人工增雪

全国两会召开前夕，全国政协委员、中国气象局局长郑国光接受记者专访时，否认中国的人工增雨(雪)会污染环境和既不安全又不划算的说法，称中国人工增雨(雪)投入产出比最高可达1∶50。 　　3月干旱可能性较大 　　谈到当前粮食主产区旱情时，郑国光指出，冷空气活动频繁，副热带高压异常偏弱，水汽难以输送到华北、黄淮，造成北方冬麦区长期干旱。 　　郑国光介绍，上周末降水偏南，安徽北部旱情缓解，河南、山东、山西大部旱情缓和，仅剩山东北部和华北中东部旱情持续。预计3月有弱降水，考虑到气温上升、蒸发加大，干旱持续可能性较大。 　　旱情不会影响夏粮产量 　　外界猜测，干旱持续，冬小麦长势会不会出问题?夏粮产量会不会受影响? 　　“我想给大家一颗‘定心丸’。”郑国光回应称，2月25日前冬麦区深层墒情尚好，2月25日—27日“喜雨”，表层墒情改善，干旱影响还不明显。通过监测，华北南部和西北东部及其以南地区土壤解冻，除河南中西部、山东中北部、安徽北部等墒情较差外，冬麦区其余大部解冻区墒情适宜。 　　增雨催化剂安全值得放心 　　不少人担心人工增雨(雪)会有“后遗症”，会污染环境，另外还有人称既不安全也不划算。 　　对于上述担心，郑国光强调，中国人工增雨(雪)主要采用干冰、液氮、碘化银等催化剂，具有很高的成冰能力。干冰、液氮汽化后成为二氧化碳和氮气，这些都是空气组成部分，不会造成污染。碘化银用量极小，也不会污染环境。因此，可以完全放心。 　　未来几月将继续增雨(雪) 　　郑国光说，我国人工增雨(雪)所用飞机大都租用，增雨火箭弹型号每枚价格为1200—2500元不等，每次每个火箭作业点一般使用3—15枚。据统计，我国人工影响天气的投入产出比为1∶30—1∶50。另外，通过加强管理和培训，增雨(雪)安全事故可能性降到最低。最后，郑国光透露，未来几月，气象部门将继续组织安排人工增雨(雪)。 　　■ 对话 　　“北京连续阴霾与增雪无关” 　　中国气象局官员称兔年年初增雪只有净化空气作用 　　针对北京年初的人工增雪问题，中国气象局人工影响天气中心副主任王广河称，2月连续4天出现阴霾，与人工增雪无关。 　　北京增雪效果约16% 　　记者：人工增雨(雪)需要什么条件? 　　王广河：人工增雨(雪)作业仅是锦上添花，做不到无中生有。所以，作业必须要有云和降水形成的天气条件，没有云无法作业。只有当天空有云，云里有小水滴或小雪晶时，人工增雨(雪)才能促使雪晶长大，并克服浮力成雪花降落。 　　记者：北京的增雪效果如何? 　　王广河：初步评估，2011年2月9—10日的降水过程中，北京降水总量逾3000万吨，人影作业增加降水量达500万吨，平均增雨(雪)效果约16%。 　　增雪可冲刷空气中污染物 　　记者：2月9日—13日，北京连续进行人工增雪作业。2月20日到23日，北京连续4天出现雾霾天气，有人怀疑这与人工增雪有关，他们认为增雪污染了空气。 　　王广河：人工增雨(雪)作业对空气只有净化作用，不会污染，因为降了雨雪，可以将污染物冲刷下来。 　　记者：增雨(雪)会否对人体和环境造成污染? 　　王广河：北京兔年初雪，人工增雪燃烧了1200多个碘化银烟条，每根烟条约含碘化银11克，共13公斤。此次作业区面积约1万平方公里，每平方公里仅有 1.3克，属微量，仪器都很难检测出来。因此，不存在长期或大量接触银的问题，不会对环境和人体造成伤害，这一点在一些国际和国内的监测数据均得到证实。 　　增雪对下游降水影响有限 　　记者：天气系统一般经过好多地方，人工增雨(雪)会不会导致上游抢下游水? 　　王广河：天气系统移动中不断有水汽补充，人工增雨(雪)增水量十分有限，因此对下游降水影响十分有限。而且，现在的人工增雨只会小范围影响雨水资源在空中的分布。目前还没有找到证据证明，大规模的人工增雨(雪)能大范围、跨区域影响天气。 　　■ 数据 　　飞机增雨(雪)163万平方公里 　　本报讯 (记者林文龙)昨天下午，中国气象局举行3月新闻发布会，通报了2010年10月1日至2011年2月28日我国北方冬麦区气象旱情，称共增雨(雪)4428次。 　　中国气象局应急减灾与公共服务司司长、新闻发言人陈振林介绍，从河北、山西、山东、河南、江苏和安徽6省的平均降水量等分析，此次干旱程度和范围列1961年以来历史同期第4位，是二十一世纪以来历史同期最严重气象干旱。 　　陈振林介绍，截至2月28日7时，气象部门共实施飞机人工增雨(雪)作业132架次，飞机累计飞行作业逾258小时，飞机累计作业飞行面积逾163万平方公里，作业4428次。其中，2月25至27日，增雨(雪)效果显著。

近期，“人工淀粉”的新闻火爆全网。中科院天津工业生物技术研究所经过6年技术攻关，在国际上首次实现了二氧化碳到淀粉的从头合成。不依赖植物光合作用，设计人工生物系统固定二氧化碳，合成淀粉，“喝西北风”从一句笑谈变成了现实，这一成果被国际学术界认为将是影响世界的重大颠覆性技术。人工合成淀粉火爆全网的背后是合成生物技术的强力支持，可以称得上是合成生物学巨大的进步，也是人类开启“造物”时代的一个标志性事件。　　01 合成生物学开启“造物”时代　　合成生物学也被称为“工程生物学”，旨在阐明并模拟生物合成的基本规律，设计并构建新的、具有特定生理功能的生物系统，从而建立药物、功能材料、能源替代品等的生物制造途径。合成生物学的主要研究内容分为三个层次：一是利用现有的天然生物模块构建新的调控网络并表现出新功能 二是采用从头合成方法人工合成基因组DNA 三是人工创建全新的生物系统乃至生命体。合成生物学是生命科学在21 世纪新的分支学科，打开了从非生命的化学物质向人造生命转化的大门，为探索生命起源与进化开辟了崭新的途径。作为科学界的新生力量，合成生物学进展迅速，并已在化工、能源、材料、农业、医药、环境和健康等领域展现出广阔的应用前景。　　举例来看，合成生物学能利用大肠杆菌生产大宗化工材料，摆脱石油原料的束缚 利用酵母菌生产青蒿酸和稀有人参皂苷，降低成本，促进新药研发 工程菌不“误伤”正常细胞，专一攻击癌细胞 创制载有人工基因组的“人造细胞”，探究生命进化之路 利用DNA储存数据信息并开发生物计算机… … 　　在我国，2006年合成生物技术的研究就被列入了国家863计划，在“十三五”期间也将合成生物技术列为“构建具有国际竞争力的现代产业技术体系”所需的“发展引领产业变革的颠覆性技术”之一 麦肯锡咨询公司将合成生物技术评价为未来的十二大颠覆性技术之一 2014年，美国国防部将其列为21世纪优先发展的六大颠覆性技术之一 英国商业创新技能部将合成生物技术列为未来的八大技术之一。　　2021 年上半年，合成生物学领域融资达到 120 亿美元，同比增长 4 倍。医疗保健领域吸引了合成生物学最大份额的投资，承担了合成生物学的大部分转化和商业化。一方面扩大了治疗药物的制造能力，另一方面也为更多患者带来了治愈的希望。　　●合成生物学彻底改变了一些高需求小分子药物的生产，例如微生物生产青蒿素和大麻素，以取代传统的植物来源。美国科学家曾成功构建人工细胞工厂生产青蒿素，100立方米工业发酵罐的产能就相当于5万亩的农业种植，大幅降低了生产成本和对自然资源的依赖。　　●使用冷冻干燥的无细胞系统以便携式、按需的方式生产治疗分子：从小分子、短肽到抗体结合物和疫苗。　　●促进了一类新的基于细胞的疗法和基因疗法的发展。除了基因替代疗法之外，CRISPR-Cas系统可以对遗传病进行精确的基因编辑。　　●改造免疫细胞的能力也正在扩大到T细胞以外，包括NK细胞和巨噬细胞。　　●为肠道微生物的改造提供了工具：一方面，可以设计改造对人体有益的细菌，让它们生产人体自身不能合成的维生素等营养物质 另一方面，可以设计出感知肠道环境变化的“智能微生物”，对人体内的健康状态进行检测和诊断。　　●抗击新冠肺炎疫情中，合成生物学技术发挥了重要作用，利用DNA条形码技术改进测序流程、利用基因编辑技术开发核酸诊断试剂，提高诊断的准确性和灵敏度。　　●利用合成生物学技术还可以寻找潜在的小分子药物、开发疫苗，以及通过调节人体微生物组来激活人体免疫系统，提高人体抗病毒能力。　　●基于合成生物学的智能细胞疗法，利用合成生物学的控制技术，做智能化、可控化的细胞疗法或基因疗法。”　　02 从追赶到引领 国内企业加速布局　　从产业链布局的角度来看，合成生物学的公司可以分为两类：一类是实现从基因编辑到产品落地的全产业链公司，既有合成生物学技术储备，又有市场化产品落地 另一类是以服务为主，提供基因编辑和细胞工厂的研发型公司，业务以提供合成生物学技术支持为主，产品以代工厂生产为主。从盈利模式来看，全产业链布局的公司中短期内有望通过替代化学法更快实现盈利 而以服务为主的研发型公司将在合成生物学行业生态建立起来后，通过更高效专业地为大量代工企业服务获利。截止目前，国外从事合成生物学领域的公司已经近 500 家，国内相关领域的公司也多达数十家。　　凯赛生物　　2020年8月12日，凯赛生物在科创板上市，成为国内合成生物第一股。凯赛生物着重于新型生物基材料的研发、生产与销售，主要产品为生物法长链二元酸系列。凯赛生物在此次公开发行中合计募资55.6亿元，所募资金将用于提升公司生物法长链二元酸、生物基聚酰胺产品的品类和产能，完善公司在聚酰胺产业链的布局。　　博雅辑因　　博雅辑因成立于2015年，司是一家以基因组编辑技术为基础，为多种遗传疾病和癌症加速药物研究以及开发创新疗法的生物医药企业。博雅辑因拥有以基因编辑技术为中心的四大平台，正致力于推动针对遗传疾病和肿瘤的研发项目进入临床。四大平台包括针对造血干细胞和T细胞的体外细胞基因编辑治疗平台，基于RNA单碱基编辑技术的体内基因编辑治疗平台和致力于靶向药物研发的高通量基因组编辑筛选平台。同时，博雅辑因于2018年在广州南沙区建立了符合GMP标准的临床转化应用基地。　　蓝晶微生物　　蓝晶微生物基于合成生物技术进行分子与材料创新，致力于设计、开发、制造和销售新型生物基分子和材料，包括在所有自然环境中均可自发完全降解的生物材料PHA、可有效缓解焦虑的功能饮料成分、补偿人体常见代谢缺陷的新型功能益生菌、医美及美妆赛道的功能成分等。蓝晶微生物前不久完成了4.3亿元人民币B2轮融资。6个月内，蓝晶微生物B系列的融资总额已超过6亿元人民币。　　传奇生物　　传奇生物于2020年6月5日正式在美国纳斯达克上市，本次上市发行定价为23美元/ADS(美国存托股份，每份ADS代表8股A类普通股)，总计发行1842.5万ADS，总募资金额超4亿美元。传奇生物是一家肿瘤细胞免疫疗法研发商，研发了CD38和BCMA靶点治疗多发性骨髓瘤的CAR-T疗法，利用自身免疫细胞，经体外基因改造后重新注射回病人体内，并利用这种强化过的免疫细胞精准靶向，杀死肿瘤细胞，主要用于治疗血癌和淋巴癌。　　百葵锐生物　　百葵锐生物成立于2019年，致力于合成生物学技术在医药高效生物合成。公司基于蛋白精准设计和蛋白分子机器技术的全态链合成生物学平台，以实现生物医药、生物材料的创新、高效、绿色制造。百葵锐生物团队通过搭建蛋白精准设计和蛋白分子机器技术平台，专注于皮肤功效护肤，罕见代谢病，宠物肠道健康治疗等领域，用基因编辑等合成生物学技术手段，针对影响人类身体健康的有害细菌或有害毒素进行靶向性治疗。

光谱是超越人眼限制，让大家感受更高维度世界的一种重要方式。光谱技术的新发展改变大家对传统技术认知的同时，也在改变着大家的生活。特别值得一提的是，随着信息技术的迅速发展，科技进入了数据爆发的阶段，光谱数据也日益呈现出大数据的特点，传统的数据处理方法已经难以满足人们对光谱数据的处理和分析需求。近年来，人工智能和机器学习技术的快速发展为光谱大数据的挖掘和分析提供了新的解决方案，人工智能赋能的光谱仪器新产业迎来了新的时代，同时也为行业带来更多的发展机遇。当光谱技术插上人工智能的翅膀，能给产业带来什么样的机遇和挑战？日前，仪器信息网特别采访了南开大学邵学广教授，请他从专业的角度谈一谈人工智能赋能光谱产业将带来怎样的变革。以下为视频采访详情：人工智能或催生新型光谱仪仪器信息网：您预期人工智能将给科学仪器行业，特别是光谱产业带来哪些影响或者变革？邵学广教授：目前，人工智能的话题特别火热，对众多行业和产业也产生了较深远的影响。对于科学仪器，尤其是光谱仪器行业，人工智能既带来了机遇也提出了挑战。我本人也还在学习人工智能技术和方法的过程中，对其有深入和全面理解尚需时日。但是，我认为人工智能将对科学仪器行业产生多方面的影响，也会带来很多变革。在仪器设计方面，今后可能会出现更多基于新型原理的光谱仪器；在生产过程中，人工智能技术更有利于生产的智能化；更为重要的是，人工智能在信号处理，特别是数据分析方面的影响会更大。传统的基于单变量、单波长进行峰位置和形状分析的方法或许已不再适应时代需求了，取而代之的是基于多元数据的多维度分析方法，特别是以深度学习模型为基础的人工智能分析方法，这无疑将对我们的仪器设计、生产以及后续应用带来巨大变革。仪器信息网：现阶段，光谱和人工智能如何更好地结合才能赋能产业的发展？在这样的思路下，有哪些新型的光谱仪器值得期待？邵学广教授：我认为人工智能与仪器的结合主要体现在三个层面：仪器的结构与设计、生产以及应用。前面我所提到的数据处理方法的革新，对仪器的要求也会随之改变。传统而言，仪器设计侧重于单变量和单波长，以确保光谱波长的准确性和测量的高精度。然而，基于多元校正和人工智能的新型分析方法，可能会对波长准确性的要求有所降低，但却对仪器的稳定性和不同波长间的差异性提出更高要求。因此，新型仪器在结构上可以进行创新，不必过分强调波长的准确性，而应强调稳定性。基于这一原理，已经有新型的仪器设计问世，例如多元光谱仪，它已经打破了传统光谱仪的结构，无需分光，可以直接对混合光进行检测从而获得结果。未来，基于深度学习模型的分析方法也可能会对仪器提出新的要求。目前，这种设计可能还尚未出现，但随着技术的发展，相信在不久的将来会看到这样的创新仪器。“人工智能可解决传统化学计量学的难题”仪器信息网：您如何评价当前我国近红外光谱技术的应用现状？邵学广教授：近红外光谱技术在我国的发展已经非常出色，无论是在科研还是应用方面，都已经取得了非常好的成果。虽然我们已经谈论了很多，但未来的前景仍然非常广阔。尽管我们已经在很多领域中使用了这项技术，但深入到各个行业中仍有很大的发展空间，特别是对于那些我们不太熟悉的行业。最近，我听说近红外光谱技术在农业领域中得到了广泛应用，同时在化工行业和其他特殊环境下的应用也具有很大的潜力。现在比较强调将在线光谱仪应用于实际场景中，这对我们的仪器制造行业提出了更高的要求。仪器信息网：贵课题组在相关层面具体开展了哪些工作？在仪器、技术、算法及应用等方面有什么样的突出成果？未来有什么样的科研计划？邵学广教授：其实对于化学计量学来讲，人工智能是对其提供了新的技术和方法，因此我们可以通过人工智能技术解决传统化学计量学难以处理的问题。我们课题组的主要工作集中在三个方向。首先，近年来我们致力于近红外光谱建模及相关数据处理、变量选择、模型转移等方法的研究，这些方法已日趋成熟。因此，我近期的工作重点是制定一些应用流程的相关标准和基本步骤，希望可以帮助大家按照这些流程操作做出优秀的模型。其次，我们利用化学计量学和人工智能技术在光谱分辨率方面开展了一系列工作。特别是我们成功解析了水的光谱高分辨结构，从而可以用水作为探针来探究化学体系和生物体系中的结构变化和相互作用，我们称之为“水光谱探针”。下一步，我们计划将水光谱探针技术应用于成像分析，并且希望建立无需外源探针的方法，直接利用体系中无处不在的水分子作为探针进行成像。这项工作可能在未来的几年中有些许突破。最后，在仪器方面，我们基于多元分析的多元校正原理设计了多元光谱仪。尽管基本的思路和框架已经设计出来，但由于知识方面的欠缺，我们希望能够与电气和光学领域的伙伴合作，希望在未来的1-2年内能有所突破。拥抱人工智能，这些问题亟待解决仪器信息网：在人工智能赋能光谱产业过程中，技术、应用、人才以及产业模式等层面还面临哪些问题？邵学广教授：确实，我们面临着一些挑战，当前主要体现在人才培养方面。仪器行业是一个交叉学科，融合了光学、电子学、机械制造以及计算机科学、数学等多个学科的相关知识，然而在教育方面，特别是大学教育仍然按照数学、物理、化学等传统的学科体系进行布局。以分析化学学科为例，虽然该学科在化学技术方面有了深入的研究，但在仪器学、数学、计算机科学，特别是人工智能等领域的教学上还相对缺乏。这也导致了相关人才供应的短缺，有些知识许多本科生在本科阶段基本没有接触过，等到研究生阶段才有少数研究生学习过。这就使得我们在实际工作中不得不现学现用，从而对技术推广造成了一定的阻碍。为此，我认为我们可以通过学会、协会，多做一些基础知识推广的工作，以便更好地培养出符合行业需求的人才。仪器信息网：您对仪器研发及应用的同行们有什么样的建议？邵学广教授：我希望我国的仪器制造行业或厂家未来能够做好三个方面的工作。第一，提高现有仪器的质量稳定性，如果未来分析方法发生变化，那么对仪器的性能要求也会有所不同，希望厂家能够做好准备；第二，根据应用场景的需求对仪器进行改进调整，紧跟形势以适应不同的场景分析或工况分析；第三，希望厂商能多关注新型原理的研究，特别是多元光学和基于多元多变量的光学仪器。目前，这方面的研究还比较薄弱，希望厂家能够多给予关注和支持，共同推动这项技术的发展。

p 　　2018年8月2日，央视网消息(新闻联播)：“经过四年研究攻关，中国科学院研究团队与国内多家单位合作，在国际上首次人工创建了单染色体的真核细胞，这也是继人工合成结晶牛胰岛素之后中国科学家在合成生物学领域取得的又一重大突破。这一成果8月2日在国际学术期刊《自然》在线发表。” /p p 　　据小编细查，新闻中提及的中科院团队具体为中国科学院分子植物科学卓越创新中心/植物生理生态研究所覃重军研究组为主的研究团队。该团队完成了将单细胞真核生物酿酒酵母天然的十六条染色体人工创建为具有完整功能的单条染色体。该项工作表明，天然复杂的生命体系可以通过人工干预变简约，自然生命的界限可以被人为打破，甚至可以人工创造全新的自然界不存在的生命。 /p p 　　新闻里屡屡出现贝克曼库尔特流式经典产品——MoFlo& #8482 XDP 超速流式细胞分选系统。其实在科学家的杰出成就中，MoFlo& #8482 XDP的出现绝非偶然，甚至可以说是必备神器。因为作为世界上最强大的流式分选系统之一，MoFlo很早就建立了流式分选的金标准，它为推动细胞分选在科学界的应用做出了杰出贡献，在全球科学家中独享盛誉。此次MoFlo再度建立了流式分选的金标准，引领了流式分选的新潮流。 /p p style=" text-align: center " img width=" 557" height=" 428" title=" 微信图片_20180810174744.jpg" style=" width: 458px height: 281px float: none " src=" http://img1.17img.cn/17img/images/201808/insimg/e8f71d02-791c-4da8-87cd-781927f1a7e3.jpg" / /p p style=" text-align: center " img width=" 557" height=" 447" title=" 微信图片_20180810174751.jpg" style=" width: 455px height: 253px float: none " src=" http://img1.17img.cn/17img/images/201808/insimg/81b029b9-a828-4fc6-991c-2f3afc55e42e.jpg" / /p p 　　2018年是MoFlo系列产品诞辰30周年，自1988年问世以来MoFlo以其优越的性能，高活性、高纯度、高得率、超高速度一直引领着流式细胞分选仪的技术发展。从最早的Cicero、MoFlo Legacy到如今的MoFlo XDP、MoFlo Astrios EQ，MoFlo不断帮助科学家们登上一座座科学新高峰。染色体分选、精子分选、干细胞分选、痕量细胞分选、以及现在热门的单细胞分选、微颗粒分选，贝克曼库尔特生命科学部与科学家们一起不断让其进步，以满足日益增长的科研需求。 /p p style=" text-align: center " img width=" 599" height=" 255" title=" 微信图片_20180810174758.jpg" style=" width: 461px height: 196px " src=" http://img1.17img.cn/17img/images/201808/insimg/8b909348-f55f-48da-ab57-bb20313bb91a.jpg" / /p p style=" text-align: center " 　　 span style=" color: rgb(0, 176, 240) " strong 1.集高速、高活性、高纯度、高得率为一身 /strong /span /p p 　　MoFlo系列流式细胞仪位于市面上速度最快的流式分选仪前列。最高每秒钟200,000的液滴形成能力超过其他产品一倍以上。在70,000 EPS分选条件下仍能保持99%以上的纯度及90%以上的得率。其高活性受到业界广泛认可，是干细胞及其他脆弱细胞研究的首选。 /p p style=" text-align: center " 　 span style=" color: rgb(0, 176, 240) " strong 　2.多激光多参数 /strong /span /p p 　　在MoFlo系统上最多可以配置7根高功率激光，最多同时检测44个参数。可以满足您任何实验的需求。 /p p style=" text-align: center " img width=" 599" height=" 336" title=" 微信图片_20180810174806.jpg" style=" width: 442px height: 194px " src=" http://img1.17img.cn/17img/images/201808/insimg/526dbf61-a018-4aae-b7c7-fb2af3b5db4e.jpg" / /p p style=" text-align: center " 　 strong span style=" color: rgb(0, 176, 240) " 　3.超大数据存储量 /span /strong /p p 　　Summit软件有大于10亿事件的单文件存储能力，没有参数限制。让您在研究稀有痕量细胞时能看见明显的群体，而不是类似噪音的小点，结果更加可靠。 /p p style=" text-align: center " img width=" 600" height=" 322" title=" 微信图片_20180810174810.jpg" style=" width: 445px height: 220px " src=" http://img1.17img.cn/17img/images/201808/insimg/d97e8157-4587-433b-8150-330fa4df0d4a.jpg" / /p p style=" text-align: center " 　 strong span style=" color: rgb(0, 176, 240) " 　4.混合分选模式 /span /strong /p p 　　在MoFlo的系统中，不管你做几路分选都可以对不同的分选液路设置独立的分选模式。富集、纯度、单细胞模式，适应不同群落要求，同时完成实验，不用多次分选。并且能对一群细胞设置多种分选模式，既要纯度又要得率，珍贵样本绝不浪费。 /p p style=" text-align: center " 　 strong span style=" color: rgb(0, 176, 240) " 　5.不加电垂直分选 /span /strong /p p 　　单细胞测序最大的难题就是如何将一个目标细胞准确的分进仅有十几微升液体的管底。为了解决用户的难题，MoFlo独创不加电垂直分选功能。将废液流加电偏转，目标液滴不加电垂直下落，每一个目标细胞都可以精准的到达接受容器管底，不浪费您每一孔的努力! /p p style=" text-align: center " img width=" 599" height=" 218" title=" 微信图片_20180810174817.jpg" style=" width: 453px height: 176px " src=" http://img1.17img.cn/17img/images/201808/insimg/182637d7-9edb-4c9b-b479-d5dc03ad0571.jpg" / /p p style=" text-align: center " 　 strong span style=" color: rgb(0, 176, 240) " 　6.卓越的小颗粒检测能力 /span /strong /p p 　　具备增强型前向检测器(eFSC)的MoFlo Astrios EQ，将流式的颗粒分辨率带入纳米级别。细胞外囊泡、外泌体流式分析分选的时代已经到来! /p p style=" text-align: center " img width=" 601" height=" 466" title=" 微信图片_20180810174823.jpg" style=" width: 453px height: 250px " src=" http://img1.17img.cn/17img/images/201808/insimg/ac1191ca-a7f0-44c5-bdde-0270afb55c71.jpg" / /p p style=" text-align: center " 　　 strong span style=" color: rgb(0, 176, 240) " 7.IntelliSort II全自动分选设置及维持系统 /span /strong /p p 　　这么优秀的系统操作一定很复杂吧?No!No!No!有了IntelliSort II系统，分选设置只需依次点按三个扭，几分钟内分选设置自动完成。最重要的是还不需要微球哦!又快又省!而且系统还能自动维持分选状态，在一定范围内根据外部环境不断微调参数，保证从分选开始到结束效果始终如一。分选开始就可以干其他事情啦，让您可以真正实现walk away。 /p p br/ /p

国信证券 (002736 )发布研究报告称，“双碳”背景下合成生物学有望在未来5-10年保持高速增长，看好合成生物学在低成本替代现有材料及制备新材料的潜力，具备技术及成本优势的合成生物学企业竞争优势明显。合成生物学是一门发展迅速的前沿交叉学科，被誉为第三次生物技术革命，其下游应用广泛，需求正在不断扩张。合成生物学是一门融合了生物学、信息学、基因组学、 化学等多学科的交叉学科，在学习自然生命系统的基础上建立出人工生物，并制造出满足人类需求产品。合成生物学通过设计和构建细胞工厂，能够使细胞以淀粉、纤维素、CO2等可再生碳为原料，生产重要的化工产品、天然药物、食品、生物能源等产品，合成生物学相可以实现更高的转化效率、更低的成本，更友好的路线。我国大品种氨基酸产能充沛，小品种氨基酸如丙氨酸、缬氨酸、异亮氨酸、等亟需扩大产能、降低成本，通过合成生物学的手段，可有效降低小品种氨基酸生产成本。丙氨酸在食品、医药日化等领域具有广泛应用，丙氨酸生产的化工流程温度高、压力大、酸碱强，环境污染严重。目前，工业化生产丙氨酸采用发酵法和微生物酶法代替了原有的化学合成法丙氨酸，华恒生物利用合成生物方法改造微生物突破厌氧发酵技术，使丙氨酸的生产成本较酶法降低50% 缬氨酸可以改善母猪生产性能，提高动物免疫力，在饲料行业的需求快速增长，由于缬氨酸的合成途径属于丙氨酸衍生物类型，华恒生物在具备丙氨酸厌氧发酵技术后又突破了低成本缬氨酸生物发酵技术 通过人工合成酶对丙烯酸定向加氨形成了β-丙氨酸，较传统天冬氨酸脱羧法极大的降低了产品成本。全球丙氨酸市场自2016年3.5万吨增长至2019年5万吨，年化复合增长率为13%，预计丙氨酸市场在未来四年内继续保持稳定增长，在2023年将达到8万吨，同比2019年5.1万吨增长57% 近年来全球缬氨酸市场规模保持着迅猛增长态势，全球需求量从2016年的0.73万吨增长到2019年的3.25万吨，年复合增长率高达65%。尼龙66重要上游原材料己二腈等目前国内化率仍在提升中，生物基戊二胺可实现替代法生产，长链尼龙作为具有优异的耐磨性和耐低温性，其重要的上游原材长链二元酸(DC12及DC10)可通过合成生物学实现低成本制备。PA66主要应用领域为工程塑料和工业纤维，在汽车轻量化的趋势下其市场潜力较大，但PA66的上游原材料己二腈生产技术壁垒很高，差能由欧、美、日控制，国内仅能实现小部分生产，且成本高昂。合成生物学可通过利用赖氨酸脱羧的方式生产戊二胺，通过尼龙56对尼龙66实现替代。长链尼龙的重要原料长链双元脂肪酸传统合成方法为化学合成法或由蓖麻油分解制备，凯赛生物通过合成生物学利用简单的烷烃经过发酵即可廉价制备DC12及DC10，在全球市场占据了较高份额。营养素市场空间广阔，合成生物学大有可为。长链不饱和脂肪酸DHA及ARA对婴幼儿记忆力、思维能力及视网膜发育具有重要作用，广泛应用与婴幼儿配方奶粉及保健品，随着人们健康意识的提高，对DHA及ARA的需求不断增加。DHA的主要生产来源为深海鱼类，但随着海洋污染加剧，鱼油DHA存在食品安全风险，且鱼油含有大量EPA，限制了其使用范围，通过生物发酵法生产的DHA有效规避了这些分险，在DHA市场中的市占率不断提高。

在看到上面的那组狗狗的照片后，我们通常会根据长相（品种）、毛色、耳朵大小、脸型等特征对它们进行快速地比较和分类。这似乎是人类所擅长的。然而，如果针对狗狗下面那组蛋白质图像进行细胞分析，那显然那不是人眼人脑能胜任的工作；但一种新的人工智能就可以做到。众所周知，细胞功能失调是许多人类疾病的根源，包括心血管疾病、神经退行性疾病、糖尿病和癌症等。因此，解释蛋白质定位的多样性和复杂性对于充分理解细胞结构和功能至关重要。它不仅可以揭示出健康细胞的工作方式；更重要的是，当疾病来临时，它还可以让科学家知道细胞内部发生了什么。2022年7月25日，发表在《Nature Methods》上的一项新研究中，来自陈扎克伯格生物中心（简称CZ Biohub）的研究团队开发了这种名为“Cytoself”的完全自监督的深度学习方法，可以在没有预存知识、类别或注释的情况下从荧光显微镜图像中分类和比较不同的人类蛋白质，从而揭示出高分辨率的蛋白质亚细胞定位图谱。每个细胞包含大约10000种不同类型的蛋白质，它们中的一些单独工作，另一些协同工作以保持细胞健康。蛋白质在细胞中定位的所有可能方式是什么？它可能存在于任何位置，以及位置的各种组合。这是一个最基本的问题。几十年来，生物学家们一直试图建立细胞内蛋白质所有可能的位置和可能的结构。但这一直都是通过人工查看数据的方式来实现的。问题是，人类的局限性和偏见在很大程度上会使这一过程产生瑕疵。Cytoself要比人类做得更好。它可以找到更精细的类别，并在极其精细的图像中看到差异。在旋转的3D UMAP图像中，每个点代表单个蛋白质图像。根据蛋白质定位类别进行着色在这篇论文中，Cytoself不仅展示了机器学习算法的威力，还深入了解了细胞和蛋白质，提供了细胞内蛋白质定位丰富且详细的信息。由于蛋白质的定位与其细胞功能高度相关，因此，Cytoself将是一个宝贵的工具，可以对未知的或研究不多的蛋白质进行初步的功能预测，并定量研究细胞扰动和细胞状态变化对蛋白质亚细胞定位的影响。这将进一步加快细胞生物学的研究进度，并最终用于加速药物发现和药物筛选过程。Cytoself是一个自监督学习的例子，这意味着人类不会像监督式学习那样教授关于蛋白质图像算法的任何内容。在监督学习中，研究人员必须一个例子接一个例子地去教授机器学习算法，这需要大量繁琐枯燥的工作；而且，如果机器仅限于人类训练给它的知识类别，那么它可能会在系统中引入偏差。该研究第一作者Hirofumi Kobayashi说：“我们相信信息已经在图像中了。我们想看看这台人工智能自己能学会什么。”他们发现，Cytoself从图像中提取的信息量着实令人感到惊讶。该研究共同通讯作者Manuel Leonetti说：“蛋白质定位的详细程度比我们想象的要高得多。机器将每个蛋白质图像转换成一个数学向量。然后你可以开始对看起来相同的图像进行排序。我们意识到，Cytoself可以让我们以高特异性预测蛋白质在细胞中的协同作用，这着实令人惊讶。”虽然以前也有一些研究使用了自监督或无监督模型对蛋白质图像进行了研究工作；但该团队表示，能在如此大的数据集上且如此成功地使用自监督学习还是首次。该数据集包含100多万张图像，涵盖了从活体人类细胞中测量的超过1300种蛋白质。这些图像是CZ Biohub开发的OpenCell项目的一部分，该项目旨在创建人类细胞的完整图谱，包括最终描述驱动细胞的20000种左右的蛋白质。与CZ Biohub开发的所有工具一样，cytoself是开源的，所有人都可以使用。该团队望这将激励更多研究人员使用类似的算法来解决自己的图像分析问题。今年早些时候，他们在《Science》上发表了第一批1310种蛋白质的特征，包括每种蛋白质的图像以及它们之间相互作用的映射。Cytoself是OpenCell成功的关键（所有图像可在OpenCell.czbiohub.org上获得），提供了关于蛋白质定位的非常精细和定量的信息。Cytoself团队的下一个目标是如何利用对蛋白质定位的微小变化进行跟踪来识别不同的细胞状态，例如，正常细胞与癌细胞。这可能是更好地了解许多疾病和促进药物发现的关键。Kobayashi说：“药物筛选基本上是试错的过程。但对于Cytoself，这是一个巨大的飞跃，因为你不需要对数千种蛋白质逐一进行实验。这是一种低成本的方法，可以大大提高研究速度。”该团队表示，Cytoself是关于人体细胞如何连接的重要生物学结果。同时，他们还在将该算法应用于新的问题，并且在继续完善人类已知的一切和未知问题。未来，他们会将Cytoself应用于不同类型的图像，从而开辟出更多的可能性。论文链接：https://www.nature.com/articles/s41592-022-01541-zhttps://www.science.org/doi/10.1126/science.abi6983https://opencell.czbiohub.org/

日前，雪迪龙公布2022年年度报告。财报显示，雪迪龙2022年全年营业收入15.05亿元，较2021年（全年营业收入13.81亿元）增长8.97%。同时，仪器信息网关注到，2022年雪迪龙环境监测系统收入8.61亿元，占全年营业收入的57.20%，较2021年增长20.27%。其他领域中，工业过程分析系统收入0.9亿元，占全年收入5.98%；气体分析仪及备件收入2.1亿元，占全年收入13.67%；系统改造及运营维护服务收入3.2亿元，占全年收入21.2%；节能环保工程收入0.3亿元，占全年收入1.95%；研发投入方面，2022年，雪迪龙全年研发投入近1亿元，占营业收入6.44%。据了解，作为2023年经营管理计划，雪迪龙将继续加大研发投入，以色谱、光谱、质谱、能谱和传感器五大核心技术平台为基础，结合生态环境监测物联网和大数据资源中心，加快 5G、人工智能、数字技术等新技术与监测技术的融合应用，广泛拓展环境监测、温室气体监测、工业过程分析、科学研究等领域的“端+云+服务”的综合解决方案。此外，基于“双碳”战略的实施及其带来的传统工业节能改造需求以及新能源行业和产业升级发展的市场空间，雪迪龙还将大力拓展碳排放/温室气体监测和工业过程分析等成长业务，并持续关注新污染物监测、噪声监测等新兴市场机会。财报指出，环境监测行业为政策驱动型行业。目前，以污染源监测、环境空气质量监测、水环境质量监测为主体的国家环境监测网络形成了我国环境监测的基本框架，监测因子覆盖二氧化硫、氮氧化物、颗粒物、VOCs、二氧化碳、甲烷、化学需氧量、氨氮、总磷、总氮、重金属等。进入“十四五”以来，生态环境质量改善进入了由量变到质变的关键时期，生态环境监测网络建设仍需进一步巩固。有关大气环境领域下一步的监测热点。财报提到，我国《“十四五”生态环境监测规划》要求推进碳监测评估试点，碳排放监测及温室气体监测将逐步开展并纳入常规监测体系，细颗粒物（PM2.5）和臭氧（O3）协同控制将成为大气环境监测主线，继续深化应用大气走航及遥感监测，进一步开展水生态环境监测、评价及溯源监测及重点流域监测，逐步优化推进土壤环境监测、地下水环境监测及农村环境监测。

昨日，国家发展和改革委和中国气象局联合印发了关于《全国人工影响天气发展规划(2014-2020年)》的通知。根据该规划，将在北京周边建设国家级人工影响天气云雾物理实验室，有针对性地开展气溶胶、云、雾、降水和人工影响天气重大基础性和关键技术研究。 　　北京牵头华北地区&ldquo 人影&rdquo 工作 　　根据该规划，全国分为东北、西北和华北等6个人工影响天气区域，每个区域都选择了牵头省份。华北地区的牵头省份是北京。 　　规划认为，北京市是华北区域气象中心所在地。通过实施北京市人工影响天气建设一期、二期工程，北京市人工影响天气的作业能力和科技水平明显提高。在2008年夏季奥运会和残奥会开(闭)幕式、2009年国庆60周年首都庆祝活动等气象保障工作中，北京市组织协调华北5省(区、市)的人工影响天气力量科学构筑人工消减雨防线，成功保障了活动的正常进行。 　　规划透露，将在北京周边建设国家级人工影响天气云雾物理实验室，有针对性地开展气溶胶、云、雾、降水和人工影响天气重大基础性和关键技术研究，为组织实施大规模人工影响天气作业以及重大应急保障服务提供强有力的技术支撑。 　　要求重污染天能人工催雨消霾 　　此前，中国气象局曾印发《贯彻落实〈大气污染防治行动计划〉实施方案》。据该方案，2015年，全国各地气象部门将形成人工影响天气改善空气质量的作业能力，在重污染天气条件下能够采取可行的气象干预措施，如人工催雨等方式消减雾霾。 　　为何要加快人工影响天气的发展?该规划显示，这是防灾减灾、保障粮食安全、水资源及生态安全的需要。规划称，雾、霾天气对人体健康、交通运输、城市环境造成巨大威胁，尤其在雾、霾天气多发的黄淮、江淮、江南及京津冀、东北、川渝、闽粤等地，严重影响社会生产和人们的日常生活。 　　规划任务完成后，将实现哪些目标? 　　规划显示，到2020年，中国将建立较为完善的人工影响天气工作体系，人工增雨(雪)作业年增加降水600亿立方米以上，人工防雹保护面积由目前的47万平方千米增加到54万平方千米以上，人工消减雾、霾试验取得成效。 　　■ 释疑 　　是否能人工增雨除霾? 　　雾霾天空气流动差，不利于人工增雨 　　针对备受关注的雾霾，究竟通过哪些人工方式能消减，专家表示，人工方式消减雾霾，主要是指人工增雨。 　　气象专家表示，目前，做不到人工刮风。通过人工增雨来消减雾霾，但目前还处于试验阶段，增雨对于消减雾霾，只是一个辅助手段。 　　该专家表示，人工增雨以前主要目的是为了增加水资源或者对抗干旱，没有专门针对净化空气来操作过，比如到底下多大的雨才能清除雾霾等，这些都需要通过试验评估。而雾霾天气一般天气状况比较静稳，即空气流动性差，这不利于人工增雨。也就是说，雾霾过程中，人工增雨作业的前提条件出现可能性不太大。(原标题：北京周边将建设人工消霾实验室 国家发改委、中国气象局制订发展规划，提出2020年要基本形成人工消霾能力) 　　特别声明：本文转载仅仅是出于传播信息的需要，并不意味着代表本网站观点或证实其内容的真实性 如其他媒体、网站或个人从本网站转载使用，须保留本网站注明的&ldquo 来源&rdquo ，并自负版权等法律责任 作者如果不希望被转载或者联系转载稿费等事宜，请与我们接洽。

时下，各种自动化检验设备可谓日新月异，检测速度和准确性不断提高，传统的人工显微镜检查还有用武之地吗?在近日举行的2012年全国血液体液形态检验诊断学学术会议上，不少专家大声疾呼，在充分发挥现代自动化检验技术优势的同时，不应忽视以传统人工显微镜检查为主要手段的细胞形态学检查的重要价值。 　　一张小涂片解决了大问题 　　“一张小小的痰涂片，解决了困扰我一年多的慢性咳嗽。”会上，北京大学第一医院检验科王建中教授与大家分享了自己的经历， 　　一年前，王建中因受凉患了肺炎，此后一直断断续续地咳嗽，夜里常常咳得无法入睡。痰培养、胸透、肺功能、CT，该做的检查全做了，就是找不到原因，各种对症治疗也效果不佳。家人和同事甚至开始担心他得了肺癌。 　　直到有一天，王建中为自己做了一张痰涂片，显微镜下发现其中有大量嗜酸性粒细胞，表明咳嗽很可能是由过敏导致的。根据这一检验结果，在医生指导下服用相应抗过敏药物后，王建中终于治愈了病痛。 　　“形态学检验对疾病的诊断具有独到之处。”他深有感触地说。 　　据专家介绍，作为临床检验的核心和基础，形态学检验主要是在显微镜下对血液体液标本中的细胞或有形成分进行观察，是临床诊断、疗效观察、预后判断等的重要依据。 　　人工镜检结果还是一些疾病诊断的“金标准”。如在白血病的血液与骨髓标本中髓系原始细胞计数时，血液或骨髓涂片的显微镜下形态学检查和流式细胞仪分析两者均可用，但世卫组织最新的造血与淋巴组织肿瘤分类方案仍要求以形态学检查为准。 　　“即使是在临床检验技术自动化大发展的背景下，人工镜检依然是医学检验中不可缺少的重要手段。”王建中说，比如临床最常用的血尿常规检查，自动化仪器目前仍只能作为筛选手段，需要按照一定比例进行人工镜检的复检。 　　南方医科大学附属中山博爱医院检验科主任技师黄道连说，自动化仪器都是按照正常细胞的相关参数进行设定的，而病变细胞的结构和形态往往会发生改变，病得越重，变化越大，此时，自动化仪器就难以分辨，甚至张冠李戴，造成误诊、漏诊。 　　对于人工显微镜检查的重要性，很多专家不约而同地提到了曾在社会上引起轩然大波的“茶水发炎”事件。2007年和2012年，两度有记者用茶水代替尿液送到医院化验，结果被检测出炎症。虽然这一做法有违科学原理，但也从另一侧面向检验界敲响了警钟：显微镜检查的环节必不可少。“倘若检验人员能够对出现白细胞阳性的标本进行显微镜复检，也许就可以发现这一明显的谬误。”北京协和医院检验科张时民教授说。 　　河北医科大学第二医院检验科李顺义教授也举例说，抗凝剂在全自动血细胞分析仪上的使用，有可能造成假性血小板减少，如果不进行进一步镜检就直接发出检验报告，会导致患者接受不必要的辅助检查。 　　被忽视只因“费时费力还不挣钱” 　　让与会者感到的担忧的是，人工显微镜检查这一不可或缺的重要检验方式正在被严重忽视和弱化，成为许多医院检验科的“短板”。 　　这种忽视和弱化首先体现在人工镜检的比例大幅缩水，甚至被取消。“不少医院基本就不做了。”张时民说。 　　据了解，即使全血细胞分析仪判定为正常的标本中，也有5%是假阴性。2005年，世卫组织涂片复检协作组调查复检结果发现，每天有25%～30%的标本需要进行显微镜复检。但目前不少医院的复检率低于5%，甚至为0。 　　“自动化仪器主要看细胞数量的变化，而人工镜检则重点关注细胞‘质’的改变，两者本应是左右手的关系，但现在普遍是‘一手硬、一手软’。”黄道连说，他所在的检验科形态学检查做得不错，临床医生从中尝到了甜头，医院也因此非常重视人工镜检，“我们医院要求每一位住院病人在检查血常规时必须同时做血涂片。但据我了解，很少有医院这样要求”。 　　其次，检验人员对各种细胞的识别能力有限，难以为临床诊断提供有价值的信息。“认得出就认，认不出就当作没看见。”张时民说。 　　人工镜检被忽视的另一个突出表现是愿意干的人少，干着的人培训进修机会少，专业从事形态学检验的人员严重不足，不少医院采用轮岗、兼职的办法来安排人手。 　　“青黄不接是普遍现象。”黄道连曾对中山市4家三级医院的检验科人员进行问卷调查，仅有17%的人表示愿意从事形态学检查工作，约12%的人员接受过为期1个月以上的形态学检验诊断培训，而免疫、生化等其他检验项目的检验人员接受培训的比例则为25%～30%。 　　中国中医科学院广安门医院检验科刘贵建教授指出，过度倚重自动化设备，对仪器的局限性以及人工镜检的重要性认识不足，认为机器检查可以取代人工镜检，加之临床工作量激增，面对每天成百上千份的血尿标本，且要在1小时甚至半小时内出检验结果，检验人员超负荷工作，无暇完成进一步镜检，是人工镜检在检验科被忽视的主要原因。 　　另一个原因则是收费问题。目前，医院检验项目的收费标准主要按照耗费的物力成本计算，人工镜检所需试剂少、仪器简单，因而这一检验项目基本不收费或收费很低。在目前的医院运行机制下，对于“费时费力还不挣钱”的人工镜检，医院普遍缺乏关注热情。 　　张时民举例说，在该院做一套肝肾功能血脂检查的收费在300元左右，1小时自动化检验设备大约可以处理上百个标本，而一名检验医师1小时仅能处理约10个普通标本，复杂的标本甚至只能处理两三个。 　　“有时一张涂片看不到病变细胞，但根据经验判断觉得有问题，为了找到证据，就得多看几张甚至十几张片子，可能花费一天时间就为了找到一个恶性细胞。”黄道连说，“在美国，形态学检查被视为技术含量极高的检验项目，费用也相应较高，属于医保的限检项目。一套骨髓涂片的形态学检查收费为400美元～500美元，而我们的收费只有50元～60元。” 　　张时民指出，一名成熟的形态学检验技师需要至少10年的经验积累，而现在愿意待在显微镜前的人越来越少，非常不利于我国形态学检验诊断领域的发展。 　　形态学检查有广阔发展空间 　　“形态学检查是一门古老的学科，也有着广阔的发展空间，绝不应该是检验科的弱项。”上海交通大学医学院附属瑞金医院王鸿利教授说，在形态学检验的基础上发展起来许多新的检验方法，流式细胞仪就是典型代表。同时，细胞生物学、分子生物学等新兴技术领域都与形态学有关。“放弃了形态学，就放弃了临床检验学的基础。” 　　王建中表示，近年来逐渐发展成熟的全自动血细胞数字图像分析等现代技术，将为形态学检查的未来发展带来“革命性”的变化。“标本制备的全自动化、仪器自动获取细胞图像，可以减少人工制备标本时间，检验者可以在电脑屏幕上看到标本的显微图像，同时通过网络实现资料共享，同行间可以相互交流，这有助于提高检验诊断的效率和准确性。” 　　张时民认为，当前应着力加强形态学检验技术骨干的培养和基本技能的培训。在政策允许的情况下，提高形态学检查项目的收费，适当提高从事形态学检验人员的待遇。黄道连建议，应该在岗位安排、人才培养、进修培训、岗位津贴等方面实行政策倾斜，“让从事形态学检验的人员能够安心本职工作，不断提高业务水平，为临床医生提供更有价值的诊断信息”。

p 　　如同蒸汽时代的蒸汽机、电气时代的发电机、信息时代的计算机和互联网，人工智能正成为推动人类进入智能时代的决定性力量。全球产业界充分认识到人工智能技术引领新一轮产业变革的重大意义，纷纷转型发展，抢滩布局人工智能创新生态。世界主要发达国家均把发展人工智能作为提升国家竞争力、维护国家安全的重大战略，力图在国际科技竞争中掌握主导权。习近平总书记在十九届中央政治局第九次集体学习时深刻指出，加快发展新一代人工智能是事关我国能否抓住新一轮科技革命和产业变革机遇的战略问题。错失一个机遇，就有可能错过整整一个时代。新一轮科技革命与产业变革已曙光可见，在这场关乎前途命运的大赛场上，我们必须抢抓机遇、奋起直追、力争超越。 /p p 　　 strong 概念与历程 /strong /p p 　　了解人工智能向何处去，首先要知道人工智能从何处来。1956年夏，麦卡锡、明斯基等科学家在美国达特茅斯学院开会研讨“如何用机器模拟人的智能”，首次提出“人工智能(Artificial Intelligence，简称AI)”这一概念，标志着人工智能学科的诞生。 /p p 　　人工智能是研究开发能够模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门新的技术科学，研究目的是促使智能机器会听(语音识别、机器翻译等)、会看(图像识别、文字识别等)、会说(语音合成、人机对话等)、会思考(人机对弈、定理证明等)、会学习(机器学习、知识表示等)、会行动(机器人、自动驾驶汽车等)。 /p p 　　人工智能充满未知的探索道路曲折起伏。如何描述人工智能自1956年以来60余年的发展历程，学术界可谓仁者见仁、智者见智。我们将人工智能的发展历程划分为以下6个阶段： /p p 　　一是起步发展期：1956年—20世纪60年代初。人工智能概念提出后，相继取得了一批令人瞩目的研究成果，如机器定理证明、跳棋程序等，掀起人工智能发展的第一个高潮。 /p p 　　二是反思发展期：20世纪60年代—70年代初。人工智能发展初期的突破性进展大大提升了人们对人工智能的期望，人们开始尝试更具挑战性的任务，并提出了一些不切实际的研发目标。然而，接二连三的失败和预期目标的落空(例如，无法用机器证明两个连续函数之和还是连续函数、机器翻译闹出笑话等)，使人工智能的发展走入低谷。 /p p 　　三是应用发展期：20世纪70年代初—80年代中。20世纪70年代出现的专家系统模拟人类专家的知识和经验解决特定领域的问题，实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。专家系统在医疗、化学、地质等领域取得成功，推动人工智能走入应用发展的新高潮。 /p p 　　四是低迷发展期：20世纪80年代中—90年代中。随着人工智能的应用规模不断扩大，专家系统存在的应用领域狭窄、缺乏常识性知识、知识获取困难、推理方法单一、缺乏分布式功能、难以与现有数据库兼容等问题逐渐暴露出来。 /p p 　　五是稳步发展期：20世纪90年代中—2010年。由于网络技术特别是互联网技术的发展，加速了人工智能的创新研究，促使人工智能技术进一步走向实用化。1997年国际商业机器公司(简称IBM)深蓝超级计算机战胜了国际象棋世界冠军卡斯帕罗夫，2008年IBM提出“智慧地球”的概念。以上都是这一时期的标志性事件。 /p p 　　六是蓬勃发展期：2011年至今。随着大数据、云计算、互联网、物联网等信息技术的发展，泛在感知数据和图形处理器等计算平台推动以深度神经网络为代表的人工智能技术飞速发展，大幅跨越了科学与应用之间的“技术鸿沟”，诸如图像分类、语音识别、知识问答、人机对弈、无人驾驶等人工智能技术实现了从“不能用、不好用”到“可以用”的技术突破，迎来爆发式增长的新高潮。 /p p 　　 strong 现状与影响 /strong /p p 　　对于人工智能的发展现状，社会上存在一些“炒作”。比如说，认为人工智能系统的智能水平即将全面超越人类水平、30年内机器人将统治世界、人类将成为人工智能的奴隶，等等。这些有意无意的“炒作”和错误认识会给人工智能的发展带来不利影响。因此，制定人工智能发展的战略、方针和政策，首先要准确把握人工智能技术和产业发展的现状。 /p p 　　专用人工智能取得重要突破。从可应用性看，人工智能大体可分为专用人工智能和通用人工智能。面向特定任务(比如下围棋)的专用人工智能系统由于任务单一、需求明确、应用边界清晰、领域知识丰富、建模相对简单，形成了人工智能领域的单点突破，在局部智能水平的单项测试中可以超越人类智能。人工智能的近期进展主要集中在专用智能领域。例如，阿尔法狗(AlphaGo)在围棋比赛中战胜人类冠军，人工智能程序在大规模图像识别和人脸识别中达到了超越人类的水平，人工智能系统诊断皮肤癌达到专业医生水平。 /p p 　　通用人工智能尚处于起步阶段。人的大脑是一个通用的智能系统，能举一反三、融会贯通，可处理视觉、听觉、判断、推理、学习、思考、规划、设计等各类问题，可谓“一脑万用”。真正意义上完备的人工智能系统应该是一个通用的智能系统。目前，虽然专用人工智能领域已取得突破性进展，但是通用人工智能领域的研究与应用仍然任重而道远，人工智能总体发展水平仍处于起步阶段。当前的人工智能系统在信息感知、机器学习等“浅层智能”方面进步显著，但是在概念抽象和推理决策等“深层智能”方面的能力还很薄弱。总体上看，目前的人工智能系统可谓有智能没智慧、有智商没情商、会计算不会“算计”、有专才而无通才。因此，人工智能依旧存在明显的局限性，依然还有很多“不能”，与人类智慧还相差甚远。 /p p 　　人工智能创新创业如火如荼。全球产业界充分认识到人工智能技术引领新一轮产业变革的重大意义，纷纷调整发展战略。比如，谷歌在其2017年年度开发者大会上明确提出发展战略从“移动优先”转向“人工智能优先”，微软2017财年年报首次将人工智能作为公司发展愿景。人工智能领域处于创新创业的前沿。麦肯锡公司报告指出，2016年全球人工智能研发投入超300亿美元并处于高速增长阶段 全球知名风投调研机构CB Insights报告显示，2017年全球新成立人工智能创业公司1100家，人工智能领域共获得投资152亿美元，同比增长141%。 /p p 　　创新生态布局成为人工智能产业发展的战略高地。信息技术和产业的发展史，就是新老信息产业巨头抢滩布局信息产业创新生态的更替史。例如，传统信息产业代表企业有微软、英特尔、IBM、甲骨文等，互联网和移动互联网时代信息产业代表企业有谷歌、苹果、脸书、亚马逊、阿里巴巴、腾讯、百度等。人工智能创新生态包括纵向的数据平台、开源算法、计算芯片、基础软件、图形处理器等技术生态系统和横向的智能制造、智能医疗、智能安防、智能零售、智能家居等商业和应用生态系统。目前智能科技时代的信息产业格局还没有形成垄断，因此全球科技产业巨头都在积极推动人工智能技术生态的研发布局，全力抢占人工智能相关产业的制高点。 /p p 　　人工智能的社会影响日益凸显。一方面，人工智能作为新一轮科技革命和产业变革的核心力量，正在推动传统产业升级换代，驱动“无人经济”快速发展，在智能交通、智能家居、智能医疗等民生领域产生积极正面影响。另一方面，个人信息和隐私保护、人工智能创作内容的知识产权、人工智能系统可能存在的歧视和偏见、无人驾驶系统的交通法规、脑机接口和人机共生的科技伦理等问题已经显现出来，需要抓紧提供解决方案。 /p p 　　 strong 趋势与展望 /strong /p p 　　经过60多年的发展，人工智能在算法、算力(计算能力)和算料(数据)等“三算”方面取得了重要突破，正处于从“不能用”到“可以用”的技术拐点，但是距离“很好用”还有诸多瓶颈。那么在可以预见的未来，人工智能发展将会出现怎样的趋势与特征呢? /p p 　　从专用智能向通用智能发展。如何实现从专用人工智能向通用人工智能的跨越式发展，既是下一代人工智能发展的必然趋势，也是研究与应用领域的重大挑战。2016年10月，美国国家科学技术委员会发布《国家人工智能研究与发展战略计划》，提出在美国的人工智能中长期发展策略中要着重研究通用人工智能。阿尔法狗系统开发团队创始人戴密斯· 哈萨比斯提出朝着“创造解决世界上一切问题的通用人工智能”这一目标前进。微软在2017年成立了通用人工智能实验室，众多感知、学习、推理、自然语言理解等方面的科学家参与其中。 /p p 　　从人工智能向人机混合智能发展。借鉴脑科学和认知科学的研究成果是人工智能的一个重要研究方向。人机混合智能旨在将人的作用或认知模型引入到人工智能系统中，提升人工智能系统的性能，使人工智能成为人类智能的自然延伸和拓展，通过人机协同更加高效地解决复杂问题。在我国新一代人工智能规划和美国脑计划中，人机混合智能都是重要的研发方向。 /p p 　　从“人工+智能”向自主智能系统发展。当前人工智能领域的大量研究集中在深度学习，但是深度学习的局限是需要大量人工干预，比如人工设计深度神经网络模型、人工设定应用场景、人工采集和标注大量训练数据、用户需要人工适配智能系统等，非常费时费力。因此，科研人员开始关注减少人工干预的自主智能方法，提高机器智能对环境的自主学习能力。例如阿尔法狗系统的后续版本阿尔法元从零开始，通过自我对弈强化学习实现围棋、国际象棋、日本将棋的“通用棋类人工智能”。在人工智能系统的自动化设计方面，2017年谷歌提出的自动化学习系统(AutoML)试图通过自动创建机器学习系统降低人员成本。 /p p 　　人工智能将加速与其他学科领域交叉渗透。人工智能本身是一门综合性的前沿学科和高度交叉的复合型学科，研究范畴广泛而又异常复杂，其发展需要与计算机科学、数学、认知科学、神经科学和社会科学等学科深度融合。随着超分辨率光学成像、光遗传学调控、透明脑、体细胞克隆等技术的突破，脑与认知科学的发展开启了新时代，能够大规模、更精细解析智力的神经环路基础和机制，人工智能将进入生物启发的智能阶段，依赖于生物学、脑科学、生命科学和心理学等学科的发现，将机理变为可计算的模型，同时人工智能也会促进脑科学、认知科学、生命科学甚至化学、物理、天文学等传统科学的发展。 /p p 　　人工智能产业将蓬勃发展。随着人工智能技术的进一步成熟以及政府和产业界投入的日益增长，人工智能应用的云端化将不断加速，全球人工智能产业规模在未来10年将进入高速增长期。例如，2016年9月，咨询公司埃森哲发布报告指出，人工智能技术的应用将为经济发展注入新动力，可在现有基础上将劳动生产率提高40% 到2035年，美、日、英、德、法等12个发达国家的年均经济增长率可以翻一番。2018年麦肯锡公司的研究报告预测，到2030年，约70%的公司将采用至少一种形式的人工智能，人工智能新增经济规模将达到13万亿美元。 /p p 　　人工智能将推动人类进入普惠型智能社会。“人工智能+X”的创新模式将随着技术和产业的发展日趋成熟，对生产力和产业结构产生革命性影响，并推动人类进入普惠型智能社会。2017年国际数据公司IDC在《信息流引领人工智能新时代》白皮书中指出，未来5年人工智能将提升各行业运转效率。我国经济社会转型升级对人工智能有重大需求，在消费场景和行业应用的需求牵引下，需要打破人工智能的感知瓶颈、交互瓶颈和决策瓶颈，促进人工智能技术与社会各行各业的融合提升，建设若干标杆性的应用场景创新，实现低成本、高效益、广范围的普惠型智能社会。 /p p 　　人工智能领域的国际竞争将日益激烈。当前，人工智能领域的国际竞赛已经拉开帷幕，并且将日趋白热化。2018年4月，欧盟委员会计划2018—2020年在人工智能领域投资240亿美元 法国总统在2018年5月宣布《法国人工智能战略》，目的是迎接人工智能发展的新时代，使法国成为人工智能强国 2018年6月，日本《未来投资战略2018》重点推动物联网建设和人工智能的应用。世界军事强国也已逐步形成以加速发展智能化武器装备为核心的竞争态势，例如美国特朗普政府发布的首份《国防战略》报告即谋求通过人工智能等技术创新保持军事优势，确保美国打赢未来战争 俄罗斯2017年提出军工拥抱“智能化”，让导弹和无人机这样的“传统”兵器威力倍增。 /p p 　　人工智能的社会学将提上议程。为了确保人工智能的健康可持续发展，使其发展成果造福于民，需要从社会学的角度系统全面地研究人工智能对人类社会的影响，制定完善人工智能法律法规，规避可能的风险。2017年9月，联合国犯罪和司法研究所(UNICRI)决定在海牙成立第一个联合国人工智能和机器人中心，规范人工智能的发展。美国白宫多次组织人工智能领域法律法规问题的研讨会、咨询会。特斯拉等产业巨头牵头成立OpenAI等机构，旨在“以有利于整个人类的方式促进和发展友好的人工智能”。 /p p 　　 strong 态势与思考 /strong /p p 　　当前，我国人工智能发展的总体态势良好。但是我们也要清醒看到，我国人工智能发展存在过热和泡沫化风险，特别在基础研究、技术体系、应用生态、创新人才、法律规范等方面仍然存在不少值得重视的问题。总体而言，我国人工智能发展现状可以用“高度重视，态势喜人，差距不小，前景看好”来概括。 /p p 　　高度重视。党中央、国务院高度重视并大力支持发展人工智能。习近平总书记在党的十九大、2018年两院院士大会、全国网络安全和信息化工作会议、十九届中央政治局第九次集体学习等场合多次强调要加快推进新一代人工智能的发展。2017年7月，国务院发布《新一代人工智能发展规划》，将新一代人工智能放在国家战略层面进行部署，描绘了面向2030年的我国人工智能发展路线图，旨在构筑人工智能先发优势，把握新一轮科技革命战略主动。国家发改委、工信部、科技部、教育部等国家部委和北京、上海、广东、江苏、浙江等地方政府都推出了发展人工智能的鼓励政策。 /p p 　　态势喜人。据清华大学发布的《中国人工智能发展报告2018》统计，我国已成为全球人工智能投融资规模最大的国家，我国人工智能企业在人脸识别、语音识别、安防监控、智能音箱、智能家居等人工智能应用领域处于国际前列。根据2017年爱思唯尔文献数据库统计结果，我国在人工智能领域发表的论文数量已居世界第一。近两年，中国科学院大学、清华大学、北京大学等高校纷纷成立人工智能学院，2015年开始的中国人工智能大会已连续成功召开四届并且规模不断扩大。总体来说，我国人工智能领域的创新创业、教育科研活动非常活跃。 /p p 　　差距不小。目前我国在人工智能前沿理论创新方面总体上尚处于“跟跑”地位，大部分创新偏重于技术应用，在基础研究、原创成果、顶尖人才、技术生态、基础平台、标准规范等方面距离世界领先水平还存在明显差距。在全球人工智能人才700强中，中国虽然入选人数名列第二，但远远低于约占总量一半的美国。2018年市场研究顾问公司Compass Intelligence对全球100多家人工智能计算芯片企业进行了排名，我国没有一家企业进入前十。另外，我国人工智能开源社区和技术生态布局相对滞后，技术平台建设力度有待加强，国际影响力有待提高。我国参与制定人工智能国际标准的积极性和力度不够，国内标准制定和实施也较为滞后。我国对人工智能可能产生的社会影响还缺少深度分析，制定完善人工智能相关法律法规的进程需要加快。 /p p 　　前景看好。我国发展人工智能具有市场规模、应用场景、数据资源、人力资源、智能手机普及、资金投入、国家政策支持等多方面的综合优势，人工智能发展前景看好。全球顶尖管理咨询公司埃森哲于2017年发布的《人工智能：助力中国经济增长》报告显示，到2035年人工智能有望推动中国劳动生产率提高27%。我国发布的《新一代人工智能发展规划》提出，到2030年人工智能核心产业规模超过1万亿元，带动相关产业规模超过10万亿元。在我国未来的发展征程中，“智能红利”将有望弥补人口红利的不足。 /p p 　　当前是我国加强人工智能布局、收获人工智能红利、引领智能时代的重大历史机遇期，如何在人工智能蓬勃发展的浪潮中选择好中国路径、抢抓中国机遇、展现中国智慧等，需要深入思考。 /p p 　　树立理性务实的发展理念。任何事物的发展不可能一直处于高位，有高潮必有低谷，这是客观规律。实现机器在任意现实环境的自主智能和通用智能，仍然需要中长期理论和技术积累，并且人工智能对工业、交通、医疗等传统领域的渗透和融合是个长期过程，很难一蹴而就。因此，发展人工智能要充分考虑到人工智能技术的局限性，充分认识到人工智能重塑传统产业的长期性和艰巨性，理性分析人工智能发展需求，理性设定人工智能发展目标，理性选择人工智能发展路径，务实推进人工智能发展举措，只有这样才能确保人工智能健康可持续发展。 /p p 　　重视固本强基的原创研究。人工智能前沿基础理论是人工智能技术突破、行业革新、产业化推进的基石。面临发展的临界点，要想取得最终的话语权，必须在人工智能基础理论和前沿技术方面取得重大突破。我们要按照习近平总书记提出的支持科学家勇闯人工智能科技前沿“无人区”的要求，努力在人工智能发展方向和理论、方法、工具、系统等方面取得变革性、颠覆性突破，形成具有国际影响力的人工智能原创理论体系，为构建我国自主可控的人工智能技术创新生态提供领先跨越的理论支撑。 /p p 　　构建自主可控的创新生态。我国人工智能开源社区和技术创新生态布局相对滞后，技术平台建设力度有待加强。我们要以问题为导向，主攻关键核心技术，加快建立新一代人工智能关键共性技术体系，全面增强人工智能科技创新能力，确保人工智能关键核心技术牢牢掌握在自己手里。要着力防范人工智能时代“空心化”风险，系统布局并重点发展人工智能领域的“新核高基”：“新”指新型开放创新生态，如产学研融合等 “核”指核心关键技术与器件，如先进机器学习技术、鲁棒模式识别技术、低功耗智能计算芯片等 “高”指高端综合应用系统与平台，如机器学习软硬件平台、大型数据平台等 “基”指具有重大原创意义和技术带动性的基础理论与方法，如脑机接口、类脑智能等。同时，我们要重视人工智能技术标准的建设、产品性能与系统安全的测试。特别是我国在人工智能技术应用方面走在世界前列，在人工智能国际标准制定方面应当掌握话语权，并通过实施标准加速人工智能驱动经济社会转型升级的进程。 /p p 　　推动共担共享的全球治理。目前看，发达国家通过人工智能技术创新掌控了产业链上游资源，难以逾越的技术鸿沟和产业壁垒有可能进一步拉大发达国家和发展中国家的生产力发展水平差距。在发展中国家中，我国有望成为全球人工智能竞争中的领跑者，应布局构建开放共享、质优价廉、普惠全球的人工智能技术和应用平台，配合“一带一路”建设，让“智能红利”助推共建人类命运共同体。 /p p br/ /p

本期推文主要编译整理了 Xin YeeTai 等发表在 Energy and AI 的综述《可持续化学和工艺的未来:人工智能、数据和硬件的融合》（The future of sustainable chemistry and process: Convergence of artificial intelligence, data and hardware）。论述了在工业 4.0 的背景下，可持续的化学过程可能会成为一个智能实验室，将网络物理系统与先进的人工智能和稳健的检测技术连接起来。它还将创建一个闭环系统，包括合作和协调机器、自我决策系统、自主问题解决和学习系统。此外，还讨论了闭环系统在可持续化学过程中的发展前景和关键挑战。可再生能源发电和绿色合成的可持续化学是一个及时的研究课题，其愿景是在不损害子孙后代的情况下满足当前需求。在工业 4.0 时代，可持续化学和过程正经历着从连续流系统到下一层级操作的剧烈转变，例如通过将人工智能、数据和硬件集成到网络物理系统中的协作和协调机器、自决策系统、自主和自动问题解算器。由于物理空间和网络空间之间缺乏融合，开环系统面临着数据隔离、周期时间慢和资源管理不足等挑战。新兴的研究致力于加速这些循环，通过增材制造、内置在线监测和人工智能减少多步骤过程和实时表征之间的时间。最终目标是同时提出可持续化学过程中的工艺配方、流程合成和分子表征，每个步骤同时发送和接收数据。这一过程被称为“闭环”，它将潜在地创建一个具有高度集成系统的未来实验室，并生成一个面向服务的平台，用于端到端同步、自进化、反向分子设计和自动科学发现。该观点提供了一种方法，分别通过人工智能和增材制造，结合内置在线监测，分别理解网络和物理系统。此外，还讨论了闭环系统在可持续化学过程中的发展前景和关键挑战。01 引言可持续化学过程是一个科学概念，它寻求在不牺牲资源和环境的前提下满足当前的需求。近年来，连续流化学的发展势头日益强劲，从基本的实验室技术发展到实践中复杂的多步骤工艺。与传统的间歇系统相比，它具有搅拌快、传热快、反应时间控制有效、对有毒和高活性化学品实验安全等优点。此外，连续流化学可以更快地发现绿色化学产品和合成路线，大大减少了实验室和工业规模的污染物排放。连续流化学是实验室里的微型连续装置。它被认为是可持续化学工艺从科学研究向工程生产规模化发展的垫脚石。以层流为基础的燃料电池是可持续化学过程的一个显著例子，它利用液体燃料作为可持续资源，在微通道中持续产生能量，并产生水作为副产品，而不会对环境产生负面影响。此外，太阳能是一种巨大的、可靠的、实际上用之不竭的能源，具有均匀的辐照，可以很容易地与连续流反应器集成在一起，在流太阳能电池中产生化学能和电能，如产生单重态氧和去除水中的有毒成分。可持续化学过程的概念也体现在碳捕获和利用上，即以微胶囊或微流体装置的形式持续捕获温室气体，然后转化为绿色合成产品。第四次工业革命，又称工业 4.0，正在形成一种演变，其影响已遍及各个行业，尤其是制造业。在工业 4.0 的背景下，可持续的化学过程可能会成为一个智能实验室，将网络物理系统与先进的人工智能和稳健的检测技术连接起来。它还将创建一个闭环系统，包括合作和协调机器，自我决策系统，自主问题解决和学 习系统。可持续化学过程的智能实验室的目标是通过适应“即插即用”的原则，以尽可能快的速度完全灵活的生产。鲁棒的传感技术可以灵活地嵌入到多步反应和分离过程中进行实时监测。因此，3D 打印提供了最佳的解决方案，因为其灵活和可定制的独特属性，使“即插即用”的原则快速实现。此外，在智能实验室中采用数据驱动策略，可以提高灵活性和智能制造水平。这一策略在很大程度上取决于数据的质量和数量，这可以通过利用先进的传感技术通过内置在线监测过程来保证。此外，智能实验室也被称为“黑暗实验室”、“熄灯实验室”或“无人实验室”，不需要人力。[来源：曼森生物视频号] 曼森无人化实验室检测全流程自动化，实现检测全流程黑灯作业它运用人工智能实践预测、自动化和自主、自行为和自决策的方法，在可持续化工过程中进行智能控制、调度、设计、过程控制质量和维护。例如，巴斯夫正在实施工业 4.0，将 3D 打印应用于现场设施、连接系统以及用于过程管理和控制以及虚拟工厂调试的先进预测和分析模型。施耐德电气采用了 3D 打印、先进的人工智能和先进的传感器，使生产率提高了 2-7%，能源利用率提高了 30%，运营成本降低了 50%。将增材制造、先进 AI 和鲁棒传感器应用于工业规模工艺，在提高工艺效率、能源利用率和成本效益方面显示出显著的势头。如前所述，AI、数据和硬件是智能实验室的基础模块。人工智能是对人类智能的一种模拟，它被编程在机器中，使它们能够像“科学家”一样思考和行动，比如学习和解决问题。在可持续化工过程中，神经网络、机器学习和遗传算法等人工智能算法是监测、优化和控制中常见的数据驱动方法。因此，将先进的传感技术嵌入到多步骤过程中进行在线监测，可以保证数据的质量和数量，这是数据驱动方法的主要关注点。通过内置在线方法，可以获得化学过程的实时数据，如反应物使用量、产品收率以及操作条件，如 pH、温度和压力，这些都是离线分析技术无法获得的。在线方法直接测量工艺流程，不需要去除或转移样品，而在线方法自动分析样品材料，不需要分配工艺。将先进的传感技术集成到反应室需要灵活的硬件设计，这可以通过增材制造(AM)方便。AM 也被称为 3D 打印，是一种绿色制造技术，从数字输入建立三维物理输出，而不需要传统的工具。该定制工具为需要定制、灵活性和设计复杂性的应用程序提供了优势。AM 在燃料电池、流动化学等能源产生装置中的应用也得到了广泛的讨论。除此之外，人们还非常希望将人工智能、数据和硬件结合到实验室规模的研究中，以简化之后的升级过程。到目前为止，许多工作已经分别讨论了智能工厂的网络和物理系统。网络系统指的是人工智能和数据的融合，数据通过先进的感知技术产生，并被人工智能算法用于执行任务，如在云空间的自我优化和预测。相比之下，物理系统描述了智能实验室的硬件，如多步反应器、分离器和检测技术，它们可以通过 AM 技术实现物理集成，用于内置在线监测。在这样的网络和物理系 统中，如果没有 AM，网络系统的鲁棒性将受到低自定义能力与强大的检测技术 连接的阻碍，从而导致构建可靠模型的高质量数据的丢失。另一方面，如果没有 人工智能，物理系统将只能执行实时监控，而没有智能反馈和控制，限制了物理 系统的可扩展性和功能。因此，人工智能、数据和硬件的融合可以实现智能可持 续化学的物理和虚拟意义。02 通过增材制造和在线监测实现的智能物理系统这里的物理系统指的是用于反应器、分离器和先进检测等可持续化学过程的智能实验室的硬件。由于对实时信息的需求，有必要通过增材制造将它们集成到外壳和套管中，以便进行内置在线监测。AM 可以减少生产集成先进检测的定制反应室的周期时间。这种无与伦比的方法可以鼓励研究人员执行一种更迭代的方法，在现有的硬件中嵌入特定的几何形状。因此，可以根据工艺的要求，立即修改设计。此外，它还可以避免有价值但寿命较短的中间体检测的损失。目前，各种检测技术，如温度监测、光谱学和成像，已通过 3D 打印用于在线监测在可持续化学应用中得到了报道。例如，Monaghan 通过超声波添加剂制造（UAM）开发了多材料结构光谱学，将纤维药物嵌入金属微反应器中，用于 B维生素烟酰胺和荧光素的现场监测，如图 1 A 所示。通过启用 AM 的现场监测，研究人员可以从反应物的使用中获得实时数据，而使用离线分析技术无法看到产品形成和中间体生成。Maier 等人通过选择性激光熔化（SLM）开发了带有在线氧传感器的不锈钢反应器。这被证明是研究格氏试剂在流动中氧化的一种有前途的方法。这两项工作都表明了 AM 技术在制造高度复杂的金属器件方面的稳健性，这些器件适用于可持续化学过程中的高温高压应用，同时在更自由的设计中保持高精度的测量。在空气污染监测的另一个应用中，熔融灯丝制造（FFF）用于制造带有嵌入式半导体空气质量传感器的光催化气相反应器，该传感器测量电阻变化。这种 3D 打印气体传感器采用廉价的方法制造，并配有现成的组件，如光催化过滤器和模数转换器。采用 AM 技术还可以安装更强大的检测单元，并改进系统性能评估。例如，在燃料电池系统中，电流密度和功率密度是评估性能的标准实时信息。采用熔融沉积模型（FDM）在高温聚合物电解质燃料电池上嵌入电子顺磁共振（ERP）光谱，用于阴极电导率测量。Polyjet 技术提供了一种快速且经济高效的方法，当使用商业 X 射线计算机断层扫描仪提供的低强度 X 射线进行水分布可视化（图 1 B）时，设计足够小的夹具，以实现良好的信噪比，否则很难通过常规机加工制造。这项工作突出了使用鲁棒传感器实时监测层流燃料电池的机会。Menzel 等人通过 FDM 提出了一个 3D 打印化学合成系统，包括反应器、分离器、压力调节器和泵，如图1 C所示，该系统为多步化学合成创建了一个完整的连续流系统。 在低成本 3D 打印技术上对耐高温和耐化学腐蚀的聚合物（如聚醚醚酮）进行 3D 打印，为可持续化学过程中的高温和腐蚀应用创造了机会。图 1 （A）UAM 池光谱测量示意图，其特征是垂直于微流控通道嵌入涂层光纤，用于分析荧光素溶液 （B）具有三维打印池支架和流场夹具的 X 射线计算机断层扫描系统内的可视化设置 （C）使用三维打印反应器、泵、BPR 和膜分离器曼森人工智能自动化实验室产品随着互联网技术的不断革新以及人工智能、大数据时代的到来，信息技术在各个领域日益渗透，借助先进信息技术与前沿管理理念打造智慧实验室，成为未来发展的必经之路。在此创新变革浪潮之下，曼森生物全自动化检测检验实验室解决方案从精益化、智能化、持续化三大方向持续深化创新，为实验室的运营管理与未来发展带来无限可能，成为助力实验室实现自我革新的新引擎。NO.1高通量发酵平台平行生物反应器：由华东理工大学生物反应器国家重点实验室和国家生化工程技术研究中心张嗣良教授技术团队研发的平行生物反应器，区别于传统的生物反应器，具有高度平行性（同步性和重现性），利于高校实验室和企业研发实验室使用。NO.2液体处理机器人全自动分液机器人：采用协作机器人进行分装液体，通量高、速度快、灵活性大、兼容试管、离心管、三角瓶、蓝盖瓶、容量瓶、微孔板等多种形式容器，特别是可以分装接触皿将液体自动定量分装到各种容器中。梯度稀释机器人：样品的梯度稀释、复制和重排组合，适用于试管间、孔板间稀释；有吹吸混匀功能。可以同时稀释4种样品。NO.3四通道平板分装仪四通道平板分装仪：该设备拥有智能操控、分装准确、可自定义分装参数等特点，可以同时分装1-4种培养基。仪器启动后无需管理，自动进行培养基的分装及平皿堆叠，可大幅度减少操作人员工作量，是实验室分装平板培养基的优选设备。未完待续参考文献：Xin Yee Tai, Hao Zhang , Zhiqiang Niu, et al. The future of sustainable chemistry and process:Convergrnce of artificial intelligence,date and hardware. Energy and AI 2 (2020) 100036文章来源：本文由中科院上海生命科学信息中心与曼森生物合作供稿排版校对：刘娟娟编辑内容审核：郝玉有博士

p 　　2018年人工智能技术已在多方面实现突破进展，国内外的科技公司都在不断尝试将人工智能应用于更多领域，不论科技巨头还是初创企业，都在致力于不断创新，推动技术进步。 /p p 　　1基于神经网络的机器翻译 /p p 　　入选理由：翻译是“自然语言处理”的最重要分支，也是比较难的一支。曾经，机器翻译被我们调侃为 “低级翻译”，而如今神经网络的机器翻译准确性大大提高，堪比专业人工翻译。例如谷歌翻译、微软语音翻译以及搜狗语音识别等都是基于此项技术。 /p p 　　技术突破：机器翻译其技术核心是一个拥有海量结点的深度神经网络，可以自动的从语料库中学习翻译知识。人类大脑处理语言的过程毫无疑问是最为复杂的认知过程之一，曾经很多人都认为机器翻译根本不可能达到人类翻译的水平。2006年，科学家提出了神经网络的深度学习算法，使至少具有7层的神经网络训练成为可能。由于能够比较好地模拟人脑神经元多层深度传递的过程，在解决一些复杂问题的时候有着非常明显的突破性。2018年3月，微软宣布其研发的机器翻译系统首次在通用新闻的汉译英上达到了人类专业水平，实现了自然语言处理的又一里程碑突破，将机器翻译超越人类业余译者的时间，提前了整整7年。 /p p 　　2、基于多传感器跨界融合的机器人自主导航 /p p 　　入选理由：机器人的终极目标是为人类提供智能化的服务，其中自主导航是近年来人类一直想要攻克的技术壁垒，臻迪(PowerVision)通过声呐、视觉等多传感器融合，使其水下机器人能实现自主导航及智能识别，在智能机器人领域内取得了突破性进展。 /p p 　　技术突破：随着机器人的应用场景及作业任务越来越复杂，单一传感器难以满足应用需求。而多传感器的信息融合对硬件资源依赖程度比较高。臻迪(PowerVision)基于自身在机器人行业多年所积累的各类传感器、惯性导航、运动控制、相机、视觉检测/识别、SLAM等核心技术，以及深度学习的深入研究，通过嵌入式端一体化，集成平台的系统架构及优化设计，突破了移动平台硬件资源的限制，使水下机器人更加准确、智能、全面地感知目标，并具备对水下目标进行锁定、检测、识别、跟随的能力。 /p p 　　3、DuerOS对话式人工智能系统 /p p 　　入选理由：DuerOS3.0能够为用户带来了划时代的自然对话交互，包括情感语音播报、声纹识别等能力在内的自然语言交互技术的全面升级。 /p p 　　技术突破：DuerOS是百度秘书事业部研发的对话式AI操作系统，拥有10大类目的250多项技能。DuerOS包括了从语音识别到语音播报，再到屏幕显示的一个完整交互流程，以及背后支撑交互的自然语言理解、对话状态控制、自然语言生成、搜索等等核心技术，这些技术支撑着应用层和能力层的实现。2018年7月4日，最新的DuerOS 3.0正式发布，使赋能的产品能够实现语音多轮纠错，进行复杂的递进意图识别与带逻辑的条件意图识别，从而更加准确判断用户意图，最终实现功能升级，利用扩展特征理解用户行为。基于此，DuerOS3.0提供了包括有屏设备解决方案、蓝牙设备解决方案和行业解决方案等在内超过20个跨场景、跨设备的解决方案。 /p p 　　4、移动AR技术 /p p 　　入选理由：未来AR与AI需要相互加持，可以将AR比喻成AI的眼睛。增强现实技术包含了多媒体、三维建模、实时视频显示及控制、多传感器融合、实时跟踪及注册、场景融合等新技术与新手段，为人类感知信息提供了新的方式。 /p p 　　技术突破：集成了众多计算机科技和图形图像学技术，包括实时渲染技术、空间定位追踪、图像识别、人机交互、显示技术、云端存储、数据传输、内容开发工具等领域。AR技术不仅展现了真实世界的信息，而且将虚拟的信息同时显示出来，两种信息相互补充、叠加。在视觉化的增强现实中，用户利用头戴显示器，把真实世界与电脑图形重叠在一起，便可以看到真实的世界围绕着它。 /p p 　　5、生物特征识别技术 /p p 　　入选理由：行为识别技术应用于安防，为安全又上了一道锁。 /p p 　　技术突破：店铺安装摄像头已经是一件非常普遍的行为，但普通的摄像头只能纪录店铺内人们的行为，如果发现盗窃需要通过观看监控记录人工排查，耗时费力。比如日本电信巨头NTT宣布研发出一款名为“AI Guardman”的新型人工智能安全摄像头，来帮助店家抓扒手。这款监视器系统，可以即时扫描影像串流、估测影像中的人物肢体动作，然后将这些数据与预设的“可疑”行为相比，发现潜在的商店扒手，如果发现可疑行为，系统就会透过App通知店家。 /p p 　　6、机器人流程自动化 /p p 　　入选理由：机器人流程自动化能够帮助甚至代替人类负担大量简单且单一、重复而繁琐的工作，并且具有高效性。 /p p 　　技术突破：机器人流程自动化(RPA)是通过使用高性能认知技术实现业务的自动化和工作的效率。人类只需在操作界面上编写需要人工完成的工作流程，即可处理各种业务。Gartner数据显示，在过去的一年中，全球范围中大型商业巨头里有300家陆陆续开展了RPA工程，将原先手工化的流程进行自动化改革。随着科技的进步RPA将融入更多人工智能技术，即智能流程自动化(Intelligent Process Automation)。相当于在基于规则的自动化基础(RPA)之上增加基于深度学习和认知技术的推理、判断、决策能力。 /p p 　　7、微软小冰，会作词作曲演唱的人工智能的诞生 /p p 　　入选理由：简单粗暴的早期市场，“使人工智能系统变得有用”是吸引用户的唯一出路。而会学习、工作的人类社会人工智能少女显然满足这个需求。 /p p 　　技术突破：在微软2018人工智能大会上，微软(亚洲)互联网工程研究院副院长李笛曾经分享到，现在多数用户跟语音助手交互的时间其实不超过5秒，一般就是让语音助手去执行一项命令，这样的语音助手其实只是像语音化了的遥控器。但是，小冰的团队希望语音助手能做更多的事，比如走到比较后端，去提供内容。在文字创作这一部分，小冰一开始学写诗，现在已经迭代出了创作歌词的模型。在声音创作方面，小冰除了唱歌以外，还会创作有声读物。在大会之前，小冰就已经出了一本诗集《阳光失了玻璃窗》，小冰写诗的功能已经全面开放，正在筹备的第二本诗集将是与人合作完成，小冰能很快速生成一些原始诗歌内容，创作者可以进行修改和完善，最后的成果属于创作者，因为小冰已经完全放弃其创作的内容的版权。 /p p 　　8、“睿米”神经外科手术机器人亮相 /p p 　　入选理由：在现在这个“生病已是常态”的社会，大数据在医疗领域哪怕一点点的突破都足以所有人瞩目，2018年8月15日世界机器人大会上，北京柏惠维康科技有限公司“睿米”神经外科手术机器人亮相世界机器人大会，我们对医疗机器人又多了一份信心。 /p p 　　技术突破：“睿米”神经外科手术机器人已经成功开展了包含颅内活检，DBS，血肿抽吸，SEEG，核团毁损，导航等其他各类神经外科手术，其精准性，简易性，有效性及微创性获得专家的认可。“睿米”神经外科手术机器人由计算机及软件系统、机械臂、摄像头三部分组成：计算机及软件系统(手术规划软件)负责合成患者头颅的三维模型，方便医生观察病灶，进行手术规划 机械臂，负责定位医生规划的手术位置，精度达到1mm，同时还是多功能手术平台 摄像头，可实时捕捉机械臂和患者的位置信息，确保机械臂按手术规划路径运动到指定位置。“睿米”作为脑外科手术的“GPS”系统，可以帮助医生在不开颅的情况下定位到颅内的细微病变，实现精准的微创手术。目前，“睿米”神经外科手术机器人已进入天坛，宣武，301，协和等三甲医院，并成功开展DBS手术。 /p

血液病流式细胞学人工智能分析软件性能评价审评要点本要点旨在指导注册申请人对血液病流式细胞学人工智能分析软件注册申报资料中非临床评价部分的准备及撰写，同时也为技术审评部门提供参考。本要点是对血液病流式细胞学人工智能分析软件申报资料的一般要求，申请人需依据产品的具体特性确定其中内容是否适用。若不适用，需具体阐述理由及相应的科学依据，并依据产品的具体特性对注册申报资料的内容进行充实和细化。本要点是供注册申请人和技术审评人员使用的指导性文件，但不包括审评审批所涉及的行政事项，亦不作为法规强制执行，需在遵循相关法规的前提下使用本指导原则。如果有能够满足相关法规要求的其他方法，也可以采用，但是需要提供详细的研究资料和验证资料。本要点是在现行法规和标准体系以及当前认知水平下制定的，随着法规和标准的不断完善，以及科学技术的不断发展，本要点的相关内容也将进行适时的调整。一、适用范围血液病流式细胞学分析，与细胞形态学、细胞遗传学、分子遗传学等一起，用于血液病的辅助诊断、鉴别诊断、预后判断、治疗监测、免疫监测、造血干细胞移植相关检测等。样本类型可为血液或骨髓、淋巴结、脑脊液、及其他适用样本类型。血液病流式细胞学人工智能分析软件，指通过人工智能算法帮助医生分析多参数流式细胞学技术/流式细胞仪产生的结构化数据，如数据文件或图形文件等进行血液病辅助体外诊断的软件，通常用于定性或定量分析，可以是软件组件或独立软件。通过对结构化数据的人工智能算法分析，用途包含：（一）基础分析：通过单一的人工智能算法辅助流式细胞学数据的可视化，从而辅助流式诊断人员进行自动设门和分析。（二）高阶分析：通过多个人工智能算法组合使用（如集成学习算法和卷积神经网络算法组合使用），实现自动设门辅助血液疾病诊断（良/恶性、白血病亚型分类、淋巴瘤分型等）、化疗后的微小残留病监测等。产品在医疗机构、医学实验室使用，其结果供执业医师参考。软件作为血液病流式细胞学辅助诊断工具，其提示的诊断结果不能作为临床诊断决策的唯一依据。产品管理类别：独立软件分类编码：21-04-02（计算机辅助诊断/分析软件）软件组件分类编码：22-01-08（流式细胞分析仪器）应注意本要点主要适用于辅助决策类的人工智能医疗器械，按照第三类管理，其他类别的产品可根据其适用性参照执行。关于人工智能医用软件分类的判定，可参照《人工智能医用软件产品分类界定指导原则》。产品名称：建议依据医用软件通用名称要求，按“特征词1（如有）+特征词2（如有）+特征词3（如有）+核心词”结构编制。具体到该类产品，建议体现处理对象和临床用途，如血液病（具体病种）+流式细胞学辅助分析/检测软件，可参考《医疗器械分类目录》、《医用软件通用名称命名指导原则》中的品名举例或已批准的同类产品进行命名。如为软件组件，则产品名称体现医疗器械名称，如“多参数流式细胞仪”，但在适用范围体现人工智能算法类型，在产品说明书体现使用限制等相关内容。本要点基于《人工智能医疗器械注册审查指导原则》的基本框架要求，其中关于人工智能医疗器械的的术语定义、相关要求参照上述指导原则。二、产品简介该类软件的分析对象基于流式细胞仪产生的标准化的结构化数据文件或图形文件等。产品的工作原理：产品为独立软件或软件组件，采用人工智能算法对流式细胞仪数据进行处理（如：数据特征提取、数据通过函数图形化以及自动设门、决策分析等），实现对流式细胞仪数据、对细胞分类及定量结果进行分析，达到辅助诊断的功能。主要结构及组成：结构组成明确交付内容和功能模块，其中交付内容包括软件安装程序、授权文件、外部软件环境安装程序等软件程序文件，功能模块包括客户端、服务器端（若适用）等，若适用注明选装、模块版本。服务器端：负责接收并处理请求，对请求进行数据处理，调用人工智能算法（如PCA、t-SNE、SVM等）对数据进行处理并输出分析结果。把用户请求的数据结果返回给浏览器。客户端：将服务器端分析结果呈现到用户界面。用户 可在用户界面端进行自动设门、细胞分群、辅助分类、辅助诊断、报告管理、检索查询、用户管理、查看日志等功能操作。预期使用环境：申报产品主要使用环境为医疗机构、医学实验室。三、基本要求在满足相关法规、规章、指导原则、标准的前提下，还应重点关注下列内容：（一）综述资料详细描述该产品的算法名称，选择该算法的依据和权威文献，数据处理的在流式细胞分析流程中的节点及辅助决策功能及功能实现方法，描述配套使用流式细胞仪器设备（厂家、型号、注册证号及主要参数设置：包括激光数、通道设置等）及仪器质量控制参数（仪器校准、电压补偿等）、配套使用的流式细胞检测试剂（名称、厂家、注册证号等），描述数据产生的样本类型。人工智能医疗器械从成熟度角度可分为成熟和全新两种类型，其中成熟是指安全有效性已在医疗实践中得到充分证实的情形，全新是指未上市或安全有效性尚未在医疗实践中得到充分证实的情形。人工智能医疗器械的算法、功能、用途若有一项为全新则属于全新类型，反之属于成熟类型。在资料中应当说明采用算法的成熟程度，采用全新算法的，应当在综述资料中详细说明。阐述软件研发背景，包括对辅助决策功能的介绍，目前该血液病临床诊断参考标准、诊疗指南和分型依据。申报产品数据处理标准和分型依据应与临床标准一致。（二）非临床资料1.产品技术要求及检验报告性能指标应包括“所分析的数据类型”、“分析速度”、“临床功能”等，如数据处理、数据分析、诊断提示等。其他要求请参照《医疗器械软件注册审查指导原则（2022年修订版）》。2.软件研究资料按照《医疗器械软件注册审查指导原则（2022年修订版）》、《医疗器械网络安全注册审查指导原则（2022年修订版）》、《人工智能医疗器械注册审查指导原则》的要求，提交研究资料。明确发布版本号。提交的研究资料主要包含软件研究资料、算法研究资料、网络安全研究资料。研究资料内容应涵盖申报产品适用范围中描述的全部内容。2.1风险管理软件安全性级别越高，其生存周期质控要求越严格，注册申报资料越详尽，同时由于全新类型的潜在未知风险多于成熟类型，故需结合成熟度予以综合考虑。人工智能医疗器械的软件安全性级别可基于产品的预期用途、使用场景、核心功能进行综合判定，其中预期用途主要考虑用途类型、重要程度、紧迫程度等因素，使用场景主要考虑使用场合、疾病特征、适用人群、目标用户等因素，核心功能主要考虑功能类型、核心算法、输入输出、接口等因素。参考YY/T 0316、GB/T 42062和YY/T 0664等标准进行风险管理。风险管理活动应当基于软件的预期用途、使用场景、核心功能予以实施，并贯穿软件全生命周期过程。申请人重点考虑如下风险因素：此类产品算法风险包括算法选择风险、算法训练及验证的风险等，主要包括算法选择依据不充分，算法训练使用的数据质量不高，数据代表性不足或数据量不够，由于样本前处理、流式细胞仪光路信号校准和质控，流式细胞分析过程或流式荧光试剂标记发生错误等原因产生，造成过拟合和欠拟合导致的泛化能力不足，数据扩增（如适用）和数据偏移等造成的假阴性和假阳性错误等；使用中的风险主要包括未经培训的人员使用，以及样本采集、处理、仪器校准等错误，造成的假阴性和假阳性错误。其中假阴性即漏诊，可能导致后续诊疗活动延误，特别是要考虑快速进展疾病的诊疗活动延误风险，而假阳性即误诊，可能导致后续不必要的诊疗活动。以算法特性为核心重点关注其泛化能力，以模型/数据为基础重点关注其质控情况，同时从风险管理角度兼顾算力不足与失效的影响。注册申请人应结合人工智能医疗器械的预期用途、使用场景、核心功能开展风险管理活动，采取风险控制措施将风险降至可接受水平，并贯穿于人工智能医疗器械全生命周期过程。此外，进口人工智能医疗器械还需考虑中外差异风险，如人种、流行病学特征、临床诊疗规范等差异。2.2需求规范提供软件需求规范文档，明确软件的功能、性能、接口、用户界面、运行环境、网络安全、数据采集等需求。数据采集需考虑数据来源的合规性、充分性和多样性，数据分布的科学性和合理性，数据质控的充分性、有效性和准确性。数据应来源于分布于不同地域的机构且不少于3家，确保数据应当具备高度的多样性。机构应使用软件说明书中的分析流程采集数据，如明确的样本来源、仪器设备、样本处理（前处理、单细胞悬液的制作、荧光抗体试剂的选择等）。数据分布的科学性和合理性，应考虑包括但不限于疾病构成（如分型、分级、分期）、人群分布（如高危人群、患者，性别、年龄）等情况。算法性能需结合产品预期用途，综合考虑分析速度、敏感性、特异性、重复性与再现性、泛化性等性能指标的适用性及其要求。同时还需考虑因梯度消失（如适用）、梯度爆炸（如适用）、过拟合和欠拟合等影响算法性能的因素。使用限制需考虑产品禁用、慎用等场景，准确表述产品使用场景，提供必要警示提示信息。2.3软件性能研究提供产品性能研究资料以及产品技术要求的研究和编制说明，给出软件相关的功能性、安全性指标的确定依据。注册申请人需在软件研究资料中提交GB/T 25000.51自测报告，亦可提交自检报告或检验报告代替自测报告。产品技术要求中各指标依据产品自身特点确定。2.4算法研究资料根据《人工智能医疗器械注册审查指导原则》提交算法研究资料。逐项提交每个人工智能算法或算法组合的算法研究报告。2.4.1算法基本信息明确算法的名称、类型、结构、输入输出、流程图、算法框架、运行环境等基本信息以及算法选用依据。其中，算法类型从学习策略、学习方法（基于模型的算法和基于数据的算法）、可解释性（白盒算法和黑盒算法）等角度明确算法特性。算法结构部分应明确算法的层数、参数规模等超参数信息。流程图应包含输入示例、学习方法示意图输出示例。算法框架应明确所用人工智能算法框架的基本信息，包括名称、类型（自研算法框架、现成算法框架）、型号规格、完整版本、制造商等信息。若基于云计算平台，应明确云计算的名称、服务模式、部署模式、配置以及云服务商的名称、住所、服务资质。运行环境应明确算法正常运行所需的典型运行环境，包括硬件配置、外部软件环境、网络条件；若使用人工智能芯片应明确其名称、型号规格、制造商、性能指标等信息。算法选用依据详述算法或算法组合选用的理由和基本原则。2.4.2算法风险管理结合预期用途、使用场景、和核心功能、算法成熟度、网络安全等因素，此类产品的软件安全性级别为严重级别。提供算法风险管理资料，若无单独文档可提供软件风险管理资料，并注明算法风险管理所在位置。2.4.3算法需求规范提供算法需求规范文档，若无单独文档可提供软件需求规范，并注明算法需求所在位置。2.4.4数据收集2.4.4.1提供数据来源合规性声明，列明数据来源机构的名称、所在地域、数据收集量、伦理批件（或科研合作协议）编号等信息。2.4.4.2数据采集建议参考2.2需求规范的要求，提供数据采集操作规范文档，包括数据采集方案和数据采集标准操作规程。数据采集主要由临床机构实施，应明确流式细胞分析流程的全部信息（包括全流程质控标准、panel设计、仪器和试剂的标准化SOP等）、明确样本及样本处理要求、样本的来源与分布、样本质量要求（样本保存时限、质量判断标准）、采集设备要求（应包含流式细胞仪型号、通道数量、注册证号、设备质控及补偿调节方式、数据的基本处理方式等）、流式抗体试剂要求（厂家、注册证号等）、数据质量要求、采集过程、数据脱敏、数据转移等要求。采集过程应对样本数据进行编号并加密，方案中应包含编号规则。关于数据集采集方面建议明确偏倚的控制方法，如： （1）为了保证研究对象的代表性，可从目标人群中随机抽样、多中心，保证样本量要足够大。 （2）为了保证研究对象选择的质量，研究设计中应有明确、具体的诊断标准、纳入标准和排除标准。 （3）检测标本尽量保持试验条件的前后一致性，注意试剂质量、仪器性能、样本保存和操作规定。 建议通过限制、配比、标准化、随机化、分层分析和多元分析等进行控制。2.4.4.3数据整理明确数据清洗/预处理程序，对数据处理中应用的软件进行简述，并以附件的形式提交数据处理中各软件的软件研究资料。数据整理基于原始数据库考虑数据清洗、数据预处理的质控要求。数据清洗需明确清洗的规则、方法、结果，数据预处理需明确处理的方法、结果。数据整理所用软件工具均需明确名称、型号规格、完整版本、制造商、运行环境，并进行软件确认。2.4.4.4数据标注明确标注人员和仲裁人员的资质要求和培训内容，标注人员和仲裁人员应为相关专业资质的人员，数据应经过2人或以上进行标注，标注方式建议给出依据。简述标记系统信息，给出数据/图像界面截图，详细介绍标注过程、标注对象和标注标准（注意与临床诊断标准的一致性）等。明确标注过程质控、标注质量评估、数据安全保证等要求，明确室内质控、室间质评等要求。应当注意标注数据的质量评估，可抽选一定比例数据由有资质的非标注人员结合临床进行综合诊断评估。提供原始数据库、基础数据库、标注数据库、扩增数据库（如有），关于疾病构成的数据分布情况，包括适用人群、数据来源机构、采集设备、样本类型等因素。若数据来自公开数据库，提供公开数据库的基本信息（如名称、创建者、数据总量等）和使用情况（如数据使用量、数据质量评估、数据分布等）。2.4.4.5数据集构建明确各数据集划分的方法及依据。训练集应当保证样本分布具有均衡性，根据预期用途，训练样本应涵盖不同血液病样本类型、不同分群类型等。调优集应保证样本分布符合临床实际情况，如阳性比例，不同类型比例、不同临床分型比例等均应符合临床实际情况。训练集、调优集、测试集的样本应两两无交集并通过查重予以验证。如适用，进行数据扩增验证时，应当明确扩增的方式、方法、倍数，并考虑数据扩增对软件的影响及风险。列表比较扩增数据库与标注数据库的差异，论证扩增数据库样本量的充分性以及分布的合理性。2.4.5算法训练依据适用人群、数据来源机构、采集设备、样本类型等因素，提供训练集、调优集（若有）关于疾病构成的数据分布情况。算法训练基于训练集、调优集进行训练和调优，应明确算法训练所用的评估指标、训练方式、训练目标、调优方法，提供ROC曲线或混淆矩阵等证据（如：迭代次数-训练CountIOU曲线和迭代册数-召回率曲线）证明训练目标满足医疗要求，提供训练数据量-评估指标曲线（如迭代次数-Loss曲线）等证据以证实算法训练的充分性和有效性。应当提供人工智能学习算法常用的评估函数来评估算法训练的质量。2.4.6算法性能评估基于测试集对算法设计进行评估，确认软件算法性能的效率、敏感性、特异性，性能应满足算法设计要求。算法验证：算法性能评估应包括软件对样本满意度评价的能力测试、泛化能力的测试、压力测试（指采用罕见或特殊的真实数据样本开展的算法性能测试）、对抗测试、重复性与再现性测试、诊断敏感性与特异性测试、分析效率测试、算法性能影响因素分析、性能评估结果比较分析、偏差报告等研究。应以该软件和临床综合诊断的一致性进行比较.评价细胞分群的准确性。通过样本量估算确定测试集中阴、阳性样本和压力样本的样本量，提供测试集关于疾病构成（包括年龄和血液病类型、白细胞分化抗原种类）、数据来源的数据分布情况。明确对抗样本的选择原则；明确性能评估的可接受标准和标准制定依据。提交测试报告和结果图示例。若使用第三方数据库开展算法性能评估，提供第三方数据库的基本信息（如名称、创建者、数据总量等）和使用情况（如测试数据样本量、评估指标、评估结果等）。还应提交第三方数据库数据样本来源和本分析软件在产品技术要求、说明书中要求的流式细胞分析流程的一致性评价（包含样本要求、处理方式、流式细胞荧光抗体试剂的选择、流式细胞仪、荧光及电压补偿方式、应用的函数等）,应提交符合要求的流式细胞仪数据。算法的确认：此类产品均需按照GCP的要求开展临床试验。临床试验的机构应具备该软件要求的流式细胞分析流程所需的人员、试剂及仪器设备，临床试验应以该软件和临床综合诊断的一致性进行比较，确保其产生的流式细胞仪数据与该软件说明书和技术要求的一致性。2.4.7算法可追溯性分析提供算法可追溯性分析报告，即追溯算法需求、算法设计、源代码（明确软件单元名称即可）、算法测试、算法风险管理的关系表。若无单独文档可提供软件可追溯性分析报告，需注明算法可追溯性分析所在位置。（三）产品说明书和标签样稿明确该产品适用范围，明确流式细胞学人工智能分析的全流程质控标准、适用的流式细胞分析设备、设备参数设置、适用的试剂及试剂盘设计、样本处理方法和本软件适用的标准化SOP等。明确软件报告内容。对产品带来的假阳/假阴性风险进行提示。根据算法性能综合评价结果，对产品的适用范围、使用场景、核心功能进行必要限制，并在说明书中明确产品使用限制和必要警示提示信息。明确数据采集设备和数据采集过程相关要求。若产品采用人工智能黑盒算法，根据算法影响因素分析报告，在说明书明确产品使用期限、使用限制和必要的警示提示信息。明确人工智能算法的算法性能评估总结（测试集基本信息、评估指标与结果）、临床评价总结（临床数据基本信息、评价指标与结果）、决策指标定义（或提供决策指标定义所依据的临床指南、专家共识等参考文献）等信息。若采用基于数据的人工智能算法，说明书还应补充算法训练总结信息（训练集基本信息、训练指标与结果）列明算法训练总结和算法性能评估总结以及临床评价总结。对于软件安全性级别为严重级别的产品，需提供用户培训材料。

中国科学技术大学郭光灿院士团队在集成光子芯片量子器件的研究中取得新进展。该团队邹长铃、李明研究组提出人工合成光学非线性过程的通用方法，在集成芯片微腔中实验观测到高效率的合成高阶非线性过程，并展示了其在跨波段量子纠缠光源中的应用潜力。相关成果10月20日在线发表于《自然—通讯》。　　自激光问世以来，非线性光学效应已经被广泛应用于光学成像、光学传感、频率转换和精密光谱等领域中。对于新兴的量子信息处理来说，它也是实现量子纠缠光源以及量子逻辑门操作的核心元素。然而受限于材料非线性极化率随阶数呈指数衰减这一本征属性，人们对光学非线性的应用主要局限于二阶和三阶过程，多个光子同时参与的高阶过程很少被研究。一方面，低阶过程限制了传统非线性与光量子器件的性能，比如量子光源的可扩展性；另一方面，人们也好奇高阶非线性过程所蕴含的新颖非线性与量子物理现象。　　利用集成光子芯片上的微纳光学结构可以增强光子间的非线性相互作用，这已经成为目前国际上集成光学与非线性光学方向的研究热点。邹长铃研究组李明等人长期致力于集成光子芯片量子器件的研究，开拓微腔增强的非线性光子学，提出并证实了微腔内多种非线性过程的协同效应，开辟了室温下少光子、甚至单光子级的量子器件的新途径。现阶段，该研究组已经能够将非线性相互作用强度随阶次的衰减速率从10-10提升到10-5。即使如此，在集成光子芯片上实验观测到阶次大于三的高效率非线性效应依然极具挑战。　　针对该难题，李明等人另辟蹊径，提出一种新颖的非线性过程人工合成理论，即利用材料固有的较强的二阶、三阶等低阶效应，通过人工调控多个低阶过程级联形成的非线性光学网络来实现任意形式、任意阶次的光子非线性相互作用。这种方法避免了在原子尺度去修饰材料的非线性响应，而仅需要控制微纳器件的几何结构就可实现高效率、可重构的高阶非线性过程。　　利用集成的氮化铝光学微腔，该团队在实验上同时操控二阶的和频过程和三阶的四波混频过程，合成了更高阶的四阶非线性过程。实验证明，该人工合成的过程比材料固有的四阶非线性效应强500倍以上。如果进一步提升微腔的品质因子，该增强倍数可达1000万以上。　　该团队将人工合成的四阶非线性应用于产生跨可见-通信波段的量子纠缠光源。通过测量跨波段光子间的时间-能量纠缠验证了人工合成过程的相干性。相比于传统跨波段量子纠缠光源的产生方法，该工作极大降低了相位匹配的困难，并且仅需要通信波段单一泵浦激光，展现了人工合成非线性过程的优势和应用潜力。审稿人高度肯定了该工作的创新性。　　中科院量子信息重点实验室博士研究生王家齐、杨元昊为论文共同第一作者，李明副研究员、邹长铃教授为论文通讯作者。

p 　　11月15日，科技部在京召开新一代人工智能发展规划暨重大科技项目启动会。会议深入学习贯彻党的十九大精神，紧紧围绕新一代人工智能发展规划，形成了任务落实的系统安排，全面推进规划和重大科技项目启动实施。科技部部长万钢，科技部党组书记、副部长王志刚，中国工程院院长周济，教育部副部长杜占元，工业和信息化部副部长罗文，交通运输部党组成员李建波，卫生计生委副主任曾益新，军委装备发展部副部长王力，科技部副部长李萌，部分战略咨询委员会专家出席会议。地方科技部门、产业技术创新战略联盟的代表，以及人工智能研发应用方面领先的部分企业、高校、科研院所代表，科技部有关司局和事业单位负责同志也参加了会议。会议由王志刚书记主持。 /p p 　　王志刚首先 strong 介绍了新一代人工智能发展规划实施的组织推进机制，宣布成立新一代人工智能发展规划推进办公室 /strong ，由科技部、发展改革委、财政部、教育部、工业和信息化部、交通部、农业部、卫生计生委、中科院、工程院、自然科学基金会、中央军民融合发展委员会办公室、军委装备发展部、军委科技委、中国科协等15个部门构成，负责推进新一代人工智能发展规划和重大科技项目的组织实施。宣布成立新一代人工智能战略咨询委员会，为规划和重大科技项目实施，以及国家人工智能发展的相关重大部署提供咨询。战略咨询委员会由潘云鹤院士任组长，成员包括陈纯院士、李未院士、高文院士、郑南宁院士、吴澄院士、李伯虎院士、吕跃广院士、梅宏院士、曹雪涛院士、王天然院士、吕建院士、吴志强院士、黄如院士、刘明院士、徐宗本院士、吴曼青院士、徐波研究员、李斌研究员、赵春江研究员、刘忠教授、薛澜教授，以及来自企业的闵万里先生、王海峰先生、姚星先生、胡郁先生、余凯先生共27名专家。 /p p 　　 strong 李萌介绍了新一代人工智能发展规划部署实施的前期准备 /strong ，强调规划实施要构建开放协同的人工智能科技创新体系，把握人工智能技术属性和社会属性高度融合的特征，坚持人工智能研发攻关、产品应用和产业培育“三位一体”推进，强化人工智能对科技、经济、社会发展和国家安全的全面支撑，并从明确部门分工、加快重大科技项目实施、推进试点示范、加强国际合作、出台针对性政策等方面提出了下一步工作的具体安排。 /p p 　　科技部高新司司长秦勇介绍了新一代人工智能重大科技项目实施的总体考虑，并宣布首批国家新一代人工智能开放创新平台名单： strong 依托百度公司建设自动驾驶国家新一代人工智能开放创新平台，依托阿里云公司建设城市大脑国家新一代人工智能开放创新平台，依托腾讯公司建设医疗影像国家新一代人工智能开放创新平台，依托科大讯飞公司建设智能语音国家新一代人工智能开放创新平台。 /strong 各开放创新平台代表和产业技术创新联盟代表分别发言，表示愿意为我国新一代人工智能发展贡献力量。 /p p 　　潘云鹤代表新一代人工智能战略咨询委员会发言，表示战略咨询委员会将认真履职，为国家人工智能发展的重大战略问题提供专业咨询建议，为新一代人工智能发展规划和重大科技项目实施、人工智能学科建设和人才培养建言献策，为推动人工智能健康发展作出中国科学家的贡献。 /p p 　　 strong 万钢对规划和项目实施提出要求，强调三个方面： /strong /p p strong 　　一是要切实增强使命感和紧迫感，充分认识新时代我国发展人工智能的重大意义。 /strong /p p strong 　　二是要强化重点任务部署，打造我国人工智能先发优势。 /strong 要突出基础前沿和高端引领，牢牢把握创新源头和方向，实施好重大科技项目，形成新一代人工智能技术体系的前瞻布局。要大规模推进人工智能创新应用，促进人工智能与实体经济深度融合，引领带动智能经济和智能社会发展。要加强人才队伍建设，加快形成人工智能人才高地。 /p p 　　 strong 三是要强化开源开放和政策引导，形成推进人工智能健康发展的良好生态。 /strong 强化企业主体和市场主导，突出企业在技术路线选择和行业产品标准制定中的主体作用。注重开源开放，建设开放知识平台、开源软件平台，开源硬件工厂，打造群智众创空间、社会交流平台，推动人工智能创新创业。深化国际合作，加强人工智能技术研发合作和全球共性问题研究。要注重政策设计和风险防范，探索对人工智能新业态包容审慎的监管，研究应对人工智能对就业结构、伦理道德、隐私保护等带来的挑战。 /p p 　　王志刚总结时指出，这次会议是贯彻落实党的十九大精神、加快推进我国人工智能发展的一次重要会议，会议的召开标志着新一代人工智能发展规划和重大科技项目进入全面启动实施阶段。下一步，要按照党中央部署要求，以钉钉子的精神切实抓好规划任务落实。要把规划落实与学习贯彻党的十九大精神紧密结合，深入研究新时代我国人工智能发展的战略地位和重点、人工智能在解决社会主要矛盾方面的作用、人工智能与实体经济深度融合、智慧社会建设等重大问题并提出针对性措施，在规划实施中要把十九大的部署要求落实到位。要加快推进重点任务落实落地，把中央关于人工智能的各项部署转化细化为具体工作任务，把规划确定的各项重点任务排出时间表、路线图。要加强规划实施组织协调，各部门要按照任务分工，制定具体工作方案，形成规划落实的合力。规划推进办公室要做好规划实施的协调指导和检查评估，会同相关部门、地方，聚集政产学研用各方资源做好规划和项目的落实。 /p p & nbsp /p

浙江省科学技术厅近日公布了关于组织申报2025年度省“尖兵”“领雁”科技计划项目的通知，围绕三大科创高地，聚焦人工智能、量子科技、集成电路、生物科技、新能源、新材料、组学与精准医学等领域方向，采用竞争性分配和择优委托遴选方式，组织实施一批“尖兵”“领雁”项目。采用竞争性分配方式的榜单（指南），如仅有一家单位申报，原则上不进入项目评审。申报方式如下：（一）网上填报。请各申报单位使用政务服务网账号，登录浙江省科技管理运行平台（https://pm.kjt.zj.gov.cn）进行网上填报。项目申报单位和参与单位、项目负责人和主要参与人须签署并上传诚信承诺书。网上填报受理时间:2024年8月28日至9月20日17:30。（二）组织推荐。请设区市科技局和归口管理部门做好组织申报和审核推荐工作，严格履行推荐单位主体责任，加强审核把关，并于9月24日17:30前将推荐函和推荐汇总表、承诺书盖章后扫描上传至申报系统。通知全文如下：浙江省科学技术厅关于组织申报2025年度省“尖兵”“领雁”科技计划项目的通知各设区市科技局，各有关单位：为深入贯彻党的二十届三中全会、全国科技大会精神以及省委科技委第一次全体会议精神，加强“六大统筹”，构建协同高效的决策指挥体系和组织实施体系，切实提升项目管理水平和实施绩效，根据《浙江省科技创新规划和科技计划管理办法（试行）》（浙科委办发〔2024〕2号）、《浙江省科技计划项目组织实施机制方案（试行）》（浙科委办发〔2024〕5号）等要求，以“双尖双领+X”计划为统领，迭代实施省重大科技计划、省基础研究计划、省重点行业领域科技计划、省地协同项目等省科技计划项目。本次主要围绕省重大科技专项和省应用基础研究计划，启动2025年度省“尖兵”“领雁”项目申报工作，现将有关事项通知如下。一、组织实施要求立足“四个面向”，围绕“315”科技创新体系战略领域和产业瓶颈制约，以取得“叫得响、立得住、推得开”的标志性成果为导向，强化重大科创平台引领，加强企业主导的产学研深度融合，坚持创新资源一体化配置、产学研一体化联动、研用奖一体化管理，从基础研究、应用基础研究、核心技术攻关到成果转化应用全链条、一体化布局。强化开展有组织科研，聚焦重大战略需求，提升攻关时效，优化重大科技创新组织机制，建立统一的科技运行管理机制，统筹强化关键核心技术攻关，加强有组织的基础研究。强化教科人一体化改革，支持重大科创平台、高校院所、创新人才、领军企业等共同凝练科学问题、联合开展科研攻关、协同培养科技人才，推动平台共建、人才共引、项目共研等。强化重大科技成果的“实战性”，集中力量突破关键核心技术、基础前沿技术，加强成果转化应用跟踪问效，推动成果从样品变成产品、形成产业，加快以科技创新推动产业创新，以高质量科技供给支撑新质生产力发展、引领现代化产业体系建设。二、组织实施方式围绕三大科创高地，聚焦人工智能、量子科技、集成电路、生物科技、新能源、新材料、组学与精准医学等领域方向，采用竞争性分配和择优委托遴选方式，组织实施一批“尖兵”“领雁”项目。采用竞争性分配方式的榜单（指南），如仅有一家单位申报，原则上不进入项目评审。（一）“尖兵”项目。围绕国家和我省重大科技战略目标，聚焦关键核心技术和战略前沿技术、重大战略产品、重大工程等，坚持全链条创新设计、一体化组织实施，整合科技资源、集中优势力量开展大兵团作战。探索试行行政技术两总制、总体部制和产品责任制，按照“总体设计部署-具体项目实施-整体目标实现”方式组建总体部，开展“大兵团”协同作战，支持科技领军企业、科技小巨人企业、专精特新“小巨人”企业等牵头，联合上下游企业和高校院所组建创新联合体开展攻关；以产品为标志性成果的项目，探索建立产品责任单位、项目承担单位任务落实的两级责任体系，在产品下布局若干项目，实施“军令状”“里程碑”考核。（二）“领雁”项目。围绕战略性、基础性、前瞻性重大科学问题、基础前沿技术等，加强跨部门、跨行业、跨领域研发布局和协同创新，为经济和社会发展提供持续性支撑和引领。三、申报推荐要求（一）申报单位要求1.项目申报单位和参与单位应为具有独立法人资格且运行管理规范的高等学校、科研院所、新型研发机构和企业等，申报单位和需拨付财政经费的参与单位应为在浙江注册单位。政府机关不得牵头或参与申报。2.申报单位为企业的，须设立并正常运营1年以上（2023年8月1日前注册），应具有相应的研发能力和研发投入，且上年度研发投入强度原则上不低于同行业研发投入强度平均水平。“尖兵”项目申报单位无注册时间要求。3.申报单位原则上应建有相关领域的重点实验室、临床医学研究中心、工程技术研究中心、企业研究院等省级及以上科技创新平台，项目负责人应承诺为科技创新平台成员。4.申报单位应整合优势创新团队，积极吸纳青年和女性科研人员参与项目研发，鼓励有能力的青年和女性科研人员作为项目负责人领衔担纲承担任务。（二）申报人员要求1.项目负责人原则上应为申报单位在职人员，具有领导和组织开展创新性研究的能力，且项目实施期间应确保攻关任务稳定持续推进。如非申报单位在职人员，应由申报单位出具赋予其管理项目实施的授权书。2.项目负责人在项目实施期内将到达法定退休年龄的，原则上不得申报；如确需申报的，应由单位出具允许申报且能确保项目履约实施的承诺书。“尖兵”项目申报无年龄、学历和职称要求。3.符合条件的专业技术类公务员，经批准可以参加“尖兵”“领雁”项目申报。（三）限项相关要求1.项目负责人。同年度只能申报1项“尖兵”“领雁”项目，且“领雁”项目不得与自然科学基金项目同时申报；主持在研各类省级科技计划项目数原则上不超过1项；同年度获资助的各类省级科技计划项目原则上不超过1项。2.项目主要参与人（除项目负责人外，排名前3的参与人），参与在研项目数不超过2项。3.企业申报单位。同一企业牵头承担在研项目数一般为2项（省级创新联合体牵头企业、科技领军企业承担在研项目数原则上不超过3项）。大型企业（规上企业）牵头承担的项目应联合1家及以上的中小微企业参加，并配套相应研发经费。（四）资金相关要求根据《浙江省重点研发计划暂行管理办法》《省重点研发计划择优委托项目组织实施细则（试行）》等文件规定，对资金作以下相关要求。1.联合出资要求。鼓励市县、高校院所、新型研发机构、社会资本等共同投入、协同攻关，联合出资、联动投入情况作为评审立项的重要因素。2.自筹和外拨经费要求（1）竞争性分配项目。由企业牵头申报的，自筹经费不低于财政补助经费的4倍（山区海岛县企业、历史经典产业和农业领域项目原则上不低于研发总经费的60%）；由高校院所、新型研发机构、医疗卫生机构等事业性质单位牵头联合企业共同申报的，自筹经费不低于财政补助经费；由高校院所、新型研发机构、医疗卫生机构等独立承担的，鼓励单位联动加大研发投入，研发投入总额不低于财政补助经费。（2）择优委托项目。由企业牵头申报的，自筹经费不低于财政补助经费的2倍；由高校院所、新型研发机构、医疗卫生机构等联合企业共同申报的，自筹经费不低于财政补助经费；由高校院所、新型研发机构、医疗卫生机构等独立申报的，自筹经费不低于财政补助经费的20%。项目立项后，自筹经费不得调减。项目申请财政补助金额外拨比例原则上不得超过50%。3.宁波市属单位和企业承担的项目，由宁波市落实项目经费、自主管理。（五）科研诚信及伦理要求1.申报单位、参与单位以及团队成员无在惩戒执行期内的科研失信行为记录和相关社会领域信用“黑名单”记录。2.申报单位和项目负责人应承诺本次申报项目的主要研发内容未获国家和省级等有关部门立项支持，未多头申报或重复申报，并按约定开展成果专利转化。3.项目实施过程中应严格遵守《中华人民共和国科学技术进步法》《科技伦理审查办法（试行）》《中华人民共和国人类遗传资源管理条例》等法律法规和有关规定，恪守职业规范和科学道德。（六）归口推荐要求实行项目申报限额与择优推荐相结合的方式，年度项目推荐数可登录申报系统查询。1.限额推荐。设区市科技局和归口管理部门应按照“谁能干让谁干”的原则，严格对照目标任务、指标覆盖、申报条件等要求，在限额范围内择优推荐。以往承担过省重点研发计划项目且验收后3年内未完成项目攻关成果跟踪评价工作的，原则上不得推荐。2.不限额推荐。“尖兵”项目申报不设推荐限额；省实验室、省技术创新中心、科技领军企业、科技小巨人企业申报项目可不纳入推荐限额。不设限额推荐的项目，由设区市科技局和归口管理部门严格审核把关，出具推荐承诺函并附论证意见。3.推荐项目中，高校院所女性科研人员和45周岁以下青年科研人员承担及为主参与项目比例一般不低于25%。四、申报方式（一）网上填报。请各申报单位使用政务服务网账号，登录浙江省科技管理运行平台（https://pm.kjt.zj.gov.cn）进行网上填报。项目申报单位和参与单位、项目负责人和主要参与人须签署并上传诚信承诺书。网上填报受理时间:2024年8月28日至9月20日17:30。（二）组织推荐。请设区市科技局和归口管理部门做好组织申报和审核推荐工作，严格履行推荐单位主体责任，加强审核把关，并于9月24日17:30前将推荐函和推荐汇总表、承诺书盖章后扫描上传至申报系统。（三）咨询方式1.申报系统咨询：0571-85118011、85214237、870510592.业务咨询：（1）综合政策：0571-87054154、87054743、87054076（项目中心）、0571-87054693、87054037（规划处）（2）“尖兵”项目人工智能领域：0571-81051498（项目中心）、87055372（重大处）量子科技、集成电路领域：0571-81051433（项目中心）、87054105（重大处）生物科技领域：0571-81051499（项目中心）、87057036（重大处）新能源及其他领域：0571-81051434（项目中心）、87054047（重大处）（3）“领雁”项目组学与精准医学等其他领域：0571-81051438、87054076（项目中心）、0571-87055848、87054009（基础处）浙江省科学技术厅2024年8月23日

北京机器视觉助力智能制造创新发展大会（Vision China（北京）2023）将于2023年5月17-18日在北京国际会议中心4、5号馆举办。大会以机器视觉技术助推智能制造迈向高质量发展为主题，聚焦3D技术与机器人、AI与深度学习、新产品发布、机器视觉与5G技术等专题。大会致力于行业打造集市场趋势、技术创新、学术交流、沉浸体验于一体的前沿平台。大会主论坛以“机器视觉技术助推智能制造迈向高质量发展”为主题，分论坛围绕“精准成像与视觉应用、3D视觉与机器人、人工智能与摄像学、5G演进与工业机器视觉、人工智能与深度学习”等主题召开。「机器视觉技术与产品展区」将呈现Vision Plus + 应用领域的技术融合成果，包括：半导体、消费电子、电子工程、光电、轨道交通、太阳能、电子信息、生物医药、航空航天、农业装备等重点领域交流互动创新技术，现场体验应用实例。主论坛 —— 机器视觉技术助推智能制造迈向高质量发展主办方坚持把智能制造作为主攻方向，聚焦智能制造最新动态和前沿技术，探讨智能制造新图景。论坛以机器视觉技术为中国制造业赋能，邀请演讲人介绍行业现状与发展、机器视觉在应用领域的需求及应用。分论坛 一一 精准成像与视觉应用、3D视觉与机器人、人工智能与摄像学、5G演进：工业机器视觉、人工智能与深度学习分论坛聚焦多个主题，全方位助力多领域的快速发展。（1）精准成像和视觉应用：围绕其在机器视觉领域中的应用展开，是智能制造行业新动态和最前沿技术相结合的成果，该分论坛将深度解析其在机器视觉领域的技术创新及未来前景。（2）3D视觉与机器人：围绕其在智能制造行业的应用展开，其中3D视觉作为工业机器人的眼睛”，是影响工业机器人领域应用和性能的关键，该分论坛将深度解析该技术的应用和解决方案。（3）人工智能与摄像学：围绕其在人工智能技术集合摄像的应用展开，为未来的智慧城市增加安全操作、加快访问控制、改善交通流量等提供无限可能。（4）5G演进：工业机器视觉：围绕其在5G技术赋能下的发展趋势及创新应用实例中展开，该分论坛将详细介绍5G如何助力机器视觉产业升级，应用的前景与挑战等。（5）人工智能与深度学习：围绕深度学习在工业视觉中的应用展开，该分论坛将多角度解析其在机器视觉技术领域的发展趋势及技术创新。现场展示品牌详情关注官网：http://www.visionchinashow.net/txw_bj/

引言实验室工作流程正在快速变化，以跟上当今快节奏的世界。因此，产品和人员也必须适应，不仅要提高生产力，还要消除人为错误和工艺变化引起的异常或不一致。主要挑战包括要求越来越复杂的质量控制来抑制错误，结合先进的分析来获得有意义的信息或可靠的诊断。数据再现性也至关重要，因为在再现和验证结果方面的失败威胁到科学研究的完整性和声誉。自动化必须与人类的专业知识相结合。仪器智能可以在许多方面提供帮助。例如，取决于数据的性质以及获取和存储数据的过程。关键资源是实施基于机器学习和统计数据分析的工具，该工具可用于突出显示异常值或可疑值序列，识别不同数据源和数据模式的不一致性，并通过自动填写缺失值或指出应收集更多数据的位置来减少测试次数。本电子书概述了仪器智能解决方案，并展示了如何修改几个实验室部门，以实现更快、无错误的生产。这尤其可以通过数字化和数字化转型来实现。本电子书的内容包括威利的著作《实验室的数字化转型》的摘要，该书讨论了与人工智能（AI）在实验室转型中的作用相关的机遇、需求和挑战，生物医学研究中“工业”革命的一篇文章的摘要，以及安捷伦智能反射工作流工具的信息图。一、生物医学研究的“工业”革命——数据爆炸和再现性危机促使实验室工作流程发生变化有几个因素正在推动生命科学实验室组织工作流程的方式发生深刻变化，无论是医学诊断还是基础研究。这些变化的一个常见原因是生成的数据量激增，同时数据生产成本快速下降。这需要越来越复杂的质量控制来抑制错误，并结合先进的分析来获得有意义的信息或可靠的诊断。对实验室工作流程造成变化的另一个挑战是再现性，这一点至关重要，因为重要结果的再现和验证失败威胁到生物医学研究的完整性和声誉。深度学习和自动化深度学习（DL）的兴起越来越要求产生准确的数据集，以避免偏见和错误结论。反过来，这需要更多地使用自动化来消除由人为错误和过程变化引起的异常或不一致。例如，批量效应——这会破坏DL工作——在没有自动化的情况下会变得更糟。可以减轻批量效应的算法通常使用某种形式的贝叶斯推理，该推理比较不同条件下的实验结果，以过滤与过程相关的不一致性。然而，这些算法也可以消除生物学上显著的变化。不断增长的自动化从一开始就消除了批量效应的许多原因，从而为DL的强大应用奠定了基础。链接不同的专业知识‍尽管如此，工作流的挑战并不局限于自动化和数据分析。更大的问题在于协调自动化与人类专业知识，特别是在诊断实验室。随着全基因组测序（WGS）和全外显子组测序（WES）的出现，对帮助临床医生有效利用计算能力的新技术的需求变得更加迫切。为了克服诊断瓶颈，已经开发了能够识别数百种与罕见遗传病相关的突变的扩大的携带者筛查小组。这些小组可以发现否则无法检测到的突变，这就是机器和人类之间的整合变得重要的地方。工作流和人工变化实验室的工作方式将发生根本性的变化，正如安捷伦科技公司（Agilent Technologies）最近的一项举措所表明的那样。安捷伦技术公司是实验室工作流程分析工具和软件的专业开发商，于1999年由惠普公司（Hewlett-Packard）分拆而成。Frost&Sullivan开展的一项研究中，根据来自中国、德国、印度、韩国、瑞士、奥地利和美国的650名实验室经理、主任和主管的回答，他们的第一次制药实验室领导者调查结果于2019年6月公布。安捷伦高级副总裁兼首席技术官达琳所罗门（Darlene Solomon）表示，研究结果已经导致实验室设备发生了变化。她说：“85%的受访者告诉我们，他们正在购买更精密、更具特异性的仪器。”。所罗门补充道，工作流程的压力，以及实验室技术人员技能水平的变化，都推动了更易于使用和培训需求的减少。所罗门说：“我们有一些例子表明，一个看似微小的改变，例如使用带有触摸屏的仪器，确实有助于提高使用和训练的便利性。”。“这一点很重要，因为一些地区的实验室技术人员的形象已经发生了变化。虽然几年前，实验室技术人员可能是具有质谱或气相色谱专业教育的理科毕业生，但如今，他们很可能是具有人文学科学位的多面手，这意味着实验室管理人员希望仪器易于使用、易于培训，以及不需要由专家操作。”另一个主要趋势是人工智能（尤其是DL）的日益融合，以适应实验室中复杂或重复的任务。所罗门说：“基于深度神经网络的现代人工智能方法在基于组织染色的数字病理学领域尤其有前景，可以提高癌症诊断和治疗决策中病理切片解释的准确性并降低其复杂性。”。“例如，人工智能可以提高效率，提高计算细胞等耗时任务的准确性，或者识别高级细胞染色产生的复杂模式的准确性，这些模式可能会让人工解释感到困惑。”所罗门强调，需要可靠的数据来为DL算法提供数据，并强调了整个工作流程一致性的重要性。“样本分析总是从样本准备开始。良好和一致的样本准备是迈向自信和高质量结果的一大步，这将在后端产生有意义的理解，”她解释道。解决治理和道德问题安捷伦调查范围之外的工作流程还有另一个维度，即激励和道德考量的作用，以确保一致和公平的结果。马拉维大学公共卫生和流行病学教授亚当森穆拉强调了这一点。他解释说：“如果没有适当的系统，即使是最好的设备也无法发挥最佳作用。”。“也许我们也可以采用约瑟夫姆富索本戈（Joseph Mfutso Bengo）的LEGS（领导力、道德、治理和系统）模型。”穆拉指的是马拉维为加强卫生系统而开发的名为LEGS的框架，特别是在治理和法治相对薄弱的发展中国家[1]。根据LEGS研究的作者，道德规范会在各个层面，如采购、临床工作和研究，加强内部社会控制。提高再现性虽然临床需要一致性和准确性，但再现性已成为基础研究和转化研究的一大挑战。无法再现结果的主要原因之一是当正面结果比负面结果更受青睐时，发表偏见。还有一种被称为HARKing（结果已知后假设）的现象，研究人员呈现出意想不到的结果，就好像他们从一开始就被假设了一样[2]。虽然并非所有研究人员都同意HARking完全不利于科学进步，但这其中存在不诚实的因素，更重要的是，它可能会带来偏见，因为该假设可能只是从结果中推断出的几种假设中的一种。一种解决方案是再次改变工作流程，在进行实验之前预先注册工作计划和假设，以避免选择性报告或HARking。英国布里斯托大学生物心理学教授马库斯穆纳夫（Marcus Munafò）是感兴趣的研究者之一，他研究与酒精和药物滥用相关的神经通路。Munafò博士毕业后，在进行了系统回顾和荟萃分析后，发现许多发现不如看起来可靠时，他对工作流程和再现性之间的联系产生了兴趣。他解释道：“我对我们的激励结构和工作方式有何贡献感兴趣。”。“现在，我有兴趣思考如何改进我们的激励结构和更广泛的研究文化，以关注质量，至少与创新、新颖性和发现一样多。在过去几年中，我们朝着开放的研究工作流程迈进。我们从预注册研究协议开始，现在我们定期归档数据，我们开始归档用这些分析脚本，我们发布所有手稿的预印本。最初，这仅用于赠款资助的活动；现在是我们所有的活动，包括学生项目。”Munafò补充道，在这一正在进行的过程中，还有更多的工作要做，比如分享更多的研究材料。他说：“这有几个好处——它允许对我们的工作进行更严格的审查，并为内部检查提供了激励。”。根据Munafò的说法，最大的挑战是在研究人员中灌输长期观点，并清楚地阐明其益处，以便团队成员认同所需的努力。这与马拉维LEGS项目传达的信息一致，其基本主题是，研究的动机需要围绕科学和数据而不是希望和愿望引导的一致性和透明度进行重新调整。这几乎是对人性本身的挑战。References[1] Mfutso-Bengo, J., Kalanga, N., and Mfutso-Bengo, E.M. (2018) Proposing the LEGS framework to complement the WHO building blocks for strengthening health systems: One needs a LEG to run an ethical, resilient system for implementing health rights. Malawi Med. J., 29 (4), 317.[2] Kerr, N.L. (1998) HARKing: Hypothesizing After the Results are Known. Personal. Soc. Psychol. Rev., 2 (3), 196–217.[3] Hunter, P. (2020) The “industrial” revolution in biomedical research. EMBO Reports 21, e50003.二、人工智能（AI）改造实验室数字化正在我们的工作和日常生活中蔓延，从纸张到数字不仅仅是改变存储数据的媒介。本文讨论了与人工智能（AI）在改造实验室中的作用相关的机遇、需求和挑战。实验室的数字化在某些领域比其他领域更快，这取决于从纸面向数字化转变的需求和机会。Al可以作为过程中的催化剂，提供一系列附加服务，包括健全性检查、异常值检测、数据融合和数据预处理阶段的其他方法、数据分析和建模的不同方法、数据消耗监测和实验室中的其他动态过程，以及对领域专家的决策支持（图1）。图1。从数据预处理和来自不同来源的数据融合到数据分析和不同过程的监控，AI可以在不同方面支持实验室。资料来源：Dunja Mladinic提供。数据预处理和数据分析根据数据的性质、获取和存储数据的过程或其他一些数据属性，Al方法可以以不同的方式帮助数据预处理。例如，我们可以有一个基于机器学习和统计数据分析的工具来突出显示异常值或可疑值序列，识别不同数据源和数据模式的不一致性，并通过自动填写缺失值或指出应收集更多数据的位置来减少测试数量。如今，Al方法能够高效组织大量异构数据，支持高效搜索和检索。除此之外，根据数据形态，可以为用户提供强大的数据探索工具，包括丰富的数据可视化、自动异常值检测、数据建模和预测。此外，数据分析可以应用于实验室工作的不同阶段，从监测和指导数据收集、数据预处理、存储和建模到搜索历史实验室数据（例如，测试结果和笔记本），并使科学家能够跨问题和实验室共享数据和模型。过程监控实验室中的过程涉及可能从监控和建模中受益的活动和数据。我们讨论的是一个过程或一组可能相互关联的过程的动态和结果建模。历史数据可用于建立一个参考模型，该模型可根据监控过程的当前背景和趋势进行调整。由于Al方法用于构建机器、物流流程或生产工厂的数字孪生，因此它们也可用于构建实验室中某些流程的数字孪生。这将有助于监控相互依赖性、可能的异常检测以及对流程未来发展的模拟，使专业人员能够提出假设问题。通过对输入数据进行实时建模和监控的能力，我们可以在同一实验室内或不同实验室内分析数字实验室笔记本。以类似的方式，由于机器学习方法已被用于数十年的研究出版物中，以预测科学中的下一件大事，[1]人们可以分析和监控实验室中的过程和数据流。人类在回路中无论我们在实验室中使用了多少以及在哪些过程中使用了人工智能，我们都应该记住，人工智能可以涵盖一些智能，但人工智能无法涵盖人类给过程带来的其他维度，在采取行动之前预测行动的后果，并制定实现目标的策略。智力与清晰、专注和有选择的思维有关，需要我们的指导，以避免迷失在细节或幻想中。根据瑜伽哲学，智慧是实现人生成功所需的三种创造力之一：意识、智慧和能量。[2] 例如，为了知道我们想要表现什么以及如何表现，我们需要资源/能量来真正做到这一点；要知道要展示什么和拥有资源，我们需要一个策略。人类通过有意识地决定某些工作或实验室实验的目标，智能地制定实现目标的策略，并利用资源来实施策略和实现目标，在这一过程中发挥着至关重要的作用。References[1] Lawton, G. The next big thing in chipmaking. Computer (Long. Beach. Calif). 40, 18–20 (2007).[2] Mladenic, D. Artificial Intelligence (Al) Transforming Laboratories. in Digital Transformation of the Laboratory 289–295 (Wiley, 2021). doi:10.1002/9783527825042.ch21.原文：Advances in Instrument Intelligence——Using AI to Achieve Digital Transformation供稿：符 斌，北京中实国金国际实验室能力验证研究有限公司

蛋白组学是当今生命科学和精准医学的研究热点，目前仍处于早期快速发展阶段。其发展轨迹与早期的基因组学相似，随着时间的推移，蛋白组学在研究和临床中的应用潜力将逐渐释放，有望接近基因组学的市场规模。当前，全球蛋白组学市场规模已达500亿美元，且呈现快速增长趋势。随着资本市场的关注，不断有新公司进入并获得融资，推动了新技术的不断涌现。 蛋白组学技术的扩展与应用 蛋白质组学技术已从最初的蛋白质定性鉴定扩展至多个领域，包括蛋白质定量表达分析、翻译后修饰鉴定和定量、蛋白质互作分析、蛋白质复合物成分解析、空间蛋白质组分析以及单细胞蛋白质组分析。这些技术不仅应用于基础科学研究，更在药物开发、临床医学和转化医学等领域展现出巨大潜力。这一切得益于质谱技术、蛋白质分离技术、生物化学技术和计算机技术的快速发展。 质谱技术：蛋白组学发展的关键 质谱技术是推动蛋白质组学发展的关键技术，特别是在生物标志物发现方面具有黄金标准地位。在全球范围内，只有少数制造商发明了能够区分小至单肽分子的复杂质谱技术，包括布鲁克公司（Bruker）、赛默飞公司（Thermo Fisher Scientific）、安捷伦公司（Agilent）、沃特世公司（Waters）和 Sciex 公司。其中，赛默飞世尔公司在蛋白组学研究质谱市场中拥有超过90%的市场份额，主要归功于其创新的Orbitrap系列。布鲁克公司的TimsTOF系列则是蛋白组学领域增长最快的质谱之一，从赛默飞公司那里获得了市场份额，以约30%的速度增长。质谱技术的持续创新将对蛋白组学的发展产生深远影响。然而，质谱技术的标准化和应用流程的复杂性，尤其是样品制备阶段的缺乏标准化，成为其进一步推广的瓶颈。正是在这一背景下，像Evosep等公司在液相色谱标准化方面取得了突破，逐步占据了60%以上的市场份额。这种创新反映了市场对流程效率提升的迫切需求。与此同时，新兴技术如Seer、Olink和Somalogic通过纳米粒子分离技术和适配体蛋白质检测技术，正在改变传统的蛋白质组学检测方式，显著提高了检测精度和通量。 蛋白组学的产业链 蛋白组学市场已形成涵盖上游质谱仪器和蛋白质组学试剂供应商、中游蛋白组学技术服务公司以及下游蛋白组学终端客户的完整产业链条： 颠覆性技术与企业的崛起 近年来，Seer、Olink、Somalogic、Nautilus和Quantum-Si等企业凭借其颠覆性技术，改变了传统的蛋白组学检测方式，极大地提升了检测的通量、准确性、特异性和敏感性：&bull Seer：发明了一种在液相色谱分离之前对蛋白质进行标准化消化和分离的工作流程。其专有的纳米粒子技术将蛋白质分成4组，增强了低丰度蛋白质的检测。&bull Olink：通过DNA编码连接到蛋白质上，实现蛋白质定量可通过基因测序的基础设施进行。其PEA（临位延伸分析）检测技术在qPCR仪器或Illumina的下一代测序仪上工作，提供高通量和特异性。&bull Somalogic：利用适配体进行蛋白质检测，其SomaScan平台可以识别并检测大量的蛋白质。该公司拥有一个由7000个独特适配体组成的文库，能够在48小时内从单个样品中识别7000种不同的蛋白质。&bull Nautilus：其技术利用专有仪器、流动池和试剂，对样品中95%的蛋白质组进行量化。设计了一个"超密集单分子蛋白质纳米阵列"，实现了单分子分辨率。 国内市场的快速发展 在蛋白组学行业，欧美企业布局早，经过多年发展成熟后逐渐得到资本市场认可。包括Seer、Olink、Nautilius、Quantum-Si以及Somalogic在内的多家生物科技公司从2020年开始陆续上市。Seer、Olink、Somalogic是欧美三家蛋白质组学的标杆企业，Seer是其中最年轻的公司，但是为下一代蛋白质组学带来了创新技术和路径。与之相比，国内企业起步较晚，但发展迅速。景杰生物、中科新生命等专注于蛋白组学，而诺禾致源、华大基因、美吉生物、欧易生物等企业也同时提供蛋白组学服务。国内市场规模从2016年的1.2亿元增长到2020年的5.8亿元，年复合增长率高达49.1%，预计2025年将达到22.6亿元。（摘自弗若斯特沙利文分析）与此同时，随着精准医学和转化医学的快速发展，越来越多新发现蛋白质生物标志物的检测工作，将为蛋白质组分析带来巨大的市场需求。我们发现抗体-药物偶联物（ADC）药物正在快速发展，其结合了单克隆抗体的靶向能力和细胞毒性药物的强效性，成为癌症治疗领域的突破性疗法。在ADC药物的研发过程中，蛋白组学起到了至关重要的作用。（点击查看→ADC药物如何精准制导癌症治疗、质谱如何推进ADC药物研发）蛋白组学技术可用于鉴定和验证ADC的靶标蛋白，帮助研究人员筛选出最具潜力的治疗靶点。此外，蛋白组学在分析抗体与抗原的结合位点、优化抗体结构以提高药物效力和降低副作用方面也具有重要价值。总而言之，蛋白组学还是处于发展的黄金时代，质谱技术的不断进步将推动着整个行业的快速前进。随着多组学整合、人工智能赋能、空间蛋白质组学兴起和临床应用加速落地等趋势的出现，蛋白组学将在生命科学、精准医学和药物研发等领域发挥越来越重要的作用。在全球蛋白质组学有着千亿美元市场的机遇下，就需要加强核心技术研发，尤其是在质谱、单细胞和空间蛋白质组学等领域实现突破。同时，积极推动多组学整合，结合基因组学、代谢组学等数据，构建全面的生物学信息网络，深化对复杂疾病的理解。此外，深化国际合作与交流，吸收全球先进技术和经验，增强自身的创新能力，参与全球市场竞争，提升国际影响力。通过这些努力，中国企业将有望在全球蛋白组学市场中分得一杯羹，为生命科学和精准医学的发展做出更大贡献。

随着经济发展和生活水平的提高，在全世界范围内，肥胖已经成为了一个主要公共健康问题。据世界卫生组织（WHO）统计，全球有近20亿人超重或肥胖，从1975到2016年，全球肥胖率翻了近3倍，每年因超重或肥胖导致的死亡高达280万。全球范围内肥胖率的快速增加很大程度上是因为高糖饮食等生活因素的影响，为了减少糖对健康及肥胖的影响，越来越多的人开始使用人工甜味剂代替正常糖类（代糖），这些人工甜味剂具有糖类的甜味，但通常不能被人体转化，因此不产生热量。人们认为其可作为一种健康的饮食方式，已被广泛应用于食品和饮料中，以降低糖和热量摄入。三氯蔗糖是许多食品中的常用代糖，它没有热量，并且比蔗糖甜600倍。三氯蔗糖通常被认为是安全的，但也有人对长期食用包括三氯蔗糖在内的人工甜味剂提出了担忧。2023年3月15日，英国弗朗西斯克里克研究所的研究人员在Nature期刊发表了题为： The dietary sweetener sucralose is a negative modulator of T cell-mediated responses 的研究论文。该研究发现， 高剂量的人工甜味剂三氯蔗糖会降低小鼠免疫反应 。这些发现没有提供证据表明正常剂量的三氯蔗糖摄入可能产生免疫抑制性。但该研究强调了高剂量三氯蔗糖对免疫反应和小鼠机能的一个意外影响。研究团队认为，三氯蔗糖对免疫系统中T细胞的影响可能是可逆的，这意味着我们将来可能使用三氯蔗糖来治疗T细胞过度活跃导致的自身免疫疾病。为了调查过量食用三氯蔗糖的影响，研究团队给小鼠服食了高剂量的三氯蔗糖。这一剂量同比高于正常人类饮食中的三氯蔗糖摄入，接近该甜味剂的每日可摄入最大剂量（欧洲食品安全局为15mg/Kg，美国食品药品监督管理局为5mg/Kg）。小鼠表现出了T细胞增殖和分化水平下降，表明其免疫系统受到调节。三氯蔗糖被发现影响T细胞的细胞膜，降低其有效释放信号的能力。喂食三氯蔗糖的小鼠还表现出在感染、肿瘤和免疫模型中功能性T细胞反应的不同程度下降。这些发现表明，高剂量三氯蔗糖会改变小鼠的免疫响应。三氯蔗糖治疗限制体内T细胞特异性反应总的来说，这项研究显示，大量摄入 常见 的人造 甜味剂三氯蔗糖会降低小鼠T细胞活性 ，还需要更多研究来确定三氯蔗糖对小鼠的影响是否可以在人体中重现。研究团队表示，三氯蔗糖对小鼠T细胞的影响似乎是可逆的，如果在人体内也是如此，那么我们就 可以利用三氯蔗糖来改善过度活跃的T细胞导致的自身免疫疾病。2023年2月27日，美国克利夫兰医学中心的研究人员在国际顶尖医学期刊Nature Medicine上发表了题为：The artificial sweetener erythritol and cardiovascular event risk 的研究论文。这项研究表明，常用的人工甜味剂赤藓糖醇可能与心脏病事件相关。赤藓糖醇是一种天然物质，一些蔬菜和水果中也少量含有，我们的身体难以代谢这种物质，因为其具有甜味，而被用作人工甜味剂。近年来一些爆火的主打零糖零脂零卡的饮料，实际上就是大量添加了赤藓糖醇。监管机构一般也认为赤藓糖醇等人工甜味剂是安全的，人们也常建议将其作为代谢疾病（例如糖尿病和心脏病）患者的代糖，但很少有研究调查过其长期健康影响。这些人工甜味剂对人体到底有没有影响？它们真的是健康的吗？研究团队在1157名经过心脏病风险评估、有3年结局数据的人群中进行了初步研究。通过分析血液中的化学物质，研究团队观察到多种看似人工甜味剂（尤其是赤藓糖醇）的化合物水平在三年随访中与未来心脏病和中风风险增加有关。这一相关性在独立阵列研究中得到证实，该阵列研究在美国（n=2149）和欧洲（n=833）进行了选择性心脏评估。研究团队进一步发现，全血或血小板中的赤藓糖醇导致了血栓形成加速，这在动物模型研究中得到了确认。赤藓糖醇促进体内血栓形成研究团队还在8名健康志愿者中进行了一个前瞻性干预研究。在志愿者摄入30克赤藓糖醇饮料后检验其血浆水平，发现所有志愿者赤藓糖醇水平持续增加，在2-3天里超过了凝血风险增加的阈值。研究团队认为，这项研究或表明赤藓糖醇水平提高与血栓风险升高相关。但他们也指出，因为他们研究的阵列中心血管风险因子发生率偏高，仍需确认对明显健康的受试者进行更长期随访中是否能观察到类似结果。值得一提的是，一项近期的研究显示，人工甜味剂（例如糖精、三氯蔗糖） 会显著影响人体肠道菌群，进而改变人体血糖水平。2022年8月，魏茨曼科学研究所的研究人员在国际顶尖学术期刊Cell上发表了题为：Personalized microbiome-driven effects of non-nutritive sweeteners on human glucose tolerance 的研究论文。该研究证实，长期以来被认为是健康的并得到广泛使用的人工甜味剂在人体内并不是惰性的，它们会显著影响人体肠道菌群，从而改变人体血糖水平。早在2014 年，魏茨曼科学研究所的Eran Elinav团队就发现，人工甜味剂会影响小鼠的肠道微生物组，从而影响它们的血糖反应。而这一次，他们进一步探索了人工甜味剂对人类的影响。研究团队仔细筛选了1300多名在日常生活中严格避免使用人工甜味剂的人，并从中确定了120人参与后续实验。这些参与者被分成六组：两组对照组和四组实验组，四组实验组分别摄入糖精（Saccharin）、三氯蔗糖（Sucralose）、甜菊糖苷（stevia）和阿斯巴甜（Aspartame），这些摄入量低于FDA允许的每日摄入量标准。两组对照组分别摄入等量葡萄糖或不额外摄入。结果显示，在食用人工甜味剂的参与者中，可以很容易观察到他们的肠道微生物组成和功能以及分泌到外周血中的分子出现了非常明显的变化。这似乎表明了人体内的肠道微生物对这些甜味剂中的每一种都相当敏感。在这几种人工甜味剂中，糖精和三氯蔗糖能够更显著地影响健康成年人的葡萄糖耐量。而且，肠道微生物组的变化与人们血糖反应的变化是高度相关的。这些研究提示我们，人工甜味剂并不像我们之前认为的那样安全，有必要通过进一步研究评估人工甜味剂的长期安全性。论文链接：1. https://www.nature.com/articles/s41586-023-05801-62. https://www.nature.com/articles/s41591-023-02223-93. https://www.cell.com/cell/fulltext/S0092-8674(22)00919-9

p 　　中国人工智能学会、国家工信安全中心、华夏幸福产业研究院等四大权威机构、历时半年完成该本重磅报告，从全新的角度阐述了中国 AI 产业和学术的创新现状。 /p p 　　《2018人工智能产业创新评估白皮书》由中国人工智能学会、国家工信安全中心、华夏幸福产业研究院、思保环球联合发布。 /p p 　　白皮书聚焦人工智能的使能技术与应用场景两个层面，基于论文、专利、人才、行业壁垒等多个维度，创新性地构建了人工智能产业创新评估体系，客观评价了当前人工智能产业的创新发展水平，为政府、企业、投资机构布局人工智能提供了借鉴和参考。 /p p style=" text-align: center" img style=" max-width:100% max-height:100% " src=" https://img1.17img.cn/17img/images/201905/uepic/0a3a11e3-a62a-4d56-940e-8c02731f2d87.jpg" title=" 01.jpg" alt=" 01.jpg" / /p p style=" text-align: center " strong 研究范围和评价体系 /strong /p p 　　随着人工智能迎来第三次发展浪潮，在全球主要国家的积极推动下，社会各界对人工智能的投入与期许空前高涨。构建科学客观的创新评估体系，准确评估当前人工智能产业的创新发展水平，对人工智能产业健康有序发展具有重要的现实意义。报告结合人工智能细分技术的发展和应用水平，聚焦语音交互、文本处理、计算机视觉和深度学习四项使能技术，以及交通、医疗、制造、安防、零售等八大重点应用场景，对人工智能产业创新水平进行了客观的评价。 /p p style=" text-align: center" img style=" max-width:100% max-height:100% " src=" https://img1.17img.cn/17img/images/201905/uepic/e7adc7d7-250c-470c-9a14-ce0c9b6599d9.jpg" title=" 02.jpg" alt=" 02.jpg" / /p p style=" text-align: center " strong 图 1 人工智能产业创新评估范围 /strong /p p 　　为客观分析四项核心使能技术和八个重点应用场景当前所处的发展阶段，报告基于现有学界产业创新评估的研究成果，结合人工智能产业的行业属性，采用定量和定性分析相结合，构建了科学客观的人工智能产业创新评估体系。体系下设使能技术就绪度指数和应用场景融合度指数两个一级评估指标，并在使能技术就绪度下设立了理论、应用、性能驱动力三个二级指标，在应用场景融合度下设立了资源、技术、数据、场景、环境驱动力五个二级指标。 /p p style=" text-align: center" img style=" max-width:100% max-height:100% " src=" https://img1.17img.cn/17img/images/201905/uepic/19326b91-7308-4a89-808f-e947bccd24df.jpg" title=" 03.jpg" alt=" 03.jpg" / /p p style=" text-align: center " strong 图 2 人工智能产业创新评估体系 /strong /p p strong 　　人工智能使能技术就绪度 /strong /p p 　　深度学习技术的发展，推动以语音交互、文本处理、计算机视觉为代表的人工智能快速发展，并在多个场景迅速落地。为客观评价以深度学习为代表的四项使能技术的发展水平，报告从理论研究、应用研究和技术性能三个维度进行了评估，分别计算出四项使能技术的就绪度指数。 /p p style=" text-align: center" img style=" max-width:100% max-height:100% " src=" https://img1.17img.cn/17img/images/201905/uepic/c1242858-0d8f-4a1c-84d4-1606e17b800b.jpg" title=" 03-1.jpg" alt=" 03-1.jpg" / /p p style=" text-align: center " strong 图 3 人工智能使能技术就绪度评估维度 /strong /p p 　　从使能技术就绪度指数来看，深度学习就绪度最高。作为人工智能的主流算法，深度学习就绪度最高(8.3)，经处于技术成熟期 计算机视觉(7.7)和语音交互(6.2)次之，处于技术应用的探索期，主要体现在以语音助手和医疗影像诊断为代表的产品已经逐渐进入实用阶段 文本处理则仍处于技术爬坡期，技术进展缓慢使其离真正实用仍存在较大距离。 /p p img style=" max-width:100% max-height:100% " src=" https://img1.17img.cn/17img/images/201905/uepic/930c05be-a40b-48cc-bc72-da298eb24a47.jpg" title=" 04.jpg" alt=" 04.jpg" / /p p style=" text-align: center " strong 图 4 人工智能使能技术就绪度指数 /strong /p p 　　从使能技术实际发展情况来看，深度学习和计算机视觉是布局重点。在理论研究(论文产出)方面，四项使能技术从2013年开始逐渐成为研究热点，其中深度学习是学界关注重点，其次是计算机视觉。语音交互和文本处理的论文产出增速较为平稳，但文本处理论文产出量和引用频次均为最低。在应用研究(专利申请)方面，计算机视觉和深度学习专利申请占比较高，但平均专利强度较低，专利布局仍处于起步阶段 语音交互专利申请比例低但平均强度较高，表明语音交互关注度呈现逐渐下降趋势。 /p p style=" text-align: center" img style=" width: 617px height: 328px " src=" https://img1.17img.cn/17img/images/201905/uepic/e8156869-318e-4c45-b498-c0b1782cfe87.jpg" title=" 06.jpg" width=" 617" height=" 328" / /p p style=" text-align: center" img style=" width: 605px height: 316px " src=" https://img1.17img.cn/17img/images/201905/uepic/09863951-a378-42c6-bc6a-8dd5d06bdd2d.jpg" title=" 05.jpg" width=" 605" height=" 316" / /p p style=" text-align: center " strong 图 5 人工智能使能技术实际发展情况 /strong /p p 　　从中美两国使能技术发展水平来看，美国四项使能技术的理论研究和应用研究均大幅领先于中国。在理论研究方面，中美文本处理领域的差距最小，深度学习领域差距最大 在应用研究方面，深度学习领域的差距最小，语音交互领域的差距最大。具体来看，美国四项使能技术的论文影响力和平均专利强度要远高于中国，中国论文和专利“多而不强”的局面依然存在。同时我们还发现，中国四项使能技术专利申请量均居首位，特别是相关研发机构近三年活跃度较高，超过54%的专利均在近三年申请。 /p p style=" text-align: center" img style=" max-width:100% max-height:100% " src=" https://img1.17img.cn/17img/images/201905/uepic/054caf0c-259b-4eba-acaa-8edc0e3ec037.jpg" title=" 07.jpg" alt=" 07.jpg" / /p p style=" text-align: center " strong 图 6 中美两国使能技术发展水平对比 /strong /p p 　　从使能技术人才分布来看，美国人工智能领域四项使能技术相关的高端人才遥遥领先于其他国家。统计发现，美国人工智能高端人才超过1.3万，中国不足0.5万，与美国相比差距悬殊。从细分技术领域来看，计算机视觉相关的高端人才占比最高，达38%，其中美国5432人，中国1892人。从中国人工智能使能技术研发人才分布来看，北京、广东、江苏、上海和浙江五省市人才优势明显，其中北京、广东人工智能研发人才超过万人。 /p p style=" text-align: center" img style=" max-width:100% max-height:100% " src=" https://img1.17img.cn/17img/images/201905/uepic/9c3a5e84-d27a-410b-a814-837ea5335cf8.jpg" title=" 08.jpg" alt=" 08.jpg" / /p p style=" text-align: center " strong 图 7 全球人工智能使能技术人才分布 /strong /p p 　　 strong 人工智能应用场景融合度 /strong /p p 　　随着以深度学习为代表的使能技术的发展，大量科技企业从特定的行业或场景出发，推动人工智能使能技术与行业加速融合，提供差异化的新产品、新服务和解决方案，形成了丰富的“AI+”应用场景，成为人工智能产业快速发展的重要驱动力。本报告从资源、技术、数据、场景和环境五个驱动力维度对八个“AI+”场景进行了评估，分别计算出了八大应用场景的融合度。 /p p style=" text-align: center" img style=" max-width:100% max-height:100% " src=" https://img1.17img.cn/17img/images/201905/uepic/bbb7b813-c24b-40a9-baeb-8e8760e7d967.jpg" title=" 09.jpg" alt=" 09.jpg" / /p p style=" text-align: center " 　 strong 图 8 人工智能应用场景融合度评估维 /strong /p p 　　从应用场景融合度指数来看，人工智能与各行业依然处在人工智能融合的早期。根据应用场景融合度指数显示，汽车(3.9)、医疗(3.8)和家居(3.7)是人工智能融合度相对较高的三个场景 零售(3.5)、机器人(3.3)和安防(3.2)次之 制造(3.0)和教育(2.8)融合度指数较低。 /p p style=" text-align: center" img style=" max-width:100% max-height:100% " src=" https://img1.17img.cn/17img/images/201905/uepic/fd163fcd-8227-4366-a819-b308fdfc0442.jpg" title=" 10.jpg" alt=" 10.jpg" / /p p style=" text-align: center " strong 图 9 人工智能应用领域融合度指数 /strong /p p 　　从应用场景的融合实际情况来看，汽车、医疗、家居是布局重点。在技术驱动力方面，人工智能在各个领域的专利申请自2014年开始爆发式增长，其中汽车和医疗领域增长明显，而教育和零售领域增长相对缓慢。在资源驱动力方面，人工智能的研发机构和研发人才主要集中在汽车、医疗、家居领域，从事零售、教育的人工智能研发机构和人才相对较少。结合近三年专利申请情况来看，专利布局重点更是主要集中在汽车、医疗、家居和安防领域，人工智能与机器人的融合则是新的应用热点。 /p p style=" text-align: center" img style=" max-width:100% max-height:100% " src=" https://img1.17img.cn/17img/images/201905/uepic/4980be83-78d8-4f80-b336-bf9b46ff65c5.jpg" title=" 11.jpg" alt=" 11.jpg" / /p p style=" text-align: center " strong 　　图 10 人工智能专利在各应用场景的分布 /strong /p p 　　从全球应用场景融合整体水平来看，美国应用融合优势明显。在八大应用领域中，美国人工智能研发人员数量占据一半左右，而中国各领域人工智能研发人员普遍偏少。在专利申请量方面，除医疗领域外，中国的专利申请规模均超过美国，特别是在机器人和制造两个领域专利优势明显。在专利申请强度方面，美国大幅度领先中国，中国专利质量仍有待提升。具体到应用场景来看，美国医疗领域人工智能专利规模和强度优势显著，中国机器人和制造领域人工智能专利申请实力具有一定的优势。 br/ /p p style=" text-align: center" img style=" max-width:100% max-height:100% " src=" https://img1.17img.cn/17img/images/201905/uepic/4ccb8ba2-bb21-4366-bd70-c1941763d2e6.jpg" title=" 12.jpg" alt=" 12.jpg" / /p p style=" text-align: center " 　 strong 　图 11 中国人工智能应用领域研发实力对比 /strong /p p 　　从应用场景融合的主要瓶颈来看。高质量数据缺乏、行业壁垒高、应用场景不清晰是当前人工智能与行业深度融合的主要瓶颈。从数据积累程度来看，汽车、医疗和机器人三个领域具备一定的数据优势，而家居和制造两个领域数据积累明显不足。从数据开放程度来看，汽车、教育和机器人三个领域数据开放程度较高，而医疗和制造两个领域数据开放程度相对较低。从场景介入壁垒来看，医疗、制造的行业壁垒较高，人工智能企业较难进入。 /p p br/ /p p img style=" width: 654px height: 344px " src=" https://img1.17img.cn/17img/images/201905/uepic/f565c015-ce97-4aac-833e-0b198b1b4f26.jpg" title=" 14.jpg" width=" 654" height=" 344" / /p p img style=" width: 655px height: 354px " src=" https://img1.17img.cn/17img/images/201905/uepic/e2406269-5aef-4a27-82ec-e7e09c9244ed.jpg" title=" 13.jpg" width=" 655" height=" 354" / /p p style=" text-align: center " 　　 strong 人工智能产业发展水平评价 /strong /p p 　　通过使能技术和应用场景融合情况评价，我们可以发现，人工智能整体发展仍处于初级阶段。从使能技术发展来看，深度学习已经成为当前主流的人工智能算法，是目前理论研究的重点方向 深度学习技术已处于成熟期，并越来越多地应用到各种实际场景中，也逐渐显现出一定的发展瓶颈 计算机视觉和语音交互尚处于技术应用初期，两项技术均开始在不同的场景中尝试应用落地 而文本处理仍处于技术爬坡期，技术进展缓慢。从应用融合来看，基于报告对应用场景发展阶段的划分，目前人工智能在汽车、医疗、家居、零售、机器人和安防行业处在融合的培育期，而在制造和教育行业仍处在融合的萌芽期。 /p p style=" text-align: center" img style=" max-width:100% max-height:100% " src=" https://img1.17img.cn/17img/images/201905/uepic/ed712604-8970-40d5-9286-4ecfbda3ff66.jpg" title=" 15.jpg" alt=" 15.jpg" / strong 人工智能产业发展研判与展望 /strong /p p strong 　　01 /strong /p p strong 　　使能技术 /strong /p p 　　语音交互。语音交互技术存在对大规模数据依赖性强，远场识别准确率低、复杂场景识别效果欠佳等技术瓶颈，特别是语义理解技术尚未真正突破严重制约着语音交互技术的规模化商用。语音交互下一步将重点提升在远场识别尤其是复杂环境下的识别率，而智能家居无疑仍然是语音交互技术应用探索的最佳场景。 /p p 　　文本处理。场景、学习和数据获取是文本处理技术面临的主要困难，增强学习、视觉语言融合、联合学习将是未来文本技术的主要突破方向。发展中的文本处理技术将率先渗透到数字化程度高、政策和社会性障碍低、个性化元素强的行业。 /p p 　　计算机视觉。计算机视觉的瓶颈在于复杂程度高、鲁棒性低、数据匮乏和算力成本过高。计算机视觉的发展重点在于利用非监督学习和迁移学习方法降低数据依赖，提升算法试用领域，并实现与文字、语音技术的深度融合。 /p p 　　深度学习。深度学习依赖于多层神经网络下的梯度下降和随之而来的大量参数不断优化，但是多层梯度下降后的结果是非线性的和非凹的，深度学习方法的有效性难以得到理论证明。未来深度学习的发展方向主要是对深度学习机制的理解和实际模型的借鉴性研究。 /p p strong 　　02 /strong /p p strong 　　应用场景融合 /strong /p p 　　AI+汽车。以无人驾驶为主导的智能汽车是人工智融合度较高的应用场景，传统的汽车行业将被新的技术和商业模式所革新。但智能汽车的发展依然面临着车辆软硬件技术、人工智能算法、以及政策和商业化不成熟等多重挑战。 /p p 　　AI+医疗。快速发展的智能医疗领域已经出现虚拟助手、辅助诊疗、智能影像、药物研发、精准医疗等多种新实践。底层医疗数据的数量质量参差不齐、复合人才体系缺乏、医疗行业应用场景磨合难度大、行业壁垒高等都制约着人工智能技术的深度应用。 /p p 　　AI+家居。人工智能与家居的融合是当前业界探索的重点。人工智能在交互、决策和服务三个层面优化、提升家居产品性能。产品价格高、用户隐私保障难、语音识别率低、互联互通难等是智能家居发展面临的主要挑战。 /p p 　　AI+零售。人工智能助力零售行业线上线下深度融合，并带来消费场景的进一步延伸，全面提升了用户消费体验。当前，基于应用场景的技术提升和可靠性存在挑战。另外，如何有效打通C端和B端是智能零售行业亟需解决的难题。 /p p 　　AI+机器人。人工智能推动机器人从机械化迈向智能化。智能机器人在工业和服务领域逐渐成为人类重要助手，如协助机器人、物流机器人及公共服务机器人等。但受制于人机交互、环境感知和机器学习等技术水平限制，目前机器人智能化程度依然较低。 /p p 　　AI+安防。人工智能在安防行业处于探索应用阶段。智能安防以算法、算力、数据作为发展的三大要素，在产品落地上主要体现在视频结构化、生物识别、物体特征识别三个方面。人工智能将推动安防行业逐渐向城市化、综合化和主动化方向发展。 /p p 　　AI+制造。人工智能从研发创新、质量控制、故障诊断、运营管理等多个方面，推动制造业转型升级，是实现智能制造的核心驱动力。然而制造业与人工智能的融合仍处于培育期。缺乏高质量行业数据、企业计算能力不足、通讯标准无法协调是实现人工智能与制造业深度融合的主要障碍。 /p p 　　AI+教育。人工智能技术应用于教育领域，可有效改善教、学、练、作业、测评、管理等多个环节，实现合理配置教育教学内容，科学实施因材施教。高质量的学习轨迹数据缺乏和技术本身尚未成熟，造成人工智能和教育领域的融合程度远落后于其他行业。 /p

仪器信息网讯 2024年4月19日，由中国仪器仪表学会近红外光谱分会、仪器信息网共同主办的“人工智能赋能光谱仪器新产业” 论坛于ACCSI2024期间成功举办。会议期间，各位报告嘉宾就光谱仪器硬件、软件、算法、实际应用场景等多层面进行分享，就AI赋能的光谱产业新态势展开探讨，吸引了来自全国各地的专家学者、用户、仪器企业管理及研发负责人、投融资机构代表等200余人共聚一堂，为产业发展献计献策。会议现场中石化石油化工科学研究院教授级高工 褚小立主持“人工智能”（Artificial intelligence, AI）自1956年正式命名，经过数十年的发展过程中，已经渗透到各个学科领域，成为引领科技发展的重要力量，并已在各行各业得到了广泛的应用。作为新一轮科技革命和产业变革的重要驱动力量，人工智能的飞速发展正在逐步塑造社会、经济、生活等领域的业务新形态，不断带来颠覆性、丰富性、创新性的新业态。当科学仪器插上AI的翅膀，能给行业带来什么样的助力？随着信息技术的迅速发展，科技进入了数据爆发的阶段，光谱数据也日益呈现出大数据的特点，传统的数据处理方法已经难以满足人们对光谱数据的处理和分析需求。近年来，人工智能和机器学习技术的快速发展为光谱大数据的挖掘和分析提供了新的解决方案，人工智能赋能的光谱仪器新产业迎来了新的发展时代。同时，光谱技术与人工智能的结合也将成为推动各行各业发展的强大引擎，开启一个全新的智能光谱时代！此次论坛共邀请15位嘉宾做精彩的报告分享，并由中石化石油化工科学研究院教授级高工褚小立主持。中国科学院上海技术物理研究所、南通智能感知研究院院长/首席科学家/研究员 刘银年报告题目：《高光谱仪器与人工智能》2021年高光谱成像技术被欧盟列入“面向未来的100项重大创新突破”，而发展与人工智能相结合的高光谱数据处理与应用，是未来高光谱遥感发展的重要方向。刘银年研究员在报告中介绍了高光谱技术及其突破发展，以及当前人工智能技术再度兴起的大背景下，光谱和人工智能如何更好地结合和相互促进发展，如何正确认识人工智能的作用，力争为高光谱领域人工智能的发展提供一些有益的建议和参考。同时，刘银年研究员也指出“智能”使应用变得“简单、便捷、迅速”，但背后仍需要大量“人工”开展长期综合的研究积累。浙江大学研究员 杨宗银报告题目：《光谱仪小型化研究》传统光谱仪体积大、价格昂贵，很难从实验室走出来，光谱仪微型化是当前的一个重要的发展方向，但是这其中还有很多需要解决的问题，比如缩小尺寸性能大幅下降；高分辨率与滤光片数量和成本的矛盾；运动部件导致稳定性差，分辨率低；波导通光量低，灵敏度低等。杨宗银研究员在报告中提到计算光谱+是大趋势，计算光谱用算力增强光学元件，能够减少器件尺寸和成本等问题。报告中，他给大家分享在光谱仪小型化研究方面所开展的一系列的工作，包括提出新的材料合成法、光谱器件新理论与技术体系，并基于新材料突破光谱尺寸极限等。不仅如此，他还介绍了其在仪器开发方面的计划和预期成果，包括光谱成像模块、微型拉曼光谱、红外光谱相机等。中国科学院微生物研究所研究员 傅钰报告题目：《人工智能赋能拉曼光谱鉴定和表征微生物》拉曼光谱是化学分子的“指纹图谱”，在微生物领域有着广泛的应用前景。人工智能深度学习可以自动地从大量的拉曼光谱数据中学习和提取关键信息，使得在处理拉曼光谱数据时具有极大的优势。傅钰研究员在阐述其观点时提出，通过融合拉曼光谱技术与人工智能等不同学科领域的知识，能够开拓微生物研究领域的新途径。他指出，利用拉曼光谱结合人工智能技术对微生物进行鉴定表征，展现出极大的潜力。此外，傅钰研究员还分享了他对于如何将这一研究成果转化为实际应用，实现产业化的看法。他认为开发完善人工智能算法，制定统一的拉曼光谱数据采集标准，以及共同推进光谱仪器的便携化与智能化是非常必要的。上海交通大学生物医学工程学院助理研究员 陈舟报告题目：《人工智能在表面增强拉曼光谱中的应用和挑战》表面增强拉曼光谱是一项指纹式的超灵敏检测技术，在生物医学、环境保护、食品安全等各个领域都展现出极高的应用价值。面对如今数据规模的爆炸式增长以及各种内部因素的交织复杂，人工智能也逐步在表面增强拉曼光谱的全流程中被广泛应用，加速了系统性的优化，加深了人们对于背后物理机制和光谱数据的理解，远超人脑计算与传统计算方法的能力。陈舟助理研究员在报告中指出，尽管AI在SERS领域的应用前景广阔，但仍面临诸如重复性、数据质量、数据对齐、拉曼大数据模型构建以及伦理原则等应用挑战。她强调，生物样本拉曼数据库是构建高质量AI模型的前提，也期待更多研究者的参与和贡献。南开大学教授 邵学广报告题目：《人工智能与新型光谱仪研制》邵学广教授的报告围绕人工智能、机器学习、深度学习、化学计量学展开，从传统光谱分析方法、多元校正，到人工智能，其展望了下一代光谱仪器的发展趋势。围绕本次会议的主题，邵学广教授还系统地阐述了基于MOE光谱仪、基于LC-SLM和DMD光谱仪以及近红外多元光谱仪的研制、挑战和发展趋势。同时，他也为大家分享了其课题组在水光谱探针与水光谱成像、深度学习方法的研究进展，希望可以和仪器公司合作，共同为光谱仪器在工业等场景应用做出贡献。江南大学物联网工程学院院长/教授 栾小丽报告题目：《基于近红外分析技术的化工过程智能感知与监控》栾小丽教授从工业过程分子级智能感知和基于过程模式的智能监控两个层面进行详细讨论，其介绍说，通过引入近红外光谱分析，可以获取具有更高时间和空间信息颗粒度的分子级信息，从而实现从分子层面实时地对原料、生产过程以及终端产品进行质量监控。报告中，栾小丽介绍了其开展的一系列工作，包括光谱分解温度自适应补偿建模，近红外深度网络迁移学习建模，多层次长短期记忆网络建模，工业生产过程模式化运行，最佳操作经验知识固化，最佳反应终点判定等。不仅如此，报告中，栾小丽还列举了很多应用案例以给大家更多的直观感受。北京农林科学院农业智能装备研究中心主任/研究员 黄文倩报告题目：《基于人工智能算法的水果品质在线无损检测方法研究》水果品质无损检测是采后商品化处理的核心，黄文倩研究员在报告中介绍到基于近红外光谱的内部品质在线无损检测取得了巨大进步，却未实现大规模应用。为了推动其应用，黄文倩强调了利用人工智能算法的重要性，并提出了构建高质量数据集、软硬件优化结合以及标准化作业流程的必要性。他还提到，需发展专用的模型算法，以充分发挥深度学习算法在数据处理和学习方面的强大能力。陈爱明代替云南中烟工业有限责任公司技术中心高级工程师 张翼鹏分享报告报告题目：《基于近红外技术的原料配方智能替换研究》原料配方替换是在确保产品质量稳定一致性的前提下，以库存或潜在库存量较大的原料或原料组合，替换库存稀少或成本较高的原料或原料组合，是工业生产中非常重要但极具挑战的问题。陈爱明讲到基于近红外分析技术快速、无损与多指标分析的特征，系统性地表征不同原料间的化学空间，构建适合近红外数据与配方替换特点的全局优化方法，在带有约束条件的前提下，发展原料配方替换的流程和方法，才能输出满足条件的最优配方替换结果。中石化石油化工科学研究院教授级高工 褚小立报告题目：《微小型光谱仪器与深度学习算法的结合应用》褚小立教授从现代微小型光谱仪器的技术特征、进展、应用以及深度学习网络在光谱数据处理中的应用等几方面进行了系统性的分享，深入探讨了拉曼、近红外等便携式、微小型光谱仪器，以及多光谱融合技术的发展趋势及在各领域的应用，并强调微小型光谱技术与深度学习算法融合所带来的创新潜力是无限的。褚小立满怀信心表示，国产光谱仪器破浪在即！科研的进步是一个长期而复杂的过程，它需要多方面的支持和帮助，自然也是离不开仪器技术的助力。此次论坛的报告环节中，更是邀请了6位光谱仪器厂商的代表亲临现场，为大家分享了光谱仪器在人工智能的加持下，具备的新优势、新技术，以及能实现的新解决方案、新应用领域和场景，为大家提供更多的选择和可能，使得工作更加精准、高效、便捷。海洋光学Ocean Optics Arelis Colόn博士报告题目：《AI Raman Spectroscopy of Analyte Mixtures》（海洋光学销售工程师陈术开场介绍）深圳市海谱纳米光学科技有限公司产品总监陈余泉博士报告题目：《下一代视觉传感器 4D光谱感知——微型光谱仪及其应用》荧飒光学仪器（上海）有限公司产品经理 王伟报告题目：《创新赋能荧飒，让国产红外更具生命力》北京与光科技有限公司产品经理 苗鑫报告题目：《快照式多光谱相机前沿应用探究》南京智谱科技有限公司产品经理 杨浩报告题目：《视频级光谱成像技术与产业化应用》河南精谱检测设备有限公司的总经理 刘季报告题目：《人工智能助力高端紫外可见近红外分光光度计的国产替代》专家合影留念会议期间，各位专家也就人工智能赋能光谱产业未来的发展前景谈了自己的看法，大家一致认为这是一个非常诱人的话题，部分专家也分享了他们对于人工智能赋能光谱仪器新兴产业的未来趋势和发展见解。刘银年研究员认为：“人工智能对光谱仪器行业的影响是全方位的，不仅提升了数据处理能力和智能化水平，还推动了行业的创新和发展。随着技术的不断进步和应用场景的不断拓展，相信人工智能将为光谱仪器行业带来更多的机遇和挑战。”邵学广教授谈到：“人工智能给科学仪器，特别是光谱仪器产业带来了很多的变革、机遇和挑战，这其中的影响主要还是围绕仪器的结构设计、生产、应用三个方面展开。特别是，数据处理方法的变革将会给仪器行业带来深远的影响。”杨宗银研究员分享到：“人工智能跟光谱的结合，会让整个光谱的领域往更加通用性的方向发展。从赋能的角度来看，比如测量、数据分析，只要数据库中的数据量足够大，即使非专业人士不标准的测量，也可从中直接获得结论。”傅钰研究员相信人工智能赋能光谱仪器一定能促进生物学或微生物学研究的革命。“光谱对于单一物质来说，其分辨是非常好的，但是对于复杂体系，用传统的统计学的方法是很难进行精确的鉴定和解析。人工智能的出现恰恰是因为它是基于大数据的，不需要进行人工筛选，从而对数据进行精准分析，这能够大大的促进光谱学在生物学复杂体系中的应用。”陈舟助理研究员说：“人工智能在光谱仪器产业中的自身优势主要体现在处理大量数据的速度极快和对大数据的深入理解能力两个方面，这使得在决策、诊断和预测过程中能够实现更高的准确度，这些优势将极大推动光谱产业的未来发展。此外，光谱仪器的小型化是当前的一个趋势，但在小型化过程中信号损失和质量保证成为挑战，而这正是人工智能可以发挥其潜力的地方。”除了以上专家的分享，我们也对此次参加论坛的几位专家进行深入的采访，敬请期待后续相关报道。相信在与人工智能的加持下，我国光谱仪器产业将迎来一个新的发展春天。关于ACCSI：“中国科学仪器发展年会(Annual Conference of China Scientific Instruments，ACCSI)”始于2006年，已成功举办十七届。每年一届的“中国科学仪器发展年会”旨在促进中国科学仪器行业“政、产、学、研、用、资”等各方的有效交流，力求对中国科学仪器的最新进展进行较为全面的总结，力争把最新的有关政策、最前沿的行业市场信息、最新的技术发展趋势在最短的时间内呈现给各位参会代表。更多第十七届中国科学仪器发展年会精彩内容，请点击链接：ACCSI2024现场直击

通过人造材料，进行与自然界光合作用相似的化学反应，利用阳光、二氧化碳和水生成人类所需物质，是长期以来的梦想。然而，这种人工光合成体系进行应用尝试时，面临挑战，关键在于如何利用太阳光中低能量的光子。红外光是太阳光谱中典型的低能光子，在太阳光谱中占比达53%。通常的半导体光催化技术只能利用紫外区和可见区的光子来驱动化学转化，制约了太阳能利用效率。近年来，国际上的等离激元催化研究团队提出利用金属纳米材料的等离激元效应来驱动催化反应的思路，以期解决半导体光催化面临的瓶颈。等离激元金属纳米材料具有吸收低能光子的能力，却难以将吸收的能量有效地利用到催化反应中去，导致化学转化活性很低。中国科学技术大学教授熊宇杰研究团队针对等离激元催化的机制问题，开展了近十年的研究(Angew. Chem. Int. Ed.2014, 53, 3205；Angew. Chem. Int. Ed.2015, 54, 2425；J. Am. Chem. Soc. 2016, 138, 6822；J. Am. Chem. Soc. 2019, 141, 7807；Adv. Mater. 2022, 34, 2202367)。近日，熊宇杰/龙冉研究团队设计了一类等离激元催化材料，发现其独特的界面耦合态直接电子激发机制，实现了可见光区和红外光区二氧化碳与水的高选择性转化。该技术使用广谱低强度光，甲烷产率高达0.55 mmol/g/h，碳氢化合物的产物选择性达100%，是目前光驱动二氧化碳资源化利用的最高纪录。相关研究成果发表在《自然-通讯》(Nat. Commun. 2023, 14, 221)。该团队聚焦二氧化碳与水的转化反应，基于等离激元材料的催化活性位点设计，形成金属与二氧化碳分子的有效杂化耦合体系。研究通过一系列工况条件下的谱学表征，发现在等离激元的局域电场增强效应下，其费米能级之上会出现准离散的陷阱态，有助于发生热电子的直接激发过程，并通过延长热电子寿命而发生二次激发过程，从而实现高效多光子吸收和选择性能量转移。基于该作用机制，所设计的材料在可见光区和红外光区范围内，皆可驱动二氧化碳与水高选择性转化为碳氢化合物。有鉴于等离激元催化的多光子吸收特点，该团队设计优化了反应装置，实现了散射光子的高效吸收，从而突破了当前光驱动二氧化碳资源化利用领域的瓶颈。研究工作得到国家重点研发计划、国家自然科学基金国家杰出青年科学基金项目/优秀青年科学基金项目、中科院战略性先导科技专项(B类)等的支持。天津大学、安徽师范大学、合肥光源等的课题组参与研究。中国科大在红外人工光合成领域取得进展

自1913年第一次使用人工肾用于临床以来，经过大量的反复研究和改进，人工肾经历三个换代过程，在结构和功能上有显著的改进。 　　1944年，二战硝烟弥漫，这一年的下半年盟军挺进德国，罗斯福第四次当选美国总统。同年令医学界为之鼓舞的是，有“美国的诺贝尔奖”美誉之称、最具声望的生物医学奖——拉斯克医学奖获得者，美国犹他大学医师威廉• 考尔夫(Willem Kolff)发明了肾透析机。 　　 　　这与出现在世人面前，第一次被称为“人工肾”的时间过去了31年。1913年伦敦和荷兰的生理学大会上，展出的仅供动物使用的简单透析器，他的设计者阿贝尔(John Abell)给其取名叫“人工肾”。 　　 　　这一期间，有士兵因潮湿和寒冷而患“战壕性肾炎”，直至发展成尿毒症病死沙场 也有因各种原因导致的尿毒症病人，因医生束手无策而死去。直到年轻的威廉• 考尔夫医生与工程师玻克(Berk)使用塞璐芬膜，共同研制出第一台供临床使用的转鼓式人工肾，从此大大提高了透析效果。 　　我们为什么会关注一个小小医疗仪器的历史，因为这与人类自身疾病的发展息息相关，有数据统计显示，全世界每天约有10.6万个新增病人进入常规血液透析治疗，其中仅5%可望进行肾移植。当前，每年新增病例有大幅上升趋势，而中国慢性肾功能衰竭发病率为每年每百万人口50到100人，这一数据背后意味着，仅北京、上海每年会有4000例以上的患者进入透析队伍。 　　人工肾的大意义 　　众所周知，人体重要器官之一肾脏，担负着人体血液处理的重任。肾脏好比一个过滤器，血液通过肾动脉流入肾脏，经肾脏的过滤作用，把血液中的有毒物质、代谢产物和多余水分滤除，形成尿液排出体外，而经过滤的血液通过肾静脉回流至心脏。当肾功能衰竭时，急性慢性肾功能衰竭均可导致终末代谢产物和内源性毒性物质在体内潴留，水、电解质、酸碱平衡紊乱以及内分泌功能失调，从而引起一系列自体中毒症状，这一症状就是尿毒症。因此解决人体“自身中毒”的解决方式就需要血液透析机。 　　血液透析机又叫人工肾，一个小小的仪器，其中最主要的两个部分——生物人工血滤器和生物人工肾小管辅助，将主导人体血液在体外的一系列净化处理。血液从人体的动脉流出，经“人工肾”净化处理重新通过静脉流回到人体，这一过程帮助肾脏发挥除滤功能，但并不能完全替代肾脏的自我平衡、调节、代谢和内分泌功能。特别针对于慢性肾功能衰竭，及其他急性中毒等病状，如肝性昏迷、肝肾综合症、肝硬化顽固腹水等。 　　自1913年第一次使用人工肾用于临床以来，经过大量的反复研究和改进，人工肾经历三个换代过程，在结构和功能上有显著的改进，从标准平板型人工肾(KILL型透析器)演变到卷管型人工肾(COLL型透析器)，直至到现在的空心纤维型人工肾的出现，在未来临床阶段将会向小型化、移动化方向发展。 　　专注于医疗事业的日本企业旭化成医疗株式会社(以下简称“旭化成”)，于1974年生产出世界上第一支中空纤维透析器(人工肾)，得益于旭化成在纤维材料领域及医疗事业上的专注。旭化成是日本最大的中空纤维透析器生产商，占有日本市场近50%市场份额，也是世界最大中空纤维透析器生产商之一。 　　从病患角度考虑，肾脏移植是目前医学上公认的治疗肾脏衰竭的最好方法，因为移植到病人体内的肾几乎可以完全代替已衰竭了的肾脏的功能，从而让病人过上正常人的生活。 　　但实际情况并不如愿。根植“人工肾脏”领域四十年的专家——旭化成医疗指出，并非每位肾衰竭病人都有机会接受肾移植，这是因为可能没有适合的肾脏，或是因为脑死亡后的器官捐献者的数目远远低于需求者的数量。由于捐献者的肾脏必须同病人的身体相匹配，因此，病人要等到一个合适的肾脏进行肾移植需要很长的一段时间。 　　中国透析移植研究会主任委员唐孝达教授曾表示过，肾移植之后，移植器官一年内的存活率在90%左右，3-5年是60%-70%，十年的长期存活率在40%左右。 　　近年来，肾衰竭和尿毒症在人群中的发病率不断提高，人工肾脏受到越来越多的重视，在医学领域发挥着较强的实质性效用，许多医疗机构正试图将这些技术做到尽善尽美，帮助患者早日脱离病魔的折磨，开启医疗新篇章。 　　人工肾的“中国之路” 　　中国使用人工肾治疗尿毒症工作始于1953年，1957年、1958年先后在上海、天津使用进口人工肾进行医疗临床治疗，但中国各大城市大规模使用人工肾，则要追溯到上世纪80年代。 　　中国在人工肾的研究也有超过20年的历史，例如上海TX型人工肾、天津80-2型人工肾等，但这些作为平板型人工肾已被淘汰，目前医疗临床使用的多是已进口人工肾为主，生产厂商主要来自欧美和日本，如德国费森尤斯、贝朗，瑞典金宝、贝克尔，美国COBE、韦洛克，日本旭化成等。 　　在中国有良好口碑的旭化成医疗成告诉记者，其在中国的杭州装配工厂，结合从日本进口的产品面向中国医疗机构销售，特别是在High Flux膜受到很高的评价，对长期透析患者的生存质量改善上作出贡献。 　　相比国外近一个世纪的发展，人工肾的“中国行”才算刚刚起航，虽在国内临床医学领域得到了一定程度的使用和推广，但这条人工肾脏中国之路看起来并不顺畅。一方面受制于当前医疗改革的迟迟推进，另一方便更多在于高昂的医疗费用。 　　就目前来看，透析对大多数中国家庭而言是一笔非常昂贵的支出，患者家属可能很难承受如此大的经济压力，这也将成为医疗救助环节的一个极大瓶颈。2012年上演的“廖丹刻章救妻”故事，一度令中国网民为之动容，凄美爱情故事的背后，对病人及病人家属而言，这是一场“持久”的战争，来自患者每周两至三次的透析，以及金钱、时间、精力上的战斗。 　　旭化成医疗对于中国市场有着自己的看法，随着中国的经济的飞速发展、保险制度的不断扩大和完善，今后患者接受各种治疗的机会也将不断增加，关于透析这块，旭化成方面表示会多多参加地方中医医院的透析普及項目，帮助透析在中国的普及。 　　“人工肾脏今后的发展目标是更人性化，以人为本将会成为所有人工肾脏研发者的共同宗旨。”旭化成在其今后人工肾的发展上有清晰的目标。旭化成医疗表示，家庭疗法是新的研究方向，通过利用新兴学科来实现人工肾领域的全面改革。今后，患者在自己家中也能进行透析，无需再每周一次或两周一次地去医院挂号看病，这样也省去了患者的医疗支出，经济负担也能相对减轻。 　　旭化成方面还表示，他们正着手研发一种更能节省劳力的透析治疗方法，以人为本的医疗发展宗旨将会贯穿始终。他们认为，“健全的生命和医疗保障对于人们生活的重要性无可厚非，这也是人类的共同需求更是生命意义的所在。”

p 　　 strong 撰稿：中国农业科学院 蒋士强研究员 /strong /p p 　　 strong (一)、怀念与启示。 /strong 每当议及科学仪器与测试分析时，总使我想起 strong 王大珩院士 /strong 生前对科学仪器精辟的定义：“ strong 科学仪器是认识世界和改造世界的工具 /strong ”。同时也使我想起 strong 邹承鲁院士 /strong 生前一直坚持的立论：“ strong 科学是认识自然，大至宇宙，小到基本粒子。而技术是在认识自然的基础上改造自然，为人类服务 /strong ”。科学仪器和测试分析(以下简称为科仪与测试)在学科分类上是二级乃至是分支学料，但又是跨多学科,而且是科学发展的工具和产物,大家分析一下，众多与科学仪器和分析测试有关的诺贝尔奖得主就一目了然了。在行业地位上处于第二产业的分支中的分支。但是在当今全世界都在谋求科学和技术全方位的、不断的、甚至颠覆性的创新，以造就各领域、各学科、各产业、各行业的腾飞,使社会财富和政经不断增值和振兴，以满足 strong 人民日益增长的美好生活需求 /strong 。无论是探索科学发明和技术的创新,乃至具体到确保和提髙质量，直至更新、换代，都需要科仪和测试,即在学科和产业体量不大,并不显眼的领域，将越来越彰显出“庙小显神通”的作用。当今人工智能新浪涛己经来到之时，如何应对，急待探索和实践。 /p p 　　(二)、 strong 要充分认知人工智能大幕己开启、新浪涛己经来到，科仪和分析测试领域的学界和业界都不能固守原有思维模式、思路和策略。 /strong 我国传统思维比较保守，惯于从四书五经等典籍中，寻找治国安天下的方略，我国古代有四大发明，但我国自然科学的发展史是英国人写的，科学救国是近代一时思潮，后来受到批判，将社会发展、变革的推动力被阶级斗争等取代了，直到现代光辉的近30年、40年、70年才有所突破。就以机器和仪器而言，一字之差，前者是解放人的体力，后者是扩展、延伸人的感官，两者不断地融合、昇华& #8230 直到如今将脑科学、人的智慧，渗透、移植、乃至深化、超越地赋于各领域、产业、行业、事物的戴体(客体) 。寻求我国的轨迹，可说也是世界潮流的涌动波及和启迪的结果，恕我直言，我国有优良的文化、传统，但学界、业界乃至大众也有历史造成的不良习俗，多喜于学之外表，不求真谛，不仅缺乏异想天开的创造性，而乐于找捷径、跟风、蹭边、冒名& #8230 & #8230 。如早先，把仅能测电阻、电流、电压的三用表叫成“万用表” 把清涼油加点药料就叫“万金油”，& #8230 & #8230 。“人工智能”、“智能”、“智慧”等响亮而谜人的冠词，在各行业、各种产品上已有泛用之势，国内是乎更盛。但在国际上的仪器仪表、科学仪器、测试分析的领域，国外产品命名和广告宣传，还是比较谨慎的， strong 很少冠用人工智能 /strong ，即使其功能上具有某些初级人工智能的部分要素，如各种图谱的识别、解释、训练、自校正、自检等，这是值得学习的。 /p p 　　(三)、 strong 人工智能逐步渗透、融合于科学仪器和分析测试技术的历史回顾 /strong /p p 　　在科学仪器、实验室设备和分析测试技术中，经历了自动化、数字化、信息化、网络化之后，逐步渗透、融合了部分“人工智能元素”、“专家的部分智能”，如：可编程，进而可自检、自校正的自动进样器和样品前处理工作站 实验室管理系统LIMS系统(Laboratory Information Management System 英文缩写LIMS)是将以数据库为核心的信息化技术与实验室管理需求相结合的信息化管理工具，结合网络化技术，将实验室的业务流程和一切资源以及行政管理等以合理方式进行管理,通过LIMS系统，配合分析数据的自动采集和分析，大大提高了实验室的检测效率,降低了实验室运行成本并且体现了快速溯源和痕迹，使传统实验室手工作业中存在的各种弊端得以顺利解决 又如各种谱仪和联用仪中,应用了各种控制和分析的专家系统(有时称工作站、软件包等)，先是出现在进口仪器的操作系统中，接着国产仪器设备也逐步跟进，而且学者们发表了不少论文和专著，例如： strong 卢佩章院士于1992年12月就出版了《高效液相色谱法及专家系统》，2012年3月的版本是，由卢佩章院士、张玉奎院士和梁鑫淼增订的，是一本经典性的著作。在回味人工智能在分析测试技术中的应用时，非常贴近的实例，是早在上世纪末的近红外分析测试技术的突破，国外以Karl Norris博士、国内以陆婉珍院士、严衍禄教授等为代表的学者们,就建立了近红外光谱模型分析、人工神经网络模型算法等技术、以及用标样校正(训练)图谱模型的技术。 /strong 1998年湖南大学许亚兰发表论文，提出了模糊智能仪器这一新构想，针对这一构想，论文从其原理入手介绍了模糊智能仪器的相关基础理论--模糊数学与人工智能，其次在传统微机化仪器的基础上设计了模糊智能仪器。2004年由南开大学出版了裴雷著的《科学仪器软件平台研发——人工智能软件包开发》，提出：以软件为关键技术的通用平台上，可以很方便地改变软件配置来适应不同的需要,功能更加灵活、强大，更适合科学研究和创新的需要，建立中国自己的科学仪器通用软件平台，可带动我国分析仪器水平的提高，是我国分析仪器产业实现跳跃式发展的一次难得的机遇。中科院化工冶金所、中国科技大学、湖南大学的石乐明、张懋森、李志良的论文中指出：专家系统在分析化学中的一些应用，例如谱图解析，分析方法与分离路线的设计与优化，分析仪器工作参数的优化以及故障的诊断等。2010年11月1日，在化学_自然科学_专业资料中，发布了“分析化学中的应用”一文提出： 知识系统、知识工程已成为人工智能应用最显著新技术。2015年9月12日，在能源_工程科技_专业资料中，发布了“人工智能技术在分析化学中的应用技术”一文。2016年12月31日中国科学院化工冶金研究所李晓霞等发表论文，报导建立了HIN(chemicalinformationnetwork)。其实国内外生产的大型、专用型的光谱仪、色谱仪、质谱仪、波谱仪、基因导入仪、基因测序仪、蛋白质纯化系统、细胞融合仪、电泳仪、病毒免疫荧光分析仪、层析仪、生化分析仪和各种联用仪以及大型样品自动处理设备等，都渗入部分初级人工智能， strong 确切地说都有一定基础和苗头，只是有待于逐步完善。 /strong /p p 　　(四)、 strong 从以上（三）所述的案例中，近乎可得出一个规律，即：有强力的应用人工智能科技的需求，而且开发应用者、实施者对人工智能有足够的认知，二者碰撞即能产岀鲜艳的火花。 /strong 为此我建议在科学仪器与分析测试的学界与业界，宜先行有关人工智能的科普(在我国规划中就列有 strong 人工智能的全民科普的布署 /strong )。对学界、业界领军机构、人士、决策者，都有良好的科技学术基础，对类似以上列举的二本著作，肯定能熟读而有启迪的。新的科学技术的创新和应用不是炒岀来的，也不是抄岀来，更不是吹岀来的，是学者和业界同心合用探索、啃岀来的。 /p p 　　(五)、 strong 依据众多人工智能的著名院士、学者论述，我感悟人工智能与科学仪器和分析测试有着一些相似性，但因学科和产业的层次、目标、定位、历经和发展速度的不同,又有巨大差异。科仪和测试技术应该充分借助于人工智能的巨大驱动力和利用以下相似性：人工智能是研究开发能够模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门新的技术科学 目前用的办法就是我们现在说的神经网络或者准符号模型等 目的是研制出具有类人智能的智能机器，表现形式是会图像识别& #8230 & #8230 ，会人机对话& #8230 & #8230 ，会自动运行& #8230 & #8230 ，会思考、证明、诊断& #8230 & #8230 ，会学习& #8230 & #8230 ，会表示认知结果& #8230 & #8230 。鉴于人工智能总体发展水平当前仍处于起步阶段，专用人工智能取得突破性进展，由于应用背景需求明确、领域知识积累深厚、建模计算简单可行，(任务单一、需求明确、应用边界清晰、领域知识丰富、建模相对简单)因此形成了人工智能领域的单点突破，如图像检测分析& #8230 & #8230 ，都建立在数据的基础上 /strong (最初级的数据大多来自传感器和己有文献)， strong 都涉及众多学科，是多学科交叉、实践性很强的综合性学科。差异是人工智能更深，涉及到当今和未来的科技、产业乃至于社会变革。更新、是近60年来兴起的。更大、是新一轮科技革命和产业变革的重要驱动力量。更神、是引领这一轮科技革命和产业变革的战略性技术，具有溢出带动性很强的“头雁”效应。 /strong 而仪器与测试是原系古老庙小、时显神灵 更通俗的比喻是：后者古老的小庙、小神，既需依靠大神、大庙，也宜发挥庙小有神灵的特点， strong 我很赞赏将人工智能科技，逐步渗透、融合于科仪和测试的机理、构思、设计、研发之中，并在实施中与精细工匠精神相结合，推动科仪和测试技术发展，甚至颠覆其面貌。 /strong /p p 　　(六)、 strong 科仪和测试技术也应走人工智能应用上的细分工与专用化之路 /strong ，下棋人工智能机器人，决不能用于自动驾驶车辆& #8230 & #8230 ，当今高档的科仪和测试技术系统，越做越大、越复杂，有利于生产厂家赚钱，而买家只用其中部分功能，科仪和测试技术设备中逐步引入人工智能机器人技术，必能使科仪和测试技术设备走向细分工和专用化，硬件可能更简化，研发出各种新型传感器，当今庞大的科学仪器可能变成各种专用的传感部件，科仪将更灵敏、更小巧，测试分析将更具智能化，其实，万能的仪器设备都是假的。例如就食品安全检测而言，就应开发出检测某类、某种，甚至特定有害组份的人工智能机器人，其硬件将更精而少，而更神通，轻便和价廉。 /p p 　　(七)、 strong 学科和产业发展上应注重社会需求驱动，中医学的人工智能化将是我国的瑰宝。 /strong /p p 　　科学仪器和测试分析技术在医疗保健和生命科学中的应用，可说一支独秀，这原系这两界本身就是大学科、大产业，有巨大社会需求，也正因此，不论在仪器设备或测试技术方面都很快地融人工智能技术，已有不少案例(请参阅上述三、)，编撰者一直关注中医学中人工智能技术的运用，在去年4月份发表的《人工智能化将猛力推动甚至颠覆现有科学仪器与测试分析技术的面貌》一文中用 strong “中医学的人工智能化将是我国的瑰宝” 表述 /strong ，引用了2017年以前较详细媒体报导的资料，但近二年未见更多的报导，但愿是疏漏， strong 我仍坚信中医学领域，人工智能将大有作为。一方面应尽快抢救极其丰富的著名中医学大师积累的中医诊断中病人型像学和病案、宝方的经验，并转化为图像和数据，同时在中医院校引进人工智能专才，推进人工智能在中医学中的应用。 /strong /p p 　　(八)、将传统的科学仪器与分析测试的机理，变为模块、模型、模式， strong 将感知数据转变为图像，也许是得以融入以深度神经网络模型算法和图像分析等为代表的人工智能技术的捷径 /strong ，即大幅跨越了科学与应用之间的“技术鸿沟”，这也许是近年来，国外把许多传统的谱仪分析，转为图像分析的原因。 /p p 　　(九)、 strong 人才的培养、吸纳和借助。 /strong 科仪和测试界本身就需多学科人才，而要将人工智能技术引入，人才是关键，据媒体报导，华为拥有700多位数学家、300位物理学家、200位化学家，而且我国人工智能领域高级人材奇缺，科仪和测试业还属小庙，养不起“大和尚”即人工智能专才，那只能从原来从事计算机软件、自动化专业的人才中培养人工智能中级人才吧!当然也宜与从事人工智能的机构合作，吸纳和借助人才资源了。另外、今后开源的模型、算法等会越来越多，据报导，西方有不少中小型企业、机构，就是针对自已应用目的，利用开源的资料，修改、嫁接、而用之。 /p p 　　(十)、 strong 共建大数据共享联盟。 /strong 大数据分析是人工智能神力之一，也是科学仪器和测试分析技术跃进的梯子，而测试分析领域的数据也非常可观，以庞国芳院士的团队为例，就己公开岀版了色谱、质谱、核磁共振图谱集三大本，五亿多个数据吧!大数据在大数据分析，乃至于人工智能中的地位业内人士比我更清楚，我只是呼吁通过已有联盟机构，协同共建更大的分析测试大数据共享联盟， strong 是时候了! /strong /p

2024年，人工智能(AI)技术在仪器研发领域展现出了前所未有的深度融合和广泛渗透。AI不仅为仪器研发带来了新的设计理念和研发模式，更重要的是赋予了仪器更强大的功能和智能化水平，推动了整个行业的技术进步和效率提升。通过深度学习、计算机视觉、自然语言处理等先进算法，AI赋能了仪器研发的自动化、智能化和高效率，为科研和工业生产带来了革命性的变革。　　AI驱动的智能制造　　实时质量监控与自动化调整　　AI系统可以实时监测生产过程中的各种参数和指标，及时发现异常情况并自动采取措施，确保产品质量符合标准。例如，AI可以通过分析来自传感器的数据流，识别与正常运行状态的偏差，提前预警潜在的质量问题。一旦发现问题，AI可以自动调整工艺参数，如切削速度、温度、压力等，从而避免不合格品的产生。　　工艺优化与参数调整　　基于AI的工艺优化技术可以分析海量的生产数据，识别影响产品质量的关键因素，并自动调整最佳的工艺参数组合，提高生产效率和产品质量。例如，AI可以通过对切削速度、进给速度、刀具类型等参数对加工质量的影响进行建模，从而实现对这些参数的自动优化，达到提高加工精度和一致性的目的。　　缺陷检测与分类　　利用计算机视觉和深度学习技术，AI可以自动检测和识别仪器产品表面的各种缺陷，如划痕、污染、图案偏差等。这比传统的人工目视检查更加高效、准确，可大幅提高产品的合格率。深度学习模型可以从大量标注的图像数据集中学习，熟练区分正常产品和有缺陷的产品，实现高精度的自动缺陷检测。　　预测性维护　　通过监测仪器设备的运行数据，AI可以预测设备可能出现的故障和异常，从而提前进行维护和保养，减少停机时间，确保设备处于最佳状态，间接提高产品质量的稳定性。例如，AI可以分析传感器数据，识别出设备性能的下降趋势，提前发出维护警报，减少维修成本。　　AI赋能数据分析与建模　　数据驱动的设计优化　　AI可以通过模拟和预测分析，帮助研发团队更快地迭代和优化产品设计。例如，在医疗仪器研发中，AI可以分析大量的医疗数据，包括病历、影像数据和临床试验结果，从中发现新的诊断和治疗模式，为仪器设计提供依据和建议。　　需求预测与资源配置　　AI技术在需求预测和资源配置方面也发挥着重要作用。AI算法能够分析历史数据，识别资源利用率模式，并基于此预测未来的资源需求。这样研发团队就可以提前调配资源，避免资源浪费或短缺。同时，AI驱动的资源调度系统能够根据项目需求、员工技能等因素，自动生成最优的资源分配方案，提高资源利用效率。　　材料科学与生物领域应用　　2024年，AI在材料科学和生物领域的应用取得了突破性进展，推动了科学发现和创新。例如，AI助力高内涵成像系统的发展，开启了类器官研究的新纪元。通过AI算法，研究人员可以从复杂的生物数据中提取有价值的信息，优化成像系统的性能和应用场景，为生物技术和制药研发提供了强大支持。　　多模态AI系统与自动化　　多模态人机交互　　多模态AI系统能够处理文本、图像、语音等多种形式的数据，为仪器的设计和使用带来了新的交互方式。例如，AI可以通过语音识别和自然语言处理技术，帮助用户更方便地操作和控制仪器。在医疗诊断中，AI可以结合患者的病历、影像数据和语音描述，提供更全面的诊断支持。　　实验室自动化　　AI推动了实验室自动化的发展，实现了无人值守的实验室操作。机器人可以执行样品准备、实验操作、数据分析等任务，而AI系统则负责实验设计、结果解释和报告生成。这极大提高了实验室的工作效率和准确性。例如，卡内基梅隆大学研发的"合作科学家"AI工具能够自主设计、规划和执行复杂的科学实验，显著加快了科学研究的进程。　　智能制造与自动化　　AI在智能制造和自动化方面的应用将显著提升仪器研发的效率和精度。通过AI驱动的自动化系统，研发团队可以实现全天候的实验室自动化操作，减少人工干预，提高数据采集和分析的速度。例如，AI可以在药物研发中使用全基因组、原子分辨率仪器和机器人技术，建立海量医疗数据集，加速药物发现过程。　　质量控制与缺陷检测　　实时质量监控　　AI系统可以实时监测生产过程中的各种参数和指标，及时发现异常情况并采取措施，确保产品质量符合标准。例如，AI可以通过分析来自传感器的数据流，识别与正常运行状态的偏差，提前预警潜在的质量问题。一旦发现问题，可以及时调整工艺参数，从而避免不合格品的产生。　　自动化缺陷检测　　利用计算机视觉和深度学习技术，AI可以自动检测和识别产品表面的各种缺陷，如划痕、污染、图案偏差等。这比传统的人工目视检查更加高效、准确，可大幅提高产品的合格率。深度学习模型可以从大量标注的图像数据集中学习，熟练区分正常产品和有缺陷的产品，实现高精度的自动缺陷检测。　　工艺优化与参数调整　　基于AI的工艺优化技术可以分析海量的生产数据，识别影响产品质量的关键因素，并自动调整最佳的工艺参数组合，提高生产效率和产品质量。AI可以自动调整多种参数，包括切削速度、温度、压力、流量、生产速度、设备设置等，确保产品质量的稳定性和一致性。　　预测性维护　　通过监测仪器设备的运行数据，AI可以预测设备可能出现的故障和异常，从而提前进行维护和保养，减少停机时间，确保设备处于最佳状态，间接提高产品质量的稳定性。例如，AI可以分析传感器数据，识别出设备性能的下降趋势，提前发出维护警报，减少维修成本。　　质量数据分析与持续改进　　AI可以对历史的质量数据进行深入分析，挖掘影响质量的潜在因素，为制定质量改进措施提供依据。同时，AI也可以从质量数据中学习，不断优化质量控制策略。通过利用历史工艺数据，AI可以帮助企业识别出影响质量的根本原因，并制定针对性的改进措施，实现持续改进。　　降低生产成本　　自动化与智能化　　AI技术可以自动化生产流程，减少人工干预，从而降低人力成本。例如，柯尼卡美能达使用高分辨率机器视觉系统与AI相结合，在汽车流水线上进行漆面瑕疵检测，确保产品质量的同时降低了生产成本。　　此外，AI可以通过预测性维护技术，提前识别设备故障并进行预防性维护，减少停机时间和维修成本。例如，AI驱动的预测性维护系统可以分析传感器数据，预测设备何时可能发生故障，从而主动进行修复，最大限度地降低成本。　　优化资源配置　　AI可以优化资源配置，确保资源的高效利用。例如，AI系统可以根据项目需求、员工技能和可用资源，自动生成最优的资源分配方案，减少资源浪费。　　在供应链管理中，AI的应用可以显著降低成本。通过生成式AI技术，企业可以优化采购、库存管理和物流，减少库存积压和物流成本。例如，AI可以预测装配线资产需求，优化库存水平，并提出高效的存储和运输路线。　　提高生产效率　　AI可以通过分析生产数据，优化生产流程，提高生产效率。例如，AI可以在生产过程中实时调整参数，确保每个产品都符合质量标准，从而减少废品率和返工成本.此外，AI可以优化工厂的能源使用，降低能耗。例如，西门子利用AI算法创建工厂的数字孪生，监控设备性能，优化生产计划，并调整能源使用模式，从而减少能源相关的成本。　　降低研发成本　　AI可以通过高效的数据分析和模型构建，减少研发时间和成本。例如，AI可以分析大量的实验数据，识别出最优的实验条件和参数，减少实验次数和成本.同时，AI推动实验室自动化，实现无人值守的实验室操作，减少人工成本。例如，AI可以自动执行样品准备、实验操作和数据分析等任务，提高实验室的工作效率和准确性。　　降低硬件成本　　AI可以帮助开发低成本的高性能设备。例如，中国香港大学的研究人员利用现成硬件和AI技术，开发出低成本的超低场核磁共振成像设备，其性能堪比高端仪器，但成本大大降低。　　供应链优化　　需求预测与库存管理　　AI可以通过分析历史数据和实时数据，提供更准确的需求预测。这有助于优化库存管理，减少库存积压和缺货情况。例如，AI可以基于销售管道、营销线索、市场趋势、经济前景和季节性销售趋势等内部和外部信号，预测需求变化，从而帮助制造商平衡库存水平与持有成本.AI驱动的库存优化系统可以评估物料数量，推荐最佳的仓库布局，加快库存存取速度和运输速度。通过规划理想的路线，AI可以加速库存运输，提高履行率，减少库存相关的成本。　　供应链可见性与风险管理　　AI可以处理大量数据，提供供应链的全面可见性。这包括实时监控供应链中的各个环节，识别潜在的瓶颈和低效问题，从而提高整体供应链的效率和透明度.同时，AI可以预测供应链中的潜在风险，如设备故障、物流中断等，并提前采取措施进行缓解。例如，AI可以通过分析传感器数据，预测设备的维护需求，减少停机时间和相关成本。　　自动化与智能化　　AI可以自动化许多供应链管理任务，如订单处理、库存管理和物流调度。这不仅提高了效率，还减少了人工错误。例如，AI可以自动生成和优化生产计划，确保资源的高效利用.AI可以通过动态路线优化、管理交付时间窗口、优化燃油消耗和负载能力利用率等方式，提高物流配送的速度和质量。这有助于减少运输成本和时间，提高客户满意度。　　供应商管理与采购优化　　AI可以根据财务指标、经营风险、履约能力等建立供应商画像，进行供应商推荐和评估。这有助于企业选择最合适的供应商，降低采购风险和成本.AI可以自动分析供应商报价、市场行情和历史价格，快速核定合理的价格区间，帮助企业科学控制采购成本，提高采购效率和质量。　　质量控制与维护　　AI可以在制造过程中实时监控产品质量，及时发现并纠正缺陷，确保产品的一致性和可靠性。例如，AI可以通过计算机视觉技术检测产品表面的缺陷，提高质量控制的效率和准确性.AI可以通过预测性维护技术，提前识别设备故障并进行预防性维护，减少停机时间和维修成本。这在复杂的制造环境中尤为重要，可以显著提高设备的整体效能.总的来说，AI在优化仪器研发的供应链方面提供了全面的解决方案，从需求预测、库存管理到物流调度、质量控制和风险管理，显著提高了供应链的效率和灵活性，降低了运营成本。　　质量控制　　AI在仪器研发中可以通过以下几个方面提高质量控制：　　缺陷检测与分类　　利用计算机视觉和深度学习技术，AI可以自动检测和识别仪器产品表面的各种缺陷，如划痕、污染、图案偏差等。这比传统的人工目视检查更加高效、准确，可大幅提高产品的合格率。例如，深度学习模型可以从大量标注的图像数据集中学习，熟练区分正常产品和有缺陷的产品。通过迭代训练和验证，模型可以适应不同类型的缺陷模式，实现高精度的自动缺陷检测。　　实时质量监控　　AI系统可以实时监测仪器生产过程中的各种参数和指标，及时发现异常情况并采取措施，确保产品质量符合标准。例如，AI可以通过分析来自传感器的数据流，识别与正常运行状态的偏差，提前预警潜在的质量问题。一旦发现问题，可以及时调整工艺参数，从而避免不合格品的产生。　　工艺优化　　基于AI的工艺优化技术可以分析海量的生产数据，识别影响产品质量的关键因素，并自动调整最佳的工艺参数组合，提高生产效率和产品质量。例如，AI可以通过对切削速度、进给速度、刀具类型等参数对加工质量的影响进行建模，从而实现对这些参数的自动优化，达到提高加工精度和一致性的目的。　　预测性维护　　通过监测仪器设备的运行数据，AI可以预测设备可能出现的故障和异常，从而提前进行维护和保养，减少停机时间，确保设备处于最佳状态，间接提高产品质量的稳定性。　　质量数据分析　　AI可以对历史的质量数据进行深入分析，挖掘影响质量的潜在因素，为制定质量改进措施提供依据。同时，AI也可以从质量数据中学习，不断优化质量控制策略.总的来说，AI为仪器研发的质量控制带来了自动化、智能化和高效率的解决方案，有助于提高产品质量、降低不合格品率、减少人工成本，推动仪器制造业的质量水平不断提升。但同时也需要注意AI系统的可解释性、可靠性等问题，保证质量控制的科学性和安全性。　　分析和利用历史工艺数据，提高质量控制　　AI通过分析和利用历史工艺数据，可以显著提高质量控制的效果。以下是具体的方式：　　预测性维护和预防性措施　　预测设备故障　　AI可以通过分析历史工艺数据，预测设备何时可能发生故障，从而提前进行维护，避免生产中断。例如，AI算法可以分析传感器数据，识别出设备性能的下降趋势，提前发出维护警报，减少停机时间和维修成本。　　预防性质量控制　　通过利用历史数据，AI可以识别出生产过程中可能出现的质量问题，并在问题发生之前采取预防措施。例如，AI可以分析过去的生产数据，识别出哪些工艺参数与产品缺陷相关，从而优化这些参数，减少缺陷的发生。　　实时监控和自动化调整　　实时质量监控　　AI系统可以实时监控生产过程中的各种参数和指标，及时发现异常情况并采取措施，确保产品质量符合标准。例如，AI可以通过分析实时数据流，识别与正常运行状态的偏差，提前预警潜在的质量问题。　　自动化工艺调整　　基于历史数据的分析，AI可以自动调整生产工艺参数，以确保产品质量的一致性。例如，AI可以在生产过程中实时调整温度、压力、速度等参数，确保每个产品都符合质量标准。　　数据驱动的决策支持　　数据分析与模式识别　　AI可以分析大量的历史工艺数据，识别出影响产品质量的关键因素和模式。例如，AI可以通过机器学习算法，发现哪些工艺步骤容易导致质量问题，从而优化这些步骤，提高整体质量控制水平。　　提供决策支持　　AI可以为质量管理人员提供数据驱动的决策支持，帮助他们做出更明智的决策。例如，AI可以根据历史数据，预测未来的质量趋势，建议改进措施，优化生产计划和资源配置。　　提高检测精度和效率　　自动化缺陷检测　　利用计算机视觉和深度学习技术，AI可以自动检测和识别产品表面的各种缺陷，比传统的人工目视检查更加高效、准确。例如，AI可以从大量标注的图像数据集中学习，熟练区分正常产品和有缺陷的产品。通过迭代训练和验证，模型可以适应不同类型的缺陷模式，实现高精度的自动缺陷检测。　　提高检测效率　　AI驱动的自动化检测系统可以显著提高检测效率，减少人工干预。例如，AI可以在生产线上实时监控产品质量，及时发现并纠正缺陷，确保产品的一致性和可靠性。通过使用高清高速摄像机和深度学习算法，AI系统能够快速处理大量图像数据，实时检测并分类缺陷，从而提高生产线的整体效率。　　持续改进和优化　　持续监控和改进　　AI可以持续监控生产过程中的数据，识别出新的质量问题，并不断优化质量控制策略。例如，AI可以通过分析实时和历史数据，发现新的质量问题，并提出改进建议，帮助企业实现持续改进。通过不断学习和调整，AI系统能够适应生产环境的变化，保持高效的质量控制。　　数据驱动的质量改进　　通过利用历史工艺数据，AI可以帮助企业识别出影响质量的根本原因，并制定针对性的改进措施。例如，AI可以分析过去的质量数据，发现哪些因素导致了质量问题，从而优化这些因素，提高整体质量水平。数据驱动的质量改进不仅提高了产品质量，还减少了生产成本和资源浪费。总的来说，AI通过分析和利用历史工艺数据，可以显著提高质量控制的效果，减少缺陷率，提高生产效率，降低成本，帮助企业实现更高的质量标准和客户满意度。　　自动调整多种参数　　AI在质量控制中可以自动调整多种参数，以确保产品质量的稳定性和一致性。以下是一些具体的参数和调整方式：　　工艺参数　　切削速度和进给速度　　在数控系统中，AI可以通过分析切削速度、进给速度等工艺参数对加工质量的影响，自动调整这些参数以提高加工效率和质量。例如，通过优化切削速度和进给速度，可以减少刀具磨损，提高表面光洁度。　　温度、压力和流量　　在化工生产过程中，AI可以监测和调整温度、压力、流量等参数，以确保工艺的稳定性和产品质量。例如，AI可以通过实时数据分析，检测潜在的问题或异常情况，并自动调整这些参数以最大程度地提高产量和质量。　　湿强度化学品剂量　　在造纸行业，AI驱动的自动控制系统可以调节湿强度化学品的剂量，确保湿张力质量参数达到目标粘附程度。这种自动调整可以减少误差率，提高产品的一致性。　　生产控制参数　　生产速度和设备设置　　AI可以根据实时生产数据，自动调整生产速度和设备设置，以优化生产效率和产品质量。例如，AI可以在生产过程中实时调整设备的运行参数，确保每个产品都符合质量标准。　　质量特性参数　　AI可以分析生产控制参数与最终产品质量特性之间的关系，自动推荐和调整最优的工艺参数。例如，AI可以在生产过程中实时调整参数，以最小化质量特性的波动，确保产品质量的稳定性。　　设备运行参数　　设备维护和保养参数　　AI可以通过预测性维护技术，提前识别设备故障并进行预防性维护，自动调整设备的运行参数以延长设备寿命和减少停机时间。例如，AI可以根据设备的运行数据，自动调整维护计划和保养参数，确保设备始终处于最佳状态。　　传感器和监控系统参数　　AI可以优化传感器和监控系统的参数设置，以提高数据采集的准确性和实时性。例如，AI可以根据生产过程中的变化，自动调整传感器的灵敏度和监控系统的阈值，确保数据的准确性和及时性。　　质量检测参数　　检测标准和阈值　　AI可以根据历史质量数据和实时检测结果，自动调整质量检测的标准和阈值。例如，AI可以在检测过程中实时调整检测标准，确保每个产品都符合质量要求。　　检测频率和方法　　AI可以根据生产过程中的质量波动，自动调整检测频率和方法。例如，AI可以在质量波动较大的时候增加检测频率，确保及时发现和纠正质量问题。总的来说，AI在质量控制中可以自动调整多种参数，包括工艺参数、生产控制参数、设备运行参数和质量检测参数。这些自动调整不仅提高了生产效率和产品质量，还减少了人工干预和操作错误，推动了制造业的智能化和自动化。　　结论　　2024年，AI在仪器研发中的应用将继续深化和扩展，推动各行业的技术创新和效率提升。AI技术不仅提高了研发过程的自动化和智能化水平，还为新一代仪器的设计和优化提供了强大的数据支持和分析能力。通过自动化生产流程、预测性维护、优化资源配置、提高生产效率和降低研发成本，AI显著降低了生产和运营成本。此外，AI在质量控制中的应用，通过自动调整多种参数，提高了产品质量和生产效率，减少了人工干预和操作错误，推动了制造业的智能化和自动化。总的来说，AI为仪器研发带来了革命性的变革，推动了各行业的技术进步和效率提升。未来，随着AI技术的不断发展和应用的深入，仪器研发将迎来更加智能化和高效化的新时代。　　参考资料　　1. 罗东亮, 蔡雨萱, 杨子豪, 章哲彦, 周瑜, & 白翔. (2022). 工业缺陷检测深度学习方法综述. 中国科学: 信息科学, 52(6), 1002-1039. doi:10.1360/SSI-2021-0336. Retrieved from http://scis.scichina.com/cn/2022/SSI-2021-0336.pdf　　2. 材料导报. (2022, November 30). Retrieved from http://www.mater-rep.com/CN/10.11896/cldb.20070136　　3. Google Patents. (2022, November 30). Retrieved from https://patents.google.com/patent/CN111445471A/zh　　4. Alicona. (2022, November 30). Retrieved from https://www.alicona.com/cn/publications/lectures/automatic-defect-detection-measurement-with-ai　　5. 自动化学报. (2022, November 30). Retrieved from http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c190811　　6. Charmve. (2022, November 30). Retrieved from https://github.com/Charmve/Surface-Defect-Detection/blob/master/ReadmeChinese.md　　7. 畅游2024年人工智能趋势、预测和可能性. (2024, April 25). Retrieved from https://www.thepaper.cn/newsDetail_forward_26088967　　8. Oracle. (2024, April 25). Retrieved from https://www.oracle.com/cn/scm/ai-supply-chain/　　9. IA Library. (2024, April 25). Retrieved from http://lib.ia.ac.cn/news/newsdetail/68723　　10. CSIA-JPW. (2024, April 25). Retrieved from http://www.csia-jpw.com/UserFiles/Article/file/6384005594877351547983703.pdf　　11. Deloitte. (2024, April 25). Retrieved from https://www2.deloitte.com/content/dam/Deloitte/cn/Documents/technology-media-telecommunications/deloitte-cn-tmt-2024-ai-computing-industry-trends-outlook-zh-231225.pdf　　12. Deloitte. (2024, April 25). Retrieved from https://www2.deloitte.com/content/dam/Deloitte/cn/Documents/strategy/deloitte-cn-strategy-ai-application-cases-zh-211220.pdf　　13. Arrow. (2024, April 25). Retrieved from https://www.arrow.com/zh-cn/research-and-events/articles/how-ai-is-changing-manufacturing　　14. DFCFW. (2024, April 25). Retrieved from https://pdf.dfcfw.com/pdf/H3_AP202312041613222300_1.pdf

安捷伦科技生物信息学套装新增整合生物学分析功能 GeneSpring 现可实现通路水平的多组学及新一代测序数据分析 2012 年 3 月 27 日，加利福尼亚州圣克拉拉市&mdash &mdash 安捷伦科技公司（纽约证交所：A）今日发布了其广受欢迎的生物信息学软件的重要扩展版本 GeneSpring 12.0，该软件的推出使医学研究水平达到一个新的高度。使用新版 GeneSpring，用户可以在熟悉的软件环境中分析新一代测序数据，并可以在通路水平进行跨多组学平台数据的联合分析。 这些新功能是在GeneSpring 之前已有的转录组学、基因组学、代谢组学和蛋白组学的数据分析模块上的进一步扩展。 安捷伦副总裁生物系统事业部总经理 Gustavo Salem 谈到：&ldquo 随着GeneSpring 12.0 的发布，安捷伦再次实现了一直以来的承诺，提供先进的仪器和功能强大的软件，帮助系统生物学研究人员取得研究成果。GeneSpring 生物信息学软件套装集复杂分析、可视化和数据管理于一体，让新一代整合生物学研究成为现实。&rdquo 从现在起到 8 月 17 日截止，所有客户均可免费测试集成了新型通路构建模块（Pathway Architect module）的 GeneSpring 12.0 。 GeneSpring 12.0还包含可以用于新一代测序数据分析的 NGS 模块。NGS 模块经过设计和测试，可与安捷伦 SureSelect 靶向序列捕获平台联用，也可用于不采用靶向序列捕获的新一代测序实验。质量控制（QC）管理工具是 NGS 模块的一个重要组成部分，为研究人员提供了针对靶向序列捕获结果图形化、测序碱基质量、序列比对以及拼接等环节质量控制的工具。GeneSpring NGS 模块中的 DNA-SEQ 工作流程，包括可以用于已知和未知变体鉴定和特征图谱分析、SNP标注、SNP 效应预测、结构变异检测的工具。RNA-SEQ 工作流程，则支持在绝对和相对空间进行 mRNA 特征图谱分析，可以实现基因和剪切变异体的检测和差异表达分析。该工作流程包括用于新基因和外显子检测、基因融合分析以及复杂的统计和通路分析的工具。 安捷伦的全新生物信息学软件GeneSpring 12.0，能够帮助对新一代测序生物信息学没有经验的的生物学家，通过工作流程向导轻松实现测序数据的管理和分析。生物信息学中心也可以使用该软件，简化数据的分组、分类和研究过程。GeneSpring 12.0 还可以结合安捷伦免费的 eArray portal 使用，用户通过简便易用的界面就可以完成定制实验。 整合来自不同组学技术的数据是系统生物学研究的重要组成部分，涉及在相同或非常相近的生物样品中检测不同生物学组分的丰度。研究人员可使用 GeneSpring 通路构建模块对几乎所有的生物学组分进行通路水平的联合分析。这些生物学组分包括转录本、剪切变异体、变异分析得出的受影响基因组合、代谢物以及蛋白质。 GeneSpring 通路构建模块，能够帮助科学家观察和分析人工注释的通路内容。该功能通过WikiPathways公众数据库，来完善建立、注释和查询生物通路方面的信息。用户还可以通过连接另一个公众数据库 BridgeDB ，实现在多个公开和专有注释数据库中进行生物标记物的比对分析。任何单组学实验的原始数据都可以合并到多组学实验当中，通过联合分析，找出在许多生物学过程中均涉及的具备显著统计学意义的通路，例如信号传导、疾病恶化或毒性等。 GeneSpring 12.0 的定制化功能现已支持 Jython 和 R 编程语言。通过嵌入式脚本编辑器，生物信息学科学家可在 GeneSpring 12.0 的编程框架中编写、执行和保存自己的算法和工作流程。 GeneSpring 12.0 由安捷伦与 Strand Scientific Intelligence 公司联合研发，基于 Strand 的 Avadis技术平台，该平台专门为科学家简化和应对复杂的生命科学挑战而设计。 要了解更多有关 GeneSpring 12.0 的信息，包括要参加一系列的免费在线研讨会，请访问 www.genespring.com.cn。 关于安捷伦科技 安捷伦科技公司（纽约证交所：A）是全球领先的测量公司，同时也是化学分析、生命科学、电子和通信领域的技术领导者。公司的 18,700 名员工为 100 多个国家的客户提供服务。在 2011 财政年度，安捷伦的业务净收入为66 亿美元。要了解安捷伦科技的信息，请访问：www.agilent.com.cn 编者注：更多有关安捷伦科技公司的技术、企业社会责任和行政新闻，请访问安捷伦新闻网站：www.agilent.com.cn/go/news。

p 　　国务院于2017年7月20日发布《新一代人工智能发展规划的通知》，其中提到人工智能发展进入新阶段。经过60多年的演进，特别是在移动互联网、大数据、超级计算、传感网、脑科学等新理论新技术以及经济社会发展强烈需求的共同驱动下，人工智能加速发展，呈现出深度学习、跨界融合、人机协同、群智开放、自主操控等新特征。大数据驱动知识学习、跨媒体协同处理、人机协同增强智能、群体集成智能、自主智能系统成为人工智能的发展重点，受脑科学研究成果启发的类脑智能蓄势待发，芯片化硬件化平台化趋势更加明显，人工智能发展进入新阶段。当前，新一代人工智能相关学科发展、理论建模、技术创新、软硬件升级等整体推进，正在引发链式突破，推动经济社会各领域从数字化、网络化向智能化加速跃升。 /p p 　　人工智能成为国际竞争的新焦点。人工智能是引领未来的战略性技术，世界主要发达国家把发展人工智能作为提升国家竞争力、维护国家安全的重大战略，加紧出台规划和政策，围绕核心技术、顶尖人才、标准规范等强化部署，力图在新一轮国际科技竞争中掌握主导权。当前，我国国家安全和国际竞争形势更加复杂，必须放眼全球，把人工智能发展放在国家战略层面系统布局、主动谋划，牢牢把握人工智能发展新阶段国际竞争的战略主动，打造竞争新优势、开拓发展新空间，有效保障国家安全。 /p p 　　人工智能成为经济发展的新引擎。 strong 人工智能作为新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量 /strong ，并创造新的强大引擎，重构生产、分配、交换、消费等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态、新模式，引发经济结构重大变革，深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。我国经济发展进入新常态，深化供给侧结构性改革任务非常艰巨，必须加快人工智能深度应用，培育壮大人工智能产业，为我国经济发展注入新动能。 /p p 　　人工智能带来社会建设的新机遇。我国正处于全面建成小康社会的决胜阶段，人口老龄化、资源环境约束等挑战依然严峻，人工智能在教育、医疗、养老、环境保护、城市运行、司法服务等领域广泛应用，将极大提高公共服务精准化水平，全面提升人民生活品质。人工智能技术可准确感知、预测、预警基础设施和社会安全运行的重大态势，及时把握群体认知及心理变化，主动决策反应，将显著提高社会治理的能力和水平，对有效维护社会稳定具有不可替代的作用。 /p p 　　人工智能发展的不确定性带来新挑战。人工智能是影响面广的颠覆性技术，可能带来改变就业结构、冲击法律与社会伦理、侵犯个人隐私、挑战国际关系准则等问题，将对政府管理、经济安全和社会稳定乃至全球治理产生深远影响。在大力发展人工智能的同时，必须高度重视可能带来的安全风险挑战，加强前瞻预防与约束引导，最大限度降低风险，确保人工智能安全、可靠、可控发展。 /p p 　　我国发展人工智能具有良好基础。国家部署了智能制造等国家重点研发计划重点专项，印发实施了“互联网+”人工智能三年行动实施方案，从科技研发、应用推广和产业发展等方面提出了一系列措施。经过多年的持续积累，我国在人工智能领域取得重要进展，国际科技论文发表量和发明专利授权量已居世界第二，部分领域核心关键技术实现重要突破。语音识别、视觉识别技术世界领先，自适应自主学习、直觉感知、综合推理、混合智能和群体智能等初步具备跨越发展的能力，中文信息处理、智能监控、生物特征识别、工业机器人、服务机器人、无人驾驶逐步进入实际应用，人工智能创新创业日益活跃，一批龙头骨干企业加速成长，在国际上获得广泛关注和认可。加速积累的技术能力与海量的数据资源、巨大的应用需求、开放的市场环境有机结合，形成了我国人工智能发展的独特优势。 /p p 　　面对新形势新需求，必须主动求变应变，牢牢把握人工智能发展的重大历史机遇，紧扣发展、研判大势、主动谋划、把握方向、抢占先机，引领世界人工智能发展新潮流，服务经济社会发展和支撑国家安全，带动国家竞争力整体跃升和跨越式发展。 /p p 　　深入实施创新驱动发展战略，以加快人工智能与经济、社会、国防深度融合为主线，以提升新一代人工智能科技创新能力为主攻方向，发展智能经济，建设智能社会，维护国家安全，构筑知识群、技术群、产业群互动融合和人才、制度、文化相互支撑的生态系统，前瞻应对风险挑战，推动以人类可持续发展为中心的智能化，全面提升社会生产力、综合国力和国家竞争力，为加快建设创新型国家和世界科技强国、实现“两个一百年”奋斗目标和中华民族伟大复兴中国梦提供强大支撑。　　 /p p 　　通知计划战略目标分三步走： /p p 　　第一步，到2020年人工智能总体技术和应用与世界先进水平同步，人工智能产业成为新的重要经济增长点，人工智能技术应用成为改善民生的新途径，有力支撑进入创新型国家行列和实现全面建成小康社会的奋斗目标。 /p p 　　——新一代人工智能理论和技术取得重要进展。大数据智能、跨媒体智能、群体智能、混合增强智能、自主智能系统等基础理论和核心技术实现重要进展，人工智能模型方法、核心器件、高端设备和基础软件等方面取得标志性成果。 /p p 　　——人工智能产业竞争力进入国际第一方阵。初步建成人工智能技术标准、服务体系和产业生态链，培育若干全球领先的人工智能骨干企业，人工智能核心产业规模超过1500亿元，带动相关产业规模超过1万亿元。 /p p 　　——人工智能发展环境进一步优化，在重点领域全面展开创新应用，聚集起一批高水平的人才队伍和创新团队，部分领域的人工智能伦理规范和政策法规初步建立。 /p p 　　第二步，到2025年人工智能基础理论实现重大突破，部分技术与应用达到世界领先水平，人工智能成为带动我国产业升级和经济转型的主要动力，智能社会建设取得积极进展。 /p p 　　——新一代人工智能理论与技术体系初步建立，具有自主学习能力的人工智能取得突破，在多领域取得引领性研究成果。 /p p 　　——人工智能产业进入全球价值链高端。新一代人工智能在智能制造、智能医疗、智慧城市、智能农业、国防建设等领域得到广泛应用，人工智能核心产业规模超过4000亿元，带动相关产业规模超过5万亿元。 /p p 　　——初步建立人工智能法律法规、伦理规范和政策体系，形成人工智能安全评估和管控能力。 /p p 　　第三步，到2030年人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心，智能经济、智能社会取得明显成效，为跻身创新型国家前列和经济强国奠定重要基础。 /p p 　　——形成较为成熟的新一代人工智能理论与技术体系。在类脑智能、自主智能、混合智能和群体智能等领域取得重大突破，在国际人工智能研究领域具有重要影响，占据人工智能科技制高点。 /p p 　　——人工智能产业竞争力达到国际领先水平。人工智能在生产生活、社会治理、国防建设各方面应用的广度深度极大拓展，形成涵盖核心技术、关键系统、支撑平台和智能应用的完备产业链和高端产业群，人工智能核心产业规模超过1万亿元，带动相关产业规模超过10万亿元。 /p p 　　——形成一批全球领先的人工智能科技创新和人才培养基地，建成更加完善的人工智能法律法规、伦理规范和政策体系。 /p p 　　发展人工智能是一项事关全局的复杂系统工程，要按照“构建一个体系、把握双重属性、坚持三位一体、强化四大支撑”进行布局，形成人工智能健康持续发展的战略路径。 /p p 　　构建开放协同的人工智能科技创新体系。针对原创性理论基础薄弱、重大产品和系统缺失等重点难点问题，建立新一代人工智能基础理论和关键共性技术体系，布局建设重大科技创新基地，壮大人工智能高端人才队伍，促进创新主体协同互动，形成人工智能持续创新能力。 /p p 　　把握人工智能技术属性和社会属性高度融合的特征。既要加大人工智能研发和应用力度，最大程度发挥人工智能潜力 又要预判人工智能的挑战，协调产业政策、创新政策与社会政策，实现激励发展与合理规制的协调，最大限度防范风险。 /p p 　　坚持人工智能研发攻关、产品应用和产业培育“三位一体”推进。适应人工智能发展特点和趋势，强化创新链和产业链深度融合、技术供给和市场需求互动演进，以技术突破推动领域应用和产业升级，以应用示范推动技术和系统优化。在当前大规模推动技术应用和产业发展的同时，加强面向中长期的研发布局和攻关，实现滚动发展和持续提升，确保理论上走在前面、技术上占领制高点、应用上安全可控。 /p p 　　全面支撑科技、经济、社会发展和国家安全。以人工智能技术突破带动国家创新能力全面提升，引领建设世界科技强国进程 通过壮大智能产业、培育智能经济，为我国未来十几年乃至几十年经济繁荣创造一个新的增长周期 以建设智能社会促进民生福祉改善，落实以人民为中心的发展思想 以人工智能提升国防实力，保障和维护国家安全。 /p p 　　立足国家发展全局，准确把握全球人工智能发展态势，找准突破口和主攻方向，全面增强科技创新基础能力，全面拓展重点领域应用深度广度，全面提升经济社会发展和国防应用智能化水平。 /p p 　　围绕增加人工智能创新的源头供给，从前沿基础理论、关键共性技术、基础平台、人才队伍等方面强化部署，促进开源共享，系统提升持续创新能力，确保我国人工智能科技水平跻身世界前列，为世界人工智能发展作出更多贡献。 /p p 　　聚焦人工智能重大科学前沿问题，兼顾当前需求与长远发展，以突破人工智能应用基础理论瓶颈为重点，超前布局可能引发人工智能范式变革的基础研究，促进学科交叉融合，为人工智能持续发展与深度应用提供强大科学储备。 /p p 　　突破应用基础理论瓶颈。瞄准应用目标明确、有望引领人工智能技术升级的基础理论方向，加强大数据智能、跨媒体感知计算、人机混合智能、群体智能、自主协同与决策等基础理论研究。大数据智能理论重点突破无监督学习、综合深度推理等难点问题，建立数据驱动、以自然语言理解为核心的认知计算模型，形成从大数据到知识、从知识到决策的能力。跨媒体感知计算理论重点突破低成本低能耗智能感知、复杂场景主动感知、自然环境听觉与言语感知、多媒体自主学习等理论方法，实现超人感知和高动态、高维度、多模式分布式大场景感知。混合增强智能理论重点突破人机协同共融的情境理解与决策学习、直觉推理与因果模型、记忆与知识演化等理论，实现学习与思考接近或超过人类智能水平的混合增强智能。群体智能理论重点突破群体智能的组织、涌现、学习的理论与方法，建立可表达、可计算的群智激励算法和模型，形成基于互联网的群体智能理论体系。自主协同控制与优化决策理论重点突破面向自主无人系统的协同感知与交互、自主协同控制与优化决策、知识驱动的人机物三元协同与互操作等理论，形成自主智能无人系统创新性理论体系架构。 /p p 　　布局前沿基础理论研究。针对可能引发人工智能范式变革的方向，前瞻布局高级机器学习、类脑智能计算、量子智能计算等跨领域基础理论研究。高级机器学习理论重点突破自适应学习、自主学习等理论方法，实现具备高可解释性、强泛化能力的人工智能。类脑智能计算理论重点突破类脑的信息编码、处理、记忆、学习与推理理论，形成类脑复杂系统及类脑控制等理论与方法，建立大规模类脑智能计算的新模型和脑启发的认知计算模型。量子智能计算理论重点突破量子加速的机器学习方法，建立高性能计算与量子算法混合模型，形成高效精确自主的量子人工智能系统架构。 /p p 　　开展跨学科探索性研究。推动人工智能与神经科学、认知科学、量子科学、心理学、数学、经济学、社会学等相关基础学科的交叉融合，加强引领人工智能算法、模型发展的数学基础理论研究，重视人工智能法律伦理的基础理论问题研究，支持原创性强、非共识的探索性研究，鼓励科学家自由探索，勇于攻克人工智能前沿科学难题，提出更多原创理论，作出更多原创发现。 /p

p 　　全球刮起“智能风”，在2019国家智能产业峰会上院士、学者的报告中，中国工程院院士、中国自动化学会理事长郑南宁在开幕式上指出: 今天，人类社会正处在第四次工业革命初期，它的典型标志是人工智能，就是用人工智能来创造一个对人类友好的、智慧的社会。 /p p 　　新加坡工程院院士连勇中报告说:产业智能化仍需时日，当前人工智能的应用仍主要集中在音、视频领域，要想真正的产业化，还需突破一些技术瓶颈。例如工业智联网必需的嵌入式智能元器件，现在无论从算法还是硬件上，都达不到要求，保证智能系统间高速通信的5G技术也没有完全成熟。更重要的是，当前的人工智能技术需要庞大的数据库，这些数据的搜集和标注也难以解决。此外，现行的很多智能算法本身不具备推理和决策能力，稳定性和可靠性也达不到工业化要求。因此，现在很多“智能化”应用只是添加了一些智能元素。 /p p 　　欧洲科学院院士、澳门大学教授陈俊龙中报告说:很多产品为了蹭“智能”的热度，模糊了计算机自动化和人工智能技术的概念，这导致当前智能产品“泛化”。产业智能化需要不断推进人工智能在各个产业中的应用，不断解决应用中的工程和科学问题，不断进行应用、发现问题、解决问题、再应用的闭环循环，这一过程仍需十年以上。 /p p 　　中国工程院院士、中国自动化学会的副理事长桂卫华报告中指出：目前的发展方向：一个是认识人的大脑的脑科学方面 另一个是针对性应用方面。从国内外研究表明，人工智能与制造过程的深度融合，是具有挑战性的。此前很多人工智能研究，并没有很好考虑怎么样与制造过程结合。传统知识型工作面临的挑战：第一个挑战是社会出现新要求。生产过程要更精细化 第二个挑战是新的信息环境。云平台、移动计算、物联网、大数据等新技术、新平台的出现使数据的种类和规模迅速增加，知识型工作者面对海量信息感到无所适从。第三个挑战在于如何利用好数据。严重依赖于个人的素质、经验、知识，在推广、积累和传承等都面临困难。师傅带徒弟是传统办法，但这种机制不利于人工智能的实现。 /p p 　　桂卫华在最后强调，在促进人工智能健康发展时，一定要使得人工智能技术能够落地，能够解决问题。 /p

俗话说，工欲善其事，必先利其器。仪器仪表是国民经济（GDP）的“倍增器”、“拉动器”，诺贝尔物理和化学奖中的约1/4-1/3与分析仪器相关。科学仪器是认识世界的重要工具，人类科学发展史上任何一次大的飞跃都离不开科研工具的巨大创新和根本变革，科学仪器的发展和创新往往是催生科技创新的重要要素。长期以来，科学仪器研制是我国科技发展的短板和弱项。面对美国和其它发达国家对中国高端科学仪器(特别是高端测量仪器)、部分关键器件的禁售，我国科学研究必须解决基础关键器件、部件、材料研制和系统设计等卡脖子问题，不断从源头上增强国家自信自立与守正创新的能力。近年来，我国对科学仪器的创新和研发高度重视，先后设立了“科学仪器基础研究专项”、“国家重大科研仪器设备研制专项”、“国家重大科学仪器设备开发专项”、“基础科研条件与重大科学仪器设备研发专项”等科研计划，旨在支持具有自主知识产权的科学仪器以及关键部件等的研发。经过多年的努力，先后成功研制了单细胞时空分辨分子动态分析系统、超高分辨离子迁移谱、超高灵敏光谱流式检测系统、小型质谱仪器、微流控芯片-质谱系统、高通量测序仪、微流控芯片与检测仪器、双向凝胶电泳成套设备和电化学成像等一系列原创仪器。分析仪器一直致力于发展高灵敏度、高通量、高效快速的分析检测方法，为各种产品质量的检测提供强有力的手段。近年来，我国的食品安全重大事件、公共安全、环境污染等事件中，分析仪器都能及时组织科技攻关，开发了相关检测技术和设备，建立了相应的国家标准，为维护国家利益和保障人民生命安全及健康做出了重要的贡献。光谱分析仪器作为富有活力的科学仪器之一，具有功能齐全、操作简便、快速分析等优点，已经发展成为诸多领域的理想检测设备。现如今，光谱分析仪器行业发展迅速，市场需求日益凸显。微型光谱仪具有重量轻、体积小、探测速度快、操作便捷、可集成化、可批量制造以及成本低廉等显著优势，已经成为现代科技必不可少的精密检测和分析手段，为深空探测、航空航天、科技考古、智能制造、精准医学、环境监测、智慧农业等领域的发展提供了理论基础与技术支撑。随着分析仪器研究，特别是光谱仪器研究的日益深入和技术手段的革新，现代多维、高通量化学测量系统已经从小数据发展到大数据，亟需完成从大数据、再到小智能、深度智能的质的蜕变，其对应的哲学也要扩展。大数据必须依靠多维、高通量的化学测量学系统产生，再用智能技术把测量大数据凝练成小智能、深度智能、精准化学知识。随着数据的海啸性增长，数据密集型科学已经发展成为第四科学研究范式，数据是这个新范式的核心。科研范式变革的新时代即将到来，我们需要主动拥抱变革、积极谋划变革、适应变革。当前，全球正在兴起新一轮科技革命和产业变革，人工智能是引领这次产业变革的战略先导性技术。人工智能已经发展成为化学研究的新帮手，比如化学AlphaGo、人工智能机器人、机器人化学家等。人工智能对内融合统一、对外交叉拓展的趋势为学科大交叉、大融合提供了现实的可能。通用人工智能势将成为今后国际前沿争夺的焦点，并将产生巨大的社会影响。 在人工智能时代，分析仪器如何迎接科学研究第四范式的机遇与挑战，发展为服务于化学与其它领域的现代数据密集型科学？化学、生物等传统依赖实验数据的学科，正逐渐引入大数据和计算机仿真模拟技术。数据密集型科学研究能够突破过去很多由于维度过多而造成的瓶颈问题。智能化、自动化与微型化已经成为分析仪器的主要发展趋势。复杂体系解析是生命、材料、能源、环境、食品等科学对现代分析科学提出的重大课题之一，针对复杂生命过程、先进材料创制、新型能源、食品安全、环境问题和特种空间等物质信息的精准挖掘与分析，发展复杂体系精准分析的化学计量学、机器学习以及人工智能新策略，进一步指导创新型分析仪器的设计与研发。隶属西北大学化学与材料科学学院/西安石油大学化学化工学院的化学信息学与绿色能源化学及过程分析研究团队，主要依托分析化学和应用化学学科。研究团队长期从事化学计量学与化学信息学及过程分析化学、含能材料和能源化工等的研究工作，致力于解决分析化学、材料科学、环境科学与生命科学等领域的关键科学问题与技术瓶颈。近年来，一方面，研究团队围绕含能材料分子设计与筛选、绿色精准合成、性能表征与大数据分析等的关键科学和技术问题，利用化学信息学及人工智能技术实现了含能材料合成过程高通量表征、性能预估与智能筛选，建立了含能材料的基本性能、性能退化和谱学等一系列专属型数据库，有效提高了含能材料数据的共享与利用效率，大大缩短了新型含能材料的研发周期；另一方面，面向国家安全的分析检测新方法和关键智能化仪器装置研发，建立了基于化学信息学及机器学习策略的系列性能优良且易于实现的现场激光诱导击穿光谱（LIBS）智能化测量技术，研发了集光谱预处理、定性定量分析与数据库为一体的LIBS分析软件系统，并应用于能源、环境和稀土材料领域。团队先后承担国家自然科学基金、科技部国家重大仪器设备开发专项子课题、国防科工委重大专项及国防973子课题等20余项研究课题，在《Chem. Sci.》、《Anal. Chem.》、《Chem. Commun.》等国内外学术刊物发表SCI论文200余篇，合作出版专著四部，授权国家发明专利5项，计算机软件著作权8项。先后获陕西省科学技术奖一等奖、中国仪器仪表学会科学技术奖一等奖等科技奖励十项。近年来，研究团队面向“大气复合污染综合防治，打赢蓝天保卫战”的国家重大战略目标，以针对复合大气污染物精准溯源与环境潜在风险预估的实际需求，借助人工智能与多谱融合策略，发展并建立了LIBS-IR多谱融合、机器学习与集成学习协同策略的复合污染物精准溯源与环境潜在风险预估方法，以揭示大气污染物的时空分布和污染特征，期望为复合区域大气污染的精准防治提供理论依据与技术支撑。大气污染源与其化学组分密切相关，可借助污染物组分信息追溯污染物来源。一次颗粒物在空气中会迅速转化为复杂的二次颗粒物，而颗粒物化学组成以及转化过程中自由基的实时监测有助于准确获取大气转化过程中的微观信息。由于颗粒物的粒径小且处于快速运动状态，大气颗粒物的原位操控是实现其化学组成精准测量面临的首要技术难题。激光捕获(又称光镊)是一种借助激光动力学效应将一束激光高度会聚并作用于微小目标(通常为μm量级)上产生三维势阱，进而实现单细胞、生物大分子等微粒的非接触、无损伤稳定操控和捕获技术，并于1997年获得了诺贝尔物理学奖。基于激光捕获的大气颗粒物原位操控技术为单颗粒精准测量提供了新思路和新方法，并成功应用于悬浮炭黑颗粒表面非均相氧化反应和化学成分变化过程监测、单纳米颗粒多元素原位同时分析等。激光捕获与LIBS相结合的单颗粒在线分析技术具有结构简单、成本低、灵敏度高等优势。然而，由于LIBS光谱强度更容易受到激光能量波动、粒子运动、样品的异质性以及光-物质相互作用的复杂性的影响，微米级单颗粒分析仍存在信噪比低、重现性差、难以准确定量分析等问题，需要进一步深入研究。研究团队针对微米级单颗粒精准定量分析的关键技术瓶颈，以碳颗粒为研究对象，借助人工智能、变量选择与机器学习等策略，研究了基于空心光束的单颗粒原位捕获与LIBS技术协同测量的策略，建立了基于随机森林的微米级单颗粒中重金属元素定量分析方法（如图1所示），获得了较好的分析结果。该成果发表在分析化学顶级期刊《Analytical Chemistry》（Anal. Chem. 2022, 94, 17595−17605）。图1 微米级炭黑单颗粒中金属元素的定量分析方法示意图首先开展了大气单颗粒物的稳定捕获与LIBS光谱原位测量方法研究，以悬浮大气颗粒物--微米级碳颗粒为研究对象，开展了基于热致非线性效应的空心光束形成方法研究，探索了捕获效率随不同实验条件的变化规律，通过单颗粒物的光场受力特性分析，获得最优化的大气单颗粒稳定捕获策略；进一步探索了微米级碳颗粒特征信息随外界条件的变化规律，确定了最优化的微米级单颗粒原位测量策略，有效降低了由于颗粒物抖动带来的误差，一定程度上提高了LIBS光谱的信噪比。针对采集到的单颗粒LIBS光谱，通过吸附法制备了不同金属（Zn、Cu和Ni）浓度的微米级炭黑颗粒样品，研究了不同光谱预处理方法对RF校正模型预测性能的影响，重点探究了RF校正模型预测性能随着不同变量选择方法（变量重要性投影（VIP）和变量重要性测量（VIM）以及阈值的变化规律，在最优化的光谱预处理方法、变量选择方法和模型参数等条件下，建立了基于变量选择策略的RF校正模型。结果表明，基于VIP或VIM的RF校正模型表现出了优异的预测性能（如图2所示）。对于Cu和Ni两个元素的分析，最优化的预测模型为VIM-RF校正模型（Cu和Ni的相关系数R2分别为0.9596和0.9548，均方根误差RMSE分别为126.2和142.5 ppm，平均相对误差MRE分别为0.0746 和0.0986）；对于Zn元素分析，优化的预测模型为VIP-RF校正模型（它的R2、RMSE和MRE分别为0.9662、84.0 ppm和0.0584）。该方法在准确度、重复性和稳健性方法均具有优异的预测性能，有效提高了微米级单颗粒定量分析的准确度。因此，空心光捕获辅助LIBS技术结合随机森林算法成功应用于微米级单颗粒中三种金属元素定量分析，可为复合大气污染物的精准测量与溯源提供理论基础与技术支撑。在未来的研究工作中，将借助多光谱协同测量、信号增强、机器学习与集成学习、自适应建模、模型迁移等策略，发展并建立多尺度单颗粒物以及复合污染物的定量分析方法，进一步揭示大气污染物的时空分布和污染特征，期望为复合区域大气污染的精准防控提供理论依据与技术支撑。在未来，我们团队将进一步聚焦国家重大社会需求和科技前沿热点问题，助力光谱技术及其分析仪器研发的持续创新发展。图2 基于不同随机森林校正模型对微米级碳颗粒中3种元素的预测性能（a：Zn b：Cu c：Ni）作者简介李华，西北大学、西安石油大学二级教授、理学博士、博士生导师，西安石油大学学术委员会主任。中国化工教育学会常务理事、中国化学会计算机化学专业委员会委员、中国石油企业协会专家委员会委员、中国光学工程学会激光诱导击穿光谱专业委员会常务委员，陕西省石油学会能源化工专业委员会主任，陕西省石油标准化技术委员会主任委员，陕西省工科类学科评议组（研究生教指委）成员，“新能源和新材料研究院”院长。主要从事过程分析与化学信息学、含能材料、绿色能源化学与过程等的教学与研究工作。分别于1988年和1996年在中国科学院长春应用化学研究所师从中科院院士苏锵研究员等获硕士和博士学位，后师从中科院院士高鸿教授从事博士后研究工作。1998-2001年，先后在美国华盛顿大学、美国海军实验室(NRL)、捷克Masaryk大学和德国Reutlingen大学担任访问、客座教授。主持国家自然科学基金9项、科技部国家重大仪器设备开发专项子课题和国防科工委重大专项及国防973子课题等研究项目，近年来在《Chem. Sci.》、《Anal. Chem.》、《Chem. Commun.》等国内外学术刊物发表SCI论文200余篇，合作出版专著四部，授权中国发明专利5项，计算机软件著作权8项。曾获1998年第二届陕西青年科技奖，2001年陕西省优秀留学回国人员，2006年获陕西省科学技术奖一等奖（排名第一）、2008年获陕西省科学技术奖二等奖（排名第二）和2019年中国仪器仪表学会科学技术奖一等奖等科技奖励。