罗亮：人工智能驱动思想政治教育创新的时代价值与实践策略
人工智能是引领新一轮科技革命和产业变革的重要驱动力，正深刻改变着人类的生存境遇。习近平总书记指出，要“高度重视人工智能对教育的深刻影响，积极推动人工智能和教育深度融合，促进教育变革创新”。[1]思想政治教育也要始终瞄准人工智能驱动下社会的变革，致力于培养能与机器人竞争、协作的时代新人。人工智能既是思想政治教育创新的环境约束变量，也是创新进程的驱动性因素。人工智能对思想政治教育创新具有重要的时代价值，也使思想政治教育面临着巨大挑战。
一、人工智能驱动下思想政治教育创新的时代价值
人工智能的发展为思想政治教育带来巨大机遇与挑战。人工智能驱动思想政治教育创新是思想政治教育因事而化、因时而进、因势而新的必然要求，具有重要的时代价值。
1.实现信息技术与思想政治教育融合发展
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。[2]人工智能是信息技术的最新前沿，人工智能驱动思想政治教育创新能够推动信息技术与思想政治教育融合发展，主要表现为两方面；一方面，在思想政治教育中开启人机协同。人工智能驱动下，人类生活在真实世界和虚拟世界的自然切换与融合中。思想政治教育重在引导教育对象妥善处理人与人、人与社会、人与自我的关系。随着人工智能的广泛应用，机器成为社会生活的重要组成部分，“人机共处、人机共生、人机共治"将成为可能。思想政治教育要顺应这种趋势，以促进人的全面发展为导向，建立人机协同的思想政治教育体系，将人机协同融入教育教学、决策管理、评估等各个方面。另一方面，牢牢占据融合发展中人的主体地位。人工智能不仅是工具，还逐渐成为一种思维与生活方式。无论是当前的弱人工智能阶段，还是未来的强人工智能阶段，都应该是辅助融合而非替代思想政治教育主体地位。人工智能技术强大的数据集成、算力算法容易使人产生路径依赖。思想政治教育主体不仅是技术产品的使用者，还要彰显人的主体地位，成为数据集成、算力算法的掌控者。
2.提升思想政治教育亲和力
人工智能驱动思想政治教育创新，将推动思想政治教育的亲和力进一步提升。一是教育主体亲和力提升。人工智能的应用，可以替代教育主体简单重复、琐屑繁杂的工作内容，如数据统计、信息传达、资料搜集等，解放教育主体，提升其工作效率，让教育主体有更充足的时间和精力来从事面对面的深度交流和创造力的激发等工作。此外，依托人工智能，教育主体对受教育者知识层次、能力水平、情感表现有更深刻精准的洞察，从而开展更具亲和力的教育。二是教育过程亲和力提升。教育过程中，教师“知识权威”的角色终结，人工智能帮助教师成为学生的合作者、支持者、帮助者、引导者，全面支持学生个性化、合作化学习。利用云技术等链接、汇聚、叠加更多专家智慧，创造性运用多种教学资源、方法工具，呈现“最强教育大脑”，突破传统班级授课制的局限，实现师生深度互动。三是教育内容亲和力提升。大数据的收集、检索、储存等技术的进步，使教育内容充盈丰沛，但也造成了受教育者信息检索、知识运用的巨大障碍。通过人工智能算法，实现教育内容自动供给、精准分发和智能推荐，更好地为每一位学习者推荐合适的内容，减少因教育内容筛选产生的心智损耗，真正实现因材施教。四是教育环境亲和力提升。依托人工智能技术智能教学、智能服务、个性化辅导，支持多样化学习需求；基于关键词分析、社会网络分析等可以对思想政治教育全周期进行可视化分析，思想政治教育一体化智能教育环境逐步形成，从而提升了教育环境的亲和力。
3.推动思想政治教育精准化
思想政治教育创新的落脚点在于更好地培养人，要求推动思想政治教育精准化。一是对教育对象精准画像。思想政治教育创新的重要逻辑前提是对教育对象的精准画像，有的放矢，实现“靶向教育”。以往受限于技术，数据采集存在诸多不便，教育对象往往按照专业、年级等大而化之进行分类。而现在通过采集和分析学生党团活动参与、社交媒体使用、专业学习、就业创业、实习实训等行为产生的数据痕迹，可以对学生进行全样本、全过程、跟踪式的全维观照，从情感、态度、兴趣、价值观等多维度进行精准“画像”。二是精准追踪思想与行为。思想政治教育过程的基本范畴是思想与行为调适。人工智能驱动使海量数据的收集与相关性分析，密切追踪思想动态成为可能。以大数据挖掘和把握切入师生思想深处，分析其精微思想动态，使把握师生的思想动态与变化规律，透视师生的思想观念成为可能。同时，微观层面的智能考勤、智能批改、智能图书、智能餐盘、智能门禁，宏观层面的智慧课堂、智慧校园，使精细掌握师生行为动态具有了可能。三是精准透视思想与行为的差距。思想政治教育的成效在于促进思想境界的提升并外化为行为表现。以往通过静态的问卷进行表层的归纳，难以观照到思想与行为之间的差距。人工智能驱动下人们行为和喜好等各类丰沛的数据能够被收集利用，通过大数据收集，不仅能密切追踪师生思想行为轨迹，还能进行系统相关分析，由数据痕迹挖掘隐藏的思想动态，更为立体精准地透视思想与行为的差距。
二、人工智能驱动下思想政治教育创新的态势呈现
1.思想政治教育决策更具科学性
思想政治教育决策是为实现教育目标在多个可行性方案中作出判断并确定选择的过程。人工智能驱动下思想政治教育决策更具科学性。第一，由经验型决策转变为数据型决策。传统的思想政治教育决策方法有：专家研讨法、集体磋商法、经验判断法、系统分析法、试点方法。[3]各种方法的运用依靠的是教育者的个人经验对教育对象的思想行为进行判断以制订决策，而人工智能“利用大数据得以在全面坚实的经验基础上改善其决策的质量”。[4]第二，由封闭型决策转变为开放型决策。传统思想政治教育决策的依据是主体的经验和有限的数据，决策的过程是民主集中，决策的形式往往通过会议，相对封闭。而“人工智能算法可以根据数据信息进一步产生教育决策报告，从而更好地改善学校和地区的教育”。[5]人工智能技术将赋予教育管理信息系统新的功能，对学生、家长、用人单位、政府、社会等多维度的海量数据进行分析，从而助力学校和地区教育决策。第三，由滞后型决策转变为动态型决策。传统思想政治教育决策按照“目标锁定—方案制作—方案选择—实施调适”的决策流程进行，过程较为漫长，相应的数据收集均有时间间隔，方案调整也显滞后。伴随着移动终端的普及和5G技术迅速发展，数据反馈的即时性成为可能，实施过程调适呈现常态化，决策流程更显动态性。
2.思想政治教育管理更显有效性
思想政治教育管理是指对各要素进行有效配置以促成教育目标实现的过程。人工智能驱动下思想政治教育管理更显有效性。第一，管理者获享技术赋能。思想政治教育管理者如机构、组织及教师等得到人工智能技术赋能得以提升管理效率，实现数据共享、协同发力，如学校各级党组织可以通过各类党建及思想动态大数据平台，敏锐把握学生思想动态，确定教育方案。第二，管理对象得到个性关照。针对学生特定的家庭背景、成长环境、兴趣爱好和能力特长，人工智能驱动下，丰富的反馈数据流向教师和管理者。教师和管理者不再仅凭主观判断选择管理方式，大数据分析将协助管理者遴选最有效的甚至是“个性定制”的管理方式。依托人工智能技术赋能，规范管理的严格要求和个性管理的教育方式结合起来，能够使管理对象得到个性关照。第三，管理流程呈现可视化。思想政治教育管理流程包括确立目标、制订计划、完善机制、监督检查、总结激励等系统流程。借助机器参与管理，使管理流程数据化，将以往隐藏在幕后的管理流程变得可视化和清晰化。比如，构建校园安全应急管理智慧平台，贯通学生在校生活、管理、学习各种数据的“最后一公里”，通过对数据的集聚分析，探究各种因素之间的相关性，一旦突发安全事件，及时启动应急管理，并对应急管理流程及时调整。管理流程可视化将极大提升管理的时效度。
3.思想政治教育实施凸显精细化
思想政治教育实施包括思想政治理论课和日常思想政治教育的开展。依托智慧校园建设，借助“智能管理系统”、“一站式智能服务系统”、“个性化教育智能伴学平台”，高校可以打造良好的校内外数据链接以及校内数据闭环，围绕师生成长发展需要，增强供给能力，在思想政治理论课、心理健康教育等领域，提供高颗粒度的精细化服务。第一，思想政治理论课教学精细化。各种人工智能教学工具将助力教师从大量程序性、常规性任务中解放出来。思想政治理论课的学情分析、课堂设计、内容讲授、教学互动、成绩测评、作业批改等环节都将得到更为精细化地实施。教师借助人工智能教学工具，清晰掌握教学对象的知识水平、能力状况、价值倾向，在教学中调整重点难点，更有针对性地开展教学互动，实现定制化、跨学科教学网络视频资源、社会案例资源的在线供给，提升课堂讲授的效率和吸引力。利用VR、AR技术，可穿戴设备，建设虚拟仿真实验室，开展虚拟仿真实践教学。第二，心理健康教育精细化。通过构建学校心理健康教育智慧平台，形成教育教学、实践活动、咨询服务、预防干预的全周期、全流程、智能化的心理健康教育工作格局。通过心理健康智慧平台，分析学生心理测评普查数据，不断提高心理健康素质测评的全员性和科学性，提升心理危机预防干预的有效性。依托智能平台，实现数据流贯通，搭建学校、院系、班级、宿舍四级预警防控智能体系。
4.思想政治教育评估提升实效性
评估是确定思想政治教育实际效果的关键环节，是对于目标是否达成、内容是否合适、方法是否适切、互动是否有效的全方位评判和估量。科学评估有利于受教育者获得感提升，有利于教育者及时调整教育方案，避免教育资源浪费。第一，保障及时性评估。依托计算机视觉、自然语言处理、机器学习等技术，可以构建思想状态预测模型，为及时评估提供保障。基于相关行为数据实时测量情绪动态和心理动态，分析思想状态，从而有针对性地调整思想政治教育方案。依托自适应学习系统、辅学机器人，分析课堂行为、教学数据，对于教师的教学方式、教学语言表达、教学节奏及时进行评估，帮助教师及时调整教学方案，提升教学质量。第二，支持过程性评估。人工智能通过大数据收集，使教育过程数据都得以留存，从而支持过程性评估。过程性评估将评估嵌入学生接受思想政治教育的全过程，需要强大的算力算法支撑和数据收集、储存、筛选能力。智能机器能够“不眠不休”地持续进行数据收集和模型分析，使过程性评估得以实现。通过对学生接受思想政治教育课程、活动前后的思想动态、情绪表征进行相关性分析、可视化对比，开展诊断性、发展性和引导性的评估。第三，推动全面性评估。全员、全过程、全方位育人，需要推动全面评估来牵引带动。以往受限于技术，思想政治教育往往停留于知识层面的评估。依托强大算力支持和算法设计，面向教育对象的全员、全过程、全方位数据留存和痕迹保留，发现全面数据背后的相关性，推动全面性评估。
三、人工智能驱动下思想政治教育创新面临的问题与挑战
思想政治教育创新的本质是通过推进理念思路、内容形式、方法手段创新，培养社会主义建设者和接班人。人工智能驱动下的思想政治教育创新，其本质只能得到加强，而不能被削弱。但人工智能也使思想政治教育创新面临诸多问题和挑战。
1.数字鸿沟
“数字鸿沟”是指因对人工智能技术的拥有、运用程度的差别而造成的信息落差及贫富两极分化的趋势。少部分精英群体掌握人工智能技术，成为资源的垄断者。思想政治教育创新面临数字鸿沟挑战，具体而言包括两方面；第一，应对人工智能带来的教育不公。数字鸿沟会加剧现有的不平等和分歧。边缘化和贫穷人口更有可能被排除在人工智能教育之外，产生一种恶性循环。如何缩小人工智能所带来的日益加剧的数字鸿沟，以促进公平性和全纳性，是教育面临的重大挑战。思想政治教育也应该将全纳和公平作为重要理念，融入人才培养全过程，着眼于普遍提升学生数据素养。通过全体学生数据素养的提升，理解大数据，善于收集分析并运用大数据，遵循大数据使用伦理，应对数字鸿沟挑战。第二，应对“机器换人”带来的就业机会被剥夺。思想政治教育创新应对就业机会被剥夺的问题，根本在于提升抵御机器的能力。未来能被机器取代的能力主要表现为“确定性、完全、静态的、单任务和有限领域”的五种形态，解决“规则十分明确的、定义十分清晰的任务”的能力。[6]人工智能在创新创造、领导能力、同理心、协作和沟通等软技能方面仍然薄弱，涉及非结构化任务的工作对于人工智能来说很难，不容易被替代。思想政治教育需不断提升学生的创新性思维能力、批判性思维能力、沟通合作能力、自我发展和管理能力。
2.隐私侵犯
思想政治教育工作者在利用语音识别、图像识别、人机对话等功能，分析学生家庭经济状况，记录学生学习、生活和行为数据，综合分析学生思想动态，为学生提供个性化教育管理服务的过程中，学生的隐私权有可能被侵犯。思想政治教育创新既要充分利用人工智能技术，又需要积极应对隐私侵犯的挑战。一是牢固树立隐私保护理念。“任何人要在教育规划中应用大数据，取得学生和家长对其教育数据可被分析的信任是至关重要的。”[7]二是推动建立隐私保护制度。加强对人工智能运用于思想政治教育的潜在风险研判，确保人工智能安全、可靠、可控。积极探索人工智能驱动思想政治教育的制度解决方案和治理模式，对于师生大数据的源头抓取、相关分析、实际运用设立严格的规章制度，以保护师生隐私。三是将隐私保护作为思想政治教育考核评价的重要指标。思想政治教育考核评价体系是创新的重要推动力。隐私保护作为考核评价的重要指标，将隐私保护的技术规范、科学举措、实际成效纳入年终考核评价，推动隐私保护的持续改进。
3.刻板效应
当机器越来越智能，对学生思想行为的预测越来越精准，就会反过来形成一种刻板效应；完全依据过往的数据来预测教育对象，而忽视教育对象改变的可能性。刻板效应忽视了教育的塑造、发展功能，完全依赖过去的数据来判断未来生成，以所谓“私人定制”实则只是过往的“自我延伸”而忽视“发展可能”，必然导致一部分人成为人工智能驱动的受害者而非受益者。应对刻板效应的挑战，需要从两方面着力；一方面，谨慎使用过往数据。“对过往数据的永久留存，以及可能不公正决定我们的命运并剥夺我们未来的概率预测。它们将对人的隐私和自由造成深远的影响。”[8]需要谨慎对待过往数据，审慎判断过往信息数据与现在学生思想政治素质的关联。另一方面，限定人工智能技术使用的边界。人工智能技术在思想政治教育中的使用需要严格限定边界。人工智能不能成为记录学生行为习惯，掌握学生全周期活动轨迹和信息，诱导学生形成表演型人格的监控工具。智能评价系统的单一评价需要与教育者的日常观察、谈心谈话等方法紧密结合，强调教育者在学生教育、评价中的作用。
四、人工智能驱动下思想政治教育创新的实践策略
1.强化人工智能发展的价值引领
人工智能不是在脱离人类社会的真空中产生和运行的，而是深深植根于社会现实。主流价值导向是人工智能的“方向盘”，需要不断强化人工智能发展的价值引领。第一，为人工智能从业者进行价值观引领。高校是人工智能技术发展的前沿阵地，高校师生是人工智能从业者(包括开发者、创业者、政策制定者)的主力军。思想政治教育应该面向高校师生，尤其是人工智能相关专业的师生，对他们进行社会主义核心价值观教育。同时要求人工智能应用程序应促进包容和平等，推进全纳性人工智能应用，帮助每个人享有公平、适切且优质的终身学习机会。第二，人工智能驱动思想政治教育创新必须坚持正确的政治方向。人工智能驱动思想政治教育创新过程，需要依据社会主义伦理、法律、政治等主流价值规则确立基本算法，全面落实立德树人根本任务，利用人工智能推动人才培养模式变革，使大学生坚定“四个自信”，防止人工智能发展失去政治方向，使人陷入认识偏执、隐私泄露、信息茧房等问题。第三，人工智能驱动思想政治教育创新要凸显发展性。“人工智能时代，学习或教育本身不是目的，我们真正的目的是让每个人在技术的帮助下，获得最大的自由，体现最大的价值，并从中得到幸福。”[9]人工智能为社会转型带来了新的曙光，相对于其他教育体系来说，思想政治教育体系更需要超前部署、未雨绸缪，通过智慧的教育培养智慧的人，巩固教育者的主体地位，充分发掘生命的内在潜质，在人与机器人共舞的时代充当领舞者。
2.推进思想政治教育与人工智能学科交叉融合
人工智能驱动思想政治教育创新必须遵循学生成长成才规律、智能教育规律，需要跨学科协同探索，推进思想政治教育与人工智能学科交叉融合。一是强化马克思主义理论学科的引领作用。人工智能驱动并未在本质上消解马克思主义理论，相反在看似创新突变的技术背后，更需马克思主义理论澄清智能时代思想政治教育的现象与本质、内容与形式、偶然与必然，推进智能时代思想政治教育学科建设，以学科建设来不断推进智能型人才培养。二是强化思想政治教育学科与人工智能等学科交融渗透。人工智能驱动思想政治教育创新涉及复杂而又庞大的推理和决策系统，既要融合计算机科学和统计学的技术及理论，又要融合教育学、学习科学、心理学、脑科学、认知神经科学等的成果，不断推进“人工智能+思想政治教育”交叉学科的建设。在人工智能学科建设注入人文关怀，就人工智能伦理形成共识，时刻坚持将人工智能造福于人类作为首要原则。在思想政治教育学科建设中，真正推进人工智能技术的运用。人工智能驱动的思想政治教育应围绕人的发展展开探索，而非在技术的绑架下追求教育的“智能化”。
3.提升思想政治教育师资队伍智能素养
人工智能素养主要是指具备理解人工智能的运作方式，并能与人工智能协作的知识、技能、情感、态度、价值观等素养的综合。思想政治教育教师具备人工智能素养，才能了解人工智能如何改善思想政治教育，掌握数据分析技能，善于对数据进行收集、挖掘、分析、处理，并能够批判性地看待人工智能的影响方式，致力于培养学生不被机器取代的能力，提高学生理解、运用人工智能的能力。首先，强化培训培养。学校要不断推进智能校园建设，加大对智能校园软硬件建设的投入，真正重视教师智能素养提升，形成思想政治教育工作者智能素养提升的长效机制。定期举办面向思想政治理论课教师、党务干部、辅导员、班主任、心理健康教育教师等的智能素养提升专题培训班，针对数据驱动、共创分享、人机协同等进行模块化的精细培训，邀请人工智能领域的专家和业务精湛的思想政治教育工作者就智能素养提升进行讲解。鉴于国外智能教育学科较为成熟，还可以鼓励思想政治教育工作者参加海外研修，扩大国际交流，以国际化视野进一步提升智能素养。其次，强化考核评价。以考核评价为牵引，激励教师智能素养提升的主动性。将智能素养提升纳入师资队伍年度考核和职称晋升、职务竞聘环节。对于智能素养较高的教师要进行奖励，选树人机协同的典型。各主管部门及高校要为教师智能素养提升提供科研平台，设立专项课题，鼓励教师开展智能素养提升方面的研究。搭建交流平台，不断提炼教师智能教育经验，形成智能教育的示范案例。再次，鼓励思想政治教育工作者开设人工智能相关课程，在智能思想政治教育领域实现专业化、专家化发展。
4.构建人工智能驱动思想政治教育创新多方协同
思想政治教育创新既涉及思想政治理论课教学全过程，也涉及思想政治工作管理、服务全环节，贯通学校、家庭、社会、政府的各体系。人工智能驱动思想政治教育创新多方协同策略，体现在三方面：第一，学校与学校协同，促成智慧校园数据共享。人工智能驱动思想政治教育创新是基于师生思想行为的信息与痕迹，从中提取有效的内容纳入思想政治教育系统设计。通过智慧校园的数据共享，各学校之间协同，可以在就业创业、心理健康教育、实践育人等领域的课程资源、师资建设、案例积累等方面形成数据共享，产生协同效应。第二，学校与地方协同，与智慧城市建设相衔接。无论是学生的精准资助、志愿服务，还是实践育人的稳步推进，都需要借助智慧城市的数据共享，从而提升思想政治教育的实效。以精准资助为例，要借助智慧城市社会保障和脱贫攻坚数据，形成大学生家庭经济困难指数，从而开展精准资助。通过与智慧城市建设相衔接，思想政治教育的数据支撑、资源整合由校内延伸至校外。第三，学校与人工智能企业相协同，推动智能教育发展。思想政治教育利用人工智能驱动来进行创新，需尊重大学生用户体验。各种智能技术的使用，必然不是标准化、模板化的，而应结合校情来进行智能定制。因此，需要与人工智能企业深度协同，从而将现有商用人工智能技术安全精细化地融入思想政治教育环节中。
参考文献：
[1]习近平向国际人工智能与教育大会致贺信[N].人民日报，2019-05-17.
[2]习近平致信祝贺第三届世界智能大会开幕强调：推动新一代人工智能健康发展更好造福世界各国人民[N].人民日报，2019-05-17.
[3]张耀灿等.现代思想政治教育学[M].北京：人民出版社，2006：434.
[4][7][8][英]维克托·迈尔-舍恩伯格，肯尼思·库克耶.与大数据同行-学习和教育的未来[M].上海：华东师范大学出版社，2015：119，135，71.
[5]任友群，万昆，冯仰存.促进人工智能教育的可持续发展—联合国《教育中的人工智能：可持续发展的挑战和机遇》解读与启示[J].现代远程教育研究，2019(5).
[6]郑勤华，熊潞颖，胡丹妮.任重道远：人工智能教育应用的困境与突破[J].开放教育研究，2019(4).
[9]李开复，王咏刚.人工智能[M].北京：文化发展出版社，2017：290.
作者：罗亮，西南大学校团委副书记、副教授。
（微信扫描分享）
人工智能的主要优势是什么
人工智能正在各种规模的公司中流行。它推动了各个组织和行业的巨大转变。因此，了解一些令人兴奋的优点将很有用。
人工智能的主要优势是什么？
减少常规人工智能通过使我们的日常工作自动化来实现进化。毫无疑问，机器在细致的任务上超越了人类。通过自动执行常规任务，机器人可以承担与分析、细微判断和问题解决相关的工作。
因此，在工作中应用人工智能将减少工作量，使人类有能力提升自己的技能。摆脱单调的工作，员工将能够专注于工作的创造性。最终，人与机器的结合将使世界变得更美好。
风险较小在危险任务中使用AI功能将减少人类安全风险。人工智能技术将克服许多限制。例如，它可以帮助预测野火威胁并在无人机的帮助下进行扑灭。除此之外，人工智能还参与了解决气候变化的主要原因之一-森林砍伐。AI系统可以检测并传输非法日志记录的声音。现代AI驱动的机器人技术和自动水下机器人允许访问海床以收集海洋生态系统数据，并为各种物种提供了新的思路。
人工智能驱动的机器人可以处理辐射，因此它们在核能工业中经常用于清除碎片，特别是在灾难发生后。即使不能消除危险，机器人也可以带来巨大的价值，有助于应对灾难。
人工智能的主要优势是什么？
没有刹车为了提高生产力，人们需要时不时地保持精力充沛。人工智能驱动的机器可以大大增强这种人类弱点。他们不会感到疲倦，无聊或分心。基于人工智能的机器无需休息。一旦编程了很长的时间，它们就会24x7全天候工作。此外，他们还可以承担一些额外的工作，并且容量更大。
没有人为错误人类倾向于生理，疲劳，压力，情绪，衰老等。所有这些都可能对决策产生不良影响。例如，压力过大的医生或坠机飞行员可能犯下致命的错误，这将导致悲剧，更不用说醉酒司机造成的事故了。
没有减速增强人类工作能力也是人工智能的优点。例如，人工智能减少了审查保险索赔的时间。当保险公司花几天时间做出决定时，人工智能机制可以在几分钟之内应对。尽管如此，先进技术仍需要人类洞察力来塑造采用创新解决方案的方式。
更少的琐事一些AI助手甚至可以理解请求的上下文，并在所有设备之间进行数据同步，例如电话，汽车，电视甚至冰箱。因此，可以从房屋内外的任何地方控制它们。
人工智能驱动的智能家居不仅使生活更简单，更富有活力，而且还有助于节省金钱并减少水和能源的消耗。高效系统包括智能调节特定资源使用的设备。将这些设备集成到智能网络中后，可以进一步降低成本。
人工智能为媒体赋能
原标题：人工智能为媒体赋能人工智能有望改变媒体，重塑媒体的整个流程。未来，人工智能将融入到媒体运作的各个环节，但在媒体行业的落地，需要更复杂、更全面的架构。无论是人工智能本身还是其在传媒领域的应用，距离成熟都还有很长的路要走。当下，应基于媒体行业自身的数据构建具有针对性的人工智能系统，提升媒体与人工智能结合的成熟度。
人工智能媒体融合应用场景未来发展
媒体行业正处于融合发展的深水期和战略转型期，亟须找到媒体产业升级的新思路和新方向。随着人工智能应用的逐渐普及以及人工智能在媒体行业中一个个新的实际应用成果的诞生，我们越来越清晰地看到人工智能在推动媒体融合发展中的作用。人工智能给媒体行业带来的影响是深远的，推动着媒体运作流程中每个环节的变革，人工智能正成为媒体纵深融合的关键着力点，为媒体向智能化发展赋能。
人工智能+媒体：应用场景多元
大数据时代为媒体带来了前所未有的丰富数据资源和先进数据科学技术，但同时媒介环境变化也给行业的态势带来深度的影响。如今，受众呈现出分散化、复杂化的特征，信息量指数式增加，传统的内容生产、分发的方式及传受关系已不能满足时代的需要。媒体和媒体人正试图探索人工智能给智能媒体变革带来的新机遇，并积极寻求人工智能在传媒领域的落地。
人工智能在媒体有着巨大的应用空间，事实上，人工智能与媒体实际应用的结合已经有许多成功的案例并且在许多方面有着出色的表现，媒体行业对于人工智能技术直接或间接的运用正在不断发展,并将推广到更广泛的新场景。
高级文本分析技术
基于自然语言处理技术的文本分析技术是人工智能重要技术领域。自然语言处理（NLP）可以分析语言模式，从文本中提取出表达意义，其终极目标是使计算机能像人类一样“理解”语言。基于内容理解和NLP的写作机器人为记者赋能，可以模拟人的智能和认知行为，实现机器的“创造力”，经过对大量数据的分析和学习，形成“创作”的模板，用人机结合的方式来强化记者的写作能力。国内的媒体积极地将这一技术作为媒体内容生产方式的创新，如新华社的“快笔小新”，南方报业的“小南”等。百度人工智能开放平台推出的NLP产品“新闻摘要”，其技术原理是基于语义分析和深度学习模型，进行新闻内容的语义分析，自动抽取新闻内容中的关键信息，并生成指定长度的新闻摘要，可用于热点新闻聚合、新闻推荐、语音播报等场景。
图像和视频识别技术
图像和视频识别可以基于深度学习进行大规模数据训练，实现对图片、视频中物体的类别、位置等信息的识别。图像主体检测可以识别图像的场景、图像中主体的位置、物体的标签等。人工智能视频技术则能够提供视频内容分析的能力，对于视频中的物体和场景进行识别并能够输出结构化标签。
图像和视频技术在媒体中应用十分广泛，如内容分析、质量检测、内容提取、内容审核等方面。以媒体内容监测为例，有了人工智能图像视频技术的加持，使得非结构化媒体数据采用机器审核成为可能，通过数据集的训练建立用于审核的模型，针对画面中的元素进行追踪，对于图像及视频中的不恰当、有争议或违法内容、敏感内容、低俗内容等进行识别检测，进行标注和报警，以进行过滤和处理，可以大大减少人力的投入。
语音技术
人工智能语音技术主要包括语音识别和语音合成，它是一种“感知”的智能。自动语音识别（ASR/AVR）是基于训练的自动语音识别系统，将物理概念上的音频信息转换为机器可以识别并进行处理的目标信息，如文本。语音合成技术是通过深度学习框架进行数据训练，从而使得机器能够仿真发声。一些智能语音开放平台也提供了智能语音服务。以科大讯飞构建的智能语音开放平台为例，科大讯飞的语音输入法准确率已经能达到98%，并且输入的速度提高到了每分钟400字。越来越多的媒体开始使用科大讯飞的语音技术。
随着语音转换技术的日渐成熟，“语音-文本”双向转换技术在媒体中的应用成为可能。例如将语音识别技术在采编环节中使用，生成文本稿件并进行二次编辑。运用人工智能智能语音编译系统，将现场的语音报道生成文字版，大大提升了编辑人员原本耗时的整理工作的效率。将媒体的视音频内容转化成为文本素材，提升了媒体稿件、节目素材管理的效率。由于需要应对媒体音频和视频文件声源的复杂性和不可控性，虽然目前生成的文字稿件并不完美，但也在不断地提升和改善。
语音合成技术可以基于深度学习模型，把媒体报道的文章从文字版转换成语音版，并且接近于逼真的人声。甚至可以根据不同受众群体的需求，针对性地生成特定的声音供用户收听，打造更贴切、更有亲和力的语音体验。
人脸与人体识别技术
人脸识别是人工智能的应用中最为人所熟知的，它属于计算机视觉领域（CV）。目前人脸识别技术的主要应用包括人脸检测与属性分析、人脸对比、人脸搜索、活体检测、视频流人脸采集等方面。谷歌、苹果、Facebook、亚马逊和微软等互联网巨头争相在这一领域的技术和应用方面抢夺先机，纷纷推出相关的技术应用并不断突破创新。2018年5月的媒体报道称，亚马逊积极推广名为Rekognition的人脸识别服务，该解决方案可以在单个图像中识别多达100个人，并且可以对包含数千万个面部的数据库执行面部匹配。Facebook使用简单的人脸检测算法来分析图像中人脸的像素，并将其与相关用户进行比较，为上传到平台上的每张图片提供了自动生成的标记建议，取代了手动图像标记。
个性化推荐技术
传媒领域的大部分产品如电影、新闻、书籍、音乐、广告、文化活动等都致力于吸引受众阅读，聆听和观看媒体生产的内容。发现目标群体并把内容传播给该群体是能否达成媒体传播效果的关键一环，而个性化推荐技术解决了这一难题。这是目前在媒体中应用较为成功的人工智能技术，在媒体的内容分发过程中，个性化推荐技术为用户提供个性化体验，针对每个特定用户量身定制推荐内容，减少搜索相关内容所花费的时间。与此同时，对于人们所担忧的，由于算法主导的精准分发过程只推荐感兴趣的内容，会导致用户陷于信息茧房的问题，研究人员目前也在试图改进算法，开发“戳破气泡”的应用技术。例如BuzzFeed推出的“OutsideYourBubble”、瑞士报纸NZZ开发的“theCompanion”程序、Google的“EscapeYourBubble”等。
预测技术
现在已经开发出来的一些强大的基于人工智能的预测技术，让我们可以“预知未来”。通过时间序列（TS）建模来处理基于时间的数据，以获得时间数据中的隐含信息并作出判断。按照一定时间间隔点来收集数据，再对这些数据点的集合进行分析以确定长期趋势，以便预测未来或进行相应的分析。
当拥有时间相关数据时，时间序列模型将派上用场。例如，可以使用时间序列数据来分析某一家媒体下一年的用户数量、网站流量、影响力排名等，从而在广告投放方面作出合理决策。另外，如何及时地抓住社会热点是新闻机构所面临的重要问题，人工智能预测技术通过对海量的热点内容的模型进行训练和分析，建立热点模型，可以实现对于热点趋势的预测。
媒体需要思考的问题
人们越来越清晰地看到人工智能给媒体带来的意义与价值。在融合的时代背景下，媒体迫切需要人工智能带来推动媒体变革的潜力。与此同时，我们也不能认为人工智能可以解决媒体变革中的一切问题，技术并不是一块现成的、可以直接拿来享用的蛋糕，在媒体应用人工智能时，还需要着手考虑许多问题。
数据的完备性
媒介体系内部和外部都会产生大量的数据碎片，虽然目前数据量庞大，看似拥有海量的数据资源，但是生产的数据与可以用于人工智能的培训数据之间的匹配度还有待提升。在深度学习算法中，需要用大量的数据训练算法才能产生有意义的结果，数据的不完整性会导致准确性的下降，而准备这样的数据集的成本很高。为了实现大量的用户行为数据的积累，提高数据的完善程度，媒体需要构建大规模的数据体系和战略。为了实现人工智能在媒体中的进一步部署，媒体需要具备完备的数据源和处理更为庞大的数据系统的能力。
深度融合的方式
目前，人工智能技术还停留在初步应用层面，其深度还需要挖掘、广度还需要扩展，融合的方式也需要深入地进行探索。人工智能在媒体领域的大部分应用只是将现有的研究成果迁移到媒体行业，如果媒体想要更深入地参与到人工智能潮流中，就要积极地投入到算法的开发中，在人工智能领域中开辟出自己的空间，如此，才能使人工智能在媒体行业应用更加成熟。
数据安全与隐私
当人工智能应用飞速发展，人们很容易忽略在人工智能应用中的安全问题。2018年Facebook的数据泄漏事件折射出的数据安全漏洞引起社会关注，再一次提醒我们要严肃对待数据安全及隐私等问题。用户在媒介接触的过程中，用户数据和个人资料越来越多地交付给媒体，媒体在使用这些数据为用户提供更好服务的同时，需要权衡智能化用户体验和用户数据安全之间的关系。欧盟发布的通用数据保护条例（GDPR）于2018年5月25日正式生效，根据其条款，组织不仅必须确保在合法和严格的条件下收集个人数据，而且收集和管理个人数据的组织将有义务保护其免遭滥用和泄漏，并尊重数据所有者的权利，旨在确保人们可以掌控其个人数据。
坚守媒体的价值观和底线，保障数据安全，尊重用户隐私十分重要，媒体应思考在保护用户数据方面是否存在漏洞以及如何落实相应的人工智能安全策略。
人才培养
媒体领域对于人工智能人才的需求量还很大。要走出人才窘境，一方面要完善人才引进和培养规划，提升媒体从业人员的大数据和人工智能技能和素养，补齐人才短板。特别是要引进掌握坚实的传播理论基础，既懂媒体传播规律又懂大数据、人工智能的复合型人才，逐步形成与智能化媒体业务形态相适应的人才布局。另一方面要优化原有人才结构。当智能机器人取代部分人力成为可能，智媒时代的媒体人要在行业的巨变之中找准自己的定位，提升自己的知识技能。无处不在的“共享”和“开源”的知识使我们学习和了解人工智能行业前沿技术，例如Google发布的机器学习工具AutoML，用户无需掌握深度学习或人工智能知识即可轻松培训高性能深度网络来处理数据。
媒体和媒体人要拥抱媒体智能化的时代，破除对于新技术的“恐慌”，加快知识体系更新，使专业素养和工作能力跟上智能时代的节拍。
智能媒体：未来无限可能
虽然智能机器距离接近人类学习、思考和解决问题的能力还很遥远，但是机器取代人力是大趋势。人工智能将不断地从媒体生产链条向内容创建生产环节突破，从而帮助媒体进行内容升级和用户体验升级。
内容生产是未来人工智能在媒体行业实现新突破的重要方面，虽然人工智能目前不能超越人类的创造力，但可以承担起一部分信息收集、数据整理和内容创作的工作，将媒体人从一些重复性的繁冗工作中解放出来，从而节省出时间用于创作和创造性工作。媒体也应积极探索新的与人工智能结合的工作方式，使得工作更高效智能。
此外，人工智能将通过多种方式增强并带来更好的用户体验。通过学习用户行为，了解受众偏好从而使用户获取到感兴趣的内容，并根据用户画像定制个性化的内容。运用人工智能技术捕获处理数据，精准理解用户需求，可帮助媒体实现更加精细化的用户划分和用户分析，提供更加人性化的服务。人机交互使得用户体验更加立体化和场景化。
人工智能有望改变媒体的一切，重塑媒体的整个流程。预计未来人工智能将融入到媒体运作的各个环节。但无论是人工智能本身还是其在传媒领域的应用，距离成熟都还有很长的路要走。人工智能在媒体行业的落地，需要更复杂、更全面的架构。构建以大数据和人工智能为核心的技术生态体系，基于媒体行业自身的数据构建具有针对性的人工智能系统，提升媒体与人工智能结合的成熟度。目前人工智能技术在媒体行业的应用并不完善，但并不阻碍我们对于其发展前景的期待。
如何充分地发掘人工智能的潜力是媒体和媒体人面临的大命题，我们应思考人工智能如何更好地与媒介进行结合，尝试在融合发展面临的问题中加入人工智能解决方案。未来，机器与人的共生将成为媒体常态，我们期待人工智能为媒体带来更好的未来，在技术的助力下走向真正的智媒时代。
（作者沈浩系中国传媒大学新闻学院教授、博士生导师；杨莹莹系该院新闻与传播专业媒介市场调查方向硕士生）
(责编：赵光霞、宋心蕊)分享让更多人看到
人工智能技术在医药研发中的应用
鉴于人工智能技术在医药领域内得到越来越多的关注，以及在未来新药研发的重要位置，有必要对目前的研究及应用现状进行归纳总结。本文首先概述人工智能的主要方法，论述人工智能的特点，综述人工智能在医药研发各专业领域中的应用情况，讨论国内外实践经验，归纳人工智能应用的关键问题，最后提出建议并总结。
1
人工智能概述
1．1人工智能的主要应用领域
人工智能的主要应用领域包括机器学习、进化计算、图像识别、自然语言处理、认知计算等。除此之外，其他领域仍在持续性发展中。目前机器学习的主流研究方向也是人工智能的重要应用领域，机器学习可以通过计算获得经验来提高系统本身的性能。机器学习可以分为传统机器学习和高级机器学习，传统机器学习包括无监督学习和有监督学习等，高级机器学习则包括深度学习、强化学习和迁移学习等［9－11］。
1．2人工智能的主要发展过程与自身特点
自从1956年人工智能诞生以来，它经历了从高潮到低潮的各个阶段。最近的低潮发生在1992年，当时日本的第五代计算机并未取得成功，其后人工神经网络热潮在20世纪90年代初退烧，人工智能领域再次进入低潮期。直到2006年，GeoffreyHinton提出了深度学习的概念并改进了模型训练方法，突破了神经网络的长期发展瓶颈，人工智能的发展迎来新一轮浪潮。此后，国内外众多知名大学和知名IT企业开展了深度学习、强化学习、迁徙学习等一系列新技术的课题研究。同时，智能医疗、智能交通、智能制造等社会发展的新需求驱动人工智能发展进入了一个新阶段。
人工智能基于先进的机器学习、大数据和云计算，在感知智能、计算智能和认知智能方面具有强大的处理能力。它以更高水平接近人的智能形态存在，主要特点包括:①从人工知识表达到大数据驱动的知识学习技术。②从多媒体数据的子类处理到跨媒体交互。③从追求智能机器到高层人机协作。④从关注个人智能到基于网络的群体智能。⑤从拟人机器人到更广泛的智能自我处理系统。
内容由凡默谷小编查阅文献选取，排版与编辑为原创。如转载，请尊重劳动成果，注明来源于凡默谷公众号。
2
人工智能在医药研发领域的应用现状
本文为全面了解目前研究现状以及关注热点，借鉴杨超凡等［12］的方法，通过Scrapy(爬虫)，在百度学术以“artificialintelligenceanddrugdiscovery/research”为关键词进行英文文献搜索，得到共361篇英文文献，爬取到了每一篇文献中摘要、关键词、研究点分析以及发表时间。在进行文献搜集时只搜集了英文文献，因为一方面，人工智能在药物研发领域国外研究起步较早且研究体系相对成熟，形成对比的是国内在该方面领域研究较少;另一方面，本文要爬取信息并对文本进行分词处理，英文由标点符号、空格、单词组成，所以只用根据空格和标点符号便可将词语分开，进行处理时更为便捷和精确。
作为抽象信息的视觉表达手段，信息可视化可用于文档处理和数据挖掘。本文主要使用Python的Pandas数据分析软件包进行文献的可视化处理和可视化分析，为了符合科学的测量原理，使研究结论更加具有时间敏感性，首先需要进行数据清理。为了更形象、更直观地展现出人工智能在医药研发方面的发展趋势，将对本文年度发表文章数使用Matplotlib绘图库进行绘图分析。通过数据清洗后，分析年度相关发表论文量与发表文章数量趋势，见图1和图2。
通过以上可视化分析，可以清楚了解到人工智能在医药研发方面的研究发展趋势，与上文分析人工智能发展趋势基本一致，同时也能发现近5年人工智能在医药研发方面研究趋于减少乃至于停滞，亟须整个行业进一步投入以及寻找发展新活力。为了确认人工智能在医药研发重点应用领域，利用Python对爬取到的数据中关键词、摘要、研究点分析进行了系统的词频统计，见表1。
从上述表1关键词频可以直观看到，关键词词频数越大，说明该主题在人工智能医药研发方面中的关注度越高，研究越热。高频词中机器学习(MachineLearning)、药物研发(DrugDiscovery)、医疗保健(HealthCare)、数据库(Databases)、数据挖掘(Datamining)、数据分析(DataAnalysis)、数据可视化(DataVisualization)、数据交流(DataCommunication)、归纳逻辑编程(Inductivelogicprogramming)、癌症(Cancer)、神经网络(NeuralNetworks)、药物制剂(PharmaceuticalPreparations)、计算机科学(Computerscience)、医药制造业(PharmaceuticalIndustry)由于研究内容过于宽泛抑或与在医药研发方面的研究相关性不足所以被剔除。通过词频分析、清洗无关研究领域的词汇、综合近义词汇后最终确定了7个频次靠前的人工智能在医药研发重点研究领域:靶点药物研发(DrugTargetsDevelopment)、药物挖掘(DrugMining)、化合物筛选(CompoundScreening)、预测ADMET性质(PredicationofADMETProperties)、药物晶型预测(CrystalStructurePrediction)、病理生物学研究(Pathophysiology)、药物重定位/药物再利用(DrugＲepurposing)。人工智能的主要应用领域包括机器学习、进化计算、图像识别、自然语言处理、认知计算，7个频次靠前的人工智能在医药研发重点研究领域在这5个主要应用领域各有涉及，具体关系如图3所示。
2．1人工智能技术在医药研发的应用现状概述
2．1．1靶点药物研发
研究和开发新药的关键是寻找、确定和制备药物筛选目标分子药物靶点。靶点药物是指药物在体内的结合位点，包括生物大分子，比如基因座、受体、酶、离子通道和核酸等，而识别新的有效的药物靶点是新药开发的重中之重，因此发现和验证大量分子靶标所涉及的工作极大增加了药物开发的负担［13］。利用机器学习算法可以组合设计并评估编码的深层知识，从而可以完全应用于旧时的单目标药物发现项目［14］。研究人员首先研究了靶点选择性结合均衡小分子的可能性来确定那些最易于化学处理的靶点，对于双特异性小分子，设计过程类似于单一目标药物。关键的区别在于功效必须同时满足2个不同的目标。初创公司Exscientia是AI公司这方面的典型代表，Exscientia针对这些靶点药物通过AI药物研发平台为GSK公司的10个疾病靶点开发创新小分子药物，来发现临床候选药物［15］。Exscientia系统可以从每个设计周期的现有数据资源和实验数据中学习，这些原理近似于人类自我学习的过程，但AI在识别多种微妙和复杂的变化以平衡药效方面更具效率。Exscientia首席执行官霍普金斯表示，其人工智能系统已经可以用传统方法的1/4时间和成本得到新的候选药物［16］。目前，公司已与众多国际知名制药公司建立了战略合作关系，如Merck公司、Sunovion公司、Sanof公司、Evotec公司、强生公司。
2．1．2药物挖掘
医学、物理学或材料科学领域的专业论文非常广泛，但这些专业论文中有大量独立的专业知识和研究结果，快速且有针对性地组织和连接这些知识和发现的能力对于药物挖掘是极其重要的。使用人工智能可以从大量的科学论文、专利、临床试验信息和非结构化信息中生成有用的信息。通过自然语言处理算法的深度学习优化，分析和理解上下文信息，然后进一步学习、探索、创建和翻译它所学到的知识以产生独特结论。该技术通过寻找可能遗漏的连接使以前不可能的科学发现成为可能:可以自动提取药学与医学知识，找出相关关系并提出相应的候选药物，进一步筛选对某些疾病有效的分子结构，使科学家们能够更有效地开发新药。2016年BenevolentAI公司曾通过人工智能算法在1周内确定了5种假造药物，用于治疗肌萎缩侧索硬化。BenevolentAI使用AI算法建模来确认化合物对睡眠的潜在影响，这是解决帕金森病相关嗜睡症状的一大机会。该公司目前的药物研发产品组合表明，它可以将早期药物研发的时间缩短4年，并有可能在整个药物研发过程中将药物研发的平均效率提高60%［17］。
2．1．3化合物筛选
化合物筛选是指通过标准化实验方法从大量化合物或新化合物中选择对特定靶标具有较高活性的化合物方法，这样通常需要很长的时间和较多的成本，因为要从数万种化合物分子中选择与活性指数相匹配的化合物。Atomwise是硅谷的一家人工智能公司，开发了人工智能分子筛选(AIMS)项目，该项目计划通过分析每种疾病的数百万种化合物来加速拯救生命药物的开发。同时，该公司开发了基于卷积神经网络的AtomNet系统，该系统已经学习了大量的化学知识和研究数据。该系统分析化合物的构效关系，确定药物化学中的基本模块，并用于新药发现和新药风险评估。目前，AtomNet系统已经掌握了很多化学知识和研究资料，2015年AtomNet只用1周时间已经可以模拟2种有希望用于埃博拉病毒治疗的化合物［18］。
2．1．4预测ADMET性质
ADMET性质是衡量化合物成药性最重要的参考指标［19－20］，化合物ADMET预测是当代药物设计和药物筛选中十分重要的方法。药物的早期ADMET特性主要使用人或人源化组织功能蛋白作为药物靶点，体外研究技术结合计算机模拟研究药物与体内生物物理和生物化学屏障因子之间的相互作用。为了进一步提高ADMET性质预测的准确性，部分企业通过深度神经网络算法探索了结构特征(包括处理小分子和蛋白质结构)的有效提取，加快了药物的早期检测和筛选过程，并大大减少了研发投入和风险。典型的公司包括晶泰科技等［21］。
2．1．5药物晶型预测
多晶型现象是一种物质可以存在于2种或更多种不同晶体结构中的现象，对于化学药物，几乎所有固体药物都具有多态性。由于晶型的变化可以改变固体化学药物的许多物理性质和化学性质，因此存在几种由于晶型问题而导致上市失败的药物，因此，晶型预测在制药工业中具有重要意义。使用人工智能有效地动态配置药物晶型可以完全预测小分子药物的所有可能的晶型，与传统的药物晶型研发相比，制药公司不必担心缺少重要的晶型。此外，晶型预测技术大大缩短了晶体的发展周期，更有效地选择了合适的药物晶型，缩短了开发周期并且降低了成本［22］。
2．1．6病理生物学研究
病理生物学是一门研究疾病发生、发展和结果的规律和机制的科学。它是传播临床医学和基础医学的“桥梁”学科。病理生物学研究是医学研究和发展的基础。肌萎缩侧索硬化症(ALS，也称为渐冻症)是一种毁灭性的神经退行性疾病，确切的发病机制尚不清楚。ALS的突出病理特征是一些ＲNA结合蛋白(ＲBPs)在ALS中发生突变或异常分布。人类基因组中至少有1542个ＲBPs，并且仅发现了与ALS相关的17个ＲBPs。IBMWatson是认知计算系统和技术平台的杰出代表。IBMWatson基于相关文献中的广泛学习，构建模型以预测ＲBPs和ALS相关性。2013—2017年Watson对引起突变的4个ＲBPs进行了高度评价，证明了该模型的有效性，然后Watson筛选了基因组中的所有ＲBPs，成功鉴定了5个ALS中发生变化的新ＲBPs［23］。
2．1．7药物重定位
多年来，研究人员逐渐认识到，提高疗效的最佳策略是基于现有药物治疗某些疾病，发现新的适应证并用于治疗另一种疾病。Visanji博士与IBMWatsonforDrugDiscovery合作，使用Watson强大的文献阅读和认知推理技巧，在几分钟内筛选出3500种药物，并按最佳匹配顺序排列。然后研究人员根据这个“药物排名表”提出了6种候选药物，并在实验室进行了测试。第一种药物(已经得到FDA批准，但该适应证不包括帕金森病)已经在动物实验中初步验证［24］。
2．2人工智能技术
在医药研发方面国内发展现状我国在这方面起步相比于国外较晚，2015年百度公司和北京协和医院开展了癌症研究，结合北京协和医院医学研究优势与百度大数据、人工智能技术，找到了一个重要标志物用于早期诊断与中国大样本密切相关的食管癌，为食管癌提供早期筛查和诊断，为食管癌药物的开发提供靶标，这是中国医学研究和发展领域的重要一步［25］，这是我国人工智能在医药研发领域迈出的重要一步。
目前国内相关研究企业数量较少，仍处于起步状态。比较著名的企业有晶泰科技和深度智耀及冰州石生物技术公司。晶泰科技是谷歌与腾讯两大科技巨头共同投资的第一家人工智能公司，它也是中国第一家宣布与世界顶级制药公司进行战略合作的人工智能药物算法公司。该公司在过去严重依赖于实验和误差的一些药物研发步骤上使用药物晶型预测，以极其准确和快速的算法预测结果，帮助制药公司提高研发效率，最后加速药物开发。深度智耀是以人工智能为基础的药物研发和决策平台，以“决策大脑”为核心产品，同时公司已推出10款产品，并于近日发布了新一代人工智能药物合成系统，该系统通过大量学习公共专利和论文数据库，大大提高了科学家的工作效率［26－27］。
另外，深度智耀还推出智能化医学写作，是在自然语言处理等助力下，自动写作绝大多数药物注册类文档。冰洲石生物科技(AccutarBiotech)利用人工智能针对生物药进行药物筛选，已经利用人工智能平台进行了药物设计，其中一款药物针对乳腺癌，适用于乳腺癌常用药物tamoxifen后3～5年复发的患者，已经经过了细胞验证和初步小鼠动物实验，正在美国申请相关专利，并计划推进新药临床研究申请。
但人工智能在我国医药研发方面仍存在部分难点:
其一人才支持是一大问题，全世界大约有22000名具有博士或以上学历的人工智能从业者和研究人员，而在中国只有约600名。另外，国内人工智能人才几乎被几家主要的龙头企业所垄断。数据显示，未来中国人工智能人才缺口高达500万［28］。人才集中是任何行业进一步发展的重要基础，也是人工智能在医药行业应用的关键因素。
目前，人工智能与药学的融合提升了对人才的需求。目前，高校培训与市场需求存在差距，产出人才远远少于市场需求。国家要重视复合型人才的培养，注重培养综合人工智能理论、方法、技术、产品和应用的垂直复合型人才，以及掌握经济、社会、管理、药学的复合型人才。当地政府也需要进一步加强产学研合作，鼓励高校、科研院所和企业合作开展人工智能学科建设，开展创新型专业人才的继续教育，建立公平合理的人才评估机制。
其二，国内创新药研发起步较晚，与国外相比，对于优质数据的积累还有一定距离。但利好消息是某些国内企业比如晶泰科技，在数据积累上颇为优秀。晶泰科技的数据来源是公共数据和私有数据结合，这其中包括晶泰科技在国内外工业、学术界的合作伙伴的积累。同时，晶泰科技通过量化计算算法也可以自行生成大量高质量的数据，这是其一大优势。总体大环境上，中国的医药大数据存在数据不完整、数据质量低、数据共享水平低等问题，医药数据的数量和质量将成为制药行业人工智能发展的主要障碍。
制药行业的专业门槛很高，而且链条很长。此外，中国长期的“多头管理”制度也是导致国内药品数据极度分散的重要原因。此外，医药领域的监管政策和体制改革也很频繁，使得获得连接历史药物数据变得困难。这些都会导致医药数据统计在完整度和精准度上的不足，从而影响相关决策。因此，国家应该在原有的标准管理体系框架内，加强信息和标准的整合，加强国家、行业现有相关标准的普及推广，并出台一系列激励和惩罚措施来推动标准的应用和落地。建立一套有效、完备、真实可靠的数据评估体系，进一步提升数据质量。同时应该加快完善数据共享开放机制，发挥数据应用价值，为人工智能在医药行业应用提供有质有量的数据支撑。
其三，与当前人工智能在医药领域发展火热形成鲜明对比的是政策法规的制定相对滞后。国内目前尚未有人工智能在医药研发方面的立法，但它已经受到学术界和医药行业的关注。2018年1月6日，第一届全国“人工智慧与未来法治”研讨会在西北政法大学举行。
参会者认为，未来人工智能将不能单独提出提供人性化的法律服务，仍然需要人们完成一些辅助工作。展望未来，人工智能法律建设将涉及人格权、知识产权、财产权、侵权责任认定、法律主体地位等方面［29］。目前，人工智能创作的知识产权归属问题、人工智能研发人员法律权利和义务定义问题、人工智能可能需要监管等，都没有明确的法律法规规定［30］。缺乏法律支撑的人工智能在医药行业的前景并不明朗。为了解决以上问题，国家应该加强人工智能知识产权保护，当前许多应用由医院、科研院所、人工智能企业等多方联合开发，最终知识产权归属需要进行明确。另外，建立追溯体系，保证算法的透明，使人工智能的行为及决策全程处于监管之下，明确研发者、运营者和使用者各自的权利和义务是重中之重。
3
人工智能在医药研发中的应用总结
由大数据支撑的广泛互联、高度智能、开放互动和可持续发展的医药产业，是未来发展的趋势，借助人工智能技术推动医药产业发展具有重要意义。虽然人工智能技术在医药产业各专业领域已有较多的应用研究，但总体上还停留在初级研究阶段，在可靠性与准确性方面仍存在部分问题，离实际广泛应用尚有差距。但是，人工智能技术为医药研发带来了无限可能，还需众多医药产业相关人员与政府能够紧抓历史机遇，积极投入，深入开展相关研究工作。
参考文献
详见中国新药杂志2020年第29卷第17期
免责声明
我们尊重原创作品。选取的文章已明确注明来源和作者，版权归原作者所有，如涉及侵权或其他问题，请联系我们进行删除。
内容由凡默谷小编查阅文献选取，排版与编辑为原创。如转载，请尊重劳动成果，注明来源于凡默谷公众号。返回搜狐，查看更多