人工智能是干嘛的什么意思？

来源：蜘蛛抓取(WebSpider) 时间：2022-10-26 02:58 标签： 人工智能是干嘛的

从一度火爆到渐入困境，历经起伏的医疗AI行业，随着人工智能及大数据在疫情中得到多方应用与验证，这个行业的度再度升温。

不论是科技巨头还是初创企业，都争相涌入这一赛道。像谷歌、微软、百度、阿里巴巴、腾讯等已在医疗AI领域投入大量资源，展开密集布局。

不过时至今日，虽然医疗AI作为新兴科技产业已得到广泛认可，但其临床应用难、商业化落地难的窘境依然无法突破，绝大多数医疗AI企业仍摆脱不了“赔钱”的命运。此外，缺乏行业标准的人工智能医疗还存在可靠性与安全性等隐藏风险。如何让人工智能更安全地投入临床使用，这也是行业目前亟待解决的难题。

赛道火热背后的难题与风险

虽然人工智能医疗竞技场已经略显拥挤，但不可否认的是AI与医疗的融合仍然是个新事物，尚处于探索起步阶段。

2019年，美国APCO Worldwide公司发表了一篇题为“Artificial Intelligence in Healthcare: Hype or Hope?”（“医疗保健中的人工智能： 赞美还是希望？”）的文章，质疑医疗AI究竟是“炒作”还是“希望”。AI确实有改变医疗保健领域的巨大潜力，但目前各方对AI的宣传可能过度，关于AI在医学实践中的应用仍存在争议。

在众多AI医疗公司中，美国IBM“沃森”无疑是走在技术和应用前端的先锋，但同时，随着时间的深入，沃森也逐渐被贴上“过度炒作”的标签。

2016年，东京大学医学研究院利用IBM的人工智能系统“沃森”诊断一位女性患有罕见的白血病，而这只用了10分钟的时间。在看到AI医疗发展的希望后，IBM把宝都押在了沃森身上。2017年，投资2.4亿美元与麻省理工学院共建MIT-IBM沃森人工智能实验室。同时还计划投资30亿美元打造沃森全球蓝图。

但蓝图尚未完全落实，沃森就遇到困境。最近一两年，沃森被众多行业专家所质疑，并曝出诸多问题，包括可能开出危险和错误的癌症治疗方案。2018年7月，美国健康医疗媒体STAT曝出的IBM内部文件显示，IBM在训练沃森时，对假想患者推荐的治疗方案，是基于纪念斯隆-凯特琳癌症中心专家的方案，而非医疗指南或真实证据。

清华大学自动化系教授、生命学院和医学院兼职教授张学工向21世纪经济报道记者说道：“对类似沃森的医疗AI发展受阻我并不吃惊，医疗AI如果在技术层面没有特别优秀的技术，更多只是在媒体和宣传层面的炒作，很难得到发展。”

除了沃森以外，其他投身医疗AI的科技企业也面临着不少行业痛点等待解决。像我国国内企业在医疗影像方面面临着数据流转的问题，患者无法保存和管理自己原始的影像资料。

上海交通大学人工智能研究院发布的《2019中国人工智能医疗白皮书》显示，中国医疗AI面临着医疗人才、数据、器械审批等方面的挑战。具体而言，包括医疗AI人才缺乏、数据归属不明确、数据标准不统一、器械分类要求高等问题。

疫情期间，医疗AI的应用得到了进一步的创新与推广。但不可否认的是，医疗AI在发展中还有着各种各样的瓶颈与痛点。如何打破瓶颈尴尬期，进而推动行业向前发展，是摆在医疗AI行业人士面前十分关键的课题。

张学工表示：“人工智能包含很多的挑战，不是突破了一个瓶颈，就能解决所有的医学问题，并没有那么戏剧性。而是要一点一滴去完善人工智能，并使其在医学领域中解决过去的一些问题，这是一个逐渐的扩展和突破。”

阿里健康董事长兼CEO朱顺炎11月14日在广州肿瘤大会上表示，医生与人工智能（简称AI）的关系应该是医生 AI，即医生在前，AI是辅助医生的工具，而非相反。他指出，医疗领域里最重要的是准确度，需要在综合一系列由人工智能计算出的指标的基础上，由医生来做出最后判断和决策。

中国工程院院士樊代则指出，把人工智能引入医学是一种必然的结果。他认为，最好的科技，就是“大数据 人工智能”，用它来帮助医学来提高人类的健康水平，这是一种必然。“人工智能具有广阔的前景，我们医生要好好学习人工智能，借它来为我们更好地服务。”樊代明说。

虽然被认为过度炒作，但医疗AI具有巨大的潜在经济效益确实是公认的事实。据国际管理咨询公司罗兰贝格发布的《人工智能白皮书》显示，预计到2030年，人工智能将在中国产生10万亿元的产业带动效益。其中医疗产业，使用AI预计可带来约4000亿元的降本价值。由此，医疗AI成为人工智能领域的热门风口，受到了不少资本的青睐，吸引着无数玩家入局。

目前，医疗AI的主要应用场景在肺部CT、眼底筛查及医疗影像等多个方面。今年1月，南开大学与北京推想科技的联合项目团队就在疫情初发期研发出新冠肺炎CT影像AI筛查系统。第一时间将此前积累的基于肺炎、肺结核CT影像智能识别技术，部署应用于华中科技大学同济医学院附属同济医院、武汉大学中南医院等，辅助医生快速诊断新冠肺炎。

而医疗影像则为医学诊断的提供了图像方面的信息。张学工指出，在医疗AI具体临床和商业化应用方面，图像具有清晰易懂的特点，因此在医疗AI领域被率先落地应用，但其仍有局限性，影像并不能把所有生命系统中的数据给予到医生和病人，历史的数据、主观的感觉，各种自然语言的描述，这些都不能通过影像去分析。

一些罕见病上并没有典型的一些症状，一般依靠模糊的描述去判断症状。倘若积累了大量病例以后，靠机器去做分析判断，会比人的判断更全面，因为人的经验判断是有限的。张学工说到这是医疗AI的一大作用。

但目前，AI技术甚至在一些有关人体生命安全的医学领域也有应用，AI系统亦深入到诊断、预测甚至治疗康复等环节，开发出了众多新的AI工具，相应的研究也得以发表在一些权威医学期刊上。但由于试验设计质量参差不齐，具体的有效性很难进行比较和评估。

没有统一行业评判的标准，可能会给数百万患者带来风险。同时也易助长医疗企业宣传、炒作AI实效性的火焰。随着众多巨头纷涌而至，AI赛场展示出巨大的潜力，但游戏规则亟需建立。

交叉领域深度融合或成新发力点

在人口老龄化以及慢性疾病患者数量增长的情况下，如今对医疗技术人员及医疗资源的需求不断上升。而现有医疗体系在处理需要大量长期诊治、病状复杂的患者等多方面仍存在诸多不足。

此外，优质医疗资源还存在分布不均的状况，区域之间差异较大。据国家卫健委发布的《2019年国家医疗服务和医疗质量安全报告》显示，从患者异地就医情况看，患者流出比例最高的5个地区为西藏、安徽、内蒙古、河北、甘肃，而患者流入比例居前5位的地区为上海、北京、江苏、浙江和广东。随着医疗数据量增长迅速，借助AI大数据可节省人力资源，弥补医疗劳动力短缺的不足。

张学工坦言，目前AI医疗也确实需要更多应用在要大量重复劳动去解决的问题上。从更长远的角度来看，人工智能发展要和生命研究本身结合起来。

近年来，深度学习在AI医疗领域再度成为焦点。张学工对此表示：“整个人工智能的领域要比机器深度学习的领域宽很多，深度学习有强项也有其局限性，并不能把所有的希望都寄托在深度学习上，还要重视基础知识学习。从大量数据中去找简单规律，从少量数据中去找复杂规律，这需要深度学习之外的方法或者深度学习自身去往更好方向发展。”

据近日由中国发展研究基金会发布的《人工智能在医疗健康领域的应用研究》报告表示，现阶段，人工智能在全球医疗领域应用广泛，风头正盛。新技术主要集中应用于虚拟助理、医学影像、辅助诊疗、疾病风险预测、药物挖掘、健康管理、医疗管理、辅助医学研究平台等领域。

报告指出，人工智能在医疗健康领域的应用，将推进健康技术革新和医疗服务模式的转变，促进医疗成本的降低与医疗服务效率的提高；同时，也将有助于形成同质、标准、易于延展的医疗服务体系，优化资源配置，保障需求侧，特别是偏远地区的民众，人人享有高质量、高标准的医疗服务的权利，促进健康公平性及可及性。

随着技术的发展，未来人工智能还将应用于这些场景中：疾病诊疗；帮助医生进行病理、体检报告等的统计；通过大数据和深度挖掘等技术，对病人的医疗数据进行分析和挖掘；研发医疗机器人，如外科手术机器人、康复机器人、护理机器人和服务机器人等；以及在医学影像方面进行更深度的发展。

未来，AI医疗将延展到几乎每一个领域、每一个类别。从医疗器械，手术装备，各类无源类植入体，像人工关节、人工器官、心血管支架等，AI医疗机器人等也将应运而生。AI与医疗器械两个领域的交叉深度融合发展，需要跨学科团队整体建设，包括人才培养以及深度融合的课题研究等。AI医疗发展将要走向“快、稳、准”的道路。企业也不应满足当前的需求，要为未来智慧医疗高速迭代的发展做好准备。

更多内容请下载21财经APP

16:50:24来源：半导体行业观察

神经网络引擎是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型，这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。

神经网络引擎是通过对人脑的基本单元神经元的建模和联接，探索模拟人脑神经系统功能的模型，并研制一种具有学习、联想、记忆和模式识别等智能信息处理功能的人工系统，神经网络引擎的一个重要特性是它能够从环境中学习，并把学习的结果分布存储于网络的突触连接中，其学习是一个过程，在所处环境的激励下，相继给网络输入一些样本模式，并按照一定的学习算法规则调整网络各层的权值矩阵，待网络各层权值都收敛到一定值，学习过程结束，然后可用生成的神经网络来对真实数据做分类。

苹果A11神经网络引擎

苹果在最新发布会上，公布了十周年版iPhone X，极大地吸引了人们的注意力。在iPhone X众多特性中，使用面部识别FaceID代替原有的指纹识别TouchID进行屏幕解锁和身份认证无疑是最大的亮点之一，这有可能成为苹果对于手机交互进步的又一次推动。

FaceID使用了人工智能技术完成人脸三维建模中的特征提取，并且用这些特征配合算法来实现人脸识别。现场演示中，FaceID人脸识别用户体验非常流畅，而在流畅体验背后的功臣，则是A11 Bionic SoC上集成的人工智能加速器，苹果官方称之为“神经网络引擎(neural engine)”。

我们首先来看一下什么是人工智能加速器。要理解人工智能加速器的概念，不妨先回顾一下GPU。在上世纪90年代，随着多媒体应用，尤其是3D游戏的兴起，人们发现传统的CPU的架构对于这类需要高速图形渲染的应用力不从心，原因是CPU在芯片上放了许多控制逻辑和缓存单元，真正留给计算单元的芯片面积反而不多。

这时候，人们设计了3D加速卡，以3dfx，Nvidia和ATI为代表的芯片公司在当年可以说是叱咤风云，而随着时间和市场的变迁，3D加速卡的概念也慢慢过渡到了用来处理通用图形计算甚至通用并行运算的GPU，而在今天市面上的独立显卡厂商也只剩下了Nvidia和ATI。

人工智能加速器和GPU很像，只是当年的驱动应用是多媒体和3D游戏，而今天的驱动应用则是人工智能，包括语音助手，人脸识别，物体识别等等。这一波兴起的人工智能的基础算法是神经网络，而神经网络会大量用到矩阵乘法以及卷积运算。又一次，人们发现CPU的运算能力无法支撑目前的人工智能运算了，而GPU虽然也能实现高速人工智能运算，但是功耗太大(为了移动应用设计的Nvidia TX2都要消耗10W之多的功耗)，于是，为了让更多的移动设备能用上人工智能，人工智能加速器就应运而生了。

人工智能加速器通常是一块专用的硬件单元，可以以单独芯片或者SoC上的IP的形式存在。由于专门为人工智能加速设计，因此在处理此类运算时可以实现非常高的性能并且消耗很低的功耗。之前在华为公布的Kirin 970上，就集成了这样一块人工智能加速器，可见人工智能加速器正在越来越多地进入移动芯片市场。华为麒麟970上也集成了人工智能加速模块

苹果在人工智能硬件加速方面的布局

苹果在人工智能这一重大风口自然不甘落后，在人工智能加速领域也早就有了布局。

看如今市场，Nvidia之所以能占据人工智能硬件的领头羊位置，与其开放易用的CUDA接口方便程序员使用GPU加速人工智能不无关系。而在移动端，如何充分调用SoC上的GPU来加速人工智能一直让开发者颇为头痛。苹果在之前就公布了Metal和Core ML两个不同层面的接口可供开发者调用，以加速iOS平台上的人工智能应用。公布软件接口的另一目的，就是为了为专用硬件的开发积累经验，以实现软硬件协同优化。在今年五月，就有消息称苹果名为“神经网络引擎”的专用人工智能加速硬件已经基本完成。而到了今天，苹果则真正公开宣布了神经网络引擎。

A11神经网络引擎分析

苹果在发布会上公布的关于神经网络引擎的信息包括：

使用双核心设计。由于缺乏其他配套信息，从这条信息中我们能推测出的就是苹果或许可以允许神经网络引擎的几种使用模式，包括全关闭，只打开一个核，以及双核全部打开，以满足不同情况下的性能/功耗需求。

性能可达0.6TOPS。这样的性能已经能处理目前主流的神经网络模型计算。可见，目前1TOPS左右的处理性能将会成为人工智能加速器的标配。

实时处理。GPU处理人工智能运算时，另一个令人诟病的问题就是延迟大，因为GPU往往是基于块数据(batch)处理，因此在需要实时作出反应的移动端并不适合。苹果的神经网络引擎则强调了自己是实时处理这一点，显然是为了与GPU作出区分，以配合移动端实时应用的需求。

除此之外，我们还能猜到神经计算引擎是SoC上的一个IP模块，而不是单独的一块芯片。

我们可以和其他包含类似加速模块的芯片对比。华为的麒麟970包含了和苹果神经网络引擎类似的人工智能加速模块，其峰值性能可达1.93TOPS(为苹果神经网络引擎的3倍多)，但是实际性能不等于峰值性能，还需要取决于软硬件协同优化效果。高通的枭龙系列包含Neural Processing Engine软件SDK，能帮助开发者更好地利用高通芯片上的GPU/CPU/DSP完成人工智能加速。可以说，高通的方案相比华为和苹果显得较为保守(之前推出过Zeroth人工智能硬件加速模块但是后来被放弃了)，但是在人工智能的大潮下估计高通也会在之后的芯片中加入相关人工智能加速器。

虽然发布会公布了不少信息，但是还有更多未知，需要时间去澄清。

最令人感兴趣的问题，恐怕是神经网络引擎除了FaceID之外，还可以用在哪些其他的地方?由于FaceID对于实时性的需求不高(延迟在1秒内估计就能满足客户需求)，如果只为这个用途专门配一块0.6TOPS的加速器就显得太过奢侈了，因此神经计算引擎应该还会在其他的场合能用上。那么，其他的应用场合又是哪些呢?是专供苹果操作系统内部原生app使用，还是会开放给第三方app也能使用?目前这一切都还不得而知，但是苹果打造神经网络引擎的野心肯定不止于FaceID。

到底有几个版本A11 Bionic?如果只有一个包含神经网络引擎的版本，那么在不包含FaceID的iPhone 8上，神经网络引擎一定会要做一些其他事情。如果有两个版本的A11 (含神经网络引擎的iPhone X版本和不含神经网络引擎的iPhone 8版本)，那么只能说苹果钱太多，能一次设计两个版本的芯片!

我要回帖

更多关于 人工智能是干嘛的 的文章

 

随机推荐