人工智能技术助力食品安全智慧监管
原标题：明略新行动――食品安全AI化“人工智能技术迭代定会在食品安全的前提下发现并解决问题，实现行业的智慧监管及管理。”明略科技CEO助理兼数字卫生业务负责人鲁邹尧在第十一届中国食品安全论坛分论坛上发言说到。
近日印发的《中共中央国务院关于深化改革加强食品安全工作的意见》（以下简称《意见》）中提出，推进“互联网+食品”监管。建立基于大数据分析的食品安全信息平台，推进大数据、云计算、物联网、人工智能、区块链等技术在食品安全监管领域的应用，实施智慧监管，逐步实现食品安全违法犯罪线索网上排查汇聚和案件网上移送、网上受理、网上监督，提升监管工作信息化水平。《意见》同时也提出加大科技支撑力度。将食品安全纳入国家科技计划，加强食品安全领域的科技创新，引导食品企业加大科研投入，完善科技成果转化应用机制。完善食品安全事件预警监测、组织指挥、应急保障、信息报告制度和工作体系，提升应急响应、现场处置、医疗救治能力。加强舆情监测，建立重大舆情收集、分析研判和快速响应机制。
食品安全与科技之间的关系也因此变得更加紧密。对此，鲁邹尧表示，人工智能技术的加入可提升从食品源头延伸至成品的安全保障，不仅可以帮助政府提高监管效率，同时也能帮助企业落实食品安全主体责任。
人工智能时代的汹涌浪潮正改变着越来越多的行业轨迹。为什么一家企业级人工智能产品与服务平台会进入食品安全行业？鲁邹尧谈到：“明略科技是一家以新一代人工智能技术落地为方向的企业。通过多模态人工智能和大数据技术，实现具有分析决策能力的人工智能应用。由于服务企业众多，行业分散，在探究新兴业务时发现零售与大连接是未来将保持持续增长的新领域，为此明略组建了新服务事业群，现阶段重点聚焦在餐饮和零售板块。”
鲁邹尧介绍道：“新服务事业群采用明略‘HAO’智能体系，来进行前端数据采集、打通感知、认知技术，运用知识图谱逻辑，综合机器人的视觉/听觉等终端设备，以及服务员工的能力，更好对传统服务业进行改造升级。”
明略科技创始人兼CEO吴明辉曾提到，十多年来每天和数据打交道，大数据分析及人工智能的相关应用商业模式已经纯熟于胸，以前做大数据平台搭建，后来做人工智能应用，而在更多的细分领域里，明略已经在做“感知-认知-行动”闭环的人工智能解决方案。而不断变革的技术也带来新数据的产生，从而带给各行各业商业模式的迭代。食品行业更是在迭代与摸索中探寻的新方向。
“半年来，越来越多的企业开始重视人工智能在自身行业中的应用，食品安全行业更是作为国家重点领域再次提升高度。‘明快安’多模态智慧食安平台也就是在这样的环境下诞生，力图运用大数据+AI赋能食品安全，用数据治理食品安全，用科技助力食品卫生。”鲁邹尧谈到。
市场监督管理总局在2018年4月印发的《餐饮服务明厨亮灶工作指导意见》中提到：明厨亮灶，是指餐饮服务提供者采用透明、视频等方式，向社会公众展示餐饮服务相关过程的一种形式。国家市场监督管理总局相关负责人也表示，2019年，我国餐饮行业明厨亮灶推广要达到30%以上。
但由于不同地域的环境特殊性，“明厨亮灶”的推广仍存在很大难度。鲁邹尧表示：“‘明厨亮灶’是食品安全的第一道闸门，而明略正在做的可以看做‘明厨亮灶3.0’，结合视频厨房等新形势打造了事前、事中、事后三道防线。”他具体解释道：“明快安是一款综合立体地解决食品安全问题的应用级系统，能自动辨识并发现后厨的食品安全风险点，7x24小时监管食品加工过程，预防不可预估的食安风险，并针对食安风险提供解决闭环，从而提高监管效率，降低合规成本。同时它也是一款全天候360°的智能监管系统，具备明厨亮灶基础能力的同时，还可应用于后厨人员管理和环境管理。运用人员合规性智能识算法别和卫生环境合规性智能识别算法，能有效监管后厨人员的穿戴与操作规范，食品存储条件与环境消毒卫生等食品安全核心场景。”
为了保证餐品的品质，事前的溯源便显得尤为重要，为此，鲁邹尧提到：“目前国内的冷链物流比某些低，中国只有7%，而国外可以达到80%，差别很大。为了提升冷链效率，通过大数据与人工智能算法，进行自动配载与路线优化，在通过测试后在物流成本上压缩了一大截。同时食品溯源信息及数字化后可以有效提升监管。”
吴明辉曾在采访中诙谐地提到：现在明略科技做的事很有趣，在利用AI抓老鼠。鲁邹尧说：“在‘明快安’的系统中通过有效识别老鼠行为轨迹并提供针对性的专业解决方案，帮餐厅解决后顾之忧。通过与某大型PCO公司合作，在其持续服务的中式餐厅中进行专业对比，使用明快安可以使其消杀治理的效率提升3倍。”为了让食品安全形成完整链条，明略也利用自身优势打造事后的舆情监测机制，提升食品安全后端的保障。
吴明辉曾说，一个餐饮机构一年花1万去整顿后厨的卫生安全，中国有800万家餐饮企业，如果所有餐厅都按照国家的食品安全要求去做，全中国这一块就有800亿的市场，这是一个巨大的市场。根据数据显示，2019年中国同步餐饮企业数量只占1%，营业额占比为7%，但承载的监管压力达到了23%，为了让餐饮行业在同一个起跑线起跑，让更多的企业可以有更加公平的竞争环境，明略正在努力推进‘明快安’的大规模项目落地。
人工智能目前发展最好的当属计算机视觉及听觉，业内已经有大批企业正猛攻这两个方向，而明略除皆有布局外，将知识图谱的概念深化并且放大，利用数据分析下的理解和关联打造了完整的系统级应用，在硬件技术已经成熟的当下利用优势打造属于自己的纵深地带，这或许会创造更大的社会价值。
据悉，目前，明快安已拥有多业态解决方案，定制服务了多家连锁企业，覆盖连锁餐企、食品加工厂、酒店、购物中心等客户，实现食品安全全业态覆盖。未来，明略科技也将在更多服务领域内建立细分市场的系统级应用，力图通过人工智能与数据的结合打造科技赋能的生态服务环境。（郑伟）
(责编：实习生1、张希)人工智能何以促进未来教育发展
原标题：人工智能何以促进未来教育发展自工业革命以来，人类社会的发展总是在技术与教育的角逐互动中前行。技术作为推动人类历史发展的核心推进力，与教育这一“人力资本发动机”竞相成为推动经济社会发展的主力。人工智能作为第四次工业革命的显著标签，其飞速发展正在逐步塑造社会、经济、生活等领域的业务新形态，也不断带来颠覆性、丰富性、创新性的新业态。面对人工智能技术对整个社会发展的刺激，教育如何发展，成为值得思考的重要问题。
人工智能凸显创新人才发展挑战
作为引发第四次科技革命的核心技术，人工智能促进社会经济和科技的指数级发展，对人力资本的质量与供给产生了新的需求，人工智能与人力资源之间的相互依存关系产生了前所未有的张力，教育的超前性更是受到前所未有的挑战。第一，知识增长的指数发展使得未来人才需要哪些方面的准备具有极大的不确定性。第二，智力劳动者比重增加，创新人才成为时代发展的刚需。人工智能技术与生产过程的深度融合，会极大压缩生产领域的从业者需求，特别是那些人工智能胜出的领域。第三，人工智能技术的兴起引发高技术产业、新兴产业、新型服务行业更广阔的发展空间，从而使得创新型人才、复合型人才、高技术人才等在劳动力结构中需求激增。人工智能技术无法取代的创造性、灵活性、人文性等能力将成为智能化时代人才竞争的关键。教育肩负培养创新人才、为未来人才提前布局的使命。回溯历史，我们可以得到的经验是，只有教育领先于技术的发展步伐，为技术推进的社会提前做好人力资源的布局，社会的发展才有后劲。因此，在人工智能推进社会更飞速发展的今天，必须回答好什么样的教育才能承载提前布局人力资源的使命，以应对未知社会的人才挑战这一问题。
人工智能催生新的知识生产方式
在人工智能的影响下，人类知识生产加剧变化，知识增量呈现指数级态势。教育的传承性发展将不再局限于知识的传授与继承，而强调知识创造与创新，人工智能的介入更是催生了新的知识生产方式。其一，人工智能强大的知识发现能力缩短了知识生产周期。随着深度学习、强化学习等新的机器学习算法的发展，人工智能除了可以加快知识的生产、访问和利用，还可以从数据中提取隐含的、未知的、潜在的、有用的信息（知识），从而扩展知识创造的能力。其二，人机协同的智能模式扩大了知识创造的机会与可能性。人工智能技术不仅促进人的群智协同创新，而且可以实现人类与人工智能代理协同，后者所具有的超强计算能力，可以极大加速知识生产，催生知识的众创，以及人机协同知识创新。人工智能催生的新的知识生产方式对教育的挑战是，教育不再局限于知识传承，而更是知识的创新。未来学校教育必须教会学生如何与人工智能技术协同合作，呵护学习者“能学”，以及高度重视学生辨析知识能力的培养，召唤学习者“会学”，促进学习者在人机交互中实现知识更新与创造。
人工智能变革学习方式带来创造力与活力释放可能
人工智能已经引发了诸多领域与行业的深刻变革，对教育的系统性变革更是呼之欲出，为学习方式的变革带来了可能。首先，人工智能技术带来规模化教育的个性化可能。人工智能构建的智慧学习环境不仅创造灵活的学习空间，还能感知学习情境、识别学生特征，为学生提供个性学习支持。其次，人工智能技术带来标准化教育下的适应性可能。人工智能通过动态学习诊断、反馈与资源推荐的自适应学习机制，可以适应学生动态变化的学习需求，从而打破标准化的教育限制，释放出学生的创造力与活力。最后，人工智能改善结构化的授导方式，释放教师的创造力与教学活力而专注于人性化的学习设计。教师烦琐重复性的工作能够被智能机器所替代，智能分析技术能为教师精准定位学生的学习问题与需求，教师的角色将转向更加优秀的学习设计师，专注于“如何让学生学好”，注重培养学生的能力和思维，将更多时间用于学习活动设计以及与学生的个性化互动交流，为学生提供个性化学习支持服务。人工智能的发展以及与教育教学的深度融合，给教育的改革创新带来了更多选择，教育需要发挥技术的赋能、增能、使能优势满足教育的功用性追求，也要坚守教育的育人初心和使命传递人文性价值，以学生的成长发展为前提探索可以实践的学习方式、学习设计，通过人工智能释放出教育的更大活力。
人工智能引发领域与行业变革催生教育生态升级
人工智能对其他领域与行业的变革影响也会延伸到教育领域，因为教育是关乎社会发展全局的事业。一方面，人工智能所发挥的增强、替代、改善、变革等作用，突出体现在对社会生产和生活各个领域所产生的行业重塑作用，以及对人力的释放。另一方面，这些重塑作用和人力的释放，引发了社会领域与行业的变革，促使了社会人才需求的转向；而教育是社会人才资源输出的重要领地，需要为此作出有力回应，从而催生教育生态升级。人工智能加速了教育深化改革的进程，推动了系统内部的更新再造。数字技术已经对教师学生、课程、教学方式、学习体验、评价、管理等教育要素产生了深刻影响，并通过逐步的再造教育流程，变革着教育生态。而人工智能则在进一步加速这一过程，以一种颠覆性创新的态势，拓展系统内各要素的内涵，改善和延展系统内部关系，重塑教育系统功能与形态。人工智能拓展了教育边界，助推未来学校建设。未来学校将借助技术的力量，把校外学习场所（如科技馆、博物馆）和线上学习场所都纳入“学校”的范畴，整合社会各领域的教育资源，形成一种全新的育人环境。同时，数字孪生等新技术促进现实空间与虚拟空间的交互融合，通过创建人、物、环境数字孪生体，实现物理空间与数字空间的双向映射、动态交互和实时连接。对教育系统内部的升级改造以及空间资源的拓展，能够使其更好地与社会领域衔接，更好地提供适应未来生活和工作的创新人才成长场所。
人工智能关乎强国战略目标实现
教育应服务于国家战略布局，为抢占人工智能发展先机，构筑先发优势；为国际竞争、社会发展输出创新人才，支持科学技术的自主研发。当前，世界各国纷纷把发展人工智能上升到国家战略的高度，以抢占新一轮科技革命的机遇高点以及全球竞争中的主动权。《新一代人工智能发展规划》提出我国要“成为世界主要人工智能创新中心”的战略目标，全局部署了经济、教育、科技、社会发展和国家安全等重要方面。教育强国战略是科教兴国战略、人才强国战略和创新驱动发展战略等重要战略的逻辑起点，人工智能对教育的人才培养能力提出更高要求。近年来，世界各国在发展人工智能的同时也面临巨大挑战，如创新人才问题、高新技术自主可控问题等。人工智能的国际竞争本质是人才的较量，这需要教育从战略层面予以回应。因此，教育在战略上起引领作用，就要既充分发挥智能技术优势推动教育生态系统升级，又谋篇布局为国家发展提供人才支撑。立足技术与教育在角逐中互为塑造的视角，对人工智能促进未来教育发展的探索，更需要在战略上把握先机，通过教育为社会各领域输出创新人才，支撑社会各领域转型升级以及人工智能等高新科技的创新发展，为强国战略注入持续活力与能量。
教育在与技术的角逐中共同推动社会的发展。教育具有超前性、人文性、传承性、战略性及生态性等特点。在人工智能技术的指数式发展面前，教育的超前性变得难以维系；需要慢工出细活的人文性与满足社会用人需求的工具性之间呈现时空拉锯和矛盾；对人类知识的传承则变身为历史传承、人际共创以及人机共创的多重特征。随着人工智能技术推动的发展加速，教育的发展战略、前瞻性谋划，是一个时不我待、任重道远的重要课题。
（作者：顾小清，系国家社科基金重大项目“人工智能促进未来教育发展研究”首席专家、华东师范大学教育信息技术学系教授）
(责编：郝孟佳、孙竞)分享让更多人看到
医学人工智能的发展
强大的医疗健康需求、丰厚的数据技术积累，让“AI+医疗”一直以来备受各界关注。
人工智能是当今科技界最热门的领域，而医学人工智能更是热门中的热门。谷歌、微软、IBM、百度等科技巨头都积极布局智能医疗产业，美国麻省理工学院、斯坦福大学、卡内基梅隆大学以及我国的清华大学等知名学府均把医学人工智能作为未来发展重点，美国、中国、日本、英国等世界各国人工智能计划也都把医疗作为重要的应用领域。
专家系统与智能诊断
专家系统(ExpertSystem，ES)是人工智能一个重要的分支学科，是一种根据专家专业知识和工作经验，用于求解专门问题的计算机系统。医疗诊断正是一项典型的专家任务。因此，医学专家系统是应用较早、使用广泛、卓有成效的人工智能技术。
●专家系统的发展
专家系统的发展曾红极一时，如今却沉寂无闻。专家系统一般包含6个部分：知识库、数据库、推理机、用户交互层、解释器和知识获取模块，因需求的不同而具有不同的结构。其中，知识库和推理机是系统结构的核心部分。知识库是将专家的知识准确、简明、有效地转换成机器理解的语言，常用的方法主要有产生式表示法、框架表示法和语义网络表示法。推理机是专家系统的“思考”结构，通过模拟专家思维过程进行问题求解，主要方式分正向推理、反向推理以及正反向混合推理。
专家系统技术上经历了孕育、产生、成熟和发展等4个阶段。1956年，美国达特摩斯(Dartmouth)学术会议召开，“人工智能(ArtificialIntelligence)”术语首次采用，标志着人工智能学科正式诞生。其后，人工智能分别在3个方向上迅速得到发展：一是机器思维，如机器证明、机器学习等启发程序，以及化学分析、医疗诊断等专家系统;二是机器感知，如机器视觉、机器听觉等文字、图像识别、自然语言理解，以及感知机、神经网络等;三是机器行为，如具有自学习、自适应、自组织特性的智能控制系统、控制论动物和智能机器人。1965年，美国斯坦福大学计算机科学家费根鲍姆(EdwardFeigenbaum)开始研制世界上第一个用于推断化学分子结构的专家系统DENDRAL，标志着人工智能学科中“专家系统”分支学科即将孕育而生。1968年，DENDRAL成功问世开启人工智能一个新的分支“专家系统”。
20世纪70年代，专家系统技术已经成熟，并广泛用于其他领域。斯坦福大学的肖特利夫(EdwardH.Shortliffe)等人自1971年开始。1976年完成了第一个用于血液感染病的诊断、治疗和咨询服务的医疗专家系统MYCIN。斯坦福研究所的杜达(RichardO.Duda)等人自1976年开始。1981年完成地质勘探专家系统PROSPECTOR。1977年，费根鲍姆提出“知识工程”概念，大大推动了基于知识的专家系统及其开发工具的发展，如骨架型专家系统开发工作EMYCN、KAS等，知识获取辅助工具TEIRESIES、SEEK等，通用知识表达语言LISP、PROLOG等。
20世纪80年代，专家系统开始走出实验室进入市场。1981年，英国赫特福德大学教授克洛克森(WilliamF.Clocksin)出版了《PROLOG语言编程》。1982年，第一个商用专家系统R1在数据设备公司(DEC)成功运行。1983年，美国斯坦福大学教授海斯罗思(BarbaraHayes-Roth)出版了《建立专家系统》。1985年，美国加利福尼亚大学教授哈蒙(PaulHarmon)出版了《专家系统：人工智能业务》。据统计，差不多1星期就会有一个这方面的公司诞生，专家系统及其工具在越来越商品化的过程中形成一门旨在生产和加工知识的知识产业，专家系统迎来了自己的“黄金时代”。
但是，由于专家系统应用领域过于狭窄，知识获取“瓶颈”和不确定性常识推理等困难，20世纪80年代后期商业需求锐减，以专家系统所代表的人工智能迎来历史最寒冷的“冬天”。20世纪90年代，专家系统开始进入缓慢发展时期，研究转向了与知识工程、模糊技术、实时操作技术、神经网络技术和数据库技术等相结合的发展方向。
●专家系统在医学领域的应用
医学一直是专家系统应用最有效的领域。人工智能几乎一诞生就应用于医学领域。1954年，美国华人科学家钱家其就使用计算机计算剂量分布、进行放射治疗。1959年，美国乔治敦大学教授莱德利(RobertS.Ledley)首次应用布尔代数和贝叶斯定理建立了计算机诊断的数学模型，并成功诊断了一组肺癌病例，开创了计算机辅助诊断的先河。1966年，莱德利正式提出了“计算机辅助诊断”的概念(ComputerAidedDiagnosis，CAD)。1968年，DENDRAL专家系统诞生。不久，MYCIN医学专家系统就研制成功。该系统首次采用知识库、推理机系统结构，引入“可信度”概念，进行非确定性推理，对用户咨询提问进行解释回答，并给出答案的可信度估计，形成了一整套专家系统的开发理论，为其他专家系统的研究与开发提供了范例和经验。
其后，医学专家系统逐渐成为医学领域内的一个重要分支领域，并在20世纪80年代达到高潮，出现了大量的综合医学专家系统。1977年，美国拉特格尔斯大学的韦斯(SholomWeiss)等人最早提出一个专家系统可用于多个领域，并把开发出的专家系统命名为CASNET，用于治疗青光眼疾病。1982年，美国匹兹堡大学的米勒(RandolphA.Miller)等人发明了著名的Internist-I内科计算机辅助诊断系统，其知识库包括了572种疾病，约4500种症状，以及10万种疾病与疾病表现之间的联系，拥有当时最大知识库。1991年，美国哈佛医学院的巴尼特(OctoBarnett)研制了DXplain软件，包含了2200种疾病和5000种症状。
20世纪90年代，医学专家系统逐步发展成为针对某一种或一类的疾病的专项专家系统。1990年，美国南伊利诺伊大学的乌姆博(ScottE.Umbaugh)开发的皮肤癌辅助诊断系统，使用自动感应工具产生规则来确定多变的皮肤颜色。1993年，美国哈佛医学院的研究人员构建了动态影响图的实时系统，用于诊断急性腹痛疾病。1994年，英国普利茅斯医学院的基思(RobertD.F.Keith)采用人工神经网络技术开发了智能胎心率宫缩描记图(Car-diotocography，CTG)计算机辅助分析系统，获得满意的效果。1995年，美国俄勒冈健康与科学大学伯恩多夫(NormanI.Birndorf)等人将规则和人工神经网络理论相结合，构建一个混合的专家系统用于评估小红血细胞性贫血疾病。1996年，美国巴特勒大学的林恩(LynnLing)建立了一个典型的艾滋病专家诊断系统。这些专家系统促进了医学科学的发展。进入21世纪后，专家系统进展缓慢，医学专家系统取得的成果也不多。
我国医学专家系统研究始于20世纪70年代末期。1978年，北京中医医院的关幼波与电子计算机室的科研人员，根据自己的辨证施治经验，研发出肝病诊疗程序，在国内率先把中医学与电子计算机技术结合起来，开创了我国第一个医学专家系统。1981年，中国科学院成都计算机应用研究所和成都中医学院共同研制成功了中医痹症计算机诊疗系统，完全符合率达96.88%。但是，以上两个系统没有明确的知识库和推理机概念，更多的是直接模拟诊断，缺乏灵活性。
20世纪80年代，专家系统在中医领域得到迅速的推广。1982年，宇文贤设计实现了基于滋养细胞疾病的诊治的一种计算机诊断医疗专家咨询系统。1983年，张志华利用计算机辅助实现基于医学上常见的盆腔子宫内膜异位症的诊断。此后，各种名称的中医专家系统如雨后春笋般涌现，达到鼎盛时期，据统计有140多个。
20世纪90年代，我国专家系统应用进入西医领域，发展渐缓。1990年，华西医科大学口腔医学院的魏世成等人开发出颞颌关节紊乱综合征专家系统。1997年，李雪荣等组建了一个儿童心理障碍标准化诊断与治疗的人工智能专家系统。1998年，张玉璞设计并实现了基于波形分析的心血管疾病诊断的专家系统。2000年，哈尔滨工程大学的刘长征等人研发神经内科疾病诊断与治疗专家系统，用于神经内科疾病诊断与治疗。2001年，南京大学生物医学物理研究所与江苏省人民医院的石晓东、仲远明等研发耳穴信息智能识别系统，通过识别人体耳穴电学特征量筛检上消化道癌。2002年，武汉理工大学的吴钊等人研发了模糊口腔癌症诊疗专家系统，用于口腔癌症诊断与治疗。2003年，山西医科大学的吕晓燕、郭建军等研发了胃癌诊断专家系统，用于胃癌的临床诊断。2005年，中国科学院沈阳自动化研究所与中国科学院研究生院的曾文、刘尚辉等人开发了结核病诊断专家系统。2006年，山西医科大学与中北大学的葛学军、李冰等人开发了口腔牙周病诊断专家系统，集合口腔牙科专家知识，用于口腔牙周疾病诊断。2008年，深圳市人民医院开发出了用于对于人体血气中酸碱度的检测分析计算机辅助专家系统。至此，短短30年，除西藏、宁夏、海南、香港、澳门之外，我国其他29个省区市都先后开展或涉足了中医专家系统的研究，开发了多种多样多功能的医学辅助诊断治疗系统，先后研制出220个中医专家系统和开发工具。但是，真正能够为医生所接受并且投入临床使用的医学专家系统少之又少。
机器学习与智能影像
机器学习与专家系统一样，都是人工智能机器思维研究进路的一个分支，主要是模仿人类学习的思维过程而实现自主学习，并做出判断与决策。医学影像数据的日益丰富、医学影像人员的极端匮乏以及数据分析的单调枯燥，使医学影像成为人工智能最热门的方向之一。
●机器学习的发展
机器学习的发展几经沉浮、如今再成热点。逻辑推理和类比联想是人类学习性思维的典型特点。模拟人的思维进行自主学习成为人工智能专家一直努力的方向。1949年，加拿大心理学家赫布(DonaldHebb)在其著作《行为的组织》中首次提出了基于神经心理的学习理论，标志着机器学习领域迈出了第一步。1952年，被誉为“机器学习之父”的塞缪尔(ArthurSamuel)设计了一款西洋跳棋程序，通过模拟塞缪尔本人及其他高手的下棋策略与方法，积累经验和教训，向高明的对手或通过棋谱进行学习，不断提高人工智能水平，终于在1959年击败了它的设计者，并在1962年战胜了美国一个州的跳棋冠军，在世界上引起了不小的轰动。1957年，美国康奈尔航空实验室的罗森布拉特(FrankRosenblatt)利用赫布理论模拟人脑的运作方式，创造了“感知机(Perceptron)”，能够进行简单的文字、图像和声音识别。感知机在20世纪60年代初期曾经盛行一时，据估计至少有近百个研究机构和公司从事感知机的研究与开发工作。
然而，无论是以“跳棋程序”为代表的逻辑符号主义学派，还是以“感知机”为代表的神经联结主义学派，都遇到了各自的技术瓶颈，并受到电子技术水平的限制，不仅使机器学习止步不前，而且使人工智能在20世纪60年代中期至70年末遭遇了第一次寒冬。感知机最大的问题就是对复杂图像的感知能力低、对非线性分类识别问题缺乏有效学习方法。1986年，美国科学家鲁姆哈特(DavidRumelhart)和维伯斯(PaulWerbos)研制出被称为“反向传播”神经网络(BackPropagation，BP)的多层感知机，解决了非线性感知与复杂模式识别的问题，给机器学习带来了新的希望，掀起了基于统计模型的机器学习热潮。
到了20世纪90年代，以BP为代表的浅层学习算法模型进入了黄金时代，各种各样的学习模型被相继提出，并得到实际运用。1990年，美国计算机科学家夏皮雷(RobertE.Schapire)最先构造出一种多项式级的Boosting框架算法。1995，俄罗斯统计学家瓦皮尼科(VladimirVapnik)和丹麦计算机科学家科尔特斯(CorinnaCortes)提出支持向量机算法(SupportVectorMachines，SVM)。1997年，IBM公司的超级计算机深蓝(DeepBlue)战胜堪称国际象棋棋坛神话的加里?卡斯帕罗夫，震惊世界。2001年，美国统计学家布赖曼(LeoBreiman)提出决策树模型(RandomForests，RF)。但是，BP算法也存在着随着神经网络层数的增加而梯度逐渐消失的严重缺陷。2006年，“神经网络之父”欣顿(GeoffreyHinton)提出神经网络深度学习(DeepLearning)算法，解决了这一问题，使图像、视频、语音和音频的处理带来了突破，引燃了深度学习在学术界和工业界的浪潮。2011年，微软公司首次将深度学习方法应用在语音识别领域中，取得了较好的效果。2012年，谷歌的X实验室开发了一种机器学习算法，可以自动浏览和找到包含猫的视频。2014年，Facebook公司开发了一种名为DeepFace的算法，能够识别或验证照片中的个人，其准确度与人类相当。2016年，谷歌旗下的DeepMind公司基于深度学习的算法开发研制了AlphaGo程序，战胜了围棋冠军李世石，掀起了机器学习发展和应用的浪潮。
●AI与医学影像的结合
AI与医学影像的结合起步很早却难有大的突破。医学影像是指为了医疗或医学研究，对人体或人体某部分，以非侵入方式取得内部组织影像的技术与处理过程。自第一张X光片出现后，随着20世纪科学技术的发展，逐渐形成了以X射线、CT、磁共振成像、超声和核医学等为代表的多种医学影像技术设备，成为医疗绝大多数数据的来源。
人工处理的困难与枯燥，使人们很早就想利用AI解决这些问题。1963年，美国放射学家洛德威克(GwilymS.Lodwick)等人提出X光片数字化的方法。1966年，莱德利正式提出了“计算机辅助诊断”的概念(CAD)，希望通过计算机来减轻医生的工作负担。1972年，CT的临床使用开创了医学影像数字化的先河。之后，MRI、CR、DR、ECT等数字化医疗设备的产生，推动了医学图像资料的存储、传输系统(PictureArchivingandCommunicationSystem，PACS)的发展。因此，1982年，美国放射学会(ACR)和电气制造商协会(NEMA)决定共同成立一个称为ACR-NEMA的委员会，致力于制订医学影像设备间共同的通信交流规范。1985年和1988年，ACR-NEMA发布了两套规范(ACR-NEMA1.0和ACR-NEMA2.0)，并于1993年发布了一套统一的规范，正式命名为DICOM3.0，详细地规定了医学图像及其相关信息的传输协议。
虽然图像存储与传输标准有所发展，但是AI与医学影像的结合仍然困难重重。例如，医学专家系统在诞生后，虽然在20世纪80年代红极一时，但一直难于应用在医学影像领域。造成AI与医学影像难以结合的主要原因是视觉系统成像模糊、人体组织结构或功能的复杂性及传统算法的局限性。2006年，深度算法的出现为图像识别带来突破性的进展。2012年，欣顿使用多层卷积神经网络结构，将图像识别错误率突破性地从26.2%降低到了3%，让深度机器学习进入工业和医疗的领域。2014年，国际知名的医学影像公司Enlitic成立，并开发出从X光照片和CT扫描图像识别恶性肿瘤的软件。2015年，美国西奈山医院使用的一种名为DeepPatient的AI技术，分析该院70万名患者的病历数据，表现十分优异。2017年，美国食品药品管理局(FDA)批准了第一款心脏磁共振成像人工智能分析软件CardioDL。2018年，FDA批准了全球第一款人工智能医疗设备IDx-DR。目前，中国有超过100家医疗人工智能公司，其中约有40家企业属于医学影像AI公司，近千家医院部署的人工智能系统中超过一半是医学影像人工智能系统。
智能机器人与智慧医疗
智能机器人是指具有视、听、触等机器感觉，行动、规划、决策等机器思维，机械手、脚的智能控制结构的机器人，是人工智能的又一个重要研究方向。作为一种新型的人工智能技术，会对整个医疗行业产生深远影响。
●机器人的技术发展
机器人从技术成长的视角看可分为3代：第一代为示教再现型机器人，第二代为具备感觉的机器人，第三代为智能机器人。1959年，第一台工业机器人诞生。1965年，世界上第一个带有视觉传感器的机器人诞生。1968年，美国斯坦福研究所研制的机器人Shakey具备了一定的人工智能，能够进行感知、环境建模、行为规划并执行任务，成为第一台智能机器人。1974年，美国辛辛那提?米拉克龙(CincinnatiMilacron)公司成功开发了多关节机器人。1979年，美国Unimation公司推出了PUMA机器人，它是一种多关节、全电机驱动、多CPU二级控制的机器人，采用VAL专用语言，可配视觉、触觉、力觉传感器，是当时技术最先进的工业机器人。
20世纪80年代，不同结构、不同控制方法和不同用途的工业机器人在发达国家进入了实用化普及阶段，日本把1980年称之为“机器人普及元年”，开始在各个领域推广使用机器人，传感技术和智能技术被广泛应用，智能机器人概念日渐深入人心。1985年以后在日本称为“智能机器人的时代”。短短20年时间，机器人实现了从第一代到第三代的大幅跨越。因此，第三次科技革命也可称为机器人技术发展的“黄金时代”。20世纪90年代，日本泡沫经济破灭、经济萧条，日本机器人市场逐步向全球市场转移，成为拉动日本机器人产业增长的重要力量。进入21世纪后，智能机器人、仿生机器人等新一代机器人纷纷亮相。2010年，日本发那科公司推出了第一台学习控制机器人。2014年，日本推出了高仿真人形机器人等。智能机器人技术和产业进入快速发展阶段。
●医疗机器人
医疗机器人是智慧医疗的重要特征之一。根据用途，医疗机器人大致可以分为外科手术机器人、康复机器人、医疗服务类机器人。智能机器人应用于医疗领域肇始于20世纪80年代。1985年，美国加利福尼亚州放射医学中心研制成功能自主定位的手术机器人(Puma560)，协助外科医生完成脑组织活检。1992年，美国IBM公司和加利福尼亚大学联合推出名为Robodoc的机器人系统，协助完成了人工骸关节和膝关节置换手术。1994年，美国ComputerMotion公司研制出第一台商业化手术机器人AESOP，并于1997年完成了世界首例腹腔镜下胆囊切除手术。1999年，美国IntuitiveSurgical公司开发出达?芬奇(DaVinci)外科手术机器人，被广泛应用于普通外科、胸外科、泌尿外科、妇产科、头颈外科以及心脏外科，成为目前国际上技术最为成熟和完备的外科机器人，几乎垄断了外科机器人市场。我国手术机器人的发展较晚。2010年，天津大学、南开大学和天津医科大学总医院联合研制的首台外科手术机器人“妙手A”系统成功问世，有望打破西方国家的垄断。
康复机器人主要用来帮助老年人和残疾人更好地适应日常的工作和生活，主要集中在康复机械手臂、智能轮椅、假肢和康复治疗机器人等方面。1987年，英国MikeTopping公司研制出了一款康复机器人，命名为Handy1，用以帮助一名11岁患有脑瘫的小男孩独立地用餐。2013年，我国上海交通大学成功研制出第一台智能轮椅机器人ROBOY，能对周围环境做出准确判断、自动规划最佳路径。
医疗服务类机器人主要包括救援机器人、转运机器人、医院办公机器人、护士机器人等。1985年，美国TRC公司研制出世界首个服务机器人“护士助手”，不仅能运送医疗器材、药品等，还能为患者提供送饭和送病历、报表及信件等服务，目前已在全球几十家医院投入使用。
此外，人工智能在健康和慢性病管理、急诊流程、就医流程引导等方面有着广泛的应用。随着大数据、物联网、人工智能的发展，人工智能无疑会对人类的未来医疗提供莫大帮助，产生越来越广泛深入的影响，有可能改变医疗模式、重塑医疗产业。生病还要不要看医生?未来医院是什么样的?医疗人工智能事故责任如何认定?这些也同样带给我们无限的想象和深度的思考。
作者：王国强，中国科协创新战略研究院研究员，博士，主要研究方向为科技史、科技政策和科技传播
本文来自《张江科技评论》杂志