人工智能教育的现状与前景分析
人工智能和教育的关系越来越密切，因为它可能革新我们的教学方式。相关数据表明，全球大约有2.65亿儿童不能上学，还有约6亿儿童的小学数学、写作、阅读等都不熟练，而人工智能作为新兴技术，已经剧烈改变了孩子们的教育模式。
人工智能可以让声音转换成文字，能通过拍照的方式将纸上的文字全部转换为电子文档，数学、物理等学科都可以通过人工智能来进行批改。也可以帮助说方言的孩子学习普通话和外语。技术的提升和机器的运算处理不断升级，都为人工智能的发展提供了极大的动力支持，也为教育带来了更加便捷的方式。
未来AI+教育应用场景
01
教育环境
利用计算技术实现物理空间和虚拟空间的融合、基于人工智能技术作为智能引擎，建立支持多样化学习需求的智能感知能力和服务能力。
02
学习过程
在各类人工智能技术的支持下，构建认知模型、知识模型、情境模型，并在此基础上针对学习过程中的各类场景进行智能化支持，实现学习者和学习服务的交流、整合、重构、协作、探究和分享。
03
教育评价
在试题生成、自动批阅、学习问题诊断等方面发挥重要的评价作用，还可以对学习者学习过程中知识、身体、心理状态的诊断和反馈，在学生综合素质评价中发挥不可替代的作用，包括学生问题解决能力的智能评价、心理健康检测与预警、体质健康检测与发展性评估，学生成长与发展规划等。
04
教师助理
替代教师日常工作中重复的、单调的、规则的工作，还可以增强教师的其他工作能力，使得教师能够处理以前无法处理的复杂事项。对学生提供以前无法提供的个性化、精准的支持，传授知识效率大幅度提升，有更多的时间与精力来关注每个学生的身心全面发展。
05
管理与服务
通过大数据的收集和分析建立起智能化的管理手段，形成人机协同的决策模式，洞察教育系统运行过程中问题本质与发展趋势，有效提升教育质量并促进教育公平。
人工智能在传统教育领域的广泛应用，为传统的教育模式注入了新的活力。推动了教学与管理模式的变革，也使教育在一次又一次的变革中不断探索新的方向。未来，在人工智能时代，全智能化、个性化的优质教育或许离我们并不遥远。返回搜狐，查看更多
人工智能在军事领域的发展现状及应用前景
因此，俄罗斯为了维护主权和保持国防能力，必须尽快在部分关键领域获得一定优势，或者至少与潜在敌人不相上下，才能部分弥补当前俄罗斯经济的不足以及大量工业领域的技术落后。
阻止将人工智能用于军事目的是不可能的
目前，武器领域的关键方向包括：人工智能，人机交互系统，无人战车和机器人，自主武器，高超音速武器，定向能，甚至还包括民用技术，比如人才管理，就是吸引军人参与创新过程，提升俄罗斯国防部军官和文职人员的创造力。
回到人工智能，它的任务主要包括四个方面：信息任务、战术任务、战略任务和经济任务。人工智能大大提升了对数据的收集和分析能力，使得在处理信息的速度和质量方面取得一定优势。在军事情报领域，将出现更多的可能性和各种信息源，还包括对敌人掩盖真像的可能性。在“虚假新闻”方面，人工智能能够向信息空间投放大量人为制造的数据、假象，这一方面迷惑了敌人，另一方面则增加了政治风险。
即便是目前机器学习领域和人工智能领域已经达成的技术，也对保障国家安全具有巨大的潜力。
现有的图像识别技术能够保证分析卫星地图和雷达数据时的高自动化水平。人工智能能够提升导弹袭击预警系统雷达站的运行效率以及像“树冠”太空目标无线电光学识别系统这样的无线电光学识别系统的信息处理效率。此外，目前卫星微型化以及轨道卫星数量的提升将对快速识别技术出现需求。
利用10米以上波长无线电波电离层空间传播原理或者波长更短无线电波地面绕射传播原理的超地平线雷达，其信息处理系统的任务量更大。这些雷达能够“看见”所有移动目标，其中包括民用技术装备，因此，摆在面前的任务是要在全部获取的数千个甚至数百万图形中识别出军事目标，以及地面和空中的异常活动。这是数量庞大的信息和图形，没有机器的帮助是不可能完成的。此外，军队将获得所谓的“目标数据库”，这将对识别和引导系统具有帮助作用。如果说为应对带红外自动寻的头的便携式防空导弹系统，飞机或者直升机只需要发射假热辐射目标，应对雷达站，只需要释放干扰就已经足够的话，那么，人工智能系统即便不是在导弹里，而是在操作员的手中，它也能完全“看见”飞行器。
其次，超地平线雷达存在与标准“敌-我”雷达识别系统不兼容问题，因此，在分析空情时，人工智能能够起到很大的帮助作用。人工智能同样能够用于对付敌方雷达，研究敌人雷达的运行情况并选择压制无线电信号的方法。
网络空间的运行以及对不断出现的网络威胁的不间断跟踪需要大量的高技术专家。人工智能同样能够分担部分任务，因为人工智能寻找漏洞，编写代码和机器算法的速度要快得多。寻找到的“弱点”数量将非常众多并对人为控制的防御手段构成威胁。那么到时候，网络攻击将变得更加复杂和危险，相关技术落入犯罪分子之手的风险也会剧增。
机器人技术装备和自主武器
自主系统的能力目前还很有限。虽然对“发射后不管”系统已经研究了数十年，但仍然需要人的参与，人需要直接定下使用武器的决心。重型航空技术装备也一样，虽然存在自动驾驶，传感器，自动打开炸弹舱门，导弹引导和目标跟踪系统，仍然需要飞行员，攻击无人机也需要操作员的跟踪。
但普通人与现代军用技术装备的能力相比，只能说是渺小、脆弱和糊涂的有机体，而在定下战斗决心环节，则是最慢的一环。人工智能用于将人从决策体系中完全解放出来，同时也保全了军人的生命。
在战斗条件下，定下决心更快并首先实施打击的一方具有优势，因此，完全自主的系统在未来将获得巨大发展。
此外，已经出现了“反自主性”概念，根据这一概念，人工智能（武器）在遭到袭击但未被摧毁的情况下，能够迅速学习并得出结论，之后对敌人实施致命的最后一击。
战术武器运用人工智能的可能性很多，指的是能够独立寻找目标并定下摧毁决心的无人飞行器，装甲车，导弹艇。
目前，无人机的成本变得越来越低，产量也越来越大。利用人工智能能够将数千架无人机联为一个巨大的可控“蜂群”，用于发起大规模攻击。
截止不久前，洛克马丁公司的F-35第五代战斗机的造价为1亿美元。而高质量的四轴飞行器成本为1000美元。这意味着，美国国防部可以用一架战斗机的价格订购十万架小型无人机。而敌人不可能同时对付得了十万架装满炸药的无人机。
苏联和俄联邦已经能够实现将一次齐射的数枚导弹联为能够相互之间交换目标信息的“狼群”，制定行动战略并独立选择攻击目标。这里指的是P-500“玄武岩”，P-700“花岗岩”和P-1000“火山”反舰导弹系统。我们的技术很有发展前景。
美国海军正在研制将无人巡逻艇联成“群”的系统，这就是所谓的CARACaS（机器人代理指挥和感知控制架构）技术。另外，该系统可安装在美海军研究局研制的独立平台上，也可安装在各种小型船只上，将它们变成自主的无人运输工具。CARACaS系统的软件基于美国航空航天局（NASA）为火星车研发的技术。军人在带CARACaS系统便携式设备的帮助下，将能够轻易并迅速地将飞行器，装甲车和快艇变成统一的自动化战斗群。
人工智能在太空的前景更加广阔。可以组建不需要连续监控和从地面指挥中心进行指挥的自主跟踪卫星或者反卫星卫星集团。
将来，在人工智能的帮助下，能够大幅提升特种部队和空降分队的效能。即便规模不大的特种小组在使用无人平台的情况下，也能够以类似的形式控制敌方大片区域，并在自主交互战车的帮助下攻击各种目标，或者阻止敌军分队进入某一区域，以此来扼守主力登陆基地。
基于坦克和装甲输送车（对于俄罗斯来说就是“阿尔马塔”多用途履带式平台）的无人地面作战系统，能够为登陆兵准备登陆场，对敌开火，运送弹药及特种部队必须的设备。
自然会出现一个疑问：这种具备人工大脑的坦克会不会对己方登陆兵开火？答案显而易见：战车拥有“目标数据库”和人脸识别系统的情况下，可以避免这种情况的发生。或者为坦克加装基于普通处理器，能够限制人工智能行动的机器智能，作为能够取代坦克车长、驾驶员和瞄准手定下决心的人工智能的补充，就像负责反射的脊髓不允许人触碰滚烫的武器或者从阳台上跳下去一样。
需要注意的是，现代战争的实施战略要求改变部队的展开方法，而且现代战争将在敌人的全境同时举行：陆地、空中，近地空间，以及信息空间和网络空间，战士自主机器人技术支援系统在近期也将获得发展。有人作战行动向无人作战行动的转变速度将会加快。
军队应当关注并作为近期优先发展方向的是，具备网络支持的自主武器技术，人机协同系统，其中包括定下决心时的人机交互，具备人工智能功能的自主学习系统以及改进的无人系统。
至于机器人本身来说，在可预见的将来，未必会出现人形机器人，机器人多半看起来像火星车一样，或者类似星球大战电影中的R2-D2机器人。小型自主机器人能够成为理想的狙击手，可以在阵地上等待必要且足够长的时间。部分类型的飞行或者爬行机器人能够进入房间，在不被发现的情况下，向目标注入致命性毒剂或者喷撒神经麻痹毒气。
自然还会出现一个疑问：如果黑客侵入人工智能战车，对其进行破坏，甚至让战车向己方军人或者民用目标开火怎么办？答案显而易见：黑客什么也不能破坏，因为人工智能与机器智能和超级计算机不同，能够独立为自己生成行为算法，并非在普通计算机硬盘或者内存上进行稳定存储，而是利用瞬间产生，而后又消失的神经联络链条。
人工智能还有另外一项战略任务，在该项战略任务中，人仍然发挥着自身特殊的作用。俄联邦武装力量总参谋部未来将出现具备超大计算能力的自主战术武器，用于实施“智能”侦察，分析敌人和己方部队行动，寻找最优方案，这意味着军队展开和指挥的战略和方法将发生变化。概念性武器中的人工智能将成为与核武器一样的战略遏制因素，因此创新竞赛将会提速。
21世纪，大国之间的竞争仍在继续，恐怖组织甚至能够召集一整支军队，因此，军事技术装备应当不断进行改进和完善。完全有可能，如果一个国家借助人工智能技术控制对手的全部系统，假想的“第三次世界大战”可能在数秒内就已经结束。关于这一点，需要思考的不仅仅是军人，也包括国家政府。
在国家层面作出决策的政治家也必须了解创新性变化的意义，因为不仅出现了实施新型战争的可能性，还出现了在各国之间挑起现实冲突的可能性。人工智能同样能够被运用到国家管理和巩固政权的方法中，成为内政的工具。人工智能还能够成为国家机关在控制灾难性风险和预防人为灾难时的帮手。
人工智能研究的进步将对经济产生最重大的影响，并可能导致新的工业革命。首选运用人工智能的大国将对其余国家形成信息，甚至军事政治优势。发展人工智能正在成为21世界超级大国的战略任务。与此同时，下面这个问题的答案也很重要：我们在为自己培养什么样的助手——无耻和惨无人道的人工“靡菲斯特”，还是电子版的天使？
如果俄罗斯能够研发出突破性技术，在该方面集中主要精力和资源，那么就能保证在新一轮军事技术发展中保持与美国和中国的平等地位，尤其是当世界领导者发现，自己开始失去权力并成为大国之一时，这也就意味着世界将出现不稳定局势，可能发生冲突，包括军事冲突。
美国为了保持自身优势，将继续激化冲突，早晚会向寻求霸权地位的国家发动按照21世纪全新规则实施的战争。
鉴于俄罗斯经济上的落后以及科学教育多年来的退化，我国在研制新一代导弹，反导导弹，突击系统和防护装备方面的财政、技术能力目前要落后于潜在的敌人，恰恰人工智能将成为我们的盟友，作为对亚历山大三世说过的我们的两个盟友（陆军和海军）的补充。人工智能将成为定下战略决心时的助手，因为任何战略和国防任务都意味着大量的工时、分析和模拟。人工智能将能够分析我方敌人的行动，收集科学信息，寻找先前我们因信息、数据或者跨学科领域科学知识不足而未能解决的复杂工程任务的合理解决方法。人工智能能够获取人类在整个文明存在历史中存储的全部科学、政治、军事等信息，并能够创造性地访问信息，发现隐藏含义，整合知识并帮助我们在核物理，量子化学，生物技术等的进一步发展中取得突破。
人工智能是未来的战略项目，其研发方面的竞争将与20世纪中期的核竞争不相上下，而目前仅解决了数据分析，图像识别和文本翻译等部分任务。重要的是要知道，人工智能不是超级计算机，它是按照完全不同的原理运行的。关于机器技术奇异点和机器人起义的讨论目前还仅仅是科学幻想。
主要的任务还未完成——如何研制出性能与人类大脑相当的计算机。
如何研发人工智能？
计算机和现代机器人根据程序算法运行，也就是根据系列连续的命令。在同一种环境下，算法运行将得出同一个结果。
人工智能是一种机器系统，能够学习，获得并使用客观知识和经验，作出不同的决策（每次都会变得更加合理），制定战略，使用抽象的概念并像人脑一样完成创造性任务。
当工程师和科研人员试图研制出自然界中的类似物体并在机器和机械中实现人们所须要的功能时，他们就会研究标本。
以航空技术装备研制的各个阶段为例。人类从古时候就已近幻想飞行（关于伊卡洛斯和代达罗斯的神话），工程师研究了翅膀以及鸟类和飞鼠的解剖。在中世纪，当时像莱昂纳多·达·芬奇这样杰出的天才尝试制造扑翼机，在文艺复兴时期和20世纪初也一样。虽然现在的飞机与鸟类大不相同，且飞行的方式也不一样，然而，鸟类翅膀的特点是，上表面凸起，下表面平顺，气流通过时能够产生气压差（下方气流速度更快，压力更大），从而产生了升力。工程师正是将这一特性运用到了飞机上，研制了机翼和滑翔机，增加了发动机，人类便获得了飞行的能力。梦想从此实现。飞机还被区分为军用和民用飞机。
人工智能也一样。为了研制人工智能，必须了解人类思考的方式，研究人类大脑的神经生物活动。现代电子显微镜，脑电描记器，X线体层照相机等能够在细胞和分子层面“探察”大脑，了解什么是大脑神经，中枢神经系统生物神经网络的运行方法。
大脑神经的活动
神经元由神经元细胞核、细胞体和特殊的突起构成：数个接受信息的树突和向其它神经元或肌肉细胞传递信号的轴突。每个神经元与其它的神经元通过专门的电和化学信号协同，也就是通过电来刺激细胞。两个神经元之间相连的部位被称为突触。突触是神经元之间信息传递的部位，构成联系。我们的大脑中的神经元超过1千亿，它们相互联系，构成神经网络。突触中的信号借助化学神经介体（氨基酸和各种固有化合物）进行传递，或者通过电信号进行传递，钙离子通过通道蛋白由一个细胞进入另一个细胞。
虽然信号传输机制已经研究得很清楚了，但科研人员和工程师的问题在于，1千亿神经元中的每个神经元与其它神经元形成1000至20000个联接，累积大量的信息，达2-5拍字节，而这一过程伴随着放电现象以及离子和能够加强或削弱信号的复杂分子的参与。重现数十亿细胞组成的网络及数千细胞之间不断出现并消失的联系是不现实的。必须发明另外一种具备自身要素的结构。
人工智能的研发问题之所以迫切，还在于人脑无论如何也不能与计算机相比。大脑不是计算机。大脑中的信息，记忆，经验，图形，声音等并非以字母、数字、音符、图像或者二进制代码的形式存储。大脑中没有中央处理器所需要的存储器，没有能够通过算法提取和处理的物理内存。信息在我们需要的时候，通过神经元联系恢复。大脑中没有软件。大脑是一个能够学习的系统，但与此同时，对于我们来说，认识比记忆要更加容易。我们与外部世界或者想象中的世界有直接关联。我们看到一个物体并认识它。通过产生的图像，我们知道，这是什么物体。但如果我们不能认识一个物体的形状，那么我们就需要记忆额外的东西或者学习新的信息。视觉记忆非常重要，听觉记忆和音乐记忆也一样。当人用上全部记忆类型时，记忆会更快和更有效。重要的是要知道，系统的完整性和大脑的健康需要通过积极活动来维持。
人类正面临一项最复杂的任务，其难度与20世纪核物理发现以及核武器的研制相当。目前，任何一个国家都还没能完成人工智能的研发。只有虚拟生物神经元运行的数学和计算机模型。
第一批研究尝试
最常见的模型是能够学习，记忆并重建图形的神经元网络，它可以进行分析并给出答案。美国学者W·麦克卡洛和W·匹茨早在1943年就首先尝试研制人工神经元和机器智能，与N·维纳共同奠定了一门新科学——控制论的基础。之后，在1957年，F·罗森布拉特发明了视感控器——一种使用大脑接受信息的计算机模型。工程师和数学家提出研制一种输入端存在像通过突触向生物神经元树突传输信号的处理器，作为输入设备，然后信号传向相联存储器部位，然后再从该部位传向反应部位。
俄罗斯科学界的贡献
杰出的苏联数学家安德烈·尼古拉耶维奇·科尔莫戈罗夫和弗拉基米尔·伊戈列维奇·阿诺尔德在1957年证明了以下定理：任何多变量连续函数都能够表现为少变量函数有限数组合的形式，这成为构建神经元网络的数学基础。还证明，各种集合或者函数相关元之间的对应关系能够表现为与一定数量输入层“神经元”，更多数量具有一定激活功能的各潜层“神经元”，输出层具有未知激活功能“神经元”直接相联的定值神经网络。而且神经网络还能够调整或者“学习”。
对于不了解数学理论的人来说，这些听起来有些复杂，但这对于回答人工智能能否实现这一问题具有重要意义。
苏联数学家从理论上证实，是的，这是可能的。而在1964年举行的因此以“机器能否思考”为题的辩论中，A·N·科尔莫戈罗夫表示，研制完全建立在数字信息处理和控制机构基础上的，完全意义上的生物是绝对可能的，这符合唯物辩证法的原则。
如果回到大脑的计算机模型，那么可以想象，人脑中有数十亿缓慢运行的处理器，且它们的数量如此之多，使人脑比当今任何超级计算机都要更强。从控制论观点来看就很简单了。人工智能是线路信号和非线性函数和激活算法的总和。借助非线性函数，处理器将输入信号转变为输出信号，并进入下一网格——下一个处理器并继续转化。人工神经元形成层，而神经元网络具备学习，恢复和破坏联系的能力。
理论上，这一切貌似都不复杂，但问题在于，人脑的突触能够放缓信号，能够加强信号，也能够不失真地选通或者完全不作出任何反应，选通或者不选通。这样一来，至少是一个三进制逻辑“+1，0，-1”，因此借助二进制和现在的处理器模拟神经元网格是不太乐观的。俄罗斯在这方面具有一定的经验。三进制逻辑的处理器（trit和trait代替比特和字节）在苏联的导弹-太空技术装备中就已经成功运用。
工程师继续推进并开始研究光信号系统，回到了模拟信号和带内存的系统。如果说电信号能够交互并相互干扰的话，那么光信号不会混乱，因为光子不可能出现交互。或许，光学人工智能系统与苏联80年代研制的东西类似，将能够建立近似合理的神经元网络结构。
量子计算机之路
人工智能研究人员多半会关注量子物理。包含信息并参与信息传输的粒子是分子和原子，虽然它们很微小，但交互还是很明显，人类可能不得不研究大脑量子理论并使用量子计算机来研究人工智能。
而量子计算机的研制是一项工作量特别巨大且非常复杂的任务。
目前，我们离人工智能的实现还很遥远，因为我们还不能完全了解突触的工作方式，信号的传输方法，以及记忆是如何产生的。须要研究出意识的数学和物理模型。未来人类还有很多工作要做，这些工作完成的质量越高，人们活到下个千年的可能性就越大。（全文完）
（平台编辑：黄潇潇）
C2
个人会员：返回搜狐，查看更多
生物医药：我国医疗人工智能发展现状和趋势
1.人工智能（AI）诞生
希腊神话和中国神话中都出现过机械人和人造人。SamuelButler的《机器中的达尔文》（DarwinamongtheMachines）一文（1863）探讨了机器通过自然选择进化出智能的可能性。至今人工智能仍然是科幻小说的重要元素。许多文明的历史都记载了创造自动人偶的杰出工匠，例如，偃师（中国西周）、希罗（希腊）等。已知最古老的“机器人”是古埃及和古希腊的圣像，信徒认为工匠给这些神像赋予思想，使它们具有智慧。
人工智能的基本假设是人类的思考过程可以机械化。哲学家拉蒙·柳利（1232～1315年）开发了一些“逻辑机”，试图通过逻辑方法获取知识。17世纪中期，莱布尼兹、托马斯·霍布斯和笛卡儿尝试将理性的思考系统化为代数学或几何学那样的体系。20世纪，数理逻辑研究上的突破使得人工智能呼之欲出。这方面的基础著作包括布尔的《思维的定律》与弗雷格的《概念文字》。邱奇-图灵论题暗示，一台仅能处理0和1这样简单二元符号的机械设备能够模拟任意数学推理过程。这里最关键的灵感是图灵机，其看似简单的理论构造抓住了抽象符号处理的本质。这一创造促使科学家们探讨让机器思考的可能。
第一批现代计算机是“二战”期间建造的大型译码机，包括Z3、ENIAC和Colossus等。后两个机器的理论基础是图灵和约翰·冯·诺伊曼提出和发展的学说。在20世纪40年代和50年代，一批来自不同领域（数学、心理学、工程学、经济学和政治学）的科学家开始探讨制造人工大脑的可能性。1956年，人工智能被确立为一门学科。最初的人工智能研究是20世纪30年代末到50年代初的一系列科学进展交会的产物。神经学研究发现大脑是由神经元组成的电子网络，其激励电平只存在“有”和“无”两种状态，不存在中间状态。控制论描述了电子网络的控制和稳定性。
信息论则描述了数字信号（高低电平代表的二进制信号）。图灵的计算理论证明数字信号足以描述任何形式的计算过程。这些密切相关的想法暗示了构建电子大脑的可能性。马文·明斯基1951年建造了第一台神经网络机——SNARC。在接下来的50年中，明斯基是AI领域最重要的领导者和创新者之一。1950年，图灵发表了一篇划时代的论文，预言了创造具有真正智能的机器的可能性。他提出了著名的图灵测试，图灵测试是人工智能在哲学方面第一个严肃的提案。1956年达特矛斯会议的组织者是马文·明斯基、约翰·麦卡锡和另外两位资深科学家克劳德·香农、内森·罗彻斯特（NathanRochester）。与会者接受“人工智能”一词作为本领域的名称。1956年达特矛斯会议上AI的名称和任务得以确定，这一事件被认为是AI诞生的标志。
2.AI研究高潮和低谷交替出现
第一次高潮（1956～1974年）。达特茅斯会议之后AI进入大发展的时代。20世纪50年代后期到60年代涌现了大批成功的AI程序和新的研究方向。AI研究的一个重要目标是使计算机能够通过自然语言（例如英语）进行交流。早期的一个成功范例是DanielBobrow的程序STUDENT，它能够解决高中水平的代数应用题。ELIZA是第一个聊天机器人，与ELIZA“聊天”的用户有时会误以为自己是在和人类而不是一个程序交谈。实际上ELIZA根本不知道自己在说什么，它只是按固定套路作答，或者用符合语法的方式将问题复述一遍。维诺格拉德（T.Winograd）设计的SHRDLU系统能用普通的英语句子与人交流，还能做出决策并执行操作。麻省理工学院（MIT）、卡内基-梅隆大学、斯坦福大学、爱丁堡大学这四个研究机构一直是AI学术界的研究中心。
第一次低谷（1974～1980年）。20世纪70年代初，AI遭遇瓶颈。即使是最杰出的AI程序也只能解决它们尝试解决的问题中最简单的部分，所有AI程序都只是“玩具”。AI研究者们遭遇了无法克服的基础性障碍。当时面临的具体问题包括：计算机的运算能力，当时的计算机有限的内存和处理速度不足以解决实际的AI问题；计算复杂性，除了那些最简单的情况，许多问题的解决需要近乎无限长的时间，这就意味着AI中的许多程序永远也不会发展成为实用的系统；
常识与推理，许多重要的AI应用，例如，机器视觉和自然语言，需要大量对世界的认识信息，当时没人能够提供如此巨大的数据库，也没人知道一个程序怎样才能学到如此丰富的信息。
第二次高潮（1980～1987年）。20世纪80年代，一类名为“专家系统”的AI程序开始为全世界的公司采纳，而“知识处理”成为主流AI研究的焦点。专家系统是一种程序，能够依据一组从专门知识中推演出的逻辑规则在某一特定领域回答或解决问题。专家系统仅限于一个很小的知识领域，从而避免了常识问题，其简单的设计又使它能够较为容易地实现编程或修改。实践证明了这类程序的实用性。直到此时AI才开始变得实用起来。专家系统的能力来自其存储的专业知识。这是20世纪70年代以后AI研究的一个新方向。1981年日本政府支持第五代计算机项目，其目标是造出能够与人对话、翻译语言、解释图像，并且像人一样推理的机器。1982年，物理学家JohnHopfield证明一种新型的神经网络（现被称为“Hopfield网络”）能够用一种全新的方式学习和处理信息。同时DavidRumelhart推广了反向传播算法，一种神经网络训练方法。1986年由Rumelhart和心理学家JamesMcClelland主编的两卷本论文集《分布式并行处理》问世，这一新领域从此得到了发展。20世纪90年代神经网络获得了商业上的成功，它们被应用于光字符识别和语音识别软件。
第二次低谷（1987～1993年）。20世纪80年代对AI的追捧与冷落符合经济泡沫的经典模式。AI发展低谷最早的征兆是1987年AI硬件市场需求的突然下跌。Apple和IBM生产的台式机性能不断提升，到1987年其性能已经超过了其他厂家生产的昂贵的Lisp机，老产品失去了存在的理由。最初大获成功的专家系统维护费用居高不下，它们难以升级、不易使用、脆弱（当输入异常时会出现莫名其妙的错误），其实用性仅仅局限于某些特定情景。到1991年，日本政府支持的“第五代工程”并没有实现预定目标，事实上其中一些目标，比如“与人展开交谈”，直到2010年也没有实现。
AI发展新阶段（1993年至今）。“实现人类水平的智能”这一最初的梦想曾在20世纪60年代令全世界为之着迷。
现已年过半百的AI终于在几个子领域实现了最初的一些目标，今天AI被成功地应用在技术产业中。1997年5月11日，“深蓝”战胜国际象棋世界冠军卡斯帕罗夫，成为打败人类的第一个计算机系统。2005年，斯坦福大学开发的一台机器人在一条沙漠小径上成功地自动行驶了131英里，赢得了DARPA挑战大赛头奖。2011年，IBMWaston参加《危险边缘》节目，在最后一集打败了人类选手。2016年3月，AlphaGo击败李世石；2017年5月，AlphaGo在中国乌镇围棋峰会的三局比赛中击败当时世界排名第一的中国棋手柯洁。越来越多的AI研究者开始开发和使用复杂的数学工具。人们认识到，许多AI领域要解决的问题已经成为数学、经济学和运筹学领域的研究课题。数学不仅使AI可以与其他学科展开更高层次的合作，而且使研究结果更易于评估和证明。AI已成为一门非常严格的科学分支，现已投入应用的新工具包括贝叶斯网络、隐马尔可夫模型、信息论、随机模型和经典优化理论。针对神经网络和进化算法等“计算智能”范式的精确数学描述也被发展出来。AI研究者们开发的算法开始变为核心业务系统的一部分。已经应用AI技术的领域有数据挖掘、工业机器人、物流、无人驾驶、语音识别、银行业软件、医疗诊断和Google搜索引擎等。进入21世纪，得益于大数据和计算机技术的快速发展，许多先进的机器学习技术被成功应用于经济社会的更多领域，例如，生态学模型训练、经济领域中的应用、医学研究中的疾病预测及新药研发等。深度学习（特别是深度卷积神经网络和循环网络）极大地推动了图像和视频处理、文本分析、语音识别等问题的研究进程。深度学习是机器学习的分支，它通过一个具有很多层处理单元的深层网络对数据中的高级抽象进行建模。根据全局逼近原理，对于神经网络而言，要拟合任意连续函数，深度性并不是必需的，即便是一个单层的网络，只要拥有足够多的非线性激活单元，也可以达到拟合目的。目前深度神经网络得到了更多关注，主要源于其层次结构能够对更加复杂的情况快速建模，同时避免浅层网络可能遭遇的缺点。深度学习（以循环神经网络为例）最常见的问题是梯度消失（在沿着时间序列反向传播过程中，梯度逐渐减小到零附近，造成学习停滞）。为了解决这些问题，很多有针对性的模型被提出来，例如，LSTM（长短期记忆网络）、GRU（门控循环神经单元）等。现在，最先进的神经网络结构在某些领域已经能够达到甚至超过人类平均准确率，例如，在计算机视觉领域，特别是一些具体的任务上，如MNIST数据集（一个手写数字识别数据集）、交通信号灯识别等。
3.医学与人工智能
纵观AI的历史，集医学、脑科学、认知学、心理学和生理学等为一体的综合科学对AI的产生和发展起着重要的作用。
AI从产生的第一天起，就与医学结下了不解之缘。早在12世纪末，西班牙神学家和逻辑学家RomenLuee就试图制造一台能像人一样解决各种问题的通用逻辑机。19世纪末，西班牙解剖学家Cajal和Golig创立了神经元学说，指出人脑中存在着由大量神经细胞构成的神经网络。在AI发展的进程中，20世纪60年代后期出现的以模拟人类医学专家思维过程为特点的专家系统。70年代初，斯坦福大学的传染病学家研制的用于诊断和治疗感染性疾病的MYCIN系统是世界上第一个将Al应用于医学领域的专家系统。美国医学界对它评价很高，曾两次对该系统进行严格“考试”，其成绩都在医学专家之上。MYCIN系统的问世是专家系统走向成熟的重要里程碑，也是AI理论应用于医学领域的重要里程碑。在MYCIN系统的影响下，20世纪70年代后期到80年代中期，出现了一系列新的医学专家系统。最著名的医学专家系统有三个：一是由罗格斯大学研制的用于治疗青光眼的CASNET系统；二是由匹兹堡大学研制的用于诊治内科疾病的INTERNIST系统，该系统包含3000多种疾病症状，能诊治500多种内科疾病，美国国家卫生学院曾对该系统进行严格临床试验，证明它能够应对美国临床病理学会提出的大多数病例；三是由斯坦福大学根据MYCIN系统开发的诊治肺功能失调的PuFF系统，美国医学界曾对该系统进行150个病例的测试，结果90%符合呼吸科专家的意见。我国类似研究起步较晚，我国专家吸取了MYCIN系统的优点，相继研制了不少医学专家系统，尤其是肝病诊治系统等一批中医专家系统，具有很高的学术水平和实用价值。我国的中医专家系统在国际上一直处于领先地位。
在神经生理和神经解剖学研究成果的基础上，Hopfield网络模型问世，AI研究者开始研究以人脑连接机制为特点的人工神经网络（ANN）。ANN是AI的一个新领域，具有以下特点：一是并行性好；二是自学习自适应性强；三是联想性好，人的思想很易“由此及彼”，ANN能从不完全知识中通过“联想”推出正确解；四是容错性高，ANN的信息分布储存在整个网络的连接点上，它像人的大脑一样，某些神经元出现故障不会影响整个网络正常工作。ANN的研究始于20世纪40年代的神经元模型。据统计，目前世界上著名的ANN模型已有50多种，其中有相当数量应用于生命科学中。面对大脑的强大功能和复杂结构，怎样使AI研究取得实质性的突破，这是当今医学向AI提出的挑战。生命科学家的新发现将不断向AI提出新课题；反过来AI在医学中应用的深入和发展，也向生命科学家提出更高要求，生命在运动，大脑还在进化，许多新问题有待生命科学家去探索。要彻底揭开大脑智能之谜，单靠任何一方面都是不可能完成的。我们相信，生命科学的深入发展必将对AI产生深远影响；反之，AI的！
智能应用于医疗领域已经成为现代科技热点。基于大量数据的人工智能算法为医疗服务提供了快捷、优化的途径，人工智能在医疗领域的应用带来的不仅有技术革新，还有医疗服务模式的转变。美国的顶尖医院如梅奥、克里夫兰等都开始与人工智能公司合作，希望成为医疗人工智能应用领域的中心，对疾病进行监测、诊断、治疗和管理。人工智能可以在医疗行业多个环节发挥作用，如医学影像、健康管理、疾病风险预测、虚拟助理、药物设计、临床诊疗、精神疾病、病理学和营养学等。目前医疗活动中比较成功的AI应用包括影像AI、药物研发AI、医疗机器人和IBMWaston等。AI在医学影像中取得了较好的应用成效，如基于钼靶影像的乳腺病变检测、基于皮肤照片的皮肤癌分类诊断、基于数字病理切片的乳腺癌淋巴结转移检测、基于眼底照片的糖尿病视网膜病变检测、基于胸部X线片的肺部炎性疾病。借助深度学习，药物研发AI在心血管药、抗肿瘤药和常见传染病治疗药等领域取得新突破，缩短了药物研发时间、提高了研发效率且控制了研发成本。医疗机器人中的达·芬奇机器人早已在各大医院推广应用，其他类型的机器人也随着AI的发展逐步进入医疗市场。在智能诊疗领域，IBMWaston展示了AI诊断和治疗人类疾病的可行性。
健康医疗大数据是在人们对自身进行日常健康管理的过程中产生和形成的。智能可穿戴设备和家庭智能健康检测监测设备的研发和应用，实现了动态监测个人健康数据，利用这些数据进行人工智能计算，可以对个人健康进行精准把握，规范、准确地预测疾病风险，管理个人健康。人工智能可以在血糖管理、血压管理、用药提醒、健康要素监测等方面给予精准的指导，为患者提供高质量、智能化、日常化的医疗护理和健康指导，为人群提供全方位、全周期的健康服务。这种方式对于提高患者的依从性、提高慢病管理效率、节约医疗成本具有重要的社会意义。2008年，谷歌推出流感预测服务，通过检测用户在谷歌上的搜索内容有效地追踪流感爆发的迹象。人工智能定时收集样本并据以找出疾病的高风险人群。利用大数据分析和深度学习技术，人工智能已经能够预测阿尔兹海默病、心血管疾病、癌症、精神疾病等。这些预测能够用于有效防控公共疫情和提高个人健康水平。
目前，我国科学研究者也积极参与到医疗AI产品的研发中，包括病理辅助诊断、眼部疾病、皮肤疾病、医学影像、中医药、心电监测、手术机器人、肿瘤治疗等领域。AI在医疗领域中的应用主要有三个角度。①AI比医生做得更好，可以用来提高诊断的准确度和治疗的效果。有些信息在诊断图像和其他数据中隐藏得比较深，或者隐藏在高维空间中，医生的肉眼无法辨别，而AI可以精确找到。②AI不比医生做得更好，但是比医生做得更快，可以用来提高效率。③AI不比资深医生做得更好，但可以通过学习资深医生、大医院的经验，来帮助年资低的医生和基层医疗机构的医生提出更准确的诊断和治疗方案。未来，人工智能将成为建立新型医疗服务体系的重要支撑，结合信息化的发展全面构建优质高效的新型医疗服务体系。
二、我国医疗人工智能发展现状分析
1.政策现状
国际上主要发达国家和地区近年来积极制定人工智能战略规划，医疗人工智能是主要研究和应用领域之一。
同发达国家一样，我国近两年高度重视人工智能在医学中的应用，在不同等级的政策文件中都提出了医疗人工智能研究的重点方向。
主要国家和地区在医疗领域应用人工智能的重点略有差异。美国近年医疗人工智能规划重点在可穿戴设备、记忆辅助系统、医疗诊断等方面，欧盟更加关注各种机器人的研发和精准医疗，英国的重点研究领域包括病情诊断支持、影像诊断支持、潜在流行病的早期发现和发病率追踪等，日本则更加关注实用化机器人技术、手术机器人、医疗辅助系统等。我国近年的医疗人工智能政策重点包括可穿戴设备在健康管理中的应用、医用机器人、智能影像识别、智能诊疗、智能康复等。
2015年以来，我国出台的涉及医疗人工智能的主要政策文件有《国务院关于积极推进“互联网+”行动的指导意见》（2015年7月）、《中华人民共和国国民经济和社会发展第十三个五年规划纲要》（2016年3月16日）、《国务院办公厅关于促进和规范健康医疗大数据应用发展的指导意见》（2016年6月）。
此外，《“十三五”国家科技创新规划》（2016年7月）《智能硬件产业创新发展专项行动（2016～2018年）》《“十三五”国家战略性新兴产业发展规划》《“互联网+”人工智能三年行动实施方案》等相关文件，都有关于人工智能在医疗健康领域应用的内容。
2017年，“人工智能”首次被写入我国的政府工作报告，并上升为国家重要战略，而人工智能在医疗健康领域的应用也是国家关注的重点。同年7月，国务院发布《国务院关于印发新一代人工智能发展规划的通知》，各省份相继出台当地人工智能发展规划，掀起了人工智能研究和应用的热潮。12月14日，工业和信息化部发布《促进新一代人工智能产业发展三年行动计划（2018～2020年）》，具体落实规划内容。
2018年4月，《国务院办公厅关于促进“互联网+医疗健康”发展的意见》等文件的发布推动医疗人工智能研究和应用进入高潮。全国各省份积极响应国家政策号召，发布了多项与医疗人工智能应用相关的政策文件，截至2018年10月，各省份医疗人工智能政策发布数量达到峰值。通过各地区政策发布数量可以看出，华东和华北地区医疗人工智能发展较快。华东地区以长三角为依托，以江苏、上海和浙江为代表，该地区经济发展实力强大，技术创新资源雄厚，为医疗人工智能的发展提供了有利条件。华北地区以京津冀为依托，这里是我国人才最为密集的区域，拥有众多科研机构、科研院校和创新创业园区，会集了大量高科技人才。京津冀地区利用其独有的知识资源优势，带动人工智能在医疗健康产业中的发展。
2.临床应用研究现状
面对医疗市场迫切的需求，在技术和政策的推动下，目前，中国医疗人工智能产业进入高速发展时期。
根据相关机构的研究报告，近两年，我国“人工智能+医疗”市场规模快速增长，获得投融资的医疗人工智能创业企业数量和资金量上升。然而，我国医疗机构应用人工智能技术的态度和现状如何，尚缺乏数据。
本书以国家卫健委网站公布的二级以上医疗机构目录为依据，通过抽样调查（共发放问卷300份，最终收回有效问卷213份）发现：①我国各级医疗机构对于人工智能的应用表现出积极的态度，并对利用人工智能提升诊疗水平寄予厚望，但在医疗人工智能实质性投入方面，大部分仍呈观望态势；②医疗人工智能技术应用水平呈现明显的区域差异，表现为我国三级医院人工智能技术应用程度远高于二级医院，人工智能应用和建设程度呈现区域阶梯状，即东部＞中部＞西部，基层医院和偏远地区医疗机构在医疗人工智能应用方面尚处于落后状态；③在已有的临床应用研究中，自然语言处理技术应用程度最高，结构化数据补充成为其主要用途，影像辅助诊断技术中CT、肿瘤应用范围最广，技术成熟度最好，辅助诊断方向是医院最为关注的应用领域；④由于在标准制定、产品落地等方面存在短板以及复合型人才短缺，医院的人工智能应用和建设主要采用“拿来主义”模式，希望用产品购买的方式直接获得医疗人工智能应用的成熟产品。
在儿科人工智能应用方面，通过对北京、上海、广州等20个城市的52家儿童专科医院的调查和部分访谈，发现在儿科领域人工智能应用范围相对较窄，主要集中在医学影像和疾病诊断预测方面。专注儿科人工智能的公司数量也非常有限，产品多数还处在学习优化、更新迭代的层面，与真正应用落地仍有一定差距。人工智能产品在儿科落地的最大阻碍是医院对产品的期待与人工智能公司对市场的估计存在断层，加强临床参与才能为医疗人工智能落地提供助力。
通过对皮科大夫的调查发现，我国不同性别、学历、职称、医疗机构的皮肤科医生对于人工智能均表现出极高的关注度，绝大部分皮肤科医生认为人工智能的功能为“辅助皮肤科医生日常诊疗活动”，皮肤科医生更希望将人工智能应用于皮肤肿瘤的诊断与治疗中。近年来我国皮肤科领域相继成立了多个人工智能组织，也已出现多款人工智能产品，未来需要将更多资源融入其中，包括政府部门关注、主管部门经费投入、专家团队建立、企业资源汇聚等，才能进一步推动我国皮肤科人工智能的快速发展和应用。
3.学科发展和技术现状
近年来，我国医疗人工智能领域科研经费投入持续增长。在科技产出方面，近10年我国医疗人工智能领域中文科技论文发文量逐年快速增长，说明医疗人工智能是我国学者重点关注的研究领域。通过医疗人工智能领域中文科技论文的学科分布情况可以看出，我国医疗人工智能领域中文科技论文涉及的主要学科包括生物医学工程、自动化技术、临床医学、肿瘤学和计算机软件及计算机应用等。人工智能在医学中的主要应用领域包括肿瘤、神经性疾病、心血管疾病、精神疾病、内分泌腺及全身性疾病、感染性疾病及传染病等方面。
我国医疗人工智能领域外文科技论文产出在2008～2016年呈现线性增长趋势，截至2017年，我国医疗人工智能领域外文科技论文产出累计达到34655篇。发文量排名前5的机构为中国科学院、上海交通大学、浙江大学、清华大学和香港中文大学。医疗人工智能领域外文科技论文涉及的学科主要为计算机科学、数学计算生物学、工程、数学、放射学、核医学等，其中在计算机科学领域发表的科技论文数量最多，为32359篇，放射学、核医学等医学图像处理领域的发文量为18480篇。此外，医疗人工智能科技文献也出现在生物化学、分子生物学、细胞生物学、遗传学、肿瘤等医学学科中。
近10年来，医疗人工智能领域的专利申请和专利公开都呈现逐年增长的趋势，2017年的专利数量和申请人数都有较大幅度增长，能够确定当前该技术领域正处于技术成长期阶段。其中，广东、江苏、北京、上海和浙江的医疗人工智能相关专利申请量都在200项以上，说明这五个省市是医疗人工智能领域技术研发的核心区域，专利活动活跃，其中广东省的专利申请量更高达453项，居全国首位。
利用大为Innojoy专利搜索引擎自带的聚类分析功能，通过设置相关参数及定义停用词过滤标准，绘制医疗人工智能领域技术研发的科学知识图谱，可以发现，目前医疗人工智能的技术研发热点及人工智能在医学领域的应用方向主要包括脑电信号的处理与分析、心电信号的处理与分析、肌电信号的处理与分析、康复训练、医疗机器人、疾病诊断、病人监测和药物控制等。
4.产业现状
向300多家医疗人工智能企业发出调查问卷，回收有效调查问卷45份。调查发现，超过75%的企业处于融资的不同阶段，只有25%的企业不需要融资，因此资本是现阶段行业发展的重要推动力。调查中，2018年有12家企业累计融资金额1亿～10亿元，而2016年基本融资金额最多只达到千万元级，可以看出资本持续看好医疗人工智能行业的发展，整体投资处在加速阶段。
目前医疗人工智能应用按场景可分为医学影像、辅助诊疗、虚拟助理、健康管理、智慧医院等。在医学影像场景，根据临床数据采集内容的不同，可细分为CT、视网膜眼底图、X射线、病理、超声、内窥镜、皮肤影像等应用。辅助诊疗基于医院电子病历等系统，通过对患者信息的推理，自动生成针对患者的精细化诊治建议，供医生决策参考。虚拟助理是指通过语音识别、自然语言处理等技术，将患者的病症描述与标准的医学指南做对比，为用户提供医疗咨询、自诊、导诊等服务的信息系统。人工智能在健康管理中的应用包括：通过对日常健康行为的监测管理实现健康监控并提前进行疾病预测；使用电子通信软件和人工智能技术监测慢病患者日常生活习惯，智能给出用药指南，提醒患者服药；监控智能检测设备数据，对数据进行评估，及早发现异常并发出预警。智慧医院基于医院信息系统、临床数据中心和集成平台，结合人工智能、云计算、医疗大数据、物联网、移动互联网等技术，优化患者就医流程，节省患者时间和医疗资源，持续改善患者就医感受。
人工智能在我国医疗领域的应用刚刚起步，成长过程中遇到了来自各个层面的问题。当前阻碍医疗人工智能发展的因素中企业选择最多的五个因素是：缺少医疗人工智能复合型人才、医学数据标注及共享困难、缺少多病种病症的国家标准数据库进行模型验证、商业模式及各方权责不明确、缺少合作的医疗机构。超过50%的企业表示其产品已经在全国数十家甚至上百家医疗机构进行临床研究，由于产品认证的问题，大部分应用都是服务科研，即使应用于临床也只是给医生诊断提供参考。
5.社会认知和伦理现状
采用问卷调查法，随机调查了224个城市的2500位不同年龄、职业人群，了解我国民众对医疗人工智能的认知现状。目前，民众对人工智能在医疗领域的影响力感受度偏低，但对医疗人工智能持支持态度的占比达到78.44%，整体抱有相当大的期待。民众认为人工智能在医疗领域应用的最大优点是提高诊断效率，但对智能仪器应变能力也存在担心。医学影像是民众最能接受的人工智能医疗应用领域。大多数人认为医疗人工智能未来的发展趋势是医疗人工智能与传统模式相结合。随着医疗人工智能的发展，相信并使用医疗人工智能将逐渐成为主流，AI时代的到来是无法阻止的，也是势在必行的。医疗人工智能发展前景广阔，同时拥有很大的空间，需要相关领域研究人员继续挖掘潜力。
我国尚未出台医疗人工智能应用的伦理性的相关文件。根据关于我国居民对人工智能的伦理认知的调查，当医生和人工智能的诊疗意见不一致时，更多人选择相信医生。民众“最担心的伦理问题”包括：没有充分的知情告知，个人隐私数据泄漏”“因无须人体试验，单纯从药物大数据中即可研发出新的药物，从而涉及禁忌药物的研发”“算法运作的不可知导致数据读取过程中运算结果的出乎预料或者出错”等。超过半数的人认为现阶段不可以赋予人工智能医生法律主体资格，并认为当人工智能技术造成医疗损害时，应厘清医生与设计者、制造者、人工智能等各方的责任，让相关责任方承担应尽的责任。人工智能带来医疗水平的提高和人类健康保障的进步，随之而来的一系列伦理风险不容忽视。医学界需要前瞻性地评估医疗人工智能的利弊和风险，加强对其的掌控能力，趋利避害，进一步促进医疗保健事业的发展。
三、医疗人工智能发展中面临的问题和挑战
1.政策与监管的挑战
2017年7月，国务院发布《国务院关于印发新一代人工智能发展规划的通知》，人工智能上升为国家战略，国家对医疗人工智能的发展提出了更高要求，医疗人工智能进入全新的高速发展轨道。国家的医疗人工智能发展要求包括提出医学大数据、医学信息化、智能医学等多个方面的具体应用需求，对医疗人工智能基础研究的政策支持，以及对大健康、老龄化等方面的医疗人工智能应用的大力支持。
基于以上纲领性文件，针对医疗人工智能的发展提出具体落实行动，将成为相关部门政策制定的重点，预计将发布一大批具体的推进方略，下大力气促进医疗人工智能领域的发展与提升。2018年以来，围绕医疗人工智能发展的重点政策领域包括：满足民营医院的设备需求，鼓励各级医院采购国产高端医疗设备；着力构建大数据云端医疗数据库，推动医学大数据的开发与落地，大力加强医疗信息化基础建设；鼓励民间资本投资远程医疗和第三方检验中心，全面推进分级诊疗的落地；大力发展网络医学影像平台、高端影像设备、第三方影像中心、大力推进影像信息化等。
2.技术和人才的挑战
据相关研究，医疗人工智能处在人工智能热潮的中心地位，有非常快的发展速度。医疗人工智能的技术和人才水平高，有可能尽快实现产业化，相关原因包括：第一，医疗人工智能研究机构与国内的各大医院合作开展了科学研究、临床实验、产业转化等工作；第二，医疗人工智能的研究机构众多，包括科研单位、高校、大企业、创业企业等，造就了一大批奋战在一线的医疗人工智能科研机构；第三，医疗人工智能有较好的投资盈利预期，得到资本方面的追捧；第四，医疗人工智能是人工智能应用的热门领域，在多种维度的医学图像识别领域，拥有丰富的技术和设备等资源。医疗人工智能的快速发展来自迅速增长的医学大数据规模、快速提高的GPU速度和医疗人工智能理论基础的飞跃，决定于医疗人工智能的算法、算力、数据等关键技术因素。
第一，高性能、低功耗的人工智能芯片的发展。各家医疗人工智能的研究机构都在绞尽脑汁开发高性能、低功耗的人工智能芯片。医疗人工智能芯片的优劣主要决定于计算能力和能耗比例。现在市场上的主要医疗人工智能芯片巨头制造商包括英特尔、英伟达（NVIDIA）、华为海思、寒武纪、百度企业、苹果、谷歌等，竞争非常激烈。
第二，深度学习软件和平台大大加速了医疗人工智能应用的开发。人工智能包括但不限于卷积神经网络、循环神经网络等，其核心思想是神经网络的理论和实践。与影像组学不同，医学深度学习通过自动得到各个层次的特征量，以自动的方式生成规模特别巨大的特征量，实现了在人工智能方面的巨大飞跃。
近年来，深度学习神经网络在医学影像识别领域已经取得长足的进步，卷积神经网络的识别错误率已经降至非常低的水平，甚至低于人眼识别的错误率。深度学习通过反向传播、权值共享、感受野等策略，最终大大超过人眼的性能。
同时，医疗人工智能通过基础平台等方式提供给医生使用，复杂的医疗人工智能理论被打包成界面友好的产品和服务，促进了卷积神经网络的理论和工程技术体系的成熟。大量的医疗人工智能软件大大减少了医生们使用卷积神经网络的困难，业界企业也大量开展医疗人工智能的研发和产品开发，极大降低卷积神经网络算法开发的难度，专注于临床应用领域的软件和平台的研发。深度卷积神经网络非常适用于医疗人工智能的临床场景。通过卷积神经网络方法，深度学习就能从医学影像中找出许多非常繁杂且不可能详尽描述的医学影像特征。在医疗人工智能的快速发展之中，基于医疗人工智能最新进展的医学影像的判定和识别，可能会在分级诊疗、妇幼保健、远程医疗、互联网医疗等领域大规模应用示范，并形成产业化条件。
我国医疗人工智能应用的最热门领域是医学影像，数据取决于医学设备的人工智能应用程度，其核心是芯片技术。
当前人工智能芯片的技术路径主要有三种类型。
一是美国谷歌等企业布局的基于专用处理器ASIC架构的人工智能芯片。美国谷歌是张量处理器（TPU）的发明者。TPU广泛应用于美国谷歌的产品之中，包括AlphaGo、AlphaZero等明星人工智能应用。美国谷歌已经推出第二代TPU，为该企业的人工智能战略打下坚实的基础。
二是美国英伟达等企业布局的基于GPU架构的人工智能芯片。美国英伟达等企业是主要的GPU生产商之一，已经推出了多款世界上最强大的具有优良的人工智能算法处理性能的GPU显示卡。美国英伟达总裁黄仁勋先生在2018年度GPU技术大会上表示，与老款的GPU显示卡相比，该企业最新款GPU已经获得数倍性能提升。
三是美国英特尔等企业布局的基于CPU架构的人工智能芯片。美国英特尔为了进军人工智能领域，先后收购了Mobileye、NervanaSystems、Altera等企业。因为FPGA的功耗要远远低于CPU和GPU，美国英特尔希望以其在人工智能领域通过多年积累的CPU芯片技术和业务作为基础，研发CPU和FPGA混合构架的人工智能芯片，抢占日益蓬勃的人工智能芯片市场。现阶段，医疗人工智能设备选用了FPGA、CPU、GPU等处理器进行设备控制、重建和影像后处理，有着非常明显的优势。现在，有很多医疗设备制造商都采用专用处理器，包括DPU等芯片，进行医学影像的后处理工作。具有高速高效计算性能的GPU服务器，能够提供比CPU等计算部件快数倍的计算性能。当临床医生需要实时查看患者资料的时候，实时检查的CT和核磁共振的影像能够快速传递到电脑终端，或者通过平板电脑等传送给医生。通过GPU服务器提供的医学信息，医生可以快速得到患者的相关信息。以GPU为例，现在，越来越多的医疗器械，包括病理影像仪器、内窥镜、CT、超声波诊断设备、MRI等医疗器械都搭载了美国英伟达生产的GPU，分析处理效率得到了极大提升。特别是在一些应用之中，影像工作站和服务器需要分析高密度、高精度CT和核磁共振影像，GPU大大提高了影像工作站和服务器的计算能力。
综上所述，医疗健康领域已经成功使用了CPU、GPU、ASIC等人工智能芯片，使医疗器械更加智能化，极大地提高了医生们的工作效率和工作质量，大大方便了患者的就诊与治疗。
3.数据库建设的挑战
高质量数据获取、标注和更新是医疗人工智能企业的关键能力。我国拥有十多亿人口、上万家医院，每年产生规模巨大的医疗健康数据，其中包括医学影像数据。但是，在如此大量的医疗健康数据中，绝大部分是非结构化数据，标准化、统一化、智能化程度非常低，难以进行综合利用，对政府部门、医院、科研院所、高校等机构来说也并非有效的价值体系。
训练集合的质量和数量是决定人工智能算法的性能（performance）的主要因素之一。其中，训练数据的质量和标注的质量决定着人工智能算法的学习能力，而训练数据的数量决定人工智能算法的泛化能力。在美国英伟达不断推出高性能GPU服务器，提供更大的人工智能计算能力的前提下，高质量和大规模的医学数据就变得更加重要起来。
医疗人工智能的大发展推动健康大数据时代的来临，全球医疗数据呈现爆炸式增长的趋势。医疗健康行业的数据量非常大，建设中的三个“国家医学数据中心”的量级都在EP级别，单个患者的医疗全过程数据也达到TB级别。近年来，我国医院信息化能力大大提升，其使用电子病历的比例也大幅增加了。在医疗人工智能领域，获取和标注高质量的医学影像数据有非常大的难度，具体表现如下。
第一，医学影像数据的前处理和标注的代价巨大。
在医疗人工智能领域，医学影像数据前处理和标注的代价巨大，占据开发成本的绝大部分。
然而，在医疗人工智能算法开源的时代，医学影像数据前处理和标注的质量对医疗人工智能的性能有着举足轻重的影响。按照多中心来源的要求，医学影像数据的来源多种多样，需要进行前处理，以保证医学影像训练数据的有效性。
现有的医学影像数据主要通过人工的方式进行标注，工作量巨大，耗费大量的人力、物力和财力。
第二，医学影像数据获取的代价巨大。
由于现代医学影像技术的飞速发展，医学影像数据的产生技术也变得越来越复杂，客观上加大了医学影像数据的获取和使用难度。同时，因为医学影像数据具有私密性，医疗人工智能数据的拥有方在医学影像数据的保护方面不遗余力，这也加大了医疗人工智能研发单位获取数据的难度。
第三，我国幅员辽阔、人口众多，基层医院和研究型医院的差异巨大。为了在多种多样的场景下获得足够的灵敏度和特异性，医疗人工智能算法和软件的泛化能力面临巨大的挑战。政府、医院等各方面需要携手合作，解决获取医学影像数据代价巨大的问题。从政府层面来讲，由国家卫健委牵头的国家健康医疗大数据中心正在修建之中，预计建成以后数据储量为1000ZB。国家健康医疗大数据中心的构成方式为“一个国家中心，三个国家队”，即该中心包括中国健康医疗大数据股份有限公司、中国健康医疗大数据产业发展集团公司和中国健康医疗大数据科技发展集团公司三个主体。国家健康医疗大数据中心的数据中心包括华东数据中心、华北数据中心、东北数据中心、西南数据中心和各省市级中心，其中各省市级中心的设置地点包括宁波、山东、四川、江西、辽宁、广东、贵州、甘肃、安徽、黑龙江、云南、内蒙古、陕西。国家健康医疗大数据中心的建设将极大推动我国医疗人工智能事业的迅速发展。
4.商业模式与运营的挑战
医疗人工智能企业如何获得利润？这是社会各方面，包括政府部门、投资机构、医疗人工智能企业、医院、医疗人工智能运营机构共同关注的问题。随着医疗人工智能的不断发展，多款医疗人工智能产品已经开发出来，包括基于眼底照片的糖尿病筛查、基于薄层CT的肺部结节筛查等。这些医疗人工智能产品即将获得国家许可，其走向市场可能的商业途径主要包括两个方面：
第一，将医疗人工智能产品出售给大型运营机构，包括政府部门、投资机构、医疗人工智能企业、医院、医疗人工智能运营机构，实现盈利；第二，与第三方运营机构，包括政府部门、投资机构、医疗人工智能企业、各级医院、医疗人工智能运营机构合作，实现盈利。
5.法律与伦理的挑战
（1）成果转化周期长、难度大。
针对医疗人工智能产品的审评与注册问题，2014年2月，国家食品药品监督管理总局开辟快速通道，《创新医疗器械特别审批程序（试行）》（食药监械管〔2014〕13号）提出，对符合以下规定的创新医疗器械设置快速审批通道。
①我国原创发明
具体的准入条件是：主要工作原理/作用机制为国内首创，产品性能或者安全性与同类产品比较有根本性改进，技术上处于国际领先水平，并且具有显著的临床应用价值。
②对创新医疗器械设置拥有发明专利
具体的准入条件是：审批申请人经过其技术创新活动，在中国依法拥有产品核心技术发明专利权，或者依法通过受让取得中国的发明专利权或其使用权，或者核心技术发明专利的申请已由国务院专利行政部门公开。
③产品基本完成
具体的准入条件是：申请人已完成产品的前期研究并具有基本定型产品，研究过程真实和受控，研究数据完整和可溯源。
（2）医疗人工智能数据保护
医疗人工智能软件需要大量使用数据，包括训练数据和患者临床的数据。在美国，医疗人工智能产品需要符合《隐私法案》及HIPAA的规定。但是，我国尚未出台相关法律，医疗人工智能的数据保护工作还没有法律规定可以规范。
关于医疗人工智能软件牵涉的患者临床数据的安全保障规定，可以参考我国颁布的《网络安全法》第四十一条和第六十四条。我国颁布的《网络安全法》第四十一条规定：“网络运营者收集、使用个人信息，应当遵循合法、正当、必要的原则，公开收集、使用规则，明示收集、使用信息的目的、方式和范围，并经被收集者同意。
网络运营者不得收集与其提供的服务无关的个人信息，不得违反法律、行政法规的规定和双方的约定收集、使用个人信息，并应当依照法律、行政法规的规定和与用户的约定，处理其保存的个人信息。我国颁布的《网络安全法》第六十四条规定：“网络运营者、网络产品或者服务的提供者违反本法第二十二条第三款、第四十一条至第四十三条规定，侵害个人信息依法得到保护的权利的，由有关主管部门责令改正，能根据情节单处或者并处警告、没收违法所得、处违法所得一倍以上十倍以下罚款，没有违法所得的，处一百万元以下罚款，对直接负责的主管人员和其他直接责任人员处一万元以上十万元以下罚款；情节严重的，并能责令暂停相关业务、停业整顿、关闭网站、吊销相关业务许可证或者吊销营业执照。”
（3）法律法规滞后，监管无法可依
医疗人工智能产品的注册、使用、监管等法律法规正在制定之中，有待完善。以医疗人工智能产品的注册为例，根据我国《医疗器械注册管理办法》的规定，在中华人民共和国境内销售、使用的医疗器械，应当按照本办法的规定申请注册或者办理备案。因此，医疗人工智能产品需要办理注册和备案。为加强医疗器械产品注册工作的管理、指导和技术审评工作，国家食品药品监督管理总局制定了相应医疗人工智能产品的注册指导原则。国家卫生与健康委员会、国家发改委、工信部等机构也在积极调研、起草和制定医疗人工智能产品的使用、监管等法律法规，确保医疗人工智能造福于民。
（4）医疗人工智能的知识产权判定
在我国现有的法律体系中，医疗人工智能的知识产权还难以清晰判定。
我国的知识产权判定依据的主要法律是《著作权法实施条例》，尚没有对医疗人工智能的知识产权的判定做出详细规定，在实践操作中有相当大的难度。
四、医疗人工智能前景展望与预测分析
尽管目前人工智能在医疗健康领域还没有形成规模化、常态化的应用，而且还受到一些政策、法律和伦理等方面的限制和约束，但不可否认的是，随着人工智能研究的深入，以及医疗资源匮乏弊端的显现，医疗人工智能应用将越来越广泛和深入，其产业也将越来越成熟。
1.人工智能在医疗健康领域的应用会越来越广泛
随着医疗健康信息化的快速发展，医疗机构及各类医疗健康服务型企业会产生大量的医疗健康数据，包括医疗图像、电子病历、健康档案等，人工智能技术能够对这些医疗大数据进行语义分析和数据挖掘，并实现对部分疾病的早期预警或自动诊断。这些应用主要体现在九个细分领域，包括疾病筛查和预测、医院管理、健康管理、医学影像、电子病历/文献分析、虚拟助手、智能化医疗器械、新药发现、基因分析和解读。
疾病筛查和预测：利用人工智能技术，依据历史就医数据以及行为、医学影像、生化检测等多种结果进行综合分析和判断，或者依据某个长期形成的单一数据进行疾病预测。譬如，骨关节炎发展预测，卡内基-梅隆大学通过收集大量人群10年间的软骨MRI影像数据，并利用人工智能技术进行图像数据的学习，从而发现正常人软骨中的异常，可以预测其未来3年患有骨关节炎的概率。基于各类医疗健康大数据的采集和汇聚，类似的疾病预测将会越来越普遍，预测精度也会越来越高。
医院管理：人工智能在医院管理上的应用主要包括优化医疗资源配置、弥补医院管理漏洞和提升患者就医体验。人工智能可以部分甚至完全代替人工在医院管理和服务中的某些角色和工作，譬如，病人管理、智能导医等。
健康管理：
随着各种检测技术（如可穿戴设备、基因检测等）的发展，个人健康数据越来越多、越来越复杂，包括生物数据（如基因等）、生理数据（如血压、脉搏）、环境数据（如每天呼吸的空气）、心理状态数据、社交数据以及就诊数据（即个人的就医、用药数据等）等。这些数据汇聚在一起，利用人工智能技术进行分析，可以对潜在健康风险做出提示，并给出相应的改善策略，最终可以实现对健康的前瞻性管理。
医学影像：
目前人工智能在医学影像领域应用得较为广泛和深入。由于各种成像技术（包括直接成像或间接成像）在医疗健康领域的广泛应用，医疗诊断对影像的依赖程度越来越高。医学影像已经成为医疗诊断的重要依据。庞大的影像数据量为深度学习系统提供了数据基础。利用人工智能技术可以帮助医生对医学影像完成各种定量分析、历史图像的比较或可疑病灶的发现等，从而高效、准确地完成诊断。
电子病历/文献分析：
人工智能主要是利用机器学习和自然语言处理技术自动抓取病历中的临床变量，智能化融汇多源异构的医疗数据，结构化病历、文献生成标准化的数据库，将积压的病历自动批量转化为结构化数据库。目前电子病历/文献分析的应用场景主要有三类：病历结构化处理、多源异构数据挖掘、临床决策支持。
虚拟助手：
虚拟助手是人工智能技术在医疗健康领域最先尝试应用的领域之一，它利用人工智能技术，通过对医疗健康大数据的学习或挖掘，在“理解”用户需求的前提下，按照要求输出相关的医学知识和信息，辅助人们进行健康管理或就医问药。虚拟助手较多地应用于个人问诊、用药咨询、导诊机器人、分诊和慢性病管理、电子病历语音录入等。
智能化医疗器械：
智能化医疗器械是指现代通信与信息技术、计算机网络技术、行业技术、智能控制技术、人工智能技术在医疗器械上的应用。但智能化医疗器械不只是拥有智能功能的普通医疗器械，它可以摆脱对医生操作的依赖，通过机器学习等底层技术实现自我更新迭代。智能化医疗器械能够在两个方面大大提升医疗效率：首先，智能化医疗器械能够帮助医生节省工作量；其次，智能化医疗器械能够提高器械使用的精准度。
新药发现：
新药的开发流程可分为药物发现、临床前开发和临床开发三个部分。而现代药物发现在技术上又可以分为三个阶段：靶点的发现和确证、先导物的发现、先导物的优化。人工智能在新药研发上的应用主要有两个阶段：一个是新药发现阶段，另一个是临床试验阶段。共有7种不同应用方向。
基因分析和解读：
基因检测技术不断发展和完善，检测价格不断下降，基因检测趋向大众化发展。随着数据的不断积累，分析能力和大数据库是遗传解读和咨询的关键，信息的解读与整合成为基因相关企业的核心竞争力。人工智能便依靠其强大的数据处理能力和学习能力给基因分析和解读带来了人类不曾拥有的能力。基因检测由专业检测机构完成，结果分析交给人工智能，临床医师只需要最终结论，用这个结论去指导治疗并进行精准的健康管理。
2.医疗AI产品将正式被批准成为医疗器械
在美国，FDA（食品药品监督管理局）于2018年4月批准了世界上第一款人工智能医疗设备IDx-DR，该设备可以在没有医生帮助的情况下诊断疾病，其内置摄像头用于拍摄患者眼睛的照片，再通过算法评估该照片，确定患者是否有糖尿病视网膜病变的迹象；5月24日，Imagen公司的OsteoDetect软件也获FDA批准，该软件利用机器学习技术，分析二维X光图像，通过识别患者手腕前后和侧面X光图像判断该患者是否骨折。
11月19日，国内的乐普医疗自主研发的心电图人工智能自动分析诊断系统“AI-ECGPlatform”获得FDA注册批准，成为国内首项获得美国FDA批准的人工智能心电产品。截至目前，FDA已经批准了12个泛AI类医疗产品进入临床应用。
由于AI医疗器械初期需要大量高质量、已标注的医学数据进行模型训练和学习，而目前一方面高质量的数据因为各种原因难以获得，另一方面一些算法模型还不够准确，导致很多AI产品在实际应用中会产生误诊、错诊、漏诊等问题。
医疗健康行业事关人民身体健康，来不得半点马虎。著名的IBMWatson人工智能产品就因为错诊，开出不安全药物而不断受到质疑，美国得克萨斯大学MD安德森癌症中心这样的顶级医疗机构在投入6700万美元之后还是选择放弃该项目。
但让AI产品成为医疗器械，并让其为患者带来真正的福音的努力并没有停止。国家食品药品监督管理总局（CFDA）为了更好地规范国内发展迅速的智能辅助诊断产品，2017年9月发布了新版《医疗器械分类目录》，2018年8月1日起开始施行。该新版目录新增了与人工智能辅助诊断相对应的类别，具体为对医学影像与病理图像的分析与处理。按照最新的分类规定，若诊断软件通过算法提供诊断建议，仅有辅助诊断功能，不直接给出诊断结论，则可申报二类医疗器械，如果对病变部位进行自动识别，并提供明确诊断提示，则按照第三类医疗器械管理。2018年11月19日，国家药品监督管理局医疗器械技术审评中心发出通知，公开向境内外征集生产人工智能医疗器械产品的企业信息，这表明其开始为我国AI医疗器械审批做准备。预计最晚到2020年，我国将会出现首批基于人工智能的医疗器械产品并应用于医疗诊断服务中。
如果各医疗人工智能公司要走医院采购这条路，那么获得国家药监局认证是必经之路，如果要认证三类医疗器械，那么大量真实的临床应用数据将会为公司的申请提供巨大的帮助。为此，目前医疗器械人工智能产品第三方评测机构已经开始开展工作，包括构建智能产品评测数据库，建立智能产品评测标准和明确评测步骤等，以便为企业提供真实可靠的评测环境。
3.医疗智能化应用的监管将越来越规范和严格
由于医疗数据涉及患者本人的隐私，在道德伦理和法律层面上都属于非常敏感的问题。另外和其他领域的AI产品对比而言，医疗智能化产品及服务，尤其是诊断和治疗方面的产品和服务，对人类医生专家的决策势必会产生一定的影响，一旦出现判断失误，患者的生命健康会面临严重的威胁。
在美国，医疗器械根据其风险程度被划分为三类，其中第Ⅲ类为具有高风险的医疗器械，具体指拟用于支持或维持人类生命或预防人类健康受损，或可能导致潜在的不合理疾病或伤害风险的医疗器械。根据美国联邦法律，第Ⅲ类设备除需进行一般监管外，还需进行上市前审批（PMA）。但同时FDA也鼓励企业医疗AI产品进行更新迭代，为此它有着全新的加速审批通道。FDA局长ScottGottlieb在华盛顿举行的2018HealthDatapalooza大会上表示，在保护患者的前提下，FDA正在扩大数字医疗工具获批的机会，并积极开发新的监管框架，用新的方法来审查人工智能。
可见FDA在人工智能医疗器械方面有较多的审核方式，而国内监管部门对于利用人工智能技术提供诊断功能的审核则更为严格，《医疗器械分类目录》对医疗AI产品的界定是：若诊断软件通过其算法提供诊断建议，仅有辅助诊断功能不直接给出诊断结论，则按照二类医疗器械申报认证；如果对病变部位进行自动识别并提供明确诊断提示，则必须按照第三类医疗器械进行临床试验认证管理。此外，国家卫生和计划生育委员会于2017年2月发布的《人工智能辅助诊断技术管理规范（2017年版）》和《人工智能辅助治疗技术管理体系规范（2017年版）》还对医疗机构及其医务人员应用AI辅助诊断和治疗提出了极具操作性的要求，具体包括医疗机构的硬件设施、医务人员的资质要求以及技术管理和培训管理制度等。
未来全球仍然需要推动医疗领域相关制度的制定和完善，各个国家和地区根据自身的法律法规和道德环境，加速制定关于人工智能产品的一系列制度标准，包括产品的开发、生产、评估和定价等各个方面。作为监管部门，当下的重点是制定一套科学、合理、明确的产品分类分级标准。目前，世界各主要国家几乎都将AI辅助诊断和治疗产品作为医疗器械加以监管，AI辅助诊断和治疗产品如需上市，必须根据医疗器械的等级分类标准获得监管部门相应的许可和认证。对于高风险的AI产品，提高审核标准、严格把关，最大限度降低出现医疗事故的风险；对于低风险的AI产品，可以采用鼓励和引导的监管方式，减少认证的周期，从而加速其产品和技术的迭代和发展。此外，监管部门对相关的医疗事故责任主体、各方责任权利范围要仔细地划分，这样才能保证医疗AI产品快速稳定地被社会认可。
4.对人工智能理论和技术的研究将更加深入
人工智能技术发展迅猛，在很多研究项目上取得了一定的成果。然而，医疗卫生行业不同于其他行业，它对于实验结果的可信度、可解释性的要求还是很高的。例如，对医学影像进行基于深度学习的数据分析，尽管这类技术能够取得很高的准确率，但是模型本身属于“黑箱技术”导致其结果缺乏判断依据，人类医生和患者往往很难相信实验结果的可靠性，最后产品难以投入实际使用。另外，很多研究内容都是针对单病种或者少量病种的分类、检测，多病种任务的人工智能分析还需要算法的进一步提升，在保证模型实验精度的基础上提高其本身的泛化能力。就医疗领域的硬件设备而言，发展中国家与发达国家相比缺乏核心研发技术，创新能力十分薄弱，在人工智能的部署方面存在较大难度。
由此，针对未来的医疗人工智能，还需要进行理论技术上的推动和创新。人工智能不仅是计算机科学的前沿，还是数学、软件工程、脑神经科学等学科的新方向，其在医学领域的未来发展要计算机软硬件专家、医学专家和统计学家等的共同努力，需要进行跨学科、跨领域的通力合作。一方面，使用更为成熟的人工智能理论来提升各个系统模块的思维逻辑能力，让专家系统在尽可能复杂的环境下准确而又迅速地提供诊疗方案；另一方面，继续加强人工智能技术的实践，使其具备更强的学习、自组织、泛化及训练能力，加快从“弱人工智能”到“强人工智能”的转化。例如，在深度学习中的可解释性问题，目前已经有学者试图通过注意力机制和可视化方法对这类技术进行分析。当然，未来仍然需要科研人员进一步探究这些“黑箱技术”内部的实现原理和技术细节。返回搜狐，查看更多
城市轨道交通智能化及可持续发展现状分析与展望
以下文章来源于现代城市轨道交通，作者现代城市轨道交通
现代城市轨道交通.
《现代城市轨道交通》为全彩单月刊，由中国国家铁路集团主管，中国铁道科学研究院主办。本刊密切关注城市轨道交通事业热点，全方位介绍国内外本行业建设和运营经验，及时报道相关技术装备高新成果，促进学术研讨与技术交流，为推动我国城市轨道交通建设服务。
近年来，我国城市轨道交通行业发展迅速，建设智能化、可持续发展的城市轨道交通已成为业内关注的焦点。文章从城市轨道交通智能化及可持续发展的现状出发，对其未来发展的5个方向进行展望，并提出相应建议，以期为促进城市轨道交通高质量发展提供参考和借鉴。
1
发展现状
1.1城市轨道交通智能化
将信息化、大数据分析和人工智能（AI）等智能化技术应用到城市轨道交通行业的目的是使其管理更高效，在提高其运营、维护、安全和服务水平的同时降低成本。目前，城市轨道交通智能化技术应用主要涉及以下方面。
（1）提高系统的安全性、可用性和可靠性。例如，研制智能化列车，提高列车相关系统的自主在线诊断、自主运行控制以及远程控制能力；探究灵活编组列车的可实施性，以运营成本和乘客出行时间为优化目标，构建列车开行方案模型；实现信号系统的高稳定性、高可靠性及自主化生产。
（2）实现网络化运营调度。由于城市轨道交通线路数量不断增加，部分城市逐步构建了成规模的线路网络，为提升运输组织效率，要求对各条线路进行网络化运营。为此，需要应用更合理的优化算法和更可靠的通信技术，建立智能化的线网级调度指挥中心，实现线路间的联动及网络化运营调度。虽然，目前部分城市已实现相同制式线路的共线管理，如上海地铁3号、4号线的共线运营，以及重庆市轨道交通多条线路列车的共线运行，但由于其中涉及变量甚多，需要建立的标准非常复杂，还需考虑配线设计和换乘等诸多条件，因此大面积推广还需要时间和努力。
（3）采集多源客流监测数据，构建智慧客流分析及预测系统。依托物联网、城轨云、大数据平台及数据挖掘技术，动态监测客流状况，对采集的客流数据进行分析和处理，实现对短期、长期及特殊时期客流的预测、预警，并自动输出客流疏、导、管、控解决方案，如根据客流量确定列车每站的停靠时间、发车间隔和频次等。
（4）提升机电设备、车辆和轨道设施的自动化检测和诊断水平，促进设备设施的维保由“故障修”“计划修”向“状态修”“预测修”转变。基于状态感知、物联网、建筑信息模型（BuildingInformationModeling，BIM）、云计算及5G等技术，构建必要的在线监测、数据采集、传输和存储平台，建立数据与设备状态关联的知识图谱和运算模型，通过算法的不断优化、自学习和校准，实现对机电设备、车辆和轨道设施状态的科学诊断，并为诊断设定阈值，进而自动生成应急处置预警提示和维保计划。目前，将BIM技术应用从建设阶段扩展到运维阶段，搭建基于BIM的城市轨道交通基础设施运维管理平台已成为此领域的重要研究方向。
（5）实现安全保障工作的智能化。智能化巡检和综合监控技术的应用是当前行业安全保障智能化的主要体现。例如，将激光雷达、雷达和图像自动识别等技术用于对隧道、道床、钢轨和扣件的自动化巡检，以及对侵入车辆限界异物的快速识别；研发安检自动判图软件以及基于视频的分析技术，以实现对大客流、火灾、治安事件等突发情况的预警提示，为城市轨道交通工作人员在此种情况下做出快速准确的判断、采取合理的应对方案提供依据。
（6）实现服务的便捷化及人性化。例如，实现有闸机条件下的售检票电子化；基于状态感知、物联网等技术，构建智能环境控制系统，对车厢、站厅、站台的温度、湿度、灯光照度等进行智能调节，提高乘客的舒适度；推进基于实名制、个人信用体系的跨平台、跨场景乘车票务服务，利用生物识别、无感支付等技术，提高售检票及乘车的智能化水平；通过丰富终端设备的便民应用功能，聚合多平台出行服务内容，根据乘客出行需求订制化提供多种出行解决方案以及“职、住、憩、游”等方面的延伸服务。
1.2城市轨道交通可持续发展
目前，城市轨道交通可持续发展主要聚焦在降低运营过程中的能源消耗，其主要涉及以下方面。
（1）各类节能设备、可再生能源技术的应用。在城市轨道交通领域，节能型照明光源及智能化控制系统、列车再生制动能量的吸收和利用、列车的“节能惰行”运行模式、列车的轻量化、永磁牵引技术的应用、根据环境感知实时进行变频调节的通风空调系统、变频自动扶梯、磁悬浮压缩机等是目前研究应用的焦点。此外，还有部分示范项目开始应用绿色能源发电技术，如太阳能、地热能及并网发电技术。
（2）城市轨道交通能耗计量技术的应用。由于目前在城市轨道交通前期施工及后期运营管理过程中缺乏全面的计量措施，因此建设和运营单位在评估城市轨道交通能耗时存在一定的困难。为降低能耗，需要完善各用能环节的能耗计量，从而为节能评估奠定基础。目前较为先进的能耗计量技术包括远程无人计量、物联网等技术。
（3）建立能耗评价指标体系，打造智能化能源管理系统。通过建立合理的能耗评价指标体系，结合数据挖掘技术，能够以采集的能耗数据为基础，对城市轨道交通用能进行精准分析，从而从“技术节能”和“管理节能”2方面不断实现优化。目前，虽然国家和一些地方已制定了相关的城市轨道交通能耗评价指标体系，但在数据采集和评价模式数字化尚未实现的现实条件下，此项工作还有待进一步完善。
2
展望与建议
基于上述现状分析，本节展望了城市轨道交通智能化及可持续发展的五大方向，并分别对各个方向进行讨论，提出相关建议。
2.1列车全自动驾驶
列车全自动驾驶是指通过列车自动控制系统实现列车自动唤醒、自动行驶、精确停车、站台自动化作业、无人折返、自动运行调整等功能，以减少人员介入，降低人工成本及减少人为失误。
然而，目前该项技术还存在以下问题：①尚无全寿命周期内的成本数据，无法进行成本比较；②随着设施设备服役年限的增长，其可靠性会逐步降低，其在缺乏合理管理和维护情况下存在的风险与人为失误造成的风险孰大孰小，目前难以评估；③许多城市在中心城区均规划建设城市轨道交通线网，若全自动运营线路上发生故障而不能快速恢复运营，势必对整个线网的运行造成影响。
因此，在城市轨道交通网络化运营的背景下，应在发展和完善全自动驾驶技术的同时，不断收集和对比相关数据，做好设施设备全寿命周期的运维管理，以确保其可靠性，并综合分析全自动驾驶线路的寿命周期成本，通过数据证明全自动驾驶技术的价值。
2.2互联互通
城市轨道交通互联互通不只是实现设备接口协议的标准化和设备的信息互换，其实质在于列车跨不同线路的过轨运行，这将改变原有城市轨道交通以单线为基础的行车调度指挥模式。
互联互通具有以下2方面的优势。
（1）降低成本。具体如下：①不仅可减少整个线网的车辆数量，而且用于停放、维修和检测车辆的场地和设备也随之减少；②由于互联互通线路的设备实现了标准化，因此可对车辆、供电、信号、站台门等系统进行规模化生产、采购、存储、安装、调试和维保，从而降低相关成本（其中包括人员培训、跨专业融合、工时均衡统筹等人力成本）。
（2）提高运输服务质量。互联互通的实现能够减少换乘次数，缩短乘客乘车时间；采用快、慢车混跑的运营组织模式，可满足不同乘客的乘车需求，提高运输服务质量。
然而，目前互联互通的实现受以下条件的制约：①线路的互联互通适合在城市轨道交通的建设期统筹谋划，最好是多条线路同时建设，并为其制定统一标准，以便实现最大的规模效应；②制定的标准须具有前瞻性，原因在于先建线路一旦建成，后续线路也将采用与其相统一的标准，从而牺牲一定的灵活性，例如，后续采用更经济、更适用技术的可行性会降低；③已运营线路的互联互通改造宜在其进入大修期时统筹考虑，因此对于城市轨道交通线网已成规模的城市，实现的周期比较长；④需要解决“跨线运营”问题。解决上述问题的根本方法是建立城市轨道交通行业统一的标准体系，为车辆、信号、供电和站台门等系统制定成套的统一标准，则城市轨道交通互联互通问题将迎刃而解。
2.3智能运维
智能运维是通过对设备状态数据进行采集、存储、加工，分析和判断数据信息与设备的健康状态是否吻合，并输出判断的结果，进而实现对维修策略的指导（图1）。其通过物联网和不同功能的算法模块实现，而实现关键在于以下2点：①搭建强大且可靠的数据采集及终端回馈系统，包括传感器、网络通信及数据库；②开发科学合理的分析算法，包括依据目标要求设计的数学模型和决策模型。
然而，目前城市轨道交通智能运维的实现面临如下挑战：①采用大数据、云计算等技术的数据采集和存储系统耗资巨大，数据的广泛采集与有限使用的矛盾突出；②投资与收益存在不匹配的情况；③投资价值在不同的城市也不尽相同。
为解决上述问题，应当在建立智能运维基础平台之初就将数据应用作为主要方向，树立“数据采集是为输出成果服务”的理念，将数据与设备的可靠性、可用性、可维护性和安全性（ReliabilityAvailabilityMaintainabilityandSafety，RAMS）进行充分关联，在此基础上对维修策略进行调整和优化（即管理创新的驱动），找到基于RAMS的最优寿命周期成本（LifeCycleCosts，LCC），并通过合理的LCC来保证RAMS的实现，最后形成RAMS&LCC最优方案报告，以指导城市轨道交通的智能运维。例如，天津地铁在搭建线网云的同时，提出加强信息化与运维业务双向融合的工作模式，通过双向融合、双向设计，缩短获得RAMS&LCC最优方案报告的时间。
2.4智慧服务
智慧的内涵是感知、记忆、理解、分析、判断、升华等能力，其在城市轨道交通行业里涉及最多的领域是服务与调度，如智慧客服、智慧安检、智慧应急指挥、一键开关站、客流监测与引导、无感支付等（图2）。目前，上海、广州和深圳等城市的轨道交通率先建立了智慧车站示范站，在行业里起到了良好的带动作用。随着中国城市轨道交通协会发布《中国城市轨道交通智慧城轨发展纲要》，其他城市也在加快智慧车站的研究和建设。
然而，在加速城市轨道交通智慧化建设的同时，还需要认真思考“城市轨道交通智慧服务不是为智慧而智慧”这道命题，即对以下问题进行深入探讨。
（1）智慧解决了哪些问题；
（2）智慧满足了谁的需求；
（3）这些需求是否具有普遍性和迫切性；
（4）需求中是否混入“认为的需求”和“伪需求”；
（5）是否值得动用资源去满足所有的需求。
只有对上述问题有了深刻认识之后，才能明晰哪些智慧化建设举措应该继续加速推进、哪些需要缓行、哪些需要暂停等待、哪些需要适可而止，这样才能保证新技术在行业中具有长久的生命力。这是智慧化示范工程没有在城市轨道交通行业全面推广的原因，也是目前行业需要思考的问题。
2.5节能减排
在城市轨道交通智能化发展进程中，节约能源、降低二氧化碳排放对于行业的可持续健康发展具有重要意义。目前，节能技术（如光伏、永磁电机、车辆轻量化、智慧照明、能源管理、风水联动等）在单个专业领域的应用较为深入，并已在一定范围内推广（图3）。实践证明，这些日趋完善的技术在节能减排的同时，还能够降低城市轨道交通全寿命周期成本。
然而，目前节能新技术的推广速度仍比较慢，其原因在于：①新建线路对建设期投资规模的重视程度高于LCC；②对运营线路进行技术改造的难度和成本远远大于对新建线路进行统一设计和选型；③运营成本的压力加大了节能技术在运营线路推广的难度。随着“碳达峰”“碳中和”被写入《2021年政府工作报告》，政策引领已经非常明确，在未来发展中，节能减排必将突破单个领域的限制，系统地纳入城市轨道交通全产业链。
3
结语
目前，城市轨道交通已成为大中型城市的动脉、城市发展的引领、城市公共交通的主导。随着行业的迅猛发展，以及运营线路数量的快速增加，其运营的经济压力也在不断增大，智能化及可持续发展已成为城市轨道交通发展的必然趋势。本文从城市轨道交通智能化及可持续发展的现状出发，对其未来发展的5个方向进行了展望。这5个方向具有其形成的政治、经济、社会和技术（PoliticsEconomySocietyandTechnology，PEST）背景。城市轨道交通企业应对行业所处的宏观环境进行PEST分析和谋划，进而建立起具有自身特点并可持续发展的优势，通过技术革新和管理创新，为实现我国城市轨道交通的智能化及可持续发展贡献力量。
参考文献
李义岭，喻彦喆，姚克民.城市轨道交通智能化及可持续发展现状分析与展望[J].现代城市轨道交通，2021（11）：90-94.
作者简介
李义岭，男，正高级工程师，天津市地下铁道集团有限公司副总工程师
现代城市轨道交通小编：执器扶鼎
素材来源：铁科院《现代城市轨道交通》杂志
·谢谢你的深入阅读，转发分享点在看是最大的鼓励·
原标题：《城市轨道交通智能化及可持续发展现状分析与展望》
阅读原文
人工智能产业生态图：人工智能产业发展现状及趋势
人工智能作为新一轮产业变革的核心驱动力，将催生新的技术、产品、产业、业态、模式，从而引发经济结构的重大变革，实现社会生产力的整体提升。
麦肯锡预计：到2025年全球人工智能应用市场规模总值将达到1270亿美元，人工智能将是众多智能产业发展的突破点。
通过对人工智能产业分布进行梳理，提出了人工智能产业生态图，主要分为：核心业态、关联业态、衍生业态三个层次。
人工智能产业生态图
下面将重点对核心业态包含的智能基础设施建设、智能信息及数据、智能技术服务、智能产品四个方面展开介绍，并总结人工智能行业应用及产业发展趋势。
智能基础设施智能基础设施为人工智能产业提供计算能力支撑，其范围包括智能传感器、智能芯片、分布式计算框架等，是人工智能产业发展的重要保障。
1.智能芯片智能芯片从应用角度可以分为训练和推理两种类型。从部署场景来看，可以分为云端和设备端两步大类。
训练过程由于涉及海量的训练数据和复杂的深度神经网络结构，需要庞大的计算规模，主要使用智能芯片集群来完成。与训练的计算量相比，推理的计算量较少，但仍然涉及大量的矩阵运算。目前，训练和推理通常都在云端实现，只有对实时性要求很高的设备会交由设备端进行处理。
按技术架构来看，智能芯片可以分为通用类芯片（CPU、GPU、FPGA）、基于FPGA的半定制化芯片、全定制化ASIC芯片、类脑计算芯片（IBMTrueNorth）。另外，主要的人工智能处理器还有DPU、BPU、NPU、EPU等适用于不同场景和功能的人工智能芯片。
随着互联网用户量和数据规模的急剧膨胀，人工智能发展对计算性能的要求迫切增长，对CPU计算性能提升的需求超过了摩尔定律的增长速度。同时，受限于技术原因，传统处理器性能也无法按照摩尔定律继续增长，发展下一代智能芯片势在必行。
未来的智能芯片主要是在两个方向发展：
一是模仿人类大脑结构的芯片；二是量子芯片。智能芯片是人工智能时代的战略制高点，预计到2020年人工智能芯片全球市场规模将突破百亿美元。
2.智能传感器智能传感器是具有信息处理功能的传感器，智能传感器带有微处理机，具备采集、处理、交换信息等功能，是传感器集成化与微处理机相结合的产物。
智能传感器属于人工智能的神经末梢，用于全面感知外界环境。各类传感器的大规模部署和应用为实现人工智能创造了不可或缺的条件。不同应用场景，如：智能安防、智能家居、智能医疗等对传感器应用提出了不同的要求。
未来，随着人工智能应用领域的不断拓展，市场对传感器的需求将不断增多，2020年市场规模有望突破4600亿美元。未来，高敏度、高精度、高可靠性、微型化、集成化将成为智能传感器发展的重要趋势。
3.分布式计算框架面对海量的数据处理、复杂的知识推理，常规的单机计算模式已经不能支撑。所以，计算模式必须将巨大的计算任务分成小的单机可以承受的计算任务，即云计算、边缘计算、大数据技术提供了基础的计算框架。
目前流行的分布式计算框架，如：OpenStack、Hadoop、Storm、Spark、Samza、Bigflow等。各种开源深度学习框架也层出不穷，其中包括TensorFlow、Caffe、Keras、CNTK、Torch7、MXNet、Leaf、Theano、DeepLearning4、Lasagne、Neon等等。
智能信息及数据信息数据是人工智能创造价值的关键要素之一，我国庞大的人口和产业基数带来了数据方面的天生优势。随着算法、算力技术水平的提升，围绕数据的采集、分析、处理产生了众多的企业。
目前，在人工智能数据采集、分析、处理方面的企业主要有两种：
一种是数据集提供商，以提供数据为自身主要业务，为需求方提供机器学习等技术所需要的不同领域的数据集；另一种是数据采集、分析、处理综合性厂商，自身拥有获取数据的途径，并对采集到的数据进行分析处理，最终将处理后的结果提供给需求方进行使用。对于一些大型企业，企业本身也是数据分析处理结果的需求方。智能技术服务智能技术服务主要关注如何构建人工智能的技术平台，并对外提供人工智能相关的服务。此类厂商在人工智能产业链中处于关键位置，依托基础设施和大量的数据，为各类人工智能的应用提供关键性的技术平台、解决方案和服务。
目前，从提供服务的类型来看，提供技术服务厂商包括以下几类：
（1）提供人工智能的技术平台和算法模型
此类厂商主要针对用户或者行业需求，提供人工智能技术平台以及算法模型。用户可以在人工智能平台之上，通过一系列的算法模型来进行人工智能的应用开发。此类厂商主要关注人工智能的通用计算框架、算法模型、通用技术等关键领域。
（2）提供人工智能的整体解决方案
此类厂商主要针对用户或者行业需求，设计和提供包括软、硬件一体的行业人工智能解决方案，整体方案中集成多种人工智能算法模型以及软、硬件环境，帮助用户或行业解决特定的问题。此类厂商重点关注人工智能在特定领域或者特定行业的应用。
（3）提供人工智能在线服务
此类厂商一般为传统的云服务提供厂商，主要依托其已有的云计算和大数据应用的用户资源，聚集用户的需求和行业属性，为客户提供多类型的人工智能服务。
从各类模型算法和计算框架的API等特定应用平台到特定行业的整体解决方案等，进一步吸引大量的用户使用，从而进一步完善其提供的人工智能服务。
此类厂商主要提供相对通用的人工智能服务，同时也会关注一些重点行业和领域。
需要指出的是：上述三类角色并不是严格区分开的，很多情况下会出现重叠，随着技术的发展成熟，在人工智能产业链中已有大量的厂商同时具备上述两类或者三类角色的特征。
智能产品智能产品是指将人工智能领域的技术成果集成化、产品化，具体的分类如下表所示：
人工智能产品
随着制造强国、网络强国、数字中国建设进程的加快，在制造、家居、金融、教育、交通、安防、医疗、物流等领域对人工智能技术和产品的需求将进一步释放，相关智能产品的种类和形态也将越来越丰富。
人工智能行业应用人工智能与行业领域的深度融合将改变甚至重新塑造传统行业，本节重点介绍人工智能在制造、家居、金融、交通、安防、医疗、物流行业的应用，由于篇幅有限，其它很多重要的行业应用在这里不展开论述。
1. 智能制造智能制造是基于新一代信息通信技术与先进制造技术深度融合，贯穿于设计、生产、管理、服务等制造活动的各个环节，具有自感知、自学习、自决策、自执行、自适应等功能的新型生产方式。
智能制造对人工智能的需求，主要表现在以下三个方面：
一是智能装备，包括自动识别设备、人机交互系统、工业机器人以及数控机床等具体设备，涉及到跨媒体分析推理、自然语言处理、虚拟现实智能建模及自主无人系统等关键技术。二是智能工厂，包括智能设计、智能生产、智能管理以及集成优化等具体内容，涉及到跨媒体分析推理、大数据智能、机器学习等关键技术。三是智能服务，包括大规模个性化定制、远程运维以及预测性维护等具体服务模式，涉及到跨媒体分析推理、自然语言处理、大数据智能、高级机器学习等关键技术。例如：现有涉及智能装备故障问题的纸质化文件，可通过自然语言处理，形成数字化资料，再通过非结构化数据向结构化数据的转换，形成深度学习所需的训练数据，从而构建设备故障分析的神经网络，为下一步故障诊断、优化参数设置提供决策依据。
2.智能家居参照工业和信息化部印发的《智慧家庭综合标准化体系建设指南》，智能家居是智慧家庭八大应用场景之一。受产业环境、价格、消费者认可度等因素影响，我国智能家居行业经历了漫长的探索期。
至2010年，随着物联网技术的发展以及智慧城市概念的出现，智能家居概念逐步有了清晰的定义并随之涌现出各类产品，软件系统也经历了若干轮升级。
智能家居以住宅为平台，基于物联网技术，由硬件（智能家电、智能硬件、安防控制设备、家具等）、软件系统、云计算平台构成的家居生态圈，实现人远程控制设备、设备间互联互通、设备自我学习等功能，并通过收集、分析用户行为数据为用户提供个性化生活服务，使家居生活安全、节能、便捷等。
例如：借助智能语音技术，用户应用自然语言实现对家居系统各设备的操控，如开关窗帘（窗户）、操控家用电器和照明系统、打扫卫生等操作。借助机器学习技术，智能电视可以从用户看电视的历史数据中分析其兴趣和爱好，并将相关的节目推荐给用户。
通过应用声纹识别、脸部识别、指纹识别等技术进行开锁等。通过大数据技术可以使智能家电，实现对自身状态及环境的自我感知，具有故障诊断能力。通过收集产品运行数据，发现产品异常，主动提供服务，降低故障率。还可以通过大数据分析、远程监控和诊断，快速发现问题、解决问题及提高效率。
3.智能金融人工智能的飞速发展，将对身处服务价值链高端的金融业带来深刻影响，人工智能逐步成为决定金融业沟通客户、发现客户金融需求的重要因素。
人工智能技术在金融业中可以用于服务客户，支持授信、各类金融交易和金融分析中的决策，并用于风险防控和监督，将大幅改变金融现有格局，金融服务将会更加地个性化与智能化。
智能金融对于金融机构的业务部门来说，可以帮助获客，精准服务客户，提高效率；对于金融机构的风控部门来说，可以提高风险控制，增加安全性；对于用户来说，可以实现资产优化配置，体验到金融机构更加完美地服务。人工智能在金融领域的应用主要包括：智能获客、依托大数据、对金融用户进行画像，通过需求响应模型，极大地提升获客效率。身份识别，以人工智能为内核，通过人脸识别、声纹识别、指静脉识别等生物识别手段，再加上各类票据、身份证、银行卡等证件票据的OCR识别等技术手段，对用户身份进行验证，大幅降低核验成本，有助于提高安全性。
大数据风控，通过大数据、算力、算法的结合，搭建反欺诈、信用风险等模型，多维度控制金融机构的信用风险和操作风险，同时避免资产损失。
智能投顾，基于大数据和算法能力，对用户与资产信息进行标签化，精准匹配用户与资产。
智能客服，基于自然语言处理能力和语音识别能力，拓展客服领域的深度和广度，大幅降低服务成本，提升服务体验。
金融云，依托云计算能力的金融科技，为金融机构提供更安全高效的全套金融解决方案。
4.智能交通智能交通系统（IntelligentTrafficSystem，ITS）是通信、信息和控制技术在交通系统中集成应用的产物。ITS借助现代科技手段和设备，将各核心交通元素联通，实现信息互通与共享以及各交通元素的彼此协调、优化配置和高效使用形成人、车和交通的一个高效协同环境，建立安全、高效、便捷和低碳的交通。
例如：通过交通信息采集系统采集道路中的车辆流量、行车速度等信息，信息分析处理系统处理后形成实时路况，决策系统据此调整道路红绿灯时长，调整可变车道或潮汐车道的通行方向等，通过信息发布系统将路况推送到导航软件和广播中，让人们合理规划行驶路线。
通过不停车收费系统（ETC），实现对通过ETC入口站的车辆身份及信息自动采集、处理、收费和放行，有效提高通行能力、简化收费管理、降低环境污染。
ITS应用最广泛的地区是日本，其次是美国、欧洲等地区。中国的智能交通系统近几年也发展迅速，在北京、上海、广州、杭州等大城市已经建设了先进的智能交通系统。
其中，北京建立了道路交通控制、公共交通指挥与调度、高速公路管理和紧急事件管理等四大ITS系统。广州建立了交通信息共用主平台、物流信息平台和静态交通管理系统等三大ITS系统。
5.智能安防智能安防技术是一种利用人工智能对视频、图像进行存储和分析，从中识别安全隐患并对其进行处理的技术。智能安防与传统安防的最大区别在于智能化，传统安防对人的依赖性比较强，非常耗费人力，而智能安防能够通过机器实现智能判断，从而尽可能实现实时地安全防范和处理。
当前，高清视频、智能分析等技术的发展，使得安防从传统的被动防御向主动判断和预警发展，行业也从单一的安全领域向多行业应用发展，进而提升生产效率并提高生活智能化程度，为更多的行业和人群提供可视化及智能化方案。
用户面对海量的视频数据，已无法简单利用人海战术进行检索和分析，需要采用人工智能技术作专家系统或辅助手段，实时分析视频内容，探测异常信息，进行风险预测。
从技术方面来讲，目前国内智能安防分析技术主要集中在两大类：
一类是采用画面分割前景提取等方法，对视频画面中的目标进行提取检测，通过不同的规则来区分不同的事件，从而实现不同的判断并产生相应的报警联动等。例如：区域入侵分析、打架检测、人员聚集分析、交通事件检测等。另一类是利用模式识别技术，对画面中特定的物体进行建模，并通过大量样本进行训练，从而达到对视频画面中的特定物体进行识别，如车辆检测、人脸检测、人头检测（人流统计）等应用。智能安防目前涵盖众多的领域，如街道社区、道路、楼宇建筑、机动车辆的监控，移动物体监测等。今后智能安防还要解决海量视频数据分析、存储控制及传输问题，将智能视频分析技术、云计算及云存储技术结合起来，构建智慧城市下的安防体系。
6.智能医疗人工智能的快速发展，为医疗健康领域向更高的智能化方向发展，提供了非常有利的技术条件。近几年，智能医疗在辅助诊疗、疾病预测、医疗影像辅助诊断、药物开发等方面发挥重要作用。
在辅助诊疗方面，通过人工智能技术可以有效提高医护人员工作效率，提升一线全科医生的诊断治疗水平。如利用智能语音技术可以实现电子病历的智能语音录入;利用智能影像识别技术，可以实现医学图像自动读片;利用智能技术和大数据平台，构建辅助诊疗系统。
在疾病预测方面，人工智能借助大数据技术可以进行疫情监测，及时有效地预测并防止疫情的进一步扩散和发展。
以流感为例：很多国家都有规定，当医生发现新型流感病例时需告知疾病控制与预防中心。但由于人们可能患病不及时就医，同时信息传达回疾控中心也需要时间。因此，通告新流感病例时往往会有一定的延迟，人工智能通过疫情监测能够有效缩短响应时间。
在医疗影像辅助诊断方面，影像判读系统的发展是人工智能技术的产物。早期的影像判读系统主要靠人手工编写判定规则，存在耗时长、临床应用难度大等问题，从而未能得到广泛推广。
影像组学是通过医学影像对特征进行提取和分析，为患者预前和预后的诊断和治疗提供评估方法和精准诊疗决策。这在很大程度上简化了人工智能技术的应用流程，节约了人力成本。
7.智能物流传统物流企业在利用条形码、射频识别技术、传感器、全球定位系统等方面优化改善运输、仓储、配送装卸等物流业基本活动。同时也在尝试使用智能搜索、推理规划、计算机视觉以及智能机器人等技术，实现货物运输过程的自动化运作和高效率优化管理，提高物流效率。
例如：在仓储环节，利用大数据智能通过分析大量历史库存数据，建立相关预测模型，实现物流库存商品的动态调整。大数据智能也可以支撑商品配送规划，进而实现物流供给与需求匹配、物流资源优化与配置等。
在货物搬运环节，加载计算机视觉、动态路径规划等技术的智能搬运机器人（如搬运机器人、货架穿梭车、分拣机器人等）得到广泛应用，大大减少了订单出库时间，使物流仓库的存储密度、搬运的速度、拣选的精度均有大幅度提升。
人工智能产业发展趋势从人工智能产业进程来看，技术突破是推动产业升级的核心驱动力。数据资源、运算能力、核心算法共同发展，掀起人工智能第三次新浪潮。人
工智能产业正处于从感知智能向认知智能的进阶阶段，前者涉及的智能语音、计算机视觉及自然语言处理等技术，已具有大规模应用基础。但后者要求的“机器要像人一样去思考及主动行动”仍尚待突破，诸如：无人驾驶、全自动智能机器人等仍处于开发中，与大规模应用仍有一定距离。
1.智能服务呈现线下和线上的无缝结合分布式计算平台的广泛部署和应用，增大了线上服务的应用范围。同时人工智能技术的发展和产品不断涌现，如智能家居、智能机器人、自动驾驶汽车等，为智能服务带来新的渠道或新的传播模式，使得线上服务与线下服务的融合进程加快，促进多产业升级。
2.智能化应用场景从单一向多元发展目前人工智能的应用领域还多处于专用阶段，如人脸识别、视频监控、语音识别等都主要用于完成具体任务，覆盖范围有限，产业化程度有待提高。随着智能家居、智慧物流等产品的推出，人工智能的应用终将进入面向复杂场景，处理复杂问题，提高社会生产效率和生活质量的新阶段。
3.人工智能和实体经济深度融合进程将进一步加快党的十九大报告提出：“推动互联网、大数据、人工智能和实体经济深度融合”。
一方面，随着制造强国建设的加快，将促进人工智能等新一代信息技术产品发展和应用，助推传统产业转型升级，推动战略性新兴产业实现整体性突破。
另一方面，随着人工智能底层技术的开源化，传统行业将有望加快掌握人工智能基础技术并依托其积累的行业数据资源实现人工智能与实体经济的融合创新。
#专栏作家#拼搏的80后，人人都是产品经理专栏作家。10年互联网从业经历，具有各类型B端、C端产品的设计经验，关注区块链及人工智能的技术发展及应用场景探索。
本文原创发布于人人都是产品经理。未经许可，禁止转载
题图来自Unsplash，基于CC0协议
人工智能在我国的发展现状及产业化趋势分析
当前位置：前瞻产业研究院»经济学人»研究员专栏人工智能在我国的发展现状及产业化趋势分析UVc分享到：王勇明•2017-04-0711:57:09来源：前瞻产业研究院E7233G0AlphaGO挑落世界围棋冠军，人工智能崭露头角
2016年3月9日，举世瞩目的"人机大战"打响，AlphaGO兵不血刃连下三局，经过5盘厮杀，最终大比分4：1击败围棋世界冠军李世石，引得舆论一片哗然，人工智能发展速度简直令人匪夷所思！其实，早在2015年10月，这款谷歌研制的"阿尔法围棋"（AlphaGo）已经以5：0完胜欧洲冠军樊麾，打破了以往人机交手机器必输的魔咒。
全球人工智能的发展已有60年的历史，而中国在人工智能方面的发展起步于1987年，到今天也只有30年左右的时间。2012年中国人工智能方面的专利申请数量首次超过美国，成为全球人工智能专利最多的国家。技术的不断突破，也推动了人工智能在我国的应用领域不断得到拓展，进而促使我国人工智能市场规模较快增长。据前瞻产业研究院发布的《2017-2022年中国人工智能行业市场前瞻与投资战略规划分析报告》显示，2014年，我国人工智能产业市场规模为48.6亿元；截止到2016年底，人工智能产业市场规模已经增长至95.6亿元，年均复合增长率高达40.25%。随着人工智能应用范围的扩大，将带动产业规模高速增长。预计到2018年，我国人工智能产业市场规模将达到203.3亿元。
图表1：2014-2018年我国人工智能产业市场规模（单位：亿元，%）
资料来源：前瞻产业研究院整理
人工智能技术不断成熟，行业产业化瓶颈待突破
从人工智能行业的角度来看，人工智能产业链包括基础设施层、技术研发层和应用层。
图表2：我国人工智能行业发展瓶颈分析
资料来源：前瞻产业研究院整理
从应用领域的角度来看，目前，人工智能主要应用于汽车领域、虚拟现实和服务机器人等。
图表3：我国人工智能应用领域产业化瓶颈分析
资料来源：前瞻产业研究院整理
可见，我国人工智能领域实现产业化不仅需要在人工智能的三个层次上进行不断的改进，也需要相关应用领域内企业主体观念的改变、技术水平的不断提升以及国家相关政策的不断完善。
本文来源前瞻产业研究院，内容仅代表作者个人观点，本站只提供参考并不构成任何投资及应用建议。（若存在内容、版权或其它问题，请联系：service@qianzhan.com）品牌合作与广告投放请联系：0755-33015062或hezuo@qianzhan.com在招股说明书、公司年度报告等任何公开信息披露中引用本篇文章内容，需要获取前瞻产业研究院的正规授权。如有IPO业务合作需求请直接联系前瞻产业研究院IPO团队，联系方式：400-068-7188。
p50q0我要投稿
UVc分享：标签：人工智能现状产业化人工智能行业品牌、内容合作请点这里：寻求合作››
产业规划
园区规划
产业招商
可行性研究
碳中和
市场调研
IPO咨询
前瞻经济学人专注于中国各行业市场分析、未来发展趋势等。扫一扫立即关注。前瞻产业研究院中国产业咨询领导者，专业提供产业规划、产业申报、产业升级转型、产业园区规划、可行性报告等领域解决方案，扫一扫关注。相关阅读RELEVANT2022年中国数字产业化发展现状及市场规模分析数字产业化规模达7.5万亿元【组图】
2023年中国人工智能芯片行业发展现状分析行业处于萌芽期【组图】
【建议收藏】重磅！2023年浙江省人工智能产业链全景图谱(附产业政策、产业链现状图谱、产业资源空间布局、产业链发展规划)
2023年中国人工智能芯片行业市场现状及发展前景分析AI芯驱动引领未来【组图】
2023年中国人工智能芯片行业产业链现状分析相关企业主要集中在北上广地区【组图】
2022年中国水处理剂行业发展现状与市场需求结构分析进入产业化发展阶段【组图】