登录
 机构网站
  1. 首页
  2. 情报产品
  3. 快讯详情

《人工智能——从研究到应用》

  • 来源专题：中国科学院文献情报系统—海洋科技情报网
  • 编译者： liguiju
  • 发布时间：2024-02-27

  • 2023年11月20日，石勒苏益格-荷尔斯泰因州资助GEOMAR研究人员和当地公司的KIMERA和SPOT-KI两个项目，开发用于海洋研究和工业工厂安全的未来技术，将人工智能付诸实践。这两个资助项目绘制海底地图和识别空气中的有害气体，对社会非常重要。它们也是石勒苏益格-荷尔斯泰因州人工智能专业知识、创新精神以及商业与科学之间良好互动的典范。KIMERA用于开发用于海底测绘和海洋空间规划的人工智能。人工智能将使用现有的人工生成的海底地图进行训练。SPOT-KI项目使用人工智能程序主动搜索气体测量的来源。GEOMAR的研究促进和转移部门支持来自工业，科学和社会的合作伙伴为他们的项目寻找合适的合作机会，并共同开发和应用GEOMAR的创新研究成果。（傅圆圆 编译；熊萍 校稿）

  • 原文来源：https://www.geomar.de/en/news/article/kuenstliche-intelligenz-aus-der-forschung-in-die-anwendung
131浏览量
原文链接
相关报告

  • 《研究和应用遍地开花 "人工智能 +" 时代来了吗》
    • 来源专题：中国科学院文献情报制造与材料知识资源中心 | 领域情报网
    • 编译者：冯瑞华
    • 发布时间：2018-01-31
    • 早上，被智能音箱叫醒，同时还提醒你上午要给朋友回电话；去上班，用导航地图走了避免拥堵的路线；路上，拍了张照片，用修图软件一键PS；到了办公室，刷一下根据你兴趣推荐的新闻。 这样的场景，你是否熟悉？不过，你可能并未意识到，这背后，其实都有人工智能的影子。 当然，这些并不是人工智能的全部。 现状—— 人工智能已在身边 “人类终将使电脑智能化且使其远胜人脑。”这是1987年复旦大学计算机科学系毕业生陆奇给同学的临别赠言。 如今，身为百度集团总裁兼首席运营官的陆奇，正和万千程序员与亿万公众一起，经历着人工智能的跌宕起伏和带来的巨大改变。 从可以跟你聊天的“小冰”到能帮你开电视的智能音箱，从机器翻译到智能教育，从刷脸支付到无人驾驶，从可穿戴设备到智能医疗……人工智能已经全面走入人类的生活，广泛渗透到生产和生活的各个领域，并不断刷新人们的想象力。 在新闻领域，基于大数据和人工智能的个性化推荐已成为不少新闻App的标配，写稿机器人、智能视频剪刀手等生产工具也在不断涌现； 在教育领域，人工智能已经被应用在批改作业、教英文等教学项目，探索“私人订制”“千人千面”的个性化学习模式； 在语音识别和翻译领域，翻译软件已经可以支持全球数十种热门语言互译、覆盖几百个翻译方向； 在金融领域，生物识别技术的应用使得刷脸支付已成为现实，以较低成本提供个性化专属财富管理方案的智能投顾也已在不断发展中； 在物流领域，智能分单、智能配送机器人、无人仓、无人机等产品和服务，已在不断帮助快递业提升物流速度和服务水平； 在零售领域，除了无人超市等吸引眼球的探索性应用外，人工智能还被用来对超市的生鲜商品进货量进行预测； 在交通领域，除了地图、导航等应用外，备受关注的无人驾驶也有了新的进展； 在医疗领域，利用AI和大数据的能力，可以让机器筛查和分析医学影像，来辅助医生诊断； …… 当然，人工智能的应用不仅是在第三产业，在农业、工业和社会治理领域，人工智能的赋能作用也都有不错的表现。 相比人工智能诞生后的两次最终陷于沉寂的热潮，这次的人工智能研究和应用遍地开花，热潮来得更为贴近产业。 “人工智能这次浪潮其实是更稳健的浪潮，技术基础、数据技术、计算基础、社会基础都比较扎实。”微软亚洲研究院副院长张益肇表示，“此次人工智能浪潮比以往拥有更多落地的实际应用场景，产学研互动比以前更丰富。” “‘人工智能+’时代已经到来。”猎豹移动创始人兼CEO傅盛说。 改变—— 重塑中的各行各业 变化是显而易见的，而影响，有些已然显现，有些还在水面之下。 “人工智能技术的不断发展必将不断重塑各行各业以及我们的生活。”张益肇将这种“重塑”概括为三个方面：推动产业向智能化转变、引发商业创新、让人们的生活更美好。 对各行各业而言，直观的变化是效率的提升。 在工业领域，来自阿里云的数据显示，通过其推出的ET工业大脑，光伏切片企业协鑫光伏良品率提升超过1%，每年带来经济效益超亿元；轮胎生产企业中策橡胶则将良品率最高提升了5%。“先进制造业可能是AI效益杠杆最大的行业”，阿里巴巴集团副总裁刘松说。 在信用评级领域，以机器学习为基础的大数据风控，在提高信贷服务效率、增加金融服务覆盖率方面，效果明显。据百度方面介绍，其教育信贷基本上是以“秒”的时间就可决定是不是给一个人放贷。 “过去40年，前20年的数字化进程改变了生产资料，后20年的网络化进程重构了市场关系，未来20年人工智能模糊了生产资料和劳动力之间的界限，其使命是与传统产业嫁接，降低生产成本，对生产力产生数量级的提升。”驭势科技联合创始人、CEO吴甘沙说。 这种提升催生了一个极具想象力的增量空间。 据咨询公司埃森哲2017年6月发布的《人工智能：助力中国经济增长》报告显示，制造业、农林渔业、批发和零售业将成为从人工智能应用中获益最多的3个行业。到2035年，人工智能将推动这三大行业的年增长率分别提升2%、1.8%和1.7%。 影响还将发生在社会治理领域。 专家表示，随着人工智能技术的发展，未来政府的很多管理方式都有必要从追逐式管理变成预测式管理。 2016年，杭州市政府牵头联合了包括阿里云等13家企业开始进行城市数据大脑的探索。在杭州萧山的试点发现，通过智能调节红绿灯，区域内通行速度提升15%，让120救护车到达现场时间缩短了一半；在杭州主城区，部分区域通行时间缩短15.3%。 对个人而言，除了生活领域的改变，影响还将发生在职业领域——未来，一些重复性的工作，如在线客服、速记翻译、驾驶员等都可能被人工智能取代。 不过，业内人士也表示，对此不必过于担心，在产生职业替代的同时，AI也会产生新的行业。“集装箱出现以后，搬运工人担心会失业，在港口却出现了很多吊桥工人。”在阿里巴巴集团董事局主席马云看来，新技术不是让人失业，而是让人做更有价值的事情，让人不去重复自己，而是去创新，让人的工作能够“进化”。 巨大的影响，带来足够快的行业增长率。 艾媒咨询数据显示，中国人工智能产业规模2016年已突破100亿元，增长率达到43.3%，预计2017年增长率将提高至51.2%，产业规模达到152.10亿元，并于2019年增长至344.30亿元。 不过，在业内人士看来，目前这些影响，还只是冰山一角。 麦肯锡全球研究院认为，人工智能正在促进人类社会发生转变，这种转变将比工业革命“发生的速度快10倍，规模大300倍，影响几乎大3000倍”。 “在不久的未来，智能流就会像今天的电流一样平静地环绕、支持着我们，在一切环节提供养料，彻底改变人类经济、政治、社会、生活的形态。”百度董事长兼CEO李彦宏如是表示。 未来—— 百米赛跑才刚刚起步 “我要看到未来的自己。”这是百度大脑给《智能革命》这本书所作序言的最后一句。 未来的人工智能什么样？现在可能谁都没有答案，但能确定的是，当下只是个开始。 “如果把人工智能应用比喻成百米赛跑，现在是刚刚起步。”张益肇说，“人工智能现阶段就是互联网在上世纪90年代初期的那个阶段。” 政府、企业、资本等多种推动，成为这一波人工智能火起来的“助推器”。当然，与许多互联网发展进程的新事物一样，人工智能在成为风口的同时，也还存在待突破的瓶颈。 从技术层面看，目前人工智能还处于“黑箱”决策阶段，而且“主要方法论仍是基于大数据、大计算模式”，想让机器像人类那样思考，就必须“喂”给它天量数据，由此导致目前人工智能落地还存在行业局限，“拥有大量数据积累和分析需求的行业更适合实现转型。”张益肇说。 此外，从国内情况看，人才缺口对意图发力人工智能领域的企业来说，也正成为一大制约。 “全国人工智能研究方向的博士、硕士每年只有不到200人，而如今的创业公司多如牛毛，这个数字根本不够分。”李彦宏直言。来自领英的数据显示，全球范围内，人工智能专业人才有195万，中国只占2%，排名第七。 从行业层面看，重应用、轻基础的急功近利，无序与重复投资、过热与概念包装、浮躁与浮夸并存等问题也不容忽视。有业内人士直言，需要警惕人工智能“网红化”的倾向。 商汤科技联合创始人兼CEO徐立直言，国内人工智能创业大多扎堆在应用层面，创业者使用开源算法，找到某个垂直领域便套上“人工智能”概念扎进去，但真正从算法层出发做“原创技术”的人并不多。“而这块才是核心，是最需要厚积薄发的。” 不过，业内人士也表示，这些可以理解为“成长的烦恼”：是瓶颈，也是下一步发力的方向。从更广阔的时代眼光看，中国正处于发展AI的良好机遇期。 从人才角度看，已经现出明显成长性。乌镇智库的数据显示，在人工智能专利数上，最近5年，中国专利数平均每年增速为43%；美国增速为21.7%。其中，2016年中国新增的人工智能专利数突破9000，超过美国的两倍。 “中国人工智能企业数量、专利申请数量及融资规模均仅次于美国，位列全球第二。”陆奇分析表示，中国拥有巨大的市场机会和独有的海量数据，这对于海外人才的吸引力不容忽视。事实上，近年来，吴恩达、李飞飞等一批知名AI人才纷纷回国发展，也佐证了这一点。 国家的重视也在为人工智能的发展助力。2016年3月，人工智能一词写入国家“十三五”规划纲要。2017年3月，人工智能首次被写入《政府工作报告》，如今《新一代人工智能发展规划》也已正式印发。 “中国在这次科技浪潮上是赶在前面的，深度学习有超过40%的论文是华人发表的，这次我们和专家沟通起来没有语言障碍，也没有时差障碍。我们有很好的数据、巨大的样本群，有很好的工程师队伍，又有全球一流的制造能力。”傅盛表示：“未来是人与机器人共存，中国存在弯道超车的机会。” 从这个意义上讲，未来已来，只是尚未流行。
    53浏览量
    原文链接

  • 《从一次脑部扫描，到医学人工智能的更多信息》
    • 来源专题：生物安全网络监测与评估
    • 编译者：yanyf@mail.las.ac.cn
    • 发布时间：2019-06-21
    • 麻省理工学院的研究人员设计了一种新方法，用于从用于训练机器学习模型的图像中收集更多信息，包括那些可以分析医学扫描以帮助诊断和治疗大脑状况的模型。 医学领域一个活跃的新领域涉及培训深度学习模型，以检测与神经系统疾病和疾病相关的脑部扫描结构模式，如阿尔茨海默病和多发性硬化症。但是收集训练数据是费力的：每次扫描中的所有解剖结构必须单独概述或由神经学专家手工标记。并且，在某些情况下，例如儿童罕见的大脑状况，首先只能进行少量扫描。 在最近的计算机视觉和模式识别会议上发表的一篇论文中，麻省理工学院的研究人员描述了一个系统，该系统使用单个标记扫描以及未标记的扫描，自动合成不同训练样例的大量数据集。数据集可用于更好地训练机器学习模型以在新扫描中找到解剖结构 - 训练数据越多，预测越好。 这项工作的关键是自动生成“图像分割”过程的数据，该过程将图像划分为更有意义且更易于分析的像素区域。为此，该系统使用卷积神经网络（CNN），这是一种机器学习模型，它已成为图像处理任务的动力。该网络分析来自不同患者和不同设备的大量未标记扫描，以“学习”解剖学，亮度和对比度变化。然后，它将这些学习变化的随机组合应用于单个标记扫描，以合成既逼真又准确标记的新扫描。然后将这些新合成的扫描输入到不同的CNN中，该CNN学习如何分割新图像。 “我们希望在没有大量训练数据的现实情况下，这将使图像分割更容易获得，”第一作者Amy Zhao说，他是电气工程和计算机科学系（EECS）的研究生，计算机科学与人工智能实验室（CSAIL）。 “在我们的方法中，您可以学习模仿未标记扫描的变化，以智能地合成大型数据集来训练您的网络。” 例如，有兴趣使用该系统帮助在马萨诸塞州综合医院培训预测分析模型，赵说，在儿童患者中，只有一两个标记的扫描可能存在特别罕见的大脑状况。 在报纸上加入赵是：EECS和CSAIL的博士后Guha Balakrishnan; EECS教授Fredo Durand和John Guttag，以及资深作家Adrian Dalca，他也是哈佛医学院放射学的教员。 系统背后的“魔术” 虽然现在已经应用于医学成像，但该系统实际上已经开始作为综合智能手机应用程序的训练数据的手段，该应用程序可以从流行的可收集纸牌游戏“魔术：聚会”中识别和检索关于卡的信息。在20世纪90年代早期发布的“Magic”拥有超过20,000张独特的卡片 - 每隔几个月发布更多 - 玩家可以使用它们来制作定制游戏牌。 赵，一个狂热的“魔术”玩家，想要开发一个CNN驱动的应用程序，用智能手机相机拍摄任何卡的照片，并自动从在线卡数据库中提取价格和评级等信息。 “当我从游戏商店挑选卡片时，我厌倦了将所有名字输入我的手机并查看评级和组合，”赵说。 “如果我能用手机扫描它们并提取这些信息，那会不会很棒？” 但她意识到这是一项非常艰难的计算机视觉训练任务。 “你需要在所有不同的照明条件和角度下拍摄所有20,000张卡片的照片。没有人会收集该数据集，”赵说。 相反，赵在CNN上训练了大约200张卡片的小型数据集，每张卡片有10张不同的照片，以学习如何将卡片变成不同的位置。它计算了不同的光照，角度和反射 - 当卡片被放置在塑料套管中时 - 计算出数据集中任何卡片的真实扭曲版本。这是一个激动人心的激情项目，赵说：“但我们意识到这种方法非常适合医学图像，因为这种类型的翘曲非常适合MRI。” 心灵扭曲 磁共振图像（MRI）由称为体素的三维像素组成。在分割MRI时，专家根据包含它们的解剖结构分离和标记体素区域。由个体大脑和所用设备的变化引起的扫描的多样性对使用机器学习来自动化该过程提出了挑战。 一些现有方法可以使用“数据增强”来合成来自标记扫描的训练样例，其将标记的体素扭曲到不同的位置。但是这些方法需要专家手写各种增强指南，而一些合成扫描看起来不像现实的人脑，这可能对学习过程有害。 相反，研究人员的系统会自动学习如何合成逼真的扫描。研究人员对来自真实患者的100个未标记扫描进行了系统训练，以计算空间变换 - 从扫描到扫描的解剖学对应关系。这产生了许多“流场”，其模拟体素如何从一次扫描移动到另一次扫描。同时，它计算强度变换，捕捉由图像对比度，噪声和其他因素引起的外观变化。 在生成新扫描时，系统将随机流场应用于原始标记扫描，其在体素周围移动，直到其在结构上匹配真实的未标记扫描。然后，它覆盖随机强度变换。最后，系统通过遵循体素在流场中的移动方式，将标签映射到新结构。最后，合成扫描非常类似于真实的，未标记的扫描 - 但具有准确的标签。 为了测试他们的自动分割准确度，研究人员使用Dice分数，以0到1的比例测量一个三维形状与另一个三维形状的拟合程度。他们将他们的系统与传统的分割方法（手动和自动）进行比较。在100次保持测试扫描中有30种不同的脑结构。在所有方法中，大型结构相对准确。但研究人员的系统在较小的结构上表现优于所有其他方法，例如海马体，其体积仅占大脑的约0.6％。 “这表明我们的方法比其他方法有所改进，特别是当你进入较小的结构时，这对理解疾病非常重要，”赵说。 “我们这样做只需要一次手动标记扫描。” 为了对作品的“魔术”根源进行点头，该代码在Github上以游戏卡片“Brainstorm”的名义公开发布。 ——文章发布于2019年6月19日
    121浏览量
    原文链接