人工智能对医疗的帮助范文

导语：想要提升您的写作水平，创作出令人难忘的文章？我们精心为您整理的13篇人工智能对医疗的帮助范例，将为您的写作提供有力的支持和灵感！

篇1

1引言

新一轮科学技术和产业革命的深刻变革，推动社会各个领域实现深刻变化。人工智能是这一轮产业革命的重要成果，国家也将人工智能作为中国产业发展的重要组成。中医作为我国的国粹之一，由于主要强调临床经验，治疗方式上也是因人施治，一人一方，异病同治、同病异治，存在着发展的短板。人工智能的应用为中医的信息化发展以及中医研究的深入推进提供了机遇。如何用人工智能为中医研究应用赋能，是一个非常重要的研究课题。

2大数据为中医智能化提供基础

大数据时代已经来临，已经成为全世界的共识。大数据时代纷繁复杂的信息在为人们带来挑战的同时，更多的是一种机遇。中医与互联网大数据的深度结合是国家战略，也是中医药研究领域关注的重点，于进一步研究和发展中医药大数据产业，提升中医药国际地位，具有重要意义。“互联网+中医”早在几年前就已经成为国家战略，我国《中医药发展战略规划纲要2016-2030》明确提出推动“互联网+”中医医疗，对“互联网+”中医医疗做了具体和全面的部署。具体而言，大数据对中医发展的智能化推动有几个方面。首先是中医药数据的挖掘使用，我国中医博大精深，是一套深奥成体系的学术、临床体系，中华几千年的中医药发展积累了极其丰富的大数据，是一座亟待开发挖掘的金矿。将这些丰富的数据进行智能化，对中医发展的促进作用将是无与伦比的。其次，大数据结合中医的核心理念，实现中医的有序发展。中医的临床疗效评价实质上是中医辨证论治与临床结局之间的因果关联分析，大数据理念恰恰可以反映关联及因果关系。中医生更多是临床过程的记录，在日积月累的经验积累和案例分析中形成独特的临床经验，将这些经验通过大数据建模的形式刻画出来，将大大实现中医的智能化。最后，大数据为中医发展的现代化和标准化提供条件。中医的发展需要标准体系的支撑，落点应该在于制定标准体系，促进共享应用，进而实现中医药大数据在互联网医疗等领域的创新和应用，在更大意义上推动世界范围内中医药大数据的发展，进而促进中医药国际化。

3运用人工智能促进中医研究应用的意义

人工智能和中医的结合，不仅可以对中医的研究和应用起到促进、推广作用，也是对人工智能应用领域的丰富和拓展。具体来看，人工智能对中医研究应用的意义有以下几个方面。（1）有助于推动中医的信息化发展。上文已经提到，我国几千年的中医研究建立了极为庞大且秩序井然的中医知识图谱，但是如何通过对数据价值的挖掘，进一步促进中医药发展是一个重要的课题。而互联网的出现，特别是大数据时代的到来，更为中西药的信息化提供了难得的机遇。人工智能对发掘中医隐性知识有着得天独厚的优势。当前，以大数据为支撑的人工智能在医疗领域的应用很多，比如医学影像、语音识别、病人看护等。延伸到中医研究和应用领域的还不多，可以利用人工智能将大量的中医诊疗数据进行深度挖掘，从而拓展中医人工智能的市场前景。（2）有助于推动中医传承发展。可以说，传统中医存在传承、推广应用和发展方面存在较大的痛点和难点。一般情况下，知名中医的传承主要是流派传承或者人传人的方式进行，这种传承方式成长周期长，无法复制，规模化推广应用受到限制。而通过人工智能则可以有效解决以上痛点，可以将知名老中医的诊疗思想、辨证逻辑和处方经验进行整合，形成在线的辅助学习和辅助诊疗系统，带动更多普通医师提升诊疗能力，也可以帮助中医的传承及推广应用。（3）人工智能有助于推动中医诊疗智能化。诊疗是医学的核心环节。中医药的诊断流程一般分为三步，第一是望闻问切、采集信息；第二是四诊参合、辨证分型；第三是君臣佐使，构思方剂。不过，传统中医在很大程度上需要依赖医生的个人经验，这意味着必然存在一定局限性。但是，利用人工智能，普通医师可以通过第一步采集到患者信息，进而借助网络实现规范化处理，后台通过人工智能模拟名老中医的辨证治疗的方式，给出一定的方剂建议，从而使一般医师也可以开出相对更有效的大处方。因此，也可以说，人工智能是放大中医产能的重要工具，是中医智能化发展的重要抓手。

4人工智能推动中医研究中智能化的建议

篇2

(讯)发展目标明确，到2020年产业规模超过1000亿元。此次《实施意见》为上海市人工智能发展提出了明确目标。到2020年，人工智能对上海市创新驱动发展、经济转型升级和社会精细化治理的引领带动效能显著提升，基本建成国家人工智能发展高地，局部领域达到全球先进水平。具体来看，到2020年要打造6个左右人工智能创新示范区域，形成60个左右人工智能深度应用场景，建设100个以上人工智能应用示范项目，建设10个左右人工智能创新平台，培育10家左右人工智能创新标杆企业，人工智能重点产业规模超过1000亿元。到2030年，人工智能总体发展水平进入国际先进行列，初步建成具有全球影响力的人工智能发展高地。我们认为，上海市在产业基础、科研基础、信息化程度、数据丰富程度、应用场景等方面在国内具有领先地位，具有发展人工智能的先天优势。大城市在城市管理、公共服务、交通、医疗、产业转型升级等领域存在的现有问题也有望通过人工智能技术而得以缓解，这进一步加强了上海这样的大型城市对于人工智能的需求。此前广州市的《建设“中国制造2025”试点示范城市实施方案》也将人工智能、新一代信息技术作为重点聚焦产业。政府的大力支持将推动人工智能在前沿技术、应用落地、产业集群、创新生态等方面的快速发展。

政务数据开放有望加快，AI产业基金成立可期。大数据是人工智能的基石。在政务数据开放共享上，上海市政府也将加大开放力度。目前上海已经形成最大的数据开放清单，有1500多项数据开放，下一步还将建立公共数据分级分类开放制度，出台相关的政务数据申请公开使用的细则，建立公共数据开放的应急工作机制，推进数据管理、数据利用、安全保护形成标准和规范。目前，上海已编制政务数据资源共享目录1.7万多条，有26万个数据项，年底前将启动建设全市政务信息交换共享平台。上海市政府下一步将建立跟企业合作的开放性行业大数据训练库，建设人工智能应用多场景验证环境。在资金扶持层面，市政府将加强财政资金扶持力度，引导企业和社会资本投入。目前，上海正在开展第一批人工智能产业基金和人工智能创新项目的组织遴选。在市场支持层面，将推动各级政府部门率先运用人工智能提升业务效率和管理服务水平，支持人工智能创新产品开拓市场应用。我们认为，人工智能的发展离不开政府，除了数据开放、资金扶持等实质性支持外，政府在社会资源引导、产业集群建设、应用场景开拓等方面会对整个行业带来帮助。

投资评级:我们认为，人工智能赋能是产业发展的大趋势。远期来看，人工智能与各行各业的融合有望带来新一轮产业变革。近期来看，图像识别、语音识别等人工智能技术在安防、金融、交通、零售、医疗等领域的应用呈现快速增长趋势。我们看好人工智能产业链发展，具体包括上游的人工智能芯片、智能传感器，中游的人工智能算法、人工智能软件以及下游的行业应用。对于计算机行业，我们维持行业“看好”评级。（来源：信达证券 文/边铁城 编选：中国电子商务研究中心）

篇3

利用人工智能诊治疾病是人类一个雄心勃勃的计划，而且，这一计划早就有一些初步结果，例如2007年，美国国际商业机器公司（IBM）就推出了人工智能软件――沃森医生（Watson）。现在，人们特别希望利用人工智能去征服某些严重危害人们生命和健康的疾病，如癌症，而且也已经进入实践，并且有不小的收获。

要让人工智能诊治癌症，第一步需要人工智能有像人一样的感知，即知道周围的环境，尤其是生物体和人的机体环境，什么是正常的机体，什么是异常的机体，甚至是癌变的机体，尤其是只具有微小变化的机体，例如，只有几个发生癌变细胞的乳腺或肺。

第二步是，人工智能不仅要感知正常和异常机体的不同，还要理解为何有这样的不同，是癌变引起的不同，还是其他疾病引起的不同。最后第三步才是判断和决策，即得出结论，在感知和正确理解的基础上，向医生提供对某个个体检测的结果，是患癌还是没有患癌，抑或是患了其他疾病。

要让人工智能感知和理解人体环境和器官，就要让其学习，包括利用大数据的机器学习（算法）和深度学习，这两者有时是相互结合的，同时也是相互渗透的。大数据学习和处理是人工智能的强项，可以达到比人类能力强几百倍几千倍的快速数据运算、分析和理解。而在癌症诊治的深度学习上，更需要人工智能像人一样进行学习，例如对通过物理和化学方式拍摄的人体各种部位，以及深浅度不同组织的图像要有正确的感知和理解，如对X线图像、磁共振成像和CT扫描图像的感知、解读，并得出结论，即诊断。

但是，人工智能的癌症诊治深度学习并不仅限于对癌症和正常组织图像的解读，而是包括更多的深度学习的内容，例如，对癌症标记物和特异分子的识别。

癌症诊治的人工智能学习内容

2016年1月，美国总统奥巴马宣布了“癌症登月计划”，由副总统拜登全面负责。“癌症登月计划”的其中一个项目就是让人工智能进行机器学习（算法）和深度学习，以识别癌症。为此，美国能源部与美国国家卫生研究院下属的国家癌症研究所合作，提出了“高级癌症计算解决方案的联合设计任务”，这个项目就是致力于解决三个基于计算机学习的人工智能抗癌难题。

首先是从认识癌症的分子层面学习，要让人工智能了解RAS/Raf通路的蛋白质相互作用。RAS基因在20世纪60年代被发现是致癌基因，存在于30%的癌症患者中。1982年，美国科学家温伯格等人从膀胱癌细胞中克隆得到第一个人类癌基因，由于它和之前发现的鼠肉瘤病毒基因C-RAS高度同源，因此被命名为RAS基因。RAS基因编码产生的蛋白定位于细胞膜内侧，为GTP/GDP结合蛋白（GDP为鸟嘌呤二核苷酸磷酸，GTP是鸟嘌呤三核苷酸磷酸），通过GTP与GDP的相互转化来调节信号通路的传递。由于RAS蛋白的相对分子量是21千道尔顿（kDa），故又被称为p21蛋白。

之后，人们又发现了RAS蛋白的直接效应因子Raf-1蛋白激酶。Raf-1激酶对细胞增殖、细胞分化、细胞凋亡和细胞周期停滞有重要作用，利用这些作用可以知道癌症的发生、发展，以及找到治疗癌症的药物和方法。

“癌症登月计划”让人工智能进行的第二个学习任务是，进行临床前的药物筛查。这是一种研发癌症药物的预测模型，在临床试验前进行最大化的药物筛选，为癌症病人提供精准医疗方案。具体而言是对临床前和临床试验时的癌症数据进行筛选，结合小鼠模型中的新数据，通过反馈循环让实验模型指导计算模型的设计，建立肿瘤药物反应的预测模型。其实，这也是基于特殊数据和大数据的学习和分析。

“癌症登月计划”让人工智能进行的第三个学习任务是，学习和建立人口模型。这就要求人工智能根据不同人群的生活方式、生活环境、所患癌症的种类、不同的医疗体系等，从数百万癌症病人的病历数据中自动分析，从而获取最佳治疗策略。当然，海量病人的数据来自美国国家卫生研究院、美国食品和药物管理局、制公司和第三方付款机构。

可以看到，美国的“癌症登月计划”中的人工智能学习并不包含肿瘤图像的识别，所以人工智能诊治癌症的学习在不同的国家有不同的内容。

人工智能帮助诊治癌症

人工智能对癌症的识别和诊断首先体现于对癌症数据的解读上，其中最重要的是对癌症基因和基因组的识别和解读。

机器学习（算法）是人工智能的一个基本内容，其中，数据的输入、输出、赋值等运算可以让人工智能对某一问题进行计算分析，从而得出初步结果。对癌症的诊断和治疗也可以利用这一点。加拿大西方大学的罗根等人研发了一套算法，通过对基因数据的分析得出最可能的有效治疗癌症的方案，并且让该治疗方案变得更加个性化。

研究人员使用了一套含有40个基因的数据，这些基因可以在90%的乳腺癌中找到。在接受试验的近350名癌症病人当中，至少都会接受紫杉醇或吉西他滨一种化疗药物治疗。之后，研究人员让人工智能对数据展开处理并找出药物与病人基因之间存在的关系。结果显示，同时接受两种药物的治疗有效率为84%，只接受紫杉醇的治疗有效率为82%，只接受吉西他滨的治疗有效率则在62%～71%之间。

这就为医生提供了选择更好或最佳治疗方案的决策基础，例如，在上述方案中，医生选择对病人同时使用紫杉醇和吉西他滨，可以达到最高的84%的治疗有效率。

2016年，日本研究人员称，他们开发的人工智能软件能够准确诊断出女性患者所患的罕见类型的白血病，而且，这种软件对肿瘤大数据的提取和分析是其优势之一，它仅需要花费10分钟时间就能够对临床肿瘤研究所提供的来自2000万名女性的遗传信息进行对比分析，从而做出诊断。

但是，最早开发应用于医疗领域的人工智能的美国国际商业机器公司更是走在了前面。

沃森癌症医生

美国国际商业机器公司之前推出的人工智能软件――沃森医生诊治疾病是建立在对大数据的检索、使用和算法之上。沃森医生储存了数百万的文档资料，包括字典、百科全书、新闻、文学以及其他可以建立知识库的参考材料。沃森的硬件配置可以使它每秒处理500GB的数据，相当于1秒阅读100万本书。

沃森在面临一位就诊者的时候，会进行一系列的算法，包括语法语义分析、对各个知识库进行搜索、提取备选答案、对备选答案证据搜寻、对证据强度的计算和综合等。此外，沃森医生还可以通过询问病人的症状、病史，迅速给出诊断提示和治疗意见。通过这些程序进行诊断，沃森的诊断准确率达到73%。

现在经过多年的改进，研究人员把沃森医生的突破之一选择为对癌症的识别和诊断。最近，美国国际商业机器公司和美国著名的基因公司Illumina进行合作，在沃森医生的基础上，专门进行癌症基因组的标准化测序和解读，以诊断癌症。根据这个目标，美国国际商业机器公司研发了一个新的专门对基因组进行测序和分析的软件，即沃森基因组（相当于专门诊治肿瘤的专科医生），并将这个软件整合到Illumina公司的Base Space和肿瘤测序计划中，这就可以让沃森基因组使用Illumina公司的实体肿瘤分析面板TruSight Tumor 170。TruSight Tumor 170汇集了一套整合DNA与RNA的靶向癌症相关的基因突变，包括突变与微缺失、基因扩增、基因融合以及剪接变异，使得肿瘤谱分析从一系列单基因检测向多基因检测转变，为肿瘤基因组提供了更加全面的视图。教会机器识别这些肿瘤基因数据，可以快速辨识和诊断肿瘤。

新的智能软件融合后，沃森基因组可以在短短的几分钟之内读取TruSight Tumor 170生成的遗传信息文件，梳理专业指南、医学文献、临床试验汇编和其他知识来源。然后，系统将生成包含每个基因组改变的注释报告。使用沃森基因组可以大幅减少解释结果所花费的时间。比较起来，研究人员也可以使用TruSight Tumor 170进行癌症基因的检测，但是，速度很慢。沃森基因组在几分钟内做的事情，研究人员一般需要一个多星期才能做完。

不仅在速度上沃森基因组可以比人类快得多，而且在检测的准确性以及提供治疗癌症的方式上，沃森基因组与临床大夫和肿瘤专家提供的方案基本一致。美国北卡罗来纳大学教堂山分校的夏普尼斯博士研究了1000余名癌症患者的数据，发现在99%的病例中，沃森基因组提出的治疗建议与分子肿瘤专家团队提出的治疗建议相同。此外，美国国际商业机器公司旗下的沃森健康的副总裁哈韦还指出，在30%的肿瘤病例中，沃森基因组还发现癌症专家遗漏的一些细节。

基于这些结果，研究人员认为，教会人工智能诊治肿瘤大有可为。现在，美国20个专注于基因组学和肿瘤学领域的癌症研究所，包括纪念斯隆・凯特林癌症中心和北卡罗来纳大学教堂山分校的肿瘤研究机构正在进一步培训沃森基因组，以便让沃森基因组能更快和更好地诊治癌症。

对癌症图像的智能解读

诊断癌症不仅要靠解读癌症特有的基因、分子标记物等，还要认识和判断采用各种物理和化学方式拍摄的人体肿瘤的图像，这既是人工智能深度学习的内容，又是人工智能帮助人类诊治癌症的一个重要途径，在这个方面，人工智能也取得了一些进展。

2016年8月，美国休斯顿卫理公会医院的研究人员在《癌症》杂志上发表文章称，他们研发的一款人工智能软件在解析乳腺X线图片时比普通医生快30倍，诊断乳腺癌的准确率更是高达99%。这个癌症诊断软件可以直观地将X光图片的信息转译成诊断信息，方便医生快速对病人病情做出判断，避免耽误病情。

即便是肿瘤科的专科医生，对诸如X线片、CT和核磁共振成像图片的解读都不会是百分之百的准确，而且有很多误读。美国疾病预防控制中心（CDC）和癌症协会的数据显示，每年美国大约有1210万人接受乳腺X线图片检测，其中差不多有一半人在X图片上会出现阳性结果，但实际上是假阳性。为此，又迫使大量女性为了求得安心而进一步接受乳腺活组织检查，进行这一检查的人每年有160万人左右，其中20%的女性根本就没病。这给许多女性和其家庭造成极大经济和精神负担。

篇4

一、人工智能与企业人力资源管理

人工智能简称AI，主要是用于模拟、延伸人脑的思维方式的计算机科学技术，包括人类行为模式的识别、数据储存、运用、机器学习、算法等。人工智能的研究最早诞生于1956年美国达特茅斯小镇的一次研讨会，在这次会议上，摩尔、麦卡锡、塞弗里奇、所罗门诺夫等学者共同研讨，为人工智能的发展奠定了基础。此后人工智能得到不断发展，尤其是进入21世纪以来人工智能取得了令人叹为观止的发展，开始在人类的生产活动中发挥着越来越重要的作用，比如，无人超市、智能翻译、人脸识别、智能医疗、智能驾驶、云计算、物联网等。我国人工智能的发展也非常迅速，我国的人工智能发展水平目前处于世界的第一梯队。目前，人工智能在许多企业得到了很大的发展，如科大讯飞的语音识别、百度的自动驾驶等，在世界上都是处于领先地位。我国还制定了人工智能发展的中长期规划，按照规划，我国人工智能到2030年，总体水平达到世界领先水平，成为世界人工智能的创新中心。

企业人力资源管理是企业管理的重要组成部分，最终目标是实现企业的总体目标，一般认为包括人力资源规划、人员招聘、绩效管理、培训与开发、薪酬管理、员工关系管理等六大模块。目前，企业的人力资源管理尚存在许多不足之处，如企业不太重视，认为人力资源管理可有可无；企业人力资源管理人员的素质普遍不高，不够专业，人力资源管理过程中效率不高，绩效考核过程不够公平、薪酬制度不能反映市场工资水平、人工成本的控制还存在不足等，而人工智能的发展，为企业人力资源管理带来了新的挑战，也带来了新的机遇。

二、人工智能对企业人力资源管理的挑战

人工智能对部分人力资源管理的工作存在一定的替代作用，这会减少企业对人力资源管理人员的需求。人工智能在数据信息处理、分析预测等方面具有巨大的优势，因此，未来人工智能的发展与使用中，会替代许多人力资源管理的活动，导致人工智能取代部分人力资源管理人员，使得企业对人力资源管理人员的需求减少，对人力资源管理人员的求职、就业提出了严峻的挑战。

人工智能虽然能代替部分人力资源管理活动，但也必然会对企业的人力资源管理带来一系列不利的影响，概括起来，主要有这些方面的不利影响:

( 一)不利于企业人际关系的维持与发展

人工智能虽然具有许多优点，在人力资源管理中的很多方面能代替人的劳动，但是人工智能的广泛使用将会使员工更多的依赖人工智能，而越来越缺乏必要的人际沟通，这将不利于企业人际关系的构建，这对企业员工队伍建设、和谐劳动关系的形成提出新的挑战。

( 二)不利于良好的企业文化的形成与维持

企业文化需要企业的全体员工共同参与建设、维持。而人工智能的使用，使得员工之间的交流日益简单，员工更多的通过机器来交流，缺乏必要的面对面交流与沟通，也使得企业原有的规章制度不再完全有效，这些都对企业文化的建设不利。

三、人工智能为企业人力资源管理带来的机遇

人工智能虽然对企业人力资源管理带来了一些挑战，但人工智能并不能完全取代人的工作，人工智能在决策、人际关系、团队建设等方面并不能代替人的作用，人工智能在人力资源管理中的运用并不能完全取代人力资源管理人员的工作，会促进人力资源管理人员素质的提高，同时会大大提高企业人力资源管理的效率和有效性。

( 一)人力资源规划方面

人工智能在相关的数据分析、处理、预测方面大大优于人类，因此，人工智能将提高人力资源规划的准确性。在人力资源规划中，合理发挥人工智能的优势，将使企业的人力资源规划更科学、更准确。

( 二)员工的招聘与配置

人工智能对人力资源招聘的影响表现在两个方面，一是人工智能的使用，使得企业的一些简单劳动大量的被人工智能所代替，因此，企业的招聘对象将更多是具有专业技术能力的专业人才。另一方面，人工智能在人员甄选中具有无与伦比的优势，比如在简历筛选中，人工智能能在海量的简历中迅速、快捷地筛选出合适的简历，大大减轻了招聘人员的负担，极大地提高了招聘工作的效率。另外，在人员配置过程中，人工智能通过对员工的工作状况、工作能力、工作经历进行跟踪调查、分析，能够分析出该员工最合适处于的岗位。同时，人工智能不会带着主观意见完成人员的筛选工作，能够最大限度地发现员工的潜在能力，找到与其相适应的岗位。

( 三)在企业培训与开发中，人工智能同样有重要的作用

人工智能能够在建立大数据的基础上来分析员工的培训需求，然后根据员工的知识、技能、岗位等进行课程的个性化推荐。在未来的培训中，人工智能也极有可能部分或完全替代培训讲师的工作，人工智能还可以在培训完成之后，直接将员工培训的相关数据传送到企业终端，企业能够最快地得到员工的数据，帮助企业更好地完成培训评估工作。

( 四)绩效管理

由于人工智能没有私人情感，因此其在绩效考核过程中更加公正、客观。并且，由于人工智能效率极高，人工智能代替了大量人的简单工作，让绩效管理工作更容易、准确地完成，大大减少了管理人员的工作量，增加了企业绩效考核的公正性，也有利于发挥企业绩效考核的作用。

( 五)薪酬福利管理

运用人工智能可以对市场的工资水平、员工的薪酬水平等进行分析，人工智能在人工成本核算、控制等方面具有较大的优势，这些能为企业管理人员进行薪酬管理决策提供支持。另外，人工智能能更加合理、准确地完成工资计算、员工薪酬的发放。

( 六)劳动关系管理

运用人工智能能更好地分析员工离职的原因，分析影响员工离职的主要因素，能有效地对员工离职率进行统计，继而管理人员可以采取针对性的解决办法，降低企业员工的离职率，这样可以降低因员工离职而进行再次招聘的成本及相应的机会成本。

四、结语

随着科学技术的发展，人工智能技术同人力资源管理的融合将是未来人力资源管理的一个重要发展趋势。企业的发展关键是人才，传统的人力资源管理模式效率较低，已经不能完全满足信息化时代的需要。人工智能技术的不断成熟发展必然会对传统的人力资源管理模式带来冲击，也带来了巨大的机遇。人工智能在信息处理、分析等方面具有巨大的优势，在人力资源管理中合理地使用人工智能将极大地提高人力资源管理的效率和准确性，人工智能的使用，将出现机器部分代替管理人员的现象，但这也将促使人力资源管理人员不断学习以提高自身的素质，这反而有利于企业人力资源管理的发展。总之，不久的将来人工智能必然会成为人力资源管理的重要组成部分，这是大的趋势。

参考文献

篇5

浙医一院的医生接待了一家来自兄弟单位的医疗人工智能创业团队――德尚韵兴的专家们。

这个团队的背景很牛，首席科学家孔德兴是知名数学家，浙大求是特聘教授。10多年前，当国际上刚开始把数理模型和高性能数学算法应用到医学图像领域时，这个团队也极为敏锐地进入这个新兴领域探索。他们开发的“DE三维可视化系统”，用于精准外科手g的术前规划、术中导航和术后定量评估，是北京301医院的必备软件之一。

最近几年，他们将深度学习技术应用于超声声像，开发了甲状腺结节智能诊断系统DE-超声机器人（以下简称超声机器人）。在此过程中，他们对原本“均码”的算法和神经网络，针对疾病特点进行“量体裁衣”。相关技术文章发表后，谷歌深度学习团队DeepMind也关注并引用了文章。

“副主任医师水平”

德尚韵兴团队此行就是带着“超声机器人”来跟浙医一院的超声医生“PK”的。医生只要坐在B超机前，用探头给病人检查后，将采集的图像保存发送给超声机器人，超声机器人就能实时生成检查结果――找到甲状腺结节，标注位置和尺寸，并提示良性或恶性的可能性。

不过，面对这个“超声机器人”，浙医一院的医生心中充满疑问――这个系统怎么能像他们一样做判断？结果准吗？出于礼貌，他并未当场提出。

当德尚韵兴专家离开后，这位主任医生准备了202个病例（恶性结节有病理对照，良性结节有三年以上随访期）发送给超声机器人，并认真记录机器人的诊断结果， 结果显示机器人的诊断准确率为85.7%。一段时间后，当他再次见到德尚韵兴的专家时，主动告诉他们：“我判断，超声机器人达到了医院副主任医师的水平，确实挺好。”

好的开始是成功的一半――这也开启了浙医一院和德尚韵兴后续的合作。

实际上，人工智能在医学领域的发展，在国内外都是刚刚起步。

“不能说是完全空白，但这个方向有很多值得我们研究的东西。”德尚韵兴总经理胡海蓉说。

德尚韵兴扮演着领域的“拓荒者”。胡海蓉向《IT经理世界》坦言，在这几年人工智能的落地实践中，她认为，组建跨学科团队，选择合适的切入点，收集和规范数据，开发让医生得心应手的产品是较为关键的环节。

跨学科明星队

人工智能+医学的落地实践，需要跨学科明星队。

“这里的关键体现在‘交叉’上。”胡海蓉说，“在医学重大需求上，数学家、计算机科学家或医学专家，任何单一力量是无法实现的。”

在这类团队中，数学专家负责提出高性能数学模型，“好的模型就像具有高IQ的大脑。”医学专家提供临床知识和经验，让机器能学到“真知灼见”，计算机软件专家要把数学家的语言转化成高效的计算机语言。

“可是，数学家、医学家和计算机专家都有各自的语言，怎么把他们串起来呢？”胡海蓉继续分析说，“我们就需要找到一个具有生物医学工程背景的人来做产品经理。他来负责产品的市场调研和规划，管理整个团队，充当‘多种部队’之间的翻译和桥梁。”

切入甲状腺超声诊断

选择切入点也很有讲究。这个切入点不能太过复杂――它要让团队能小步快跑，保障后续项目的进一步深入拓展；也不能太容易――它要能对医疗痛点有质的帮助，才有推广的价值，容易被市场接受。

“甲状腺结节诊断”最终跳入德尚韵兴团队的视线。

甲状腺癌在中国女性癌症发病率排名第五，在德尚韵兴所在的杭州，甚至排在第一位。但由于个体化差异，目前三甲医院甲状腺结节的诊断准确率平均只有60%～70%。用人工智能提升诊断准确率能造福老百姓。

相对肺、肝脏等器官，甲状腺是一个浅表器官，器官结构相对简单，没有复杂的血管。根据超声声像，就能对甲状腺结节的良恶性作出诊断。

但同时，甲状腺超声诊断也有一定复杂度――不像CT和核磁，超声因每位医生的扫描手法不同，得到的数据千变万化，因此对影像识别算法有很高要求。从这样一个诊断既有其简便性，又有其复杂度的疾病做起，可以在过程中积累足够经验，为开发难度更高的疾病，如乳腺肿块、肝脏肿块、肺结节的良恶性诊断打下基础。

数据！数据！

对于医疗人工智能团队来说，数据的收集、规范和标注是行业性难题。

“数据收集不能全靠医院。”胡海蓉总结说。深度学习靠的是“吃透”大量样本。但目前大部分医疗机构并不愿公开数据。德尚韵兴尝试通过多个渠道，有社区检查，有付费志愿者，也有试点医院。

“我们已收集了两三万张超声图像，这是不多的。”胡海蓉客观地说，“如果样本量能提高一倍，我们的诊断准确率还有较高的提升空间。”现在德尚韵兴的甲状腺超声机器人诊断准确率已达85%以上。

除了数据收集，数据的规范和标注是另一项需要大量调研和沟通协作的活。

以甲状腺结节超声诊断为例，数据规范要从“医生的扫描手法”开始。团队走访了多家医院，听取多位医生建议，规范扫描手法，形成最终文档。

拿到超声影像后，还要找到结节进行勾画。现实中，医生和算法工程师对结节的勾画有不同标准，哪一种勾画对计算机算法更有利？团队要综合考虑，制定出适合的标准。

在数据规范化过程中，对那些疑难病例的判断和标注，特别需要医学专家的指导。“但高水平医生的工作是最繁忙的，他们往往没有时间和兴趣参与标注。”德尚韵兴要想办法争取医学专家的支持。

线上线下的商业探索

目前，国内业界对医疗人工智能的定位有一个共识――定位在辅助诊断上。人工智能系统可取代医生重复性、机械性的工作，让医生能够看更多的病人，做更多有价值的医学探索。

德尚韵兴的超声机器人也是这样定位的。它可以先选出有问题的声像图给医生，及时提醒恶性风险，让医生能更仔细的查看把关。

经过一段时间的试点后，德尚韵兴的超声机器人将首先向基层医院推广，这将提高基层医院患者首诊的诊断水平，让更多患者不出远门就能获得“专家级”服务，再根据诊断结果到不同级别医院治疗。

超声机器人可部署在云端，这特别适合新疆、等基层医院分散的地域。通过英特尔联合创新实验室的牵线，在新疆人民医院联合130多家医院建立的远程会诊体系中，超声机器人将成为关键服务之一。同时，与远程医疗平台汇医在线的合作，超声机器人也为平台上签约的全国基层医院服务。

篇6

人工智能有两个重要能力，一是感知能力，越来越多的智能终端和传感器，让我们能够提升感知世界的广度和深度；二是认知能力，这就需要通过云、通过大数据分析来实现。所以，如果说智能终端是人的感官的话，那么云就是大脑，把智能终端和云大脑完美结合起来，就是人工智能未来的方向。

斯坦福大学客座教授 杰瑞・卡普兰

未来，除了应用和设备会越变越好之外，我们还会有一批全新的设备和应用，它们会更加智能化，并且可以进一步加强人与人之间、人与物之间的联系。未来是光明灿烂的，因为人工智能可以帮助我们应对数字化带来的挑战，帮助我们寻找到信息，将那些最相关信息推送给我们，协助我们更好地了解这些信息的含义。与此同时，人工智能可以拓展计算机的应用，电子设备将获得我们的信任，将会成为我们极其信赖且不可分割的个人助手，它们会帮助我们在物理世界、真实世界里进行探索。

美国希捷科技公司全球副总裁 孟福来

所有这些相互连接的设备以及物联网意味着今后互联网会无处不在，这也就意味着数据会越来越多，数据的价值将越来越高。短短几年就会极速增长，所有的数据都要得到安全的存储，用户也要能够迅速接入并且分析这些数据。

让存储更加智能，从而支持各项复杂活动，进而应对不同环境下的需求，我们正在将那些传感器融入其中，总的来说就是数据存储会更加智能。

华为消费者业务首席执行官 余承东

人工智能能够帮助人类更主动地获取信息和推送所需要的信息。主动通过人工智能推送人类需要的信息，同时对信息进行过滤和及时反馈。而信息的交互方式将变得更加自然，就像人类说话一样。人机更加自然地交互，对人类来说更有意义、更方便、更快捷，所以这需要人工智能对信息进行个性化推荐。

优办创始人兼首席执行官 卢阳

未来智能设备的互联就是物联网将会随处可见，增强现实和虚拟现实让虚拟变得更真实，语音识别让每个人有了秘书，云服务使得所有数据存储在远方但是随手可得。随着技术的发展，人们的生活将发生天翻地覆的变化，移动性和及时性的需求将大大增加，这些将使得使用权比拥有权更受欢迎。

搜狗公司CEO 王小川

我们每天醒来都感受着互联网带来的便捷，看到智能终端无人驾驶汽车机器人从科幻走向生活。今年是人工智能诞辰六十周年，年初谷歌AIphaGO与李世石上演人机大战，将人工智能的关注推到了前所未有的高度。

脸谱公司副总裁 石峰

人工智能和传统计算机不同，它更像一个孩子在学习这个世界，而不是事先编程，所以，对于人工智能我们要花很长时间来训练它，就像教孩子打棒球一样。一方面我们有超过十亿人在寻找内容，而另一方面我们又有数以亿计的内容给他们，他们可以很了解这两者怎么取得平衡，所以，我们每天做很多预测，而真正最激动人心的就是我们还能获得很多的反馈。

腾讯社交网络事业群总裁、集团高级执行副总裁汤道生

最近五年，在图片识别、语音翻译、模拟探索、概率决策上有非常多的突破，因为计算能力和算法的突破，现在到了一个感知的智能时代。我们多看几只猫以后知道什么是猫，具体我们也说不出是怎么判断和识别的，但是通过神经网络的算法，如今哪怕不能充分描述识别过程，也能通过新的算法和计算方式达到感知智能的能力。

百度公司总裁 张亚勤

人工智能真正会带来一些新的变革，可以用到医疗、教育、金融、交通等各方面，也可以用到无人车上。三十年前比尔・盖茨讲，希望有一天机器能像人一样去听去看去写，用自然语言交流。今天，他提的目标在很大程度上已经达到了。最早的时候是人们学习机器语言，学编程，后来是机器来学人的语言。所以，未来机器要向人学习，人也要向机器学习。

爱立信集团亚太区首席技术官马格纳斯・艾尔布林

篇7

1、AI学术研究论文激增9倍以上

自1996年以来，每年发表的计算机科学的学术论文和研究的数量猛增了9倍以上。学术论文和研究通常能产生新的知识产权和专利。整个Scopus数据库中，含有“Artificial Intelligence”这个关键词的计算机科学领域的论文有超过200，000（200237）篇。Scopus数据库中“计算机科学”领域的论文总共有近500万（4868421）篇。

2、AI风险投资激增6倍

自2000年以来，在美国，风险投资者（VC）每年投入AI创业公司的投资额增加了6倍。Crunchbase，VentureSource和Sand Hill Econometrics被用于确定VC每年投给初创公司的资金额，这些初创公司在某些关键领域起着重要作用。上图显示了VC在美国所有融资阶段对AI创业公司年度投资总额。

3、AI创业公司激增14倍

自2000年以来，在美国，有资本支持的AI创业公司数量增加了14倍。Crunchbase，VentureSource和Sand Hill Econometrics也用于这一分析。这个数字包括VentureSource数据库中Crunchbase列表中的任何有VC支持的公司。

4、要求AI技能岗位激增4.5倍

自2013年以来，要求有AI技能的工作岗位增长了4.5倍。在Indeed.com平台上，需要AI技能的工作岗位所占份额的计算方法是通过职业描述中的标题和关键字来确定是否与人工智能相关。AI Index研究还计算了在Indeed.com平台上，要求人工智能技术的工作岗位份额在不同国家的增长情况。尽管加拿大和英国增长迅速，但对于人才招聘市场，Indeed.com的报告显示加拿大和英国分别只占美国AI招聘市场绝对规模的5%和27%。

5、机器学习、深度学习以及NLP成为核心技能

在线求职平台Monster.com上数据显示，机器学习，深度学习和自然语言处理（NLP）是最重要的三项技能。两年前NLP已经被预测会成为应用程序开发人员创建新的AI应用程序最需要的技能。除了创建AI应用程序，最受欢迎的技能还包括机器学习技术，Python，Java，C++，开源开发环境的经验，Spark，MATLAB和Hadoop。根据对Monster.com的分析，在美国，数据科学家，高级数据科学家，人工智能顾问和机器学习主管的薪水中位数为$127000。

6、图像标注错误率巨幅下滑至2.5%以下

自2010年以来，图像标注的错误率从28.5%下降到2.5%以下。大规模视觉识别挑战赛（LSVRC）的对象检测任务的AI拐点发生在2014年。在这项特定任务中，AI已经表现得比人类更准确。这些发现来自于ImageNet网站上LSVRC竞赛排行榜的竞赛数据。

7、机器人进口量激增至25万

篇8

核心问题

人工智能和互联网能否带来新的经济增长？

产业互联网将如何影响产业竞争的格局，其对整个经济的增长有什么样的影响？

平台型组织的演变会对社会产生多大的影响？

01

引 言

在过去的十多年时间里，全球经济面临一个比较大的挑战就是如何重塑经济增长。2005—2014年，全球最发达的经济体的增长率长期停滞不前，急需要寻找一个新的经济增长驱动力量。

互联网在中国经历了20年的快速发展之后，已经取得了世人瞩目的成就。特别是随着智能手机的普及，移动互联网在中国已经相当发达。根据中国互联网协会的数据，2016年中国境内活跃的手机上网码号数量达12.47亿。

得益于中国特殊的市场规模和移动互联网的发展，中国的消费互联网市场发展迅速，代表性的电商平台如阿里巴巴、社交及游戏公司腾讯，这两个公司以市值计均进入全球财富五百强的前十位。

当前，人们关注的热点是中国的互联网红利是否已经消失，传统产业的互联网转型是否会带来新的增长机会？

此外，人工智能最近这几年发展迅速。2017年中国的人工智能（AI）投资仅次于美国，成为投资热点，政府也不断推出鼓励和支持政策。

这种变化引发业界和学界的思考，是不是会出现新的驱动经济增长的力量？这个力量如果能够驱动经济增长，其对于整个社会的改变会有哪些影响？

1999年，美国微软的创始人盖茨有一个非常有名的论断：商业新法则就是“互联网会改变一切”。从他提出这个论断到现在已近二十年，可以看到，电影、阅读、新闻等商业模式都发生了巨大的变化。

但另一方面，还有很多东西没有发生变化，如航空发动机的数据获取，1960年和2015年的方式并没有太多的变化。很多产业，如海关报关等，也没有发生实质性的变化。在今天，一个备受关注的问题是，人工智能对于社会将有多大影响？

笔者将从产业竞争和战略的角度来讨论产业互联网和人工智能会如何重塑中国经济的问题。主要讨论三个问题：

第一，人工智能和互联网对经济增长的影响。人工智能和互联网是否有可能提高经济的长期增长水平？

第二，产业互联网将如何影响产业竞争的格局？它对整个经济的增长有什么样的影响？

第三，产业互联网和人工智能如何影响产业结构的变化？特别是产业互联网和人工智能是否会导致产业的平台化？这种平台型的组织又会对社会产生多大的影响？

分析表明：

第一，产业互联网和人工智能会大幅度提升生产力。而且产业互联网和人工智能会提升要素配置的效率，进而提升生产率。因此，可以乐观看待长期经济的增长率。

第二，平台和组件的模式会影响一切组织和经济形态。平台会影响国家的竞争、城市的演变和产业转型。一切组织都会向平台化的方向发展。

02

人工智能和经济增长

经济的长期增长，主要是来自全要素生产率的增长。全要素生产率的增长，除了科技（包括人工智能）的进步，还包括管理效率和要素错配这两个问题带来的影响。

大量的数据都表明，经济的长期增长率一直在下降。无论是20世纪80、90年代还是千禧年后，整个世界的GDP增长一直在下降。

Gordon（2016）提出，美国的长期经济增长将继续下台阶。Gordon研究了美国过去150年的经济发展史，认为美国的发展呈现倒U型的特征。美国经济大约从19世纪70年代开始起飞，到20世纪50年代达到顶点，之后逐步下降。

Gordon的一个略为意外的发现是，从20世纪70年代开始，美国经济的增长表现非常普通，特别是创新的步伐和技术进步带来的增长并没有惠及到更多人。

为什么现在大家如此关心人工智能的发展？很重要的一个原因是希望能够找到提升经济增长新的关键要素，希望找到推动经济持续增长的新动力。这是大时代的背景。

人工智能是否会推动经济增长和提升生产率，对中国同样非常重要。

一是因为目前对中国经济长期增长源泉的解读有很多误区。很多人认为中国经济的增长来自于投资的驱动，认为由于投资占比已经很高，且投资回报率逐步降低，所以中国的经济增长必然下行。

第二个原因是人工智能对组织生产活动的要素配置会有影响。如果人工智能可以提升要素配置效率，那经济增长的潜力也会提高。

Zhu（2012）的研究表明，与很多人想象的不同，中国经济的增长主要来自于效率的提升，而不是来自于投资的增加。虽然投资的增加是经济增长很重要的一部分，但最主要的增长还是来自于经济效率的提升。他的这一发现在学术界受到了越来越多的关注。

这一研究的重要性不仅在于其给出了一个与主流很不一样的观点，更重要的在于这个研究对判断经济增长的潜力有非常大的参考意义。

根据这一研究，1978—2007年，在中国经济增长的贡献中，有70%是来自于全要素生产率的增长。这一结论非常重要，意味着中国长期经济增长仍然有非常大的空间。

这是因为在经历了40年的高速增长后，中国的全要素生产率仍然只有美国的20%多。这表明通过提升全要素生产率来促进中国经济增长的空间非常大。这就是为什么人工智能和新的经济增长动力如此重要的根本原因。

由此，需要一个坚实的支持经济增长的微观理论基础来对当前的经济形势进行解释和指导。人工智能可以看作是广义的机器自动化。在经典的索罗模型中，可以借助一个简单的增长模型来讨论人工智能对经济增长的影响。

参考ZEIRA（1998）的经济增长模型，简单来说，经济增长实际上可以看成一个抽象的生产函数。一个国家的产出是由生产力、资本和劳动共同决定的。

根据这一模型，可以推导出一个重要的结论：经济的增长速度与自动化的比例正相关，即自动化的提升会增加长期的增长。此外，自动化比例的提升意味着资本在总产出中的占比提高。

这个简单的模型有两个非常重要的含义。

第一，人工智能在理论上有可能会带来经济的持续增长。人工智能比例的提升，会带来经济增速的持续提高。这实际上就是从经济学上定义的奇点。经济学家在这方面向自然科学学习了很多。这里的所谓奇点，从经济学角度来说，就是持续的超高增速。

第二，资本和劳动在产出中的占比关乎收入的分配及平等和长期的社会稳定。资本占比提升和劳动的占比越来越低意味着贫富差距会增加。资本家是成为人工智能的投资者和获益者，而普通的工人则可能成为受害者。

对于人工智能对经济增长的影响，在给出确定结论前，可以简要回顾一下历史。关于人工智能的争论其实是一个历久弥新的话题，从信息技术一出现，大家就在讨论这个问题。

20世纪90年代《经济学人》的说法是，计算机不会提升人们的生产力。Zachary（1991）认为数据过载限制了生产率的提高。而信息技术对生产率的提升是显而易见的。

但1996—1999年，美国私人部门的年均增长率达到2.8%，是1980—1995年间的2倍。这段时间可以明显看到信息技术带来的生产力的提升。

人工智能鼻祖和行为经济学鼻祖西蒙也认为计算机和自动化会推动生产力的持续提升，但可能不是加速的提升。加速就是前面提到的奇点，即人工智能应当会持续提升生产率。业界的研究也支持这一判断。

埃森哲的研究表明，美国生产率的增长受益于人工智能，到了2030年可以实现翻倍，意味着全球的经济增长可能会重新进入高速增长的环境，全球经济将进入新的增长周期。

经济增长的源泉无外乎生产率的增长、资本投入的增加或是劳动人口的增长。如何理解抽象的增长模型中人工智能会导致长期的总经济增长？

第一，从资本的角度，对人工智能的投资会产生很多不会折旧的资产，甚至还会增值，这是因为人工智能有学习能力，如阿尔法狗，它一天比一天聪明。这与传统的资本完全不同。

第二，从劳动力的角度，人工智能与劳动力之间的替代关系和互补关系同时存在。在国民经济的很多部门，人工智能会逐渐替代人工，但在其他很多部门，人工智能与劳动力之间是互补的。而且人工智能对劳动力的替代，有可能意味着人们会接受更多的教育，从而带来劳动生产率的提升。

从历史的经验来看，可以参考信息技术对生产率的影响。1996—1999年，是美国信息技术、互联网开始发展的时期。这段时期，美国全要素生产率年均增长2.8%，是1980—1995年的两倍。这一数据表明人工智能这种新的技术会使得生产力有大幅度的提升。

第一次工业革命时期，1850—1910年，蒸汽机驱动的经济增长是0.3%，而第三次工业革命也就是信息技术驱动的经济增长是0.6%。

有估算认为，人工智能驱动的经济增长在0.8%—1.4%。虽然这个数字还难以确认，但有充分的理由相信，人工智能对整个经济效率的提升有非常大的帮助。

除了人工智能直接带来的经济增长，还有两个与人工智能间接相关并会提升经济增长的原因。

第一，来自于管理和组织效率的提升，这个是在微观层面上的。

Bloom（2007）等学者的研究表明，不同国家的企业管理水平差别很大。假设企业管理水平的总分是5分，将各国企业管理水平得分排名，美国、日本、德国名列前茅，中国则仍然处在一个非常低的水平上。这一研究对于理解中国经济增长的长期潜力有非常重要的含义。

中国是在如此低的管理水平的基础上取得近四十年的高速增长的。如果中国能够借鉴国际先进的企业管理经验，提升组织管理效率，就可以大幅提升中国的经济增长水平。

第二，要素错配的问题。

要素错配对经济增长的影响近年来在学术界引起了很大的关注。提升经济增长的另外一种方式是改善要素错配。要素错配会导致经济效率的损失，如果中国能够改善经济要素的配置效率，就可以提升经济效率，进而促进经济增长。

谢长泰[6]等的研究表明，与理想状况相比，中国的全要素生产率提升可以超过100%；即使是与美国的实际水平相比，中国的全要素生产率仍然会有3%—50%的提升，这表明如果中国能够改善要素配置，经济增长的潜力就会持续提升。

总体来讲，跨部门、跨行业的生产率都存在差别。一个国家的企业生产率越集中，表示企业之间的生产效率越是接近的；越分散则表示不同企业的生产效率有差别。而中国企业的生产效率有很大的提升空间。

中国消费互联网的发展已经证明了提升要素配置促进经济增长的作用。阻碍要素配置效率方面有几个重要的调整成本，包括企业所有权和政治的联系、大量的非正式部门等。

但人工智能的发展会导致这些非正式部门的快速消失。这就是为什么产业互联网和人工智能的出现会改善要素配置效率，促进经济增长的原因。

03

产业互联网的影响

在消费互联网中，已经出现的代表性企业有美国的谷歌、苹果、脸书、亚马逊，中国的百度、阿里巴巴、腾讯。

但产业互联网还正在发展中，目前还看不到明确的巨头。美国的通用电气是在产业互联网方面转型最坚定的企业，但目前仍然没有看到非常明显的竞争优势。

什么是产业互联网？笔者的定义是，产业互联网是通过互联网来重构产业的价值链和创造新的价值。而不是简单地在互联网上加一个东西，其范围其实是非常广泛的。

需要正确理解产业互联网与通常所讲的“互联网+”或“+互联网”的区别。

以婚介市场为例，婚介市场是一个具有很大的商业价值和社会价值的大市场。简单的“互联网+”就是把婚介搬到网上去，即国内很多婚恋网站的模式。这种做法只是把线下的婚介搬到线上。其目标是尽可能多地促进互动（interaction）。但美国有一家与众不同的婚恋匹配的网站，叫做eHarmony。

中国的很多婚恋网站注册很容易，但美国这家公司却不同。如果想要成为该网站的会员，需要花四个小时做心理学专家仔细设计的250道问题。这种做法的好处在于可以剔除哪些不是严肃找婚恋对象的用户，有效提升匹配效率。

这里的核心就是进行价值链的重构。整个网站是在信任的基础上，给用户提供严肃、有效的匹配。这种做法完全改变了婚恋网站的商业模式和治理方式，这就是产业互联网与“互联网+”的区别。

产业互联网是一个巨大的市场，发展空间巨大。通用电气的估计是32万亿美元，占到了美国46%的GDP。根据思科的估计，到2020年，美国公司的利润通过产业互联网可以增长21%。

虽然目前中国市场上没有明确的产业互联网巨头，但可以期待产业互联网会为中国带来同样的巨变。

革命性的新产品或新服务一定会出现，类似于苹果创造新的市场，或是特斯拉改变世界汽车产业的方式。特斯拉的意义在于其完全颠覆了一个产业。

电动车并不是新东西，爱迪生是最早看到电动车前途的。但真正驱动汽车产业大发展的是福特的T型车和汽车能源的使用方式。

特斯拉的重要性在于其对汽车产业的两个根本性改变：自动驾驶系统和充电电池系统。这就是为什么特斯拉的市值会超过传统的汽车巨头通用汽车。需要看到的是，特斯拉试图做的是成为汽车产业的微软和英特尔的结合体。

新的应用效率可能会降低成本，提升满意度和安全性。因为在整个生产、服务领域，都会有非常大的改变。

提到工业物联网，如果效率的提升会带来整个产值的增加，那么无论是航空、电力、健康、铁路，还是石油、天然气，产业互联网和人工智能对上述产业的改变都会非常大。

04

平台化组织

今天全球十大公司很多都是平台型公司，包括谷歌、苹果、腾讯、阿里巴巴等。平台经济的商业模式会影响到很多层面，包括国家层面、地方政府、城市，以及各个产业。人工智能的出现，会加剧这个过程的演变。

以PC产业的演变为例，传统计算机产业的典型代表是早期具有垂直整合结构的IBM，即计算机的所有零部件都由自己生产。但今天的计算机产业是一个非常碎片化的产业，由极少数的关键玩家主导，如芯片由因特尔主导，操作系统则由微软主导，其他的部件则由标准化配件提供商生产。

计算机产业从垂直整合结构演变为分散水平结构，意味着这个产业的利润被少数平台型公司获取，其他公司只能赚非常薄的利润。这是非常重要的演变趋势，PC产业的演变，将来有可能会在很多产业中复制。

任何一个行业，如果像PC产业一样演变，那就意味着产业里绝大部分公司只能退化成一个提供标准化组件并获取市场平均利润的普通公司，而主导产业演变的平台型公司则将领导整个产业并获取绝大部分的蛋糕，如智能手机平台苹果、搜索平台谷歌、电商平台阿里巴巴和社交平台腾讯。

平台型组织的演变会对社会产生的影响主要有三个趋势：

第一个趋势是平台化后，产业的合作和融合更加明显。

一些提供单一功能或服务的企业存在通过其独特服务渗透到其他产业进行平台覆盖的可能。产业的分散化意味着核心的主导公司可能会通过技术来颠覆传统产业。

如在汽车产业，传统的主导公司是通用、福特、奔驰等汽车制造商，但在自动驾驶和新能源时代，谷歌和特斯拉可能通过其全新的驾驶技术或充电技术颠覆传统产业。新兴的科技公司也有可能通过智能手术技能来颠覆传统的医疗产业。

第二个趋势是人工智能的基础设施能够促进增长，包括硬件、数据。庞大的数据会使大公司的优势加强。

平台的演变会影响一切经济形态和组织形态，意味着平台的模式将主导一切，平台型的国家会出现。未来，美国和中国将会成为全球经济的超级两强，其他国家则会成为全球政治和经济上的组件和配角。

人工智能会使得中美两国在资本、技术方面的优势进一步强化。而平台型城市会使得人才和资本的规模效应更强，更集中在大城市。深圳就是非常典型的平台城市。

第三个趋势是平台型产业的普遍化。

现在还没有看到人工智能这个产业里出现非常典型的突出玩家，但将来一定会有某个公司提供主导机器的操作系统。这个产业一定会产生一个领导性的企业，类似于微软的超级平台。

可以肯定的是，目前经济体量较大的国家在人工智能方面的投入会非常多，并进一步导致国家间的强弱分化。

05

结 论

本文主要讨论了三个问题：人工智能和互联网能否带来新的经济增长？产业互联网将如何影响产业竞争的格局，它对整个经济的增长有什么样的影响？平台型组织的演变会对社会产生多大的影响？

无论是历史的数据还是理论分析都表明，可以适度乐观看待产业互联网和人工智能对经济的影响。人们有理由相信产业互联网和人工智能会大幅度提升生产力，并推动长期经济增长。

篇9

中图分类号：TP27 文献标识码：A 文章编号：1671-2064（2017）03-0221-02

人工智能是当今科技发展中最具潜力的热点问题之一，2016年初轰动世界的谷歌AlphaGo打败围棋世界冠军李世石的经典案例更是引起了全世界广泛的关注和热议。“人工智能”这个概念再次被推到了风口浪尖。那么，究竟什么是人工智能呢？它会对我们的生活有什么影响？在这个背景下，我们深入探究人工智能及其相关的技术领域，对于人工智能的普及和发展有着重要意义，也希望能给予人工智能相关领域的科学研究者们提供一些参考和方向。

1 什么是人工智能

人工智能（Artificial Intelligence，AI）是一门全新的信息技术科学，是计算机科学技术的一个重要分支，是指对于模拟、拓展和延伸人类的智能的应用系统及相关的理论和技术方法的开发研究。主要通过研究及了解人类智能的本质从而开发出能给出类似人类智能反馈的智能机器，计算机系统在理解目标方向之后所取得的最大化成果是计算机实现的最大智慧。人工智能不单单是一个特定的技术，它所研究的往往是能创造智能意识的高科技机器，包括了算法和其他应用程序，处理的任务也远远超出了简单计算，从学习感知规划到推理识别控制等等。人工智能的研究方向包含语言及图像识别技术、机器人设计、自然语言处理等，日益成熟的理论方法和技术实践也使得应用领域范围大规模扩张，人工智能是人类智慧的结晶，未来也可能展现出超过人类的智能。

2 人机智能的研究方向

人工智能的科学研究通常涉及到数学、逻辑学、认知科学、以及最重要的计算机科学等多学科领域，延伸出了以下几个主要的研究方向：

2.1 逻辑推理与证明

早期的人工智能更多的解决了大量数学问题，逻辑推理是基础也是研究时间最长最重点的领域之一。通过找到可靠的证明或者反证方法实现潜在的定理证明，根据数据库的实例进行推导并及时更新证明结论，演绎和直觉相结合，在推理和证明中实现部分智能。

2.2 问题求解

问题求解领域的一大重要应用则是下棋程序的功能实现，化繁为简、将困难的问题点拆分成为独立的子问题进行求解；而另一个实例则是数学方程的求解实现，分析各种公式符号的组合意义从而为科学研究者提供强有力的基础保障。问题求解中所运用的搜索和规约也是人工智能领域中的两大基本技术。

2.3 自然语言处理

自然语言处理也叫自然语言理解（Natural Language Processing，NLP），是指借助计算机来处理使用人类语言作为计算对象的算法程序，并研究相关的理论方法和技术。NLP是人工智能领域的主要研究方向之一，也是发展时间较长的研究方向之一。语音识别、搜索引擎、机器翻译等等都是NLP的重要研究内容，目前也都在人工智能领域获得了突出的应用成果。

2.4 专家系统

专家系统是指具有大量模拟人类相关领域专家知识和经验的智能计算机程序系统，依托于人工智能相关技术，根据专家系统所提供的数据方法进行判断推理进一步决策，从而代替人类专家解决一部分该领域的特定问题。从知识表示技术的角度上看，专家系统可分为基于网络语义、基于规则、基于逻辑、基于框架等几种类别；而从任务类型及专家系统主要解决的问题类型的角度来看，专家系统也可分成解释型（分析和阐述符号数据的意义）、调试型（根据故障制定排除方案）、预测型（根据现状预测指定对象未来可能的结果）、维修型（针对特定故障制定并实施规划方案）、设计型（按指定需求制作图样和方案）、规划型（根据指定目标制定行动方案）等。

专家系统的建立包含以下几个步骤：（1）初始专家知识库的设计：包括问题、知识、概念、形式、规则等多个概念的筹建；（2）开发和试验系y原型机；（3）改进与归纳专家知识库等。

专家系统的实现通常建立在大量的数据统计与人类专家提供的问题解决实例上，没有精确或统一的求解算法，因此也会造成一些局限性。在人工智能与计算机科学快速发展的今天，专家系统也逐渐更重视理论和基础研究，除了基于经验的理论，基于规则和模型的方法也将投入到实际运用中，未来的专家系统将更偏向协同式和分布式方向发展。

2.5 机器学习

机器学习是指计算机自动获取新的推理算法和新的科学事实的过程，是计算机具有智能的基础。计算机的学习能力是人工智能研究史上的突出成就与重要进展，也是人工智能初步实现的重要标志。机器学了在人工智能领域有着重要应用，对于探索人类智慧的奥秘以及学习方法和机理都有着重要意义，机器学习的时代才刚刚开始，各种理论方法也正在逐步完善中，未来精彩可期。

3 人工智能的应用

人工智能的首次提出至今已有60年的历史，在这个循序渐进的过程中，无论是功能场景还是机器模式，都逐渐从单一到通用、从简单到复杂，表达方法也更多种多样。目前主要通过赋予机器产品一定的人类智能从而有效地提升机器工作效率及能力，未来的人工智能将更多的模拟人类生活环境及思维方式来设计出真正具有人类智能的高效人机系统。

3.1 人工智能在各个行业的应用

人工智能已经运用到人类生产生活的各个方面，主要包括以下几点：（1）以智能汽车为代表的自动化交通方式。（2）种类繁多的家庭智能服务机器人。（3）用于临床支持和病人看护中的自动化智能设备及医疗器械。（4）智能教育辅导系统、线上学习和智能辅助学习设备的普及。（5）基于图像处理和自然语言处理的各类音乐社交软件及VR设备的兴起给互联网娱乐时代带来的巨大变革。（6）逻辑证明及智能分析在公共安全领域的预测及防范。（7）大量重复机械的劳动逐渐由智能机器取代，人类承担着更多的创新及实践工作。

3.2 人工智能生活应用实例

作为辅助人类生产生活的重要工具，日趋成熟的智能机器人已经快速走进了人们的日常生活中，下面我们介绍几种常见的使用场景：（1）智能房屋和家居生活的构建：目前的智能停留在自动控制I域，通过用户指令来便捷的操控比如电视、窗帘、灯具、空调等等；而未来，人工智能的发展将根据你的日常行为了解你的习惯喜好，利用传感器和自动装置搜集用户的行为数据，通过机器学习和深度学习算法改造你所居住的环境。最终实现真正意义上的智能家居生活。（2）无人驾驶的智能汽车：主要通过导航和定位实现规定路线的行驶、通过激光测距、雷达感应和照相等技术，配合复杂的计算公式从而辨别和避让各种障碍，最终脱离人类操控的环境下自动完成发动、驾驶、刹车等动作。行驶的安全性和准确性在智能机器的帮助下其实更可靠，我们完全有理由相信未来自动驾驶将成为人们出行的新方式。（3）基于神经网络的新型翻译方式：在线翻译相信大多数人都不陌生，使用范围广普及率极高，但其准确性一直都是人们关注的焦点之一。谷歌翻译负责人表示将在部分功能上尝试使用深度学习技术，如果能顺利实施必将使得翻译准确性的研究取得实质性突破，而基于神经网络的翻译方式则将帮助计算机更好地模拟和理解人类思维，使得翻译结果更流畅合乎规范，也方便人们更好地理解。

4 人工智能的发展历程

人工智能的发展历程不算很长，但发展速度却异常迅猛。跟所有新兴的前沿学科一样，人工智能的发展中也经历了和低谷时期。根据不同时期代表性人物和事件的发生，我们大致可以将整个过程分为以下几个阶段：

（1）1950年，举世闻名的“图灵测试”（图灵，英国数学家，1912―1954）首次发表于《计算机与智能》一文，即通过房间外的人和两个房间内的人和机器分别对话中，是否能区分人和机器从而判断出机器是否具有了人的智能。这是人类对于人工智能最初的概念。

（2）1956年，由香农、麦卡锡、朗彻斯特和明斯基共同发起的DARTMOUTH学会于达特茅斯大学召开，会上首次提出“人工智能”一词，这是历史上第一次关于人工智能领域的研讨会，见证了人工智能学科研究的开端。

（3）1960年以来，生物进化领域逐渐建立起了遗传、策略和规划等算法。1992年计算智能由Bezdek提出，计算智能对于生物进化学的探究有着重大意义，涵盖了模式识别、人工生命、神经网络、进化计算等多学科集合与交叉。

（4）上世纪90年代开始，专家系统逐渐兴起，对于专家知识库的不断改进以及基于规则和模型的协同式分布式专家系统将是未来使用的主要趋势。

（5）从1960年神经网络首次应用于自动控制的实施，到1965年人工智能启发式推理规则的方法引入，再到1977年运筹学理论中概念智能控制模式的成功借鉴，人工智能的发展也顺利引导了自动控制模式逐渐切换到了智能控制模式。

（6）从1956年AI概念的正式提出以来，人工智能领域已经取得了众多突破性的成就和进展，很多天马行空的想象也随着科技的进步在一代代科学工作者的不断努力下逐渐设计落实，人工智能已经从科学研究逐渐走向了人们的日常生活中，成为了当下最具潜力的多学科交叉的前沿科学。

5 人工智能的未来与发展趋势

从人工智能的提出到逐渐走入人们生活，人工智能的概念一经问世则得到了人们的普遍关注，甚至带动了语音识别、自然处理处理、机器学习、数据挖掘等一系列相关学科的发展和兴盛。人工智能领域中的创新和蓬勃发展是趋势也是必然，通过了解人工智能学科的发展历程及应用领域，我们大致可以推测出关于未来人工智能的一些方向：（1）机器学习和深度学习算法指导下更聪明更多样性更具智能的机器系统。（2）自然语言处理应用中更自然的人机互动交流。（3）机器学习时代更快速的数据处理分析策略。（4）各研发企业和机构对于人工智能先进技术更激烈的竞争和角逐。（5）超人工智能（Artificial Super Intelligence，简称ASI）时代下AI是否会走向失控给人们带来的微恐惧。

6 结语

在短短60年的时间内，人工智能的快速发展已经从很大程度上改善和刷新了人们的生活方式。人工智能的深入研究和实现正在不断帮助我们探索这个世界、帮助我们搜寻信息应对各种各样的挑战。人工智能在逐渐强大的同时，有机遇也存在着巨大的挑战和技术瓶颈，距离人工智能时代的真正实现还有很长的路要走。而人工智能的不断更迭完善，是否能取得超越人类智力和认知的智能、是否会出现违背人类价值观的危险行为将是未来很长一段时间内需要研究的重要课题。

参考文献

篇10

如果我们摆脱简单的拟人思维，把人工智能看作互联网智能演进的新阶段，为理解其法律规则，就有必要理解互联网法律在过去20年中形成的路径和推动力，从而探讨人工智能是否有任何特殊性以至于需要新的规则。本文将从网络法的两个视角――实证性和生产性――切入，将它们延伸至人工智能语境下分别讨论。“实证性”视角是我们观察和应用任何规则的惯常思维方式，例如人工智能行为的具体规则如何确立、如何规制等，本文将讨论支撑人工智能的两个构成性要素――算法与数据――可能带来的法律问题，以及法律人处理人工智能的两种路径;“生产性”视角则深入规则背后，探索规则形成的政治经济因素，特别是经济生产方式的内在要求。人工智能本质上是一套复杂的代码设计，既是影响社会行为的强力规范，也是产生新价值的生产机制;它驱动整个社会朝向更智能的方向变化，从而要求法律做出相应调整，尤其是确认新型经济利益的合法性。

限于篇幅，本文姑且将人工智能看成法律上的客体，暂不讨论赛博格（cyborg）之类的人体转向机械体或通过基因技术改变身体的问题（仍是法律上的人），也不讨论人工智能作为一种人造物的自我意识问题（一个难以达成共识的哲学问题）。

理解网络法的变迁

网络法在中国的变迁大致遵循两类逻辑：外生性的政治/监管逻辑和内生性的商业逻辑。政治/监管逻辑体现为对“实证性规则”的追求，这些规则集中在国家（包括法院和监管机构）如何对互联网的内容和行为进行规制，包括对网络和信息安全的追寻。这集中反映了国家权力如何试图介入新技术带来的问题与挑战。这一视角最早由美国法学界引出，特别是Lawrence Lessig的代码理论将代码（架构）和法律并列。由此，所谓的网络法不仅要约束社会主体在网络空间中的行为，也要对架构的变化本身做出回应。

首先，就规制主体行为而言，出现了是否按照传统线下行为规则的思路约束线上行为的讨论。这一讨论的核心是，互联网问题是否具有任何特殊性，需要某些新规来解决。我们已经看到，中国的互联网行为监管在很大程度上延续了传统规则和管理方式，采取渐进的方式，这不仅成本较小，也给予监管者一定的学习和探索空间。其次，就架构变化本身而言，国家在宏观上主张网络空间中仍然需要，不能成为法外之地，在微观上相应出现了国家与平台权力/责任二分的讨论。例如，政府权力何时需要介入平台治理，加强平台的行政管理责任或安全保障责任，还是由后者根据自身情况自我规制，实现治理目标。政治/监管逻辑要么遵循管理者的路径依赖效应，要么坚持既有社会稳定、意识形态安全价值。问题在于，监管者在多大程度上能够认识到代码及其商业模式的特殊性，从而使监管行为和行业特性相互协调融合。

另一种看待规则产生的方式遵循商业逻辑。这种生产性视角关注微观权力运作，综合将代码、法律与社会规范放在一起，不单纯从社会学意义上观察社会主体行为如何受到影响，而是在政治经济学意义上将网络空间的生成和扩散看成是一个由商业力量推动主导的生产性过程，关注价值由谁产生、如何分配，由此推动对新规则的内生需求。按照这一视角，无论是法律还是架构，在具有实证性规制功能的同时，也是一种“生产性规则”。互联网的生产模式决定了其对社会范围内生产资料的创造性生产和再利用，需要法律确认其生产方式的合法性，重塑关键法律制度，并解决和传统生产模式的利益冲突。这一视角无疑帮助厘清新经济主张的例外特性，不仅展示出架构和相应的法律改变，更指明了背后的政治经济原因，是更好地理解实证性规则的基础。

两类不同的逻辑在过去20年中交替出现，相互制约，共同塑造了中国网络法体系，也推动了中国互联网的整体发展。总体而言，鉴于国家有意促进新经济，需要推动传统的属地化、分口治理，事后运动治理模式发生转变，认清互联网商业模式和价值产生的根源，有利探索适应新经济性质的管理体制。从这个意义上说，信息资本主义不断要求对法律内核进行改造，取代其中的传统经济要素，打破限制生产要素自由流通的各类规则。

人工智能法律的实证性视角

如前所述，人工智能的本质在于算法和数据处理，物理形体不必然是人工智能的构成要素，因为即使是人形机器人，也不过是一个算法主导的硬件系统，它实时收集信息，并按照算法的要求做出决定，继而行动。更重要的是，具有物理形体的人工智能可以推动群体智能发展，通过分布式终端收集更多数据加以处理，并不断传输至云端“大脑”，提升整体网络的智能水平。 人工智能巳深度介入医疗领域

根据算法的复杂性和学习/运算能力对强人工智能和弱人工智能进行区分，这在技术认知上没有问题，但在法律上很难按照智能程度给出精确的标准。法律应对复杂世界的方式是确立一般性的简单规则，在概念上对社会个体进行抽象假定（如行为能力），而非针对特殊主体，否则规则体系本身将变得异常复杂，难于理解和操作。而人工智能从单一的自动化服务向多元通用服务转变的过程可能是一个相当长的光谱，法律需要针对其本质特征进行约束，并探索一套应对未来的方案。当我们说社会变得越来越智能的时候，事实上指由于数据搜集、储存和处理的能力不断增强，所有软件/算法都可能朝向自动收集数据，做出决定或判断的趋势，由于算法的复杂性，算法带来的结果可能无法预测，并在更大范围内带来系统性的不利后果。这种后果未必是毁灭性的风险，甚至只是在某领域的制度设计问题，但人工智能恰好将这类社会问题具象化，掩藏在外表华丽、高效、更多是私人控制的“黑箱”中，就会引发一系列问题。

如果放在一个更大范围内观察，在历史上，人类社会随着复杂性的增加，不可避免地产生以组织和技术形态出现的各类“黑箱”，它们的决定影响着社会发展和大众福利，但仍然保持着某种秘密性。这一隐喻未必是阴谋论，其核心问题在于信息不对称。为平衡相关当事人和社会大众的知情权、避免恐慌、保持某种预测能力，人们不断设计出某种程度的信息公开和透明化机制，例如政治辩论的公开化，法院诉讼程序透明化甚至公开庭审，上市公司强制信息披露等等。而人工智能不过是信息技术时代的新型黑箱，带来更加严重的系统化影响。互联网在兴起过程中，通过降低信息成本，推动了开放政府、庭审直播，使信息公开透明更加便利，将生产性资源不断解放出来，在更大社会范围内重新配置，产生新价值。然而，这一过程在消除一个又一个传统黑箱的同时，产生了更为复杂的新黑箱，进而主导整个社会的生产过程。生产资料之间的信息变得越来越对称，甚至可以实时互通信息，但作为信息匹配中介的人工智能却变得更不透明，其规则设计和运作从属于用户甚至开发者无法理解的秘密状态，这回到了法律如何处理与代码的关系问题。

一个类似的比较是人类自身：人脑经过上百万年的进化，演变成十分复杂精致的系统。尽管当代神经科学不断改变我们对人脑的认知，甚至每个人的大脑都不完全一样，但就法律而言意义不大，这只能在边际上改变个案判决。即使无从了解人脑的运转机制，或者依据某种更加先进的科学知识解释社会主体行动的具体理由，人类还是有能力形成社会规范，并演进成更加理性化的规则。这套规则只需要假定一般社会主体是（受限）理性的，由少数概念界定不同情形的心理状态（故意、过失），并集中对人的外在行为进行约束，确定权利与义务，就足以以简单规则应对（而非认识）这一纷繁复杂的世界。类似地，在处理算法的负外部性时，也可以有两种不同的路径：（1）关注算法的外部行为与后果，（2）关注算法内部的设计规则。

大部分现有规则关注算法导致的（未意料）结果，例如内容分发算法未经审查造成非法或侵权内容传播，这一般由信息传播者（即内容服务商）承担责任，算法本身并无法律地位，在造成不利后果的过程中只是一个工具。这类责任假定内容服务商应当知道非法内容的存在，并有能力通过算法设计或人力（比如人工审查）加以阻止。在诸多侵权场合，内容服务商可以通过“避风港”规则免责，只要无法证明它实际知晓状态。更复杂的是，如果软件开发者声称自己无法控制信息的生产和传播，却造成一定社会危害的情形。无论是在快播案还是BT案中，软件开发者都无法因这一原因而逃脱责任，法院的理由仍然是，开发者有能力知晓非法内容的输出（如果不是故意的话，例如快播向推广该播放器）。类似地，如果一个具有物理形体的人工智能由于处理信息不当造成了外在损害，按照这一逻辑仍应由算法开发者负责。

而且，还有必要将算法产生的错误和算法缺陷本身区分开。长期以来，软件行业一直通过拆封合同（shrink-wrap）解决缺陷软件造成的短时崩溃或重启问题，这种格式条款旨在确认这样一种事实：没有任何软件是百分之百完美的，只要在用户拆封使用该软件时运行正常即可，服务商并不为软件崩溃或死机造成的消费者损失负责，因为前者无法预料到缺陷带来的风险。这就是为什么消费者需要接受软件生产商不停的更新和补丁，软件/应用不受产品责任的约束，被视为一种可以不断升级改进的服务，这在免费软件时代更是如此。按照这一思路，似乎有理由认为，无人驾驶汽车因算法计算错误导致车祸（何况造成事故的概率远远小于人类司机的错误）是这类软件的正常的缺陷，消费者应当容忍这类错误。但无论是监管者还是潜在的受害人都无法接受这种比拟。声称有潜在缺陷的交通工具（也包括医疗设备和其他与生命财产直接相关的算法）一旦投入使用就需要为此造成的后果负责。无论如何，这类思路仍然是通过后果施加事后责任，监管者或法院并不想深入算法内部了解造成事故的技术原因是什么。只要法律认定这一黑箱应当在合理范围内得到控制，事故可以避免，黑箱提供者就应当承担责任。在这种情况下，保险（甚至是强制险）就成为确保这类发生概率小但潜在损失巨大的不二选择，航空、医疗保险市场十分发达，可以预见将会延伸至更多由人工智能驱动的服务行业。 现实与虚拟的界限不断模糊化

如果说事后救济还无法确保安全，事前干预算法设计则是另一种选择，同时带来的问题也更复杂。早在20世纪，阿西莫夫就试图为机器人立法，尽管他从未讨论技术上的可行性。安全可能是人工智能服务的首要问题之一：一个中心化的入侵可能会导致所有终端都变得极度不安全。行业监管者在不同行业为特定服务中的人工智能设定安全标准（如医疗器械、交通工具、自动化武器），实行安全保护等级制度，甚至要求被认定为重要设施的源代码（如windows系统）供监管者备案，或在设计自动化交易程序时控制报单频率的阈值等。又例如，在魏则西事件后，联合调查组在整改意见中要求落实以信誉度为主要权重的排名算法，对商业推广信息逐条加注醒目标识，予以风险提示。如果说这些监管手段针对的是作为商业秘密的私人算法，诸如Open人工智能这样的倡议则意在延续开源软件运动路径，确保软件漏洞能够得到更大范围内的监督和修补。至少在中国，信息披露机制尚未成为算法监管的重要手段，无论是强制性披露还是第三方披露。

（作者单位：上海财经大学法学院）

注释：

[1]当下的大众媒体、文化产品和社会公共认知正努力将未来的人工智能塑造成具有独立意识的逐渐演化的主体，这集中体现在诸如《终结者》《我，机器人》《西部世界》《2001银河漫游》这类科幻影视作品中。尽管人们也有理由进一步想象，一旦人工智能具有了自我意识，就不再可能忠实地为人类服务，而更可能对人类生存构成威胁。其路径和思维方式仍是20世纪的，和21世纪依托大数据机器学习迥然不同。事实上，按照日本学者森政弘提出的“恐怖谷理论”，人工智能不太可能在短时间内人形普及化，因为这会在消费者心理上引发不安甚至恐惧。像Siri和Cornata这样的语音助手、像Tay和小冰这样的聊天机器人则不会有这种负面效果，因为用户知道自己在和一个尚未通过图灵测试的算法对话，他们甚至乐于教Tay在推特上辱骂用户、发表种族主义和煽动性的政治言论。另一个可能影响中文世界读者想象的因素是，把robot翻译成“机器人”先验地赋予了这类客体某种拟人化主体地位，而人形机器人（android）却没有引起更多的关注。

[2]John Weaver， Robots are People Too： How Siri， Google Car， and Artificial Intelligence Will Force Us to Change Our Laws ，Praeger Publishers Inc， 2013; Ugo Pagallo， The Laws of Robots： Crimes， Contracts， and Torts ，Springer， 2015.一个更加有用的综合文集是Ryan Calo， A. Michael Froomkin and Ian Kerr （ed.）， Robot Law ，Edward Elgar Publishing， 2016。Ryan Calo的研究将具有物理形体的机器人作为法律的对象，特别区分了信息性和物理性效果，见Ryan Calo， “Robotics and the Lessons of Cyberlaw”， Calif. L. Rev.， Vol.103（2015）.一个不同观点，见Jack Balkin， “The Path of Robotics Law”， Calif. L. Rev.， No.6（2015），Circuit 45.把机器人视为人在法律上也有相当的历史，见Samir Chopra and Laurence F. White， A Legal Theory for Autonomous Artificial Agents ，The University of Michigan Press， 2011; Ryan Calo， “Robots in American Law”， University of Washington School of Law Research Paper， No. 2016-04.

[3]吴军：《智能时代》，中信出版社2016年版。

[4]例如阿西莫夫的机器人系列小说中，无一例外地设定机器人拥有一个“正子脑”（positronic br人工智能 n），但却没有给出任何解释。见阿西莫夫：《机器人短篇全集》，江苏文艺出版社2014年版。

[5]这被称为终极算法（master algorithm），见佩德罗・多明戈斯：《终极算法：机器学习和人工智能如何重塑世界》，中信出版社2016年版。

[6]尼古拉斯・卡尔：《玻璃笼子：自动化时代和我们的未来》，中信出版社2015年版。在互联网发展的每一个阶段都有某种意识形态化的术语或热词吸引投资，例如宽带、大数据、分享经济、VR（虚拟现实）等，它们不过是互联网形态的各类变种。例如，一个关于分享经济和之前互联网经济的关联，参见胡凌：《分享经济的法律规制》，载《文化纵横》2015年第4期。

[7]这种思维方式可追溯到霍布斯以来的法律实证主义。

[8]胡凌：《代码、著作权保护与公共资源池》，载《腾云》2016年12月刊。

[9]关于两类逻辑的具体表现，集中参见胡凌：《探寻网络法的政治经济起源》，上海财经大学出版社2016年版。

[10]这在众多（特别是国外的）中国互联网观察者身上十分常见，人们的注意力全都转向中国政府如何严格管理和控制互联网。在政治学研究中自然而然地并入“国家与市民社会”传统框架，并吸纳了关于在线抗争、集体行动的传播学与社会学研究。

[11]劳伦斯・莱斯格：《代码2.0》，清华大学出版社2008年版。

[12]一个概述，见胡凌：《马的法律与网络法》，载张平主编：《网络法律评论》2010年第11卷。

[13]胡凌：《非法兴起：理解中国互联网演进的一个框架》，d《文化纵横》2016年第5期。这体现在版权、隐私、财产、不正当竞争、垄断、劳动法等一系列制度中。这种对法律制度的改变不单纯是在既有工业生产背景下微型创新带来的变化，而是社会生产的重塑。

[14]比如说，平台责任议题的出现，和互联网平台更多转向由第三方提供服务的信息中介模式直接相关。

[15]这一区分和观察中国式资本主义兴起的框架十分类似，政治经济学家们争论的焦点就在于如何解释中国改革开放三十年的成功经验，究竟是政府主导还是市场主导，但实质上是一个混合制经济。

[16]由于科斯所说的企业信息成本和管理成本降低，调动生产要素的边际成本趋近于零，企业组织形态本身将成为竞争的高成本。

[17]尼克・波斯特洛姆：《超级智能：路线图、危险性与应对策略》，中信出版社2015年版。

[18]古代的政治过程、现代的企业决策都是黑箱，对外人而言如果不是神秘，也是除魅之后的国家/商业秘密。卡夫卡的小说《审判》就精确描述了作为黑箱的诉讼过程，同一时代的韦伯也描述了理性化的国家机器应当像自动售货机一样。

[19]Frank Pasquale：《黑箱社：掌控信息和金钱的数据法则》，中信出版社2015年版。

[20]帕伯斯：《差错：软件错误的致命影响》，人民邮电出版社2012年版。

[21]长久以来民用航空器已经由软件深度介入驾驶过程，以至于人类驾驶员无法在短时间内预热，形成另一种风险。

[22]阿西莫夫提出的“机器人三定律”（后来扩展至四点）虽然十分基础，但仍然很难在具体情况下起作用，特别是当代伦理学上著名的“线车难题”之类的伦理困境。考虑到这些定律是为模拟人脑状态下设计的，就更可疑;因为人脑并不总是按某些理性伦理原则行事的，在某些关键场合强烈依靠某些默认设置――直觉。

[23]由监管机构强制披露并审查事实做不到，只能依靠像苹果这样的平台公司和软件分发平台帮助对成千上万个软件进行至少是安全审查。在台式机时代，这一平台责任几乎不可能，自然状态下的windows只能导致争夺私人控制权的3Q大战。但像乌云网这样的第三方白帽黑客也被禁止探测和公开互联网公司的漏洞。

[24]同注11。

[25]在笔者看来，法院应当将注意力放在知情同意的合同条款本身的适当性上，而不是一味接受黑箱的逻辑，因为后者确实无懈可击。如果格式合同能准确反映代码的设计，对其条款的审查是更好的选择。百度引发的被遗忘权第一案反映的也是这个问题。

[26]一个补救方法还是尽可能地披露算法信息，允许用户理性地生产/隐瞒个人信息，见戴昕：《自愿披露隐私的规制》，载苏力主编：《法律和社会科学》第15卷第1辑，法律出版社2016年版。

篇11

1. 人工智能中智能体的功能

1.1人工智能

人工智能是以知识为对象，研究知识表现、知识获取、知识挖掘等的学科。从其功能来看，人工智能即参照人类智能活动的客观规律，借助一定的智能体，模拟人类的思维执行诸如判断、推理、识别、决策、检测等活动。

1.2智能体

人工智能必须借助一定的智能体来实现，也就是说，智能体是人工智能的载体。因此，分析人工智能就要借助智能体来阐述。一个性能良好的智能体，应尽量准确捕捉用户的用意，通过对环境的感知，敏锐地获取相关信息和知识，并根据环境的数据变动适时作出调整，高效执行用户指令，完成用户指定的任务。

1.2.1单智能体的功能

依照智能体的功能，人们通常将智能体划分为思考型、反应型、混合型三种。

图1 思考型智能体的功能示意图

  思考型智能体主要通过用户根据目标或任务，下达行动指令，用知识和计划指导行动，并根据行动的反应，对环境进行感知，智能体感知内部状态等对环境状态，适时对动作进行调整，实现思考型智能体的功能。

图2 反应型智能体的功能示意图

反应型智能体主要通过规则动作指导行动，并利用智能体对环境状态的感知，指导规则动作对环境作出适应性改变，实现反应型智能体的功能。

图3 混合型智能体的功能示意图

混合型智能体的功能较为复杂，它通过智能体对环境的一般、紧急情况作出反应，对环境状况建模，对环境可能发生的情况进行预测，与其它智能体进行交流，共同指导决策，指导行动的准确性。

1.2.2多智能体的功能

多智能体即通过多个智能体间的相互协调，共同配合，构成一个综合智能体，联合达成一个任务。每个成员智能体有着各自的目标和动作，可以不受其他成员的限制，自主执行自身的动作规则，利用各个智能体间的竞争与协调，化解多个智能体间的矛盾与冲突，实现多智能体的任务，体现多智能体的功能。在多智能体的综合功能下，各个智能体作为综合功能的子功能，每个智能体都具有较高的适应性，能够根据问题，进行规划和推理，判断应该采用的策略，对环境施加影响。多智能体基于简单的设计理念，具有有利于建模，可扩展性强，管理方便，能够节省构建成本，明白易懂等特点。通过多智能体，可以面向对象，实现智能体的多元化和多层次性的构架，缓解了综合系统的复杂性，也缓解了各个系统解决问题的复杂性，并通过协调与协作，提高解决问题的效率，提高整个系统行动的效率。

2. 人工智能的主要应用领域

2.1人工智能在教育的应用

2.1.1教师辅导的智能化

人工智能在教育的应用，主要表现在利用Agent技术，实现智能化教学。Agent技术是一种基于分布式的智能技术，通过智能体Agent，可以实现自主学习的功能，并根据感知自身和环境状态，采取相应的行动，达成系统规定的目标或任务。Agent具有多种优势，诸如可以自主完成行动，快速对动作做出反应，协作能力强，系统处于开放状态，通信性能好，能够随时随地进行行动等。多Agent系统由多个成员Agent组成，各个成员Agent都有既定的动作，通过成员hgent间的通信，获知相关信息，共同协调完成整个系统的复杂任务。Agent在智能化教学中的主要功能：对教学过程进行跟踪监控、教学分析、教学信息的整理、辅助学习、学习方法建议等。通过上述功能，能够适时监督学生的自主学习和教师的辅导，并能够结合学生的学习行为、学习效果等，提供有效的学习指导，实现教师辅导工作的智能化。

2.1.2教学资源的智能检索

目前，各种网络教学资源五花八门，信息量非常大且较为分散，并且各种教学资源还在不断的增长，给学生和教师利用教学资源带来相应的困难。智能检索系统的应用，能够帮助学生和教师在海量信息中，快速准确地搜索到所需信息，节省学生或教师的检索时间，提高用户检索效率。

2.1.3智能化评价

随着现代教育的发展，运用专家系统技术，通过网络考试系统，采用智能组卷算法，实现自动组织考卷。通过试题库，依照既定规则，对精选的试题进行筛选，实现自适应的试题测试功能。根据相关需要，设计自动评卷功能，对考试结果进行评价，并可根据需要对考试题型进行评价。

2.2数据挖掘技术

2.2.1数据挖掘技术

数据挖掘技术，就是通过揭示数据间的关系和数据的存在模式，对数据和数据库进行处理的技术。它是人工智能、数据库管理、仿真等多学科交叉的边缘学科。数据挖掘技术的应用，为工商、科研工作的发展提供了较多的新方法，对工商业与科学研究都具有非常重要的意义。由于数据挖掘技术蕴含着知识表现、知识获取和知识挖掘等理念，使得其与人工智能的功能如出一辙，很多人认为数据挖掘技术应该是人工智能的一支。从实际来看，虽然数据挖掘技术与人工智能有相应的交集，但它已经成为一个独立的系统，具有更为丰富的内容体系，与人工智能、机器仿真、OLAP、专家系统等都具有相关性，其规则、分类、算法等都自成体系，体现出数据挖掘技术的博大精深。

2.2.2数据库的知识发现

通过数据挖掘技术，对数据库中的知识存量进行充分的研究，从中找出潜在的规律性，从而利用数据的相关性分析，挖掘出蕴含在数据中的抽象知识，揭示数据所表现的客观世界状况，从中得出相关的本质和规律，从而自动获取知识。知识表现所概括的是数据所揭示内容的概念，比数据本身更有应用价值。

2.3智能检测技术的应用

2.3.1智能机器人研究

在智能机器人的研究中，研究者更加关注对机器人的行动进行智能控制，也就是说，研究者在给定机器人任务后，必定要根据任务设计相关的动作规则来实现任务，然后根据智能控制，使机器人的行动达到研究者的预期目的。

2.3.2对流水线的智能监控

很多工厂的生产流水线，都需要通过过程监控，保障产品质量和系统性能。很多企业已经采用人工智能对流水线进行监控 ，确保流水线的物理参数精度，实现流水线的高效和产品的优质。例如汽车工业的模糊逻辑智能控制，轧钢厂的神经元智能控制，水泥旋窑的模糊智能控制等。

2.3.3故障的智能诊断

一般情况下，智能系统根据检测到的故障状况，对照系统存储的相关诊断数据和信息，判断系统、器官、元件等出现故障的原因，采用系统给定的信息进行故障处理，及时排除故障，提高系统的稳定性和可靠性。故障的智能诊断系统构架主要有：故障信息库、诊断信息、数据接口、数据库等。例如，飞控系统的故障诊断、雷达的专家诊断等。

2.3.4医疗领域的专家系统技术

从上世纪70年代，医疗领域已经开始广泛应用专家系统技术。例如在外科手术中，采用模糊逻辑控制，通过模糊函数与语言，准确把握病人的麻醉深度，实现对病人麻醉深度的智能控制。

3. 人工智能的实际应用

3.1机器人在教育界的应用

3.1.1模拟教学

根据教材的安排，对某些需要解释的现象进行机器人模拟演示，让学生认真观察，从中发现一定的规律，使学生加深对规律性的认识和理解。如数学教学中的抛物线轨迹演示，物理教学中的阿基米德定理演示等，都能够利用直观的演示，揭示其中的规律，使学生加深对相关知识的理解。

3.1.2人机交互的辅导方式

利用机器人辅导学生学习，可以通过人机交互，为学生提供量身定制的辅导模式，使学生的个性得到充分发展。采用微型机器人与学生的交互辅导，可利用微型机器人其体积小、重量轻，便于携带等优点，随时随地进行学习，随时为学生解决问题，提供学习指导。利用家庭机器人与学生的交互辅导，承担家庭教师的职责，有利于学生问题的适时解决，也有利于学生的学习得到及时的巩固。通过软件机器人与学生的交互辅导，可以对学生的学习情况进行分析，为学生制定专门的指导计划，提高学生的学习质量。

3.1.3仿真训练

在教学中，教师可以利用机器人，将相关内容通过机器人的演示展现给学生，减轻教师的负担，并能够通过规则的动作，使教学更为规范。例如，用机器人示范体育高难动作，可以将动作分解、定格、重复播放等，从多方位展示动作，使学生能够充分掌握动作的规范，比教师的示范更为科学，也更为有效。

3.1.4机器人远程教育

通过机器人，可以通过对学生的特征数据分析，建立学生模型库，根据学生的个性，同时对多名远程教育的学生实施个性化教学和辅导，提高远程教育的效率，实现远程教育的智能化。

3.1.5激发学生的学习兴趣

机器人为学生创设富有情趣的教学环境，根据教学任务，采用与学习相关的游戏，调动学生的学习积极性，使学生在尽可能短时间内，掌握需要了解的知识点，提高学习效率。

3.2数据挖掘技术的实际应用

数据挖掘技术的应用领域较为广泛，主要有：

（1）商业领域

商业领域是最早应用数据挖掘技术的重要领域。通过数据挖掘，对产品销售数据进行分析，对产品进行市场定位；根据消费者需求分析，对产品的销售进行预测，调整产品营销策略；根据市场销售情况，制定合理的库存，减少资金的占用；对顾客的购买行为模式进行识别，据此布置货架，适应顾客的购买习惯；通过食品的滞销、畅销分析，制定相应的促销手段和促销时间，避免商品过期积压等等，使数据挖掘技术在商业领域得到极为广泛的应用。

（2）金融业

利用金融服务的各种卡品信息，分析客户的需求，了解客户的存款和贷款信息，对存、贷款趋势作出科学预测，从而制定合理的存、贷款优惠策略；对金融交易活动进行监控，从中提取有用信息。例如，有信用卡客户对私家车感兴趣，金融机构就可以将信息告知汽车销售部门，并为客户提供量身定制的贷款服务。

（3）工业生产

在产品销售环节，工业生产企业对数据挖掘技术的应用与商业领域的应用大致无异。随着市场竞争的激烈，很多工业生产厂家已经通过数据挖掘技术对生产过程进行动态监控。

（4）网络应用

随着信息流量的增大，简单的索引与搜索系统已经很难满足网络用户的需要，有待开发高层次的搜索引擎来适应网络不断的发展，智能化的搜索引擎带给用户的是快捷、高效与易用，使其成为今后搜索引擎的应用趋势。

（5）其它方面的应用

通讯公司利用远程通信，及时了解客户信息，创新客户服务，拓展新的业务，扩大市场影响力，赢得最佳效益。高校利用数据挖掘技术，了解生源信息，将学校的专业信息发送给目标生源；对教师的情况进行分析，从中找出关联性，有针对地制定教学方案，有效提高高校的教学质量。医药公司通过对医生处方分析，了解医生的用药情况，可以制定合理的供货计划和营销策略。旅游机构对旅游团体进行分析，可以采用有效的旅游模式，吸引更多的旅游团体。利用卫星遥感技术获取的数据，提高天气预报的准确度。

3.3人工智能在检测系统的应用

人工智能在检测领域的应用非常广泛，如前面介绍流水线的监控、智能故障诊断、专家技术系统等，现对网络入侵的智能检测系统加以简要说明。

3.3.1网络入侵专家检测系统

该系统的智能化程度高，用户不用干预专家系统的推理。然而，其系统信息是建立在专家知识的基础上，必然受专家认知网络攻击模式的限制。该系统的构建基于以下几点：首先，采用安全入侵规则的描述方式，如判断树描述、图形描述等。其次，通过合理推理，参照专家库的规则，判断网络安全状况，检测是否有入侵行为发生。最后，更新专家库，调整专家规则，结合神经网络技术，利用神经网络技术的敏感性与快速反应能力，不断增强系统的自适应功能，提高系统检测能力。

3.3.2入侵统计智能检测系统

该系统主要对异常的安全问题进行检测。它通过建立正常行为模型，对照进行网络入侵检测，检测出正常行为有较大偏离，则视为异常。首先，确立门限值，统计某一事件在特定时间出现的频率，检测是否超出门限值，判断系统是否异常。其次，设定事件度量均值、度量标准偏差的置信区间，统计系统的两个参数值，判断系统是否偏离区间，检测系统异常与否。最后，根据事件的矩阵数据，对事件转移的概率进行统计分析，结果小则预示存在异常。

参考文献：

[1] 于大方.浅析人工智能及其应用领域[J].科技信息.2008(23)

[2] 张鹏.智能机器人辅助教育及其应用[J].中国电化教育2009(2)

[3] 龚成清.基于人工智能的网络入侵检测系统设计[J].南宁职业技术学院学报.2009(5)

篇12

现代科学技术的快速发展，使用计算机技术辅助医疗卫生诊断已成为现代临床医学的重要手段之一[1]，计算机应用程序也给医学研究带来了革命性发展。目前学术研究上已经提出将计算机辅助诊断作为现代医学的重要研究方向，近年来，随着计算机软硬件质量的不断提升，新的学术研究的快速发展，例如人工智能，特别是机器学习和人工神经网络等前沿技术的不断推广，疾病诊疗系统已成为十分热门的研究领域[2]。

1.中医眼健康

中医中对人体健康分布研究，例如通过眼睛的健康程度衡量一个人的整体健康，其原文翻译成白话文解释就是“人的目光要炯炯有神，给人没有在发呆的感觉，这样说明了这个人的精力充沛，活力十足，而且五脏六腑健康，功能良好”。另外《黄帝内经》[3]也说：“五脏六腑之精气，皆上注于目而为之精。”意思是人的眼睛为脏腑精气的汇聚之所。《黄帝内经》还有“精之窠为眼，骨之精为瞳子，筋之精为黑眼，血之精为络，其窠气之精为白眼，肌肉之精为约束”[4]一说。这充分说明了古人对人的眼睛研究十分深入，在几千年以前就能发现眼健康对人体健康机理的表现，他们将眼睛的不同部位分为人体的五脏，眼窝是整个人的精气表现，肾的表现则体现在瞳孔上，肝的表现则体现在黑眼球的形态上，最后眼球的血络分布则体现的是人体心脏的功能是否良好。由此可见，眼睛的健康状态跟五脏六腑的精气息息相关。现代科技的发展为医学诊断和治疗带来了全新革命，1991年，陈氏等首次将人工神经网络应用于中医学诊断[5]，提出了人工神经网络用于医学诊断的具体方法，并以中医病历为实验数据进行了专题研究，开辟了人工智能应用于中医诊断的先例。施氏等将人工神经网络应用于基于舌诊的八纲辨证诊断[6]。

2.国民眼健康形式

据2011年与2014年《全国学生体质健康调研[7]》数据显示，全国中小学生近视率最高达85%。据有关部门调查，2012年我国5岁以上总人口中屈光不正（不含老视）的患病人数为4.8亿至5.31亿，且超过90%以上的屈光不正是近视。我国近视的总患病人数在4.37亿至4.87亿之间，患有高度近视的总人口高达2900万至3040万。2012年我国40岁以上人口中未矫正的老视患病人数约为3.71亿人，占全国总人口的比例为27.83%。据某机构预测，中国政府如果没有有效的干预国民视觉健康政策，预计到2025年，我国近视发病率将面临超低领化，5岁以上人口的近视发病率将增长到50.86%～51.36%，患有视觉健康疾病的人数接近7.04～7.11亿。其中高度遗传性近视的总人口将达到4000万人，届时我国的近视人口将是美国总人口的两倍。

3.眼健康系统的发展趋势

随着计算机软、硬件技术的飞速发展，功能的提升，各领域学者都在开发研究医学专家系统[8]，医学专家系统的产生在广度和深度上都使得现代医学诊疗手段将达到新高度。本文所述的眼健康系统属于医学专家系统的一个医学领域服务分支，眼部健康系统可借鉴数据库关于信息存贮、共享、并发控制和故障恢复技术，为数据库的管理、设计及大型数据库建设、共享数据库和散列式数据库提供帮助。为了改善眼健康专家系统的特性，增强眼健康系统的服务性能，扩大规模的将多媒体技术应用于眼健康系统，可集中多种知识的表达形式为一体（例如文字、图像、声音及视频）；为了能够充分发挥健康系统的高速处理综合问题的特点，提高系统识别能力，全面优化系统功能，有效地模拟眼科医生在临床诊断中用的直觉和模拟诊断功能；开发有友好的用户界面，模拟系统将会以类似人类眼科专家的方式传递信息，与用户深入沟通，用户可以向系统寻求常见的病症解释、咨询病情，必要时还能对患者进行心理谈话；系统利用多媒体技术获取模块，采用图像接收设备，可直接将采集的图像进行图像分析产生数字化信息，也可由人类用户自主提出问题，从而使系统收集病症信息。将网络技术用于眼健康系统，一是可采用散列式的数据库架构，将标准的比对基数据按其特点分为相关数据库，这样可以提高数据安全性，方便系统比对用户体征健康数据；二是可采用分布式推理方式，改善系统环境的运行承受能力，优化系统智能化的计算速度和其灵活性；三是大力发展远程服务能力，为眼健康系统的应用提供了一个广阔的场所，为系统更好地服务于人类、造福社会提供了更优越的条件。眼部健康系统不会像人类医生一样会受疲劳、紧张和外部压力等主客观因素的对患者诊断结果产生影响，它的优点不但可以综合众多专家的知识和经验，提高智能化的解决问题的能力，而且可以批量生产，使得其造福人类。我们相信：未来的智能专家系统在某些方面可以超越人类专家的能力[9]，他将成为医生的最得力助手，是现代医学对疾病的预防、诊断和治疗的创新性革命。

4.结语

当代科学技术全面发展，人类文明走上了新高度。我国是世界人口大国，国民经济发展迅速，但我们即将面临的是人口质量下降，国民健康中视觉健康往往得不到应有关注，因视觉问题造成的各类社会问题面临巨大挑战[10]。眼部健康的保护不能只停留在治疗这一层面，我们常说扼至住命运的咽喉，是的，只有在疾病未发生前发现它解除安全隐患，才能从根本上解决问题。全面关注国民眼健康刻不容缓，为提高人口素质，我们急需利用人工智能等先进的计算机技术开发新型医疗服务系统服务社会，造福社会。

参考文献：

[1]尹荣章.计算机技术在现代医学中的应用与发展[J].国际医药卫生导报，1996（Z1）：34.

[2]张长丽.新型锌离子荧光探针的细胞和组织造影研究[D].南京大学，2007.

[3]南京中医学院医U教研M.黄帝内经素问译释[M].上海科学技术出版社，1981.

[4]闫瑞丽.泛用清肝明目治眼疾之谬误[J].中华现代中医学杂志，2007.

[5]宋红.用于医学辅助诊断的神经网络方法的应用研究[J].生物医学工程学杂志，1996（2）：141-144.

[6]谢铮桂.基于改进的BP神经网络的中医舌诊诊断研究[J].现代计算机：专业版，2008（4）：26-27.

[7]胡佩瑾.全国学生体质健康调研[J].中华预防医学杂志，2005（6）：391.

篇13

百度在搜索领域风光不在，即便这些年没有了google这一竞争对手。而且，提到信息搜索再说“百度一下”，或许还会被人笑话，大有三十年河东三十年河西之感。除了各类负面新闻败光了百度赖以生存的品牌形象，百度这些年的下坡路还体现在移动互联网领域没有拿得出手的产品。

回想百度的新闻，上一次百度上头条恐怕还是因为李彦宏把无人驾驶汽车开上五环被开罚单。可能让百度人顿感落寞的是，大众不再关心百度的产品，只剩下花边新闻值得一看。这些现象都反映出百度作为互联网公司已经离我们越来越远的事实。

百度为什么离我们越来越远？百度在PC时代实现了搜索垄断，一路顺风顺水，最大竞争对手Google被关在国门之外，即便是360在电脑上捆绑浏览器，锁定360搜索引擎，也未突破20%的市场份额，百度始终牢牢占据第一。

然而随着移动互联网的普及，搜索入口被分散，百度在搜索领域却一成不变毫无突破。反观搜狗等其他后起之秀，纷纷针对垂直领域不断深挖。搜狗将微信搜索、知乎搜索、搜狗明医等窗口打通，将百度存在的问答、信息、医疗广告上的弊端进行了升级，吸引了大量年轻用户群体。如今，百度在搜索引擎领域已经不在是不可替代的存在，反而饱受诟病。

（1）移动互联网时代，百度跟风转型不成功

百度如今只能算是在吃着PC时代积累下来的老本。实际上移动互联网的大趋势下出现了许多颠覆性的机会，比如：小米以智能手机为核心构建起了智能硬件生态圈；美团主攻吃喝玩乐等生活服务成为了一方霸主；今日头条以算法驱动一举逆袭成为国内最大的资讯平台，并开始蚕食百度的互联网广告业务。然而，在这些领域百度都曾有涉足，但大多如蜻蜓点水般参与过，不温不火。

作为互联网巨头的百度，当然不可能对趋势毫无察觉，在移动互联网领域也进行过大手笔的收购，企图实现转型。比如：出资19亿美元收购91，用以阻击360，希望在无线端实现全面覆盖。但是，百度未曾想到移动端流量入口最大的敌人却并非是360、应用宝等手机应用市场等巨头，而是众多智能手机生产商，移动互联网时代下的流量分发开始从中心化走向分而治之。

百度同样也看到移动互联网时代下生活服务领域的巨大商机，团购火热就收购糯米做团购，外卖火爆就开发百度外卖做外卖，但是由于战略定性与运营能力不足等原因，结果都以无疾而终。

（2）搜索之后无爆品，百度缺少烟火气

大家不妨仔细回想一些，近五年来百度有哪些新产品是值得称赞一番的？

答案很可能是没有。百度最大的问题就在于这么多年来却没能在产品层面有建设性的突破，可以说是错失了整个移动互联网时代。

虽说百度在其他领域并非颗粒无收，但也是毫无拿得出手的爆品。百度在行业处于领先地位的产品，就只剩下了百度搜索和百度网盘。而百度网盘并非由于产品优秀，更多的是因为占到了政策优势和曾经积累下来的技术实力才能勉强处于领先地位，市场占有率超过70%。

但是，同样成也萧何败萧何，百度网盘如果有朝一日因盗版等擦边球问题而受到较大的政策冲击，百度网盘的市场规模恐怕也将大幅下降，极具政策不确定性。

反观阿里和腾讯，在移动互联网领域可谓无孔不入，如八爪鱼一般张牙舞爪，要么自己做，要做投资布局。如今，腾讯已经将微信覆盖到了每个人的手机，与手Q一起捍卫者自己社交帝国的荣光。不仅如此，腾讯还接连推出了几款爆品手机游戏，带领全民走进了娱乐至死的疯狂时代，虽然饱受争议，但风光无两。

对于自己不擅长的领域，腾讯更是一改抄袭作风，直接投资外部公司，如：京东、美团、滴滴、搜狗等，也是名利双收。阿里就更不用多说，虽然马云已经宣布退休，但是阿里在电商、支付、云业务、生活服务、新零售、AI等领域都是玩得风生水起，一出手就能随随便便上头条，再加上马老师这个大IP的加持，这种影响力怕是连腾讯都无法企及。

对比之下，也就不难理解百度为何总被唱衰，总是被掉队。

一方面，是由于百度在新业务领域基本毫无建树，纯粹靠着吃老本；

另一方面，腾讯阿里的各个新产品新业务都跟普罗大众的生活息息相关，影响深远。

而百度呢，却仍躺在陈年老黄历上不食人间烟火，实在是离老百姓的生活太远太远了。

（3）竞价排名臭名声，路径依赖害百度

百度行业新闻不多，但是负面新闻不少。近期，作家六六更是在微博上大骂百度垃圾企业，骂李彦宏是骗子首领，因为她仅仅使用百度查询上海美国领事馆信息就出现一堆虚假广告。在魏则西事件引起公愤后，百度广告还是非常的嚣张，所谓无广告不百度。

百度的搜索竞价排名是百度最主要的收入来源，但同样也是让百度病入膏肓的毒瘤。应该说，路径依赖是种病。一旦习惯了，就会变得不思进取，抱残守缺。尤其是，竞价排名背后的既得利益之于百度实在太诱人，一旦手起刀落下狠心割除，不仅财报难看，在没有新业务接济的前提下还可能自毁长城。这里面错综复杂的利害关系，想必只有百度高层才会有更深刻的体会。

想百度对搜索竞价排名业务的依赖有多深，只要看看陆奇出走的事件就能明白。想当初，前微软全球副总裁陆奇空降百度出任总裁兼COO，一度成为Robin之后的二把手，主政百度的486天里进行了大刀阔斧的改革，百度股价累计上涨近60%，最高时候带领百度市值逼近1000亿美金。

因此，陆奇也一度被外界看作是拯救百度的救星，然而陆奇的改革却依旧不能触碰到百度的搜索利益。坊间传闻，在陆奇确认离开之前，与百度高级副总裁、百度搜索公司总裁向海龙之间的矛盾已经水深火热，最终陆奇毅然决然选择离职。

就在陆奇离职不过十天后，百度搜索部门重启了医疗竞价广告排名。这一前一后的事件走向变化，很难不让人浮想联翩，也直接证明了之前媒体们的各种猜测——陆奇正是因为触碰到了百度搜索竞价排名的既得利益才导致了出走。对于百度来说，陆奇的出走让其失去了“百度中兴”的可能，更是将百度再一次拉回了舆论的漩涡。

科技驱动能支撑起百度的未来吗？卓越的职业经理人陆奇最终没能帮助百度扭转颓势，但是为百度留下了ALL in AI的标签。然而深受臭名所累，产品能力薄弱的百度，真的能用科技驱动支撑起百度的未来吗？

（1）百度在人工智能领域全面布局，率先进入无人驾驶领域。

百度集团目前将主要的事业群体划分为六大领域：

搜索引擎，维护传统主营业务搜索引擎服务；

人工智能领域，负责百度AI领域的研发；

智能驾驶领域，负责搭建智能驾驶生态群；

金融事业群，负责互联网金融业务；

智能生活事业群，负责智能硬件物联网领域的开拓；

另外还有一个是新兴业务事业群。

可见百度在人工智能领域的布局与其他互联网企业无异，除了放弃了新零售领域的开发，基本上将所有人工智能领域覆盖到了，并且在无人驾驶领域处于先行地位。然而，即便如此，百度在无人驾驶领域所面临的对手也不容小觑，国外有特斯拉和 Google，国内还有阿里、腾讯华为等科技巨头也正积极布局无人驾驶领域，产业格局不尽相同。

（2）人工智能领域尚未出现爆款产品，无人驾驶后来者穷追猛赶

百度虽然大刀阔斧的杀入人工智能领域，但是还没有推出一款证明其技术能力的产品。百度希望通过智能音响搭载百度duer os ，推广其智能语音技术。然而外观出众的涂鸦未获得市场认可，随后低价策略的小度智能音响、搭载屏幕的小度在家也是反响平平。

或许是由于产品能力较差的原因，所以百度至今没有打造出爆品。但是如果仅作为技术服务商，百度好像也不那么合格。翻看百度AI开放平台，可以了解到目前百度核心的AI技术也就是人脸识别和语音识别技术。而这些技术的同类竞争者众多，也并不是什么最新的黑科技，让人对百度人工智能领域的期待少了许多。

值得一提的是百度率先进入的无人驾驶领域。但是该领域尚未形成头部效应，还处于你追我赶的阶段。百度虽然推出了Apollo，希望打造智能驾驶领域的安卓平台，如若成功，百度在智能驾驶领域将举足轻重。

但是开放式的平台搭建需要大量汽车软硬件厂商密切配合，而面对风口并非百度一家拥有搭建平台的能力。比如：阿里巴巴近期也了AliOS 2.0系统，宣布驾驶体验或可千人千面，这对与百度来说无疑是一记重锤，压力可谓不小。

（3）BAT的差距已经形成，在人工智能领域勿重蹈覆辙

百度的成功取决于它做对了搜索引擎这一件事，从竞价排名流量变现上获得了巨大的利益，掌握流量入口是百度pc时代称王的关键。2011年，3Q大战结束，百度曾经以460亿美金市值短暂超越腾讯，领跑BAT。

然而，随着pc互联网时代的终结，百度失去了入口优势。而在移动互联网时代，百度一直没有找到自己合适的角色。不同于腾讯和阿里分别从社交和电商作为切入点不断开枝散叶，百度在移动互联网时代什么都试着去尝试，但是什么都没有做精做好。O2O业务花费了百度大量的经济投入，却无疾而终。

可以说，正是由于百度没有其他支撑性产品业务的崛起，才导致百度搜索广告过度逐利，令其臭名远扬。