车记:餐饮行业中的人工智能技术有哪些应用
餐饮行业是人们日常生活中不可或缺的一部分，而如今人工智能技术的应用已经逐渐渗透进了这个行业。人工智能技术的发展为餐饮行业提供了许多创新的解决方案，提高了效率，提升了体验。
首先，一个很明显的应用就是点餐机器人。在餐厅中，点餐是一个相对繁琐的环节，而使用点餐机器人可以大大提高效率。消费者只需要在屏幕上选择菜单上的项目，然后机器人便会将订单发送给厨房。这种技术不仅节省了服务员的时间，还能减少错误的订单。此外，一些点餐机器人还可以根据消费者的喜好进行推荐，从而提供更个性化的服务。
其次，智能厨房设备也是餐饮行业中的一个重要应用。智能炉具、智能烤炉等设备可以通过人工智能技术自动调节温度和时间，保证食物烹饪的质量和一致性。而且，这些设备可以根据不同的菜谱和食材进行智能匹配，提供更好的烹饪效果。这不仅提高了厨房的工作效率，还能保证菜品的口感和质量的稳定性。
另外，流程优化也是人工智能在餐饮行业中的重要应用之一。餐饮业务繁杂，流程繁琐，但是通过人工智能技术可以将这些流程进行优化和简化。例如，利用人工智能算法对顾客进行分析，可以更好地了解他们的喜好和消费行为，从而推出更精确的促销活动和优惠券。此外，人工智能还可以通过预测需求、订单优化等方式来提前准备食材、调配人力资源，避免浪费和过剩。
除了以上应用，人工智能技术还可以用于餐厅运营和管理。例如，使用人工智能技术的智能POS机可以帮助餐厅管理者更好地了解销售数据、库存情况和顾客反馈，从而做出更明智的经营决策。此外，人工智能还可以用于员工管理，通过优化排班和培训计划，提高员工的工作效率和服务质量。
综上所述，人工智能技术在餐饮行业中的应用正变得越来越广泛。点餐机器人、智能厨房设备、流程优化和餐厅管理等方面，人工智能都为餐饮行业带来了许多益处。这些应用不仅提高了效率，还提升了顾客的体验。未来随着人工智能技术的进一步推进，相信餐饮行业将会迎来更多创新和发展。
如果你对人工智能在餐饮行业的应用感兴趣，请关注我们的账号，我们将持续为您带来更多有关人工智能的科普和创意内容！
车记:餐饮行业中的人工智能技术有哪些应用？人工智能技术在文化产业中的应用与影响研究
摘要：人工智能技术的发展为文化产业提供了诸多应用性机遇；其中一些关键性技术点与文化产业相结合，可以实现文化内容产生、创意资讯传播以及文化市场管理方面的创新。本文拟从几种主要的人工智能技术出发，介绍在技术与产业相结合过程中形成的代表性应用，同时探讨分析目前的人工智能应用带来的“信息茧房”“机器歧视”等社会问题，从而为我国文化产业发展提供相应的经验。
关键词：人工智能；文化产业；算法公平；信息茧房
人工智能（ArtificialIntelligence，AI）本质上是对人的意识与思维的信息过程的模拟，是指使用机器代替人类完成认知、识别、分析和决策等功能。在《人工智能：一个现代路径》[STUARTJ.RUSSELL&PETERNORVIG,ARTIFICIALINTELLIGENCE:AMODERNAPPROACH1034(3ded.2010),supranote7,at4.]一书中，“人工智能”被定义为：行为是为了获得最好的结果，或者在不确定的情况下，获得期待的最好结果，这是一种“理性行为”选择。在过去的十余年中，人工智能技术在以深度学习为代表的机器学习、语音识别、自然语言生成与处理、计算机视觉等领域取得不少成果，引得全球广泛关注。
世界各国都在积极部署关于人工智能的战略规划，2016年10月，美国和英国双双出台国家人工智能战略。就我国而言，2017年，国务院印发《新一代人工智能发展规划》，其中提出到2030年，人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心。人工智能核心产业规模超过1万亿元，带动相关产业规模超过10万亿元[国务院:新一代人工智能发展规划[J].重庆与世界,2018(02):5-17.]。
基于此，本文重点关注人工智能技术在文化产业――即新闻出版、发行、广播电视、电影、文化艺术、文化信息传输、广告服务和文化休闲娱乐等领域中的应用现状、存在的问题及对策，从而为我国文化产业发展提供可借鉴思路。
一、人工智能的主要技术类型与文化产业中的典型性应用
在美联社于2017年发布的《人工智能工作手册》中，人工智能在新闻业应用最频繁的技术主要有5类，包括机器学习、自然语言技处理术、语音识别技术、机器视觉和机器人技术[余婷,陈实.人工智能在美国新闻业的应用及影响[J].新闻记者,2018(04):33-42.]。在整个文化产业当中，目前应用最为广泛的技术类型是以深度学习为代表的机器学习，其他4类技术类型也均有不少应用落地。
通过上表可知，人工智能中的虚拟代理、机器人自动化、机器学习、深度学习、生物与语音识别、自然语言生成与处理（NLP）、硬件优化与决策管理等技术可以与文化产业中的信息采集、内容生产、信息传播和受众管理等有效结合，提供诸如内容个性化算法、受众目标与偏好识别、自动新闻内容生产等方面的服务，也可以提供在客户管理与市场调研方面的有力手段。
目前，国外一些先进的文化媒体机构对于上述技术的应用已经形成一定的有益经验与有效做法。
首先，在内容生产中，人工智能可以实现自动写作与自动摘要、抽取式新闻写作，并试图使机器像人类一样阅读与思考。
美联社是最早运用AI技术进行自动化写作的媒体之一。2014年，美联社与美国AutomatedInsights公司合作，使用该公司开发的自动化写稿程序Wordsmith来自动编发企业财报新闻。该程序几分钟内可写出150-300字的快讯，每季度能生产4000篇财报新闻，是过去数量的10倍。2015年之后，国内腾讯新闻、新华社和今日头条等也陆续推出了写稿机器人。
其次，在信源数据收集中，人工智能可以基于传根器应用生成内容，实现信息传播的可视化追踪。
NewsTracer是路透社使用的新闻追踪系统，这一系统每天可以对5亿条Twitter信息进行分析，从假新闻、广告和杂音，以及众多的人名、机构和地点中找到真的新闻事件与线索，这让记者能够从社交媒体的众多信息中脱身，把更重要的时间用来挖掘故事。
第三，在文化创意视频类服务中，人工智能可以实现文本和视频之间的转换、高效寻找视频片段与资源以及优化视频内容搜索等。
Zorroa是美国的一家视觉资产管理公司，2017年，公司推出企业可视化智能平台（EVI），帮助用户对大型数据库中的可视资产进行搜索和运行分析。在与索尼影业的合作中，EVI通过面部识别、图像分类、机器学习等方式整理、分析了索尼多年来积累的数百万小时的视觉资产。使用该平台后，平时需要27小时才能搜索到的特定视频资源，仅需3分钟即可检索到，为索尼影业的视频资源开发带来极大的便利[https://zorroa.com/case-studies/]。
第四，在文化信息传播中，人工智能可以通过受众的好奇点与文化传媒内容进行匹配、通过信号源获取受众的兴趣点，并且精准分析受众，预测其内容消费需求，实现精准投放。
Netflix是在用户个性化分发业务上较为成熟的视频网站。2016年年报显示，Netflix拥有9300万全球会员，每天流媒体播放超过1.25亿小时的电视节目和电影。预测用户想要观看的内容是其公司业务模式的关键部分。2016年，Netflix开发名为Meson的应用程序，构建、培训和验证个性化算法，提供视频推荐建议。类似的企业还有IRIS.TV等，该公司曾在三个月的时间内运用个性化分发，将其客户所在公司的观众存留率提高了50%[https://www.techemergence.com/ai-in-movies-entertainment-visual-media/]。
最后，在市场调研与客户管理方面，人工智能可以获知受众对内容消费的使用特点、通过深度神经网络技术来感知受众对文化内容的情感参与和变化，从而进行有效的客户管理与市场营销。
2016年，日本广告公司MaCannEricksonJapan聘用了全球第一个使用人工智能开发的机器人创意总监AI-CD?。当年9月，机器人创意总监与人类创意总监以同一个广告主题各自开发了10分钟的广告片，并交由全国民意调查评判。尽管人类创意总监以8%的微弱优势险胜，AI在受众分析与市场营销方面的潜力不容小觑。
可见，人工智能已经显著改变了媒体格局――包括观众发现和参与内容的方式，以及内容创建和分发给观众的方式。目前，算法不仅会影响受众在不同平台上看到的内容，还会首先影响平台生产和创建的内容。人工智能从根本上改变了受众行为和创作过程。
二、人工智能应用对文化产业发展的影响与启示
尽管统计显示，就目前的全球文化产业而言，仅有8%的文化企业已经部署并使用了人工智能技术应用[https://www.ibc.org/tech-advances/the-future-is-artificial-ai-adoption-in-broadcast-and-media/2549.article]，但人工智能技术对文化产业乃至整个社会的影响已经有所显露。
就其积极意义而言，人工智能技术在提高内容生产效率、提升用户留存率以及优化文化产业资产管理等方面存在重要意义、毋庸置疑的高效率和部分的不可替代性。而就其消极影响而言，内容分发的局限性开始受到社会关注；人工智能算法的公平化、透明化一度遭受质疑；算法带来的偏见与歧视又引发社会伦理问题；人工智能应用背后的商业力量或许是造成这一系列问题的原因之一……
不少科技界声名显赫的人物也因此表达了对人工智能未来发展的担忧，如特斯拉创始人埃隆・马斯克曾说：“我们应该十分小心地看待人工智能。我越来越倾向于认为，在国际或者国家层面上应当有相应的人工智能监管措施，以防人类做出不可挽回的事情来。”微软创始人比尔・盖茨、物理学家史蒂芬・霍金等也表达了类似的看法。未来人工智能应用将在何种程度上造福于人类，部分取决于今天我们在何种程度上理解并解决人工智能可能产生的问题与自有弊端。
具体而言，本文将从如下三方面阐述人工智能应用的问题、影响与对策：
（一）内容分发的局限性：“信息茧房”
如今的网络文化空间，从某种意义上说，是一个算法帮助公众做决定的环境。如果说曾经的传统媒体为公众搭建了一个“拟态环境”，不同的编辑部依托各自的编辑方针、新闻判断原则，以“议程设置”的方式决定着每日媒体内容的生产加工，那如今，在网络媒体中这一权力部分地转交给了算法。算法可以决定人们阅读哪些新闻，观看哪些视频，收到哪些广告，人们的数字存在（DigitalExistence）日益受到算法左右。
文化传媒企业使用算法决定内容推荐的初衷是在于解决信息过载的问题，提高用户获取信息的效率，更希望借此增加用户的沉浸时长，提高应用的用户忠诚度和留存率。因此，企业利用大数据主动搜集用户信息，根据用户自身兴趣，为用户定制个性化内容，形成一整套精确的内容分发模式。Facebook信息流产品Newsfeed、对话式新闻产品微软小冰和Quartz、今日头条以及Netflix、IRIS.TV等一系列人工智能应用均属于此类型。
这一初衷是好的，但问题出在“精确”上。信息越精确，代表着信息涉及的范围越狭窄。人工智能研究者已经发现，仅仅关注推荐系统的精确度远远不够，这会导致用户难以获取足够的信息增量，视野越来越狭隘。美国学者桑斯坦在其著作《信息乌托邦》[凯斯・R・桑斯坦.信息乌托邦:众人如何生产知识[M].法律出版社,2008：206-208.]中指出，人们借助网络平台和技术工具，在海量的信息中，完全根据自己的喜好定制报纸和杂志，进行一种完全个人化的阅读。在信息传播中，因公众自身的信息需求并非全方位的，公众只注意自己选择的东西和使自己愉悦的通讯领域，久而久之，会将自身桎梏于像蚕茧一般的“信息茧房”中。
学术界不少学者指出“信息茧房”问题的危害，将“信息茧房”与群体极化、证实性偏见等议题关联起来。学者陈昌凤认为，信息的个人化偏向容易产生詹姆斯・斯托纳（JamesStoner）1961年提出的群体极化现象，即团体成员从开始只是有某些偏向，通过协商、讨论，逐渐朝偏向的方向继续移动、形成极端的观点，甚至引发社会波动，如散播错误信息、形成极端性社会团体、公共理性批判缺失等[陈昌凤,张心蔚.信息个人化、信息偏向与技术性纠偏――新技术时代我们如何获取信息[J].新闻与写作,2017(08):42-45.]。与此同时，人们总是倾向于寻找、阅读自己认同的信息来佐证自己的认知，加深了信息的个人化偏向。对垂直细分领域内容的追逐，弱化了公共事务领域内容的传播，网络社会中传统媒体讲求的“社会公器”意义式微，一个对公共事务冷漠、毫无参与感与同理心的社会将会是“信息茧房”之下最极端也最为悲剧性的结局。
对此，文化传媒企业和公众这两个主体都需要采取一定的对策。对于文化企业而言，应当在推荐的精确度指标之外，加入新的算法推荐考量指标，如多样性、覆盖率、新颖性等；另外，有研究表明，基于关联规则的推荐方法要优于基于内容规则的推荐方法，更易为用户发掘新的兴趣点，现有的障碍在于关联规则难以抽取、耗时长[刘辉,郭梦梦,潘伟强.个性化推荐系统综述[J].常州大学学报(自然科学版),2017,29(03):51-59.]。
而对于公众而言，文化传媒企业设置算法推荐的初衷就有迎合用户喜好的意味，用户越是喜欢哪一类内容，平台就越是推荐哪一类内容。因此用户想要逃离“信息茧房”，第一个步骤就是反省自身，提升自身的媒介素养。平台可以帮助用户实现媒介素养提升，如每周发布用户阅读周报，告知用户在阅读中各类型信息的占比情况，提示用户哪一类信息了解匮乏等，起到一定的督促作用。
（二）从算法偏见到机器歧视――算法的公平与透明化困境
当我们在日常生活中的决策权部分地交给算法之后，我们本能地期待着一个更加公平、透明的环境。但是，一个不容忽视的问题是：算法或者机器真的能够做到公平、公正、不偏不倚吗？算法的规则是否本身就带有人类固有的偏见呢？
2015年5月，Google的照片应用加入自动标签功能，应用更新不久，一位黑人程序员发现自己的照片竟然被Google打上“大猩猩”的标签。Flickr类似的自动标签系统也犯过大错，曾把人标记为猿，把集中营标记为健身房。2016年3月，微软公司的人工智能聊天机器人Tay上线。可是上线不到一天，Tay就被网民“教育”成为一个集反犹太人、性别歧视、种族歧视等于一身的“坏孩子”，被强制下线。此外，有研究称谷歌广告服务会默认为女性用户推送比男性用户薪水更低的广告。这些事件一方面反映出现有的人工智能、机器学习技术的不成熟，另一方面，机器歧视（MachineBias）问题开始进入公众视野。
2017年，Pew研究中心曾在研究报告《算法时代》[LeeRainie,JannaAnderson:Code-Dependent:ProsandConsoftheAlgorithmAge,http://www.pewinternet.org/2017/02/08/code-dependent-pros-and-cons-of-the-algorithm-age/]中指出：“算法的客观中立仅仅是理想，创建算法的人即使尽量做到客观中立，也不可避免地受到自身成长环境、教育背景、知识结构和价值观的影响。此外，创建算法所依赖的底层数据的有限性也会导致算法偏见。”
那么，算法偏见的来源在哪里？首先，存在错误、不准确和无关的数据可能导致偏见。输入不完美、甚至有错误的数据，自然会得到错误、有偏见的结果。
其次，机器学习的过程可能是偏见的另一个重要来源。例如，一个用于纠错的机器学习模型在面对大量姓名的时候，如果某姓氏极为少见，那它在全部数据中出现的频率也极低，机器学习模型便有可能将包含这个姓氏的名字标注为错误，这对罕见姓氏拥有者和少数民族（姓氏与非少数民族不同）而言就会造成歧视[曹建峰.人工智能:机器歧视及应对之策[J].信息安全与通信保密,2016(12):15-19.]。这类歧视的来源并非程序人员有意识的选择，具有难以预料、无法估计的特点。
再者，正如Pew报告所指出的，算法可能先入为主地默认了算法创建者或者底层数据中带有的价值判断，从而产生了性别、宗教和种族方面的歧视。这类歧视主要是由于产品设计（DiscriminationbyDesign）的局限性。
种种算法偏见与机器歧视的案例让我们不禁怀疑，“公平”这一社会理念到底是否可以被操作化，成为被准确量化的算法规则。而与此同时，机器自动化决策的不透明性使得准确量化公平难上加难。机器决策是经由算法这一“黑箱”（Blackbox）完成的，也就是说，不论是普通人还是熟悉公平原则的社会学者，均无法了解算法的内在机制、原理，更无法监督机器的决策过程。因此，当算法的编程人员不清楚或者未能统一“公平”的内涵与规则时，他们自身的偏见就会在一定程度上影响算法，同时他们也可能会忽视算法可能产生的偏见，不公平的人工智能应用随之产生。
正如学者DanielleK.Citron在《技术正当程序》中所说，对于关乎个体权益的自动化决策系统、算法和人工智能，考虑到算法和代码，而非规则，日益决定各种决策工作的结果，人们需要提前构建技术公平规则，通过设计保障公平的实现，并且需要技术正当程序，来加强自动化决策系统中的透明性以及被写进代码中的规则的准确性。
日前，美国弗吉尼亚大学学者AhmedAbbasi等在《让“设计公平”成为机器学习的一部分》（Make“FairnessbyDesign”PartofMachineLearning）一文[https://hbr.org/2018/08/make-fairness-by-design-part-of-machine-learning]中指出，可以通过将数据科学家与社会科学家组队、谨慎打标签、将传统的机器学习指标与公平度量相结合、平衡代表性与群聚效应临界点（criticalmassconstraints）以及保持意识等方法减少算法形成歧视的可能性。其中，“平衡代表性与群聚效应临界点”是指在对数据进行采样时，应既考虑数据的整体特征，同时不忽略某个特定少数群体或者极端数据情况。只有这样，机器学习模型在预测一个普通人和一个特殊群体时，才能都给出更为准确的答案。
另外，谷歌也开始倡导“机会平等”，试图将反歧视纳入算法。还有学者引入“歧视指数”的概念，为设计“公平”的算法提供具体方法。我们必须清楚，人工智能总是通过一个快速且脱离人类社会与历史的学习来完成自我构建，因而一个未经完善的机器学习模型必然存在“道德缺陷”。在人工智能应用的构建中，人类与人类长久以来葆有的道德与社会规则不能缺席。
（三）人工智能应用背后的力量
“信息茧房”的形成不是由于信息广度不足，内容生产不够，而是由于信息推荐固定地集中在某一特定领域造成了信息的窄化；算法偏见的形成不是由于机器学习具有天生的弊端，而是由于人类未将公平公正的原则纳入算法考量之中。人工智能应用背后存在着的，是人的力量与符合经济社会的商业逻辑。
为了迎合消费者，信息推荐系统会将消费者的阅读“口味”作为依据。当搜索引擎通过机器学习意识到，搜索八卦新闻的人愿意在日后更多地看到八卦新闻，为了提升用户留存度，搜索引擎会相应地减少其他类型新闻推荐。
为了满足商家，人工智能产品会把更昂贵的产品卖给用户忠诚度高的用户，即“大数据杀熟”现象。同时，为了更加精准地进行广告投放，人工智能偶尔也会忽视公平原则，例如女性用户通常会收到比男性用户薪资低的推荐广告。这样的现象发人深省，未来是否有必要通过一定的法律手段，要求包括文化企业在内的商家作出“不作恶”的商业承诺。
整体而言，我们的社会正被人工智能推向一个新的发展节点。正如[金兼斌.人工智能将给传媒业带来什么?[J].中国传媒科技,2017(05):1.]学者指出，社会和传媒技术的发展，从来都不是线性和匀速的。从工业革命到信息技术革命，每一次社会巨变都伴随着这样一个临界时刻。今天，我们已经能够感受到，我们的日常生活――包括媒介生活中的许多基础性的东西，正在被人工智能应用所搅动。在这样的时刻，只有紧抓机遇、规避风险、解决弊病，才能真正实现行业和社会的跨越式发展。我国的文化产业走到了一个崭新的路口，新的机遇在等待着它。
(责编：尹峥、赵光霞)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
人工智能在医疗领域有哪些重要意义
当你在社区医院注射疫苗时，顺便用几秒钟的时间拍了张眼底照片，几秒钟以内人工智能便可以告诉你是否有患上了白内障或者其他慢性病，甚至可以准确预测儿童何时会近视。这样如同科幻电影中的设备，如今却发生在现实当中。
在2018年CMEF中国国际医疗器械（春季）博览会上，小编采访到了医疗领域人工智能领军企业Airdoc公司市场部副总裁张京雷先生。共同探讨人工智能对于目前医疗行业的影响，以及对我们普通人生活带来哪些意义。
医疗科技逐渐走向成熟
目前，一个好的医疗服务价格非常昂贵。而据张京雷介绍，Airdoc的愿景便是希望能用人工智能优化医疗服务，以一种相对低廉的价格让广大患者更快速地享受到更优质的医疗服务，使更多人从中受益。
目前医疗科技行业在蓬勃发展，许多企业也都涉足到这个领域之中。就在上周，美国FDA给做眼底视网膜病变观察的公司IDx颁发了许可证，这从侧面证明了当前世界上的医疗科技技术已经相对成熟。
当今国内的医疗科技水平在很多方面都领先于国外，而这次美国FDA批准认证的技术只不过是国内医疗科技领域前两年的技术水平，当然这并不是说国外没有更新的技术，而是说明我国的医疗科技已经在很多方面已经达到了世界领先水准。
张京雷表示，这其中有深层次的原因，首先是中国具有人口优势，因此在数据收集上可以十分丰富和全面，而这一点在其他国家难以达到；其次，我们对于人工智能有着强烈的需求，比如在三线及三线以下城市医生与一线城市医生有着极大的差距，而人工智能在这方面能够极大的弥补这些差距，因此AI有着非常大的应用前景；最后，我们不光要有好的医院以及医疗团队，还有非常良好的投融资环境，才能给相关企业的发展创造更好的土壤。
人工智能将对医疗带来极大帮助
当谈到目前医疗科技领域有哪些具体进展时，张京雷表示，第一是技术的进步，比如在眼科、皮肤科、癌症早期病症的发现等已经有临床验证；第二则是政府部门的监管，预计在今年将会有几家医疗科技企业能够拿到CFDA 药监局的认证，这代表着国家对于国内医疗科技行业的认可。
张京雷认为，“人工智能技术将来的一个突破口是在院外，并且功能一定是筛查，通过人工智能技术把慢性病或者无症状的疾病及时找出，当然院外的模式还有很多需要继续探索的地方，包括技术本身、市场及商业模式等。”
目前Airdoc主要的产品是在通过眼底拍照的慢性病筛查，而这种方式也是当前最成熟并且可以很快应用到临床的技术。通过观察眼底上面血管及神经的变化，可以从中分析得出高血压、糖尿病及动脉硬化等慢性病的情况，也可以把这些数据收集起来在后台进行分析对比，能够更准确的进行慢性病的判断、辅助诊断和长期管理。
眼底数据为何成为研究的重点
至于为何选择以眼底作为技术的主要研究方向，张京雷表示，首先慢性病完全可以通过眼底进行直接的观察，这就可以通过筛查进行早期诊断，第二是慢性病的发病率高居不下，严重影像患者生活质量也给医保造成巨大财政负担。
还有就是技术上说眼底数据相对来说比较容易取得——眼底照相机可以在院外使用，大规模眼底筛查的成本可以控制在几元钱以内，并且在伦理上没有任何问题，只要是三周岁以上的儿童到老年人，所有人都可以接受眼底拍照。
最后在许多慢性病的筛查和早期诊断方面，通过眼底能够快速的察觉，比如许多致盲性眼底疾病，可能在很长时间没有任何明显症状。但是当症状出现的时候，基本上已经错过了最佳的治疗时机。通过拍摄眼底，可以根据血管的变化能够在早期就察觉出相关疾病，比如糖尿病在没有任何症状表露之前，通过观察到眼底血管的膨胀变形，较早的确诊，可以进行及时的治疗。
多模数据分析帮助准确判断病症
如何能够准确判断这些病症，这需要运用到多模数据分析（MRT），张京雷接着介绍道。举个例子，在心血管科，每个病人的病例中都有许多数据，这些数据数量甚至多达上百组，对于一般医生而言，只能通过个别组的数据来判断病人的病情，如心脑血管、心脏病等疾病，这些病症通过化验的指标只是简单的几组数据，但是通过人工智能算法，可以同时对几十组甚至上百组数据进行详细的分析揭示疾病的内在规律，找到更好的诊疗方法，这是人类自身的能力所达不到的。
并且当数据足够多时，也可以通过查找这些数据之间的关联，找到一些疾病与关键因素之间的关系。比如可以通过多模态分析可以判断病人的发病与饮食、生活习惯、基因等直接关联性有多少，这对于疾病的攻克与治疗有非常积极的意义。
并且多模数据分析可以把医院中繁多的纸质病历全部数字化、结构化，极大的节省了医生的时间及精力，可以让他们更专注于本职工作。
未来医疗人工智能的潜力应用
张京雷还表示，医疗人工智能目前在两个领域中的潜力比较大，并且他也相信未来会证明这一点。第一便是医疗影像分析，由于影像本身就是结构化的，比如眼底照片；再一个如CT或磁共振等，也是同样的道理，没有人为因素干扰，可以通过人工智能进行快速、准确的分析；其次是医疗大数据，可以把非结构化变成结构化的数据，通过分析大量的病历资料找出更好的治疗方案，更好地管理疾病，目前也有许多公司在进行相关的研究。
未来，Airdoc的技术开发会从眼底扩展到全眼科。张京雷表示，AI可以用于儿童近视的预防，通过人工智能可以帮助父母监测和预测小朋友近视的发展变化，将来这种预测可以精确到近视最可能在哪个星期发生。全眼科之后则是全身的人工智能，这也是未来医疗人工智能的方向。
目前对于数据的安全性也是一个讨论的重点，对于医疗科技行业来说就更是重中之重，因为获取的数据都是非常敏感的病患数据。对于数据的防护，张京雷表示，Airdoc所有上传的数据都是通过加密保护的，其次在上传与保存的过程中，这些数据都要严格脱敏，也就是数据与病人的个人信息完全分离，这也是整个医疗行业的惯例。
并且为了这些医疗数据的存储和使用，Airdoc参与了国家科技部监管之下的STI医疗眼科大数据平台。在政府的严格监管下，上面所有脱敏数据都是可以共享进行科研，对于今后的人工智能技术发展还有临床实践都有相当的积极意义。
人工智能将更好的辅助医疗诊断
最后说到人工智能将来的服务对象时，张京雷解释道，Airdoc主要面向的服务对象其实还是医生——人工智能主要的功能是辅助医生对于病症进行诊断，但无法代替医生做出诊断。举个例子，目前已知的皮肤病超过2,000种，这就需要大量相对独立的算法合作来分析相关病症；而且许多皮肤病外观基本一致，因此医生需要额外询问患者其他情况才能够确诊，这对目前的人工智能技术还是个挑战。
当然未来的人工智能技术可能通过深度学习实现更多的功能，但是目前而言还有许多制约因素，包括法律上的制约——比如当人工智能诊断失误的时候，谁来承担法律责任等。因此很长的一段时间来看，人工智能都将是医生的一个辅助工具，无法取代医生。
未来人工智能最大的作用是解决医生大量简单重复性的工作，提高医生的工作效率，让医生真正发挥他们的智慧和能力。人工智能与医疗这对搭档，将会颠覆今后的医疗环境，这值得我们所有人期待。