孫書魁，范 菁，李占穩(wěn)，曲金帥，路佩東

1.云南民族大學(xué) 電氣信息工程學(xué)院，昆明 650000

2.云南民族大學(xué) 云南省高校信息與通信安全災(zāi)備重點實驗室，昆明 650000

3.哈爾濱醫(yī)科大學(xué) 第二臨床醫(yī)學(xué)院，哈爾濱 150000

2019年新冠肺炎（COVID-19）的暴發(fā)使世界各國人民生命財產(chǎn)安全受到了極大的威脅。COVID-19因傳播率高(R0>2)[1]而迅速在席卷全球，并演變成嚴重的全球性公共衛(wèi)生危機。資源短缺和醫(yī)療衛(wèi)生系統(tǒng)超負荷等危機使大多數(shù)政府限制旅行或封鎖城市[2]。根據(jù)世界衛(wèi)生組織的數(shù)據(jù)，截至2022年7月，新冠肺炎疫情已導(dǎo)致超過5.5億例確診病例和633萬例死亡?？茖W(xué)家已確定了該病毒的基因組序列，并歸類為冠狀病毒家族β-CoV屬成員[3]。它攻擊人類呼吸系統(tǒng)，導(dǎo)致發(fā)燒、咳嗽和其他流感癥狀，并進一步導(dǎo)致多個組織和器官受損甚至衰竭[4]。此外，新冠肺炎患者可能會迅速惡化為嚴重的功能障礙甚至危重癥，導(dǎo)致對床位、機械通氣設(shè)備和重癥病人護理資源的需求突然暴增[5]。新冠肺炎驚人的發(fā)病率和造成的大規(guī)模傷亡給有限的醫(yī)療資源帶來了沉重的壓力，因此非常迫切需要有效的技術(shù)來簡化新冠肺炎的診斷、治療和檢測等環(huán)節(jié)，并提高醫(yī)療保健系統(tǒng)的臨床效率[6]，以應(yīng)對醫(yī)療資源緊張的局面。

AI在其他領(lǐng)域的成功啟發(fā)了科研人員和醫(yī)學(xué)專家。他們將AI與現(xiàn)有醫(yī)學(xué)技術(shù)結(jié)合，以應(yīng)對新冠肺炎疫情[7]，AI現(xiàn)已廣泛應(yīng)用于臨床治療。AI不僅在防疫和診斷上有更高的效率，而且對提高藥物疫苗開發(fā)和生產(chǎn)效率也有很大幫助。更重要的是，利用AI大數(shù)據(jù)技術(shù)在全球范圍內(nèi)對病毒進行采樣，加速在全國范圍內(nèi)開展病毒活動性建模研究，以有效預(yù)測和應(yīng)對日后類似大規(guī)模疫情暴發(fā)[8]。COVID-19加速了學(xué)術(shù)界和工業(yè)界對AI支持的網(wǎng)絡(luò)技術(shù)的研發(fā)進程。由于AI支持的醫(yī)療健康網(wǎng)絡(luò)系統(tǒng)能夠有效應(yīng)對新冠肺炎乃至類似疫情帶來的危害，這一技術(shù)受到了世界人民特別是醫(yī)學(xué)界青睞。

本文全面地回顧了AI在疫情防控中的作用。由于AI技術(shù)的多樣性，故無法列舉所有方法。然而值得注意的是學(xué)者們的研究邏輯和研究方向，這可以讓讀者更好地把控最新的研究領(lǐng)域和研究方法，同時從宏觀上發(fā)現(xiàn)存在的問題并確定研究方向。基于此，本文的主要貢獻體現(xiàn)在以下三個方面：

（1）系統(tǒng)全面地回顧了AI在本次疫情防控中各個環(huán)節(jié)中的應(yīng)用。

（2）從實際出發(fā)，指出AI在本次抗疫過程中所面臨的挑戰(zhàn)。

（3）本文在研究AI對本次抗疫進程影響的同時，也思考了本次疫情對我國AI產(chǎn)業(yè)的影響以及其中的辯證關(guān)系。

本文首先闡述了背景知識，然后基于當(dāng)前AI在COVID-19不同場景中的應(yīng)用研究進行了詳細的梳理，并指出在應(yīng)用AI過程中所面臨的一些制約，淺談本次疫情對我國AI產(chǎn)業(yè)的影響以及未來發(fā)展方向，文末對全文進行總結(jié)。

1 研究背景

1.1 COVID-19

COVID-19是由嚴重急性呼吸綜合征冠狀病毒2型（severe acute respiratory syndrome coronavirus 2，SARA-CoV-2）引起的，這是一種β冠狀病毒[9]。SARSCoV-2是源自動物的人畜共患病原體，可通過直接接觸傳染給人類。包括最近引起COVID-19在內(nèi)的冠狀病毒（CoV）被認為起源于蝙蝠[10]。蝙蝠是大多數(shù)冠狀病毒的主要宿主，這些病毒可引起動物的胃腸道疾病和人類的呼吸道疾病。典型CoV癥狀包括感冒、咳嗽和頭痛發(fā)燒等，嚴重時可能會導(dǎo)致急性肺損傷和急性呼吸窘迫綜合征，進而引發(fā)肺衰竭，最終導(dǎo)致死亡[11]。圖1表示新冠病毒結(jié)構(gòu)。

圖1 SARS-CoV-2結(jié)構(gòu)圖Fig.1 Structure figure of SARS-CoV-2

自2019年12月，新型冠狀病毒肺炎疫情對人類的健康、經(jīng)濟、工業(yè)構(gòu)成巨大的威脅，并以其驚人的傳播率迅速傳播蔓延到全球各個國家和地區(qū)。在撰寫本文時，根據(jù)CoronaBoard的報告，已經(jīng)有229國家和地區(qū)受到殃及，每日分別約74萬和2 000的確診病例和死亡病例，死亡率依然高達1.18%（截至2022年6月10日）。圖2展示了全球COVID-19發(fā)展趨勢。

圖2 全球COVID-19發(fā)展趨勢（2021-01-21—2022-06-10）Fig.2 Global COVID-19 trend（2021-01-21—2022-06-10）

隨著新冠肺炎疫情對全球造成的巨大影響，人類應(yīng)對新冠肺炎疫情進行了大量嘗試。政府為遏制大流行蔓延做出大量舉措，例如封鎖（部分）地區(qū)以限制感染的傳播，確保醫(yī)療衛(wèi)生系統(tǒng)能夠應(yīng)對疫情，并提供一攬子計劃以減輕對國民經(jīng)濟和人的影響。同時，鼓勵個人在公共場所佩戴口罩、勤洗手、保持社交距離以及向當(dāng)?shù)胤酪咧行膱蟾孀钚乱咔樾畔⒌却胧﹣肀ＷC群眾的健康安全。另一方面，與COVID-19相關(guān)的科學(xué)研究也成為優(yōu)先事項，并受到政府、行業(yè)和學(xué)術(shù)等從業(yè)者的特別關(guān)注。在全球從醫(yī)科研人員爭分奪秒開發(fā)針對COVID-19冠狀病毒的有效疫苗和藥物的同時，計算機科研人員也在為抗擊COVID-19做出巨大的努力。隨著AI在各個領(lǐng)域取得巨大成功以及政府的無接觸倡議，將AI應(yīng)用于本次疫情防控就變得理所當(dāng)然。

1.2 人工智能

人工智能是一項蓬勃發(fā)展的技術(shù)，適用于各個領(lǐng)域的許多智能應(yīng)用。人工智能的一些引人注目的應(yīng)用是汽車中的無人駕駛、醫(yī)療保健中的醫(yī)療診斷和遠程醫(yī)療、圖像處理和自然語言處理。在AI的眾多分支中，機器學(xué)習(xí)（machine learning，ML）和深度學(xué)習(xí)（deep learning，DL）是兩種典型的方法。通常ML是指從數(shù)據(jù)中學(xué)習(xí)和提取有意義模式的能力，基于ML的算法和系統(tǒng)的性能在很大程度上取決于數(shù)據(jù)特征。同時，DL能夠通過從簡單表示中學(xué)習(xí)來解決復(fù)雜系統(tǒng)。根據(jù)文獻[12-13]，DL有兩個主要特征：（1）學(xué)習(xí)正確表示的能力；（2）DL允許系統(tǒng)以深度的方式學(xué)習(xí)數(shù)據(jù)，利用多層架構(gòu)來學(xué)習(xí)豐富的語義特征。

AI為對抗冠狀病毒提供了強大助力[14]。在疫情時期，無論是疫苗和藥物的快速研發(fā)還是無接觸式的疫情防控，AI都成為人們的共同選擇。文獻[15]中的科學(xué)家開發(fā)了一個DL模型來用于“藥物再用途”（也稱藥物再定位），即利用現(xiàn)有的藥物找到一種可以立即應(yīng)用于感染患者的快速藥物策略。這項研究的動機是，新開發(fā)的藥物通常需要數(shù)年時間才能成功測試并進入市場。雖然這項研究的結(jié)果目前尚未獲得臨床批準，但無疑開辟了對抗冠狀病毒的新途徑。文獻[16]中將DL用于計算機斷層掃描（computed tomography，CT）圖像處理，所提出的模型DL模型在499個CT體積的訓(xùn)練和131個體積的測試中，準確率為0.901，陽性預(yù)測值為0.840，陰性預(yù)測值為0.982。這項研究提供了一種快速識別感染COVID-19患者的方法，這可能為及時隔離和醫(yī)治提供很大幫助。

2 AI在抗擊COVID-19中的應(yīng)用

2.1 AI在疫情趨勢預(yù)測中的應(yīng)用

AI模型已經(jīng)參與流行病學(xué)研究，主要側(cè)重于COVID-19趨勢預(yù)測。具體而言，涉及的人工智能模型包括基于數(shù)據(jù)驅(qū)動的統(tǒng)計模型、基于流行病學(xué)的房室模型、基于個體的代理模型和混合模型。表1總結(jié)了AI在疫情預(yù)測方面的應(yīng)用。

表1 AI在疫情趨勢預(yù)測方面應(yīng)用總結(jié)Table 1 Application summary of AI in epidemic trend prediction

2.1.1 基于數(shù)據(jù)驅(qū)動的統(tǒng)計模型

基于數(shù)據(jù)驅(qū)動的統(tǒng)計模型主要包括基于回歸的參數(shù)或非參數(shù)模型，如自回歸移動平均（autoregressive integrated moving average model，ARIMA）、支持向量回歸（support vector regression，SVR）、遞歸神經(jīng)網(wǎng)絡(luò)（recursive neural networks，RNN）等DL模型。Parbat等[26]使用SVR模型，利用約翰霍普金斯大學(xué)流行病數(shù)據(jù)預(yù)測了新冠肺炎死亡總數(shù)、康復(fù)病例數(shù)、累計確診病例數(shù)和每日病例數(shù)的趨勢[27]。該模型比線性或多項式回歸方程具有更高的精度。這些基于純數(shù)據(jù)驅(qū)動的統(tǒng)計模型通常只考慮建立死亡人數(shù)等因變量和天數(shù)等自變量之間的關(guān)系，但沒有明確考慮傳染病的流行病學(xué)特征。

2.1.2 基于流行病學(xué)的房室模型

房室模型將整個種群劃分為易感、暴露、感染和康復(fù)等多個房室（即狀態(tài)），然后應(yīng)用常微分方程來模擬這些狀態(tài)的轉(zhuǎn)換。兩個流行的房室模型，分別為SIR模型（susceptible infectious and removed）[28]和SEIR模型（susceptible exposed infectious and removed）[29]，被用來模擬傳染病的傳播。與基于數(shù)據(jù)驅(qū)動的統(tǒng)計模型相比，房室模型基于數(shù)學(xué)/物理定律，這些定律考慮了流行病學(xué)特征，并且房室模型假設(shè)從這些房室觀察到的計數(shù)有可能反映繁殖數(shù)量，所以房室模型至今仍是傳染病流行病學(xué)研究的主流方法[17]。然而，傳統(tǒng)的房室模型參數(shù)確定是困難的，往往依賴預(yù)先設(shè)定的假設(shè)。AI的出現(xiàn)展現(xiàn)了它們在估計房室模型最優(yōu)參數(shù)方面的優(yōu)勢，從而為改進新冠肺炎趨勢預(yù)測中的房室模型開辟了一條新途徑[30]。

2.1.3 基于個體的Agent模型和混合模型

研究人員利用細粒度方法通過Agent模擬對COVID-19趨勢預(yù)測的種群建模[24]。基于個體的Agent模型是以抽象的形式模擬一個真實的環(huán)境來評估流行病的傳播，它包括Agent、每個Agent的元素和Agent之間的聯(lián)系三個主要因素。文獻[24]通過考慮年齡、性別和隔離等多種因素，采用基于個體的代理模型模擬了COVID-19在城鎮(zhèn)的傳播。研究發(fā)現(xiàn)：居家、醫(yī)院隔離、禁止旅行等非藥物干預(yù)措施能顯著降低COVID-19的傳播和死亡人數(shù)。

此外，一些混合模型，如機械疾病傳播模型和曲線擬合模型的組合[31]以及循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）模型和改進的易感染（improved susceptible infectious，ISI）模型的組合[30]，已用于COVID-19趨勢的預(yù)測。這些混合模型主要考慮了流行病學(xué)模型和ML技術(shù)的結(jié)合，不僅捕獲了傳染病的流行病學(xué)特征，而且通過純數(shù)據(jù)驅(qū)動的方法增強了建立輸入數(shù)據(jù)與輸出數(shù)據(jù)之間關(guān)系的能力。混合模型中的流行病學(xué)模型通常用于獲取與COVID-19趨勢相關(guān)的信息，這些信息用作AI預(yù)測模型的輸入?；旌夏Ｐ瓦€展現(xiàn)出加快新冠肺炎趨勢預(yù)測的巨大希望。

2.2 AI在疫情追蹤中的應(yīng)用

冠狀病毒已經(jīng)影響到了人類社會的方方面面，現(xiàn)在迫切需要遏制這種影響，逐步恢復(fù)人類的正常生產(chǎn)活動，使社會恢復(fù)正常運轉(zhuǎn)。到目前為止，除了及時接種疫苗以外，更要做到“跟蹤和隔離”，這恰恰是AI擅長的。AI可以利用海量的數(shù)據(jù)快速追蹤到與感染者密切接觸的人，以便及時進行隔離并診斷[32]。接觸追蹤是一個過程，用于識別和檢測與感染病毒的人有過密切接觸的人。這些人感染致命冠狀病毒的風(fēng)險更大，在AI的幫助下，可以通過接觸追蹤最近與感染者接觸的人來保護他們，從而限制病毒傳播的速度[33]。

疫情初期，中國率先利用AI追溯疫情，依靠面部識別攝像頭來跟蹤有旅行史的感染者[34]。浙江省杭州市首創(chuàng)健康碼模式，對市民和擬進入杭州人員實施“綠碼、紅碼、黃碼”三色動態(tài)管理?！敖】荡a”以龐大的真實數(shù)據(jù)為基礎(chǔ)，由市民或復(fù)工人員通過網(wǎng)上申報，經(jīng)后臺審核生成個人專屬的二維碼。該二維碼可以作為個人的健康憑證，實現(xiàn)一次申報，全省通行。健康碼的推出，讓復(fù)工復(fù)產(chǎn)更加精準、科學(xué)、安全[35]，同時能夠較快地確定疫情暴發(fā)時間和地理位置，以便防疫人員能夠快速鎖定密接者并及時進行隔離診斷，防止疫情大面積傳播。

2.3 AI在疫情檢測和診斷中的應(yīng)用

疫情初期，利用逆轉(zhuǎn)錄聚合酶鏈反應(yīng)（reverse transcription-polymerase chain reaction，RT-PCR）是診斷COVID-19的主要手段，但這種方法對該病早期不太敏感，而且與不斷增加的感染人群相比，RT-PCR檢測試劑盒的數(shù)量較少[9]。此外，在給出準確核酸檢測結(jié)果前，整個檢測時間較長[36]，這可能延誤最佳治療時間，同時增加該病大肆傳播的風(fēng)險。作為RT-PCR檢測的重要補充，計算機斷層掃描（CT）和X光等影像學(xué)手段在當(dāng)前診斷中展現(xiàn)出巨大的優(yōu)勢[37]。為了幫助醫(yī)務(wù)人員可以快速準確地識別與COVID-19相關(guān)的肺部獨特特征，AI在其中扮演了極其重要的角色。

2.3.1 胸部CT圖像

通過AI處理CT圖像，可以較快地檢測出COVID-19引起的病變。如果手動讀取CT圖像可能需要15 min，但AI可以在10 s內(nèi)完成。通過文獻研究發(fā)現(xiàn)CT圖像的識別一般都離不開神經(jīng)網(wǎng)絡(luò)[38]。其中以卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）為代表的神經(jīng)網(wǎng)絡(luò)因其出色的圖像識別性能而受到較多的關(guān)注[39]。表2總結(jié)了基于AI的CT影像診斷模型，這些模型通過自動檢測胸部CT圖像展現(xiàn)了出色的區(qū)分COVID-19和非COVID-19肺炎的能力，準確度為70.00%~99.87%，靈敏性為73.00%~100.00%，特異性為25%~100.00%，AUC為0.732~1.000。Mei等[47]開發(fā)了一種聯(lián)合CNN模型，通過結(jié)合胸部CT表現(xiàn)與臨床癥狀、接觸史和實驗室測試來快速診斷COVID-19患者。文獻[49]提出一種新冠肺炎肺部CT圖像自動分割模型，該模型能夠提取更多有用的肺部特征，且優(yōu)于同類模型的分割效果，實現(xiàn)了新冠肺炎肺部圖像的自動有效分割。經(jīng)文獻[50]發(fā)現(xiàn)AI模型比放射性醫(yī)師具有更高的測試準確性、敏感性、特異性，并且在AI的幫助下，放射性醫(yī)生的診斷速度更快，診斷效率更高。

表2 AI在利用胸部CT影像診斷新冠肺炎中的應(yīng)用Table 2 Application of AI in diagnosis of COVID-19 by chest CT images

2.3.2 X光圖像

盡管CT圖像在檢測COVID-19方面具有更高的靈敏度，但成本和輻射量都相對較高。相反，胸部X光片是一種低成本、快速的檢測手段，可用于COVID-19疑似感染病例的初步篩查，支持對陽性患者及時采取隔離措施。研究人員已經(jīng)開發(fā)了對應(yīng)的AI技術(shù)，可以從胸部X光片中自動檢測和提取特征，文獻[51]提出了DD-CovidNet模型，該模型可以較好地針對COVID-19進行X光圖像識別，且檢測速度更快，檢測結(jié)果更準確，但需進一步進行臨床研究驗證，由于COVID-19陽性CXR圖像數(shù)據(jù)稀缺，可能導(dǎo)致模型識別存在一定偏差，需豐富數(shù)據(jù)集對模型進行優(yōu)化提高識別率。表3對一些X光癥狀識別模型進行總結(jié)并對比分析。

表3 基于X光癥狀識別模型對比Table 3 Comparison of symptom recognition models based on X-ray

無論是X光還是CT都是用X光來呈現(xiàn)定位，不同的是，X光壓扁了一個真實的物體，是一個重疊的圖像，但CT將真實物體逐層切片，觀察每一層的結(jié)構(gòu)。相比而言，CT掃描的優(yōu)勢大于X掃描，但X光相對便宜，醫(yī)療應(yīng)用范圍更廣。總之，無論是CT圖像識別還是X光識別，AI都能提供更好的解決方案。經(jīng)文獻查閱發(fā)現(xiàn)，很多AI模型能夠獲得高精度的識別結(jié)果，雖然模型之間存在差異，但是訓(xùn)練過程基本符合圖3所示。

圖3 COVID-19診斷模型訓(xùn)練流程Fig.3 COVID-19 diagnostic model training process

2.4 AI在藥物開發(fā)中的應(yīng)用

利用AI進行藥物研發(fā)的時間不長，進展也并不順利。許多制藥公司早期對DL在藥物開發(fā)中的應(yīng)用持懷疑態(tài)度[61]。直到2017年，很多藥企才開始于與AI公司和學(xué)術(shù)界進行初始合作，啟動內(nèi)部研發(fā)項目。目前，醫(yī)藥行業(yè)的生產(chǎn)力正在下降，而AI的崛起則恰可以加速醫(yī)藥的研發(fā)[62]。由于COVID-19在全球暴發(fā)并且以及其驚人的傳染力危害著整個人類和社會，許多科學(xué)家提出使用AI加速藥物研發(fā)，使群眾盡早地擺脫疫情的影響，恢復(fù)正常生產(chǎn)活動。

研究人員利用AI研發(fā)新藥，加快智慧醫(yī)療時代的到來，以便更好更快地對冠狀病毒帶來的公共衛(wèi)生挑戰(zhàn)做出應(yīng)對。在AI的輔助下，研究人員對海量CoVs的相關(guān)數(shù)據(jù)進行分析，使快速開發(fā)針對COVs的藥物成為了可能[63]。此外，這一技術(shù)在眾多的靶向藥物選擇中被廣泛應(yīng)用，從而加快開發(fā)針對靶向CoVs藥物的過程。Joshi等[64]利用深度模型篩選天然化合物，發(fā)現(xiàn)巴馬汀和索馳酮可以與Mpro形成了非常穩(wěn)定的復(fù)合物，可以考慮用于對抗SARS-CoV-2的治療開發(fā)。文獻[65]提出了深度對接（DD），從ZINC15數(shù)據(jù)庫中篩選13億個化合物，并確定了新冠病毒Mpro蛋白的前1 000個潛在配體。隨著對AI在藥物研發(fā)中扮演的角色越來越重要，將有望借此加快我國新藥的研發(fā)進程，更好地保障人民健康。

2.5 AI疫苗研制中的應(yīng)用

現(xiàn)有證據(jù)表明，AI在疫苗設(shè)計和開發(fā)中的應(yīng)用可以改變醫(yī)療保健，加速臨床試驗進程，降低藥物開發(fā)的成本和時間[66]。疫苗研發(fā)策略考慮了保護性抗體的工作原理，以及為什么特定抗原可能會或可能不會引起廣泛的保護性反應(yīng)[67]。然而，由于不同的病原體使用不同的策略來逃避保護性免疫性反應(yīng)，因此沒有單一的“最佳”解決方案來設(shè)計針對任何疾病的免疫藥物，需要結(jié)合多種策略[68]。如今，用于智能疫苗設(shè)計的AI和系統(tǒng)生物學(xué)正變得越來越強大，可用于加速新型候選疫苗的開發(fā)流程，設(shè)計通用疫苗原型，以及驅(qū)動和預(yù)測系統(tǒng)免疫系統(tǒng)的反應(yīng)。在研發(fā)出更穩(wěn)定、高效的新一代疫苗的同時，能夠讓更多的人接種到疫苗。

文獻[69]應(yīng)用ML預(yù)測S蛋白，通過研究SARS-CoV2的整個蛋白組發(fā)現(xiàn)nsp3、3CL-pro和nsp8-10對病毒黏附和宿主入侵至關(guān)重要。SARS-CoV-2 S蛋白具有最高的保護性抗原評分，被評為最有利的候選疫苗，此外，還選擇了nsp3蛋白做了進一步研究[70]。預(yù)測的疫苗靶點具有COVID-19疫苗的潛力，但還需要在臨床研究中進一步評估。表4對如今的疫苗進行分類和匯總。

表4 2019冠狀病毒疫苗匯總Table 4 Summary of COVID-19 vaccine

2.6 AI在藥物再利用中的應(yīng)用

開發(fā)治療疾病的藥物分為：傳統(tǒng)藥物開發(fā)和藥物再利用[71]。傳統(tǒng)方式需要從構(gòu)建新的基于分子單位的新型化合物開始，并且還需要經(jīng)過臨床研究、新藥申請和上市監(jiān)測等多個步驟才能投入使用，這個過程可能需要經(jīng)過12~15年和超過數(shù)十億才能完全進入市場[72]。而藥物再利用是指將已批準的藥物用于治療新的疾病，這顯著降低了開發(fā)成本并簡化藥物審批程序[73]。即便如此仍有數(shù)十億的現(xiàn)有藥物需要篩選，但AI的出現(xiàn)加快了這一進程，通過AI進行計算模擬，以加快篩選數(shù)十億現(xiàn)有藥物與新型冠狀病毒蛋白相互作用以及破壞它們的能力，然后將入圍的藥物投入實驗，檢查那種藥物對病毒蛋白最有效，以獲得更好的治療效果。表5總結(jié)了當(dāng)前應(yīng)用AI發(fā)現(xiàn)已知的對病毒蛋白有效的現(xiàn)有藥物及其組合。

表5 AI在藥物再利用中的應(yīng)用匯總Table 5 Application summary of AI in drug repurposing

2.7 AI在遏制錯誤信息傳播中的應(yīng)用

由于信息的雪崩，這種流行病已經(jīng)演變成一場信息流行病。AI可以識別和刪除社交媒體上流傳的假新聞，遏制了謠言的傳播[82]。通過微信、微博等社交平臺的信息也可以增進大眾對新冠肺炎的認識，并收集和傳播及時和正確的信息，使人們對相關(guān)謠言有更清醒的認識，同時也應(yīng)該注意疏導(dǎo)謠言被揭發(fā)后引發(fā)的負面情緒[83]。此外，AI還可以清晰地展示治愈率、醫(yī)療保健的可及性和可用性，并且實時提供關(guān)于診斷、治療、癥狀譜系和治療結(jié)果方面的動態(tài)更新，這有助于營造出一種臨床醫(yī)生就在廣大公眾身邊的氛圍，幫助公眾克服恐懼和恐慌[84]。

2.8 AI在基因組測序和分析中的應(yīng)用

基因組測序是實現(xiàn)疾病診斷、藥物研制、疫苗研發(fā)的基礎(chǔ)。SARS-CoV-2基因組的大小約為30 KB，快速檢測基因全組極其困難。國內(nèi)外互聯(lián)網(wǎng)公司紛紛為病毒基因組測序與分析提供一切AI算力，以支持病毒基因測序，將常規(guī)人工病毒基因組測序數(shù)數(shù)小時的工作內(nèi)容縮短至兩個小時，全基因分析流程也由數(shù)個小時縮短至半個小時，且有效防止因病毒變異而產(chǎn)生的漏檢。為科研學(xué)者檢索復(fù)雜龐大的遺傳和基因組數(shù)據(jù)庫提供了便捷。序列模式挖掘算法（sequential pattern mining，SPM）是一種在計算機可理解的COVID-19基因組序列語料庫中尋找隱藏模式的數(shù)據(jù)挖掘技術(shù)，它揭示了核苷酸堿基的常見模式及其相互關(guān)系，并且該方法并不局限于SARS-CoV-2病毒，也可以用于分析其他人類的方向[85]?？梢杂行У亟沂娟P(guān)于病毒突變、毒株和臨床癥狀的最新信息。利用SPM發(fā)現(xiàn)基因組中隱藏的重要信息，有助于加快生物學(xué)研究，對理解生物遺傳機理意義非凡。

3 面臨的挑戰(zhàn)以及未來研究方向

AI具有巨大的潛力，可以顯著地用于抵抗和緩解新冠肺炎疫情所帶來的影響。除了具有以上所提到的優(yōu)點和成果之外，還存在一些與實施AI相關(guān)的挑戰(zhàn)和限制，需要加以評估和解決。以下為新冠疫情期間應(yīng)用AI所面臨的一些挑戰(zhàn)。

3.1 缺乏標準數(shù)據(jù)集

如上所述，為抗擊新冠疫情，目前已提出很多種AI模型，但是并沒有使用相同的數(shù)據(jù)集進行測試，因此，從業(yè)者和醫(yī)生無法得出相一致的結(jié)果。以文獻[86]和[87]中的模型為例，分別獲得：準確率（82.9%、98.27%）、特異性（80.5%、97.60%）和敏感性（84%、98.93%），但使用不同的數(shù)據(jù)樣本，所以無法選擇應(yīng)用哪種模型對抗新冠疫情。所以建立標準的統(tǒng)一的關(guān)于COVID-19的數(shù)據(jù)庫是尤為重要的[88]。

3.2 缺乏交叉驗證

在基于對歷史數(shù)據(jù)的研究領(lǐng)域中，在快速產(chǎn)生的數(shù)據(jù)上學(xué)習(xí)總是存在灰色地帶和不確定性的可能性，最終可能會導(dǎo)致相關(guān)隱形風(fēng)險。大多數(shù)文獻缺乏對其訓(xùn)練模型的交叉驗證，這可能會導(dǎo)致政策制定者和醫(yī)務(wù)人員做出決策存在偏見。因此，科研工作者對其所提出的算法模型進行交叉驗證是十分必要的[88]。

3.3 缺乏隱私安全

對于抗擊新冠肺炎AI的實施，需要大量的數(shù)據(jù)來訓(xùn)練模型，這些數(shù)據(jù)包括X光圖像、CT掃描、患病史、GPS定位和活動軌跡。然后，這些數(shù)據(jù)被用來訓(xùn)練模型，這些模型可以幫助病毒預(yù)測、診斷和檢測、制定政策以及疫苗和藥物的研發(fā)和生產(chǎn)。然而，如果沒有正式宣布或要求，出于隱私和安全考慮，沒有人希望與他人分享他們的個人隱私。因此如何權(quán)衡在發(fā)揮模型性能的同時又保護個人隱私，這是值得考慮的。

3.4 AI落地困難

新冠疫情以其驚人的傳播力很快席卷全球，對全球各行各業(yè)都造成了沖擊。為應(yīng)對這場疫情，AI在本次抗擊新冠中發(fā)揮了不可替代的作用。雖然AI在本次抗疫的各個環(huán)節(jié)中都取得了顯著成果，但它的問題也很突出——落地難。疫情之前，很多AI技術(shù)的實現(xiàn)僅存在于實驗室或特定場景下，但是技術(shù)的開發(fā)終究要落到應(yīng)用，無法普及應(yīng)用，這些技術(shù)就無法落地，或者無法取得很好的落地效果。而這次疫情，恰好一塊試金石，篩選出那些實用的技術(shù)，同時也告誡科研人員技術(shù)不應(yīng)該只局限于實驗室，應(yīng)該出走實驗室，服務(wù)于大眾。

3.5 算法偏見

算法是AI與非AI的主要區(qū)別。算法的好壞將直接關(guān)系到是否可以從海量的數(shù)據(jù)中提取有用的信息并總結(jié)出規(guī)律（模型）。但若數(shù)據(jù)缺乏代表性、存在價值偏好，比如此次疫情老人和孩子由于抵抗力較差會產(chǎn)生比較多的數(shù)據(jù)，則這種歧視會帶到算法中，進而使結(jié)果帶有偏見。當(dāng)然數(shù)據(jù)并不是算法偏見的唯一誘因。由于算法是由算法工程師所設(shè)計，而當(dāng)設(shè)計者將自身價值觀所帶的偏見嵌入到算法中時，AI就會繼承這種思想，經(jīng)過多重的算法運作，這種偏見將會被進一步固化，進而使AI得到具有偏見的結(jié)果。因此如何確保算法得到的結(jié)果公平公正，將決定AI是否可以大規(guī)模普及應(yīng)用的關(guān)鍵。

3.6 基礎(chǔ)設(shè)施制約

此次疫情極大地提高了AI的應(yīng)用需求、擴大AI的應(yīng)用場景、延長了AI的應(yīng)用“觸手”，AI的大量應(yīng)用不僅減輕了人力資源負擔(dān)，同時避免了交叉感染的風(fēng)險。然而AI的有效發(fā)揮離不開軟硬件的支持，在一些欠發(fā)達地區(qū)，由于相對應(yīng)的基礎(chǔ)設(shè)施的匱乏和老舊，限制了AI的應(yīng)用，易造成疫情盲區(qū)，因此不能及時發(fā)現(xiàn)和隔離感染者，可能造成疫情局部大規(guī)模疫情暴發(fā)。因此升級傳統(tǒng)老舊基建的和新基建的建設(shè)對于充分發(fā)揮AI性能就變得尤為重要。這將取決于是否能夠及時發(fā)現(xiàn)和隔離感染者，以及最小化疫情所帶來的影響?；A(chǔ)設(shè)施與AI的關(guān)系，不是簡單的包含關(guān)系，而是相輔相成，基礎(chǔ)設(shè)施提高了AI的潛力，延伸了AI的應(yīng)用范圍；AI的未來探索與發(fā)展，將為新基建和傳統(tǒng)基建等各類基礎(chǔ)設(shè)施的運維保駕護航。

4 后疫情時代我國AI行業(yè)發(fā)展趨勢

自新型冠狀肺炎病毒疫情在全世界蔓延伊始，新冠疫情在“倒逼”產(chǎn)業(yè)改革的同時，這場病毒與科技的較量，正在成為AI產(chǎn)業(yè)創(chuàng)新能力的錘煉場。不少AI科技企業(yè)憑借強大的創(chuàng)新基因和技術(shù)手段，積極打造疫情防控落地的解決方案，各類AI技術(shù)應(yīng)用的新場景不斷出現(xiàn)，催生出全新的商業(yè)模式和商業(yè)流程，滿足多維度防疫和抗疫的需求?？梢灶A(yù)見，AI將深刻影響和改變?nèi)藗兩畹姆椒矫婷?。在疫情肆虐的?dāng)下及后疫情時代，“無接觸”這種發(fā)展趨勢和行為習(xí)慣開始被人們重視起來，使得AI有了絕佳的試驗場地，下面結(jié)合五個行業(yè)，淺談一下AI如何助力各行業(yè)打贏這場防疫戰(zhàn)。

4.1 醫(yī)療行業(yè)

如上所述，AI參與本次疫情防控的各個環(huán)節(jié)，很多AI技術(shù)都是首次亮相，大大加快抗疫進程。火神山醫(yī)院亮相的機器人豹小弟，可以完成一些基本的醫(yī)療任務(wù)，緩解了醫(yī)務(wù)人員緊張的問題。為縮短醫(yī)務(wù)工作者的閱片時間，騰訊開發(fā)的AI輔診方案最快可以一分鐘內(nèi)提供專業(yè)診斷結(jié)果參考，大大提高了醫(yī)生的診斷效率。AI應(yīng)用到醫(yī)療行業(yè)不僅大大提高了醫(yī)療利用率，而且避免了交叉感染，確保了防疫人員的安全。此次突發(fā)疫情向傳統(tǒng)醫(yī)療提出了極大挑戰(zhàn)，倒逼醫(yī)療改革，加快智慧醫(yī)療的轉(zhuǎn)型。

4.2 物流行業(yè)

AI在物流領(lǐng)域是較早投入使用的，由于本次疫情提倡零接觸，更是讓物流企業(yè)意識到了智能物流系統(tǒng)的重要性，加快了中國智慧物流的進程[89]?，F(xiàn)今物流行業(yè)中，AI的應(yīng)用主要體現(xiàn)在分揀、配送等初級場景，但物流活動遠不止這些環(huán)節(jié)。Zeng等人認為中國交通部門已經(jīng)使用了自動駕駛汽車、大數(shù)據(jù)、AI和機器人等服務(wù)，這些服務(wù)在這場流行病期間保障了必要的生活用品和醫(yī)療物資的持續(xù)供應(yīng)[90]。隨著AI的發(fā)展，它將貫穿于物流的各個環(huán)節(jié)之中，極大地提高用戶的滿足感和企業(yè)的科技感，同時也會催生出新的無接觸式物流模式。這是物流發(fā)展的必然趨勢，此次疫情更是加速了這一過程。

4.3 零售行業(yè)

突如其來的疫情對實體零售業(yè)造成了巨大的沖擊。從目前來看，精準營銷和智能客服發(fā)展較為成熟，智能化運營、商品識別分析的發(fā)展速度較快。將來供應(yīng)鏈網(wǎng)絡(luò)效率智能優(yōu)化的應(yīng)用將會產(chǎn)生更多的附加價值。文獻[91]指出在當(dāng)代零售行業(yè)中虛擬助手有效地降低了整體運營成本，并且?guī)椭蛻臬@得高度契合的產(chǎn)品推薦。由于提倡零接觸，無人零售的價值在本次疫情中真正體現(xiàn)出來，新的零售方式可以適應(yīng)較少與人接觸的要求，因此越來越多的人選擇網(wǎng)上購物，同時利用AI、物聯(lián)網(wǎng)、大數(shù)據(jù)分析和AR等新興技術(shù)可以更智能地分析用戶的需求，有效地為用戶創(chuàng)造更大的價值[92]。

4.4 制造行業(yè)

本次疫情對全球制造業(yè)造成了巨大的打擊，對于中小型制造企業(yè)來說，更是雪上加霜。在裁員節(jié)流的同時，紛紛將目光聚焦到AI，那些積極擁抱AI的制造業(yè)公司將有望從萎靡的經(jīng)濟中快速復(fù)蘇。Yang等[93]認為將企業(yè)原有的ERP、MES和PCS三層結(jié)構(gòu)轉(zhuǎn)變?yōu)槿藱C協(xié)同的管理決策系統(tǒng)和智能控制系統(tǒng)兩層結(jié)構(gòu)可以讓企業(yè)的生產(chǎn)更加綠色，同時減少人員的參與和增加企業(yè)效益。Anwarsha等[94]提出一種基于AI的機器故障診斷的方法，該方法在不需要人工參與的情況下不間斷檢測機器是否出現(xiàn)故障，以便及時發(fā)現(xiàn)并排除故障，減少企業(yè)損失。從當(dāng)前來看，我國制造業(yè)正處于轉(zhuǎn)變發(fā)展方式、優(yōu)化經(jīng)濟結(jié)構(gòu)、轉(zhuǎn)換增長動力的關(guān)鍵時期，2022年將繼續(xù)推進企業(yè)全面升級。AI、IoT和大數(shù)據(jù)等新興技術(shù)的發(fā)展將會助力傳統(tǒng)制造業(yè)的產(chǎn)業(yè)升級，加強科技融合。這次疫情更加快企業(yè)智能轉(zhuǎn)型步伐。

4.5 教育行業(yè)

疫情初期，伴隨著“停課不停學(xué)”的政策出臺，線上教育成為學(xué)生和教師的唯一選擇，并深刻地影響了學(xué)生、教師、家長的傳統(tǒng)教育思維。這不僅為線上教育行業(yè)提供了快速發(fā)展的契機，同時也為教育智能化、教育現(xiàn)代化按下了“加速鍵”，也于無形中推動了國內(nèi)教育行業(yè)的改革發(fā)展。Fu[95]指出大數(shù)據(jù)和AI的出現(xiàn)能夠幫助教育者更準確地了解到受教育者的信息、技能水平和學(xué)習(xí)習(xí)慣等信息，從而因材施教。同時大數(shù)據(jù)和AI可以根據(jù)學(xué)生的行為進行分析，并根據(jù)當(dāng)前的學(xué)習(xí)能力和現(xiàn)狀自動匹配最合適的相關(guān)課程，幫助學(xué)生遠離選擇難，實現(xiàn)知識升級的無縫銜接，提高學(xué)習(xí)效率[96]。AI與教育的深度融合，推動了教育理念、教學(xué)方式的創(chuàng)新，未來將有可能引領(lǐng)教育的系統(tǒng)性變革。

AI不是一個獨立的產(chǎn)業(yè)，它必須與其他產(chǎn)業(yè)結(jié)合，才能凸顯其價值。疫情以前，實際很多產(chǎn)業(yè)并不理解智能化的本質(zhì)，而后疫情時代，那些從疫情中幸存的企業(yè)將會積極主動地推進智能轉(zhuǎn)型。

5 結(jié)語

COVID-19以其驚人的傳播率在全球范圍內(nèi)大面積迅速傳播，對全球人民的生命財產(chǎn)安全造成巨大的威脅，這對全球的醫(yī)療衛(wèi)生資源提出了巨大的挑戰(zhàn)。而AI的助力，大大緩解了醫(yī)務(wù)人員的壓力，同時很大程度上提高了醫(yī)療診斷的效率。把AI應(yīng)用疫情防控的各個環(huán)節(jié)，加快了整個抗擊疫情的步伐，也避免了交叉感染的風(fēng)險。辨證來看，這次疫情無疑是一場災(zāi)難，但同時也倒逼著各行各業(yè)產(chǎn)業(yè)升級，加快AI在各行業(yè)的滲透，助力各行各業(yè)共同打贏這場抗疫攻堅戰(zhàn)。