人工智能在新型冠狀病毒肺炎中的研究綜述

孫書魁，范 菁，李占穩，曲金帥，路佩東

1.云南民族大學 電氣信息工程學院，昆明 650000

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

3.哈爾濱醫科大學 第二臨床醫學院，哈爾濱 150000

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

AI在其他領域的成功啟發了科研人員和醫學專家。他們將AI與現有醫學技術結合，以應對新冠肺炎疫情[7]，AI現已廣泛應用于臨床治療。AI不僅在防疫和診斷上有更高的效率，而且對提高藥物疫苗開發和生產效率也有很大幫助。更重要的是，利用AI大數據技術在全球范圍內對病毒進行采樣，加速在全國范圍內開展病毒活動性建模研究，以有效預測和應對日后類似大規模疫情暴發[8]。COVID-19加速了學術界和工業界對AI支持的網絡技術的研發進程。由于AI支持的醫療健康網絡系統能夠有效應對新冠肺炎乃至類似疫情帶來的危害，這一技術受到了世界人民特別是醫學界青睞。

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

（1）系統全面地回顧了AI在本次疫情防控中各個環節中的應用。

（2）從實際出發，指出AI在本次抗疫過程中所面臨的挑戰。

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

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

1 研究背景

1.1 COVID-19

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

圖1 SARS-CoV-2結構圖Fig.1 Structure figure of SARS-CoV-2

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

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

隨著新冠肺炎疫情對全球造成的巨大影響，人類應對新冠肺炎疫情進行了大量嘗試。政府為遏制大流行蔓延做出大量舉措，例如封鎖（部分）地區以限制感染的傳播，確保醫療衛生系統能夠應對疫情，并提供一攬子計劃以減輕對國民經濟和人的影響。同時，鼓勵個人在公共場所佩戴口罩、勤洗手、保持社交距離以及向當地防疫中心報告最新疫情信息等措施來保證群眾的健康安全。另一方面，與COVID-19相關的科學研究也成為優先事項，并受到政府、行業和學術等從業者的特別關注。在全球從醫科研人員爭分奪秒開發針對COVID-19冠狀病毒的有效疫苗和藥物的同時，計算機科研人員也在為抗擊COVID-19做出巨大的努力。隨著AI在各個領域取得巨大成功以及政府的無接觸倡議，將AI應用于本次疫情防控就變得理所當然。

1.2 人工智能

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

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

2 AI在抗擊COVID-19中的應用

2.1 AI在疫情趨勢預測中的應用

AI模型已經參與流行病學研究，主要側重于COVID-19趨勢預測。具體而言，涉及的人工智能模型包括基于數據驅動的統計模型、基于流行病學的房室模型、基于個體的代理模型和混合模型。表1總結了AI在疫情預測方面的應用。

表1 AI在疫情趨勢預測方面應用總結Table 1 Application summary of AI in epidemic trend prediction

2.1.1 基于數據驅動的統計模型

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

2.1.2 基于流行病學的房室模型

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

2.1.3 基于個體的Agent模型和混合模型

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

此外，一些混合模型，如機械疾病傳播模型和曲線擬合模型的組合[31]以及循環神經網絡（RNN）模型和改進的易感染（improved susceptible infectious，ISI）模型的組合[30]，已用于COVID-19趨勢的預測。這些混合模型主要考慮了流行病學模型和ML技術的結合，不僅捕獲了傳染病的流行病學特征，而且通過純數據驅動的方法增強了建立輸入數據與輸出數據之間關系的能力。混合模型中的流行病學模型通常用于獲取與COVID-19趨勢相關的信息，這些信息用作AI預測模型的輸入。混合模型還展現出加快新冠肺炎趨勢預測的巨大希望。

2.2 AI在疫情追蹤中的應用

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

疫情初期，中國率先利用AI追溯疫情，依靠面部識別攝像頭來跟蹤有旅行史的感染者[34]。浙江省杭州市首創健康碼模式，對市民和擬進入杭州人員實施“綠碼、紅碼、黃碼”三色動態管理。“健康碼”以龐大的真實數據為基礎，由市民或復工人員通過網上申報，經后臺審核生成個人專屬的二維碼。該二維碼可以作為個人的健康憑證，實現一次申報，全省通行。健康碼的推出，讓復工復產更加精準、科學、安全[35]，同時能夠較快地確定疫情暴發時間和地理位置，以便防疫人員能夠快速鎖定密接者并及時進行隔離診斷，防止疫情大面積傳播。

2.3 AI在疫情檢測和診斷中的應用

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

2.3.1 胸部CT圖像

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

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

2.3.2 X光圖像

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

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

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

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

2.4 AI在藥物開發中的應用

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

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

2.5 AI疫苗研制中的應用

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

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

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

2.6 AI在藥物再利用中的應用

開發治療疾病的藥物分為：傳統藥物開發和藥物再利用[71]。傳統方式需要從構建新的基于分子單位的新型化合物開始，并且還需要經過臨床研究、新藥申請和上市監測等多個步驟才能投入使用，這個過程可能需要經過12~15年和超過數十億才能完全進入市場[72]。而藥物再利用是指將已批準的藥物用于治療新的疾病，這顯著降低了開發成本并簡化藥物審批程序[73]。即便如此仍有數十億的現有藥物需要篩選，但AI的出現加快了這一進程，通過AI進行計算模擬，以加快篩選數十億現有藥物與新型冠狀病毒蛋白相互作用以及破壞它們的能力，然后將入圍的藥物投入實驗，檢查那種藥物對病毒蛋白最有效，以獲得更好的治療效果。表5總結了當前應用AI發現已知的對病毒蛋白有效的現有藥物及其組合。

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

2.7 AI在遏制錯誤信息傳播中的應用

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

2.8 AI在基因組測序和分析中的應用

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

3 面臨的挑戰以及未來研究方向

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

3.1 缺乏標準數據集

如上所述，為抗擊新冠疫情，目前已提出很多種AI模型，但是并沒有使用相同的數據集進行測試，因此，從業者和醫生無法得出相一致的結果。以文獻[86]和[87]中的模型為例，分別獲得：準確率（82.9%、98.27%）、特異性（80.5%、97.60%）和敏感性（84%、98.93%），但使用不同的數據樣本，所以無法選擇應用哪種模型對抗新冠疫情。所以建立標準的統一的關于COVID-19的數據庫是尤為重要的[88]。

3.2 缺乏交叉驗證

在基于對歷史數據的研究領域中，在快速產生的數據上學習總是存在灰色地帶和不確定性的可能性，最終可能會導致相關隱形風險。大多數文獻缺乏對其訓練模型的交叉驗證，這可能會導致政策制定者和醫務人員做出決策存在偏見。因此，科研工作者對其所提出的算法模型進行交叉驗證是十分必要的[88]。

3.3 缺乏隱私安全

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

3.4 AI落地困難

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

3.5 算法偏見

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

3.6 基礎設施制約

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

4 后疫情時代我國AI行業發展趨勢

自新型冠狀肺炎病毒疫情在全世界蔓延伊始，新冠疫情在“倒逼”產業改革的同時，這場病毒與科技的較量，正在成為AI產業創新能力的錘煉場。不少AI科技企業憑借強大的創新基因和技術手段，積極打造疫情防控落地的解決方案，各類AI技術應用的新場景不斷出現，催生出全新的商業模式和商業流程，滿足多維度防疫和抗疫的需求。可以預見，AI將深刻影響和改變人們生活的方方面面。在疫情肆虐的當下及后疫情時代，“無接觸”這種發展趨勢和行為習慣開始被人們重視起來，使得AI有了絕佳的試驗場地，下面結合五個行業，淺談一下AI如何助力各行業打贏這場防疫戰。

4.1 醫療行業

如上所述，AI參與本次疫情防控的各個環節，很多AI技術都是首次亮相，大大加快抗疫進程。火神山醫院亮相的機器人豹小弟，可以完成一些基本的醫療任務，緩解了醫務人員緊張的問題。為縮短醫務工作者的閱片時間，騰訊開發的AI輔診方案最快可以一分鐘內提供專業診斷結果參考，大大提高了醫生的診斷效率。AI應用到醫療行業不僅大大提高了醫療利用率，而且避免了交叉感染，確保了防疫人員的安全。此次突發疫情向傳統醫療提出了極大挑戰，倒逼醫療改革，加快智慧醫療的轉型。

4.2 物流行業

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

4.3 零售行業

突如其來的疫情對實體零售業造成了巨大的沖擊。從目前來看，精準營銷和智能客服發展較為成熟，智能化運營、商品識別分析的發展速度較快。將來供應鏈網絡效率智能優化的應用將會產生更多的附加價值。文獻[91]指出在當代零售行業中虛擬助手有效地降低了整體運營成本，并且幫助客戶獲得高度契合的產品推薦。由于提倡零接觸，無人零售的價值在本次疫情中真正體現出來，新的零售方式可以適應較少與人接觸的要求，因此越來越多的人選擇網上購物，同時利用AI、物聯網、大數據分析和AR等新興技術可以更智能地分析用戶的需求，有效地為用戶創造更大的價值[92]。

4.4 制造行業

本次疫情對全球制造業造成了巨大的打擊，對于中小型制造企業來說，更是雪上加霜。在裁員節流的同時，紛紛將目光聚焦到AI，那些積極擁抱AI的制造業公司將有望從萎靡的經濟中快速復蘇。Yang等[93]認為將企業原有的ERP、MES和PCS三層結構轉變為人機協同的管理決策系統和智能控制系統兩層結構可以讓企業的生產更加綠色，同時減少人員的參與和增加企業效益。Anwarsha等[94]提出一種基于AI的機器故障診斷的方法，該方法在不需要人工參與的情況下不間斷檢測機器是否出現故障，以便及時發現并排除故障，減少企業損失。從當前來看，我國制造業正處于轉變發展方式、優化經濟結構、轉換增長動力的關鍵時期，2022年將繼續推進企業全面升級。AI、IoT和大數據等新興技術的發展將會助力傳統制造業的產業升級，加強科技融合。這次疫情更加快企業智能轉型步伐。

4.5 教育行業

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

AI不是一個獨立的產業，它必須與其他產業結合，才能凸顯其價值。疫情以前，實際很多產業并不理解智能化的本質，而后疫情時代，那些從疫情中幸存的企業將會積極主動地推進智能轉型。

5 結語

COVID-19以其驚人的傳播率在全球范圍內大面積迅速傳播，對全球人民的生命財產安全造成巨大的威脅，這對全球的醫療衛生資源提出了巨大的挑戰。而AI的助力，大大緩解了醫務人員的壓力，同時很大程度上提高了醫療診斷的效率。把AI應用疫情防控的各個環節，加快了整個抗擊疫情的步伐，也避免了交叉感染的風險。辨證來看，這次疫情無疑是一場災難，但同時也倒逼著各行各業產業升級，加快AI在各行業的滲透，助力各行各業共同打贏這場抗疫攻堅戰。