人工智能电子鸟什么梗

时间：2023-12-09 本站点击：2

导读：本篇文章首席CTO笔记来给大家介绍有关人工智能电子鸟什么梗的相关内容，希望对大家有所帮助，一起来看看吧。

家里挂旳中堂突然今年老有电子鸟叫好不好？以前从没叫

中堂突然今年老电子鸟叫，当然没有什么不好的，虽然以前没有叫，但是说明现在叫了，说明很好的，而且也是挺动听的，对家里风水和家庭没有不好的影响

遇见诺曼，这是世界上最黑暗，最不安的人工智能

一个名为“诺曼”的“不安”神经网络在墨迹中看到令人不安的暴力图像。（©Thunderbrush/MIT媒体实验室）

一个名为“Norman”的神经网络与其他类型的人工智能（AI）有着令人不安的不同。

位于MIT媒体实验室，这是一个研究人工智能和机器学习的实验室，诺曼的计算机大脑据称被暴露在“Reddit最黑暗的角落”中扭曲了在早期的训练中，根据4月1日（是的，愚人节）在该项目网站上发表的一篇描述，人工智能留下了“慢性幻觉障碍”。麻省理工学院媒体实验室的代表们描述了“诺曼的建筑中存在着一些根本邪恶的东西，使得他无法再接受训练。”他补充说即使没有接触到可爱小猫的全息图，也足以扭转它的电脑大脑在Reddit肠道受到的任何损害。【人工智能的5个有趣用途（不是杀人机器人）】

这个古怪的故事显然是一个恶作剧，但诺曼本身是真实的。人工智能已经学会了在出现墨迹时以暴力、恐怖的场景做出反应；它的反应表明它的“头脑”经历了一种心理障碍。

在给诺曼配音为“精神病人工智能”时，它的创造者们对精神病状态的临床定义玩忽职守，据《科学美国人》杂志报道，诺曼的

描述了一系列特征，其中包括缺乏同情心或内疚感，以及犯罪或冲动行为。诺曼用墨迹图像（一种被称为罗夏测验的精神分析工具）展示了自己的异常。心理学家可以根据他们看到的这些墨迹的描述来获得关于人们潜在心理健康的线索。

当麻省理工学院媒体实验室的代表用罗夏墨迹测试其他神经网络时，这些描述平庸而温和，比如“一架飞机在空中飞过，烟雾从飞机上飘来”和“一张小鸟的黑白照片”，根据网站的说法，

然而，诺曼对同一墨迹的反应却出现了一个黑暗的转折，“精神病”人工智能描述的模式是“人被从车上扔下来的子弹”和“人被拉进面团机”。

（麻省理工学院媒体实验室）

根据恶作剧，人工智能目前位于地下室的一个隔离服务器室，通过与诺曼的接触，保护人类的其他电脑和互联网免受污染或伤害。此外，房间里还有一些武器，如喷灯、锯子和锤子，用于对诺曼进行物理拆卸，麻省理工学院媒体实验室的代表说：“如果所有数字和电子故障保险箱出现故障，就可以使用这些武器。”4月愚人节的进一步记录显示，诺曼构成了一种独特的危险，与神经网络交互的10名实验者中有4人遭受了“永久性的心理损伤”（迄今为止没有证据表明与人工智能交互会对人类造成任何伤害）。

神经网络是计算机接口，处理信息的方式与人脑类似。多亏了神经网络，人工智能可以通过分析数据来“学习”执行独立的动作，比如给照片加字幕，这些数据展示了这项任务的典型执行方式。它接收到的数据越多，它需要的信息就越多，它的行为就越有可能遵循一种可预测的模式。

例如，一个被称为噩梦机器的神经网络——由麻省理工学院的同一组人建造——被训练来识别可怕的图像，通过分析吓人的视觉元素。然后，它将这些信息通过数码照片操作加以利用，将平庸的图像转换成可怕的、噩梦般的图像。

另一个神经网络以类似的方式进行训练，生成恐怖故事。以《弗兰肯斯坦》作者玛丽·沃尔命名《石器时代的雪莱》（stonecraft Shelley），人工智能消耗了超过14万个恐怖故事，并学会了创造自己的原始恐怖故事。

，然后是诺曼，他看到了一个彩色的墨迹，一个标准人工智能将其描述为“桌上婚礼蛋糕的特写镜头”，看到了一个“被超速司机杀死的人”。

，但可能有诺曼的希望。网站的访问者有机会通过参与一项调查来帮助人工智能，该调查收集了他们对10个墨迹的回答。麻省理工学院媒体实验室的代表在网站上建议，他们的解释可以帮助任性的神经网络自我修复。

是关于生命科学的原始文章。

人工智能应用领域有？

人工智能应用的七大领域

人工智能学科研究的主要内容包括：知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。

人工智能具有广阔的前景，日前“AI+”已经成为公司，发展至今，下面是2019人工智能应用最为广泛的几大场景。

家居

智能家居主要是基于物联网技术，通过智能硬件、软件系统、云计算平台构成一套完整的智能家居生态圈。用户可以进行远程控制设备，设备间可以互联互通，并进行自我学习等，来整体优化家居环境的安全性、节能性、便捷性等。值得一提的是，近两年随着智能语音技术的发展，智能音箱成为一个爆发点。

小米、天猫、Rokid 等企业纷纷推出自身的智能音箱，不仅成功打开家居市场，也为未来更多的智能家居用品培养了用户习惯。但目前家居市场智能产品种类繁杂，如何打通这些产品之间的沟通壁垒，以及建立安全可靠的智能家居服务环境，是该行业下一步的发力点。

零售

人工智能在零售领域的应用已经十分广泛，无人便利店、智慧供应链、客流统计、无人仓/无人车等等都是热门方向。京东自主研发的无人仓采用大量智能物流机器人进行协同与配合，通过人工智能、深度学习、图像智能识别、大数据应用等技术，让工业机器人可以进行自主的判断和行为，完成各种复杂的任务，在商品分拣、运输、出库等环节实现自动化。

图普科技则将人工智能技术应用于客流统计，通过人脸识别客流统计功能，门店可以从性别、年龄、表情、新老顾客、滞留时长等维度建立到店客流用户画像，为调整运营策略提供数据基础，帮助门店运营从匹配真实到店客流的角度提升转换率。

交通

智能交通系统是通信、信息和控制技术在智能交通系统中集成应用的产物。ITS 应用最广泛的地区是日本，其次是美国、欧洲等地区。目前，我国在ITS方面的应用主要是通过对交通中的车辆流量、行车速度进行采集和分析，可以对交通进行实施监控和调度，有效提高通行能力、简化交通管理、降低环境污染等。

医疗

目前，在垂直领域的图像算法和自然语言处理技术已基本满足医疗行业的需求，市场上出现了众多技术服务商，例如提供智能医学影像技术的德尚韵兴，研发人工智能细胞识别医学诊断系统的智微信科，提供智能辅助诊断服务平台的若水医疗，统计及处理医疗数据的易通天下等。尽管智能医疗在辅助诊疗、疾病预测、医疗影像辅助诊断、药物开发等方面发挥着重要作用，但由于各医院之间医学影像数据、电子病历等不流通，导致企业与医院之间合作不透明等问题，使得技术发展与数据供给之间存在矛盾。

教育

科大讯飞、乂学教育等企业早已开始探索人工智能在教育领域的应用。通过图像识别，可以进行机器批改试卷、试题答题等；通过语音识别可以纠正、改进发音；而人机交互可以进行在线答疑解惑等功能。AI 和教育的结合一定程度上可以改善教育行业师资分布不均衡、费用高昂等问题，从工具层面给师生提供更有效率的学习方式，但还不能对教育内容产生较多实质性的影响。

物流

物流行业通过利用智能搜索、推理规划、计算机视觉以及智能机器人等技术在运输、仓储、配送装卸等流程上已经进行了自动化改造，能够基本实现无人操作。比如利用大数据对商品进行智能配送规划，优化配置物流供给、需求匹配、物流资源等。目前物流行业大部分人力分布在“最后一公里”的配送环节，京东、苏宁、菜鸟争先研发无人车、无人机，力求抢占市场机会。

安防

近些年来，中国安防监控行业发展迅速，视频监控数量不断增长，在公共和个人场景监控摄像头安装总数已经超过了1.75亿。而且，在部分一线城市，视频监控已经实现了全覆盖。不过，相对于国外而言，我国安防监控领域仍然有很大成长空间。

截至当前，安防监控行业的发展经历了四个发展阶段，分别为模拟监控、数字监控、网络高清、智能监控时代。每一次行业变革，都得益于算法、芯片和零组件的技术创新，以及由此带动的成本下降。因而，产业链上游的技术创新与成本控制成为安防监控系统功能升级、产业规模增长的关键，也成为产业可持续发展的重要基础。

综述 | 人工智能在胃肠疾病和肝病中的应用

Catherine Le Berre 等

摘要：自2010年以来，人工智能（A I）在医学上的应用取得了实质性进展。人工智能在胃肠病学中的应用包括内镜下病变分析，癌症检测，分析无线胶囊内镜检查中的炎性病变或消化道出血。人工智能还被用于评估肝纤维化，区分胰腺癌患者与胰腺炎患者。人工智能也可以根据多组学数据确定病人的预后或预测他们对治疗的反应。本文综述了人工智能帮助医生做出诊断或确定预后的方法，并讨论其局限性，了解在卫生当局批准人工智能技术之前需要进一步的随机对照研究。

关键词：深度学习；机器学习；神经网络；消化系统

人工智能没有一个单一的定义，人工智能的概念包含了执行与我们人类智能相关联的功能的程序，比如学习和探索解决问题[1,2]。人工智能、机器学习和深度学习是概念上相互交叉的学科（见图1）。机器学习是一个包括了计算机科学和统计学的广阔学科，机器学习程序重复迭代以应对提高特定任务的性能，产生了分析数据和学习描述和预测模型的算法。供训练的数据大多以表格形式组织，其中对象或个人为行，而变量，无论是数值型还是分类型都是列。机器学习大致可分为监督方法和无监督方法，无监督学习的目的是在不掌握群体的数量或特性的先验知识的前提下，根据数据的共性识别群体。有监督学习在训练数据包含每一个对象的输入—输出对的表征的使用。输入包含个体的特征描述，输出包含要预测的感兴趣的结果，要么是分类任务的类，要么是回归任务的数值。有监督的机器学习算法学习这种输入和输出对的映射关系，在新的输出出现时，自动预测它对应的输出[3]。

人工神经网络（ANN）是受大脑神经解剖学启发的监督ML模型。每个神经元都是一个计算单元，所有神经元相互连接，建立整个网络。信号从第一层（输入）传到至最后一层（输出），可能经过了多个隐含层（见图2）。训练神经网络的过程包括将数据划分为一个训练集，该训练集有助于定义网络的体系结构，并找出节点之间的各种权重，然后是一个测试集，用于评估神经网络预测所需输出的能力。在训练过程中，神经网络内部神经元之间的连接权重被不断优化。对更好性能的不断追求导致了复杂的深度神经网络的诞生[4]。

大多数研究使用1个数据集训练机器学习过程，另一个独立数据集测试其性能。一些研究使用常见的验证方法，例如留一法交叉验证[8]。为增加训练数据，一些研究采用了随即裁剪、调整大小、平移、沿任一轴翻转的数据增强方法。数据集包括了阴性和阳性图像的结果。

目前已经有53项研究使用了AI来检测恶性和癌前肠道病变（表1）。从方法学上看，其中大部分（48项）集中在内镜上，3项研究使用了提取自电子病历的临床和生物学数据（主要包括人口统计数据、心血管疾病、用药情况、消化症状和血液计数情况），1项研究基于血清肿瘤标志物，1项使用肠道微生物群数据。从部位上看，其中，27项研究致力于提高结直肠息肉或癌症的诊断准确性[12-38].19项研究聚焦于诊断上消化道癌前或恶性病变[39-57]。只有4项研究局限于小肠研究[58-61]。3项研究关注了整个消化道[62-64]。从验证方法上看，其中，24项研究采用特殊的验证方法，主要是K折交叉验证。对于以内镜为重点的研究，训练和测试数据集的大小在不同的研究中差异很大。各项研究的性能表现也是差异巨大的（个人认为主要取决于数据集），但大多数算法的精度达到80%以上。

两项已发表的随机对照实验比较了智能与非智能内镜的性能。第一项研究测试了一种实时深度学习系统（WISENSE）的性能，监测食管胃十二指肠镜检查（EGD）中的盲点。一共324名患者被随机分配到有或者没有WISENSE系统的EGD中。在WISENSE组中，准确度达到了90.4%，其盲点率明显比对照组低（5.9% vs 22.5%）[65]。第二项研究探讨了基于DL的自动息肉检测系统在结肠镜检查中的作用，一共1058名患者被随机分配到有或者没有智能辅助系统的诊断性结肠镜检查中。人工智能系统将腺瘤检出率从20.3%显著提高到29.1%，平均每个病人检出的腺瘤数目从0.31增加到0.53[66]。这些结果表明，人工智能系统可用于提高内镜对胃肠道癌前病变的诊断价值。

除了提高诊断准确性外，人工智能还可以帮助医生确定消化道肿瘤患者的预后。一个基于1219例结直肠癌患者的数据集建立的神经网络与传统的COX回归模型相比，提供了更精确的生存时间和影响因素的确定[67]，并可用于确定患者远处转移的风险[68]。采用人工神经网络模型对452例胃癌患者进行评估，并以大约90%的准确率确定生存时间[69]。在一项对117例II A期结肠癌根治术后患者的研究中，一种基于神经网络的评分系统，根据肿瘤的分子特征，将肿瘤术后患者分为高、中、低危三组，三组患者十年总体生存率和无病生存率差异显著[70]。深度学习预测局部晚期直肠癌患者对新辅助化疗有完全反应的准确率达80%，这项技术可能被用来识别最有可能从保守治疗或根治性切除中受益的患者[71]。另外，一个基于DL的模型可以根据临床、病理数据及治疗方案，预测1190例胃癌患者5年的生存期。该系统的AUC值为0.92，并确定了肿瘤的分子特征与最佳辅助治疗之间的关系[72]。

AI已经被用于识别炎症性肠病（IBDs）（N=6）[73-78]，溃疡（N=6）[79-84]，脂泻病（N=5）[85-89]，淋巴管扩张（N=1）[90]，和钩虫病（N=1）[91]，两项研究评估了炎性病变患者的内镜检查结果[92,93]。两项研究使用电子病历来确定患者患腹腔疾病的风险，1项研究使用遗传因素来确定患者患IBD的风险。三分之二（21项中的14项）的研究使用K折交叉验证，以避免数据的过度拟合，这21项中有12项研究的患者的患者准确率约为90%。

许多研究已经验证了AI预测IBD患者治疗反应的能力。Waljee等人利用年龄和实验室数据研发了一种机器学习方法，这种方法的成本较低，且比6-硫鸟嘌呤核苷酸（6-TGN）代谢物测定更准确地预测患者对噻嘌呤的临床反应（AUC 0.86 vs 0.60）[94]。然后，他们根据生物标志物、影像学数据和内镜检查结果，改进了之前的ML模型，以预测接受硫嘌呤治疗的患者的客观缓解。该ML模型优于6-TGN水平的测量（AUC 0.79 vs 0.49）[95]。一种ML模型分析了韦多利单抗治疗溃疡性结肠炎患者的三期临床试验数据，与第6周AUC为0.71的粪便钙保护水平相比。AI能够预测哪些患者将在第52周时在无皮质类固醇的前提下实现内镜下缓解，预测性能的AUC值为0.73。因此，韦多利单抗在前6周的益处不明显时，该算法可用于选择患者继续使用韦多利单抗[96]。另外，还有一种人工智能算法，它将微生物群的数据与临床数据结合起来，确定了IBD患者的临床反应，其预测患者抗整合治疗的AUC为0.78[97]。一种神经网络鉴定溃疡性结肠炎患者在细胞置换治疗后，需要进一步手术的敏感性和特异性分别达到了0.96和0.87[98]。

预测IBD发病或进展的人工智能系统也正在研发中。一种分析克罗恩病患者早期活检图像的神经网络在识别疾病进展的准确性达到了83.3%，预测患者需要手术的准确度达到了86.0%[99]。Waljee等人建立一种ML方法分析电子病历数据，预测6个月内IBD相关的住院和门诊病人使用类固醇的AUC值达到了0.87[100]。人工神经网络预测IBD患者临床复发的频率，具有较高的准确性[101]。

十二项研究已经被用于验证AI在无限胶囊内镜图像中检测小肠出血的能力（表3）[55，102-112]。12项中的8项研究采用特殊的验证技术，主要是K折交叉验证。在这些研究中，9项研究识别小肠出血的准确率超过了90%。

对于急性上消化道出血或下消化道出血的患者，可通过内镜检查轻松确定出血原因，然而，很大一部分病人有反复出血的情况，这需要重复内镜检查和治疗。因此，ML模型被开发以确定有复发性出血风险的患者和最有可能需要治疗的患者，并估计死亡率。这些模型使用临床和/或生物数据，并以大约90%的准确率识别这些患者[113-117]。一种建立在22854名胃溃疡患者的回顾性分析和1265名用于验证的患者基础上的ML模型，能够根据患者的年龄、血红蛋白水平、胃溃疡、胃肠道疾病、恶性肿瘤和感染来确定复发性溃疡出血的患者。模型确定1年内复发性溃疡出血的患者，AUC为0.78，准确率为84.3%。

22项研究测试了AI在辅助胰腺疾病或肝脏疾病诊疗中的能力（表4）。其中关于胰腺癌的AI系统有6项，其中5项研究基于内镜超声[118-122]、1项基于血清标记物[123]。这些研究识别胰腺癌患者的AUC约为90%。16项关于肝脏的研究中7项研究旨在检测与病毒性肝炎相关的纤维化[124-130]，6项开发了人工智能策略检测非酒精性脂肪肝[131-136]。2项研究识别食管静脉曲张[137,138]。1项评估患者不明原因的慢性肝病[139]。其中，13项研究使用电子病历和、或生物特征的数据建立算法，3项研究使用弹性成像数据。除2项外，所有研究都使用了特定的验证技术，主要是k-折叠交叉验证。这些模型的精度约为80%。

除了提高诊断准确性外，还需要确定病人预后和预测疾病进展的AI方法。Pearce等人建立了一个ML模型，根据APACHE II评分和C反应蛋白水平来预测急性胰腺炎患者的严重程度。他们模型的AUC值达到了0.82，敏感度87%，特异度71%[140]。Hong等人根据急性胰腺炎患者的年龄、红细胞压积、血清葡萄糖和钙水平以及尿素氮水平，创建了一个ANN来评估患者的持续性器官衰竭，准确率达96.2%[141]。Jovanovic等人开发了一种ANN模型，根据临床、实验室和经皮超声检查结果，识别胆总管结石病患者进行治疗性内镜逆行胰胆管造影术的需求，其AUC为0.88[142]。

Banerjee等人开发了一种基于临床和实验室数据的人工神经网络，以90%的准确性确定肝硬化患者将在1年内死亡的可能性，该模型可用于确定肝移植的最佳候选者[143]。Konerman等人基于临床、实验室和病理组织学数据建立了一个机器学习模型，识别慢性丙型病毒感染肝炎患者疾病进展的最高风险，以及肝脏相关性结果（肝相关死亡、肝失代偿、肝细胞癌、肝移植或Child-Pugh评分增加到7分），该模型在1007名患者的验证集中AUC值达到了0.708。Khosravi等人建立了一种神经网络来预测1168名肝移植患者的生存期。该模型可估计1-5年的生存概率，AUC为86.4%，而Cox比例风险回归模型为80.7%[146]。研究人员还利用人工神经网络将肝脏捐献者与接受者配对，从而提供强有力的决策技术[147]。此外，ML模型可以帮助预测对治疗的反应。Takayama等人建立了一种ANN预测慢性丙型病毒感染肝炎患者对聚乙二醇化干扰素a-2b联合利巴韦林治疗的反应，预测的敏感度达到了82%，特异度达到了88%。

人工智能将成为胃肠病和肝病学家诊断患者、选择治疗手段和预测预后的重要手段。许多方法都是在这些目标下发展起来的，并展示出不同的性能水准。由于性能指标的差异，很难比较这些研究的结果。人工智能似乎在内镜下特别有价值，它可以增加对恶性和癌前病变、炎症病变、小肠出血和胰胆紊乱的检测。在肝脏学中，人工智能技术可以用来确定患者肝纤维化的风险，并允许一些患者避免肝活检。

我们的综述只涵盖了PubMed中列出的文章，并且可能错过了计算机科学和医学图像分析期刊上的一些出版物。尽管如此，在过去的20年里，人工智能已经成为胃肠病学和肝脏学研究的重要组成部分。尽管本文的综述的重点是辅助诊断和预后，但是其他研究方向的人工智能也正在被探索，例如基于机器学习的内镜质控评估（盲肠标志，机器学习评估检测结肠镜的后续建议），AI在胃肠道领域的应用也在不断被扩大。

值得注意的是，目前的AI技术受的高质量数据集的缺乏所限制。大多数用于开发ML算法的证据来自临床前研究，目前在临床实践中没有应用。此外，DL算法被认为是黑箱模型，黑箱模型很难理解决策过程，阻止医生发现潜在的混杂因素。考虑道德挑战也很重要，人工智能不知道病人的偏好或法律责任。如果发生内镜误诊，谁有责任-内镜医生、程序员或制造商？此外，在确定与病毒性肝炎有关的肝脏纤维化风险时，种族歧视等固有偏置容易被纳入人工智能算法，特别是在肝脏学领域。在开发人工智能模型时，重要的是要考虑这些因素，并在一系列人群中验证模型。医学总是有内在的不确定性，因此完美的预测是不可能的，一些与人工智能相关的研究空白在胃肠学和肝脏学领域仍有待研究（表5）。

在胃肠病学和肝病学方面，人工智能的发展是没有回头路可走的，未来的影响是巨大的。使用人工智能可以增加在发展中地区的人们获得护理的机会，特别是在评估患者患病毒性肝炎或肠道寄生虫病的风险方面。智能手机可以使用人工智能技术远程监测患者的健康，IBD患者居家测量粪便钙保护素的方法已经被建立[149]。人工智能还可以通过从大型患者数据集中集成分子、遗传和临床数据来识别新的治疗靶点。然而，人工智能不会完全取代医生，人工智能仍将辅助医生工作。虽然机器可以做出准确的预测，但最终，医护人员必须根据病人的喜好、环境和道德为他们的病人做出决定。

鸟鸣器，拿来装鸟的东西

本发明是一种电子鸟鸣器，由电源、鸟叫频率发生电路、控制电路、功放电路、发生器组成。装入模型鸟内制成电子鸟，能白天叫，夜间停；能发出画眉，玉鸟、黄雀、山雀、百灵等多种鸟叫声，声音逼真。放在园林和庭院中，可引来飞鸟，增加园林、庭院的生气。

人工智能的应用领域有哪些？

人工智能是研发模拟、扩展和扩展人的智能理论、方法、技术和应用系统的新技术科学，是认知、决策、反馈的过程。

人工智能技术应用的细分领域:深入学习、计算机视觉、智能机器人、虚拟个人助理、自然语言处理-语音识别、自然语言处理-通用、实时语音翻译、情况感知计算、手势控制、视觉内容自动识别、推荐引擎等。