引論：我們為您整理了13篇醫學影像技術發展現狀范文，供您借鑒以豐富您的創作。它們是您寫作時的寶貴資源，期望它們能夠激發您的創作靈感，讓您的文章更具深度。
篇1
（一）醫學影像學科的教育教學現狀
醫學影像技術是進行醫學檢查的一項常用技術，該項技術的應用層面非常廣泛。近幾年，伴隨著醫學影像技術的廣泛應用，市場上對醫學影像技術人才的需求也隨之增加。不少高校依據市場對該項技術人才的廣泛需求，具有針對性地設計了相關人才培訓計劃，并在高校課堂設置以培養醫學影像技術人才為目標的醫學影像技術學的專業課堂，對教材內容、課堂設計等方面也適時進行了技術創新和改革。雖然這項新的專業學科在進入高效課堂之初就受到了大多數人的認可，但由于該專業的設置時間較短，發展的時間也不長，在相關教材以及教育方式上依然存在著很多問題。這些問題之中，能夠影響人才培訓的最主要問題是，在不同層次的教育之間醫學影像技術的學習在銜接的部分存在不小的問題，例如：?？婆c本科教育或者是本科與研究生教育之間存在著教育脫節的現象。另外，普通高校在醫學影像技術專業應用的教材并不統一，導致大多數學校的人才培訓方向不明確，相關設計計劃不符合實際，這就導致了大多數醫學影像學專業的人才更難在較短時間內適應醫院的工作。
（二）應用醫學影像技術的相關操作人員的工作狀態
現階段，應用醫學影像技術的相關操作人員，在大多數醫療機構當中從事醫學影像技術的專業人員被稱為技師。除此之外，還能夠在大學所附屬的醫院中擔任技術講師或者是教授。在的一些普通的醫院當中，醫學影像技術人員主要從事放射科的工作。在其他大型的綜合性醫院或者是專科醫院當中，從事影像技術工作的人員基本上都是大學本科學歷，一般很少有碩士畢業生，在醫院的放射科博士學歷的影像技術操作人員幾乎上沒有。而在略差于市級醫院的地方醫院當中，放射科擔任影像技術操作人員的則為專科學歷。在醫院的放射科，各科的醫生和相關的技術操作人員數量基本一致。因此，在一些大型的綜合性質的醫院，或者是具有較完善的醫療圖像管理與通信系統的?？漆t院當中，放射科的大多數醫生往往是進行后臺的普通檢驗工作，而醫學影像技術學科的人員擔任前臺檢查的重要工作。該項技術人員不不僅僅擔任接診病人的工作，而且還負責患者所檢查的疾病圖像的收集工作和審核任務。這也就提高了技術人員對相關技術知識掌握的要求，不僅僅要有牢固的圖像采集知識體系，還要熟悉各種處理和核查相關的技術。此外，最基本的還要牢牢掌握相關的醫學知識。只有做到上述要求，醫學影像檢查技術人員才能夠在第一時間為病人的檢查做出正確的疾病醫學判斷以及準確的技術操作，有利于提高檢查結果的準確率。除此之外，進行醫學影像的相關影像設備一般價格較昂貴，這就需要相關操作人員在進行操作時要保障設備的安全，在檢查患者疾病的同時最大程度上保護相關影響設備。熟悉的醫學影像的相關理論知識與實際的設備操作進行融合，從而順利地進行醫學檢查，延長影像設備的使用壽命。在當前，影響設備的進化與影像技術人員專業素質不高兩個方面出現一定的矛盾，這就使得相關高級的影像，設備不能夠在臨床檢驗工作中充分的發揮經驗作用，降低圖像檢查的準確性。因此，在接受相關學校教育的理論教學之后，醫學影像技術人員還需要加強對實踐應用的掌握，各級醫院也應該適度地增加對影像技術人員的專業培訓。
（三）現階段醫學影像技術的組織管理情況
在我國，與醫學影像技術有關的專業性組織就是中華影像技術學會，該學會是中華醫學會附屬下的影像技術專業學會，是同中華超聲學會、中華放射學會以及中華合醫學學會共同組成的關于影像學科的醫學與核影像技術的四大學會。中華影像技術學會下屬有七個專業學組，其中就包括電子計算機斷層掃描技術學組、MR技術學會以及醫療圖像管理與通信系統技術學會，除此之外，還包含三個籌備的專業學組以及三個學部。在我國，每年都會在固定時間舉辦中華影像技術學會大會，其主要目的是進行影像技術交流，是一種具有國際性的專業學會討論大會，參與到大會當中的人員，大都是來自于世界各國從事醫學影像專業技術的高水平人員。這樣的學術交流大會，能夠精進醫學影像技術，因此，吸引了各國的技術人員的參與。另外，在我國大多省份當中，省或市內都存在專業的影像技術學會小組，而且一些地區也建立了相關的。我國所開設的與醫學影像技術有關的網絡教育平臺，其開設范圍也惠及全國，這也幫助了許多就職員工進行再度的深度學習，從而培養出更多的醫學影像技術操作人員，提高操作人員的專業水平。
二、醫學影像技術學科的發展趨勢
（一）醫學影像學科技術發展的總方向
在當前的醫學影像技術發展過程中，醫學診斷過程和介入治療的過程是分開的，但隨著各項醫學技術的不斷創新和發展，這兩者必然會在一定時期之后建立相互聯系的，呈現出完整的現代影像學科系統。當前，影像技術的研究方向主要是大體形態學，主要在圖像的收集以及判斷上發揮作用。在未來，影像技術會隨著科學技術的發展，向分子、功能代謝以及基因成像等方面發展。而且，當前的影像技術主要采用膠片收集的技術，但隨著計算機技術的發展以及數字化方向的技術創新，未來的影像技術會考慮應用到數字化和電子技術，將圖像收集和傳輸過程，以數字化現代化的形式呈現。
（二）醫學影像技術的具體走向
由于一些影像技術在我國發展的時間較短，各項技術仍然不夠成熟。當初學醫學技術不斷創新性發展，未來的醫學影像技術將會呈現更加直觀、更具有特征性的信息。在其他方面，現階段對于影像的分析都是趨于定向的，在未來會轉變成定量的方向發展，不僅僅會判斷出疾病的診斷結果，還會給進行疾病治療以及手術操作提供方向。
（三）醫學影像技術的發展趨勢
篇2
1.1 技術特點
計算機圖像處理與識別技術又被稱之為圖像識別（Image Recognition，下面簡稱IR技術），它的技術核心是計算機與信息兩種當前最為先進的技術，其中計算機系統是該技術得以實現的載體，主要負責完成各種輸入圖像的處理與分析，再將分析結果與數據庫中的有關信息進行比對，從而實現對不同對象的準確識別。IR技術是時代進步的產物，它是一種非常強大的技術，可以幫助使用者從大量的圖像當中得到有價值的信息，由此使得該技術在多個領域中獲得了廣泛的應用，其在對圖像進行識別的過程中，主要是利用空間映射來獲取基本的圖像，然后再借助計算機的分析與處理能力，通過對圖像特征的提取，并將之與數據庫中存儲的相關信息進行對比和匹配，確保了圖像處理后的高清晰度和可識別性。IR技術之所以在各個領域內得到了廣泛應用與其自身所具備的諸多特點有著密不可分的關系，下面對技術的一些特點進行簡要闡述。
1.1.1 超大的信息處理量
IR技術是以計算機為載體，以系統軟件和數據庫作為支撐，在硬件與軟件配置全部滿足條件的前提下，它可以對大量的圖像信息進行有效的處理，并在較短的時間內完成圖像的識別。
1.1.2 超高的精確度
傳統的圖像識別由于受到技術水平的限制，只能夠對單個的圖像進行處理，通過將圖像中的信息以數字化形式轉換為2D數組，實現對圖像的處理與識別，識別結果的精確度并不是很高。而IR技術借助了計算機系統強大的處理能力，并利用信息技術和數據庫，使圖像識別可以滿足用戶對圖像精確度的要求。
1.1.3 超強的靈活性
利用IR技術進行圖像識別時，借助計算機系統可對圖像進行放大處理，這使得該技術變得更較靈活，再通過相關的運算方法便可完成整個圖像的處理與識別過程。
1.2 發展現狀
從IR技術的發展歷程上看，其經歷了以下三個階段，第一個階段是對文字信息的識別，第二個階段是對數字化信息的處理，第三個階段是對物體的識別。第一個階段起始于上個世紀50年代，在當時，文字識別的主要對象是字母、符號等，很多領域中的專用設備對該技術進行了利用；第二個階段是在上個世紀60年代中期，隨著科技的不斷發展，數字圖像逐步被運用到了圖像識別的研究領域當中，數字化的圖像處理以其自身所具備的諸多優勢，給圖像識別的發展提供了條件；在前兩個階段的基礎之上，IR技術利用人工智能化的各種研究成果實現了對物體的識別，至此該技術在各個領域及行業中得到了越來越廣泛的應用。提升對圖像的識別能力是IR技術發展過程中的核心及重點，目前，在業內專家學者的不懈研究下，該技術已經日趨成熟，經過計算機處理之后的圖像信息，無論是在清晰度方面，還是在可識別性方面都有了非常顯著的提升。
2 圖像識別技術的應用及細節問題
現階段，IR技術在各個領域及行業中獲得了廣泛應用，下面本文重點對該技術在交通、醫學、安防和農業等幾個領域中的應用及一些細節問題進行分析。
2.1 在交通領域的應用
在交通領域中，IR技術主要被應用于ITS系統當中，具體的應用范圍包括以下幾個方面：
2.1.1道路識別
在交通環境中，由于路況較為復雜，所以經常需要運用車載導航來識別不同環境下的路況信息，IR技術的應用，能夠快速識別出各種不同的路況，從而為駕駛員提供有效的信息，確保了行車的安全性。
2.1.2車輛檢測
對于交通監控系統而言，車輛檢測是重要環節，而想要對交通路網中的各種車輛進行有效的識別與跟蹤，就必須對車輛進行準確地分割，在此基礎上才可以實現對交通流信息的測量與分析，換言之車輛檢測是交通流各類參數測量的基礎。利用IR技術能夠將交通路網中的各種車輛進行準確地分割，為車輛計數、車流量、行車速度等交通流參數的測量提供了條件。
2.2在安防領域的應用
在當前的社會中，人們開始逐步認識到安防的重要性，由此推動了安防領域的發展，各種視頻監控系統層出不窮。對于這類系統而言，在應用時，需要通過人工的方式對視頻圖像進行查看，這無形中增大了勞動強度。IR技術與安防技術的融合，使這一問題得到了有效的解決。基于IR技術的視頻智能分析系統可以對前端采集到的圖像信息進行智能分析，并將其中有效的信息提取出來，減輕了使用者的工作量，真正意義上地實現了視頻監控自動化。
2.3 在醫學領域中的應用
醫學是與人類健康有關的重要領域之一，推動它的發展對于人類而言意義重大。目前，IR技術在醫學領域中有著十分廣泛的應用，尤其是在臨床和病理研究中。例如，CT（電子計算機斷層掃描），它實質上就是IR技術的擴展應用；又如微創手術中的手術導航技術，它是利用IR技術和醫學影像，獲悉患者的情況，據此制定最為合理可行的手術方案，并在手術前完成模擬操作。
2.4 在農業中的應用
我國是農業大國，農業的發展對于國民經濟增長有著至關重要的作用。在農業生產中，應用IR技術可對農作物的生長過程進行監測與評價，還能對農產品進行質檢。在農場中，通過IR技術可以進行病蟲害的圖像診斷，并對整個農場進行全景圖像監控。
3 結論
綜上所述，本文在簡要闡述IR技術的特點及其發展現狀的基礎上，從交通、醫學、安防和農業等幾個領域，對IR技術的應用及細節問題進行了分析。期望通過本文的研究，能夠在促進IR技術發展的同時，使其在更多的領域中得到更廣泛的應用。
參考文獻
[1]楊勁峰，陳清，韓曉日.數字圖像處理技術在蔬菜葉面積測量中的應用[J].農業工程學報，2012（10）：78-79.
[2]楊小冬.寧新寶.自動圖像識別系統圖像分割算法的研究[J].南京大學學報，2014（12）：124-126.
[3]孫鳳杰，崔維新，張晉保等.遠程數字視頻監控與圖像識別技術在電力系統中的應用[J].電網技術，2012（5）：81-84.
[4]陳兵旗，孫旭東，韓旭.基于機器視覺的水稻種子精選技術[J].農業機械學報，2013（11）：99-101.
篇3
以問題為導向的教學方法（problem based learning ，PBL）提倡以學生為中心，教師為引導的小組討論式教學，強調把學習設置到真實的問題情境中，通過讓學生站在問題解決者的角度來合作解決真實性問題，形成解決問題的技能和自主學習的能力。
本文通過對PBL教學法的特點進行分析，探討在核醫學見習教學中引入PBL教學法的可行性。
一、PBL的發展現狀：
PBL是以問題為基礎，以學生為主體，以小組討論為形式，在
輔導教師的參與下，圍繞某一醫學專題或具體病例的診治等問題進行研究的學習過程。PBL教學法是1969年由美國神經病學Barrows教授在加拿大的麥克馬斯特大學首創[1]，主要集中應用于醫藥學教育領域。PBL教學法在國外的醫學院校中已經廣泛開展，并取得良好的教
【基金項目】昆明醫科大學2015年教研教改立項課題（2015-JY-Y-47）
【作者簡介】張怡（1982-），女，云南昆明人，碩士研究生，主治醫師，主要從事核醫學診斷、治療及教學工作。
【通訊作者】王家平.Email：
學效果。在國內PBL教學法于20世紀90年代中后期引入到醫學教學領域，近年來已在部分醫學院校的基礎醫學與臨床醫學中小規模應用，但與國外相比，尚未形成成熟的PBL教學體系，目前絕大部分醫科院校仍處于嘗試摸索階段[2]。PBL教學法與傳統教學法有明顯的區別。首先學生針對具體醫學概念或病例提出問題，確定自已的學習目標，隨后進行獨立資料收集、自學、研究等工作，最后回到小組中進行充分的討論。這種方法使學生在提出問題、解決問題以及尋找答案的過程中獲取知識、培養能力，可見PBL教學法側重于問題本身的解決，其特點是打破學科界限，圍繞問題編制綜合課程，以塑造學生的獨立自主性，培養創新力和理解及獲取知識、有效運用知識、解決新問題的能力。
二、核醫學的特點及教學現狀
核醫學是研究核技術在醫學中的應用及其理論的學科，是一門涉及多學科領域的綜合性、邊緣性醫學學科[3]。核醫學分為實驗核醫學和臨床核醫學。從應用領域講，臨床核醫學又分為診斷核醫學和治療核醫學，包括臨床診斷、放射性核素治療、核素顯像和功能測定，幾乎涉及醫學的各個學科和專業。從技術手段來講，實驗核醫學不僅有放射性核素示蹤技術、放射性核素動力學分析、放射自顯影技術，還有體外放射分析技術、放射線測量技術等。核醫學涉及的學科范圍廣，技術發展速度快，必須緊密結合臨床，在實踐中學習應用才能真正理解核醫學。
相對于核醫學儀器設備的不斷更新和技術的不斷進步，核醫學的教學模式卻無明顯變化。在傳統的教學模式中，教師是教學活動的主體，只需根據教學大綱和教材寫出教案，再根據教案和教學內容制作相應的多媒體，課堂上需要粉筆、黑板和投影儀，即可完成教學任務。因此傳統的醫學教學模式為課堂教學加上見習、實習。目前核醫學的教學方法主要是按照課本的順序介紹各系統的顯像原理、顯像方法、正常影像、異常影像、適應癥及臨床應用，授課過程中適當穿插一些典型的核醫學影像圖片，理論教學與見習閱片過程都是以教師講解為主，課堂上將大量的教學內容濃縮在有限的時間內灌輸給學生，使教學內容與臨床實踐脫節，授課時采用“滿堂灌”和“填鴨式”的課堂講授，使學生接受的是被動教育。授課時教學手段單一，講課方式單調，理論課的授課內容多而授課學時相對較少，同時核醫學的專業內容生澀難懂，尤其是核醫學的理論和臨床影像較難理解。一堂課下來，教師往往感到力不從心，學生亦似懂非懂，需要花大量時間記憶講授內容，導致學習缺乏主動性，易產生厭學情緒，嚴重阻礙了求知欲望，從而影響教學質量及教學效率的提高，這種教學方法極大的滯后于現代核醫學知識的更新及設備和制劑的發展，難以適應當今核醫學教學時數少、知識容量大、理論深奧難懂、重點難點多、影像圖片龐大等特點。另外，由于學時數較少，學生普遍不夠重視，一旦到臨床實習階段，核醫學的知識已經全部忘光，更不要提畢業后臨床工作中對核醫學知識的了解，這嚴重違背了普及核醫學及相關知識的宗旨。
這種學習方式顯然已經不適應當代核醫學的教學，故尋找其他新的教學方法迫在眉睫。而PBL教學法則代表著當代醫學教育中比較新穎、頗有前景的一種教學方法。
三、PBL在核醫學教學中應用的可行性
核醫學是一門新興的綜合性學科，同時核醫學的影像又是功能性影像，因此，學生要想學好這門課程，必須具備包括基礎醫學、臨床醫學、核物理和核化學等相關學科的基礎知識，并將核醫學知識與基礎醫學和臨床醫學的相關知識有機的聯系起來加以分析和理解。近年來有關PBL教學法在臨床核醫學中的應用也陸續有文獻報道。PBL教學法作為目前醫學教育改革和探討的熱點問題，針對其有效性，完全可以在核醫學教學中引入PBL教學思路和教學方式，但需要注意這種引入不是照搬，而是構建適合我國國情的有效模式。在中國現行的教育體制下，PBL教學法全面實施起來還是有一定的難度，首先是教學內容缺乏系統性和完整性，整教學過程要求較高，必須環環相扣才能更好的體現出PBL教學的優勢；其次是學生已經適應了傳統的以教師為中心的“填鴨式”教學，采用新的教學模式仍需要有一個適應過程；另外PBL教學法需要建立一支高素質的教師隊伍，需要具備一套評價考核體系等一系列軟硬件設施。因此PBL教學法的實施受社會經濟發展的制約，在目前還沒有成熟方案的情況下，可以小范圍逐漸采用。
目前核醫學教學可以嘗試PBL教學法和傳統教學方法相結合的道路。理論大課采用傳統教學方法進行講授，使學生具備一定的基礎知識。在見習課上，通過選擇適當的病例，實行PBL教學方法，以臨床問題來激發學生的學習動力和對學科的興趣，學生通過自主查閱相關資料，在教師的指導下完成學習。可選取臨床應用廣泛、較獨特的核醫學診治項目，并結合病例進行教學。例如以心肌灌注顯像章節為例，理論大課講授完心肌灌注顯像這一章節后，可向學生布置見習課內容：選擇一個心肌缺血患者的典型病例，給學生提出以下問題：心臟的血液供應？解剖結構？心臟的生理特點？心肌缺血的病理表現？診斷心肌缺血的方法？每種方法的優勢和不足？核醫學有哪些方法可診斷心肌缺血？每種方法如何達到診斷目的？如果確診為心肌缺血，如何治療？.....這樣就會促使學生廣泛查閱資料，了解有關心肌缺血的解剖、病理生理、臨床表現和診治方法等相關知識。學生在查閱資料的過程中，對核醫學相關章節心肌灌注顯像就會進行進一步的自主學習，了解心肌灌注顯像的原理、顯像方法、適應癥、正常圖像和臨床應用，達到教學目的。
在核醫學見習教學中引入PBL教學方法，讓學生在已有所了解和具有自主學習核醫學的能力后，再去主動探究，激發學習興趣、反復思考，同時培養學生在實踐中發現問題、分析問題、解決問題的能力和創新精神，培養學生自主學習的意識和能力，不斷更新知識，促使其成為一名終身自我教育者。
參考文獻
篇4
隨著傳統學科的不斷融合和滲透，新興交叉學科為科學技術的發展注入了新的活力，近年來科學新理論、新發明的產生和新型工程技術的出現，往往都是在學科的邊緣或交叉點上，因此交叉學科越來越受到各國政府的重視。2004年美國國家科學院協會經過全面系統調研， 發表了《促進交叉學科研究》的報告，明確了交叉學科研究的定義、特征和推動力，提出了研究人員、學術機構、資助機構、專業學會等促進交叉學科研究的建議。國內外高校和研究機構也積極倡導文、理、工學科間相互滲透結合，紛紛建立面向世界科學前沿和國家重大需求的各類跨學科計劃、項目和研究平臺。隨著學科發展的深入，如何建立有利于一流交叉學科人才培養，尤其是作為科研主干力量的研究生培養管理模式就成為當前迫切需要解決的難題。
一、交叉學科人才培養現狀
1.國外發展現狀
20世紀90年代初，為了培養現代科技和社會發展所急需的創新型交叉學科人才，德意志研究聯合會推出了博士研究生培養模式改革的重要舉措，經歷了20多年的發展和不斷調整、補充和完善，如今取得了巨大成功。德國博士生院是高校用來培養科研后繼人才的臨時性機構，由各州高校向德意志研究聯合會申請，經評議、復審等甄別程序后建立。每所高?？梢陨暾埗鄠€博士生院，但每個博士生院都必須由相關交叉學科共同組建。博士生院不僅可以是由德國高校內部、高校之間、高校和研究機構共同申請組建，也可以是由德國某一高校或者科研單位牽頭，由德國境外伙伴單位參與組建。德意志研究聯合會對批準建立的博士生院資助，并定期進行項目評估和考核。博士生院不是一個長期機構，德意志研究聯合會規定最長可資助年限為9年，資助期滿以后，無論效益和成果如何，該研究生院必須撤出，重新尋找新的交叉領域和合作伙伴。[1]
美國的學科專業目錄在2002年最新一次的修訂文稿中，單獨設置了“交叉學科”和“綜合學科”2個學科群，占所有學科群的比例為7%。如美國密歇根大學早在1999年就成立了交叉學科專家委員會， 向學校提交了《對交叉學科發展遠景的建議報告》。南加州大學在2006年公布了《美國南加州大學交叉學科研究發展規劃建議》， 它們在設立交叉學科專家委員會、通過學院內或跨學院的聯合聘任教授、完善交叉學科考核評價體系、建立交叉學科激勵機制、建立經費保障措施、促進交叉學科人才培養等方面均進行了積極、有益的實踐。[2]
2.國內發展現狀
我國《國家中長期科學和技術發展規劃綱要（2006-2020年）》、《國家中長期教育改革和發展規劃綱要（2010-2020年）》等重要文件中，對交叉學科發展和人才培養模式改革均作出了重要戰略部署。國內眾多高校等近年來紛紛成立了橫貫生物醫學、自然科學、應用科學和社會科學等多學科的交叉學科研究所或研究中心。如北京大學成立的跨學科類組織機構：元培學院、前沿交叉學科研究院、分子醫學研究所等，清華大學成立的交叉信息研究院，西安交通大學成立的前沿科學技術研究院，這些交叉學科研究所或研究中心集中了生物學家、物理學家和化學家等不同學科專家的智慧以促進學科的交叉和滲透，并進行交叉學科人才的培養教育。[3] [4]
二、上海交通大學在交叉學科研究生培養道路上的探索
近年來上海交通大學一直將發展醫工交叉、醫理交叉科學作為主要戰略之一，于2007年11月成立了主要從事轉化型醫工（理）交叉科學研究的Med-X研究院，該研究院依托上海交通大學豐富的臨床醫學資源和強大的理工科優勢，以解決臨床醫學問題為目標導向，進行前沿性醫學科學研究，開發高尖端領先性醫療技術產品，同時在交叉學科人才培養模式上積極探索，取得了一定成。效。
1.完善課程體系
Med-X研究院依托“生物醫學工程”學科，著力培養在生物、醫學、工程技術領域中具有開展交叉研究能力的有創新精神的交叉學科人才。生物醫學工程研究領域范圍非常廣泛，包括醫學影像信息學、生物醫學儀器、生物材料、生物力學、組織和基因工程、康復工程、系統生物醫學、神經科學與工程等，這種鮮明的交叉與復合特性需要學生能綜合應用物理、材料、化學、信息、工程等領域的知識和技術解決生命科學問題，因此原先單一學科的課程體系和研究方式已無法使交叉學科人才滿足“具備合理的知識結構，廣博專一協調統一”的專業要求。
Med-X研究院在結合學科領域建設設置專業課的基礎上，充分利用夏季小學期、學術講座等階段邀請眾多兼職教授參與授課，其中既有附屬醫院的臨床醫生，又有國際知名學者，建立起一支醫、理、工高水平師資隊伍。同時利用附屬醫院的臨床資源，建立與基礎課程相適應的實踐教學體系，強化學生實踐訓練，培養動手操作與創新研發能力。學院也積極鼓勵學生進行跨學科選課，逐步實現本碩博課程貫通模式，以滿足不同專業背景學生的學習需求。為探索研究生課程質量考核和控制體系，在生物醫學工程學科嘗試建立適合于本校的研究生課程質量保障辦法和系統，并聘請國內外專家評教，對授課教師給出指導建議和意見，定期召開研討會。
2.建立制度保障
由于受僵化學科模式的影響，我國長期以來傳統的單學科觀和學科分類體制占據著主導地位，為突破現有交叉學科人才培養體制不完善的缺陷，上海交通大學做了一系列改革。如針對中國現有的研究生招生名額問題，上海交通大學自2012年起在博士生招生計劃中依托“生物醫學工程”和“統計學”兩個一級學科，單獨設立了支持交叉學科博士生招生培養的專項招生指標，為從事交叉學科研究的導師提供生源保證。另外，為了避免交叉學科課程的臨時性和拼盤性，真正實現學科的融合，Med-X研究院成立了多個臨床交叉平臺，如國家教育部數字醫學工程中心、Med-X-瑞金醫院小動物PET/CT研究中心、Med-X-仁濟醫院臨床干細胞研究中心；Med-X-第九人民醫院生物材料轉化醫學中心等，實現以問題為中心從事交叉學科研究的項目模式。在項目開展的過程中讓研究生作為項目參與人或研究助手自然地進入到學習與研究的過程，一個學科跨度大的科研項目，項目實施的過程本身就是學科交叉和培養人、訓練人的過程。[5]
3.加強學術交流
當今科技迅猛發展，新思想、新方法層出不窮，光靠一個教師指導學生是不可能使學生全面了解學科發展并取得高水平研究成果的[3]，因此在交叉學科人才培養模式中除了完善的課程體系外，活躍的學術氛圍和緊密的國際交流也是必不可少的。上海交通大學Med-X研究院70%以上的指導老師具備在國外一流大學從教和指導研究生的經歷，與國外高校和研究院所長期保持著合作關系，因此學院每周邀請本學科國內外知名教授做學術講座，并建立了上海交通大學徐匯-閔行跨校區講座視頻體系，介紹最新科研動態，鼓勵師生交流，使研究生深入了解當前科研動態和研究熱點，拓寬學術視野，激發創新熱情。同時定期舉辦醫-理（工）交叉學科系列學術活動，如研究生學術論壇、研究生學術日等，已形成了一定品牌效應，為研究生創新思維、科研前瞻性、表達能力的培養提供了良好平臺。Med-X研究院已與多所國外院校簽訂了人才聯合培養項目，如與德國海德堡大學、美國西北大學、瑞典皇家工學院、美國Drexel大學等國際著名高校建立了雙碩士、雙博士學位項目。此外，為了解本院研究生學位論文在國際本領域的位置及存在差距，2012起開始試點進行博士生學位論文國際評審和答辯，每份博士生論文邀請2-3名國際相關領域專家進行評審，每位國際評審專家的海外評審報告將反饋給相關導師和學生參考。
4.重視師資建設
交叉學科人才培養的成功與否很多程度上決定于教師的參與程度，導師的學術水平、綜合素質、對學科前沿的洞察力以及與同行和其他學科學者交流溝通的能力對交叉學科人才的培養有重要的影響。[3]由于交叉學科會同時涉及到兩個或多個學科領域，所以單一學科的教師很難同時滿足不同學科的需求，交叉學科人才培養的過程也是教師自我學習的過程。[6]因此，在交叉學科人才培養建設中要重視加強師資隊伍建設，加大對中青年教師的培養力度，營造有利于教師成長和發展的良好環境與氛圍，確保人才培養的教學質量。[7] Med-X研究院結合自身學科特色，引進國外知名教授和附屬醫院臨床醫生參與教學，重視年輕教師的培養，支持有潛力的青年教師到海外具有合作關系的學校進行培訓，學習國際知名高校的教學經驗和方法，推動教學質量的提高，建立起一支醫、理、工高水平師資隊伍。
三、交叉學科人才培養中的壁壘
與發達國家相比，目前我國交叉學科教育和科研尚處于起步階段，以單一學科為基礎的傳統教育模式仍占主導地位，在交叉學科人才培養過程中不可避免的會遇到各種問題。
1.現有高校管理機制的制約
我國高校中院系管理體制堅固，教學與科研人員的管理也在定崗定編制度的約束下嚴格地保持著一個蘿卜一個坑的人事管理體制，師資聘用、職稱評定、成果認定、業績評價和資源分配等都嚴格地執行著所屬單位責任制，人員在校內不同院系間的流動都難以實現，跨學校、跨部門、跨地區的流動更是難以實現，這種管理機制極大地打消了學者們進行交叉學科研究的熱情和勇氣。
2.交叉學科人才培養理念有待加強
大多數導師涉叉學科研究僅僅是為了完成一個特定的交叉學科研究課題，且多來自不同學院的專業教師，因此他們對交叉學科的人才培養投入時間和精力都比較有限，很少能有意識地去思考交叉學科人才的培養目標和教學模式，也沒有站在改善學生思維方式和能力結構的立足點上試圖去改善傳統教學方式。此外，鑒于國家和各高校紛紛推出各項鼓勵措施以推交叉學科的發展，部分導師借以交叉學科的名義去爭取更多的項目基金和學生生源，而并非真正從事交叉學科科學研究和人才培養。
3.國內交叉學科領域劃分尚未明確
美國的學科專業目錄充分考慮學科的發展性， 在名稱和代碼設置上為交叉學科、新興學科留有充分的發展空間，在學科大類中單獨設有“交叉學科”，[2]其中包括生物與自然科學、和平與對抗研究、系統科學與理論、數學與計算機科學、老年醫學、文理綜合等22個學科小類。此外，在其他36個學科群中均設置了末尾帶有“綜合”或“其他”的學科名稱。相比之下，我國交叉學科領域劃分和學科專業設置尚未明確，在2011年新修訂的《學位授予和人才培養學科目錄》中13個學科門類中，以及各高校的學科建設和教育部的學科評估中均未涉及交叉學科，很大程度上制約了交叉學科的發展。
在高度交叉融合已成為當代學科發展的重要趨勢下，在此新的教育發展時代下，迅速提升高等教育人才培養質量和整體競爭力已成為學科發展的重中之重，因此針對我國開展交叉學科人才培養方面存在的問題，我們應合理借鑒國外高校促進交叉學科研究與人才培養的經驗，建立交叉學科的教師聘任和評價體系，引導和鼓勵新興學科研究與建設，完善交叉學科資助體系，積極營造有利于交叉學科人才培養的文化氛圍，從而形成適合我國國情的多元化人才培養模式。
參考文獻
[1]余同普 銀燕 邵福球，從德國博士生院培養模式看創新型交叉學科人才培養，學位與研究生教育，2013（6），64-68
[2]趙文華 程瑩 陳麗 劉念才，美國促進交叉學科研究與人才培養的借鑒，中國高等教育，2007（1），61-63
[3]徐琴 葉明，對交叉學科人才培養的認識與思考，牡丹江教育學院學報，2009（6），72-73
[4]郭圣文 吳效明，理工類院校生物醫學工程專業人才培養模式探索與實踐，中國醫學物理學雜志，2013，第30卷第2期，4084-4088
[5]李雪飛 程永波，交叉學科研究生培養的三種模式及其評析，學位與研究生教育，2011（8），10-15
篇5
2018年被稱為人工智能爆發的元年，人工智能技術應用所催生的商業價值逐步凸顯。人工智能逐步切入到社會生活的方方面面，帶來生產效率及生活品質的大幅提升。智能紅利時代開啟！資本、巨頭和創業公司紛紛涌入，將人工智能拉到了信息產業革命的風口。
如何把握產業動向，抓住風口機會？創業邦研究中心憑借在人工智能等前言科技領域持續研究、洞察的能力，在對國內人工智能創業公司進行系統調研的基礎上，推出《2018中國人工智能白皮書》，對人工智能的核心技術、主要應用領域、巨頭和創業公司的布局、未來發展態勢和投資機會進行了深度解析。
第一部分人工智能行業發展概述
1.人工智能概念及發展
人工智能（Artificial Intelligence， AI）又稱機器智能，是指由人制造出來的機器所表現出來的智能，即通過普通計算機程序的手段實現的類人智能技術。
自1956年達特茅斯會議提出“人工智能”的概念以來，“人工智能”經歷了寒冬與交替的起起伏伏60多年的發展歷程。2010年以后，深度學習的發展推動語音識別、圖像識別和自然語言處理等技術取得了驚人突破，前所未有的人工智能商業化和全球化浪潮席卷而來。
人工智能發展歷程
2.人工智能產業鏈圖譜
人工智能產業鏈可以分為基礎設施層、應用技術層和行業應用層。
A基礎層，主要有基礎數據提供商、半導體芯片供應商、傳感器供應商和云服務商。
B技術層，主要有語音識別、自然語言處理、計算機視覺、深度學習技術提供商。
C應用層，主要是把人工智能相關技術集成到自己的產品和服務中，然后切入特定場景。目前來看，自動駕駛、醫療、安防、金融、營銷等領域是業內人士普遍比較看好方向。
人工智能產業鏈
資料來源：創業邦研究中心
第二部分人工智能行業巨頭布局
巨頭積極尋找人工智能落地場景，B、C 端全面發力。
資料來源：券商報告、互聯網公開信息，創業邦研究中心整理
第三部分機器視覺技術解讀及行業分析
1.機器視覺技術概念
機器視覺是指通過用計算機或圖像處理器及相關設備來模擬人類視覺，以讓機器獲得相關的視覺信息并加以理解，它是將圖像轉換成數字信號進行分析處理的技術。
機器視覺的兩個組成部分
資料來源：互聯網公開信息，創業邦研究中心整理
2.發展關鍵要素：數據、算力和算法
數據、算力和算法是影響機器視覺行業發展的三要素。 人工智能正在像嬰兒一樣成長，機器不再只是通過特定的編程完成任務，而是通過不斷學習來掌握本領，這主要依賴高效的模型算法進行大量數據訓練，其背后需要具備高性能計算能力的軟硬件作為支撐。
深度學習出現后，機器視覺的主要識別方式發生重大轉變，自學習狀態成為視覺識別主流，即機器從海量數據里自行歸納特征，然后按照該特征規律使圖像識別的精準度也得到極大的提升，從70%+提升到95%。
3.商業模式分析
機器視覺包括軟件平臺開發和軟硬件一體解決方案服務。整體用戶更偏向于B端。軟件服務提供商作為技術算法的驅動者，其商業模式應以“技術層+場景應用”作為突破口。軟硬件一體化服務供應商作為生態構建者，適合以“全產業鏈生態+場景應用”作為突破口，加速商業化。
（1）軟件服務：技術算法驅動者—“技術層+場景應用”作為突破口
這種商業模式主要是提供以工程師為主的企業級軟件服務。有海量數據支撐，構建起功能和信息架構較為復雜的生態系統，推動最末端的消費者體驗。
此類商業模式成功關鍵因素：深耕算法和通用技術，建立技術優勢，同時以場景應用為入口，積累用戶軟件。視覺軟件服務按處理方式和存儲位置的不同可分為在線API、離線SDK、私有云等。
國內外基礎算法應用對比
資料來源：互聯網公開信息，創業邦研究中心整理
（2）軟硬件一體化：生態構建者—“全產業鏈生態+場景應用”作為突破口
軟硬一體化的商業模式是一種“終端+軟件+服務”全產業鏈體系。成功的因素是大量算力投入，海量優質數據積累，建立算法平臺、通用技術平臺和應用平臺，以場景為入口，積累用戶。亮點是打造終端、操作系統、應用和服務一體化的生態系統，各部分相輔相承，銳化企業競爭力，在產業鏈中擁有更多話語權。
4.投資方向
（1）前端智能化，低成本的視覺解決模塊或設備
從需求層面講，一些場景對實時響應是有很高要求的。提供某些前端就本身有一定計算能力的低成本的視覺模塊和設備將有很大市場需求。前置計算讓前端設備成為數據采集設備和數據處理單元的合體，一方面提升了處理速度，另一方面可以處理云端難以解決的問題。
機器視覺在消費領域落地的一個障礙是支持高性能運算的低功耗、低價位芯片選擇太少。從低功耗、高運算能力的芯片出發，結合先進的算法開發模塊和產品，這類企業將在機器視覺領域擁有核心競爭力。
（2）深度學習解決視覺算法場景的專用芯片
以AI芯片方式作為視覺處理芯片有相當大的市場空間。以手勢識別為例，傳統的識別方案大都基于顏色空間，如 RGB，HSV ，YCrBr，無法排除類膚色物體及黑色皮膚對識別精度的干擾。借助深度學習，如通過 R-CNN 訓練大量標注后的手勢圖像數據，得到的模型在處理帶有復雜背景及暗光環境下的手勢識別問題時，比傳統方案的效果好很多。
（3）新興服務領域的特殊應用
前沿技術帶來的新領域（如無人車、服務機器人、谷歌眼鏡等），對機器視覺提出了新要求。機器視覺可以讓機器人在多種場合實現應用。服務機器人與工業機器人最大的區別就是多維空間的應用。目前國內的機器視覺，涉及三維空間、多維空間，其技術基本上處在初始階段，未來存在較大市場增長空間。
（4）數據是爭奪要點，應用場景是著力關鍵
機器視覺的研究雖然始于學術界，但作為商業應用，能解決實際問題才是核心的競爭力。當一家公司先天能夠獲得大量連續不斷的優質場景數據，又有挖掘該數據價值的先進技術時，商業模式和數據模式上就能形成協同效應。創業公司要么通過自有平臺獲取數據，要么選擇與擁有數據源的公司進行合作，同時選擇一個商業落地的方向，實現快速的數據循環。
第四部分智能語言技術解讀及行業分析
1.語音識別技術
（1）語音識別技術已趨成熟，全球應用持續升溫
語音識別技術已趨成熟，全球應用持續升溫。語音識別技術經歷了長達60年的發展，近年來機器學習和深度神經網絡的引入，使得語音識別的準確率提升到足以在實際場景中應用。深度神經網絡逐步找到模型結構和調參算法來替代或結合高斯混合算法和HMM算法，在識別率上取得突破。根據Google Trends統計，自2008年iPhone及谷歌語音搜索推出以來語音搜索增長超35倍。百度人工智能專家吳恩達預測，2020年語音及圖像搜索占比有望達到50%。Echo熱銷超過400萬，帶動智能音箱熱潮。
（2）語音識別進入巨頭崛起時代，開放平臺擴大生態圈成主流
語音識別即將進入大規模產業化時代。隨著亞馬遜Echo的大賣，語音交互技術催生的新商機，吸引大大小小的公司構建自己主導的語音生態產業鏈。各大公司紛紛開放各自的智能語音平臺和語音能力，欲吸引更多玩家進入他們的生態系統。
（3）語音識別技術發展瓶頸與趨勢
低噪聲語料下的高識別率在現實環境使用中會明顯下降到70-80%，遠場識別、復雜噪聲環境和特異性口音的識別是下一個階段需要解決的問題。
麥克風陣列類前端技術不僅是通過降噪和聲源定位帶來識別率的提高，帶環境音的語料的搜集、標注可用于模型的訓練，有助于打造更新一代的語音識別引擎技術。語音巨頭已經在布局。
在IOT包括車載領域，云端識別并非通行的最優方案，把識別引擎結合場景進行裁剪后往芯片端遷徙是工程化發展的方向。
2.自然語言處理（NLP）發展現狀
（1）多技術融合應用促進NLP技術及應用的發展
深度學習、算力和大數據的爆發極大促進了自然語言處理技術的發展。深度學習在某些語言問題上正在取得很大的突破，比如翻譯和寫作。2014年開始LSTM、Word2Vec以及Attention Model等技術研究的進展，使DL有了路徑在語義理解領域取得突破，并且已經有了明顯的進展。對話、翻譯、寫作新技術成果里都開始逐漸混合入DL的框架。2014-2015年，硅谷在語義理解領域的投資熱度劇增。
深度學習能最大程度發揮對大數據和算力資源的利用，語義理解的發展還需要深度學習、搜索算法、知識圖譜、記憶網絡等知識的協同應用，應用場景越明確（如客服/助理），邏輯推理要求越淺（如翻譯），知識圖譜領域越成熟（如數據飽和度和標準性較強的行業），技術上實現可能性相對較低。在各種技術融合應用發展的情況下，具備獲取一定優質數據資源能力并可結合行業Domain knowledge構建出技術、產品、用戶反饋閉環的企業會有更好的發展機會。
（2）NLP主要應用場景
問答系統。問答系統能用準確、簡潔的自然語言回答用戶用自然語言提出的問題?；竟ぷ髟硎窃诰€做匹配和排序。比如 IBM 的 Watson，典型的辦法是把問答用FAQ索引起來，與搜索引擎相似。對每一個新問題進行檢索，再將回答按匹配度進行排序，把最有可能的答案排在前面，往往就取第一個作為答案返回給用戶。
圖像檢索。同樣也是基于深度學習技術，跨模態地把文本和圖片聯系起來。
機器翻譯。機器翻譯的歷史被認為與自然語言處理的歷史是一樣的。最近，深度學習被成功地運用到機器翻譯里，使得機器翻譯的準確率大幅度提升。
對話系統。對話系統的回復是完全開放的，要求機器能準確地理解問題，并且基于自身的知識系統和對于對話目標的理解，去生成一個回復。
（3）創業公司的機遇
1)機器翻譯方面：經過多年的探索，機器翻譯的水平已經得到大幅度提升，在很多垂直領域已經能夠在相當大程度上替代一部分人工，機器翻譯技術的商業化應用已經開始進入大規模爆發的前夜。
2)應用于垂直領域的自然語言處理技術
避開巨頭們對語音交互入口的競爭，以某一細分行業為切入點，深耕垂直領域，對創業公司也是一個不錯的選擇。
第五部分人工智能在金融行業的應用分析
人工智能產業鏈包含基礎層、技術層、應用層三個層面。基礎層的大數據、云計算等細分技術被應用到金融征信、保險、理財管理、支付等金融細分領域；技術層的機器學習、神經網絡與知識圖譜應用于金融領域的征信與反欺詐、智能投顧、智能量化交易，計算機視覺與生物識別應用于金融領域的身份識別，語音識別及自然語言處理應用于金融領域的智能客服、智能投研；應用層的認知智能應用于金融領域的智能風控。
人工智能在金融行業的典型應用情況
資料來源：創業邦研究中心
第六部分人工智能在醫療行業的應用分析
1.人工智能在醫療行業的應用圖譜
人工智能在醫療行業的應用潛力巨大，目前在健康管理、輔助診療、虛擬助理、醫學影像、智能化器械、藥物挖掘和醫院管理等領域均有企業在布局，其中醫學影像、藥物挖掘、健康管理，輔助診療、虛擬助理的應用發展速度較快。
圖 人工智能在醫療行業的應用圖譜
資料來源：創業邦研究中心
2.人工智能在醫療行業的具體應用場景
醫學影像。人工智能應用于醫學影像，通過深度學習，實現機器對醫學影像的分析判斷，是協助醫生完成診斷、治療工作的一種輔助工具，幫助更快的獲取影像信息，進行定性定量分析，提升醫生看圖/讀圖的效率，協助發現隱藏病灶。 人工智能通過影像分類、目標檢測、圖像分割、圖像檢索等方式，完成病灶識別與標注，三維重建，靶區自動勾畫與自適應放療等功能，應用在疾病的篩查、診斷和治療階段。目前較為火熱的應用有肺部篩查、糖網篩查、腫瘤診斷和治療等。
藥物挖掘。人工智能在藥物研發上的應用可總結為臨床前和臨床后兩個階段。臨床前階段：將深度學習技術應用于藥物臨床前研究，在計算機上模擬藥物篩選的過程，包括靶點選擇、藥效和晶型分析等，預測化合物的活性、穩定性和副作用，快速 、準確地挖掘和篩選合適的化合物或生物，提高篩選效率，優化構效關系。臨床后階段：針對臨床試驗的不同階段，利用人工智能技術對患者病歷進行分析，迅速篩選符合條件的被試者，監測管理臨床試驗過程中的患者服藥依從性和數據收集過程，提高臨床試驗的準確性。
虛擬助理。醫療虛擬助理是基于醫療領域的知識系統，通過人工智能技術實現人機交互，從而在就醫過程中，承擔診前問詢、診中記錄等工作，成為醫務人員的合作伙伴，使醫生有更多時間可以與患者互動。醫療虛擬助理根據參與就醫過程的功能不同，主要有智能導診分診，智能問診，用藥咨詢和語音電子病歷等方向。
第七部分智能駕駛行業分析
1.智能駕駛行業產業鏈
智能駕駛行業的中心業務是以Google、百度為代表的智能駕駛操縱解決方案提供商和以特斯拉、蔚來為代表的成車廠商。該類廠商，上接上游軟硬件提供商，下接公司和消費者，在整個業務鏈中扮演至關重要的一環。
產業鏈上游廠商多為細分技術提供商，如深度學習、人機交互、圖像識別和新材料、新制造新能源等。
智能駕駛產業鏈圖譜
資料來源：創業邦研究中心
2.智能駕駛市場分析
伴隨著 ADAS 技術的不斷更新，推斷全球 L1-L5 智能駕駛市場的滲透率會在接下來 5年內處于高速滲透期，然 后伴隨半無人駕駛的普及進入穩速增長期。在未來的 2025 年無人駕駛放量階段后，依賴全產業鏈的配合而進入市場成熟期。預測到2030年，全球 L4/5 級別的自動駕駛車輛滲透率將達到 15%，單車應用成本的顯著提升之 外，從 L1-L4 級別的智能駕駛功能全面滲透為汽車產業帶來全面的市場機會。
按照 IHS Automotive 保守估計，全球 L4/L5 自動駕駛汽車產量在 2025 年將接近 60 萬輛，并在 2025- 2035 年間獲得高速發展，年復合增長率將達到43%，并在2035年達到2100萬輛。另有接近 7600 萬輛的汽車具備部分自動駕駛功能，同時會帶動產業鏈衍生市場的大規模催化擴張。
根據獨立市場調研機構 Strategy Engineers 的預測，L4 高度自動駕駛等級下，自動駕駛零部件成本約在 3100 美元/車，其中硬件占比 45%，軟件占比 30%，系統整合占比 14%，車聯網部分占比 11%。按照全球 1 億輛量 產規模計算，理想假設所有車輛全部達到 L4 高度自動駕駛水平，那么全球自動駕駛零部件市場規模在 2020 年 將達到 3100 億美元。
第八部分中國人工智能企業畫像分析
隨著人工智能技術的不斷成熟，人工智能創業的難度逐步降低。創新的大門吸引眾多創業企業進入。為了觀察行業風向，助力創新企業發展，創業邦研究中心對國內200多家人工智能創業公司進行了系統調研，從發展能力、創新能力、融資能力等多維度指標，評選出“2018中國人工智能創新成長企業50強”。
地域分布
全國88%的人工智能企業聚集在北京、上海、廣東和江蘇。其中，北京人工智能企業最多，占比高達39.66%;其次是上海，人工智能企業占比達21.55%;位列第三的是廣東，人工智能企業占達15.52%。北京以領先全國其他地區的政策環境、人才儲備、產業基礎、資本支持等，成為人工智能創業首要陣地;華東地區的上海、江蘇、浙江均有良好的經濟基礎和科技實力，人工智能應用實力雄厚，也聚集了一批人工智能垂直產業園;廣東互聯網產業發達，企業對數據需求強烈，依靠大數據產業鏈推動人工智能產業發展。
行業分布
從行業大類分布來看，行業應用層的企業占比最大，為56.03%;其次是應用技術層的企業，占比達31.04%;基礎技術層的企業占比最小，僅為12.93%。隨著人工智能技術的發展，人工智能與場景深度融合，應用領域不斷擴展，行業應用公司比重不斷提升。在基礎層技術方面，國際IT巨頭占據行業領先地位， 國內與國際差距明顯，中小初創企業很難進入。
從行業應用來看，智能金融企業占比最大，為16.92%;其次是機器人企業，占比達15.38%;位列第三的是智能駕駛和智能教育，占比均為12.31%。金融行業的強數據導向為人工智能的落地提供了產業基礎，智慧金融被列入國家發展規劃中，龐大的金融市場為人工智能落地帶來了發展前景。機器人作為人工智能產業落地輸出， 目前市場需求較大，商業機器人占據較大份額。中國智能駕駛市場在資本推動下進入者較多，企業積極推動應用落地，百度、北汽等大型企業嘗試商業化落地智能駕駛汽車。人工智能推動教育個性化落地，相關初創企業涉入教育藍海，推動智慧教育的發展。
收入情況
收入分布在500-10000萬之間的企業最多，占比達49.14%;500萬以下的企業位居其次，占比達 26.72%;位列第三的是10000-100000萬之間的企業，占比為17.24%。
最新估值
企業最新估值均在億元級別，且分布較為均衡。三成企業估值超過15億元，還有企業估值達到百億級別，如優必
選科技、達闥科技和商湯科技等，將來或將躋身人工智能獨角獸企業。(備注：分析樣本量剔除一半未披露企業)
第九部分典型企業案例分析
1.Atman
企業概述
Atman由來自微軟的人工智能科學家和產業經驗豐富的產品團隊創辦，提供專業領域機器翻譯、機器寫作、知識圖譜、大數據智能采集挖掘等語言智能產品，致力于成為醫學、新聞、法律等專業領域語言智能專家，為專業領域用戶賦能，推動專業領域用戶進入人工智能時代，助力專業領域文字智能水平實現跨越式提升。Atman已為強生、新華社參考消息、北大法寶、君合律師事務所等世界領先藥企、新聞媒體、法律服務機構開發機器翻譯、機器寫作、知識圖譜、大數據智能采集挖掘等語言智能產品。
目前Atman在北京和蘇州兩地運營，能快速響應全國各地客戶需求。
企業團隊
創始人&CEO：馬磊
清華大學計算機系畢業，曾先后在微軟研究院和工程院擔任研究員和架構師，機器學習專家、多次創業者、曾主導多項人工智能重大項目，和申請國際專利共計15+項。
Atman公司核心團隊由來自微軟、百度、法電等領域高端人才和資深技術人才組成，公司員工40人，其中碩士以上學歷占比60%，技術開發人員占比70%，一半以上來自微軟亞洲研究院和工程院。
核心技術與產品
技術方面，擅長機器學習（深度學習、強化學習、群體智能）在復雜問題的應用，和國際專利15項，Atman神經網絡機器翻譯系統于2016年9月首秀，早于谷歌的GNMT，專業領域翻譯效果在公測標準和行業客戶測試中均持續領先。核心產品為垂直領域機器翻譯、機器寫作、知識圖譜抽取構建、大數據智能挖掘等語言智能產品。
Atman的機器翻譯產品可自動翻譯編輯專業文獻、報告、音視頻和網頁，支持私有部署和云端混合部署，提供包括數據隱私安全以及自學習的端到端解決方案。
機器寫作可對海量數據進行快速搜索、過濾、聚類，根據行業需求自動生成專業文檔，適用于所有專業寫作場景，可大幅減少專業報告寫作過程中的繁復工作，大幅提升專業領域寫作效率。
知識圖譜可實現海量數據的語義檢索、長鏈推理、意圖識別、因果分析，形成一個全局知識庫。大數據智能采集挖掘系統為專業領域用戶提供智能數據源管理、海量專業數據獲取和非結構化數據自動解析并結合知識圖譜提供auto-screening、知識重構、專業決策輔助，幫助用戶建立強大的以專業大數據為基礎的業務輔助能力。
2.黑芝麻
企業概述
黑芝麻智能科技有限公司是一家視覺感知核心技術與應用軟件開發企業，2016年分別在美國硅谷和上海成立研發中心，主攻領域為嵌入式圖像、計算機視覺，公司核心業務是提供基于圖像處理、計算圖像以及人工智能的嵌入式視覺感知平臺，為ADAS及自動駕駛提供完整的視覺感知方案。
目前公司和博世、滴滴、蔚來、上汽、上汽大通、EVCARD、中科創達、車聯天下和云樂新能源等展開深入合作，提供基于視覺的感知方案；除此之外，公司還在消費電子、智能家居等領域布局為智能終端提供視覺解決方案。目前公司已經完成A+輪融資。
企業團隊
團隊核心成員來自于OmniVision、博世、安霸、英偉達和高通等知名企業，平均擁有超過15年以上的產業經驗，畢業于清華、交大、中科大和浙大等知名高校。
創始人&CEO：單記章此前在硅谷一家全球頂尖的圖像傳感器公司工作近20年，離職前擔任該公司的技術副總裁一職，工作內容覆蓋了圖像傳感器研發和設計、圖像處理算法研發和圖像處理芯片設計。
核心技術和產品
在汽車領域，黑芝麻可提供車內監控方案（DMS），自動泊車方案（AVP），ADAS/自動駕駛感知平臺方案。黑芝麻智能科技提供的解決方案包括算法和芯片兩個核心部分：黑芝麻感知算法從基礎的控光技術，到面向AI的圖像處理技術出發來提高成像質量，以及應用深度神經網絡訓練，結合視頻處理和壓縮技術，形成從傳感器端到應用端的處理過程；黑芝麻芯片平臺采用獨有的神經網絡架構，包括獨有的圖像處理，視頻壓縮和計算機視覺模塊，與黑芝麻視覺算法結合，采用16nm制程，設計功耗2.5w，每秒浮點計算達20T。
3.乂學教育
企業概述
乂學教育，成立于2014年，是一家網絡教育培訓機構，采用人工智能和大數據技術，為學生提供量身定制學習解決方案和個性化學習內容。核心團隊來自美國Knewton、Realizeit、ALEKS等人工智能教育公司，銷售團隊有全國40億toC銷售額的經驗。
企業自主研發了針對中國K12領域的學生智適應學習產品，其核心部分是以高級算法為核心的智適應學習引擎“松鼠AI”，該產品擁有完整自主知識產權，能夠模擬真實特級教師教學。企業發表的學術論文得到了全球國際學術會議AIED、CSEDU、UMAP認可，并在紐約設計了人工智能教育實驗室，與斯坦福國際研究院（SRI）在硅谷成立了人工智能聯合實驗室。
主要產品
學生智適應學習是以學生為中心的智能化、個性化教育，在教、學、評、測、練等教學過程中應用人工智能技術，在模擬優秀教師的基礎之上，達到超越真人教學的目的。該產品性價比高，以人工智能+真人教師的模式，做到因材施教，有效解決傳統教育課時費用高，名師資源少，學習效率低等問題。
智適應學習人工智能系統
智適應學習人工智能系統模擬特級教師，采用圖論、概率圖模型，機器學習完成知識點拆分和個人學習畫像，采用神經網絡、邏輯斯蒂回歸和遺傳算法為學生實時動態推薦最佳學習路徑，實現個性化教育。
業務模式
線上與線下，2B和2C相結合。以松鼠AI智適應系統教學為主，真人教師輔助，學生通過互聯網在線上學習課程。開創教育新零售模式，授權線下合作學校，已在全國100多個城市開設500多家學校。
4.云從科技
企業概述
云從科技成立于2015年4月，是一家孵化于中國科學院重慶研究院的高科技企業，專注于計算機視覺與人工智 能。云從科技是人工智能行業國家隊，是中科院戰略先導項目人臉識別團隊唯一代表，唯一一家同時受邀制定人 臉識別國家標準、行業標準的企業。2018年，云從科技成為祖國“一帶一路”戰略實行路上的人工智能先鋒，與 非洲南部第二大經濟體津巴布韋政府完成簽約。
云從科技奠定了行業領導地位： 國家肯定，國家發改委2017、2018年人工智能重大工程承建單位；頂層設計，唯一同時制定國標、部標和行標的人工智能企業；模式創新，三大平臺解決方案，科學家平臺、核心技術平臺和行業應用平臺。
企業核心團隊
創始人
周曦博士，師從四院院士、計算機視覺之父—ThomasS.Huan黃煦濤教授，專注于人工智能識別領域的計算機視覺 研究。入選中科院“百人計劃”，曾任中國科學院重慶研究院信息所副所長、智能多媒體技術研究中心主任。
周曦博士帶領團隊曾在計算機視覺識別、圖像識別、音頻檢測等國際挑戰賽中7次奪冠;在國際頂級會議、雜志 上發表60余篇文章，被引用上千次。
核心技術團隊
云從科技依托美國UIUC和硅谷兩個前沿實驗室，中科院、上海交大兩個聯合實驗室上海、廣州、重慶、成都四 個研發中心組成的三級研發架構。目前研發團隊已經超過300人，80%以上擁有碩士學歷。
技術優勢
全方位多維智能學習模塊適應不同場景要求；模塊化設計為在工業視覺、醫學影像、自動駕駛AR等領域擴展打下良好基礎。
云從科技具有高技術壁壘：世界智能識別挑戰賽成績斐然，在CLEAR、 ASTAR、 PASCAL VOC、 IMAGENET、FERA以及微軟全球圖像識別挑戰賽上共計奪得7次世界冠軍;在銀行、公安等行業智能識別技術 PK實戰中，85次獲得第一；2018年，云從科技入選MIT全球十大突破性技術代表企業。
在跨鏡追蹤(ReID)技術上取得重大突破。Market-1501，DukeMTMC-reID，CUHK03三個數據同時集體刷 新世界記錄， Market-1501上的首位命中率達到96.6%，首次達到商用水平。
正式在國內“3D結構光人臉識別技術”，可全面應用于手機、電腦、機具、設備、家電。相較以往的2D人 臉識別及以紅外活體檢測技術，3D結構光人臉識別技術擁有不需要用戶進行任何動作配合完成活體驗證的功能， 分析時間壓縮到了毫秒級以及不受環境光線強弱的影響等諸多優點，受到國際巨頭公司的關注。
行業應用
目前國內有能力自建系統的銀行約為148家。截止2018年3月15日，已經完成招標的銀行約為121家，其中云從科 技中標了88家總行平臺，市場占有率約為72.7%;在安防領域推動中科院與公安部全面合作，通過公安部重大課題研發火眼人臉大數據平臺等智能化系統，在民航領域，已經與中科院重慶院合作覆蓋80%的樞紐機場。
5.Yi+
企業概述
北京陌上花科技是領先的計算機視覺引擎服務商，為企業提供視覺內容智能化和商業化解決方案。致力于“發現視覺信息的價值”。
旗下品牌Yi+是世界一流的人工智能計算機視覺引擎，衣+是時尚商品搜索引擎。公司在圖像視頻中對場景、通用物體、商品、人臉的檢測、識別、搜索及推薦均達到領先水平。
目前公司和阿里巴巴、愛奇藝、優酷土豆、中國有線、CIBN、中信國安、海信、華為、360等數十家頂級機構/產品深度合作，通過提供邊看邊買引擎、圖像視頻內容分析引擎、人臉識別引擎等基于視覺識別技術的數據結構化產品服務于海量用戶，同時幫助政府機構、廣電系統、內容媒體、零售商、電商、視聽設備等行業實現智能分析、智能互動與場景營銷。目前公司已經獲得B輪融資。
企業團隊
團隊成員來自于斯坦福、耶魯、帝國理工、新加坡國大、南洋理工、清華、北大、中科院等名校及谷歌、微軟、IBM、英特爾、阿里巴巴、騰訊、百度、華為等名企。
創始人&CEO：張默
北京大學軟件工程碩士， 南洋理工大學創業創新碩士。連續創業者， 曾任華為算法工程師、微軟WindowsMobile工程師、 IBM SmarterCity 架構師，北方區合作伙伴經理，主機Linux中國區負責人，中國區開源聯盟負責人，年銷售額數億。 2013年創業于美國硅谷和新加坡，2014年6月在中國設立北京陌上花科技有限公司。
核心技術與產品
技術方面，在國際頂級計算機視覺競賽ImageNet中，成績曾超過谷歌、斯坦福等，2015-2016年2年獲得十項世界第一。2018年3月，人臉識別準確率位列LFW榜首。Yi+通過遵循無限制，標記的外部數據協議。 Yi+的系統由人臉檢測，人臉對齊和人臉描述符提取組成。使用多重損失和訓練數據集訓練CNN模型，其中包含來自多個來源的約10M個圖像，其中包含150，000個人（訓練數據集與LFW沒有交集）。在測試時， Yi+使用原始的LFW圖像并應用簡單的L2norm。圖像對之間的相似性用歐氏距離來測量，最終取得優異成績。
公司的核心產品主要包括視覺搜索引擎，圖像視頻分析引擎以及人臉識別和分析引擎：
行業解決方案
針對營銷、安防、相機和電視的不同特點，推出相應解決方案。
營銷+AI。場景化廣告方案中，大屏AI助理信息流推薦、神字幕、物體/人臉AR動態貼圖、video-out、場景化角標與廣告濾鏡等形式的廣告內容推薦，適用于快消、汽車、電商、IT、金融、旅游服務等多個行業。
智慧城市+AI。使用計算及視覺助力智慧城市，在智慧安防、智慧交通、智慧園區等方面提供解決方案。在智慧安防實時識別上，實時處理直播攝像頭信息，算法反應敏捷，相應迅速。建立智慧園區方案模型，考慮擴展性&靈活性、數據管理、松散耦合性、安全性、實時整合性以及功能性和非功能性需求等技術方案要素，從業務和技術兩方面整合解決方案實現步驟。
電視+AI。電視+AI的解決方案賦予智能電視多樣播放能力和營銷能力。
相機+AI。相機更具交互能力。用戶通過搜索關鍵字標簽同步展示圖片，打通相冊和購物一站式體驗。準確識別人物屬性特征，動態適應表情變化，可以在視頻以及圖像中對人臉實時檢測，基于深度學習技術，進行人臉相似度檢測，實現面部關鍵點定位、妝容圖像渲染，試用與粉底、唇彩以及眼影等多種虛擬試裝方式。實時檢測攝像頭中出現的物品、場景和人臉等，添加AR效果，SDK支持本地檢測、識別、追蹤，平均檢測幀率可達到25fps。
新零售+AI。Yi+新零售解決方案是基于公司自主研發的人臉識別、商品識別和其他圖像識別算法技術為核心，建立一整套基于人臉、商品的智能零售門店管理方案。Yi+新零售解決方案主要包含數據采集、算法模型說明和部署方案三部分，其中數據采集包括人臉數據采集、商品數據采集；算法模型說明包括識別算法訓練、商品識別、識別輸出；部署方案包括本地部署、云端部署、本地部署與云端部署結合。
6.擎創科技
企業簡介
擎創科技成立于2016年，專注于將人工智能和機器學習賦予傳統IT運維／企業運營管理，為企業客戶提供智能運維大數據分析解決方案，從而取代和改善對高技能運維人員嚴重依賴的現狀。2017年，擎創科技已實現全年2000萬營收，迅速成為國內AIOps領域的領跑者和中流砥柱。2018年初，擎創科技完成了數千萬人民幣的A輪融資，由火山石投資領投，晨暉創投、元璟資本及新加坡STTelemedia跟投。
核心團隊
擎創團隊的核心成員主要由BMC、微軟等美國企業服務上市公司的運維老兵，與新浪、餓了么等知名互聯網公司的大數據、算法專家組成，核心團隊成員至少擁有10年以上的行業經驗。其中CEO楊辰是國內最頂級的B端銷售，曾帶領團隊獲得10倍的業績增長；CTO葛曉波擁有長達15年的企業級軟件開發和運維經驗；而產品總監屈中泠則來自甲方，創業前為浦發硅谷銀行企業架構師，深知甲方對企業運維產品的需求。這個曾經深耕于運維企業服務市場的團隊，如今在智能運維企業服務賽道繼續領跑，讓擎創科技成為最懂企業的客戶，最值得企業客戶信賴的軟件廠商。
主要產品
“夏洛克AIOps” 作為擎創自主研發的大數據智能運維主打產品，自2016年上線以來，已從1.0版本升級至1.9版本，可應用在金融、大型制造業、鐵路民航、能源電力等涉及國家發展和民生問題的多種行業。在2017全球運維大會上，夏洛克AIOps獲得由中國信息通信研究院與高效運維社區聯合頒發的“年度最具影響力AIOps產品”獎。
“夏洛克AIOps”充分利用自研算法輔助客戶實現IT運維價值，結合客戶的現有情況，規劃從傳統ITOM至AIOps智能運維的一站式路徑，助其運營落地，由此打破數據孤島，建立統一的大數據智能分析平臺，實現以人工智能為核心，驅動傳統IT運維監、管、控三個層面，并將相關運維數據及業務數據實時展現。
“夏洛克AIOps”擁有多項自研算法，猶如運維界的福爾摩斯，能迅速發現并定位運維問題的根因，實現秒級排障，最大程度避免企業產生重大損失。更有價值的是，“夏洛克AIOps”還能通過長期的數據積累和機器學習，運用新型深度神經網絡算法對企業的業務數據進行預測，幫助企業提前規劃IT資源，高效預防各類黑天鵝事件的發生。
商業模式
目前，擎創科技已與多家金融和制造行業標桿客戶形成穩定的合作關系，包括浦發銀行、浦發硅谷銀行、國家開發銀行、上海鐵路局、銀聯、海爾、浙江能源等。針對不同客戶，采用個性化的商業模式進行服務，目前主要有私有模式和SaaS模式兩種，都具有較強的可復制性。
