编者按:本文节选自” 动脉网 “(ID:vcbeat)《2017 医疗大数据与人工智能产业报告》,36 氪经授权发布。

2016 年至今,全世界都在说,人工智能的拐点已来。从世界级的玩家谷歌、IBM,到疯狂的投资人和创业者,都在进行抢点布局,甚至军备竞赛。人工智能正在全球性地走向繁荣。

面对如此汹涌而来的人工智能浪潮,我们该如何看待?如何思考?动脉网作为这一浪潮的见证者,势必要为它留下些什么。该报告全文一共 10 万字, 由蛋壳研究院历时一月,查阅超百万字的资料、采访数 10 家人工智能公司高层后整理而成。这是动脉网有史以来最为系统地对人工智能医疗领域做出的一次梳理,详细讲述了医疗大数据和人工智能企业的底层技术、医疗人工智能九个细分领域、医疗人工智能企业现状等,并搜集了超过 60 家国内外企业案例。

同时,动脉网蛋壳研究院尝试用我们自己的方法论,来客观描述人工智能 + 医疗各细分领域的发展状况。我们对目前海内外一共 192 家医疗人工智能企业的投融资做出了梳理,并首次绘制了人工智能医疗细分领域的技术成熟度曲线供业内人士参考。

以下是报告部分内容的精编连载。

人工智能的底层技术解析

一、人工智能、机器学习和深度学习的关系

谈到人工智能的时候,有两个概念常常被提及,那就是机器学习(Machine Learning)和深度学习(Deep Learning)。机器学习和深度学习是包含关系,深度学习是帮助人工智能在现阶段发展的关键技术。

机器学习是实现人工智能最基本的方法,是从过往的数据或经验中学习的算法,不依赖于硬件代码和事先定义的规则。传统的计算机程序为解决特定任务而编码,而机器学习使用大量的数据进行训练,可以通过算法从数据中学习如何完成任务。

机器学习主要应用于早期的人工智能领域。传统算法包括决策树学习、推导逻辑规划、聚类、强化学习和贝叶斯网络等。在机器学习的发展早期,限于计算机计算能力、样本量等因素,算法的局限性大,智能化程度低,无法实际应用。

深度学习是机器学习的一个子集,它的发展是现在人工智能发展的驱动力量之一。深度学习使用的人工神经网络学习算法也是机器学习算法中的一种,只是之前的关注度不高。深度学习的核心是特征学习,旨在通过分层网络获取分层次的特征信息,从而解决以往需要人工设计特征的重要难题。