对这两天吃住在特斯拉工厂一线、为Model 3产量忧心忡忡的马斯克来说，Space X给他带来了久违的好消息。

据风投行业研究公司PitchBook数据，火箭制造商Space X在4月5日授权启动了5.07亿美元的I轮融资，此轮融资的价格每股169美元，由此Space X估值达到约250亿美元。

PitchBook指出，马斯克将直接购买约1亿美元的股份，另外4亿美元来自富达投资牵头的其他投资方。

据彭博社估算，随着Space X估值的提高，马斯克的个人财富将增加约14亿美元，达213亿美元。

如果此轮融资完成，Space X将成为仅次于Uber和Airbnb的第三大由风险投资支持的公司。

Space X还有更大的野心

今年，马斯克计划Space X执行约30次任务，截至目前已经成功完成了7次。

美国金融博客网站Zero Hedge指出，今年2月，当前世界最大推力的火箭——Space X研发的猎鹰重型运载火箭发射成功，是屡遭挫败的Space X获得重新估值的重要原因。

Space X的野心不止于此。该公司希望能够在十年内实现城际火箭旅行，例如从洛杉矶到华盛顿。

对Space X来说，下一步至关重要

目前， Space X获得的资金主要来自硅谷知名风投公司德丰杰投资（DFJ）、Founders Fund，谷歌以及全球第四大共同基金公司富达投资。

Zero Hedge称，目前Space X及其投资人可能以5亿美元买下一部分现有投资者的股份。

据美国媒体Recode报道，这一步至关重要，因为目前还不清楚Space X是否会IPO，那么早期投资人的退出就是一个至关重要的问题。

随着互联网的普及推广，网民红利逐步走近尾声，科技行业下一波的机会点在哪，也成为业界和媒体关注的焦点。

摩根士丹利分析师Katy Huberty在近日的一份报告中表示，一种新的大数据驱动的技术周期刚开始，在投资领域提供了巨大的潜力。报告认为，这是一个以物联网、人工智能、虚拟或增强现实和自动化为基础的技术，同时也会涌现出许多其它技术。

报告称，在未来10年，以数据为中心的计算周期可以使企业技术投资增加一倍，并在20年内首次实现更广泛的生产率增长，数据技术有望在10年内推动1.6万亿美元的投资，比之前三个科技爆发周期中，平均带动的7400亿美元的水平高出一倍以上。

摩根士丹利认为，半导体行业在2017年成为表现最佳的行业，其中博通、英伟达、美光、三星表现突出。报告认为，科技行业表现最好的股票将从消费者导向型转向企业导向型的技术提供商，很可能会是基础设施提供商，如思科、惠普和希捷科技等，他们今年以来表现强劲。报告认为，云服务提供商可以通过软件和服务将计算平台货币化，并为亚马逊、微软、IBM和阿里巴巴等公司的增长提供有利条件。

摩根士丹利认为在“数据时代”中获益最多的15家公司是:博通、美光科技有限公司、英伟达、三星电子有限公司、思科、惠普企业、Hikvision、希捷科技公司、阿里巴巴、Alphabet（谷歌母公司）、亚马逊、IBM、微软、Amadeus IT集团、达索系统。

线上流量与线下场景结合，搭配现代物流和数字化管理系统的新零售大战，今年势必愈演愈烈。

阿里巴巴董事局主席马云在2016年10月的“云栖大会”首次提出“新零售”概念，腾讯董事局主席兼首席执行官马化腾本周首次对外全面阐释“智慧零售”的理念、策略及方向。“阿里系”和“腾讯系”的大将们也不甘示弱，新零售最激烈的战场之一转向了社区便民小店。

4月12日，苏宁控股集团董事长张近东和碧桂园集团董事局主席杨国强签订协议，预计今年内将有600家苏宁小店、苏宁直营店入驻碧桂园物业。同日，京东集团董事局主席兼首席执行官刘强东在2018中国“互联网+”数字峰会表示，将在今年底前争取每天新开1000家京东便利店。

而去年8月28日，阿里巴巴零售通事业部宣布，将在2018财年打造1万家天猫小店。阿里巴巴预计将在5月17日发布今年一季报（即公司2018财年四季报），届时将公布结果。

苏宁智慧零售：携手地产商拓展线下场景

苏宁与碧桂园的合作从去年10月开始酝酿，历经六个月快速“修成正果”，成为今年苏宁智慧零售发展战略落地的重要合作项目。自去年12月苏宁召开了智慧零售大开发战略发布会以来，苏宁线下拓展的步伐可谓狂飙突进。

（图为苏宁控股集团董事长张近东向碧桂园集团董事局主席杨国强赠送礼物）

2018年至今，苏宁的新开店已近600家。发展最快的是以服务社区为主的苏宁小店和遍布三四级市场的苏宁易购精选店，已经开了近400家。苏宁在4月3日与西班牙著名跨国连锁超市迪亚天天，签订了全资收购迪亚中国100%股权的协议，加速苏宁小店在上海落地。

去年12月，苏宁发布的智慧零售大开发战略称，将通过“租、建、并、购、联”等方式，在2018年拓展5000家互联网门店，并在三年内增至2万家，包括“一大两小多专”的10种不同业态产品族群，其中苏宁小店的2018年拓展目标是1500家。

张近东表示，本次与碧桂园的合作空间巨大。碧桂园大量的住宅物业，可以为苏宁提供智慧零售业态进驻的社区场景；碧桂园也能借助苏宁遍布全国的互联网零售商业运营优势，完善社区布局，提升社区品质。在苏宁以场景互联网为核心的智慧零售战略中，联手地产商拓展线下场景是核心举措之一，恒大和万达等知名地产商早已与苏宁建立了战略合作伙伴关系。

京东无界零售：为加盟京东便利店的小店赋能

刘强东则在2018年“互联网+”数字经济峰会上，阐述了如何用开放共享的“无界零售”赋能合作伙伴。他表示，京东的愿景不是做电商公司，而是一个用技术打造供应链服务的公司，用技术为品牌商提供供应链服务，用供应链体系为消费者和合作伙伴带来价值。

他表示，最近几年零售行业发生了翻天覆地的变化，前端的消费环境和消费偏好发生改变，也出现了各种各样的新业态，但“后端的供应链从来没变过，依然需要一套供应链体系”。京东去年提出“无界零售”的核心是，通过引入更多的合作伙伴来共享这套体系，通过规模优势让供应链效率更高、成本更低，从而实现让所有的合作伙伴不是彼此博弈。

两年前提出“便利店计划”后，截至今年3月，京东每周在中国新开便利店1000家，计划到今年底提速至每天新开1000家，所有便利店几乎都是加盟形式。京东目标是为小店“赋能”，实现每300米有一个便利店，充分利用京东的品牌、京东的高质量商品、京东精准的供应链，以及京东金融提供贷款。

而“赋能”恰恰是腾讯“智慧零售”的关键词。马化腾在同场“互联网+”数字经济峰会上指出，腾讯不是要进入各行各业取而代之，而是要做好助手。比如，近几个月腾讯在零售领域有很多布局，但腾讯不做零售，而是要做零售业的数字化助手，推动“生活消费”这个领域的数字化转型升级。这也是腾讯官方首次全面阐释“智慧零售”的理念。

阿里新零售：天猫小店为社区服务升级

近日，阿里巴巴CEO张勇在内部信中透露了阿里“新零售八路纵队”，零售通与天猫小店被列为社区小店升级战略中的一环。这意味着零售通将享有阿里扶持的多重资源，包括供应链、数据、流量和资金，目标之一是让所有小店变成用互联网技术来赋能的智慧小店。

3月26日，高鑫零售发布了2017财年年报。高鑫零售董事会主席、阿里巴巴集团CEO张勇也发表了股东信，首度披露阿里新零售战略布局的三个标准：是否能推进行业与市场的发展与革新；是否能激发新技术与商业的紧密融合；是否能提升用户的消费体验。

虽然张勇提到的是大型商超卖场的新零售改造，但也符合社区天猫小店的理念。据36氪专文介绍，阿里巴巴零售通事业部邀请社区零售小店加盟，推出第三方的一站式进货平台，依托阿里巴巴的业务资源，小店商家可在零售通完成订货、物流、数据查询等操作，一站式平台还能根据超市周边的人群、店主画像计算出最适合店铺的货品。

阿里巴巴集团副总裁、零售通总经理林小海去年8月介绍称，接下来一年将推出1万家天猫小店，从某种程度上理解，它像是目前入驻零售通平台小店的升级版本，在天猫小店的基础上也将会升级一个未来版本，例如增设智能货架、云货架的桌面购等。

阿里零售通还计划接入手机淘宝的小店号，这是一个位于淘宝的入口，可以出现在天猫小店和加盟社区小店周围一公里或几公里内消费者的手机淘宝中。通过这个入口，消费者能在家下单，再由小店的老板负责把物品送到消费者家中。

这也与京东便利店的战略规划类似。京东新通路事业部总裁郑宏彦透露，京东便利店将进驻学校、火车站、高速公路服务区、政府办公楼等特殊场景。除了销售店内的陈列商品，还会代售京东线上海量商品，并配置代收包裹、充值缴费、家政维修等增值业务。相对加盟小店，自营毛利更高。

全球最大资管公司贝莱德（BlackRock）周四公布财报，率先拉开了美股一季度财报季的帷幕。

贝莱德今年一季度盈利同比增加26.8%，至10.9亿美元；经调整后每股盈利6.70美元，好于去年同期的5.23美元，也大于预期的6.39美元。

截至3月31日的季度收入同比跳涨16%，至35.8亿美元，资产管理规模（AUM）为6.3万亿美元。财经媒体CNBC评论称，AUM规模仅实现微涨，与去年底基本持平，不如市场预期。

贝莱德一季度吸引到近570亿美元的新增投资者资金，大部分流入旗下的ETF产品。其中，面向全球投资者的iShares ETF系列资金净流入为346亿美元，较上年同期暴跌46%，较去年四季度环比下跌37%。伴随美股大幅波动，2、3月流入的资金规模显著小于1月市场触及峰值时。

贝莱德董事长兼CEO芬克在财报电话会和媒体采访时表示，市场波动性抬升，显然令机构投资者重新调仓或开始去风险。许多企业客户也在美国共和党税改的影响下，持有更多现金或流动性更高的资产以备未来资本支出之需，或者更为激进的回购股票，都令ETF资金流入放缓。

彭博社分析指出，贝莱德的ETF业务增速可能无法重现几年前的迅猛态势。之前由于市场“岁月静好”，ETF等被动投资型产品的管理费用降低，自然受到投资者热捧。奥巴马政府曾规定为退休金投资提供咨询服务的机构将客户利益置于最高，也令很多基金经理布局在ETF产品。

主要面向零售端的咨询机构Edward Jones分析师Kyle Sanders表示，贝莱德的ETF产品资金流入再要维持以前的两位数涨幅，确实很困难。但从长期来看，被动投资将成为主流模式，散户和机构都会持续买入ETF而不论市场状况好坏。

这也符合芬克的观点，他认为未来三到五年的ETF规模将翻倍。在接受CNBC采访时，他认为财经媒体诱导大家谈论了太多“择时投资”的问题。但投资者不应尝试在波动剧烈的市场中“择时”（time the market），而是应始终保持投资状态，特朗普税改也会为美股九年牛市“续命”。

他还认为，市场波动会利好于贝莱德的主动投资型股市基金。一季度这些产品在2015年末以来首次吸引到了净资金流入，总共近10亿美元流入大多来自散户投资者。公司主动投资型的股票基金有34%的管理资产在过去一年表现弱于追踪标的和同业对标产品，好于去年时的比例36%。

贝莱德也在不断调整主动投资型股票基金的运营模式，例如减少一些基金的费用、简化研投开支，以及更多依赖智能投顾来选股等。但金融博客Zerohedge还是对ETF类产品的资金流入情况表示担忧，不仅会对贝莱德未来营收制造压力，也可能暗示市场整体情绪出现反转。

在3月第二周创纪录的资金流入股市后，接下来的一周完全逆转。美银美林统计发现，3月23日当周美股流出199亿美元资金，其中ETF流出高达186亿美元，为史上第二高。与此同时，美股当周大跌，接近技术盘整位。

美国个人投资者协会（AAII）截至本周三所做的周度问卷显示，美国散户投资者的看跌情绪为42.8%，创2017年3月9日以来最高，较上周涨了6.1个百分点；看涨情绪为26.1%（即预计未来六个月市场会走高的人数比例），创2016年8月31日以来最低，较上周跌了5.8个百分点。

财经媒体CNBC分析称，两组数据都不寻常，代表投资者的恐慌情绪在本周前期创一年多新高。这样的读数组合通常代表市场处在转折点。不过散户的看跌情绪过高一般代表市场会转涨。果然，周四美股实现反转，标普500指数收涨0.82%，道指收涨近300点，纳指涨超1%。

贝莱德周四盘初最高涨3%，全天收涨1.47%，报533.01美元，接近月内低位区间，今年累涨了3.8%。

2017年起，地产投资进入“虚胖”状态：土地购置费对地产投资增速的贡献率大幅超过建安工程。2017年7%的地产投资增速中，土地购置费贡献了4.9%，建安工程仅贡献了2.1%。从今年前两月的地产投资数据看，短期内土地购置费对地产投资增速的影响力还在上升，1-2月超预期的地产投资增速几乎全部由土地购置费贡献。

这一变化有两大重要影响：

其一，地产投资对GDP增速的影响力下降，因为土地购置费不计入GDP。

其二，地产投资对上游周期品价格的影响下降，因为地产投资中影响周期品价格的是建安工程部分。而建安工程增速受施工面积低速增长的影响，在本轮地产投资中始终处于低速增长状态，2017年建安工程增速为3%，2018年前两月为2.9%。

换言之，地产投资的乘数效应由于其内部结构的变化大幅下降。既然之前GDP增速回升与周期品价格上涨与地产投资关系不大，那么2018年地产投资增速放缓对实体经济和地产产业链的冲击可能会低于预期，市场无需对地产投资增速回落的负面影响过于悲观。

以下为正文内容：

目前市场的一大担忧是随着房地产投资的回落，地产产业链走弱意味着年内基本面形势恶化，从而拖累A股市场表现，可能有利于债券收益率的下行。然而，我们对地产投资主要构成部分的分析显示，去年以来的房地产投资呈现出一种非典型的投资结构，房地产投资对GDP增速以及地产产业链的影响力大幅减弱。市场所担心的情况可能不会发生。

一、房地产投资完成额出现结构性变化

根据统计局官网公布的指标含义，房地产投资完成额指报告期内完成的全部用于房屋建设工程、土地开发工程的投资额以及公益性建筑和土地购置费等的投资。从历史数据看，建安工程、土地购置费和设备工器具购置及其他是地产投资的主要构成部分，前三项的平均占比分别为71%、18.5%和1.4%。

设备工器具对房地产投资完成的影响非常小，其贡献率常年不足0.5%。而其他项的主要构成部分主要是土地购置费。2004年，土地购置费约为其他项的63.2%，2017年占比达到78.1%，2014年以来土地购置费的占比大幅提升，土地购置费对房地产投资的影响不断提升。

长期以来，建安工程是房地产投资完成额主要的贡献成分。例如，2004年房地产投资增速为28.1%，建安工程增速为31.2%，在地产投资中的占比为66.5%，这意味着建安工程在当年的地产投资增速中21个百分点，贡献率74.6%。即使在2015年地产投资增速跌至1%时，当年建安工程依然贡献了其中0.7个百分点的增速，占比反而提升至74.2%，贡献率仍有70%。

然而，2017年土地购置费对地产投资增速的贡献大幅超过了建安工程，土地购置费成为推动地产投资增速的主要因素，建安工程的影响大幅下降。这是2004年以来房地产投资的最大变化支出。

二、2017年以来房地产投资越来越“虚胖”

由上文可知，过去两年间建安工程对房地产投资的贡献率明显下降。2016年地产投资增速为6.9%，建安工程的贡献率为77.3%。然而，2017年建安工程在房地产投资中的贡献率锐减至30.5%，今年前两月建安工程的贡献率进一步下降至21.2%。

在这一阶段，土地购置费取代了建安工程在地产投资中的地位。2016年建安工程增速仅为7.2%，2017年跌至3.0%，今年前两月增速仅为2.9%，其在地产投资完成额的占比从78.4%下跌至72.9%。同期，土地购置费增速大幅提升，2016年增速为6.2%，2017年跃升至23.4%，今年前两月进一步升至47.9%，其在地产投资完成额的占比从2016年年初的14%升至2017年年末的21.1%。2017年7.0%的地产投资增速中，土地购置费贡献了其中的4.9个百分点。土地购置费高速增长也是今年前两月地产投资超预期的主要原因。

展望全年，我们预计土地购置费对房地产投资的高贡献率至少将维持到2季度末。从这一轮地产周期的情况看，土地成交款领先土地购置费时间约为12个月左右。2015年2季度土地成交款增速触底，2016年年中土地购置费增速触底。2017年土地成交价款持续上升，2017年全年增长49.4%，较2016年上升29.6个百分点，达到本轮周期的最高水平。因此，上半年房地产投资增速在土地购置费的推动下还有进一步上行的可能性，全年地产投资增速超预期的概率也在上升。

3、“虚胖”的地产投资意味着什么？

尽管地产投资增速去年以来多次出现超预期的情况，但去年GDP增速回升0.2个百分点与此无关，周期品价格与此无关。土地购置费虽然属于地产投资完成额的一部分，却不计入GDP核算。2017年土地购置费对地产投资增速贡献较大，但其实对GDP增速而言是没有意义的。我们计算了扣除土地购置费后的地产投资数据，这部分地产投资完成额计入GDP，对经济形势有实际影响。2017年之前，是否扣除土地购置费对地产投资影响有限，过去地产投资确实对经济增速有较大影响。然而，2017年扣除土地购置费的地产投资增速仅为3.4%，较2016年回落3.6个百分点，包含土地购置费的地产投资增速2017年反而比2016年回升了0.1个百分点，实际上去年地产投资拖累了去年的GDP增速。

这说明“虚胖”的地产投资对经济的贡献正在下降，即地产投资的乘数效应影响减弱。理论上，我们应该通过投入产出表来计算地产投资的乘数效应，但由于投入产出表数据低频且滞后。我们采用地产投资增量与名义GDP增量之比作为地产投资乘数效应的观察指标，结果显示地产投资的乘数效应自2013年起大幅回落。2017年扣除土地购置费的地产投资增量只相当于当年GDP增量3.4%，相当于当年制造业GDP增量10%，而二者的历史均值分别为11.4%和39.4%。

并且，在房地产投资构成部分中，对上游周期品需求和价格有影响的是建安工程部分。历史数据显示，在本轮地产周期之前，南华工业品指数与建安工程增速高度相关。金融危机时，二者同时跌至底部。2015年建安工程增速跌至0.7%的历史低点时，南华工业品指数也创历史新低，仅有1100余点。

然而，2016年后二者走势明显悖离，建安工程增速小幅反弹后继续下跌，而南华工业品指数则一路上行至2000点以上，涨幅接近100%。这表明过去两年来的周期品价格反弹，房地产投资并非主要因素。在这一时期，房地产投资增速仅为个位数，最高点还没超过10%，远低于历史平均水平。从这个角度看，这一轮工业品价格的大幅上涨，需求端的贡献可能低于预期，应该更多考虑供给端的影响。

可见，由于结构的变化，地产投资在中国经济的重要性大幅下降。那么由土地购置费驱动的地产投资增速高低其实与GDP增速以及周期品价格的相关性也在下降。换言之，即便地产投资增速持续下滑，其对基本面以及地产产业链的影响可能小于市场的预期。

前言

现代医学影像取得重大进步的一个原因，其实就是基于不同成像设备的巨大发展，比如CT断层成像、核磁共振扫描、三维超声等，都可以在没有创伤或微创的情况下，观察人体内部的细微组织结构，在疾病的早期检测、找到疾病的病因以及病灶位置方面带来了极大的增强，从而可以让医生尽早确定治疗方案。另外，在人体的不同部位，不同疾病的表现方式也都不太一样，检测方法也不一样，市场上的一些人工智能产品针对不同的成像仪器，涵盖了人体的多个部位，来对一些高发以及高危的疾病进行智能辅助诊断。现在大多着重的是比较高危害的疾病，包括各种恶性的癌症、心血管常见疾病以及脑血管疾病等。

现在世界卫生组织预测21世纪人类第一杀手，就是一些常见的恶性癌症。全球每年大概有700万人死于癌症，而在中国，恶性肿瘤发病率也非常高，每年发病率平均在160万左右，死亡数量也相当高，达到130万，恶性肿瘤在所有的死亡病例里面占了1/5左右，是现代危害非常严重的一种疾病。而肺癌更是恶性肿瘤里面发病率最高的恶性肿瘤之一，其五年生存率仅仅为15%左右。

从上图我们可以看到肺癌在男性发病率里面是最高的，女性群体中乳腺癌是最高的，而其次就是肺癌。因此肺癌在整个恶性肿瘤中是最严重的一种，但是实际上我们也不应该谈癌变色，而是要尽早地发现和治疗，这样才能提高治愈率。

一、低剂量胸部扫描是否能识别结节的良恶性

肺癌之所以可怕，是因为它的初期症状非常不明显，很容易被忽略掉，而到了晚期则会发生癌细胞转移，导致治疗非常困难。美国肿瘤协会一系列的研究表明，检测肺部结节是早期发现肺癌的一个非常有效的手段。由于肺部结节肿瘤的尺寸很小，在传统的X-ray胸部透视平片上是很难看到的，而通过低剂量CT进行早期筛查，能够极大地提高早期肺癌的诊断率。

我们知道，CT断层成像是分辨率非常高的三维成像，所以它的数据量也非常大。每个病人基本上都有几百张断片成像，这样就导致了医生诊断非常困难，花的时间也非常多。由于它诊断的困难性，所以有不少人在很早期时就提出来用计算机辅助诊断，利用计算机的大运算量来帮助医生进行诊断，一直到深度学习的出现，才使得这个想法变得可行，因为早期诊断算法的诊断效率以及准确率都比较低，不能达到实用的要求。随着深度学习的出现，在各种诊断率上面有了显著的提高，也使得计算机辅助诊断的想法成为了可能。

就肺癌诊断这个方向来说，其实绝大多数其他疾病的诊断跟肺癌诊断的应用场景是比较相似的。由于数据量非常庞大，由医生一张张来找是非常困难的一件事情。所以，我们可以通过算法来自动进行疾病的病灶检测和定位，在进行了病灶的定位以后，还可以做一些辅助性的定性分析，比如结节的良恶性判断等工作，由于有随访的要求，那么一个病人可能是在经过半年时间左右再回来复查的时候，我们需要了解结节的变化大小，所以这些数据由计算机来计算，就非常方便。深度学习由于它快速有效的运算以及非常高的精度，使得其在不少实际的识别问题中已经达到了接近人的视觉经验的水平，同时它是比较智能化的，可以通过大量数据的训练来增强它的准确性。

深度学习应用在医学中也可以去生成自动学习的特征来进行疾病的识别和判断，也可以自动生成结构化的诊断报告，辅助进行科学研究以及教学培训。

二、深度学习较之传统CAD技术的优势

那么传统的CAD技术为什么达不到这些效果呢？在传统的CAD技术里，主要是通过医学影像分析，由那些有很多经验的人来设计一些比较适合做不同类型疾病检测的特征值，比如纹理分析、边缘检测以及物体检测的各种不同的特征函数，比如SIFT或HoG等。

但是这些特征的训练完全是通过人来实现的，而人需要去看大量的病例，然后从数据中总结出经验，而且不可能用太多的特征来做这件事情，所以导致了疾病的诊断率一直上不来，同时在面对不同疾病的时候，又需要设计一套完全不同的特征向量，这也是传统CAD技术没办法很快地应用到医学的不同领域中去的原因。

随着深度学习技术的出现，它对我们最大的贡献是提供了一套可以从大量数据中自动学习最有效特征的算法。其实它也是在模拟人的视觉系统及识别系统中的一些实现方式，比如，以前人是通过看大量的图像来人为地选取特征，而现在变成利用梯度的反向传播原理来自动提取特征向量。

深度学习的另外一个好处，就是它在训练的过程中，一直专注于优化准确率，而且它可以通过看大量的训练数据来实现最优的准确率，如果让人类来做这个设计的话，几乎是不可能实现的。我们不可能去把所有的图都去算一遍，然后去调整阈值，调整各种权重之类的参数来达到最优，现在这些都是由具备超强运算能力的GPU来实现的。

上图显示深度学习训练出来的特征向量，我们可以看到，其实在前几层的时候，深度学习选出来的特征向量跟人选出来的特征值是非常接近的。比如各种不同角度的edge detection，以前人类来设计特征向量也有各种角度多个尺度的Gabor Filter Bank等这些设计，相比来说其实是非常类似的。但是人没办法进入更高层的抽象，所以导致识别的效率没有那么高，可以看到，在后面几层识别出来的这些特征，就比较接近每个元部件的组成。

可以看到，如果我们要识别不同物体的种类，比如树、猫、狗等，那么深度学习一开始在所有网络里面的权重都是随机选取的，这时它出来的结果很可能是完全没有道理的，比如给它一张猫的图片，它可能认为是乌龟，但是我们因为有这个类型的标识，所以我们可以知道这个做错了，这时它就可以把错误反向传播，同时希望使得给出的正确路径得到进一步的增强，而错误的路径则得到进一步的抑制，经过多次这样的循环以后，得到准确的特征向量。

整个学习的过程在早期是没办法实现的，电脑的计算能力虽然一直有非常快速的增长，也符合之前的摩尔定律，但即使如此，计算能力也一直没办法进行这么大规模的训练量，而随着NVIDIA GPU的出现，运算能力已经远远超过原来摩尔定律的设定，最主要原因当然是因为GPU可以进行大规模的并行计算，我们知道这些特征的计算都是基于一个小的区域来进行的，而在整张图像上的不同地方都是可以并行计算的。随着GPU的发展，不同深度学习网络的运算速度尤其是训练的速度已经显著增强，GPU比CPU的速度要快出好几百倍。

因为针对的是三维医学图像，所以算法使用的是三维卷积网络，在三维的情况下，计算量更大，因此GPU的效果在我们实际机器上做出来的benchmark中，GPU效率使CPU的500多倍，在做最终推理的时候，大概是2000多倍。

把DGX Workstation与之前用的P100 GPU比较，DGX的运算速度比P100要快一倍左右，在训练和推理过程中，基本上都是超过一倍的速度。

金准人工智能专家认为，无论是对于模型参数的调整还是试验不同的模型，训练速度是十分重要的，所以现在如果能加快训练模型的速度，对研发是非常有好处的。

三、深度学习在医学影像分析的应用场景

1.智能肺结节诊断分析系统

深度学习在医疗上已经取得了非常广泛的应用，比如各种Pathology的图像、脑影像的立体分割、基因序列预测、眼底视网膜成像，还有最新的Nature杂志上的皮肤癌诊断等。

智能肺结节诊断系统实现了多个功能，就像前面列的在医疗场景里的应用一样，智能肺结节诊断系统帮助医生实现好几个不同的功能，包括结节的检测、对结节进行分割，然后给一些定量定性的分析，也可以对结节的不同时期的随访病人跟踪其每个结节在时间上的变化，然后是结节的检索，可以看出过去类似结节的分析结果，以及对结节做出最终的良恶性判断，判断它是哪个类型的，是良性还是恶性，最后还可以自动生成报告，整个流程极大地加速了医生的诊断过程。

整个系统花一分钟左右的时间就能够完成所有肺结节的诊断，而对肺结节诊断的敏感性达到96.7%，良恶性判断的准确率为90%，相当于高年制副主任医师的水平。

智能肺结节诊断系统模型设计的框架，是基于多任务的深层神经网络模型来做的。为了做整个结节的检测，需要完成多个任务，包括肺部的分割、结节的检测、结节的分割，然后进行结节的随访和检索，以及结节的定量定性分析，比如判断结节的种类、良恶性。这些任务都有它们自己的训练数据，但是它们之间共享深度学习网络层的特征，只是在最后进行不同的任务而已。在训练的时候，根据不同的任务，它的训练标注模式也是不一样。

上图显示了几个我们检测到的结节，肺部的结节种类是非常多的，尤其是在中国，有不少毛玻璃类型的结节，他们之间的对比度非常弱，也非常小，我们可以看到它跟边上的血管、气管对比度要弱很多，但是由于我们是利用深度学习训练出来的模型进行识别，它是自动进行的，可以看到3D的图像，不光是在二维层面去看这个图像，同时可以制造上下层之间的关系，利用整个空间信息来最终实现结节的诊断。

目前智能肺结节诊断系统已经安装了超过一百家医院。在试用期间已经处理了超过90万的病例，帮助避免漏诊20000个左右的结节，之前在CCR做过的对“医生+AI”和“医生”的比较，结果发现“医生+AI”能够节省80%的读片时间，同时还能降低漏诊率，因为我们在看到结节非常微小的时候，是很容易漏诊的。在医生划过整个CT volume的时候，是非常容易漏诊掉的。

上图就是我们在试用的过程中找到的一些结节，其中有一些做了病理的检测。我们可以看到，对于这个病例的第一个结节，算法认为它是中等风险，最后病理检测出来确实是良性的，是不典型增生。

上图是另外一个病例，虽然这个结节的尺寸也非常小，还不到一厘米。但是它是磨玻璃的形状，智能肺结节诊断系统的算法分析出它的风险度比较高，最后实际的病理测试证明它确实是恶性的微浸润肺腺癌。

金准人工智能专家分析认为，从整个的使用情况来看，计算机辅助诊断确实能够很大地提高医生的诊断率，提高医生的效率，以及防止漏诊和误诊等。智能肺结节诊断系统的算法并不是要去替代医生，而是希望能更好地去辅助医生，提升医生的工作效率，能够集中精力去确定病人的治疗方案，而不是花在很多计算机轻易就能做得很好的一件事情上。

2.智能天眼CT、智能数字PET-CT

现在，在医院做CT扫描，从患者注册到检查结束,放射科技师需要经过十多个步骤,包括体位选择、完成患者摆位、确定扫描范围等一系列繁琐环节。

现在相较以往技师每次需要根据激光定位灯反复调整床位,操作简化。智能“天眼”摄像头,结合基于大数据与深度学习技术的智能算法,可针对不同性别、年龄、体位的患者,自动根据扫描协议精准匹配扫描部位。金准人工智能专家了解到，目前,这一应用可覆盖人体CT日常扫描范围的70%部位。

智能天眼CT还能系统智能判别,每次操作激发系统提前准备下一步操作。此外,基于智能剂量调制技术,智能天眼CT能够根据患者解剖信息优化扫描剂量分布,使得不同体型的患者扫描均可获得质量一致的图像结果。

PET-CT头部检查一向让医生“头疼”,因为微小幅度的摆动都会造成PET与CT图像配准误差,导致图像影,这对儿童或者帕金森患者而言尤为困难。

联影智能数字PET-CT具有超高分辨率与超高灵敏度,还拥有“头部运动补偿”与“"呼吸运动伪影消除”两项绝技一一通过头部运动补偿,在扫描过程中识别患者头部运动轨迹,实时监测头动、恢复矫正,始终确保PET与CT图像极高精度配准；呼吸运动伪影消除则无需外接硬件传感器,通过智能算法,消除呼吸对腹部器官成像的影响,精往还原清晰图像。

此外,它还拥有另一项杀手锏:智能肿瘤追踪,可对肿瘤进行一键智能自适应分割、全面统计分析结果,并对近期8次随访同步对比显示,直观分析病变全过程。

3. 联影uAI智能体检阅片

在中国,体检中心平均每天要拍摄上千例X线胸片,但平均仅有3%-5%存在问题,医生要耗费大量时间精力阅读无问题胸片。

联影uAI智能体检阅片基于20万病例数据进行深度学习,帮助医生进行胸片预读,对异常影像进行高敏感度精准、快速筛查。大幅减轻医生读片工作量。

现在,只需在X光设备上安装这款“智能体检读片”智能诊断应用,就能有效解决这一痛点。它如同一位医生的"AI助理”,可快速从海量影像中预筛出健康的X光胸片,只将有疑似疾病的提交医生阅读。不仅能将不同肺部疾病的片子分流整理,让医生知其然；还能将片子中的异常区域可视化,让医生知其所以然。为了保证这位“AI助理”筛选胸片的精准程度,使用了20万个X光胸片数据对其进行深度学习训练。

此外,它还能够对14种常见肺部疾病及多种病变的疑似病灶进行精准标注,目前它对肺结节、肺水肿、胸膜增厚等9项肺部疾病的诊断精准度达到世界第一。

临床上60%以上中度冠脉狭窄患者都没有接受手术或支架的必要，但这以往都要依靠昂贵且具创伤性的导管介入后才能确知。

4. 联影FFRCT血流分析、智能骨伤鉴定、智能关节分析

联影FFRCT血流分析是在CT图像数据基础上，无需导管就能智能计算模拟心脏冠脉血流状况，一键就能快速获得FFR(冠脉血流储备分值)、血压等参数。辅助医生判断患者心肌缺血程度,选择最佳治疗方式,避免不必要的手术创伤。

肋骨骨折临床常见多发,在胸部创伤中约占60%以上。CT扫描阅片耗时长久,骨折定位费时费力,无错位轻微骨折、隐匿性骨折很难发现,极易漏检。

联影智能骨伤鉴定能够全自动分割、展开、拉直肋骨,自动标记解剖标签,智能检测多种类型骨折迹象,多角度多层面清晰直观显示骨折,让医生快速、精准诊断,避免遗漏。

关节炎是世界头号致残性疾病,中国60岁以上老人有一半以上饱受骨性关节炎困扰。目前医生只自能通过主观观察软骨状况来进行诊断和软骨修复,关节损伤判断大多依靠主观经验。

联影智能关节分析应用能够全自动精准分割软骨,将关节不同部位标注不同颜色,医生可直观观测到每一部位的受损情况。并提供容积、厚度等量化参数,为医生在早期膝关节软骨损伤的诊断、治疗方案选择以及术后评估提供精准量化指导。

5.联影肺结节智能筛査、乳腺病变智能分析

肺癌发病率、死亡率高居恶性肿瘤之首。在中国,平均每天有2000多人罹患肺癌,1600多人因此死去,早期诊断、早期治疗能让患者五年生存率提高到80%以上。

金准人工智能专家调查发现，通过对上海长征医院、中山医院、瑞金医院、华东医院、肺科医院、肿瘤医院、上海市公共卫生中心7家医院多中心数据的采集与共享,联影建立了上海地区肺癌早期病例数据库,采集有21万例数据,阳性病例5000份。基于这些大数据训练,联影肺结节智能筛査应用能够智能精准定位3mm以上微小结节,对早期肺癌敏感度达95%。同时自动计算结节大小、密度等量化参数,3D渲染显示,并通过智能算法，为医生提供肿瘤恶性程度的定量参考,辅助医生精准高效诊断。

乳腺癌高居女性恶性肿瘤发病率之首,但风险评估缺乏客观量化手段,早期微小病灶极易漏检。联影乳腺病变智能分析能够精准分割乳房与腺体组织,准确度达98%以上。基于东方女性特点，精准量化乳腺密度,客观评估乳腺癌风险,精准检测、定位肿块与微小钙化簇,提升病灶检出率,同时自动生成结构化报告。

总结

金准人工智能专家认为，未来深度学习人工智能技术将更加深入到智能医学诊断过程中，帮助医生解决以下类似问题，如自动检测出肺结节、自动分割病灶、自动测量参数，自动分析结节良恶性、提取影像组学信息、并对肺结节做出随访，大幅度减少结节筛查时间，减少读片工作量，提高结节的检出率，并且提供结节的良恶性定量分析，提高筛查的效果。随着深度学习人工智能技术的不断发展，将在医疗健康行业造福人类。

近日，教育部最新印发的《教育部2018年工作要点》提出了大力促进教育公平，推动城乡义务教育一体化发展，促进区域教育协调发展等指示，并正式启动了教育信息化2.0行动计划，力争实现从教育专用资源向大教育资源共享的转变。

教育信息化是衡量一个国家和地区教育发展水平的重要标志，十九大后，我国教育信息化正式迈入2.0时代。教育部教育信息化专家组秘书长任友群提出，教育信息化2.0将以“数据”为基础，以“开放”为策略，以“智能”为目标。教育信息化2.0已经不单单是政府相关部门的任务，而是每一个社会力量、企业公民的共同责任。

教育信息化解决方案的领头企业瀚杰科技，顺应时代发展，以AI技术对接教育需求与服务。推出智慧校园建设方面的全新产品——瀚杰云课堂，该产品是瀚杰科技在基础教育和高等教育领域重点打造的一款智能课堂系统，该项目主要是研发教学软件、教学工具、教学质量测评与分析工具、资源平台等系列产品，以瀚杰教育云为中心，构建互联网+教学全新模式的云课堂，实现教学大数据汇聚，使智能化教学应用和各类优质资源直达课堂，提升教师教学效率，提高教学水平。

通过将人工智能和教育学习场景深度融合，瀚杰云课堂满足老师的个性化备课需求，助力教育者为学生提供难度分层的学习资源，智能化服务学校管理，推动区域教育资源共享共建，实现城乡教育的均衡发展。

此外，瀚杰云课堂通过其大数据体系，进行系统的数据分析，老师可以很清楚地知道这节课的哪部分、哪些章节甚至哪个知识点哪个词句对于学生而言是难点重点，教学可以精准地实现有的放矢，学生需要学什么，老师来教什么。瀚杰云课堂其产品的主要特点为：教学高效、有针对性;学生专注，有主动性;互动热烈，有实效性”。

未来，在瀚杰科技团队的的努力下，瀚杰科技将继续深挖“AI+教育”，深化人工智能与教育的创新融合，打破内容瓶颈，实现新教材、新资源同步，加快云课堂队伍建设，引领教育信息化2.0时代下的智慧教育。