智慧能源的内涵、特征、关键技术及典型应用场景
2016年2月，由国家发展改革委、国家能源局、工业和信息化部联合印发《关于推进“互联网+”智慧能源发展的指导意见》，其中指出在全球新一轮科技革命和产业变革中，需要加强互联网理念、先进信息技术与能源产业的深度融合，推动能源互联网新技术、新模式和新业态进一步发展，为我国能源产业的发展指明了方向。2020年10月，党的十九届五中全会强调，“十四五”期间应加快推进能源革命和能源数字化发展，推动实现能源资源配置更加合理、能源利用效率大幅提高、主要污染物排放总量持续减少的目标。深化现代信息技术与能源电力领域的融合，推动能源电力行业的智慧化转型将为我国能源革命纵深推进与行稳致远保驾护航。
（来源：中国电力企业管理ID:zgdlqygl作者：曾鸣许彦斌潘婷作者供职于华北电力大学）
智慧能源内涵与特征
智慧能源的内涵
从狭义上看，智慧能源是指以现代通信、网络技术为基础的，致力于能源利用效率提高的环境友好型能源发展模式。广义上看，智慧能源是能源产业、能源装备产业、互联网产业和现代通信产业等多元产业融合发展的概括，其不仅涵盖传统化石能源的智慧生产，也包括随机波动新能源的安全并网；不仅涵盖能源的生产、转换、传输、存储与消费等环节，也包括能源周边产业、能源电力技术体系及能源政策机制的发展与变革。
智慧能源的特征
依托智能高效、广泛互联、清洁低碳的显著特征，智慧能源发展模式可推动包括能源生产、传输、消费等多环节的动态精益优化与管理，实现能源电力系统的“智慧化”转型升级。
智能高效。云计算、大数据、区块链等现代信息技术在能源领域的广泛应用，将推动智慧生产管控系统、多能协同调度系统、用能管理系统等智慧能源系统的落地与应用，进而在实现对能源电力系统多环节、多主体、多设备全面感知的基础上，依托数据驱动技术实现对能源电力系统、管网、设备多层级的在线监测、实时分析、智能优化调控、状态预警、智能诊断等功能，进一步提升能源电力系统的运行效率。
广泛互联。依托互联网与物联网技术，推动实现能源系统内外多元主体的开放接入、广泛互联，有效贯通与整合不同主体间的信息流、业务流、能量流，打造互惠共赢的能源生态圈，为新业态与新模式的打造、更大范围内的资源优化配置提供有利前提。
清洁低碳。“云大物移智链”等现代信息技术的应用可促进能源电力系统各个环节间的及时、准确、高效交互，充分发挥横向电热水气多能互补、纵向源-网-荷-储协调的技术特性，实现对能源电力系统的统筹管控与优化，进而为大规模集中式可再生能源及分布式可再生能源的安全生产、远距离传输和高效消纳提供支撑，有效提升可再生能源在生产和消费端占比、降低二氧化碳及其他污染物排放，显著提升能源利用效率，加速我国能源电力行业的清洁低碳转型。
智慧能源对能源革命的支撑作用
面对我国能源电力发展的新挑战，习近平总书记在2014年召开的中央财经领导小组第六次会议中提出了能源革命的战略思想，要求从能源供给、能源消费、能源技术和能源体制四方面推进能源革命，推动能源电力行业绿色发展，构建清洁低碳、安全高效的能源体系。在智慧能源的发展模式下，“云大物移智链”等先进信息技术在能源电力行业的应用将加速信息技术与能源电力产业的深度融合，引导能源电力行业向数字化、智能化转型发展，为我国能源革命持续深化与能源结构转型提供坚实支撑。
智慧能源助力能源供给革命
一方面，智慧能源的发展将促进能源的生产和供应模式发生显著变化。我国能源供应模式将从单一化供应转变为多元化供应，包括供应主体的多元化、能源产品的多元化和业务结构的多元化等。另一方面，智慧能源将推动智慧电厂、智能电网等新业态的发展，提供更安全、智能的能源生产和传输服务，有效改善能源生产和供应模式、提高能源系统中新能源的生产和供应比例。
智慧能源助力能源消费革命
一方面，智慧能源发展模式下能源市场信息的实时共享特征可赋予用户更广泛的消费选择权，新业态、新模式将不断涌现，进而催生出更加丰富多元的能源消费类型；另一方面，“云大物移智链”等现代信息技术的应用能够在支撑用户对自身能效水平即时、全面感知的基础上，为用户的综合能效分析、用能决策及多环节协调管控优化提供辅助支持，进而推动能源的高质与高效消费。
智慧能源助力能源技术革命
智慧能源对能源电力系统关键设备及平台的智能化、精确化和标准化要求将为原有的能源技术、信息管理技术带来深刻变革。同时，智慧能源信息-物理融合特性也将推动能源领域的技术框架和互联网、通信领域的技术体系紧密融合，带动诸如能源大数据、能源区块链、5G能源信息网等一批新技术的发展和应用，为能源技术开辟全新的研究方向，从而推动能源技术革命。
智慧能源助力能源体制革命
建设智慧能源体系，可助力实现能源系统运营管理机制的创新，带动能源产业上下游及周边产业协同发展，打造智慧能源生态圈。建设智慧能源生态圈可充分发挥能源企业、装备制造企业、科研院所等各类主体优势，打通服务流、信息流、资金流，提升资源要素配置效率，为能源系统的转型升级创造良好平台，以共享经济、平台经济的发展模式创新能源系统运营的体制机制，进而支撑能源体制革命。
智慧能源关键技术及典型应用场景
智慧能源以现代信息技术为核心工具，借助区块链技术、大数据技术、云平台技术等新兴信息技术构建能源发展的智慧环境，形成能源发展的新模式和新范式，进而为促进新能源消纳、构建安全高效电力市场、提升电力系统能效等问题提供全新解决方案。
区块链技术
区块链技术是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术在互联网时代的创新应用，具有去中心化、信息共享、记录不可逆、参与者匿名和信息可追溯等技术特点（见图1）。
区块链技术的应用可为智慧能源发展过程中的数据安全、多主体协同、信息融通等问题提供全新技术解决方案，可为我国弃风弃光现象的缓解、综合能源服务的发展及电力市场智能化交易体系的构建提供全新可能。
支撑高比例新能源消纳缓解弃风弃光。依托区块链技术去中心化、信息共享、信息可追溯等技术特点，一方面可简化新能源电力交易流程，降低分布式新能源电力交易成本，有效支撑多元主体间点对点、实时、自主微平衡交易；另一方面区块链技术分布式记账技术可为能源产品、能源金融等产品交易市场提供可信保障，助力绿色能源认证、绿色证书交易等新型商业模式发展，促进能源电力领域的市场主体创新能源生产与服务模式，支撑高比例新能源高效消纳。
发展综合能源服务。依托区块链技术“多链”技术特性，可实现电力网络、石油网络、天然气网络等异质能系统中的多元主体及其设备广泛互联，在构建形成横向多能互补、纵向源-网-荷-储协调、能源信息高度融合的综合能源系统的基础上，推动实现综合能源系统多元主体间可信互联、信息公开与协同自治，进而显著提升综合能源服务的可追溯性和安全性。
助力电力市场智能化交易体系构建。利用区块链技术的信息共享、记录不可逆和不可篡改等特性，可为电力市场中相关主体间各类信息的自主交互和充分共享提供支撑，在保障电力市场信息透明、即时的同时，可辅助各交易主体实现分散化决策，提升用户参与电力市场的便捷性和可操作性，加速推动电力市场中合同形成、合同执行、核算结算等环节的智能化转型。此外，依托区块链技术参与者匿名、信息可追溯的技术特性可有效规范电力市场监管过程，促进电力市场的监管水平提升，保障市场交易的公平性与安全性。
大数据技术
能源大数据具有规模大、类型多、速度快、价值密度有限等特点，大数据技术是以海量数据集合为研究对象的一项综合技术，是传感技术、信息通信技术、计算机技术、数据分析技术与专业领域技术的综合，是传统数据挖掘、数据分析技术的继承和发展（见图2）。
大数据技术的应用可实现对能源生产到消费的全链条感知与分析，可为能源系统安全稳定运行、消费端能效提升、源-网-荷-储协同提供重要支持。
系统安全稳定运行。利用大数据技术针对能源电力系统中的数据进行采集、传输、存储、融合操作，可有效整合能源电力系统中多元异构数据，构建能源电力系统数字孪生模型，进一步提升对新能源出力、能源网络潮流分布、用户用能行为的感知与预测能力，为电热冷等异质能调度、交易及综合需求响应实施等提供重要决策辅助，保障异质能系统的安全、稳定与高效运行。
消费端能效提升。依托大数据技术挖掘用户用能行为与能源价格、天气、时间等因素间所隐含的关联关系，通过构建用户用能种类、用能时间、用能强度及用能弹性等模型，实现对多元能源用户的精准画像，为能源消费端的能源消费优化方案制定、能源消费服务定制及用户侧资源发掘提供理论指导，推动能源消费侧用能成本降低、实现用能综合化效率提升。
源-网-荷-储协同。依托大数据技术对能源电力系统中积累的海量数据的分析可精准洞悉源-网-荷-储间能源流、业务流、信息流的流向与交互模式，揭示系统中多元主体间的“三流”交互机理，进而有效推动源-网-荷-储协调优化，提升异质能网络的可靠性与经济性，支撑能源电力系统安全稳定运行。
云平台技术
云平台是依托存储、交换以及虚拟化组件，通过关联各类数据、整合多种计算资源形成的逻辑统一的数据中心。云平台具有虚拟化、高可靠性、高通用性、高可扩展性、高速、灵活性等特征。与传统的服务器相比，云平台将物理资源虚拟化为虚拟机资源池，可通过灵活调用软硬件资源为用户提供各类服务。
云平台以客户需求为向导，通过向用户提供基础设施即服务（IaaS）、平台即服务（PaaS）、软件即服务（SaaS）三大类服务，可助力实现用能服务精细化和终端设备监控智能化（见图3）。
用能服务精细化管理。云平台利用其虚拟化资源管理技术实现对用户身份、用能信息等各类数据信息统筹储存与管理，并将数据信息抽象化关联形成跨应用、跨部门、跨系统的信息协同共享资源，构建具备管理动态化、数据可视化等特征的智慧能源管理系统，为用户提供实时在线的能源消费服务，在对用户开展能效诊断、能效薄弱环节识别的基础上，定制相应的节能技改、能源合同管理等服务方案，实现基于能源大数据的能源服务精细化管理。
终端智能化监控。依托云平台开放包容的技术特点，推动多元主体及设备的广泛接入，打破实体结构间的技术壁垒与体制壁垒，在此基础上，以数据驱动构建的特征库、模型库及算法库为依据，围绕“两高三低”目标，即能源系统终端用能效率提高、供能可靠性提高以及用户用能成本降低、碳排放降低和其他污染物排放降低，对各类终端实现状态监测与遥控、遥调，推动能源电力系统的多目标动态优化。
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