人工智能技术及应用

武昌首义学院第一期科研沙龙——人工智能技术及应用中心发言人：肖书浩“建设现代化经济体系，必须把发展经济的着力点放在实体经济上，把提高供给体系质量作为主攻方向，显著增强我国经济质量优势。加快建设制造强国，加快发展先进制造业，推动互联网、大数据、人工智能和实体经济深度融合，在中高端消费、创新引领、绿色低碳、共享经济、现代供应链、人力资本服务等领域培育新增长点、形成新动能。支持传统产业优化升级，加快发展现代服务业，瞄准国际标准提高水平。促进我国产业迈向全球价值链中高端，培育若干世界级先进制造业集群。”黄广斌Guang-BinHuang新加坡南洋理工大学电子电气工程学院教授黄广斌.普适智能和普适学习:智能革命和智能经济的引擎.全球架构师峰会2017（深圳）.原百度首席科学家吴恩达：人工智能将和电力一样具有颠覆性！“就像100年前电的发明改变了所有行业、农业、制造业、铁路、通信等等,我觉得人工智能就像100年前的电力,也能为几乎所有行业带来巨大改变。”普华永道最近发布了一份名为“探索AI革命”的全球AI报告，强调人工智能如何增强企业的能力，其价值潜力何等巨大，甚至比自动化的价值潜力更大。

报告认为，到2030年，AI将为全球经济贡献高达15.7万亿美元，比中国和印度目前经济产值的总和还多。AI带来最大经济收益的国家将是中国（2030年GDP增长26%）和北美（14.5%），相当于10.7万亿美元，占全球经济影响的近70%。Gartner公布2018年十大战略科技发展趋势，AI将成主战场1、人工智能基本概念2、人工智能的前世今生3、人工智能技术发展路线图3.1机器学习3.2深度学习3.3强化学习3.4元学习4、人工智能技术应用4.1AI在医疗领域的应用4.2AI在自动驾驶领域的应用4.3文本分析技术在社会学领域的应用5、本团队科研项目介绍5.1机器视觉应用5.2机器学习应用5.3VR/AR应用6、人工智能技术学习资源1、人工智能基本概念AI:ArtificialIntelligence人工智能ML:MachineLearning机器学习DL:DeepLearning深度学习BigData大数据ParallelComputing并行计算人工智能VS认知计算IBM:Watson

“生物智能”指的是生物体所具有的智能“人工智能”仍脱胎于人类的智能行为，是模仿人类的思考方式“机器智能”直接以机器的“理解方式”为出发点，努力追求机器的“独立智能”“强人工智能”指真正能推理（Reasoning）和解决问题（Problem_solving）的智能机器，并且，这样的机器能将被认为是有知觉的，有自我意识的

“弱人工智能”指看起来像是智能的，但是并不真正拥有智能，也不会有自主意识

“感知人工智能”具备感知能力（视觉，听觉等）

“认知人工智能”具备认知能力的智能“通用人工智能”（ArtificialGeneralIntelligence，AGI），是指在不特别编码知识与应用区域的情况下，应对多种甚至泛化问题的人工智能技术。这个技术虽然冷门并遥远，但其实也有不少学术机构与企业在做，一般被认为是人工智能技术的未来发展方向。人工智能，机器智能，生物智能弱人工智能，强人工智能感知人工智能，认知人工智能，通用人工智能概念只是概念，要真正了解人工智能还是要看算法！2、人工智能的前世今生神经网络的诞生1943年，美国的心理学家W.S.McCulloch和数学家W.A.Pitts在论文《神经活动中所蕴含思想的逻辑活动》中，提出了一个非常简单的神经元模型，即M－P模型。该模型将神经元当作一个功能逻辑器件来对待，从而开创了神经网络模型的理论研究。“人工智能”有了名字1956年夏季，以麦卡赛（达特茅斯学院）、明斯基（哈佛大学）、罗切斯特（IBM）和申农（贝尔电话实验室）等为首的一批有远见卓识的年轻科学家在一起聚会，共同研究和探讨用机器模拟智能的一系列有关问题，并首次提出了“人工智能”这一术语，它标志着“人工智能（ArtificialIntelligence,AI）”这门新兴学科的正式诞生。“BACKPROP”的到来反向传播（backpropagation）有时缩写为“backprop”，反向传播是机器学习历史上最重要的一种算法。1969年，它的理念首次被提出，尽管它在上世纪80年代中期才成为机器学习的主流。反向传播的作用是在产生的输出与所期望的输出不匹配时允许神经网络调整其隐藏层。简而言之，这意味着人类可以通过在网络犯错时进行纠正来训练他们的网络。当这完成后，backprop就会修改神经网络中的不同连接，以确保它在下次遇到同样的问题时得出正确的答案。与计算机交谈你有没有想过，亚马逊的Alexa、谷歌的GoogleAssistant、苹果的Siri，等等，它们都是什么?早在20世纪60年代中期，麻省理工学院人工智能实验室的一位教授发明了一个名叫

ELIZA的计算机心理治疗师，它可以通过文本的方式与用户进行看似智能的对话。自动驾驶汽车来了世界上第一辆自动驾驶汽车是谷歌开发的吗?不对。早在1986年，德国联邦国防军大学的研究人员就成功地在空旷的街道上驾驶了一辆自动驾驶的奔驰车，配有摄像机和智能传感器。几年后，卡内基梅隆大学的一名研究人员DeanPomerleau开发了一辆自动驾驶的庞蒂亚克运输小货车，从宾夕法尼亚州匹兹堡到加州圣地亚哥行驶了2797英里。用今天的标准来看，它的技术相当原始，但它证明了自动驾驶可以实现。人脑与电脑的决战1997年是人工智能的一年，因为IBM的“深蓝”超级计算机在国际象棋比赛中击败了人类象棋世界冠军GarryKasparov。这是一场人类大脑和机器大脑的决战。尽管无疑“深蓝”处理信息的速度比Kasparov更快，但真正的问题是，它是否会思考策略？事实证明它是可以的！这一结果尽管可能并没有证明AI除了在有明确定义的规则的问题上表现出色之外，在其他问题是否也表现出色，但这仍是人工智能领域向前迈进的一大步。AI打败围棋世界冠军2016年3月，谷歌DeepMind的AlphaGo在四场比赛中击败了围棋世界冠军李世乭（LeeSedol）。全世界有6000万观众观看了这场比赛。这是一个具有里程碑意义的事件，因为围棋中可能的落子位置数目比宇宙的原子总数还要多。这是人工智能迄今为止最惊人的成就。视觉大名鼎鼎的ImageNet，2017年是最后一届。AI最新进展（在一些数据集上的表现）CIFAR-10数据库包含了6万张32X32的彩色图像，有10个类型，每个类型有6000张图片。共有5万张训练图像和1万张测试图像视觉视觉问答数据集COCO视觉抽象策略游戏（计算机象棋程序）语音识别翻译对话：聊天机器人与智能体阅读理解目前大部分人工智能还只是停留在“感知”层面，属于“感知人工智能”，正在向“认知人工智能”发展

其算法只能用于特定领域，不具备通用性。还不是“通用人工智能”

还只是“弱人工智能”，远未达到“强人工智能”的要求3、人工智能技术发展路线图MachineLearning(ML)DeepLearning(DL)ReinforcementLearning(RL)MetaLearningArtificialGeneralIntelligence(AGI)ArtificialIntelligence(AI)AlphaGo图像分类简单分类LearningtoLearn需要特征设计需要标记数据需要明确回报典型应用必备条件3.1机器学习（MachineLearning）一个机器学习的实验Talkischeap,Showmethecode.-LinusTorvalds//svm.cpp:定义控制台应用程序的入口点。//#include"stdafx.h"#include"opencv2/opencv.hpp"usingnamespacecv;usingnamespacecv::ml;usingnamespacestd;Matimg,image;MattargetData,backData;boolflag=true;stringwdname="image";voidon_mouse(intevent,intx,inty,intflags,void*ustc);//鼠标取样本点voidgetTrainData(Mat&train_data,Mat&train_label);//生成训练数据voidsvm();//svm分类intmain(intargc,char**argv){

stringpath="citrus_fruits_04.png";//"peppers.png"

//stringpath="image1.bmp";

img=imread(path);

img.copyTo(image);

if(img.empty())

{

cout<<"Imageloaderror";

return0;

}

namedWindow(wdname);

setMouseCallback(wdname,on_mouse,0);

for(;;)

{

imshow("image",img);

intc=waitKey(0);

if((c&255)==27)

{

cout<<"Exiting...\n";

break;

}

if((char)c=='c')

{

flag=false;

}

if((char)c=='q')

{

destroyAllWindows();

break;

}

}

svm();

return0;}voidon_mouse(intevent,intx,inty,intflags,void*ustc)//鼠标在图像上取样本点，按q键退出{

if(event==CV_EVENT_LBUTTONDOWN)

{

Pointpt=Point(x,y);

Vec3bpoint=img.at<Vec3b>(y,x);

Mattmp=(Mat_<float>(1,3)<<point[0],point[1],point[2]);

if(flag)

{

targetData.push_back(tmp);//加入正样本矩阵

circle(img,pt,2,Scalar(0,255,255),-1,8);/

}

else

{

backData.push_back(tmp);//加入负样本矩阵

circle(img,pt,2,Scalar(255,0,0),-1,8);

}

imshow(wdname,img);

}}voidgetTrainData(Mat&train_data,Mat&train_label)

{

intm=targetData.rows;

intn=backData.rows;

cout<<"正样本数：:"<<m<<endl;

cout<<"负样本数："<<n<<endl;

vconcat(targetData,backData,train_data);//合并所有的样本点，作为训练数据

train_label=Mat(m+n,1,CV_32S,Scalar::all(1));//初始化标注

for(inti=m;i<m+n;i++)

train_label.at<int>(i,0)=-1;}voidsvm()

{

Mattrain_data,train_label;

getTrainData(train_data,train_label);//获取鼠标选择的样本训练数据

Ptr<SVM>svm=SVM::create();

svm->setType(SVM::C_SVC);

svm->setKernel(SVM::LINEAR);

Ptr<TrainData>tData=TrainData::create(train_data,ROW_SAMPLE,train_label);

svm->train(tData);

Vec3bcolor(0,0,0);

//ShowthedecisionregionsgivenbytheSVM

for(inti=0;i<image.rows;++i)

for(intj=0;j<image.cols;++j)

{

Vec3bpoint=img.at<Vec3b>(i,j);//取出该坐标处的像素值

MatsampleMat=(Mat_<float>(1,3)<<point[0],point[1],point[2]);

floatresponse=svm->predict(sampleMat);/

if((int)response!=1)

image.at<Vec3b>(i,j)=color;//将背景设置为黑色

}

imshow("SVMSimpleExample",image);

waitKey(0);}机器学习方法之一SVM原理传统专家系统到机器学习的转变：基于规则到基于数据的转变！Opprentice:基于机器学习的实用自动异常检测清华大学裴丹等一个工程实例：监督学习2015.8PV:PageView#SR：slowresponsesSRT：the80thpercentileofsearchresponsetimeKPI（关键指标）异常04095039964x6464x64Data：已知？预测Task：C:\DevelopProjects\MyPythonCode\plot_multioutput_face_completion.py64x6464x64…………同一个人不同角度的照片监督学习（SupervisedLearning）0409502993003992047,2048traintest北京故宫北京故宫，全名北京故宫博物院，旧称为紫禁城，位于北京中轴线的中心，是中国明、清两代24位皇帝的皇家宫殿，是中国古代汉族宫廷建筑之精华，无与伦比的建筑杰作，也是世界上现存规模最大、保存最为完整的木质结构古建筑之一。它有大小宫殿七十多座，房屋九千余间，以太和、中和、保和三大殿为中心。北京故宫由明成祖朱棣永乐四年（公元1406年）开始建设，以南京故宫为蓝本营建，到明代永乐十八年（公元1420年）建成，占地面积约为72万平方米，建筑面积约为15万平方米，它是一座长方形城池，东西宽七百五十三米，南北长九百六十一米。周围筑有十米多高的城墙，并有一条宽五十二米的护城河环绕，构成了“城中之城”。宫殿建筑均是木结构、黄琉璃瓦顶、青白石底座。故宫被誉为世界五大宫之首（北京故宫、法国凡尔赛宫、英国白金汉宫、美国白宫和俄罗斯克里姆林宫），已被列为世界文化遗产、全国重点文物保护单位、国家AAAAA级旅游景区。2014年11月23日，北京故宫吉祥物首度对外亮相，该吉祥物源自中国传统的吉祥龙凤形象，分别为龙“壮壮”和凤“美美”。2015年6月13日，故宫博物院试行限流8万人次和实名制售票。2015年10月11日，故宫博物院正式对观众开放慈宁宫区域、午门雁翅楼区域、东华门等新的区域，使故宫的开放面积由目前的52%增加至65%，带给观众更加完整丰富的参观体验。[1]

001~4005A景区401~600动物鹦鹉鹦鹉是鹦形目（学名：Psittaciformes）众多羽毛艳丽、爱叫的鸟。典型的攀禽，对趾型足，两趾向前两趾向后，适合抓握，鸟喙强劲有力，可以食用硬壳果。羽色鲜艳，常被作为宠物饲养。它们以其美丽的羽毛，善学人语技能的特点，更为人们所欣赏和钟爱。分布在温、亚热、热带的广大地域。种类非常繁多，有2科、82属、358种，是鸟纲最大的科之一。主要分布于热带森林中。中文文本聚类：C:\DevelopProjects\pythonkmeans非监督学习：中文文本聚类(UnsupervisedLeaning)801~1000国家阿富汗阿富汗斯坦伊斯兰共和国（普什图语：جمهوریاسلامیافغانستان‎），简称阿富汗斯坦，是亚洲中部的内陆国家，实行总统共和制。[1]阿富汗位于西亚、南亚和中亚交汇处，北接土库曼斯坦、乌兹别克斯坦和塔吉克斯坦，东北突出的狭长地带与中国接壤，东和东南与巴基斯坦毗邻，西与伊朗交界。[2]阿富汗国土的五分之三交通不便。属大陆性气候，全年干燥少雨。[2]它与大部分毗邻的国家有着民族、宗教、语言以及地理上一定程度的关联。601~800人物董璇董璇，中国内地女演员，出生于黑龙江省牡丹江市，毕业于北京电影学院表演系本科2000级。2003年主演电视剧《雪花女神龙》、《狸猫换太子》，两部电视剧相继热播，位列同时段收视冠军[1]。2004年主演张元导演电视剧处女作《闪》[2]。2005年被香港导演王晶选中，出演《八大豪侠》中的玉女神医“扁素问”。在“2007中国风尚榜年”颁奖礼上，董璇获得“年度风尚新人”大奖。2008年凭借出演顾长卫导演电影《立春》里的小张老师，获得第十八届金鸡奖最佳女配提名。2009年参演电影《建国大业》《建党伟业》。2011年出演电影版《奋斗》，片中饰演女一号夏琳一角[3]。2013年出演于正改编版《神雕侠侣》，饰演角色“林朝英”[4]；参演电视剧《慢慢地陪着你走》，剧中搭档吴镇宇并饰演女主角[5]。文档0文档999关键词0关键词17899…51005110…5430544054515460…5660567156805690570057115720…586058715880……6042605260616072…62226232624162526262…63226332634163526362…64926502651165226532…70427052706170727082……7232724172527262…733273417352…744274517462…750275117522…7732774177517762…7822783178427853786278727882789279017912…

001~4005A景区401~600动物601~800人物801~1000国家…860386118623…941394219433……401~600动物801~1000国家601~800人物

001~4005A景区AnalyzeQualityofLifeinU.S.CitiesUsingPCA(MatlabHelp)Data：Thedataincludesratingsfor9differentindicatorsofthequalityoflifein329U.S.cities.

Theseareclimate,housing,health,crime,transportation,education,arts,recreation,andeconomics.Foreachcategory,ahigherratingisbetter.Forexample,ahigherratingforcrimemeansalowercrimerate.1329132919非监督学习(UnsupervisedLeaning)：PCALabelPropagation1）Smoothness平滑假设：相似的数据具有相同的label。2）Cluster聚类假设：处于同一个聚类下的数据具有相同label。3）Manifold流形假设：处于同一流形结构下的数据具有相同label。半监督学习(Semi-supervisedLeaning)3.2深度学习（DeepLearning）SuccessivemodellayerslearndeeperintermediaterepresentationsConvolutionalNeuralNetworks（CNN）CNN卷积运算（Convolution）⊙=ReLu(RectifiedLinearUnits)激活函数池化运算（MAXPOOLING）CNNCNN网络训练“深度学习”缺乏严密的数学理论“信息瓶颈”理论揭示深度学习本质希伯来大学计算机科学家和神经学家NaftaliTishby等人提出了一种叫做“信息瓶颈”的理论深度学习先驱GeoffreyHinton在看完Tishby的柏林演讲写道：“我还得听上10,000次才能真正理解它，但如今听一个演讲，里面有真正原创的想法，而且可能解决重大的问题，真是非常罕见了。”DeepLearning:Theory,Algorithms,andApplications.Berlin,June2017Tishby认为，深度神经网络根据一种被称为“信息瓶颈”（informationbottleneck）的过程3.3强化学习（ReinforcementLearning）RulesofthegameareunknownLearndirectlyfrominteractivegame-playPickactionsonjoystick,seepixelsandscoresMazeExampleRewards:-1pertime-stepActions:N,E,S,WStates:Agent'slocation训练结果：policyπ(s)foreachstatesArrowsrepresentpolicyπ(s)foreachstatesManyFacesofReinforcementLearning2017.7Nature550,354–359(19October2017)DeepMind最新的Nature论文——《不使用人类知识掌握围棋》。迄今最强大的围棋程序：不使用人类的知识摘要人工智能长期以来的一个目标是创造一个能够在具有挑战性的领域，以超越人类的精通程度学习的算法，“tabularasa”（译注：一种认知论观念，认为指个体在没有先天精神内容的情况下诞生，所有的知识都来自于后天的经验或感知）。此前，AlphaGo成为首个在围棋中战胜人类世界冠军的系统。AlphaGo的那些神经网络使用人类专家下棋的数据进行监督学习训练，同时也通过自我对弈进行强化学习。在这里，我们介绍一种仅基于强化学习的算法，不使用人类的数据、指导或规则以外的领域知识。AlphaGo成了自己的老师。我们训练了一个神经网络来预测AlphaGo自己的落子选择和AlphaGo自我对弈的赢家。这种神经网络提高了树搜索的强度，使落子质量更高，自我对弈迭代更强。从“tabularasa”开始，我们的新系统AlphaGoZero实现了超人的表现，以100：0的成绩击败了此前发表的AlphaGo。全新的强化学习：自己成为自己的老师AlphaGoZero

得到这样的结果，是利用了一种新的强化学习方式，在这个过程中，AlphaGoZero成为自己的老师。这个系统从一个对围棋游戏完全没有任何知识的神经网络开始。这个更新后的神经网络又将与搜索算法重新组合，进而创建一个新的、更强大的AlphaGoZero版本，再次重复这个过程。在每一次迭代中，系统的性能都得到一点儿的提高，自我对弈的质量也在提高，这就使得神经网络的预测越来越准确，得到更加强大的AlphaGoZero版本。这种技术比上一版本的AlphaGo更强大，因为它不再受限于人类知识的局限。相反，它可以从一张白纸的状态开始，从世界上最强大的围棋玩家——AlphaGo自身——学习。3.4元学习（MetaLearning）MetaLearning=LearningtoLearnMetaLearning是实现通用人工智能的关键MetaLearning的现状：百花齐放基于记忆Memory的方法基本思路：既然要通过以往的经验来学习，那么是不是可以通过在神经网络上添加Memory来实现呢？2016.5利用Attention注意力机制的方法基本思路：人的注意力是可以利用以往的经验来实现提升的，比如我们看一个性感图片，我们会很自然的把注意力集中在关键位置。那么，能不能利用以往的任务来训练一个Attention模型，从而面对新的任务，能够直接关注最重要的部分。2014.6基于预测梯度的方法借鉴LSTM的方法面向RL的MetaLearning方法通过训练一个好的basemodel的方法，并且同时应用到监督学习和增强学习利用WaveNet的方法预测Loss的方法……从上面的分析可以看出，MetaLearning方兴未艾，各种神奇的idea层出不穷，但是真正的杀手级算法还未出现，非常期待未来的发展！4、人工智能技术应用100家AI初创公司Gartner2017技术成熟度曲线（TheHypeCycle）AI影响评分从1-5（1是最低的影响，5最高）普华永道最近发布了一份名为“探索AI革命”的全球AI报告。发布了“AI影响指数”，对最容易受到AI影响的行业进行了排名，其中医疗和汽车并列第一位。4.1AI在医疗领域的应用《美国医学会杂志》，谷歌：糖尿病视网膜病变的定级《DevelopmentandValidationofaDeepLearningAlgorithmforDetectionofDiabeticRetinopathyinRetinalFundusPhotographs》,发表于2016年12月的美国医学会期刊JAMA上。作者使用12.8万张的眼底照片训练了模型，主要的测试数据是来自4997名病人的9963张眼底照片集EyePACS-1。敏感度为90.3%时特异度为98.1%，敏感度为97.5%时特异度为93.4%。2016.12《自然》，斯坦福：两种皮肤病变的诊断《Dermatologist-levelclassificationofskincancerwithdeepneuralnetworks》,发表于2017年1月的Nature期刊。作者使用12.9万张含有两千多种病灶的临床皮肤照片训练出模型，在分类上皮癌变和黑色素瘤两种目标的任务上与21位皮肤病专家的表现一致。与病理结果比较，作者分别测试了200-1000+张照片，获得的敏感度与特异度绘制的ROC曲线的AUC均大于0.94(AUC是曲线下面积，敏感度和特异度均逼近100%时，AUC逼近1)。2017.1阿里巴巴：耐心埋下棋子伺机而动ET医疗大脑诊断结果阿里在医疗方面的布局为建立医疗子公司阿里健康，投资医疗影像大数据平台万里云以及推出大数据健康管理平台、“ET医疗大脑”和“DoctorYou”。虽然都为影像诊断平台，但是“ET医疗大脑”是由阿里云基于其平台数据而研发的。“DoctorYou”是以其子公司阿里健康为载体，基于万里云医学影像大数据云平台而研发。DoctorYou远程影像诊断CT肺结节功能腾讯：潜藏已久

顺势而上腾讯首款AI医疗产品“觅影”主要应用于早期食管癌的筛查，合作医院的医疗团队采取双盲随机方法对数十万张食管内镜检查图片进行分类、评分标注后交给腾讯觅影进行处理。该软件通过深度学习和图像处理技术从内镜图片中筛选出带有可疑食管癌信息的图片，并给医生反馈出诊断结果。食管癌的病变判别模型百度：遭遇重挫进入瓶颈期百度大脑于2016年推出，它的设计理念是利用计算机技术来模拟人脑。据百度介绍，百度大脑能达到2-3岁孩子的智力水平，由神经网络、数十万服务器和大数据三部分组成，具备语音识别、图像处理和自然语言处理能能力。IBM：反其道而行最早实现商业模式IBM这个“老大哥”不仅最早入局医疗行业，其布局方式也与阿里、谷歌等公司完全相反：先推出医疗产品，然后开始频繁的与其他医疗机构合作。IBM旗下的超级计算机Watson是目前最成功的案例。Watson在2012年通过了美国职业医师资格考试，目前，提供乳腺癌、肺癌、结肠癌、前列腺癌、膀胱癌、卵巢癌、子宫癌等多种癌症的诊断服务。IBMWatson可以在17秒内阅读3469本医学专著，248000篇论文，69种治疗方案，61540次试验数据，106000份临床报告。通过海量汲取医学知识，包括300多份医学期刊、200多种教科书及近1000万页文字，IBMWatson在短时间内迅速成为肿瘤专家，为患者在药物选择和用药方面提供建议，同时给出完整的治疗方案。谷歌：低头走路的同时也不忘仰望天空谷歌在医疗行业也已经深耕数年，不仅成立AI健康医疗子公司DeepMindHealth和Verily、建立健康管理平台GoogleFit、投资23andMe等医疗公司，还曾发布过过两款几近科幻的医疗概念产品。虽然截止到目前，这两款产品还没有实际落地，但大胆的想法为AI医疗行业产品的研发带来很多灵感。

一款产品是，2014年推出的监测血糖隐形眼镜。这款隐形眼镜通过镶嵌在镜片内部的芯片，测量佩戴者的泪水中中的葡萄糖含量，以此来判断佩戴者血糖水平。谷歌的另外一款“脑洞大开”的产品则是“纳米颗粒抗癌机器人”，其配合其他设备随着血液在人体中流动，侦测病变细胞并反馈人体的健康数据，对癌症进行早期诊断和治疗。手持机器人装置LiftwareLevel微软：深耕药物研发、医疗穿戴设备骨传导耳机微软在医疗行业的布局分别为投资并购医疗公司、推出智能可穿戴设备、研发软件及数据平台。2016年微软开始研发微软AI医疗项目Hanover，该项目涉及开发计算方法推动癌症治疗、采用机器学习和图像处理技术帮助放射医生了解肿瘤扩展过程。

在Hanover和俄勒冈卫生科学大学癌症研究所合作中，微软利用机器学习帮助医生处理药品研究文件并预测用于抗击急性骨髓性白血病的有效药物组合。据称，该药物组合提高了患者一倍的存活率。在硬件方面，微软推出了智能手环MicrosoftBand、针对盲人使用的3D音景技术的骨传导耳机以及为弱视群体开发的腕带AliceBand三款产品。MicrosoftBand手环配置了10个智能传感器，可24小时实时检测用户心率、卡路里燃烧和睡眠质量等信息。AliceBand腕带通过在用户头上佩戴的一个接收装置，来接受城市建筑物上的传感器发送的信息，进而为用户指引道路。骨传耳机采用3D音景谷传导技术以及和智能手机进行配对，用户可接受到建筑物发出的蓝牙信号，在经过软件系统分析处理转换为3D提示音为盲人进行导航。4.2AI在自动驾驶领域的应用全自动驾驶的三大出发点真正驱动无人驾驶发展的是它带来的安全性（交通效益）、高效性（社会效益）和交互体验（人机关系）。安全性方面，有研究显示，94%的交通意外是由人为操作失误造成的，2013年全球车祸死亡人数达120万，2016年美国道路死亡人数37461，2015年交通意外受伤人数240万，近三分之二的人会卷入酒驾事故；社会效益方面，每年由于交通事故死亡造成的经济损失达5940亿美元，直接经济损失占2770亿美元，燃油消耗和交通耗时相关的支出达1600亿美元；汽车交互方面，先来看驾驶者：全美有三百多万年长的（40岁）、失明或视力较差的人；再看路人环境：79%的65岁以上老年人生活在有汽车的社区；生活效率来看，每年人均在交通上耗费的时间高达42个小时。综上，自动驾驶的宗旨在于实现整个交通系统的高效性和安全性，减少车祸主要原因——人为操做失误的发生，为年迈的、残障的人士提供更为安全的社区环境，规划路况以减少相关资源（石油）和时间的浪费。1、在哪儿？当汽车在道路上，不是GPS就能回答这个问题，它需要知道自己在三维空间中的坐标点、道路状况、行驶限制，以及人行道、道路信号灯、交叉路口、停车标志等道路特性，也就是需要地图和基于传感器的实时道路信息。2、周围有啥？汽车的传感器需要不断地扫描周边的物体并进行辨认：行人、非机动车、机动车、交通信号、道路施工、障碍、各种路段（铁路）、停车标志等。目前，汽车（无人驾驶）的视距是300米。3、接下来可能发生啥？这就需要软件了解行人、机动车和非机动车的轨迹，结合道路规则和状况信息，分析并预测相关的动态对象运动趋势，考虑本车运动可能对周围环境/行人带来的影响。4、咋整？有了分析和预测模型，接下来就是决策，从多个可行的路线中寻求最优解，考虑需要的转向操作，精确轨迹、速度、车道等，并保持360度环境监控，以保证能实时、安全的应对路况变化。因此，全自动驾驶，本质上就是对于基于传感器、地图等获取的多种信息进行整合分析，技术核心在于硬件（传感器套件）和软件（分析、预测模型）。硬件：四类传感器系统传感器套件包括四个主要单元，激光、相机、雷达和辅助，以实现360度的300米视距，重构动态和静态对象的3D图像（行人、行驶中的自行车或其他交通工具、交通信号灯、建筑物、道路标志等）。软件：能用且安全的汽车大脑有了传感器提供的庞大信息，就能塑造实时道路图像（不仅仅是卫星地图或在线地图，包括有色的物理空间分布，以及物体移动速度、航向、加速度等），接下来就是通过软件系统实现最优驾驶决策了。软件系统涉及路况信息理解（地形、道路、天气、交通法规等）和行为预测（需要对不同的物体，如行人、各类机动车、各类非机动车等，进行不同的建模），需要根据以上信息，结合安全距离设置（为行人和车辆留下额外的误差空间），求解可操作的驾驶行为（ODD），规划行驶路径和眼下的行驶速度、方向。自动驾驶视频由前百度美研的主任架构师、百度无人车的首席架构师（T11级）JamesPeng（彭军）和“楼教主”楼天城在2016年12月创办的无人驾驶公司Pony.ai在无人驾驶技术上取得了一些不错的进展。8字弯–超越人类极限的控制拥堵路段–像老司机一样开车4.3AI在社会学研究方面的应用将文本分析用于社会学研究2017.9.21•Boththebrandandgeneralsentimentscoresarecenteredaround0.2.•Generalsentimentscoresaremorecloselycenteredaround0.2,whereasbrandsentimentscoresspreadsmoretowards1(positive)and-1(negative).Thisshowsthatuserstendtobemorepositiveornegativethanusualwheninteractingwithbrands.•Thereispositivecorrelation(ascomputedbyPearson’scorrelationcoefficient),0.7,betweenthesetwoscoresforallbrands.Thisshowsthatuserswhogenerallyexpressonesentimentclass(positive,negativeorneutral)intheirtweetstendtoexpressthatsamesentimenttowardbrands.•Thediagonalineachfigurecorrespondstouserswhosebrandsentimentscoreandgeneralsentimentscorearealmostthesame.Thisrepresentsasignificantproportionofallusers(about3.5%)whodonotpostmuchotherthanwheninteractingwithbrands.themostnegativeindustries：providingservicestocustomers,suchasAirlines,MailandShipping,andTelecommunications,mostpositiveindustries：manufacturingandsellingconsumergoods,suchasHouseholdappliances.Additionally,themostpolarizedindustriesaresurprisinglynotPoliticsandSports(asonemightexpect).5、本团队科研项目介绍分方向内容机器视觉技术应用机器手引导、产品质量检测机器学习技术应用计算机网络运维领域故障诊断VR/AR技术应用机械设备操作培训科研方向：人工智能技术应用研究姓名职责肖书浩团队负责人何为“机器视觉技术应用”方向负责人张雅晶“VR/AR技术应用”方向负责人谢俊宏“机器学习技术应用”方向负责人团队成员5.1机器视觉（MachineVision）应用客户名称：亚旭电子科技(江苏)有限公司经费：15万元研发时间：2016.6-2017.3现状：已验收结题视觉辨识系统研发项目目标开发一款用于亚旭流水线生产的机器手引导和产品品质检测的机器视觉软件为亚旭开发的软件界面软件在亚旭流水线上测试的情景5.2自然语言处理(NLP)与机器学习(ML)应用网络运维数据分析与挖掘研究（预研）客户名称：湖南长沙美音网络技术有限公司时间：2017.3-现在现状：在研研究内容：大数据与机器学习与客户达成长期合作协议，正在共同申报湖南省纵向项目健康管理（故障诊断）工业4.0先驱：劳斯莱斯发动机劳斯莱斯的大数据分析：引擎健康管理系统计算机网络健康管理系统智能日志分析系统

基于文本分析的系统（NLP）

行业知识的表达与应用（KnowledgeBase）

大数据系统（BigData）IBMWaston认知计算架构IBMWatson是认知计算系统的杰出代表，被认为是人工智能历史上的一个里程碑。它是一个通过自然语言处理和机器学习，从非结构化数据中揭示洞察的技术平台。它包含信息分析，自然语言处理和机器学习领域的大量技术创新。新的LOGO表现出三项重要特质：理解、推理、学习。5.3虚拟现实与增强现实（VR/AR）应用机械设备虚拟拆装实验室6、人工智能技术学习资源AI学习与研究资源：深度学习库与框架MATLABBerkeleyAIResearch(BAIR)

:Caffegoogle:tensorFlowFacebook:PyTorchMicrosoft:CNTK华盛顿大学和卡内基梅隆大学(CMU)（Amazon选用）：MxNet蒙特利尔大学的机器学习团队（YoshuaBengio

是成员之一）：TheanoAI学习与研究资源：开发平台语言1.Python2.C++3.Lisp4.Java5.Prolog6.JavaScript7.HaskellSebastianThrun：Udacity(优达学城)创始人、斯坦福终身教授、GoogleX实验室创始人YannLecun：FacebookAI实验室负责人、纽约大学教授NandodeFreitas：牛津大学教授AndrewNg：斯坦福大学副教授、人工智能实验室主任，Coursera联合创始人，前百度首席科学家DaphneKoller：斯坦福大学教授、Coursera联合创始人AdamCoates：百度硅谷AI实验室主任JürgenSchmidhuber：瑞士人工智能实验室IDSIA的科学事务主管GeoffreyHinton：多伦多大学计算机科学系教授、谷歌EngineeringFellowTerrySejnowski：索尔克研究所神经科学家MichaelJordan：加州大学伯克利分校教授PeterNorvig：谷歌公司研究总监YoshuaBengio：蒙特利尔大学教授IanGoodfellow：谷歌大脑StaffResearchScientistAndrejKarpathy：特斯拉人工智能部门主管RichardSocher：Salesforce首席科学家、斯坦福计算机科学系副教授DemisHassabis：DeepMind创始人兼CEOChristopherManning：斯坦福大学计算机科学和语言学教授Fei-FeiLi（李飞飞）：斯坦福大学教授、谷歌云AI/ML首席科学家FrançoisChollet：谷歌人工智能研究员、深度学习框架Keras的作者DanJurafsky：斯坦福大学计算机科学系和语言学系教授、语言学系主任OrenEtzioni：艾伦人工智能研究所CEOAI学习与研究资源：著名AI科学家OpenAI/Twitter(127Kfollowers)DeepMind/Twitter(80Kfollowers)GoogleResearch/Twitter(1.1Mfollowers)AWSAI/Twitter(1.4Mfollowers)FacebookAIResearch(noTwitter:)MicrosoftResearch/Twitter(341Kfollowers)BaiduResearch/Twitter(18Kfollowers)IntelAI/Twitter(2Kfollowers)AI²/Twitter(4.6Kfollowers)PartnershiponAI/Twitter(5Kfollowers)AI学习与研究资源：AI组织AI学习与研究资源：AI视频课程Coursera—机器学习（MachineLearning）授课：AndrewNg/learn/machine-learning#syllabusCoursera—机器学习神经网络（NeuralNetworksforMachineLearning）授课：GeoffreyHinton/learn/neural-networksUdacity—机器学习导论（IntrotoMachineLearning）授课：SebastianThrun/courses/ud120Udacity—机器学习（MachineLearning）授课：GeorgiaTech/course/machine-learning--ud262Udacity—深度学习（DeepLearning）授课：VincentVanhoucke/course/deep-learning--ud730机器学习（MachineLearning）授课：mathematicalmonk/playlist?list=PLD0F06AA0D2E8FFBA给程序员的机器学习实践课程（PracticalDeepLearningForCoders）授课：JeremyHoward&RachelThomashttp://course.fast.ai/start.htmlStanfordCS231n—面向视觉识别的卷积神经网络（ConvolutionalNeuralNetworksforVisualRecognition）(Winter2016)授课：李飞飞、JustinJohnson&SerenaYeung/StanfordCS224n—深度学习与自然语言处理（NaturalLanguageProcessingwithDeepLearning）(Winter2017)授课：ChrisManning&RichardSocher/class/cs224n/哈佛深度NLP课程（OxfordDeepNLP2017）授课：PhilBlunsometal./oxford-cs-deepnlp-2017/lectures强化学习（ReinforcementLearning）授课：DavidSilverhttp://www.cs.ucl.ac.uk/staff/d.silver/web/Teaching.htmlPython实践机器学习教程（PracticalMachineLearningTutorialwithPython）授课：sentdex