第三类人群，对这类观众进行定向宣传。

人工智能在用户画像里最重要的作用就是找到相关性，给用户打标签。用户标签是表达人的基本属性、行为倾向、兴趣偏好等某一个维度的数据标识，它是一种相关性很强的关键字，可以简洁的描述和分类人群。比如好人和坏人、90后80后，星座、白领等。具体流程一般是从纷乱复杂、琐碎的用户行为流（日志）中挖掘用户在一段时间内比较稳定的特征，即给用户打上标签。

举例来说，如果你经常购买一些纸尿裤，那么电商网站即可根据母婴购买的情况替你打上标签“有孩子”，甚至还可以判断出你孩子大概的年龄，贴上“有1-4岁的孩子”这样更为具体的标签，而这些所有给你贴的标签组，就成了你的用户画像，也可以说用户画像就是判断一个人是什么样的人。但是今天的人工智能虽然能够找到相关性，但是却无法找到内在的逻辑，因此容易把前提和结论搞反了。比如根据大数据的统计，喝咖啡的人比不喝咖啡的人长寿。但大数据没告诉大家喝咖啡是不是原因，或许是生活水平高的人才有钱、有时间喝咖啡。所以真实的情况是长寿的人喝咖啡。

五、人工智能算法

深度学习算法

说完了语音识别、图像识别和自然语言处理这些涉及交互的前端人工智能技术， 我们再来说说后端人工智能技术。后端的人工智能技术指的就是人工智能的核心算法，包括深度学习算法、记忆预测模型算法等。

首先，我们来说说深度学习算法。我们知道2016年是人工智能爆发的一年，先有AlphaGo战胜李世石，到了年底又有Master连胜60场，横扫中日韩围棋高手，一时间舆论为之震惊。这个Alpha Go背后的DeepMind团队，用的就是深度增强式学习，这是深层神经网络用于决策领域的成果。深度学习是机器学习的一个新领域，普遍认为深度学习的开创者是加拿大多伦多大学一位叫Geoffrey Hinton的教授，他是一位“神经科学家+计算机科学家”，他认为大脑是用全息的方式存储外界世界信息的，并且从上世纪80年代就开始研究用计算机系统架构来模拟人类大脑，就是我们今天说的深度学习的原型。

今天我们可以这样理解深度学习算法，深度学习就是运用神经网络一层又一层的计算来找到最优的参数，再结合参数去做出未来的决定。出发点在于建立、模拟人脑进行分析学习的神经网络。深度学习的整个学习过程中，几乎可以做到直接把海量数据投放到算法中，让数据自己说话，系统会自动从数据中学习。从输入到输出是一个完全自动的过程。深度学习算法现在被设计成实现设计者既定目标的工具。比如，AlphaGo的目标就是去赢得围棋比赛，而不是去开车或干其他事情。AlphaGo不能自己设定自己的目标，如果要完成另一个目标，就需要设计另一种机器。当然人工智能有N多条路，深度学习算法是目前人工智能算法里表现最好的。但深度学习并不是一上来就好的，让深度学习崛起还有两个华人：

一个就是斯坦福的教授，也是后来谷歌大脑的创始人吴恩达教授，因为他发现深度学习需要有更强的计算能力，所以他找到了英伟达的GPU（Graphics Processing Unit，图形处理单元），使得计算能力提升了上百倍。

另外一个人也是斯坦福的教授李飞飞，她建立了一个图像识别资料库。而且这个库里面的所有的图像都是标注过的，也就是说，如果图里有山就会标注出山，如果有树就标注出树。这样的话，你可以用这个图形库来训练人工智能系统，看它能不能识别出来这个图形库上面所标注的这些元素。经过这个图像库的训练，就可以训练出视觉能力超过人的人工智能系统。

但是千万不要以为深度学习达到今天的水平就是无敌了，甚至可以超越人类了。深度学习发展起来的人工智能系统存在一个明显的缺陷，就是他的过程无法描述，机器不能用人的语言说出来它是怎么做到的。例如，Alpha Go打败了李世石，你要问AlphaGo是为什么走这步棋，它是答不上来的。也就是说，我们没办法知道机器做事情的动机和理由。

要想更好的认识到人工智能算法的局限性，需要引入一个概念，就是认知复杂度。什么是认知复杂度呢？就是指你建构“客观”世界的能力。认知复杂度高的人，善于同时用互补，或者互不相容的概念来理解客观世界，因为真实世界本身就不是非黑即白的。那么对于机器来说，“认知计算”和“人工智能”有啥关系呢？人工智能的未来一般被分为三个发展方向：人搞定机器、机器搞定人和“人机共生”。而以“人机共生”为目标的人工智能，就是认知计算。IBM在认知计算领域获得了大量经验，并且总结了认知计算的三个能力，分别是交流、决策，和发现。

（1）交流

第一个能力是交流，认知计算可以处理非结构性的问题。很多用Siri的人，只会把这当成娱乐功能，因为它不能保证交流内容的准确性，有时Siri根本接不上你的话，因为你的话对它来说太复杂了。这个只能算作人工智能比较初始的状态。

而认知计算可以完全模仿人类的认知，你可以把它当做一个孩子。就好像孩子周围有一群逗他玩的大人，有人告诉孩子1+1=2，也有人说1+1=3。但是随着孩子的成长，他自己会明白1+1=2才是对的。这就是非结构性问题。早期的人工智能只能学会别人教给他的知识，但是认知计算可以处理模糊的，甚至是自相矛盾的信息。

（2）决策

第二个能力是决策，我们都知道人工智能可以分析复杂的逻辑，然后做出决策。认知计算可以更进一步，根据新的信息来调整自己的决策。更厉害的是，认知系统所做的决策是没有偏见的，而“毫无偏见的决策”对人类来说几乎是一件不可能的事。比如说治疗癌症，这是典型的医疗决策场景。

癌症之所以难治，一方面由于这种疾病太过复杂，另一方面，医生如果不能及时发现患者的癌症信号，可能会延误患者的治疗，或者导致诊断错误。而认知计算可以综合分析复杂的医疗数据，还可以在医生语言的上下文中解析含义，最后提出它的建议。

这就大大减少了医生查病历的时间，让医生能将更多的时间用在患者身上。2016年8月，《东京新闻》报道说，IBM研发的认知计算机器人“沃森”，就学习了海量的医学论文，只用了10分钟，就为一名患者诊断出了很难判断的白血病类型，还向东京大学医科学研究所提出了适当的治疗方案。

（3）发现

第三个能力是发现，认知计算能发现新事物和新连接，填补人类思维的空白。比如在竞争激烈的餐饮业，怎样才能做出令顾客满意的新菜品呢？

认知系统可以整合区域知识、文化知识，还有各种食物搭配理论，帮助用户发现想象不到的美食搭配。比如突然有一天，它会告诉你：用卤煮的配方做个披萨，可能很合你的胃口。你照着一做，发现还不错！实际上，从2015年开始，IBM开发的“沃森大厨”，就已经学习了35000多种经典食谱，然后通过分析海量的食材搭配，结合化学、营养学等方面数据，为厨师和美食家带来了超出人类想象的新型食谱。

认知计算可以帮助我们更好的交流、决策和发现。但是人工智能依然有很多做不到的。例如：抽象能力，自我意识，审美，情感等。

篇9

践行大健康

会议以“智慧互联大健康、融合创新见未来”为主题，从智慧医疗、移动医疗、医疗健康大数据、互联网医疗、分级诊疗等方向，全面解析了信息技术在未来医疗健康领域的融合与发展趋势，体现了大会搭建产学研用交流平台作用，以及持续推进云大物移、人工智能等相关应用、技术与医疗健康产业融合创新发展的宗旨。

健康报社副社长肖景丹及北京大学信息科学院副院长谢冰代表主办方致辞，国家卫计委统计信息中心原副主任王才有和北京大学教授、IEEEVTS北京分会主席焦秉立主持了开幕式全体大会。

据了解，目前我国全民健康信息化建设存在资源统筹和整合利用不足、业务协同和数据共享亟待加强、政策法规和相关标准滞后、专业机构不健全及人才总量不足等问题。国家卫计委统计信息中心有关负责人在会上介绍，“十三五”期间，我国全民健康信息化建设将着眼加快建成全民健康保障信息化工程、健康医疗大数据应用发展工程、基层信息化能力提升工程、智慧医疗便民惠民工程和健康扶贫信息支撑工程五大重点工程。

国家卫计委统计信息中心副主任周恭伟、中国工程院院士邬贺铨分别就全民健康信息化“十三五”规划和大智移云时代的智慧医疗为主题做了大会主旨报告。

周恭伟在报告中说，国家卫生计生委围绕13大重点工作任务，制定了加快建成全民健康保障信息化工程、建设健康医疗大数据应用发展工程、建设基层信息化能力提升工程、建设智慧医疗便民惠民工程、建设健康扶贫信息支撑工程等五大工程，来着力推进信息技术的应用。

“践行大健康理念，核心就是要树立大健康理念，要以治病为中心，变为以人民健康为中心，建立健全健康的教育体系，提升全民健康素质，推动全民健身和全民健康的深度融合，也就是没有全民的健康就没有全民的小康。”周恭伟说。

区块链护航医疗数据安全

邬贺铨院士则从技术应用方面分析了未来医疗健康领域创新技术的应用。他讲到，“现在是一个计算无处不在的时代，软件定义一切，软件包容万物，连接随手可及，宽带永无止境，智慧点亮未来，服务以人为本，助力智慧及精准医疗。”从大数据、人工智能、移动互联网、云计算、物联网、宽带互联网、区块链等新兴技术展现智慧医疗未来的场景。当前，数据安全和患者隐私，是医疗领域永远无法回避的关键问题。随着互联网移动医疗时代的到来，医疗行业面临严重的数据安全问题，也许来源于医师的失误，黑客的攻击，或者实时编辑过程中没有及时更新电子记录，患者可能遭遇各种健康、精神和经济损失。

邬贺铨介绍说，区块是包含时间戳的数字资产交易信息数据块，区块链是由密码关联的区块串组成的分布式数据库，也可称为分布式账本。区块链（Block Chain）是比特币技术中的核心部分，能够实时核实和记录所有交易，维护数据的可靠性，有助于避免医疗行业误诊或恶意修改数据的行为。

“目前的医疗网络，所有数据都汇总到一个中心控制系统，中心服务器管理者在未经授权的情况下，可能使用其存储的涉及用户隐私的数据。由于区块链去中心化的特点，其所有传输的数据都经过严格加密，用户的数据和隐私更加安全。区块链能够收集和整合医疗过程中的所有数据，所记录的每一次诊断治疗和其他医疗行为都有时间戳，事后不可改变，确保了数据来源的可靠性、可信性和完整性，有助于在医患之间建立起信任。”

国家卫计委规划与信息司相关负责人透露，目前他们正在制定“医院信息化建设指引”，预计下半年能够出台。

多点发力 各方协作

北京市卫计委信息中心主任琚文胜则从电子健康记录共享的实践与思考方面，分享了电子健康记录共享在未来分级诊疗、医联体建设与国家规划制定中的重要作用，希望移动医疗的出现，能在下一步电子健康记录分享带来新的突破。

湖北省卫计委信息中心主任肖树发从服务医改、惠及民生的高度，讲解了省人口健康信息化建设在推进医改实践中的助力。河南省卫计委统计信息中心主任王永峰从区域医疗协同平台的实践，展现了未来发展的前景与期望。

大会得到了中国移动、中国联通、七乐康、蓝卡健康集团、IBM、健客网的支持，也带来了最新的技术应用演示。中国移动以服务健康中国发展的战略愿景，依托技术资源的优势，展示了在医疗健康领域远程医疗、智慧医院、分级诊疗、健康管理4大业务领域的应用案例；中国联通建立了医疗云基地，着力于医疗信息化云化之路的推进与服务；七乐康以全新的医疗生态平台打造的互联网医院，通过融合与创新，实现医疗的无界限；蓝卡健康集团则通过互联网平台强基层、扶基层，以支撑家庭医生签约及分级诊疗的实现；蓝色巨人IBM是全球领先的ICT公司，一直在引领全球信息技术的发展趋势，本次会议IBM带来了认知医疗的最新实践，为医疗与健康构建有效的连接；健客网则从医药电商的角度发力互联网医院，向与会观众分析了互联网医院的赢利模式、医药电商的助力和健康网的互联网医疗探索。

篇10

【摘要】机器人是典型的智能产品，随着物联网、人工智能等技术的不断发展，智能机器人的应用正日益从工业领域扩展到国防军事、教育娱乐、医疗康复、助老助残、救援救灾等其他领域。目前，智能机器人的市场需求呈现新特点，技术进步呈现新趋势，产品研发呈现新热潮。发达国家正以此为契机，纷纷对智能机器人的技术发展进行战略部署，以抢占产业竞争的制高点。反观我国，传统机器人及关键部件技术总体薄弱，产业面临空心化风险；智能机器人部署不足，与发达国家的差距很可能被进一步拉大；机器人市场需求激增，但同时面临产业安全风险。为此，我国应该加紧部署智能机器人战略，建立技术创新载体，加大技术研发力度，明确产品发展方向，完善标准体系建设，抢占机器人技术及产业发展的下一个制高点。

【关键词】智能机器人 战略部署 差距 竞争

【中图分类号】 TP242.6 【文献标识码】A

【DOI】10.16619/ki.rmltxsqy.2017.04.011

机器人是典型的智能产品，随着物联网、人工智能等技术的不断发展，智能机器人的应用正日益从工业领域扩展到国防军事、教育娱乐、医疗康复、助老助残、救援救灾等其他领域。由于智能制造推动生a方式变革，人类对于智能服务的需求不断提升，智能机器人的作用日益凸显。发达国家纷纷对智能机器人的技术发展进行战略部署，以抢占产业竞争的制高点。发达国家的智能机器人产业刚刚起步，我国与发达国家的差距并不大。因此，我国应抓住这一契机，加紧部署智能机器人战略，抢占机器人技术及产业发展的下一个制高点。

智能机器人的发展趋势

市场需求呈现新特点。智能机器人是一种在人类生产、生活环境中能与人自然交互并协同作业，具备精细作业能力的新一代机器人。它与传统机器人不同，不依靠事先编制的程序，对外界的感知能力很强，能在非结构环境下完成动态、复杂、灵活、精细的作业，实现多机协同，成为人类的助手。随着社会的快速发展和科技的不断进步，传统工业机器人无法适应小批量定制、个性化制造、柔性制造等需求。此外，目前的服务机器人尚处于产业化孕育期，不具备相应的智慧和思维，无法满足医疗护理、助老助残等社会需求。因此，人们对于智能机器人的需求愈加强烈。

技术进步呈现新趋势。第一，提升学习和适应能力。在当前的系统环境中，可以容忍机器人在执行任务时有更大的不确定性。实现这一目标的可行途径是示教。一个执行任务的机器人需要观察人类工作环境多次，通过重复执行相同的任务学会模仿人类。另外，机器人系统通过“迭代学习”技术提高自身的速度和可靠性，进而超越人类的适应性。

第二，提升建模、分析、仿真、控制能力。建模、分析、仿真和控制能力是复杂系统必不可少的关键因素。为了充分改进设计制造系统，模型和仿真技术需要通过实验验证，并结合搜索和优化技术，在生产制造系统的各个方面进行仿真操作。

第三，提升控制和计划能力。机器人未来将需要更先进的控制和规划算法，来处理具有更大不确定性、较宽公差和大量电流自由度比的系统。这可能涉及到将机器人的手臂末端效应器放置在移动基地。一般机器人可能具有12个自由度，但极端拟人化的人形机器人可能有60个自由度。新的规划方法需要结合新技术，例如数学拓扑和近期规划，从而能够有效地搜索强大的高维空间。

第四，提高感知能力。为了监控工作进展及周围情况，未来的工厂机器人需要改进其感知系统。除了任务监控之外，机器人应能够检查子装配体和产品组件所花费的时间，以避免浪费时间和资源。要做到这一点，就需要更好的触觉传感器和图像理解方法，传感器必须能够构建起零件的几何模型和物理模型。

第五，构建新的机制和高性能驱动器。机器人发展历来注重机械传动器的精确性、可重复性和分辨率等性能指标。但如果机器人被用于一些新兴环境领域，如纳米和微观尺度操纵下的环境、对材料敏感的环境以及与人类共享的环境中，就需要对机器人的驱动机制和材料选择进行重新思考。

第六，发展人机交互能力。制造业工作环境需要重视人类的相互作用和机器人的安全性。任何涉及人机交互的活动必须能提供有利的改进结果。考虑最终用户的需求而设计的机器人系统不仅更安全，而且更具成本效益。简单、明确的接口和可以观察到的、透明的行为使得人类与机器人能够实现协同工作。人类和机器人都需要容易理解的意向指标。

第七，提高建模与陈述能力。新的制造机器人必须能够与人类共享空间，并且能够学会通过经验来提高工作效率。要支持这样的学习能力，机器人必须利用灵活、丰富的观察技能并通过模仿人类来自主学习新技能。

第八，提高科学测量的能力。为了保证机器人的研究成果，需要加强生产车间底层的测量工作，并以此评估科学进步和技术转让的效果。科学测量的广泛因素包括基本的计量性能指标、测试方法、参考工件和数据、参考架构以及关键技术投入标准。

第九，发展“云机器人”与自动化制造系统。制造系统需要与复杂的、动态的、高维的环境进行可靠的传感和交互。2010年，“云机器人”的新范式出现，它要求将管理以及处理数据转移到云。“云机器人”至少在五个方面显著提高了机器人性能：一是提供一个全球性的图书馆，包括图像、地图、对象数据的几何形状和机械属性；二是基于样本的统计建模和运动的需求计划实现大规模并行计算；三是机器人之间共享成果、轨迹和动态控制；四是人类共享“开放源码”的代码、数据、设计、编程、实验和硬件建设，尤其是人气高涨的ROS系统；五是实现问题检测，并按需完成人类诊断。

产品研发呈现新热潮。目前，多家科研机构和企业对智能机器人进行了研发并形成了相应的样机或产品。在工业机器人领域，美国的Rethink Robotics生产了“具有常识”的Baxter，KUKA开发出人机协作机器人，瑞士的ABB生产了双臂机器人，丹麦的Universal Robots生产了协作机器人UR10等。在服务机器人领域，美国的iRobot生产了Roomba系列清洁机器人，美国直觉外科公司生产了达芬奇手术机器人，日本的软银生产了家用机器人Pepper。

发达国家纷纷进行战略部署

日本的战略部署。2015年1月，日本国家机器人革命小组了《机器人新战略》，制定了日本实现机器人革命的三大战略目标和拟实施的六大重要举措，明确了未来五年的战略行动计划。六大重要举措之一就是关注技术和标准，具体推进人工智能、模式识别、机构、驱动、控制、操作系统和中间件等方面的技术研发，同时还要关注没有被现有机器人技术体系纳入其领域的创新。日本未来五年战略行动计划的八项重点任务之一就是发展对机器人产业影响重大的技术。

美国的战略部署。2011年，美国公布了《国家机器人计划》，计划每年对人工智能、语音和图像识别等方面的技术研究提供数千万美元的支持。2013年公布的《机器人路线图》指出，未来要攻克的机器人关键技术包括：非结构环境下的感知操作、像人类一样灵巧的操作、装配方面的适应性和可重构性、能与人类一起工作、具备在人类生产或生活真实场景中的自主导航能力、能自动理解人的行为和心理状态、具备人机交互能力、具备良好的安全性能等。

韩国的战略部署。2014年8月，韩国贸易工业和能源部了第二个智能机器人开发五年计划，拟投资26亿美元支持智能机器人开发。该计划的目标是到2018年，机器人的市场规模从当前的22亿美元增加到79亿美元，机器人公司从402家增加到600家。计划的首要任务是发展服务型机器人，例如灾难救援和健康护理机器人等。此外，政府提出要鼓励国内企业加快实现与机器人产业的融合（参照日本软银集团的案例）。

欧盟的战略部署。2014年，欧委会和欧洲机器人协会下属的180个公司及研发机构共同启动全球最大的民用机器人研发计划“SPARC”。根据该计划，到2020年，欧委会将共计投资7亿欧元，协会将共计投资21亿欧元，共同推动机器人研发。2014年底欧盟的《地平线2020计划》提出要向机器人领域新增1.02亿美元的投资，支持相关研究和创新，推进感知、人机交互、机电一体化、导航等机器人关键技术的发展。

我国智能机器人产业发展现状及前景

传统机器人及关键部件技术总体薄弱，产业面临空心化风险。据日本机器人协会分析评估，中国的机器人技术总体落后西方发达国家约20年，尤其是在人工智能、人机对话、医疗机器人、感知测量、移动控制等技术领域与发达国家有非常大的差距。智能机器人所需的关键部件，如高性能交流伺服电机、精密减速器、控制器等，中国长期依赖进口。像精密减速器这类部件几乎由日本的Teijin、Harmonic两家公司垄断，售价居高不下，这直接推高了我国机器人产品的生产成本，降低了产品的市场竞争力，使我国机器人的发展面临着只能依靠加工、组装的产业空心化风险。

智能机器人部署不足，差距有被进一步拉大的风险。我国虽然在传统机器人的技术研发以及产业化方面取得了初步进展，但在信息网络技术与机器人技术结合方面仍然十分滞后。互联网企业在发展机器人技术方面的意识不强，百度公司虽然已经作出机器人相关技术研发的部署，但尚未与传统机器人企业形成合力以共同推进下一代智能机器人的研发。如果不能抓住新一代智能机器人的发展机遇，任由国外公司（如谷歌）建成新一代智能机器人的系统平台及技术标准，我国智能机器人的研发、生产和应用将更加被动，技术方面的差距有被进一步拉大的风险。

我国机器人市场需求激增，但面临产业安全风险。随着我国工业转型升级速度的加快，机器人市场需求正呈现井喷式的增长态势。自2013年起，我国已成为全球需求量最大的机器人市场。经测算，我国工业机器人的需求量还将大幅增长。目前，我国工业机器人密度（每万名工人的机器人拥有数量）仅为23台，远低于韩国的396台、日本的332台、德国的273台。

然而，我国机器人产业总体上还处于起步阶段，工业机器人缺乏品牌认知度，最大的机器人企业年产机器人也仅仅只有千余台。目前，机器人市场基本被外资企业占据，瑞典ABB、日本发那科和安川、德国库卡等知名企业的产品在中国市场的占有率近90%。仅发那科一家的机器人产品就在我国占有23%的市场份额。随着国外机器人企业纷纷将我国作为生产基地，自主品牌生产企业发展的市场空间将被进一步压缩，中国机器人产业安全风险凸显。

接下来，笔者将以中国的工业机器人市场为例，用具体数据分析中国机器人的市场需求。中国机器人市场需求源于国民经济和社会的发展。世界经济发展的经验表明，在工业化中后期推动经济增长的动力由前期对资本、资源的投入转变为技术创新与效率提高。在提高制造业效率时，装备水平的提升成为首要着手点，日本上世纪80年代工业机器人行业的高速成长就是这一观点的有力例证。中国现阶段的国民经济和社会发展水平与日本上世纪80年代初期较为相似，在工业机器人市场需求方面也呈现出相似性。

在人均GDP方面，虽然目前中国的人均GDP低于日本80年代的数据，但中国的制造业主要集中在环渤海、长三角、珠三角区域，即以北京、天津、辽宁、山东、江苏、浙江、上海、广东、福建、重庆、河南、安徽为样本的区域。这些地区2011～2012年的人均GDP算术平均值为8935美元，2012～2013年为9880美元。在人口增长方面，中国现阶段的人口增长率约为0.5%，而日本1980～1981年和1981～1982年的平均值分别为0.76%和0.71%，人口增速较为相似。在人口结构方面，2013年中国0～15岁和65岁以上的人口比例为17.5%和9.7%，日本1980～1981年相同数据的平均值为23.42%和9.16%，这说明中国未来面临的劳动力短缺的程度高于日本上世纪80年代初期，但中国的人口存量大，人口流动性要高于日本上世纪80年代初期。综合判断，现阶段中国的人口趋势与日本上世纪80年代初期相似。

在1980～1981年和1981～1982年两个阶段，日本工业机器人国内市场的平均年销售量分别为1.9万台和2.1万台，工业机器人在制造业的平均密度分别为32台/万人和43台/万人。在2011～2012年和2012～2013年两个阶段，中国国内市场工业机器人的平均年销售量分别为2.3万台和2.9万台，机器人密度分别为20台/万人和24台/万人。中日两国在相应时间段内的销售量和密度均相差不大。从经济、人口、国家政策、国际环境等方面来看，当前中国工业机器人的市场环境与日本1980～1982年间的市场环境非常相似。20世纪80年代，工业机器人在日本蓬勃发展。自1980年到1985年，日本工业机器人的市场规模由768亿日元增长到3023亿日元，年均复合增长率为31.5%。以日本为例，我们可以发现中国的工业机器人市场正处于快速成长阶段。

接下来，笔者将对中国工业机器人的市场规模进行预测。根据日本工业机器人市场销售及保有量数据，1985年日本工业机器人的保有量约为9.3万台，工业机器人在制造业中的密度为99.28台/万人。2010年以来，中国制造业主要行业的从业人员数量增长平稳，至2013年达到5258万人。受人口结构和劳动力供应因素的影响，假设到2020年中国制造业从业人员数量上升到6000万，工业机器人在制造业中的密度将会达到日本1985年的水平（与《关于推进工业机器人产业发展的指导意见》目标相当），届时中国工业机器人的保有量约为60万台。

根据IFR的数据，2013年中国工业机器人的保有量约为13.3万台（不考虑老旧工业机器人更新），至2020年中国工业机器人的总需求量约为46.7万台；此外，工业机器人的使用寿命约为12年，因此到2020年，中国在2008年之前安装的工业机器人将全部更新完毕。根据《中国工业机器人2011年产业分析报告》的数据显示，至2008年底中国工业机器人的保有量约为2.73万台，到2020年中国工业机器人的新安装数量和更新数量合计为49.43万台。根据IFR的数据，2013年中国工业机器人市场销量为3.65万台，保守估计，2014～2020年间中国工业机器人市场销量的复合增长率将达到45.1%。

乐观估计，到2020年，中国工业机器人在制造业各细分领域的密度将达到2008年韩国的水平，届时中国工业机器人的保有量将达到83.36万台。根据IFR的数据，至2020年，中国工业机器人的总需求量约为70.01万台，加上2020年前需要更新的2.73万台，到2020年中国工业机器人的新安装数量和更新数量合计为72.74万台。因此可以乐观地说，2014～2020年间中国工业机器人市场销量的复合增长率将达到53.3%。

下面，笔者将对中国工业机器人的销售额进行预测。根据IFR数据，工业机器人的主机价格约为35万人民币，加上软件、设备和工程费用的系统价格约为105万元。随着市场竞争的加剧，预计2014年至2020年间机器人的主体价格为30万元，系统价格为90万元。因此，至2020年，中国工业机器人主机的市场销售额将在1482.9亿元至2182.19亿元之间，完整应用系统的市场销售额将在4448.7亿元至6546.57亿元之间。根据成本占比法估计，减速器的市场规模将在489亿元至720亿元之间，伺服系统的市场规模将在370亿元至545亿元之间，控制器的市场规模将在148亿元至218亿元之间。

最后，笔者将对中国工业机器人关键部件的需求量进行预测。通用工业机器人一般有4～6个自由度，需要分别使用4～6个电机和减速器，其中伺服电机的占比约为90%（交流伺服电机65%，直流伺服电机25%，步进电机10%），RV减速器约占70%，谐波减速器约占30%。预计在2014年至2020年，RV减速器的市场需求量在138万台至305万台之间，谐波减速器的需求量在59万台至130万台之间，伺服电机的需求量在177万台至392万台之间，控制器的需求量在49.43万台至72.74万台之间。

多方协同推进智能机器人创新应用

当前，我虽然在传统机器人技术研发及产业化方面取得了一定进展，但在信息网络技术与机器人技术结合方面仍然十分滞后，这可能造成我国的机器人技术与发达国家之间的差距出现代际的拉大。为此，我国应该加紧部署智能机器人战略。

建立技术创新载体。借鉴美国、日本等国的发展经验，研究建立机器人创新中心，健全利益分配机制，形成产学研用紧密结合的协同推进格局，推动人工智能、自动化、物联网等领域的技术融合创新，集中攻关智能机器人的共性关键技术，为智能机器人技术研发提供有力支撑。

加大技术研发力度。重点研发对智能机器人发展影响重大的技术，主要包括人工智能技术、传感与识别系统技术、柔性关节、高集成一体化关节、模块标准化体系结构等机构技术、执行与控制技术、操作系统和中间件技术、安全技术、自组装与自修复技术、自主学习与智能发育技术、人机友好交互技术、意图/需求理解技术等。同时还要关注没有被纳入现有机器人技术体系的创新，为研制智能机器人提供技术储备。

明确产品发展方向。以市场需求为牵引，加快智能机器人的研发及产业化。目前工业机器人领域的发展方向一方面是要注重柔性制造，使工作部件能够简便频繁切换，机器人能够轻松安装并随处移动，满足小批量或者定制产品的生产需求；另一方面是发展价格低、通用性强、功能多的机器人。目前，服务机器人领域的发展方向一是发展教育、通信和娱乐等机器人；二是推动机器人在批发、零售、酒店和餐饮业的应用；三是发展应用于护理行业的移动辅助、排泄辅助、老年痴呆患者照料和沐浴辅助等机器人以及应用于医疗行业的微创外科手术机器人。

完善标准体系建设。整合产学研用标准化技术力量，激发企业参与制定、修订标准的积极性，逐步构建既适合我国国情，又与国际接轨的机器人标准体系和认证规范，研究制定基础共性标准、通用技术标准、性能和检测规范、安全标准、通信控制标准、设计平台标准。统一架构机器人的硬件和软件，开发能实现机器人必备功能的通用软件平台，为全球化标准策略的制定奠定基础。