《人工智能及其应用》练习题
1.被称为人工智能之父的是_________。 图灵
2.在各种人工智能学派中，认为人工智能起源于数理逻辑的是___________。 符号主义；逻辑主义；心理学派；计算机学派；
3.在各种人工智能学派中，___________的原理主要为神经网络及神经网络间的连接机制与学习算法。 连接主义；仿生学派；生理学派；
4.在各种人工智能学派中，___________的原理为控制论及感知-动作型控制系统。 行为主义；进化主义；控制论学派；
5.人是一个物理符号系统。 （√）
6.人工智能的基本条件是计算机能够表现出智能。 （√）
7.人工智能的基本条件是计算机是一个物理符号系统。 （√）
8.现阶段，计算机的工作主要在数值计算方面。 （×）
【解析：计算机早期的工作主要集中在数值计算方面，现阶段已具备一定的推理能力。】
9.机器学习就是使计算机具有学习新知识和新技术，并在实践中不断改进和完善的能力。（√）
10.请简述智能经济的基本内涵。 智能经济是在数字经济充分发展的基础上，由人工智能等智能技术推动形成和发展的新经济形态。 解析：智能经济是以人工智能（AI）为核心驱动力，以5G、云计算、大数据、物联网、混合现实（MR）、量子计算、区块链、边缘计算等新一代信息技术和智能技术为支撑，通过智能技术产业化和传统产业智能化，推动生产生活方式和社会治理方式智能化变革的经济形态。
11.什么是人工智能？试从学科和能力两方面加以说明。 从学科角度：人工智能是计算机科学中涉及研究、设计和应用智能机器的一个分支。它的近期主要目标在于研究用机器来模仿和执行人脑的某些智能功能，并开发相关理论和技术。
从能力角度：人工智能是智能机器所执行的通常与人类智能有关的功能，如判断、推理、证明、识别、感知、理解、设计、思考、规划、学习和问题求解等思维活动。
12.现在人工智能有哪些学派？它们的认知观分别是什么？ （1）符号主义(Symbolicism)，又称为逻辑主义(Logicism)、心理学派(Psychlogism)或计算机学派(Computerism)，其原理主要为物理符号系统(即符号操作系统)假设和有限合理性原理。认为人的认知基元是符号，而且认知过程即符号操作过程。认为人是一个物理符号系统，计算机也是一个物理符号系统，因此，我们就能够用计算机来模拟人的智能行为。知识是信息的一种形式是构成智能的基础。人工智能的核心问题是知识表示、知识推理和知识运用。
联结主义(Connectionism)，又称为仿生学派(Bionicsism)或生理学派(Physiologism)，其原理主要为神经网络及神经网络间的连接机制与学习算法，认为人的思维基元是神经元，而不是符号处理过程。认为人脑不同于电脑，并提出联结主义的大脑工作模式，用于取代符号操作的电脑工作式。
行为主义(Actionism)，又称进化主义(Evolutionism)或控制论学派(Cyberneticsism)，其原理为控制论及感知—动作型控制系统。认为智能取决于感知和行动。认为智能不需要知识、不需要表示、不需要推理；人工智能以像人类智能一样逐步进化。智能行为只能在现实世界中与周围环境交互作用而表现出来。符号主义、联结主义对真实世界客观事物的描述及其智能行为工作模式是过于简化的抽象，因而是不能真实地反映客观存在的。
1.下列说法正确的是（B）。
A.置换可以交换B.语言网络是知识的图解表示C.公式集总可以合一D.“时间”是“春天”的实例解析：可合一的前提是存在变换s，使得E1s=E2s=……；“春天”是“时间”的实例；
2.下列关于知识的表述，错误的是（C）。
A.知识是经过削减、塑造、解释、选择和转换了的信息B.知识由特定领域的描述、关系和过程组成C.知识是想象出的经验D.知识是一切智能行为的基础3.下列知识表示方法中不属于陈述式知识表达方法的是（B）。
A.剧本表示B.过程表示C.语义网络表示D.框架表示4.下列哪些不属于谓词逻辑的基本组成部分？（C）
A.谓词符号B.变量符号 C.操作符操作符操作符
D.函数符号5.关于语义网络表示，以下继承中（B）是不存在的。
A.指继承B.左右继承C.默认继承D.如果需要继承6.假设P为真，Q为假，则下列公式中为真的是（A）。 A.PUQ
B.P∩Q
C.P→Q
D.~P 7.下列等价关系不成立的是 （C）。
A. ~（~P）等价于P
B.PUQ等价于~P→Q
C.P→Q等价于~P→~Q
D.~(PUQ)等价于~P∩~Q
8.在梵塔问题归约图中，某子问题属于本原问题，那么此子问题的解应该包含（A）步移动。
A.1B.2C.3D.不确定9.在与或图中，只要解决某个子问题就可解决其父辈问题的节点集合是指（A ）。
A.或节点B.与节点C.终叶节点D.后继节点10.下列节点中，一定是不可解节点的是（D）。
A.终叶节点B.后继节点C.没有后裔的节点D.此节点是非终叶节点，如果它有或后继节点，那么其全部后裔都是不可解的11.谓词验算的基本块是（A）。
A.原子公式B.分子公式C.合式公式D.谓词符号12.语义网络的推理过程主要有___继承_______和__匹配________。
13.状态空间的三元状态指的是初始状态集合、_操作符集合_、_目标状态集合__。
14.“李刚是一个人”为_____一____元关系（一/多）。
15.按照符号主义的观点，要使计算机具有智能，首先必须使它拥有、并且能够使用知识。 （√）
16.知识系统是指基于知识表示和知识推理所形成的智能系统。（√）
17.给定知识后，知识表示方法唯一。（×）
18.知识表示是指能否正确、有效地将问题求解所需要的知识表示出来。 （√）
19.语义网络是一种用实体及其语义关系来表达知识的无向图。（×）
20.语义网络的弧代表语义关系，表示所连两个实体之间的语义联系，且必须带有标识。（√）
21.“雪是白的”为一元关系。（√）
22. 用谓词演算公式表示下列英文句子(多用而不是省用不同谓词和项。例如不要用单一的谓词字母来表示每个句子。)
Acomputersystemisintelligentifitcanperformataskwhich,ifperformedbya human ,requiresintelligence.
23.问题归约表示方法的思想是什么？
从目标(要解决的问题)出发逆向推理，建立子问题以及子问题的子问题，直至最后把初始问题归约为一个平凡的本原问题的集合.
24. (简答题,10分)试用谓词逻辑法表示知识“所有教师都有自己的学生”。
25.用语义网络表示“动物能运动、会吃”。
26. 试用语义网络表示：动物能运动、会吃。
鸟是一种动物，鸟有翅膀、会飞。
鱼是一种动物，鱼生活在水中、会游泳。
27.试用四元数列结构表示四圆盘梵塔问题，并画出求解该问题的与或图。
1. (单选题,4分)以下不属于盲目搜索特点的是（C）。
A.搜索过程中不使用与问题有关的经验信息B.搜索效率低C.需要重排open表D.一般只适用于求解比较简单的问题2. (单选题,4分)以下不属于宽度优先搜索方法特点的是（D）。
A.逐层进行搜索B.高代价搜索C.若有解必能找到D.找到的解是最优路径的解3. (单选题,4分)以下不属于盲目搜索方法的是（D）。
A.宽度优先搜索B.有界深度优搜索C.等代价搜索D.有序搜索4. (单选题,4分)以下关于估价函数的说法错误的是（B）。
A算法的特征是估价函数由两部分组成B.不同的估价函数所体现出来的搜索效率相同C.启发式搜索对OPEN表按估价函数的大小排序D.不同的估价函数也决定了不同的启发式搜索算法5. (单选题,4分)以下关于合式公式的性质错误的是（C）。
6. (单选题,4分)以下关于合式公式的性质错误的是（B）。
7. (单选题,4分)以下哎关于减少否定的辖域范围的做法错误的是（A）。
8. (单选题,4分)启发式搜索中，通常OPEN表上的节点按照它们f函数值的（C）顺序排列。
A.最小B.平均值C.递增D.递减9. (单选题,4分)如果重排OPEN表是依据f(x)=g(x)+h(x)进行的，则称该过程为（A）。
A.A算法 B.A*算法 C.有序搜索D.启发式搜索10. (单选题,4分)宽度优先搜索方法能够保证在搜索树中找到一条通向目标节点的（B）途径。
A.可行B.最短C.最长D.解答11. (单选题,4分)运用消解推理规则的前提是（B）。
A.被作用的两个公式都是合取范式B.被作用的两个子句中存在互补对C.任意两个公式都可以运用消解推理D.必须符合假言推理、合并、重言式、空子句(矛盾)或链式(三段论)之一12. (单选题,4分)在基于规则的正向演绎系统中，我们把事实表示为（C）。
A.IF-THEN规则B.子句形C.非蕴涵形式的与或形 D.与或形13. (单选题,4分)以下不是产生式系统组成部分的是（A）。
A.匹配B.总数据库C.产生式规则D.控制策略14. (填空题,4分)在图搜索中，用于记录未扩展节点的是___Open______表。
15. (填空题,4分)在图搜索中，用于记录已扩展节点的是___CLOSED___表。
16. (填空题,4分)原子公式由由若干___谓词符号____和___项__组成。
17. (填空题,4分)在消解法中，如果“任意”在“存在”的辖域范围内，需使用___ Skolem函数_替换。
18. (填空题,4分)在消解法中，如果“存在”不在“任意”的辖域范围内，需使用_常量_替换。
19. (填空题,4分)在产生式系统中，_规则___是用来表示推理过程和行为。
20. (填空题,4分)在规则演绎系统中，其规则的__THEN__部分是用于规定动作。
21. (判断题,2分)OPEN表用于记录还没有扩展的点。（√）
22. (判断题,2分)CLOSED表用于记录已经扩展的点，即走过的点。（√）
23. (判断题,2分)OPEN表中节点的不同顺序决定了不同的搜索策略。（√）
24. (判断题,2分)在图搜索中，若OPEN表是空表，则失败退出。（√）
25. (判断题,2分)估价函数值越小表示位于解路径上的“希望”越小。（×）
26. (判断题,2分)应用估价函数值重排OPEN表时，每次选择估价函数值最大的节点作为下一步考察的节点。（×）
27. (判断题,2分)子句是由文字的析取组成的合式公式。（√）
28. (判断题,2分)子句是由文字的合取组成的合式公式。（×）
29. (判断题,2分)消解只能在仅含否定和析取联接词的公式（子句）间进行。（√）
30. (判断题,2分)在规则演绎系统中，每个If可能与某断言集中的一个或多个断言匹配。（√）
1. (多选题,5分)需要采用不确定性推理方法的原因是（ABCD）。
A.所需知识不完备、不精确B.所需知识描述模糊C.多种原因导致同一结论 D.解题方案不唯一2. (填空题,5分)概率推理方法中，知识采用产生式规则进行表示_ If E then H_。
3. (填空题,5分)概率推理方法中，不精确推理目的就是求出在证据E下结论H发生的概率__P(H|E)____。
4. (填空题,5分)主观贝叶斯推理方法中，知识采用产生式规则进行表示 IF E THEN (LS,LN) H _。
5. (填空题,5分)证据不确定时，后验概率P(H|S)=__ P(H|E)P(E|S)+P(H|~E)P(~E|S)___。
6. (填空题,5分)在C-F模型中，知识是用产生式规则表示的，其一般形式为 IF E THEN H (CF(H,E))___。
7. (填空题,5分)当组合证据是多个单一证据的合取时，E=E1 AND E2 AND … AND En，如果已知在当前观察S下，每个单一证据Ei有概率P(E1|S),P(E2|S),…,P(En|S)，则P(E|S)=__min{P(E1|S),P(E2|S),…,P(En|S)}_。
8. (填空题,5分)当组合证据是多个单一证据的析取时，E=E1 OR E2 OR … OR En，如果已知在当前观察S下，每个单一证据Ei有概率P(E1|S),P(E2|S),…,P(En|S)，则P(E|S)=_max{P(E1|S),P(E2|S),…,P(En|S)} _。
9. (判断题,2分)现实世界客观存在许多不确定性，需要在不完全和不确定的情况下运用不确定的知识进行推理。（√）
10. (判断题,2分)经典逻辑都是二值逻辑，非经典是多值逻辑。（√）
11. (判断题,2分)经典采用归纳逻辑推理，非经典采用演绎逻辑推理。（×）
12. (判断题,2分)非经典逻辑是非单调逻辑。（√）
13. (判断题,2分)不确定性有程度区别。（√）
14. (判断题,2分)知识的不确定性用概率表示时，在[0,1]区间取值，越接近于0越假，越接近于1越真。（√）
15. (判断题,2分)不确定性的量度必须确定量度的取值范围。（√）
16. (判断题,2分)事件X发生的几率等于X出现的概率与X不出现的概率之比。（√）
17. (判断题,2分)主观贝叶斯推理方法中，若采用初始证据进行推理，则通过用户得到C(E|S)，根据EH公式可求得P(H|S)。（×）
18. (判断题,2分)主观贝叶斯推理方法中，若采用中间结论作为证据进行推理，则通过据EH公式可求得P(H|S)。（√）
19. (计算题,10分)
设有三个独立的结论H1、H2、H3及两个独立的证据E1、E2，它们的先验概率和条件概率分别为：
P(H1)=0.4, P(H2)=0.3, P(H3)=0.3,
P(E1|H1)=0.5, P(E1|H2)=0.3, P(E1|H3)=0.5,
P(E2|H1)=0.7, P(E2|H2)=0.9, P(E2|H3)=0.1,
试用概率方法分别求出：
（1）当只有证据E1出现时的P(H1|E1)、P(H2|E1)、P(H3|E1)值，并说明E1的出现对结论H1、H2、H3的影响；
（2）当证据E1、E2同时出现时的P(H1|E1,E2)、P(H2|E1,E2)、P(H3|E1,E2)值，并说明E1、E2同时出现对结论H1、H2、H3的影响。
20. (计算题,10分)
设有如下推理规则 r1:IF E1THEN (2, 0.0001) H1
r2:IF E1AND E2THEN(100,0.001)H1
r3:IF H1 THEN (200,0.01)H2
已知：P(E1)=P(E2)=0.6，P(H1)=0.091，P(H2)=0.01
用户回答: P(E1|S1)=0.76, P(E2|S2)=0.68
求：P(H2|S1,S2)的值。
21. (计算题,20分)
设有如下推理规则：
R1：IFE1THEN （500,0.01）H1
R2：IFE2THEN （1,100）H1
R3：IFE3THEN （1000,1）H2
R4：IFH1THEN （20,1）H2
且已知P(H1)=0.1，P(H2)=0.1，
初始证据的概率为P(E1|S1)=0.5，P(E2|S2)=0，P(E3|S3)=0.8。
用主观贝叶斯的方法求H2的后验概率P(H2|S1,S2,S3)。
1. (单选题)下列科学家中，参加了1956年达特茅斯会议的没有（A）。A. 拉蒙·柳利B. 马文·明斯基C. 克劳德·香农D. 艾伦·纽厄尔2. (单选题)中国农业4.0的核心内容不包括(B )。A.以信息和知识为生产要素B.加强农机化新技术的推广应用C.实现农业生产全过程的信息感知、定量决策、智能控制、精准投入和工程化生产D.实现农业可视化远程诊断、远程控制、灾害预警3. (单选题)人工智能的发展已对人类及其未来产生深远的影响，这些影响主要涉及人类的经济、社会、文化等方面，以下哪些不是人工智能对社会的影响。( )A.劳动就业问题B.社会结构的变化C.心理的威胁D.气候变暖
正确答案: D
4. (单选题)( )研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，更新已有的知识结构，使之不断改善自身性能。A.机器感知B.机器学习C. 机器行为D.机器思维正确答案: B
5. (单选题)（）是普遍推广机器学习的第一人。A.约翰·冯·诺依曼B.约翰·麦卡锡C.唐纳德·赫布D.亚瑟·塞缪尔正确答案: C
6. (单选题)现阶段的人工智能发展处于（）阶段。A.暗淡期B.知识应用期C.集成发展期D.互联冲击期正确答案: C
7. (单选题)命题是可以判断真假的是（）。A.祈使句B.疑问句C.感叹句D.陈述句正确答案: D
8. (单选题)哪一个不是机器人在医疗界中的主要应用?( )A.外科手术机器人B.康复机器人C.护理机器人D. 精密加工机器人正确答案: D
9. (单选题)语义网络表达知识时，有向弧AKO链、ISA链是用来表达节点知识的（）。
A.无悖性B.可扩充性C.继承性正确答案: C
10. (单选题)（）是普遍推广机器学习的第一人。
A.约翰·冯·诺依曼B.约翰·麦卡锡C.唐纳德·赫布D.亚瑟·塞缪尔正确答案: C
11. (单选题)是（）。A.附加律B.拒收律C.假言推理D.US正确答案: C
12. (单选题)在人工智能领域，以下哪项不是与机器人思维有关的。( )
A.知识表示与推理B.问题追求C.规划D.数据整合正确答案: D
13. (单选题)在图灵测试中，如果有超过（）的测试者不能分清屏幕后的对话者是人还是机器，就可以说这台计算机通过了测试并具备人工智能。A.30%B.40%C.50%D.60%正确答案: A
14. (单选题)下列搜索方法中不属于盲目搜索的是（）。
A.等代价搜索B.宽度优先搜索C.深度优先搜索D.有序搜索正确答案: D
15. (单选题)2015年5月，在国家发改委发布的《“互联网+”人工智能三年行动实施方案》中明确提出，到2018年国内要形成（）的人工智能市场应用规模。A.千万元级B.亿万元级C.百亿元级D.千亿元级正确答案: D
16. (单选题)反演消解证明定理时，若当前归结式是（)时，则定理得证。A.永真式B.包孕式C.空子句正确答案: C
17. (单选题)下列哪个系统属于新型专家系统?（）A.多媒体专家系统B.实时专家系统C.军事专家系统D.分布式专家系统正确答案: D
18. (单选题)不属于神经网络常用学习算法的是（）。A.有师学习B.增强学习C.观察与发现学习D.无师学习正确答案: C
19. (单选题)人工智能的英文全称是（）。
A.AutomaticIntelligenceB.ArtificialIntelligenceC.AutomaticeInformationD.ArtificalInformation正确答案: B
20. (单选题)从已知事实出发，通过规则库求得结论的产生式系统的推理方式是（）。
A.正向推理B.反向推理C.双向推理正确答案: A
21. (单选题)下列不在人工智能系统的知识包含的4个要素中的是（）。
A.事实B.规则C.控制和元知识D.关系正确答案: D
22. (单选题)联结主义是统合了（）领域的一种理论，以下错误的是（）。A.发展心理学B.认知心理学C.人工智能D.心理哲学正确答案: A
23. (单选题)AlphaGo是以下哪个企业的人工智能产品（）。A.FacebookB.AppleC.IBMD.GoogleDeepMind正确答案: D
24. (单选题)以下（）学派认为智能活动的理论基础是物理符号系统，认知的基元是符号。A.符号主义学派B.联结主义学派C.行为主义学派D.符号互动学派正确答案: A
25. (单选题)1997年5月，著名的“人机大战”，最终计算机以3.5比2.5的总比分将世界国际象棋棋王卡斯帕罗夫击败,这台计算机被称为（)。A.深蓝B.IBMC.深思D.蓝天正确答案: A
26. (单选题)语义网络的组成部分为（）。A.框架和弧线B.状态和算符C.节点和链D.槽和值正确答案: C
27. (单选题)自动识别系统属于人工智能哪个应用领域?( )A.自然学习系统B.机器学习C.专家系统D.人类感官模拟正确答案: D
28. (单选题)下列关于符号主义说法错误的是（）。A.符号主义认为人的认知基元是符号B.符号主义认为认知过程即符号操作过程C.能够用计算机的符号操作模拟人的认知过程D.人的思维是不可操作的正确答案: D
29. (单选题)一般认为，智能是一种认识客观事物和运用( )解决问题的能力。A.理论B.技术C.知识D.运算正确答案: C
30. (单选题)仅个体变元被量化的谓词称为（）。A.一阶谓词B.原子公式C.二阶谓词D.全称量词正确答案: A
31. (单选题)1956年之前，人工智能的发展处于（）。A.萌芽期B.第一次繁荣期C.第一次低谷期D.复苏期正确答案: A
32. (单选题)图灵在( )年设计了一个很著名的测试机器智能实验，称为图灵实验。A.1949B.1950C.1951D.1940正确答案: B
33. (单选题)下列( )事件标志着人工智能作为一门新科学的诞生。A.1948年香农发表《通信的数学理论》B.1950年图灵发表《计算机器与智能》C.1956年达特茅斯夏季人工智能学术研讨会D.1982年霍普菲尔德提出Hopfield网络正确答案: C
34. (单选题)“工业4.0”是以智能制造为核心的第四次工业革命，以下哪些计划不是其主题之一?（）A.智能工厂B.智能生产C.智能管理D.智能物流正确答案: C
35. (单选题)（）是人工智能发展的硬道理，没有它的人工智能是没有用的。A.数据B.应用C.逻辑D.算法正确答案: B
36. (单选题) ()是一门用计算机模拟或实现人类视觉功能的新兴学科，其主要研究目标是使计算机具有通过二维图像认知三维环境信息的能力。A.机器视觉B.语音识别C.机器翻译D.机器学习正确答案: A
37. (单选题)（）被称为人工智能之父。A.约翰·冯·诺依曼B.约翰·麦卡锡C.唐纳德·赫布D.亚瑟·塞缪尔正确答案: B
答案解析：
作为备受尊敬的计算机科学家、认知科学家，麦卡锡在1955年的达特矛斯会议上提出了“人工智能”一词，并被誉为人工智能之父，并将数学逻辑应用到了人工智能的早期形成中。
38. (单选题)在农业领域的（）环节，智能的农业机器人可以利用图像识别技术获取农作物的生长状况，判断哪些杂草需要清除，判断哪里需要灌溉、施肥、打药，并立即执行。A.产前B.产中C.产后D.全程正确答案: B
39. (单选题)人工智能将加大减少支付流程中的( )环节，大大提升交易速度。A.信息传递B.人工处理C.到账确认D.转出授权正确答案: B
40. (单选题)谷歌公司的AlphaGo机器人战胜了人类围棋世界冠军李世石，这表明了( )。A.人工智能已经可以完全代替人类，其智力已经远远超过人类B.人工智能在某方面已经超过人类，它开创性的围棋算法是取胜的关键C.人工智能只是钻了人类无法长时间集中精力的空子，从而取胜D.人工智能的胜利为人类敲响了警钟，将来人类或将无法控制人工智能正确答案: B
41. (单选题)示例学习属于下列哪种学习方法?（）A.解释学习B.归纳学习C.类比学习D.机械学习正确答案: B
42. (单选题)被认为是人工智能“元年”的时间应为（）。A.1946年B.1948年C.1956年D.1961年正确答案: C
43. (单选题)下列关于人工智能对实体经济的影响说法不正确的是（）。A.人工智能能够提升实体经济能级B.人工智能能够加快经济转型C.人工智能能够加快创新驱动发展D.人工智能能够促进数字经济繁荣正确答案: B
44. (单选题)下列对《国务院关于印发新一代人工智能发展规划的通知》中关于到2030年人工智能发展战略目标，表述错误的是（）。A.人工智能理论、技术与应用达到世界领先水平B.成为世界主要人工智能创新中心C.人工智能产业成为新的重要经济增长点D.智能经济、智能社会取得明显成效正确答案: C
45. (单选题)消解原理是一种用于（）。A.表达式变换的推理规则B.变量运算的推理规则C.一定的子句公式的推理规则D.规则演绎的推理规则正确答案: D
46. (单选题)智能制造的本质是通过新一代信息技术和先进制造技术的深度融合，实现跨企业价值网络的横向集成，来贯穿企业设备层、控制层、管理层的纵向集成，以及产品全生命周期的端到端集成，而（）是实现全方位集成的关键途径。A.标准化B.数据化C.流程化D.网络化正确答案: A
47. (单选题)人工智能应用研究的两个最重要最广泛领域为（）。A.专家系统、自动规划B.专家系统、机器学习C.机器学习、智能控制D.机器学习、自然语言理解正确答案: B
48. (单选题)智能工厂与智能生产的概念来源于( )。A.工业1.0B.工业2.0C.工业3.0D.工业4.0正确答案: D
49. (填空题)作为备受尊敬的计算机科学家、认知科学家，______________在1955年的达特矛斯会议上提出了“人工智能”一词，被誉为人工智能之父，并将数学逻辑应用到了人工智能的早期形成中。正确答案：
(1)约翰·麦卡锡;麦卡锡
50. (填空题)专家系统是以_______________为基础，以_______________为核心的系统。正确答案：
(1)知识
(2)推理
51. (填空题)语义网络表示知识时，有向弧AKO链，ISA链是用来表达节点知识的_________________。正确答案：
(1)继承性
52. (填空题)启发式搜索是一种利用______________信息的搜索，估价函数在搜索过程中起的作用是___________________。正确答案：
(1)启发式
(2)估计节点位于解路径上的希望；估计节点位于解路径上的代价；
53. (填空题)1956年之前，人工智能的发展处于___________。正确答案：
(1)萌芽期
54. (填空题)人工智能的含义最早由_________于1950年提出，并且同时提出一个机器智能的测试模型。正确答案：
(1)图灵；艾伦·麦席森·图灵;阿兰·麦席森·图灵;AlanMathisonTuring;Turing
55. (填空题)要想让机器具有智能，必须让机器具有知识。因此在人工智能中有一个研究领域，主要研究计算机如何自动获取知识和技能，实现自我完善，这门研究分支学科是___________。正确答案：
(1)机器学习
56. (填空题)反演消解证明定理时，若当前归结式是____________，则定理得证。正确答案：
(1)空子句
57. (填空题)语义网络的组成部分为__________和__________。正确答案：
(1)节点
(2)链
58. (填空题)我国于__________年发布了《国务院关于印发新一代人工智能发展规划的通知》。正确答案：
(1)2017
59. (填空题)符号主义认为人工智能起源于_______________。正确答案：
(1)数理逻辑
60. (填空题)人工智能的英文全称是___________________。正确答案：
(1)ArtificialIntelligence
61. (填空题)计算智能是人工智能研究的新内容，涉及__________、__________和______________等。正确答案：
(1)神经计算；模糊计算；进化计算；
(2)神经计算；模糊计算；进化计算；
(3)神经计算；模糊计算；进化计算；
62. (填空题)神经网络研究属于_______________学派。正确答案：
(1)连接主义
63. (填空题)在与或图中，没有后裔的非终叶节点为不可解节点，那么含有或后继节点且后裔中至少有一个为可解的非终叶节点是________________，含有与后继节点且后裔中至少有一个为不可解的非终叶节点是______________。正确答案：
(1)可解节点
(2) 不可解节点
64. (填空题)为了解决如何模拟人类的感性思维，例如视觉理解、直觉思维、悟性等，研究这找到一个重要的信息处理机制是_________________。正确答案：
(1)人工神经网络
65. (填空题)已知初始问题的描述，通过一系列变换把此问题最终变为一个子问题集；这些子问题的解可以直接得到，从而解决了初始问题。这种知识表示法是_______________。正确答案：
(1)问题归约法
66. (填空题)行为主义认为人工智能起源于_______________。正确答案：
(1)控制论
67. (填空题)人工智能三大学派是______________、_______________、_____________。正确答案：
(1)符号主义；连接主义；行为主义
(2)符号主义；连接主义；行为主义
(3)符号主义；连接主义；行为主义
68. (填空题)连接主义认为人工智能起源于_______________。正确答案：
(1)仿生学
69. (填空题)从已知事实出发，通过规则库求得结论的产生式系统的推理方式是______________。正确答案：
(1)正向推理
70. (填空题)一些聋哑人为了能方便与人交流，利用打手势来表示自己的想法，这是智能的______________方面。正确答案：
(1)行为能力
71. (判断题)达特茅斯会议被广泛承认为AI诞生的标志。A.对B.错正确答案: 对
72. (判断题)可信度方法中，若证据A的可信度CF（F）=0，这意味对证据A一无所知。A.对B.错正确答案: 对
73. (判断题)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，人工智能发展进入新阶段。A.对B.错正确答案: 对
74. (判断题)人工智能的目的是让机器能够模拟、延伸和扩展人的智能，以实现某些脑力劳动的机械化。A.对B.错正确答案: 对
75. (判断题)目前，将人工智能与教育结合的主要一些私利的教育机构，其中真正有技术含量的智能教育已经非常多。A.对B.错正确答案: 错
76. (判断题)人工智能技术通过对人的意识、行为、思维进行模拟使机器能够代替人们完成具有危险性、复杂性的任务，提高工作质量和效率。A.对B.错正确答案: 对
77. (判断题)智能医疗可以实现疾病的早期风险预测，以及干预治疗效果监测。A.对B.错正确答案: 对
78. (判断题)“与/或”图就是用“与”节点和“或”节点组合起来的树形图，用来描述某类问题的求解过程。A.对B.错正确答案: 对
79. (判断题)“天鹰”无人机是科大讯飞无人机技术研究所自主研制的具有较强隐身能力的新型高空高速长航时无人机。A.对B.错正确答案: 对
80. (判断题)《国务院关于印发新一代人工智能发展规划的通知》中指出，到2020年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。A.对B.错正确答案: 错
81. (判断题)智能机器在人与人的伦理关系中承载了价值和道德属性，其自身的道德属性决定了它在伦理学中的一-席之地。A.对B.错正确答案: 对
82. (判断题)在商业零售领域，人工智能的发展将导致越来越多的管理层工作被机器所取代。A.对B.错正确答案: 错
83. (判断题)人工智能的发展不会引发伦理道德问题，不会给社会发展带来新的问题和巨大的冲击。A.对B.错正确答案: 错
84. (判断题)20世纪70年代开始，人工智能进入首次低谷期的原因是硬件集成技术的局限性。A.对B.错正确答案: 对
85. (判断题)通常情况下风险表现是滞后的，智能金融以大数据和智能算法为基础的反欺诈和风控体系实现从滞后、被动，局部到实时、主动和全面的风险管理。A.对B.错正确答案: 对
86. (判断题)人工智能应该遵循的基本道德准则和伦理原则，只包括人工智能研发、应用的基本原则，不包括今后具有自主意识的超级智能所应该遵循的基本原则。A.对B.错正确答案: 错
87. (判断题)人工智能不会改变人的思维方式和观念。A.对B.错正确答案: 错
88. (判断题)人工智能技术对农业生产影响不大。A.对B.错正确答案: 错
89. (判断题)利用已有知识、经验，根据问题的实际情况，不断寻找可利用知识，从而构造（条代价最小的推理路线，使问题得以解决的过程称为搜索。A.对B.错正确答案: 对
90. (判断题)1997年5月，著名的“人机大战”，最终计算机以3.5比2.5的总比分将世界国际象棋棋王卡斯帕罗夫击败，这台计算机被称为深蓝。A.对B.错正确答案: 对
91. (判断题)未来人工智能的发展要从小数据、大任务范式转向大数据、小任务的范式。A.对B.错正确答案: 错
92. (判断题)目前，虽然人工智能发展迅速，但是人工智能的产业化发展和应用仍然处在萌芽起步阶段。A.对B.错正确答案: 对
93. (判断题)AI研究三大主要途径为:符号主义、连接主义、行为主义。A.对B.错正确答案: 对
94. (判断题)在商业零售领域，人工智能已经渗透到“双十一”的各个角落。A.对B.错正确答案: 对
95. (判断题)简单遗传法的三种遗传操作是:选择、交叉和变异。A.对B.错正确答案: 对
96. (判断题)人工智能是研究理解和模拟人类智能、智能行为及其规律的一门学科。A.对B.错正确答案: 对
97. (判断题)未来各类交互方式都会进行深度融合，使智能设备会更加自然地与人类生物反应过程同步，包括思维过程、动觉、偏好。A.对B.错正确答案: 对
98. (简答题)请简述确定性推理与不确定性推理。确定性推理是指在经典逻辑基础上，运用确定性知识进行精确推理，得到确定性的结果。
不确定性推理是指运用不确定性知识和证据进行推理，得到具有一定程度的不确定性但却又是合理或基本合理的结论。
99. (简答题)人类智能的特性表现在哪4个方面？正确答案：
（1）能感知客观世界的信息；
（2）能对通过思维对获得的知识进行加工处理；
（3）能通过学习积累知识增长才干和适应环境变化；
（4）能对外界的刺激作出反应传递信息。
100. (简答题)试述计算智能（CI）和人工智能（AI）的关系。正确答案：
计算智能是一种智力方式的低层认知，它与人工智能的区别只是认知层次从中层下降至低层而已。中层系统含有知识（精品），低层系统则没有。
当一个系统只涉及数值（低层）数据，含有模式识别部分，不应用人工智能意义上的知识，而且能够呈现出：
（1）计算适应性；
（2）计算容错性；
（3）接近人的速度；
（4）误差率与人相近，
则该系统就是计算智能系统。
当一个智能计算系统以非数值方式加上知识（精品）值，即成为人工智能系统。
101. (简答题)什么是知识？正确答案：
知识是一个抽象术语，用于尝试描述人对某种特定对象的理解。
一般性解释：知识是人们在改造客观世界实践中积累起来的认识和经验。
信息加工观点：知识是对信息进行智能性加工所形成的对客观世界规律性的认识。即：知识=信息+关联。
102. (简答题)当前人工智能有哪些学派?他们对人工智能在理论上有何不同观?103. (简答题)什么是机器学习？
机器学习是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。
104. (简答题)人工神经网络的特性有哪些？正确答案：
（１）并行分布处理 神经网络具有高度的并行结构和并行实现能力，因而能够有较好的耐故障能力和较快的总体处理能力。
（２）非线性映射 神经网络具有固有的非线性特性，这源于其近似任意非线性映射（变换）能力。
（３）通过训练进行学习 神经网络是通过所研究系统过去的数据记录进行训练的。一个经过适当训练的神经网络具有归纳全部数据的能力。
（４）适应与集成 神经网络能够适应在线运行，并能同时进行定量和定性操作。神经网络的强适应和信息熔合能力使得网络过程可以同时输入大量不同的控制信号，解决输入信息间的互补和冗余问题，并实现信息集成和熔合处理。
（５）硬件实现 神经网络不仅能够通过软件而且可借助软件实现并行处理。近年来，一些超大规模集成电路实现硬件已经问世，而且可从市场上购到。
105. (简答题)知识的表示方式有哪些？知识的表示方式有：状态空间表示（状态空间图）、问题规约表示（与或图）、谓词逻辑表示、语义网络表示、框架表示、产生式表示等。
106. (简答题)计算智能的含义是什么？它涉及哪些研究分支？正确答案：
计算智能涉及神经网络、模糊逻辑、进化计算和人工生命等领域，它的研究和发展正是反映了当代科学技术多学科交叉与集成的重要发展趋势，计算智能取决于制造者提供的数值数据，不依赖于知识。
107. (简答题)请说明神经元的基本结构和前馈型神经网络的工作过程。我的答案：
神经元由一个细胞体和突两部分组成。突分两类，轴突和树突。树突和轴突共同作用实现神经元之间的信息传递。
前馈网络的信号由输入层到输出层单向传输，每层的神经元仅与前一层的神经元相连，仅接受前一层传输来的信息。
正确答案：
略
108. (其它)已知有A、B两个箱子和27号、28号两个房间，且A不在27号房中就在28号房中，假设机器人知道：(1)27号房间中的所有箱子都比28号房间中的小；
(2)箱子B在27号房间中且B不比A小；
请用给定谓词表示已知条件和结论，并用消解反演证明A在27号房间中。
给定谓词：I(x,y)：x在y号房中；S(x,y)：x比y小。
109. (其它)用语义网络表示下面的知识：
(1)我是一个人；
(2)我有一台计算机；
(3)我的计算机是PC/PIV1.8G；
(4)PC机是计算机；
(5)PC/PIV1.8G是PC机；
(6)PC/PIV1.8G包括硬盘、显示器、CPU、内存。
111. (其它)某单位派遣出国人员，有赵、钱、孙三位候选人，经讨论后决定:
(1)三人中至少派遣一人；
(2)如果赵去而钱不去，则一定派孙去；
(3)如果钱去，则一定派孙去；
求证:一定会派孙出国。
设用P(x)表示派x出国，zhao、qian、sun分别表示三人，将已知条件与目标用谓词公式正确的表示出来，并用消解反演进行证明。
112. (其它)已知下述事实：（1）小李只喜欢较容易的课程；
（2）工程类课程是较难的；
（3）PR系的所有课程都是较容易的；
（4）PR150是PR系的一门课程；
请应用归结演绎推理回答：小李喜欢什么课程？
人工智能发展现状及应用
导读：人工智能（ArtificialIntelligence），英文缩写为AI。人工智能被认为是第四次科技革命的核心驱动力，目前许多领域都在探索AI技术的应用，可谓方兴未艾。那么什么是人工智能，它经历了怎样的发展历程，现阶段发展状况如何，它有哪些应用。本篇文章就为大家做个简单分享。同时也会为大家详细介绍一下百度的AI技术体系。
本文主要内容：
1.人工智能概念
①智能
②人工智能
2.人工智能的发展
①人工智能的发展历程
②AI是中国的机遇
3.AI与百度
①百度AI的发展历程
②百度AI的技术体系
③百度AI的场景化应用
1.人工智能概念
1.1智能
谈到人工智能，需要首先理解“智能”一词的具体含义。智能是指人类才具有的一些技能。人在进行各种活动的过程中，从感觉到记忆再到思维产生了智慧，智慧产生了人类本身的行为和语言，行为和语言统称为能力；智慧和能力结合在一起就是人工智能中的智能一词。
比如，人类的语言表达能力就是一种智能（语言智能）；人类进行复杂数学运算的能力也是一种智能（数字逻辑智能）；人类的交往能力也是一种智能（人际智能），人们对音调、旋律、节奏、音色的感知能力，也是一种智能（音乐智能）。他们都属于智能的范畴。
1.2人工智能
把智能的概念与人的逻辑理解相结合，并应用到机器中，让机器能更好的模拟人的相关职能，这就是人工智能。人工智能就是要让机器的行为看起来就像是人所表现出的智能行为一样。
人工智能概念，最早可以追溯到上世纪90年代初，这个时候需要提到一位科学家：图灵。
艾伦·麦席森·图灵（英语：AlanMathisonTuring，1912年6月23日—1954年6月7日），英国数学家、逻辑学家，被称为计算机科学之父，人工智能之父。
图灵最早定义了什么是人工智能，怎样去界定一个机器（或一个设备）是否具备智能。他最早提出了图灵测试（即：一个人在不接触对方的情况下，经过某种特殊的方式和对方进行一系列的问答，如果在某些时间之内，他无法根据这些问题判断对方是人还是计算机，那么我们就认为这台机器具备智能化的思维）。直到2000年左右，才真正有计算机通过了图灵测试，才实现了一个突破。在2014年图灵测试大会上，出现了一个通过图灵测试的机器（或者称为智能聊天的机器人）。这两年人工智能的高速发展，也印证了最早的图灵测试，这也让我们反向看到了图灵在人工智能定义方面做出的突出贡献。
现今，在做图灵测试时，判断这个设备是否具备人工智能，更多的还是从模拟人的角度来考量。但在当前科技背景下，人工智能需要涵盖更广的内容，它不仅仅要模拟人本身的职能，还需要具备一些扩展、替代甚至延伸的职能。
举个例子，在医疗领域，需要经常在实验室进行病毒化验，人处这样的实验环境下会比较危险，经常会出现一些事故，如果能够用机器替代人来做这些实验，这些事故就可以避免。此时，这台机器就不仅仅是在模拟人，而是在替代人，机器本身就具备了替代人的能力。
当前，很多人在担忧：人工智能的发展会不会对人类造成威胁。其实，目前人工智能还处于早期的阶段（或者称之为婴幼儿阶段），我们还处于弱人工智能时代。
当然，随着时间的推移，将来我们可能会把弱人工智能时代推进到强人工智能，甚至再往前推进到超人工智能和智能爆炸时代。但至少目前，我们离这样的时代还有非常远的距离，要实现这样的目标，需要非常多的时间积累，可能要通过几代人甚至十几代人的努力。所以大家不要有过多的担心，人工智能现在更多的还是用于服务人类，用来提高人们的工作效率。
上图引自MIT大学一位教授。
针对人工智能所覆盖的领域，这位教授提出一个观点：“我们要尽可能避免做这些容易“进水”的工作，以免被日后所淘汰掉”。
这张图水平面以下的工作，如存储，计算、甚至象棋活动等，已经被海平面淹没。在海平面边缘的工作，如翻译、驾驶、视觉和音频等，很有可能在未来的一段时间，随着技术的进步也会被淹没。再来看图上高海拔地区的工作，如艺术创新、科学研究，文学创作等，让人工智能替代人类去做这些工作，在现阶段是比较困难的。要让人工智能实现像人一样具备主观能动性，还需要比较长的时间。我们在选择工作，或者在做技术探索的时候，应该从更高的层面布局，而把那些可以被人工智能替代的工作交给计算机去做，这样我们就可以从一些重复性、冗余性的工作中抽离出来，去专门从事创造性的工作（比如艺术创作等）。
2.人工智能的发展2.1人工智能的发展历程我们回顾一下人工智能发展的历程。
人工智能并不是特别新鲜的词，在计算机出现后不久，大家就已经开始探索人工智能的发展了。
1943到1956年这段时间，为人工智能的诞生期，期间有很多人尝试用计算机进行智能化的应用，当然此时不能称为人工智能，只是有类似的概念。
人工智能的分水岭是1956年达特茅斯会议，在本次会议上正式提出了AI这个词。
1956到1974年这段时间，是人工智能发展的黄金时代，是人工智能的第1个高速发展期，通常把这段时间称之为人工智能大发现时代。
1974到1980年这6年的时间里，进入了人工智能发展的第1个低谷，在这个低谷期，出现了非常多的问题，比如计算上的问题、存储上的问题、数据量的问题，这些问题限制了人工智能的发展。
1980到1987年这段时间是人工智能的第2个繁荣期。期间诞生了大量的算法，推动了神经网络的高速发展，同时出现了许多专业的科研人员，发表了许多创造性的论文。
1987到1993年这段时间是人工智能的第2个低谷期，期间有个词叫“AI之冬”。有大量的资本从AI领域撤出，整个AI科研遇到了非常大的财政问题，这是导致”AI之冬”的主要原因。
1993年之后，人工智能又进入到高速发展期，期间出现了许多经典案例，比如1997年IBM公司的深蓝案例，2001年IBM的沃森案例，2016年谷歌AlphaGo案例。这些案例是人工智能在应用层面的体现。
上图概括了人工智能的发展历程。
可以看到，从1956年达特茅斯会议AI这个词诞生，一直发展到现在，人工智能共经历了60多年的跌宕起伏，并不是仅在2016、2017这两年间才出现了人工智能这个概念。
从宏观上看，AI的发展历程经历了三次比较大的起伏。
第1次起伏是从1943年到1956年，首次出现了神经网络这个词，把人工智能推到一个高峰，期间出现了许多大发现。而第1次低谷使人工智能进入到了反思的阶段，人们开始探讨人工智能的应用。
第2次起伏是在上世纪80年代，期间BP算法的出现，神经网络新概念的普及，推动了人工智能又进入第2次高峰和发展。然而从1987年到1993年又进入到了了第2次低谷，这主要因为一些财政原因导致。
第3次起伏从2006年开始，由辛顿提出了深度学习的概念，把神经网络往前推动了一大步，也把人工智能推到了高速发展阶段，尤其是近几年在非结构化领域取得了许多突破（例如在语音与视觉方面），给人工智能进入商业化应用带来许多的基础性技术沉淀。
人工智能为什么会在前面的发展过程里遇到了那么多的坎坷？为什么在最近这几年会进入一个高速发展期？
我们归结了近几年人工智能高速发展的三点原因：
①算力飞跃
人工智能（尤其是深度学习），对底层计算能力的要求非常高。早期的计算受到了极大限制，从CPU发展到了GPU，使得算力几乎能达到几倍甚至十几倍量级的增长。再从GPU到TPU，计算速度能达到15~30倍的增长，使得在算力层面不断取得突破。此外，大量云资源的出现将我们计算的成本压到了最低，我们在处理海量计算的同时，也可以享受比较低的成本。再者，芯片技术的发展，使得端处理能力持续提高，这些都帮助我们在算力层面取得了很大的突破。
②数据井喷
从PC互联网时代到移动互联网时代，再到可穿戴设备的应用，都产生了大量的数据。这两年，每年产生的数据量可以达到50%左右的增长。2017年到2018年，这段时间内基本上每个月产生的数据量可以达到几十个亿的量级，数据量已经非常高。物联网的连接，能帮助我们把更多的数据采集回来，帮助我们在数据层面做更多的积累，这是数据井喷带来的积极影响。
③算法突破
近几年来，从机器学习到深度学习，算法不断取得突破。使得我们可以处理更多的大规模、无监督、多层次等复杂业务。
算法、算力、数据是人工智能的三要素，算力是骨骼，数据是血液和食物，算法就是大脑，三者不断取得突破，才能促进人工智能高速发展。
2.3AI是中国的机遇
人工智能技术的发展也促进了很多产业的发展。中国目前有非常好的历史机遇，不仅仅是在技术上有大量的积累，同时，国家也为人工智能的发展提供了非常好的政策环境。此外，市场空间、资金支持、人才储备，也都为人工智能的发展提供了非常好的条件。
通过上图可以看到，人工智能的研发人才目前还比较短缺。图上数据来源于领英在2017年所做的全球AI人才报告。以2017年的数据来看，全球人工智能专业的人才数量超过190万，在这190万人才中，美国处于第一梯队，有85万+；而中国在人工智能领域的人才积累比较少，从数据上来看，目前国内人工智能方面的专业技术人才可能只有5万+，当然这是2017年的数据，现在可能会有一些增长，但是量级也没有达到我们想象的那么大。
所以从国内目前来看，这约5-10万的AI技术人才，对比AI产业的高速发展需求，两者之间有巨大矛盾。那怎样更好的用这些人才作为突破，把人工智能方面的技术人才储备提高到百万级别。这正是整个百度（包括百度的教育合作与共建，包括百度所有对外输出的体系，包括我们今天所做的课程）所努力的方向，我们期望通过百度的技术赋能，真正的帮助人工智能取得更好的人才积累，真正培养一些在未来对人工智能行业有巨大贡献的专业人才，这是百度现在的定位目标。
AI浪潮已然到来，行业人工智能时代已经到来。目前，人工智能已经大量应用在2c和2b领域，怎么让人工智能跟具体行业有更好的接触，产生更多的积累，是我们正在重点探索的方向。
比如百度的搜索引擎，已经融入了很多AI元素。模糊匹配、拍照识图、深度挖掘检索等都应用到了大量的人工智能技术。
再如推荐系统，他会基于个人的一些喜好和历史阅读习惯来给用户做一些内容的推荐和匹配，这是很典型的结合大数据做的精准应用，实际上也属于人工智能的范畴。
再如人脸识别技术、语音技术、智慧交通和无人驾驶等，都是AI技术与行业应用的融合，并且这些技术正在不断取得突破。百度现在L4级别的无人驾驶车已经初步实现了一些小规模的量产，未来会有更多的人将真正的体会到无人驾驶给生活带来的便利。
3.AI与百度3.1百度AI的发展历程
上图为百度在人工智能领域的发展轨迹，早在2009年，百度就开始尝试探索人工智能相关技术，直到2019年，百度用了近十年的时间布局人工智能。
2009年尝试性布局人工智能，2013年发布IDL，2014年成立硅谷实验室以及百度研究院，2015年首次发布DuerOS，2016年发布百度大脑1.0版本，同年，百度的自动驾驶技术进入试运营状态，2017年是百度人工智能技术高速发展的一年，不仅成立了深度学习国家实验室，同时也成立了硅谷第二实验室以及西雅图实验室，并且Apollo平台开始运行并对外推广，在2018年到2019年，DuerOS和Apollo平台发展到3.0版本，百度大脑发展到5.0版本。经过近十年的发展和积累，百度的人工智能技术目前处于相对领先的位置。
百度在人工智能领域领域取得的进展有目共睹，比如，百度成立了首个国家级AI实验室；2016年被美国《财富》杂志评选为深度学习领域四大巨头之一；百度的刷脸支付、强化学习、自动驾驶等技术入选MIT2017年全球十大突破性技术；在AI领域，百度的中国专利申请超过2000项。
3.2百度AI的技术体系
百度的技术体系非常全面，覆盖了计算体系、大数据技术体系以及人工智能技术体系等，在机器学习、深度学习、区块链、知识图谱、自然语言处理、量子计算等领域均有雄厚的技术积累。这些技术可以按内容划分成三个板块，第一是A板块（即AI技术板块），第二是B板块（即大数据板块），第三是C板块（即云计算板块）。这就是百度在2016年提出的ABC概念。从一开始的1.0版本，发展到如今的3.0版本，代表着百度在人工智能领域的整体布局。在人工智能领域的布局中，百度的探索不仅停留在最核心的技术上，也同时将核心技术与更多的领域相结合，如边缘计算、物联网（InternetofThings,IoT）和区块链等，得到了如ABC+区块链、ABC+DuerOS、ABC+Apollo等对外输出模式，向各行各业提供解决方案。
在A板块中，将百度大脑分成了不同的层次。最底层是算法层，包含机器学习和深度学习算法，使用百度的PaddlePaddle深度学习框架提供算法层的基础支撑；算法层之上为感知层，感知层可分为对声音的感知和对光的感知，其中，对声音的感知主要是语音技术板块，对光的感知主要是图像技术、视频技术、AR/VR等技术板块；在感知层之上是认知层，认知层更多的是处理人类听到和看到的内容，对其进行深度理解，深度理解需要自然语言处理（NLP/NLU）、知识图谱等技术作为支撑，同时也需要积累大量用户画像数据，这些技术能帮助人们快速的理解和分析人类听到和看到的内容，并对内容进行有效的反馈，这是认知层面的技术；在认知层之上是平台层，平台层将底层的内容进行融合、封装，对外提供开放、完整的AI技术，并引入大量的生态合作伙伴，共同探讨人工智能产业的布局。
百度人工智能整体技术体系，最底层是深度学习框架飞桨PaddlePaddle，作为底层计算框架，飞桨PaddlePaddle支撑着上层场景化能力与平台中的全部板块。在场景化能力与平台中，包含了诸多场景大板块，每个大板块下又细分为多个技术板块，比如语音板块包含了语音合成以及语音唤醒等技术板块；计算机视觉技术中的OCR技术，包括传统通用OCR识别，以及垂直领域OCR的识别，可以对30多个OCR识别领域进行精准识别，比如票据识别、证件识别以及文字识别等；在人脸/人体识别板块，同时也会引入图像审核以及图像识别方面的技术；在视频板块，有视频比对技术，视频分类和标注技术，以及视频审核技术；在自然语言处理板块，有机器翻译技术；知识图谱板块，有AR/VR技术。这些板块构成了人工智能体系的技术蓝图。
近两年来，人工智能技术在各行各业中的应用不断加深，实践证明，单一的技术在落地时会受到诸多限制，所以现在人工智能在落地时可能不仅仅用到某一个单独的技术板块，而是需要先把这些板块进行融合，然后再进行实际应用，比如在拍照翻译的应用场景下，既需要用到OCR技术，同时也用到NLP技术。因此在实际应用中，需要综合各个板块的技术，把不同的技术体系和技术内容有机地融合起来，再去解决行业中面临的痛点。
3.3百度AI的场景化应用
2014年到2015年期间，在计算机视觉领域的部分场景下，计算机视觉识别准确率已经超过了人眼识别。而利用深度学习技术的计算机听觉识别，在2017年左右也已经超过人耳听力极限。
人工智能业务场景化不仅依赖底层的硬件资源，也需要超大规模的标注数据，这是监督学习的特点，所以在人工智能早期研究中，有评论说“有多少人工就有多少智能”，这句话在特定角度来看是具有一定意义的。在监督学习中，训练模型需要庞大的标注数据，再结合GPU强大的数据处理能力去训练特定模型，也就是从算法的层面去做更多的工作，在训练模型的过程中需要发挥人的主观能动性，更好的解决在行业应用中出现的一些痛点，构建出行业专属的模型。
比如，将人体分析技术应用到实际行业场景中时，需要结合人脸识别技术和人体识别技术。可以通过基础手势识别，识别一个人在开车时有没有系安全带、是不是在打电话等。
利用人体分析技术，可以做到行为识别，首先设定特定区域，然后对区域内的人员行为进行识别，比如人群过密、区域越界、人员逆行、徘徊以及吸烟等，在特定场景下，行为识别能够帮助用户避免安全隐患。
自然语言处理有很多相关技术，比如说词法分析、词向量表示、语义相似度、短文本相似度、情感相似度分析等。这些技术用在不同的应用场景下。
在公检法系统应用中，为了避免出现非常严重的问题，如同案不同判，具体解决方案是当诉讼呈递给法官时，根据当前诉讼内容在公检法系统中寻找历史上类似的案件，参考历史类似案件的判决，给法官提供判案依据。
在媒体领域应用中，对基础的财经类新闻，可以由机器进行新闻文章的编写，即机器写作。这些技术都是基于NLP在相应领域做的智能化应用，可以让编辑或记者从重复性的工作中解脱出来。
人工智能从广义上来看，也包括大数据及云计算相关技术，这些技术也都涵盖在百度AI技术体系中。在大数据领域，主要包括数据采集、数据存储、数据分析以及数据可视化等，利用这些技术，我们在进行模型训练的时候，对数据进行科学的管理可以帮助我们提高模型训练效率。
百度AI技术体系也提供算力层面的支持，通过GPU服务器以及FPGA服务器提供的算力，更好的解决应用层面的问题。
百度AI就是这样一个从基础层，到感知层、认知层的完整体系，为多行业、多场景提供“一站式解决方案”，力求实现“多行业、多场景全面赋能”。
回顾本篇文章，我们和大家分享了人工智能的相关概念，人工智能的发展历程，从中也可以看出AI是我们的历史机遇。同时本文也为大家详细介绍了百度的AI技术体系，经过10余年的努力，百度AI已经形成从基础层，到感知层、认知层的完整技术体系，为多行业、多场景提供“一站式解决方案”，力求实现“多行业、多场景全面赋能”。
人工智能的十大应用
导读：人工智能已经逐渐走进我们的生活，并应用于各个领域，它不仅给许多行业带来了巨大的经济效益，也为我们的生活带来了许多改变和便利。下面，我们将分别介绍人工智能的一些主要应用场景。
作者：王健宗何安珣李泽远
来源：大数据DT（ID：hzdashuju）
01 无人驾驶汽车
无人驾驶汽车是智能汽车的一种，也称为轮式移动机器人，主要依靠车内以计算机系统为主的智能驾驶控制器来实现无人驾驶。无人驾驶中涉及的技术包含多个方面，例如计算机视觉、自动控制技术等。
美国、英国、德国等发达国家从20世纪70年代开始就投入到无人驾驶汽车的研究中，中国从20世纪80年代起也开始了无人驾驶汽车的研究。
2005年，一辆名为Stanley的无人驾驶汽车以平均40km/h的速度跑完了美国莫哈维沙漠中的野外地形赛道，用时6小时53分58秒，完成了约282千米的驾驶里程。
Stanley是由一辆大众途锐汽车经过改装而来的，由大众汽车技术研究部、大众汽车集团下属的电子研究工作实验室及斯坦福大学一起合作完成，其外部装有摄像头、雷达、激光测距仪等装置来感应周边环境，内部装有自动驾驶控制系统来完成指挥、导航、制动和加速等操作。
2006年，卡内基梅隆大学又研发了无人驾驶汽车Boss，Boss能够按照交通规则安全地驾驶通过附近有空军基地的街道，并且会避让其他车辆和行人。
近年来，伴随着人工智能浪潮的兴起，无人驾驶成为人们热议的话题，国内外许多公司都纷纷投入到自动驾驶和无人驾驶的研究中。例如，Google的GoogleX实验室正在积极研发无人驾驶汽车GoogleDriverlessCar，百度也已启动了“百度无人驾驶汽车”研发计划，其自主研发的无人驾驶汽车Apollo还曾亮相2018年央视春晚。
但是最近两年，发现无人驾驶的复杂程度远超几年前所预期的，要真正实现商业化还有很长的路要走。
02 人脸识别
人脸识别也称人像识别、面部识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。人脸识别涉及的技术主要包括计算机视觉、图像处理等。
人脸识别系统的研究始于20世纪60年代，之后，随着计算机技术和光学成像技术的发展，人脸识别技术水平在20世纪80年代得到不断提高。在20世纪90年代后期，人脸识别技术进入初级应用阶段。目前，人脸识别技术已广泛应用于多个领域，如金融、司法、公安、边检、航天、电力、教育、医疗等。
有一个关于人脸识别技术应用的有趣案例：张学友获封“逃犯克星”，因为警方利用人脸识别技术在其演唱会上多次抓到了在逃人员。
2018年4月7日，张学友南昌演唱会开始后，看台上一名粉丝便被警方带离现场。实际上，他是一名逃犯，安保人员通过人像识别系统锁定了在看台上的他；
2018年5月20日，张学友嘉兴演唱会上，犯罪嫌疑人于某在通过安检门时被人脸识别系统识别出是逃犯，随后被警方抓获。随着人脸识别技术的进一步成熟和社会认同度的提高，其将应用在更多领域，给人们的生活带来更多改变。
03机器翻译
机器翻译是计算语言学的一个分支，是利用计算机将一种自然语言转换为另一种自然语言的过程。机器翻译用到的技术主要是神经机器翻译技术（NeuralMachineTranslation，NMT），该技术当前在很多语言上的表现已经超过人类。
随着经济全球化进程的加快及互联网的迅速发展，机器翻译技术在促进政治、经济、文化交流等方面的价值凸显，也给人们的生活带来了许多便利。例如我们在阅读英文文献时，可以方便地通过有道翻译、Google翻译等网站将英文转换为中文，免去了查字典的麻烦，提高了学习和工作的效率。
04声纹识别
生物特征识别技术包括很多种，除了人脸识别，目前用得比较多的有声纹识别。声纹识别是一种生物鉴权技术，也称为说话人识别，包括说话人辨认和说话人确认。
声纹识别的工作过程为，系统采集说话人的声纹信息并将其录入数据库，当说话人再次说话时，系统会采集这段声纹信息并自动与数据库中已有的声纹信息做对比，从而识别出说话人的身份。
相比于传统的身份识别方法（如钥匙、证件），声纹识别具有抗遗忘、可远程的鉴权特点，在现有算法优化和随机密码的技术手段下，声纹也能有效防录音、防合成，因此安全性高、响应迅速且识别精准。
同时，相较于人脸识别、虹膜识别等生物特征识别技术，声纹识别技术具有可通过电话信道、网络信道等方式采集用户的声纹特征的特点，因此其在远程身份确认上极具优势。
目前，声纹识别技术有声纹核身、声纹锁和黑名单声纹库等多项应用案例，可广泛应用于金融、安防、智能家居等领域，落地场景丰富。
05智能客服机器人
智能客服机器人是一种利用机器模拟人类行为的人工智能实体形态，它能够实现语音识别和自然语义理解，具有业务推理、话术应答等能力。
当用户访问网站并发出会话时，智能客服机器人会根据系统获取的访客地址、IP和访问路径等，快速分析用户意图，回复用户的真实需求。同时，智能客服机器人拥有海量的行业背景知识库，能对用户咨询的常规问题进行标准回复，提高应答准确率。
智能客服机器人广泛应用于商业服务与营销场景，为客户解决问题、提供决策依据。同时，智能客服机器人在应答过程中，可以结合丰富的对话语料进行自适应训练，因此，其在应答话术上将变得越来越精确。
随着智能客服机器人的垂直发展，它已经可以深入解决很多企业的细分场景下的问题。比如电商企业面临的售前咨询问题，对大多数电商企业来说，用户所咨询的售前问题普遍围绕价格、优惠、货品来源渠道等主题，传统的人工客服每天都会对这几类重复性的问题进行回答，导致无法及时为存在更多复杂问题的客户群体提供服务。
而智能客服机器人可以针对用户的各类简单、重复性高的问题进行解答，还能为用户提供全天候的咨询应答、解决问题的服务，它的广泛应用也大大降低了企业的人工客服成本。
06智能外呼机器人
智能外呼机器人是人工智能在语音识别方面的典型应用，它能够自动发起电话外呼，以语音合成的自然人声形式，主动向用户群体介绍产品。
在外呼期间，它可以利用语音识别和自然语言处理技术获取客户意图，而后采用针对性话术与用户进行多轮交互会话，最后对用户进行目标分类，并自动记录每通电话的关键点，以成功完成外呼工作。
从2018年年初开始，智能外呼机器人呈现出喷井式兴起状态，它能够在互动过程中不带有情绪波动，并且自动完成应答、分类、记录和追踪，助力企业完成一些烦琐、重复和耗时的操作，从而解放人工，减少大量的人力成本和重复劳动力，让员工着力于目标客群，进而创造更高的商业价值。当然智能外呼机器人也带来了另一面，即会对用户造成频繁的打扰。
基于维护用户的合法权益，促进语音呼叫服务端健康发展，2020年8月31日国家工信部下发了《通信短信息和语音呼叫服务管理规定（征求意见稿）》，意味着未来的外呼服务，无论人工还是人工智能，都需要持证上岗，而且还要在监管的监视下进行，这也对智能外呼机器人的用户体验和服务质量提出了更高的要求。
07智能音箱
智能音箱是语音识别、自然语言处理等人工智能技术的电子产品类应用与载体，随着智能音箱的迅猛发展，其也被视为智能家居的未来入口。究其本质，智能音箱就是能完成对话环节的拥有语音交互能力的机器。通过与它直接对话，家庭消费者能够完成自助点歌、控制家居设备和唤起生活服务等操作。
支撑智能音箱交互功能的前置基础主要包括将人声转换成文本的自动语音识别（AutomaticSpeechRecognition，ASR）技术，对文字进行词性、句法、语义等分析的自然语言处理（NaturalLanguageProcessing，NLP）技术，以及将文字转换成自然语音流的语音合成技术（TextToSpeech，TTS）技术。
在人工智能技术的加持下，智能音箱也逐渐以更自然的语音交互方式创造出更多家庭场景下的应用。
08个性化推荐
个性化推荐是一种基于聚类与协同过滤技术的人工智能应用，它建立在海量数据挖掘的基础上，通过分析用户的历史行为建立推荐模型，主动给用户提供匹配他们的需求与兴趣的信息，如商品推荐、新闻推荐等。
个性化推荐既可以为用户快速定位需求产品，弱化用户被动消费意识，提升用户兴致和留存黏性，又可以帮助商家快速引流，找准用户群体与定位，做好产品营销。
个性化推荐系统广泛存在于各类网站和App中，本质上，它会根据用户的浏览信息、用户基本信息和对物品或内容的偏好程度等多因素进行考量，依托推荐引擎算法进行指标分类，将与用户目标因素一致的信息内容进行聚类，经过协同过滤算法，实现精确的个性化推荐。
09医学图像处理
医学图像处理是目前人工智能在医疗领域的典型应用，它的处理对象是由各种不同成像机理，如在临床医学中广泛使用的核磁共振成像、超声成像等生成的医学影像。
传统的医学影像诊断，主要通过观察二维切片图去发现病变体，这往往需要依靠医生的经验来判断。而利用计算机图像处理技术，可以对医学影像进行图像分割、特征提取、定量分析和对比分析等工作，进而完成病灶识别与标注，针对肿瘤放疗环节的影像的靶区自动勾画，以及手术环节的三维影像重建。
该应用可以辅助医生对病变体及其他目标区域进行定性甚至定量分析，从而大大提高医疗诊断的准确性和可靠性。另外，医学图像处理在医疗教学、手术规划、手术仿真、各类医学研究、医学二维影像重建中也起到重要的辅助作用。
10 图像搜索
图像搜索是近几年用户需求日益旺盛的信息检索类应用，分为基于文本的和基于内容的两类搜索方式。传统的图像搜索只识别图像本身的颜色、纹理等要素，基于深度学习的图像搜索还会计入人脸、姿态、地理位置和字符等语义特征，针对海量数据进行多维度的分析与匹配。
该技术的应用与发展，不仅是为了满足当下用户利用图像匹配搜索以顺利查找到相同或相似目标物的需求，更是为了通过分析用户的需求与行为，如搜索同款、相似物比对等，确保企业的产品迭代和服务升级在后续工作中更加聚焦。
关于作者：王健宗，博士，某大型金融集团科技公司资深人工智能总监、高级工程师，中国计算机学会大数据专家委员会委员、高级会员，美国佛罗里达大学人工智能博士后，曾任美国莱斯大学电子与计算机工程系研究员、美国惠普公司高级云计算解决方案专家。
何安珣，某大型金融集团科技公司高级算法工程师，中国计算机学会会员，中国计算机学会青年计算机科技论坛（YOCSEF深圳）委员。拥有丰富的金融智能从业经验，主要研究金融智能系统框架搭建、算法研究和模型融合技术等，致力于推动金融智能的落地应用与价值创造。
李泽远，某大型金融集团科技公司高级人工智能产品经理，中国计算机学会会员，长期致力于金融智能的产品化工作，负责技术服务类的产品生态搭建与实施推进。
本文摘编自《金融智能：AI如何为银行、保险、证券业赋能》，经出版方授权发布。
延伸阅读《金融智能》
点击上图了解及购买
转载请联系微信：DoctorData
推荐语：这是一部讲解如何用AI技术解决银行、保险、证券行业的核心痛点并帮助它们实现数智化转型的著作。作者从金融智能一线从业者的视角，深入剖析了传统金融行业的痛点与局限，以及金融智能的特点与优势，阐明了人工智能等技术在金融业的必要性，并针对金融智能在银行、保险和证券业的诸多应用场景，给出了具体解决方案。
划重点????
干货直达????
有了中台，那后台还剩下什么？（图解中台架构）
关于读书，我发现每一个技术大牛都有这个怪癖
2020福布斯中国富豪榜发布！10年来谁是中国最有钱的人？
34秒看完200余年美国总统大战：民主党vs共和党谁是赢家？
更多精彩????
在公众号对话框输入以下关键词
查看更多优质内容！
PPT | 读书 | 书单 | 硬核 | 干货 | 讲明白 | 神操作
大数据 | 云计算 | 数据库 | Python | 可视化
AI | 人工智能 | 机器学习 | 深度学习 | NLP
5G | 中台 | 用户画像 | 1024 | 数学 | 算法 | 数字孪生
据统计，99%的大咖都完成了这个神操作
????
人工智能在医学图像处理中的研究进展与展望
自伦琴1895年发现X射线以来，医学图像已经成为诊断人体疾病的重要医学检查手段。如今，计算机断层扫描(CT)、磁共振成像(MRI)和超声等医学图像都是疾病诊断最直接、最常用的方法。然而，大量的医学图像需要临床医生和影像科医生花费很多时间和精力进行阅片分析，并且还可能会因医生个人主观经验或疲劳出现阅片错误，导致疾病错诊、漏诊和误诊等问题，因此，亟须有数字化、智能化的软件和程序来解决这个问题，提高阅片速度和效率，减少医生错诊、漏诊和误诊的出现概率。
人工智能(artificialintelligence，AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学，通常是指通过计算机程序来呈现人类智能的技术。根据2017年中华人民共和国国务院印发的《新一代人工智能发展规划》，人工智能已经成为我国科技的重要发展战略方向，其在我国各行各业都有重要体现。近年来，随着深度学习的发展，人工智能技术在医学领域取得了很多突破性进展，尤其体现在医学图像处理方面[1-2]，前期主要包括CT、MRI和超声图像中病灶的智能识别、自动分割、三维重建和三维量化，以及后期的疾病智能诊断和预后评估。本述评将从人工智能辅助医学图像分割和三维重建、疾病的智能诊断和预后评估三个方面探讨人工智能在医学图像处理中的研究进展，并对今后的医学人工智能的研究方向进行展望。
1人工智能辅助医学图像分割从MRI、CT、超声等多种模态的医学图像中，我们能够获取人体器官和病灶的二维生理学和形态学图像信息，但想要更直观地观察疾病病灶的三维形态和空间毗邻关系，实现对疾病的精准量化，为患者提供更准确的疾病信息、疾病诊断和最优治疗方案，则需要借助医学图像分割和三维重建技术，获得病灶及毗邻结构的三维数字化模型。传统医学图像的分割与三维图像重建主要依靠人工进行，存在耗时、繁琐、主观偏差(不同人员对知识的掌握与理解不同，导致分割与重建的误差)等缺点。
人工智能技术的运用对于医学图像分割具有重大的意义和应用价值，特别是基于深度学习的卷积神经网络算法有助于提高分割效率、缩短分割时间、减少主观偏差，可以将医生的精力从图像分割中解放出来。近几年一些研究表明，通过对经典卷积神经网络模型的改进可以在医学图像上对一些复杂组织结构达到很好的分割效果。香港中文大学LI等[3]于2018年提出的混合密集连接网络(H-DenseUNet)在肝脏分割方面取得了非常好的效果，很好地解决了同时分割肝脏和病灶的问题。同年，ZHAO等[4]研究团队通过将全卷积神经网络(fullyconvolutionalneuralnetworks,FCNN)和条件随机场(conditionalrandomfields,CRF)集成到统一框架中，开发了一种新的脑肿瘤分割方法，获得了具有外观和空间一致性的较好的分割结果。2019年巴西西拉联邦大学的ARAÚJO等[5]通过细胞分割深度学习技术的细胞学分析计算工具，在没有预分割的情况下排除包含异常细胞的低概率图像，从而提升了Pap测试检验效率，比现有的方法运行得更快，而且检测精准度不会受白细胞和其他污染物存在的影响。2020年山东师范大学XUE等[6]在快速采集的梯度回波图像上开发出一种基于深度学习的网络检测和分割方法，通过Dice测量自动和手动分割结果之间的重叠，证明该网络可以自动准确地对脑转移肿瘤病灶进行检测和分割，敏感性为(0.96±0.03)，特异性为(0.99±0.0002)，Dice值为(0.85±0.080)。在分割存在较大难度的肌肉组织方面，加拿大西蒙弗雷泽大学工程科学学院的DABIRI等[7]于2020年利用深度学习算法设计出包含第三腰椎(L3)轴向切片定位网络和肌肉-脂肪分割网络，将其运用在腹部CT图像上，实现了L3切片定位，其平均误差在(0.87±2.54)，完成了骨骼肌、皮下脂肪组织、内脏脂肪组织和肌肉间脂肪组织的自动分割，其平均Jaccard得分为97%、98%、97%、83%，定位和分割网络性能表明该方法具有高精度的全自动身体成分分析的潜力。2021年中国北京大学第一医院神经内科的YANG等[8]构建了卷积神经网络，用于分割MRI图像下肌肉结构，以获得肌肉在人体结构中的比值，用于诊断肌营养不良障碍，该深度模型在鉴别肌营养不良症患者方面表现出良好的准确性和敏感性，并通过与3名放射科医生对比，证明了该模型通过MRI图像诊断肌营养不良症方面存在潜在应用。
2人工智能辅助疾病的智能诊断医学疾病的诊断对患者预后评估以及治疗方案的选择至关重要，然而，医生对医学影像的准确解读需要较长时间专业经验的积累，有经验医生的培养周期相对较长。因此，人工智能辅助疾病的智能诊断非常重要和关键，不仅可以提高对医学图像的检测效率和检测精度，减少主观因素带来的误判，提高医生诊断速度，帮助年轻医生对比学习和快速成长，还能帮助缺少医疗资源的偏远地区、基层医院及体检中心提高筛查诊断的水平。这方面研究主要包括医学图像上疾病病灶的识别与分类，特别是在皮肤癌、肺癌、肝癌等常见疾病的诊断方面有突出进展。
早在2017年斯坦福大学的研究者[9]已经成功训练了一个可以诊断照片或皮肤镜下皮肤癌的深度学习算法，该算法不仅可以区分角质形成细胞癌和良性脂溢性角化病，还能准确识别出恶性黑色素瘤和普通的痣，该研究设计的深度卷积神经网络在测试时都达到了专家的水平。人工智能的皮肤癌鉴定水平已经达到了皮肤科医生水平，预计在不久的将来，具有该皮肤癌诊断算法的移动设备可以让皮肤科医生的诊断拓展到诊室之外，实现低成本的皮肤病重要诊断。
人工智能辅助肺癌的识别和诊断可显著减少过度诊断，主要的应用是在医学影像的基础上通过区分良性和恶性结节来改善肺癌的早期检测，因为早期识别恶性肺结节对于肺癌后期的手术、放化疗等治疗至关重要，同时决定了肺癌的预后。2019年ZHAO等[10]探索了利用最先进的深度卷积神经网络的3种策略包括修改一些最先进的卷积神经网路(convolutionalneuralnetworks,CNN)架构，集成不同的CNN构架和采用迁移学习，对CT图像上的恶性和良性肺结节进行分类，最后证明迁移学习的效果最佳。BONAVITA等[11]使用3D卷积神经网络评估肺结节恶性程度，并将其集成到自动化的端到端的现有肺癌检测流程中，提高了肺癌的预测效果。另外，美国德克萨斯大学西南医学中心WANG等[12]认为深度学习算法还将会影响肺癌的数字病理智能检测的发展。随着技术的进步，深度学习包括多任务学习、转移学习和模型解释等，都会对肺癌的诊断起着积极的影响效果。
随着越来越多研究的发表，人工智能技术在肝病诊断和治疗方面的应用也越来越多。CHOI等[13]利用来自7461例患者的大量CT图像数据集，开发了一个用于对肝纤维化进行分期的CNN模型，其性能优于放射科医生以及氨基转移酶-血小板比指数和纤维化-4指数等血液生化学指标，证明人工智能可以实现在CT图像上准确地诊断肝纤维化并对其进行分期。YASAKA等[14]使用来自460例患者的肝脏CT图像训练的CNN模型在肝脏肿块鉴别诊断中表现出较高的诊断性能。NAYAK等[15]开发了一种新的基于深度学习的肝脏三维分割和肝细胞癌(hepatocellularcarcinoma,HCC)检测系统，用于对肝硬化和HCC进行诊断分类，效果较好。HAMM等[16]使用434例HCC患者的MRI图像建立了一个CNN分类器对6个类别的具有典型成像特征的肝脏病变进行诊断分类，测试集性能显示平均敏感性为90%，特异性为98%，每个病变的计算时间为5.6ms。这些研究都表明人工智能深度学习可作为放射科医生最终决策支持工具的潜力，以及其能以省时的方式整合到临床工作流程的可行性。肝活检是目前检测、风险分级和监测非酒精性脂肪肝患者的标准，美国纽约州西奈山的伊坎医学院肝病科DINANI等[17]认为人工智能给诊断非酒精性脂肪肝及其表型风险分级带来希望，利用人工智能可以提高识别有非酒精性脂肪肝和晚期纤维化风险患者的能力，客观地评估肝脏疾病诊断并改进肝组织的组织学评估不足之处。
此外，人工智能在辅助膀胱癌的诊断上也有一些应用进展。2019年美国加州斯坦福大学医学院泌尿外科SHKOLYAR等[18]通过研究发现将人工智能中的深度学习算法用于增强的膀胱镜检查，可以改善肿瘤的定位精准度、肿瘤的识别率、术中导航效果和膀胱癌的手术切除效果。2020年德国美因茨大学医学中心病理学研究所WOERL等[19]尝试利用人工智能深度学习单独从传统的组织形态学中检测肿瘤组织外观，进而诊断侵袭性膀胱癌分子亚型，发现其诊断效果良好，类似或优于病理学专家，表明人工智能用于预测侵袭性膀胱癌的重要分子特征，有可能显著改善该疾病的诊断和临床管理。
3人工智能辅助疾病的预后评估通过患者信息和图像分析，提取肿瘤的大小、部位、形态、边界、质地等特征，预测疾病治疗反应，评估疾病的预后，可以帮助医生更好地选择合适的治疗方式，这方面的研究在不断发展，这也是医生和患者都关心的问题。2018年香港中文大学重点肿瘤实验室CHAN等[20]通过回顾性研究，分析3903例接受手术切除的早期肝细胞癌患者，构建了两个统计模型，用于预测切除后早期HCC的复发风险，模型经过广泛验证被证明适用于国际环境，临床医生使用后能够估计个别患者复发的风险，对指导监测随访和切除后辅助治疗试验的设计很有价值。通过近几年的发展，影像组学在肿瘤诊断、分期、预后以及预测治疗反应等方面也取得很多进展[21-22]。南京医科大学第一附属医院放射科的XU等[23]于2019年回顾性分析了总共495例肝癌手术切除的患者，构建的综合影像组学模型显示肿瘤大小和瘤内不均匀性与肿瘤微血管浸润相关，表明结合大规模的临床影像和影像组学特征构建模型，不仅能够有效预测HCC微血管侵犯风险，并可对患者术后复发及生存进行评估。2020年广州中山大学第一附属医院超声科LIU等[24]基于2008-2016年共419例患者(包括射频消融和外科手术切除患者)的肝脏对比增强超声，建立人工智能影像组学模型，预测射频消融和手术切除的无进展生存期，结果显示基于深度学习的影像组学模型可以实现无进展生存期的术前准确预测，可以促进极早期或早期肝细胞癌患者的最优化治疗方式选择。不仅如此，此研究团队还利用基于人工智能的影像组学方法在超声造影中准确预测肝细胞癌患者对经动脉化疗栓塞的反应，并在不同验证集中表现出高度可重复性[25]。由此可见，结合深度学习和影像组学的优势，可以更大程度地对疾病进行治疗反应预测和预后评估。2021年美国加利福尼亚州斯坦福大学医学院放射肿瘤科JIN等[26]通过多任务深度学习方法，充分利用治疗的动态变化信息，成功预测新辅助化疗后直肠癌出现病理完全缓解的可能性，在160例和141例患者的多中心验证中获得的受试者工作特征曲线下面积(areaundercurve,AUC)分别达到0.95和0.92，结合肿瘤血清标记物后，该模型的预测精度进一步得到提高，这项研究可用于改进治疗反应的评估和疾病监测，并有可能为个性化医疗提供信息。
4展望近年来，随着社会的数字化和智能化发展，虽然由于医学的严谨性和复杂性，人工智能在医学上的产品并不多，但是人工智能已在医学的研究上广泛普及。通过本述评对近几年国内外医学人工智能的研究和应用的分析，我们认为，医学院校的人工智能辅助医学图像处理方面的研究可主要聚焦于以下几个方面。
4.1医学影像和病理图像的智能分割人体正常结构和病灶详细信息的精准获取来源于人体结构的边界精准分割，而且人体结构三维图像和三维形态学参数的获取更依赖于二维影像学和病理学图像的分割，图像分割是后期疾病诊断、预后评估、治疗决策的基础，但是分割会花费医生大量的时间和精力。因此，亟须通过人工智能算法或工具，来解决手工分割耗时长、精度差、精度依赖于医生个体经验的问题。
目前，基于人工智能的深度学习算法常用于医学影像学图像如CT、MRI、超声和病理学图像的分析。一般在图像中选择一些具有一定准确几何形态规律的、相互变异较小的、边界比较清楚的人体组织结构，来进行深度学习算法或软件的训练，比如人体大脑、小脑、肝、肺、肾、脾、乳腺、甲状腺、骨骼肌等，尤其目前的研究在肝癌、肺癌等常见病、多发病的体现最多，往后的研究会逐渐向适合深度学习的而又为常见病多发病的实质性脏器疾病发展，如胰腺癌、食管癌、腮腺肿瘤等。然而，对于一些变异较大的结构如小肠、静脉，就不大适合使用深度学习算法进行分割，反而阈值法和区域扩增等传统算法可能会更加适合，因为目前的深度学习算法大多属于监督学习，需要医生的精准标注进行训练，而标注这些变异较大的结构会大大增加医生的工作量。因而，肉眼能识别和分割出来的结构，人工智能分割实施效果会较好，肉眼难以准确识别的结构，人工智能算法效果也会欠佳。因此，目前开展人工智能进行医学图像分割研究需要选择合适的分割结构和合适的临床疾病，但随着人工智能方法的不断更新，非监督学习的发展，医学图像的分割难题可能会得到解决。
4.2人工智能辅助疾病诊断疾病快速精准诊断是精准治疗的关键，传统的诊断存在医学诊断个体差异、耗时长、优势医疗资源相对匮乏等问题。人工智能辅助疾病诊断包括疾病病灶检测和疾病分类分期确诊，数据源主要来自人体影像学和病理学数据。在诊断效率上，人工智能在某些疾病的诊断上水平已经超过了医生，已经在临床上开始使用，比如肺癌、皮肤癌、乳腺癌等这几类都是常见的肿瘤，因为其训练样本达到了几千或几万病例。其他疾病如胶质细胞瘤、宫颈癌、直肠癌的智能诊断还处于发展阶段，主要原因是训练集样本量不够多，非多中心实验，这一部分研究仍可继续挖掘。还有一些如非肿瘤性的内科疾病比如感染性疾病、自身免疫性疾病等仍未作为研究的重点，这一部分的研究仍可继续开展。
人工智能辅助疾病诊断模型存在构建的通用性模型在特定任务中表现不理想的情况，如人体眼底彩色照片的眼底疾病的筛查和诊断中，使用通用性筛查模型往往在具体疾病的识别中表现就不够理想。同时，模型的构建，往往对图像的源数据质量要求比较高，如不同医院、不同医疗设备、不同操作技师所获取的数据就不一样，如果只用来自一家医院的数据，而不入组其他医院的，那么最后构建的模型，就不能精准智能诊断其他数据源的数据。因此，人工智能辅助诊断研究，早期可从单中心数据源选择入手，但在后期，则需要考虑多中心数据，这样，构建的智能诊断模型才能够具有通用性。
人工智能诊断疾病的技术路线要基于影像科或病理科医生，把他们的疾病诊断思路弄清楚、弄明白，才能更准确地让机器学习医生的诊断思路，进行智能诊断，从而达到疾病的精准诊断。如病理科医生诊断肿瘤，先判断细胞核的核分裂象和核异质性，再考虑细胞质的异常变化，另外皮肤科医师根据痣的大小、边界、颜色、质地均匀度、部位进行痣良恶性的判定，让机器按这样的思路学习才能事半功倍，实现精准诊断。
4.3人工智能辅助疾病预后评估人工智能辅助疾病预后评估，目前为临床医生和患者及家属最关心的问题。通常采用回顾性的研究分析方法，构建疾病智能预后评估模型，进行预后风险性评估研究和手术、放疗以及新辅助化疗风险性评估。目前，这一部分的研究逐渐成为医生和医学家关注的重点，比例在增高，甚至部分领域高于目前的人工智能辅助诊断研究。
疾病预后评估智能模型的构建及研究，同样需要结合临床医生的思维和诊断流程，比如肺癌、肝癌的智能预后评估，危险性主要跟其结节大小、部位、边界、质地均一度、供应血管丰富程度、与重要脏器的毗邻关系、与重要血管的毗邻关系和病理学结果，这样才能让机器学习到相关性强的深层特征。
总之，医学人工智能是数字医学发展的新方向，为现代医学研究的主流热点，是未来医学发展的必然趋势。现在医学人工智能尚处于弱人工智能时代，不具备沟通的功能和能力，仍然需要人工智能技术的不断提高和完善，以期早日实现人机智能交流。同时，由于医学问题的因果关系链复杂、精准度要求高、病人个体差异大，所以对医学人工智能产品的要求很高，虽然研究成果多，但产品产出慢，耗时长，耗钱多，我们需要有足够的耐心等待其发展。因此，医学人工智能的研究往往需要针对某一种疾病，制定一个短期、中期和长期的计划。短期计划，即利用较小的训练集样本库，完成人工智能初步模型的构建，获得较好的测试验证结果；中期计划，利用至少几百例、甚至是多中心的大样本训练集，对人工智能模型进行优化完善，并在临床前瞻试验中得到验证；长期计划，在较完善训练集模型的基础上，继续扩大样本量至几千例，提升模型的泛化能力和兼容性，以提高诊断和预后评估的精度准，降低错诊、漏诊和误诊的概率，达到产品上市的条件。
医学人工智能时代已经来临，我们亟须紧跟数字医学和人工智能时代步伐，激流勇进，为未来医学的创新和改革做出贡献。