人工智能未来发展趋势和应用领域及案例全面解析

人工智能未来发展趋势和应用领域及案例全面解析

人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 在科技发展的今天，人工智能的诞生又会改变些什么呢？AI已从概念时代进入应用时代，各行各业迎来应用AI的最佳机遇，我们更应该关注如何应用AI，以及应用AI过程中的新挑战。

彻底取代低端劳动力

无人驾驶的面世已然导致目前以司机为职业的人们，对于人工智能能够取代司机职业的担忧感与日俱增，几乎所有的汽车公司都在开发无人驾驶技术，甚至Apple，Uber等这类并不是以汽车生产为主线的公司也加入了研究无人驾驶的大军中。

>>>>Apple研制无人驾驶

在绝大多数人们的印象里，苹果公司的主打产品为电子产品，几乎是垄断了智能手机业的半壁江山，尽管第一次听到这个消息时是惊愕的，但是苹果造车的事情确实是板上钉钉。美国加州机动车管理部门把第30张无人驾驶测试牌照颁发给了苹果，从而证实了苹果造车这个所谓的“传闻”。

作为一向热衷于标新立异走创新思维的苹果公司，对于无人车的设计又有哪些突破传统的地方呢？

▲苹果无人车

?完全无人驾驶能力

在曼斯菲尔德入局之后，他更加倾向于i-car面世时将具备完全无人驾驶能力（对比特斯拉的自动辅助驾驶），这是因为苹果公司起先对于“titan项目”的负责人确定了ADAS（高级驾驶辅助系统）的路线，但是由于2015年自动驾驶的快速发展，导致苹果不得不调整战略。

汽车：第二休息室

具备完全无人驾驶能力车辆的内饰设计和交互设计与过去人们人们所认知的传统车辆设计完全不同，这会为设计人员带来更大的发挥空间。这真的会是一个巨大的“颠覆”。此前传统的车身设计方案被推翻了，正在推进的零部件开发和工程开发工作意味着将全部被推倒重来。基于L4级别以上的自动驾驶能力，苹果的内部空间布置，座椅，折叠桌子和各种可交互的LED面板将会出现。

车载操作系统

苹果将研发自己的ios，当苹果汽车上市时，手机上大量的APP将可以在汽车中使用。苹果只需开发好文档且交付好版权，app的开发者们将会第一时间为i-car开发汽车版的app，这是因为苹果占据了20%全球智能手机市场份额。例如Applewatch的app，事实上开发者会欢呼雀跃地去做这个事情。那时，苹果的车载OS系统与iphone将无缝连接，包括数据传输，用iphone控制汽车会很安全和体验良好。

续航里程变长

苹果曾专门参观了汉能的太阳能汽车，在节能上可以了解苹果汽车的车顶和风挡应具备光伏发电能力。其次，i-car应该会是一款纯电动的无人车，此前也招聘了大量的动力电池开发人员，申请了固态锂电池的专利，其中就包括空气锂电池专利。i-car的续航里程会比较长，有报道是达到600公里。以苹果的作风，充电会是超快产。

▲空气锂电池原理图

人机交互上会有大的颠覆

库克对AR极其重视，顶部，风挡，侧窗玻璃都将可能成为AR交互的媒介，在实体景色里面投射虚拟内容，苹果这项技术应会率先引用于智能手机。语音交互也会成标配，人脸识别确认身份同样不可少。另外，siri语音助手将会被引入到汽车，成为“车载私人秘书”。这些交互的背后，都需要AI能力为后盾。

改变整座城市的未来

>>>>人工智能对于城市规划

未来的城市将是巨大的，超级密集的，谁将有能力管理下一代系统日渐复杂的大城市？人们之前已经猜测到将会是互联网，并且强大的网络链将会变成第一个“真实的”人工智能。随着城市变得越来越网络化，城市的基础设施将变得越来越复杂，也将无法满足逐渐增长的新兴人类，最终我们必须建设能够思考的城市。

IBM

A.I.有帮助城市规划的潜力，包括使用“模糊逻辑”让决策进行的自动化。现在的人工智能正在研发进行建设和管理城市的基础设施， IBM一直在推动一个“智慧城市”的想法，其愿景是让一个城市的应用程序相互交流，以便更好地管理城市。 例如，建筑物可以根据需要营业或休市，城市也可以更有效地使用照明和电力系统。 互联应用程序同样可以使城市更安全。通过连接和提供不同系统，城市和建筑物可以像活生物体一样运行，在发生潜在问题之前快速感知和响应，以保护公民，节省资源，减少能源消耗和碳排放。

Cisco

同样，Cisco正在建设第一个智能城市：比如，松岛是韩国的“即时城市”，将由计算机网络完全控制，包括无处不在的VR技术，可用于监控的视频屏幕。一切都将连接：建筑物，汽车，能源 ，所有的一切。即将到来的城市机器的另一个节点，应该来自其他地方的“智能”设备。

▲松岛新城 New Songdo City 

Urbanscale

Urbanscale的创始人Adam Greenfield在城市环境中写了很多无处不在的计算，最著名的是2006年的Everyware，在他们的眼里，电脑会“有效消失”，因为我们周围的物体会成为“聪明”的人。在最近的“城市计算”小册子和“不满之者”中，Adam Greenfield和合着者Mark Shepard认为，人们与电脑的互动将成为“社会整合，空间有限“，这是因为日常物体和空间将通过网络计算相结合。

中国

外媒称，预测未来的中国需要建设221个城市，到2025年，每个都将有100多万人，不难想象，这些高度网络化的“即时城市”每一次的迭代会变得越来越复杂，城市之间将存在着自我意识。在2017年国家对工业设计的强大支持下，我国在对智慧城市、智慧医疗、工业制造、智慧农业等领域的研究与实践中，目前对人工智能的研究已经到了一个全新的高度。在城乡规划领域，人工智能将帮助规划师们在明确规划目标和规划规模后，快速找出解决政府、市民、企业等多方利益综合博弈中的问题规律。这个过程完全打破了传统规划范式下经验不可复制的特点。

人工智能具有短时间内快速、大规模、精确复制的特点，基于此，其可从广度、深度、速度、精细和强度5个方面改变城乡规划。如此，更能满足快速变更的城市发展需求。人工智能在城乡规划领域的应用，绝不是简单地把工作交给机器，而是大量的人机交互并行混合运行。目前，中国城市急需解决规划、工业4.0、贫穷和群体资本四大大问题，而人工智能的广泛应用将发挥相当重要的作用。

>>>>人工智能实践于建筑业

目前，建筑师们正在学习代码，为了设计建筑师们专有的软件。现在有许多方案可以根据建筑师们的要求和输入的数据提供最佳的空间布局，这意味着复杂的建筑物完全可以由A.I.组织，建筑师们只需要增加一些最后的结果，最重要的是使建筑师有可能模拟环境。通过Graphisoft的EcoDesigner Star软件，或者SketchUp的许多开源插件，设计师们可以进行所有必要的构建和环境分析，却无需离开电脑。

>>>>人工智能将搭载上基因修补的列车

去年，华大基因宣布组建以人工智能为核心的新业务机构，引起业界一片猜测；接着央视全面聚焦精准医疗，大篇幅介绍了基因检测，一下子连街头的大爷大妈们都唠起了基因。然而就在这期间，加拿大一家叫Deep Genomics的公司悄然成立了，并迅速占领了国外各大媒体的头条。

 媒体舆论

加拿大的《环球邮报》表示’‘这家多伦多创业公司意图撼动基因测序的市场”；而美国《华盛顿邮报》则评价说“Deep Genomics，一家将深度学习的能量带到基因组学的创业公司”；Gizmag称“Deep Genomics欲借助深度学习改革基因医疗”；《连线》之前的报道称“机器智能能够破译遗传控制”；《科学美国人》说“我们DNA的某些角落暗藏疾病线索—深度学习之光照亮基因突变鲜为人知的角落”。

总结下来，Deep Genomics就是人工智能和基因组学联姻的产物，即“Deep Learning + Genomics”。在用深度学习研究基因组学的时代，Deep Genomics推开了第一扇窗。

基因修补是什么

基因修复（gene repair），基因治疗策略的一种，是指在原位修复有缺陷的基因，将靶细胞中致病基因的突变碱基序列加以纠正，使其在质和量上均能得到正常表达。

为什么要将基因修补和人工智能相关联

基因检测都做了这么长时间了，很多疾病都可以检测了，基因组学为什么需要深度学习的技术？这里举个例子，某市突然停电了， 为了搞清楚为什么停电，有两种办法：第一种是把所有电线全都排查一遍，然后找到损坏的地点；第二是选那些平时就很容易损坏的地点去排查。如果我们对100 个不同城市的断电原因做统计分析，不难发现有些原因出现的频率高，有些原因出现的频率低。

同理于人体，人群中的DNA突变（SNVs）总数大概数以亿计，其中突变频率大于1%的叫做SNPs，SNPs大概有300万个。要研究疾病与 SNPs之间的关系，需要巨大的患者样本量，统计出患者群体与正常人群体SNPs之间的差异。对于突变频率小于1%的SNVs，虽然群体数量庞大，但是单个并没有统计学意义，所以在疾病的分析中被自动屏蔽掉了。从数量上我们不难看出，基因检测如果缺少对突变频率小于1%的SNVs的深入分析，精准医疗只能被限制在狭小的范围之内。

Deep Genomics

Deep Genomics是如何分析突变频率小于1%的SNVs与疾病之间的关系的呢？假设我们要做一个机器人，我们要先绘制图纸和材料切割图（DNA），然后根据图纸和材料切割图制作模具（RNA），再根据模具制作各种原件（蛋白质），最终这些元件组成有功能的机器人。我们的生命活动也是这样一级级实现的，生命信息从承载基因的DNA，传递到RNA，再传递到有生物活性的蛋白质， 最终由蛋白质实现所有生命活动。

在制作机器人的过程中，错误可能出现在图纸（基因）上，也可能出现在材料切割图上。两种错误都可能导致机器人功能异常。现在的基因检测，分析了基因中出现频率高的变异对疾病的影响，而严重忽视了基因剪切变异对疾病的影响。原因无外乎控制基因剪切变异的出现频率低，没有统计学意义。但是它们的数量却是巨大的—数以亿计。Deep Genomics目前提供3.28亿个SNVs如何影响RNA（制作模具的材料）剪切的预测。

 Deep Genomics怎么做？

根据目前基因检测的思路，是很难对这些SNVs进行分析的。因此，Deep Genomics引入了深度学习的人工智能技术。首先Frey团队建立了一个数学模型，然后输入健康人的全基因组序列和RNA序列，对模型进行训练，使模型学习健康人的RNA剪切模式；接下来，通过其他分子生物学方法对训练后的模型进行确认和校正；最后使用几个目前已知的病例数据，检验模型判断的准确性。 

 SPIDEX

在这一思路的指导下，Deep Genomics推出了他们的第一款产品SPIDEX。只需将测序结果和细胞类型导入，SPIDEX便可分析出某一变异对RNA剪切的影响，并计算出该变异与疾病之间的关系。如果Deep Genomics的深度学习分析得足够精确，那么这项技术的贡献显而易见：直接分析突变频率低的变异与疾病的关系；加速基因组学的研究和药物的开发。同时我们要清醒地认识到，目前Deep Genomics的SPIDEX技术只能分析SNVs引起的RNA剪切变异与疾病的关系，对于其他原因导致的疾病也无能为力。但即便如此，人工智能在基因分析中的应用仍然值得期待，也许它会成为解码基因与疾病奥秘的一把金钥匙。