222.普華永道會計事務所在評論中指出：“中國工業4.0進展一日千里”。並指出：“工業4.0概念源於德國，是指以人工智能、3D打印和物聯網等先進科技爲特點的第四次工業革命，將如何改變工業生產”。
狹義談“工業4.0”是指智能製造，廣義談“工業4.0”是指第四次工業革命。從狹義談，德國或中國的“工業4.0”，表示智能製造要起飛，有三大主題即：智能工廠、智能生產和智能物流。2015年國務院發佈《中國製造2025》，表示“工業4.0”將人工智能運用於實體經濟，無疑這應該是人工智能發展的重點，而中國工業4.0也代表了中國製造的發展方向。
223.採用人工智能方法進行流行病學預測
2008年穀歌推出一個預測流感流行趨勢的系統GoogleFluTrends（GFT），預測傳染病流行，這次是一次不太成功的嘗試。
在2009年美國H1N1爆發的前幾周，谷歌工程師在《nature》雜誌上報導，通過谷歌累積的海量搜索數據（幾十億條檢索記錄），採用大數據迴歸分析方法，成功預測H1N1在全美範圍內的傳播（其結果與美國疾病控制和預防中心CDC官方數據的相關性高達97%，但GFT比CDC提前2周發佈），GFT一戰成名。
但GFT神話般的預知能力沒有持續多久，2009年GFT沒有預測到非季節流感A-H1N1，2011.8~2013.8及2013~2014，GFT均高估預測流感發病率，較之CDC偏差太大。從此停用GFT。
讓谷歌折戟的流行病學預測被人工智能流行病學預測所取代。
一家加拿大公司BlueDot，藉助大數據沉澱基礎和AI推斷，通過由傳染病專家KamranKhan建立的流行病自動監測系統（使用AI的自然語言處理NLP和機器學習ML來訓練自動監測平臺）來預測傳染病流行。
2016年BlueDot通過對巴西寨卡病毒的傳播路徑建立AI模型分析，成功地提前6個月預測在美國佛羅里達州出現的寨卡病毒流行。
據報導（有待進一步覈實！）今年1月初BlueDot成功預測和發佈武漢冠狀病毒疫情爆發及之後擴散，引起了世衛組織的關注。
224.斯坦福大學、萊斯大學、普林斯頓大學和南衛理公會大學發佈：研究人員開發了針對特徵噪聲合成數據進行訓練的AI算法，充分利用低信噪比的測量數據，從漫反射斑點圖案中重建對象，可達亞毫米級分辨率。相較於傳統的相位復元（PR）算法的侷限性，這一基於CNN的方法對噪聲更加魯棒。非視距成像在醫學成像、導航、機器人技術及國防領域都有重要應用價值。
225.冠心病是全球死亡率居首位的疾病，由血管內壁沉積物堆積引起冠狀動脈硬化和變窄導致。血流儲備分數是測量血管狹窄引起的血流減少指標，是評估狹窄性病變功能的參考標準。
我國應用人工智能技術自主開發了冠脈血流儲備分數的計算軟件，己獲國家藥品監督局審批和註冊。該軟件採用深度學習技術，通過掃描冠狀動脈計算機斷層血管造影，提取三維冠狀動脈樹結構並計算血流儲備數值，具有快速、無創、適用早期診斷的特點。該軟件2018年已獲歐洲CE認證，目前已在香港、馬來西亞收費服務。
226.2019全年AI技術突破
https：∥Zhuanlan.zhihu.Com/p/104267794
（1）NLP
NLP前沿突破
Transformer統治了NLP
大型預訓練語言模型
新的測試標準
NLP的工程和部署
多語言模型
（2）計算機視覺
何愷明MaskR-CNN正被超越
EffcientNet
Detectron2
更強的GAN
（3）強化學習
星際DoTA雙雙告破，可用性增強
（4）交叉型研究：AI深入多學科研究
腦機接口
醫學
數學
……
227.斯坦福大學一項研究發現：物理學中波動與RNN中的計算存在對應關係（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.智能運維新突破
隨着人工智能、大數據等前沿技術的發展，傳統運維也面臨變重，如何利用這些新一代信息技術提升運維效率成爲了亟需！
從運維在證券行業相關場景中的落地及實踐來看，主要涉及根因分析、容量預測及智能知識庫三個方面，通過自主設計智能化運維平臺，實現了IT運維、大數據及AI算法的有機統一。
230.今年2月4日曠視AI測溫解決方案上線，並開始試點應用，無需接觸即可測溫。
該系統採用“人體識別+人像識別+紅外/可見光雙傳感”的創新解決方案，研發重點更關注對遠距離的測溫精度及高密度人流量的可用性上。識別誤差低於0.3℃。
231.美國一批科技資深專家離開硅谷加入國內企業發展！據小米1月21日向COPU報告：來自硅谷重量級AI專家DanielPovey加入小米進行AIOT研發。他曾創造出世界上最火爆的基於開源的AI語音項目Kaldi，小米、亞馬遜、微軟、谷歌均在使用這項AI技術！
232.2月4日工信部向AI企事業單位發出號召，充分發揮人工智能賦能效用，協力抗擊新型冠狀病毒感染的肺炎疫情。
隨後，中關村公佈首批抗擊疫情清單，包含86家中關村企業的138項新技術、新產品、新服務，涉及病毒檢測、疫苗研發、臨牀治療、醫療防護、智能診斷、疫情分析與發佈等有關抗擊疫情多個方面，大多數產品和服務已立即投入使用。
233.六大人工智能科研成果“圍剿”新型冠狀肺炎！
科技就是力量！
一、測溫。AI多人體溫快速檢測解決方案：高效、安全地實時監測人羣的體溫，對體溫異常人羣發出預警。目前國內已在部分火車站開始投入使用。
二、排查。對外來人口排查也是防疫工作重點。百度智能外呼平臺助力於社區疫情無接觸排查和通知回訪等場景，比人工電話效率提高數百倍。
三、診斷。阿里研究院AI團隊聯合浙江疾病預防控制中心和傑毅生物技術公司，共同研發出一種新的“全基因組檢測技術”，不僅有效防止病毒變異產生的漏檢，還可將原來幾小時分析流程縮短至半小時（目前醫院普遍採用核酸檢測方法有很大侷限性）。
四、製藥。阿里雲宣佈，在疫情期間向全球公共科研機構免費開放一切AI算力，以加速本次新型肺炎新葯和疫苗研發。
五、答疑。百度、阿里等上線AI答疑服務，在第一時間對老百姓關於防治疫病的提問作出科學解答。
六、繪圖。繪製疫情地圖，AI可以通過時空大數據分析、描繪各省區人口進出軌跡、疫情趨勢，將數批可視化，持續更新彙總疫情動態。
234.知識圖譜是一個巨大的知識庫（描繪在巨大的物理世界中的知識要素/實體、概念及其相互關係），構成一個巨大的網狀的知識結構。
物理世界中的一切知識是未來人工智能的基石。
只有構建一個充分的網狀知識圖譜，儲備足夠的結構化的知識庫，機器纔有可能像人類一樣，可以充分認識、理解和解釋這個物理世界，而認識、理解和解釋這個物理世界是人工智能發展到強人工智能階段的前提。僅僅認識和理解這個世界、只停留在知識層面上還是不夠的，機器要像人類一樣充分認識、理解和解釋這個世界除了知識還要有邏輯。對機器來說，一個詞如“傻”，在不同語境中可能會有不同理解（或辱罵、或疼愛、或調情），知識結構再豐富的機器對此也會懵逼！
這就要求機器通過知識圖譜掌握邏輯，知識推理的邏輯（當然機器不能直接理解知識，不能直接掌握由知識推理的邏輯，必須通過知識圖譜）。
235.目前人工智能對常識、動機與決策問題中的難點解決辦法不是很多，這是機器與人類智能（或人腦智能）差異最顯著的地方，也是人工智能發展的瓶頸所在。
讓機器產生動機的一大難點在於動機是很難被表徵的，機器存在展示動機的形成機制難以實現。常識，比較常見的有空間、時間、文化、物理常識，常識對我們日常生活很重要，建立大型常識庫成本太高。決策機制分爲理性、描述性、自然決策，當前解決難度太大。
236.從NLP到知識圖譜，誰執AI牛耳？
AI最初是從模仿人的智能做起。
神經網絡技術就是模擬人的神經元處理信息的方式來實現更加智能的語義理解，大大促進了AI技術的發展。
從處理信息的過程看，大致分爲三部分：a，是信息識別，b，是信息理解，c，是信息決策。
所謂信息識別，主要分爲文字、語音、圖像等三種主流信息表達方式，來識別外部信息。在信息識別領域，包括語音識別、人臉識別、文字識別技術，AI模仿人的看能比較成功（利用深度學習技術即可達到目的），在這方面AI甚至超越人的智能。
所謂信息理解，大腦需要通過閱讀外部信息，理解其表達的真實含義，不光是單字、單詞含義，而是理解整句、整段話的真實觀點。自然語言處理（NLP）技術是AI理解信息的主流技術，只有具有語義的抽象概括能力，讀出文字間的含義，才能說具有一定水平的人工智能。
所謂信息決策，即運用自己掌握的知識，對外部複雜的信息作出合理的決策，這纔是智能的核心體現。AI主要依靠知識圖譜來模仿人（腦）的智能，知識圖譜將海量的信息分類整理，梳理出它們之間的關係。
NLP、知識圖譜等AI技術不是互相替代，而是相互依賴、相輔相成。
NLP的任務是讀的懂，知識圖譜則是合理決策。
如果沒有一個科學的知識圖譜的幫助，NLP技術很難理解句子中不同詞義之間的邏輯關係，就不能更好地理解句子、段落的主要含義。
在知識圖譜裏信息推導路徑複雜，必須加以重視！
237.建立可理解、可解釋的人工智能模型
知識圖譜的作業流程
1) 從數據庫和知識庫中分別獲取數據資源和知識資源，並傳送至知識圖譜平臺。
2) 在知識圖譜平臺上（在其上配置數據獲取、知識表示、知識存儲、本體構造、知識計算、測試評估等工具），對數據資源和知識資源進行測試、評估和分類，將分類的數據資源和知識資源分別傳送至基於表格的存儲體中和基於圖結構的存儲體中。
3)建立大規模的語義網絡，提取在表/圖存儲結構體中的數據/和識資源，通過語義網絡進行融合、轉化（數據→知識），在資源融合、轉化時要建立知識表示（確定基於符號/基於向量的知識表示）、知識推理和知識建模（不同意有些專家提出的分數據驅動、知識驅動兩路並進形成多模態信息處理方式）。
4)將知識建模傳送到行業應用（第三方應用知識庫），通過大規模語義網絡（NLP的發展）建立知識圖譜語義理解，並補充建立常識圖譜和行業（領域）應用知識圖譜。在建立知識圖譜過程中，充分利用圖挖掘和知識計算技術。
5)從而生成可理解、可解釋的AI模型，把人工智能從數據驅動以深度學習技術爲代表的感知智能階段推向到知識驅動以知識圖譜/語義網絡技術爲代丟的認知智能價段。
238.IBM沃森健康（Watson）探索醫療人工智能的歷程
據IBM稱：IBMWatson正在探索的醫療人工智能的基礎理論研究和臨牀實踐，期望將由數據驅動以深度學習技術爲代表的AI感知階段，推進到由知識驅動以知識圖譜/大規模語義網絡技術爲代表的AI認知階段，經歷6年的研究與實踐進展如何呢？
自2011年至2016年，IBMWatson（IBM投資10億美元建立Watson醫療人工智能事業部和研究團隊），與安德森癌症中心合作，進行醫療人工智能的基礎理論研究和臨牀實踐。
6年來，IBM開展了25個研究課題，並對635個病例向臨牀醫生提出診治的諮詢建議，花掉了醫院方提供的6200萬美元研究經費，醫院方於2016年提出終止雙方合作的建議。對於醫療效果的評估雙方分歧很大！
IBM研究方認爲，對人工智能最重要的能力是知識而非數據，他們探索知識表示和知識推理，以期將醫療人工智能從不可理解、不可解釋的感知智能階段推向可理解、可解釋的認知智能階段。
但事實上，IBM在這次長達6年的醫療人工智能的探索中，他們採用的是保守的、停畄在感知階段、單純依靠數據驅動的深度學習技術，至於他們口頭上說的、依靠知識驅動的認知模式尚處於研前的理論準備階段，並未付諸於實踐！
可以說，IBM對認知智能只是咀上說的，對感知智能則是動手乾的！
239.自然語言處理（NLP）面臨挑戰
近年來，自然語言處理取得了豐碩成果，但迄今遠沒有達到像人一樣理解語言的程度，面臨的主要挑戰有：
1）如何解決缺乏有效的知識表示和利用手段問題
這裏所說的知識，包括常識、領域（或行業）知識、專家的經驗和語言學知識等，對於大多數語言學知識和部分領域知識在一定程度上可從大規模訓練樣本中學習到，但很多常識和專家經驗往往趟出訓練樣本範圍。常識對人而言，這些知識是常備的，對機器而言，卻難以從樣本歸納學習出來。
有些專家認爲，面對知識驅動、知識建模、建設可解釋性人工智能模型的情況，首先要引伸自然語言處理（NLP）的概念和內涵，變成建設大規模語義網絡，助力於提升知識圖譜的功能；面對建立常識庫難度很大的情況，他們提出了具人（embodiment）的概念要求研究專家與臨牀醫生多接觸交流，在防治問題上取得共識，以此補充缺乏常識和部分領域知識之不足。
2）缺乏未知語言現象的處理能力
對任何一個自然語言處理系統來說，總會遇到未知的詞彙、語言結構和語義表達，所謂“未知”，在訓練樣本中未曾出現過，在語音識別或OCR處理後含有大量澡聲，一個實用的NLP系統必須具有較好的對未知語言和噪聲的處理能爲，即魯棒性。有些專家指出，近來在處理語音識別中消除噪聲方面取得很大成效，在處理未知語言方面也有進展。
3）模型是否具有可解釋性？採用數據驅動深度學習/機器學習模型，暗箱操作，這樣的模型不具備可解釋性，專家們提出，不必再畄戀這樣的模型會對可解釋性產生什麼轉變；如果突破深度學習，採用知識圖譜/大規模語義網絡模型，纔有可能解決可解釋性問題（國外已有人在這方面進行探索）。
4）是否跳出單一模態信息處理的侷限性？
有的專家說，目前自然語言處理研究通常指以文本爲處理對象的研究領域，一般不涉及其他模型（如語音、圖像和視頻等）信息處理，亊實上各模塊之間是獨立的，處理過程是脫節的，這嚴重違背了“類人智能”的前提。也有專家主張採用數據驅動、知識驅動雙驅方式，或採用認知計算、感知計算並存方式。
也有一些專家認爲，從數據驅動融合轉向到知識驅動，以認知計算代替感知計算，可在知識圖譜/大規模語義網絡上，發展以知識表示的多模態協同信息處理。
最終要解決機器對人類語言理解問題，探索如何構建更加精確、可解釋、可理解、可計算的語義表徵和計算方法的知識圖譜/大規模語義網絡，是必須邁出的第一步。
240.以圖節點模型解決視覺系統圖像語義分割
中科院自動化所等研究者用基於圖卷積網絡GCN的深度學習技術，構建圖節點模型Graph-FCN（以像素視作節點，以節點間差異度視作邊），解決圖像語義分割問題（通過卷積網絡將圖像網格數據擴展至圖結構數據，把語義分割問題轉換成圖節點分類問題，並使用圖卷積網絡解決圖節點分類問題）。
241.人工智能輔診系統可提升對新冠肺炎的診斷效率
在233號跟貼留言中，我們曾介紹（2月5日）阿里研究院AI團隊研發出一種“全基因組檢測技術”，用於新冠肺炎輔診系統，比目前醫院普遍採用的核酸檢測方法，可有效防止病毒變異產生的漏診，還提高了檢測效率將原來幾小時檢測流程縮短至半小時。
現轉發日本“日經BP社網站”2月6日報導：北京推想科技公司（2015年成立的一家AI初創企業），開發了在AI醫療輔診系統中增加了新冠肺炎影像診斷功能。據該公司談，他們開發的AI輔診系統已對1000個病例診斷準確率幾乎爲100%，特異度（將實際是“陰性”的樣本正確判斷爲“陰性”的正確率）也在80%以上，國內已有逾300家醫院採用該AI輔診系統，10多家醫院採用了有新冠肺炎輔診功能的系統，2月6日前已用於對2300例新冠肺炎的輔助診斷。
242.採用人工智能，在普通器件上解決複雜的光學難題（實現快速高分辨率對隱藏物體成像）
《Optica》雜誌最近發表一項科研成果：由斯坦福研究員ChristopherMetzler領銜的研究團隊（由來自斯坦福大學、萊斯大學、普林斯頓大學和南衛理公會大學的研究人員組成），採用基於卷積神經CNN的深度學習算法，開發了一種激光系統，只需搭配普通市售器件（由普通相機和一個功能強大的標準激光源組成的系統）可實現快速高分辨率對隱藏物體成像。這對自動駕駛領域將產生極大影響。
他們驗證了基於deep-inversecorrellograpby的算法，對噪聲具有非常強的魯棒性，在空間分辨辛和總捕獲時間方面起過了現有的NLos（non-line-ofsight，非視距）系統能力。
該系統可安裝在衛星和航天器上，用來捕捉小行星上洞穴內的圖像，用極高分辨率對小物體進行成像。
243.英媒報導人工智能大數據全方位幫中國戰“疫”。
英國《每日郵報》2月9日文章：中國有關部門使用人臉識別攝像頭、人工智能和最尖端監控系統的大數據，追蹤新冠病毒受害者。利用人臉識別，有關企業說能掃描出低熱人員，甚至識別其身份即便他們戴着口罩。
新冠病毒的緊急狀況已令其中一些技術走到臺前，並顯示出大規模高科技社會管控措施的必要性。作爲一種應對健康突發亊件的手段，中國民衆似乎接受甚至歡迎此類（AI高科技）“額外”介入。
中國流行病學家李蘭娟近日接受採訪時表示，在如今的大數據互聯網時代，每一個人的流動情況都能模得很清楚。這樣好的現代化技術手段，應該得到充分利用，發揮真正作用更快地發現傳染源，控制疫情。
另一家頂尖AI企業打造出來的AI體溫測量系統，在試用中人體測量溫度達到0.3攝氏度以內。
244.民政部呼籲開發供全國社區防控冠狀肺炎的AI公共軟件獲阿里、騰訊響應！
阿里：爲了保護社區防控基層人員安全，提高社區防控管理效率，阿里釘釘社區開發具有“羣防羣控”功能的軟件，已在南京應用，陸續會在全國推開。該軟件繫上線免費的公共軟件。
騰訊：推出“政務聯絡機器人”，彌補社區管理人力不足導致疫情防控難的問題，該機器人服務平臺1小時即可完成6小時人工排查任務，並可有效提升疫情信息收集的有效性。如一個擁有2000人的小區，依靠人工需20個調查員6小時才能完成的工作，通過機器人服務平臺1小時即可完成排查。
237，建立可理解、可解釋的人工智能模型
知識圖譜的作業流程
1) 從數據庫和知識庫中分別獲取數據資源和知識資源，並傳送至知識圖譜平臺。
2) 在知識圖譜平臺上（在其上配置數據獲取、知識表示、知識存儲、本體構造、知識計算、測試評估等工具），對數據資源和知識資源進行測試、評估和分類，將分類的數據資源和知識資源分別傳送至基於表格的存儲體中和基於圖結構的存儲體中。
3)建立大規模的語義網絡，提取在表/圖存儲結構體中的數據/和識資源，通過語義網絡進行融合、轉化（數據→知識）在資源融合、轉化時要建立知識表示（確定基於符號/基於向量的知識表示）、知識推理和知識建模（不同意有些專家提出的分數據驅動、知識驅動兩路並進形成多模態信息處理方式）。
4)將知識建模傳送到行業應用（第三方應用知識庫），通過大規模語義網絡（NLP的發展）建立知識圖譜語義理解，並補充建立常識圖譜和行業（領域）應用知識圖譜。在建立知識圖譜過程中，充分利用圖挖掘和知識計算技術。
5)從而生成可理解、可解釋的AI模型，把人工智能從數據驅動以深度學習技術爲代表的感知智能階段推向到知識驅動以知識圖譜/語義網絡技術爲代丟的認知智能價段。
238.IBM沃森健康（Watson）探索醫療人工智能的歷程
據IBM稱：IBMWatson正在探索的醫療人工智能的基礎理論研究和臨牀實踐，期望將由數據驅動以深度學習技術爲代表的AI感知階段，推進到由知識驅動以知識圖譜/大規模語義網絡技術爲代表的AI認知階段，經歷6年的研究與實踐進展如何呢？
自2011年至2016年，IBMWatson（IBM投資10億美元建立Watson醫療人工智能事業部和研究團隊），與安德森癌症中心合作，進行醫療人工智能的基礎理論研究和臨牀實踐。
6年來，IBM開展了25個研究課題，並對635個病例向臨牀醫生提出診治的諮詢建議，花掉了醫院方提供的6200萬美元研究經費，醫院方於2016年提出終止雙方合作的建議。對於醫療效果的評估雙方分歧很大！
IBM研究方認爲，對人工智能最重要的能力是知識而非數據，他們探索知識表示和知識推理，以期將醫療人工智能從不可理解、不可解釋的感知智能階段推向可理解、可解釋的認知智能階段。
但事實上，IBM在這次長達6年的醫療人工智能的探索中，他們採用的是保守的、停畄在感知階段、單純依靠數據驅動的深度學習技術，至於他們口頭上說的、依靠知識驅動的認知模式尚處於研前的理論準備階段，並未付諸於實踐！
可以說，IBM對認知智能只是咀上說的，對感知智能則是動手乾的！
239.自然語言處理（NLP）面臨挑戰
近年來，自然語言處理取得了豐碩成果，但迄今遠沒有達到像人一樣理解語言的程度，面臨的主要挑戰有：
1）如何解決缺乏有效的知識表示和利用手段問題
這裏所說的知識，包括常識、領域（或行業）知識、專家的經驗和語言學知識等，對於大多數語言學知識和部分領域知識在一定程度上可從大規模訓練樣本中學習到，但很多常識和專家經驗往往趟出訓練樣本範圍。常識對人而言，這些知識是常備的，對機器而言，卻難以從樣本歸納學習出來。
有些專家認爲，面對知識驅動、知識建模、建設可解釋性人工智能模型的情況，首先要引伸自然語言處理（NLP）的概念和內涵，變成建設大規模語義網絡，助力於提升知識圖譜的功能；面對建立常識庫難度很大的情況，他們提出了具人（embodiment）的概念要求研究專家與臨牀醫生多接觸交流，在防治問題上取得共識，以此補充缺乏常識和部分領域知識之不足。
2）缺乏未知語言現象的處理能力
對任何一個自然語言處理系統來說，總會遇到未知的詞彙、語言結構和語義表達，所謂“未知”，在訓練樣本中未曾出現過，在語音識別或OCR處理後含有大量澡聲，一個實用的NLP系統必須具有較好的對未知語言和噪聲的處理能爲，即魯棒性。
有些專家指出，近來在處理語音識別中消除噪聲方面取得很大成效，在處理未知語言方面也有進展。
3）模型是否具有可解釋性？採用數據驅動深度學習/機器學習模型，暗箱操作，這樣的模型不具備可解釋性，專家們提出，不必再畄戀這樣的模型會對可解釋性產生什麼轉變；如果突破深度學習，採用知識圖譜/大規模語義網絡模型，纔有可能解決可解釋性問題（國外已有人在這方面進行探索）。
4）是否跳出單一模態信息處理的侷限性？
有的專家說，目前自然語言處理研究通常指以文本爲處理對象的研究領域，一般不涉及其他模型（如語音、圖像和視頻等）信息處理，亊實上各模塊之間是獨立的，處理過程是脫節的，這嚴重違背了“類人智能”的前提。也有專家主張採用數據驅動、知識驅動雙驅方式，或採用認知計算、感知計算並存方式。
也有一些專家認爲，從數據驅動融合轉向到知識驅動，以認知計算代替感知計算，可在知識圖譜/大規模語義網絡上，發展以知識表示的多模態協同信息處理。
最終要解決機器對人類語言理解問題，探索如何構建更加精確、可解釋、可理解、可計算的語義表徵和計算方法的知識圖譜/大規模語義網絡，是必須邁出的第一步。
240.以圖節點模型解決視覺系統圖像語義分割
中科院自動化所等研究者用基於圖卷積網絡GCN的深度學習技術，構建圖節點模型Graph-FCN（以像素視作節點，以節點間差異度視作邊），解決圖像語義分割問題（通過卷積網絡將圖像網格數據擴展至圖結構數據，把語義分割問題轉換成圖節點分類問題，並使用圖卷積網絡解決圖節點分類問題）。
241.人工智能輔診系統可提升對新冠肺炎的診斷效率
在233號跟貼留言中，我們曾介紹（2月5日）阿里研究院AI團隊研發出一種“全基因組檢測技術”，用於新冠肺炎輔診系統，比目前醫院普遍採用的核酸檢測方法，可有效防止病毒變異產生的漏診，還提高了檢測效率將原來幾小時檢測流程縮短至半小時。
現轉發日本“日經BP社網站”2月6日報導：北京推想科技公司（2015年成立的一家AI初創企業），開發了在AI醫療輔診系統中增加了新冠肺炎影像診斷功能。據該公司談，他們開發的AI輔診系統已對1000個病例診斷準確率幾乎爲100%，特異度（將實際是“陰性”的樣本正確判斷爲“陰性”的正確率）也在80%以上，國內已有逾300家醫院採用該AI輔診系統，10多家醫院採用了有新冠肺炎輔診功能的系統，2月6日前已用於對2300例新冠肺炎的輔助診斷。
242.採用人工智能，在普通器件上解決複雜的光學難題（實現快速高分辨率對隱藏物體成像）
《Optica》雜誌最近發表一項科研成果：由斯坦福研究員ChristopherMetzler領銜的研究團隊（由來自斯坦福大學、萊斯大學、普林斯頓大學和南衛理公會大學的研究人員組成），採用基於卷積神經CNN的深度學習算法，開發了一種激光系統，只需搭配普通市售器件（由普通相機和一個功能強大的標準激光源組成的系統）可實現快速高分辨率對隱藏物體成像。這對自動駕駛領域將產生極大影響。
他們驗證了基於deep-inversecorrellograpby的算法，對噪聲具有非常強的魯棒性，在空間分辨辛和總捕獲時間方面起過了現有的NLos（non-line-ofsight，非視距）系統能力。
該系統可安裝在衛星和航天器上，用來捕捉小行星上洞穴內的圖像，用極高分辨率對小物體進行成像。
243.英媒報導人工智能大數據全方位幫中國戰“疫”。
英國《每日郵報》2月9日文章：中國有關部門使用人臉識別攝像頭、人工智能和最尖端監控系統的大數據，追蹤新冠病毒受害者。利用人臉識別，有關企業說能掃描出低熱人員，甚至識別其身份即便他們戴着口罩。
新冠病毒的緊急狀況已令其中一些技術走到臺前，並顯示出大規模高科技社會管控措施的必要性。
作爲一種應對健康突發亊件的手段，中國民衆似乎接受甚至歡迎此類（AI高科技）“額外”介入。
中國流行病學家李蘭娟近日接受採訪時表示，在如今的大數據互聯網時代，每一個人的流動情況都能模得很清楚。這樣好的現代化技術手段，應該得到充分利用，發揮真正作用更快地發現傳染源，控制疫情。
另一家頂尖AI企業打造出來的AI體溫測量系統，在試用中人體測量溫度達到0.3攝氏度以內。
244.民政部呼籲開發供全國社區防控冠狀肺炎的AI公共軟件獲阿里、騰訊響應！
阿里：爲了保護社區防控基層人員安全，提高社區防控管理效率，阿里釘釘社區開發具有“羣防羣控”功能的軟件，已在南京應用，陸續會在全國推開。該軟件繫上線免費的公共軟件。
騰訊：推出“政務聯絡機器人”，彌補社區管理人力不足導致疫情防控難的問題，該機器人服務平臺1小時即可完成6小時人工排查任務，並可有效提升疫情信息收集的有效性。如一個擁有2000人的小區，依靠人工需20個調查員6小時才能完成的工作，通過機器人服務平臺1小時即可完成排查。
