医学及科技界近年有不少研究引入人工智能（AI）技术，帮助进行健康检测及病症诊断等。来自美国的儿童健康公司Cognoa 日前更宣布，其研究引进AI技术，融入为自闭症谱系障碍（ASD）诊断，并已交予美国食品及药物监管局（FDA）审批。
目前儿科医生会推荐大部分疑似发育迟缓的儿童到专家那里进行诊断并开出治疗处方，往往令儿童及其家庭须等待数月甚至数年，才能得到ASD的初步诊断。
而该公司专为患有自闭症和其他行为健康问题的儿童开发诊断和治疗方案，其中的方案就帮助儿科医生借AI能力、更有效诊断自闭症，减少儿童诊断等待时间，也方便支援医护人员、临床管理。
Cognoa CEO David Happel 表示，该自闭症诊断解决方案的准确性很高，超过所有预先设定的目标，而新申请中的关键研究数据亦充分。其中该关键研究数据来自去年7 月到今年5 月的临床实验，在全美14 个地区进行，涉及425 名参与者参与试验﹐年龄介乎18至72 个月。
若方案最终获得FDA 批准，其AI自闭症诊断方案就能帮助全美约6万4千名普通儿科医生及早排除或诊断自闭症，让专家更专注患有症状的儿童，获得适当护理及治疗。
现代人工智能诞生——深度学习，大数据和AI
进入21世纪，得益于大数据和计算机技术的快速发展，许多先进的机器学习技术成功应用于经济社会中的许多问题。麦肯锡全球研究院在一份题为《大数据：创新、竞争和生产力的下一个前沿领域》的报告中估计，到2009年，美国经济所有行业中具有1000名以上员工的公司都至少平均拥有一个200兆兆字节的存储数据。
到2016年，AI相关产品、硬件、软件等的市场规模已经超过80亿美元，纽约时报评价道AI已经到达了一个热潮。大数据应用也开始逐渐渗透到其他领域，例如生态学模型训练、经济领域中的各种应用、医学研究中的疾病预测及新药研发等。深度学习（特别是深度卷积神经网络和循环网络）更是极大地推动了图像和视频处理、文本分析、语音识别等问题的研究进程。
深度学习是机器学习的一个分支，它通过一个有着很多层处理单元的深层网络对数据中的高级抽象进行建模。根据全局逼近原理（Universal approximation theorem），对于神经网络而言，如果要拟合任意连续函数，深度性并不是必须的，即使一个单层的网络，只要拥有足够多的非线性激活单元，也可以达到拟合目的。但是，目前深度神经网络得到了更多的关注，这主要是源于其结构层次性，能够快速建模更加复杂的情况，同时避免浅层网络可能遭遇的诸多缺点。
然而，深度学习也有自身的缺点。以循环神经网络为例，一个最常见的问题是梯度消失问题（沿着时间序列反向传播过程中，梯度逐渐减小到0附近，造成学习停滞）。为了解决这些问题，很多针对性的模型被提出来，例如LSTM（长短期记忆网络，早在1997年就已经提出，最近随着RNN的大火，又重新进入大众视野）、GRU（门控循环神经单元）等等。
现在，最先进的神经网络结构在某些领域已经能够达到甚至超过人类平均准确率，例如在计算机视觉领域，特别是一些具体的任务上，比如MNIST数据集（一个手写数字识别数据集）、交通信号灯识别等。再如游戏领域，Google的deepmind团队研发的AlaphaGo，在问题搜索复杂度极高的围棋上，已经打遍天下无敌手。
