人工智能气调保鲜试验箱

引言实验室工作流程正在快速变化，以跟上当今快节奏的世界。因此，产品和人员也必须适应，不仅要提高生产力，还要消除人为错误和工艺变化引起的异常或不一致。主要挑战包括要求越来越复杂的质量控制来抑制错误，结合先进的分析来获得有意义的信息或可靠的诊断。数据再现性也至关重要，因为在再现和验证结果方面的失败威胁到科学研究的完整性和声誉。自动化必须与人类的专业知识相结合。仪器智能可以在许多方面提供帮助。例如，取决于数据的性质以及获取和存储数据的过程。关键资源是实施基于机器学习和统计数据分析的工具，该工具可用于突出显示异常值或可疑值序列，识别不同数据源和数据模式的不一致性，并通过自动填写缺失值或指出应收集更多数据的位置来减少测试次数。本电子书概述了仪器智能解决方案，并展示了如何修改几个实验室部门，以实现更快、无错误的生产。这尤其可以通过数字化和数字化转型来实现。本电子书的内容包括威利的著作《实验室的数字化转型》的摘要，该书讨论了与人工智能（AI）在实验室转型中的作用相关的机遇、需求和挑战，生物医学研究中“工业”革命的一篇文章的摘要，以及安捷伦智能反射工作流工具的信息图。一、生物医学研究的“工业”革命——数据爆炸和再现性危机促使实验室工作流程发生变化有几个因素正在推动生命科学实验室组织工作流程的方式发生深刻变化，无论是医学诊断还是基础研究。这些变化的一个常见原因是生成的数据量激增，同时数据生产成本快速下降。这需要越来越复杂的质量控制来抑制错误，并结合先进的分析来获得有意义的信息或可靠的诊断。对实验室工作流程造成变化的另一个挑战是再现性，这一点至关重要，因为重要结果的再现和验证失败威胁到生物医学研究的完整性和声誉。深度学习和自动化深度学习（DL）的兴起越来越要求产生准确的数据集，以避免偏见和错误结论。反过来，这需要更多地使用自动化来消除由人为错误和过程变化引起的异常或不一致。例如，批量效应——这会破坏DL工作——在没有自动化的情况下会变得更糟。可以减轻批量效应的算法通常使用某种形式的贝叶斯推理，该推理比较不同条件下的实验结果，以过滤与过程相关的不一致性。然而，这些算法也可以消除生物学上显著的变化。不断增长的自动化从一开始就消除了批量效应的许多原因，从而为DL的强大应用奠定了基础。链接不同的专业知识‍尽管如此，工作流的挑战并不局限于自动化和数据分析。更大的问题在于协调自动化与人类专业知识，特别是在诊断实验室。随着全基因组测序（WGS）和全外显子组测序（WES）的出现，对帮助临床医生有效利用计算能力的新技术的需求变得更加迫切。为了克服诊断瓶颈，已经开发了能够识别数百种与罕见遗传病相关的突变的扩大的携带者筛查小组。这些小组可以发现否则无法检测到的突变，这就是机器和人类之间的整合变得重要的地方。工作流和人工变化实验室的工作方式将发生根本性的变化，正如安捷伦科技公司（Agilent Technologies）最近的一项举措所表明的那样。安捷伦技术公司是实验室工作流程分析工具和软件的专业开发商，于1999年由惠普公司（Hewlett-Packard）分拆而成。Frost&Sullivan开展的一项研究中，根据来自中国、德国、印度、韩国、瑞士、奥地利和美国的650名实验室经理、主任和主管的回答，他们的第一次制药实验室领导者调查结果于2019年6月公布。安捷伦高级副总裁兼首席技术官达琳所罗门（Darlene Solomon）表示，研究结果已经导致实验室设备发生了变化。她说：“85%的受访者告诉我们，他们正在购买更精密、更具特异性的仪器。”。所罗门补充道，工作流程的压力，以及实验室技术人员技能水平的变化，都推动了更易于使用和培训需求的减少。所罗门说：“我们有一些例子表明，一个看似微小的改变，例如使用带有触摸屏的仪器，确实有助于提高使用和训练的便利性。”。“这一点很重要，因为一些地区的实验室技术人员的形象已经发生了变化。虽然几年前，实验室技术人员可能是具有质谱或气相色谱专业教育的理科毕业生，但如今，他们很可能是具有人文学科学位的多面手，这意味着实验室管理人员希望仪器易于使用、易于培训，以及不需要由专家操作。”另一个主要趋势是人工智能（尤其是DL）的日益融合，以适应实验室中复杂或重复的任务。所罗门说：“基于深度神经网络的现代人工智能方法在基于组织染色的数字病理学领域尤其有前景，可以提高癌症诊断和治疗决策中病理切片解释的准确性并降低其复杂性。”。“例如，人工智能可以提高效率，提高计算细胞等耗时任务的准确性，或者识别高级细胞染色产生的复杂模式的准确性，这些模式可能会让人工解释感到困惑。”所罗门强调，需要可靠的数据来为DL算法提供数据，并强调了整个工作流程一致性的重要性。“样本分析总是从样本准备开始。良好和一致的样本准备是迈向自信和高质量结果的一大步，这将在后端产生有意义的理解，”她解释道。解决治理和道德问题安捷伦调查范围之外的工作流程还有另一个维度，即激励和道德考量的作用，以确保一致和公平的结果。马拉维大学公共卫生和流行病学教授亚当森穆拉强调了这一点。他解释说：“如果没有适当的系统，即使是最好的设备也无法发挥最佳作用。”。“也许我们也可以采用约瑟夫姆富索本戈（Joseph Mfutso Bengo）的LEGS（领导力、道德、治理和系统）模型。”穆拉指的是马拉维为加强卫生系统而开发的名为LEGS的框架，特别是在治理和法治相对薄弱的发展中国家[1]。根据LEGS研究的作者，道德规范会在各个层面，如采购、临床工作和研究，加强内部社会控制。提高再现性虽然临床需要一致性和准确性，但再现性已成为基础研究和转化研究的一大挑战。无法再现结果的主要原因之一是当正面结果比负面结果更受青睐时，发表偏见。还有一种被称为HARKing（结果已知后假设）的现象，研究人员呈现出意想不到的结果，就好像他们从一开始就被假设了一样[2]。虽然并非所有研究人员都同意HARking完全不利于科学进步，但这其中存在不诚实的因素，更重要的是，它可能会带来偏见，因为该假设可能只是从结果中推断出的几种假设中的一种。一种解决方案是再次改变工作流程，在进行实验之前预先注册工作计划和假设，以避免选择性报告或HARking。英国布里斯托大学生物心理学教授马库斯穆纳夫（Marcus Munafò）是感兴趣的研究者之一，他研究与酒精和药物滥用相关的神经通路。Munafò博士毕业后，在进行了系统回顾和荟萃分析后，发现许多发现不如看起来可靠时，他对工作流程和再现性之间的联系产生了兴趣。他解释道：“我对我们的激励结构和工作方式有何贡献感兴趣。”。“现在，我有兴趣思考如何改进我们的激励结构和更广泛的研究文化，以关注质量，至少与创新、新颖性和发现一样多。在过去几年中，我们朝着开放的研究工作流程迈进。我们从预注册研究协议开始，现在我们定期归档数据，我们开始归档用这些分析脚本，我们发布所有手稿的预印本。最初，这仅用于赠款资助的活动；现在是我们所有的活动，包括学生项目。”Munafò补充道，在这一正在进行的过程中，还有更多的工作要做，比如分享更多的研究材料。他说：“这有几个好处——它允许对我们的工作进行更严格的审查，并为内部检查提供了激励。”。根据Munafò的说法，最大的挑战是在研究人员中灌输长期观点，并清楚地阐明其益处，以便团队成员认同所需的努力。这与马拉维LEGS项目传达的信息一致，其基本主题是，研究的动机需要围绕科学和数据而不是希望和愿望引导的一致性和透明度进行重新调整。这几乎是对人性本身的挑战。References[1] Mfutso-Bengo, J., Kalanga, N., and Mfutso-Bengo, E.M. (2018) Proposing the LEGS framework to complement the WHO building blocks for strengthening health systems: One needs a LEG to run an ethical, resilient system for implementing health rights. Malawi Med. J., 29 (4), 317.[2] Kerr, N.L. (1998) HARKing: Hypothesizing After the Results are Known. Personal. Soc. Psychol. Rev., 2 (3), 196–217.[3] Hunter, P. (2020) The “industrial” revolution in biomedical research. EMBO Reports 21, e50003.二、人工智能（AI）改造实验室数字化正在我们的工作和日常生活中蔓延，从纸张到数字不仅仅是改变存储数据的媒介。本文讨论了与人工智能（AI）在改造实验室中的作用相关的机遇、需求和挑战。实验室的数字化在某些领域比其他领域更快，这取决于从纸面向数字化转变的需求和机会。Al可以作为过程中的催化剂，提供一系列附加服务，包括健全性检查、异常值检测、数据融合和数据预处理阶段的其他方法、数据分析和建模的不同方法、数据消耗监测和实验室中的其他动态过程，以及对领域专家的决策支持（图1）。图1。从数据预处理和来自不同来源的数据融合到数据分析和不同过程的监控，AI可以在不同方面支持实验室。资料来源：Dunja Mladinic提供。数据预处理和数据分析根据数据的性质、获取和存储数据的过程或其他一些数据属性，Al方法可以以不同的方式帮助数据预处理。例如，我们可以有一个基于机器学习和统计数据分析的工具来突出显示异常值或可疑值序列，识别不同数据源和数据模式的不一致性，并通过自动填写缺失值或指出应收集更多数据的位置来减少测试数量。如今，Al方法能够高效组织大量异构数据，支持高效搜索和检索。除此之外，根据数据形态，可以为用户提供强大的数据探索工具，包括丰富的数据可视化、自动异常值检测、数据建模和预测。此外，数据分析可以应用于实验室工作的不同阶段，从监测和指导数据收集、数据预处理、存储和建模到搜索历史实验室数据（例如，测试结果和笔记本），并使科学家能够跨问题和实验室共享数据和模型。过程监控实验室中的过程涉及可能从监控和建模中受益的活动和数据。我们讨论的是一个过程或一组可能相互关联的过程的动态和结果建模。历史数据可用于建立一个参考模型，该模型可根据监控过程的当前背景和趋势进行调整。由于Al方法用于构建机器、物流流程或生产工厂的数字孪生，因此它们也可用于构建实验室中某些流程的数字孪生。这将有助于监控相互依赖性、可能的异常检测以及对流程未来发展的模拟，使专业人员能够提出假设问题。通过对输入数据进行实时建模和监控的能力，我们可以在同一实验室内或不同实验室内分析数字实验室笔记本。以类似的方式，由于机器学习方法已被用于数十年的研究出版物中，以预测科学中的下一件大事，[1]人们可以分析和监控实验室中的过程和数据流。人类在回路中无论我们在实验室中使用了多少以及在哪些过程中使用了人工智能，我们都应该记住，人工智能可以涵盖一些智能，但人工智能无法涵盖人类给过程带来的其他维度，在采取行动之前预测行动的后果，并制定实现目标的策略。智力与清晰、专注和有选择的思维有关，需要我们的指导，以避免迷失在细节或幻想中。根据瑜伽哲学，智慧是实现人生成功所需的三种创造力之一：意识、智慧和能量。[2] 例如，为了知道我们想要表现什么以及如何表现，我们需要资源/能量来真正做到这一点；要知道要展示什么和拥有资源，我们需要一个策略。人类通过有意识地决定某些工作或实验室实验的目标，智能地制定实现目标的策略，并利用资源来实施策略和实现目标，在这一过程中发挥着至关重要的作用。References[1] Lawton, G. The next big thing in chipmaking. Computer (Long. Beach. Calif). 40, 18–20 (2007).[2] Mladenic, D. Artificial Intelligence (Al) Transforming Laboratories. in Digital Transformation of the Laboratory 289–295 (Wiley, 2021). doi:10.1002/9783527825042.ch21.原文：Advances in Instrument Intelligence——Using AI to Achieve Digital Transformation供稿：符 斌，北京中实国金国际实验室能力验证研究有限公司

第19届亚运会将于今年9月在浙江省杭州市举办。日前，浙江省杭州生态环境监测中心在亚运场馆周边采集了70余个水质监测点位样品，并将这些样品批量放入一套全自动智能分析系统，原来至少需要两个人分析一天样品，现在系统自动操作很快就可完成，而且批量可以达到200多个。这个水质监测智能化系统，业内称之为杭州“生态环境监测AI人工智能实验室”，于2021年5月开始建设。当前主要进行水质智能化监测实验和系统改进，截至目前已经完成近1000个实际样品的实验室比对测试分析，已成功申报一项国家标准立项，并正在申报省标方法规范。水质监测任务一度较为繁重杭州是一个集江、河、湖、海于一体的多水城市，水质监测任务十分繁重。平常每月水质样品检测分析达500余个，而每一个样品分析都要工作人员全程跟踪操作，环节繁多。前些年，杭州曾发生过钱塘江、苕溪饮用水水质异味、化学品运输车辆翻车等事件。尤其是新冠肺炎疫情发生以来，杭州先后迎战新冠病毒德尔塔 、奥密克戎等，每遇这种非常时期，水质监测样品都堆满房间。由于人工监测、分析速度有限，杭州环境监测人度过了许多个不眠之夜。2017年6月发生的钱塘江化工桶泄漏环境突发污染事件，监测人员现在想起来仍心有余悸。当时频次要求高的时候需要每小时采一次样品，每次分析项目达20多项，连续作战十多天。因为全靠人工监测分析，时间紧、任务重、人手少，不得不24小时通宵分析样品。参与当时监测分析的人员余海霞说，加班一夜，凌晨下班时头晕眼花，出单位都不知道回家的方向了。人工智能实现批量化检测结合杭州数字之城建设，杭州开启了“生态环境监测AI人工智能实验室”，积极探索打造“小切口、大场景”平台。这个实验室从外观看没啥特别，只有100多平方米的空间，内部设计却别有洞天。不同于一般实验室“人＋设备”的繁忙景象，这个实验室没几个人，只有两条水质检测的全自动“生产线”——水质自动化分析仪和流水线系统在不停运转。只需把水质样品放进放置区，样品分液、试剂添加、检测分析等流程就不再需要人工参与。而且，人工智能实验室也让批量化检测成为可能。原理化室负责人、现杭州生态环境监测中心办公室主任王奕奕介绍，水质监测分析是一个复杂的过程，添加何种化学试剂、试剂要放多少、何时能进行下一步等，都需要专业人士“操刀”。人工智能实验室，打破了对人的依赖 ，实验室结合仿人眼感知等先进技术，让“生产线”具备了人的观察力和灵活度，即便无人指导，也能自主判断进行检测。不仅提升了检测速度，也减少了人工检测可能引起的误差。原本好几个人干一天的工作，现在1套系统就能完成，而且可以实现大批量检测。“智能监测不但速度快，还有可追溯优点。人工监测样品，如遇到什么问题，回想经过的细节，往往会不那么准确。人工智能实验室在样品保存、数据质控、数据异常等关键环节留痕，实现分析结果可追溯，十分精准 。”王奕奕说。杭州“生态环境监测AI人工智能实验室”在实验阶段已“小试牛刀” 。王奕奕介绍说，去年11月，在分析三墩港一个水样的高锰酸盐指数指标时，发现样品的平行样数据偏差较大。按照以往的做法，需要人脑回忆实验步骤寻找可能出现的问题。而智能实验室的分析系统有视频记录功能，很快精准锁定了问题。今年1月，在监测钱塘江某点位水样时，发现氨氮指标数据超过水质类别标准，智能系统立刻预警提醒，第一时间按规定对水样进行了复核。如果采用人工分析，由于样品的数量多、工作量大，就很难在第一时间发现样品异常情况。打造智能监测杭州样本杭州水质监测智能化，最近已入选国家试点项目。2月18日，生态环境部印发《生态环境智慧监测创新应用试点工作方案》，其中杭州“生态环境监测AI人工智能实验室试点”和另一个高科技项目“杭州生态环境监测无代码技术应用试点”两个项目同时入选全国试点。这个方案根据技术应用先进程度、应用场景丰富程度、人工参与程度等分为六级（L0-L5），重点提升“支撑服务保障、智慧监测基础、服务群众”三方面能力。杭州入选的两大项目均列为最高级别L5，属于全国首创。“生态环境监测AI人工智能实验室试点”对标生态环境监测数字化改革的要求，以国家相关监测分析方法标准为依据，建设全流程自动监测分析系统，实现样品从任务下达到样品前处理、测试、数据分析报送的全流程、全方位、全自动监测。试点项目重点围绕提升智慧监测基础能力，推动新型监测技术应用落地等方面，通过生态环境监测业务全过程智能化、数据高效存储分析利用实践等方面创新突破，力争实现“杭州试点，全国推广”，为全面提升生态环境保护和监测水平做出贡献。“我们力争通过一至两年时间的试点，成功打造国内领先的第四代水质环境监测智能化系统，为全国探索出一个数字化智慧监测的‘杭州样本’。” 浙江省杭州生态环境监测中心主任陈健松说。

本期推文主要编译整理了 Xin YeeTai 等发表在 Energy and AI 的综述《可持续化学和工艺的未来:人工智能、数据和硬件的融合》（The future of sustainable chemistry and process: Convergence of artificial intelligence, data and hardware）。论述了在工业 4.0 的背景下，可持续的化学过程可能会成为一个智能实验室，将网络物理系统与先进的人工智能和稳健的检测技术连接起来。它还将创建一个闭环系统，包括合作和协调机器、自我决策系统、自主问题解决和学习系统。此外，还讨论了闭环系统在可持续化学过程中的发展前景和关键挑战。可再生能源发电和绿色合成的可持续化学是一个及时的研究课题，其愿景是在不损害子孙后代的情况下满足当前需求。在工业 4.0 时代，可持续化学和过程正经历着从连续流系统到下一层级操作的剧烈转变，例如通过将人工智能、数据和硬件集成到网络物理系统中的协作和协调机器、自决策系统、自主和自动问题解算器。由于物理空间和网络空间之间缺乏融合，开环系统面临着数据隔离、周期时间慢和资源管理不足等挑战。新兴的研究致力于加速这些循环，通过增材制造、内置在线监测和人工智能减少多步骤过程和实时表征之间的时间。最终目标是同时提出可持续化学过程中的工艺配方、流程合成和分子表征，每个步骤同时发送和接收数据。这一过程被称为“闭环”，它将潜在地创建一个具有高度集成系统的未来实验室，并生成一个面向服务的平台，用于端到端同步、自进化、反向分子设计和自动科学发现。该观点提供了一种方法，分别通过人工智能和增材制造，结合内置在线监测，分别理解网络和物理系统。此外，还讨论了闭环系统在可持续化学过程中的发展前景和关键挑战。01 引言可持续化学过程是一个科学概念，它寻求在不牺牲资源和环境的前提下满足当前的需求。近年来，连续流化学的发展势头日益强劲，从基本的实验室技术发展到实践中复杂的多步骤工艺。与传统的间歇系统相比，它具有搅拌快、传热快、反应时间控制有效、对有毒和高活性化学品实验安全等优点。此外，连续流化学可以更快地发现绿色化学产品和合成路线，大大减少了实验室和工业规模的污染物排放。连续流化学是实验室里的微型连续装置。它被认为是可持续化学工艺从科学研究向工程生产规模化发展的垫脚石。以层流为基础的燃料电池是可持续化学过程的一个显著例子，它利用液体燃料作为可持续资源，在微通道中持续产生能量，并产生水作为副产品，而不会对环境产生负面影响。此外，太阳能是一种巨大的、可靠的、实际上用之不竭的能源，具有均匀的辐照，可以很容易地与连续流反应器集成在一起，在流太阳能电池中产生化学能和电能，如产生单重态氧和去除水中的有毒成分。可持续化学过程的概念也体现在碳捕获和利用上，即以微胶囊或微流体装置的形式持续捕获温室气体，然后转化为绿色合成产品。第四次工业革命，又称工业 4.0，正在形成一种演变，其影响已遍及各个行业，尤其是制造业。在工业 4.0 的背景下，可持续的化学过程可能会成为一个智能实验室，将网络物理系统与先进的人工智能和稳健的检测技术连接起来。它还将创建一个闭环系统，包括合作和协调机器，自我决策系统，自主问题解决和学 习系统。可持续化学过程的智能实验室的目标是通过适应“即插即用”的原则，以尽可能快的速度完全灵活的生产。鲁棒的传感技术可以灵活地嵌入到多步反应和分离过程中进行实时监测。因此，3D 打印提供了最佳的解决方案，因为其灵活和可定制的独特属性，使“即插即用”的原则快速实现。此外，在智能实验室中采用数据驱动策略，可以提高灵活性和智能制造水平。这一策略在很大程度上取决于数据的质量和数量，这可以通过利用先进的传感技术通过内置在线监测过程来保证。此外，智能实验室也被称为“黑暗实验室”、“熄灯实验室”或“无人实验室”，不需要人力。[来源：曼森生物视频号] 曼森无人化实验室检测全流程自动化，实现检测全流程黑灯作业它运用人工智能实践预测、自动化和自主、自行为和自决策的方法，在可持续化工过程中进行智能控制、调度、设计、过程控制质量和维护。例如，巴斯夫正在实施工业 4.0，将 3D 打印应用于现场设施、连接系统以及用于过程管理和控制以及虚拟工厂调试的先进预测和分析模型。施耐德电气采用了 3D 打印、先进的人工智能和先进的传感器，使生产率提高了 2-7%，能源利用率提高了 30%，运营成本降低了 50%。将增材制造、先进 AI 和鲁棒传感器应用于工业规模工艺，在提高工艺效率、能源利用率和成本效益方面显示出显著的势头。如前所述，AI、数据和硬件是智能实验室的基础模块。人工智能是对人类智能的一种模拟，它被编程在机器中，使它们能够像“科学家”一样思考和行动，比如学习和解决问题。在可持续化工过程中，神经网络、机器学习和遗传算法等人工智能算法是监测、优化和控制中常见的数据驱动方法。因此，将先进的传感技术嵌入到多步骤过程中进行在线监测，可以保证数据的质量和数量，这是数据驱动方法的主要关注点。通过内置在线方法，可以获得化学过程的实时数据，如反应物使用量、产品收率以及操作条件，如 pH、温度和压力，这些都是离线分析技术无法获得的。在线方法直接测量工艺流程，不需要去除或转移样品，而在线方法自动分析样品材料，不需要分配工艺。将先进的传感技术集成到反应室需要灵活的硬件设计，这可以通过增材制造(AM)方便。AM 也被称为 3D 打印，是一种绿色制造技术，从数字输入建立三维物理输出，而不需要传统的工具。该定制工具为需要定制、灵活性和设计复杂性的应用程序提供了优势。AM 在燃料电池、流动化学等能源产生装置中的应用也得到了广泛的讨论。除此之外，人们还非常希望将人工智能、数据和硬件结合到实验室规模的研究中，以简化之后的升级过程。到目前为止，许多工作已经分别讨论了智能工厂的网络和物理系统。网络系统指的是人工智能和数据的融合，数据通过先进的感知技术产生，并被人工智能算法用于执行任务，如在云空间的自我优化和预测。相比之下，物理系统描述了智能实验室的硬件，如多步反应器、分离器和检测技术，它们可以通过 AM 技术实现物理集成，用于内置在线监测。在这样的网络和物理系 统中，如果没有 AM，网络系统的鲁棒性将受到低自定义能力与强大的检测技术 连接的阻碍，从而导致构建可靠模型的高质量数据的丢失。另一方面，如果没有 人工智能，物理系统将只能执行实时监控，而没有智能反馈和控制，限制了物理 系统的可扩展性和功能。因此，人工智能、数据和硬件的融合可以实现智能可持 续化学的物理和虚拟意义。02 通过增材制造和在线监测实现的智能物理系统这里的物理系统指的是用于反应器、分离器和先进检测等可持续化学过程的智能实验室的硬件。由于对实时信息的需求，有必要通过增材制造将它们集成到外壳和套管中，以便进行内置在线监测。AM 可以减少生产集成先进检测的定制反应室的周期时间。这种无与伦比的方法可以鼓励研究人员执行一种更迭代的方法，在现有的硬件中嵌入特定的几何形状。因此，可以根据工艺的要求，立即修改设计。此外，它还可以避免有价值但寿命较短的中间体检测的损失。目前，各种检测技术，如温度监测、光谱学和成像，已通过 3D 打印用于在线监测在可持续化学应用中得到了报道。例如，Monaghan 通过超声波添加剂制造（UAM）开发了多材料结构光谱学，将纤维药物嵌入金属微反应器中，用于 B维生素烟酰胺和荧光素的现场监测，如图 1 A 所示。通过启用 AM 的现场监测，研究人员可以从反应物的使用中获得实时数据，而使用离线分析技术无法看到产品形成和中间体生成。Maier 等人通过选择性激光熔化（SLM）开发了带有在线氧传感器的不锈钢反应器。这被证明是研究格氏试剂在流动中氧化的一种有前途的方法。这两项工作都表明了 AM 技术在制造高度复杂的金属器件方面的稳健性，这些器件适用于可持续化学过程中的高温高压应用，同时在更自由的设计中保持高精度的测量。在空气污染监测的另一个应用中，熔融灯丝制造（FFF）用于制造带有嵌入式半导体空气质量传感器的光催化气相反应器，该传感器测量电阻变化。这种 3D 打印气体传感器采用廉价的方法制造，并配有现成的组件，如光催化过滤器和模数转换器。采用 AM 技术还可以安装更强大的检测单元，并改进系统性能评估。例如，在燃料电池系统中，电流密度和功率密度是评估性能的标准实时信息。采用熔融沉积模型（FDM）在高温聚合物电解质燃料电池上嵌入电子顺磁共振（ERP）光谱，用于阴极电导率测量。Polyjet 技术提供了一种快速且经济高效的方法，当使用商业 X 射线计算机断层扫描仪提供的低强度 X 射线进行水分布可视化（图 1 B）时，设计足够小的夹具，以实现良好的信噪比，否则很难通过常规机加工制造。这项工作突出了使用鲁棒传感器实时监测层流燃料电池的机会。Menzel 等人通过 FDM 提出了一个 3D 打印化学合成系统，包括反应器、分离器、压力调节器和泵，如图1 C所示，该系统为多步化学合成创建了一个完整的连续流系统。 在低成本 3D 打印技术上对耐高温和耐化学腐蚀的聚合物（如聚醚醚酮）进行 3D 打印，为可持续化学过程中的高温和腐蚀应用创造了机会。图 1 （A）UAM 池光谱测量示意图，其特征是垂直于微流控通道嵌入涂层光纤，用于分析荧光素溶液 （B）具有三维打印池支架和流场夹具的 X 射线计算机断层扫描系统内的可视化设置 （C）使用三维打印反应器、泵、BPR 和膜分离器曼森人工智能自动化实验室产品随着互联网技术的不断革新以及人工智能、大数据时代的到来，信息技术在各个领域日益渗透，借助先进信息技术与前沿管理理念打造智慧实验室，成为未来发展的必经之路。在此创新变革浪潮之下，曼森生物全自动化检测检验实验室解决方案从精益化、智能化、持续化三大方向持续深化创新，为实验室的运营管理与未来发展带来无限可能，成为助力实验室实现自我革新的新引擎。NO.1高通量发酵平台平行生物反应器：由华东理工大学生物反应器国家重点实验室和国家生化工程技术研究中心张嗣良教授技术团队研发的平行生物反应器，区别于传统的生物反应器，具有高度平行性（同步性和重现性），利于高校实验室和企业研发实验室使用。NO.2液体处理机器人全自动分液机器人：采用协作机器人进行分装液体，通量高、速度快、灵活性大、兼容试管、离心管、三角瓶、蓝盖瓶、容量瓶、微孔板等多种形式容器，特别是可以分装接触皿将液体自动定量分装到各种容器中。梯度稀释机器人：样品的梯度稀释、复制和重排组合，适用于试管间、孔板间稀释；有吹吸混匀功能。可以同时稀释4种样品。NO.3四通道平板分装仪四通道平板分装仪：该设备拥有智能操控、分装准确、可自定义分装参数等特点，可以同时分装1-4种培养基。仪器启动后无需管理，自动进行培养基的分装及平皿堆叠，可大幅度减少操作人员工作量，是实验室分装平板培养基的优选设备。未完待续参考文献：Xin Yee Tai, Hao Zhang , Zhiqiang Niu, et al. The future of sustainable chemistry and process:Convergrnce of artificial intelligence,date and hardware. Energy and AI 2 (2020) 100036文章来源：本文由中科院上海生命科学信息中心与曼森生物合作供稿排版校对：刘娟娟编辑内容审核：郝玉有博士

p　　国家新一代人工智能创新发展试验区(以下简称试验区)是依托地方开展人工智能技术示范、政策试验和社会实验，在推动人工智能创新发展方面先行先试、发挥引领带动作用的区域。根据科技部印发的《国家新一代人工智能创新发展试验区建设工作指引》，到2023年，我国将布局建设20个左右试验区，创新一批切实有效的政策工具，形成一批人工智能与经济社会发展深度融合的典型模式，积累一批可复制可推广的经验做法，打造一批具有重大引领带动作用的人工智能创新高地。/pp　　3月9日，科技部发布4份函，支持重庆、成都、西安、济南建设国家新一代人工智能创新发展试验区的函。去年，科技部曾发函支持北京、上海、天津、深圳、杭州及德清县、合肥建设试验区，如今这一队伍壮大至11个地区。/pp　　科技部的回函中针对性地点出了这几个地区的人工智能产业基础和希望着力发展的方向，也正是这些地方产业发展的机会所在：/pp　　strong重庆:发挥人工智能在重庆市建设西部大开发战略支点和国家中心城市中的重要作用，有力推动成渝地区双城经济圈创新发展。/strong发挥产业链优势，提升人工智能对经济社会发展的支撑能力。充分发挥重庆在人工智能领域产业基础良好、应用场景丰富、基础设施健全等优势，加大人工智能研发部署力度，聚焦智能制造、智慧城市重点领域加强技术集成和应用示范。培育壮大人工智能硬件、机器人等产业，充分发挥人工智能在传统工业基地改造升级中的作用。开展智慧旅游、智慧物流、智慧交通、智慧生态保护应用示范，打造具有山城特色场景的智慧城市。/pp　　strong成都:充分发挥人工智能在推动成都产业转型升级和民生改善中的重要作用，有力推动成渝地区双城经济圈创新发展。/strong依托重大应用场景和科教资源，加强人工智能研发创新。充分发挥成都在人工智能领域应用场景多元、科教资源丰富等优势，加强人工智能基础研究和前沿技术研发，完善智能化基础设施，优化人工智能创新空间布局，在智能空管、普惠金融、智慧医疗等场景加强应用示范，培育以行业融合应用为引领的人工智能新业态新模式，推动构建开放型产业体系。/pp　　strong西安:发挥人工智能对西安高质量发展的支撑引领作用，有力促进“一带一路”建设。/strong充分利用科教优势，加强人工智能关键技术突破和应用。发挥西安在智能感知处理、智能交互等方面的研发基础和人才优势，强化人工智能基础前沿和关键核心技术研发，完善人工智能孵化服务体系，积极拓展应用场景，在先进制造、文创旅游、商贸物流等方面形成一批有效的行业解决方案，打造创新驱动发展的新引擎。/pp　　strong济南:发挥人工智能在推动济南市新旧动能转换中的重要作用，整合科技和产业资源，增强人工智能创新能力。/strong发挥济南人工智能应用场景丰富、算力基础和数据资源雄厚等优势，加强人工智能技术研发攻关，完善智能化基础设施，加大成果转移转化力度和产业集聚，推动人工智能在制造、农业、交通等重大场景中的创新应用，促进传统产业智能化转型升级，培育壮大新动能。/p

央广网宁波11月15日消息（记者 俞烨 通讯员 周佳贝 仇维杰）近日，宁波市北仑区建成投用浙江省首个区县级水质监测AI人工智能实验室，通过监测技术升级、监测装备升级、监测效能升级等实现了水质监测实验室的全新建设。11月14日，一批地表水样品送达宁波市北仑区环境保护监测站的水质监测AI人工智能实验室，实验室里的设备如同工厂内的自动化生产线一样，开始不停地运行。智能移动机器人首先通过多模式扫码技术，对样品台上的样品进行迅速扫描识别，随后，精准抓取样品放上传送带。通过传送带后，水样进入自动取样系统，自动取样系统则以多方位多重感知技术、液体流路自动控制、机器人自动进样等一系列关键技术，实现批量地表水样品从分液、前处理、检测分析到数据报告的全流程自动化。AI人工智能实验室（央广网发 通讯员供图）该实验室将自动化分析与人工智能、物联网、区块链、数据库管理等新技术融合创新，实现氨氮、总磷、总氮等9项监测因子的全过程智能化自动测试。移动机器人与智能样品台的“乐高组合”，使样品位扩充到200个，后续还可根据需要增加清洗、预处理等功能或拓展其他监测项目，满足不断变化的监测需求。“AI智能实验室实现了检测项目由‘单台测试’向‘协同测试’的转变，可以24小时无休眠工作，工作效率达到传统手工监测的5到10倍。”宁波市北仑区环境保护监测站站长祝旭初说，“同时，它有效减少了检测过程中引起的人为误差，并且大幅减少监测人员与含毒试剂等危险源的直接接触，降低安全风险”。AI人工智能实验室（央广网发 通讯员供图）据了解，目前北仑区每月监测地表水样品量近500个，且监测项目多元化，城市水质监测任务繁重。开发建设AI智能实验室，有效缓解了生态环境监测系统“人少事多”的问题。以每日100个样品9项参数检测计算，传统人工监测预计需要投入约7至8人，而利用AI智能实验室，仅需2人便能完成试剂配置、方案确认及数据上传工作，节约人力成本超80%。近年来，北仑在生态创建、降碳减污、改革创新上发挥示范引领作用，并着力推进数字化水环境治理，不断增强城市水环境大脑。此次建成投用的AI人工智能实验室“升级版”， 把传统实验室以人力为中心的运行模式转变到以数据为中心的人工智能监测模式，为地表水样品的大通量检测提供了新思路、开辟了新路径，打造了全面提升生态环境监测自动化、智能化、信息化能力的样板工程，为北仑全面建设生态环境监测现代化区县奠定基础。

p　　11月15日，科技部在京召开新一代人工智能发展规划暨重大科技项目启动会。会议深入学习贯彻党的十九大精神，紧紧围绕新一代人工智能发展规划，形成了任务落实的系统安排，全面推进规划和重大科技项目启动实施。科技部部长万钢，科技部党组书记、副部长王志刚，中国工程院院长周济，教育部副部长杜占元，工业和信息化部副部长罗文，交通运输部党组成员李建波，卫生计生委副主任曾益新，军委装备发展部副部长王力，科技部副部长李萌，部分战略咨询委员会专家出席会议。地方科技部门、产业技术创新战略联盟的代表，以及人工智能研发应用方面领先的部分企业、高校、科研院所代表，科技部有关司局和事业单位负责同志也参加了会议。会议由王志刚书记主持。/pp　　王志刚首先strong介绍了新一代人工智能发展规划实施的组织推进机制，宣布成立新一代人工智能发展规划推进办公室/strong，由科技部、发展改革委、财政部、教育部、工业和信息化部、交通部、农业部、卫生计生委、中科院、工程院、自然科学基金会、中央军民融合发展委员会办公室、军委装备发展部、军委科技委、中国科协等15个部门构成，负责推进新一代人工智能发展规划和重大科技项目的组织实施。宣布成立新一代人工智能战略咨询委员会，为规划和重大科技项目实施，以及国家人工智能发展的相关重大部署提供咨询。战略咨询委员会由潘云鹤院士任组长，成员包括陈纯院士、李未院士、高文院士、郑南宁院士、吴澄院士、李伯虎院士、吕跃广院士、梅宏院士、曹雪涛院士、王天然院士、吕建院士、吴志强院士、黄如院士、刘明院士、徐宗本院士、吴曼青院士、徐波研究员、李斌研究员、赵春江研究员、刘忠教授、薛澜教授，以及来自企业的闵万里先生、王海峰先生、姚星先生、胡郁先生、余凯先生共27名专家。/pp　　strong李萌介绍了新一代人工智能发展规划部署实施的前期准备/strong，强调规划实施要构建开放协同的人工智能科技创新体系，把握人工智能技术属性和社会属性高度融合的特征，坚持人工智能研发攻关、产品应用和产业培育“三位一体”推进，强化人工智能对科技、经济、社会发展和国家安全的全面支撑，并从明确部门分工、加快重大科技项目实施、推进试点示范、加强国际合作、出台针对性政策等方面提出了下一步工作的具体安排。/pp　　科技部高新司司长秦勇介绍了新一代人工智能重大科技项目实施的总体考虑，并宣布首批国家新一代人工智能开放创新平台名单：strong依托百度公司建设自动驾驶国家新一代人工智能开放创新平台，依托阿里云公司建设城市大脑国家新一代人工智能开放创新平台，依托腾讯公司建设医疗影像国家新一代人工智能开放创新平台，依托科大讯飞公司建设智能语音国家新一代人工智能开放创新平台。/strong各开放创新平台代表和产业技术创新联盟代表分别发言，表示愿意为我国新一代人工智能发展贡献力量。/pp　　潘云鹤代表新一代人工智能战略咨询委员会发言，表示战略咨询委员会将认真履职，为国家人工智能发展的重大战略问题提供专业咨询建议，为新一代人工智能发展规划和重大科技项目实施、人工智能学科建设和人才培养建言献策，为推动人工智能健康发展作出中国科学家的贡献。/pp　　strong万钢对规划和项目实施提出要求，强调三个方面：/strong/ppstrong　　一是要切实增强使命感和紧迫感，充分认识新时代我国发展人工智能的重大意义。/strong/ppstrong　　二是要强化重点任务部署，打造我国人工智能先发优势。/strong要突出基础前沿和高端引领，牢牢把握创新源头和方向，实施好重大科技项目，形成新一代人工智能技术体系的前瞻布局。要大规模推进人工智能创新应用，促进人工智能与实体经济深度融合，引领带动智能经济和智能社会发展。要加强人才队伍建设，加快形成人工智能人才高地。/pp　　strong三是要强化开源开放和政策引导，形成推进人工智能健康发展的良好生态。/strong强化企业主体和市场主导，突出企业在技术路线选择和行业产品标准制定中的主体作用。注重开源开放，建设开放知识平台、开源软件平台，开源硬件工厂，打造群智众创空间、社会交流平台，推动人工智能创新创业。深化国际合作，加强人工智能技术研发合作和全球共性问题研究。要注重政策设计和风险防范，探索对人工智能新业态包容审慎的监管，研究应对人工智能对就业结构、伦理道德、隐私保护等带来的挑战。/pp　　王志刚总结时指出，这次会议是贯彻落实党的十九大精神、加快推进我国人工智能发展的一次重要会议，会议的召开标志着新一代人工智能发展规划和重大科技项目进入全面启动实施阶段。下一步，要按照党中央部署要求，以钉钉子的精神切实抓好规划任务落实。要把规划落实与学习贯彻党的十九大精神紧密结合，深入研究新时代我国人工智能发展的战略地位和重点、人工智能在解决社会主要矛盾方面的作用、人工智能与实体经济深度融合、智慧社会建设等重大问题并提出针对性措施，在规划实施中要把十九大的部署要求落实到位。要加快推进重点任务落实落地，把中央关于人工智能的各项部署转化细化为具体工作任务，把规划确定的各项重点任务排出时间表、路线图。要加强规划实施组织协调，各部门要按照任务分工，制定具体工作方案，形成规划落实的合力。规划推进办公室要做好规划实施的协调指导和检查评估，会同相关部门、地方，聚集政产学研用各方资源做好规划和项目的落实。/pp /p

从去年全国两会开始，“人工智能（AI）”就成为一个备受关注的热议话题，今年全国两会延续了这一热度。国务院总理李强日前在政府工作报告中多次提到人工智能，并提出开展“人工智能+”行动。对于“人工智能+”行动，接受《证券日报》记者采访的多位全国政协委员和人工智能相关企业普遍认为，“人工智能+场景创新”“人工智能+算力基础”“人工智能+法治建设”有望率先“动起来”。人工智能+场景创新推动大模型与数字化系统融为一体我国人工智能技术快速发展、数据和算力资源日益丰富、应用场景不断拓展，为开展人工智能场景创新奠定了坚实基础，当前人工智能技术已经在医疗保险、交通运输、智能制造、智能家居、教育等领域广泛运用。全国政协委员、上海移动总经理陈力对记者表示，要明确我国人工智能所要解决的技术、社会和经济发展等问题，在此基础上锚定我国人工智能的发展模式和方向。明确人工智能产业发展规划布局，集中资源投入上游基础层企业，解决中高端人工智能产品自主供应能力不足的问题。提升我国人工智能主管部门与其他部门的联动，自上而下地激发人工智能与各行各业的融合活力。全国政协委员、360集团创始人周鸿祎在接受《证券日报》记者采访时表示，中国发展人工智能大模型的一个重要方向是借助产业和场景的优势，将大模型与业务流程、产品功能相结合，寻求多场景应用、垂直化和产业化的落地。昆仑万维董事长兼CEO方汉向记者介绍，在交通物流行业，人工智能技术应用可以助力企业提升运输效率，降低全社会物流的成本；在文化旅游行业开发文化大模型，能够贯通各类文化机构的数据中心，充分挖掘文化数据的价值；在科技创新领域以科学数据支撑大模型的开发，可以更深入地挖掘各类科学数据和科技的文献应用。人工智能+算力基础建立全国一体化算力大市场从ChatGPT到Sora，从单模态到多模态，从单一智能到通用智能，人工智能大模型技术正在引领新一轮全球人工智能创新热潮，同时，大模型计算也带来了智能算力需求激增，随着“东数西算”工程推进，去年以来全国多地掀起了智算中心建设热潮。全国政协委员、天娱数科副总经理、山西数据流量生态园董事长贺晗在接受《证券日报》记者采访时表示，需要鼓励引导市场主体建设区域级、行业级、企业级等多层次智算聚合服务平台、算力并网平台，广泛汇聚多方算力资源，整合闲置算力，特别是各地政府主导建设智算资源，实现多地算力资源的共享和最优利用，减少投资浪费，增加有效供给。贺晗提出，健全算力调度标准规范体系，为算力资源供给方提供能力自查参考，同时为算力需求方提供算力调度能力使用参考，引导新建算力资源按统一标准建设及接入。全国政协委员、中国信息通信研究院院长余晓晖对记者说，要发挥全国超大规模市场优势，利用互联网发展成功经验，以算力先互联、再成网、构建大市场为主线，基于统一标识符实现多样性算力互联感知，通过弹性网络能力和标准化架构接口实现业务和数据流动互通，进而打造智能感知、高速弹性、安全绿色、先进普惠的算力互联网。人工智能+法治建设确保人类“守法”、机器“守德”去年7月份发布的《生成式人工智能服务管理办法》，促进生成式人工智能健康发展和规范应用；去年10月份发布的《全球人工智能治理倡议》，围绕人工智能发展、安全和治理三个方面系统阐述了人工智能治理的中国方案。全国政协委员、陕西省高级人民法院副院长巩富文对《证券日报》记者表示，我们应当以《全球人工智能治理倡议》为指引，全面整合相关法律、法规，形成“中国特色”人工智能伦理指南，建立科技伦理审查及负面清单准入、分级分类管理、协同监管等制度，确保人类“守法”、机器“守德”。巩富文建议设立新型财产权——“人工智能生成物者权”，认定其权利主体为人工智能生成程序的使用人，不仅可以明确生成物法律地位和归属，推动其进入相关产业链、价值链，激励人工智能生成物的创作传播和产业投资，还可以为侵权责任认定打下良好基础，降低人工智能生成物对现有创作市场的冲击，以达到激励人工智能生成物的生产传播与公共领域保留相平衡的目的。全国政协委员、金杜律师事务所高级合伙人张毅对记者表示，应该尽快推进《人工智能法》的制定和出台，以《人工智能法》及配套的监管工具为核心，形成完整的人工智能技术法律体系。全国政协委员、南方科技大学副校长金李对记者表示，我们在消费过程中，逐渐从现金支付到手机二维码支付，再到人脸识别支付，科技让我们的生活变得更加便捷高效，但这背后也面临着身份信息泄露和隐私安全风险，在科技的便利性和隐私保护之间，需要法律与监管尺度进行平衡，人工智能等新一代信息技术的发展，带来更多新的商业模式和应用创新，相关法治建设也要与时俱进。

p　　旧金山湾地区的初创生物技术公司 Zymergen 的实验室，乍看之下普普通通——实验室的桌子上整齐的放着试管，架子上是各种化学药品。然而环顾四周，你会发现，这个实验室的工作人员似乎不太一样，他们身上发出一些机械运动以及风扇的声音。没错，在这个实验室里工作的全是机器人，这里是 Zymergen 公司的未来生物学实验室。/pp　　在这里你可以看到机器人伸出一个机械手，抓取一个上面有数百个小孔的塑料板，然后扫描了这个板上的条形码。下一步动作则是肉眼无法观察到的，机器人通过给予这个塑料板一个声波的冲击，使每个小孔都能溅出一滴小液珠，这个液滴迅速地被机械手获取，然后送往下一个仪器进行分析。相比起传统上科研人员使用移液器一个孔一个孔的操作，这个机器人 1 秒钟可以取 500 个样本。/pp　　不过，Zymergen 的科学家会告诉你，这些一点都不未来。使用机器人进行实验操作，通过条形码来进行记录都已经获得了相当广泛的应用。而通过声波取液的技术，称之为声微滴喷射，甚至已经存在了数十年之久。那么这个实验室究竟“未来”在哪里呢?Zymergen 的共同创始人 Jed Dean 博士会告诉你：“我不知道这些机器人在做什么实验。因为这些实验完全是由一个人工智能程序设计的。”/pp　　没错，尽管机器人在实验室中有了普遍的应用，但是，从提出假说、设计实验、到分析数据，这些还都是人类科学家的工作。对于 Zymergen 来说，他们的目标就是完全取代人类科学家们的作用，由人工智能程序完成这些工作。最近一段时间以来在机器学习方面的发展，使得机器人有望完全胜任这些工作。/pp　　Zymergen 公司的实际业务是想提高可以生产重要工业原料的微生物的产量，这些原料可以用于生物燃油、塑料、制药等许多领域。通过改造这些微生物的基因组，Zymergen 想要找到大量提高产量的方法。/pp　　不过，这些工业微生物已经经过多年的选择和优化，要想更进一步的提高产量，需要对其基因组进行非常深入的研究，并且根据初步数据再做下一步研究。这即使对于非常优秀的科学家来说也是一件费时费力的事情。Zymergen 首席执行官 Joshua Hoffman 的估计是一个科学家一个月大约可以完成 10 项实验。通过传统机器人的帮助，这个数字可以提高到每周 1000 项，不过前提是需要给机器人提供正确的实验设计和指令，这往往是一个瓶颈。/pp　　对于一个有 5000 个不同基因的微生物来说，如果每个基因可以有 10 个变种，那么至少有 50000 个不同的微生物需要测试。你可以从中找出可以提高产量的几十个，接下来还要对这些不同的单个基因变种的组合进行测试。即使每周能够测试 1000 种，这仍然是一个漫长的过程。此外，光测试产量是不够的，微生物本身的生长能力也需要密切关注。而这就是机器学习能够发挥作用的地方，通过上一步实验的结果，机器学习算法能够设计出下一步需要进行试验的假说。/pp　　Hoffman 先生表示，目前为止，Zymergen 能够提升一些微生物产量的 10%。这看上去是一个小数字，但是对于年产值 1600 亿美元的化学工业来说，10% 的提升可能意味着数十亿美元的经济效益。/pp　　不过，人工智能能够找到提升产量的方法，但是却不知道其背后的生物学机制。Dean 博士却认为，这其实是人工智能的优势之一。因为传统科学方法只会从已知的与生产特定产品相关的基因入手，这其实有很大的局限性。Zymergen 的实验发现，许多人工智能发现的能够提高产量的基因变化与其化学合成通路没有直接的联系，其中甚至许多基因的功能是未知的。/pp　　科学的许多环节，都可以交由人工智能来完成/pp　　而对于生物学家来说，这些发现又是令人激动的。因为他们可以通过提高产量这一结果出发，进行反向推理，这有望揭开更多不为人所知的基因的功能。还有一种更终极的可能，那就是有一天人工智能程序能够自己去寻找这背后的机制。到那时，恐怕人类科学家真的没有用武之地了。/p

p　　中国人工智能学会、国家工信安全中心、华夏幸福产业研究院等四大权威机构、历时半年完成该本重磅报告，从全新的角度阐述了中国 AI 产业和学术的创新现状。/pp　　《2018人工智能产业创新评估白皮书》由中国人工智能学会、国家工信安全中心、华夏幸福产业研究院、思保环球联合发布。/pp　　白皮书聚焦人工智能的使能技术与应用场景两个层面，基于论文、专利、人才、行业壁垒等多个维度，创新性地构建了人工智能产业创新评估体系，客观评价了当前人工智能产业的创新发展水平，为政府、企业、投资机构布局人工智能提供了借鉴和参考。/pp style="text-align: center"img style="max-width:100% max-height:100% " src="https://img1.17img.cn/17img/images/201905/uepic/0a3a11e3-a62a-4d56-940e-8c02731f2d87.jpg" title="01.jpg" alt="01.jpg"//pp style="text-align: center "strong研究范围和评价体系/strong/pp　　随着人工智能迎来第三次发展浪潮，在全球主要国家的积极推动下，社会各界对人工智能的投入与期许空前高涨。构建科学客观的创新评估体系，准确评估当前人工智能产业的创新发展水平，对人工智能产业健康有序发展具有重要的现实意义。报告结合人工智能细分技术的发展和应用水平，聚焦语音交互、文本处理、计算机视觉和深度学习四项使能技术，以及交通、医疗、制造、安防、零售等八大重点应用场景，对人工智能产业创新水平进行了客观的评价。/pp style="text-align: center"img style="max-width:100% max-height:100% " src="https://img1.17img.cn/17img/images/201905/uepic/e7adc7d7-250c-470c-9a14-ce0c9b6599d9.jpg" title="02.jpg" alt="02.jpg"//pp style="text-align: center "strong图 1 人工智能产业创新评估范围/strong/pp　　为客观分析四项核心使能技术和八个重点应用场景当前所处的发展阶段，报告基于现有学界产业创新评估的研究成果，结合人工智能产业的行业属性，采用定量和定性分析相结合，构建了科学客观的人工智能产业创新评估体系。体系下设使能技术就绪度指数和应用场景融合度指数两个一级评估指标，并在使能技术就绪度下设立了理论、应用、性能驱动力三个二级指标，在应用场景融合度下设立了资源、技术、数据、场景、环境驱动力五个二级指标。/pp style="text-align: center"img style="max-width:100% max-height:100% " src="https://img1.17img.cn/17img/images/201905/uepic/19326b91-7308-4a89-808f-e947bccd24df.jpg" title="03.jpg" alt="03.jpg"//pp style="text-align: center "strong图 2 人工智能产业创新评估体系/strong/ppstrong　　人工智能使能技术就绪度/strong/pp　　深度学习技术的发展，推动以语音交互、文本处理、计算机视觉为代表的人工智能快速发展，并在多个场景迅速落地。为客观评价以深度学习为代表的四项使能技术的发展水平，报告从理论研究、应用研究和技术性能三个维度进行了评估，分别计算出四项使能技术的就绪度指数。/pp style="text-align: center"img style="max-width:100% max-height:100% " src="https://img1.17img.cn/17img/images/201905/uepic/c1242858-0d8f-4a1c-84d4-1606e17b800b.jpg" title="03-1.jpg" alt="03-1.jpg"//pp style="text-align: center "strong图 3 人工智能使能技术就绪度评估维度/strong/pp　　从使能技术就绪度指数来看，深度学习就绪度最高。作为人工智能的主流算法，深度学习就绪度最高(8.3)，经处于技术成熟期 计算机视觉(7.7)和语音交互(6.2)次之，处于技术应用的探索期，主要体现在以语音助手和医疗影像诊断为代表的产品已经逐渐进入实用阶段 文本处理则仍处于技术爬坡期，技术进展缓慢使其离真正实用仍存在较大距离。/ppimg style="max-width:100% max-height:100% " src="https://img1.17img.cn/17img/images/201905/uepic/930c05be-a40b-48cc-bc72-da298eb24a47.jpg" title="04.jpg" alt="04.jpg"//pp style="text-align: center "strong图 4 人工智能使能技术就绪度指数/strong/pp　　从使能技术实际发展情况来看，深度学习和计算机视觉是布局重点。在理论研究(论文产出)方面，四项使能技术从2013年开始逐渐成为研究热点，其中深度学习是学界关注重点，其次是计算机视觉。语音交互和文本处理的论文产出增速较为平稳，但文本处理论文产出量和引用频次均为最低。在应用研究(专利申请)方面，计算机视觉和深度学习专利申请占比较高，但平均专利强度较低，专利布局仍处于起步阶段 语音交互专利申请比例低但平均强度较高，表明语音交互关注度呈现逐渐下降趋势。/pp style="text-align: center"img style="width: 617px height: 328px " src="https://img1.17img.cn/17img/images/201905/uepic/e8156869-318e-4c45-b498-c0b1782cfe87.jpg" title="06.jpg" width="617" height="328"//pp style="text-align: center"img style="width: 605px height: 316px " src="https://img1.17img.cn/17img/images/201905/uepic/09863951-a378-42c6-bc6a-8dd5d06bdd2d.jpg" title="05.jpg" width="605" height="316"//pp style="text-align: center "strong图 5 人工智能使能技术实际发展情况/strong/pp　　从中美两国使能技术发展水平来看，美国四项使能技术的理论研究和应用研究均大幅领先于中国。在理论研究方面，中美文本处理领域的差距最小，深度学习领域差距最大 在应用研究方面，深度学习领域的差距最小，语音交互领域的差距最大。具体来看，美国四项使能技术的论文影响力和平均专利强度要远高于中国，中国论文和专利“多而不强”的局面依然存在。同时我们还发现，中国四项使能技术专利申请量均居首位，特别是相关研发机构近三年活跃度较高，超过54%的专利均在近三年申请。/pp style="text-align: center"img style="max-width:100% max-height:100% " src="https://img1.17img.cn/17img/images/201905/uepic/054caf0c-259b-4eba-acaa-8edc0e3ec037.jpg" title="07.jpg" alt="07.jpg"//pp style="text-align: center "strong图 6 中美两国使能技术发展水平对比/strong/pp　　从使能技术人才分布来看，美国人工智能领域四项使能技术相关的高端人才遥遥领先于其他国家。统计发现，美国人工智能高端人才超过1.3万，中国不足0.5万，与美国相比差距悬殊。从细分技术领域来看，计算机视觉相关的高端人才占比最高，达38%，其中美国5432人，中国1892人。从中国人工智能使能技术研发人才分布来看，北京、广东、江苏、上海和浙江五省市人才优势明显，其中北京、广东人工智能研发人才超过万人。/pp style="text-align: center"img style="max-width:100% max-height:100% " src="https://img1.17img.cn/17img/images/201905/uepic/9c3a5e84-d27a-410b-a814-837ea5335cf8.jpg" title="08.jpg" alt="08.jpg"//pp style="text-align: center "strong图 7 全球人工智能使能技术人才分布/strong/pp　　strong人工智能应用场景融合度/strong/pp　　随着以深度学习为代表的使能技术的发展，大量科技企业从特定的行业或场景出发，推动人工智能使能技术与行业加速融合，提供差异化的新产品、新服务和解决方案，形成了丰富的“AI+”应用场景，成为人工智能产业快速发展的重要驱动力。本报告从资源、技术、数据、场景和环境五个驱动力维度对八个“AI+”场景进行了评估，分别计算出了八大应用场景的融合度。/pp style="text-align: center"img style="max-width:100% max-height:100% " src="https://img1.17img.cn/17img/images/201905/uepic/bbb7b813-c24b-40a9-baeb-8e8760e7d967.jpg" title="09.jpg" alt="09.jpg"//pp style="text-align: center "　strong图 8 人工智能应用场景融合度评估维/strong/pp　　从应用场景融合度指数来看，人工智能与各行业依然处在人工智能融合的早期。根据应用场景融合度指数显示，汽车(3.9)、医疗(3.8)和家居(3.7)是人工智能融合度相对较高的三个场景 零售(3.5)、机器人(3.3)和安防(3.2)次之 制造(3.0)和教育(2.8)融合度指数较低。/pp style="text-align: center"img style="max-width:100% max-height:100% " src="https://img1.17img.cn/17img/images/201905/uepic/fd163fcd-8227-4366-a819-b308fdfc0442.jpg" title="10.jpg" alt="10.jpg"//pp style="text-align: center "strong图 9 人工智能应用领域融合度指数/strong/pp　　从应用场景的融合实际情况来看，汽车、医疗、家居是布局重点。在技术驱动力方面，人工智能在各个领域的专利申请自2014年开始爆发式增长，其中汽车和医疗领域增长明显，而教育和零售领域增长相对缓慢。在资源驱动力方面，人工智能的研发机构和研发人才主要集中在汽车、医疗、家居领域，从事零售、教育的人工智能研发机构和人才相对较少。结合近三年专利申请情况来看，专利布局重点更是主要集中在汽车、医疗、家居和安防领域，人工智能与机器人的融合则是新的应用热点。/pp style="text-align: center"img style="max-width:100% max-height:100% " src="https://img1.17img.cn/17img/images/201905/uepic/4980be83-78d8-4f80-b336-bf9b46ff65c5.jpg" title="11.jpg" alt="11.jpg"//pp style="text-align: center "strong　　图 10 人工智能专利在各应用场景的分布/strong/pp　　从全球应用场景融合整体水平来看，美国应用融合优势明显。在八大应用领域中，美国人工智能研发人员数量占据一半左右，而中国各领域人工智能研发人员普遍偏少。在专利申请量方面，除医疗领域外，中国的专利申请规模均超过美国，特别是在机器人和制造两个领域专利优势明显。在专利申请强度方面，美国大幅度领先中国，中国专利质量仍有待提升。具体到应用场景来看，美国医疗领域人工智能专利规模和强度优势显著，中国机器人和制造领域人工智能专利申请实力具有一定的优势。br//pp style="text-align: center"img style="max-width:100% max-height:100% " src="https://img1.17img.cn/17img/images/201905/uepic/4ccb8ba2-bb21-4366-bd70-c1941763d2e6.jpg" title="12.jpg" alt="12.jpg"//pp style="text-align: center "　strong　图 11 中国人工智能应用领域研发实力对比/strong/pp　　从应用场景融合的主要瓶颈来看。高质量数据缺乏、行业壁垒高、应用场景不清晰是当前人工智能与行业深度融合的主要瓶颈。从数据积累程度来看，汽车、医疗和机器人三个领域具备一定的数据优势，而家居和制造两个领域数据积累明显不足。从数据开放程度来看，汽车、教育和机器人三个领域数据开放程度较高，而医疗和制造两个领域数据开放程度相对较低。从场景介入壁垒来看，医疗、制造的行业壁垒较高，人工智能企业较难进入。/ppbr//ppimg style="width: 654px height: 344px " src="https://img1.17img.cn/17img/images/201905/uepic/f565c015-ce97-4aac-833e-0b198b1b4f26.jpg" title="14.jpg" width="654" height="344"//ppimg style="width: 655px height: 354px " src="https://img1.17img.cn/17img/images/201905/uepic/e2406269-5aef-4a27-82ec-e7e09c9244ed.jpg" title="13.jpg" width="655" height="354"//pp style="text-align: center "　　strong人工智能产业发展水平评价/strong/pp　　通过使能技术和应用场景融合情况评价，我们可以发现，人工智能整体发展仍处于初级阶段。从使能技术发展来看，深度学习已经成为当前主流的人工智能算法，是目前理论研究的重点方向 深度学习技术已处于成熟期，并越来越多地应用到各种实际场景中，也逐渐显现出一定的发展瓶颈 计算机视觉和语音交互尚处于技术应用初期，两项技术均开始在不同的场景中尝试应用落地 而文本处理仍处于技术爬坡期，技术进展缓慢。从应用融合来看，基于报告对应用场景发展阶段的划分，目前人工智能在汽车、医疗、家居、零售、机器人和安防行业处在融合的培育期，而在制造和教育行业仍处在融合的萌芽期。/pp style="text-align: center"img style="max-width:100% max-height:100% " src="https://img1.17img.cn/17img/images/201905/uepic/ed712604-8970-40d5-9286-4ecfbda3ff66.jpg" title="15.jpg" alt="15.jpg"/strong人工智能产业发展研判与展望/strong/ppstrong　　01/strong/ppstrong　　使能技术/strong/pp　　语音交互。语音交互技术存在对大规模数据依赖性强，远场识别准确率低、复杂场景识别效果欠佳等技术瓶颈，特别是语义理解技术尚未真正突破严重制约着语音交互技术的规模化商用。语音交互下一步将重点提升在远场识别尤其是复杂环境下的识别率，而智能家居无疑仍然是语音交互技术应用探索的最佳场景。/pp　　文本处理。场景、学习和数据获取是文本处理技术面临的主要困难，增强学习、视觉语言融合、联合学习将是未来文本技术的主要突破方向。发展中的文本处理技术将率先渗透到数字化程度高、政策和社会性障碍低、个性化元素强的行业。/pp　　计算机视觉。计算机视觉的瓶颈在于复杂程度高、鲁棒性低、数据匮乏和算力成本过高。计算机视觉的发展重点在于利用非监督学习和迁移学习方法降低数据依赖，提升算法试用领域，并实现与文字、语音技术的深度融合。/pp　　深度学习。深度学习依赖于多层神经网络下的梯度下降和随之而来的大量参数不断优化，但是多层梯度下降后的结果是非线性的和非凹的，深度学习方法的有效性难以得到理论证明。未来深度学习的发展方向主要是对深度学习机制的理解和实际模型的借鉴性研究。/ppstrong　　02/strong/ppstrong　　应用场景融合/strong/pp　　AI+汽车。以无人驾驶为主导的智能汽车是人工智融合度较高的应用场景，传统的汽车行业将被新的技术和商业模式所革新。但智能汽车的发展依然面临着车辆软硬件技术、人工智能算法、以及政策和商业化不成熟等多重挑战。/pp　　AI+医疗。快速发展的智能医疗领域已经出现虚拟助手、辅助诊疗、智能影像、药物研发、精准医疗等多种新实践。底层医疗数据的数量质量参差不齐、复合人才体系缺乏、医疗行业应用场景磨合难度大、行业壁垒高等都制约着人工智能技术的深度应用。/pp　　AI+家居。人工智能与家居的融合是当前业界探索的重点。人工智能在交互、决策和服务三个层面优化、提升家居产品性能。产品价格高、用户隐私保障难、语音识别率低、互联互通难等是智能家居发展面临的主要挑战。/pp　　AI+零售。人工智能助力零售行业线上线下深度融合，并带来消费场景的进一步延伸，全面提升了用户消费体验。当前，基于应用场景的技术提升和可靠性存在挑战。另外，如何有效打通C端和B端是智能零售行业亟需解决的难题。/pp　　AI+机器人。人工智能推动机器人从机械化迈向智能化。智能机器人在工业和服务领域逐渐成为人类重要助手，如协助机器人、物流机器人及公共服务机器人等。但受制于人机交互、环境感知和机器学习等技术水平限制，目前机器人智能化程度依然较低。/pp　　AI+安防。人工智能在安防行业处于探索应用阶段。智能安防以算法、算力、数据作为发展的三大要素，在产品落地上主要体现在视频结构化、生物识别、物体特征识别三个方面。人工智能将推动安防行业逐渐向城市化、综合化和主动化方向发展。/pp　　AI+制造。人工智能从研发创新、质量控制、故障诊断、运营管理等多个方面，推动制造业转型升级，是实现智能制造的核心驱动力。然而制造业与人工智能的融合仍处于培育期。缺乏高质量行业数据、企业计算能力不足、通讯标准无法协调是实现人工智能与制造业深度融合的主要障碍。/pp　　AI+教育。人工智能技术应用于教育领域，可有效改善教、学、练、作业、测评、管理等多个环节，实现合理配置教育教学内容，科学实施因材施教。高质量的学习轨迹数据缺乏和技术本身尚未成熟，造成人工智能和教育领域的融合程度远落后于其他行业。/p

p　　9月17日，备受瞩目的2018世界人工智能大会于中国上海拉开帷幕。本次大会由国内多家政府机构共同主办，主题为“人工智能赋能新时代”。雷军、李彦宏、刘庆峰、马化腾、马云等众多重量级嘉宾登场，共话人工智能新发展。/pp　　strong制造业转型势在必行/strong/pp　　相比于20年前的互联网革命，由人工智能掀起的这场新一轮科技和产业革命更加势如破竹。尤其是在我国，短短几年间就引领了一阵“AI热”。早在2015年，我国就出台了《关于积极推动“互联网+”行动的指导意见》，首次提出培育发展人工智能产业，并将人工智能列为11项重点行动之一 2016年，人工智能又被写入“十三五”规划以及多份产业指导文件之中 2017年，“人工智能”首次被写入政府工作报告 2018年，政府工作报告再次提到“做大做强新兴产业集群，实施大数据发展行动，加强新一代人工智能研发应用”… … /pp　　除此之外，北京、上海、天津、浙江、安徽、吉林、贵州等20个省市也已根据各地实际发展情况出台了人工智能产业政策和措施，率先踏上人工智能发展之路。作为一场跨国、跨学科的科学探索工程，人工智能之火势必会燃烧到制造业。在中国制造业转型升级的大潮中，人工智能作为新一轮产业变革的核心驱动力，或将成为重要的主宰力量。正如马云在今年的大会上所说的，“未来十年到十五年，传统制造业面临的痛苦将会远远超过今天的想象。企业如果不能从规模化、标准化向个性化和智慧化转型，将很难生存下去”。可以想见，未来只有用好智能技术的企业才能够称得上成功，反之则很有可能被无情淘汰。/pp　　strong仪器仪表的智能化方向/strong/ppstrong　　微型化、多功能化、人工智能化、虚拟化/strong/pp　　作为中国制造业的重要基础性产业，仪器仪表行业无疑也将面临人工智能的大洗牌。它就像一个用于过滤的筛子，完成智能化转型的企业留在上头，而其他企业则无法再立足。虽然相比于其他新兴产业，仪器仪表行业接触人工智能并不算早，但是已经有一批企业成为了先行者，证明了仪器仪表与人工智能之间结合的可能。譬如，虚拟仪器、智能仪器的诞生已经有了人工智能的特征——操作自动化、数据处理、人机对话等等。/pp　　专业人士分析，仪器仪表行业正在从自动化向智能化方向发展，更确切地说，是朝着微型化、多功能化、人工智能化、虚拟化等方向发展。/pp　　首先是微型化，这不仅是人工智能的发展需求，也是工业自动化的需求。企业需要在保证仪器原有性能的基础上，开发出体型更小、更轻便甚至功能更强大的微型仪器。此前刚刚获得第二十四届IBO设计大奖的三款仪器产品，就是优化了仪器的占地空间，满足了用户对微型化、集成化的要求。/pp　　其次是多功能化，虽然目前专业化仪器仪表产品层出不穷，但对于用户而言，拥有一台多功能的综合性产品显然更为方便。多功能仪器就像一款“万能”的瑞士军刀，可以满足用户多种需求，还可以组合使用，提供更好的解决方案。从长远角度来说，有利于降低仪器购买和维护成本，缩小占地空间，提高设备利用率。/pp　　再有就是人工智能化，也就是仪器仪表与人工智能结合的关键所在。简单地说，这就是利用计算机模拟人的智能，代替人的一部分脑力劳动，从而为仪器仪表赋以人的视觉、听觉乃至思维能力。可以想象，未来实验室内用户可以不再动脑筋处理仪器输出的数据，而是可以直接拿到一份完整的分析报告。他们的工作可能仅仅在于设计实验，而不用再费心于数据的处理。/pp　　此外，虚拟仪器将成为智能仪器发展的新阶段、新方向。它以软件系统为核心，提供数据采集、数据分析和数据显示等功能，只要配备一定的硬件，应用不同的软件编程，就可得到功能完全不同的测量仪器。自1986年问世以来，虚拟仪器已渐渐成为广大工程师和科学家的“得力帮手”，并在近几年越来越受重视。它的出现，为世界仪器仪表产业注入了新鲜血液，并彻底改写了测试测量产业的发展格局。/p

新华社北京3月27日电（记者宋晨）为贯彻落实国家《新一代人工智能发展规划》，科技部会同自然科学基金委近期启动“人工智能驱动的科学研究”（AI for Science）专项部署工作，紧密结合数学、物理、化学、天文等基础学科关键问题，围绕药物研发、基因研究、生物育种、新材料研发等重点领域科研需求展开，布局“人工智能驱动的科学研究”前沿科技研发体系。科技部有关负责人表示，当前，“人工智能驱动的科学研究”已成为全球人工智能新前沿。我国在人工智能技术、科研数据和算力资源等方面有良好基础，需要进一步加强系统布局和统筹指导，以促进人工智能与科学研究深度融合、推动资源开放汇聚、提升相关创新能力。“人工智能驱动的科学研究”是以“机器学习为代表的人工智能技术”与“科学研究”深度融合的产物。中国科学院院士、北京大学国际机器学习研究中心主任鄂维南表示，借助机器学习在高维问题的表示能力，人类可以更加真实细致地刻画复杂系统的机理，同时可以把基本原理以更加高效、更加实用的方式应用于解决实际问题中。科技创新2030-“新一代人工智能”重大项目实施专家组组长、中科院自动化研究所所长徐波介绍，人工智能技术已经在很多科学研究领域展现出超越传统数学或物理学方法的强大能力，但在“人工智能驱动的科学研究”体系化布局、重大系统设计、跨学科交叉融合、创新生态构建等方面仍有提升空间。科技部将推进面向重大科学问题的人工智能模型和算法创新，发展一批针对典型科研领域的“人工智能驱动的科学研究”专用平台，加快推动国家新一代人工智能公共算力开放创新平台建设，支持高性能计算中心与智算中心异构融合发展，鼓励绿色能源和低碳化，推进软硬件计算技术升级，鼓励各类科研主体按照分类分级原则开放科学数据。在人才与机制方面，科技部支持更多数学、物理等科学领域科学家、研究人员投身于相关研究，培养与汇聚跨学科研发队伍，推动成立“人工智能驱动的科学研究”创新联合体，搭建国际学术交流平台，共同推动解决癌症诊疗、应对气候危机等人类共同科学挑战。同时，重视“人工智能驱动的科学研究”发展过程中的科研伦理规范，促进其健康可持续发展。下一步，科技部将充分发挥新一代人工智能规划推进办公室的协调作用，整合项目、平台、人才等资源，形成推进的政策合力。充分发挥人工智能渗透性、扩散性和颠覆性强的特性，逐步构建以人工智能支撑基础和前沿科学研究的新模式，加速我国科学研究范式变革和能力提升。

今年，“人工智能+”行动首次被写入政府工作报告。九年前的政府工作报告里，“互联网+”的一个小小加号，拉开了中国工业领域数字化改革的序幕。站在新的历史起点上，化工行业如何抢抓机遇？人工智能+化工又将创造出哪些未来场景？记者在会场采访多位人大代表，请他们畅想“人工智能+”的未来——解放一线生产力“数字化发展是国家在推行现代产业体系高质量发展过程中的必由之路。”踏在人民大会堂大厅的红毯上，全国人大代表、四川凌峰航空液压机械有限公司加工中心操作工刘忠接受记者采访时自信从容。作为一名制造领域的一线工人，他表示：“我是数字化发展的体验者、感受者。在这个过程中，算力不断地提升我们的效率、质量。数字化技术、云技术、信息技术的融入，让有些岗位真正实现了智慧生产。”“拿我的班组来说，我们原来有10多名组员，数字化技术改革让我们实现工人数量减半，劳动力还有富余。”他告诉记者，“原来的一线人力被解放出来，可以填充其他生产力不足的岗位；也重新有时间、有精力去再学习，到更需要他们的岗位上去。这就促成了一个再调整、再出发的进步过程。”同样身处一线，全国人大代表、中国石油大庆石化公司乙烯二部乙烯装置区装置班长邢通达对此也有同感。他回忆道：“以前现场巡检机泵以及整个系统监测状态时，都是用纸笔抄写记录。现在很多都是直接数据上传，立刻就能形成趋势表，既方便查询又方便统计。对于分析历史问题、比照历史排查出新的问题也非常方便。现在，行业数字化发展速度还是很快的！”颠覆创新模式“人工智能的快速发展正在对全球经济社会产生深远影响，成为激发经济增长活力和推动高质量发展的新动能。中国是全球唯一拥有全部工业门类的国家，人工智能和制造业的深度融合将极大促进重点行业智能升级，加快形成新质生产力。”全国人大代表、万华化学董事长廖增太指出，“AI在材料设计和筛选方面表现出巨大潜力，必将给材料行业带来颠覆性的变革。”廖增太指出，尤其是在化工材料分子发现、分子逆向合成、材料大模型、工业设备故障预警、生产工艺优化等化工制造业场景，AI大有可为，比如万华化学现在已经开拓的一个应用场景——通过AI辅助的化学反应条件优化。“一个化学反应往往涉及反应温度、压力、溶剂、催化剂、添加剂、物料比例等多个影响因素，人工智能算法可以快速迭代出最佳实验条件。”他举例表示，“例如一个均相催化加氢反应，有6种催化金属、27种配体、3种添加剂、4种溶剂，共1944种组合（还未考虑温度、压力的影响）。通过AI算法推荐，每组15个反应，经过6组迭代后，即得到一个可达到预期结果的较优实验条件。”基于此，廖增太今年提出：“建议多方协同合作，形成国家级化工行业通用数据集建议；提供政策性支持，鼓励人工智能在化工行业典型应用场景先行先试，助力化工行业高质量发展；建立完善的人工智能人才培养战略和引进政策，强化AI人才体系建设。”突破传统产业边界全国政协委员、香港金融发展协会主席、安德资本集团主席魏明德认为：“数字经济是继农业经济、工业经济之后的主要经济形态。当今世界，数字经济发展速度之快、辐射范围之广、影响程度之深前所未有，正推动生产方式、生活方式和治理方式深刻变革，成为重组全球要素资源、重塑全球经济结构、改变全球竞争格局的关键力量。”全国政协委员、中国科学院计算技术研究所研究员张云泉也认为，开发经济实用的大模型推理产业链，可以为传统企业智能化转型提供必要的支持和配套服务，具有广阔的发展空间。“但现在传统企业应用大模型的门槛还较高，相关研发费用和成本还需要进一步降低。”张云泉建议，进一步研究降低大模型推理算力成本，形成经济适用国产大模型推理产业链。同时集中全国AI芯片研制力量，组建统一研发团队，尽快研制出能够对标国际水准的大模型训练专用国产芯片，软件和系统。

血液病流式细胞学人工智能分析软件性能评价审评要点本要点旨在指导注册申请人对血液病流式细胞学人工智能分析软件注册申报资料中非临床评价部分的准备及撰写，同时也为技术审评部门提供参考。本要点是对血液病流式细胞学人工智能分析软件申报资料的一般要求，申请人需依据产品的具体特性确定其中内容是否适用。若不适用，需具体阐述理由及相应的科学依据，并依据产品的具体特性对注册申报资料的内容进行充实和细化。本要点是供注册申请人和技术审评人员使用的指导性文件，但不包括审评审批所涉及的行政事项，亦不作为法规强制执行，需在遵循相关法规的前提下使用本指导原则。如果有能够满足相关法规要求的其他方法，也可以采用，但是需要提供详细的研究资料和验证资料。本要点是在现行法规和标准体系以及当前认知水平下制定的，随着法规和标准的不断完善，以及科学技术的不断发展，本要点的相关内容也将进行适时的调整。一、适用范围血液病流式细胞学分析，与细胞形态学、细胞遗传学、分子遗传学等一起，用于血液病的辅助诊断、鉴别诊断、预后判断、治疗监测、免疫监测、造血干细胞移植相关检测等。样本类型可为血液或骨髓、淋巴结、脑脊液、及其他适用样本类型。血液病流式细胞学人工智能分析软件，指通过人工智能算法帮助医生分析多参数流式细胞学技术/流式细胞仪产生的结构化数据，如数据文件或图形文件等进行血液病辅助体外诊断的软件，通常用于定性或定量分析，可以是软件组件或独立软件。通过对结构化数据的人工智能算法分析，用途包含：（一）基础分析：通过单一的人工智能算法辅助流式细胞学数据的可视化，从而辅助流式诊断人员进行自动设门和分析。（二）高阶分析：通过多个人工智能算法组合使用（如集成学习算法和卷积神经网络算法组合使用），实现自动设门辅助血液疾病诊断（良/恶性、白血病亚型分类、淋巴瘤分型等）、化疗后的微小残留病监测等。产品在医疗机构、医学实验室使用，其结果供执业医师参考。软件作为血液病流式细胞学辅助诊断工具，其提示的诊断结果不能作为临床诊断决策的唯一依据。产品管理类别：独立软件分类编码：21-04-02（计算机辅助诊断/分析软件）软件组件分类编码：22-01-08（流式细胞分析仪器）应注意本要点主要适用于辅助决策类的人工智能医疗器械，按照第三类管理，其他类别的产品可根据其适用性参照执行。关于人工智能医用软件分类的判定，可参照《人工智能医用软件产品分类界定指导原则》。产品名称：建议依据医用软件通用名称要求，按“特征词1（如有）+特征词2（如有）+特征词3（如有）+核心词”结构编制。具体到该类产品，建议体现处理对象和临床用途，如血液病（具体病种）+流式细胞学辅助分析/检测软件，可参考《医疗器械分类目录》、《医用软件通用名称命名指导原则》中的品名举例或已批准的同类产品进行命名。如为软件组件，则产品名称体现医疗器械名称，如“多参数流式细胞仪”，但在适用范围体现人工智能算法类型，在产品说明书体现使用限制等相关内容。本要点基于《人工智能医疗器械注册审查指导原则》的基本框架要求，其中关于人工智能医疗器械的的术语定义、相关要求参照上述指导原则。二、产品简介该类软件的分析对象基于流式细胞仪产生的标准化的结构化数据文件或图形文件等。产品的工作原理：产品为独立软件或软件组件，采用人工智能算法对流式细胞仪数据进行处理（如：数据特征提取、数据通过函数图形化以及自动设门、决策分析等），实现对流式细胞仪数据、对细胞分类及定量结果进行分析，达到辅助诊断的功能。主要结构及组成：结构组成明确交付内容和功能模块，其中交付内容包括软件安装程序、授权文件、外部软件环境安装程序等软件程序文件，功能模块包括客户端、服务器端（若适用）等，若适用注明选装、模块版本。服务器端：负责接收并处理请求，对请求进行数据处理，调用人工智能算法（如PCA、t-SNE、SVM等）对数据进行处理并输出分析结果。把用户请求的数据结果返回给浏览器。客户端：将服务器端分析结果呈现到用户界面。用户 可在用户界面端进行自动设门、细胞分群、辅助分类、辅助诊断、报告管理、检索查询、用户管理、查看日志等功能操作。预期使用环境：申报产品主要使用环境为医疗机构、医学实验室。三、基本要求在满足相关法规、规章、指导原则、标准的前提下，还应重点关注下列内容：（一）综述资料详细描述该产品的算法名称，选择该算法的依据和权威文献，数据处理的在流式细胞分析流程中的节点及辅助决策功能及功能实现方法，描述配套使用流式细胞仪器设备（厂家、型号、注册证号及主要参数设置：包括激光数、通道设置等）及仪器质量控制参数（仪器校准、电压补偿等）、配套使用的流式细胞检测试剂（名称、厂家、注册证号等），描述数据产生的样本类型。人工智能医疗器械从成熟度角度可分为成熟和全新两种类型，其中成熟是指安全有效性已在医疗实践中得到充分证实的情形，全新是指未上市或安全有效性尚未在医疗实践中得到充分证实的情形。人工智能医疗器械的算法、功能、用途若有一项为全新则属于全新类型，反之属于成熟类型。在资料中应当说明采用算法的成熟程度，采用全新算法的，应当在综述资料中详细说明。阐述软件研发背景，包括对辅助决策功能的介绍，目前该血液病临床诊断参考标准、诊疗指南和分型依据。申报产品数据处理标准和分型依据应与临床标准一致。（二）非临床资料1.产品技术要求及检验报告性能指标应包括“所分析的数据类型”、“分析速度”、“临床功能”等，如数据处理、数据分析、诊断提示等。其他要求请参照《医疗器械软件注册审查指导原则（2022年修订版）》。2.软件研究资料按照《医疗器械软件注册审查指导原则（2022年修订版）》、《医疗器械网络安全注册审查指导原则（2022年修订版）》、《人工智能医疗器械注册审查指导原则》的要求，提交研究资料。明确发布版本号。提交的研究资料主要包含软件研究资料、算法研究资料、网络安全研究资料。研究资料内容应涵盖申报产品适用范围中描述的全部内容。2.1风险管理软件安全性级别越高，其生存周期质控要求越严格，注册申报资料越详尽，同时由于全新类型的潜在未知风险多于成熟类型，故需结合成熟度予以综合考虑。人工智能医疗器械的软件安全性级别可基于产品的预期用途、使用场景、核心功能进行综合判定，其中预期用途主要考虑用途类型、重要程度、紧迫程度等因素，使用场景主要考虑使用场合、疾病特征、适用人群、目标用户等因素，核心功能主要考虑功能类型、核心算法、输入输出、接口等因素。参考YY/T 0316、GB/T 42062和YY/T 0664等标准进行风险管理。风险管理活动应当基于软件的预期用途、使用场景、核心功能予以实施，并贯穿软件全生命周期过程。申请人重点考虑如下风险因素：此类产品算法风险包括算法选择风险、算法训练及验证的风险等，主要包括算法选择依据不充分，算法训练使用的数据质量不高，数据代表性不足或数据量不够，由于样本前处理、流式细胞仪光路信号校准和质控，流式细胞分析过程或流式荧光试剂标记发生错误等原因产生，造成过拟合和欠拟合导致的泛化能力不足，数据扩增（如适用）和数据偏移等造成的假阴性和假阳性错误等；使用中的风险主要包括未经培训的人员使用，以及样本采集、处理、仪器校准等错误，造成的假阴性和假阳性错误。其中假阴性即漏诊，可能导致后续诊疗活动延误，特别是要考虑快速进展疾病的诊疗活动延误风险，而假阳性即误诊，可能导致后续不必要的诊疗活动。以算法特性为核心重点关注其泛化能力，以模型/数据为基础重点关注其质控情况，同时从风险管理角度兼顾算力不足与失效的影响。注册申请人应结合人工智能医疗器械的预期用途、使用场景、核心功能开展风险管理活动，采取风险控制措施将风险降至可接受水平，并贯穿于人工智能医疗器械全生命周期过程。此外，进口人工智能医疗器械还需考虑中外差异风险，如人种、流行病学特征、临床诊疗规范等差异。2.2需求规范提供软件需求规范文档，明确软件的功能、性能、接口、用户界面、运行环境、网络安全、数据采集等需求。数据采集需考虑数据来源的合规性、充分性和多样性，数据分布的科学性和合理性，数据质控的充分性、有效性和准确性。数据应来源于分布于不同地域的机构且不少于3家，确保数据应当具备高度的多样性。机构应使用软件说明书中的分析流程采集数据，如明确的样本来源、仪器设备、样本处理（前处理、单细胞悬液的制作、荧光抗体试剂的选择等）。数据分布的科学性和合理性，应考虑包括但不限于疾病构成（如分型、分级、分期）、人群分布（如高危人群、患者，性别、年龄）等情况。算法性能需结合产品预期用途，综合考虑分析速度、敏感性、特异性、重复性与再现性、泛化性等性能指标的适用性及其要求。同时还需考虑因梯度消失（如适用）、梯度爆炸（如适用）、过拟合和欠拟合等影响算法性能的因素。使用限制需考虑产品禁用、慎用等场景，准确表述产品使用场景，提供必要警示提示信息。2.3软件性能研究提供产品性能研究资料以及产品技术要求的研究和编制说明，给出软件相关的功能性、安全性指标的确定依据。注册申请人需在软件研究资料中提交GB/T 25000.51自测报告，亦可提交自检报告或检验报告代替自测报告。产品技术要求中各指标依据产品自身特点确定。2.4算法研究资料根据《人工智能医疗器械注册审查指导原则》提交算法研究资料。逐项提交每个人工智能算法或算法组合的算法研究报告。2.4.1算法基本信息明确算法的名称、类型、结构、输入输出、流程图、算法框架、运行环境等基本信息以及算法选用依据。其中，算法类型从学习策略、学习方法（基于模型的算法和基于数据的算法）、可解释性（白盒算法和黑盒算法）等角度明确算法特性。算法结构部分应明确算法的层数、参数规模等超参数信息。流程图应包含输入示例、学习方法示意图输出示例。算法框架应明确所用人工智能算法框架的基本信息，包括名称、类型（自研算法框架、现成算法框架）、型号规格、完整版本、制造商等信息。若基于云计算平台，应明确云计算的名称、服务模式、部署模式、配置以及云服务商的名称、住所、服务资质。运行环境应明确算法正常运行所需的典型运行环境，包括硬件配置、外部软件环境、网络条件；若使用人工智能芯片应明确其名称、型号规格、制造商、性能指标等信息。算法选用依据详述算法或算法组合选用的理由和基本原则。2.4.2算法风险管理结合预期用途、使用场景、和核心功能、算法成熟度、网络安全等因素，此类产品的软件安全性级别为严重级别。提供算法风险管理资料，若无单独文档可提供软件风险管理资料，并注明算法风险管理所在位置。2.4.3算法需求规范提供算法需求规范文档，若无单独文档可提供软件需求规范，并注明算法需求所在位置。2.4.4数据收集2.4.4.1提供数据来源合规性声明，列明数据来源机构的名称、所在地域、数据收集量、伦理批件（或科研合作协议）编号等信息。2.4.4.2数据采集建议参考2.2需求规范的要求，提供数据采集操作规范文档，包括数据采集方案和数据采集标准操作规程。数据采集主要由临床机构实施，应明确流式细胞分析流程的全部信息（包括全流程质控标准、panel设计、仪器和试剂的标准化SOP等）、明确样本及样本处理要求、样本的来源与分布、样本质量要求（样本保存时限、质量判断标准）、采集设备要求（应包含流式细胞仪型号、通道数量、注册证号、设备质控及补偿调节方式、数据的基本处理方式等）、流式抗体试剂要求（厂家、注册证号等）、数据质量要求、采集过程、数据脱敏、数据转移等要求。采集过程应对样本数据进行编号并加密，方案中应包含编号规则。关于数据集采集方面建议明确偏倚的控制方法，如： （1）为了保证研究对象的代表性，可从目标人群中随机抽样、多中心，保证样本量要足够大。 （2）为了保证研究对象选择的质量，研究设计中应有明确、具体的诊断标准、纳入标准和排除标准。 （3）检测标本尽量保持试验条件的前后一致性，注意试剂质量、仪器性能、样本保存和操作规定。 建议通过限制、配比、标准化、随机化、分层分析和多元分析等进行控制。2.4.4.3数据整理明确数据清洗/预处理程序，对数据处理中应用的软件进行简述，并以附件的形式提交数据处理中各软件的软件研究资料。数据整理基于原始数据库考虑数据清洗、数据预处理的质控要求。数据清洗需明确清洗的规则、方法、结果，数据预处理需明确处理的方法、结果。数据整理所用软件工具均需明确名称、型号规格、完整版本、制造商、运行环境，并进行软件确认。2.4.4.4数据标注明确标注人员和仲裁人员的资质要求和培训内容，标注人员和仲裁人员应为相关专业资质的人员，数据应经过2人或以上进行标注，标注方式建议给出依据。简述标记系统信息，给出数据/图像界面截图，详细介绍标注过程、标注对象和标注标准（注意与临床诊断标准的一致性）等。明确标注过程质控、标注质量评估、数据安全保证等要求，明确室内质控、室间质评等要求。应当注意标注数据的质量评估，可抽选一定比例数据由有资质的非标注人员结合临床进行综合诊断评估。提供原始数据库、基础数据库、标注数据库、扩增数据库（如有），关于疾病构成的数据分布情况，包括适用人群、数据来源机构、采集设备、样本类型等因素。若数据来自公开数据库，提供公开数据库的基本信息（如名称、创建者、数据总量等）和使用情况（如数据使用量、数据质量评估、数据分布等）。2.4.4.5数据集构建明确各数据集划分的方法及依据。训练集应当保证样本分布具有均衡性，根据预期用途，训练样本应涵盖不同血液病样本类型、不同分群类型等。调优集应保证样本分布符合临床实际情况，如阳性比例，不同类型比例、不同临床分型比例等均应符合临床实际情况。训练集、调优集、测试集的样本应两两无交集并通过查重予以验证。如适用，进行数据扩增验证时，应当明确扩增的方式、方法、倍数，并考虑数据扩增对软件的影响及风险。列表比较扩增数据库与标注数据库的差异，论证扩增数据库样本量的充分性以及分布的合理性。2.4.5算法训练依据适用人群、数据来源机构、采集设备、样本类型等因素，提供训练集、调优集（若有）关于疾病构成的数据分布情况。算法训练基于训练集、调优集进行训练和调优，应明确算法训练所用的评估指标、训练方式、训练目标、调优方法，提供ROC曲线或混淆矩阵等证据（如：迭代次数-训练CountIOU曲线和迭代册数-召回率曲线）证明训练目标满足医疗要求，提供训练数据量-评估指标曲线（如迭代次数-Loss曲线）等证据以证实算法训练的充分性和有效性。应当提供人工智能学习算法常用的评估函数来评估算法训练的质量。2.4.6算法性能评估基于测试集对算法设计进行评估，确认软件算法性能的效率、敏感性、特异性，性能应满足算法设计要求。算法验证：算法性能评估应包括软件对样本满意度评价的能力测试、泛化能力的测试、压力测试（指采用罕见或特殊的真实数据样本开展的算法性能测试）、对抗测试、重复性与再现性测试、诊断敏感性与特异性测试、分析效率测试、算法性能影响因素分析、性能评估结果比较分析、偏差报告等研究。应以该软件和临床综合诊断的一致性进行比较.评价细胞分群的准确性。通过样本量估算确定测试集中阴、阳性样本和压力样本的样本量，提供测试集关于疾病构成（包括年龄和血液病类型、白细胞分化抗原种类）、数据来源的数据分布情况。明确对抗样本的选择原则；明确性能评估的可接受标准和标准制定依据。提交测试报告和结果图示例。若使用第三方数据库开展算法性能评估，提供第三方数据库的基本信息（如名称、创建者、数据总量等）和使用情况（如测试数据样本量、评估指标、评估结果等）。还应提交第三方数据库数据样本来源和本分析软件在产品技术要求、说明书中要求的流式细胞分析流程的一致性评价（包含样本要求、处理方式、流式细胞荧光抗体试剂的选择、流式细胞仪、荧光及电压补偿方式、应用的函数等）,应提交符合要求的流式细胞仪数据。算法的确认：此类产品均需按照GCP的要求开展临床试验。临床试验的机构应具备该软件要求的流式细胞分析流程所需的人员、试剂及仪器设备，临床试验应以该软件和临床综合诊断的一致性进行比较，确保其产生的流式细胞仪数据与该软件说明书和技术要求的一致性。2.4.7算法可追溯性分析提供算法可追溯性分析报告，即追溯算法需求、算法设计、源代码（明确软件单元名称即可）、算法测试、算法风险管理的关系表。若无单独文档可提供软件可追溯性分析报告，需注明算法可追溯性分析所在位置。（三）产品说明书和标签样稿明确该产品适用范围，明确流式细胞学人工智能分析的全流程质控标准、适用的流式细胞分析设备、设备参数设置、适用的试剂及试剂盘设计、样本处理方法和本软件适用的标准化SOP等。明确软件报告内容。对产品带来的假阳/假阴性风险进行提示。根据算法性能综合评价结果，对产品的适用范围、使用场景、核心功能进行必要限制，并在说明书中明确产品使用限制和必要警示提示信息。明确数据采集设备和数据采集过程相关要求。若产品采用人工智能黑盒算法，根据算法影响因素分析报告，在说明书明确产品使用期限、使用限制和必要的警示提示信息。明确人工智能算法的算法性能评估总结（测试集基本信息、评估指标与结果）、临床评价总结（临床数据基本信息、评价指标与结果）、决策指标定义（或提供决策指标定义所依据的临床指南、专家共识等参考文献）等信息。若采用基于数据的人工智能算法，说明书还应补充算法训练总结信息（训练集基本信息、训练指标与结果）列明算法训练总结和算法性能评估总结以及临床评价总结。对于软件安全性级别为严重级别的产品，需提供用户培训材料。

p style="text-indent: 2em "当前，人工智能已成为引领未来的战略性技术。近日，《Nature》杂志对中国的人工智能发展现状进行了题为“strongWill China lead the world in AI by 2030?/strong”的报道。报道中提到，中国的人工智能研究质量越来越高，在高影响力论文、人才和治理方面都在追赶美国。/pp style="text-align: center"img style="max-width:100% max-height:100% " src="https://img1.17img.cn/17img/images/201908/uepic/fa58bc4c-a0cc-4632-a6a4-cef4a62834cb.jpg" title="2_副本.png" alt="2_副本.png"//pp style="text-indent: 2em "strong2017年，中国发布了“下一代人工智能发展计划”，计划最终2030年成为人工智能领域的全球领导者，国内人工智能产业价值近1500亿美元，该计划的第一步是到2020年赶上美国的人工智能技术和应用/strong。这当中包括对基础研究做出重大贡献、成为全球最聪明人才青睐的目的地，以及拥有一个可与该领域全球领导者相匹敌的人工智能产业。这一计划的颁布，也刺激了众多政策的出台，以及来自部委、省级政府和私营企业的数十亿美元研发投资。/pp style="text-indent: 2em "随着2020年的临近，研究人员注意到中国人工智能研究的质量出现了令人印象深刻的飞跃。而且中国留住本土人才的能力正在发生转变。Paulson Institute人工智能分析师Joy Dantong Ma表示：“如果美国失去开放优势，那么这个国家就有可能把人工智能人才重新推回到其他国家的怀抱“。/pp style="text-indent: 2em "strong人工智能被视为“经济转型的关键推动力”，有望在医疗、交通和通信领域取得巨大突破/strong，而率先在该领域抢占先机的国家可能会决定其未来的发展方向，并从中获得最大的利益。/pp style="text-indent: 2em "“毫无疑问，中国将人工智能视为这个时代的关键技术之一，并希望与美国匹敌。”英国牛津大学人类未来研究所(Future of Humanity Institute)研究中国人工智能发展的Jeffrey Ding表示。/pp style="text-indent: 2em "span style="color: rgb(84, 141, 212) "strong学术影响力日益增强/strong/span/pp style="text-indent: 2em "2019年，一项对学术搜索引擎-微软学术(Microsoft Academic)收录的人工智能论文的分析显示，strong中国有影响力的人工智能研究论文的数量将很快超过美国/strong。这项由位于华盛顿西雅图的艾伦人工智能研究所(Allen Institute for Artificial Intelligence)进行的分析发现，在被引用最多的前10%的论文中，中国的作者比例稳步上升。其份额在2018年达到了26.5%的峰值，与美国的29%相差不远，而美国的份额正在下降。如果这一趋势持续下去，中国明年在这方面可能会超过美国。/pp style="text-align: center"img style="max-width:100% max-height:100% " src="https://img1.17img.cn/17img/images/201908/uepic/ba259647-2be8-4efc-b9d2-895749d2d120.jpg" title="3_副本.png" alt="3_副本.png"//pp style="text-indent: 2em "span style="color: rgb(84, 141, 212) "strong算法软肋如何破？/strong/span/pp style="text-indent: 2em "西安交通大学人工智能与机器人研究所所长郑南宁表示，中国在计算机视觉、语音识别和自然语言处理方面也拥有世界领先的公司，包括SenseTime、Unisound、科大讯飞和Face++。但在打造人工智能的核心技术工具方面，中国仍然落后。例如，由美国学者和企业开发的开源平台TensorFlow和Caffe，就在世界各地的工业和学术界得到了广泛的应用。作为中国百度公司开发的主要开源平台之一，paddleblade主要用于人工智能产品的快速开发。/pp style="text-indent: 2em "但他同时也指出，全球领先的人工智能半导体芯片大多由英伟达(Nvidia)、英特尔(Intel)、苹果(Apple)、谷歌和高级微设备(Advanced Micro Devices)等美国公司制造。我们在设计支持先进人工智能系统的计算芯片方面也缺乏专业知识。据他预测，strong中国可能需要5-10年的时间才能达到美国和英国在基础理论和算法方面的创新水平/strongstrong，/strongstrong但这是可以实现的/strong。/pp style="text-indent: 2em "柏林智库墨卡托中国研究所(Mercator Institute for China Studies)政治学家Kristin Shi-Kupfer表示，为这些基本理论和技术做出贡献，将是中国实现其长期人工智能目标的关键。如果在机器学习方面没有取得真正突破的研究进展，中国在人工智能领域可能会面临一个增长上限。/pp style="text-indent: 2em "纽约研究公司CB Insights的数据显示，strong中国至少还有10家估值超过10亿美元的私营人工智能初创企业/strong，其中包括人脸识别公司SenseTime。Ding表示，腾讯、百度和阿里巴巴这三家核心科技公司日益增长的市场份额，中国到2020年拥有全球领先的人工智能公司的计划有望实现。但他也指出:“这些公司已成为人工智能领域的全球领导者，但仍未达到谷歌和微软(Microsoft)等美国公司的水平。”/pp style="text-indent: 2em "span style="color: rgb(84, 141, 212) "strong留住人才是关键/strong/span/pp style="text-indent: 2em "同样重要的一个因素是留住有才华的研究人员的能力，而中国在这方面似乎做的更好。根据学术界和工业界联合撰写的2018年《中国人工智能发展报告》(2018 China AI Development Report)，截至2017年底，中国拥有全球第二大人工智能科学家和工程师群体，约1.82万人，仅次于美国的约2.9万人。但在顶尖人工智能研究人员的数量上，中国仅排在第六位。/pp style="text-align: center"img style="max-width:100% max-height:100% " src="https://img1.17img.cn/17img/images/201908/uepic/147cfc3c-7670-4fba-a28f-6773180a3da4.jpg" title="4_副本.png" alt="4_副本.png"//pp style="text-indent: 2em "计算机科学家通常在美国接受培训，然后留在那里为全球科技公司工作。然而，有迹象表明，这一情况正在发生转变。strong中国的人工智能研究机构正吸引其中一些研究人员回国/strong。/pp style="text-align: center"img style="max-width:100% max-height:100% " src="https://img1.17img.cn/17img/images/201908/uepic/1c4687c4-cd54-496d-9105-e414582d2e46.jpg" title="5_副本.png" alt="5_副本.png"//pp style="text-indent: 2em "中国的一大优势是其人口规模，这为训练人工智能系统创造了巨大的潜在劳动力和独特的机会，包括用于训练预测疾病的软件的大型患者数据集。今年2月，中国研究人员表示，strong他们的自然语言处理系统能够从电子健康记录中诊断出常见的儿童疾病，其准确性堪比经验丰富的儿科医生/strong。/pp style="text-indent: 2em "具体来说，广州市妇女儿童医疗中心夏慧敏教授、加州大学圣地亚哥分校张康教授等领衔的团队与人工智能公司依图科技合作，报告了一种人工智能疾病诊断系统，该系统使用基于机器学习的自然语言处理技术，在50多种常见儿童疾病中的诊断准确度高达90%，这远高于初级儿科医生。此外值得注意的是，该项研究收集了2016年1月~2017年7月该院56.7万名患者的136万次门诊电子病历。在许多其他国家，获取这么多数据是很困难的。/pp style="text-indent: 2em "strongspan style="color: rgb(84, 141, 212) "发展负责任的人工智能/span/strong/pp style="text-indent: 2em "为促进新一代人工智能健康发展，需要更好协调发展与治理的关系，确保人工智能安全可靠可控。与许多国家一样，中国已经开始为人类开发和使用人工智能制定伦理原则。今年6月，国家新一代人工智能治理专业委员会发布《新一代人工智能治理原则——发展负责任的人工智能》，strong提出了人工智能治理的框架和行动指南，明确提出和谐友好、公平公正、包容共享、尊重隐私、安全可控、共担责任、开放协作、敏捷治理等八项原则。/strong/pp style="text-indent: 2em "此外，所有群体都面临的一个关键挑战是算法决策的透明度。但这方面没有达成一致的标准，因此，中国和许多国家一样，仍在研究如何推进这一进程。Ma说，欧盟的《通用数据保护条例》(General Data Protection Regulation)是良好的人工智能治理的一个例子。/pp style="text-indent: 2em "strong2030年，中国能否成为人工智能的世界领导者？一切交给时间/strong。/ppbr//p

p　　据多家媒体报道，腾讯公司出资8800万元设立“战疫加油包”，以支持科研领域在科研攻关、公共卫生研究、医护关怀等方面的工作。/pp　　据悉，此次“战疫加油包”里3000万元，将为一线医护人员提供更多关怀与支持。2月26日，腾讯公益慈善基金会(简称“腾讯基金会”)与中国工程院签署《抗击疫情一线医务人员医学关怀与职业发展提升合作协议》。/pp　　中国工程院将在腾讯基金会3000万元资助下，由30余位院士根据一线防控工作中遇到的医疗领域难题，牵头成立多个研究课题，对病毒基础研究、病毒检测、疫苗研发、药物筛查、临床诊疗等领域进行专项研究。/pp　　根据协议，中国工程院将通过推荐呼吸与危重症、健康管理、传染病研究等不同领域的院士，与遴选出的500名湖北疫情一线优秀医务人员、研究人员“结对子”，进行学术领域的专业指导和技能培训，并帮助搭建事业发展平台，以持续提升其医疗水平与能力。/pp　　腾讯的战疫基金还将用于助力多个科研团队在公共卫生领域的相关研究。/pp　　例如，腾讯将与钟南山团队合作，成立大数据及人工智能联合实验室。双方的科研合作涉及流行病筛查、人工智能医学影像、流行病疫情预测预警等领域。其中包括，利用“腾讯健康”小程序等互联网平台，筛查高危人群并给予就医指引，联动线上医疗服务与线下医疗机构 针对新型冠状病毒感染的肺炎、常见肺炎、肺结节、肺癌等全肺胸部疾病，研究人工智能医学影像判读筛查技术 针对新冠肺炎等多种流行病，以人工智能辅助临床决策技术，建立辐射全国的疾病上报和预测预警系统。/pp　　据介绍，大数据与人工智能联合实验室依托钟南山院士团队领导的国家呼吸系统疾病临床医学研究中心、呼吸疾病国家重点实验室、广州呼吸健康研究院，结合腾讯公司内部医疗健康事业部、天衍实验室等团队的互联网医疗服务能力，以及大数据与人工智能技术，由钟南山院士本人担任实验室主任，广州呼吸健康研究院院长何建行、腾讯医疗副总裁吴文达、腾讯医疗副总裁刘羽分别担任实验室副主任。/pp　　此外，腾讯战疫基金还将资助清华大学、香港大学科研团队等进行疫苗研发、药物筛查研究、临床诊疗研究、病毒检测研究。后期，还将进一步扩大资助的科研团队数量。/p

p style="text-align: justify text-indent: 2em "strong据科技日报报道，澳大利亚弗林德斯大学的研究团队利用AI技术研制出一种名为“涡轮增压”的流感疫苗，这种疫苗可以刺激人体免疫系统产生更多的抗流感病毒抗体。团队首席专家、弗林德斯大学医学教授尼古拉· 彼得罗夫斯基称，这是全球首个进入人体试验阶段的完全由人工智能研制的流感疫苗。/strong/pp style="text-align: center"img style="max-width:100% max-height:100% " src="https://img1.17img.cn/17img/images/201907/uepic/7a9be813-fccd-45ff-8480-eb114be097dd.jpg" title="timg (7).jpg" alt="timg (7).jpg"//pp style="text-align: center "span style="text-align: justify text-indent: 0em "/spanspan style="font-family: 楷体, 楷体_GB2312, SimKai text-align: justify text-indent: 0em "人工智能设计流感疫苗进入人体试验阶段（图源网络）/span/pp style="text-align: justify text-indent: 2em "通常情况下，要研制一种疫苗，医药公司要筛选数百万种化合物，需要数千人连续工作5年，耗费高达数亿美元。而在人工智能技术的帮助下，彼得罗夫斯基带领的小型科研团队只用大约两年时间就开发出了这种疫苗。/pp style="text-align: justify text-indent: 2em "研究团队首先设计了一套名为“萨姆”的智能算法，其能够学习现有成功的疫苗和失败的案例，以判别疫苗对流感是否有效。然后，他们又创建了另一套能够创造出数万亿个虚拟化合物的智能程序，彼得罗夫斯基将其称作“疯狂的化学家”。“萨姆”与“疯狂的化学家”协同工作，提出了最有效的疫苗选项。/pp style="text-align: justify text-indent: 2em "br//pp style="text-align: center text-indent: 0em "strongspan style="border: 1px solid rgb(0, 0, 0) background-color: rgb(255, 255, 0) "扫码关注【3i生仪社】，解锁生命科学行业新鲜资讯！/span/strong/pp style="text-indent: 0em text-align: center "img src="https://img1.17img.cn/17img/images/201907/uepic/a3c13a69-d771-443c-a86c-22f798b84e6a.jpg" title="小icon.jpg" alt="小icon.jpg" style="max-width: 100% max-height: 100% "//p

p　　全球刮起“智能风”，在2019国家智能产业峰会上院士、学者的报告中，中国工程院院士、中国自动化学会理事长郑南宁在开幕式上指出: 今天，人类社会正处在第四次工业革命初期，它的典型标志是人工智能，就是用人工智能来创造一个对人类友好的、智慧的社会。/pp　　新加坡工程院院士连勇中报告说:产业智能化仍需时日，当前人工智能的应用仍主要集中在音、视频领域，要想真正的产业化，还需突破一些技术瓶颈。例如工业智联网必需的嵌入式智能元器件，现在无论从算法还是硬件上，都达不到要求，保证智能系统间高速通信的5G技术也没有完全成熟。更重要的是，当前的人工智能技术需要庞大的数据库，这些数据的搜集和标注也难以解决。此外，现行的很多智能算法本身不具备推理和决策能力，稳定性和可靠性也达不到工业化要求。因此，现在很多“智能化”应用只是添加了一些智能元素。/pp　　欧洲科学院院士、澳门大学教授陈俊龙中报告说:很多产品为了蹭“智能”的热度，模糊了计算机自动化和人工智能技术的概念，这导致当前智能产品“泛化”。产业智能化需要不断推进人工智能在各个产业中的应用，不断解决应用中的工程和科学问题，不断进行应用、发现问题、解决问题、再应用的闭环循环，这一过程仍需十年以上。/pp　　中国工程院院士、中国自动化学会的副理事长桂卫华报告中指出：目前的发展方向：一个是认识人的大脑的脑科学方面 另一个是针对性应用方面。从国内外研究表明，人工智能与制造过程的深度融合，是具有挑战性的。此前很多人工智能研究，并没有很好考虑怎么样与制造过程结合。传统知识型工作面临的挑战：第一个挑战是社会出现新要求。生产过程要更精细化 第二个挑战是新的信息环境。云平台、移动计算、物联网、大数据等新技术、新平台的出现使数据的种类和规模迅速增加，知识型工作者面对海量信息感到无所适从。第三个挑战在于如何利用好数据。严重依赖于个人的素质、经验、知识，在推广、积累和传承等都面临困难。师傅带徒弟是传统办法，但这种机制不利于人工智能的实现。/pp　　桂卫华在最后强调，在促进人工智能健康发展时，一定要使得人工智能技术能够落地，能够解决问题。/p

近日，国家自然科学基金委员会发布了可解释、可通用的下一代人工智能方法重大研究计划2023年度项目指南。该项目指南资助研究方向如下：（一）培育项目：1. 深度学习的表示理论和泛化理论；2. 深度学习的训练方法；3. 微分方程与机器学习；4. 隐私保护的机器学习方法；5. 图神经网络的新方法；6. 脑科学启发的新一代人工智能方法；7. 数据驱动与知识驱动融合的人工智能方法；；8. 生物医药领域的人工智能方法；9. 科学计算领域的人工智能方法；10. 人工智能驱动的下一代微观科学计算平台。（二）重点支持项目：1. 经典数值方法与人工智能融合的微分方程数值方法；2. 复杂离散优化的人工智能求解器；3. 开放环境下多智能体协作的智能感知理论与方法；4. 可通用的专业领域人机交互方法；5. 下一代多模态数据编程框架；6. 支持下一代人工智能的开放型高质量科学数据库；7. 高精度、可解释的谱学和影像数据分析方法；8. 高精度、可解释的生物大分子设计平台。该项目指南全文如下：可解释、可通用的下一代人工智能方法重大研究计划2023年度项目指南（全文）可解释、可通用的下一代人工智能方法重大研究计划面向人工智能发展国家重大战略需求，以人工智能的基础科学问题为核心，发展人工智能新方法体系，促进我国人工智能基础研究和人才培养，支撑我国在新一轮国际科技竞争中的主导地位。一、科学目标本重大研究计划面向以深度学习为代表的人工智能方法鲁棒性差、可解释性差、对数据的依赖性强等基础科学问题，挖掘机器学习的基本原理，发展可解释、可通用的下一代人工智能方法，并推动人工智能方法在科学领域的创新应用。二、核心科学问题本重大研究计划针对可解释、可通用的下一代人工智能方法的基础科学问题，围绕以下三个核心科学问题开展研究。（一）深度学习的基本原理。深入挖掘深度学习模型对超参数的依赖关系，理解深度学习背后的工作原理，建立深度学习方法的逼近理论、泛化误差分析理论和优化算法的收敛性理论。（二）可解释、可通用的下一代人工智能方法。通过规则与学习结合的方式，建立高精度、可解释、可通用且不依赖大量标注数据的人工智能新方法。开发下一代人工智能方法需要的数据库和模型训练平台，完善下一代人工智能方法驱动的基础设施。（三）面向科学领域的下一代人工智能方法的应用。发展新物理模型和算法，建设开源科学数据库、知识库、物理模型库和算法库，推动人工智能新方法在解决科学领域复杂问题上的示范性应用。三、2023年度资助研究方向（一）培育项目。围绕上述科学问题，以总体科学目标为牵引，拟以培育项目的方式资助探索性强、选题新颖的申请项目，研究方向如下：1. 深度学习的表示理论和泛化理论研究卷积神经网络（以及其它带对称性的网络）、图神经网络、transformer网络、循环神经网络、低精度神经网络、动态神经网络、生成扩散模型等模型的泛化误差分析理论、鲁棒性和稳定性理论，并在实际数据集上进行检验；研究无监督表示学习、预训练-微调范式等方法的理论基础，发展新的泛化分析方法，指导深度学习模型和算法设计。2. 深度学习的训练方法研究深度学习的损失景观，包括但不限于：临界点的分布及其嵌入结构、极小点的连通性等，深度学习中的非凸优化问题、优化算法的正则化理论和收敛行为，神经网络的过参数化和训练过程对于超参的依赖性问题、基于极大值原理的训练方法、训练时间复杂度等问题，循环神经网络记忆灾难问题、编码-解码方法与Mori-Zwanzig方法的关联特性，发展收敛速度更快、时间复杂度更低的训练算法及工具，建立卷积网络、Transformer网络、扩散模型、混合专家模型等特定模型的优化理论及高效训练方法，深度学习优化过程对泛化性能的影响等。3. 微分方程与机器学习研究求解微分方程正反问题及解算子逼近的概率机器学习方法；基于生成式扩散概率模型的物理场生成、模拟与补全框架；基于微分方程设计新的机器学习模型，设计和分析网络结构、加速模型的推理、分析神经网络的训练过程。面向具有实际应用价值的反问题，研究机器学习求解微分方程的鲁棒算法；研究传统微分方程算法和机器学习方法的有效结合方法；研究高维微分方程的正则性理论与算法；研究微分方程解算子的逼近方法（如通过机器学习方法获得动理学方程、弹性力学方程、流体力学方程、Maxwell方程以及其它常用微分方程的解算子）；融合机器学习方法处理科学计算的基础问题（求解线性方程组、特征值问题等）。4. 隐私保护的机器学习方法针对主流机器学习问题，结合安全多方计算、全同态加密、零知识证明等方法构建具备实用性的可信机器学习环境。发展隐私保护协同训练和预测方法，发展加密和隐私计算环境的特征聚类、查询和多模型汇聚方法，发展加密跨域迁移学习方法，发展面向对抗样本、后门等分析、攻击、防御和修复方法，研究机器学习框架对模型干扰、破坏和控制方法，发展可控精度的隐私计算方法。5. 图神经网络的新方法利用调和分析、粒子方程等数学理论解决深度图网络的过度光滑、过度挤压等问题，针对多智能体网络协同控制、药物设计等重要应用场景设计有效的、具有可解释性的图表示学习方法。6. 脑科学启发的新一代人工智能方法发展对大脑信息整合与编码的定量数学刻画和计算方法，设计新一代脑启发的深度神经网络和循环神经网络，提高传统神经网络的表现性能；建立具有树突几何结构和计算功能的人工神经元数学模型，并用于发展包含生物神经元树突计算的深度神经网络和循环神经网络，提高传统神经网络的表现性能；发展包含多种生物神经元生理特征和生物神经元网络结构特点的人工神经网络及其训练算法，解决图像识别、图像恢复、医学图像重构、地震波检测等应用问题。7. 数据驱动与知识驱动融合的人工智能方法建立数据驱动的机器学习与知识驱动的符号计算相融合的新型人工智能理论和方法，突破神经网络模型不可解释的瓶颈；研究知识表示与推理框架、大规模隐式表达的知识获取、多源异构知识融合、知识融入的预训练模型、知识数据双驱动的决策推理等，解决不同场景的应用问题。8. 生物医药领域的人工智能方法发展自动化程度高的先导化合物优化方法，建立生物分子序列的深度生成模型，准确、高效生成满足特定条件（空间结构、功能、物化性质、蛋白环境等）的分子序列；发展蛋白质特征学习的人工智能新方法，用于蛋白质功能、结构、氨基酸突变后亲和力与功能改变等预测以及蛋白质与生物分子（蛋白、肽、RNA、配体等）相互作用预测；针对免疫性疾病等临床表现差异大、预后差等问题，发展序列、结构等抗体多模态数据融合和预测的人工智能模型，用于免疫性疾病的早期诊断和临床分型等。9. 科学计算领域的人工智能方法针对电子多体问题，建立薛定谔方程数值计算、第一性原理计算、增强采样、自由能计算、粗粒化分子动力学等的人工智能方法，探索人工智能方法在电池、电催化、合金、光伏等体系研究中的应用。针对典型的物理、化学、材料、生物、燃烧等领域的跨尺度问题和动力学问题，通过融合物理模型与人工智能方法，探索复杂体系变量隐含物理关系的挖掘方法，建立构效关系的数学表达，构建具有通用性的跨尺度人工智能辅助计算理论和方法，解决典型复杂多尺度计算问题。10. 人工智能驱动的下一代微观科学计算平台发展基于人工智能的高精度、高效率的第一性原理方法；面向物理、化学、材料、生物等领域的实际复杂问题，建立多尺度模型，实现高精度、大尺度和高效率的分子动力学模拟方法；探索建立人工智能与科学计算双驱动的“软-硬件协同优化”方法和科学计算专用平台。（二）重点支持项目。围绕核心科学问题，以总体科学目标为牵引，拟以重点支持项目的方式资助前期研究成果积累较好、对总体科学目标在理论和关键技术上能发挥推动作用、具备产学研用基础的申请项目，研究方向如下：1. 经典数值方法与人工智能融合的微分方程数值方法设计融合经典方法和人工智能方法优势的新型微分方程数值方法。针对经典数值方法处理复杂区域的困难和人工智能方法效果的不确定性、误差的不可控性，发展兼具稳定收敛阶和简便性的新型算法；针对弹性力学、流体力学等微分方程，探索其解的复杂度与逼近函数表达能力之间的定量关系；开发针对三维含时问题的高效并行算法，并应用到多孔介质流等问题；发展求解微分方程反问题的新算法并用于求解实际问题。2. 复杂离散优化的人工智能求解器面向混合整数优化、组合优化等离散优化问题，建立人工智能和领域知识结合的可通用的求解器框架；建立高精度求解方法和复杂约束问题的可控近似求解方法；发展超大规模并行求解方法和基于新型计算架构的加速方法；在复杂、高效软件设计等场景开展可靠性验证。3. 开放环境下多智能体协作的智能感知理论与方法针对多模态信息融合中由于数据视角、维度、密度、采集和标注难易程度不同而造成的融合难题，研究基于深度学习的融合模型，实现模态一致性并减少融合过程中信息损失；研究轻量级的模态间在线时空对齐方法；研究能容忍模态间非对齐状态下的融合方法；研究用易采集、易标注模态数据引导的难采集、难标注模态数据的预训练与微调方法；研究大规模多任务、多模态学习的预训练方法，实现少样本/零样本迁移。4. 可通用的专业领域人机交互方法针对多变输入信号，建立自动化多语种语言、图像、视频等多模态数据生成模型，发展可解释的多轮交互决策方法；建立机器学习和知识搜索的有效结合方法；探索新方法在不同专业领域场景中的应用。5. 下一代多模态数据编程框架发展面向超大规模多模态数据（文本、图像、视频、向量、时间序列、图等）的存储、索引、联合查询和分析方法。发展一体化的多模态数据编程框架，建立自动化数据生成、评估和筛选方法，实现自动知识发现和自动模型生成性能的突破，并完成超大规模、多模态数据集上的可靠性验证。6. 支持下一代人工智能的开放型高质量科学数据库研究跨领域、多模态科学数据的主动发现、统一存储和统一管理方法。研究基于主动学习的科学数据、科技文献知识抽取与融合方法。研究跨学科、多尺度科学数据的知识对象标识化、语义化构建方法。研究融合领域知识的多模态预训练语言模型，开发通用新型数据挖掘方法。形成具有一定国际影响力的覆盖生命、化学、材料、遥感、空间科学等领域的高质量、通用型科学数据库，为人工智能驱动的科学研究新范式提供基础科学数据资源服务。7. 高精度、可解释的谱学和影像数据分析方法发展光谱、质谱和各类影像数据处理的人工智能方法。建立融合模拟与实验数据的可解释“谱-构-效”模型，开发人工智能驱动的光谱实时解读与反演软件；基于AlphaFold等蛋白结构预测方法，建立高精度冷冻电镜蛋白结构反演算法等。8. 高精度、可解释的生物大分子设计平台建立人工智能驱动的定向进化方法，助力生物大分子优化设计。发展兼顾数据推断和物理机制筛选双重优势且扩展性高的人工智能方法，辅助物理计算高维势能面搜索。在医用酶及大分子药物设计上助力定向进化实验，将传统实验时间降低50%以上，通过人工智能设计并湿实验合成不小于3款高活性、高稳定性、高特异性的新型医用蛋白。发展基于人工智能的新一代生物大分子力场模型，大幅提升大分子模拟计算的可靠性，针对生物、医药、材料领域中的分子设计问题，实现化学精度的大尺度分子动力学模拟。四、项目遴选的基本原则（一）紧密围绕核心科学问题，鼓励基础性和交叉性的前沿探索，优先支持原创性研究。（二）优先支持面向发展下一代人工智能新方法或能推动人工智能新方法在科学领域应用的研究项目。（三）重点支持项目应具有良好的研究基础和前期积累，对总体科学目标有直接贡献与支撑。五、2023年度资助计划2023年度拟资助培育项目25～30项，直接费用资助强度约为80万元/项，资助期限为3年，培育项目申请书中研究期限应填写“2024年1月1日—2026年12月31日”；拟资助重点支持项目6～8项，直接费用资助强度约为300万元/项，资助期限为4年，重点支持项目申请书中研究期限应填写“2024年1月1日—2027年12月31日”。六、申请要求（一）申请条件。本重大研究计划项目申请人应当具备以下条件：1. 具有承担基础研究课题的经历；2. 具有高级专业技术职务（职称）。在站博士后研究人员、正在攻读研究生学位以及无工作单位或者所在单位不是依托单位的人员不得作为申请人进行申请。（二）限项申请规定。执行《2023年度国家自然科学基金项目指南》“申请规定”中限项申请规定的相关要求。（三）申请注意事项。申请人和依托单位应当认真阅读并执行本项目指南、《2023年度国家自然科学基金项目指南》和《关于2023年度国家自然科学基金项目申请与结题等有关事项的通告》中相关要求。1. 本重大研究计划项目实行无纸化申请。申请书提交日期为2023年5月8日—5月15日16时。2. 项目申请书采用在线方式撰写。对申请人具体要求如下：（1）申请人应当按照科学基金网络信息系统中重大研究计划项目的填报说明与撰写提纲要求在线填写和提交电子申请书及附件材料。（2）本重大研究计划旨在紧密围绕核心科学问题，将对多学科相关研究进行战略性的方向引导和优势整合，成为一个项目集群。申请人应根据本重大研究计划拟解决的具体科学问题和项目指南公布的拟资助研究方向，自行拟定项目名称、科学目标、研究内容、技术路线和相应的研究经费等。（3）申请书中的资助类别选择“重大研究计划”，亚类说明选择“培育项目”或“重点支持项目”，附注说明选择“可解释、可通用的下一代人工智能方法”，受理代码选择T01，根据申请的具体研究内容选择不超过5个申请代码。培育项目和重点支持项目的合作研究单位不得超过2个。（4）申请人在“立项依据与研究内容”部分，应当首先说明申请符合本项目指南中的资助研究方向，以及对解决本重大研究计划核心科学问题、实现本重大研究计划总体科学目标的贡献。如果申请人已经承担与本重大研究计划相关的其他科技计划项目，应当在申请书正文的“研究基础与工作条件”部分论述申请项目与其他相关项目的区别与联系。3. 依托单位应当按照要求完成依托单位承诺、组织申请以及审核申请材料等工作。在2023年5月15日16时前通过信息系统逐项确认提交本单位电子申请书及附件材料，并于5月16日16时前在线提交本单位项目申请清单。4. 其他注意事项（1）为实现重大研究计划总体科学目标和多学科集成，获得资助的项目负责人应当承诺遵守相关数据和资料管理与共享的规定，项目执行过程中应关注与本重大研究计划其他项目之间的相互支撑关系。（2）为加强项目的学术交流，促进项目群的形成和多学科交叉与集成，本重大研究计划将每年举办一次资助项目的年度学术交流会，并将不定期地组织相关领域的学术研讨会。获资助项目负责人有义务参加本重大研究计划指导专家组和管理工作组所组织的上述学术交流活动，并认真开展学术交流。（四）咨询方式。国家自然科学基金委员会交叉科学部交叉科学一处联系电话：010-62328382

p　　一、人工智能：从概念提出到走向繁荣/pp　　1956年，达特茅斯会议上提出了“人工智能”的概念，直到2012年以后，得益于数据量的上涨、运算力的提升和机器学习新算法(深度学习)的出现，人工智能开始大爆发。/pp　　目前的科研工作都集中在弱人工智能这部分，并很有希望在近期取得重大突破，主要归功于一种实现人工智能的方法——机器学习。/pp　　二、机器学习：一种实现人工智能的方法/pp　　机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。/pp　　机器学习直接来源于早期的人工智能领域，传统的算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等等。从学习方法上来分，机器学习算法可以分为监督学习(如分类问题)、无监督学习(如聚类问题)、半监督学习、集成学习、深度学习和强化学习。/pp　　传统的机器学习算法在指纹识别、基于Haar的人脸检测、基于HoG特征的物体检测等领域的应用基本达到了商业化的要求或者特定场景的商业化水平，但每前进一步都异常艰难，直到深度学习算法的出现。/pp　　三、深度学习：一种实现机器学习的技术/pp　　深度学习本来并不是一种独立的学习方法，其本身也会用到有监督和无监督的学习方法来训练深度神经网络。但由于近几年该领域发展迅猛，一些特有的学习手段相继被提出(如残差网络)，因此越来越多的人将其单独看作一种学习的方法。最初的深度学习是利用深度神经网络来解决特征表达的一种学习过程。深度神经网络本身并不是一个全新的概念，可大致理解为包含多个隐含层的神经网络结构。为了提高深层神经网络的训练效果，人们对神经元的连接方法和激活函数等方面做出相应的调整。其实有不少想法早年间也曾有过，但由于当时训练数据量不足、计算能力落后，因此效果不尽如人意。深度学习摧枯拉朽般地实现了各种任务，使得似乎所有的机器辅助功能都变为可能。/pp　　四、三者的区别和联系/pp　　机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。目前，业界有一种错误的较为普遍的意识，即“深度学习最终可能会淘汰掉其他所有机器学习算法”。这种意识的产生主要是因为，当下深度学习在计算机视觉、自然语言处理领域的应用远超过传统的机器学习方法，并且媒体对深度学习进行了大肆夸大的报道。/pp　　深度学习，作为目前最热的机器学习方法，但并不意味着是机器学习的终点。起码目前存在以下问题：/pp　　1. 深度学习模型需要大量的训练数据，才能展现出神奇的效果，但现实生活中往往会遇到小样本问题，此时深度学习方法无法入手，传统的机器学习方法就可以处理 /pp　　2. 有些领域，采用传统的简单的机器学习方法，可以很好地解决了，没必要非得用复杂的深度学习方法 /pp　　3. 深度学习的思想，来源于人脑的启发，但绝不是人脑的模拟，举个例子，给一个三四岁的小孩看一辆自行车之后，再见到哪怕外观完全不同的自行车，小孩也十有八九能做出那是一辆自行车的判断，也就是说，人类的学习过程往往不需要大规模的训练数据，而现在的深度学习方法显然不是对人脑的模拟。/pp　　深度学习大佬 Yoshua Bengio 在 Quora 上回答一个类似的问题时，有一段话讲得特别好，大致意思是，科学不是战争而是合作，任何学科的发展从来都不是一条路走到黑，而是同行之间互相学习、互相借鉴、博采众长、相得益彰，站在巨人的肩膀上不断前行。进入21世纪，纵观机器学习发展历程，可以简单总结为2000-2006年的流形学习、2006年-2011年的稀疏学习、2012年至今的深度学习。未来哪种机器学习算法会成为热点呢?深度学习三大巨头之一吴恩达曾表示，“在继深度学习之后，迁移学习将引领下一波机器学习技术”。/p

MAP买肉攻略忙完了一天工作，你来到超市，是否也会陷入不知道吃啥的囧境？国家统计局发布了2019年中国粮食总产量数据6.6亿吨；此外，我国每年还要向全球进口一亿吨粮食。反观我们的邻国印度，粮食总产量大概只有中国的一半，可是他们大量的出口大米和牛肉（有望在未来几年成为最大的牛肉出口国）。那么问题来了，为什么都是13亿人口的两个国家，我们的粮食消费是印度是5倍？答案是，我们爱吃肉！根据养殖业提供数据，生产1kg牛肉需要消耗5kg的谷物，而猪肉和鸡肉的数字大概在3kg和1.5kg左右。真相就在这里，相比97%国民是素食主义者的印度，我们是一个无肉不欢的国度。我们是有多能吃肉？听到这个问题，我脑袋里立刻想起，“不管~我要吃肉肉，就要吃肉肉......“这首洗脑神曲，而这首歌能流行是因为它唱出了真相。所以，今天膜康想跟大家探讨下，怎么成为一个合格的foodie。下面开始我们的正题，MAP买肉攻略。PART 01冷鲜肉是怎么练成的？二师兄4个月短暂的一生即将迎来最有意义的时刻，它们被赶到屠宰场，等待它们的是以下流程：体检洗热水澡休息十几个小时进入全自动XX生产线（中间过程省略)冷却排酸分割出售*注意：热鲜肉生产流程约等于红色字体部分在生产自动化和物流现代化的帮助下，我们有可能吃到24hr以内的猪肉。那么冷鲜肉和热鲜肉比谁好吃呢？答案是大部分冷鲜肉比杀猪菜更好吃！因为冷鲜肉排出了杀猪时，猪体内因紧张而产生的大量乳酸。但是冷鲜肉端上餐桌的时间却不如热鲜肉短。如何保持新鲜，就是我们要考虑的下一个问题。PART 02冷鲜肉的保鲜秘籍M.A.P.？怎么能看出超市里的哪块肉最好？膜康教大家一个秘诀——看包装！在超市的冷柜里，您能找到一种托盒封装的猪肉或者牛肉，精美的印刷，干净的外观，里面装的肉透着一份多汁和新鲜。它们就是MAP气调保鲜肉。什么是M.A.PMAP是指气调包装技术。又称之为气体包装或替换氧气保鲜包装技术。MAP是一种通过采用更换包装内部气体浓度环境，对食品包装进行改良，使得食品在预计的保质期内保持新鲜与吸引力的一种技术。简单说就是1、用合适阻隔的盒子和薄膜封装新鲜的肉和果蔬；2、把包装在里面的气体成分换成其他比例；3、在这种环境里，里面的食物保持持久的新鲜这里举一个气调包装牛肉的例子：大理石花纹，鲜红的颜色，是一块好牛肉的标志。牛肉中含有大量的血红蛋白，在缺氧的环境里，血红蛋白失去活性，变成暗灰色。比如你把冷柜里的肉牛翻过来，它下面一层的颜色就是灰色的。毕竟价钱这么贵，灰色的怎么行？？？于是，气调包装登场了！膜康通过大量实验发现，在包装里充入大量氧气（80%）会有极大的延长牛肉保持色泽的时间。而剩下的20%空间，用CO2气体作为细菌的繁殖抑制剂，更进一步的保障了冷鲜肉的货架期。于是，一块好牛肉的定义就诞生了： 好肉源 + 好部位 + MAP = 好口感看到这里，你是不是已经知道怎么挑选肉肉了呢？那么气调包装还可以用在哪些食物 ？PART 03M.A.P.气调包装的应用？ 类型作用1猪肉，牛肉，羊肉，鸡肉保鲜2听装和袋装配方奶粉防胀包3热带水果呼吸作用4熟食鸭脖，鸭掌防腐5其实还有很多写在最后膜康公司正在为众多MAP生产商提供详细而完善的解决方案。膜康MAP气调产品家族关于阿美特克MOCON阿美特克MOCON公司总部位于美国明尼阿波利斯, 自1966年成立以来一直是全球包装材料渗透率和包装完整性测试仪器的领导品牌，提供给全球客户全面的包装质量控制和最佳的产品货架期研究解决方案，产品包括氧气/水蒸气渗透率测试仪、MAP顶空气体分析仪、MAP气体配混器及泄漏检测仪等。阿美特克是电子仪器和机电设备的全球领导者，年销售额约为50亿美金。为材料分析、超精密测量、过程分析、测试测量与通讯、电力系统与仪器、仪表与专用控制、精密运动控制、电子元器件与封装、特种金属产品等领域提供技术解决方案。全球共有18,000多名员工，150多家工厂，在美国及其它30多个国家设立了100多个销售及服务中心。

p　　国务院于2017年7月20日发布《新一代人工智能发展规划的通知》，其中提到人工智能发展进入新阶段。经过60多年的演进，特别是在移动互联网、大数据、超级计算、传感网、脑科学等新理论新技术以及经济社会发展强烈需求的共同驱动下，人工智能加速发展，呈现出深度学习、跨界融合、人机协同、群智开放、自主操控等新特征。大数据驱动知识学习、跨媒体协同处理、人机协同增强智能、群体集成智能、自主智能系统成为人工智能的发展重点，受脑科学研究成果启发的类脑智能蓄势待发，芯片化硬件化平台化趋势更加明显，人工智能发展进入新阶段。当前，新一代人工智能相关学科发展、理论建模、技术创新、软硬件升级等整体推进，正在引发链式突破，推动经济社会各领域从数字化、网络化向智能化加速跃升。/pp　　人工智能成为国际竞争的新焦点。人工智能是引领未来的战略性技术，世界主要发达国家把发展人工智能作为提升国家竞争力、维护国家安全的重大战略，加紧出台规划和政策，围绕核心技术、顶尖人才、标准规范等强化部署，力图在新一轮国际科技竞争中掌握主导权。当前，我国国家安全和国际竞争形势更加复杂，必须放眼全球，把人工智能发展放在国家战略层面系统布局、主动谋划，牢牢把握人工智能发展新阶段国际竞争的战略主动，打造竞争新优势、开拓发展新空间，有效保障国家安全。/pp　　人工智能成为经济发展的新引擎。strong人工智能作为新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量/strong，并创造新的强大引擎，重构生产、分配、交换、消费等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态、新模式，引发经济结构重大变革，深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。我国经济发展进入新常态，深化供给侧结构性改革任务非常艰巨，必须加快人工智能深度应用，培育壮大人工智能产业，为我国经济发展注入新动能。/pp　　人工智能带来社会建设的新机遇。我国正处于全面建成小康社会的决胜阶段，人口老龄化、资源环境约束等挑战依然严峻，人工智能在教育、医疗、养老、环境保护、城市运行、司法服务等领域广泛应用，将极大提高公共服务精准化水平，全面提升人民生活品质。人工智能技术可准确感知、预测、预警基础设施和社会安全运行的重大态势，及时把握群体认知及心理变化，主动决策反应，将显著提高社会治理的能力和水平，对有效维护社会稳定具有不可替代的作用。/pp　　人工智能发展的不确定性带来新挑战。人工智能是影响面广的颠覆性技术，可能带来改变就业结构、冲击法律与社会伦理、侵犯个人隐私、挑战国际关系准则等问题，将对政府管理、经济安全和社会稳定乃至全球治理产生深远影响。在大力发展人工智能的同时，必须高度重视可能带来的安全风险挑战，加强前瞻预防与约束引导，最大限度降低风险，确保人工智能安全、可靠、可控发展。/pp　　我国发展人工智能具有良好基础。国家部署了智能制造等国家重点研发计划重点专项，印发实施了“互联网+”人工智能三年行动实施方案，从科技研发、应用推广和产业发展等方面提出了一系列措施。经过多年的持续积累，我国在人工智能领域取得重要进展，国际科技论文发表量和发明专利授权量已居世界第二，部分领域核心关键技术实现重要突破。语音识别、视觉识别技术世界领先，自适应自主学习、直觉感知、综合推理、混合智能和群体智能等初步具备跨越发展的能力，中文信息处理、智能监控、生物特征识别、工业机器人、服务机器人、无人驾驶逐步进入实际应用，人工智能创新创业日益活跃，一批龙头骨干企业加速成长，在国际上获得广泛关注和认可。加速积累的技术能力与海量的数据资源、巨大的应用需求、开放的市场环境有机结合，形成了我国人工智能发展的独特优势。/pp　　面对新形势新需求，必须主动求变应变，牢牢把握人工智能发展的重大历史机遇，紧扣发展、研判大势、主动谋划、把握方向、抢占先机，引领世界人工智能发展新潮流，服务经济社会发展和支撑国家安全，带动国家竞争力整体跃升和跨越式发展。/pp　　深入实施创新驱动发展战略，以加快人工智能与经济、社会、国防深度融合为主线，以提升新一代人工智能科技创新能力为主攻方向，发展智能经济，建设智能社会，维护国家安全，构筑知识群、技术群、产业群互动融合和人才、制度、文化相互支撑的生态系统，前瞻应对风险挑战，推动以人类可持续发展为中心的智能化，全面提升社会生产力、综合国力和国家竞争力，为加快建设创新型国家和世界科技强国、实现“两个一百年”奋斗目标和中华民族伟大复兴中国梦提供强大支撑。　　/pp　　通知计划战略目标分三步走：/pp　　第一步，到2020年人工智能总体技术和应用与世界先进水平同步，人工智能产业成为新的重要经济增长点，人工智能技术应用成为改善民生的新途径，有力支撑进入创新型国家行列和实现全面建成小康社会的奋斗目标。/pp　　——新一代人工智能理论和技术取得重要进展。大数据智能、跨媒体智能、群体智能、混合增强智能、自主智能系统等基础理论和核心技术实现重要进展，人工智能模型方法、核心器件、高端设备和基础软件等方面取得标志性成果。/pp　　——人工智能产业竞争力进入国际第一方阵。初步建成人工智能技术标准、服务体系和产业生态链，培育若干全球领先的人工智能骨干企业，人工智能核心产业规模超过1500亿元，带动相关产业规模超过1万亿元。/pp　　——人工智能发展环境进一步优化，在重点领域全面展开创新应用，聚集起一批高水平的人才队伍和创新团队，部分领域的人工智能伦理规范和政策法规初步建立。/pp　　第二步，到2025年人工智能基础理论实现重大突破，部分技术与应用达到世界领先水平，人工智能成为带动我国产业升级和经济转型的主要动力，智能社会建设取得积极进展。/pp　　——新一代人工智能理论与技术体系初步建立，具有自主学习能力的人工智能取得突破，在多领域取得引领性研究成果。/pp　　——人工智能产业进入全球价值链高端。新一代人工智能在智能制造、智能医疗、智慧城市、智能农业、国防建设等领域得到广泛应用，人工智能核心产业规模超过4000亿元，带动相关产业规模超过5万亿元。/pp　　——初步建立人工智能法律法规、伦理规范和政策体系，形成人工智能安全评估和管控能力。/pp　　第三步，到2030年人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心，智能经济、智能社会取得明显成效，为跻身创新型国家前列和经济强国奠定重要基础。/pp　　——形成较为成熟的新一代人工智能理论与技术体系。在类脑智能、自主智能、混合智能和群体智能等领域取得重大突破，在国际人工智能研究领域具有重要影响，占据人工智能科技制高点。/pp　　——人工智能产业竞争力达到国际领先水平。人工智能在生产生活、社会治理、国防建设各方面应用的广度深度极大拓展，形成涵盖核心技术、关键系统、支撑平台和智能应用的完备产业链和高端产业群，人工智能核心产业规模超过1万亿元，带动相关产业规模超过10万亿元。/pp　　——形成一批全球领先的人工智能科技创新和人才培养基地，建成更加完善的人工智能法律法规、伦理规范和政策体系。/pp　　发展人工智能是一项事关全局的复杂系统工程，要按照“构建一个体系、把握双重属性、坚持三位一体、强化四大支撑”进行布局，形成人工智能健康持续发展的战略路径。/pp　　构建开放协同的人工智能科技创新体系。针对原创性理论基础薄弱、重大产品和系统缺失等重点难点问题，建立新一代人工智能基础理论和关键共性技术体系，布局建设重大科技创新基地，壮大人工智能高端人才队伍，促进创新主体协同互动，形成人工智能持续创新能力。/pp　　把握人工智能技术属性和社会属性高度融合的特征。既要加大人工智能研发和应用力度，最大程度发挥人工智能潜力 又要预判人工智能的挑战，协调产业政策、创新政策与社会政策，实现激励发展与合理规制的协调，最大限度防范风险。/pp　　坚持人工智能研发攻关、产品应用和产业培育“三位一体”推进。适应人工智能发展特点和趋势，强化创新链和产业链深度融合、技术供给和市场需求互动演进，以技术突破推动领域应用和产业升级，以应用示范推动技术和系统优化。在当前大规模推动技术应用和产业发展的同时，加强面向中长期的研发布局和攻关，实现滚动发展和持续提升，确保理论上走在前面、技术上占领制高点、应用上安全可控。/pp　　全面支撑科技、经济、社会发展和国家安全。以人工智能技术突破带动国家创新能力全面提升，引领建设世界科技强国进程 通过壮大智能产业、培育智能经济，为我国未来十几年乃至几十年经济繁荣创造一个新的增长周期 以建设智能社会促进民生福祉改善，落实以人民为中心的发展思想 以人工智能提升国防实力，保障和维护国家安全。/pp　　立足国家发展全局，准确把握全球人工智能发展态势，找准突破口和主攻方向，全面增强科技创新基础能力，全面拓展重点领域应用深度广度，全面提升经济社会发展和国防应用智能化水平。/pp　　围绕增加人工智能创新的源头供给，从前沿基础理论、关键共性技术、基础平台、人才队伍等方面强化部署，促进开源共享，系统提升持续创新能力，确保我国人工智能科技水平跻身世界前列，为世界人工智能发展作出更多贡献。/pp　　聚焦人工智能重大科学前沿问题，兼顾当前需求与长远发展，以突破人工智能应用基础理论瓶颈为重点，超前布局可能引发人工智能范式变革的基础研究，促进学科交叉融合，为人工智能持续发展与深度应用提供强大科学储备。/pp　　突破应用基础理论瓶颈。瞄准应用目标明确、有望引领人工智能技术升级的基础理论方向，加强大数据智能、跨媒体感知计算、人机混合智能、群体智能、自主协同与决策等基础理论研究。大数据智能理论重点突破无监督学习、综合深度推理等难点问题，建立数据驱动、以自然语言理解为核心的认知计算模型，形成从大数据到知识、从知识到决策的能力。跨媒体感知计算理论重点突破低成本低能耗智能感知、复杂场景主动感知、自然环境听觉与言语感知、多媒体自主学习等理论方法，实现超人感知和高动态、高维度、多模式分布式大场景感知。混合增强智能理论重点突破人机协同共融的情境理解与决策学习、直觉推理与因果模型、记忆与知识演化等理论，实现学习与思考接近或超过人类智能水平的混合增强智能。群体智能理论重点突破群体智能的组织、涌现、学习的理论与方法，建立可表达、可计算的群智激励算法和模型，形成基于互联网的群体智能理论体系。自主协同控制与优化决策理论重点突破面向自主无人系统的协同感知与交互、自主协同控制与优化决策、知识驱动的人机物三元协同与互操作等理论，形成自主智能无人系统创新性理论体系架构。/pp　　布局前沿基础理论研究。针对可能引发人工智能范式变革的方向，前瞻布局高级机器学习、类脑智能计算、量子智能计算等跨领域基础理论研究。高级机器学习理论重点突破自适应学习、自主学习等理论方法，实现具备高可解释性、强泛化能力的人工智能。类脑智能计算理论重点突破类脑的信息编码、处理、记忆、学习与推理理论，形成类脑复杂系统及类脑控制等理论与方法，建立大规模类脑智能计算的新模型和脑启发的认知计算模型。量子智能计算理论重点突破量子加速的机器学习方法，建立高性能计算与量子算法混合模型，形成高效精确自主的量子人工智能系统架构。/pp　　开展跨学科探索性研究。推动人工智能与神经科学、认知科学、量子科学、心理学、数学、经济学、社会学等相关基础学科的交叉融合，加强引领人工智能算法、模型发展的数学基础理论研究，重视人工智能法律伦理的基础理论问题研究，支持原创性强、非共识的探索性研究，鼓励科学家自由探索，勇于攻克人工智能前沿科学难题，提出更多原创理论，作出更多原创发现。/p

p　　人工智能技术无论是在核心技术，还是典型应用上都已出现爆发式的进展。随着平台、算法、交互方式的不断更新和突破，人工智能技术的发展将主要以“AI+X”(为某一具体产业或行业)的形态得以呈现。所有这些智能系统的出现，并不意味着对应行业或职业的消亡，而仅仅意味着职业模式的部分改变。任何有助于让机器(尤其是计算机)模拟、延伸和扩展人类智能的理论、方法和技术，都可视为人工智能的范畴,展现出无比光明的发展前景。/pp　　在我们生活方面，协助人类完成此前被认为必须由人完成的智能任务。人们将不仅生活在真实的物理空间，同样生活在网络空间。网络空间中的每个个体既有可能是人，也有可能是一个人工智能。/pp　　在生产方面，未来人工智能有望在传统农业转型中发挥重要作用。例如，通过遥感卫星、无人机等监测我国耕地的宏观和微观情况，由人工智能自动决定(或向管理员推荐)最合适的种植方案，并综合调度各类农用机械、设备完成方案的执行，从而最大限度解放农业生产力。在制造业中，人工智能将可以协助设计人员完成产品的设计，在理想情况下，可以很大程度上弥补中高端设计人员短缺的现状，从而大大提高制造业的产品设计能力。同时，通过挖掘、学习大量的生产和供应链数据，人工智能还可望推动资源的优化配置，提升企业效率。在理想情况下，企业里人工智能将从产品设计、原材料购买方案、原材料分配、生产制造、用户反馈数据采集与分析等方面为企业提供全流程支持，推动我国制造业转型和升级。/pp　　在生活服务方面，人工智能同样有望在教育、医疗、金融、出行、物流等领域发挥巨大作用。例如，医疗方面，可协助医务人员完成患者病情的初步筛查与分诊 医疗数据智能分析或智能的医疗影像处理技术可帮助医生制定治疗方案，并通过可穿戴式设备等传感器实时了解患者各项身体指征，观察治疗效果。在教育方面，一个教育类人工智能系统可以承担知识性教育的任务，从而使教师能将精力更多地集中于对学生系统思维能力、创新实践能力的培养。对金融而言，人工智能将能协助银行建立更全面的征信和审核制度，从全局角度监测金融系统状态，抑制各类金融欺诈行为，同时为贷款等金融业务提供科学依据，为维护机构与个人的金融安全提供保障。在出行方面，无人驾驶(或自动驾驶)已经取得了相当进展。在物流方面，物流机器人已可以很大程度替代手工分拣，而仓储选址和管理、配送路线规划、用户需求分析等也将(或已经)走向智能化。/pp　　平台、算法以及接口等核心技术的突破，将进一步推动人工智能实现跨越式发展。从核心技术的角度来看，三个层次的突破将有望进一步推动人工智能的发展，分别为平台(承载人工智能的物理设备、系统)、算法(人工智能的行为模式)以及接口(人工智能与外界的交互方式)。在平台层面实现一个能服务于不同企业、不同需求的智能平台，将是未来技术发展的一大趋势。算法决定了人工智能的行为模式，一个人工智能系统即使有当前最先进的计算平台作为支撑，若没有配备有效的算法，只会像一个四肢发达而头脑简单的人，并不能算真正具有智能。面向典型智能任务的算法设计，从人工智能这一概念诞生时起就是该领域的核心内容之一。令算法通过自身的演化，自动适应这个“唯一不变的就是变化”的物理世界?这也许是“人工”智能迈向“类人”智能的关键。接口(人工智能与外界的交互方式)、沟通是人类的一种基本行为，人工智能与人类的分界正变得模糊，一个中文聊天机器人也许比一位外国友人让我们觉得更容易沟通。因此，如何实现人机的高效沟通与协同将具有重要意义。语音识别、自然语言理解是实现人机交互的关键技术之一。另外，不采用自然语言，而是直接通过脑电波与机器实现沟通，即脑机接口技术，也已有相当进展，目前已经大体可以实现用脑电波直接控制外部设备(如计算机、机器手等)进行简单的任务。/p

7月6-8日，2023世界人工智能大会（WAIC 2023）在上海举办。开幕式上，大会最高奖项“卓越人工智能引领者” SAIL奖揭开面纱。作为世界人工智能大会的最高奖项，SAIL 奖（卓越人工智能引领者奖）坚持“追求卓越、引领未来”理念，在全球范围发掘人工智能领域具有高度认可和美誉、具有提升人类福祉意义的项目。凭借在前沿科技领域的探索和实践，以及科学智能应用的先锋表现，晶泰科技智能化自动化药物研发平台获得SAIL大奖，与中国商飞上海飞机设计研究院三维超临界机翼流体仿真重器“东方.翼风”，华为云计算技术有限公司华为云天筹AI求解器，高通无线通信技术（中国）有限公司第二代骁龙8移动平台的人工智能引擎，以及张云蔚论文《机器学习结合阻抗谱技术预测锂电池老化》共享殊荣。SAIL诠释AI，AI改变未来。SAIL寓意丰富，“S”即“Superior”，代表了“超越”，表明了奖项在行业内的卓越引领地位；“A”即“Applicative”，代表了“赋能”，彰显了奖项注重人工智能技术对经济社会应用赋能的极高期许；“I”即“Innovative”，代表了“创新”，突显了奖项评选对项目理论与技术层面的创新要求；“L”即“Leading”，代表了“引领”，展现了奖项对标的是全球人工智能领域内最具引领性的开路先锋。晶泰科技智能化自动化药物研发平台让药物研发更智能，让生物创新触手可及晶泰科技开创了智能算法、自动化实验与专家经验相结合的智能化自动化药物研发平台（晶泰智药），包括小分子药物发现ID4Inno&trade 和抗体药物发现XupremAb&trade 两大特色技术平台，以量子物理、人工智能、云计算及大规模实验机器人集群等前沿技术与能力，助力药物研发走向“计算密集型”“自动化密集型”，让药物研发更智能，让生物创新触手可及。晶泰科技智能化自动化药物研发平台已服务众多跨国药企、国内知名药企和先锋Biotech企业，如辉瑞、礼来、正大天晴、长江生命科技等，参与创新药管线超180条。在全球首款获 FDA 批准上市的新冠小分子口服药 PAXLOVID 的研发过程中，晶泰科技团队与辉瑞科学家联手，仅用6周时间就确认了药物优势晶型，显著缩短研发周期，加速药物上市。近期，晶泰科技与礼来就某个未披露的创新靶点展开 AI 小分子新药发现合作，利用晶泰智药小分子药物发现平台 ID4Inno&trade 研发原创新药，填补未满足的临床用药需求，该合作预付款及里程碑总收益可达 2.5 亿美元。晶泰科技智能化自动化药物研发平台陆续获得新华社、人民网、光明日报、中新社、解放日报/上观新闻、澎湃新闻、界面新闻等媒体报道。人民网报道中新社报道解放日报/上观新闻报道澎湃新闻报道界面新闻报道

p　　中国人工智能学会副理事长，中国科学院谭铁牛院士于2018年6月13日在第十九次中科院院士大会上发表了 《人工智能:天使还是魔鬼》的主题报告,深度解读了60多年来人工智能发展历史，人工智能的七大现状，发展趋势、展望和现有人工智能的局限性等，谭院士认为：“人工智能的春天刚刚到来”。　　/pp　　尊敬的各位院士、各位同仁，会场的各位同学以及各位网友大家好!今天非常荣幸有机会跟大家汇报一下我本人关于人工智能的一些粗浅想法。我报告的题目是《人工智能：天使还是魔鬼?》。/pp　　我想既不是耸人听闻也不是哗众取宠，因为人工智能在普遍被看好的同时，确实富有争议。对于人工智能提出争议的都不是等闲之辈，都是重量级人物。近些年不断上映的关于人工智能、机器智能的科幻大片，的确留给我们很多悬念和问题：人工智能到底是天使还是魔鬼?因为这些科幻大片里面，有些把人工智能塑造为暖男的大白，也有一些塑造成给我们带来恐慌的机器人。/pp　　我觉得要回答这个问题，有必要搞清楚人工智能的基本概念、以及人工智能目前能够做什么和不能做什么，还有未来发展走向。/pp style="text-align: left "　　strong人工智能的基本概念和发展历程/strong/pp　　人工智能的概念和这个词Artificial Intelligence，是1956年在达特茅斯学院暑期研讨班上，一个叫约翰。麦卡锡的年轻人提出的，当时研讨班的主题就是怎么用机器模拟人的智能。当然人工智能相关研究并不是从1956年才开始，之前就有，只是人工智能的概念是那时候提出来的。/pp　　人工智能研究的主要目的就是探寻智能本质，研究出具有类人智能的智能机器，比如让机器或者计算机会听、会看、会说、会想、会决策，跟人一样。人工智能的概念提出到今天62年过去了，62年发展历程风风雨雨、曲曲折折，从起步时大家的兴奋、到后来提出了一些让人期待但不可实现的目标、接下来的反思，一直到互联网出现以后大数据的涌现，使得人工智能走上一个新的高潮。/pp　　62年的发展历程，我觉得留给我们很多的启示。特别是在今天，人工智能如日中天，火遍全球的当下，实事求是地设定科学目标显得尤为重要。1956年的研讨会有十个年轻人参加，其中一个很乐观，认为到2000年，也就是上世纪末的时候，人工智能有可能达到人的智能，这显然太乐观了。62年确实是一个曲折的发展过程，但是进步是有目共睹的，无论是在理论层面、关键技术还是具体应用。/pp　　/pp style="text-align: center"img style="max-width:100% max-height:100% " src="https://img1.17img.cn/17img/images/201905/uepic/6eebfb71-c64f-4c6d-9fc1-6a40cf9990b0.jpg" title="01.jpg" alt="01.jpg"//pp style="text-align: center "人工智能的发展现状　　/ppstrong专用人工智能取得突破性进展/strong/ppbr//pp　　谈到目前人工智能发展的现状，我首先要说的是专用人工智能取得突破性进展。专用人工智能就是让人工智能系统专门做一件事儿，比如下围棋，是面向特定领域或者单一任务的人工智能。它确实取得一些突破性进展，而且比人做的更好。我可以举很多这样的例子。/pp　　下围棋的AlphaGo大家很熟悉，Boston Dynamics的人形机器人可以跨过障碍物，还有四足机器人像狗一样跑得非常快，可以爬楼梯，一般老百姓看了这些确实会感到一种不安。/pp　　/pp style="text-align: center"img style="" src="https://img1.17img.cn/17img/images/201905/uepic/46d54e26-2228-4f44-9c16-afca30e84c80.jpg" title="02.jpg"//pp style="text-align: center"img style="" src="https://img1.17img.cn/17img/images/201905/uepic/cc1eb3b0-ea8e-4aee-8a9b-4f59b33be6f8.jpg" title="03.jpg"//pp style="text-align: center "strongBoston Dynamics的人形机器人和狗形机器人/strongbr//pp　　还有自动化所唐明研究员他们做的机器鱼，谷歌最新的语音人机对话，还有科大讯飞的语音识别把维语和普通话的互译做的非常好。这几年“刷脸”也就是各种人脸识别非常火爆，我们国家可以说也是走在世界前列。我并不是说人脸识别不好，但确实有局限，比如双胞胎肯定不行。有的时候儿子跟老子也分不出来，比如非常相像的老布什和小布什。/pp style="text-align: center"img style="max-width:100% max-height:100% " src="https://img1.17img.cn/17img/images/201905/uepic/837fac73-ff32-4c97-99ab-853273630fb8.jpg" title="04.jpg" alt="04.jpg"//pp　　过去二十年我一直在研究虹膜识别，这是人工智能的一个特定领域。瞳孔和眼白之间的中间区域叫做虹膜区域，1936年眼科医生发现每个人虹膜上的花纹都不一样，一岁半以后定形终身不变。目前我们国家很多煤矿的矿工考勤就在大量使用这个技术。黑龙江的一个煤矿，最早他们找到我说能不能用指纹识别，后来发现指纹会脱皮，如果刷脸，上班没有问题，下班煤矿工人就不行了 而虹膜识别没有问题。现在国内很多煤矿都在用这个技术。特别让我高兴的是，两周以前中央电视台报道，虹膜识别可以用于寻找丢失儿童。/pp style="text-align: center"img style="max-width:100% max-height:100% " src="https://img1.17img.cn/17img/images/201905/uepic/d100f8c2-0aee-40de-bfa4-2776f204ee34.jpg" title="05.jpg" alt="05.jpg"//pp　　这也是一个人工智能能解决的问题：确定你看到的互联网照片有没有被篡改或者被修改。下图从左到右四组照片，相信各位无论是坐第一排还是后面都看不出来差别。我只告诉大家有一排是修改过的，相信大家用肉眼看不出来。这个特定问题人没有办法完成，而人工智能根据图像内容分析可以自动实现篡改检测。人工智能看到篡改部分是绿颜色的，那么第二排图像是修改过的。/pp style="text-align: center"img style="max-width:100% max-height:100% " src="https://img1.17img.cn/17img/images/201905/uepic/97eebbe0-e709-433b-8da8-684b5cc65c58.jpg" title="06.jpg" alt="06.jpg"//pp　　这有什么用途?讲一个我几年前的亲身经历。2015年有一天我收到一封信，里面有一张糟糕的照片，把别的男人的头换成我的头，要我一周之内给他寄二十万。我想这个人显然寄错人了，所以各位如果你们有一天也收到这样照片，我可以马上给你验证一下，如果假的我第一时间告诉你，真的我们好好商量怎么处理。特定领域人工智能的成功应用可以举很多例子，这只是挂一漏万。br//pp　　可以说，专用人工智能取得突破性进展，很大程度(特别是这几年)取决于统计学习或者机器学习的进步。特别是人工智能领域现在火爆的深度学习，尤其是人工智能的深度神经网络。深度学习其实一点都不神秘，只是借鉴了人的大脑在处理信息过程当中的层次化过程。因为深度学习的涌现，大家可以从曲线看到，用于图像分类的标识人工智能或者深度学习识别力已经低于人的错误率，也就是说识别力高于人。包括跟环境的交互，找出最好策略，这就是所谓强化学习。以及我们经常讲魔高一尺道高一丈，在博弈中学习，使得学习能力不断提高，这就是生成对抗学习。这是目前人工智能发展现状，专用人工智能取得突破性进展和人工智能特别火的重要原因就是深度学习、机器学习。/pp　　/pp style="text-align: center"img style="max-width:100% max-height:100% " src="https://img1.17img.cn/17img/images/201905/uepic/7003474f-e841-4bd2-a942-e51bb2f388b4.jpg" title="07.jpg" alt="07.jpg"//pp style="text-align: center "strong人工智能创新创业如火如荼　/strong　/pp　　另外一个值得一提的现状是，技术生态或者创新生态备受关注。科技巨头纷纷推出自己的开源系统、技术软件平台和硬件平台，原因是什么?他们没有忘记信息技术和信息产业发展的历史带给他们的启示。所以从传统的IT操作系统硬件，到现在移动互联网再到新时代的人工智能、IT，无论是谷歌也好、微软也好、百度也好、IBM也好，都要全面转向人工智能。人工智能创新创业如火如荼。/pp　　去年一年全球新成立的人工智能创业公司就有一千多家，人工智能领域获得的投资达150多亿美元，同比增长140%以上，确实是如火如荼。在应用方面，可以说“智能+”已经成为一种创新的范式，将各行各业渗透。当然有的是炒作，把传统的数据分析，贴上人工智能的标签。但是人工智能发展迅速是一个客观现状。/pp　　人工智能已经加速成为国家战略，我可以举很多这样的例子。过去几年，最早被大家熟悉的“德国工业4.0”，核心就是人工智能 到2018年5月10日，美国白宫组织AI研讨会，成立AI专门委员会，确保人工智能领域美国第一。/pp　　/pp style="text-align: center"img style="max-width:100% max-height:100% " src="https://img1.17img.cn/17img/images/201905/uepic/29ad0fb4-634e-47d8-9441-0ea481a62792.jpg" title="08.jpg" alt="08.jpg"//pp style="text-align: center "strong人工智能的社会影响/strong/pp　　人工智能对社会的影响得到了广泛关注。在美国，一些同仁一起签署了有关人工智能发展的阿西洛马23条原则，关注人工智能可能带来的社会影响，以及怎么规范人工智能研究和应用。但是我认为目前人工智能发展的另外一个客观现状是，人工智能领域的误解和炒作普遍存在，有的是有意的，有的是无意的。/pp　　比如时不时听到有人讲，人工智能系统将超越人的智能水平，我认为这是炒作。还有人工智能达到几岁小孩的水平，这也是炒作。某一个特定任务人工智能达到五岁小孩水平这可信，笼统讲人工智能或者人工智能达到三岁或者五岁小孩我认为是炒作。这些炒作有的是有意的，有的则是概念误解混淆造成的。比如经常有人把机器学习看成人工智能，但这只是人工智能其中一个研究方向 又把深度学习看成机器学习，但深度学习只是机器学习一种方法 或者把图像识别看成人工智能，这只是人工智能一个方向 或者把大数据看成人工智能、专家系统看成人工智能、机器人看成人工智能… … 特别是把人工智能与人类智能或者机器人与人类看成零和博弈，你死我活，这些误解我认为是不存在，人和人工智能是可以互补的。br//pp　　strong人工智能仍处于起步阶段/strong/pp　　我前面跟各位的汇报是很多专用人工智能领域取得的突破性进展。经常有人误解，专用人工智能等于通用人工智能，如果有这样的误解很容易说现在人工智能不得了。什么是通用人工智能或者什么是通用智能系统?我们人的大脑就是一个通用智能系统。同样一个大脑，我学习以后可以下围棋也可以下象棋，能够举一反三、融会贯通、思考学习、规划决策，可以说一脑百用。目前的人工智能还有很多不能做的事，而有的事对人来说非常简单。/pp　　所以说人工智能总体发展水平仍然处于起步的阶段，美国的DARPA对人工智能现状也是这个观念。2015年我曾经用“四有四无”概括人工智能总体状况，三年以后我觉得还可以这样说。现在人工智能是有智能没有智慧，智慧是高级智能，有意识，有悟性，可以决策。人工智能有智商没有情商，科幻电影中跟人类谈情说爱的人工智能还差得很远。另外，人工智能会计算不会算计，一个词倒一个顺序，这个概念完全不一样。人工智能有专才没有通才，下围棋的阿尔法狗不一定会下象棋。/pp style="text-align: center "　　img src="https://img1.17img.cn/17img/images/201905/uepic/1992be09-a808-4ee1-a19d-6ba1f06d21c2.jpg" title="09.jpg" alt="09.jpg" style="text-align: center max-width: 100% max-height: 100% "//pp　　我举一个具体的例子，现在即使最先进的图象识别算法都无法识别出图像里那只斑点狗。语音翻译现在已经很好了，但大家看这简单的三句话：他吃食堂，他吃面条，他吃大碗。昨天晚上我特意上网用谷歌翻译这几句，翻译不出来，机器翻译把大碗、食堂“吃掉”了。我也试了一下，“那辆白车是黑车”和“能穿多少穿多少”，谷歌翻译也翻译不出来。/pp style="text-align: center "　img src="https://img1.17img.cn/17img/images/201905/uepic/460e70fd-91f7-4e4f-aae6-59cb348e0584.jpg" title="10.jpg" alt="10.jpg" style="text-align: center max-width: 100% max-height: 100% "//pp　　看到“欢迎新老师生前来就餐”的横标，相信人类理解起来没有歧义，但是人工智能算法就会有。人类看到这个横标不仅知其然还知其所以然，知道可能是新学期开始或者新食堂开张，但人工智能还做不到。对这个特定问题，它“知其然”都做不到或者至少有歧义。这些局限是因为人工智能还有很多瓶颈。/pp style="text-align: center"img style="max-width:100% max-height:100% " src="https://img1.17img.cn/17img/images/201905/uepic/81ae610b-85ac-43b9-ac94-d51ef9f4dc9b.jpg" title="11.jpg" alt="11.jpg"//pp　　　深度学习很火，但是很大程度上它是黑箱状况。我们还不能完全从数据上论证为什么那么有效，不能完全确保这个多层深层神经网络训练是收敛的，所以有数据瓶颈，深度学习要提供大量已经标注数据，还需要大量的人工 还有它不能举一反三、不能解释，“知其然不知其所以然”，与人类存在很大差距。正因为这些差距，人工智能未来发展还有巨大创新空间。/pp style="text-align: center"img style="max-width:100% max-height:100% " src="https://img1.17img.cn/17img/images/201905/uepic/95751365-341c-4fce-90c8-115ac26aeca5.jpg" title="12.jpg" alt="12.jpg"//pp style="text-align: center "strong人工智能的春天刚刚开始/strong/pp　　可以说人工智能春天刚刚开始，我提出这一个观点是因为人类社会经历机械化、电气化、信息化的时代以后，正在向智能化社会迈进。人类进入智能化社会以后当然需要智能技术、人工智能支撑和引领。人工智能有望引领新一轮科技革命。世界著名科学家格特纳说人工智能是未来最具颠覆性的技术。具体讲有八个宏观发展趋势我认为值得关注：/pp　　第一个是专用走向通用，这是必然的发展趋势。所以因此有人认为，通用智能被认为是人工智能皇冠上面的明珠，大家都很关心这个竞争焦点。/pp　　我注意到，美国军方也开始规划通用智能的研究。他们认为通用人工智能和自主武器，是显然优于现有人工智能技术体系发展方向。它只是朝通用人工智能迈了一小步。/pp　　第二个，为什么不认同机器人和人类或者人工智能与人类智能是零和博弈，因为人工智能另外一个重要发展趋势，是机器智能到人机混合智能。人类智能和人工智能各有所长，可以互补。所以人工智能一个非常重要的发展趋势，是From AI (Artificial Intelligence) to AI (Augmented Intelligence)，两个AI含义不一样。/pp style="text-align: center "　　img src="https://img1.17img.cn/17img/images/201905/uepic/d2a5dd2d-9179-4064-8c7f-3ac7bbb5da14.jpg" title="13.jpg" alt="13.jpg" style="text-align: center max-width: 100% max-height: 100% "//pp　　第三个趋势叫做从“人工+智能”到自主智能系统。为了让深度学习提高性能，需要大量已经标注好的数据。比如给人工智能一幅图像，告诉它图像中哪一块是人、哪一块是草地、哪一块是天空，都要人工标注好，非常费时费力。有人说目前的人工智能有多少智能，取决于辐射多少人工，这话不太精确但大体有这个含义。下一步发展趋势是怎样以极少人工来获得最大程度的智能，人类看书可以学习到知识，机器还做不到。人工采集和标注大样本训练数据，是这些年来深度学习取得成功的一个重要基础或者重要人工基础。所以有人开始试图创建自动机器学习算法，来降低AI的人工成本。/pp　　第四个是学科交叉将成为人工智能创新源泉。前面我提到深度学习现在很火爆，它只是借鉴了大脑的原理：信息分层，层次化处理。所以，跟脑科学交叉融合非常重要。实际上无论是《Nature》和《Science》都有这方面成果报道。比如《Nature》 发表了一个研究团队开发的一种能自主学习的人工突触，它能提高人工神经网络的学习速度。但大脑到底怎么处理外部视觉信息或者听觉信息的，很大程度还是一个黑箱，这就是脑科学面临的挑战。这两个学科的交叉有巨大创新空间。/pp style="text-align: center "　　img src="https://img1.17img.cn/17img/images/201905/uepic/6bd155e7-eada-4fc9-9342-5e73a4067460.jpg" title="14.jpg" alt="14.jpg" style="text-align: center max-width: 100% max-height: 100% "//pp　　第五个是一个明显的趋势，人工智能产业将蓬勃发展，国际上一个比较有名的咨询公司预测，2016到2025年人工智能的产业规模几乎直线上升 我们国家发展规划提出，2030年人工智能核心产业规模将超过1万亿，带动相关产业规模超过10万亿，这个产业是蓬勃发展的，前景显然是非常大的。/pp　　第六个大家很关注人工智能可能带来的社会问题和相关伦理问题，因此人工智能的法律法规一定会更加健全。联合国还专门成立了人工智能机器人中心这样的监察机构。前不久，欧盟25个国家签署人工智能合作宣言，共同面对人工智能在伦理法律方面挑战。我们学部也列了这方面的一个题目。br//pp style="text-align: center "　　img src="https://img1.17img.cn/17img/images/201905/uepic/3e579b74-5541-4724-a28a-fbab0e826844.jpg" title="15.jpg" alt="15.jpg" style="text-align: center max-width: 100% max-height: 100% "//pp　　欧洲25个国家签署《人工智能合作宣言》，共同面对人工智能在伦理、法律等方面的挑战/pp　　第七个，人工智能将成为更多国家的战略选择。一些国家已经把人工智能上升为国家战略，越来越多国家一定会做出同样举措。包括智利，加拿大，韩国等等。br//pp　　最后一条就是人工智能的教育会全面普及。教育部专门发布了高校人工智能的行动计划。国务院新的人工智能发展规划也指出，要支持开展形式多样的人工智能科普活动。美国科技委员会也有这样的内容。所以这是大家值得关注的另外一个方面。/pp　　对于人工智能的未来发展方向，我只是挂一漏万，以我个人粗浅认识觉得这八个方面值得关注。这里面既有科学研究层面，也有产业应用层面，也有国家战略和政策法规层面。所以在科学研究层面我觉得特别值得关注是：从专用到通用，从人工智能到人机融合、混合。然后是借鉴脑科学。/pp　　总结一下我今天的报告：/pp　　第一，人工智能经过六十多年发展已经取得重大进展，但总体上还处于初级阶段。/pp　　第二，人工智能既具有巨大理论与技术创新空间，也具有广阔应用前景。相信你们也许在琢磨我没有明确回答题目中提出的问题，人工智能到底是天使还是魔鬼?/pp　　下面就是我的答案：高科技本身没有天使和魔鬼之分，人工智能也是如此，这一把双刃剑是天使还是魔鬼取决于人类自身。人工智能在天使手里是天使，在魔鬼手里就是魔鬼。因此我们有必要未雨绸缪形成合力，确保人工智能正面效应，确保人工智能造福于人类。谢谢大家。/p

最近，在科技圈最火爆的话题莫过于Sora的问世。作为首款文生视频模型，它能根据简单的文本指令生成一段视频影像，且细节丰富、画面真实。“这意味着人工智能已经在一定程度上理解了人类物理世界运行的规律，如果未来人工智能能够理解环境系统的物理规律，我们可以更好地解决环境问题。”清华大学环境学院副院长、生态环境人工智能研究中心主任、碳中和讲席教授徐明告诉中国环境报记者。人工智能应用的三个层次：资料库、助手、伙伴目前，人工智能，尤其是判断式的人工智能已经在生态环境领域有了相对广泛应用。徐明介绍，“判断式的人工智能也可以看作弱人工智能，例如通过机器学习形成的专用模型，能够对环境材料进行判断和预测。”比如，在大气污染方面，利用人工智能判断异常情况及预测未来污染的发展趋势；在固废管理方面，可以辅助进行垃圾分拣分类；在生物多样性保护方面，可以用于监测野生动物的栖息地和迁徙路径。“但是，强人工智能（生成式人工智能）在环境领域尚未普及，在其他行业也基本是同样的情况。”徐明解释，未来强人工智能不仅能实现将现实世界平移到虚拟世界，或许还能实现真正的世界模型功能，拥有和现实世界相同的动态运行规律。从弱人工智能到强人工智能，人工智能的应用具体可以分为几个层次？徐明给出的答案是三个。首先，第一个层次是问答式信息获取，类似于ChatGPT。徐明团队开发的天工AI Chat工具可以实现此项功能，通过提问可以获取专业的生态环境领域的知识。协助处理日常工作的事务，是人工智能应用的第二个层次。人工智能可以在某个领域帮助完成简单的日常工作任务，解放人力，减少时间成本。第三个层次便是自主理解并管理工作，人工智能可以自主理解和解决涉及若干个步骤的所有复杂事件。“当人工智能发展到第三层次时，它将会理解庞杂的环境系统，针对已经发生或可能发生的环境问题提出解决方案，对我们建设美丽世界发挥着关键作用。”徐明说。随着层级的不断提高，人工智能扮演的“角色”也从“资料库”向“助手”转变，直到成为和人类并肩作战的“伙伴”。在生态环境保护领域，人工智能也将是一股强大力量，为保护地球提供全新的可能性。人工智能在环境领域的发展：机遇与挑战并存不久前，国务院国资委召开“AI赋能 产业焕新”中央企业人工智能专题推进会。会议强调，要推动中央企业在人工智能领域实现更好发展、发挥更大作用。会议的召开也体现了人工智能是进一步推进高质量发展的未来趋势。那么，目前来看人工智能在生态环境领域还有哪些潜在应用？徐明介绍，“比如，成为产品绿色设计、环境管理、绿色供应链管理等业务助手；再比如建立环境管理虚拟实验室，进行难以在大尺度实地进行的实验等。”总的来看，人工智能在生态环境保护领域的应用前景广阔，它可以帮助提高工作的准确性，提升管理效率，但同时也不能忽视其中潜在的挑战和问题。“人工智能对生态环境领域知识的总结和梳理需要大量的数据资料，包括学术文章、教材书籍、统计公报以及专利信息，甚至具体到企业的环评报告等，如何筛选出高质量的资料用以人工智能的训练学习，是目前需要完成的事情。”徐明表示，随之而来的还有数据隐私和安全问题，对于不同级别的数据资料进行合理的分类及管理也是需要解决的问题之一。

在国内，与智能化设备有关的生产和发展已经取得了翻天覆地的变化，特别是在盐雾试验箱等环境试验设备的生产过程中。我国智能化领域最需要发展的是环境试验设备、传感器等基础化的领域。智能化产业的发展主要依赖于生产环式行业等基础产业的进步。业内专家认为，没有环式行业的发展，整个智能化产业的发展就缺少基础的支撑力量。 最近一段时间，节能减排、物联网等网络语频繁出现在人们的视线中。无论是节能减排还是物联网的发展，都离不开一个基础产业——智能化。在今后的几年中，智能化低气压试验箱产业中蕴含着巨大的商业潜力。智能化产业在未来一段时间将出现跨越式发展的一个原因就是这个产业本身有一个很大、很完整的产业链。智能化产业涵盖智能盐雾试验箱、传感器、智能化软件、系统集成等诸多领域，几乎覆盖所有行业以及生活的方方面面 同时，低碳经济的发展需要一个无碳经济的产业形态，也需要多种传统企业的改造技术。智能化盐雾试验箱产业既是无碳经济，又是先进的技术，符合目前的整体经济发展方向。许多新兴产业的发展必须借助智能化的手段来降低、控制传统的设施、设备成本。目前，国外已经把智能化产业上升到重要位置，制定了“智慧地球”的国家战略。我国则提出了“调结构、保增长、防通胀”的发展方针。“调结构”中很重要的一点就是对传统产业中高排放、高污染的行业进行节能减排改造，更需要智能化产业的支持。我国的“调结构、保增长、防通胀”的发展方针为以后的产业经济发展指明了方向。智能化产业将成为现代生产工具中最核心、最先进的部分。

p　　20 世纪医学的最大进步是器官移植和微创外科的兴起。21 世纪将是在分子生物学突破基础上精准医学的成熟及人工智能(artificial intelligence)渗透到医学的各个领域。近 5 年来，“人工智能+”应用于医疗研究已经成为现代科技的热点。美国的五大顶尖医院如梅奥、克里夫兰等都开始与人工智能公司合作，希望成为人工智能医疗应用领域的中心，对疾病进行探测、诊断、治疗和管理。/pp　　strong1 人工智能在医学影像识别方面的应用/strong/pp　　医学影像是疾病诊断的主要路径之一,2016 年美国加州大学的 Gulshan 等团队在《JAMA》杂志上首次报道了人工智能从 10 万余幅视网膜眼底照片中诊断糖尿病视网膜病变，与 54 位有美国医生执照的眼科医师及高年资住院医师相比较，其敏感性及特异性均高于人工判断。2017 年 Golden在《JAMA》杂志发表了人工智能通过深度学习，可以迅速地阅读病理照片，从而诊断乳腺癌是否有淋巴结转移，尽管还不能完全代替病理学家，但大大提高了诊断速度，减轻了病理学家的负担，提高了效果。英国曼切斯特大学 Enshaei 等对 668 例卵巢癌患者进行分析，认为人工智能优于常规的统计方法及人工神经网络计算的方法，可以更好地分析出患者的预后及影响预后的因子。/pp　　2017 年 11 月 24 日，一场人类和人工智能之间的对战在成都举行，代表人类出战的是 463 名超声医生，代表人工智能出战的是名为“安克侦”的甲状腺肿瘤超声辅助侦测软件。双方比赛谁能更准确地读出甲状腺超声图像。来自全国各地的 300 余位超声专家、学者见证了这次人机大战。最终，这个名为“安克侦”的人工智能与医生们打成了平手，但其实在效率上，人工智能已经超过了医生。最近，人工智能已经在肺结节、乳腺癌、冠状动脉斑块、皮肤癌、眼底病、病理等领域取得了诸多成果。/pp　　strong2 人工智能在临床医疗智能决策方面的应用/strong/pp　　诊断决策支持系统(clinical decision support system)是设计用来辅助医生在诊断时进行决策的支持系统，这种主动的知识系统通过对病患至少两种以上的数据进行分析，为医生给出诊断建议，医生再结合自己的专业进行判断，从而使诊断更快、更精准。Viz.AI 的 ContaCT 是 FDA 批准的第一个针对中风的人工智能诊断决策支持系统。2017 年 7 月，FDA 批准了 Cardiolog Technologies 的心电图分析平台，该技术是一项基于云计算的心脏监测分析网络服务，旨在帮助医生使用长期动态心电图监测记录来筛查心房颤动和其他心律失常的症状。/pp　　2018 年 2 月 21 日，FDA 宣布了 Cognoa 的同名 APP 获得认证，这也是第一款针对儿童自闭症的人工智能诊断决策支持系统。美国 IDx 公司近日宣布，FDA 已加快对其人工智能诊断决策支持产品 IDx-DR 的审查进程，预计很快就将通过认证。这个人工智能系统致力于预测糖尿病视网膜病变，这是导致糖尿病患者失明的主要原因。/pp　　在癌症领域顶尖的美国纪念斯隆· 凯特琳肿瘤中心(MSKCC)和人工智能领域顶尖的 IBM 相结合，便诞生了沃森肿瘤解决方案—这个由 IBM 研发的人工智能经过纪念斯隆· 凯特琳肿瘤中心的专家历时 4 年半训练而成，它汲取了 3 469 本医学专著、248 000 篇论文、69 种治疗方案、61 540 次实验数据和 106 000 份临床报告，同时还吸收了美国国立综合癌症网发布的临床指南，可为包括胃癌、肺癌、直肠癌、结肠癌、乳腺癌、宫颈癌等提供决策支持。/pp　　雅森与北京宣武医院、北京大学人民医院和协和医院合作研发的脑功能多模态人工智能产品问世，其通过对核磁共振、PET、SPECT、脑电等数据的分析，可以应用于阿尔兹海默症、癫痫、帕金森等各类脑功能疾病的量化分析、诊断和预测。截至 2017 年 10 月，此系统已经在全国超过 30 家大型三甲医院落地部署，累计完成病例分析超过 7 000 余例，在各类病种上平均准确率超过 84%。/pp　　中山大学与西安电子科技大学的研究小组合作，开发了一种能诊断先天性白内障的人工智能程序 CC-Cruiser，利用深度学习算法，预测疾病的严重程度，并提出治疗决策建议。/pp　　strong3 人工智能在医疗智能语音方面的应用/strong/pp　　美国 Bohannon2015 年在《Science》发表文章，首次报道了使用人机对话进行心理疾病的咨询和治疗取得成功，他通过人工智能的深度学习代替心理医师对心理障碍的患者进行疏导和治疗，由于许多患者顾虑自己的隐私而不愿意对医师敞开心扉，因而更愿意和机器对话，因此具有更大的应用价值。/pp　　strong4 人工智能在“互联网+”医疗的应用/strong/pp　　微医是一个智能医疗服务平台，为用户提供预约挂号、在线咨询、远程会诊、电子处方、慢病管理、健康消费、全科专科诊疗等线上线下结合的健康医疗服务。近期，微医发布了面向中医的人工智能辅助诊治系统—悬壶台，目前该平台已覆盖 11 个市、300 家中医院、累计开方超 160 万张，已成为中国应用最广的“智能中医大脑”。/pp　　strong5 展望/strong/pp　　现在的人工智能尚处于弱人工智能时代，并不具备沟通的功能，因此，现在的人工智能更多地应用在类似图像识别辅助分析这样的不需要与患者进行深入沟通的领域，其他领域的发展仍然需要人工智能技术的继续完善。未来，人工智能将在医疗领域发挥重要作用，将改变医疗手段甚至医疗模式，并将推动医学发展，重塑医疗产业，同时也必将对部分医生的未来产生影响。相信人工智能将给未来医疗技术带来深刻的变化，是未来医学创新和改革的强大动力。/p

p　　在5月初谷歌(GOOG, Google)大型开发者大会上，首席执行官桑达尔· 皮查伊(Sundar Pichai)上台，详细阐述了其最新的人工智能研究有朝一日将如何帮助医生发现心脏病。此外，人工智能系统对心脏病的判断是基于对患者视网膜的扫描——一种已知的为人们的心脏健康提供线索的方法——几乎和传统的血液测试一样准确。/pp　　strong一个人工智能的心脏测试/strong/pp　　“在我看来，这显然是医学的下一个自然步骤，”约翰· 霍普金斯医学院奥斯勒医学培训项目主任桑杰· 德赛博士说。/pp　　谷歌的视力测试使用了一种名为机器学习的人工智能，它试图教计算机系统如何通过将大量数据输入到算法中来做出决策。/pp　　为了做到这一点，谷歌给它的算法图像提供了正常视网膜和那些有心脏病迹象的人的图像，这是一种叫做计算机视觉的方法。在训练算法之后，它能够查看视网膜的个别图像，并确定这些图像是属于健康的患者还是可能患有心脏病的患者。/pp　　strong糖尿病视网膜病变可通过计算机视觉技术识别。/strong/pp　　谷歌之前曾使用机器学习来证明它可以识别有糖尿病视网膜病变风险的个体，如果不进行治疗，这种疾病会导致不可逆的失明。在训练了算法之后，这个搜索巨人说，它的机器学习系统在识别疾病症状方面和训练有素的眼科医生一样准确。/pp　　strong另一种机器学习算法识别乳腺组织中的肿瘤。/strong/pp　　计算机视觉技术在成像方面非常有用，但它远不是研究人员在医学领域使用人工智能的唯一方法。/pp　　在斯坦福大学医学院,乔什· 诺尔斯博士是使用病人的电子健康记录(EHRs)来识别之前未被诊断出患有家族性高胆固醇血症(FH),遗传心脏病影响1 250人,结果在一个高的机会早发性心脏病和心脏病如果不及时治疗。据诺尔斯说，美国大约有100万人患有FH，但只有10%的人被确诊。/pp　　乔什· 诺尔斯博士正在帮助使用人工智能和机器学习来识别潜在的心脏病人。(资料来源:Norbert von der Groeben/斯坦福医学院)/pp　　“这个项目背后的想法是，我们知道有很多FH患者还没有被诊断出来。”但如果我们找到了它们，我们就可以治疗它们。/pp　　FH是一种常染色体显性疾病，这意味着如果你有FH，你就从父母那里继承了它，可以传给你的孩子。因此，确定一个病人可以让医生帮助多个家庭成员。/pp　　为了确定某人是否患有FH，诺尔斯说，斯坦福大学的研究人员将所有患有和没有FH的患者的医疗记录，包括文本记录、处方、诊断测试和药物，输入一个分类算法，利用这些数据识别出与FH患者一致的模式。/pp　　“这就像你的电子邮件系统学习垃圾邮件一样，”诺尔斯解释道。“你给它看一堆垃圾邮件的例子，它就知道垃圾邮件是什么。/p

p style="text-align: justify "　　岛津公司宣布计划在日本京都府京阪那科学城的技术研究实验室建立SHIMADZU未来合作实验室，以扩大岛津制作所的创新计划。新实验室将通过关注人工智能(AI)，创新生物技术，脑科学和五感等几个核心主题，进一步推动研究和开发。我们的目标是为当今的挑战开发有意义的解决方案，并帮助改变创新产品的交付，造福每个人。/pp style="text-align: center"img src="https://img1.17img.cn/17img/images/201901/uepic/b04d6da5-1839-4a85-8322-1dfa9f4f76e3.jpg" title="Z (2).jpg" alt="Z (2).jpg" width="351" height="185" style="width: 351px height: 185px "//pp style="text-align: justify "　　新的Shimadzu创新孵化器将建立在技术研究实验室的当前使命的基础上，通过创造一个获取新技术和创造新业务的新环境，开发增长Shimadzu全球业务能力所需的核心技术。一个关键的设计元素是建立正确的空间和物流，以创造一种不断创新的文化，并具有创造性的自由。该建筑的形成旨在让学术研究人员，商业领袖，工业创新者以不同的方式思考，并开发以人为本的解决方案，这些解决方案可以对他们的生活和工作产生积极影响。它是一个专为有远见的思维而设计的建筑，在生物技术，传感技术和快速发展的人工智能科学这三个主题中，使岛津的能力和核心能力得以实现。/pp style="text-align: justify "　　这个空间的形状可以整合新的想法，新的合作并实现它，所有这些都集中在一栋建筑中。 “核心中心”是一个分享新想法和寻找克服现实障碍的新方法的环境，虽然Catalyst Hub是设计领先的，但有助于鼓励真正积极的企业对企业体验。为了实现这一切，两个中心都得到了研究实验室的支持，以帮助加速原型开发并获得旨在积极改变生活的解决方案。该空间不仅包括交互式办公环境和研究实验室，还包括一个可容纳300多人的礼堂，分享想法并鼓励创造性思维。/pp style="text-align: justify "　　凭借明确的使命宣言，这个新的研究空间的任务是通过包括人类健康和安全以及工业发展在内的一系列领域的新技术，为人们的生活带来积极的，高影响力的差异。所考虑的技术范围广泛，包括通过使用AI将大量详细分析转化为可操作数据的更好方式来使用生物标记分析，探索“片上器官”技术对帮助药物开发的影响，研究通过基于五种感官的干预效能测量来帮助管理痴呆症的方法，还包括新材料开发的影响。/pp style="text-align: justify "　　“通过将前沿学术团体，领先客户和先进的研发科学家聚集在一个空间，我们正在重塑我们开拓创新的方法和能力。该实验室旨在带来新的思维，新的想法和积极改变人们生活的新方法。在Shimadzu，我们的技术是我们的热情，这个新设施的创建不仅仅是解决问题和改变生活”，Shimadzu Corporation执行官Mitsuo Kitaoka。/p

实现更优的用户向导和便利的操作，显著缩短您的实验时间 蔡司推出全新的人工智能样品识别系统，可实现更优的用户向导和便利的操作。搭载人工智能样品识别系统的蔡司倒置显微成像系统Axio Observer简化了样品目标区域的寻找，显著缩短了实验时间。对于科研人员来说，它提供了一种完全不同的显微成像系统的操作方式，大大提高工作效率和易用性。您可以得到更有效的指导，操作更少的步骤，并且可以更直观地浏览样品，分析更多类型的样品。 人工智能样品识别系统可以识别样品载体，自动检测并寻找样品区域。这加快了样品定位的过程，特别是半透明或无法用肉眼看到的样品。将样品放在装载位置上后，人工智能样品识别系统会将其移动到物镜上进行后续成像步骤，再无需手动操作显微镜。即使是非常低对比度的样品，也能自动聚焦，在几秒钟内拍摄到高对比度的概览图像，实现快速便捷的自动检测并寻找样品区域。各种类型的样品都能被智能可靠地识别。而且通过其深度学习算法，人工智能样品识别系统甚至可以检测到一些独特的感兴趣区域。 人工智能辅助蔡司Axio Observer开启实验蔡司人工智能样品识别系统自动完成整个装载样品过程、自动聚焦并自动识别有效样品区域 配备了人工智能样品识别系统和光切片成像Apotome 3的蔡司Axio Observer 在生命科学研究中，一个好的概览图像是进行进一步详细分析的基础，以确保所有区域可以直接定位和显微成像。人工智能样品识别系统省去了耗时费力的手动操作步骤，将显微成像时间从几分钟缩短到几秒钟。由于对样品进行区域扫描和识别时，特殊设计的阵列式探照器只需短暂的照明样品，这降低了样品的光毒性。在实验过程中，整个系统还可以进行远程控制，灵活性很高。全新结构照明光切成像组件Apotome 3 在对较大样本进行荧光成像时，非焦平面的杂散光往往会使图像模糊，从而降低对比度和分辨率。使用全新蔡司Apotome 3，让消除非焦平面杂散光变得简单而高效。蔡司Apotome 3 可以自动识别物镜放大倍数，将与之匹配的栅格移动到光路中，利用结构照明，将栅格结构投影到样品的焦平面上，消除样本非焦平面的杂散光，再通过蔡司特有的算法生成更清晰锐利的光学切片图像，无需任何手动操作步骤。与传统荧光宽场显微镜相比，蔡司Apotome 3显著提高了轴向分辨率，并为宽场显微镜增加了光切成像功能，即使是较厚的标本也能进行3D渲染。除了支持已有的反卷积算法外，Apotome 3还支持直接处理软件模块，用户可以在数据采集后直接看到最终图像处理结果。关于蔡司 蔡司是全球光学和光电领域的先锋。蔡司致力于开发、生产和行销测量技术、显微镜、医疗技术、眼镜片、相机与摄影镜头、望远镜和半导体制造设备。凭借其解决方案，蔡司不断推动光学事业的发展，并促进了技术进步。公司共有四大业务部门：工业质量与研究、医疗技术、视力保健/消费光学和半导体制造技术。蔡司集团在40多个国家/地区拥有30多座工厂、50多个销售与服务机构以及约25个研发机构。更多信息请访问蔡司官网。蔡司研究显微镜解决方案 蔡司研究显微镜解决方案是光学、电子、X射线和离子显微镜系统的一站式制造商，并提供相关显微镜的解决方案。产品组合包括生命科学和材料研究以及工业，教育和临床实践有关的产品和服务。该部门的总部设立在耶拿。其他生产和开发基地位于奥伯科亨，哥廷根和慕尼黑，以及英国剑桥、美国马萨诸塞州皮博迪和美国加利福尼亚州普莱森顿。蔡司研究显微镜解决方案属于工业质量和研究部门。