描述
开 本: 16开纸 张: 胶版纸包 装: 平装-胶订是否套装: 否国际标准书号ISBN: 9787121361180
本书由智能相对论结合行业发展现状及未来发展趋势精心打造的行业科普书，5分钟一个AI热点，打造碎片化时代的核心竞争力，让你跟上节奏，不被OUT！好看又好玩的AI趣味科普，风趣幽默又科学严肃的行业读物，深兰科技创始人陈海波、度小满金融CEO 朱光联袂力荐！
“人造人”什么时候才能真的造出人？ /2
拿着手术刀的AI医生会看病吗？ /8
思维移植会不会比“长生不老”更不靠谱？ /15
AI能送给视障人士一双“黑色的眼睛”吗？ /23
3D“造畜”和3D“造人”哪个更容易实现？ /30
冰冻人体能否创造亿万个“美国队长”？ /36
“癌症杀手”真的会是“读心专家”吗？ /44
AI能把抑郁症治好吗? /52
被避讳的妇科，AI能让她摆脱尴尬吗? /58
太空生子什么时候才能梦想成真? /64
AI医学美容为什么还没有医疗整形火爆？ /70
AI真的能预测死亡时间吗？ /76
罕见病不再罕见， AI真的能让患者享受生命尊严吗？ /82
拒绝开颅，AI能扩充人的脑容量吗？ /88
宠物智能医疗兴起，关键问题解决了吗？ /96
挖掘“黑马级”的智能医疗器械市场，难在哪了？ /104
第二章 机器人“捕手”
外骨骼机器人能让我们秒变钢铁侠吗？ /112
我们距离下一个“阿尔法法官”还有多远？ /119
作诗的AI机器人为什么能骗过行家？ /126
为什么没有出现杂技机器人？ /132
AI是如何揪出“网络钓鱼者”的？ /137
机器心理学家为什么会是人类最后一个职业？ /144
阅片机器人为什么还没有被普及？ /150
如何成为物业安防机器人“头号玩家”？ /156
陪练机器人来了，你打得过那个AI吗？ /163
第三章 传统行业“变脸”
人工智能后，为什么会有“兽工智能”？ /172
CIA要用AI取代间谍，真的会上演“碟中谍”吗？ /178
AI拍照为什么是一个骗人的把戏？ /186
AI会不会成为天才“枪手”？ /193
现在的AI 教育，为什么培养出来的可能是“考试机器”？ /200
AI作曲为什么不能有自己的“即兴创作”？ /206
“有味道”的智能公厕怎么越来越没味道了？ /211
AI配音师在舞台上为什么也会唱“黑脸”？ /216
装上AI大脑的无人机为什么会担当“无人机警察”？ /222
AI 动物能否改变动物灭绝的局面？ /228
AI制作表情包，真的好笑吗？ /234
第四章 机器进化
人工智能为什么不该去争论悲观还是乐观？ /240
猪脸识别为什么比人脸识别更有趣？ /249
面部识别 语音助手加持，AR眼镜为什么没人要？ /255
你的大脑会被复制、修改、删除吗？ /263
脑芯片：是人脑增强仪还是定时引爆器？ /270
地震救援机器人什么时候能拯救苍生？ /276
为什么说“煤老板时代”又将来临？ /288
婴语翻译能做到吗？ /294
“读心机”为什么是人类既期待又排斥的存在？ /300
“人工心智”将会成为人类的生存性威胁吗？ /305
盲眼“猎豹”机器人，敢问路在何方？ /310
人类想早点移民火星，AI能安排上吗？ /315
第五章 生活“局中局”
AI同声传译为什么成了巨头们都翻不过去的坎儿？ /322
人类什么时候才能听懂动物的语言？ /330
AI能识破坑老人钱的套路吗？ /336
“高考后综合症”：AI能不能发现高考生的心理疾病？ /342
世界编剧队伍里为什么突然多了个AI编辑？ /348
从自主系统开始，苹果要在无人驾驶上重走手机之路 /354
IBM的人机辩论大赛，AI的胜利为什么名不副实？ /361
Facebook为什么要推出AI防自杀系统？ /367
性格能够被识别后，我们究竟失去了哪些权利？ /373
未火先凉，智能睡眠监测管理平台为何自己先休眠？ /378
为什么要把孩子的健康交给机器人？ /386
解决食品安全问题，“人造食品”或是方向之一 /392
小心，教育机器人别好心做坏事 /400
未来是人工智能时代，市场属于用好人工智能的企业。
——深兰科技创始人兼董事长 陈海波
人工智能技术与各行各业产生了紧密的融合，未来每家公司都会成为“人工智能 公司”。人工智能*好的落地场景就是金融，AI技术在金融领域的应用，已经从实验室阶段进入到规模化应用阶段。
——百度副总裁、度小满金融CEO 朱光
AI真的能预测死亡时间吗？
对于一些重病患者而言，“死亡”这个话题虽然十分沉重，但也需要预留空间去探讨和适应。如果可以精准预测患者的“死亡”，是否能给予他们这个预留空间呢？
美国斯坦福大学开发了一个预测死亡时间的AI系统。这个AI系统整理了近200万名成人和儿童患者的电子健康档案数据，以及相关的医学诊断信息，从而得到病情的大数据。再通过数据收集与系统自主学习机制，这个AI系统可以预测患者具体的死亡时间。
为什么要用AI来预测死亡？
在中国，每年有约700万人走向生命终点，这个AI系统的出现，预示着医生能够更加精确地安排患者的临终关怀。除此之外，利用它我们还可以发掘一条新的道路。
对于大限将至的晚期患者，这个AI系统可以通过长期的数据跟踪来判断死亡概率。而对于一些特殊疾病的突发症状，它也可以通过机器学习，感知患者的一些生命体征的变化从而发出危险预警。
FDA于2018年批准通过了一个可以预测死亡的AI产品，这个产品名叫Wave Clinical Platform，由医疗科技公司Excel Medical研发。
Wave Clinical Platform是一个永远在线的远程监测平台，集合了患者的用药情况、年龄、生理情况、既往病史、家族病史等实时数据。
这个系统可以感知生命体征的细微变化，从而在发生致命事件6小时前发出预警。也就是说，这个系统可以通过比较数据库中的猝死病例，从而提前6个小时预测“猝死时间”，为医护人员赢得抢救时间。
英国科学家也曾在《影像诊断学》杂志上发表文章说，AI可以预测心脏病人何时死亡。AI能让医护人员发现那些需要干预治疗的患者，从而让医护人员能够拯救更多的生命。
AI预测死亡这一命题能成立吗？
对于AI预测死亡这一命题所遇到的问题，我们可以从以下3个方面来考虑。
1. “预测死亡”即“判死刑”，患者能接受吗？
不可否认的是，预测死亡确实可以让医生更合理地配置医疗资源。但“死亡”并非那么容易被所有人接受。
《众病之王：癌症传》的作者Siddhartha Mukherjee博士在文章中讲过自己亲历的一个故事，他曾经治疗过一名食道癌患者，这个患者的治疗十分顺利，但还是存在很大的复发可能性。于是医生提出了临终关怀，但这位患者拒绝了。这位患者认为，他的身体状况越来越好，精神状态也很好，为什么医生偏要说这些扫兴的话呢？
令人遗憾的是，这位患者的癌症还是复发了。在他临终前，他始终处于昏迷状态，无法回应在他病床旁的家人。
从这个故事中可见，并非每一个患者都能淡然地接受“死亡”。当患者与病魔、死神苦苦争斗时，医生用一套所谓科学的、精密的AI系统预测了患者的死期，于患者而言，抗癌之旅本就艰辛，而在其头顶悬上一把会准时掉落的“死亡之刃”未免也太过残忍。
2. 病情存在个体差异，复杂病例难以判断
AI预测死亡主要依赖于医疗大数据和深度学习。研究团队表示，AI预测死亡系统收集了发现病症后12个月内死亡的患者的数据，然后通过神经网络利用大数据计算每条信息的权重和强度，生成一个患者在3～12个月内死亡的概率分数，再通过分数预测患者在3～12个月内是否会死亡。
种类繁杂，参差不齐，是一种极具个性化的信息。疾病的病程具有一定的规律，但具体病情症状却因人而异。个人体质、周围环境等因素都会影响疾病的转归。除了个体的差异，疾病本身也难以被清楚地认知。例如，几乎任何传染病的初期症状都与感冒类似。也就是说，疾病本身是带有欺骗性的。在面对复杂的病例时，医生也常常需要借助辅助工具，或召开病情讨论会议，几方会谈后才能确定治疗方案。
另外，AI预测死亡的深度学习有一个令人费解的地方，也就是“黑盒子”问题——它能够推算出一个患者的死亡概率分数，却无法表达其背后的逻辑。
所以，通过概率分数来预测患者的死亡时间依旧存在许多问题。单单针对某类疾病的死亡预测可能有效，但是预测大病种的死亡概率的可能性却微乎其微。
3. 医疗大数据共享难
AI 医疗大多以算法开始，但最终还是会回到数据。数据获取难度大是所有AI项目的问题，医疗行业的数据，尤其是这类关于生死的数据更难获取。
医疗信息与其他领域的信息不同，种类十分繁杂，标准也不统一。尤其许多医疗数据会涉及患者的隐私，有部分患者并不愿意将自己的医疗数据用于AI研究。
就质量而言，医疗数据也有更高的要求，比如，所有的医疗数据都需要医生的人工标识。
除了患者方面的原因，从医院方获取数据也有阻力。在不能确定某项研究是有利于医院救护的时候，医院恐怕并不愿意担风险而贡献出所有的工作数据。技术人员如何和医生形成合力，获取高的大数据，是大部分AI共同面临的难题。
“鸡肋”如何巧变为“熊掌”？
“AI预测死亡的准确率高达90%”更像是一个噱头，预测人类的死亡只是更方便地进行姑息治疗，但其中还是会面临一些伦理问题。例如，要不要将死亡日期告知患者和其家人？机器是否有资格来宣判人类的死亡期限呢？
如果换一个预测对象呢？设想一下，作为一只宠物狗的主人，当狗狗的身体机能渐渐衰退，主人是否想知道这只狗什么时候会离世呢？由于语言不通，人类希望借助一些辅助工具来了解宠物，希望有更精确的医疗辅助系统来诊断宠物的病情，从而为宠物做更好的安排。面对宠物，AI预测死亡似乎更能被人类接受。
AI预测死亡系统的发展过程应该是一个不断提升价值的过程。一方面，这个系统应该建立更多对象的数据库，依赖深度学习来进行更多应用场景的选择。首先，选择一类对象（多半为宠物）作为学习模型的教材；然后，通过积累的“经验”来判断这类对象在发病期间的死亡概率；最后，对对象进行干预治疗。
另一方面，预测应由预测死亡变成预测病程。预测场景从垂直领域到横向领域，构建一个智能预测系统，既包括病程的转归期，也包括病程前期的所有阶段，最后做到为用户个性化建模。
在AI医疗上，我们细分了越来越多的名目。虽然“预测死亡”看起来涉及人类生死大事，但目前人们只是触及事情的表面。在戳破了“死亡预测”这个气泡后，如何让AI医疗预测成为一个真正惠民的项目，触及医疗痛点，恐怕才是大部分布局AI医疗的企业需要思考的。
评论
还没有评论。