人工智慧技術的發展，給垂直產業帶來巨大變革，以醫療、無人車、安防、金融等垂直行業的變化最受到關注，自從2023年深度學習技術被引入到影象識別資料集imagenet（做為測試標準），其識別率近年屢創新高，並且在某些領域如影象分類等方面達到人類水平。深度學習技術加上醫療影像領域累積多年的資料，給這一領域帶來了令人驚喜的突破。
健康一體機
有**曾經報道過斯坦福的研究人員發布在nature上的研究，cnn做**癌診斷，與21位**科醫生對比測試，結果系統的精確度與人類醫生相當（「至少」91％）。還有jama上發布的利用cnn對糖尿病視網膜病變的診斷，結果表明，其演算法的效能與眼科醫生的效能一致。
強化深度學習在2023年初alphago對戰李世乭中大放異彩。alphago學習棋譜到了一定程度，就可在和對手及自己對弈的大量棋局中，使用強化學習來進一步改善它，這可以說是它不斷超越自己，最終戰勝人類冠軍的關鍵所在。作為一種有效的機器學習方法，強化學習主要研究在特定情境或環境下的操作方式，使得獎勵訊號最大化。同樣在醫療ai的決策過程中，乙個程式操作會常會影響其接收到的資料，不同的操作中程式會接受到不同的輸入資訊。強化學習可找出決策或操作的最優方案，以獲得最大的獎勵。
在深度學習之前，大約在90年代，就已有很多人做計算機輔助診斷（cad）。之前神經網路做不深，現在有了新型計算機和深度學習之後，可以實現很深的網路。但是就以**癌的診斷為例，目前在臨床上還沒有真正意義上的大規模的應用。基於深度學習的診斷尚處於研發階段。但以現在的研發速度來看，這些新技術離臨床應用已經並不十分遙遠了。
深度學習並不是在所有場景下都需要。這跟具體遇到的問題有關，有時候一般的機器學習技術已經夠用。新的演算法可以說是層出不窮，日新月異。把不同的演算法結合起來也是ai的領域常用的方法。
深度學習及強化深度學習，它們能解決很多以前不能解決的問題，醫療ai的技術遠不止深度學習、機器學習、動態不確定圖等，此外醫療ai中也面臨著很多挑戰。在老齡化和慢性病的大環境下，醫療資源（人、物）**短缺，特別是中國醫療資源供需嚴重不平衡，地域資源差距巨大，人工智慧可能是解決這些問題的突破口，把醫療ai推向新的高潮。
對深度強化學習的理解
deep mind第乙個正式提出dqn的概念並能夠做出比較有效果的實驗。一直以來，強化學習都面臨對人工提取特徵的依賴的問題，深度神經網路的發展給問題的解決帶來了希望，卷積神經網路可以從畫素矩陣中直接提取出可以和人工提取值相媲美的特徵值。就是，把一張遊戲的傳進去，卷積神經網路就可以辨識出中任務所處的狀...
強化學習已成為AI的主流
2018年最值得注意的人工智慧趨勢之一是強化學習已經成熟，成為構建和訓練統計模型以做有用的事情的主流方法。正如我在今年早些時候解釋的那樣，強化學習在企業ai計畫中的作用正在擴大 該技術突破了傳統的機械人技術，遊戲和模擬領域，現在在it運營管理，能源，醫療保健，商業，運輸和金融領域的各種尖端ai應用中...
強化學習已成為AI的主流
2018年最值得注意的人工智慧趨勢之一是強化學習已經成熟，成為構建和訓練統計模型以做有用的事情的主流方法。正如我在今年早些時候解釋的那樣，強化學習在企業ai計畫中的作用正在擴大 該技術突破了傳統的機械人技術，遊戲和模擬領域，現在在it運營管理，能源，醫療保健，商業，運輸和金融領域的各種尖端ai應用中...