人工智能先驱人物篇之约翰·麦卡锡
今天的人工智能先驱人物篇的主角是约翰·麦卡锡（JohnMcCarthy），在1955年的达特矛斯会议上，麦卡锡与马文·明斯基共同提出的“人工智能”这个概念，标志着人工智能的正式诞生。
麦卡锡将人工智能定义为：“研制智能机器的一门科学与技术”。所以，研制智能机器始终是人工智能研究的核心问题。
科学与政治1927年9月4日，麦卡锡出生于美国波士顿一个共产党家庭。父母的工作性质决定全家需不断搬迁，从波士顿迁到纽约，然后又到了洛杉矶。
信仰爱尔兰天主教的父亲当过木匠、渔夫和工会组织者，同时也是一位发明家，拥有捻船缝机和桔汁冷冻机两项专利。
他的母亲是立陶宛犹太人，最初在联合通讯社当记者，后来在一家共产党报社工作。夫妻俩都曾参加过美国给出的，受父母的影响，麦卡锡从小就把自己对科学的兴趣与家庭的政治倾向结合起来。
麦卡锡认为自己的青少年时期平淡无奇，但事实证明并非如此。在上高三时，他得到了一份加州理工学院的课程目录，上面列出了该校一年级和二年级的微积分课本。
他买了这些书，完成了所有的练习题目。这使得他最终在1944年进入加州理工后得以免修头两年的数学课程。
1948年，他获得了加州理工学院数学学士学位，在1951年又获得了普林斯顿大学数学博士学位。
改变一生的会议约翰·麦卡锡的学术人生如何步入人工智能领域，还要从一次会议说起。
1948年9月，他参加了加州理工主办的希克森脑行为机制研讨会，大数学家、计算机设计大师冯·诺依曼在会上演讲了一篇关于自复制自动机的论文，这是一种可以对自身进行复制的机器。
尽管当时的与会人员并没有明确地将机器智能与人类智能联系起来，但冯·诺依曼的讲话却激发了麦卡锡的好奇心。
麦卡锡敏锐地将机器智能与人的智能联系起来，打算从事更深入的研究。第二年，在普林斯顿大学数学系做博士论文时，麦卡锡幸运地与冯·诺依曼一起工作。
在冯·诺依曼的鼓励和支持下，麦卡锡决定从在机器上模拟人的智能入手，主要研究方向定为计算机下棋。
此后，为了减少计算机需要考虑的棋步，麦卡锡发明了著名的α-β搜索法，这一关键问题的解决有效减少了计算量，至今仍是解决人工智能问题中一种常用的高效方法。
自动机模拟是随着时间从一个状态转入另一个状态的机器；而交互式自动机则是根据其自身状态以及它所观察到的其他自动机的状态从某个状态转入另一状态。
麦卡锡曾在冯·诺依曼理论的基础上，把有智能的东西看做是一个有限的自动机，与同样是自动机的环境项链。
冯·诺依曼听后十分赞同并敦促他把这篇论文写出来，但麦卡锡觉得自己的想法还不够成熟，于是便放弃了对利用自动机模拟人类智能的首次尝试。
不过，在十几年后，当他从事情景演算方面的工作时，有关状态和状态转换的思想再一次浮现在了脑中，制造一台像人类一样的机器的想法再一次被激起。
成就一生的会议1952年，普林斯顿大学的一个研究生向麦卡锡建议，可以找一些对机器智能感兴趣的人去收集一些该领域的文章。麦卡锡找到了贝尔实验室的克劳德·香农——“信息论”的创始人。
在人工智能方面的若干深入探讨之后，他们萌生召开一次研讨会的共识。在洛克菲勒基金会的一笔微薄的赞助下，他们邀请到当时哈佛大学的明斯基和IBM工程师罗彻斯特等几位学者，参加这次会议。
1956年，在达特茅斯学院举办的这次夏季人工智能研讨会是计算机史上的一座里程碑。这项涉及10人，耗时2个月的雄心勃勃的计划基于“我们能够精确且全面地描述人类智能中的学习以及其他特征并制造出机器以对其模拟”的构想并继续阔步前进。
2006年，会议五十年后，当事人重聚达特茅斯。左起：摩尔，麦卡锡，明斯基，赛弗里奇，所罗门诺夫
麦卡锡在提案中写道，他将研究语言和智能二者间的关系，希望通过程序计算机能“进行棋类游戏并完成其它任务”。
达特茅斯会议历时两个多月，首次提出“人工智能”这一术语，并确立了可行的目标和方法，这使得人工智能成为电脑科学一个独立的重要分支，获得了科学界的承认。
虽然大多数与会者在会后并未继续从事该领域的研究，但另外那少数人中却产生了一批在该领域影响深远的成就。这次会议给人工智能奠基人相互交流的机会，并为未来人工智能的发展起到了铺垫的作用。
在此之后，人工智能的重点开始变为建立实用的能够自行解决问题的系统，并要求系统有自学能力。
Lisp语言与分时概念1958年，麦卡锡组建了世界上第一个人工智能实验室。同年，麦卡锡发明了Lisp语言，这是人工智能界第一个最广泛流行的语言，至今仍有着广泛应用。
Lisp是一种函数式的符号处理语言，其程序由一些函数子程序组成。在函数的构造上，它与数学上递归函数的构造方法十分类似，即从几个基本函数出发，通过一定的手段构成新的函数，不仅如此，Lisp还具有自编译能力。
其实，麦卡锡只是Lisp当做一个工具，他的目标是制造具有人类智能的机器，他并未预料到它会有如此长的寿命。
该领域的编程人员都十分喜欢Lisp的最初语法，因此，Lisp语言与后来于1973年实现的逻辑式语言PROLOG并称为人工智能的两大语言。
随着工作的深入，麦卡锡希望改进这种语言的表达能力。1959年，为了展示Lisp可以明确地表达任何计算函数，他加入了一个叫做“求值”的功能。
“求值”允许程序定义新的函数或者过程，然后将其作为程序的一部分来执行。而大多数语言在执行新函数之前都会强制程序终止运行，并且“重新编译”。
由于求值函数可以带动并执行任何函数，它扮演了一种“通用图灵机”的角色，是其他计算机的通用模拟器。
如今的很多程序都必须每时每刻地运行，人们对求值这种特性的需求越来越迫切，因此大多数实验性语言都包含了求值或类似的功能。
麦卡锡另一个卓越贡献是1960年左右第一次提出将计算机批处理方式改造成分时方式，这使得计算机能同时允许数十甚至上百用户使用，极大地推动接下来的人工智能研究。
由此，他被尊称为“计算机分时系统之父”，他的研究成果最终实现了世界上最早的分时系统——基于IBM7094的CTSS和其后的MULTICS。
结语如今，人工智能已经从实验室走进日常生活，成为一门严肃经验科学，引发了计算机使用方式的一场变革，其中约翰·麦卡锡功不可没，他深刻地改变了人们与电脑和互联网的互动方式，为人工智能奠定了坚实的基础。
人工智能发展迄今最具里程碑意义的事件大盘点
人工智能（AI）已经成为当下技术领域的热门话题，也是近年来大多数重大技术突破背后的驱动力。
事实上，在人们所了解的各种宣传炒作中，人们很容易忘记人工智能并不是什么新鲜事物。在上个世纪，人工智能已经走出了科幻小说，进入了现实世界。而使其成为可能的理论和基础计算机科学也已经存在数十年的时间。
迄今为止最令人惊叹的人工智能里程碑
自20世纪初计算开始出现以来，科学家和工程师已经明白，最终的目标是建立能够像人类大脑（已知宇宙中最复杂的决策系统）一样进行思考和学习的机器。
如今使用人工神经网络的尖端深度学习是当前最先进的技术，而在这条道路上有许多里程碑。以下是人们通常认为最具里程碑意义事件的概述。
1637年－笛卡尔为创造人工智能奠定思想基础
早在机器人成为科幻小说的特征之前，科学家、哲学家勒内？笛卡尔就开始思考机器有一天将会思考和做出决定的可能性。虽然他错误地认为这些机器永远不会像人类那样说话，但他确定了机器之间的一种划分，有一天机器可能学会执行一项特定的任务，并且可能会适应任何工作。如今，这两个领域被称为专业人工智能和通用人工智能。因此在许多方面，可以说，笛卡尔的想法为创造人工智能奠定了思想基础。
1956年－达特茅斯会议
随着神经网络和机器学习等理念的出现，达特茅斯学院教授约翰？麦卡锡创造了“人工智能”这一术语，并组织了一次夏季研讨会，汇集了该领域的顶尖专家。
在这个头脑风暴会议期间，专家试图建立一个框架，以便开始学习探索和开发可以“思考”的机器。许多技术领域是当今先进人工智能技术发展的基础，其中包括自然语言处理、计算机视觉和神经网络，这都是会议议程的一部分。
1966年－ELIZA开始为计算机带来声音
ELIZA是由JosephWeizenbaum在麻省理工学院开发的，这可能是世界上第一个聊天机器人，它也是Alexa和Siri等聊天机器人的直系祖先。ELIZA代表了自然语言处理的早期实现，其目的是教会计算机采用人类语言与人们交流，而不是要求人们采用计算机代码对它们进行编程，或通过用户界面进行交互。ELIZA不能像Alexa那样说话，而通过文本进行交流，而且它无法从与人类的对话中学习。尽管如此，它为以后突破人类与机器之间的沟通障碍的努力铺平了道路。
1980年－XCON和有用人工智能的兴起
DigitalEquipmentCorporation的Xcon专家学习系统于1980年部署。到1986年，该公司每年可节省4000万美元。这一点很重要，因为做到这些之前，人工智能系统通常被认为是令人印象深刻的技术壮举，其实际使用范围有限。现在很明显，智能机器的商业化应用已经开始了，到1985年，企业每年在人工智能系统上花费10亿美元。
1988年－一种统计方法
IBM公司研究人员发布了一种语言翻译统计方法，将概率原理引入到机器学习的规则驱动领域。它解决了人类语言（法语和英语）之间自动翻译的挑战。
这标志着重点转向设计程序，以根据他们接受培训的信息（数据）确定各种结果的概率，而不是训练它们来确定规则。在模仿人类大脑的认知过程方面，这通常被认为是一个巨大的飞跃，并构成了当今使用的机器学习的基础。
1991年－互联网的诞生
这一点的重要性不容小觑。1991年，欧洲原子核研究会（CERN）研究员蒂姆？伯纳斯？李（TImBerners－Lee）将全球第一个网站放在全球互联网上，并公布了超文本传输协议（HTTP）的工作原理。几十年来，计算机一直在连接以共享数据，主要是在教育机构和大型企业进行。但是，全球互联网的到来是整个社会将人们带入网络世界的催化剂。在短短的几年内，来自世界各地的人们以前所未有的速度连接、生成和共享数据，而这是人工智能的燃料。
1997年－深蓝击败了世界象棋冠军加里卡斯帕罗夫
IBM公司国际象棋超级计算机并没有使用当今标准认为是真正的人工智能的技术。从本质上讲，它依赖于“蛮力”的方法来高速计算每个可能的选项，而不是分析游戏并在游戏中学习。然而，从宣传的角度来看，这一点很重要，引起了人们的注意，即计算机的发展非常迅速，并且越来越能够胜任人类以前从未挑战过的活动。
2005年－DARPA大挑战赛
2005年是美国国防高级研究计划局（DARPA）举办大型挑战赛的第二年，这是一场在莫哈韦沙漠中超过100公里越野地形的自动驾驶车辆比赛。2004年，所有参赛者都没有成功完成这项挑战。然而，在接下来的一年里，有五辆自动驾驶车辆获得成功，斯坦福大学开发团队的自动驾驶车辆以其最快到达而获得殊荣。
其比赛的目的是促进自主驾驶技术的发展，当然也做到了这一点。到2007年，为自动驾驶车辆建造了一个模拟的城市环境，这意味着他们必须能够处理交通规则和其他移动车辆。
2011年－IBMWatson在Jeopardy！竞争中获得胜利
认知计算引擎Watson与电视游戏节目Jeopardy！的冠军进行竞赛，并击败他们，获得100万美元的奖金。这一点意义重大，因为虽然深蓝计算机已经在十多年前证明了一种可以用数学方式描述围棋游戏，就像国际象棋可以通过蛮力计算来征服，计算机在基于语言的环境下击败人类，这种创造性思维游戏是闻所未闻的。
2012年——深度学习的真正力量向世界展示——计算机学会识别猫
斯坦福大学和谷歌公司的研究人员（其中包括JeffDean和AndrewNg）发表了名为“使用大规模无监督学习构建高级特征”的论文，这是基于以前对多层神经网络（称为深度神经网络）的研究。
他们的研究探索了无监督学习，这种学习可以在数据被用于训练机器学习算法之前，消除手工标记数据的昂贵而耗时的任务。它将加快人工智能开发的步伐，并开辟一个新的可能性世界，当涉及到建造机器来完成工作时，直到现在只能由人类完成。具体来说，他们特别指出其系统在识别猫的照片方面已颇具能力。
该论文描述了一种模型，该模型可以构建包含大约10亿个连接的人工网络。并承认，虽然这是向构建“人工大脑”迈出的重要一步，但仍有一些路要走——人类大脑中的神经元被认为是由大约10万亿个连接器组成的网络连接起来的。
2015年－机器比人类“看得更清楚”
一年一度的ImageNet挑战的研究人员宣称机器目前在识图方面的表现优于人类。在这个挑战中，算法竞相展示它们对识别和描述1000张图像库的熟练程度。
自从2010年比赛开始以来，获胜算法的准确率从71．8％提高到97．3％，研究人员为此宣称，计算机可以比人类更准确地识别视觉数据中的物体。
2016年–AlphaGo得到更加深入的发展
长期以来，棋类游戏一直是展示思维机器能力的一种选择方法，2016年由DeepMind（现为谷歌公司的子公司）创建的AlphaGo在五场比赛中击败了世界围棋冠军LeeSedol，这一趋势成为头条新闻。虽然围棋的步骤可以用数学来描述，但围棋中下棋的各种变化的数量（围棋中可能有10万个以上的开局动作，而国际象棋中可能有400个开局动作）使得蛮力计算方法变得不切实际。AlphaGo使用神经网络研究游戏并在游戏中学习。
2018年－自动驾驶汽车上路行驶
自动驾驶汽车的开发是当今虚拟现实的一个主要使用案例——这个应用比其他任何一个都更能激发人们的想象力。就像那些为他们提供驱动力的人工智能一样，它们不是一夜之间出现的东西，尽管对于那些没有关注技术趋势的人来说它可能会出现。而斯坦福公司开发月球车于1961年首次亮相，最初的目的是为了探索月球车辆的功能，后来又被重新设计成一种自动驾驶车辆。
毫无疑问，2018年是人工智能发展一个重要的里程碑，谷歌公司分拆出的Waymo公司在亚利桑那州凤凰城提供自驾车出租服务。第一个商业自动驾驶汽车租赁服务WaymoOne目前正为400名支付费用的用户提供服务，这些自动驾驶汽车将在100平方英里范围内的学校和工作场所中行驶。
虽然目前每一辆车都有一名工作人员监控汽车的驾驶表现，并在紧急情况下采取控制措施，但这无疑标志着迈向未来的重要一步，自动驾驶汽车将成为所有人所面临的现实。
人工智能历史十大里程碑
人工智能得名缘由-1955
“人工智能”这个名词正式出现，最早是1955年8月31日由美国计算机科学家JohnMcCarthy和他的同事MarvinMinsky、NathanielRochester和ClaudeShannon提出的，那是确立了人工智能这一研究领域的Dartmouth学院暑期人工智能研讨项目经典提议的一部分，这个提议名为《2个月，10个人的人工智能研究》（2month,10manstudyofartificialintelligence）。
1956年Dartmouth会议被后世广泛承认为人工智能诞生的标志。会议上提出的断言之一是“学习或者智能的任何其他特性的每一个方面都应能被精确地加以描述，使得机器可以对其进行模拟。”这次会议上人工智能的名称和任务得以确定，同时出现了最初的成就和最早的一批研究者。
反向传播算法的出现—1969
反向传播（backpropagation）有时缩写为BACKPROP，是一种与最优化方法（如梯度下降法）结合使用的，用于训练神经网络的常见方法，在机器学习史上是重要的算法之一。它最早是1969年MarvinMinsky和SeymourPapert在《感知机》（Perceptrons）中提出，但直到20世纪80年代中期，才成为机器学习的主流。
反向传播要求有对每个输入值想得到的已知输出，来计算损失函数梯度。因此，它通常被认为是一种监督式学习方法，虽然它也用在一些无监督网络（如自动编码器）中。它是多层前馈网络的Delta规则的推广，可以用链式法则对每层迭代计算梯度。反向传播要求人工神经元（或“节点”）的激励函数可微。
人机对话—1966
近年来，人机对话交互技术成为人工智能的热点领域。众多业界公司相继推出了人机对话技术相关产品，如个人事务助理、手机助理、虚拟情感陪护机器人、娱乐型聊天机器人、智能音箱等等，并将人机对话交互技术作为其公司的重点研发方向。目前比较知名的产品有：Amaze的Alexa、Google的GoogleAssistant、Apple的Siri等等。
人机对话最早可追溯到1966年，麻省理工学院JosephWeizenbaum在ACM上发表了题为《ELIZA，一个研究人机自然语言交流的计算机程序》（ELIZA-acomputerprogramforthestudyofnaturallanguagecommunicationbetweenmanandmachine）的文章。文章描述了这个叫作ELIZA的程序如何使人与计算机在一定程度上进行自然语言对话成为可能。Weizenbaum开发了最早的聊天机器人ELIZA，用于在临床治疗中模仿心理医生。ELIZA的实现技术是通过关键词匹配规则对输入进行分解，而后根据分解规则所对应的重组规则来生成回复。简而言之，就是将输入语句类型化，再翻译成合适的输出。虽然ELIZA很简单，但Weizenbaum本人对ELIZA的表现感到吃惊，随后撰写了《计算机的能力和人类的推理》（ComputerPowerandHumanReason）这本书，表达他对人工智能的特殊情感。ELIZA如此出名，以至于Siri也说ELIZA是一位心理医生，是她的启蒙老师。（“Shewasmyfirstteacher!”、“…Shewasabrillantpsychiatrist.…”）
奇点理论-1982
想必你一定时不时在媒体上听到过“奇点”。何谓奇点？就是机器变得比人类更聪明的那个点。奇点的概念，最早是1982年VernorSteffenVinge在卡内基梅隆大学召开的美国人工智能协会年会上首次提出“技术奇异点”这一概念。1993年，他在美国国家航空航天局路易斯研究中心举行的一次讨论会上发表了论文《技术奇异点即将来临：后人类时代生存指南》（TheComingTechnologicalSingularity）再次简述了这个观点，论文同年刊载于《全地球评论》（WholeEarthReview）杂志上。在这篇论文中，VernorSteffenVinge系统地阐述了自己的“技术奇异点”的理论，并声称超越人类智能的计算器将在50年之内问世，并把这次变化好比200万年以前人类的出现一样重大。正是这篇文章，使“奇点”的观点流行开来。
自动驾驶终于来临-1989
自动驾驶似乎在这几年才频繁出现媒体上。世界上第一辆自动驾驶骑车是Google公司开发的吗？非也。自动驾驶汽车的展示系统可追溯至1920年代及1930年代间，但要到1950年代从出现可行的实验，并取得部分成果。第一辆能真正自动驾驶的汽车则出现于1980年代。1984年，卡内基美隆大学推动Navlab计划与ALV计划，这个被人搁置多年的想法又卷土重来，再到1987年，梅赛德斯-奔驰与德国慕尼黑联邦国防大学共同推行尤里卡普罗米修斯计划。从此以后，许多大型公司与研究机构开始制造可运作的自动驾驶汽车原型。
1989年，美国卡内基梅隆大学的研究人员DeanPomerleau就花费了8年的时间，研发出了一套名叫ALVINN（AutonomousLandVehicleInaNeuralNetwork)的无人驾驶系统，并用在了NAVLAB货车上，从宾夕法尼亚州匹兹堡到加州圣地亚哥行驶了2797英里，成功实现了自动驾驶，成为自动驾驶的祖师爷。虽然它的技术在今天来看非常原始，但是它证明了自动驾驶是可以实现的。
人脑的最后战役-1997
1996年2月10日，超级电脑DeepBlue首次挑战国际象棋世界冠军Kasparov，但以2：4落败。比赛在2月17日结束。其后研究小组把DeepBlue加以改良，1997年5月再度挑战Kasparov，比赛在5月11日结束，最终DeepBlue电脑以3.5：2.5击败Kasparov，成为首个在标准比赛时限内击败国际象棋世界冠军的电脑系统。IBM在比赛后宣布DeepBlue退役。
这是一场人类大脑和机器大脑的决战。尽管无疑DeepBlue处理信息的速度比Kasparov更快，拥有每秒超过2亿步的惊人速度。但DeepBlue的缺陷是没有直觉，不能进行真正的思考。这场比赛过程表明，DeepBlue无穷无尽的计算能力在很大程度上弥补了这些缺陷，这也反过来让人们思考，什么是思维的本质？思维是神秘莫测的吗？
这一结果尽管可能并没有证明AI除了在有明确定义的规则的问题上表现出色之外，在其他问题是否也表现出色，但这仍是人工智能领域向前迈进的一大步。
AI在Jeopardy！节目大获全胜-2011
就像DeepBlue与GarryKasparov的对弈一样，2011年，IBM的AI面临着另一个巨大的挑战，IBMWatson在挑战Jeopardy！（美国一档电视智力竞赛综艺节目）的前优胜者BradRutter和KenJennings——冠军奖获得100万美元奖金。比赛结束后，被Watson碾压的KenJennings打趣说：“我，作为一个人，欢迎我们的新机器人霸主。”（I,forone,welcomeournewrobotoverlords.）
Watson是能够使用自然语言来回答问题的人工智能系统，由IBM公司的首席研究员DavidFerrucci所领导的DeepQA计划小组开发并以该公司创始人ThomasJ·Watson的名字命名。IBM介绍时说“它是一个集高级自然语言处理、讯息检索、知识表示、自动推理、机器学习等开放式问答技术的应用”，并且“基于为假设认知和大规模的证据搜集、分析、评价而开发的DeepQA技术”。
AI的认猫事件-2012
以前，如果没有人类和大量现成数据的帮助下，人工智能甚至都不能分辨出猫的照片。但在2012年6月，Google的研究人员JeffDean和AndrewNg用1.6万块电脑处理器构建了全球最大的电子模拟神经网络，并通过向其展示自YouTube上随机选取的1000万段视频，考察其能够学到什么。结果显示，在无外界指令的自发条件下，该人工神经网络自主学会了识别猫的面孔。该成果表明Google在人工智能领域已取得重大进展。
AI打败围棋世界冠军-2016
2016年3月，GoogleDeepMind的AlphaGo在四场比赛中击败了围棋世界冠军李世乭。全世界有6000万观众观看了这场比赛。这是一个具有里程碑意义的事件，因为围棋中可能的落子位置数目比宇宙的原子总数还要多，把围棋所有的状态用穷举法全部列出大概需要10¹⁷⁰（相比之下国际象棋只有10⁴⁶），因此，围棋也被认为是人工智能攻克信息完全博弈游戏最后的堡垒。相比1997年IBMDeepBlue的暴力博弈树遍历而言，DeepBlue的胜利只是硬件速度的胜利和计算机的胜利。AlphaGo今天的胜利才真正是人工智能的胜利，它标志着真正人工智能时代的开启。返回搜狐，查看更多
人工智能在医疗健康领域的应用及挑战
一、人工智能概述
1.人工智能发展历程
人工智能（ArtificialIntelligence,AI）是对人的意识和思维过程进行模拟并系统应用的一门新兴科学，其发展经历了三次浪潮。1956年，美国Dartmouth大学举行的聚会是人工智能正式诞生的标志，这一时期使用机械化思考方式和逻辑学知识来解决问题，但对复杂的问题束手无策；20世纪80年代，Hopfield神经网络和BT训练算法的提出，使AI再次兴起，出现了语音识别、翻译等计划，但迟迟未进入人们的生活之中；2006年，Hinton提出深度学习技术，并随着互联网的普及和应用，AI在各个领域迅速得到发展和应用。
2.人工智能的基础和要求
人工智能的核心是算法，基础条件是数据及计算能力。因此，可以认为医疗与人工智能结合的关键要素是“算法+有效数据+计算能力”。先进算法能提升数据使用效率。在医疗领域，有效的医疗大数据是人工智能应用的基础，医疗数据的有效性包括三个方面：电子化程度、标准化程度以及共享机制。电子化程度强调数据和病历的供给量；标准化程度强调数据之间的可比性和通用型；共享机制强调数据获取渠道的便利性和合法性。随着互联网的普及，我国各级医疗机构、健康管理机构、行政机构、居民都已普遍了解互联网并链接互联网，给大数据的实现奠定了基础。
3.医疗健康领域对人工智能的需求
近年来，借助人工智能技术，开展智慧医疗成为医疗领域的热点。2017年7月，国务院印发的《新一代人工智能发展规划》提出，要建立新一代人工智能基础理论体系和关键共性技术体系，加快培养聚集人工智能高端人才。同年12月，工信部印发《促进新一代人工智能产业发展三年行动计划（2018—2020年）》，对医疗人工智能的发展做出了详细的规划，提出要着重在医疗影像辅助诊断系统等领域率先取得突破。2018年，国务院办公厅印发《关于促进“互联网+医疗健康”发展的意见》，明确支持“互联网+医疗保健”的发展，允许依托医疗机构发展互联网医院。事实上，除了医疗影像辅助诊断对AI具有巨大的需求外，辅助诊断、辅助手术、辅助护理、辅助检查、辅助医院管理、辅助挂号、辅助减少计量误差、健康管理、药品研发等医疗健康领域对AI技术都有强大需求。
随着我国人口老龄化程度不断加深，慢性病、癌症发病率逐年上升，以人力为主的各类卫生资源配置不足、分布不均的困境越发突显，AI作为一门综合性极强的交叉学科，将在医疗领域内得到越来越多的应用，并将成为影响医疗行业发展的重要科技手段。
二、医疗人工智能应用现状
目前，人工智能在医疗健康领域已得到了初步的应用，主要集中在辅助影像和病理诊断、辅助护理、辅助随访、基层医生助手、医院智能管理及辅助健康管理等方面。
1.辅助影像和病理诊断
医学影像及病理切片作为结构化数据，是AI应用的绝佳场所。2015年起举办的CAMELYON16挑战赛，比较AI和病理医生在检测乳腺癌患者淋巴结转移病理切片中转移灶的潜力，结果显示AI在诊断模拟中的表现优于病理医师。目前，人工智能辅助影像和病理诊断在国内发展迅速，2006年我国首家独立临床病理诊断专业机构——上海复旦临床病理诊断中心成立，启用数字病理远程会诊平台，免去患者来回奔波。2015年沸腾医疗有限公司以“E诊断医学影像服务平台”为核心，通过“E诊断”医学影像技术专业输出及专业精准的远程医学影像诊疗合作，实现了远程医学影像信息交互的目标。
2.辅助护理
我国台湾医院应用AI产生护理诊断，AI建议的诊断与护士建议的诊断一致百分比高达87％。国外AI已普遍运用于人们的日常生活护理中，日本研究机构Riken开发的机器人Robear，能将病人从床上抬起，帮助行动不便的病人行走、站立等；应用AI开发的机器人能为老年及瘫痪患者提供喂饭、日常照护等服务。澳大利亚养老院用机器人做护工，通过给机器人输入程序，使其可以与老年人一对一交流，消减老年人的苦闷。AI在护理领域的应用，极大减轻了护理人员负担，为患者提供了温暖且有力的服务，是应对老龄化社会的有力帮助。
3.辅助随访
随访是医院常规工作的重要组成部分，然而目前的卫生人力无法满足所有患者的随访需求。AI的发展打破了长期随访在时间和空间上的限制。2017年，海宁市中心医院首次应用AI智能随访助手，采用声纹预测思维算法，语言识别准确率高达97.5%。2018年，上海交通大学医学院附属仁济医院东院日间手术病房正式上线AI随访助手，随访助手可以根据问题模板模拟医生进行电话随访，主要询问患者出院后是否发生呕吐、疼痛、发热、伤口渗血感染等不良情况。随访助手的上线不仅大大提高了随访效率，还确保了随访信息采集的全覆盖及准确性。同时，随访助手可以根据不同的手术种类，制订个性化随访计划，通过终端自动拨打患者电话，模拟人声与患者进行术后随访沟通，并有效采集患者回答的信息。随访结束后，医务人员能清楚地了解每位患者的术后情况。
4.基层医生助手
基层医院在实现“健康中国”战略中有着举足轻重的作用，但目前其服务能力难以满足广大群众的基本需求。AI通过学习海量的专家经验和医学知识，建立深度神经网络，并在临床中不断完善，协助基层医生给群众提供高质量的服务。2017年，科大讯飞和清华大学联合研发的“智医助理”以超过合格线96分的成绩成为全球第一个通过国家执业医师资格考试综合笔试测评的AI机器人，可以辅助基层医生提升诊疗质量和效率。2017年9月，国家在安徽省旌德县首次开展全科医生机器人辅助基层医疗试点，深受基层群众欢迎。
5.医院智能管理
人工智能技术在医院的应用，能提高医院为患者提供正确治疗方案的精准性，减少了患者的不必要支出，并且能合理地为患者安排治疗计划。澳门仁伯爵综合医院应用AI技术，在电子处方系统内设置安全警示，确保用药规范，防止滥用抗生素等药物。美国IBM公司应用机器学习方法，自动读取患者电子病历相关信息，得出辅助诊断信息，实现医疗辅助诊断。
6.辅助健康管理
传统的健康管理技术在信息的获取、处理和应用上相对落后，将AI应用于健康管理，通过对健康数据实时采集、分析和处理，评估疾病风险，给出个性化、精准化的基本管理方案和后续治疗方案，能有效降低疾病发病率和患病率。健康管理机构可以通过手机APP或智能可穿戴设备，检测用户的血压、血糖、心率等指标，进行慢性病管理。国外Welltok公司利用“CaféWell健康优化平台”，管理用户健康，包括压力管理、营养控制以及糖尿病护理等，并在用户保持健康生活习惯时给予奖励。同时，为用户提供更灵活、全方位的健康促进方案，包括阶段性临床护理、长期保持最佳健康状态等多个方面。
三、人工智能存在的问题和挑战
目前，人工智能+健康医疗正在起步阶段，要保证AI在医疗健康领域应用的深入发展，仍有许多亟需解决的问题和挑战。
1.监管缺失
目前，国内尚未出台相关法律法规对AI进行监管，而作为AI的基础医疗大数据也没有完善的法律条文来规范，对数据的隐私保护、责任规范、安全性等没有明确的法律指示。AI在医疗健康领域应用的质量标准、准入体系、评估体系尚是空白，无法对AI数据和算法进行有效验证和评价，不利于监管，阻碍了AI产品在医疗健康领域的应用和发展。
2.数据质量
高质量的医疗数据对提升AI在医疗健康领域应用的准确性有着至关重要的作用，尽管我国医院的数据庞大，但大部分是非结构化数据，不能发挥出“大数据”挖掘的价值。由于疾病的复杂性，数据维度、特性各不相同，质量参差不齐，如将数据细分到每种疾病，可利用的样本量很少。同时， AI的深度学习需要使用大规模规范化数据进行训练，细微的数据误差会对AI发展产生负面影响。我国当前医院与医院、院内科系互不相连，没有统一标准的临床结构化病历报告，医生手写病历不规范，临床用药、检查等细节缺失，患者离开医院后失访率较高等各种原因，造成医疗数据错漏、数据质量低下。
3.伦理问题
AI产品做出的医疗决策是通过机器学习大量的医疗数据模拟医生做出的，大规模医疗数据在使用过程中会有泄露的风险，对个人隐私造成影响。决策是基于算法，而算法在分析数据过程中也会获得类似于人类偏见的思想，导致出现算法歧视的不良后果。算法歧视将带来一系列伦理问题，是AI不可回避的挑战。
4.医保支付
AI应用于医疗健康领域，最核心的问题是谁来买单，因此医保覆盖是一个绕不开的话题。如果由患者自费，那么市场就会缩小，AI产业无法向前发展，也很难证明AI在医疗领域的有效价值。目前，公立医院医保报销压力较大，将AI产品纳入医保，医保报销的资金压力将会激增。同时，互联网医疗由于其特殊的属性，还面临异地结算的难题。
5.人才匮乏
目前，既懂医疗又懂AI技术的复合型、战略型人才极其短缺，其中10年以上资深人才尤为缺乏。同时，医务人员对AI的接纳度不足，部分医务人员甚至对AI抱有抵触心理。AI技术的使用需要对医务人员进行专业化规范培训，在此背景下，建立完善的人才培养和人才引进机制是重中之重。
四、讨论与建议
1.加强行业指导和监管
政府部门应尽快出台人工智能相关法律法规，加强对人工智能的监管，通过强化监管，加强对数据的保护，防止数据泄露导致居民隐私受损，甚至危害国家安全。同时，还应建立AI在医疗健康领域应用的标准规范，保障AI产品的质量。此外，政府部门应明确AI在医疗健康领域的定位，明确医生不会被AI取代，AI只是帮助医生进行临床诊疗，方便患者获得高质量的医疗服务，医生仍对诊断结果负主要责任。政府部门应理性看待新一轮的AI浪潮，提升居民对AI的接纳度，积极引导居民、资本和相关机构按更加合理的速度和方向发展医疗AI。
2.加强核心技术人才培养
面对AI人才匮乏的严峻形势，政府要加强人工智能领域专业建设，培养AI算法和技术方面的优秀人才。推进“新工科”建设，形成“人工智能+X”复合专业培养新模式，推动AI领域国家级精品在线课程建设。同时，建立人工智能学院、研究院或交叉研究中心，引导高校通过增量支持和存量调整，加大对人工智能领域核心人才的培养力度。在职业院校大数据、信息管理相关专业中增加人工智能相关内容，培养人工智能应用领域技术人才。另外，要加强对医务人员使用AI的技能培训，保证AI产品能更好地服务于临床实践。
3.夯实数据基础
IBM公司用于辅助医生设计癌症治疗方案的AI产品沃森，由于使用的不是真实患者的数据训练沃森，沃森开出了不合适且危险的治疗方案。可见，数据的质量和数量是AI竞争的核心所在，目前互联网的基础体系已初步健全，但仍存在许多虚假数据，这与脱离统计模型的桎梏、用全数据即真实数据直接分析的大数据初衷相悖。因此，应打破医疗机构、政府部门的数据壁垒，建立数据共享机制，促进不同机构之间、地区之间的数据联网，形成真正的大数据。由于医疗健康数据种类繁多、标准不统一，应加快医疗数据电子化、标准化的进程，形成规范化AI数据集，夯实AI应用的数据基础。同时，加强信息隐私保护建设，研究数据脱敏技术，保障医疗数据可以实时、准确地进行流通，避免数据泄露的风险。
4.深度推进互联网应用
目前，我国东部地区医疗健康机构已具备互联网基础，但部分中西部地区尚有欠缺，而这些地区由于经济水平较低、医疗水平较差，对远程医疗、人工诊疗助手等AI需求强烈，建议国家有侧重地对中西部地区互联网建设给予政策倾斜，促进互联网应用的全面发展。加强基层医疗机构互联网应用，引导优质的医疗资源下沉至基层，实现资源共享，提高医疗服务水平，推动分级诊疗制度。
五、小结
人工智能的记忆力和计算能力远优于人脑，且可扩充脑容量、延伸脑功能、增强脑负荷，能够成为基层医生的智囊、三甲医院医生的秘书，弥补卫生人力资源不足。目前，我国人工智能尚处于起步阶段，仅具有计算智能，“人工智能+医疗健康”应用的领域将会越来越广，尤其适合社区，通过早发现、早诊断、早治疗，有针对性地进行人群健康干预，降低后续的医疗成本。在医院管理方面，AI可简化行政管理和临床医疗管理流程；在影像诊断领域，AI可快速阅读成像，进行分析和诊断；在医疗资源方面，AI能解决昂贵的剂量误差问题；在诊疗方面，AI可为特定病种初诊，进行辅助手术。总之，AI将在人类生命健康全周期中发挥更大的作用，但真正用于卫生健康的核心领域可能还需一个漫长的过程。
作者：金春林、何达，上海市卫生和健康发展研究中心（上海市医学科学技术情报研究所）。