近年来，人工智能（AI）的发展和应用加速了，这引发了一个问题：该技术的广泛部署对能源行业意味着什么？没有能源就没有人工智能——特别是数据中心的电力。与此同时，如果人工智能被大规模采用，它可能会改变能源行业的运作方式。然而，到目前为止，由于缺乏全面的数据，政策制定者和其他利益相关者往往缺乏分析这一问题的两个方面的工具。国际能源署（IEA）的这份报告旨在根据新的全球和区域模型和数据集，以及与政府和监管机构、科技部门、能源行业和国际专家的广泛磋商，填补这一空白。它包括对未来十年人工智能可能消耗多少电力的预测，以及哪些能源将有助于满足这一需求。报告还分析了人工智能的应用对能源安全、排放、创新和可负担性的影响。

人工智能 在过去的几周里，你可能看到过你的Facebook好友分享过这样一篇文章，内容是关于一对由人工智能驱动的Facebook聊天机器人是如何偏离他们最初设定的程序，并发明自己的语言的。 　　关键是：Facebook创建了两个人工智能聊天程序，可以相互交谈（并互相学习），最终他们停止了用英语交流，并开始用一种非英语的语言进行交流，这些语言是它们自己“发明的”。

南京大学、吉林大学、天津大学等多所高校近日宣布成立人工智能学院，人工智能越来越多地进入高等教育。 面对这一全新的专业，高校应如何开展专业建设、教师应怎样开展课程教学、学生又该做好哪些准备呢？ 一个月内，四所高校成立人工智能学院 近年来，人工智能在全球范围内迅速崛起。2017年，国务院印发《新一代人工智能发展规划》，特别强调“把高端人才队伍建设作为人工智能发展的重中之重”“完善人工智能领域学科布局”“尽快在试点院校建立人工智能学院”等。 目前，开设人工智能学院已成高校中的一股热潮，仅在今年5月，就有天津大学、南开大学、南京大学、吉林大学四所高校举行了人工智能学院的揭牌仪式。据不完全统计，此前已有中国科学院大学、西安电子科技大学、重庆邮电大学、湖南工业大学、长春理工大学等高校开设了人工智能学院或相关专业。 “人工智能是一个比较接近应用层面的领域，我国在这方面拥有大量的数据，比如移动支付，每分钟产生大量的交易，如此体量的数据将帮助企业和科研工作者去解决问题。这是我国独有的科研驱动优势。”中国科学院计算技术研究所博士生导师、副研究员罗平说。 据今年4月教育部印发的《高等学院人工智能创新行动计划》要求，到2030年，高校要成为建设世界主要人工智能创新中心的核心力量和引领新一代人工智能发展的人才高地，为我国跻身创新型国家前列提供科技支撑和人才保障。 课程设置、教学模式等仍在探索之中 “人工智能产业发展最大的瓶颈是人才，现在已经进入了全球争抢人工智能人才的时代。高水平人才培养的‘造血功能’将直接影响人工智能产业的核心竞争力，为产业集聚提供原动力。”南京大学人工智能学院院长、相关人才计划特聘教授周志华说。 据《2017年中国人工智能产业专题研究报告》显示，随着科技、制造等业界巨头公司的布局深入，我国人工智能产业的规模将进一步扩大，将出现更多的产业级和消费级应用产品。未来，“人工智能+”有望成为新业态，而人才储备则将成为制约中国人工智能发展的重要因素。 记者梳理了解，目前各高校开设的人工智能学院已基本覆盖了本科、硕士和博士等培养层次，通过多种手段，培养人工智能人才。 ——高度重视理论研究。“要把握基础理论的主动权，不能仅仅关注于应用，核心算法、核心系统、核心硬件不能受制于人。” 罗平说，硬件、算法、系统没有捷径可走，西方不会直接把核心优势分享给世界，在当下环境中，人工智能领域的竞争大于合作，因此必须把硬件基础做好，把计算机科学底层的基础抓牢做好。 ——不断开发升级课程体系。“人工智能是一门交叉学科，所以必须根据未来科技发展趋势设计课程体系。”长春博立电子科技有限公司董事长、复旦大学智能机器人研究院副院长张立华告诉记者。在复旦大学智能机器人研究院，教师团队在强调基础课程的同时，也会为高年级学生和研究生设置一些新的课程，让他们接触更前沿的技术，“许多新的技术课程都来自项目进展过程中发现的新的研发成果。” 苏州大学计算机科学与技术学院院长李凡长介绍，基于人工智能跨学科的特点，在具体教学中，将根据需要不同学院开展联合教学，比如认知心理学和教育学院合作、人工智能硬件与电子学院等，让各个学院的师资力量交叉配合。 ——建立校地企三方合作机制。校地企三方合作机制有助于打破现有高校人才培养模式中普遍存在的教学与实践相对脱节的现状，实现学校学习、专业实习与产业实践的深度对接，探索人工智能专业人才培养新模式。目前，南京大学将京东（南京）人工智能研究院作为学生实训基地，“京东在电商、物流、金融领域掌握着丰富精准的数据，与南京大学的合作可以推动人工智能技术为京东各个业务提供支撑，从而实现了产教的深度结合。”京东集团副总裁、AI平台与研究部负责人周伯文表示。此外，吉林大学人工智能学院和百度、滴滴等公司签署了合作备忘录。 专家呼吁：冷静看待人工智能“热潮” 人工智能具有技术属性和社会属性高度融合的特点，涉及数学、生物、计算机、脑科学、心理学等多个学科，目前虽然已成立了多所人工智能院校，但在课程设置、教学规划、师资准备等具体操作层面上，仍有不少难题有待解决。 “目前，能专门用于人工智能的课程数量还远远不能满足需求，这导致人工智能专业课程只能浓缩到‘高级科普’程度。”周志华说，但一流的人工智能学院的教育目标应该是培养在该领域内具备源头创新能力和解决企业关键技术难题能力的人才，而不是仅仅停留在“科普”阶段，“因此，与其在现有学科培养体系框架下修修补补，不如根据人工智能学科自身的特点建设新的课程体系。” 对于高等院校的“人工智能热”，不少业内人士呼吁社会各界应保持冷静。有专家表示，人工智能是热门行业，很多学校纷纷设立相应的学院和专业，但是不一定有实力做好。如果学院本身都没有足够积累，又怎么能培养出人工智能的高端人才呢？ “师资是关键。”上海师范大学教授岳龙说，“开设人工智能专业对教师的知识结构也提出了新的挑战，因此组建专门的师资培训团队非常重要。” “新建学科或专业前应该有一套完整的标准，来评估高校是否具有足够的师资力量和研发条件，发展学科也应该循序渐进。”张立华说，“可以选择基础条件相对较好的学校设立试点，在摸索中推广。” .

重要行业动态

本文内容转载自“ChemBioAI”微信公众号。原文链接: https://mp.weixin.qq.com/s/hlwb9sc0rugxZ_ThiOy7gQ 2023年10月24日，《自然》新闻（Nature News）在线发表了一篇题为An AI revolution is brewing in medicine. What will it look like?的特别报道。 Jordan Perchik于2018年开始在亚拉巴马大学伯明翰分校进行放射科住院医生培训，那时正值他所谓的放射科学领域的“AI恐慌”高峰期。在计算机科学家Geoffrey Hinton宣称人们应停止培训成为放射科医生的仅仅两年后，这一时期开始。Hinton被称为人工智能之父，他预测这些系统很快将能够比人类更好地阅读和解释医学扫描图像和X光片。此后，放射科医学项目的申请数量大幅下降。 基于人工智能的工具越来越多地成为医疗保健的一部分，美国食品和药品监督管理局（FDA）已经授权使用超过500种这类工具。其中大多数与医学影像有关，用于改进图像质量、测量异常或标记检测结果以供后续跟踪。 调查显示，虽然许多医生知道临床AI工具的存在，但实际上只有很小一部分 (大约在10%到30%之间) 使用过它们，他们的态度从谨慎乐观到彻底不信任不等。荷兰乌得勒支大学医疗中心的医学创新实施专家Charisma Hehakaya说：“一些放射科医生对AI应用的质量和安全性存在疑虑。”即使AI工具能够完成它们的目标任务，仍不清楚这是否会转化为患者更好的医疗护理。但有一种被称为综合医学AI的方法似乎正在兴起。这些模型受到庞大数据集的训练，就像驱动ChatGPT和其他AI聊天机器人的模型一样。在吸收大量医学图像和文本数据后，这些模型可以适用于许多任务。尽管目前获得批准的工具执行特定功能，比如在计算机断层扫描（CT）中检测肺结节，但这些综合模型将更像医生，评估扫描中的每一种异常情况，并将其整合为一种诊断。 尽管现在的AI爱好者趋向避免大胆宣称机器将取代医生，但许多人认为，这些模型可以克服目前医学AI的某些限制，有朝一日可能在某些情况下超越医生。然而，这些新工具能够在实际临床护理中使用之前，还有漫长的道路需要走。 目前存在的限制 医学领域的人工智能工具充当从业者的辅助角色，例如通过快速浏览扫描图像并标记医生可能立即查看的潜在问题，这些工具有时表现很出色。Jordan Perchik记得有一次，在他值夜班的时候，一种AI分诊工具在凌晨3点为一名出现呼吸急促症状的患者标记了一张胸部CT扫描。他将这张扫描图像提上优先级，并同意AI的评估结果，该结果显示患者存在肺栓塞，这是一种可能致命且需要立即治疗的情况。如果没有被标记出来，这张扫描图像可能要等到当天晚些时候才会被评估。 但如果AI犯了错误，它也会产生相反的效果。Jordan Perchik说，最近他发现了一例AI没有标记出来的肺栓塞病例，他决定采取额外的审查步骤，最终证实了他的评估，但这减缓了他的工作进度。如果他决定相信AI并继续前进，那么这种情况可能会被漏诊。”许多已获批准的设备并不一定符合医生的需求，早期的AI医学工具是根据影像数据的可用性来开发的，因此一些应用程序是为常见且容易识别的疾病而建立的。 另一个问题是，这些AI工具倾向专注于特定任务，而不是全面解释医学检查——观察图像中可能相关的一切，考虑以前的结果和患者的临床病史。尽管专注于检测一些疾病具有一定价值，但它并不反映放射科医生真正的认知工作。 解决方案通常是增加更多基于AI的工具，但这也对医疗护理构成挑战，伦敦Google Health的临床研究科学家Alan Karthikesalingam表示。假如一个人接受常规乳腺X光检查，技术员可能会采用一种用于乳腺癌筛查的AI工具的辅助。如果发现异常，同一患者可能需要进行磁共振成像（MRI）扫描以确认诊断，而这可能需要另一个AI设备。如果诊断结果得到确认，那么病变将会通过手术移除，可能需要另一种AI系统来协助进行病理学分析。 许多医院并不了解监测AI性能和安全性所涉及的挑战，英国伯明翰大学研究医疗AI负责创新的临床研究员Xiaoxuan Liu表示。她和她的同事们确定了数千份医学成像研究，比较了深度学习模型的诊断性能与医疗保健专业人员的性能。对于该团队评估的69项诊断准确性研究，一个主要发现是，大多数模型未经真正独立于用于训练模型的信息的数据集进行测试。这意味着这些研究可能高估了模型的性能。 坚实的基础 为了解决医学领域AI工具的一些限制，研究人员一直在探索具备更广泛能力的医学人工智能。他们受到了像ChatGPT这样的革命性大型语言模型的启发。这个术语是由斯坦福大学的科学家们在2021年创造的，它描述了在广泛的数据集上进行训练的模型，这些数据集可以包括图像、文本和其他数据，使用一种称为自监督学习的方法。这些基础模型，也被称为基本模型或预训练模型，构成了后续可以适应执行不同任务的基础。 目前大多数医学AI设备是通过监督学习方法开发的。例如，使用这种方法训练一个模型来识别肺炎，需要专家分析大量的胸部X光片并将它们标记为“肺炎”或“非肺炎”，以教导系统识别与该疾病相关的模式。在基础模型中不需要大量图像的注释。例如，对于ChatGPT，使用大量文本进行训练，以训练一个通过预测句子中的下一个单词来学习的语言模型。同样，伦敦摩尔菲尔德眼科医院的眼科医生Pearse Keane及其同事开发的医学基础模型使用了160万张视网膜照片和扫描图像，以学习如何预测这些图像缺失部分应该是什么样子。在进行了这一预训练后，研究人员引入了几百张标记图像，使其能够学习特定的与视觉相关的疾病，如糖尿病性视网膜病变和青光眼。该系统在检测这些眼部疾病以及通过眼底血管微小变化检测出的心脏病和帕金森病等系统性疾病方面优于以前的模型，但该模型尚未在临床环境中进行测试。 Keane表示，基础模型对眼科学领域特别合适，因为几乎可以对眼部的每个部位进行高分辨率成像。而且有大量的这些图像数据可用于训练这种模型。人工智能将彻底改变医疗保健，而眼科学可以成为其他医学专业的示范。大型科技公司已经在投资使用多种图像类型的医学成像基础模型，包括皮肤照片、视网膜扫描、X光片和病理学切片，并整合电子健康记录和基因组数据。 今年6月，Google Research科学家们发表了一篇论文，介绍了他们称之为REMEDIS（具有自监督的强大和高效医学成像）的方法，与使用监督学习训练的AI工具相比，该方法能够将诊断准确性提高高达11.5%。研究发现，在对未标记图像的大型数据集进行预训练后，只需要少量标记图像就能达到这些结果。这项研究的共同作者之一，Karthikesalingam说：“我们的主要发现是，REMEDIS能够以非常高效的方式，只需很少的示例，学会如何在许多不同的医学图像中对许多不同的事物进行分类，包括胸部X光片、数字病理学扫描和乳腺X光检查。”次月，Google的研究人员在一篇预印本中描述了他们如何将这一方法与该公司的医学大型语言模型Med-PaLM相结合，该模型几乎可以像医生一样回答一些开放性的医学问题。结果表明，Med-PaLM Multimodal不仅可以解释胸部X光图像，还可以以自然语言起草医疗报告。 微软也在努力将语言和视觉整合到一个单一的医学AI工具中。今年6月，公司的科学家们推出了LLaVA-Med（生物医学大型语言和视觉助手），该模型在与从PubMed Central（一个公开可访问的生物医学文章数据库）提取的文本配对的图像上进行训练。微软Health Futures的生物医学AI研究负责人Hoifung Poon表示：“一旦你这样做，你就可以开始与图像进行对话，就像你在与ChatGPT交谈一样。” 这种方法的一个挑战是它需要大量的文本-图像对。 随着这些模型在越来越多的数据上进行训练，一些科学家乐观地认为它们可能能够识别人类无法识别的模式。AI工具可能在某些领域超越人类能力，比如使用数字病理学来预测免疫疗法对肿瘤的反应。 Karthikesalingam还指出，即使Google的医学成像AI取得了最佳结果，它仍然无法与人类相媲美。人类放射科医生的X光报告仍然被认为明显优于最先进的多模式综合医学系统。尽管基础模型似乎特别适合扩大医学AI工具的应用，但要展示它们可以安全用于临床护理还有很长的路要走。 毫无疑问，AI在放射科领域的作用将继续增长，与其说取代放射科医生，不如培训他们如何使用AI。