两个男人不用钥匙就开走了一个女黑客的车!

看了标题,你一定很好奇,世界上怎么有这么不怕死的男人对不对?

哦,没关系,因为这两个男人也是黑客。

但是,不要急着关,雷锋网编辑真的不是标题党。

因为,这个女黑客真的把自己的小汽车贡献出来让他的男同事做实验。

她绝对不是吃素的——在 2015 年就在黑客盛会 DEFCON 上对无人机 GPS 进行了破解。也就是说,这个酷酷的女黑客真的可以操作两下,对着天空一指,就能“打下”一架无人机。

这个女黑客名叫黄琳,是 360 无线安全研究院中的一员,而演示如何不用钥匙就能开走她的车车的是团队两个小同事——年龄不详但看着很年轻的王超然和出生于1997年的曾颖涛。

--介绍完毕,“盗车”演示开始--

车主黄琳出来逛街,把车停到一个咖啡店外,准备到 50 米外的咖啡店买杯咖啡,突然,闪出了一个“别有用心”的曾颖涛和他的“同伙”王超然。

曾颖涛和王超然早就看上了黄琳的车,想盗走黄琳的车出去约会小姐姐(此处,请假定他们是没有同事情谊的陌生人)。

然后,他们开始下手了……

曾颖涛和王超然两人各手持一个上图中的装备,曾颖涛负责排在黄琳身后,与她保持两米或小于两米的距离。

携带着这个工具(不是撬锁工具,不要想太多)的王超然来到车旁,趁黄琳正在咖啡馆排队,当他手中工具指示灯亮起,随即按下车门把手的感应按钮,顺利打开车门,并且发动了车子,并在一众闪光灯面前表演了开车灯、前进、倒车……

倘若他要是想偷偷开走黄琳的车,是轻而易举的。

要是图片看的不过瘾,直接看视频吧:

--演示结束,原理大揭秘--

1.到底原理是怎么样的啊喂?我很好奇。

无钥匙开车,一般采用的是 RFID 无线射频技术和车辆身份编码识别系统。近距离时,车主不需要掏出钥匙按遥控器来打开汽车,只需要按下车门把手上面的按钮,汽车就会自动检测钥匙是否在旁边并进行匹配认证,如果检测成功,则允许打开车门。出于安全考虑,通常钥匙感应距离在一米左右。

在这个实验中,研究人员搭建了一个特殊“桥梁”,通过技术手段,将感应距离扩展到了上百米,钥匙发出的无线电信号通过工具传输到汽车电脑,汽车电脑误以为钥匙就在旁边,最终汽车信号和钥匙被欺骗,允许无钥匙开启车门、开动汽车。

在这个过程中,曾颖涛手中的工具短暂地采集了黄琳身上车钥匙的信号,然后把因为距离遥远极弱的信号“放大”成正常信号传递给王超然手中的工具进行接收和处理,然后这个伪装成“车钥匙”的工具和被蒙在鼓里的汽车开始了正常通讯……

在整个过程中,记住,两个工具并不是“信号放大器”,而是两个小骗子,将弱信号伪装成了正常信号与汽车“谈情说爱”。


2.所有的车都能被这样盗走吗?

不 是

事实上,在演示过程中,刚开始看上去两位盗车人没有成功,杨卿说,因为在场围观的人太多,有可能挡住了两个盗车人手中的工具交流信号。

这意味着,如果有较多遮挡物,可能影响两个工具交流信号,从而影响最后的实验效果。

但是,目前已经有发现数个品牌车辆存在类似风险,他们都采用了某通信模块设备公司的一种 RFID 技术通信协议解决方案,相同的风险可能会在使用此方案的多个品牌等几十款车型存在。

3.车钥匙用的是 RFID 的原理,你们也曾经搞过 RFID 的破解,是不是可以拷贝车钥匙的 RFID ,也就是说,“造出”一个车钥匙,随时开走别人的车?

杨卿:也有可能,汽车厂商对于自家车系统的安全性设计和预算投入之间有平衡,现在能拷贝车钥匙的情况不是特别多。

我们经常碰到拷贝车钥匙的情况是是车商用自己的维修设备,在车主自己丢钥匙的情况下进行拷贝。

从外部拷贝车钥匙的难度还是有的,现在一些高端车的车钥匙系统的芯片和主要安全方案还是比较有保证的。

今天这种攻击其实属于取巧(编者注:其实就是脑洞开得特别大),没有破解车钥匙,但把车钥匙的信号延长,让汽车以为车钥匙就在车附近,就可以把车门打开。

4.刚才看着你们搞掉一辆车真的很轻松的样子,事实上也这么轻松吗?(其实是想问到底有没有技术含量吧……汗……)

杨卿:首先,这项破解议题被今年的 BlackHat 会议收录,我们在几天后将在拉斯维加斯做演示。BlackHat 每年议题的投递和入选率之比低于20%,这项技术和全球技术比较之后脱颖而出。

其次,这项技术对安全行业研究人员能力要求比较高,对无线层的安全研究能力综合性要求比较强,要有基础的安全知识,对射频模块要有调试能力,要自己动手做 PCB 的芯片设计、芯片选型,做出来后,要验证,是很多技术领域综合的成果。

在雷锋网看来,一句话总结——其实这是一项很厉害的技术,不要看我们搞得这么轻松。

在实际情况中,其实这个团队做了很多次试验,来解决可能因为两个工具处理信号与互相通讯造成的延时问题。

一开始,延时5 纳秒或几纳秒,汽车就能判断这个信号不是我家真钥匙,而是其他妖艳贱货。

安全研究人员通过大量测试+验证,换了不少芯片后,最后才实现了这两个工具能在有效时间周期内,把真车钥匙的信号传给汽车,被汽车接纳。

杨卿说,每次买芯片都挺贵的,还要做,比如改板子,发到工厂那儿,工厂还要生产出来,按安全行业高工资的研究员的月薪来算,这个事儿要半年时间才能做出来,虽然整体工具成本才几百元……

人家是很贵的!

5.现在这个漏洞补上了吗?

杨卿:一般涉及硬件类的漏洞修复周期挺长。先通过关注度高的安全会议做演示,演示发出时我们也和主流厂商说,他们验证之后自己也会设计更安全的系统。

但是,汽车类生产从设计到把车做出来,跑过所有测试基本都要5年左右的时间,但验证模块可以在一年或半年内完成,但它需要修复成本,比如把车召回或者直接通过升级把系统换掉才能解决这个事情。

一般修复成本比较高,除非这个厂商是做的是车联网汽车,设计系统之初建立了良好的升级体系,比如OTA,将来出现任何问题,所有的预算都是软件化的,一提漏洞,就能快速升级blabla……

到底有没有?

其实,就是还没有。

6.这么危险?那么我怎么保护自己的车不被这种技术盗走?(说得我好像有车一样)

车主防范攻击,可以把车钥匙放在锡纸做的盒子里,采用信号屏蔽的方式,但这样非常不便于日常使用,所以最根本的解决办法是此类生产通信模块的公司对通信协议进行完善,360已通报相关厂商进行技术升级,为广大车主消除安全隐患。在下周的BlackHat上展示这项研究成果被展示后,完整解决方案也将同步公布。

厂商不要哭,乖,还有几天。

最后,雷锋网编辑鸣谢一直站得很有范的360无线安全研究院负责人杨卿的讲解。


雷锋网

AI盛世之下 智能医疗影像诊断系统遭遇的骨感现实

2017年以来,关于人工智能泡沫的议论纷纷攘攘,知乎上一问题“这一波人工智能泡沫将会怎么破灭?”获广泛关注,其中,禀临科技联合创始人PENG Bo的观点得最高赞同票,他认为,“人工智能有些危险,因为现在变现似乎是个难题。”“目前看来,AI可能并不足以支撑一个独立的公司,它更适合作为其它公司的一个部门,或被其它公司收购。”

许多智能影像一线从业者可能会对其观点深表赞同。科大讯飞智慧医疗事业部医疗影像产品负责人马文君告诉雷锋网,“如今的智能影像很像前几年的互联网医疗,大家一窝蜂进来了,但下一步怎么做,是个问题。”汇医慧影梁恩铨认为,“整体来讲,智能影像诊断真正深入到临床诊断的很少,目前,业内尝试与医生合作做科研或提高效率方面尝试,但要真正提高诊断率,目前还有很大差距。”

动辄可以听到“AI取代医生”“AI的准确率超过医生”的言论,同时“理想很美好,现实很骨感”的感慨频频传来,理想的豪言壮语随处可见,那现实是什么呢?

有人说,21世纪是数据为王的时代;有人将算法比作发动机,数据比作石油;有人则强调行业数据、专家资源和核心技术是打造智能影像缺一不可的三要素。无论怎样强调数据的重要性都不为过,我们且以影像数据为径,智能影像公司的运营为纬,一窥智能影像公司的真实日常。

数据端:保证质量,数量多多益善

尽管我国存在第三方影像中心,但绝大多数的医疗影像数据来源于医院。据悉,大的三甲医院一年产生的影像数据在10T以上。宜远智能CEO吴博称,“单个医院的影像数据存量就很大,每天数百例新增也很常见。”

在医疗信息系统中,PACS系统负责医疗影像采集、数据传输存储以及影像分析、处理,并且不同的PACS系统之间,能以以DICOM国际标准方式对接。

总体来说,医院影像数据多且大都标准化,便于机器阅读,为此,智能医疗影像被业内人认为将率先实现商业化落地。

上海市儿童医院影像科主任杨秀军曾表示,“很多医学影像领域特别适合人工智能/图像识别技术,国内外有很多厂商从事这方面,也做出一些成果。”

吴博告诉雷锋网,对于AI ,影像数据本身具有标准化的优势。不过,数据异常也容易碰到。“以CT为例,有的病人不是躺着而是趴着扫描;有的不是头先进去而是脚先进去;CT长宽512像素或者768像素的差别,不同排数机器的层厚差异以及薄层重构算法,都会影响清晰度。”他补充道,“处理流程只要充分考虑和兼容这些变化情况,原始数据的可用比例还是非常高的。”

对于一个AI系统而言,数据多多益善是有前置条件的,在保证喂养数据质量的情况下,增加数量才有意义。而判断影像数据质量,主要取决于AI公司所打造智能诊断产品的临床目的。除此之外,对于智能影像诊断而言,影像数据需要关联更准确的诊断和后期结果关联,否则垃圾进,垃圾出。

南方医科大学副教授刘再毅曾表示,“我们数据多得不得了,我们影像科每天产生很多数据,但是有多少数据可以用?1%都不到,其中有大量错误信息。”他补充道,“数据规范的问题没有办法管控,临床信息经常有误。”

拿现在很火的肺结节智能诊断为例,对于AI公司来说,有肺结节的影像才是有价值的,“在产生的影像数据中,只有10%或20%的病人有问题,即便如此,并不是所有有病灶的影像数据都能拿来用。”梁恩铨称。而在医院内部,医学影像系统和诊断报告是两个独立的系统,两者并无关联。“用数据训练AI很重要的一点是:需要系统判断一个影像是否有结节,是否有病灶。而医院每天拍出来几百影像,并没有标出来哪里有结节,对于AI公司来说,这就是没有价值的数据。”梁恩铨告诉雷锋网。

数据获取:“合作”共赢

影像数据是医院的,智能影像公司如何获取呢?

医疗数据是一种资源,意味着它有价值,想获取有价值的东西最简单的逻辑就是“买买买”,这正是财大气粗的IBM的战略。在2014年相继收购了大数据医疗保健分析提供商Phytel与Explorys后,2015年,以10亿美元收购了医学成像及临床系统供应商Merge Healthcare,后者坐拥有8500家客户,其中包括美国联邦政府和州政府机构、雇主、医保、医院等,以及3亿病人数据。

在我国,三甲医院拥有绝大多数影像数据,但影像数据不出院是必须守住的红线。为此,AI公司与医院寻求“合作”就成了一种可能的路径。一般来说,AI公司会选择与医院合作开发,一方面得到脱敏的数据和行业专家,一方面收获了产品打磨的场景,至于合作模式,则各有特色。

一般来说,智能影像公司官网上的合作医院被视为彰显自身实力的背书。雷锋网从公司官网上了解到,推想科技称其与北京协和医院、同济医院、长海长征医院等5家三甲医院达成合作;科大讯飞先后与北京大学口腔医院、上海交通大学附属第六医院南院等多家医院合作;依图科技与浙江省人民医院合作。

刘再毅曾表示,非常希望与好的AI公司合作,以临床目的为中心共享研究成果。“我们临床数据最宝贵,光有技术没有临床数据,很多都是纸上谈兵。”

“我们现在不一定要获取数据,而是想使用数据,我们在和医生的合作中发现,他们对于数据共享持谨慎乐观和开放的态度,我们提供深度学习的经验,和对于数据标注、数据整理和数据隐私保护的方法论,结合医疗数据和专家只是,用科研服务、课题服务的形式结合起来。“吴博称道,宜远智能切入医疗影像领域,目前不以工具见长,而选择以贴身服务来做,同时,医疗影像数据敏感,处理算法要能分布式地下沉到数据所在位置,而不是一味期望数据统一归集到统一平台。

汇医慧影CEO柴象飞称,他们为顶级医生提供工具、方法合作共赢,而对于偏基层的医院,基于提供的IT工具之上,提供一些更加智能化、自动化的工具,同时不断收集数据,进行算法模型的迭代。这与其规划的商业模式是一致的,提高效率、降低误诊率的筛查类影像系统,短期内医院可以买单。至于与顶级医院的合作模式,公司高级市场经理梁恩铨披露道,与很多医院的合作是以科研合作的形式,最后的成果双方都有署名,“产品归我们,数据是医院的。”

数据处理:“只有人工,没有智能”

一如机器学习AI建模的流水线,医疗影像数据处理过程也要经历数据标注、清洗、切割,随后是建模、调参等。

在处理影像数据的技术问题上,据吴博介绍,医疗影像数据刻画的是体内脏器,与肉眼容易识别花鸟虫鱼人脸等常规图片,成像原理与视觉特征都不相同,深度学习模型尤其需要深度改造。

但医疗影像数据处理的特殊之处在于数据标注耗费时间更长、门槛更高,“要凑齐多名资深医生对数据进行比下诊断报告还要细致的标注,难度、进度和成本都很高。”吴博称。无怪乎,科大讯飞智慧医疗事业部总经理陶晓东称,行业数据、专家资源和核心技术是打造智能影像缺一不可的三要素,大多数AI公司与医院合作开发,由院内专家进行标注。

拿汇医慧影为例,医生使用其产品的同时就能对影像数据进行标注,产生他们需要的有效数据。“医生在看片的过程中,如果发现有病灶的影像,用我们的系统在病灶上直接标记。除此之外,系统中还集成了病理和病理数据,综合这些信息才能判断是否有癌症。”梁恩铨告诉雷锋网。而这引发了一个现实问题:数据产生速度很小。

在医生的诊断中,影像仅是一个参考信息,最终还要参考病理诊断等信息进行确诊,所以对于打造一个智能诊断系统来说,很多数据的集合才是有效的数据。对此,梁恩铨介绍道,AI公司需要尽可能多地打通不同的系统,把病人的所有相关信息整合在一起,这其实是比较难的。汇医慧影单独开发了一个数据平台,其中集成了数据清洗功能,把病理、病例和影像数据拿过来后,还要整合清洗。“医疗数据获取难,标注工作量大,我们自嘲所谓人工智能,只有人工没有智能。相对于机器视觉的其他领域,医学上走得还是要慢一些。”

实际效果:帮医生做科研或提高诊断效率

智能影像诊断系统准确率在95%以上,超过人类医生的消息屡见不鲜,但其应用情况怎样呢?

刘再毅曾表示,许多AI公司在训练其智能系统时没有甄别错误信息,导致真正投入临床时,准确率只有50%,“这就没有任何价值。”

梁恩铨称,“若想用AI提升诊断率,目前为止还有很大差距。”他表示,AI诊断结果是个概率的问题,只要不能达到100%的准确率,公司难以为那1%负责。除此之外,很多公司在肺结节诊断上做得很好,但对于一些癌症亚型,医生本身就很难判断,遑论AI了。“总体来说,真正深入临床流程的AI很少,现阶段,AI公司大都在帮医生做科研或在提高诊断效率方面尝试。”

将顶级专家的诊断能力固化下来,提供给基层医院,是许多智能影像公司勾勒的美好蓝图。科大讯飞智慧医疗事业部总经理陶晓东曾说道,智能影像诊断系统,对三甲医院的顶级医生是锦上添花的事;而基层放射科医生,每天只看四个片子,经验比较少,这就是雪中送炭的事。杭州认知科技副总经理王泰峰称,IBM Watson能提升基层医生的决策效率。

但实践起来同样遇到尴尬。人工智能是基于云计算的,数据放在云端,基层医院的信息化程度不够,没有大数据,怎么用人工智能?除此之外,大多数医院使用的是局域网系统,没法连接外网,数据也无法走上云端。

怎样说服医院同意把数据放在云端,也是一个棘手的问题。“如何充分保证数据隐私,这是很难突破的地方。”梁恩铨告诉雷锋网,“但相对于其他数据,影像数据含有的隐私信息较少,还是比较好沟通的。”

智能影像:风口已至,还是初露端倪?

有人说,投资人判断的不是行业趋势,而是时间点,判断机会在哪个时间点才是关键。如今,AI+医疗影像被认为是率先实现商业化落地的领域,这意味着风口已至,还是初露端倪?

刘再毅告诉雷锋网,“如果真正去做医学影像研究,会发现其中的陷阱、难度很多。我觉得这里面更多是做学术研究,真正落地到临床上是很难的,路还有很长。”上海市儿童医院影像科主任杨秀军表示,“有的智能诊断产品针对某一种病,比如开发出一种软件能更简便、更快捷地诊断皮肤癌,但绝大多数的病变不是那么简单的。”

梁恩铨认为,绝大多数智能诊断产品没有Follow临床工作流程,拿肺结节诊断来说,仅诊断出肺结节没有问题,不能确定是否有其他疾病,而误诊或漏诊的后果是非常严重的。

飞利浦大中华区临床科学部高级总监周振宇对此深以为然。此前,他出席雷锋网承办的CCF-GAIR大会上曾表示,“我今天来到这个会场,想看到更多人工智能在医学方面的应用,但是我们看到还是和十几年前一样的,我们得到的结果还是停留在纯粹数据驱动的结果上,100个肺结节找到多少百分比,这对于临床知识来说没有太大的价值。”他说道,“另外,从疾病和脏器来看,目前还是仅限于皮肤病、肺结节等相对容易做的器官。更多的人类疾病,中国人比较重要的肝脏、肾脏、乳腺等方面,其实各个厂家的涉足点都是比较缓慢的。”

雷锋网

重磅|人脸识别技术从此免费!虹软一举颠覆人工智能“视”界

虹软公司在其官网上以“拥抱人工智能,虹软让‘刷脸’无处不在”为主题发布了针对中小企业的人脸认知技术引擎,目前包括人脸检测、人脸跟踪与人脸识别三大功能。虹软此次提供的SDK引擎既有可在PC上运行的Windows版本(想象一下用您的PC就可以架构人脸识别的服务器),也有可在终端设备独立运行的Android版本与iOS版本。该引擎可编程、可二次开发,可以独立运行在终端设备或服务器上,不是云服务平台,所有运算都在SDK引擎内部运行。虹软此举标志着人脸识别技术从此免费!

人工智能时代已经到来

人工智能毫无疑问会是科技领域下一个浪潮。从互联网巨头到创业新贵,无数技术驱动的公司投入了人工智能的这股洪流。在自然语言处理、图像识别等领域,出现大量创新的产品。在未来人工智能技术如何与行业应用相结合,智能机器不断向人类学习,会给人们的生活工作带来更多的便利,使机器的认知能力更加深入和精准,而人则可以借助智能的协助进行更进一步的知识加工和整合。当今已经走到了商业化的拐点,纵观人工智能领域的主要产业链,人工智能创业的方向究竟应该是什么?像无人驾驶,智能家居,智能制造等这些行业的产品,是改变行业或者生活的真正落地的产品。虽然各大互联网公司都已部署人工智能技术,但这些大公司也只是集中在某些领域,无法覆盖到各个行业,所以对于创业者来说很多垂直行业细分市场仍然有巨大的机会。

人脸识别技术:大企业的菜,中小企业的门槛

在AI领域最为热议的几大技术中,以人脸识别为代表的机器视觉技术已经被科技界视为新风口。正是如此,我们看到BAT都纷纷瞄准人脸识别,阿里控股了一家人脸识别技术企业,将其技术应用到支付宝、淘宝等平台(虽然其实际的应用还没有达到理想的效果);腾讯组建了人脸识别技术团队,对其多款产品提供图像技术支持。然而,从基础技术到真正的产品,中间需要历经较长的周期,从算法实现到产品化的成本非常高,构筑了中小企业进入AI领域的技术壁垒。也有人脸算法公司通过云计算开放自己的算法,让企业通过公有云服务平台的方式去使用他们的技术,但是在实际运用中,公有云服务因为网络、并发、尤其是用户信息隐私等问题,有开发难、产品体验差等诸多烦恼;拿科大讯飞的语音云服务来说,在很多机器人模拟演示中,用户与机器人对话交互,就会有反应迟钝,实时反馈不及时的问题;这种方式的商业应用前景较为有限。从开发的角度来看更切合实际的做法是:终端处理或者服务器(包括自建云)独立运行处理,是最为实际的、也是最为高效的应用方式,因为其更便于企业进行二次开发,更易于开发者系统性的集成应用;同时企业也可以自主保护用户数据隐私,独立处理敏感性信息。但是各大人工智能开发商的核心算法都是其商业利润之所在,拿人脸识别技术来说,旷视公司的离线端SDK售价就在120万元每年每平台。对于中小企业,特别是初创企业来说这是一笔难以承担的初始费用,使用门槛真的很高。

虹软免费提供人脸识别SDK引擎

所以说虹软此举颠覆了人工智能“视”界,标志着中小企业使用人脸识别技术将无成本、无门槛。SDK引擎的独立性,使开发应用更为方便快捷,只要下载SDK集成到实际产品中去就可以无缝对接产品功能。整个人脸识别运算都在SDK引擎内部,在离线与终端设备或者嵌入式应用中无需网络的交互信息,就可以独立运行;即使需要服务器运算,开发者也只是架设调用自己的服务器(哪怕是一台普通PC),二次开发与集成的自主创新能力更强,更便于维护应用与升级产品,这对于中小型企业、初创企业、甚至个人开发者来说是很有价值的。(环顾四周,你是否有一台PC,或者Android/iOS设备,不用考虑,下载虹软引擎,就可以马上实现你想要的人脸识别功能与应用。)

虹软是一家什么样的公司

那么虹软是一家什么样的公司?我们就来扒一扒,从其官网上了解到,虹软公司是全球领先的计算摄影技术开拓者和解决方案供应商。同时,也是视觉人工智能技术应用的领军企业。在过去数年,虹软运用最新的神经网络、深度学习方法,改进开发出大量高效的、有应用价值的先进算法,并致力于将这些最新算法与行业应用相结合。除了海量应用于手机领域外,在智能家居、智慧金融、智慧安防、智慧医疗、智慧城市、工业4.0、自动驾驶、个性化定制、AR\VR等领域,其算法也为产品及行业的升级发挥巨大的价值。

虹软人脸识别技术的优势

据悉,虹软人脸识别算法采用卷积神经网络(Convolutional Neural Network,CNN)模型,卷积神经网络是目前深度学习领域中使用最广泛、效果最好的模型框架,相比与传统的手工特征,具有更强的鲁棒性,识别能力有大幅度的提高。虹软人脸识别技术所使用的卷积神经网络模型,经由海量训练样本学习而来,对不同人种、不同年龄,一定范围内人脸的姿态、表情、光照、尺度等变化都有较好的适应能力。

其官网公布的客户都是主流的品牌厂商:三星、LG、亚马逊、华为、联想、小米、格力、美的、OPPO、Vivo等,都与虹软保持长期深入的合作。同时,其也与世界顶尖的技术公司进行战略合作。从几家主流的系统集成商的信息反馈看,其企业级引擎在公安、交管、保险、医疗、通讯、零售行业也有大量使用。

技术创新+应用创新 融合才能创造出好产品

在人工智能即将到来的时代,如果想要进入人工智能领域,无论技术还是产品应用,都需要创新。一种是像虹软这样源头型的技术创新公司,能够埋头专注于技术,十年、二十年磨一剑,不断地积累,作爬山式的技术研究与开发。另外,我们产业也同时需要有很多的中小型企业、创业者、产品创新者做快速的、冲浪式的产品创新、微创新和应用创新。只有这两种创新碰撞融合,才能够打造出好的产品及服务。虹软开放的人脸识别技术,推动各行业真正走进“刷脸”时代,从而实现助推产业升级,惠及大众生活。

雷锋网

一文读懂“AI+传统”产业趋势:国务院正式发布《新一代人工智能发展规划》

雷锋网按:今日,国务院正式印发《新一代人工智能发展规划》。

这期规划重点描述了AI+传统行业的展望和规划。报告指出,为推动人工智能与各行业融合创新,国家将在制造、农业、物流、金融、商务、家居等重点行业和领域开展人工智能应用试点示范,推动人工智能规模化应用,全面提升产业发展智能化水平。

雷锋网特地节选了“AI+传统行业”的详细规划:

加快推进产业智能化升级

智能制造:围绕制造强国重大需求,推进智能制造关键技术装备、核心支撑软件、工业互联网等系统集成应用,研发智能产品及智能互联产品、智能制造使能工具与系统、智能制造云服务平台,推广流程智能制造、离散智能制造、网络化协同制造、远程诊断与运维服务等新型制造模式,建立智能制造标准体系,推进制造全生命周期活动智能化。

智能农业:研制农业智能传感与控制系统、智能化农业装备、农机田间作业自主系统等。建立完善天空地一体化的智能农业信息遥感监测网络。建立典型农业大数据智能决策分析系统,开展智能农场、智能化植物工厂、智能牧场、智能渔场、智能果园、农产品加工智能车间、农产品绿色智能供应链等集成应用示范。

智能物流:加强智能化装卸搬运、分拣包装、加工配送等智能物流装备研发和推广应用,建设深度感知智能仓储系统,提升仓储运营管理水平和效率。完善智能物流公共信息平台和指挥系统、产品质量认证及追溯系统、智能配货调度体系等。

智能金融:建立金融大数据系统,提升金融多媒体数据处理与理解能力。创新智能金融产品和服务,发展金融新业态。鼓励金融行业应用智能客服、智能监控等技术和装备。建立金融风险智能预警与防控系统。

智能商务:鼓励跨媒体分析与推理、知识计算引擎与知识服务等新技术在商务领域应用,推广基于人工智能的新型商务服务与决策系统。建设涵盖地理位置、网络媒体和城市基础数据等跨媒体大数据平台,支撑企业开展智能商务。鼓励围绕个人需求、企业管理提供定制化商务智能决策服务。

智能家居:加强人工智能技术与家居建筑系统的融合应用,提升建筑设备及家居产品的智能化水平。研发适应不同应用场景的家庭互联互通协议、接口标准,提升家电、耐用品等家居产品感知和联通能力。支持智能家居企业创新服务模式,提供互联共享解决方案。

大力发展智能企业

大规模推动企业智能化升级:支持和引导企业在设计、生产、管理、物流和营销等核心业务环节应用人工智能新技术,构建新型企业组织结构和运营方式,形成制造与服务、金融智能化融合的业态模式,发展个性化定制,扩大智能产品供给。鼓励大型互联网企业建设云制造平台和服务平台,面向制造企业在线提供关键工业软件和模型库,开展制造能力外包服务,推动中小企业智能化发展。

推广应用智能工厂:加强智能工厂关键技术和体系方法的应用示范,重点推广生产线重构与动态智能调度、生产装备智能物联与云化数据采集、多维人机物协同与互操作等技术,鼓励和引导企业建设工厂大数据系统、网络化分布式生产设施等,实现生产设备网络化、生产数据可视化、生产过程透明化、生产现场无人化,提升工厂运营管理智能化水平。

加快培育人工智能产业领军企业:在无人机、语音识别、图像识别等优势领域加快打造人工智能全球领军企业和品牌。在智能机器人、智能汽车、可穿戴设备、虚拟现实等新兴领域加快培育一批龙头企业。支持人工智能企业加强专利布局,牵头或参与国际标准制定。推动国内优势企业、行业组织、科研机构、高校等联合组建中国人工智能产业技术创新联盟。支持龙头骨干企业构建开源硬件工厂、开源软件平台,形成集聚各类资源的创新生态,促进人工智能中小微企业发展和各领域应用。支持各类机构和平台面向人工智能企业提供专业化服务。

打造人工智能创新高地

结合各地区基础和优势,按人工智能应用领域分门别类进行相关产业布局。鼓励地方围绕人工智能产业链和创新链,集聚高端要素、高端企业、高端人才,打造人工智能产业集群和创新高地。

开展人工智能创新应用试点示范:在人工智能基础较好、发展潜力较大的地区,组织开展国家人工智能创新试验,探索体制机制、政策法规、人才培育等方面的重大改革,推动人工智能成果转化、重大产品集成创新和示范应用,形成可复制、可推广的经验,引领带动智能经济和智能社会发展。

建设国家人工智能产业园:依托国家自主创新示范区和国家高新技术产业开发区等创新载体,加强科技、人才、金融、政策等要素的优化配置和组合,加快培育建设人工智能产业创新集群。

建设国家人工智能众创基地:依托从事人工智能研究的高校、科研院所集中地区,搭建人工智能领域专业化创新平台等新型创业服务机构,建设一批低成本、便利化、全要素、开放式的人工智能众创空间,完善孵化服务体系,推进人工智能科技成果转移转化,支持人工智能创新创业。

建设安全便捷的智能社会

围绕提高人民生活水平和质量的目标,加快人工智能深度应用,形成无时不有、无处不在的智能化环境,全社会的智能化水平大幅提升。越来越多的简单性、重复性、危险性任务由人工智能完成,个体创造力得到极大发挥,形成更多高质量和高舒适度的就业岗位;精准化智能服务更加丰富多样,人们能够最大限度享受高质量服务和便捷生活;社会治理智能化水平大幅提升,社会运行更加安全高效。

1.发展便捷高效的智能服务

围绕教育、医疗、养老等迫切民生需求,加快人工智能创新应用,为公众提供个性化、多元化、高品质服务。

智能教育:利用智能技术加快推动人才培养模式、教学方法改革,构建包含智能学习、交互式学习的新型教育体系。开展智能校园建设,推动人工智能在教学、管理、资源建设等全流程应用。开发立体综合教学场、基于大数据智能的在线学习教育平台。开发智能教育助理,建立智能、快速、全面的教育分析系统。建立以学习者为中心的教育环境,提供精准推送的教育服务,实现日常教育和终身教育定制化。

智能医疗:推广应用人工智能治疗新模式新手段,建立快速精准的智能医疗体系。探索智慧医院建设,开发人机协同的手术机器人、智能诊疗助手,研发柔性可穿戴、生物兼容的生理监测系统,研发人机协同临床智能诊疗方案,实现智能影像识别、病理分型和智能多学科会诊。基于人工智能开展大规模基因组识别、蛋白组学、代谢组学等研究和新药研发,推进医药监管智能化。加强流行病智能监测和防控。

智能健康和养老:加强群体智能健康管理,突破健康大数据分析、物联网等关键技术,研发健康管理可穿戴设备和家庭智能健康检测监测设备,推动健康管理实现从点状监测向连续监测、从短流程管理向长流程管理转变。建设智能养老社区和机构,构建安全便捷的智能化养老基础设施体系。加强老年人产品智能化和智能产品适老化,开发视听辅助设备、物理辅助设备等智能家居养老设备,拓展老年人活动空间。开发面向老年人的移动社交和服务平台、情感陪护助手,提升老年人生活质量。

2.推进社会治理智能化。

围绕行政管理、司法管理、城市管理、环境保护等社会治理的热点难点问题,促进人工智能技术应用,推动社会治理现代化。

智能政务:开发适于政府服务与决策的人工智能平台,研制面向开放环境的决策引擎,在复杂社会问题研判、政策评估、风险预警、应急处置等重大战略决策方面推广应用。加强政务信息资源整合和公共需求精准预测,畅通政府与公众的交互渠道。

智慧法庭:建设集审判、人员、数据应用、司法公开和动态监控于一体的智慧法庭数据平台,促进人工智能在证据收集、案例分析、法律文件阅读与分析中的应用,实现法院审判体系和审判能力智能化。

智慧城市:构建城市智能化基础设施,发展智能建筑,推动地下管廊等市政基础设施智能化改造升级;建设城市大数据平台,构建多元异构数据融合的城市运行管理体系,实现对城市基础设施和城市绿地、湿地等重要生态要素的全面感知以及对城市复杂系统运行的深度认知;研发构建社区公共服务信息系统,促进社区服务系统与居民智能家庭系统协同;推进城市规划、建设、管理、运营全生命周期智能化。

智能交通:研究建立营运车辆自动驾驶与车路协同的技术体系。研发复杂场景下的多维交通信息综合大数据应用平台,实现智能化交通疏导和综合运行协调指挥,建成覆盖地面、轨道、低空和海上的智能交通监控、管理和服务系统。

智能环保:建立涵盖大气、水、土壤等环境领域的智能监控大数据平台体系,建成陆海统筹、天地一体、上下协同、信息共享的智能环境监测网络和服务平台。研发资源能源消耗、环境污染物排放智能预测模型方法和预警方案。加强京津冀、长江经济带等国家重大战略区域环境保护和突发环境事件智能防控体系建设。

3.利用人工智能提升公共安全保障能力

促进人工智能在公共安全领域的深度应用,推动构建公共安全智能化监测预警与控制体系。围绕社会综合治理、新型犯罪侦查、反恐等迫切需求,研发集成多种探测传感技术、视频图像信息分析识别技术、生物特征识别技术的智能安防与警用产品,建立智能化监测平台。加强对重点公共区域安防设备的智能化改造升级,支持有条件的社区或城市开展基于人工智能的公共安防区域示范。强化人工智能对食品安全的保障,围绕食品分类、预警等级、食品安全隐患及评估等,建立智能化食品安全预警系统。加强人工智能对自然灾害的有效监测,围绕地震灾害、地质灾害、气象灾害、水旱灾害和海洋灾害等重大自然灾害,构建智能化监测预警与综合应对平台。

更多关于雷锋网人工智能升级传统行业的文章,请关注雷锋网AI商业化垂直微信公众号:AI掘金志。

雷锋网

让城市变得“智能”必须修炼的十大内功

“智慧城市”概念最早在2008年被IBM提出。词如其义,旨在利用一些新技术让城市系统、运作、服务都变得完善及智能。

中国作为“城市病”的高发地,近年来由于人口、工业、交通等过度集中造成种种弊病。城市标准、技术、机制的不协调,让城市的整体性和系统性大打折扣,基于此,建设智慧城市迫在眉睫。

当然,中国的城市管理者也意识到了这个问题。雷锋网了解到,短短几年,中国就有超过400个城市提出建设智慧城市,总体投资超2万亿。问题出现了,巨额投资的背后,我们看到的城市好像并没有那么“智能”,大部分预算都被用于织天网、装监控。

智慧城市建设是一个庞大工程,除了部署一些传感器和安防设备,还需要一个整体的编排框架和深入的前瞻及规划。在此背景下,本文列出智慧城市建设所需的十大关键要素,也就是让城市变得更智慧之前要做的十件事。

API和第三方开发

随着分布式缓存和计算而来的问题是如何为第三方建立开发平台。

智慧城市技术供应商与市政部门合作,考虑到安全性就需要为资源、数据、API提供经过深思熟虑的结构,这样才能够创建新的智能、新的应用和新的体验。

创新是不能被某个公司垄断的。即便是乔布斯也预见不了在iPhone平台上兴起的各种应用,如今苹果非常依靠第三方的如Instagram、Lyft或Airbnb等应用 – 而这些应用在第一代iPhone发布的时候根本不敢想象。

当然,我们也不能就照猫画虎地建立一个智慧城市版的“app store”,让开发者自由地发布软件。我们要把注意力放在如何找到一种先进的审核机制,以便安全、敏捷地确定哪些应用是可以在真实环境中开放应用的。

分布式计算

在智慧城市中,我们需要快速处理海量数据,由于网络发展太快,这将不允许城市管理者将所有内容重新发送到“云”中集中处理。

因此,我们必须建立具有本地处理资源的高价值节点,作为分布式网络中的分层参与者进行无缝运行。另外,市政基础设施还必须融合成一个完善的分布式处理架构,一个可扩展的生活系统,连接丰富的数据。

智慧城市需要在每个关键位置和节点部署计算能力,以支持动态流量管理,实时决策。

“即时”存储与缓存

智慧城市还需要我们在通信基础设施的“边缘”部署存储系统。作为分层存储和缓存网络的一部分,我们每分钟积累的大量数据将需要与本地存储配对,以避免出现不必要的网络堵塞。

据雷锋网了解,每辆自动驾驶汽车每天都可以产生4TB的数据,城市路口的监控摄像头也会产生海量的数据。把这些数据全部传到某个中心机房存起来不仅不切实际而且相当浪费资源。

所以,应当把本地存储和本地处理结合起来,这样可以动态地从这些数据中抓取有效信息,然后这些有效的信息就可以传送到云存储中去。

对传输下一代的内容来说,缓存同样非常重要。AR&VR无法容忍内容传输的延迟,这种拟真内容的媒体资源必须即时可用,这样才能将这些功能在整个城市中都能够得到可靠地使用。

简而言之,智慧城市必须将存储容量扩展到个人架构,而且必须具备嵌入到整个城市的高度分布和动态的存储阵列中的能力。

高速、低延迟网络

高速、低延迟的无线通信网络是智慧城市建设的首要要求,这也是为什么5G网络的出现会得到如此多关注的原因。

雷锋网了解到,相对于4G技术,5G将以一种全新的网络架构,提供峰值10Gbps以上的带宽,用户体验速率可稳定在1Gbps—2Gbps。

5G的出现会让城市的运行变得更加有效率。高通CEO斯蒂夫-莫伦科夫(SteveMollenkopf)表示该技术将在2019年全面商用。

另外,智能城市架构还必须支持功率受限设备的低功耗无线接入(LPWA)。例如,对于每天漂浮在报告城市水位的设备来说,节能通信协议至关重要。

先进的“防灾"能源

智慧城市解决方案还需要可持续、安全、且可防灾的能源网络。没有这些,就不能授予城市“聪明”的绰号。

考虑到这个因素,没有一个IT工程师在没有UPS(不间断电源)和备用电源的情况下建立一个数据中心。如果通信和情报系统只有在电力出现时才能使用,那么在灾难和特殊事件发生后需要服务时,我们就会显得束手无策。

安全隐私

城市管理者必须从一开始就应该将“安全”整合到智能城市平台,而不是将重点放在事后的反思。

不安全的解决方案是不可以被接受的。近年来,全球各地都出现了包括视频监控系统“开后门“、家庭看护摄像头被侵入等现象,相关企业应该提出更安全、高效的产品和解决方案,访问协议和通信需要高级的安全架构来防范恶意代理。覆盖和强制升级路径也必须嵌入架构中,以防止和减轻网络攻击的影响。

安防不仅仅是保护政务系统和各个场所,它也必须用来保护公民的隐私,智能解决方案的前提必须是”尊重“公民。

传感器与数据

数据捕获长期以来一直是智慧城市工作的重点,聪明的城市正在不断增加新的数据捕获功能。

天气、风向和强度、路面温度和条件,空气质量、辐射、污染物、脚踏车辆、车辆交通、野生动物、土壤水分、噪声污染、光照水平、花粉、水质、水位、振动、污水流量,阀门压力等等,这些都是智慧城市设备必须收集的数据。

值得注意的是,数据本身并没有让城市变得聪明的能力。Smart需要一个相应的分层架构来处理这些数据并得出相应结论而采取行动。

硬件维护及可升级性

即使再聪明的人或组织在第一次部署复杂系统时都不能做到百分百完善。

而智慧城市基础设施在日后需要维护和升级,但在实际操作过程中,不可能允许“施工方”破坏城市架构进行规划和改进。

因此需要在智慧城市建设前期考虑到后期的维护和升级,因此必须建立一个完善且规范的服务器架构,当然,这需要当局者具备强大的技术前瞻性,

用户界面

对于消费类设备,我们正在从有线(PC)到无线(智能手机)到环境(如亚马逊的Alexa)接口的转变。

同样,真正的智慧城市也将会把公共空间变成一个个接口。智慧城市的策略要基于通过声音和增强现实与环境互动进行定义。它背后的意义是,未来的智慧城市应当是一个无缝的互动性环境,而且值得注意的是,“空间就是互动界面”的想法对建筑设计师和城市规划者来说都有深远的寓意。

优化设计

从各个城市公共基础设施的设计来看,大多走的都是实用路线,其实在这个基础上也可以设计的更加唯美、生动,让城市变得更富吸引力。

就像在没有出现智能手机时,我们根本想象不到产品设计的重要性,除了实用性以外,大众的审美也在进一步提高。对于城市而言也是一样,如果每个城市都能改变设计思路,也许智慧城市的潜力将会变得更大。

雷锋网

联想发布 MR 眼镜 daystAR 晨星,外观神似微软 HoloLens

7 月 20 日联想在 Tech World 大会上,正式推出一体机式混合现实(MR)眼镜 daystAR 晨星,是一款类似于 HoloLens 的设备。

据雷锋网了解,Tech 大会召开的前两天,迪士尼D23博览会上已经公布了一段关于联想和迪士尼合作的视频,展示了 AR 游戏体验《星球大战:绝地挑战》。从视频中,我们大概可看出这个 AR 眼镜是可插入手机的,而且 AR 体验也是通过 APP 运行。

现场,联想宣布了与迪士尼的合作,联想集团董事长兼 CEO 杨元庆现场说,“如果没有迪士尼支持的话,联想的 AR 也是难实现的。”

daystAR 晨星

联想集团执行副总裁兼中国区总裁刘军为 daystAR 站台

不过,今天更大的惊喜恐怕是,联想推出晨星 AR 技术方案,其中包括一体机式 MR 眼镜 daystAR 晨星、AR云平台,以及工业、医疗等AR行业解决方案。 

根据官方给出的资料显示,daystAR 晨星是由联想自主研发的一体式 MR 眼镜。具体参数如下:

  • 采用大视场角自由曲面光学技术,视场角达到 40 度;

  • 内置独立的计算机视觉处理单元;

  • 采用定制的深度摄像头配合 IMU多传感器阵列,能够支持手势交互、高精度实时 SLAM 和三维物体识别。

在交互层面,该设备支持机身按键操作、手势操作和语音交互。同时,佩戴近视眼镜的用户可直接使用该设备。

本文中产品图均来自 engadget

从展示的图片可看出,这款设备的外观跟微软 HoloLens 有些类似,至于显示、定位等效果如何目前还不清楚。有业内人士告诉雷锋网,该设备体验效果更像是“Carboard 版的 Meta”,而且“目前世界上没有第二台设备接近 HoloLens 的水平”。

AR 云平台

除硬件外,联想还推出了 AR 云平台,可以提供云端物体识别、远程互动协助、多用户互动以及 3D 内容扫描、编辑、管理等 AR 服务,并且开放的 SDK 能够帮助开发者快速构建 AR 应用。

现场,他们还演示了如何使用 DaystAR  修飞机。具体过程是,先用 DaystAR 晨星扫描识别飞机发动机,然后与云平台连接,获取发动机维修数据,接着发动机上便会叠加到一些维修的指导信息。同时,还能远程请其他专家协助维修。

联想的 AR 布局

有意思的是,同一时间,北京举办的 2017 AWE 世界增强现实博览会上,联想新视界发布了一款 AH云,它是一套集智能识别、云存储、内容编辑、视频通讯等功能于一身的云服务系统。而上述的“修飞机”与 AH云实现的一些功能十分类似。

随后,联想新视界研发总监张培向雷锋网确认到 daystAR 是由“联想研究院开发的,我们与他们有紧密的合作”。据张培介绍,联想新视界原本是联想 NBD(新业务拓展部)。早在 2014 年 NBD 便推出了智能眼镜 C100 ,2017 年 CES 期间推出迭代产品 C200,也是在这个时间段 NBD 正式独立出来成为现在的联想新视界。

张培表示,这是联想对 AR 业务的重视,而且之后,他们有计划让 daystAR 使用 AH 平台。但联想新视界是否会与联想研究院合力推动 daystAR 的后续发展,目前还不得而知。

对于 AR、VR 领域的布局,微软其实一直都有动作。去年年底微软宣布 HoloLens 入华,开放 Windows Holographic 技术给数家电脑厂商使其打造 VR 头显,联想便是其中一家。今年的谷歌 I/O 大会上,谷歌也宣布与联想合作打造 Daydream VR  一体机,还将采用高通骁龙835 参考设计方案。

到目前为止,我们还没看到 VR 头显的消息,倒是 MR 眼镜率先亮相,虽然联想并未公布 daystAR 的上市时间、售价,以及面向的用户,但显然,行业应用会是重点。

今年三月巴塞罗那举办的 MWC 上,联想集团副总裁,联想新视界有限公司总经理白欲立也曾告诉雷锋网:

“(当下的 AR 眼镜)还得好几代才能完全满足消费口中的需求。技术不能说光研发不销售,上哪儿销售,找一些高尖客户,现在的需求已经有了,已经有了客户为什么不去满足,非得耗在消费市场呢?而且消费市场是拿黄金当石头卖,没有必要。”

再加上,这两天 Google Glass 企业版的回归,daystAR 先重点推行业应用是情理之中的事情。至于,daystAR 在市场上的实际表现如何,雷锋网相信我们很快就会知道。

雷锋网

2017年第二季度,这9家海外“AI+医疗”公司共获得7亿融资

回顾2017年第一季度,全球一级市场共1110起融资事件,投资总额约446亿1852万美元,而医疗领域全球仅88起融资事件,总融资额34.08亿美元。雷锋网了解到,预计到2025年,人工智能应用市场总值将达到1270亿美元。其中,医疗行业将占市场规模的五分之一。

医疗人工智能领域巨头环伺,创业者也正持续涌入。据不完全统计,医疗人工智能相关的创业公司全球有近170家,国内医疗人工智能相关的创业项目近70家。这一季度,主打癌症检测的 GRAIL 创下了破纪录的B轮融资,融资额高达9.14亿美元;从 Google 分拆出来的生命科学部门 Verily ,获8亿美元融资;好大夫在线获腾讯2亿美元 D 轮投资……一笔笔高额融资仍在继续。

而第二季度,医疗人工智能相关的海外创业公司表现同样不俗,雷锋网在80家医疗领域的公司中挑选了其中具有代表性的9家,将其融资情况整理如下:

1、Babylon

融资金额:6000万美元

 Babylon Health 是一家位于英国伦敦的数字医疗创业公司,于2013年成立。 Babylon 的诊疗APP于2014年推出,目前已覆盖全球80多万的用户,服务范围横跨欧洲和非洲。 Babylon 人工智能医生是英国数字医疗公司 Babylon Health 推出的一款远程诊疗APP,旨在通过 AI 技术,为用户提供全天候医疗咨询服务。比如,通过与 AI 机器人聊天查询病症,或通过视频或文本向在线的专业医生获取医疗建议。另外,APP还包含健康追踪以及药品配送等服务。

2016年, Babylon 在卢旺达(世界上最贫穷的国家之一)推出,试用半年就完成了卢旺达25万人的注册量,完成了6万次问诊。

该公司于2016年初募资2500万美元后,2017年4月份又募资了6000万美元。虽然该公司并未披露投资者,但据报道,这一轮投资者包括埃及亿万富翁商业家族 Sawiris 、NNS holdings 、Vostok New Ventures 和现有投资者 Kinnevik 。

2、Mindstrong Health 

融资金额:1400万美元

 Mindstrong 成立于2014年,是一家通过 AI 和移动互联技术来改造神经精神障碍诊断和治疗的创业公司。它重新定义了通过其专利的突破性科学测量行为的方式,将智能手机中的互动模式转化为客观的脑功能测量。基于四年的深入临床研究, Mindstrong 的 AI 平台可以提供实时、连续的情绪和认知数字生物标志物,其指标包括处理速度、注意力、记忆力和执行力等。

本次A融资由 Foresite Capital 和 ARCH Venture Partners 领投,并由 Optum Ventures,Berggruen Holdings 和 One Mind Brain Health Impact fund 参投。投资将用于建立 Mindstrong 的精英技术和临床操作团队,以支持大规模的研发。

3、Aira

融资金额:1200万美元

 Aira 公司位于圣地亚哥,为盲人和弱视力者开发人工智能和远程人力资源相结合的智能眼镜。 Aira 最早是基于 Google Glass 开发的一款产品,使得盲人的家人或朋友能够通过视频观察到外出盲人的视角与环境。当时最大的特点是为盲人提供语音代理助手,这样的助手可以是盲人的家人、朋友,也可以是 Aira 的语音助理团队。

本次融资由 JAZZ Venture Partners 和 Arboretum Ventures 领投,现有投资者 Lux Capital 、 ARCH Venture Partners 和 Felicis Ventures 也均有出资,同时,美国盲人联合会作为战略投资者加入了此轮融资。此轮融资后,该公司的总资金约为1500万美元。

4、Your.MD

融资金额:1000万美元

 Your.MD 是一家位于伦敦的医疗聊天机器人公司,成立于2012年12月。 Your.MD 是一款利用人工智能技术解答用户病症疑问的医疗app。它通过收集到的用户信息分析你的整体健康状况以及潜在病因,为用户提供个人化的治疗方案。此外, Your.MD 倡导“pre-primary care”的概念,即预防性的卫生保健。

除了通过聊天机器人进行辅助诊断以外, Your.MD 还推出了“OneStop Health”平台,当用户需要更为专业深入的服务时,平台会通过视频或信息的方式为用户推送真实有资质的医疗机构。商业模式方面 , Your.MD 的疾病监测和诊断方案为免费提供,公司主要收入来源于上文提及的 OneStop Health,目前以收取佣金为主要模式。

本轮融资由消费品公司 Orkla 的风险投资部门 Orkla Ventures 主导,为其筹得1000万美元。现有投资人 Smedvig Capital 也参与了本轮融资。公司上次融资还是在2015年,通过本轮融资,其总资金达到1730万美元。

5、Viz

融资金额:750万美元

位于旧金山的 Viz 期望将人工智能应用于医学影像中,公司在首轮融资中筹得750万美元。Viz 的基本原理在于机器学习,创始人 Mansi 认为,通过机器学习过程,AI 系统可以在扫描过程中集自动识别大脑中的异常现象。对于中风的医疗诊断而言, Viz 的突破首先体现在诊断的精细化和高效化,考虑到大脑扫描的复杂性,人工诊断效率要远低于基于 AI 的系统分析。

通过专门的算法设计,除了能够提前确诊外,Viz 也能够提供专门的治疗方案,以便在有限的黄金救治时间内进行治疗。

该轮融资由 DHVC 和 Alphabet Chairman Eric Schmidt's Innovation Endeavors领投, AME Cloud Ventures 及 Susa Ventures 也参与其中。 Viz 最初专注于中风的治疗,但是其打算将业务范围扩展到使用诊断图像并对时间有要求的治疗中来。

6、AiDoc

融资金额:700万美元

本轮融资由特拉维夫风投公司 TLV Partners 领投, AiDoc 筹得700万美元的资金。 AiDoc 正在努力将其人工智能动力医学成像工具在诊所中应用,以此来帮助放射科医师更快地处理病例。该公司已经打造了深入学习算法来快速分析成像和临床数据,使其能够发现医学扫描中的视觉异常状况。

7、ReThink Medical

融资金额:300万美元

总部位于旧金山的 ReThink Medical 公司筹集了300万美元,用于开发医用可穿戴式预防心力衰竭的设备。该轮融资由 Emergent Medical 领投, Norwich Ventures 和 Launch Capital 参与其中。公司之前还得到了 NIH 的拨款,与日本医疗器械公司 Terumo Corporation 建立了合作伙伴关系,投资也包括在内。

8、Catalia Health 

融资金额:250万美元

 Catalia Health 于2014年成立于美国,专注病人行为研究与服务,通过研究病人个体心理、行为、习惯协助医院和护理机构更好地服务病患。 Mabu 是一款类人形的平板电脑,它运用 AI 技术,通过监测患者服用药物的时间和方式来提供药物依从性帮助,该系统包含不同算法输入,可以通过其在患者家中与患者的接触,学习其特定的行为和偏好。

 Mabu 不仅可以为慢性病患者提供帮助,另一方面也可以收集数据提供给医疗保健机构。功能方面, Mabu 可以提醒患者服用药物,询问患者的感受情况。如果症状越来越严重,Mabu可以询问患者的感受情况并将这些信息转发给医疗服务提供者。目前,该公司正在对 Mabu 进行测试并在与制药公司,医疗保健系统和家庭健康组织中进行试点。 

在 Khosla Ventures 领投的新一轮融资中,融资 250 万美元。参与融资的新投资人有 NewGen Capital  和 Macnica Ventures ,现有投资人有 Q Venture Partners Limited 、 InnoLinks Ventures 、 Abstract by Flight 、 VC, DeNA 以及Lucky Capital 。公司的总融资额达到375万美元。

9、NarrativeDx

融资金额:未披露融资金额

总部位于德州奥斯汀的 NarrativeDx 在 LiveOak Venture Partners , Cultivation Capital 和 HealthX Ventures 的领投下,进行了 A 轮未公开的融资。该公司使用人工智能和自然语言处理来分析患者的反馈意见,并就医疗机构如何改善患者体验进行反馈。

经过雷锋网粗略计算,上述9家“AI+医疗”共获得1亿1600多万美元的融资,换算成人民币约为7亿8500多人民币。

雷锋网

腾讯QQ新功能“句有料”曝光!发消息必须交钱

雷锋网7月20日消息   2014年,支付宝新设“转账”备注功能,这一新功能开启了一波新的社交高潮,网友玩性大起,纷纷通过支付宝转账来进行多轮持续对话。根据网友总结:支付宝当时成为最佳道歉工具、最佳表白工具、最佳复合工具以及最贵聊天工具。

而现在,腾讯QQ也出现了一个类似的功能,名叫“句有料”。顾名思义,每一句都要有“料”。如果你想和某好友发消息,而对方设置了“句有料”功能后,你就必须转钱才可以。

你可以对某好友开通“句有料”功能,这意味着如果对方想跟你说话,每一句话都至少需要支付1分钱。据悉,该功能将在QQ v7.1.5中上线。此举也意味着,腾讯也一直在尝试新的社交花样,以期给用户带来持续的新鲜感。

注:部分资料来源于快科技

雷锋网

IBM全球首席资讯安全架构师Chenta Lee 携认知安全重磅回归CSS2017

六年前,Watson(IBM认知计算系统的杰出代表)在美国最受欢迎的智力节目《危险边缘》上一举打败两位节目年度总冠军,让认知计算走进了全球人们的视野。认知计算代表着一种全新的计算模式,通过自然语言处理和机器学习等技术创新,助力决策者从大量非结构化数据中揭示非凡的洞察,已被广泛应用于医疗保健、金融监管、精细营销等诸多行业。 

近两年,认知计算的理解、推理和学习能力还被应用到信息安全领域,认知解决方案基于安全情报,不仅提供答案,而且可提供假设、基于证据的推理和建议,帮助用户改进实时决策,加速响应各种情况,降低应对网络犯罪的成本和复杂性,促使信息安全的发展进入新时代。

谈到对认知安全的研究权威,就不得不提IBM Security全球首席资讯安全架构师Chenta Lee,他曾在第二届中国互联网安全领袖峰会(Cyber Security Summit 2016)上表示这世界上80%的数据是非结构化数据,并指出我们可运用认知技术从非结构性的资料中有效率地找到跟黑客攻击有关的指示点来抵御攻击。值得关注的是,Chenta Lee将再度以嘉宾身份出席于8月15-16日在北京国家会议中心召开的第三届中国互联网安全领袖峰会(Cyber Security Summit 2017,简称CSS2017),并将带来《认知计算下的安全免疫系统》为主题的讲演,为大家深度剖析伴随IBM Watson而来的认知时代背景下,网络安全免疫系统将要如何布局。 

Chenta Lee所在的IBM Security主要提供由分析、实时防御和资深安全专家构建成的集成系统,助力企业优化安全策略和管理、提升安全运营及响应能力,在互联互通的世界中进行风险管理和数据保护等。其安全产品和业务已经涵盖数据、应用、终端、反欺诈等一系列的安全框架,形成了一套具备检测、防御、响应能力,并且可以相互联动、情报共享的完整安全业务体系,其中包括QRadar、BigFix、X-Force等明星安全平台。

而Chenta Lee作为IBM Security全球首席资讯安全架构师,目前主要带领团队开发IBM Security Network Protection,并与IBM首屈一指的信息安全团队X-Force合作负责网络安全解决方案的研究工作,其中包含企业信息安全架构的设计以及企业信息安全布署的优化等,以帮助企业主动寻找并应对威胁,运用最新的威胁情报防患于未然,最大程度减少业务中断。

Chenta Lee不仅在安全领域颇有建树,还专精SDN(软件定义网络)、虚拟化技术、APT (高级持续性威胁)等各种云端技术的研发,注重将云端技术与网络安全解决方案进行深度整合,以帮助企业抵御各种新型云端威胁。截止目前,Chenta Lee已在国内外权威杂志发表十多篇有关新型攻击应对及云端安全防护的学术论文,在资讯安全领域已累积32项有效的专利,是位不折不扣的“发明家”。凭借对创新技术的深刻研究和执着追求,Chenta Lee于2016年获得“IBM创新大师”称号。

作为网络安全新生态的首创平台,CSS2017由腾讯公司、中国电子技术标准化研究院等企事业单位共同创办,并得到了国家网信办、工信部、公安部等国家部门的大力支持和指导。届时,大会将以“安全新秩序、连接新机遇”为主题,为中国互联网安全产业格局和发展机遇进行全面解读把脉,为产业的“数字经济”转型献策,并将围绕金融安全、大数据及云安全、人工智能与安全伦理、安全法治治理、基础设施安全、智能硬件与物联网安全、网络空间威胁态势感知、腾讯安全探索等议题展开,探讨全新环境和形势下网络安全的新秩序构建、安全连接数字经济的新发展机遇。

 

除Chenta Lee外,CSS2017还吸引了“世界头号传奇黑客”Kevin Mitnick、中国电子科技集团公司总工程师吴曼青院士、国际支付巨头VISA副董事长兼首席风险官Ellen Richey、卡巴斯基实验室安全专家Vladimir Dashchenko、腾讯安全玄武实验室负责人“TK教主”于旸、KEEN公司创始人兼CEO王琦等众多全球顶尖安全专家、以及500多家全顶尖企业共话安全。与会者不但可以亲耳听到最前沿安全技术的干货分享,还能与世界顶级安全大咖零距离交流。8月15-16日,北京国家会议中心,CSS2017全球前沿的安全技术分享,空前强大的阵容等你来!即日起可登陆(请戳链接)网站了解更多详情。

雷锋网

一文详解如何用 python 做中文分词

雷锋网按:本文作者王树义,原载于微信公众号玉树芝兰(nkwangshuyi),雷锋网经授权发布。

打算绘制中文词云图?那你得先学会如何做中文文本分词。跟着我们的教程,一步步用 Python 来动手实践吧。

  需求

在此前发布的文章《从零开始教你用 Python 做词云》一文中,我们介绍了英文文本的词云制作方法。大家玩儿得可还高兴?

文中提过,选择英文文本作为示例,是因为处理起来最简单。但是很快就有读者尝试用中文文本做词云了。按照前文的方法,你成功了吗?

估计是不成功的。因为这里面缺了一个重要的步骤。

观察你的英文文本。你会发现英文单词之间采用空格作为强制分隔符。

例如:

Yes Minister is a satirical British sitcom written by Sir Antony Jay and Jonathan Lynn that was first transmitted by BBC Television between 1980 and 1984, split over three seven-episode series.

但是,中文的文本就没有这种空格区隔了。为了做词云,我们首先需要知道中文文本里面都有哪些“词”。

你可能觉得这根本不是问题——我一眼就能看出词和词之间的边界!

对,你当然可以。你可以人工处理1句、100句,甚至是10000句话。但是如果给你100万句话呢?

这就是人工处理和电脑自动化处理的最显著区别——规模。

别那么急着放弃啊,你可以用电脑来帮忙。

你的问题应该是:如何用电脑把中文文本正确拆分为一个个的单词呢?

这种工作,专业术语叫做分词。

在介绍分词工具及其安装之前,请确认你已经阅读过《从零开始教你用 Python 做词云》一文,并且按照其中的步骤做了相关的准备工作,然后再继续依照本文的介绍一步步实践。

  分词

中文分词的工具有很多种。有的免费,有的收费。有的在你的笔记本电脑里就能安装使用,有的却需要联网做云计算。

今天给大家介绍的,是如何利用Python,在你的笔记本电脑上,免费做中文分词。

我们采用的工具,名称很有特点,叫做“ 结巴分词 ”,具体链接如下:

https://github.com/fxsjy/jieba

为什么叫这么奇怪的名字?

读完本文,你自己应该就能想明白了。

我们先来安装这款分词工具。回到你的“终端”或者“命令提示符”下。

进入你之前建立好的demo文件夹。

输入以下命令:

pip install jieba

好了,现在你电脑里的Python已经知道该如何给中文分词了。

  数据

在《从零开始教你用 Python 做词云》一文中,我们使用了英剧”Yes, minister“的维基百科介绍文本。这次我们又从维基百科上找到了这部英剧对应的中文页面。翻译名称叫做《是,大臣》。

将网页正文拷贝下来之后,存入文本文件 yes-minister-cn.txt,并且将这个文件移动到我们的工作目录 demo 下面。

好了,我们有了用于分析的中文文本数据了。

先别忙着编程序。正式输入代码之前,我们还需要做一件事情,就是下载一份中文字体文件 simsun.ttf。具体下载链接如下:

http://t.cn/RKuSeLl

下载后,将这个ttf字体文件也移动到demo目录下,跟文本文件放在一起。

  代码

在命令行下,执行:

jupyter notebook

浏览器会自动开启,并且显示如下界面。

这里还有上一次词云制作时咱们的劳动成果。此时目录下多了一个文本文件,是"Yes, Minister"的中文介绍信息。

打开这个文件,浏览一下内容。

我们确认中文文本内容已经正确存储。

回到Jupyter笔记本的主页面。点击New按钮,新建一个笔记本(Notebook)。在Notebooks里面,请选择Python 2选项。

系统会提示我们输入Notebook的名称。为了和上次的英文词云制作笔记本区别,就叫它wordcloud-cn好了。

我们在网页里唯一的代码文本框里,输入以下3条语句。输入后,按Shift+Enter键执行。

filename = "yes-minister-cn.txt"

with open(filename) as f:

mytext = f.read()

然后我们尝试显示mytext的内容。输入以下语句之后,还是得按Shift+Enter键执行。

print(mytext)

显示的结果如下图所示。

既然中文文本内容读取没有问题,我们就开始分词吧。输入以下两行语句:

import jieba
mytext = " ".join(jieba.cut(mytext))

系统会提示一些信息,那是结巴分词第一次启用的时候需要做的准备工作。忽略就可以了。

分词的结果如何?我们来看看。输入:

print(mytext)

你就可以看到下图所示的分词结果了。

单词之间已经不再紧紧相连,而是用空格做了区隔,就如同英文单词间的自然划分一样。

你是不是迫不及待要用分词后的中文文本作词云了?

可以,输入以下语句:

from wordcloud import WordCloud
wordcloud = WordCloud().generate(mytext)
%pylab inlineimport matplotlib.pyplot as plt
plt.imshow(wordcloud, interpolation='bilinear')
plt.axis("off"

激动地期待着中文词云的出现?

可惜,你看到的词云是这个样子的。

你是不是非常愤怒,觉得这次又掉坑里了?

别着急,出现这样的结果,并不是分词或者词云绘制工具有问题,更不是因为咱们的教程步骤有误,只是因为字体缺失。词云绘制工具wordcloud默认使用的字体是英文的,不包含中文编码,所以才会方框一片。解决的办法,就是把你之前下载的simsun.ttf,作为指定输出字体。

输入以下语句:

from wordcloud import WordCloud
wordcloud = WordCloud(font_path="simsun.ttf").generate(mytext)
%pylab inlineimport matplotlib.pyplot as plt
plt.imshow(wordcloud, interpolation='bilinear')
plt.axis("off")

这次你看到的输出图形就变成了这个样子:

这样一来,我们就通过中文词云的制作过程,体会到了中文分词的必要性了。

这里给你留个思考题,对比一下此次生成的中文词云,和上次做出的英文词云:

这两个词云对应的文本都来自维基百科,描述的是同样一部剧,它们有什么异同?从这种对比中,你可以发现维基百科中英文介绍内容之间,有哪些有趣的规律?

  讨论

掌握了本方法后,你自己做出了一张什么样的中文词云图?除了做词云以外,你还知道中文分词的哪些其他应用场景?欢迎留言,分享给大家。我们共同交流讨论。

雷锋网相关阅读:

从零开始教你用 Python 做词云

详解基于朴素贝叶斯的情感分析及 Python 实现

雷锋网