中国医学影像人工智能20年回顾和展望
图13—图15分别为对国内单位在MedIA、TMI和MICCAI发表的论文关键词信息进行统计得到的词云图。由图13(a)、图14(a)、图15(a)可见，2012年之前发表在上述三者的论文研究方法多集中于传统的影像分析方法。其中MedIA论文主要包括最小成本路径、统计参数图、随机有限元法和Gabor小波(图13(a))，TMI论文主要包括参数估计、可变形模型、小波变换和模糊聚类(图14(a))，MICCAI论文主要包括水平集、判别分析和基于模板的分析(图15(a))。2012年之前发表在上述三者的论文研究对象多集中在心脏、血管和大脑。此外TMI论文对乳腺和视网膜(图14(a))，MICCAI论文对肺部(图15(a))也有较多研究。2012年之前发表在上述三者的论文研究目标多集中在医学影像的配准和分割。此外MedIA论文对医学影像的标准化(图13(a))，TMI论文对医学影像的重建、分类、融合和聚类(图14(a))也有较多研究。2012年之前发表在上述三者的论文研究影像模态主要为磁共振成像(magneticresonanceimaging，MRI)。此外TMI论文对CT(computedtomography)、超声(ultrasound)以及多模态磁共振成像，例如功能磁共振成像(functionalMRI，fMRI)、弥散张量成像(diffusiontensorimaging，DTI)和磁共振血管成像(magneticresonanceangiography，MRA)等有较多研究(图14(a))。
图132000—2021年国内作者发表MedIA期刊论文的关键词词云分析结果((a)2000—2011;(b)2012—2016;(c)2017—2021)Fig.13WordcloudanalysisofthekeywordsinpublishedMedIApapersbyChineseauthorsin2000—2021图142000—2021年国内作者发表TMI期刊论文的关键词词云分析结果((a)2000—2011;(b)2012—2016;(c)2017—2021)Fig.14WordcloudanalysisofthekeywordsinpublishedTMIpapersbyChineseauthorsin2000—2021图151998—2021年国内作者发表MICCAI会议论文的关键词词云分析结果((a)1998—2011;(b)2012—2016;(c)2017—2021)Fig.15WordcloudanalysisofthekeywordsinpublishedMICCAIpapersbyChineseauthorsin1998—2021由图13(b)、图14(b)、图15(b)可见，随着相关技术的发展和普及，2012—2016年发表在上述三者的论文主要研究方法从2012年之前的传统影像分析方法演变为稀疏表达。此外，MedIA论文对压缩感知(图13(b))，TMI论文对字典学习、压缩感知和深度学习(图14(b))，MICCAI论文对字典学习和多任务学习(图15(b))也有较多研究。2012—2016年发表在上述三者的论文研究对象有一定差异。其中MedIA论文主要包括大脑连接、细胞和脑血管等(图13(b))，TMI论文多为前列腺、血管和肾皮质等(图14(b))，MICCAI论文除了心脏、血管和眼部，对大脑疾病(例如老年痴呆和轻度认知障碍)和大脑皮层特征点识别有较多研究(图15(b))。2012—2016年发表在上述三者的论文研究目标除了传统的医学影像的分割、分类、配准和重建之外，MedIA论文对大脑结构及功能特性相关的功能或有效连接分析(图13(b))，TMI论文对计算机辅助检测和医学影像增强(图14(b))有较多研究。2012—2016年发表在上述三者的论文研究影像模态除了多模态磁共振成像(例如fMRI和DTI等)之外，MedIA论文对相差显微镜影像(phasecontrastmicroscopyimage)和正电子发射型计算机断层显像(positronemissioncomputedtomography,PET)(图13(b))，TMI论文对CT、超声、弹性成像(elastography)和多普勒光学相干断层扫描(Doppleropticalcoherencetomography,DopplerOCT)(图14(b))，MICCAI论文对CT和超声(图15(b))有较多研究。
由图13(c)、图14(c)、图15(c)可见，随着深度学习及其相关技术的发展和普及，2017—2021年发表在上述三者的论文主要研究方法从2012年之前的传统影像分析方法和2012—2016年的稀疏表达演变为深度学习。其中MedIA论文包括卷积神经网络、生成对抗网络、深度神经网络、迁移学习、对比学习、半监督学习、自监督学习和注意力机制等(图13(c))。TMI论文包括卷积神经网络、生成对抗网络等，此外3维可视化、特征提取、特征学习和网络训练等也备受关注和青睐(图14(c))。MICCAI论文包括卷积神经网络、生成对抗网络、Transformer、对比学习、图卷积网络、自监督学习、半监督学习、深度神经网络和多任务学习等(图15(c))。2017—2021年发表在上述三者的论文研究对象具有一定差异。其中MedIA论文主要包括老年痴呆、乳腺癌、新型冠状病毒肺炎(COVID-19)和大脑等(图13(c))，TMI论文主要包括COVID-19、大脑和器官病变等(图14(c))，MICCAI论文主要包括脑疾病、脑网络、视网膜眼底疾病、乳腺和血管等(图15(c))。2017—2021年发表在上述三者的论文研究目标除了传统的医学影像配准、分割、分类和重建之外，MedIA论文对医学影像合成(图13(c))，TMI论文对医学影像可视化(图14(c))，MICCAI论文对计算机辅助检测(图15(c))也有较多研究。2017—2021年发表在上述三者的论文研究影像模态除了传统的CT和MRI之外，MedIA论文对数字病理影像和多模态影像(图13(c))，TMI论文对超声、X射线和光学相干断层扫描(opticalcoherencetomogrphy,OCT)(图14(c))，MICCAI论文对超声和多模态影像(图15(c))也有较多研究。
综上所述，国内单位在MedIA、TMI和MICCAI发表的论文关键词信息在过去20年具有以下发展特点和趋势：研究方法紧跟人工智能技术的最新发展潮流；研究对象除了传统的器官，也紧密结合医疗健康领域的重点和难点问题，例如COVID-19；研究目标除了传统的医学影像分析，计算机辅助检测近年来也受到一定重视，但已发表论文仍侧重于医学影像计算(medicalimagecomputing,MIC)，而计算机辅助介入(computerassistedintervention,CAI)的相关研究偏少，需引起足够重视；研究影像模态也逐步从单一模态扩展到多模态融合，包括与自然语言(例如诊断报告)的融合。
中科院专家批人工智能乱象：没有AI芯片这一说法
钛媒体注：上周日，IEEESMC学会（IEEESystem,Man,andCyberneticsSociety）与中国自动化学会、中国科学院自动化研究所等，在北京举办IEEE人工智能与控制论国际研讨会。大会期间，来自多个国家的人工智能领域的专家接受了钛媒体在内的媒体专访，探讨人工智能在未来的发展过程中可能遇到的挑战和机遇。
最近，有报道称一些语音控制助手可能会被超声波所控制，在安全上带来威胁。关于这个问题，在美国宇航局喷气推进实验室的高级研究员AdrianStoice看来，任何一个技术都可以被坏人所利用，不光是语音助手，任何技术都有这个问题。
他举例说明，比如说有一些玩具上有摄像头，被黑客入侵就可以看到他们家里面的情况；你如果有一个机器人，就会有人把它联网进行利用，那么其他人就可以看到你的面部情况，泄露个人隐私。
“但这是很小的方面，不可能阻挠我们继续发展技术，我们会有一些保护技术来保护网络安全，防止黑客行为。”
关于人工智能和区块链之间关系的问题，来自中国科学院自动化研究所，复杂系统管理与控制国家重点实验室主任王飞跃表示，大数据本身没有集权倾向，数据的结构往往是非结构和碎片式的。大数据和区块链都是去中心化的，或者说分布式也行，但是去中心化本身就意味着全中心化，所以说数据本身并没有集权的性质。
“因为大数据把一切很小的数据整合起来，那才叫做大，如果零碎的话没有人敢用的，就像在盖大楼，如果在土地基或者是沙地基上盖楼盖不高的，盖高了要盖在钢筋混凝土上。”
而加上区块链这个技术，它相当于钢筋混凝土，就可以把大数据或者人工智能技术盖在钢筋混凝土上，从这个角度他支持区块链的研究。
“人工智能以前是小火，发展了六十年，只能解决玩具性的问题，基本上除了最近几年靠一些数据解决一些比较大的问题，像图像识别、语音识别、自然语言处理问题，但是还是有很多的问题解决不了，为什么？就是因为没有钢筋混凝土这个地基，只能小火。”
这么多年大家把人工智能比喻成炼金术，一点小火就可以炼丹了，但是要做成产业就要熊熊大火。王飞跃觉得区块链将来能提供人工智能的熊熊大火，所以这两个是密切相关的，这是区块链智能。智能不能建立在土基上、沙基上，要建立在钢筋混凝土之上，相信这就会导致整个社会产业管理的范式转移。
说到市面上面向消费者各式各样的教育机器人，在他看来，和机器人没有任何的关系，像所谓的服务机器人也是摆摆样子，机器人本身的发展有很多重要的领域，比如生产线上的工业机器人。相对来说，最近国内外巨头追捧的智能音箱是比较自然的纯人机交互，得到王飞跃的肯定。
对于智能手机这一年以来热炒的人工智能芯片来说，王飞跃称没有这样的说法。“我不认为现在有所谓的人工智能芯片，当然这种宣传可以进行宣传。”
德国马格德堡大学教授AndreasNuernberger也同意这样的观点，不知道背后谁在推动，从而成为一个热词。
“现在芯片的发展加速了深度学习的过程，事实上，之前在图像方面也有这种深度学习。你现在把它们称作为人工智能的芯片，但这是处于某种特定目的而生产的产品，我同意没有人工智能芯片这一说法。”
对于无人驾驶方面，加拿大滑铁卢大学教授曹东璞认为落地可能还需要较长一段时间，因为不同国家的情况也不一样。相对来说，美国那边落地要比中国和欧洲快一些，主要是他们的交通场景简单一些，路况要好很多。
“中国这边就是通用的无人车，比如说无人轿车要想在城市里完全自主行驶的话，我估计没有个一二十年，（落地）可能够呛。”
短期内如果说落地的话，基本上是限定场景的，限定得越多落地就越快。“比如说像一些定场景的，矿山、港口，以及短泊物流和扫地车这些工程和市政用车，限定条件特别多的话，一两年或者两三年之内就落地了。”（本文首发钛媒体，作者/曹天鹏）
人工智能培训市场乱象亟待整治
原标题：人工智能培训市场乱象亟待整治●冯海宁（特约评论员）
“学完Python，可以上天”“零基础入门，小白三天也能学会”……近期，社会上涌现出各种人工智能速成班，声称可以通过几个月的学习，实现人生的逆袭。但有记者调查发现，这类机构往往存在讲师资质参差不齐、学员简历造假、培训效果被夸大等问题。
人工智能是近年来热度很高的高科技领域，也是很多人就业、创业的首选方向。据预测，到今年年底，我国人工智能核心产业规模预计将超过1500亿元，带动相关产业规模超过1万亿元。但与此同时，我国人工智能产业有效人才缺口将达30万。
在产业规模庞大、人才缺口较大、各种政策积极支持以及相关等企业为人工智能人才开出高薪等多重利好因素推动下，出现各种人工智能速成班并不意外，培训机构想利用人工智能热挣钱可以理解，但“君子爱财，取之有道”，不能为了赚钱就无视道德和法律底线忽悠公众。
比如Python仅是一种计算机语言编程工具，只是人工智能的工具，并不等同于人工智能，却被夸大为“学完Python，可以上天”。再比如，有的人工智能培训班的销售人员在招生时声称培训是线下授课，“校区环境优美”。结果报名者在缴纳了不菲的费用后，体验的却是“线下视频课”。
针对培训市场出现的这些乱象，相关监管部门应及时跟进，以维护消费者权益，规范市场秩序。目前看来，这类速成班大多存在夸大宣传的问题，有关部门应该主动介入调查，对违法者依法依规进行处罚，这样才能达到规范宣传、规范市场的目的。
人工智能产业要想健康发展，产业链条上的每个环节都应该规范运行，这是毋庸置疑的。而培训，也是这个链条中的一个环节。有关方面能否针对此类培训中存在的讲师资质参差不齐、学员简历造假、培训效果被夸大等问题，拿出全面的治理方案呢？同时，有关方面还应向公众普及人工智能相关常识，这样既能避免公众被培训机构忽悠，也能促进人工智能产品消费。
当然，相关受骗者也应依法向那些不合规的速成班进行索赔。事实上，报名者与速成班是一种契约关系，如果速成班承诺的授课方式、名企内推、工资收入等与实际情况有出入，报名者可以欺诈、违约等名义追究速成班的违法、违约责任，这也是用法治手段惩治问题培训机构的有效方式。
无论是保护消费者权益，还是规范培训机构，抑或是促进人工智能产业健康发展，都离不开监管和引导，以及法治的护航。
声明：转载此文是出于传递更多信息之目的。若有来源标注错误或侵犯了您的合法权益，请作者持权属证明与本网联系，我们将及时更正、删除，谢谢。返回搜狐，查看更多
责任编辑：