人工智能对医疗的帮助精选(十四篇)

序言：作为思想的载体和知识的探索者，写作是一种独特的艺术，我们为您准备了不同风格的14篇人工智能对医疗的帮助，期待它们能激发您的灵感。

篇1

关键词：人工智能；教育；新模式；改革；构想

教育是着眼于未来的事业，教育的首要任务就是为未来社会培养相适应的合格人才。随着人工智能的诞生和发展，我国已经开始将人工智能应用于教育领域，并显示出人工智能对于弥补当前教育存在的种种缺陷和不足，推动教学现代化和教育发展改革进程起着越来越重要的作用。在现代医学发展中，工程科学与临床医学不断融合，相互进步。近几年，随着人工智能技术，机器人技术，虚拟与增强现实技术，3D打印技术与医学不断的融合发展，衍生出一系列的医学诊疗技术，仪器，大大推进了医学发展。从2013年到2017年，国务院、发改委、FAD连续发文，多次提及医疗走智能化、云化的趋势，为推动智能医疗领域保驾护航。智能与医学的结合已经是大势所趋，因此，为培养大量智能医学人才极有必要对智能医学教育新模式进行深入研究。

一、目前医学教育以及医学人才培养状况

智能医学工程是一门将人工智能、传感技术等高科技手段综合运用于医学领域的新兴交叉学科，研究内容包括智能药物研发、医疗机器人、智能诊疗、智能影像识别、智能健康数据管理等。

智能医学工程的毕业生掌握了基础医学、临床医学的基础理论，对智慧医院、区域医疗中心、家庭自助健康监护三级网络中的医学现象、医学问题和医疗模式有较深入的理解，能熟练地将电子技术、计算机技术、网络技术、人工智能技术，应用于医疗信息大数据的智能采集、智能分析、智能诊疗、临床实践等各个环节。实验教学正是融合型创新人才的最好培养方式。智能医学人才的培养需要各学科间的相互交融更为紧密，学生的创新应用能力才能得到更好的培养。与此同时，由于绝大部分医工结合的专业大部分归属与工科学院下，缺乏必要的临床经验，因而学生不能很好的把握新技术的应用。

而国内相关人才缺口还非常大，目前，国内仅仅有生物医学工程、医学信息工程等工科专业培养医工结合人才。但是囿于培养时间与培养模式，他们往往只能针对具体某一方向，并且目前的培养体系还多着重于工学技术的研究，缺乏临床实践。

二、智能+医学教育的必要性探究

2.1技术进步对医疗人员的诊疗帮助

以癌症的治疗为例，由于针对癌症药物的研究何药物数量非常巨大，对于普通医生在短时间内难以进行准确的判断针对癌症的研究和药物数量非常巨大，具体来说，目前已有800多种药物和疫苗用于治疗癌症。但是，这对于医生来说却有负面的影响，因为有太多种选择可供选择，使得为病人选择合适的抗癌药物变的更加困难。同样，精确医学的进步也是非常困难的，因为基因规模的知识和推理成为决定癌症和其他复杂疾病的最终瓶颈。今天，许多受过专业训练的医学研究员需要数小时的时间来检查一个病人的基因组数据并作出治疗决定。

上述问题在拥有工学、医学双背景的医生手中已经不是问题，通过目前日渐成熟的AI技术，对于大量的医疗数据进行检索，通过可靠的编程手段，通过人工智能技术，建立完备的医疗数据库，帮助医生进行诊疗。据调查，美国微软公司已经研制出帮助医生治疗癌症的人工智能机器，其原理是对于所有关于癌症的论文进行检索，并提出对于病人治疗最有效的参考方案，它可以通过机器学习来帮助医生找到最有效，最个性化的癌症治疗方案，同时提供可视化的研究数据。

2.2智能医学对于新时代医生培养的影响

人工智能通过计算机可为学生提供图文并茂的丰富信息和数据，一方面加强了学生的感性认识，加强了对所学知识的理解和掌握，从而提高了教学质量。同时，人工智能可帮助教师完成繁杂的、需适应各种教学的教学课程、课件等设计，使教师将更多的精力专注于学与教的行为和过程，从而提高教学效率。正如前面所述例子，智能网络模块化学习平台可使教学摆脱以往对于示教病例的依赖，拓展了学生们的学习空间和时间，可极大地提高医学学习效率和教学质量。

教育与人工智能相结合将会创新教育方式和理念。北京师范大学何克抗教授在《当代教育技术的研究内容与发展趋势》中提到当代教育技术的五大发展趋势之一就是“愈来愈重视人工智能在教育中应用的研究”。结合上述人工结合上述人工智能在医学教育中的创新作用，下面就人工智能结合医学学教育新模式提出一些构想。

三、交叉医学人才的培养

3.1建立智能医学人才培养体系的必要性

目前智能医学的研发和临床还存在隔阂，临床医生并没有很好地理解人工智能，无法从实践出发提出人工智能能够解决的方向，而人工智能的产业界热情高涨，却未必能踩准点，所以产业界需要和临床深度沟通融合，才能真正解决看病难、看病贵的问题，缓解医疗资源紧张。目前，国内仅仅有生物医学工程、醫学信息工程等工科专业培养医工结合人才。

3.2医学人才培养体系初步构想

据悉，目前已经有天津大学、南开大学等几所院校开设了智能方向的医学本科教育，旨在弥补上述缺口，相关院校也在积极探索新型人才培养方案。应当为医学生开设人工智能课程，应当培养具备生命科学、电子技术、计算机技术及信息科学有关的基础理论知识以及医学与工程技术相结合的科学研究能力。该专业的学生主要学习生命科学、临床医学，电子技术、计算机技术和信息科学的基本理论和基本知识，充分进行计算机技术在医学中的应用的训练，具有智能医学工程领域中的研究和开发的基本能力。

篇2

关键词：人工智能；中医药；融合发展

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

（1）加大人工智能诊疗的结合力度。人工智能是辅助中医研究应用的重要工具，在产能放大化、中医推广方面前景广阔。要加大中医和人工智能的结合力度，针对中医药发展的特点，找准人工智能结合的切入点，研发设计更多在中医挂号、诊疗、远程诊治、后期跟踪等方面的人工智能成果，将二者实现更进一步的融合。（2）更好集散用好大数据信息。大数据是促进中医人工智能化的基础和技术支撑。要加大对关于中医方面大数据的收集、分析和挖掘使用，并制定中医诊疗标准和体系，将数千年的中医经验转化为集中医诊断、服务，健康信息采集、健康评价、健康指导、健康提醒功能为一体的信息系统，形成多元化诊疗数据，为更好服务患者、推动中医走向现代化、国际化提供支撑。

篇3

智能医疗的兴起

人机大战1∶4的比分让相当多的人感到失望和悲观，还有人感到了恐惧，认为人工智能战胜人和主宰人类社会的时代已经开启。

然而，即便“阿尔法围棋”最终以5∶0的大比分大胜李世石，也不意味着人工智能主宰世界和人类被奴役时代的到来，理由也并非只是“阿尔法围棋”是人类设计出来的，而是因为，“阿尔法围棋”其实开启了人类利用人工智能的新时代，准确地说，是拓宽了让人工智能为人类干活的新天地，并有可能深入而广泛地让人类文明迅速发展。

“阿尔法围棋”是靠深度学习、蒙特卡洛树搜索算法和自我进化三招战胜人类棋手的，这三大功能也是人类驾驭人工智能为人类服务的途径。由于人工智能能够自我学习，学习能力会越来越强，而且搜集和贮存的数据会越来越多，将会在更多的方面成为人的助手或替代人的工作。例如，除了替代一些体力劳动以及低级岗位外，会学习的人工智能还会接手一些需要创造性、技术性和复杂运算的工作。此外，在各个领域的新产品的研发、预测分析、推广等方面，人工智能也能产生巨大的作用，创造不可估量的效益。

设计“阿尔法围棋”的深度思想公司（Deep Mind）的CEO杰米斯・哈萨比斯提出了人工智能的通用性，即通用人工智能，这种智能与人类专家协作可以解决和处理更多需要智慧才能解决的问题，如诊治疾病，处理气候变化、能源、基因组学、宏观经济学、金融系统、物理等方面的几乎所有问题。哈萨比斯称，人类想要掌握的学科越来越复杂，即使是最聪明的人，穷其一生也难以掌握其中一个领域。如果将“阿尔法围棋”看成一个能够自动将非结构化信息转化为可用知识的过程，那么通过筛选泛滥的数据得出合理的观点就指日可待。研究人员正在努力研究的是一种可以解决任何问题的人工智能超级解决方案。

具体而言，如果“阿尔法围棋”的自我学习能力、大数据存储和分析功能应用到医药领域，将诞生一种新的医疗和医药模式，即智能医疗（有人称智慧医疗，但由于智慧似乎为人类所特有，以人工智能为基础的新型医疗称智能医疗更好）。

智能医疗是指通过打造健康档案区域医疗信息平台，利用最先进的计算机和互联网技术，实现患者与医务人员、基础研究（医学和药物研究）与临床治疗、医疗机构、医疗设备之间的互动，逐步达到信息化防治疾病和健身强体的目标。

例如，通过无线网络，使用掌上电脑便捷地联通各种诊疗仪器，医务人员能随时掌握每个病人的病案信息和最新诊疗报告，随时随地快速制定诊疗方案；在医院任何一个地方，医护人员都可以登录距自己最近的系统查询医学影像资料和医嘱；患者的转诊信息及病历可以在任意一家医院通过医疗联网方式调阅；任何科学研究，包括医学和与医学相关的物理、化学等领域的研究最新成果能在互联网上及时公布等，让诊断、治病和用药以及公众的保健得到最有效、最迅速、最适宜、最廉价和最科学的处理。

智能医疗的具体表现

以“阿尔法围棋”为例，可以知道什么是智能医疗。

研发出“阿尔法围棋”的深度思想公司并非只是专注于让“阿尔法围棋”与人类棋手过招，而是注重把人工智能通过学习解决实际问题的能力贯穿应用到医学领域。2016年2月深度思想公司就已经了在医护领域使用的深度学习程序――深度思想健康（Deep Mind Health）。这是一款手机应用程序（APP），包括“识别风险病人”（Stream）和“早期临床护理管理”（Hark）两个模块。

这种手机应用程序当然也是一种人工智能，它们需要学习和帮助医护人员监护一些表面上不严重但实际很危险的病人，或者一些急性发病者。例如，深度思想健康的“识别风险病人程序”可以及时发现急性肾衰竭高风险病人，以便让医生及时治疗并改善对病人的护理。这个程序是通过检读血液检查报告，以辨别哪些病人存在风险。结果表明，有25%的急性肾衰竭死亡可以通过这个程序避免。“早期临床护理管理程序”则能帮助医生制定治疗方案和采取行动。使用该项程序能避免38%的患者病情恶化。

当然，这些只是人工智能开发和应用的冰山一角。实际上，在医药领域利用计算机技术和人工智能最早和进展较大的是药物的研发与监控。计算机和人工智能对于药物的研发在很多方面都起到了作用，如研发新药、老药新用、药物筛选、预测药物副作用、药物跟踪研究等。这实际上已经产生了一门新学科，即药物临床研究的计算机仿真（CTS）。

一种新药的开发一般估计需要15年时间，耗资10亿美元，但最近的估计是可能耗资40亿～120亿美元，还不能保证成功。因为，除了要求新药要有疗效外，还需要安全性的保障。如何监控和预测药物的副作用或不良反应就成为研发一种新药或老药新用的重要保证。

对于传统的药物研发来说，一种药物必须经过动物试验和人体的Ⅰ、Ⅱ、Ⅲ期临床试验。而且，即便Ⅲ期试验后批准上市，还有Ⅳ期临床研究，即新药上市后进行的临床研究，而且一类新药要求进行2000个病例的IV期试验。这也是造成药物研发周期长、费用高的重要原因。

但是，在今天有了计算机程序，特别是以“阿尔法围棋”为代表的能自我学习的计算机程序（软件），就为人们提供了一个检测药物的人工智能安全专家。首先是在新药筛选时可以获得安全性较高的几种备选物质。当很多个甚至成千上万个化合物都对治疗肝癌显示出某种疗效，但又对它们的安全性难以判断时，便可以利用“阿尔法围棋”的策略网络和评价网络，以及蒙特卡洛树搜索算法来挑选最具有安全性的化合物，成为新药的最佳备选者。

同样，对于尚未进入动物和人体试验阶段的药物，也可以利用类似“阿尔法围棋”这样的人工智能来检测新药的安全性。因为，每一种药物作用的靶向蛋白和受体都并不专一，如果作用于非靶向受体和蛋白就会引起副作用。类似“阿尔法围棋”的程序可以通过对既有的数千种已知药物的副作用进行筛选搜索，以判定一种药物是否会有副作用，或副作用的大与小以及最小，由此选择那些副作用概率最小和实际产生副作用最小的药物进入动物和人体试验，就会大大增加成功的概率，节约时间和成本。当然，利用“阿尔法围棋”等程序还可模拟和检测药物进入人体内的吸收、分布、代谢和排泄、给药剂量-浓度-效应之间的关系等情况，让药物研发进入快车道。

大数据和信息共享

大数据和信息共享同样是智能医疗的核心。信息共享成为智能医疗的重要性在于，全球的科研人员只有科研共享，才能对各种危害人们健康的疾病和顽症，如艾滋病、癌症等进行有效的治疗，挽救人们的生命。这一点在突发公共卫生事件，尤其是暴发危害人们生命的疾病时，具有重大的作用，例如最近在南美爆发的寨卡病。

由于医护人员对寨卡病的发病机理、传播途径和危害胎儿和孕妇的机理并不清楚，对待这种疾病既无有效的药物，也没有疫苗，因此需要更多更新的研究结果来指导防治疾病，而对于最新研究信息的共享，则有助于指导全球医务人员和公共卫生专业人员，并通过医护人员向公众提供科学的防治方法。

正是在寨卡病的防治上，信息共享得以突破。现在，美国威斯康星大学麦迪逊分校病毒学家康纳研究团队用寨卡病毒感染猴子进行试验，并在网上公开了首批数据。这一行为改变了过去研究人员只是在学术期刊发表研究结果和数据的传统做法。美国研究人员在网上的是2016年2月15日他们将寨卡病毒注射进3只印度恒河猴体内获得的血液、唾液和尿中所检测到的病毒数量的原始数据。这些数据能让每个人都看到，并且每天都会更新研究结果。

此次康纳等人首先在网上公布动物试验的数据意味着，生物医学已经正式踏入智能医疗门槛。与此同时，中国研究人员也借寨卡的防治和研究而跨入智能医疗和大科技的门槛。中国疾控中心与江西省疾控中心、浙江省疾控中心、军事医学科学院等单位合作，分别对寨卡病毒感染病例血液和尿液标本中的寨卡病毒基因组进行了全面解析，获得病毒全基因组序列，并到网上。

这种科研的资源共享显然为人们认识寨卡病的病理、研制药物和疫苗奠定了基础。而且，基于对不同来源的寨卡病毒特点的认识，将进行针对性的药物和疫苗研发。例如，中国疾控中心和江西省疾控中心合作测序的寨卡病毒基因组有10676个碱基，与目前在美洲的流行病毒株具有高度同源性。但是，浙江省疾控中心测序的寨卡病毒核酸序列与太平洋岛国法属波利尼西亚地区报道的病毒基因组序列高度同源，而与中国其他省份报告的输入病例的病毒核酸序列存在差异。

不过，美国研究人员在网上公布恒河猴试验的数据还具有更多的意义。寨卡病是一起非常紧急的公共卫生突发事件，所有人都在与寨卡病毒赛跑，也与时间赛跑。除了不应让科学家的竞争成为保密理由而延缓对寨卡病的认知和防治外，还要意识到，对人的研究有很多伦理限制而无法获得相应的数据和知识。

由于寨卡病毒感染的形式和机制在人和恒河猴体内相似和相同，研究人员能通过向猴子体内注射不同剂量的寨卡病毒而获得该病有价值的第一手相关信息。科学家能对怀孕恒河猴体内的羊水反复取样，以判断寨卡病毒能否以及多染胎儿。这些数据一方面不可能从人身上快速且合乎伦理地获取到，另一方面也可能因此而延误人们对寨卡病毒是否导致小头儿等的认知。

有了对恒河猴的研究结果，并且能在网上，就能较快地获得诸如寨卡病毒是否与小头儿关联的确切信息和机理，例如，正在发育的胎儿可能何时会被寨卡病毒侵袭而导致出生缺陷，也就能为人们提供防治的线索和方式。

此外，由于世界一些国家反对动物试验，尤其是反对用灵长类动物进行医学试验的呼声越来越大，浪潮越来越高。欧洲一些国家，如德国已经在减少灵长类动物的医学试验，美国国立卫生研究院（NIH）也已决定结束其下属一家实验室存有争议的猴子试验，并终止了对黑猩猩侵入性试验的经费支持。

在这样的情况下，美国研究人员在网上公布寨卡病毒感染猴子的数据就更具有意义，因为这是在实现一个共同的目标，资源共享能让那些并没有进行动物试验的研究人员了解动物试验的情况和数据，也就会减少使用灵长类动物进行试验。

当然，大科技时代的资源共享也会让科研人员产生疑虑，其中最核心的是，研究成果的界定和归属，以及其他研究人员是否采信网上的动物和其他研究数据及结果。

对于第一个问题，也许可以用网上公布的时间来判断一项研究结果的最早时间和进行研究的科研人员，至于对网上公布的研究结果的采信与否，可能会随着大科技时代的进展由实践做出回答。无论其他研究人员是否采信网上公布的结果和数据，都会进行验证，因此，可能会有效地检验网上公布的研究结果。

患者也要利用智能医疗

一般而言，智能医疗通常指的是计算机、大数据和互联网+如何让医生和专业机构对病人的疾病诊治更准确和更科学，让人们既能看病有效，又能少花钱。

例如，现在飞利浦公司设计了一个智能软件飞利浦健康套件数字平台，希望将消费者、患者和医疗服务人员三方进行串连，在互联的护理领域进行尝试。这个平台是一个基于云技术的开放安全平台，能够收集和分析从健康手表、血压计、耳式体温计和身体分析仪等多个设备源头的健康数据。医生也可以在第一时间了解到患者的情况并做出医疗判断和治疗方案，从而大大降低医疗成本和漏诊误诊的发生率。

智能医疗的另一个维度是患者和家属，以及需要保健的正常群体，他们也需要大数据和智能分析来选择自己所需的诊治疾病的方式和程序，以及正常人需要选择的保健措施。

在这方面，利用大数据设计成智能软件，为患者和公众提供就医和保健的信息也格外重要。现在，美国已经出现了主流医院评价平台的智能软件，供广大公众选择。这个平台对美国近5000家医院、约14万医生以及16个医疗领域的137家专业医院排名。这个排名对医院声誉、患者存活率、患者安全性以及其他医疗相关指标在内的数十项评价指标进行综合排序，由第三方公司或组织进行多方位、多元化评价，更加关注医疗产出以及患者满意度。如此，这种智能平台可以向公众提供他们可以选择和信赖的医院进行就诊和治病。

现在，中国对医院和医生的评价还是采用最普遍的医院等级划分标准（3级10等）。医院评审分级标准包括医院的规模、技术水平、医疗设备、管理水平、医院质量等5个标准，但由于其他评审内容设置缺乏直观指标，容易量化的硬件标准（床位、科室设置、医疗设备、人员配备等）成为划分医院等级的决定因素，暂时未能考虑医院的综合医疗效果、患者存活率、患者安全性等。

现在，中国研究人员意识到医院评价和大数据的重要性，复旦大学医院管理研究所已经邀请全国30个临床专科的几千位著名专家学者共同参与评审中国最佳医院排行榜。其中，医院专科声誉主要由专家提名心目中名列前茅的医院，而在科研学术方面，得分主要来自于国家级奖项和科学引文索引（SCI）影响因子。

篇4

一、“区块链+AI”行业概述：

1、“区块链+AI”行业简介

人工智能（ArtificialIntelligence）英文缩写为“AI”，主要研究如何使计算机去做更多过去只有人类才能完成的智能工作。AI一词最早是在1956年Dartmouth学会上提出，2015年美国伊利诺伊小组研究中表明，现阶段AI智力已可达4岁孩童智力水平。随着人工智能技术不断成熟应用，围绕着“AI+”的技术理念创新也在不断提出，其中“区块链+AI”的技术理念尤为突出。

区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。其本身作为比特币的底层技术，拥有去中心化、开放性、自治性、信息难篡改、匿名性等特征，可有效弥补人工智能应用中存在的数据共享、数据安全等问题。区块链可以为人工智能提供“链”的功能，让人工智能的“自主”运行中需要的数据信息都得到可信记录并具备可溯源的特点，使得AI更可信、更安全。可以说“区块链+AI”是新型技术之间的通力合作，若两者可有机结合，将会创造更大的价值。

从金融、消费、医疗服务到政府服务，区块链和人工智能的结合正在逐步渗透各个行业和领域。人工智能和区块链的协作将会解决诸多的问题，在人工智能提供数据分析和匹配的同时，区块链将提供一个更加安全和可信任的网络。

2、人工智能和区块链行业现状概述

人工智能被誉为引领未来的战略性技术，是提升国家竞争力、维护国家安全的核心技术之一，也将成为经济发展中新一轮产业变革的核心驱动力。在我国，人工智能的发展受到高度重视，2017年7月8日国务院了《新一代人工智能发展规划》的战略部署，明确我国新一代人工智能发展的三大战略目标：至2020年人工智能总体技术和应用与世界先进水平同步，成为重要经济增长点，全面支持建设小康社会；至2025年人工智能基础理论实现重大突破，成为我国产业升级和经济转型的主要动力，向智能社会建设迈进；至2030年人工智能理论、技术和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，为经济强国奠基。根据中国互联网络信息中心（CNNIC）2017年的《中国互联网络发展状况统计报告》显示，2016年中国人工智能相关专利年申请数量达30115项，产业规模突破百亿，2017年中国人工智能产业规模达152.1亿元，该行业每年以40%～50%增长率进行增长，预估2019年将突破300亿元，截止2017年6月我国人工智能企业总数已达592家，仅次于美国。2017年9月，华为公司推出的芯片麒麟970及苹果公司推出的芯片A11SOC均具备机器学习处理单元，为人工智能硬件打下坚实的基础。人工智能行业目前已走过技术蛮荒期，处于通用技术与行业结合形成商业化场景应用阶段。根据目前沪深两市板块分类统计，涉及人工智能概念的上市公司共104家，基本涵盖了人工智能基础层、技术层、应用层各相关领域。

相比于人工智能技术已经经历了60多年的长足发展而言，区块链技术目前起步不到10年，且刚刚经历了三个初级的阶段，分别为：

起步期：2009年-2012年，以比特币为代表的加密数字货币使得区块链技术开始走进部分极客和新兴技术爱好者的视野当中，并开始在世界范围内形成一定程度的关注和研究。

雏形期：2013年-2017年，以太坊在比特币的基础技术架构之上引入了智能合约，使得区块链的可拓展性得到极大的提升，区块链技术开始延展到更多行业和领域。

发展期：2018年-，区块链技术开始迭展，行业发展聚焦于更为安全的技术架构的搭建与更加良好基础性能的提升，区块链安全、区块链与人工智能等方向开始受到行业重视，一些应用逐步在全球各个行业领域开始试点。

目前区块链技术发展总体阶段处于类似于互联网发展的初期阶段，距离大规模的应用落地仍然需要时间积累。“区块链+AI”是新兴技术相互赋能的良好应用结合，区块链技术在人工智能这一垂直领域的探索，有助于加速新兴技术的落地，并在实践过程中不断完善。目前大部分“区块链+AI”项目仍处于概念验证阶段或早期应用阶段。

二、“区块链+AI”具有的优势与挑战

在人工智能为区块链提供更强大拓展场景与数据分析能力的同时，区块链技术可为人工智能提供高度可信的原始数据以支持其持续的“深度学习”。在未来人工智能高度发展的同时，也可通过区块链的分布式、透明、可溯源的特点，来保障人工智能始终处于人类可控的范围之内。这对两者的技术发展进程都提出了更高的要求，总体而言，区块链技术本身处于早期阶段，与人工智能相结合需要持续迭代以满足人工智能对性能和稳定性的要求。

1、“区块链+AI”两项尖端科技的相互赋能

区块链与人工智能两项技术的结合，有以下七个方面的优势：一是区块链可以提高人工智能的数据安全性；二是区块链可以加速数据的累积，给人工智能提供更强大的数据支持，解决AI的数据供应问题；三是区块链可以解决数据收集时的数据隐私问题；四是人工智能可以减少区块链的电力消耗；五是区块链使得人工智能更加的可信任；六是区块链帮助人工智能缩短训练时间；七是区块链有助于打造一个更加开放与公平化的人工智能市场。双方结合的优势具体说明如下：

（1）提高数据安全性

区块链可以帮助人工智能避免因数据存储问题导致的故障。区块链中每个节点都按照链式结构存储完整的数据，每个存储节点都是独立的、地位等同的。区块链的高冗余特性，分布式数据存储，可避免系统级别风险的发生。理论上看除非所有节点全部出现风险，否则数据就是安全的。

此外，考虑到人工智能诊断的“黑箱”问题，清晰谁建立了人工智能，使用什么数据进行训练，以及谁部署了最终的，是我们应对人工智能可能出现的问题的最佳防控手段。目前使用的大多数人工智能程序都是“深度学习”算法的变体。不良的数据内容将给人工智能带来相应的安全隐患，区块链则通过记录哪些核心算法是使用哪组训练数据开发的，避免了这一问题。更宽泛地说，区块链可以记录谁编写了原始的人工智能算法以及用什么数据来训练算法。

（2）大量且丰富的数据支持

一些企业为了自身发展会进行海量数据收集，同时因为市场竞争而拒绝进行数据共享。由此造成这些公司接触到的数据有限，缺少完整的数据集做支撑，使得人工智能产品质量较差。采用区块链技术，可以利用数据分类帐进行部分数据的购买销售。可靠性强、可用性高的数据将会使得企业生产出高质量的计算机识别，语音识别和其他数据密集型应用。

当收集了大量同类型数据用于训练AI模型时，数据会受到偏差或“过度拟合”的影响。数据样本将不具备典型的随机性来代表总体的特性。使用此类型数据训练的模型比使用更多不同样本进行训练的模型表现能力要差很多。通过引入区块链技术，让不同的人和公司来提供可信的不同数据，可以获得更多样化的数据样本，帮助AI完成“自主性”决策。

（3）隐私保护

人工智能的高速发展需建立在大量的数据基础上，不可避免地涉及到个人隐私数据合理使用的问题，例如从公共数据库中推导出私人隐私信息，通过这些信息又推导到其他相关人员的信息，这已经超出大部分人同意披露的信息范围。区块链采用非对称加密和授权技术，交易信息公开透明，但对于账户身份信息是高度加密的，只有经过数据拥有者授权才可访问该数据，即使遭到入侵，也仅是一小部分信息内容，无法获取用户完整的个人身份信息，此技术在AI大数据运行环境下，个人的隐私免于被侵犯，不法企业难以利用用户数据来牟取不正当利益。同时，区块链与加密算法相结合可以在数据分享过程中分离数据所有权和使用权，让数据使用方可以利用密文进行模型训练和使用，彻底杜绝原始数据泄露的风险，从而打通企业和政府中的数据孤岛。

（4）能源消耗减少

采用POW共识机制的区块链项目需要消耗大量的电力资源，人工智能可以通过学习算法，提升数据中心的负载，操控计算机服务器和相关的散热系统，优化冷却，有效地进行设备管理，从而减少电力的消耗。对于AI可以优化能源消耗已被谷歌和百度等公司证实，2017年6月百度的智能楼宇项目一个月内为百度省下了25万度用电量，谷歌旗下AI实验室DeepMind利用人工智能技术帮助谷歌削减了15%的用电量。

（5）可信任度的提升

一个人工智能管理的区块链可以为独立于人工智能运行的底层平台的人工智能提供一个分散的标识。每一个主要的人工智能都可以注册成为被普遍认同的节点，这将为AI识别提供一个解决方案，类似于今天的网站证书，以验证网站所有权。

一个人工智能管理的区块链还可以允许每个人工智能将其活动的常规哈希函数写入区块链分类，以便具有加密密钥的可以对其进行不可篡改的检查。区块链搭载的人工智能分布式账本记录了人工智能做了什么，确保人工智能的错误行为被及时的发现、分析和纠正。而区块链的不可篡改性使得人工智能几乎不可能“掩盖它的踪迹”和删除犯罪活动数据。

最后，区块链的共识机制可以确保人工智能处于控制之下。通过人工智能执行任务的公共记录(必须由多个区块链节点进行验证)，我们可以确保人工智能的运行不会超出界限。

（6）更短的AI训练时间

在使用区块链技术保障训练数据的真实可靠性的前提之下，可以通过区块链的分布式数据存储的方式将一台人工智能的深度学习训练时间大幅度的减少。例如一个人工智能的训练可以采用模型并行或者数据并行的方式，将单个的模型或者数据分布在不同的机器之上，从而减少训练时间。人工智能也可以在同步数据并行中删除同步约束限制，而采用异步并行模式——人工智能在每一步的信息处理中不必等待数据的相互确认，可以直接进行下一步的操作，从而进一步减少人工智能的深度学习训练时间。

（7）开放公平性

区块链提供的核心价值是“去信任中介化”。如果想要创建一个自组织和自我调节的人工智能网络——那么分布式记账技术是最好的途径。谷歌、腾讯、IBM、Facebook和其他大型科技公司已经彻底改变了分布式计算——将计算任务分散在多台虚拟机之间，以实现高效的可伸缩任务处理。但是他们的布式处理工具仍然是非常集中的，并且专注于由中心化的控制器统一调度特定任务，以实现非常特定的目标。

而基于区块链技术的智能合约将使“去信任中介”的网络得以实现，在这种可信网络中，两个人工智能系统可以安全可靠地进行交互，而无需任何中心化的中介。区块链还可为人工智能提供声誉系统，这样每个人工智能都可以在选择与其他人工智能进行交易之前检查其声誉。另外，区块链的无中介、高透明度将鼓励这些人工智能开发人员共享他们的数据和他们的产品，而不必担心出现某些偏袒竞争对手或窃取其知识产权的情况，并确保所有相关方为他们的工作获得适当的报酬。

2、“区块链+AI”面临的挑战

“区块链+AI”的面临的问题主要包括两方面：一方面是AI和区块链自身的缺点，在结合后仍无法有效解决；另一方面是AI和区块链结合过程中可能造成原有优势被破坏。例如：

（1）政策性风险

区块链目前部分的衍生应用在世界各地存在着一定的政策风险——例如未来是否采用区块链技术伴生的通证来激励人工智能开发或节点管理，但无论是在经济上还是在政策上如何定义通证仍有很大的不确定性。

（2）技术融合的不确定性

作为两个前沿的新兴技术，且都处于尚未完全成熟的阶段。无论是从当前区块链的技术指标，还是从人工智能的实际落地性来讲，距离两者真正的结合并实现落地，需要面对的不确定性因素仍然存在。目前区块链的主要问题为扩容、隐私、和计算能力，主流的公有链难以支撑人工智能的链上实现。

（3）大规模的社会应用面临挑战

数据共享威胁大型企业利益。通过弱化数据的中心化，降低了大型企业相对小公司的竞争优势。如果任何人都可以访问这些数据集和计算，那么任何人都有机会与世界上最大的公司竞争。从技术领域中去除这些障碍将会改善社会，但共享市场的尝试可能会让大公司感到不安。如果任何人都有能力在世界上制造出最好的人工智能，那么市场将与许多正在争夺一部分市场的初创企业和小企业共同分享。之前使用用户数据来制定广告或业务策略的公司和政府组织将再次被迫以较不直接的方式获取其数据。因此，大公司可能会反对数据去中心化，并可能游说维持AI模型开发方面集中式数据集的现状。

（4）不可控性

当使用了“一旦运行不可停止”的智能合约时，如果合约代码存在漏洞被黑客利用，黑客将通过智能合约漏洞牟利，因在区块链上运行的事务和交易不可撤销，可能会给企业和个人造成不可挽回的损失。

三、AI与区块链结合的应用场景

结合两者技术优势，通过AI让区块链更智能，区块链让AI更“自主”，更可信。目前对于AI和区块链的结合应用，市场上已经涌现出很多相关项目和理论创新，描述了不同场景下结合，比如：

（1）区块链+AI在医疗方面进行结合

相关的结合领域有医疗数据加密和医疗计算分析。关于医疗数据方面，据统计，大部分的医生会直接将病人的病情、个人信息等信息发给同事，这涉及侵犯病人隐私的问题。应用区块链的非对称加密和授权等技术，对关键信息进行加密，只有经过数据拥有者授权才可访问该数据，将大大的提高医疗数据的隐私性。关于医疗计算分析方面，AI在医疗机构提供数据错误率小于2%，利用区块链的技术，可以对于医疗数据进行信息交换，相比传统AI，数据可更好地进行共享。谷歌旗下DeepMindHealth正在开发区块链医疗数据审计系统，利用“区块链+AI”技术让医院、NHS、病人自身都能实时跟踪其个人健康数据。

（2）区块链+AI在数据市场进行结合

利用区块链集合群体的力量，进行数据上的共享、AI模型的训练等。AI的发展离不开庞大的数据集，区块链可以利用数据分类帐进行高质量数据的购买销售，当收集了大量的、多样化的数据样本后，可用于训练AI模型，这些数据及AI模型将会解决信任的数据孤岛问题，使得人工智能机器人可以进行共享学习，自我成长，产出高质量的计算机识别，语音识别和其他数据密集型应用。目前SingularityNet、DeepBrainChain、Bottos、OceanProtocol、Indorse、ARPAChain等项目涉及该领域。

（3）区块链+AI在金融领域进行结合

相关的结合领域有市场情绪分析、去中介交易商经纪人（IDB）和检测金融欺诈行为等。关于市场情绪分析及去IDB方面，利用AI进行深度学习和时序分析，再结合区块链技术保护下的个人数据相整合，为个人提供更精准的交易服务。具体来说，就是从用户面板上进行大数据采集及处理，通过人工智能分析用户情绪数据，对市场波动进行预算，最后自动化下单。利用机器人取代人工，提升效率，降低了IDB佣金。在检测金融欺诈行为方面，使用交易机器人，高频加密交易，弱中心化减少人为操控的可能性，降低金融欺诈风险，此外，AI监控加密市场，让恶意攻击变得更难。目前有Autonio、Aigang、Numeraire、Endor等项目涉及该领域。

（4）区块链+AI在云计算方面进行结合

当前AI云计算方面面临计算资源昂贵、训练时间长、训练数据多、开发去中心应用困难等问题，结合区块链技术后能较好地解决以上问题。把区块链中挖矿及电力消耗过程中过剩的资源转换为AI云算力，资源上进行整合，降低计算成本。目前有NebulaAI项目涉及该领域。

（5）区块链+AI在物联网方面进行延展

首先，区块链技术可以帮助解决“如何证明自己是自己”的问题，用户可通过区块链+AI技术完成生物身份识别和身份认证，将个人身份与物联网联系在一起。其次，解决了更新的问题，所有物联网设备在区块链+AI的加持下，数据共享，设备可智能化更新。具体的垂直应用包括：应用在工业制造上，制造生产的设备在区块链中传递信息，更智能化地成长，提高效率、增加产能；应用在交通上，更好地铺开无人驾驶应用，解放人们的时间，智能化管理交通，有利于减少交通堵塞、交通事故的发生；应用在监控等公共基础设备上，身份认证能快速的识别出罪犯，有利于维护社会稳定。目前有智行者、美图等项目涉及该领域。

四、“区块链+AI”行业展望

篇5

关键词：人工智能；人力资源管理；变革

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

[1]蒯彦博.人工智能的发展对人力资源管理的影响研究[J].湖北开放职业学院学报，2019，32(6):77－79.

篇6

关键词：人工智能；大数据；交叉领域

自二战时期阿兰•图灵破解恩尼格玛密码机带来胜利的曙光之后，人工智能初见苗头，1956年“人工智能”一词首次由约翰•麦卡锡等科学家在达特茅斯研讨会上提出，时至今日，人工智能经历了60多年的浪潮和洗礼，其中有曙光、有冰封，也有期望。纵观当下，人工智能不仅仅是机器智能，在深度学习和推陈出新的算法推动下，其携手云计算、大数据、卷积神经网络等，攻破了自然语言语音处理、图像识别的瓶颈，像潘多拉的盒子一样在认知科学、机器人学、机器学习等领域全面开花，人工智能涵盖了从基础层、技术层到应用层等多个方面，为人类文明带来了翻天覆地的变化[1-2]。人工智能包罗万象，在其基础上衍生的大数据“洪流”对人类社会的方方面面进行冲击，这些数字的价值已然超越了诸如金钱、财产、黄金、石油，甚至是土地。然而，大数据技术也如同普罗米修斯盗得的圣火，一方面给人间带来温暖和光明，另一方面也有可能使自身被奴役甚至使人葬身火海[3]。因此，当我们沉迷于大数据的海洋中时，我们是否有能力像蓝鲸遨游大海一样自由掌舵，是当今大数据和人工智能时代存在的一个重大问题。是“曲径通幽”还是“会当凌绝顶”，我们如何在大数据中“浮游”，而不是一味地扩充，需要理性看待与合理评价大数据对人类生存和发展的影响。

1.人工智能和大数据与“工业革命”

2020年刚刚结束的新一轮美国总统竞选上演了各种“国家闹剧”，为何特朗普在2016年赢得大选，而4年之后却无法连任？时间推移，2016年他胜利的部分原因在于他利用了面临技术威胁的工业行业中工人们的焦虑，同时指责非法移民对美国及美国人资源和就业机会的占用[4]。但在技术浪潮的挑战中，自动化和人工智能才是占用的“根源”。早在18世纪60年代工业革命时期，机器取代人力，规模化工厂生产取代个体手工生产，即引发了人工智能数据的工业大变革。从机械结构、电气控制等模块的设计和改良，车间机器人的智能化已可以代替人完成生产作业[5]。通过智能化机器人可以减轻劳动负担，还可以用于环境检测[6]和实施救援[7]等，保护我们的人身安全。这些“机器人”在为我们减负的同时确实也引发了“失业危机”，这种现象不仅于美国，日本、韩国和德国亦是如此。我们也许可以形象一下，未来20或30年后，工厂中工伤几乎为“零”，完全实施机器人24小时作业，速度惊人，质量统一，而仅有的几个人使用简单的触摸界面对机器下达“命令”。机器的发展已超乎我们对普通机械的认知，21世纪开发的三大机器人中大狗（BigDog）解决了运动和重载运输问题，特别用于军事领域，被誉为“当前世界上最先进适应崎岖地形的机器人”；亚美尼亚（Asimo）从人类如何移动上展现了机器人仿人运动；Cog具有了人类所特有的思考，由不同处理器组成的异种机互联网络形成了“大脑”。特斯拉——其除了是电动汽车和能源公司外，还是自动驾驶汽车行业的领跑者之一。其2016年已销售具有自动驾驶、自动自制和自动停车功能的电动汽车，但出于法律和伦理层面，驾驶员还是要坐在驾驶位上，但他可以做他想做的其他事，发短信、打电话或是休息，而不再是驾驶汽车。我们可以不用担心酒驾，不用因为时间紧张而疲劳驾驶，不必为新手司机而变得脾气暴躁……汽车自动驾驶将让我们行驶得更规则、更安全和更“无聊”。自动驾驶上的智能进化，使得自驾型派送车为商业化服务成为可能，还有自驾型飞行器也在被研发，通用、宝马、谷歌等公司一直在努力开发，通过无人机在您家门口投送包裹将对电子商务世界带来更多创造性方案。“如果你够走运的话，机器可以把你当成宠物。”虽为戏谑之言，却又饱含心酸。工厂变得越来越自动化，但其仍需要人类专家，他们才知道如何监控传感器，知道在发生故障时如何进行修复，机器的运行离不开人的监控，只有人的思考才能有新产品的诞生以及高效的生产流程，我们与机器共存，是从体力中解放，但要从事脑力工作。

2.人工智能和大数据与金融的未来

“数字蝶变”席卷金融行业各个领域[8]，金融行业应用大数据、移动互联网、人工智能等先进信息技术，累积了非常多的客户信息。通过大数据的帮助，金融公司在分析数据下寻找更多的金融创新机会。在商业智能（BI）的辅助下，电信业可以对客服描述和定位及需求进行预测；保险业可以在进行风险分析的同时进行损益判断；银行业可以调整市场活动，建立信贷预警机制等等[9]。人工智能和大数据让金融业形成了“以客户为中心”的模式。与客户最密切的金融即是金钱，但是它们已经被“支付宝”和“微信”以及更多的电子支付方式取代，越来越少的人使用现金，数字金钱是否会完全取代物质金钱，我们很可能会发展为无现金社会。那么首先“下岗”的是谁呢？答案毫无疑问：银行。巴克莱银行前首席执行官安东尼•詹金斯曾预测，对于工业化国家，银行员工和其分支机构在未来10年内会消失；花旗全球视角与解决方案的一项研究预测，美国和欧洲的银行将在未来10年裁减约180万员工；甚至2016年2月的一份丹麦银行家协会新闻稿表示，银行抢劫案数量连续第5年下降。就支付领域而言，在这样的时代背景下，如何利用大数据技术对跨越式发展的支付行业进行监管，成为一个值得深入研究的课题[10]。在人工智能下，我们都有被银行自动回复或自会读取特定问题的“员工”惹恼过。沟通技巧和财务知识同样重要，因此，银行业员工的下岗只是在基础性操作上，对于“专业咨询”，需要更多受过高等教育、具有更好沟通能力的员工。目前，我国的多数银行还没建立“开放、共享、融合”的大数据体系，数据整合和部门协调等问题仍是阻碍我国金融机构将数据转化为价值的主要瓶颈。大数据的整合、跨企业的外部大数据合作不可避免地加大客户隐私信息泄露的风险。有效防范信息安全风险成为商业银行大数据应用中急需解决的问题。

3.人工智能和大数据与“专家系统”

电子病历数据、医学影像数据、用药记录等构成了医疗大数据。医疗数据不仅包括大数据的“4V”特点，即规模大（volume）、类型多样（variety）、增长快（velocity）、价值巨大（value），还包括：时序性、隐私性、不完整性和长期保存性。医疗大数据可以提供预警性，当数据发生异常时，通过一定的机制可以发出警告，从而迅速采取相应措施，及时解决问题[11]。成立于1989年的美国胸外科协会（STS）数据库，至今已经涵盖了美国95%的心脏手术，收集了500万条手术记录[12]。其中的先天性心脏手术（CHSD）数据库是STS数据库的重要组成部分，是北美最大的关注儿童先天性心脏畸形的数据库，被认为是医学专业临床结果数据库的金标准。近年来，基于CHSD数据库所进行的数据挖掘不断增加，大型数据库对提高医疗质量所起到的正向作用正在日益凸显。如Welke等基于CHSD数据库探讨小儿心脏外科病例数量和死亡率之间的复杂关系[13]；Pasquali等基于CHSD数据库探讨新生儿Blalock—taussig分流术后的死亡率[14]；Jacobs等基于CHSD数据库采用多变量分析方法来研究病人术前因素的重要性[15]；Dibardino等基于CHSD数据库采用多变量分析的方法来探讨性别和种族对进行先天性心脏手术结果的影响[16]。这些都是在医疗领域采用人工智能提供的医疗诊断，形成了“专家系统”，专家系统可以说是一种最成功的人工智能技术，它能生成全面而有效的结果。借助医疗大数据的平台，“专家系统”可以智能辅助诊疗、影像数据分析与影像智能诊断、合理用药、远程监控、精准医疗、成本与疗效分析、绩效管理、医院控费、医疗质量分析等。不仅是数据平台，“达芬奇机器人”可以看成医疗的高精尖“人工智能”，它能缩短泌尿外科手术以及术后患者恢复时间，促进患者早期下床活动，减低并发症发生率[17]。达芬奇手术机器人在消化系统肿瘤、泌尿系统肿瘤、妇科肿瘤和心胸部肿瘤等手术中均有运用[18]。正是机器人，还有其他人工智能设备，如插入手表或衣服里的传感器、植入我们皮肤下的芯片，以及智能手机中装有各种“专家系统”的远程医疗、预防医学，甚至是器官的3D打印和虚拟现实治疗等的发展，让医学发生相应的转变，并使其逐步突破人类的传统健康概念，那么是否意味着医学将成为只有科学性，毫无直觉性的学科呢？我们携带的内部传感器和外部应用程序将成为我们的医生吗？“你好，医生”被“嘿，Siri”取代吗？这不尽然。医学必然将是向精准化发展，并更具个性化、参与性、预防性和可预测性。医生不再是疾病的修理工，而是改善我们健康状况的顾问。直观当下，我们还是被“看病难”所困扰，我们提出“分级诊疗”，是在拥有家庭医生、全科医生和专科医生的基础上再加上人工智能，以实现预期的健康监测、辅助诊疗和疾病筛查。

4.人工智能和大数据与教育变革

面对各行业和各学科，教育作为传承文明和创新知识的载体，似乎被排除在人工智能之外。就目前而言，人工智能与教育深度融合发展还存在技术基础不稳、教育数据缺陷、算法能力不足等现实问题[19]。我国目前更想要做到的是在教育上消除“信息鸿沟”，促进教育公平、均衡发展。因此，目前可以看到人工智能的教育多在于语言学习软件，通过虚拟技术和人工智能构建一个灵活的、可扩充的虚拟交互平台，设计多维虚拟场景和智能人工角色，实现不同场景下人机角色的交流和学习，提升学习者的口语能力和语感知识[20]。这使得教师不再是唯一的知识传播者，任何互联网搜索引擎都将提供比教师所有的更多信息，并且可以更快捷地获取。肺炎疫情暴发以来，远程网络教育成了主要教学形式，互联网教育形式其实早在小学、中学和大学中运用，虚拟现实技术在教学领域的研究和探索也在全面展开。谷歌已经开发一款VR纸板视图，并将研发的虚拟课程一起推向市场，使现实生活中在生物课上解剖一只青蛙成为一件容易且有趣的事，通过虚拟青蛙，学生们可以去除心脏和其他器官，而不再是象征性的抽象体验。虚拟现实可以像互动游戏一样，比单一的在教室听老师授课带来更多乐趣和体验，学习效果可能更好。我们的学习是知识的积累，那么教育就是我们的库，荀静等结合自身情况对西安工业大学知识库构建进行探究，认为机构知识库在保存知识资产的同时，更重要的是促进学校知识资产的传播利用和管理，提升学校影响力和学术声誉[21]。刘畅等通过对东北大学机构知识库服务的推广研究，了解到开放获取的概念和实践已经受到了广泛的认可，机构知识库不仅可以成为一个知识的存储库，也可以成为各个学科领域的学者进行在线交流的平台，提供个性化的增值服务，既有利于机构知识库的内容建设，也可以进一步促进学术交流和科研合作[22]。知识库，即大数据的有机整合和有序利用，是学术成果、视频文档、实验数据等进行收集、长期保存、传播和提供开放利用的知识资产管理与教育服务[23]。

5.人工智能和大数据应用的共性需求

人工智能和大数据时代，海量的信息来自“五湖四海”，但都通过互联网络汇聚智能终端。这些数据只会进一步增多，不仅仅是云存储，对于信息的进一步挖掘、处理、分析和利用，目标性结果才是我们最想要的信息。全球包括IBM、微软、谷歌和亚马逊等一大批知名企业纷纷掘金大数据挖掘这一市场，大家都在开拓自己大数据分析平台。数据挖掘是大数据时代孕育的产物[24]，是我们的共性需求，与传统的统计分析技术相比，数据挖掘有着自身的本质特征,数据挖掘是在没有明确假设的前提下去挖掘信息并发现知识。数据挖掘所得到的信具有先前未知、有效以及可实用三个特征[25]。数据挖掘的出现不是为了替代传统的统计分析技术,相反，它是统计分析方法学的延伸和扩展[26]。随着信息时代的到来，数据挖掘被越来越多地应用于各个领域。

6.人工智能和大数据的展望

大数据与人工智能相辅相成，在人工智能的加持下，海量的大数据输出优化的结果，使人工智能向更为智能的方向进步，大数据与人工智能的结合将在更多领域中击败人类所能够做到的极限。漫长的人类历史发展和进化，信息和人类一直“缠缠绵绵”“你追我藏”，因此，我们应该明白信息就是信息，我们需要的是“维基百科”，而不是仅仅的“维基”。走出狭隘的信息资源，管理和洞察大数据，才是对数据的有用。因为，我们早已告别了数据库放在一间房间的时代。此刻不得不提蓝鲸法则——大数据之道：了解数据懂得利用数据的“浮力”才是关键；“以简约为目标”将数据最终形成洞察及行为；可以通过“数据”“信息”“知识”流程式、组合式、直通车式各种需要的方式来获取[27]，在简约中“印象”处理繁杂的大数据，使之“为我所用”。=数据也是一门科学、一项技术，如果实验不能证明其具有可重复性和一般性，那它是没有科学依据，但是，任何一项科技，如果你坚信它必将改变社会和商业，选择从长期展望其发展并持续付出努力，那么就是一种战略选择[29]。人类社会的政治、经济、文化、思维等固有“态势”被重刷，数据思维将为我们带来一个智能全新的世界观。

篇7

［关键词］区块链;大数据;医疗保健;人工智能

区块链是一个分布式数据库系统，充当存储和管理事务的“开放式分类账”。它可以创建数字化的交易块，而无须集中控制。区块链有三个关键部分:计算机网络、网络协议和共识机制。网络中的每台计算机都会记录分类账的副本，并且所做的任何更改都必须通过算法检查以确保建议的更改显示有效。通过网络节点授权批准后，新交易块将添加到数据链中。区块链技术相对现有的市场商业体系，具有巨大的应用优势。首先，区块链消除了对第三方交易清算的需求，节省了时间和金钱。其次，增加了网络的责任性和安全性，因为所有参与者都是已知和可信的。区块链不仅仅是技术和金融行业的宠儿，现在已经深入到经济生活的方方面面。医疗保健系统需要处理有关个人的私密数据，区块链可帮助确保患者数据的安全性、实时性和准确性。

1区块链技术的广泛安全性

2019年是区块链诞生10周年，以物联网(IoT)、第五代移动通信技术(5G)、人工智能(AI)、区块链(Block-chain)等为代表的智能科技将极大地拓展智能商业的边界，成为工业互联网时代的推动力。区块链带来的最大价值则是在万物互联的时代，用技术重构信任机制。这将对未来的金融和商业产生深刻影响。由于区块链上文件系统中固有的加密技术，区块链上的数据本质上是高度安全的。这意味着区块链非常适合存储高度敏感的个人数据，这些数据经过精心处理后，可以为生活带来许多的价值和便利。日常生活中，如果使用淘宝或亚马逊网站搜索引擎，它们会推荐我们想要购买的东西。当然，输入这些系统的数据是私密的。通常处理这些私人数据的企业必须投入大量资金来满足数据安全方面的标准。即便如此，大规模的个人数据泄露事件越来越常见。区块链数据库以加密状态保存，这意味着只要私钥安全，链上的所有数据就安全。AI在安全方面也有很多可以与区块链技术融合的领域。众所周知，数据处理过程中的任何一部分暴露了未加密数据，就意味着安全风险的存在。AI的发展使其网络算法能够在数据仍处于加密状态时进行处理或操作。

2医疗健康大数据与人工智能

当前大数据和人工智能的技术与医疗领域的结合日益紧密，使得各个国家的整体医疗技术水平在不断提高。我国已经开始制定相关政策，鼓励健康医疗健康大数据和AI发展。组织专家认证数据融合安全计算的技术可行性。各地政府明确机制，支持地方医院促进医疗AI发展。这些都为医疗AI数据创新提供了发展机遇。在互联网后时代，互联网价值的显著体现就是区块链技术。有了区块链技术，人们可以定义所有的资产，并且创建各式各样的去中心化应用，其中涉及物联网、云计算、大数据、互联网、医疗、保险以及银行等。由于区块链具有每个单个事务的数据库记录，因此它为机构提供了一种数据实时挖掘模式的方法。从另一个角度来看，区块链极大地提高了数据分析的透明度。与以前的算法不同，区块链的设计拒绝任何无法验证且被认为可疑的输入。因此，建立在区块链技术上的大数据分析算法只需处理完全透明的数据。这样意味着数据质量的优化，提高了AI分析计算的效率。

3区块链技术与人工智能大数据处理技术

自互联网技术出现以来，医疗行业一直在大量涌入数据。随着临床数据量的不断增加，医疗健康领域的区块链商业智能已成为巨大的需求。人工智能大数据处理技术是指利用互联网平台，通过AI技术简化某些过程，而无须人为干预来实现预期的数据处理方法。在医疗保健领域，AI技术可以融入广泛的治疗保健流程中，从而减少管理工作量，消除资金浪费，增强信息交换，并能提供实时数据分析以及患者监控。医疗健康数据AI技术，除了能减少医疗保健组织必须处理的大量数据处理工作外，还有助于提高运营效率和降低人员成本。区块链技术与AI大数据处理技术的结合将会使医疗健康机构获得巨大的效益。具体分析如下。

3.1改善医疗机构治疗水平

医疗保健组织依靠数字工具和技术来支持他们的日常运营，最终目标是改善医疗水平。建立在互联网上的区块链技术，提供完善的区块链商业智能服务，与医疗保健数据AI相结合。通过使用AI工具引入预测分析元素，确定患者生命安全、检查等待时间、满意度评估、疾病和复发风险、潜在治疗成本、再入院可能性等参数，从而系统自动给出患者护理方案，计算平均住院时间，帮助医疗保健专业人员对患者诊断做出明智的决定。

3.2更好分配资源

目前医疗机构以电子方式存储患者记录几乎已成为常态。医疗工作者可以从集中存储的患者数据库中精准挑选出相关的信息，以促进更好地预测和可操作的诊断方案。将医疗保健数据AI与区块链商业智能相结合的另一个关键优势是，通过跨部门分配基于需求的精确数据来更好地管理资源，从而减少浪费。例如，由于预测分析可以帮助确定患者何时准备好出院，因此它还有助于更好地分配病床、药品和员工等资源，以帮助减少浪费。区块链商业智能工具能够从健康应用程序以及可穿戴设备(如计步器和健身带)访问可下载数据。这使医疗保健专家能够利用互联网准确跟踪健康指标和信息。这些数据对于医疗保健从业者了解患者的生活方式和病史非常有用。

3.3促进数据挖掘技术广泛使用

大数据技术工具变得越来越便宜，不断增长的吸引力促使各种医疗健康机构有足够的驱动力去购买相应的技术。区块链商业智能非常适合这种模式，它提供经济而全面的解决方案，提高医疗机构的服务质量和运营质量。通过与AI技术的融合，区块链技术能够分析实验室结果和测试报告等临床数据，它可以协助护理人员，帮助他们制定更有效的患者护理计划，更多地关注需要额外关注和护理的患者。区块链商业智能工具的数据挖掘能力可以帮助医疗保健从业者更精确地评估治疗计划，确定选择的治疗方案。这些工具还可用于预测任何给定治疗程序的确切结果，通过帮助组织了解医疗方案的缺陷并采取纠正措施，有助于提高医疗质量。

4区块链技术在医疗健康机构的应用

互联网之所以发展迅速，同互联网一开始就有比较好的场景有关，无论是E－mail还是Web都是互联网信息交流非常自然的应用场景。区块链技术发展至今，存在一个较大的问题是应用场景的缺失，缺少能具体承载区块链技术的舞台和场景。目前，利用区块链商业智能和数据分析的最大障碍是:缺乏有效利用数据分析的资源，无法对分析性能进行基准测试，以及难以将分析结果引入可操作的决策中。随着互联网的蓬勃发展，世界各地的医疗保健机构正在快速转变为分布式数据存储库，这为区块链技术提供了广阔的应用场景。安全和隐私在医疗保健中至关重要。黑客对医疗健康数据的任何攻击都可能对医疗机构造成极大的破坏，因为它们不仅受到经济损失，而且自身声誉也会受到极大影响。最重要的是，在任何违反数据安全的情况下，最大的受害者是患者个人的私人信息，从付款的信用卡详细信息到医疗诊断的结果，隐私没有得到足够保护。医疗机构产生的数据由于需要长期保留而难以管理，这意味着医疗保健机构需要一种有远见的方法来确定数据的存储、访问和使用方式。此外，医学领域的数据管理软件通常具有建立定期访问权限的范围，该权限根据需要为来自不同部门的不同工作人员提供临时查看功能。这些因素使医疗机构更加迫切需要定期审查其数据，以便删除、修改或匿名化信息。同样，输入任何医疗健康机构记录的数据也需要格式化，描述特征和检查结果数据必须准确，然后才能为机构内的不同用户访问，以用于医疗、管理和计费目的。这种要求进一步加剧了在医疗保健领域管理数据的难度。为了应对这些挑战，医疗保健部门正在寻求在四个关键领域:临床、运营、管理和财务领域，使用区块链技术增强商业智能和数据分析工具。区块链技术将协助医疗组织设置中的最高领导者建立正确的部署策略，通过引入数据可视化和智能化，促进医疗技术人员技能升级，建立大数据AI分析技术等新概念，使员工熟悉使用区块链商业智能工具，从机构数据库中获取更多有效的资源。区块链技术针对医疗保健系统大数据进行精心设计，全面规划，通过最少的处理算法，精简数据输入和输出过程，从而形成一个去中心化、智能高效、面向未来的大数据系统。

篇8

AI Index在新旧年份交替之际公布了团队成立以来第一份报告，其中具有代表性的八张图可以帮助我们快速、全面了解AI这一行业高速发展的启发和见解。

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

从国际上看，机器人的进口量已经从2000年的10万台左右增长到了2015年的25万台左右。数据来源是每年进口到北美以及国际整体的工业机器人的数量。工业机器人由ISO 8373：2012标准定义。国际数据公司（IDC）预测对机器人的消费将在五年内加快，到2021年达到2307亿美元，复合年增长率（CAGR）为22.8%。

篇9

关键词：人工智能；教学改革；教学方法

引言

人工智能(ArtificialIntelligence)是一门研究和模拟人类智能的跨领域学科，是模拟、延伸和扩展人的智能的一门新技术。由于信息环境巨变与社会新需求的爆发，人工智能技术的日趋成熟。随着AI3.0时代的到来，大数据、云计算等新技术的应用也愈发广泛，对于管理类人才来说，加强对人工智能知识的深入学习，不断将人工智能技术与管理知识结合起来，对其未来职业生涯的发展有着重要作用。人工智能是一门前沿学科，管理学院开设人工智能课程的目的是为了更好地培养学生的技术创新思维与能力，基于其覆盖面广、包容性强、应用需求空间巨大的学科特点，通过概率统计、数据结构、计算机编程语言、数据库原理等基础课程的学习，加强学生解决实际问题的能力，为就业打下基础。本文基于社会对于人工智能领域的人才需求，结合诸多长期从事经管类专业课程教学的老师意见，针对管理类人才的人工智能课程教学内容与方法进行探讨，以期对中国高校人工智能课程教学改革研究提供帮助与借鉴。

1、教学现状与问题

作为一门综合性、实践性和应用性很强的理论技术学科，人工智能课程内容及内涵及其丰富，外延极其广泛。学习这门课程，需要较好的数学基础和较强的逻辑思维能力。针对管理类人才，该课程在课程教学过程中存在几个较为突出的问题。(1)课堂教学氛围枯燥目前，中国大多数大学仍采用传统的课堂教学模式，在教学过程中照本宣科，忽略与学生的互动，并且缺乏能够有效引起学生学习兴趣与加深知识理解的教学环节设置，如此一来大大降低了学生自主思考的能力。在进行人工智能相关课程知识讲解时，随着章节的知识难度不断增加，单向介绍式的枯燥教学方式无法反映人工智能学科的全貌，课堂讲解难以同时给以学生感性和理性的认知，部分学生因乏味的课堂氛围渐渐无法跟上教学进度，导致学习动力不足。(2)基础课程掌握不牢管理类专业的学生大部分都会走向更加具体化的管理岗位，具有多学科的素养，但这也导致很多学生所学知识杂而不精。学生在基础不夯实的情况下去学习更高层面的知识，给学生学习与老师教学都造成了很大困扰。人工智能课程知识点较多，涵盖模式识别、机器学习、数据挖掘等众多内容，概念抽象，不易学习。一些管理类专业的学生未能熟练掌握高等数学、运筹学、数据结构、数据库技术等先修课程，缺乏一定的关联思考和研究意识，导致课程学习难度增加，产生学时不足和教学内容难点过多的问题。(3)教学与实际应用脱节当下，人工智能广泛应用于机器视觉、智能制造等各个领域，给学生提供了大量的现实案例，使得人工智能不再是高深莫测的理论，而是现实中可以触及的内容。例如，在机械学科领域，人工智能技术是电气工程、机械设计制造、车辆工程等方向的重要技术来源；在医疗领域，是医疗器械的创新生产源动力；在能动领域，是高端能源装备与新能源发展的重要驱动；在光电信息与计算机工程领域，技术的发展时刻推动着智能科学与技术核心价值的提升。然而，对于管理类专业的学生来说，现阶段的人工智能教材涵盖许多智能算法及相关理论，在教学过程中常常涉及到很多从未接触过的抽象理论和复杂算法，书本中的应用实例大多纸上谈兵，缺乏专门适用于管理类专业知识与人工智能技术相结合的教学实践，加上一些教师授课方法单一，不利于引导学生将人工智能算法应用于现实生活。另外，大学生对知识的理解能力差异很大，教师采用统一的方式教给他们，这使一些学生无法跟上和理解，教师也无法控制学生的学习状况，导致学生缺乏动力。因此，如何结合学生的现实情况，提高他们的动手能力和实践经验也是人工智能课程教学要考虑的问题。

2、管理类人才的人工智能课程教学改进策略

课程教学改革是一项提高大学教学效果和人才培养质量的重要手段。如何在时代背景下应用新技术和新思想进行实施课程教学改革是高校亟待解决的问题。对于高校的教学工作而言，教学目标、教学内容和教学方式的变化不再是课程资源的简单数字化和信息化，而是充分利用时代信息资源优势的新型教学模式。针对管理类专业人工智能课程教学过程中存在的问题，可以从教学方法改进和教学内容设置两个方面进行课程教学改进。

2.1教学方法改进

教师对学生具有引领作用，其教学方法的改进能够带动学生改进自身学习方法。(1)启发式案例教学案例教学法就是教师根据教学目标、教学内容以及教学要求，通过安排一些具体的教学案例，引导学生积极参与案例思考、分析、讨论和表达等多项活动，是一种培养学生认知问题、分析和解决问题等综合能力的行之有效的教学方法。启发式案例教学以自主、合作、探究为主要特征，调动学生的学习积极性，并紧密结合人工智能领域的相关理论与方法，有效理解知识要点及其关联性，适用于管理类专业学生的教学。具体而言，高校基于其问题启发性、教学互动性以及实践有用性等特点，可以建立基于人工智能知识体系的教学案例库，虽然这项建设将极具挑战性与耗时性，但具有很强的积极效果：培养学生较强的批判性思维能力，更多地保留课程材料，更积极地参与课堂活动，对提高教学质量、培养具有人工智能背景的管理类人才具有重要意义。例如，通过单一案例教学，让学生掌握相关基础知识原理及应用；通过一题多解的案例使学生思考如何获取最有效的解题方法；通过综合案例的设计，启发学生全方位地探索问题的解决方案。(2)研讨互动式教学研讨互动式的各个教学环节是逐渐递进、有机结合的。研讨是基于学生个体的差异性，在课堂讨论的过程中对学生做出评判，从而对不同类型的学生开展针对性的教学。互动则是在研讨的基础上，通过老师与学生、学生与学生的互动，让学生主动参与到课堂教学的过程中来。在人工智能课程教学过程中，教师通过课堂讨论了解学生对于知识点的掌握情况，可以有针对性地设计教学内容，例如，对于学校积极性不强的学生，将人工智能理论内容与学生个人兴趣范畴、社会产业发展及研究现状联系起来，能够极大程度地提高学生学习的自主能力；对于基础知识较为薄弱的学生，可以在教师的指导下查阅相关文献资料，根据自己的理解撰写心得报告，并在课堂或课外进行师生互动。像这样研讨与互动相结合的模式。有助于增强学生的探索和求知欲望，建立起浓厚的学习氛围。(3)有效激励式教学人工智能是引领未来的战略性技术，人才需求量极大，对教师的教学水平也提出了更高要求，因此，进行有效激励极为重要。在学生激励方面，可以举办各类人工智能竞赛项目，设置相应项目奖学金，吸引学生参与实践，调动学生做研究、发论文的积极性。例如，教育部主办的中国研究生人工智能创新大赛，围绕新一代人工智能创新主题，激发学生的创新意识，提高学生的创新实践能力，为人工智能领域健康发展提供人才支撑。高校也可以借鉴这种模式，在各学院乃至全校开展此类竞赛项目，激发学生的创新能力与团队合作能力，鼓舞更多学生加入到人工智能课程的学习中来，激发其学习兴趣。在教师激励方面，在教师聘任和提升过程中把参加学生课程制定、课堂与课外作业、课程项目和论文指导等看作教学任务的一部分，鼓励教师积极参与这些活动。(4)学科渗透式教学人工智能学科知识融合程度较高，学科交叉性强。基于人工智能的学科交叉性特点，增强管理类人才对学科应用的领悟，可以采取开展学科渗透式教学的方法。从2015年起，国务院和教育部先后印发了《国务院关于积极推进“互联网+”行动的指导意见教育》、《高等学校人工智能创新行动计划》等文件，“互联网+”、“智能+”已经渗透到各个领域，人类进入数字经济时代，社会需求“技术+管理”的高端复合人才。例如，基于工业4.0和强国战略，人工智能技术在智能制造的应用极为广泛。上海理工大学非常重视少数民族预科班的教育质量。为增强少数民族管理类人才对该领域应用的认识，我们请机械工程、能源动力领域的相关专家以授课或讲座的形式，进行相关领域知识和发展趋势的讲解，使学生理解更为透彻。此外，在教学实践过程中，还可以用举办人工智能知识交流会、线上人工智能论坛等形式，促进不同专业间老师、学生对于人工智能知识模块的见解，相互交流、渗透和学习，从而推动人工智能课程教学的改进。

2.2教学内容设置

世界一流大学在人工智能课程内容设置根据不同国家的教育体系设置，肯定会有不同，但颇有共通之处。本文借鉴世界顶尖大学经验，针对管理类专业人工智能课程教学内容进行研究，结合中国教育体系设置，认为应从以下几方面进行改进。(1)核心内容设置为避免学生因为知识点过多而出现杂而不精的问题，势必要精化教学内容。在互联网时代，我们可以使用云计算和其他方式来实现数据信息的传输、存储和处理，通过在线收集和整合网络课程相关数据，挖掘和丰富教学资源，并在整合课程资源的基础上，进行研究方法和前沿知识的扩展。在核心内容设置方面，可以通过收集到的数据资料，选择人工智能领域具有代表性且难易程度适中的知识作为重点，使学生能够在有限的学时内掌握人工智能的知识脉络。例如，编写针对管理类人才的人工智能教材，内容涉及绪论、知识表示与推理、常用算法、机器学习、神经网络等方面的同时，重点增加相应知识点在管理上的应用案例，加强学生对知识点的理解。同时，根据管理类专业偏向领域，开设关联程度较大、应用较广泛的人工智能选修课程，以便学生根据自己的兴趣与需求选修具体方向的课程。(2)注重学生的数理及编程基础良好的数理及编程基础是学习人工智能的前提。只有具备了这些基础，才能搞清楚人工智能模型的数量关系、空间形式和优化过程等，才能将数学语言转化为程序语言，并应用于实验。管理学院人才的数理及编程基础相对薄弱，因此，在安排学生学习人工智能课程之前，建议开设面向全体管理类专业学生的微积分、线性代数、概率论等专业基础数学课程以及C语言、python等编程基础课程，使学生具备数学分析的基础与一定编程基础，为学习人工智能课程打下坚实的基础。另外，可以推进MOOC平台建设，在平台上开设人工智能网络课程，帮助学生掌握人工智能知识基础及专业技能。(3)实验建设为了加强学生对于人工智能知识点间的关联性理解，可以基于不同的应用模块，设计具有前后铺垫、上下关联的综合性实验，设计不同层次的项目要求，同时基于相同的实验课题，让学生分组对实验课题进行攻克，并设置多元化的实验评价体系，通过实验教学过程中反映出的不同进度，让教师能对学生的学习水平做出准确评判，及时进行教学反思，以便更好地开展下一步工作。例如，针对人工智能课程应用中很广的遗传算法，在某一管理规划的具体应用上设置理解－实现－参数分析－具体应用－尝试改进－深度拓展的不同层次的项目要求，在这些项目层次中规定必做项与可选项，让学生基于同一实验课题进行合作学习，然后通过个人自我评价、小组成员互相评价以及教师评价的方式进行打分，对小组整体能力以及个人能力进行综合评估，以期培养学生的自主思考能力。

篇10

其实人工智能并不是一门新学科，早在60年前的1956年夏天，美国达特茅斯大学召开的学术会议上，约翰・麦卡锡（John McCarthy）就首次提出了“人工智能（Artificial Intelligence，AI）”这一名词。在研讨会上，他与马尔温・ 明斯基（Marvin Minsky）等10位年轻学者共同提出了一个极具创造性的研究计划：希望通过程序让计算机能够进行棋类游戏并完成其他任务，还可以让人类智能的各种特长和学习能力都能够在机器中实现。

Gartner预计到2018年，全世界将有60亿台设备用上人工智能技术，这些设备包括互联网家电、汽车和可穿戴设备等物联网产品。此外，Gartner预计到2020年，85%的客服服务都将由人工智能客服完成，社交媒体频道自动分析、客户关系管理系统软件和个性化聊天机器人的出现将大幅减少人工客服的需求量。人工智能系统不仅可以替代传统客服人员，还可以替代普通的医疗助手，自动驾驶汽车则可以没有职业司机。

Gartner预计到2018年，45%的公司都将雇用人工智能机器人，这些机器人的数量将超越人类。此举不但能大幅降低公司成本，还能大幅提高生产力。Forrester也认为，未来十年人工智能系统将抢走美国人16%的工作岗位。但是，人工智能的兴起也会创造许多新的工作岗位，比如维护人工智能平台和设备的技术人员。

牛津大学马丁学院技术与就业项目联席主任卡尔・贝内迪克特・弗雷（Carl Benedikt Frey）和迈克尔・奥斯本（Michael Osborne）之前的研究发现，未来20年，美国将有47%的职位属于被计算机取代的岗位。

金融机构则从另一个角度看待人工智能。美林银行预计，到2025年，人工智能每年所创造的颠覆性影响所产生的价值高达140亿到330亿美元，这其中包括因为采用人工智能而减少的人工成本90亿美元和因为雇用人类所产生的医疗保险成本80亿美元，以及因为采用无人机和自动驾驶汽车提升效率而节省的20亿美元等。

在大型创投社区AngelList上，跟人工智能相关的公司有上千家，每家平均估值超过500万美元，可见风险投资对人工智能领域的关注度之高。

Markets and Markets预计，随着机器学习和自然语言处理技术在媒体、广告、零售、金融和保健领域的广泛应用，人工智能市场规模将从2014年的4.2亿美元增长至2020年的50.5亿美元。

并不是所有人都看好人工智能，太空探索和特斯拉创始人、CEO埃隆・马斯克（Elon Musk）就曾多次表示：“创造出人工智能，就像在召唤魔鬼。”物理学家史蒂芬・霍金（Stephen Hawking）近日在接受采访时表示：“我并不认为人工智能的进化必然是良性的。一旦机器人达到能够自我进化的关键阶段，我们无法预测它们的目标是否还与人类相同。人工智能可能比人类进化速度更快，我们需要确保人工智能的设计符合道德伦理规范。”

小i机器人董事长袁辉则没有那么悲观，他将人类对人工智能的关系理解为亚当和夏娃，伊甸园里那个苹果已经被吃了第一口，人们在忧虑和期待中前行，但趋势是不可逆的。袁辉认为，机器人是人工智能最重要的代表，机器人将跟我们的未来生活有密切关系。

百度首席科学家吴恩达则更加直白地表达了自己的观点，担心人工智能会给人类带来灾难就好像在人类移民还未能踏足火星前就担心火星人口会过多一样。

格灵深瞳CTO赵勇认为，在感知层面上，人工智能会在未来几年有巨大的突破，它会成为一个有智能的机器，但不能跟有灵魂的人相提并论。“把人工智能或者机器人炒作成有情感、有人性的人，都不是做人工智能的，因为在我们这个领域里面做这样事情的人非常非常少。”他认为目前人工智能领域的从业者都还在解决一些基础问题，比如：如何让人工智能系统看懂一段文字或者听懂一段语音，了解用户想表达什么意思，看懂一张照片，帮助机器人做判断等非常具体的、有用的东西。

更现实点的担心可能是来自就业问题。随着人工智能的发展，机器取代初级劳动者已经成为现实。富士康2015年就曾表示，将在三年内用自动化设备和机器人替代70%的人类工作岗位。当然，富士康大力推动自动化可能更多是从企业成本和效率方面进行考虑的，这就像当年蒸汽机、电脑发明时，人们总是担心自己被机器所取代，但是实际情况则是每次技术革命都给人类带来了巨大的进步，新技术创造的工作比消亡的旧工作要多得多，毕竟实施自动化也是要靠人来完成的。

麦肯锡全球研究院的研究显示，相比工业革命时期，现在人工智能掀起的社会变革速度要快10倍，规模要大300倍，影响更是扩大3000倍。目前来看，视频监控、自动驾驶汽车、机器人、环境监测等领域将是未来人工智能发展的主要领域。

让潜在危险无处遁形

随着城市中摄像头越来越多，人们的安全感大幅提升。但是传统的视频监控都是人工值守，视频监控只负责记录场景，具体发生什么事情需要值班人员进行人工判断，这样不仅会造成监控人员工作压力大、反应慢等问题，还容易使重要的场景被监控人员忽略。除此之外，从海量的视频信息中查找特定的信息也无异于大海捞针，过去监控人员为了找到一段视频甚至要花几十小时查看记录的影像。

随着人工智能的发展，智能视频监控开始兴起。分析监控的内容，减轻监控人员负担，提高监控效率，这就是智能视频监控的目标。

真正的智能视频监控，至少要具备下面4种能力。

第一就是对摄像机的保护。摄像机是监控获取信息的重要来源，如果摄像机得不到保护，其他的就都是空中楼阁。如果摄像机出现被遮挡、被移动、模糊不清等情况，人工智能要能够及时自动调整摄像头、报警并通知监控人员。

第二是入侵监测和运动目标跟踪。对于非正常进入监视区域的可疑目标要能够及时监测，并能够识别单个或多个目标的运动情况（如运动方向、运动速度等）。在监测到可疑目标后，发送控制指令使摄像机自动跟踪目标，在物体超出该摄像机监控范围之后，自动通知邻近的摄像机协同工作，继续进行跟踪并向监控人员发出报警信号。

第三是滞留物和搬移物报警。当监控区域中（如ATM取款间、候机室、储藏室等）某一物体（如手提箱、包裹等）在敏感区域停留的时间过长，或者原场景中存在的物体（如ATM取款机、手提电脑、仪器仪表等）被无故搬走移动时，系统就自动发出报警信号，同时自动在前面的视频画面中查找放置滞留物或搬走原有物品的可疑人。

第四是群体行为分析，包含对人群、车流等目标的正常行为和异常行为分析：能够对场景中群体的正常行为进行分析，如统计穿越出入口或指定区域的人或车的数量、高速公路交通流量，识别人群的整体运动特征，包括速度、方向等；也能够对场景中群体的异常行为进行分析和判断，如检测、分类、跟踪和记录过往行人、车辆和其他可疑物体，判断公路上是否有车辆非法停靠，是否有故障车辆，是否有行人和车辆在内发生长时间徘徊、停留、逆行等行为，检测公共场所是否有人员的集聚、奔跑、斗殴等异常行为。

智能语音机器人进入语音客服领域

“您好，请问是张先生吗？我是XX公司，我们想对您最近在我公司购买的产品做一个用户满意度调查，请问您对我们的产品满意吗？”这种用户回访电话想必大家一定很熟悉，但是大家不知道的是，可能在不久的将来，这种回访电话将由人工智能客服完成。人工智能呼叫中心可以帮助企业大幅降低建立和维护呼叫中心的人工成本。

不过，要想实现高标准的人机交互对话，智能语音技术也面临着诸多挑战。首先是人工智能对自然语言的识别和理解问题，要建立理解语义的规则，还有克服语音信息量大、语音的模糊性、环境噪声和干扰导致的语音识别率低等问题。

灵伴科技CEO陈博博士在近日举办的睿思智能社会服务云平台――AIaaS（人工智能既服务）的会上表示：“它的语音合成非常接近真人自然发声，它能够理解并生成人类正常使用的语言，避免与人交流过程中的歧义问题。智能语音应用的关键在于人机交互，它也能够理解并实现多轮对话。”睿思智能社会服务云平台基于深度神经网络建模，实现了声学模型的区分性训练，提高了语音识别的性能，基于概念体系的合理构建，实现了对话过程的高效规划，提高了人机对话的自然度，使得智能的人机对话成了一种可能。

灵伴机器人可以通过语义、情感、态度、话题、意向诱导，与人类话务员高度相似，让机器人坐席代替传统人工坐席，不仅可节省80%的客服成本，还能使企业客服总体业水平进一步提升，将大幅提升中小企业的竞争力。陈博表示：“脱离了噱头与概念才是智能语音的未来。灵伴一直在思考如何助力智能硬件产品，真正踏实了解用户交互需求，做到对语言和知识的深度理解。只有找到语音交互与硬件产品的结合点，才是智能产品长远发展的道路。”

自动驾驶离人们越来越近

来自Frost & Sullivan的数据显示，未来10年，约有30～40种来自不同整车制造商的车型将配备LIDAR（激光探测与测量）系统，拥有该系统的汽车将具有自动驾驶功能。

理论上讲，自动驾驶可以分成4个阶段：辅助驾驶员驾驶、半自动驾驶、高速自动驾驶、完全自动驾驶。

辅助驾驶员驾驶简单来说就是司机在驾驶的时候，系统会提醒他。半自动驾驶是在某些场景下，可以实现汽车自动驾驶，在大多数情况下还是由人驾驶。高速自动驾驶是在高速公路等封闭道路上实现全天候的无人驾驶。

说到自动驾驶就不得不提一下特斯拉和谷歌，特斯拉一直是自动驾驶的倡导者和践行者，谷歌则一直在进行大量的自动驾驶路面测试。

最近特斯拉被泼了冷水――一辆特斯拉Model S行驶在一条双向、有中央隔离带的公路上，自动驾驶功能处于开启模式，此时一辆拖挂车从与Model S垂直的方向穿越公路。在强烈的日照条件下，驾驶员和自动驾驶都未能注意到拖挂车的白色车身，因此未能及时启动刹车系统。由于拖挂车正在横穿公路，且车身较高，这一特殊情况导致Model S从挂车底部通过时，其前挡风玻璃与挂车底部发生撞击，造成驾驶员死亡。

针对此事，特斯拉公司表示，假使当时车辆发生的是正面撞击或追尾事故，即便在高速行驶条件下，Model S的防撞系统都极有可能避免人员伤亡的发生，因为在此前的很多起事故中，Model S都有过如此表现。

智能行车预警系统制造商Mobileye在特斯拉Model S发生事故之后表示：发生事故的特斯拉车内的摄像设备仅适用于防止后部撞击而非避让从侧面穿越而来的车辆，系统要到2018年才能对侧面的交通状况做出反应。也就是说目前特斯拉Model S的系统仅为辅助驾驶而非人们所认为的自动驾驶。

把视线拉回国内，现在有一家以实现真正自动驾驶为目标的企业驭势科技在快速发展。驭势科技从创立之初就表示：跳过辅助驾驶，直接进军自动驾驶。

“我们经常说‘发明一样东西的人是最后一个看到它过时的’，他们的基因、观念，都有路径依赖。你看英特尔做PC，它是最后一个认为PC过时的。” 驭势科技联合创始人、CEO吴甘沙表示，Mobileye从1999年至今，已经把传统视觉算法的潜力挖掘到极致了，下一步要提升只能靠深度学习，但它又不舍得把传统的算法扔掉，Mobileye芯片给深度学习留下的地方不多，这是它的历史包袱。

现在主流的自动驾驶方案主要基于三种感知技术：高精度激光雷达、高精度GPS和高精度惯性导航，而这三套设备的售价分别为70万元、50万元～100万元、30万元。仅是感知设备就需要花费将近200万元，是目前市面上家用轿车的10倍甚至更多。

在吴甘沙看来，目前自动驾驶做得最好的是谷歌，他认为谷歌是用2.0的视力在做无人驾驶――解决方案，包含激光雷达、高精度GPS、高精度惯性导航系统，但是成本高昂。而驭势科技要做的则是用1.0的视力（用商用雷达、商用GPS、商用惯性导航系统）加上强大的计算和人工智能实现和谷歌相似的效果，成本控制在3000美元以下，只有将成本降低到汽车厂商和消费者可以接受的程度，自动驾驶才能真正实现商业化。

吴甘沙选择了一条和谷歌不太一样的路线，谷歌更加重视自动驾驶的眼睛――激光雷达、高精度GPS、高精度惯性导航系统，而驭势科技将主要精力放在大脑，也就是计算系统方面吴甘沙认为提升计算能力目前看更加现实。

智能环境监测 提供决策支撑

过去环境监测都是被动的，环保部门只能根据各个监测点的数据预测对城市的环境进行评估，但是这种方法存在一些问题，比如监测点是否具有代表性、不是监测点的地方无法体现出来等。

IBM利用自身在认知计算、大数据分析，以及物联网技术上的优势，开发了绿色地平线平台，它可以分析空气监测站和气象卫星传送的实时数据流，凭借自学习能力和超级计算处理能力，能够提供未来72小时（过去一般是24小时）、1平方公里范围内的高精度空气质量预报，实现对城市地区的污染物来源和分布状况的实时监测，以及全国300个主要城市提前7天的污染趋势预报。

值得一提的是，绿色地平线平台甚至能够实时在社交网络上抓取用户即时的微博，比如者在某地吃烧烤，照片显示乌烟瘴气，平台也会将这个污染因素进行分析和评估。

在实时监测与高精度预报的基础上，IBM的研发人员通过给不同地区建立相应子模型，然后对这些模型中的大数据进行综合分析，对可能影响空气质量的相关因素进行分析预测，判断各项影响因素在不同情况下与空气质量的量化关系，从而帮助城市管理者进行环保决策。比如：怎么把污染降低到可以接受的程度，是通过关闭几家污染严重的工厂还是对机动车实行限行措施。

IBM中国研究部主管沈小伟之前在接受采访时表示：“我们的研究人员现在正在努力增加系统的功能，希望可以提供更早的天气质量预测，比如提前十天。同时，我们还加入了其他功能，比如污染源追踪、相关案列分析，并对减排措施给出合理化建议。”

链接 Gartner人工智能发展十大预测

1.作者将被机器取代

到2018年，20%的商业文件将由机器来创作和编辑。机器人已经能制作预算报告、体育和商业报道，且不带偏见和情感。

2.万物互联

到2018年，60亿相连的“物”需要支持。用户要求各类服务、数据，及合适的支持方式，新业务、新业态由此产生。

3.程序开始参与人类经济活动

到2020年，独立于人类控制的自主软件程序将参与5%的社会经济活动。智能算法开始用于独立交易。

4.机器可以控制工人

到2018年，全球将有超过300万工人由机器人管理。不过，机器人没有人的类反应和举止。

5.智能建筑暴露安全问题

到2018年，20%的智能建筑可能遭遇数字攻击。相互联系的商业和住宅建筑，在变得越来越智能的同时，遭受攻击的可能也在变大。

6.智能机器大量进入公司

到2018年，50%的快速成长型公司将使用大量智能机器和少数智能“员工”。智能“员工”系统可进行工厂运营分析和工作评估。

7.数字助手技术成熟

到2018年，数字助手可通过脸和声音来识别用户，不再依赖密码。生物识别技术发展快速。

8.智能设备降低企业用工成本

到2018年，作为雇佣条件，成百万员工将被要求穿戴健康和运动追踪设备。员工保险成本有望下降。

9.智能程序进一步发展

到2020年，智能程序可支持40%的移动交易。诸如苹果Siri的智能助手将逐渐成为通用接口。

篇11

当我们谈论人工智能（Artificial Intelligence，AI）时，很大程度上受到源自20世纪想象的影响，例如，直接把人工智能和机器人联系起来，甚至是人形机器人。这可能也会影响法律人对人工智能的想象，包括是否承认人工智能作为具有自我意识的法律主体地位（或至少是人类行为的人），从而保护其特定权利（言论自由、著作权）、划定责任（缔约、侵权），甚至强调可能的毁灭性风险。这种想象远非受到科幻作品影响那样简单，深层次中还反映出人工智能在技术和应用上不同的发展路径：早期人工智能研究更集中于对人脑的仿真模拟，探究意识、理性等更为宏大的哲学问题，但应用性较少;当下的人工智能走出了实验室，借助互联网服务直接影响到普通人的生活，在技术上并不执着于创造一个完美的智能体，而是依靠算法（如机器学习和神经网络）不断优化，对海量数据自动挖掘与预测，通过无所不在的传感器实时更新数据，动态掌控着人类社会各个方面的运转，并把从某个特定领域升级为通用人工智能作槟勘辍4诱飧鲆庖迳纤担人工智能并不神秘，它出现在日常生活中，不仅是工业社会生产自动化的延续，也是互联网商业化的必然结果和新阶段。时至今日，欧美国家纷纷出台政策，推动人工智能发展，力求提升经济效率和竞争力。 互联网公司正逐渐主导实体经济和金融生产

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。

[27]法律的人工智能化是本文另一个没有讨论的问题，与此相关的是大规模监控、智能警务、犯罪预测等问题。

篇12

四大颠覆性技术

从目前的趋势看，未来10年典型的颠覆性技术主要来自四大方面：人工智能、新材料、基因工程和分享经济。之所以称之为颠覆性技术，是因为现在的生活方式和理念都有可能将被这些技术极大地改变甚至颠覆。

人工智能。由人工智能技术衍生的机器人、自动驾驶、虚拟现实等将致力于智能化提升人类生产生活效率，将人从繁重或简单重复的体力劳动中解放出来，寻求更高层次的需求。

――机器人技术：主要包括工业、农业、医学和家庭机器人。工业机器人造就了“黑灯工厂”，即不需开灯的全机器人工厂；农业机器人实现了农业生产的高度机械自动化；医学上，达芬奇机器人已经能帮助医生完成更高质量、低创伤的手术，且能进行远程操作；家庭生活中，多款家庭机器人已经出现，比如日本的Pepper机器人，能够帮助看家、与你聊天、陪小孩学习等。

――自动驾驶技术：自动驾驶采用了人工智能、计算机视觉、激光雷达、机器对机器通信等高精尖技术，并已实现部分商业化应用。麦肯锡估计，自动驾驶技术到2025年的经济规模将达到万亿美元，降低交通事故每年将挽救3万-15万个生命，大幅降低汽车的废气排放达90%。自动驾驶将帮助社会实现更少的汽车、更高的效率、更清洁的环境。

――虚拟现实技术：虚拟现实利用图像识别和处理、机器学习、360度摄像等技术旨在实现一种新的人与虚拟世界互动的方式，可能成为计算机、手机之后下一个万亿级别的平台。

新材料和储能技术。由新材料技术衍生的太阳能和风能发电、储能技术发展将改变世界能源格局，减少人类对化石能源的依赖，大幅改善环境质量。

――太阳能：随着晶硅制造成本在过去10年大幅降低90%，太阳能的发电成本相比于火力发电等传统技术已经有一定的竞争力，未来在成本进一步降低后有望取代火力发电成为主流发电模式。

――电池储能技术：太阳能、风能，电动车等产业的发展一直受制于储能的瓶颈。目前新的技术已经在实验室出现，氧化铝电池、锂氧电池、燃料电池等都可以实现电池效率的大幅提升，下一步的目标是降低成本，实现商业化。电池成本如果大幅下降，电动车行业直接受益，太阳能和风能发电的间歇性问题也将获得解决，清洁能源将可以提供持续稳定的电力供应。

基因工程。由基因工程衍生的基因检测、基因修复、基因擦除等技术使得免疫治疗、精准化治疗人类疾病和器官再造变得可能，从而大幅延长人类的健康寿命。

分享经济。由分享经济衍生的住房、汽车等个人物品分享将大幅降低人类对土地、房产、汽车的需求，提升资源利用效率。分享经济是互联网信息技术高速发展的产物，陌生人之间“点对点”的信息低成本共享已经实现。信息的共享可以让资源获得更有效利用。房屋、汽车、礼物等多种私有物品未来都会以共享模式存在，物品的固定持有成本将大幅下降，让更多的人能够享用这些资源。

简言之，新技术将大规模提升生产力，提高资源利用效率，将人从繁重的劳动中解放，让人类有更长的寿命、更多的自由时间追求创造性、追求快乐、追求自我实现。

颠覆性技术带来的重大影响

当颠覆性技术到来，我们都在憧憬技术带来的便捷，可随之而来的对生活、对社会的巨大影响还没有被广泛认知。我们需要也必须看清将要发生的变化，尽早做出战略调整。

――多个传统行业或遭遇颠覆。历史上，技术进步带来的行业颠覆比比皆是：汽车在美国普及仅用13年，彻底让马车变成了娱乐项目，数码相机10年时间就将胶片相机送进博物馆，有线电话取代了电报，智能手机取代固定电话等。未来只会有更多颠覆技术出现，不做改变的传统行业必然受到冲击甚至是被颠覆。

例如电动车行业，电动车的硬件制造很简单，整车能动部件只有18个，而一般汽车的能动部件超过2000个，当电动车进一步普及，不仅是汽车制造和销售企业受到冲击，配套的零部件生产行业也将逐渐凋零。此外，Facebook推行的太阳能无人机、谷歌正在实验的平流层热气球和低轨道通信卫星等将把互联网信号带到世界各地。未来，电信服务、通信塔公司和有线电视等行业势必将被“天空飘来的Wifi信号”部分取代甚至彻底颠覆，传统通信行业已经失去了短信业务，正逐渐失去联网业务，未来甚至失去通话业务。

其他可能被颠覆的行业：虚拟现实冲击传统娱乐业，因为虚拟现实能比传统娱乐（如电影，电视，赌场）带来更多的娱乐刺激；分享经济将冲击酒店业以及房屋建筑业；大数据分析将代替一般的咨询、商业分析和广告业；基因工程个性化制药代替传统制药业等。

篇13

多媒体技术是计算机技术和社会发展进程中人类总需求的结合。计算机技术发展的初期解决的是数值计算问题，诞生的缘由是美国为了研究军事技术，对攻击精度的计算。计算机硬件设备的发展，使计算机处理数据的能力越来越强，逐渐从处理数值发展到对复杂的多种形式媒体的处理。多媒体技术融合了对数据、多种媒体、复杂的智能化处理和交互,并在高速信息网的作用下实现了信息资源的共享。目前，计算机多媒体技术已经改变了人类的生活方式，促进了现代文明的进程，广泛应用于军事、工业、通信、教育、金融、娱乐等诸多领域。

2多媒体技术的特征

从计算机处理多媒体的种类和处理的效果、人类接受的方式来分析，计算机多媒体技术主要具有多样性、集成性、数字化、实时的交互性等特征。

2.1多样性

计算机多媒体技术面向的媒体种类众多（章惠，多媒体技术和教学的有机结合：洛阳大学学报，2003），从最初的数值处理发展到了人类感官能触及到的文字、图像、声音、动画、视频等多种形式媒体的处理。媒体的多样性，使媒体形式变得丰富多样，这必将使表达更为自然生动，表现更为灵活，解决问题更为便捷。

2.2集成性

为了获得更好的展示效果，各种媒体并不是各行其是的。计算机使用不同的媒体，共同展示相同的内容，媒体与媒体之间的融合集成、充分展示，让人们的不同感官得到充分刺激，使人们更易于接受（孙涛，计算机多媒体技术的应用：长春理工大学学报，2011）。为了多媒体后期的运用，各种媒体会被进行数字化处理，然后由多通道统一采集、编辑、存储、检索、显示、传输与合成。计算机领域内最新的硬件和软件技术也将促使多种媒体更好的处理效果和更快的处理速度。

2.3数字化

多媒体中的各种媒体，进入计算机后，已全部转化为了数字，以数字的形式展示和存储。图像经采样量化后，以BMP、RGB、CMYK、黑白灰度图等数字化形式显示、存储；声音是通过一定的采样频率和采样周期，实现模拟到数字的过程；而视频是在每帧图像和声音的采样、数字化基础上，形成的连续信息。

2.4实时的交互性

传统媒体是指报纸、广播、电视、杂志，这些媒体只能单向、被动地传播信息，不能称其为多媒体。多媒体技术与传统媒体最大的区别就是实现了人机交互，使用户能对多媒体信息进行主动选择、操纵和控制，使得获取和使用信息变被动为主动，同时被人的多种感官所感受、体验。不仅如此，因为多媒体的实时性，即是视频、声音等媒体是没有延迟的，随着时间的变化而变化。所以，多媒体的交互在高速网络的帮助下，能做到没有延迟的做出实时反馈。

3计算机创新技术在多媒体技术上的应用

多媒体技术涉及范围非常广泛，包括了计算机软硬件技术、数字信息处理技术、数据压缩、高性能大容量存储、网络通信技术等等。这些日新月异发展的新手段、新技术，推动多媒体系统逐步进入人类社会许多领域。多媒体新的技术不时涌现，带给人们新的惊喜。人工智能是一门新的科学技术，甚至有些大学将人工智能从计算机科学与技术专业剥离出来，独立成一个专业，在学生本科期间就进行相关研究。但事实上，人工智能是建立在数学和计算机科学与技术基础上的高层次学科，是一门近几年出现的最引领人类研究兴趣的技术。人工智能研究的最终结果就是机器人，而事实上，机器人集多种媒体表现于一生，通过机器人的触感模仿人类去理解和辨别外界。人工智能研究的图像识别、自然语言处理、语言识别融合在了机器人身上，与多媒体技术广泛结合，应用于人类生活。我们从机器人身上看到了人工智能对多媒体技术的影响。下面从涉及到的几个方面去分别探讨。

3.1计算机视觉

人们通过感官获取外界信息，仅视觉就能获得外界80%-90%的信息（王守佳，基于图像的人体检测跟踪和人脸识别的研究：吉林大学，2013）。计算机视觉是一门属于计算机智能的学科，采用了动物视觉原理，具有获取图像、分析图像到理解图像的工作过程。计算机视觉通过镜头等图像传感设备代替人类的眼睛来获取周围环境的图像，依靠计算机来代替人类大脑的工作，将采集到的图像进行分析和处理。人类处于一个三维的环境之中，计算机视觉技术可以帮助分析处理。处理的手段可分为三个层次，底层、中间层、高层。底层就是图像处理技术，将二维图像去噪、边缘检测后进行分割、根据图像特征进行提取、图像识别等。中间层是指对图像、视频外在特征的归纳判断，譬如形状、颜色、运动轨迹等。高层，即是对外界事物和环境的观察和理解。由以上三个层次可见，利用计算机视觉技术能对数字化图像改变形态、尺寸、色彩调整、文件格式转换等。目前，计算机视觉技术还能对图像进行高效的检测、高速的识别，对运动轨迹进行精准判断。而这些已被广泛地应用于多媒体产品中。

3.2音频技术

声音是多媒体技术经常采用的一种媒体形式，包括了语音和音乐等。多媒体通常需要通过声音去烘托主题气氛，彰显意境。特别是自学型多媒体系统和多媒体广告，没有人进行现场讲解，那么就需要加入声音进行解说，这样，数字音频信号显得更加重要。音频技术基于电声技术，主要包括：去噪、压缩、调整振幅等的数字化处理，以及语音处理和识别。长久以来，语音识别是人们的梦想，人们一直期盼计算机能够听懂人说话，根据人的语言做出相应动作，这也是设计智能计算机的目的之一。如今，具备多种语言识别功能已成为多媒体设备的标配，识变率也非常高。无论持哪种语言、地方口音的人们，都能通过语音转化为文字，甚至通过语音传送指令，得到回应、达到意图。

3.3虚拟现实技术

虚拟现实技术是利用计算机多媒体技术，运用3D场景、灯光、声音、动感创造模拟出真实氛围，为用户建立出一个虚拟环境。虚拟现实技术与计算机仿真技术相结合，将用户置身其中进行学习、工作与娱乐。这种技术已被广泛应用于教育教学、科普、军事、医疗、娱乐以及大型的网络游戏中。虚拟技术投入成本较高，成熟的设施主要运用于教学，比如多媒体航空飞行教学系统，通过该系统，可按100%比例局部展示表盘、操纵杆、舱外景物，通过配合空中场景、感知各种场景给身体带来的变化。使用这套系统进行模拟训练，可以有效的提高飞行员对飞机的操作水平。随着计算机技术的迅猛发展，虚拟现实技术成为目前的高新技术。在多媒体环境中，多种媒体的相互融合，使媒体的形式更加多样，多媒体技术在模式识别、语音识别和传感技术基础上，提取对象面部特征，模拟触觉、视觉、听觉等感官，使人处于逼真的三维世界，当人有反应或行动时，场景还会适时变化，即是让人如临其境的、自然的与计算机进行交互。虚拟现实技术具有非常广阔的发展前景，为人们的日常生活提供了很多乐趣和便捷。

3.4网络化

多媒体应用的数据通道是通信网络，网络给了多媒体更大的施展空间。多媒体技术的应用要想在网络上有所建树，必要受通信技术的影响。在网络通信技术的进步和整合下，网络带宽影响传输速率、通信协议影响传输可靠性、交换方式影响信道利用率，这些势必会影响多媒体的传输。计算机网络给用户提供了一个难以想象的庞大的信息网络平台，丰富的信息资源随手拈来，方便于人们的学习、工作和生活交流。而无线网络技术的发展，使资源变得随手可取（李晓静，计算机多媒体技术的应用现状与发展前景：科技情报开发与经济，2007），人们可随时随地通过访问全球网络和设备,便捷地实现对多媒体资源的共享，是未来发展的主题。计算机技术的不断创新和发展，促使了巨大的变革。CPU、内存、GPU等在内的计算机终端硬件设备性能越来越先进；而网络设备，例如服务器、路由器、网桥、交换机等也越来越强大。计算机计算的精度、速度、逻辑判断能力和充裕的带宽，让人们更加游刃有余的与网络虚拟世界互动。网络环境的高质、高速，消除了人与人空间和时间上的困扰，能全方位的为人类效劳。动态和交互式多媒体技术还能在网络环境中创建更形象的2D和3D场景。办公、教学和娱乐工具在视频、音频设备的协助下，集成在终端多媒体计算机中，新一代用户界面与人工智能等个性化、网络化的多媒体软件应用，可随时与身处世界任何角落的人们进行交流。

4结论

篇14

曾经，“百度一下”是一个极具代表性的动词。因为百度就是搜索本身，我们的互联网生活处处都有百度的存在。百度也正因为在搜索引擎领域的成功，使其成为了互联网三巨头BAT中打头的一员。但是近年来随着ATM、TMD等各类新组合的出现，我们发现百度离我们越来越远了，如今说到BAT也不过是习惯性的顺带捎上百度而已。

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。

相比目前，阿里和腾讯早已双双突破4000亿美金市值，而百度的市值还在800亿美金左右徘徊。如今选择加码AI领域，以技术见长的百度能否抓住这一次机遇，逐渐摆脱对搜索竞价排名的依赖就显得尤为重要。只有不重蹈覆辙，坚持战略定性，真正做到All in AI，百度才可能不断缩小跟阿里、腾讯之间的差距，从而在人工智能时代重获新生。