830
3DAT、服务机器人、AI教练、智慧医疗，“两个冬奥”让我们直观感受到了人工智能、5G等前沿技术是如何悄然改变人们生活的方方面面；见证了智慧、创新是如何推动着人类社会的发展。
重大体育赛场必不可缺少应急医疗体系支持。在冬奥期间，智能医疗机器人、机械手等智能医疗器械的远程手术操作系统等，为3个赛区提供了一体化医疗保障[1]。其实，医疗行业始终处于人工智能应用的前沿。早在1972 年，斯坦福大学就研制出了MYCIN专家系统（人工智能程序），成功地根据报告的症状和医学检查结果来诊断病人的血液感染情况。随着现代医疗技术的成熟，手术机器人凭借更微创、更精准精细等优势已在多领域外科手术中成册起到了辅助作用。
如今，人工智能和计算机视觉的迭代加速让医学领域迎来了前所未有的飞跃。在英特尔® 人工智能实验室，证明了手术机器人可以足够智能到执行自动化任务。其中一个叫做MoTIon2Vec的半监督式学习算法，正在帮助手术机器人学习如何完全自主地缝合伤口*。随着技术的完善，它将作用于比最熟练的人类外科医生更精确的人工智能手术机器人。
*该算法由加利福尼亚大学，英特尔® 人工智能实验室和Google Brain的工程师开发，研究人员通过播放视频训练两臂的达芬奇机器人在织布机上插入针头并进行缝合，该算法的成功率为85.5%。该研究意味着，机器人似乎能在外科手术中承担一些最基本的任务。但完全替代外科医生来做手术，还有很长的路要走[2]。
一、阻碍手术机器人发展的隐藏高昂成本
尽管现今人工智能技术已经成熟应用，但复杂的基本硬件、监管限制、开发成本等等仍然制约着全自动手术机器人技术的进步。
这些系统中的控制模块通常是专用的，依赖于离散的、固定功能的 CPU、GPU、加密处理器或 ASIC 来完成每个所需的任务。其结果是一个由多个组件组成的复杂系统架构，不仅限制了机器人今天可以做的事情，而且还限制了其在未来的扩展能力。
更为棘手的是，一旦这些设计通过了功能安全标准认证，几乎就是一成不变的。重新认证符合医疗安全标准的时间和成本压倒了可升级性的优势，届时，往往需要构建或者购买一套全新的系统。
随着人工智能技术的不断发展，未来人工智能手术机器人将需要部署多学科系统，诸上问题将变得更加棘手。因此，在人工智能机器人系统中，需要将能够识别实时情况的视觉、运动控制和实时处理，以及高度的安全性结合到一起。
这也是英特尔推出第 11 代 Intel® Core™ vPro® 和 Intel® Xeon® W-11000E Series （之前称为 Tiger Lake H）处理器的重要意义所在。
二、为下一代手术机器人提供更灵活的大脑
第 11 代 Intel® Core™ vPro® 和 Intel® Xeon® W-11000E Series处理器通过从根本上将多学科系统整合到一个10纳米芯片集，提供了异构多核处理性能、低延迟性、确定性通信，以及功能安全措施。这些性能优势仅依靠低至 25 W 的可配置热设计功率 (TDP) 即可实现。在处理方面，产品组合中的设备提供了多达八个 CPU。
而真正能让第 11 代处理器在手术机器人等复杂用例中脱颖而出的关键还是其周围的计算功能：
1、集成英特尔® 超核心显卡 (Intel® UHD Graphics) 支持 CV 和/或带有并行选项可更高效地执行任务的 AI 工作负载。显卡单元还释放了 CPU，使其可用于其他任务，例如控制、网络管理和通用计算；
2、借助英特尔® 虚拟化技术 (Intel® VT) ，硬件加速分区允许各种内核、显卡单元以及其他组件作为独立虚拟平台运行；
3、借助英特尔® 深度学习加速 (Intel® DL Boost) ，深度学习推断性能实现了比之前几代更高的性能指导说明。
同时，第 11 代英特尔处理器利用了时间敏感性网络 (TSN) 和英特尔® 时间协调计算 (Intel® TCC) 来确保硬性实时性能。TCC 能够同步处理器内的 IP 块，并受到减少抖动和保护实时应用程序免受干扰的工具的支持。并且第11代英特尔处理器还在功能安全性方面特别做了优化，内置挂钩利用英特尔® Functional Safety Essential Design Package (英特尔® FSEDP) 映射理器硬件和固件，显著减少了安全认证工作。
利用第 11 代英特尔处理器的优势，开发人员在未来可以通过更换基于下一代芯片集的 COM-HPC 模块来实现更强大的功能升级，而无需重新设计整个机器人系统。这也带来了显著的成本节约。
有了英特尔提供的硬件基础，未来像Motion2Vec这样的人工智能技术将会发展到不仅是辅助外科医生而且在某些特定情况下可以取代他们的程度。这一天的到来将极大地解决全球医疗资源紧缺、分布不平均等问题，造福地球上更多人。
参考文章：
[1]《赛场黑科技 惠及百姓家》
http://www.xinhuanet.com/tech/20220207/87451afe97e34c03bd604bc3d9db5701/c.html
[2] 《Motion2Vec算法的开发主要基于暹罗网络和递归神经网络》
http://www.elecfans.com/jiqiren/1242617.html
