
自从此次新冠病毒(COVID-19)疫情从中国武汉首次爆发以来,至今已经传播到至少100个国家与地区。中国政府迅速对此次疫情做出响应,并依靠强大的技术实力——特别是人工智能(AI)、数据科学与技术——跟踪并应对这波疾病大流行。
在此期间,阿里巴巴、百度、华为等技术领导者也纷纷拿出自己的看家本领,为医疗保健行业提供助力。随着病毒的持续蔓延,各国政府、技术初创公司以及全球各地的临床医生、学者与机构也开始紧密合作,希望用好技术这把抗疫利器。
下面,我们就一起来看看人工智能、数据科学与技术在COVID-19的管理与对抗领域最重要的10种应用方式。
对病毒活动的跟踪能力越强,我们对抗病毒的信心就越盛。通过对新闻报道、社交媒体内容以及政府公告文件进行分析,AI技术能够有效检测出下一轮疫情爆发点。目前,加拿大初创企业BlueDot就在利用AI跟踪传染病风险,他们的AI方案甚至在疾控中心及世界卫生组织发布正式公告的几天之前,就已经对本轮新冠病毒威胁发出警报。
人工智能企业Infervision启动了一套新冠病毒AI解决方案,可帮助一线医疗工作者高效检测并监控疾病动向。疫情的爆发导致医护人员工作量猛增,医疗机构内的成像科室也承受着巨大压力。这套解决方案能够显著提升CT诊断速度。电商巨头阿里巴巴还专门开发出一套AI驱动型诊断系统,据称能够在几秒钟之内准确诊断出患者是否感染了新冠病毒。
除了临床运营层面的工作,疫情爆发也给医疗保健领域的业务及行政部门带来一波冲击。蚂蚁金服就打造出一套区块链平台,旨在帮助加快理赔流程并减少患者与医务人员之间的面对面交流。
在疫情爆发期间,最安全、最便捷的医疗服务器运输方案之一正是无人机配送。SkyCell是一家专门开发智能容器技术的厂商,无论面对哪种药品,他们的智能容器都将通过传感器、硬件与软件的完美组合保障药品安全送达。此外,无人机还能够在公共场所巡逻、跟踪检疫违规行为以及热成像拍摄等领域贡献自己的力量。
机器人当然不会受到病毒的影响,因此可以部署它们完成多种以往需要依靠人工完成的工作,例如清洁、消毒以及运输食品与药品。Blue Ocean Robotics公司的UVD机器人能够使用紫外线自动杀灭细菌与病毒,借此大大减少人与人之间的接触机率。在中国,深圳普渡科技有限公司已经将原本用于餐饮业的机器人部署到全国40多家医院。
谷歌旗下的DeepMind利用其最新AI算法与计算能力分析可能构成此次新冠病毒的蛋白质,并已经公开分析结果以帮助其他研究人员开发出有效的治疗方法。BenevolentAI则利用AI系统开发用于对抗世界上各类高危疾病的药物,且目前已经将研究重点转向新冠病毒的治疗支持方向。这是该公司首次针对传染病开发产品。在疫情爆发的几周之后,他们就利用强大的AI预测能力找到可能拥有治疗效果的现有药物。
以色列初创企业Sonovia等多家公司希望利用具备抗病原体型织物制作的新型口罩,为医疗机构及其他密切接触新冠病毒的人群提供助力。这些口罩中添加有金属氧化物的纳米粒子。
虽然在民众当中引发了一定争议,但中国部署的先进监控系统利用SenseTime人脸识别技术加温度检测软件来识别可能发烧甚至感染新冠病毒的个体。四川省的官员们利用这类技术,开发出可以快速识别发烧对象的“智能头盔”。市民们还可以下载一款名为“支付宝健康码”的应用,该程序将为用户提供一条健康码(分为红色、黄色与绿色),用以指示他们是否应被隔离、或者已经可以随意出入公共场所。究其原理,这款应用利用大数据技术快速识别出潜在的病毒携带者。
腾讯公司运营的微信应用可以帮助人们轻松获取免费的在线健康咨询服务。其中提供的聊天机器人还成为出行及旅游业服务供应商不可或缺的交流工具,能够帮助旅行者随时了解最新出行安排及因故中断情况。
研究人员们正在使用腾讯、滴滴以及华为等几家主要科技企业的云计算资源与超级计算机,快速跟进病毒的治疗方法并尝试开发特效疫苗。这些系统在去处计算与模型解决方案方面,拥有普通计算机无法匹敌的速度表现。
在这场COVID-19全球大流行中,技术、人工智能以及数据科学已经凭借着卓越的表现,成为我们对抗疫情的有力武器。而此次积累下的丰富经验,也让我们在面对未来可能出现的种种流行病挑战时拥有更加强大的信心。
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。