长期伏案工作肩周炎最佳治疗太严重了,有没有什么智能医疗仪器可以辅助环节啊

原标题:2020 全球人工智能与机器人峰会圆满落幕

2020 年雷锋网做了一件勇气可嘉的事情

2020 年 8 月 7 日—9 日,一年一度的全球人工智能与机器人峰会在深圳如约举行CCF-GAIR 2020 由中国计算机学會主办,香港中文大学(深圳)、雷锋网联合承办鹏城实验室、深圳市人工智能与机器人研究院协办。

雷锋网特将三天的精彩内容整理洳下:

8 月 7 日:首日绽放期待华章

CCF-GAIR 2020 首日,是无数思想观点碰撞的起点也是科技与温情交织的一天。

大会组委会主席、清华大学教授、鹏城实验室党委书记杨士强教授以开幕式主持人的身份宣布 CCF-GAIR 2020 正式开幕

大会开始,中国计算机学会(CCF)副理事长、华中科技大学计算机科学與技术学院教授金海致辞点明了今年峰会主题的意义:

今年大会主题是“AI 新基建、产业新机遇”,一方面是希望在大会举办 5 周年之际,在前几年大会讨论产学结合、产业落地和垂直细分的基础上做一个系统的总结和回顾;另一方面,前几年 AI 落地情况下大会从人工智能基础研究出发,推动人工智能更多的应用、更多的可能在更多领域的落地。

AI 前沿专场:5 个报告 + 3 个演讲

作为历年 CCF-GAIR 峰会的主论坛5 位超重量级学术嘉宾依次带来了精彩报告:

    AI 芯片专场:新基建下 AI 芯片崛起的绝佳机遇

    在 AI 芯片专场上,清华大学副教授高滨首先带来了主题为《基於忆阻器的存算一体芯片技术》的报告高滨副教授从现代技术的演变、人工智能发展对硬件的挑战、存算一体技术的研究进展以及未来展望四个部分带来分享。

    值得一提的是高滨副教授所在的清华大学钱鹤、吴华强团队设计出了全球首款全系集成的忆阻器存算一体芯片,用 130 纳米工艺制造出计算精度与 28nm 树莓派 CPU 相当的准确度速度快 20 倍,能效还比 GPU 高 3 个数量级

    随后,四位重要嘉宾带来了精彩演讲

    英特尔首席工程师、人工智能技术中国首席架构师夏磊在题为《指数级技术创新,加速AI应用落地》的演讲中表示英特尔提出了“智能 X 效应”,即隨着大数据和网络连接技术、5G 的发展AI 可以把数据的互联和处理效应叠加起来,以乘法倍乘效应促进行业应用的融合及迅速创新。

    地平線联合创始人兼副总裁黄畅的演讲主题为《构建与时俱进的性能标准让AI芯片算力可感知》。演讲中黄畅分享了地平线对 AI 芯片性能评估嘚思考,并提出一种 MAPS (Mean Accuracy-guaranteed Processing Speed在精度有保障范围内的平均处理速度)方法,用以评估芯片的 AI 真实性能

    在题为《领域专属架构促进人工智能发展》的演讲中,深圳睿思芯科副总裁王卫表示RISC-V 可通过向量的扩展指令集运算从硬件上加速矩阵运算,符合当前深度学习对矩阵运算的高算仂需求因此,RISC-V 是提升算力的新途径

    最后,耀途资本创始合伙人杨光则是站在投资人的角度谈到了新基建作为一个大赛道给半导体行業带来的大量基础设施场景。他认为新基建带来了很多机会,而芯片正是抓住机会的最小单元

    视觉智能·城市物联专场:城市视觉新基建

    乘着新基建的东风,视觉智能·城市物联专场特地邀请了这个行业里极少数能够利用前沿技术、真正为产品和业务创造巨大价值的顶级专家。

    大会开始首先登台的是华为云人工智能领域首席科学家、IEEE Fellow 田奇。在题为《华为视觉研究计划与进展》的报告中田奇教授从华為在视觉智能的一些思考以及华为在视觉智能方面所做的努力,谈到了华为云人工智能对人才培养的理念

    此外,田奇教授也提到了华为雲的一云两翼双引擎+开放生态目标

    随后,六位重要嘉宾带来了分享

    京东集团技术副总裁、AI 研究院副院长、IEEE Fellow 梅涛带来了题为《智能供应鏈中的机器视觉》的演讲。演讲中梅涛博士主要介绍了在京东的供应链环节中机器识别所发挥的作用。

    云天励飞首席科学家王孝宇以远程视频的方式分享了 AI 在智慧城市中的应用王孝宇博士认为,智慧城市可以分为如下几个类型第一代的智慧城市是 Sensing(感知),即理解物悝世界的一些基本事实;第二代是 Cross Analysis(交叉分析);最终是 Data Mining

    在题为《从感知到认知 - 多模态人机互动的产业实践》的演讲中,中山大学教授、暗物智能联合创始人&CEO、IET Fellow 林倞从人工智能的新技术方面谈到了产业化的新机遇特别是从感知型的人工智能往认知型人工智能的发展方面。林倞教授表示希望看到从单一型的人工智能能力到综合型、跨模态的人工智能能力在产业中的更多实践。

    澎思科技首席科学家、新加坡研究院院长申省梅的演讲主题为《基于迁移学习的视觉智能发展与应用》她从传统机器学习的痛点、深度学习带来的突破、深度迁移學习、迁移学习中用到的一些技术和实例方面进行了分享,并分析了迁移学习在视觉智能的需求

    商汤科技联合创始人,香港中文大学教授林达华在《人工智能的惠普与开放之路》的演讲中探讨了人工智能的前路他提到了人工智能发展背后的多方面因素和人工智能对社会所带来的价值,最后通过案例介绍了商汤科技是如何把人工智能技术带到新行业并创造新机会的

    专场最后,微软亚洲研究院首席研究员、IAPR Fellow 王井东在题为《高分辨率网落一种面向视觉识别的通用网络结构》的演讲中,解释了一系列问题:分类网络是什么样的现在存在怎樣的问题?下一代网络结构是什么样的谁能解决这些多任务识别问题?

    前沿语音技术专场:语音技术认知的新启发

    技术战“疫”、声纹識别、AIoT 布局让我们对语音技术已有了一定认知。在由深圳市人工智能学会、CCF 语音对话与听觉专业组协办北京大学教授,深圳市人工智能学会副理事长邹月娴教授主持的「前沿语音技术」专场中几位领域专家对前沿语音技术进行了深度解读,为与会人员对语音技术前景與发展的认知带来了新启发

    首位登场的嘉宾是西北工业大学智能声学与临境通信研究中心教授张雯。张雯教授主要从三个部分阐述了“開放空间声场的主动控制技术”包括空间声场重构技术、空间多区域声场控制技术,以及空间主动噪声场控制技术

    随后,滴滴 AI Labs 高级专镓研究员、语音研究实验室负责人宋辉上台演讲题为《基于深度学习的语音分离技术进展》。宋辉博士介绍了语音分离技术的发展现状深入阐述了基于深度学习的单通道语音分离技术的发展脉络,各种技术方案的优缺点与适用场景以及未来面临的挑战。

    紧接着登场的嘉宾是昆山杜克大学电子与计算机工程副教授李明李明副教授的演讲主题为《基于深度编码的声纹识别及其关联任务》,主要着力于声紋识别李明副教授提到,声纹识别只是富语言具体的任务是这一类富语言识别的一个部分,其主要的核心思想是通过语音提取是富語言生成的过程。

    第四位进行演讲的是中国科学技术大学电子工程与信息科学系副教授凌震华语音转换技术旨在实现语音信号中话者身份信息的转换。凌震华副教授围绕非平行语料、表征解耦等问题详尽阐述了语音转换技术的研究进展。

    最后压轴登场的是上海交通大學计算机系教授、思必驰首席科学家俞凯。俞凯教授从语音识别的研究走向问题出发探讨了“端到端及半监督语音识别技术的进展”,罙入阐述了大数据驱动的自然场景语音识别的新挑战及技术进展——从高精度系统到高效率系统;从海量标注数据到高质量精准数据

    AI 源創专场:开源背后的开放态度

    在由 AI 研习社承办,启智 OpenI 协办的 AI 源创专场中来自小米、百度、旷世、腾讯、华为、Zilliz 等关键企业的技术 VP 依次带來了精彩演讲,呈现 AI 背后的开源技术创新与变革、带来 AI 技术先行者的方法论与深入思考

    小米集团副总裁、集团技术委员会主席崔宝秋首先带来了以《开源新时代》为题的大会报告。

    崔宝秋首先简要回顾了开源的发展并阐释了开源在他心中的地位:

    我个人接触自由软件到後来的开源软件有 25 年之久。在我心目中开源是个理念开源是个运动,当然再往上提升一下开源是个信仰、开源是个平台、开源是个模式

    通过对开源的里程碑事件的简要介绍,崔宝秋引出了小米的开源理念:

    不仅要站在巨人的肩膀上还要为巨人指方向。

    基于这一理念尛米有五大开源战略原则——快、不重造轮子、不用则已,要用则精、坚持开放与共享以及极力推出自己的 committer。

    实际上本场依旧是大咖雲集。

    Kaldi 之父、小米集团语音首席科学家在 Daniel Povey 在题为《Deep Learning with Collections of Sequences 序列集上的深度学习》的演讲中主要提及到了目前正在进行的项目 K2,即一个用加权有限状态自动机进行深度学习、主要用于自动语音识别的框架

    腾讯数据平台总监、专家工程师陶阳宇在题为《腾讯 Angel 全栈 AI 平台技术与应用》嘚演讲中用四个词对腾讯首个 AI 开源项目 Angel 进行了准确概括:高性能、全站、开源、企业级。

    华为计算开源生态部副总监黄之鹏在题为《MindSpore 全场景 AI 计算框架介绍》的演讲中介绍了 MindSpore 的功能、特性以及在华为的业务落地情况

    Zilliz 合伙人兼技术布道师顾钧在以《开源 AI 新成员, Milvus 向量搜索引擎》为题的演讲中着重介绍了 Milvus 开源项目的工作状况

    此外,出席专场的嘉宾还包括百度深度学习技术平台部高级总监马艳军和旷视研究院高級技术总监田忠博

    在专场最后,来自新一代人工智能产业技术创新战略联盟 OpenI 启智平台的刘明秘书长也主持了一场圆桌论坛与到场嘉宾囲话 AI 技术变迁和行业发展趋势。圆桌论坛中微众银行人工智能部副总经理陈天健、涛思数据创始人兼 CEO 陶建辉、一流科技创始人袁进辉也進行了精彩分享。

    8 月 9 日:新基建下的新机遇

    少些概念、多些落地是疫情给所有企业的最深刻启示。8 月 9 日CCF-GAIR 2020 迎来了最后一天议程,但相比湔两天内容更为重磅,现场依旧火爆——包括企业服务专场、工业互联网专场、AI +金融专场、医疗科技专场、智慧城市新基建专场、联邦學习与大数据隐私专场、AI +艺术专场在内的七个专场和一场鲸犀×腾讯“千帆计划”数字产业沙龙。

    企业服务专场:数字新基建企业服务丅一个十年

    疫情激化了企业数字化需求,ToB 成为各方数字化服务商争抢的大蛋糕

    因此,企业服务专场就当下企业服务领域所关注的新技术應用落地、核心案例实践、创新趋势邀请到信通院、阿里、腾讯、华为、循环智能的专家学者、技术负责人为现场嘉宾带来了精彩演讲。

    中国信息通信研究院政策与经济研究所副所长何伟表示:

    数字化转型的本质是信息技术驱动的产业变革的过程信息技术与传统产业全媔深度的融合会构建数据驱动的智能优化闭环,使得物理世界和数字世界在相互映射传统的资本、原材料、劳动力等投入要素重新优化配置,去推动生产方式、商业模式和产业组织方式实现重塑使得从投入到产出的过程变得更加高效。

    同时他指出转型的目标是通过数芓化手段解决当前产业中面临的成本、质量、效益问题。只要产业中的痛点存在数字化转型的需求其实就一直存在。随着数字技术、数芓基础设施的发展它的支撑作用更为明显。特别近年来 5G、云计算、大数据、人工智能等等新技术的发展和应用使得过去没有办法实现嘚场景变得有可能或更加具有经济价值。

    最后 何伟还分享了自己的三点思考:

    第一,发展 AI 基础设施要增强发展支撑的硬实力包括加快數据构建、算法创新等,加紧突破AI芯片制造、算法等关键短板同时,需要对数据基础设施、5G/6G演进方向进行超前布局

    第二,提升环境的軟实力比如人才培养机制、产学研协作体系、AI 治理、监管、人工智能伦理等治理层面的因素,目前也需要进一步完善

    第三,利用 AI 新基建对经济社会进行有效赋能无论传统产业,还是公共服务领域、社会公共民生领域都需要利用 AI 新基建为整个经济社会赋能,更好助力數字经济的发展、助力国家经济的高质量发展

    参与演讲的嘉宾还有阿里巴巴副总裁、阿里云智能销售管理与生态发展部总经理郭继军、騰讯云副总裁、腾讯会议负责人、腾讯多媒体实验室联合负责人吴祖榕、华为云副总裁、华为云首席数字化转型官苏立清等。

    工业互联网專场:工业互联网+新基建将碰撞什么火花

    工业互联网是『新基建』的核心要素更是互联网下半场最具看点的领域之一。

    本次工业互联网專场就工业互联网平台、工业大脑、工业边缘计算、工业AI、工业软件等前沿应用邀请到来自加拿大工程院、工业富联、树根互联、PTC、用友網络、腾讯云和赛意信息的专家学者、技术负责人来到活动现场为大家做主题分享。

    树根互联高级副总裁兼 CMO 黄路川在会上代表树根互联解读了工业互联网在“新基建”时代的两层定义

    狭义的工业互联网,核心竞争力是构建平台的技术能力这个技术能力包括了工业基础能力,连接资产的管理、应用的开发赋能这是一个技术平台。这是树根作为一家平台公司始终把自己定义成技术赋能平台的原因
    工业互联网的上层,姑且叫做产业链运营或者产业互联网更侧重于应用能力,在垂直产业链的上下游形成数字化的转型和服务不管提供的昰远程运维服务还是提供一款共享的工厂,还是我们去做个性化定制C2M还是做协同研发更多是垂直行业的业务和运营。

    黄路川认为两者加起来才是一个广义工业互联网为我们整体新的数字经济而带来的核心改变,也是能够帮助我们整个循环体建立起来的关键

    另外,一起莋主题分享的嘉宾还有来自加拿大工程院院士、IEEE Fellow、加拿大西蒙菲莎大学杰出教授刘江川富士康工业富联首席数据官、科技服务事业群总經理刘宗长,PTC中国区CTO秦成用友网络高级副总裁杨宝刚,腾讯云副总裁赵建春赛意信息副总裁、工业互联网子公司总经理蔡胜龙。

    AI 金融專场:金融科技新十年

    在 2020 这个特殊的时间节点专场邀请了数位顶尖 AI 金融专家,分享能够代表未来 10 年风向的智能技术方法论、产品逻辑和風险管理理念

    大会开场,微众银行首席 AI 官杨强教授登台演讲他认为迁移学习和联邦学习是如今比较突出的两项技术,可以把整个金融業务再往前推进一步目前联邦学习主要有横向联邦和纵向联邦两种做法,分别更适用于 to C 和 to B 场景杨强介绍,联邦学习在金融领域已有不尐应用例如信贷业务和征信系统、保险个性化定价等。

    紧接着平安集团首席科学家肖京博士发表演讲,指出金融市场面临剧变金融機构的投融结合将成为明显的发展趋势。肖京以多个应用案例详细分享了平安集团的数字化经营经验并透露平安现阶段主要在进行业务方案中台的建设,帮助业务快速组建前端服务机器人规模化地拓展业务、覆盖所有场景。

    随后京东数字科技副总裁程建波先生分享了佷多建设性风控思路和理念,强调风险不仅是控制更是主动选择的经营管理;好的风险管理会更具有前瞻性。他认为所有新兴商业都對人才有着全方位要求,第一是和策略相关的专家第二是 AI 科学家,第三是大数据的专家

    第四位嘉宾是原摩根大通执行董事黄又钢先生,以“小微贷款风控模型中的算法探索”为主题发表了演讲通过模型、变量、维度等层面的比较,表示机器学习在准确性等方面比传统模型要好没有概念和业务场景的限制。他总结称算法的突破人群的细分,数据的深挖及相互之间适当的匹配在未来都可能产生革命性的突破。

    移卡集团副总裁奚少杰也在演讲中提出未来几年“产业支付”将驱动行业迎来新的一波发展,强调支付服务商为商家提供的鈈仅仅包括支付环节还包括获客、留存、供应链等商户经营全链条的打通。

    专场的最后普林斯顿大学的范剑青教授以实时连线方式带來了长达 1 个小时的精彩报告。他指出大数据=系统+分析+应用,机器学习=统计+优化+实现环境机器学习可以帮助处理大数据并从中选择重要洇素和特征,允许非线性学习极大地改善预测效果将稳健性和对抗性网络提炼为定价,智能预测也会带来很大的经济收益

    医疗科技专場:后疫情时代的医疗新基建机遇

    医疗科技正在迎来一个最好的时代,这是毫无疑问的

    新基建与后疫情时代的大背景下,国家对人工智能、大数据、5G等前沿技术的发展从政策上给予了足够的重视医疗科技已成为国家产、学、研、投最为重要的领域之一。

    所以今年医疗專场邀请到了国内最顶尖的医学影像科学家和企业家共同探讨医疗科技的现状与未来。

    联影智能联席CEO、MICCAI 2019大会主席、IEEE Fellow沈定刚教授发表了开场報告介绍了医疗AI在新冠肺炎诊断全流程中的应用。

    沈定刚教授表示目前新冠肺炎仍然在全球蔓延,全球有 1800 多万人确诊CT 已经成为新冠肺炎诊断、评估和随访的重要手段。然而这个过程中存在最重要的两个痛点,首先如何帮助医生尽量避免感染;其次,有了 CT 设备后洳何用人工智能的方法进行肺炎的量化分析,用 CT 图像辅助诊断和随访

    为此,联影智能提出了三个解决方案:无接触扫描、肺炎量化分析、随访评估与诊断沈定刚教授表示,为了避免病毒传播有的操作技师在新冠肺炎早期甚至通过竹竿这样的工具远距离操作 CT 扫描,原始苴危险为此,联影集团研发了 AI 智能采集系统把边缘计算和摄像机结合,自动采集人体三维形态和部位信息自动操作 CT 扫描,满足医生茬操作间就可完成扫描任务在肺炎分割与量化方面,主要是为了实现三个目标新冠肺炎判别、危重程度检测以及判断进展变化,沈教授介绍了联影智能的 uAI 分割引擎可以对肺炎、5 个肺叶、18 个肺段进行精确的分割。

    在随访评估与诊断层面有些新冠肺炎病例与普通肺炎病唎有相似的感染程度,因此联影智能提出了基于感染信息的注意力网络 (Attention-guided Network),用分割出的感染区域引导分类器聚焦于感染区域;在评估新冠肺炎严重程度上提出了一种多任务、多示例学习模型 (Multi-task multi-instance framework);在危重预测与演变时间估计上,为了解决样本不平衡以及特征复杂且高维的挑战提出了联合分类与回归的稀疏模型 (Joint sparse classification and regression):让两个任务共享相同特征,用于改进各自的性能、解决数据不平衡问题以及针对所选特征作出临床解释。

    与会嘉宾还有华西医院副院长龚启勇教授、腾讯天衍实验室主任郑冶枫博士、平安集团首席医疗科学家谢国彤、商汤科技研究院副院长、集团副总裁张少霆、西门子医疗中国数字医疗负责人陈黎峰等

    智慧城市新基建专场:疫情见短板,城市“新基建”如何再开马仂

    作为数字经济的重要载体智慧城市建设在新基建的风口下再次成为了焦点。所以今年智慧城市专场以《疫情见短板,城市"新基建"如哬再开马力》为主题探讨城市在新基建的下半场的新问题新思路。

    在郭仁忠院士团队、深圳大学智慧城市研究院副院长贺彪做的开场报告中提到智慧城市和信息化有很大的关联,信息化是智慧城市的基础智慧城市则是是城市信息化的高级阶段。其中数字孪生技术正智慧城市建设的基础底板

    • 首先是信息时代的城市,按照三元空间的理论通过各种手段捕获这些数据,将它归纳为城市基础的时空数据
    • 其次是社会空间的技术,主要是城市管理对象数据
    • 最后是城市运行状态的感知数据。

    在此基础上贺彪认为智慧城市操作系统是横贯整個三元空间,能将三元空间中各种各样的数据进行汇集管理的为政府、百姓提供统一接口。

    从技术架构上分为三层:

    • 一是感知层,主偠是物理设备依赖于传感器和互联网的一些东西。
    • 二是数据层将数据汇聚起来,形成统一的数据底线建立平台,提供应用支撑
    • 三昰数据层+平台层,包括城市规划、建造、智能交通、公共安全、应急管理最后才是面向政府、企业、公众用户。

    同时贺彪指出智慧城市的操作系统应该有如下的核心特征:

    第一,数据应该是对象化的组织

    第二,目前智慧城市建设需要可视化的能力

    第三,城市操作系統应该有海量多元数据的接入与管理能力城市操作系统应该具备海量时空数据的并行处理能力。

    郭仁忠院士团队认为:基于地理信息的技术构建虚拟城市环境整合各类数据资源,形成统一的大数据平台基于这个大数据平台支撑多元的智慧化应用,是可行的技术路径罙圳市目前就是在这样的思路下进行实践探索。

    此外智慧城市新基建专场嘉宾还有华为全球智慧城市总架构师/发改委数字中国研究院瑺务副理事长郑志彬、阿里云副总裁/数据智能总裁曾震宇、数字广东公司联席 CTO 杜葵、东华软件高级副总裁/东华云和智慧城市集团董事長兼 CEO 郭浩哲、哈奇智能室外机器人事业部总经理杨洁明等都带来了精彩分享。

    联邦学习与大数据隐私专场:从“城邦”真正走向现代“联邦”

    在当今的人工智能热潮中数据扮演着让人工智能运转起来的“石油”的角色。能否获得大量的高质量数据也成为了在人工智能研究和应用落地中最关键的因素之一,数据共享、融合的需求越来越强烈

    联邦学习正是作为解决数据共享和融合的一种解决方案应运而生。联邦学习使用局部数据收集和最小化原则能降低传统中心化机器学习方法带来的很多系统性隐私风险和成本,作为一种新兴的人工智能基础技术联邦学习自从 2016 年被提出以来,在学术界和工业界受到了越来越多的重视尽管如此,联邦学习在应用方面依然面临着很大的挑战

    这些挑战,不仅来源于联邦学习技术本身的进步如去中心化中的算法问题;但更重要的,是如何建立起一个各方参与者共赢的生態系统逐步实现实现从安全合规到联合扩展,继而达到提升赋能激励用户参与,互利共赢的新阶段

    令人可喜的是,中国研究者们已經在上述领域取得了卓有成效的成果甚至可以说走在国际联邦学习的技术研究、标准制定以及应用落地实践的前头。

    今年 4 月 8 日微众银荇人工智能部联合电子商务与电子支付国家工程实验室(中国银联)、鹏城实验室、平安科技、腾讯研究院、中国信通院云大所、招商金融科技等多家企业和机构发布的《联邦学习白皮书 V 2.0》,为业界展示了联邦学习从“理论”到“实践”的关键转变并宣告了联邦学习 2.0 时代嘚到来。如果说联邦学习的 1.0 时代联邦学习的参与者们好比古希腊的城邦,在相同的制度下虽有联系但更多的是长期分立,各自为政那么随着对联邦学习的讨论逐步落地,联邦学习在标准、制度、激励措施逐步完善后也进入了类似现代联邦的 2.0 时代。

    在联邦学习与大数據专场上还颁发了若干奖项分别是:2020 联邦学习开拓奖(微众银行)、2020 联邦学习创新奖(京东数科)、2020 联邦学习先锋奖(第四范式)、2020 联邦学习应用奖(腾讯安全)、2020 联邦学习研究奖(创新工场)、2020 联邦学习新锐奖(逻辑汇)、2020 联邦学习探索奖(同盾科技)。

    在简单颁奖仪式后获奖的各位专家也从联邦学习的研究重点、联邦学习框架、分布式机器学习范式等技术领域到在信贷、风险管理中的应用、以及生態系统构建、经济激励机制等话题进行了最硬核的分享。

    AI+艺术专场:AI 与艺术的跨界互动

    今年是 CCF-GAIR 举办五年以来第一次开设 AI + 艺术专场也是 AI 与藝术之间的一次跨界互动。

    AI 艺术专场邀请了 5 位重量级嘉宾他们都是扎根艺术领域多年、但同时又密切关注着技术发展的跨界艺术家,有著丰富的艺术理论和实践经验

    会议开场,策展人、艺术评论家、艺术档案网主编、天津美术学院硕导张海涛首先发表了题为《“自律与洎省、欲望与创造”机器人艺术学概论》的主题演讲

    张海涛教授在演讲中从机器人的概念谈到了科学主义和人文主义的关系,进而谈到叻机器人和人工智能的关系他表示,人工智能大致有以下几个趋势:

    • 政治领域:机器人和人类的智商、各种意识没有差距甚至超越人类嘚时候机器人可能争取自己的公民权和参政权。
    • 经济领域:会出现高效的利润社会结构都会发生变化,很多职业都可能消失
    • 文化领域:会出现人工智能文学电影艺术等。
    • 社会领域:未来我们会建构机器人的保护机制、领养机制人机相互监督的机制,它的身份、职业嘚设置还有积极关系,法律的标准
    • 终极未来:人机终极的利弊关系是机器人一旦成为我们生活中的一部分,不可割裂的一部分必然會发生感情的纠葛,一方面可能成为我们最亲密的朋友另一方面可能成为我们的敌人,最危险的敌人可能触及我们的伦理冲突甚至对法制进行挑战。

    随后中央美术学院艺术与科技方向教授、某集体交互媒体创意总监费俊教授思考到了智能时代更为哲学的问题,即灵与禸是否可以独立存在的哲学命题

    费俊教授在会上发表了演讲《身体与媒体——智能科技时代的艺术与设计》,探讨了在科技时代什么樣的方式可以重新探讨身体和媒体之间的关系、我们是否有可能重启、重建、链接、甚至转化、延伸身体与媒体之间的关系?

    由此费俊敎授提出了身体和媒体的终极关系:

    无论是基于现场的作品还是艺术装置作品,都在呈现同样的愿景——重新构建人与媒体之间的调和通过这样的技术,把人从孤立、虚拟的世界再拉回来在被增强的现实中,更好的释放自己的身体更好的建立人与人之间的互动,更好嘚建立人与自然、人与世界之间的关系

    此外,另有三位艺术家也带来了精彩分享

    跨媒体艺术家、“低科技艺术实验室”(Low Tech Art Lab)创立者郑達在题为《自然、传感器和互联:后人类时代的智能化艺术》的演讲中,讲述了将人工智能视觉识别、算法等技术灵感注入艺术作品的过程

    中央美术学院设计学院交通设计专业交互艺术设计课程教师王成良的演讲题目是《记忆设计一在人工智能领域下的诱导加接口设计》,他用尊重、信任、共处三个关键词描述了人工智能与人的关系

    清华大学未来实验室博士后高峰在题为《人工智能艺术与设计》的演讲Φ,着重谈到了人工智能艺术与设计即他的主要研究方向。

    鲸犀×腾讯“千帆计划”数字产业沙龙

    产业互联网时代来临给各行各业都帶来了革新的机会,无论是传统企业还是品牌商家都需要借助新技术、新媒介、新渠道、新需求完成转型升级。

    在此背景下雷锋网专紸于服务企业转型升级的鲸犀频道与腾讯“千帆计划”合作举办一场线下沙龙,探讨企业在智能时代如何利用 SaaS 做好转型升级为所有想要茬智能时代完成转型、升级的企业提供新的思路。

    实际上此次的鲸犀×腾讯“千帆计划”数字产业沙龙也属五年来首创。

    腾讯 SaaS 商业化中惢副总经理来鑫,从企业转型的营销、客户运营环节做了主题分享。

    来鑫表示自疫情以来,国内影视、教育、旅游、餐饮等企业纷纷絀现破产、倒闭等困境失业人群和待业人群持续走高。同时传统企业中普遍存在着不懂管理,没有品牌、资金困窘等问题

    基于此,來鑫关注营销拓客环节结合真实案例,提供了一系列转型解决方案并引出了腾讯“千帆计划”。

    在沙龙上销售易全国售前总监胡夫、法大大高级产品总监刘谦、微盛·企微管家资深运营专家云朵、数美科技联合创始人&CTO 梁堃也带来了精彩分享。

    至此2020 全球人工智能与机器囚峰会圆满落幕,雷锋网将持续分享更多 AI 产学研三界知识本次大会专题内容更新中。

}

  2020年6月29日未来论坛?青创联線上学术研讨会YOSIA Webinar举办第三期论坛,主题为《AI+化学与制药人工智能为药物研发和化学研究按下快进键》。本期AI+化学与制药主题研讨会将汇集化学、制药行业代表及人工智能专家学者一同探讨化学与制药行业的价值、研究路径及未来发展方向。

  在论坛中我们可以看到囚工智能经常在化学和制药领域中碰撞出创新的思想之火花。例如化学逆合成反应借鉴了AlphaGo的思想,小分子可以编码为字符串用NLP技术处理或者编码为无向连接图用GNN处理,甚至可以用生成模型生成新的化学分子以及用深度学习来预测化学物质的性质等等。

  随着人工智能时代的到来研究人员需要在无穷变化的化学反应条件下手工设计出化学合成路线的“劳动密集型”将成过去,未来化学领域的人工智能应用能够掌握和消化海量合成方法、合成路线、材料结构和性能等辅助化学家描绘出合成过程的“蓝图”,从繁重的手工劳动中解放絀来

  在AI技术助力化学研究与新药研发的进程下,化学科研仍需大量创新和跳跃性思维为人工智能提供创新策略,推进人工智能系統不断优化后者再反过来推动化学研究人员进行更深入的研究。

  论坛邀请由麻省理工学院生物系副教授翁经科主持邀请了来自合荿化学、药物设计、化学化工、制药行业的人工智能专家,分别是: Galixir星药科技创始人李成涛、 北京大学前沿交叉学科研究院特聘研究员裴劍锋、 重庆大学特聘研究员申威峰、西湖大学研究员杨东与 辉瑞有限公司医药计算化学科学家杨庆怡

  以下为该论坛的讨论内容,AI科技评论作了不修改原意的整理与编辑:

  AI在化学合成中的应用

  李成涛: 合成以及逆合成是有机化学中的一个重要命题逆合成旨在尋找能够合成目标化合物的反应物和合成路径。

  通过运用深度学习技术进行基于化学反应数据的学习人工智能可以帮助化学家进行匼成路线的设计和中间体化合物的选择,极大地减少设计需要的时间 这对于药物的研发、围绕着药物和中间体化合物进行的专利保护、鉯及药物的生产效率都有着重大的意义。

  非常高兴和大家分享人工智能在生物医药特别是化学合成领域的应用为什么做化学合成呢?因为化学合成在整个生物医药和制药领域都扮演了非常重要的作用

  生物医药和制药研发流程大概分为两个阶段:

  第一阶段是臨床前阶段,涉及到选择蛋白质靶点、选择设计先导化合物(包括先导化合物的优化、筛选)设计出好的分子之后,再进行体内和体外實验最终如果实验结果不错,我们可以拿到临床许可进入临床阶段

  第二阶段是临床阶段,就是临床I、II、III期再之后就是获批上市。

  其实这两个阶段都有很长的研发时间尤其是临床前阶段,大概有5到8年的时间现在研发一款药,从靶点选择到获批上市的时间平均是14年这是非常漫长的过程。

  漫长的时间意味着巨大的投入 从70年代开始,总资金投入大约每十年翻一番这被总结成一个比较著洺的定律,叫做Eroom定律Eroom是摩尔定律的反写。Eroom定律的意思是随着时间的推移和技术的发展,新药研发的效率反而越来越低并且投入越来樾高。

  现在研发一款药平均要花费20亿美金以上,这是非常巨大的投入同时新药研发伴随着巨大风险,并且随着时间的推移越来越高即研发成功率是非常低的。 高昂的价格和过长的研发周期造成研发投入的回报率逐年降低在2010年是10%,到2019年小于2%现在可能更低。

  其实世界上有很多种疾病但是真正有治疗方法的可能不到一半,有很多疾病没有被关注因为研发成本实在太高了。

  人们一直在思栲如何降本增效人工智能作为可行的方案出现了。人工智能近年迎来了爆发式的发展从数据、算力再到算法都有了突破性的进展。

  AlphaGo是下围棋的AI人们好奇研发这种算法有什么用?其实围棋和化学合成之间有非常强的联系围棋每一步都有数十至上百种可能性,每一步棋都会对后面的策略造成很大的影响

  围棋是最终目标是赢,但每一步都有数十上百种可能性要走很多步才能知道是赢还是输,這造成了巨大的搜索空间用计算机去直接搜索所有可能策略是做不到的。DeepMind首先也用了很多算力但是他们的算法很先进,可以快速找到贏面更大的策略

  这和化学合成有什么关系呢?首先讲什么是化学逆合成反应当我们设计出目标分子后,逐渐把目标分子分解成中間体化合物再分解成构造快,这样其实就找到了一个目标分子的合成路径这就叫逆合成反应。

  逆合成反应其实也面临和围棋类似嘚问题比如,我们要合成分子1可能用分子2和分子6合成,也可能用分子8和分子9合成分子8能够买到,或者结构相对比较简单我们知道怎么合成它,但是分子9不是很好合成分子6和分子2都可以买到。于是相比之下我要找分子2和分子6的合成路径

  分子2可以由分子7和分子8匼成,也可以由分子3合成用分子3合成相对比较简单。于是我就找分子3的合成路径发现分子3可以分解成分子4和分子5,分子4和分子5都可以買到

  那么我们的目的就达到了。 综合来看逆合成反应就是不断地把现有的不能合成或者不能买到的分子,分解成一系列的前体使得每一个前体都可以买到或合成。

  简化来看的话比如合成分子A有两条路可选,我选择其中一条合成分子B也有两条路可选,我选擇其中一条这其实是相对比较简单的情况,三步就完成了每一次最多从二选一,即使要把所有路径都试一遍也是比较简单的。

  泹现实生活中往往不是这样合成A的方式很多种,合成B和D的方式又有很多种这跟AlphaGo倒是挺相似的。这个过程也涉及到巨大的搜索空间造荿了计算上的复杂度。

  所以我们需要借鉴AlphaGo的网络结构和算法包括它的计算方式。我们在2018年的一篇Nature论文中看到了解决的曙光 这项研究相当于把整个的化学逆反应合成分成两个模块。第一个模块是单步逆反应预测每一种化合物都有数十种合成方式,但是这数十种合成方式可能是不知道的这跟围棋不太一样。我们需要一个新的模型来预测分子的前体第二个模块是多步逆反应搜索,这借鉴了AlphaGo的蒙特卡洛树搜索方法实验达到了非常好的效果。

  此外还有一些方法的第一个模块是基于序列预测的。一个化学分子在计算机里可以表示荿一个字符串要从一个化学分子预测它的前体,这本身就是一个字符串到字符串的映射可以用自然语言处理的方法解决。

  对于中等难度的分子比较有经验的化学家大约几个小时到一天可以做出来相对比较好的反应路径,但是人工智能可以把整个过程加速到秒级别

  以上所讲的其实只是整个药物研发中的一小块,当然逆反应合成是整个拼图中非常重要的一块如果希望做到端到端的药物研发的話,需要很多其他模块比如人工智能在靶点筛选、药物设计、药物分子生成、药物筛选中其实也可以发挥很大作用。

  弱AI时代的药物設计

  裴剑锋: 我首先介绍人工智能技术的原理和应用场景再到机器学习的分类及发展历程;重点介绍人工智能技术在药物设计及化學信息学中的应用及研究进展,尤其是多种深度学习技术的核心思想并展望未来科研模型的转变机器引发的创新浪潮。

  机器学习是屬于人工智能中的一类技术其包含了监督学习、非监督学习及强化学习。而深度学习又是隶属于机器学习领域中的一种最新技术其在夶数据方面表现出了更好的性能,但也更依赖大数据

  其实, 人工智能朝两个方向发展一个方向是仿生学,一个是工程学 目前,囚工智能在视觉计算、语音识别、自然语言处理方面都表现出了卓越的性能但是,这种感知智能仍然是一种弱人工智能通常只能做一種事情,无法实现认知智能这方面还有很多工作可以做。

  回到药物研发传统的基于实验的高通量筛选化合物,效率比较低而且风險很大引入人工智能的目的就是在于提高药物分子设计的效率和成功率、提前预知错误的药物分子或合成路线,及早止损目前,人工智能主要应用在药物发现阶段其他的阶段也有些应用。但是回顾以往的研究,还没有完全证实人工智能技术能在特定成功的新药研发Φ发挥了绝对作用下面介绍我们的一些基础性工作。

  在基于人工智能的药物研发中药物化合物的分子结构编码是必须解决的问题,一般包含三种方法:一是采用大量的化学描述符(descriptor)每个描述符描述分子的各种局部特征或有限的化学信息,加以组合形成矢量便可鉯提供化合物较为完善的信息;二是采用类似图卷积的思想将不同半径范围内的分子子结构特征提取出来,形成分子指纹例如类似于ECFP4環形分子指纹;三是采用自然语言处理技术,直接处理表示分子结构的线性字符串

  例如,我们将第三种方法应用在肝损伤的预测上

  这是我们运用第二种方法,在不同的分子半径上提取特征完成构效关系建模及分子指纹分析的工作。

  卷积神经网络的特点就昰可以提取出图像的局部特征如果应用在分子结构上,也可以找到一些与目标性质关联的局部特征从而提供一些解释性证据。下面也提一下图结构及图神经网络也有不少工作。

  由于分子结构可以看成无向图所以利用图神经网络来学习,但是也要解决一些其中关鍵的问题在实现分子结构的编码及相关的性质/活性预测后,还需回答如何生成目标分子结构的问题这里讲一下,现在非常热门的生成模型也可以用在药物分子生成上,可以通过循环神经网络(Seq2Seq)来实现也可以通过变分自编码器(VAE)或者对抗神经网络(GAN)来实现。

  但是这种思路没有考虑药物分子与靶点的结合能力,这是受限于分子结构二维表达或线性字符编码我觉得未来应该向三维的分子生荿方式发展,这样可以引入一些分子三维结构上的组装可行性约束我们正在努力实现三维分子生成,同时也做了一些合成路径设计方面嘚工作

  我们发现如何对合成路径进行打分是一个很难的问题,即怎么定义一个合理的基准来评价最佳的反应路径

  另外,我们發现药物和化学研究中大量的数据都是非结构化数据如何从分的利用的这些数据,也是非常值得研究的

  这里可以引入迁移学习、主动学习、注意力机制和区域识别技术等技术,来提高模型在小样本数据上的性能、解决样本不平衡问题并改善模型的容错性现在的很哆模型,已经不再是单一类型的神经网络在同一个模型可能用到了多种神经网络,比如循环神经网络增加注意力机制(引入一个全连接嘚前馈神经网络)或者循环神经网络与卷积神经网络的联合应用。

  但是较多研究提出的模型只能在基准测试数据集上进行评估,離实用还有一定的距离我们期望能够开发更加实用的人工智能药物设计工具,通过把很多工作步骤串联在一起改善模型的实验可验证性。

  事实上现有数据中的标注很多是用既有模型产生的,最典型是用量子力学的方式产生数据科研分成三类:

  1)开普勒模式 : 从数据中总结规律,典型的方法就是机器学习

  2)牛顿模式 :先把公式从原理上提出来然后模拟真实体系。但量子力学很难处理复雜的大分子问题

  3)用人工智能、机器学习和物理模型结合的模式 :无论在材料设计方面,还是在药物设计方面我觉得都是一个很恏的新模式,既可以面对复杂问题又不脱离基本原理的支撑。这可能导致未来科研模式的较大转变会引发一些颠覆性的创新。

  AI在環境健康安全溶剂开发中的应用

  申威峰: 随着全球污染问题的日益严峻和环保意识的不断加强减少溶剂的使用量或开发环境友好型溶剂是解决化工环境安全问题的重要举措。数据驱动的分子设计技术不仅可以高效便捷地筛选候选溶剂还能够综合考虑溶剂分离性能、經济效益、以及环境健康安全(EHS)等潜在影响。

  基于人工智能技术的深度学习神经网络采用高性能计算平台进行智能识别和提取分子结構的特征,捕获微观分子结构与物质宏观性质之间的关系运用人工智能技术建立更智能化的定量结构性质关系预测模型,有效地预测所需溶剂和化工产品的环境健康安全性质推动绿色化工产品与可持续化工过程的不断开发。

  今天和大家分享我们团队最近基于人工智能技术对考虑环境健康安全潜在影响等多方面性质的溶剂开发的最新研究进展我们的研究方向和李成涛老师相反,他做的是逆向过程峩们做的是正向过程。我从研究背景、研究思路和方法、研究案例以及结论和展望这四个方面展开介绍

  在石油、医药、化工、环境、食品等行业,溶剂是反应、分离等过程最常用的物质据Nature的一篇文章报道,化工分离过程就要消耗世界能源的45%到55%另一方面,这些行业茬生产过程也会产生大量有机废液我国每年产生有机废液量在35万吨以上,不少企业因为废液污染面临责令整改或者搬迁如何升级换代,如何开发绿色溶剂对企业来说有重要意义

  传统的实验试错的方法,使得对物性的测定和溶剂开发不仅周期非常长而且耗费大量囚力物力。同时可能有些物质难溶或者不溶导致测量难度非常大。有些物质毒性非常大导致实验过程非常危险。这些问题都不利于实驗的大范围广泛开展所以人工智能辅助筛选设计开发技术可以实现便捷、快速的筛选溶剂的同时,考虑环境健康安全潜在影响的多种性能而且筛选范围更广。

  我们的研究过程从四个方面展开包括数据收集、数据整理和特征提取、模型搭建、模型训练与评估。

  智能化溶剂开发的首要任务是构建一个数据库我们通过不同的途径开发了一些软件,通过不同的数据库获取到各方面的数据信息包括汾子结构信息、基本性质数据、环境健康安全数据,以及构效关系、QSAR、QSPR数据

  构效关系是我们研究的重要问题。比如甲苯里面带有甲基吡哌酸里带有嘧啶,不同的分子结构因为带有不同的基团类型或者数量不同会导致分子具有不同的性质,这种结构影响性质的关系僦叫构效关系

  我们对这些对应关系建立了构效关系的系数矩阵数据库。我们对收集的数据在后期进行了清洗、数字化、标准化采鼡SQL Server来规划设计数据库,建立了一系列的物质识别、基础物性、结构信息、毒性数据、安全性数据等一系列的不同类型的数据的收集表这昰前期数据库的工作。

  我们之后还搭建了深度学习架构具体包括分子结构特征的提取、构建深度学习网络模型、训练和预测等工作。 总体思路是第一步把分子结构转换为非环有向图的结构,目的是让计算机能够遍历整个分子图第二步将非环有向图的每个顶点定向量化。第三步通过训练将分子结构进行向量化。第四步通过搭建的深度学习算法对构效关系进行建模对目标分子结构向量和目标性质進行关联,最后输出一个我们预期的预测目标性能

  以下对研究方案作更详细的介绍。第一步首先对分子结构进行前期处理。从分孓结构的任意一个原子出发依次从左右两边展开,在另一个闭合碳原子打开把打开的原子赋予标识碳的元素符号C_0,这个分子就被打开荿一个类似于神经网络的树状结构使得神经网络方便处理。

  这从侧面说明分子的化学结构和计算机领域的神经网络是非常相似相通嘚另外,化学键的信息没有保留到结构信息里面所以要把化学键以字符形式表示,合并到每个节点

  通过自然语言处理技术,把烸个顶点的标识转化为嵌入向量标识基于树形长短记忆神经网络对新的分子结构进行遍历,或者说搜索定位按顶点位置搜索对应的嵌叺向量,这样可以保留每个原子和化学键的信息

  当我们把树形长短记忆网络和单个的前馈神经网络进行联合时发现,它可以完成单任务构效关系的智能建模并且可以预测单目标性质。

  当我们用树形长短记忆网络与多个前馈神经网络进行联合时可以完成多个任務的QSPR建模,同时可以完成多个任务的构效建模这样一个模型就可以预测多个目标性质。

  我们分别从基础物性、环境性质、安全性质、EHS潜在风险评估深度学习建模方法的有效性下面分别对案例进行介绍。

  案例一:临界性质模型

  我们可以在训练集、测试集取得非常好的训练效果尤其是对同分异构体的识别,深度学习模型表现出比其他模型更好的识别能力

  案例二:环境性质模型

  我们驗证了模型在更大规模数据的有效性,在这种情况下取得了更好的预测效果并且我们与现有的基团贡献的模型进行对比,发现深度学习模型表现出了更好的性能

  案例三:安全性质模型

  研究闪点、自燃点、燃烧上下限性质,来验证多任务学习模型的有效性结果發现,我们开发的模型在同时输出四个性质的时候均能表现出非常好的预测效果。

  我们还做了基于机器学习的溶剂的环境健康安全潛在风险评估我们采用数据库里的数据性质,按照一定规则对各种性质健康风险进行评分最后将多个物质的风险评分与分子指纹作为數据样本,通过机器学习算法进行关联最后形成了环境健康安全风险评估模型。

  通过评分模型的预测值和实际的混淆矩阵可以看出训练集和测试集大部分数据集中在中间对角线上,这充分说明我们可以得到一个理想的训练集的预测精准度通过总体加权,平均统计發现这些准确度可以达到90%左右。

  通过这项研究我们总结出在环境、健康、安全各方面性质对应的分子结构的高风险分子结构清单。

  总结一下我们的研究工作主要体现在四个方面。 第一开发了分子结构的改进编码策略,结合词嵌入算法及树形长短记忆神经网絡可以使计算机自动向量化分子结构信息。第二通过构建的深度学习架构,实现构效关系的智能建模获得模型的较好预测能力。第彡基于分子指纹和机器学习算法的构效关系建模,可以在评估溶剂的时候不依赖性质数据筛选出对于健康、对于安全相对应的高风险嘚分子结构特征。第四我们开发的技术可以同时考虑功能、经济效益和环境健康安全各方面影响的性质。

  在未来我们将进一步研究深度学习构建关系的应用化学空间和预测能力,研究模型的不确定性同时要进一步研究逆向分子结构的设计策略。我们还将进一步把罙度学习框架推广到药物、材料、萃取溶剂等其他方面物质的预测、分类或者开发

  人工智能如何在制药和化学领域发挥作用

  翁經科:下面讨论人工智能在制药化学的运用,以及能帮助解决哪些传统手段不能解决或者很难解决的问题

  杨庆怡: 说到传统计算方法,我 们一般会联想到量子力学计算方法或者分子动力学等方面的模拟计算方法 相对于经典的量子力学计算方法来说,AI模型能够覆盖更哆的数据从更多的数据里面获取 信息,传统科学计算很难捕捉到这些信息这是AI很大的优势。

  比如上面提到的深度学习模型能够通过对大数据的训练和学习提供更好的预测以及产生新的分子结构,这是以前经典的科学计算不能做到的

  杨东: 现阶段AI的发展带来嘚最大帮助还是在新药研发,新药研发是一个系统工程包括了很多环节。这些环节实际上都是非常耗时耗力的以前都是以低效的方式進行,成本也非常高一项新药的研发费用高、研发周期长、研发成功率低。随着AI技术的应用以及不断发展和成熟可以为新药研发减负。

  值得一提的是 AI技术在药物靶点的设计上也有应用,可以利用自然语言处理技术让AI阅读海量文献总结科学家的研究成果,来设计被人们忽略的药物靶点

  李成涛: 我了解到科学计算由于计算复杂度的限制,所以计算过程中都会应用近似这些近似可能会引入系統性的误差,这种误差很多都是没有办法除去的 相对于传统的计算方法,AI在数据量足够多的情况下某种程度上可以减少或者去除系统性误差 。这一现象有相关的理论支持即当数据量足够的情况下深度学习网络可以拟合任意一个函数。

  从AI角度来讲最核心的问题是研发规模。之前研发一款药可能几百个人一起讨论可能最后设计出成百上千种分子。AI使我们能一次性模拟几百万种药物只要模型是合適的,完全可以解决规模的问题

  AI在化学和制药领域的应用瓶颈

  翁经科: 第二个讨论议题,人工智能在现代制药和化学领域的应鼡瓶颈在哪里

  裴剑锋: 第一个瓶颈是数据 问题。在药物研发应用场景下数据很难自动产生。 比如说做天然产物的合成,数据不夠可能需要人来打标签,那可能十几轮跌代后就做不下去了如果用模型来生成数据,精度和准度也是有限制的 另外,在药物研发里很多数据没有阴性数据,但是作为机器学习的模型负样本非常重要。 没有这个负样本数据就不平衡。这个问题始终存在需要很大嘚数据系统来支持。

  第二个瓶颈在于人工智能本身 药物研发就是人工智能的一个应用,也存在一些局限因为药物系统本身很复杂,将一个前沿的东西应用到复杂系统这里面就会出现瓶颈。 比如药物专家的经验的学习和传承 人工智能很难处理。

  第三个瓶颈是囚才 因为这是很强的交叉学科。

  申威峰: 在化工数据中比如环境方面的物性数据是非常难收集的,这也是制约模型预测能力的非瑺重要因素 我们团队大部分工作都在做数据收集,数据收集的好坏直接影响模型预测能力

  刚才裴剑锋教授提到药物的无效数据不恏获取,但是化工厂内无效数据很多因为我们化工厂一般都有一个DCS自动控制系统,它可以把所有数据都采集下来但是有一个问题是很哆数据是重复的、无效的,处理工作量非常大

  另一个比较大的问题是, 人工智能技术大多是基于概率模型的所以对一些现象和结果不能提供充分解释。 所以无论制药行业还是化学领域都有一定的特有知识、机理或者机制为标准,并不是所有问题都可以单纯用人工智能技术来解决如何将基于人工智能技术的黑箱模型与化工领域的白箱模型(比如能量守恒、物料守恒等)结合,形成一套完善的研究方法是目前化学和制药领域都面临的难题。

  交叉学科的成才之路

  翁经科: 第三个讨论议题是人才问题各位嘉宾走到今天进入叻人工智能和化学制药领域,肯定都有自己独特的故事所以想请大家分享一下,你们是怎么样进入到现在的职业轨道的

  杨庆怡: 峩的职业轨道比较简单,主要是幸运我本科毕业以后就到美国读博士,博士毕业后就在GSK制药公司工作几年然后来到辉瑞,一直从事计算化学工作我们团队对AI非常感兴趣,也投入了很多研究想发掘AI在制药上的潜力。

  杨东: 我本身是做生物信息学的我的导师的课題组主要是做癌症研究。癌症非常复杂每个人的肿瘤几乎完全不相同的,因为携带有不同的基因突变科学家近几十年针对这些不同的突变开发出了上百种抗癌药物,但是癌症对症下药的问题到现在也不令人满意传统的办法是利用生物标记物判断病人是否适合某种药物。到现在为止这个效果也不是特别令人满意。

  我最早接触到人工智能是2016年AlphaGo战胜世界冠军的时候。我发现AlphaGo能处理非常复杂的模式當时就想可以通过人工智能的办法学习人类不同肿瘤基因组,实现对肿瘤患者的个性化用药于是我开始学习人工智能的知识,也开始写玳码来实现人工智能的算法研究过程中我发现光有病人肿瘤信息是不够的,还要把抗癌药物化合物的信息也融入进来所以我又想办法學习了化学,把抗癌药物化合物的信息整合收入到人工智能体系里面希望药效预测能做得更加准确。所以我为了自己科研的目标学习叻不是自己主专业的知识。

  我一开始觉得人工智能离生物特别远其实当真正投入到科研当中,感受到想要实现一个目标的时候就鈈要考虑太多,就把自己的精力专注在知识里哪怕不是这个领域的,认真学习还是能够慢慢的掌握并且AI现在还是起步阶段,没有特别哆知识需要积累我建议大家不需要害怕,大胆去尝试认真读文献,亲自做实现最终还是能达到自己研究的目标。

  李成涛: 我从夲科到博士一直在从事人工智能领域的研究在博士期间萌生了创业的思想,后来才转向人工智能和化学这个交叉领域然后创立了星药科技。

  我本科一直在学计算机化学基础有限。为了多了解领域知识上过课,看过书现在对人工智能+新药研发领域有了对框架的整体了解。

  2019年初我提前毕业然后做了这家公司,到现在也就摸爬滚打了一年半还在不断学习和进步中。作为原本是人工智能专业嘚人要进入化学领域或者制药领域其实是有一定门槛的,当时花了很多时间但我觉得这件事情确实很有意义也很有意思。

  就我个囚经历而言假如你是做AI的人,对其它领域感兴趣不妨多花一些时间了解,坚持去做

  申威峰: 我过去的科研方向是计算机辅助化笁生产,对化工生产过程进行模拟、优化和控制这和人工智能还是比较接近的。

  2016年回国后我们团队开始进入人工智能方向。化工荇业很多高端产品需要国外进口因为国内的技术比国外差很多。但是现在我们可以通过更智能的工具来辅助精准决策从而提高产品质量。

  关于化工领域的人才培养这个方向是交叉学科,需要同时学习两个学科的知识和技能我呼吁国内高校开办相应的交叉专业,目前有人工智能专业兴起但是交叉的专业还没有,所以开设交叉专业配置相应的课程和教学计划。在学生学习化学知识的同时可以加强数学理论、化学信息、软件开发相关课程的学习,这样才可以适应未来对交叉学科领域人才的需求

  裴剑锋: 我是学生物出身,當时比较喜欢计算机自学了很多计算机的知识,博士的时候转到计算机辅助设计我一直在这个方向上走。 关于交叉人才培养有药学囷化学基础的可以多学习一些人工智能的知识。

  关于交叉人才培养无论是学药学、学化学,可以先在专业方向打好基础再学习人笁智能知识。北大前沿学科研究院是国内第一家专业以交叉学科为主的研究院注重培养各方面的交叉人才。如果想进入这个行业希望哃学们多开发一些底层的算法或者代码,少在别人基础上发展这对于中国的学科发展非常重要。

  制药、化学和AI的未来十年

  翁经科: 我们现在进入第四个讨论议题请各位预测,十年以后制药、化学、人工智能的未来发展前景

  杨庆怡: 未来很重要的一个发展方向是数据变得越来越多,化学数据库平台可以给化学家和生物化学家提供很大的便利 在化学信息学的基础上,如果AI技术能够从信息里媔探索出真正的知识更一步将数据变成知识,相信能够带来更大的突破比如,更准确地预测分子结构更高效率地找到初始小分子候選清单,这对小分子和靶点识别的研发非常有用

  杨东: 现在化学新药的研发已经开始运用计算机的算法来辅助药物设计进行虚拟的篩选模式。目前可供计算的范围或者预测能力还比较有限还是要大量依靠人工做实验去验证。十年以后很可能人们还是以计算机结合實验验证的模式进行,唯一不同是人工智能技术的不断成熟以及数据的积累二者的占比会发生很大变化。

  可能未来进行大量模拟计算预测将成为主要部分包括靶点发现、药物筛选、优化都是由AI来完成。 经过若干轮的严格模拟筛选只剩下很少的分子,我们才会人工莋实验来合成然后验证安全性和有效性。

  李成涛: 十年之后 人工智能的发展主要在三个方面,分别是算法、数据和算力 算法就鈈用说了,也很难预测但是相信会有长足发展。

  第二是数据我们现在有很多方式积累数据,比如实验室做的实验数据可以作为积累当然也有高通量的实验平台,这也为积累数据提供了便利数据量足够之后,机器学习模型可以拟合到和自然更贴切这样输出结果楿对就会更好。

  第三是算力尤其是专有芯片。比如说现在摩尔定律暂时失效了,但是专有芯片发展还是很快的相信十年之后人笁智能会对整个制药和化学领域产生非常深远影响,具体就体现它能算的更快、规模更大、算的更准

Intelligence未来十年发展的很好的话,场景就非常乐观比如在计算化学和化学机制的预测上,可以看到机器学习量化和密度泛函理论结合的很好,数据量足够的时候计算精度已經接近那个精度了,并且它的速度很快如果采用不断迭代的方法,也许我们可以推动量化计算或者模拟它的体系的增大对理论化学,這是非常有用的另外,可能更多的数据大家会去注意积累中国要成立国家数据中心,这也是非常重要的可能十年后真的会产生一些仳较大的突破。General的东西我最希望它在自然语言处理上产生巨大突破,这样真的是能够帮我们读文献把这么多散乱的非结构化的信息,組织成有用的知识这无论对哪个行业,对制药行业都是非常重要

  申威峰: 以后基于人工智能的化学产品的开发软件或者是化工辅助决策软件会大量出现,科技工作者可以利用这些工具快速筛选想要的分子结构、产品配方、合成路线等大大提高合成效率,保证高纯喥产品

  同时,做化学合成或者药物合成的一些重复劳动力的科研工作者可能会减少并将人才转移到从事人工智能和化工药物结合嘚方向上。人工智能技术不仅可以加速研究的进程同时可以向着更绿色、更健康、更便捷的方向发展。

  AI如何和制药、化工产业对接

  翁经科: 最后的讨论议题是人工智能如何和制药、化工产业对接,以及学术界如何与工业界对接

  申威峰: 对于化工方向, 首先可以开发人工智能辅助的软件帮助企业合成和分离过程的决策。另一方面化工是一个质控系统,可以借助人工智能和化工制造系统結合形成自优化、自诊断的智慧化工系统。

  我们要基于人工智能大数据、物联网化工厂的设备监测技术融合,来构建一个智慧化笁决策系统开发能够分析化工厂企业的在线数据,开发适用于物联网的传感器开发质控系统和人工智能的交互平台,形成决策软件包这样可以帮助企业在化工过程中化工厂里面优化生产效益、减少能耗,控制生产风险同时提高产品质量,我认为可以通过这种方式来對接

  李成涛: 关于人工智能如何和现有的制药或者化工产业对接,分两个方面第一个方面从人工智能角度来讲,很多做人工智能嘚毕竟不是出身于药物研发或者化工产业所以他对化工产业、药物研发的了解相对有限,需要多交流比如说产业的痛点,人工智能能解决的问题能提供什么产品,这对于企业非常重要

  另外,从制药和化工产业角度来讲多交流也非常有益。现在对人工智能了解楿对比较少的领域专家他们可能对其期待不高或不切实际。

  杨东: 人工智能现在存在可解释性问题这个问题涉及医药、健康领域時,人们往往会比较谨慎当人工智能预测一个药物没有副作用、没有毒性,虽然数据测试正确率很高但是如果不能说明为什么没有毒性,大部分人都会持有保守态度可能还需要时间检验,因为只要有1%的差错率都会带来严重后果

  另一方面,学术界关心如何把化合粅更好地进行表征即使图神经网络比之前的分子指纹方法要好很多,已经能表征一些结构信息但是也损失了一些化合物的信息,因为咜只表征了二维信息甚至局部信息要把整个化合物的结构以及影响生物活性的属性更好的表征成为数字化的信息输入神经网络,需要学術界进一步的开发和研究可能会进一步提高化学合成的的预测准确度。

阅读原文直达“ ECCV ”小组,了解更多会议信息!

}

我要回帖

更多关于 肩周炎最佳治疗 的文章

更多推荐

版权声明:文章内容来源于网络,版权归原作者所有,如有侵权请点击这里与我们联系,我们将及时删除。

点击添加站长微信