《乌镇指数:全球人工智能发展报告2017》显示,2012-2016年,全球人工智能企业新增5154家,是此前12年的1.75倍;融资规模达224亿美元,仅2016年的融资规模就达到92.2亿美元,是2012年的5.87倍。
具体到中国市场,2016年涉及人工智能的企业就超过1477家,一年融资27.6亿美元。
数据显示,截止2017年12月,全球人工智能相关专利总数约20万份,而这一数据在5年前还只是10万;中国相关专利量超过4万,超过美国成为全球拥有人工智能专利数最多的国家。从专利申请数量、专利授权数量、专利价值评估等多维度来看,哪些企业在人工智能这一风口行业里能够独占鳌头?又有哪些高校科研院所和知识产权服务机构在这一领域默默耕耘,并且收获颇丰?
中国人工智能专利数及企业分布
人工智能领域创新力企业TOP10 | ||||
排名 | 企业名称 | 创新力指数 | AI领域发明专利申请量 | AI领域发明专利授权量 |
1 | 百度 | 91 | 731 | 216 |
2 | 腾讯 | 88 | 544 | 164 |
3 | 科大讯飞 | 87 | 208 | 120 |
4 | 联想 | 85 | 409 | 225 |
5 | 搜狗 | 83 | 163 | 71 |
6 | 阿里巴巴 | 81 | 458 | 36 |
7 | 华为 | 79 | 513 | 169 |
8 | 奇虎360 | 78 | 219 | 79 |
9 | 海康威视 | 76 | 79 | 42 |
10 | 商汤科技 | 75 | 49 | 4 |
创新力指数=发明申请专利*30%+发明专利授权*20%+PCT国际专利申请*20%+技术专业度*15%+技术市场估值*15%
最具创新力高校科研院所TOP10 | ||||
排名 | 高校科研院校名称 | 创新力指数 | AI领域发明专利申请量 | AI领域发明专利授权量 |
1 | 西安电子科技大学 | 92 | 668 | 353 |
2 | 中科院 | 92 | 618 | 380 |
3 | 浙江大学 | 90 | 703 | 280 |
4 | 清华大学 | 84 | 557 | 257 |
5 | 北京航空航天大学 | 82 | 554 | 220 |
6 | 上海交通大学 | 81 | 592 | 186 |
7 | 电子科技大学 | 79 | 483 | 206 |
8 | 华南理工大学 | 78 | 500 | 193 |
9 | 天津大学 | 75 | 435 | 170 |
10 | 北京工业大学 | 73 | 359 | 170 |
创新力指数=发明申请专利*50%+发明专利授权*30%+专利授权通过率*20%
人工智能影响力榜单
国内,北京、长三角、珠三角是产业重心,企业总数占全国的84.95%,而中西部地区集中于重庆、四川。32个省市区中在企业数、专利申请数、融资数均排名前十的有:北京、上海、广东、江苏、浙江。北上深三地人工智能企业最多,而苏州人工智能领域专利量存有3000多条,相关企业影响力、融资影响力、专利影响力榜单上排名靠前,稳居全国前十。
AI医药大健康
现今,人工智能应用于各个行业领域。其中,在医药健康领域的应用已是大势所趋。对人工智能在医药健康领域的应用主要基于多方面的客观现实:优质医疗资源供给不足、成本高、医生培养周期长、误诊率高、疾病谱变化快和医疗服务需求持续增加等。
一、AI在医药健康领域的应用现状
它将代替医生诊断某些疾病或做出人类大脑本身无法做到的一些高智能运算,基于大数据来选择最佳的治疗方案和预后预测等。
在智能影像识别方面,人工智能的应用主要分为两部分:一是图像识别,应用于感知环节,其主要目的是将影像进行分析,获取一些有价值意义的信息;二是深度学习,应用于学习和分析环节,通过大量的影像数据和诊断数据,不断对神经元网络进行深度学习训练,促使其掌握诊断能力。
作为医生,从CT、核磁共振等图像判断一个非常小的阴影,是肿瘤是炎症还是其他原因,需要丰富临床经验的积累。如果通过大数据,通过智能医疗,就能够迅速得出比较准确的判断。
随着深度学习算法的逐渐普及,通过建立深度学习神经元数学模型,从海量医疗影像诊断数据中挖掘规律,学习和模仿医生的诊断技术,从而给出可靠诊断和治疗方案,现已成为发达国家医院不可缺少的医疗组件。
在智能药物研发方面,则是将人工智能中的深度学习技术应用于药物研究,通过大数据分析等技术手段快速、准确地挖掘和筛选出合适的化合物或生物,达到缩短新药研发周期、降低新药研发成本、提高新药研发成功率的目的。人工智能通过计算机模拟,可以对药物活性、安全性和副作用进行预测。目前借助深度学习,人工智能已在心血管药、抗肿瘤药和常见传染病治疗药等多领域取得了新突破,在抗击埃博拉病毒中智能药物研发也发挥了重要的作用。
二、AI是药物研发的未来
人工智能对药物研发的助力包括:
• 越来越多的新型疾病,让当今社会投入更多的人力、物力和财力进行药物开发。但由于药物研发的困难度和耗时导致药企急需更快速有效的研发方式。
• 新药研发通常需要10-15年的临床试验进行药物比例和品种的调整,其成功率不足15%,繁复冗长、资本密集且风险极高,而人工智能能够模拟出各种不同的新陈代谢率、身体素质等环境,还能够通过疗效和副作用主动筛选匹配药物,检测出药物进入人体后的吸收、分布、代谢情况,还能够帮助研发人员确定药量-浓度-功效之间的关系等,让研发人员能够较为直观、快速的对新药进行观测,加快新药研发步骤。
来自TechEmergence的一份报告表明,人工智能可以将新药研发的成功率从12%提高到14%,可以为生物制药行业节省数十亿美元。一篇发表在科学杂志《SpringerPlus》上的文章指出,一款新药从最初的专利申请到获得监管部门批准平均需要12到13年,最后只剩下7到8年的专利保护期获得市场排他性。
三、AI在医药健康领域的机遇和挑战
中国的医疗资源缺乏,尤其是优质医疗资源严重不足。在大力加强专业医疗人才的培养的同时,人工智能就是一个创新的解决办法。如位于英国伦敦的BenevolentAI是如今欧洲最大的AI创业公司,该公司运用人工智能技术分析不断涌现的生物医疗论文、专利和实验结果,提取出有希望促进新药研发的知识,从而加速新药的开发。迄今为止,该公司已经获得了超过1亿元的融资,开发出了24个候选药物。
AI在医疗诊断方面的应用在国内刚刚起步, AI可以满足高端和低端两个方向:“高端”是指为三甲医院的专科提供服务;而“低端”是针对基层全科医生的诊断系统,与专科诊疗系统不同,基层全科医生的诊断系统更注重常见病的诊断治疗,标准临床路径的执行等。
在医疗中实施机器学习和人工智能会遇到很多众所周知的挑战:第一是缺乏“专业数据库”,而另一个就是设计技术解决方案,并顺利将其运用到临床实践和科研中去。AI领域中流行着这样的一句话“只要有足够的数据,任何问题都可以解决”。这句话未必全对,但从侧面说明了数据在AI应用中的重要性。我国的患者资源非常丰富,但是但有高质量完整的临床标注的数据库资源并不多。产品做出来之后如何在医疗系统中落地也是难题,一个医院可能有几十家系统厂商和上百个数据接口。
四、医学AI落地需要全产业链配合
要真正使医疗产业的人工智能化落地,还需要依托全产业链包括医疗主管部门、医疗机构的参与和信息化服务商等各个环节的共同努力。在产品的设计和研发上,需要数学家、计算机科学家或医学专家的联合攻关,任何单一力量都无法实现产品的推出。
同时,国家应该发力“追赶”,可以成立国家级的医学人工智能工程中心,由国内在医学、药学、信息技术专业具备一流水平的综合性高等院校牵头,吸引大数据应用企业、人工智能开发企业、药品研发企业等共同参与,加速研发更多适用于国人的人工智能医学系统,满足我国医疗领域的应用需求。让人工智能在医药界作用的发挥极致,造福百姓健康。