《评人工智能如何走向新阶段》后记（再续17）
222.普华永道会计事务所在评论中指出：“中国工业4.0进展一日千里”。并指出：“工业4.0概念源于德国，是指以人工智能、3D打印和物联网等先进科技为特点的第四次工业革命，将如何改变工业生产”。
狭义谈“工业4.0”是指智能制造，广义谈“工业4.0”是指第四次工业革命。从狭义谈，德国或中国的“工业4.0”，表示智能制造要起飞，有三大主题即：智能工厂、智能生产和智能物流。2015年国务院发布《中国制造2025》，表示“工业4.0”将人工智能运用于实体经济，无疑这应该是人工智能发展的重点，而中国工业4.0也代表了中国制造的发展方向。
223.采用人工智能方法进行流行病学预测
2008年谷歌推出一个预测流感流行趋势的系统GoogleFluTrends（GFT），预测传染病流行，这次是一次不太成功的尝试。
在2009年美国H1N1爆发的前几周，谷歌工程师在《nature》杂志上报导，通过谷歌累积的海量搜索数据（几十亿条检索记录），采用大数据回归分析方法，成功预测H1N1在全美范围内的传播（其结果与美国疾病控制和预防中心CDC官方数据的相关性高达97%，但GFT比CDC提前2周发布），GFT一战成名。
但GFT神话般的预知能力没有持续多久，2009年GFT没有预测到非季节流感A-H1N1，2011.8~2013.8及2013~2014，GFT均高估预测流感发病率，较之CDC偏差太大。从此停用GFT。
让谷歌折戟的流行病学预测被人工智能流行病学预测所取代。
一家加拿大公司BlueDot，借助大数据沉淀基础和AI推断，通过由传染病专家KamranKhan建立的流行病自动监测系统（使用AI的自然语言处理NLP和机器学习ML来训练自动监测平台）来预测传染病流行。
2016年BlueDot通过对巴西寨卡病毒的传播路径建立AI模型分析，成功地提前6个月预测在美国佛罗里达州出现的寨卡病毒流行。
据报导（有待进一步核实！）今年1月初BlueDot成功预测和发布武汉冠状病毒疫情爆发及之后扩散，引起了世卫组织的关注。
224.斯坦福大学、莱斯大学、普林斯顿大学和南卫理公会大学发布：研究人员开发了针对特征噪声合成数据进行训练的AI算法，充分利用低信噪比的测量数据，从漫反射斑点图案中重建对象，可达亚毫米级分辨率。相较于传统的相位复元（PR）算法的局限性，这一基于CNN的方法对噪声更加鲁棒。非视距成像在医学成像、导航、机器人技术及国防领域都有重要应用价值。
225.冠心病是全球死亡率居首位的疾病，由血管内壁沉积物堆积引起冠状动脉硬化和变窄导致。血流储备分数是测量血管狭窄引起的血流减少指标，是评估狭窄性病变功能的参考标准。
我国应用人工智能技术自主开发了冠脉血流储备分数的计算软件，己获国家药品监督局审批和注册。该软件采用深度学习技术，通过扫描冠状动脉计算机断层血管造影，提取三维冠状动脉树结构并计算血流储备数值，具有快速、无创、适用早期诊断的特点。该软件2018年已获欧洲CE认证，目前已在香港、马来西亚收费服务。
226.2019全年AI技术突破
https：∥Zhuanlan.zhihu.Com/p/104267794
（1）NLP
NLP前沿突破
Transformer统治了NLP
大型预训练语言模型
新的测试标准
NLP的工程和部署
多语言模型
（2）计算机视觉
何恺明MaskR-CNN正被超越
EffcientNet
Detectron2
更强的GAN
（3）强化学习
星际DoTA双双告破，可用性增強
（4）交叉型研究：AI深入多学科研究
脑机接口
医学
数学
……
227.斯坦福大学一项研究发现：物理学中波动与RNN中的计算存在对应关系（https：∥advances.science-mag.org/content/5/12/eaay6946）
228.2019全年GoogleAI重大突破
（https：∥www.infog.cn/article/AiREmb7QVHzdfmMYlokm）
229.智能运维新突破
隨着人工智能、大数据等前沿技术的发展，传统运维也面临变重，如何利用这些新一代信息技术提升运维效率成为了亟需！
从运维在证券行业相关场景中的落地及实践来看，主要涉及根因分析、容量预测及智能知识库三个方面，通过自主设计智能化运维平台，实现了IT运维、大数据及AI算法的有机统一。
230.今年2月4日旷视AI测温解决方案上线，并开始试点应用，无需接触即可测温。
该系统采用“人体识别+人像识别+红外/可见光双传感”的创新解决方案，研发重点更关注对远距离的测温精度及高密度人流量的可用性上。识别误差低于0.3℃。
231.美国一批科技资深专家离开硅谷加入国内企业发展！据小米1月21日向COPU报告：来自硅谷重量级AI专家DanielPovey加入小米进行AIOT研发。他曾创造出世界上最火爆的基于开源的AI语音项目Kaldi，小米、亚马逊、微软、谷歌均在使用这项AI技术！
232.2月4日工信部向AI企事业单位发出号召，充分发挥人工智能赋能效用，协力抗击新型冠状病毒感染的肺炎疫情。
随后，中关村公布首批抗击疫情清单，包含86家中关村企业的138项新技术、新产品、新服务，涉及病毒检测、疫苗研发、临床治疗、医疗防护、智能诊断、疫情分析与发布等有关抗击疫情多个方面，大多数产品和服务已立即投入使用。
233.六大人工智能科研成果“围剿”新型冠状肺炎！
科技就是力量！
一、测温。AI多人体温快速检测解决方案：高效、安全地实时监测人群的体温，对体温异常人群发出预警。目前国内已在部分火车站开始投入使用。
二、排查。对外来人口排查也是防疫工作重点。百度智能外呼平台助力于社区疫情无接触排查和通知回访等场景，比人工电话效率提高数百倍。
三、诊断。阿里研究院AI团队联合浙江疾病预防控制中心和杰毅生物技术公司，共同研发出一种新的“全基因组检测技术”，不仅有效防止病毒变异产生的漏检，还可将原来几小时分析流程缩短至半小时（目前医院普遍采用核酸检测方法有很大局限性）。
四、制药。阿里云宣布，在疫情期间向全球公共科研机构免费开放一切AI算力，以加速本次新型肺炎新药和疫苗研发。
五、答疑。百度、阿里等上线AI答疑服务，在第一时间对老百姓关于防治疫病的提问作出科学解答。
六、绘图。绘制疫情地图，AI可以通过时空大数据分析、描绘各省区人口进出轨迹、疫情趋势，将数批可视化，持续更新汇总疫情动态。
234.知识图谱是一个巨大的知识库（描绘在巨大的物理世界中的知识要素/实体、概念及其相互关系），构成一个巨大的网状的知识结构。
物理世界中的一切知识是未来人工智能的基石。
只有构建一个充分的网状知识图谱，储备足够的结构化的知识库，机器才有可能像人类一样，可以充分认识、理解和解释这个物理世界，而认识、理解和解释这个物理世界是人工智能发展到强人工智能阶段的前提。仅仅认识和理解这个世界、只停留在知识层面上还是不够的，机器要像人类一样充分认识、理解和解释这个世界除了知识还要有逻辑。对机器来说，一个词如“傻”，在不同语境中可能会有不同理解（或辱骂、或疼爱、或调情），知识结构再丰富的机器对此也会懵逼！
这就要求机器通过知识图谱掌握逻辑，知识推理的逻辑（当然机器不能直接理解知识，不能直接掌握由知识推理的逻辑，必须通过知识图谱）。
235.目前人工智能对常识、动机与决策问题中的难点解决办法不是很多，这是机器与人类智能（或人脑智能）差异最显著的地方，也是人工智能发展的瓶颈所在。
让机器产生动机的一大难点在于动机是很难被表征的，机器存在展示动机的形成机制难以实现。常识，比较常见的有空间、时间、文化、物理常识，常识对我们日常生活很重要，建立大型常识库成本太高。决策机制分为理性、描述性、自然决策，当前解决难度太大。
236.从NLP到知识图谱，谁执AI牛耳？
AI最初是从模仿人的智能做起。
神经网络技术就是模拟人的神经元处理信息的方式来实现更加智能的语义理解，大大促进了AI技术的发展。
从处理信息的过程看，大致分为三部分：a，是信息识别，b，是信息理解，c，是信息决策。
所谓信息识别，主要分为文字、语音、图像等三种主流信息表达方式，来识别外部信息。在信息识别领域，包括语音识别、人脸识别、文字识别技术，AI模仿人的看能比较成功（利用深度学习技术即可达到目的），在这方面AI甚至超越人的智能。
所谓信息理解，大脑需要通过阅读外部信息，理解其表达的真实含义，不光是单字、单词含义，而是理解整句、整段话的真实观点。自然语言处理（NLP）技术是AI理解信息的主流技术，只有具有语义的抽象概括能力，读出文字间的含义，才能说具有一定水平的人工智能。
所谓信息决策，即运用自己掌握的知识，对外部复杂的信息作出合理的决策，这才是智能的核心体现。AI主要依靠知识图谱来模仿人（脑）的智能，知识图谱将海量的信息分类整理，梳理出它们之间的关系。
NLP、知识图谱等AI技术不是互相替代，而是相互依赖、相辅相成。
NLP的任务是读的懂，知识图谱则是合理决策。
如果没有一个科学的知识图谱的帮助，NLP技术很难理解句子中不同词义之间的逻辑关系，就不能更好地理解句子、段落的主要含义。
在知识图谱里信息推导路径复杂，必须加以重视！
237.建立可理解、可解释的人工智能模型
知识图谱的作业流程
1) 从数据库和知识库中分别获取数据资源和知识资源，并传送至知识图谱平台。
2) 在知识图谱平台上（在其上配置数据获取、知识表示、知识存储、本体构造、知识计算、测试评估等工具），对数据资源和知识资源进行测试、评估和分类，将分类的数据资源和知识资源分别传送至基于表格的存储体中和基于图结构的存储体中。
3)建立大规模的语义网络，提取在表/图存储结构体中的数据/和识资源，通过语义网络进行融合、转化（数据→知识），在资源融合、转化时要建立知识表示（确定基于符号/基于向量的知识表示）、知识推理和知识建模（不同意有些专家提出的分数据驱动、知识驱动两路并进形成多模态信息处理方式）。
4)将知识建模传送到行业应用（第三方应用知识库），通过大规模语义网络（NLP的发展）建立知识图谱语义理解，并补充建立常识图谱和行业（领域）应用知识图谱。在建立知识图谱过程中，充分利用图挖掘和知识计算技术。
5)从而生成可理解、可解释的AI模型，把人工智能从数据驱动以深度学习技术为代表的感知智能阶段推向到知识驱动以知识图谱/语义网络技术为代丢的认知智能价段。
238.IBM沃森健康（Watson）探索医疗人工智能的历程
据IBM称：IBMWatson正在探索的医疗人工智能的基础理论研究和临床实践，期望将由数据驱动以深度学习技术为代表的AI感知阶段，推进到由知识驱动以知识图谱/大规模语义网络技术为代表的AI认知阶段，经历6年的研究与实践进展如何呢？
自2011年至2016年，IBMWatson（IBM投资10亿美元建立Watson医疗人工智能事业部和研究团队），与安德森癌症中心合作，进行医疗人工智能的基础理论研究和临床实践。
6年来，IBM开展了25个研究课题，并对635个病例向临床医生提出诊治的咨询建议，花掉了医院方提供的6200万美元研究经费，医院方于2016年提出终止双方合作的建议。对于医疗效果的评估双方分歧很大！
IBM研究方认为，对人工智能最重要的能力是知识而非数据，他们探索知识表示和知识推理，以期将医疗人工智能从不可理解、不可解释的感知智能阶段推向可理解、可解释的认知智能阶段。
但事实上，IBM在这次长达6年的医疗人工智能的探索中，他们采用的是保守的、停畄在感知阶段、单纯依靠数据驱动的深度学习技术，至于他们口头上说的、依靠知识驱动的认知模式尚处于研前的理论准备阶段，并未付诸于实践！
可以说，IBM对认知智能只是咀上说的，对感知智能则是动手干的！
239.自然语言处理（NLP）面临挑战
近年来，自然语言处理取得了丰硕成果，但迄今远沒有达到像人一样理解语言的程度，面临的主要挑战有：
1）如何解决缺乏有效的知识表示和利用手段问题
这里所说的知识，包括常识、领域（或行业）知识、专家的经验和语言学知识等，对于大多数语言学知识和部分领域知识在一定程度上可从大规模训练样本中学习到，但很多常识和专家经验往往趟出训练样本范围。常识对人而言，这些知识是常备的，对机器而言，却难以从样本归纳学习出来。
有些专家认为，面对知识驱动、知识建模、建设可解释性人工智能模型的情况，首先要引伸自然语言处理（NLP）的概念和内涵，变成建设大规模语义网络，助力于提升知识图谱的功能；面对建立常识库难度很大的情况，他们提出了具人（embodiment）的概念要求研究专家与临床医生多接触交流，在防治问题上取得共识，以此补充缺乏常识和部分领域知识之不足。
2）缺乏未知语言现象的处理能力
对任何一个自然语言处理系统来说，总会遇到未知的词汇、语言结构和语义表达，所谓“未知”，在训练样本中未曾出现过，在语音识别或OCR处理后含有大量澡声，一个实用的NLP系统必须具有较好的对未知语言和噪声的处理能为，即鲁棒性。有些专家指出，近来在处理语音识别中消除噪声方面取得很大成效，在处理未知语言方面也有进展。
3）模型是否具有可解释性？采用数据驱动深度学习/机器学习模型，暗箱操作，这样的模型不具备可解释性，专家们提出，不必再畄恋这样的模型会对可解释性产生什么转变；如果突破深度学习，采用知识图谱/大规模语义网络模型，才有可能解决可解释性问题（国外已有人在这方面进行探索）。
4）是否跳出单一模态信息处理的局限性？
有的专家说，目前自然语言处理研究通常指以文本为处理对象的研究领域，一般不涉及其他模型（如语音、图像和视频等）信息处理，亊实上各模块之间是独立的，处理过程是脱节的，这严重违背了“类人智能”的前提。也有专家主张采用数据驱动、知识驱动双驱方式，或采用认知计算、感知计算并存方式。
也有一些专家认为，从数据驱动融合转向到知识驱动，以认知计算代替感知计算，可在知识图谱/大规模语义网络上，发展以知识表示的多模态协同信息处理。
最终要解决机器对人类语言理解问题，探索如何构建更加精确、可解释、可理解、可计算的语义表征和计算方法的知识图谱/大规模语义网络，是必须迈出的第一步。
240.以图节点模型解决视觉系统图像语义分割
中科院自动化所等研究者用基于图卷积网络GCN的深度学习技术，构建图节点模型Graph-FCN（以像素视作节点，以节点间差异度视作边），解决图像语义分割问题（通过卷积网络将图像网格数据扩展至图结构数据，把语义分割问题转換成图节点分类问题，并使用图卷积网络解决图节点分类问题）。
241.人工智能辅诊系统可提升对新冠肺炎的诊断效率
在233号跟贴留言中，我们曾介绍（2月5日）阿里研究院AI团队研发出一种“全基因组检测技术”，用于新冠肺炎辅诊系统，比目前医院普遍采用的核酸检测方法，可有效防止病毒变异产生的漏诊，还提高了检测效率将原来几小时检测流程缩短至半小时。
现转发日本“日经BP社网站”2月6日报导：北京推想科技公司（2015年成立的一家AI初创企业），开发了在AI医疗辅诊系统中增加了新冠肺炎影像诊断功能。据该公司谈，他们开发的AI辅诊系统已对1000个病例诊断准确率几乎为100%，特异度（将实际是“阴性”的样本正确判断为“阴性”的正确率）也在80%以上，国内已有逾300家医院采用该AI辅诊系统，10多家医院采用了有新冠肺炎辅诊功能的系统，2月6日前已用于对2300例新冠肺炎的辅助诊断。
242.采用人工智能，在普通器件上解决复杂的光学难题（实现快速高分辨率对隐藏物体成像）
《Optica》杂志最近发表一项科研成果：由斯坦福研究员ChristopherMetzler领銜的研究团队（由来自斯坦福大学、莱斯大学、普林斯顿大学和南卫理公会大学的研究人员组成），采用基于卷积神经CNN的深度学习算法，开发了一种激光系统，只需搭配普通市售器件（由普通相机和一个功能强大的标准激光源组成的系统）可实现快速高分辨率对隐藏物体成像。这对自动驾驶领域将产生极大影响。
他们验证了基于deep-inversecorrellograpby的算法，对噪声具有非常强的鲁棒性，在空间分辨辛和总捕获时间方面起过了现有的NLos（non-line-ofsight，非视距）系统能力。
该系统可安装在卫星和航天器上，用来捕捉小行星上洞穴内的图像，用极高分辨率对小物体进行成像。
243.英媒报导人工智能大数据全方位帮中国战“疫”。
英国《每日邮报》2月9日文章：中国有关部门使用人脸识别摄像头、人工智能和最尖端监控系统的大数据，追踪新冠病毒受害者。利用人脸识别，有关企业说能扫描出低热人员，甚至识别其身份即便他们戴着口罩。
新冠病毒的紧急状况已令其中一些技术走到台前，并显示出大规模高科技社会管控措施的必要性。作为一种应对健康突发亊件的手段，中国民众似乎接受甚至欢迎此类（AI高科技）“额外”介入。
中国流行病学家李兰娟近日接受采访时表示，在如今的大数据互联网时代，每一个人的流动情况都能模得很清楚。这样好的现代化技术手段，应该得到充分利用，发挥真正作用更快地发现传染源，控制疫情。
另一家顶尖AI企业打造出来的AI体温测量系统，在试用中人体测量温度达到0.3摄氏度以内。
244.民政部呼吁开发供全国社区防控冠状肺炎的AI公共软件获阿里、腾讯响应！
阿里：为了保护社区防控基层人员安全，提高社区防控管理效率，阿里钉钉社区开发具有“群防群控”功能的软件，已在南京应用，陆续会在全国推开。该软件系上线免费的公共软件。
腾讯：推出“政务联络机器人”，弥补社区管理人力不足导致疫情防控难的问题，该机器人服务平台1小时即可完成6小时人工排查任务，并可有效提升疫情信息收集的有效性。如一个拥有2000人的小区，依靠人工需20个调查员6小时才能完成的工作，通过机器人服务平台1小时即可完成排查。
237，建立可理解、可解释的人工智能模型
知识图谱的作业流程
1) 从数据库和知识库中分别获取数据资源和知识资源，并传送至知识图谱平台。
2) 在知识图谱平台上（在其上配置数据获取、知识表示、知识存储、本体构造、知识计算、测试评估等工具），对数据资源和知识资源进行测试、评估和分类，将分类的数据资源和知识资源分别传送至基于表格的存储体中和基于图结构的存储体中。
3)建立大规模的语义网络，提取在表/图存储结构体中的数据/和识资源，通过语义网络进行融合、转化（数据→知识）在资源融合、转化时要建立知识表示（确定基于符号/基于向量的知识表示）、知识推理和知识建模（不同意有些专家提出的分数据驱动、知识驱动两路并进形成多模态信息处理方式）。
4)将知识建模传送到行业应用（第三方应用知识库），通过大规模语义网络（NLP的发展）建立知识图谱语义理解，并补充建立常识图谱和行业（领域）应用知识图谱。在建立知识图谱过程中，充分利用图挖掘和知识计算技术。
5)从而生成可理解、可解释的AI模型，把人工智能从数据驱动以深度学习技术为代表的感知智能阶段推向到知识驱动以知识图谱/语义网络技术为代丢的认知智能价段。
238.IBM沃森健康（Watson）探索医疗人工智能的历程
据IBM称：IBMWatson正在探索的医疗人工智能的基础理论研究和临床实践，期望将由数据驱动以深度学习技术为代表的AI感知阶段，推进到由知识驱动以知识图谱/大规模语义网络技术为代表的AI认知阶段，经历6年的研究与实践进展如何呢？
自2011年至2016年，IBMWatson（IBM投资10亿美元建立Watson医疗人工智能事业部和研究团队），与安德森癌症中心合作，进行医疗人工智能的基础理论研究和临床实践。
6年来，IBM开展了25个研究课题，并对635个病例向临床医生提出诊治的咨询建议，花掉了医院方提供的6200万美元研究经费，医院方于2016年提出终止双方合作的建议。对于医疗效果的评估双方分歧很大！
IBM研究方认为，对人工智能最重要的能力是知识而非数据，他们探索知识表示和知识推理，以期将医疗人工智能从不可理解、不可解释的感知智能阶段推向可理解、可解释的认知智能阶段。
但事实上，IBM在这次长达6年的医疗人工智能的探索中，他们采用的是保守的、停畄在感知阶段、单纯依靠数据驱动的深度学习技术，至于他们口头上说的、依靠知识驱动的认知模式尚处于研前的理论准备阶段，并未付诸于实践！
可以说，IBM对认知智能只是咀上说的，对感知智能则是动手干的！
239.自然语言处理（NLP）面临挑战
近年来，自然语言处理取得了丰硕成果，但迄今远沒有达到像人一样理解语言的程度，面临的主要挑战有：
1）如何解决缺乏有效的知识表示和利用手段问题
这里所说的知识，包括常识、领域（或行业）知识、专家的经验和语言学知识等，对于大多数语言学知识和部分领域知识在一定程度上可从大规模训练样本中学习到，但很多常识和专家经验往往趟出训练样本范围。常识对人而言，这些知识是常备的，对机器而言，却难以从样本归纳学习出来。
有些专家认为，面对知识驱动、知识建模、建设可解释性人工智能模型的情况，首先要引伸自然语言处理（NLP）的概念和内涵，变成建设大规模语义网络，助力于提升知识图谱的功能；面对建立常识库难度很大的情况，他们提出了具人（embodiment）的概念要求研究专家与临床医生多接触交流，在防治问题上取得共识，以此补充缺乏常识和部分领域知识之不足。
2）缺乏未知语言现象的处理能力
对任何一个自然语言处理系统来说，总会遇到未知的词汇、语言结构和语义表达，所谓“未知”，在训练样本中未曾出现过，在语音识别或OCR处理后含有大量澡声，一个实用的NLP系统必须具有较好的对未知语言和噪声的处理能为，即鲁棒性。
有些专家指出，近来在处理语音识别中消除噪声方面取得很大成效，在处理未知语言方面也有进展。
3）模型是否具有可解释性？采用数据驱动深度学习/机器学习模型，暗箱操作，这样的模型不具备可解释性，专家们提出，不必再畄恋这样的模型会对可解释性产生什么转变；如果突破深度学习，采用知识图谱/大规模语义网络模型，才有可能解决可解释性问题（国外已有人在这方面进行探索）。
4）是否跳出单一模态信息处理的局限性？
有的专家说，目前自然语言处理研究通常指以文本为处理对象的研究领域，一般不涉及其他模型（如语音、图像和视频等）信息处理，亊实上各模块之间是独立的，处理过程是脱节的，这严重违背了“类人智能”的前提。也有专家主张采用数据驱动、知识驱动双驱方式，或采用认知计算、感知计算并存方式。
也有一些专家认为，从数据驱动融合转向到知识驱动，以认知计算代替感知计算，可在知识图谱/大规模语义网络上，发展以知识表示的多模态协同信息处理。
最终要解决机器对人类语言理解问题，探索如何构建更加精确、可解释、可理解、可计算的语义表征和计算方法的知识图谱/大规模语义网络，是必须迈出的第一步。
240.以图节点模型解决视觉系统图像语义分割
中科院自动化所等研究者用基于图卷积网络GCN的深度学习技术，构建图节点模型Graph-FCN（以像素视作节点，以节点间差异度视作边），解决图像语义分割问题（通过卷积网络将图像网格数据扩展至图结构数据，把语义分割问题转換成图节点分类问题，并使用图卷积网络解决图节点分类问题）。
241.人工智能辅诊系统可提升对新冠肺炎的诊断效率
在233号跟贴留言中，我们曾介绍（2月5日）阿里研究院AI团队研发出一种“全基因组检测技术”，用于新冠肺炎辅诊系统，比目前医院普遍采用的核酸检测方法，可有效防止病毒变异产生的漏诊，还提高了检测效率将原来几小时检测流程缩短至半小时。
现转发日本“日经BP社网站”2月6日报导：北京推想科技公司（2015年成立的一家AI初创企业），开发了在AI医疗辅诊系统中增加了新冠肺炎影像诊断功能。据该公司谈，他们开发的AI辅诊系统已对1000个病例诊断准确率几乎为100%，特异度（将实际是“阴性”的样本正确判断为“阴性”的正确率）也在80%以上，国内已有逾300家医院采用该AI辅诊系统，10多家医院采用了有新冠肺炎辅诊功能的系统，2月6日前已用于对2300例新冠肺炎的辅助诊断。
242.采用人工智能，在普通器件上解决复杂的光学难题（实现快速高分辨率对隐藏物体成像）
《Optica》杂志最近发表一项科研成果：由斯坦福研究员ChristopherMetzler领銜的研究团队（由来自斯坦福大学、莱斯大学、普林斯顿大学和南卫理公会大学的研究人员组成），采用基于卷积神经CNN的深度学习算法，开发了一种激光系统，只需搭配普通市售器件（由普通相机和一个功能强大的标准激光源组成的系统）可实现快速高分辨率对隐藏物体成像。这对自动驾驶领域将产生极大影响。
他们验证了基于deep-inversecorrellograpby的算法，对噪声具有非常强的鲁棒性，在空间分辨辛和总捕获时间方面起过了现有的NLos（non-line-ofsight，非视距）系统能力。
该系统可安装在卫星和航天器上，用来捕捉小行星上洞穴内的图像，用极高分辨率对小物体进行成像。
243.英媒报导人工智能大数据全方位帮中国战“疫”。
英国《每日邮报》2月9日文章：中国有关部门使用人脸识别摄像头、人工智能和最尖端监控系统的大数据，追踪新冠病毒受害者。利用人脸识别，有关企业说能扫描出低热人员，甚至识别其身份即便他们戴着口罩。
新冠病毒的紧急状况已令其中一些技术走到台前，并显示出大规模高科技社会管控措施的必要性。
作为一种应对健康突发亊件的手段，中国民众似乎接受甚至欢迎此类（AI高科技）“额外”介入。
中国流行病学家李兰娟近日接受采访时表示，在如今的大数据互联网时代，每一个人的流动情况都能模得很清楚。这样好的现代化技术手段，应该得到充分利用，发挥真正作用更快地发现传染源，控制疫情。
另一家顶尖AI企业打造出来的AI体温测量系统，在试用中人体测量温度达到0.3摄氏度以内。
244.民政部呼吁开发供全国社区防控冠状肺炎的AI公共软件获阿里、腾讯响应！
阿里：为了保护社区防控基层人员安全，提高社区防控管理效率，阿里钉钉社区开发具有“群防群控”功能的软件，已在南京应用，陆续会在全国推开。该软件系上线免费的公共软件。
腾讯：推出“政务联络机器人”，弥补社区管理人力不足导致疫情防控难的问题，该机器人服务平台1小时即可完成6小时人工排查任务，并可有效提升疫情信息收集的有效性。如一个拥有2000人的小区，依靠人工需20个调查员6小时才能完成的工作，通过机器人服务平台1小时即可完成排查。