精選文章

發佈日期：2025-01-08► 【趨勢分享】AI的起源跟發展！AI+醫療將迎來巨變！

01談AI得從電腦發展歷程來說

一般將電腦發展分成四個階段

1、電子管電腦(1946—1958年)：體積大、功耗高、可靠性差、速度慢且價格昂貴。

2、電晶體電腦(1958—1964年)：體積縮小、能耗降低、可靠性提高、運算速度提高(一般為每秒數10萬次,可高達300萬次)、性能比第1代電腦有很大的提高。

3、大型主機(1964—1970年)：速度更快(每秒數百萬次至數千萬次)，可靠性高且價格下降，應用領域開始進入文字處理和圖形影像處理領域。

4、個人電腦時代(1970年至今)：1971年世界上第一台微處理器在美國矽谷誕生，開創了微型電腦的新時代，應用領域從科學計算、事務管理、程序控制逐步走向家庭。

而談人工智慧就一定要從專家系統談起。專家系統的研究和發展歷史可以追溯到1965年。當時E.A.Feigenbaum等人在史丹佛大學研製了世界上第一個專家系統，主要用於推斷化學分子結構。自此經過將近60年後的今天才有當前的人工智慧。就算如此，當前的人工智慧都還不算是通用人工智慧(有意識的智慧)。

02目前的人工智慧與專家系統
現在的人工智慧與專家系統不同，因為它運用了一種轉換器叫Transformer機制，Transformer是在輸入和輸出之間建立全域依賴關係的神經網路架構。

它最初由 Google Research在2017年提出，主要用於機器翻譯的任務，後來經過Open AI的大力發展才有今天的生成式AI。

這個Transformer機制跟專家系統不一樣的地方在於規則是系統自己定義而不是人們給的。人們只要給大量的輸入參數跟標記輸出成果，經過系統的比對及分析之後找到的規則，究竟這些規則是什麼其實沒人知道。

▲該圖片由AI生成

被譽為AI教母的華裔科學家李飛飛，是人工智慧領域最重要的科學家之一。她最重要的貢獻，是創建了資料庫ImageNet，這就是一種深度學習技術。

她的作法是找了上百萬張圖，花錢讓人們幫忙在圖上做標記(Tag)。標示哪些是狗是貓，哪些門是窗，哪些是雲是山......，做視覺上的分類，再利用這些大量的輸入圖檔跟標記之間作比對，讓系統自己發展出一種辨識規則，初期準確率不到30%，慢慢發展達到95%以上準確率；這也就是後來發展出視覺的AI神經網路系統。

當然除了視覺領域，其他在語音、文字到其他領域都有類似的發展，我們可以統稱為機器學習。(就像我們教零歲嬰兒一樣，這是爸爸、這是媽媽)

03當醫療遇上人工智慧如何交叉融合？

現在因為醫療技術發達，加上人口老化及遠距醫療的快速發展，普遍對於人工智慧醫療有比較多的期待。

而醫療可以分成醫療機器人、設備智慧化、 智慧輔助診療、 影像識別、 遠距醫療、藥物開發、臨床輔助等不同領域，醫療結合人工智慧執行或支援應用場景很多，舉例醫學影像智慧識別也是人工智慧技術在醫學影像診斷上的應用。

AI技術通過大量學習醫學影像資料，能夠更客觀、高效地分析影像，減少誤診情況。

此外，基於深度學習的AI診斷準確度在某些情況下已經超越了人類專家，結合5G技術，還能實現遠距自動診斷，為偏遠地區提供更便捷的醫療服務。

機器學習、非結構化的大型資料集、高級感測器、自然語言處理和機器人技術都被用於越來越多的醫療部門中。

資料就是醫療決策的關鍵，包含患者病情跟醫藥特性之間的吻合資訊。AI技術可以自動化地分析大量醫療資料，提取有價值的資訊，幫助醫生做出更科學的決策。例如，IBM的Watson Oncology已經能夠根據患者的基因組資料和其他資訊，為醫生提供個性化的癌症治療方案。

同時，AI還可以幫助患者追蹤治療過程，提醒按時服藥和複查，提高患者的治療配合度。

04 AI在醫療當中的應用與實踐

AI技術在醫療管理方面的應用也日益廣泛，例如AI可以協助醫院優化就診流程，提高醫療服務效率。通過大資料分析，AI還可以預測患者需求，提前做好醫療資源準備，降低醫療成本。此外，AI還可以應用於藥物研發，大大縮短新藥研發週期。

AI在影像掃描和輔助診斷方面的應用也有顯著成果。

通過深度學習和圖像識別技術，AI可以快速、準確地分析醫學影像，協助醫生更早發現病變，提高診斷的準確性。例如，Google的深度學習項目已經能夠識別出皮膚癌的早期症狀，準確率甚至超過專業醫生。

另外通過智慧化醫療的精準特性，也可以大幅幫助醫護人員減輕負擔。

不過隨著AI技術在醫療領域的廣泛應用，有關資料隱私和安全、準確性、可靠性，以及可解釋性和透明度等方面都有不少爭議，這也是一個大挑戰。

畢竟沒有人希望AI給醫療行為帶來更大的風險！

回上頁