前言:想要写出一篇令人眼前一亮的文章吗?我们特意为您整理了5篇人工智能教育方案范文,相信会为您的写作带来帮助,发现更多的写作思路和灵感。
教育是着眼于未来的事业,教育的首要任务就是为未来社会培养相适应的合格人才。随着人工智能的诞生和发展,我国已经开始将人工智能应用于教育领域,并显示出人工智能对于弥补当前教育存在的种种缺陷和不足,推动教学现代化和教育发展改革进程起着越来越重要的作用。在现代医学发展中,工程科学与临床医学不断融合,相互进步。近几年,随着人工智能技术,机器人技术,虚拟与增强现实技术,3D打印技术与医学不断的融合发展,衍生出一系列的医学诊疗技术,仪器,大大推进了医学发展。从2013年到2017年,国务院、发改委、FAD连续发文,多次提及医疗走智能化、云化的趋势,为推动智能医疗领域保驾护航。智能与医学的结合已经是大势所趋,因此,为培养大量智能医学人才极有必要对智能医学教育新模式进行深入研究。
一、目前医学教育以及医学人才培养状况
智能医学工程是一门将人工智能、传感技术等高科技手段综合运用于医学领域的新兴交叉学科,研究内容包括智能药物研发、医疗机器人、智能诊疗、智能影像识别、智能健康数据管理等。
智能医学工程的毕业生掌握了基础医学、临床医学的基础理论,对智慧医院、区域医疗中心、家庭自助健康监护三级网络中的医学现象、医学问题和医疗模式有较深入的理解,能熟练地将电子技术、计算机技术、网络技术、人工智能技术,应用于医疗信息大数据的智能采集、智能分析、智能诊疗、临床实践等各个环节。实验教学正是融合型创新人才的最好培养方式。智能医学人才的培养需要各学科间的相互交融更为紧密,学生的创新应用能力才能得到更好的培养。与此同时,由于绝大部分医工结合的专业大部分归属与工科学院下,缺乏必要的临床经验,因而学生不能很好的把握新技术的应用。
而国内相关人才缺口还非常大,目前,国内仅仅有生物医学工程、医学信息工程等工科专业培养医工结合人才。但是囿于培养时间与培养模式,他们往往只能针对具体某一方向,并且目前的培养体系还多着重于工学技术的研究,缺乏临床实践。
二、智能+医学教育的必要性探究
2.1技术进步对医疗人员的诊疗帮助
以癌症的治疗为例,由于针对癌症药物的研究何药物数量非常巨大,对于普通医生在短时间内难以进行准确的判断针对癌症的研究和药物数量非常巨大,具体来说,目前已有800多种药物和疫苗用于治疗癌症。但是,这对于医生来说却有负面的影响,因为有太多种选择可供选择,使得为病人选择合适的抗癌药物变的更加困难。同样,精确医学的进步也是非常困难的,因为基因规模的知识和推理成为决定癌症和其他复杂疾病的最终瓶颈。今天,许多受过专业训练的医学研究员需要数小时的时间来检查一个病人的基因组数据并作出治疗决定。
上述问题在拥有工学、医学双背景的医生手中已经不是问题,通过目前日渐成熟的AI技术,对于大量的医疗数据进行检索,通过可靠的编程手段,通过人工智能技术,建立完备的医疗数据库,帮助医生进行诊疗。据调查,美国微软公司已经研制出帮助医生治疗癌症的人工智能机器,其原理是对于所有关于癌症的论文进行检索,并提出对于病人治疗最有效的参考方案,它可以通过机器学习来帮助医生找到最有效,最个性化的癌症治疗方案,同时提供可视化的研究数据。
2.2智能医学对于新时代医生培养的影响
人工智能通过计算机可为学生提供图文并茂的丰富信息和数据,一方面加强了学生的感性认识,加强了对所学知识的理解和掌握,从而提高了教学质量。同时,人工智能可帮助教师完成繁杂的、需适应各种教学的教学课程、课件等设计,使教师将更多的精力专注于学与教的行为和过程,从而提高教学效率。正如前面所述例子,智能网络模块化学习平台可使教学摆脱以往对于示教病例的依赖,拓展了学生们的学习空间和时间,可极大地提高医学学习效率和教学质量。
教育与人工智能相结合将会创新教育方式和理念。北京师范大学何克抗教授在《当代教育技术的研究内容与发展趋势》中提到当代教育技术的五大发展趋势之一就是“愈来愈重视人工智能在教育中应用的研究”。结合上述人工结合上述人工智能在医学教育中的创新作用,下面就人工智能结合医学学教育新模式提出一些构想。
三、交叉医学人才的培养
3.1建立智能医学人才培养体系的必要性
目前智能医学的研发和临床还存在隔阂,临床医生并没有很好地理解人工智能,无法从实践出发提出人工智能能够解决的方向,而人工智能的产业界热情高涨,却未必能踩准点,所以产业界需要和临床深度沟通融合,才能真正解决看病难、看病贵的问题,缓解医疗资源紧张。目前,国内仅仅有生物医学工程、醫学信息工程等工科专业培养医工结合人才。
3.2医学人才培养体系初步构想
据悉,目前已经有天津大学、南开大学等几所院校开设了智能方向的医学本科教育,旨在弥补上述缺口,相关院校也在积极探索新型人才培养方案。应当为医学生开设人工智能课程,应当培养具备生命科学、电子技术、计算机技术及信息科学有关的基础理论知识以及医学与工程技术相结合的科学研究能力。该专业的学生主要学习生命科学、临床医学,电子技术、计算机技术和信息科学的基本理论和基本知识,充分进行计算机技术在医学中的应用的训练,具有智能医学工程领域中的研究和开发的基本能力。
据统计,2017年中国人工智能核心产业规模超过700亿元,随着各地人工智能建设的逐步启动,预计到2020年,中国人工智能核心产业规模将超过1600亿元,年复合增长率将达31.7%。
随着人工智能技术的不断成熟,人工智能创业的难度逐步降低,越来越多的创业公司加入人工智能的阵营。
2018年被称为人工智能爆发的元年,人工智能技术应用所催生的商业价值逐步凸显。人工智能逐步切入到社会生活的方方面面,带来生产效率及生活品质的大幅提升。智能红利时代开启!资本、巨头和创业公司纷纷涌入,将人工智能拉到了信息产业革命的风口。
如何把握产业动向,抓住风口机会?创业邦研究中心凭借在人工智能等前言科技领域持续研究、洞察的能力,在对国内人工智能创业公司进行系统调研的基础上,推出《2018中国人工智能白皮书》,对人工智能的核心技术、主要应用领域、巨头和创业公司的布局、未来发展态势和投资机会进行了深度解析。
第一部分人工智能行业发展概述
1.人工智能概念及发展
人工智能(Artificial Intelligence, AI)又称机器智能,是指由人制造出来的机器所表现出来的智能,即通过普通计算机程序的手段实现的类人智能技术。
自1956年达特茅斯会议提出“人工智能”的概念以来,“人工智能”经历了寒冬与交替的起起伏伏60多年的发展历程。2010年以后,深度学习的发展推动语音识别、图像识别和自然语言处理等技术取得了惊人突破,前所未有的人工智能商业化和全球化浪潮席卷而来。
人工智能发展历程
2.人工智能产业链图谱
人工智能产业链可以分为基础设施层、应用技术层和行业应用层。
A基础层,主要有基础数据提供商、半导体芯片供应商、传感器供应商和云服务商。
B技术层,主要有语音识别、自然语言处理、计算机视觉、深度学习技术提供商。
C应用层,主要是把人工智能相关技术集成到自己的产品和服务中,然后切入特定场景。目前来看,自动驾驶、医疗、安防、金融、营销等领域是业内人士普遍比较看好方向。
人工智能产业链
资料来源:创业邦研究中心
第二部分人工智能行业巨头布局
巨头积极寻找人工智能落地场景,B、C 端全面发力。
资料来源:券商报告、互联网公开信息,创业邦研究中心整理
第三部分机器视觉技术解读及行业分析
1.机器视觉技术概念
机器视觉是指通过用计算机或图像处理器及相关设备来模拟人类视觉,以让机器获得相关的视觉信息并加以理解,它是将图像转换成数字信号进行分析处理的技术。
机器视觉的两个组成部分
资料来源:互联网公开信息,创业邦研究中心整理
2.发展关键要素:数据、算力和算法
数据、算力和算法是影响机器视觉行业发展的三要素。 人工智能正在像婴儿一样成长,机器不再只是通过特定的编程完成任务,而是通过不断学习来掌握本领,这主要依赖高效的模型算法进行大量数据训练,其背后需要具备高性能计算能力的软硬件作为支撑。
深度学习出现后,机器视觉的主要识别方式发生重大转变,自学习状态成为视觉识别主流,即机器从海量数据里自行归纳特征,然后按照该特征规律使图像识别的精准度也得到极大的提升,从70%+提升到95%。
3.商业模式分析
机器视觉包括软件平台开发和软硬件一体解决方案服务。整体用户更偏向于B端。软件服务提供商作为技术算法的驱动者,其商业模式应以“技术层+场景应用”作为突破口。软硬件一体化服务供应商作为生态构建者,适合以“全产业链生态+场景应用”作为突破口,加速商业化。
(1)软件服务:技术算法驱动者—“技术层+场景应用”作为突破口
这种商业模式主要是提供以工程师为主的企业级软件服务。有海量数据支撑,构建起功能和信息架构较为复杂的生态系统,推动最末端的消费者体验。
此类商业模式成功关键因素:深耕算法和通用技术,建立技术优势,同时以场景应用为入口,积累用户软件。视觉软件服务按处理方式和存储位置的不同可分为在线API、离线SDK、私有云等。
国内外基础算法应用对比
资料来源:互联网公开信息,创业邦研究中心整理
(2)软硬件一体化:生态构建者—“全产业链生态+场景应用”作为突破口
软硬一体化的商业模式是一种“终端+软件+服务”全产业链体系。成功的因素是大量算力投入,海量优质数据积累,建立算法平台、通用技术平台和应用平台,以场景为入口,积累用户。亮点是打造终端、操作系统、应用和服务一体化的生态系统,各部分相辅相承,锐化企业竞争力,在产业链中拥有更多话语权。
4.投资方向
(1)前端智能化,低成本的视觉解决模块或设备
从需求层面讲,一些场景对实时响应是有很高要求的。提供某些前端就本身有一定计算能力的低成本的视觉模块和设备将有很大市场需求。前置计算让前端设备成为数据采集设备和数据处理单元的合体,一方面提升了处理速度,另一方面可以处理云端难以解决的问题。
机器视觉在消费领域落地的一个障碍是支持高性能运算的低功耗、低价位芯片选择太少。从低功耗、高运算能力的芯片出发,结合先进的算法开发模块和产品,这类企业将在机器视觉领域拥有核心竞争力。
(2)深度学习解决视觉算法场景的专用芯片
以AI芯片方式作为视觉处理芯片有相当大的市场空间。以手势识别为例,传统的识别方案大都基于颜色空间,如 RGB,HSV ,YCrBr,无法排除类肤色物体及黑色皮肤对识别精度的干扰。借助深度学习,如通过 R-CNN 训练大量标注后的手势图像数据,得到的模型在处理带有复杂背景及暗光环境下的手势识别问题时,比传统方案的效果好很多。
(3)新兴服务领域的特殊应用
前沿技术带来的新领域(如无人车、服务机器人、谷歌眼镜等),对机器视觉提出了新要求。机器视觉可以让机器人在多种场合实现应用。服务机器人与工业机器人最大的区别就是多维空间的应用。目前国内的机器视觉,涉及三维空间、多维空间,其技术基本上处在初始阶段,未来存在较大市场增长空间。
(4)数据是争夺要点,应用场景是着力关键
机器视觉的研究虽然始于学术界,但作为商业应用,能解决实际问题才是核心的竞争力。当一家公司先天能够获得大量连续不断的优质场景数据,又有挖掘该数据价值的先进技术时,商业模式和数据模式上就能形成协同效应。创业公司要么通过自有平台获取数据,要么选择与拥有数据源的公司进行合作,同时选择一个商业落地的方向,实现快速的数据循环。
第四部分智能语言技术解读及行业分析
1.语音识别技术
(1)语音识别技术已趋成熟,全球应用持续升温
语音识别技术已趋成熟,全球应用持续升温。语音识别技术经历了长达60年的发展,近年来机器学习和深度神经网络的引入,使得语音识别的准确率提升到足以在实际场景中应用。深度神经网络逐步找到模型结构和调参算法来替代或结合高斯混合算法和HMM算法,在识别率上取得突破。根据Google Trends统计,自2008年iPhone及谷歌语音搜索推出以来语音搜索增长超35倍。百度人工智能专家吴恩达预测,2020年语音及图像搜索占比有望达到50%。Echo热销超过400万,带动智能音箱热潮。
(2)语音识别进入巨头崛起时代,开放平台扩大生态圈成主流
语音识别即将进入大规模产业化时代。随着亚马逊Echo的大卖,语音交互技术催生的新商机,吸引大大小小的公司构建自己主导的语音生态产业链。各大公司纷纷开放各自的智能语音平台和语音能力,欲吸引更多玩家进入他们的生态系统。
(3)语音识别技术发展瓶颈与趋势
低噪声语料下的高识别率在现实环境使用中会明显下降到70-80%,远场识别、复杂噪声环境和特异性口音的识别是下一个阶段需要解决的问题。
麦克风阵列类前端技术不仅是通过降噪和声源定位带来识别率的提高,带环境音的语料的搜集、标注可用于模型的训练,有助于打造更新一代的语音识别引擎技术。语音巨头已经在布局。
在IOT包括车载领域,云端识别并非通行的最优方案,把识别引擎结合场景进行裁剪后往芯片端迁徙是工程化发展的方向。
2.自然语言处理(NLP)发展现状
(1)多技术融合应用促进NLP技术及应用的发展
深度学习、算力和大数据的爆发极大促进了自然语言处理技术的发展。深度学习在某些语言问题上正在取得很大的突破,比如翻译和写作。2014年开始LSTM、Word2Vec以及Attention Model等技术研究的进展,使DL有了路径在语义理解领域取得突破,并且已经有了明显的进展。对话、翻译、写作新技术成果里都开始逐渐混合入DL的框架。2014-2015年,硅谷在语义理解领域的投资热度剧增。
深度学习能最大程度发挥对大数据和算力资源的利用,语义理解的发展还需要深度学习、搜索算法、知识图谱、记忆网络等知识的协同应用,应用场景越明确(如客服/助理),逻辑推理要求越浅(如翻译),知识图谱领域越成熟(如数据饱和度和标准性较强的行业),技术上实现可能性相对较低。在各种技术融合应用发展的情况下,具备获取一定优质数据资源能力并可结合行业Domain knowledge构建出技术、产品、用户反馈闭环的企业会有更好的发展机会。
(2)NLP主要应用场景
问答系统。问答系统能用准确、简洁的自然语言回答用户用自然语言提出的问题。基本工作原理是在线做匹配和排序。比如 IBM 的 Watson,典型的办法是把问答用FAQ索引起来,与搜索引擎相似。对每一个新问题进行检索,再将回答按匹配度进行排序,把最有可能的答案排在前面,往往就取第一个作为答案返回给用户。
图像检索。同样也是基于深度学习技术,跨模态地把文本和图片联系起来。
机器翻译。机器翻译的历史被认为与自然语言处理的历史是一样的。最近,深度学习被成功地运用到机器翻译里,使得机器翻译的准确率大幅度提升。
对话系统。对话系统的回复是完全开放的,要求机器能准确地理解问题,并且基于自身的知识系统和对于对话目标的理解,去生成一个回复。
(3)创业公司的机遇
1)机器翻译方面:经过多年的探索,机器翻译的水平已经得到大幅度提升,在很多垂直领域已经能够在相当大程度上替代一部分人工,机器翻译技术的商业化应用已经开始进入大规模爆发的前夜。
2)应用于垂直领域的自然语言处理技术
避开巨头们对语音交互入口的竞争,以某一细分行业为切入点,深耕垂直领域,对创业公司也是一个不错的选择。
第五部分人工智能在金融行业的应用分析
人工智能产业链包含基础层、技术层、应用层三个层面。基础层的大数据、云计算等细分技术被应用到金融征信、保险、理财管理、支付等金融细分领域;技术层的机器学习、神经网络与知识图谱应用于金融领域的征信与反欺诈、智能投顾、智能量化交易,计算机视觉与生物识别应用于金融领域的身份识别,语音识别及自然语言处理应用于金融领域的智能客服、智能投研;应用层的认知智能应用于金融领域的智能风控。
人工智能在金融行业的典型应用情况
资料来源:创业邦研究中心
第六部分人工智能在医疗行业的应用分析
1.人工智能在医疗行业的应用图谱
人工智能在医疗行业的应用潜力巨大,目前在健康管理、辅助诊疗、虚拟助理、医学影像、智能化器械、药物挖掘和医院管理等领域均有企业在布局,其中医学影像、药物挖掘、健康管理,辅助诊疗、虚拟助理的应用发展速度较快。
图 人工智能在医疗行业的应用图谱
资料来源:创业邦研究中心
2.人工智能在医疗行业的具体应用场景
医学影像。人工智能应用于医学影像,通过深度学习,实现机器对医学影像的分析判断,是协助医生完成诊断、治疗工作的一种辅助工具,帮助更快的获取影像信息,进行定性定量分析,提升医生看图/读图的效率,协助发现隐藏病灶。 人工智能通过影像分类、目标检测、图像分割、图像检索等方式,完成病灶识别与标注,三维重建,靶区自动勾画与自适应放疗等功能,应用在疾病的筛查、诊断和治疗阶段。目前较为火热的应用有肺部筛查、糖网筛查、肿瘤诊断和治疗等。
药物挖掘。人工智能在药物研发上的应用可总结为临床前和临床后两个阶段。临床前阶段:将深度学习技术应用于药物临床前研究,在计算机上模拟药物筛选的过程,包括靶点选择、药效和晶型分析等,预测化合物的活性、稳定性和副作用,快速 、准确地挖掘和筛选合适的化合物或生物,提高筛选效率,优化构效关系。临床后阶段:针对临床试验的不同阶段,利用人工智能技术对患者病历进行分析,迅速筛选符合条件的被试者,监测管理临床试验过程中的患者服药依从性和数据收集过程,提高临床试验的准确性。
虚拟助理。医疗虚拟助理是基于医疗领域的知识系统,通过人工智能技术实现人机交互,从而在就医过程中,承担诊前问询、诊中记录等工作,成为医务人员的合作伙伴,使医生有更多时间可以与患者互动。医疗虚拟助理根据参与就医过程的功能不同,主要有智能导诊分诊,智能问诊,用药咨询和语音电子病历等方向。
第七部分智能驾驶行业分析
1.智能驾驶行业产业链
智能驾驶行业的中心业务是以Google、百度为代表的智能驾驶操纵解决方案提供商和以特斯拉、蔚来为代表的成车厂商。该类厂商,上接上游软硬件提供商,下接公司和消费者,在整个业务链中扮演至关重要的一环。
产业链上游厂商多为细分技术提供商,如深度学习、人机交互、图像识别和新材料、新制造新能源等。
智能驾驶产业链图谱
资料来源:创业邦研究中心
2.智能驾驶市场分析
伴随着 ADAS 技术的不断更新,推断全球 L1-L5 智能驾驶市场的渗透率会在接下来 5年内处于高速渗透期,然 后伴随半无人驾驶的普及进入稳速增长期。在未来的 2025 年无人驾驶放量阶段后,依赖全产业链的配合而进入市场成熟期。预测到2030年,全球 L4/5 级别的自动驾驶车辆渗透率将达到 15%,单车应用成本的显着提升之 外,从 L1-L4 级别的智能驾驶功能全面渗透为汽车产业带来全面的市场机会。
按照 IHS Automotive 保守估计,全球 L4/L5 自动驾驶汽车产量在 2025 年将接近 60 万辆,并在 2025- 2035 年间获得高速发展,年复合增长率将达到43%,并在2035年达到2100万辆。另有接近 7600 万辆的汽车具备部分自动驾驶功能,同时会带动产业链衍生市场的大规模催化扩张。
根据独立市场调研机构 Strategy Engineers 的预测,L4 高度自动驾驶等级下,自动驾驶零部件成本约在 3100 美元/车,其中硬件占比 45%,软件占比 30%,系统整合占比 14%,车联网部分占比 11%。按照全球 1 亿辆量 产规模计算,理想假设所有车辆全部达到 L4 高度自动驾驶水平,那么全球自动驾驶零部件市场规模在 2020 年 将达到 3100 亿美元。
第八部分中国人工智能企业画像分析
随着人工智能技术的不断成熟,人工智能创业的难度逐步降低。创新的大门吸引众多创业企业进入。为了观察行业风向,助力创新企业发展,创业邦研究中心对国内200多家人工智能创业公司进行了系统调研,从发展能力、创新能力、融资能力等多维度指标,评选出“2018中国人工智能创新成长企业50强”。
地域分布
全国88%的人工智能企业聚集在北京、上海、广东和江苏。其中,北京人工智能企业最多,占比高达39.66%;其次是上海,人工智能企业占比达21.55%;位列第三的是广东,人工智能企业占达15.52%。北京以领先全国其他地区的政策环境、人才储备、产业基础、资本支持等,成为人工智能创业首要阵地;华东地区的上海、江苏、浙江均有良好的经济基础和科技实力,人工智能应用实力雄厚,也聚集了一批人工智能垂直产业园;广东互联网产业发达,企业对数据需求强烈,依靠大数据产业链推动人工智能产业发展。
行业分布
从行业大类分布来看,行业应用层的企业占比最大,为56.03%;其次是应用技术层的企业,占比达31.04%;基础技术层的企业占比最小,仅为12.93%。随着人工智能技术的发展,人工智能与场景深度融合,应用领域不断扩展,行业应用公司比重不断提升。在基础层技术方面,国际IT巨头占据行业领先地位, 国内与国际差距明显,中小初创企业很难进入。
从行业应用来看,智能金融企业占比最大,为16.92%;其次是机器人企业,占比达15.38%;位列第三的是智能驾驶和智能教育,占比均为12.31%。金融行业的强数据导向为人工智能的落地提供了产业基础,智慧金融被列入国家发展规划中,庞大的金融市场为人工智能落地带来了发展前景。机器人作为人工智能产业落地输出, 目前市场需求较大,商业机器人占据较大份额。中国智能驾驶市场在资本推动下进入者较多,企业积极推动应用落地,百度、北汽等大型企业尝试商业化落地智能驾驶汽车。人工智能推动教育个性化落地,相关初创企业涉入教育蓝海,推动智慧教育的发展。
收入情况
收入分布在500-10000万之间的企业最多,占比达49.14%;500万以下的企业位居其次,占比达 26.72%;位列第三的是10000-100000万之间的企业,占比为17.24%。
最新估值
企业最新估值均在亿元级别,且分布较为均衡。三成企业估值超过15亿元,还有企业估值达到百亿级别,如优必
选科技、达闼科技和商汤科技等,将来或将跻身人工智能独角兽企业。(备注:分析样本量剔除一半未披露企业)
第九部分典型企业案例分析
1.Atman
企业概述
Atman由来自微软的人工智能科学家和产业经验丰富的产品团队创办,提供专业领域机器翻译、机器写作、知识图谱、大数据智能采集挖掘等语言智能产品,致力于成为医学、新闻、法律等专业领域语言智能专家,为专业领域用户赋能,推动专业领域用户进入人工智能时代,助力专业领域文字智能水平实现跨越式提升。Atman已为强生、新华社参考消息、北大法宝、君合律师事务所等世界领先药企、新闻媒体、法律服务机构开发机器翻译、机器写作、知识图谱、大数据智能采集挖掘等语言智能产品。
目前Atman在北京和苏州两地运营,能快速响应全国各地客户需求。
企业团队
创始人&CEO:马磊
清华大学计算机系毕业,曾先后在微软研究院和工程院担任研究员和架构师,机器学习专家、多次创业者、曾主导多项人工智能重大项目,和申请国际专利共计15+项。
Atman公司核心团队由来自微软、百度、法电等领域高端人才和资深技术人才组成,公司员工40人,其中硕士以上学历占比60%,技术开发人员占比70%,一半以上来自微软亚洲研究院和工程院。
核心技术与产品
技术方面,擅长机器学习(深度学习、强化学习、群体智能)在复杂问题的应用,和国际专利15项,Atman神经网络机器翻译系统于2016年9月首秀,早于谷歌的GNMT,专业领域翻译效果在公测标准和行业客户测试中均持续领先。核心产品为垂直领域机器翻译、机器写作、知识图谱抽取构建、大数据智能挖掘等语言智能产品。
Atman的机器翻译产品可自动翻译编辑专业文献、报告、音视频和网页,支持私有部署和云端混合部署,提供包括数据隐私安全以及自学习的端到端解决方案。
机器写作可对海量数据进行快速搜索、过滤、聚类,根据行业需求自动生成专业文档,适用于所有专业写作场景,可大幅减少专业报告写作过程中的繁复工作,大幅提升专业领域写作效率。
知识图谱可实现海量数据的语义检索、长链推理、意图识别、因果分析,形成一个全局知识库。大数据智能采集挖掘系统为专业领域用户提供智能数据源管理、海量专业数据获取和非结构化数据自动解析并结合知识图谱提供auto-screening、知识重构、专业决策辅助,帮助用户建立强大的以专业大数据为基础的业务辅助能力。
2.黑芝麻
企业概述
黑芝麻智能科技有限公司是一家视觉感知核心技术与应用软件开发企业,2016年分别在美国硅谷和上海成立研发中心,主攻领域为嵌入式图像、计算机视觉,公司核心业务是提供基于图像处理、计算图像以及人工智能的嵌入式视觉感知平台,为ADAS及自动驾驶提供完整的视觉感知方案。
目前公司和博世、滴滴、蔚来、上汽、上汽大通、EVCARD、中科创达、车联天下和云乐新能源等展开深入合作,提供基于视觉的感知方案;除此之外,公司还在消费电子、智能家居等领域布局为智能终端提供视觉解决方案。目前公司已经完成A+轮融资。
企业团队
团队核心成员来自于OmniVision、博世、安霸、英伟达和高通等知名企业,平均拥有超过15年以上的产业经验,毕业于清华、交大、中科大和浙大等知名高校。
创始人&CEO:单记章此前在硅谷一家全球顶尖的图像传感器公司工作近20年,离职前担任该公司的技术副总裁一职,工作内容覆盖了图像传感器研发和设计、图像处理算法研发和图像处理芯片设计。
核心技术和产品
在汽车领域,黑芝麻可提供车内监控方案(DMS),自动泊车方案(AVP),ADAS/自动驾驶感知平台方案。黑芝麻智能科技提供的解决方案包括算法和芯片两个核心部分:黑芝麻感知算法从基础的控光技术,到面向AI的图像处理技术出发来提高成像质量,以及应用深度神经网络训练,结合视频处理和压缩技术,形成从传感器端到应用端的处理过程;黑芝麻芯片平台采用独有的神经网络架构,包括独有的图像处理,视频压缩和计算机视觉模块,与黑芝麻视觉算法结合,采用16nm制程,设计功耗2.5w,每秒浮点计算达20T。
3.乂学教育
企业概述
乂学教育,成立于2014年,是一家网络教育培训机构,采用人工智能和大数据技术,为学生提供量身定制学习解决方案和个性化学习内容。核心团队来自美国Knewton、Realizeit、ALEKS等人工智能教育公司,销售团队有全国40亿toC销售额的经验。
企业自主研发了针对中国K12领域的学生智适应学习产品,其核心部分是以高级算法为核心的智适应学习引擎“松鼠AI”,该产品拥有完整自主知识产权,能够模拟真实特级教师教学。企业发表的学术论文得到了全球国际学术会议AIED、CSEDU、UMAP认可,并在纽约设计了人工智能教育实验室,与斯坦福国际研究院(SRI)在硅谷成立了人工智能联合实验室。
主要产品
学生智适应学习是以学生为中心的智能化、个性化教育,在教、学、评、测、练等教学过程中应用人工智能技术,在模拟优秀教师的基础之上,达到超越真人教学的目的。该产品性价比高,以人工智能+真人教师的模式,做到因材施教,有效解决传统教育课时费用高,名师资源少,学习效率低等问题。
智适应学习人工智能系统
智适应学习人工智能系统模拟特级教师,采用图论、概率图模型,机器学习完成知识点拆分和个人学习画像,采用神经网络、逻辑斯蒂回归和遗传算法为学生实时动态推荐最佳学习路径,实现个性化教育。
业务模式
线上与线下,2B和2C相结合。以松鼠AI智适应系统教学为主,真人教师辅助,学生通过互联网在线上学习课程。开创教育新零售模式,授权线下合作学校,已在全国100多个城市开设500多家学校。
4.云从科技
企业概述
云从科技成立于2015年4月,是一家孵化于中国科学院重庆研究院的高科技企业,专注于计算机视觉与人工智 能。云从科技是人工智能行业国家队,是中科院战略先导项目人脸识别团队唯一代表,唯一一家同时受邀制定人 脸识别国家标准、行业标准的企业。2018年,云从科技成为祖国“一带一路”战略实行路上的人工智能先锋,与 非洲南部第二大经济体津巴布韦政府完成签约。
云从科技奠定了行业领导地位: 国家肯定,国家发改委2017、2018年人工智能重大工程承建单位;顶层设计,唯一同时制定国标、部标和行标的人工智能企业;模式创新,三大平台解决方案,科学家平台、核心技术平台和行业应用平台。
企业核心团队
创始人
周曦博士,师从四院院士、计算机视觉之父—ThomasS.Huan黄煦涛教授,专注于人工智能识别领域的计算机视觉 研究。入选中科院“百人计划”,曾任中国科学院重庆研究院信息所副所长、智能多媒体技术研究中心主任。
周曦博士带领团队曾在计算机视觉识别、图像识别、音频检测等国际挑战赛中7次夺冠;在国际顶级会议、杂志 上发表60余篇文章,被引用上千次。
核心技术团队
云从科技依托美国UIUC和硅谷两个前沿实验室,中科院、上海交大两个联合实验室上海、广州、重庆、成都四 个研发中心组成的三级研发架构。目前研发团队已经超过300人,80%以上拥有硕士学历。
技术优势
全方位多维智能学习模块适应不同场景要求;模块化设计为在工业视觉、医学影像、自动驾驶AR等领域扩展打下良好基础。
云从科技具有高技术壁垒:世界智能识别挑战赛成绩斐然,在CLEAR、 ASTAR、 PASCAL VOC、 IMAGENET、FERA以及微软全球图像识别挑战赛上共计夺得7次世界冠军;在银行、公安等行业智能识别技术 PK实战中,85次获得第一;2018年,云从科技入选MIT全球十大突破性技术代表企业。
在跨镜追踪(ReID)技术上取得重大突破。Market-1501,DukeMTMC-reID,CUHK03三个数据同时集体刷 新世界记录, Market-1501上的首位命中率达到96.6%,首次达到商用水平。
正式在国内“3D结构光人脸识别技术”,可全面应用于手机、电脑、机具、设备、家电。相较以往的2D人 脸识别及以红外活体检测技术,3D结构光人脸识别技术拥有不需要用户进行任何动作配合完成活体验证的功能, 分析时间压缩到了毫秒级以及不受环境光线强弱的影响等诸多优点,受到国际巨头公司的关注。
行业应用
目前国内有能力自建系统的银行约为148家。截止2018年3月15日,已经完成招标的银行约为121家,其中云从科 技中标了88家总行平台,市场占有率约为72.7%;在安防领域推动中科院与公安部全面合作,通过公安部重大课题研发火眼人脸大数据平台等智能化系统,在民航领域,已经与中科院重庆院合作覆盖80%的枢纽机场。
5.Yi+
企业概述
北京陌上花科技是领先的计算机视觉引擎服务商,为企业提供视觉内容智能化和商业化解决方案。致力于“发现视觉信息的价值”。
旗下品牌Yi+是世界一流的人工智能计算机视觉引擎,衣+是时尚商品搜索引擎。公司在图像视频中对场景、通用物体、商品、人脸的检测、识别、搜索及推荐均达到领先水平。
目前公司和阿里巴巴、爱奇艺、优酷土豆、中国有线、CIBN、中信国安、海信、华为、360等数十家顶级机构/产品深度合作,通过提供边看边买引擎、图像视频内容分析引擎、人脸识别引擎等基于视觉识别技术的数据结构化产品服务于海量用户,同时帮助政府机构、广电系统、内容媒体、零售商、电商、视听设备等行业实现智能分析、智能互动与场景营销。目前公司已经获得B轮融资。
企业团队
团队成员来自于斯坦福、耶鲁、帝国理工、新加坡国大、南洋理工、清华、北大、中科院等名校及谷歌、微软、IBM、英特尔、阿里巴巴、腾讯、百度、华为等名企。
创始人&CEO:张默
北京大学软件工程硕士, 南洋理工大学创业创新硕士。连续创业者, 曾任华为算法工程师、微软WindowsMobile工程师、 IBM SmarterCity 架构师,北方区合作伙伴经理,主机Linux中国区负责人,中国区开源联盟负责人,年销售额数亿。 2013年创业于美国硅谷和新加坡,2014年6月在中国设立北京陌上花科技有限公司。
核心技术与产品
技术方面,在国际顶级计算机视觉竞赛ImageNet中,成绩曾超过谷歌、斯坦福等,2015-2016年2年获得十项世界第一。2018年3月,人脸识别准确率位列LFW榜首。Yi+通过遵循无限制,标记的外部数据协议。 Yi+的系统由人脸检测,人脸对齐和人脸描述符提取组成。使用多重损失和训练数据集训练CNN模型,其中包含来自多个来源的约10M个图像,其中包含150,000个人(训练数据集与LFW没有交集)。在测试时, Yi+使用原始的LFW图像并应用简单的L2norm。图像对之间的相似性用欧氏距离来测量,最终取得优异成绩。
公司的核心产品主要包括视觉搜索引擎,图像视频分析引擎以及人脸识别和分析引擎:
行业解决方案
针对营销、安防、相机和电视的不同特点,推出相应解决方案。
营销+AI。场景化广告方案中,大屏AI助理信息流推荐、神字幕、物体/人脸AR动态贴图、video-out、场景化角标与广告滤镜等形式的广告内容推荐,适用于快消、汽车、电商、IT、金融、旅游服务等多个行业。
智慧城市+AI。使用计算及视觉助力智慧城市,在智慧安防、智慧交通、智慧园区等方面提供解决方案。在智慧安防实时识别上,实时处理直播摄像头信息,算法反应敏捷,相应迅速。建立智慧园区方案模型,考虑扩展性&灵活性、数据管理、松散耦合性、安全性、实时整合性以及功能性和非功能性需求等技术方案要素,从业务和技术两方面整合解决方案实现步骤。
电视+AI。电视+AI的解决方案赋予智能电视多样播放能力和营销能力。
相机+AI。相机更具交互能力。用户通过搜索关键字标签同步展示图片,打通相册和购物一站式体验。准确识别人物属性特征,动态适应表情变化,可以在视频以及图像中对人脸实时检测,基于深度学习技术,进行人脸相似度检测,实现面部关键点定位、妆容图像渲染,试用与粉底、唇彩以及眼影等多种虚拟试装方式。实时检测摄像头中出现的物品、场景和人脸等,添加AR效果,SDK支持本地检测、识别、追踪,平均检测帧率可达到25fps。
新零售+AI。Yi+新零售解决方案是基于公司自主研发的人脸识别、商品识别和其他图像识别算法技术为核心,建立一整套基于人脸、商品的智能零售门店管理方案。Yi+新零售解决方案主要包含数据采集、算法模型说明和部署方案三部分,其中数据采集包括人脸数据采集、商品数据采集;算法模型说明包括识别算法训练、商品识别、识别输出;部署方案包括本地部署、云端部署、本地部署与云端部署结合。
6.擎创科技
企业简介
擎创科技成立于2016年,专注于将人工智能和机器学习赋予传统IT运维/企业运营管理,为企业客户提供智能运维大数据分析解决方案,从而取代和改善对高技能运维人员严重依赖的现状。2017年,擎创科技已实现全年2000万营收,迅速成为国内AIOps领域的领跑者和中流砥柱。2018年初,擎创科技完成了数千万人民币的A轮融资,由火山石投资领投,晨晖创投、元璟资本及新加坡STTelemedia跟投。
核心团队
擎创团队的核心成员主要由BMC、微软等美国企业服务上市公司的运维老兵,与新浪、饿了么等知名互联网公司的大数据、算法专家组成,核心团队成员至少拥有10年以上的行业经验。其中CEO杨辰是国内最顶级的B端销售,曾带领团队获得10倍的业绩增长;CTO葛晓波拥有长达15年的企业级软件开发和运维经验;而产品总监屈中泠则来自甲方,创业前为浦发硅谷银行企业架构师,深知甲方对企业运维产品的需求。这个曾经深耕于运维企业服务市场的团队,如今在智能运维企业服务赛道继续领跑,让擎创科技成为最懂企业的客户,最值得企业客户信赖的软件厂商。
主要产品
“夏洛克AIOps” 作为擎创自主研发的大数据智能运维主打产品,自2016年上线以来,已从1.0版本升级至1.9版本,可应用在金融、大型制造业、铁路民航、能源电力等涉及国家发展和民生问题的多种行业。在2017全球运维大会上,夏洛克AIOps获得由中国信息通信研究院与高效运维社区联合颁发的“年度最具影响力AIOps产品”奖。
“夏洛克AIOps”充分利用自研算法辅助客户实现IT运维价值,结合客户的现有情况,规划从传统ITOM至AIOps智能运维的一站式路径,助其运营落地,由此打破数据孤岛,建立统一的大数据智能分析平台,实现以人工智能为核心,驱动传统IT运维监、管、控三个层面,并将相关运维数据及业务数据实时展现。
“夏洛克AIOps”拥有多项自研算法,犹如运维界的福尔摩斯,能迅速发现并定位运维问题的根因,实现秒级排障,最大程度避免企业产生重大损失。更有价值的是,“夏洛克AIOps”还能通过长期的数据积累和机器学习,运用新型深度神经网络算法对企业的业务数据进行预测,帮助企业提前规划IT资源,高效预防各类黑天鹅事件的发生。
商业模式
目前,擎创科技已与多家金融和制造行业标杆客户形成稳定的合作关系,包括浦发银行、浦发硅谷银行、国家开发银行、上海铁路局、银联、海尔、浙江能源等。针对不同客户,采用个性化的商业模式进行服务,目前主要有私有模式和SaaS模式两种,都具有较强的可复制性。
核心优势
>> 智能游戏开发与设计课程教学方法探索 数字媒体技术专业游戏设计与开发方向本科课程设置的探讨 游戏设计与开发课程教学方法探析 游戏开发应用中的“人工智能”课程教学方法探讨 基于多元智能理论的网络教育游戏设计与开发 面向游戏开发方向的“计算机图形学”课程建设探讨 计算机审计课程开发与建设探讨 智能信息处理课程群辅助教学网站的设计与开发 益智小游戏设计与开发 游戏设计方向课程建设研究 “人工智能与游戏编程”课程设计 高职游戏开发专业课程体系建设 基于普通高校成人高等教育课程开发与课程建设的探讨 数字游戏设计专业建设方案探讨 智能科学与技术专业的算法设计与分析课程教学探讨 《Flas设计》课程建设的研究与探讨 《网络综合布线设计与施工》课程建设探讨 基于工作过程的《网页设计》课程开发与设计探讨 “智能科学与技术”本科专业软件实践类课程建设探讨 “新药设计与开发”精品课程的建设与实践 常见问题解答 当前所在位置:l.
[4] 第九届中国国际数码互动娱乐展览会[EB/OL]. [2011-06-23]. /.
[5] 彭岩,王万森. 智能科学与技术专业建设的探索与实践[J]. 计算机教育,2009(11):30-33.
[6] 王小捷. 北京邮电大学的智能科学与技术专业[J]. 中国人工智能学会通讯,2011(3):28-30.
[7] 李仪.“人工智能与游戏编程”课程设计[J]. 计算机教育,2010(10):99-101.
[8] 陈少波. 中国动漫游戏专业教育现状和发展策略[J]. 浙江学刊,2007(2):221-224.
[9] 王浩. Visual C++游戏开发经典案例详解[M]. 北京:清华大学出版社,2010:204-217.
[10] 吴清强,刘方. 计算机游戏基础教程[M]. 北京:电子工业出版社,2010:187-196.
[11]John David Funge. 人工智能在计算机游戏和动画中的应用[M]. 班晓娟,艾迪明,译. 北京:清华大学出版社,2004:107-116.
[12] 于洪. 智能科学与技术专业的算法设计与分析课程教学探讨[J]. 计算机教育,2010(10):15-18.
Study on Intelligent Game Development and Design Teaching
YU Hong, WANG Guoyin, LIU Hongtao
(Institute of Computer Science and Technology, Chongqing University of Posts & Telecommunication, Chongqing 400065, China)
关键词:人工智能;大数据;交叉领域
自二战时期阿兰•图灵破解恩尼格玛密码机带来胜利的曙光之后,人工智能初见苗头,1956年“人工智能”一词首次由约翰•麦卡锡等科学家在达特茅斯研讨会上提出,时至今日,人工智能经历了60多年的浪潮和洗礼,其中有曙光、有冰封,也有期望。纵观当下,人工智能不仅仅是机器智能,在深度学习和推陈出新的算法推动下,其携手云计算、大数据、卷积神经网络等,攻破了自然语言语音处理、图像识别的瓶颈,像潘多拉的盒子一样在认知科学、机器人学、机器学习等领域全面开花,人工智能涵盖了从基础层、技术层到应用层等多个方面,为人类文明带来了翻天覆地的变化[1-2]。人工智能包罗万象,在其基础上衍生的大数据“洪流”对人类社会的方方面面进行冲击,这些数字的价值已然超越了诸如金钱、财产、黄金、石油,甚至是土地。然而,大数据技术也如同普罗米修斯盗得的圣火,一方面给人间带来温暖和光明,另一方面也有可能使自身被奴役甚至使人葬身火海[3]。因此,当我们沉迷于大数据的海洋中时,我们是否有能力像蓝鲸遨游大海一样自由掌舵,是当今大数据和人工智能时代存在的一个重大问题。是“曲径通幽”还是“会当凌绝顶”,我们如何在大数据中“浮游”,而不是一味地扩充,需要理性看待与合理评价大数据对人类生存和发展的影响。
1.人工智能和大数据与“工业革命”
2020年刚刚结束的新一轮美国总统竞选上演了各种“国家闹剧”,为何特朗普在2016年赢得大选,而4年之后却无法连任?时间推移,2016年他胜利的部分原因在于他利用了面临技术威胁的工业行业中工人们的焦虑,同时指责非法移民对美国及美国人资源和就业机会的占用[4]。但在技术浪潮的挑战中,自动化和人工智能才是占用的“根源”。早在18世纪60年代工业革命时期,机器取代人力,规模化工厂生产取代个体手工生产,即引发了人工智能数据的工业大变革。从机械结构、电气控制等模块的设计和改良,车间机器人的智能化已可以代替人完成生产作业[5]。通过智能化机器人可以减轻劳动负担,还可以用于环境检测[6]和实施救援[7]等,保护我们的人身安全。这些“机器人”在为我们减负的同时确实也引发了“失业危机”,这种现象不仅于美国,日本、韩国和德国亦是如此。我们也许可以形象一下,未来20或30年后,工厂中工伤几乎为“零”,完全实施机器人24小时作业,速度惊人,质量统一,而仅有的几个人使用简单的触摸界面对机器下达“命令”。机器的发展已超乎我们对普通机械的认知,21世纪开发的三大机器人中大狗(BigDog)解决了运动和重载运输问题,特别用于军事领域,被誉为“当前世界上最先进适应崎岖地形的机器人”;亚美尼亚(Asimo)从人类如何移动上展现了机器人仿人运动;Cog具有了人类所特有的思考,由不同处理器组成的异种机互联网络形成了“大脑”。特斯拉——其除了是电动汽车和能源公司外,还是自动驾驶汽车行业的领跑者之一。其2016年已销售具有自动驾驶、自动自制和自动停车功能的电动汽车,但出于法律和伦理层面,驾驶员还是要坐在驾驶位上,但他可以做他想做的其他事,发短信、打电话或是休息,而不再是驾驶汽车。我们可以不用担心酒驾,不用因为时间紧张而疲劳驾驶,不必为新手司机而变得脾气暴躁……汽车自动驾驶将让我们行驶得更规则、更安全和更“无聊”。自动驾驶上的智能进化,使得自驾型派送车为商业化服务成为可能,还有自驾型飞行器也在被研发,通用、宝马、谷歌等公司一直在努力开发,通过无人机在您家门口投送包裹将对电子商务世界带来更多创造性方案。“如果你够走运的话,机器可以把你当成宠物。”虽为戏谑之言,却又饱含心酸。工厂变得越来越自动化,但其仍需要人类专家,他们才知道如何监控传感器,知道在发生故障时如何进行修复,机器的运行离不开人的监控,只有人的思考才能有新产品的诞生以及高效的生产流程,我们与机器共存,是从体力中解放,但要从事脑力工作。
2.人工智能和大数据与金融的未来
“数字蝶变”席卷金融行业各个领域[8],金融行业应用大数据、移动互联网、人工智能等先进信息技术,累积了非常多的客户信息。通过大数据的帮助,金融公司在分析数据下寻找更多的金融创新机会。在商业智能(BI)的辅助下,电信业可以对客服描述和定位及需求进行预测;保险业可以在进行风险分析的同时进行损益判断;银行业可以调整市场活动,建立信贷预警机制等等[9]。人工智能和大数据让金融业形成了“以客户为中心”的模式。与客户最密切的金融即是金钱,但是它们已经被“支付宝”和“微信”以及更多的电子支付方式取代,越来越少的人使用现金,数字金钱是否会完全取代物质金钱,我们很可能会发展为无现金社会。那么首先“下岗”的是谁呢?答案毫无疑问:银行。巴克莱银行前首席执行官安东尼•詹金斯曾预测,对于工业化国家,银行员工和其分支机构在未来10年内会消失;花旗全球视角与解决方案的一项研究预测,美国和欧洲的银行将在未来10年裁减约180万员工;甚至2016年2月的一份丹麦银行家协会新闻稿表示,银行抢劫案数量连续第5年下降。就支付领域而言,在这样的时代背景下,如何利用大数据技术对跨越式发展的支付行业进行监管,成为一个值得深入研究的课题[10]。在人工智能下,我们都有被银行自动回复或自会读取特定问题的“员工”惹恼过。沟通技巧和财务知识同样重要,因此,银行业员工的下岗只是在基础性操作上,对于“专业咨询”,需要更多受过高等教育、具有更好沟通能力的员工。目前,我国的多数银行还没建立“开放、共享、融合”的大数据体系,数据整合和部门协调等问题仍是阻碍我国金融机构将数据转化为价值的主要瓶颈。大数据的整合、跨企业的外部大数据合作不可避免地加大客户隐私信息泄露的风险。有效防范信息安全风险成为商业银行大数据应用中急需解决的问题。
3.人工智能和大数据与“专家系统”
电子病历数据、医学影像数据、用药记录等构成了医疗大数据。医疗数据不仅包括大数据的“4V”特点,即规模大(volume)、类型多样(variety)、增长快(velocity)、价值巨大(value),还包括:时序性、隐私性、不完整性和长期保存性。医疗大数据可以提供预警性,当数据发生异常时,通过一定的机制可以发出警告,从而迅速采取相应措施,及时解决问题[11]。成立于1989年的美国胸外科协会(STS)数据库,至今已经涵盖了美国95%的心脏手术,收集了500万条手术记录[12]。其中的先天性心脏手术(CHSD)数据库是STS数据库的重要组成部分,是北美最大的关注儿童先天性心脏畸形的数据库,被认为是医学专业临床结果数据库的金标准。近年来,基于CHSD数据库所进行的数据挖掘不断增加,大型数据库对提高医疗质量所起到的正向作用正在日益凸显。如Welke等基于CHSD数据库探讨小儿心脏外科病例数量和死亡率之间的复杂关系[13];Pasquali等基于CHSD数据库探讨新生儿Blalock—taussig分流术后的死亡率[14];Jacobs等基于CHSD数据库采用多变量分析方法来研究病人术前因素的重要性[15];Dibardino等基于CHSD数据库采用多变量分析的方法来探讨性别和种族对进行先天性心脏手术结果的影响[16]。这些都是在医疗领域采用人工智能提供的医疗诊断,形成了“专家系统”,专家系统可以说是一种最成功的人工智能技术,它能生成全面而有效的结果。借助医疗大数据的平台,“专家系统”可以智能辅助诊疗、影像数据分析与影像智能诊断、合理用药、远程监控、精准医疗、成本与疗效分析、绩效管理、医院控费、医疗质量分析等。不仅是数据平台,“达芬奇机器人”可以看成医疗的高精尖“人工智能”,它能缩短泌尿外科手术以及术后患者恢复时间,促进患者早期下床活动,减低并发症发生率[17]。达芬奇手术机器人在消化系统肿瘤、泌尿系统肿瘤、妇科肿瘤和心胸部肿瘤等手术中均有运用[18]。正是机器人,还有其他人工智能设备,如插入手表或衣服里的传感器、植入我们皮肤下的芯片,以及智能手机中装有各种“专家系统”的远程医疗、预防医学,甚至是器官的3D打印和虚拟现实治疗等的发展,让医学发生相应的转变,并使其逐步突破人类的传统健康概念,那么是否意味着医学将成为只有科学性,毫无直觉性的学科呢?我们携带的内部传感器和外部应用程序将成为我们的医生吗?“你好,医生”被“嘿,Siri”取代吗?这不尽然。医学必然将是向精准化发展,并更具个性化、参与性、预防性和可预测性。医生不再是疾病的修理工,而是改善我们健康状况的顾问。直观当下,我们还是被“看病难”所困扰,我们提出“分级诊疗”,是在拥有家庭医生、全科医生和专科医生的基础上再加上人工智能,以实现预期的健康监测、辅助诊疗和疾病筛查。
4.人工智能和大数据与教育变革
面对各行业和各学科,教育作为传承文明和创新知识的载体,似乎被排除在人工智能之外。就目前而言,人工智能与教育深度融合发展还存在技术基础不稳、教育数据缺陷、算法能力不足等现实问题[19]。我国目前更想要做到的是在教育上消除“信息鸿沟”,促进教育公平、均衡发展。因此,目前可以看到人工智能的教育多在于语言学习软件,通过虚拟技术和人工智能构建一个灵活的、可扩充的虚拟交互平台,设计多维虚拟场景和智能人工角色,实现不同场景下人机角色的交流和学习,提升学习者的口语能力和语感知识[20]。这使得教师不再是唯一的知识传播者,任何互联网搜索引擎都将提供比教师所有的更多信息,并且可以更快捷地获取。肺炎疫情暴发以来,远程网络教育成了主要教学形式,互联网教育形式其实早在小学、中学和大学中运用,虚拟现实技术在教学领域的研究和探索也在全面展开。谷歌已经开发一款VR纸板视图,并将研发的虚拟课程一起推向市场,使现实生活中在生物课上解剖一只青蛙成为一件容易且有趣的事,通过虚拟青蛙,学生们可以去除心脏和其他器官,而不再是象征性的抽象体验。虚拟现实可以像互动游戏一样,比单一的在教室听老师授课带来更多乐趣和体验,学习效果可能更好。我们的学习是知识的积累,那么教育就是我们的库,荀静等结合自身情况对西安工业大学知识库构建进行探究,认为机构知识库在保存知识资产的同时,更重要的是促进学校知识资产的传播利用和管理,提升学校影响力和学术声誉[21]。刘畅等通过对东北大学机构知识库服务的推广研究,了解到开放获取的概念和实践已经受到了广泛的认可,机构知识库不仅可以成为一个知识的存储库,也可以成为各个学科领域的学者进行在线交流的平台,提供个性化的增值服务,既有利于机构知识库的内容建设,也可以进一步促进学术交流和科研合作[22]。知识库,即大数据的有机整合和有序利用,是学术成果、视频文档、实验数据等进行收集、长期保存、传播和提供开放利用的知识资产管理与教育服务[23]。
5.人工智能和大数据应用的共性需求
人工智能和大数据时代,海量的信息来自“五湖四海”,但都通过互联网络汇聚智能终端。这些数据只会进一步增多,不仅仅是云存储,对于信息的进一步挖掘、处理、分析和利用,目标性结果才是我们最想要的信息。全球包括IBM、微软、谷歌和亚马逊等一大批知名企业纷纷掘金大数据挖掘这一市场,大家都在开拓自己大数据分析平台。数据挖掘是大数据时代孕育的产物[24],是我们的共性需求,与传统的统计分析技术相比,数据挖掘有着自身的本质特征,数据挖掘是在没有明确假设的前提下去挖掘信息并发现知识。数据挖掘所得到的信具有先前未知、有效以及可实用三个特征[25]。数据挖掘的出现不是为了替代传统的统计分析技术,相反,它是统计分析方法学的延伸和扩展[26]。随着信息时代的到来,数据挖掘被越来越多地应用于各个领域。
6.人工智能和大数据的展望
大数据与人工智能相辅相成,在人工智能的加持下,海量的大数据输出优化的结果,使人工智能向更为智能的方向进步,大数据与人工智能的结合将在更多领域中击败人类所能够做到的极限。漫长的人类历史发展和进化,信息和人类一直“缠缠绵绵”“你追我藏”,因此,我们应该明白信息就是信息,我们需要的是“维基百科”,而不是仅仅的“维基”。走出狭隘的信息资源,管理和洞察大数据,才是对数据的有用。因为,我们早已告别了数据库放在一间房间的时代。此刻不得不提蓝鲸法则——大数据之道:了解数据懂得利用数据的“浮力”才是关键;“以简约为目标”将数据最终形成洞察及行为;可以通过“数据”“信息”“知识”流程式、组合式、直通车式各种需要的方式来获取[27],在简约中“印象”处理繁杂的大数据,使之“为我所用”。=数据也是一门科学、一项技术,如果实验不能证明其具有可重复性和一般性,那它是没有科学依据,但是,任何一项科技,如果你坚信它必将改变社会和商业,选择从长期展望其发展并持续付出努力,那么就是一种战略选择[29]。人类社会的政治、经济、文化、思维等固有“态势”被重刷,数据思维将为我们带来一个智能全新的世界观。
随着信息技术的不断发展,计算机科学渗透生活的各个领域,改变了人们的生活方式和学习方式。其中,人工智能作为计算机科学中迅猛发展的一部分,正在以其独特的魅力走进人们的视野。“人工智能”(Artificial Intelligence),顾名思义,即通过应用计算机来模拟人脑的信息接收、思考、判断以及决策等思维行为过程,进而扩展人脑的思维和行动,帮助人们高效智能化地解决特定问题。近年,人工智能在教育领域中发挥的作用越来越显著[1],其与众不同的特点决定了其在教育培训中的地位,将人工智能应用在农业知识培训中的可行性也成为教育界热议的新话题。
1我国农业发展背景和农业培训必要性分析
11我国农业发展背景
我国是传统的农业大国,农业对我国的经济发展具有极其重要的影响,一方面是由于我国人口基数大;另一方面是由于我国进出口贸易主要依靠农产品,农业发展成为影响我国经济发展最重要的因素之一。但由于各方面原因,我国农业发展还比较落后,尤其与发达国家的现代化农业相比,依旧有较大差距。
12开展农业知识培训的必要性
反思其他发达国家在?r业发展上实施过的举措,包括重视农业教育、科研和技术推广,注意提高劳动者素质;推广现代农业机械和高技术,重视农场管理;经营集约化、产业化;生产专业化;服务社会化;市场机制与政府扶持相结合;加强农业基础设施建设等,可以看出,我国在农业知识培训、素质教育、技术推广方面与发达国家差距明显。为发展我国农业,培养一批高素质、懂技术、会经营的农民以及一批愿意为农业发展做出自己贡献的高学历人才成为关键。农业的发展离不开农民的发展和进步,也离不开受过高等教育的精英人才的共同努力,而开展农业知识培训,则是为他们的发展奠定了一条夯实的道路。
2人工智能在教育中的应用与发展
近年来,伴随着人工智能在各行业的应用和发展,人工智能在教育领域中发挥的作用也越来越显著。例如,智能化的作业批改可以大大减轻教育工作者的沉重负担,在线学习等网络教学模式可以让人们更灵活地接受教育。从人工智能诞生伊始,其就与教育产生了密不可分的联系,延续发展至今,人工智能在教育领域中的应用主要包含以下几个方面。
21基于人工智能的计算机网络课程
计算机网络教育是对传统教育方式的一次革新,而人工智能对网络教育的渗透,又将其推向了新的发展高度。[2]学生可以自主地登录网络平台进行在线学习,根据智能导学系统制订学习计划,进行在线测试。例如近年来大为流行的MOOC课程,学生可以便捷地通过网络获取全球最高质量的教学资源,并可以量身打造自己的学习计划。
22基于人工智能的教师辅助系统
近十年来,智能传感器、语音识别、图像识别、深度学习、大数据等方面的蓬勃发展令信息的采集及处理越来越准确高效,这无疑使得人工智能与辅助教学系统的融合变得越来越深入。借助于语音识别、图像识别等技术,学生可以将学习过程中遇到的问题上传至系统,借助于数据库系统对信息准确的搜素和整合能力,实时地为学生提供答案或相关信息,答疑解惑。目前此类应用软件的应用广泛,例如小猿搜题、百度作业帮等。
23基于人工智能的教育数据库系统
随着信息化时代的到来,如何高效地搜集、分类和检索碎片化的教育信息和教学资源,无疑是一项巨大的挑战。为了更有效地分配和管理信息,在教育中引入智能化的数据库系统势在必行。现如今数据挖掘和深度学习的研究成果不断深入,依托知识库系统对教育信息的整合与构建,学生可以将已习得的零星的知识点进行扩充,由点至面的不断学习新知识;依托教育资源管理系统中来,教育管理工作者可以合理分配教学资源,让人们从爆炸式的高密度信息中解放出来,真正做到物为己用,因材施教。
3人工智能与农业知识培训的结合
新时代社会经济的发展为国家农业产业的发展翻开了新的篇章,如何加快社会主义农业现代化,促进农业转型,这为新时代的农业知识教育提出了新的要求。另外,近年来劳动力转型的趋势日益显著。随着农业劳动人口数量的减少,为了提高农业生产效率,需要有素质、懂知识的农民投入农业生产中来。因而,对于农业知识培训的革新作为农业现代化建设的重中之重,已被提上日程。
人工智能技术和教育领域融合的不断完善成熟,基于人工智能的农业知识培训正如雨后春笋般涌现,在农业教育培训领域崭露头角。
31人工智能应用于农业知识培训的优势
从我国农业发展的现状看,较之于发达国家,我国农业从业者的基数巨大但是整体受教育程度偏低,农业专业领域的知识匮乏,农业知识教育的推广不仅薄弱,而且效率低下。因此,伴随着信息化时代“互联网+”的新型教育模式对传统教模式的强有力革新,基于人工智能的农业知识培训展示了其强大的威力和优势,具体可以总结为如下两个方面。
311个性化教育针对性强
相比于课堂教学的传统模式,基于人工智能的网上在线教育模式能够为学生个性化地制订学习计划,灵活安排学习时间。这有力地解决了学生参加农业知识培训的时间成本问题,农业从业者可利用闲暇时间自主安排学习。另外,针对于培训者的当前知识水平和培训需求,培训平台可以个性化地安排教学相关领域的专业知识和操作技能。
312教育资源利用率高
我国当前的农业知识培训,教育教师需求数量和实际在岗教师资源极不匹配,具备丰富农业专业知识和农业生产经验的教师数量缺乏,这是导致农业知识培训推广速度缓慢的重要原因。而人工智能为这一问题的解决带来了福音,智能化的教学进程得以让教师从繁重的教学负担中解放。同时,基于网络的课程资源共享可以让先进的农业技术走进千家万户,让学生与优秀农业知识的距离不再遥远。
4平台开发的系统架构
基于人工智能技术,一个合理的农业知识培训平台能够像一个优秀的教师那样具备完备的农业专业知识和优良的教学技能知识,并且能够模拟及扩充教师的教学过程。除此之外,该培训平台还能够准确实时地与学生进行信息交互,有针对性地开展个性化教学,并可以自适应地完成教学效力评估和反馈,不断更新和完善教学内容和教学策略。基于以上分析,该开发平台的系统架构分为学生模型、教师模型、综合数据库模型和人机交互接口四个组成部分,结合下图对每一部分分别进行详细阐述。
41学生模型
学生模型应针对不同的学生,准确地评估学生当前的学习水平,对学生的学习背景、知识水平、知识架构进行诊断和评定,以便有针对性地制订教学方案,进而实施个性化教育。
另外,学生模型需要对学习过程中的学生的学习情况进行记录入库,对教育效果进行评定,从而诊断出当前教学计划是否合适,以便下述教师模型中对教学内容和教学策略的灵活调整。
42教师模型
教师是教学工作开展过程中的主体,一个合理的教师模型应该包括如下三个部分。
教师模型首先完成教学内容的选择,这要根据学生模型中对学生当前的学习水平的评定,并且针对学生既定的学习目标,并从下述知识库中调取对应的内容,为教学的开展做好准备。
在确定了教什么的问题之后,教室模型要确定如何教的问题,即选取合理的教学策略开展教学。教学方式的选择依附于学生模型,而又能根据学生学习情况记录进行反馈动态,不断完善和调整教学策略。
另外,在传统教学模式中,教师传授知识,并能为学生答疑解惑。当学生在学习过程中遇到问题和疑惑时,教师模型应该实时地提供信息支持,为学生提供针对性的帮助。因而教师模型要实现与人机交互接口的实时连接,在问题到来时控制模块驱动应答部分为学生答疑解惑。
43综合数据库模型
综合数据库模块为农业知识培训系统提供数据库支持,主要包括以下三个模块。
知识库模块中分类别地存放着农业领域的专业知识,包括文本、图像、自然语言、多媒体等多个类型的学习知识。一旦教师模型中完成了教学内容的选择,便由此模块中调取相对应的文件开展教学。
专家评估模块用于处理教学过程中的教学效果评价和经验总结,为教师模型中的各个环节的反馈和更新迭代提供数据支持。在一个完善的教学过程,教师需要根据学生的学习效果进行总结和反馈,以此指导下一步的教学内容和策略的更新。
为了对学生阶段性学习的效果进行评估,还需要引入测试考核模块对学生的成绩进行量化考核。测试考核模块中包含学生答题库和成绩测评库,准确检测出开展农业知识培?的作用与效果。
44人机交互接口
基于人工智能的农业知识培训的过程是学生和系统进行交流的过程,所以一个友好的人机接口是系统必不可少的组成部分。在这一模块中,友好的图形用户界面的设计能够帮助学生流畅地接收信息,提高学习效率。同时,借助于人工智能中对语音和图像信号的先进识别技术,人机交互接口可以智能化地接收分析和理解学生的自然语言信息和动作信息,进而为系统提供宝贵的输入信息。