【前沿】人工智能、深度学习和影像组学在核医学影像中的应用
本文的目的是给出人工智能(AI，机器/深度学习)和影像基因组学的定义，同时对这些技术在核医学成像中的潜在应用提出一些见解。
人工智能、机器（深度）学习和影像（基因）组学的定义
人工智能这个术语是一个“模糊概念”，根据不同的语境、时间和应用场合，其有许多种可能的定义。作为一门学科，它被认为是于1956年在达特茅斯会议上确立的[6]。一个更普遍的定义为：“机器表现出来的智慧，与人类和其他动物所展现的自然智慧形成鲜明对比”。然而，就现在的医学影像而言，一个更具体的定义可能更为恰当：“系统能够正确地解释外部数据，从这些数据中学习并利用所学实现特定目标或完成特定任务的能力，具有灵活的适应性”[7]。随着算法处理的任务越来越复杂，那些被认为需要“智能”的算法有时会被从AI领域中剔除，从而导致有“AI尚未完成”的论调[8]。举一个这方面的例子：字符识别，它可能不再被视为“人工智能”，因为它现在已经成为一种标准的常规使用的技术，例如其在邮政服务中的应用。如今通常被视为AI的算法中众所周知的功能包括语音识别，更重要的语义理解、语言翻译、掌握复杂的游戏，例如围棋[9]和最近更复杂的策略视频游戏2，或者自动驾驶汽车。
人工智能系统可分为分析型人工智能、人类启发型人工智能和人性化人工智能[7]。分析型的人工智能系统只具有与认知智能相关的特征，利用过去的经验学习进行预测。人类启发型人工智能系统除了能够认知元素外，还具有情感方面的智能和理解能力。人性化人工智能系统能够展现出认知、情感和社交方面的智能，并且在与他人互动时具有自我意识和自我认知。在二十一世纪，人工智能技术的发展得益于理论认识的提高（例如：在神经网络数学中）、计算机性能的进步（例如：图形处理单元，GPU）、海量可用于学习的数据可在更大范围内的获取途径（例如：通过社交网络和其他平台，云存储/计算等方式）以及算法和库本身的可利用性。因此，现在研究人员可以将旧的概念和理论实际应用到现实生活中的问题和任务中，即使是现有商用系统上的非专业人士也能够运用这些概念和理论。
在医学影像方面，临床医生需要通过影像来完成许多任务，理论上都可以由人工智能来完成，包括但不限于：病灶检测、疾病分类、诊断和分期、定量化、治疗计划（靶区和有风险器官的勾画、剂量优化）、治疗的反应和预后的评估[10]。自动化有望使这些任务以更高的鲁棒性和可重复性得以完成，甚至还可能使这些任务在更短的时间内以低错误率得以完成。显然，在除医学影像以外的其他方面，人工智能也可以提供改进实践的解决方案，例如：改进操作流程、财务管理和质量提升等[11]。为医学影像分析任务而开发的大多数（如果不是全部）人工智能系统都属于分析型系统的类别，因此可以归类为机器/深度学习技术。
机器（深度）学习
机器学习是通过实践学习和改进算法的研究，它本身就是AI的一个基本概念。机器学习通常分为无监督的学习和有（半）监督的学习。无监督学习是在未标记数据中查找模式[12]，而有监督学习使用标签来推断分类或归纳，半监督学习通常用少量的标记的数据和大量未标记的数据进行分类或归纳[13]。在医学显像方面，标准工作流程或机器学习流程通常会被直接应用于完成大多数的任务（如图1所示）。
图1影像组学流程与一般的机器学习和深度学习流程图的比较
深度学习(与如上所述的“浅层”学习方法相反)是属于机器学习领域的一类方法，这些方法大多基于所使用的特定类型的人工神经网络，有时具有大量的层和节点。因此，深度学习是一种特定类型的机器学习，它本身就是AI的一部分（如图2所示）[17]。
图2深度学习是机器学习的一种特定类型，两者属于AI概念
这些技术依赖于多层非线性处理单元链接起来进行特征提取和转换，其中在每两个连续层间，后一层的输入是前一层的输出，因此，与不同抽象级别相对应的多层特征信号可以被学习[18]。尽管神经网络在很早之前就被设计出来了，但通过通用程序进行有效学习能力的“深层”网络是最近才出现的。此外，卷积神经网络(CNN)在计算机视觉和成像应用的主要影响被认为是在2011年和2012年的真正突破。使用反向传播（B-P）算法训练的CNN训练已经存在了数十年，GPU的实现也有好几年了。然而，在2012年，Cireşan等人展示了在GPU上实现的最大池化CNN是如何在许多视觉基准中为研究人员提供更好的结果。同年，Krizhevsky等人使用类似的CNN设计，以比浅层机器学习方法好得多的性能赢得了ImageNet竞赛[19]。
这些技术与上述“旧”机器学习方法之间的主要区别之一是，这些网络的目的是从数据本身(如图像)中学习与给定任务(例如，分割或端点预测)相关的特定模式，而不是依赖于“工程的”或“手工的”特征(包括专家的知识)[22,23]。在这方面，这些方法可以认为是一种思考模式的转变，因为它们可依赖通用的学习过程为研究人员提供“端到端”的工作流程(如图1所示)。
因此，用户干预，例如，检测和选择感兴趣的对象以便对其进行进一步的表征，可以被极大地简化，甚至可以说是不必要的。另一方面，当我们考虑使用这些技术时需要充分了解到它们带来的许多挑战。深层神经网络具有大量的超参数，由于计算资源和时间的限制，通过探索参数空间来寻找最优参数通常是不可行的。一些技巧可以帮助我们加快计算速度，例如在几个样本中同时计算梯度(批处理)。GPU的强大处理能力可以使训练速度得到显著提高。深层神经网络也容易出现过度拟合，这一定程度上是因为深层神经网络中的大量的层使得深层神经网络可以对在训练数据中所观察到的罕见依赖关系进行建模。这种情况下，我们通常采用各种方法，例如正则化和降维，来限制过拟合情况[24]。还可以通过诸如缩放和旋转的方法来增加数据，以增加所需训练集的大小[25]。最后，迁移学习是一个重要的组成部分，即对不同数据集，尽管可能是较大的数据集，提取较小数据进行预训练对其进行更精确的参数调整[26,27]。
影像（基因）组学
在过去二十年中，PET/CT硬件和重建软件均有所改进，同时研究人员在PET/CT图像处理和分析领域也取得了一些进展：噪声过滤[28,29]和部分容积效应校正方法[30]可以进一步提高PET图像的视觉质量和定量精度。此外，（半）自动图像分析算法可以检测到感兴趣的病灶[31]，并且可以以比人类专家更高的可重复性和鲁棒性来勾画它们[32-34]。这些进展通过从预处理和分割后的PET/CT图像中提取定量指标（“手工的”或“工程的”图像特征），让研究人员可以对器官和肿瘤进行更全面的表征。在这种情况下，当前有关PET/CT成像的大部分工作都集中在临床上最常用的放射性示踪剂上，即18F-氟脱氧葡萄糖（18F-FDG），很少有研究考虑其他示踪剂[35]。图1所示的四个步骤（预处理、分割、特征提取和建模）是影像组学领域的关键组成部分。“影像组学”一词首次出现在2010年，并且2012年研究人员对影像组学的正式框架进行了全面的描述[36]。从前面的部分我们可以知道，影像组学仅仅是标准机器学习流程（如图1所示）在医学图像方面的一个应用。影像组学研究领域发展背后的基本原理是医学图像包含肿瘤表型的特征，这些特征至少可以在较小的尺度上反映出潜在的部分病理生理学的过程，甚至包括基因水平的变化。这就是为什么“影像组学”这一术语经常与基因组学相关联，并被称为“影像基因组学”。影像基因组学事实上含有两种不同的含义。第一种，旧的含义与放射生物学有关，而和现在含义不同。第二种涉及影像组学和基因组学的关联/组合，它可以分为两种不同的方法。第一种方法研究两者之间的联系，即影像组学可以解释或“解码”哪一些基因组学信息。这种方法已被称为“显像基因组学”[37,38]并已被研究人员大量地研究过了[39,40]。另一种方法主要关注将两部分的信息相结合，该方法利用他们之间具有互补价值的信息来建立更有效的预测模型。
人工智能、深度学习和影像（基因）组学在核医学影像中的应用
人工智能在核医学中的应用极为广泛且前景广阔，其可在多个方面产生影响[41]。第一步是在探测器水平上使用人工智能对图像重建的数据处理，包括与检测过程相关的不同物理过程(如衰减、散射)的校正。除了图像重建步骤之外，人工智能还可以用于不同图像的处理过程，包括去噪、分割和融合。最后，人工智能可以用于基于图像信息的建模，这将有助于实现基于图像的个性化医疗的决策。
在检测方面，最近的工作包括通过使用CNN提高PET图像分辨率，改善具有大像素化晶体[42]的PET扫描仪的噪声特性，以及直接从配对符合数字化探测器波形中估计飞行时间[43]。将深度神经网络集成到迭代图像重建过程中，可以提高最终的图像质量[44,45]。深度学习方法已经被研究人员提议用于PET/CT和PET/MR的衰减校正和配准，并已被证明能够生成高精度的衰减图[46-50]。在同样的背景下，深度学习已经可用于改善具有飞行时间PET数据的衰减校正和放射性活度的最大似然重建（MLAA）[51]。去噪处理就是成功使用深度学习技术中一个最受欢迎的图像处理应用之一，例如从低剂量图像生成足够剂量PET图像[52]或直接对重建的PET图像进行滤波[29]。
图像中病变的自动检测、计数、分割/特征化等功能在疾病的诊断、治疗计划制定和疗效的监测等方面有广泛的应用，但更广泛的是，这些功能也适用于所有的影像（基因）组学。在很长一段时间里，依赖于旧的浅层机器学习框架的方法并不能达到自动并且准确的水平，不能完全将其转化到临床实践中，也不能在影像组学分析中对数百名患者进行快速处理。最近的一些研究进展仍然涉及使用“旧的”机器学习技术[53]，但越来越多的人依赖于深度学习方法，以希望其能极大地提高自动化和性能。事实上，CNN在医学图像分割任务中的应用非常成功[22]。这可以通过以下事实来解释：与分类任务(每幅图像一个标签)相反，分割学习发生在体素水平（每个体素一个标签）。因此，学习数据数量允许对网络参数进行有效地训练。例如，尽管在最近的PET功能体分割MICCAI挑战中只有很少的训练示例可用，但基于预训练CNN的方法得分最高（虽然其分数没有明显高于一些常规的技术的分数）[32]。CNN也被应用于多模态PET/CT协同分割[34,54,55]。基于深度学习框架的肿瘤检测和分割方案可能为影像组学的这一步骤提供全自动解决方案[31,55,56]，从而解决这个重要的瓶颈问题。
预测模型和基因组学研究已经严重依赖于机器学习方法[16,57-59]，尽管这些方法大多运用于放射学领域，而不是核医学领域。一些对机器学习和深度学习方法的评价显示特征选择有所改进，模型构建更稳健，影像组学PET特征也变协调了[59-63]。然而，只有少数的研究通过将深度网络CNN作为端到端方法来探索深层网络CNN所能达到更高自动化水平的潜力，并且大多数研究都在CT及MRI领域[64-70]，只有少数研究是关于它们在核医学成像（如FDGPET[71-73]和SPECT[74]）中的应用例子。
讨论
目前，尽管有关深度特征使用及其与常规影像组学特征相结合的研究都是在CT和MRI领域进行的，但相同的概念也可应用于核医学影像。用一种基于端到端深度学习的方法替代通常的机器学习/影像组学方法可能是一种解决影像组学中一些问题或局限性的有效解决方案。在这一方法中，所有步骤是通过一个（或几个）神经网络单独并顺序执行（分割、特征萃取、建模）。然而，这种方法实际上是用其他在使用深度学习时所面临的具体挑战取代了原先的挑战。首先，这些方法需要大量的数据，其需要的数据集比影像组学通常研究中所需的数据集大得多。因此，如迁移学习和数据扩增或依赖分割网络来构建分类器[75]等方面的技术和技巧变得至关重要。其次，可提供可解释模型的需求在临床应用中也很重要。因此，很有必要向终端用户提供关于网络决策方面的反馈和解释，例如使用网络可视化技术[76]在输入图像中生成热点图而突出图像中的某个区域，甚至包括肿瘤在内，这些与最后做出的决定最相关。这对于理解和纠正算法造成的其余错误以及试图解决其他问题（包括监管、法律和责任）也很重要[77]。
在研发用于临床使用的大多数计算机方法的设计中，重大的思考模式转换正在发生。目前我们还不清楚需要多长时间才能将深度学习方法整合至临床核医学实践工作中，并使大多数临床工作实现完全自动化。目前，这些进展主要集中于解决最常见临床问题，因为研究人员可在该领域获得足够多的数据。
大多数已开发方法的目的是为了解决一项特定任务中的一个问题。尽管这些AI方法可能会很擅长解释图像和上下文信息，但他们通常无法像人脑那样建立联想，也无法代替临床医生完成所有任务。此外，他们在各种情况下的表现可能还没有达到各个领域的专家水平，因此，一名完整的具有人工智能的核医学医生，仍然属于科幻小说的范畴。另一方面，随着这些新技术整合到核医学医师的实践中，核医学医师的角色可能会发生变化，因此，将这些方法和概念的基本了解归为核医学医师培训的一部分显得非常重要。核医学医师自己也可能会为AI的培训做出贡献，为日后他们使用的工具提供更多的专家知识和经验。
在AI系统学习中，数据的可用性仍然是一个关键瓶颈，因为精心选择的数据（为确保训练数据符合许多质量标准，通常需要专家参与并且非常耗时间）根本不适合用于所有任务，并且数量也不够。另一方面，深度学习软件平台是开源的，因此，创新思维的实验和共享机制已大规模地快速发展，这最终也可能在数据处理和数据可用性方面提供帮助。对于正确训练机器和深度学习模型的另一个问题是，在图像采集和重建（尽管EANM，SNMMI和RSNA等社会组织做出来长期努力）方面，以及机器（深度）学习技术自身（包括但不限于：影像组学的定义、专业术语、实施、软件、机器学习的方法论、实施以及优化），都缺少标准化。对于训练通用模型来说，扫描器模型、供应商、采集协议和重建设置中的巨大差异性和多变性是一个巨大的挑战，这尚未解决。然而，我们应明确强调和支持一些正在进行的努力，例如用于影像组学的标准[78-80]和图像生物标志物标准化倡议（IBSI）以及统一的/标准化技术[63,81]，以便今后进一步改善上述情况。
（余略）
中国医师协会核医学医师分会科普与信息化工作委员会科普与翻译组
本期翻译由以下翻译组委员翻译：
沈晨天：上海市第六人民医院、住院医师、博士
唐毅：桂林医学院第二附属医院核医学科主任，副主任医师
饶茂华：重庆医科大学附属第二医院核医学科，中级医师、硕士
白侠：内蒙古医科大学附属医院核医学科、副主任医师、硕士
赵敏：中南大学湘雅医院核医学科（PET中心）、副主任医师、博士
张茜：山西省肿瘤医院核医学科、副主任医师、博士
靳会宾：河南省人民医院核医学科、主治医师、硕士
王磊：北京市石景山医院核医学科科室负责人、主治医师、硕士学位
李桂英：北京老年医院核医学科主任、主任医师
复旦大学附属肿瘤医院宋少莉教授校稿
首都医科大学附属北京友谊医院李春林教授终审。
附：特邀校稿专家简介
宋少莉
主任医师、教授、博士研究生导师
复旦大学附属肿瘤医院核医学科主任，
上海市质子重离子医院核医学科主任
中华医学会核医学分会第十届青委副主任委员
中德医学会核医学分会常委
上海医学会核医学分会青委副主委
上海市抗癌协会第八届理事会理事
上海市核学会实验核医学与核药学主委会副主委
上海市中西医结合核医学分会常委
中华核医学与分子影像杂志、国际放射医学核医学杂志编委。2008年博士毕业于上海交通大学，2009-2010年于美国德克萨斯州MD安德森癌症中心影像诊断系博士后，入选上海市浦江人才计划、上海交通大学医学院“新百人计划”、上海交通大学医学院高峰计划“研究型医师”，主持国家自然基金项目4项，发表SCI论文43篇。
图文编辑：秦珊珊返回搜狐，查看更多
人工智能对于人类社会有哪些价值
人工智能对于人类社会有哪些价值2021-08-15
来自网络
作者:男和可科学
人工智能对于人类社会有哪些价值？人工智能技术为人类在环境、能源、医疗等领域面临的挑战，提供了颠覆性的发展机遇。人工智能技术对于征服人类社会面临的一些最重大的挑战，包括在环境、能源、医疗等领域的问题，提供了颠覆性的发展机遇。在人工智能时代，全电动汽车技术也是对于社会经济和生活同时会产生极大正面以及负面影响的技术，而且它和无人驾驶技术有着紧密的联系。1人工智能对于生物医学的意义和价值1.人工智能可以极大地提升人类战胜疾病的能力。随着人口的老龄化，重大疾病病人的增加已经是造成社会和个人经济负担以及家庭痛苦的主要原因之一。而人工智能的应用将在多方面颠覆性地提升人类战胜疾病的能力：（1）最近连续在国际顶级杂志发表的研究证明AI对皮肤癌等疾病的诊断精确性超过了医生；（2）IBM的沃森医疗机器人已经能够对疾病作出较准确的诊断；（3）手术机器人可以显著地提高手术的精准度；（4）可穿戴的生物医疗AI产品可以极大地提升人类监测自身健康水平的能力；（5）康复机器人可以有效地帮助病人康复；（6）智能机器人也将有效地陪伴病人、老人，这对很多只有一个孩子的家庭可以提供很好的帮助；(7)医学研究、医药研发、以及医疗器械研发已经到了“大数据时代”，只有通过机器深度学习等方法才能够有效地对医学大数据进行全面高效的数据分析，从而真正地实现精准医学、并创造出新的药物和医疗器械。对重大疾病诊治能力的缺乏、医疗资源的紧缺、不断加大的医疗费用已是全球面临的三个重大问题，而人工智能在医学的应用很可能可以有效地推动这三个问题的解决。可以相信，随着人工智能生物医学应用研究和产业化的不断深入，相关人工智能产品将会越来越便宜、功能会越来越强，这样将会有效地减少医疗费用，并使人工智能产品成为医生的得力助手。2.人工智能在生物学中的应用将极大地提升人类研究生命本质的能力。在基因组学研究已经获得了重大进展后，表型组学已经成为揭示生命本质的最重要的研究方向之一。而多维度、超大型的表型组数据库的分析迫切地需要人工智能的应用。3.人工智能的应用将有力地推动制药业和医疗器械行业的发展。显然，具有人工智能的医疗器械会更加精确、能力会更强。而人工智能在制药业的应用将有力地推动新药物靶点的发现以及新药物的设计，也会显著提升药物临床实验大数据分析的速度和精确度。“通过对医学大数据的发掘发现新药物”这个方法已经被成功地应用在新药发现上。英国的BenevolentAI是欧洲最大的AI初创公司，其目标是运用AI研发药物，发展成为人们期盼已久的“药企2.0”。他们的核心技术是一个叫做JACS(JudgmentAugmentedCognitionSystem)的人工智能系统，它可以集中处理全球大量高度碎片化的信息，用以新药研发。自2013年以来，该公司已经开发出24个候选药物，而且有药物已经进入了临床IIb期试验阶段。2人工智能对于解决能源和环境问题的意义和价值1.人工智能对于解决环境问题的意义和价值（1）人工智能技术可以作为一个关键的方法去发现环境污染的主要原因。（2）运用人工智能技术可以建立起减少环境污染的工作方案以及模拟其对社会经济影响的模型。（3）运用人工智能技术可以建立起强大的监控环境污染的装置。（4）电动汽车的普及将极大地推动大气污染问题的解决。2.对解决能源问题的意义和价值（1）运用人工智能技术可以建立起能源消耗的模型，并帮助发现能源浪费的原因。（2）运用人工智能技术可以研发出能够减少能源浪费的仪器和设备。（3）电动汽车的普及将极大地减少人类对石油和煤炭的依赖。3人工智能对于国家和城市管理的意义和价值人工智能除了对环境和能源的管理有着很高价值以外，对于国家和城市管理还有着以下几方面的价值：1.对交通管理的意义和价值。运用人工智能技术可以建立起交通状况的模型，并依据模型发现最优的减少拥堵的方法。例如阿里巴巴的“城市大脑”可以通过分析交通数据找出模式，以避免城市拥堵。它可以将城市交通运行的速度提升3-5%，有时甚至可以提升11%。运用人工智能技术可以研发出能够减少交通堵塞和交通事故的仪器和设备。2.对分析国家和城市发展趋势的意义和价值。人工智能技术的发展使得复杂的国家和城市发展模型的建立成为了可能。3.对国家安全的意义和价值。人工智能图像识别技术和语音识别技术将为提升国家安全提供有力的武器，例如其可被运用于海关对出入境人员的监测。4.对监测和管理地震等重大自然灾害的意义和价值。人工智能技术将使人类获得前所未有的能力对地震等重大自然灾害加以预测，并建立起相应的管理和应对方案。5.对气象预测的意义和价值。人工智能技术将使人类更为精准地预测气候的变化。例如IBM收购的TheWeatherCompany能够从世界各地的传感器收集海量天气数据，并对这些数据进行分析，其每天可提供2600万份天气预报。4人工智能对于教育的意义和价值人工智能对于教育的意义和价值包括：人工智能产品可以很快地分析出一个学生知识和能力的优点和不足之处，然后设计出个性化的下一步学习方案。机器自动阅卷技术可以减少教师的工作负担。人工智能的教育产品可以使教育的内容更加丰富和生动。微软研发的虚拟英语老师---微软小英具有以下应用价值：为了掌握英语口语，学生需要和老师一对一练习。但老师没有能力同时指导几十个学生，而微软小英具有这样的能力。5人工智能对于金融行业的意义和价值人工智能对于金融行业的意义和价值包括：为预测金融行业的总体发展趋势提供关键的方法。为保持金融市场的稳定、监测干扰金融市场的恶意行为提供了关键的方法。可以迅速地为个人、企业的投资规划提供建议。金融客服机器人可以提供高效的客服，同时降低运营成本。可以用来防止金融欺诈。例如蚂蚁金服研发出的人工智能生物识别机器人蚂可（Mark）被用来防止金融欺诈。6人工智能对于法律事务的意义和价值人工智能对于法律事务的意义和价值包括：（1）人工智能将使法院审判体系和审判能力智能化。人工智能将在法庭的证据收集和案例分析等过程中获得广泛的应用。（2）算法裁判可能将成为法律的终极形态。计算法律学一直在探索用计算逻辑和代码来表达法律。英格兰和威尔士上诉法院大法官Briggs在在线法院的倡议中提出了算法裁判——人工智能可以代替法官直接作出裁判。（3）智能法律检索可能达到自动化的程度——智能系统自身可以理解一段事实陈述并自动识别其中的法律问题，然后完成检索并提供最佳法律信息，这将使人类律师从繁琐的法律检索工作中解脱出来。例如号称世界首个机器人律师的ROSS可以向律师呈现最相关的法律回答。（4）人工智能系统可能起草大部分的法律文件，律师的角色将从起草者变成审校者。美国已经发布一个软件工具，其可以很快地完成一个律师36万小时的工作量，帮助客户省下上百万美元。（5）“法律机器人”可能以低廉的价格提供法律服务，其可能使法律服务标准化、自动化。IBM已经制造出了法律界的AlphaGo---IBM-Waston-Legal。（6）人工智能在案件预测上具有巨大的潜能，而案件预测可以帮助当事人形成最佳的诉讼策略、也可以帮助法官实现公平正义。2016年，研究人员利用欧洲人权法院公开的判决书训练算法系统构建了模型，其预测案件判决结果的准确性达到了79%。7人工智能对于农业发展的意义和价值生产出丰富、优质的农产品对于中国的社会经济持续稳定的发展具有核心的意义。而人工智能技术的应用将为农业生产的高效、持续稳定发展提供一个巨大的推动力，其应用包括：1.人工智能在农业规划中的应用。人工智能将能够为农业规划提供一个颠覆性的技术：它可以根据当地的土壤和气候情况、农作物的经济效益和国家需求、对财力和工作量投入的需求等多维度的信息，设计出当地农作物生产的最佳方案。2.农业机器人的应用。农业机器人在农业发展中可以起到强大的推动作用。例如美国BlueRiverTechnology公司开发的LettuceBot机器人能够判定一个植物是杂草或是长势不好的作物，并且会用农药喷雾选择性地杀死该植物。这一技术可以帮助农民减少90%的化学药剂使用。目前，LettuceBot机器人服务的生菜种植面积已经占到美国生菜种植的10%左右。美国爱荷华州的发明家DavidDorhout研发的智能播种机器人Prospero可以通过探测装置获取土壤信息，然后通过算法得出最优化的播种密度并自动播种。3.评估农作物和土壤。美国已经研发出可以检测出14种作物的26种疾病的人工智能技术，其准确率高达99.35%。这将有效地防止由于误诊而导致的对农药或除草剂的滥用。4.对于农业生产的卫星照片分析。OrbitalInsight等公司运用机器学习和计算机视觉算法来分析农作物耕作地区的卫星照片，从而可以建立预测农作物产量的模型、了解气候变化对农业的影响。5.现场监测。Prospera公司等企业利用基于深度学习的计算机视觉技术，实时监测农作物长势。无人机厂商也在开展无人机在实时监测农作物长势中的应用。8人工智能对于生产效率提高的意义和价值由于多种原因，以大数据为基础的智能制造将极大地提升生产的效率，从而会显著减小生产产品的费用以及价格：（1）机器人可以24小时工作；（2）机器人可以完成一些人难以完成的工作；（3）人工智能技术运用于设计，将可以帮助人们获得最佳的设计方案；（4）人工智能技术可以被用于企业智能升级、设备故障的预测等。可以预计，如同计算机的发展历程一样，机器人的性能也将会越来越好、价格会越来越低。举一个实例：阿里巴巴的ET工业大脑将阿里云的计算能力和深度学习的能力集成到一起，在流程制造的数据化控制、工艺改良、生产线的升级换代、设备故障预测等方面发挥了作用。未来ET可以成为一个不断吸收专业知识的“大脑”，帮助企业实行智能升级。9人工智能对于提高生产安全性的意义和价值人工智能技术可以通过以下途径提高生产的安全性：（1）在危险、有毒、极度环境（极冷、极热等环境）下运用特种机器人，将使人类从危险、不适的工作中解脱出来。（2）运用人工智能技术可以对企业实行智能升级、设备故障的预测等，从而使生产环境更加安全。10人工智能对于汽车和飞机驾驶的意义和价值谷歌公司的GoogleX实验室研发中的全自动驾驶汽车正在测试过程中，其驾驶的距离已经超过48万公里。试验车辆使用照相机、雷达感应器和激光测距机来“看”交通状况，并使用详细地图进行导航。在美国，谷歌无人驾驶汽车已获得了加州、内华达州等州法律的允许可以上路行驶，并已于2015年开始路测。其主要价值在于：（1）显著地减少交通事故：据世界卫生组织统计，全球每年有124万人死于交通事故，这一数字在2030年可达到220万人。无人驾驶汽车可能大幅降低交通事故数量。如果美国公路上90%的汽车变成无人驾驶汽车，车祸数量将从每年600万起降至130万起，死亡人数从每年3.3万人降至1.13万人。（2）使人节约了开车的时间消耗：据CNBC网站报道，美国有1.4亿人每次的上下班路程需要超过30分钟的驾车。所以自动驾驶汽车将使很多人可以用以往开车的时间在车上做其它事情。11人工智能对于网络管理的意义和价值（1）谷歌发布了“知识图谱”，该技术使谷歌搜索变得更加智能。在“知识图谱”里，储存着海量信息以帮助用户尽可能快地找到答案。谷歌还推出了RankBrain人工智能算法，它可以让谷歌搜索引擎在短时间内被优化。（2）百度大脑由计算方法、计算能力、数据分析三部分组成，能够模拟人脑的工作机制。百度利用百度大脑的能力来大规模地提升其核心业务，其深度学习的研究显著提升了百度搜索的智能化程度。（3）微软根据其在必应搜索（Bing）的研究和实践，建立了一个庞大的知识图谱，以帮助用户尽可能快地找到答案。12人工智能对于军事的意义和价值人工智能在军事上的应用包括：（1）对于复杂战役情况的快速精准分析；（2）军事机器人可以完成如扫雷等特别危险的任务；（3）无人机在军事中的作用包括低空侦察及战场监视、电子干扰、气象资料搜集、散发传单以及营救飞行员等。13人工智能对于推动人类交流的意义和价值人工智能应用于推动人类交流的例子包括：（1）MicrosoftTranslator能实现包括中文普通话在内9种不同语言之间的实时语音翻译，最多允许100人同时进行群组交流。（2）脸书的DeepText这一文本识别引擎能“以接近人类的准确率”识别超过20种语言的文字内容，并自动将文字翻译为十几种其他语言。（3）GooglePhotos可以识别出照片中的人脸是谁，如果将这些人和通讯录对应，它会建议照片应该分享给谁。14人工智能对于物流管理的意义和价值人工智能对于物流管理的意义和价值包括：（1）物流机器人的应用可以提高仓库储存的效率。例如京东装备了物流机器人的仓库储存的效率是传统货架仓库储存的5倍以上。（2）Amazon和京东都开始了运用无人机提供送货服务。（3）运用人工智能管理物流也可以极大地提高效率。15人工智能可以提供各种智能化助理的服务（1）科大讯飞的智能客服机器人“晓曼”融合了语音合成、语音识别、语义理解和人脸识别等技术，外部应用则包含了麦克风阵列、3D摄像头、身份证读卡器等设施。晓曼可以应对70%以上的营业厅客服业务。（2）以微软小娜智能助理为例，用户只要向微软小娜提出问题，系统就能从繁杂的数据中，筛检出实时更新的相关业务信息，通过机器学习算法对其进行分析，然后以图表形式展示对业务发展趋势的预测。（3）阿里小蜜是一个功能强大的客户支持聊天机器人，可以从不同方面帮助客户解决问题，包括商品退回、商品打包等。通过理解人声，阿里小蜜找出解决方案并给予客户反馈。阿里小蜜的应用可以节约约90%的人力成本。（4）IBM的金融客服机器人已经可以很好地完成前台问题的回答。16人工智能对于提升日常生活质量的意义和价值人工智能对于提升日常生活质量的意义和价值包括：（1）家庭机器人或家庭智能助理将高效地管理家居生活，使得人类从日常生活的杂务中解脱出来，有更多的闲暇时间。例如在Alexa平台上开发基于语音的技能可以通过亚马逊的Echo智能音箱被消费者应用于家庭生活中。Alexa的技能增长速度越来越快，技能涵盖面越来越多。除了查询天气、询问问题等基本的功能，Alexa已经可以支持控制家用电器、Uber打车、查询菜谱等多方面的功能。（2）AmazonGo以及阿里巴巴推出的“无人实体店”可以使顾客去实体店购物不用付款、拿了商品就走。13人工智能对于推动人类交流的意义和价值人工智能应用于推动人类交流的例子包括：（1）MicrosoftTranslator能实现包括中文普通话在内9种不同语言之间的实时语音翻译，最多允许100人同时进行群组交流。（2）脸书的DeepText这一文本识别引擎能“以接近人类的准确率”识别超过20种语言的文字内容，并自动将文字翻译为十几种其他语言。（3）GooglePhotos可以识别出照片中的人脸是谁，如果将这些人和通讯录对应，它会建议照片应该分享给谁。14人工智能对于物流管理的意义和价值人工智能对于物流管理的意义和价值包括：（1）物流机器人的应用可以提高仓库储存的效率。例如京东装备了物流机器人的仓库储存的效率是传统货架仓库储存的5倍以上。（2）Amazon和京东都开始了运用无人机提供送货服务。（3）运用人工智能管理物流也可以极大地提高效率。15人工智能可以提供各种智能化助理的服务（1）科大讯飞的智能客服机器人“晓曼”融合了语音合成、语音识别、语义理解和人脸识别等技术，外部应用则包含了麦克风阵列、3D摄像头、身份证读卡器等设施。晓曼可以应对70%以上的营业厅客服业务。（2）以微软小娜智能助理为例，用户只要向微软小娜提出问题，系统就能从繁杂的数据中，筛检出实时更新的相关业务信息，通过机器学习算法对其进行分析，然后以图表形式展示对业务发展趋势的预测。（3）阿里小蜜是一个功能强大的客户支持聊天机器人，可以从不同方面帮助客户解决问题，包括商品退回、商品打包等。通过理解人声，阿里小蜜找出解决方案并给予客户反馈。阿里小蜜的应用可以节约约90%的人力成本。（4）IBM的金融客服机器人已经可以很好地完成前台问题的回答。标签：
互联网资讯人工智能声明：本站发布的内容以原创、转载、分享网络内容为主，如有侵权，请联系电话：021-51697771-8029，邮箱：mj@cndns.com，我们将会在第一时间删除。文章观点不代表本站立场，如需处理请联系我们。上一篇 域名建站有哪些步骤下一篇 搞定这关键7步，实现私域电商巨量增长分享给小伙伴
0