Page 18 - 鼻整形技术研究

鼻整形技术研究 第一章 整形外科发展
Research on Nasal Plastic Surgery Technology

需要输入结构化的数据，每个数据都有一个计算机可以识别的标签或注释。模型描述
了输入数据和输出预测之间的数学关系，训练模型就是教其执行特定的任务。
早期的 AI 研究主要集中在基于规则的系统，也被称为专家系统（expert system，
ES）。通常由知识库和推理引擎组成，知识库存储了大量人类专家编写的规则，推

理引擎则根据这些规则进行决策。随着数据量的爆炸性增长和计算能力的提升，人
们开始转向机器学习（machine learning， ML），目的是使计算机模型通过大量数据
学习其中的模式和规律，实现自我学习和改进。深度学习（deep learning，DL）则
是机器学习的一个子集，源于对人脑神经系统的模拟。DL 使用的神经网络（neural

networks，NN）由许多层次的节点组成，每一层都能从前一层的信息中提取和转化特
征。深度学习的出现使得计算机能够处理更大量、更高维度的数据，如图像、声音和
自然语言等。
需要指出的是，大多数现有的机器学习应用，仍然专注于细分的专门问题的解决，

这些人工智能模型虽然在特定领域表现出色，但并未真正接近泛化的“智能”，被称
为专用人工智能（artificial narrow intelligence， ANI）或弱人工智能（weak AI）。与
之对应的是通用人工智能（artificial general intelligence， AGI）或强人工智能（strong
AI），具有高度的自适应性和创造力，能够完成不同领域的任务。目前，大语言模型

如 GPT 等在学习、记忆、理解和推理能力上的显著进步，展示了 AI 向 AGI 发展的潜
力，但真正实现 AGI 的技术和理论框架仍处于初级阶段。
（二）AI 的主要分类
当前 AI 的应用主要包括以下子领域：辅助决策系统（decision support systems，
DSS）、计算机视觉（computer vision， CV）、自然语言处理（natural language

processing，NLP）与机器人技术。DSS 是一种基于大数据和算法的技术，通过对数据
进行分析，进而产生高效、合理的决策建议。在医疗领域，DSS 可利用大量的历史病
例数据，根据每一位患者的具体情况和需求，提供最佳的治疗方案，并预测可能的治

疗结果。
CV 使计算机能够从图像、视频和其他视觉输入中获取有意义的信息，并根据这
些信息做出下一步决策。这一过程通常需要使用模式识别算法对计算机进行大量的视
觉数据训练。日常生活中，CV 解决的问题主要包括图形分类、人脸识别与自动驾驶；

医疗工作中，CV 在影像阅片、病理分型等复杂的医学诊断中发挥了较大的作用。
NLP 是一种通过构建计算语言学规则和统计模型来处理人类语言的技术，被用来
帮助计算机理解人类的语音和语言。以 OpenAI 的 GPT-4 为例，这是一个以互联网中
海量的文本数据进行预训练的生成性模型，不仅能够理解各种复杂形式的人类表达，

还能生成类似于人类表达的文本。在临床工作中，医师可以使用 NLP 工具得到患者

• 8 •