Abstract The study of artificial intelligence (AI) has been a continuous endeavor of scientists and engineers for over 65 years. The simple contention is that human-created machines can do more than just labor-intensive work; they can develop human-like intelligence. Being aware or not, AI has penetrated into our daily lives, playing novel roles in industry, healthcare, transportation, education, and many more areas that are close to the general public. AI is believed to be one of the major drives to change socio-economical lives. In another aspect, AI contributes to the advancement of state-of-the-art technologies in many fields of study, as helpful tools for groundbreaking research. However, the prosperity of AI as we witness today was not established smoothly. During the past decades, AI has struggled through historical stages with several winters. Therefore, at this juncture, to enlighten future development, it is time to discuss the past, present, and have an outlook on AI. In this article, we will discuss from a historical perspective how challenges were faced on the path of revolution of both the AI tools and the AI systems. Especially, in addition to the technical development of AI in the short to mid-term, thoughts and insights are also presented regarding the symbiotic relationship of AI and humans in the long run.

Retinal vessel image is an important biological information that can be used for personal identification in the social security domain, and for disease diagnosis in the medical domain. While automatic vessel image segmentation is essential, it is also a challenging task because the retinal vessels have complex topological structures, and the retinal vessels vary in size and shape. In recent years, image segmentation based on the deep learning technique has become a mainstream method. Unfortunately, the existing methods cannot make the best use of the global information, and the model complexity is high. In this article, a convolutional neural network integrated with the attention mechanism is proposed. The overall network structure consists of a basic U-Net and an attention module, and the latter is used to capture global information and to enhance features by placing it in the process of feature fusion. Experiment results on five public datasets show that the proposed scheme outperforms other existing mainstream approaches, and most of the performance indicators are in the leading positions. More importantly, the proposed method has a significant reduction in the number of parameters.

Considering that the road network shares traffic flow as a system, this study aimed to predict the network-level flexible pavement performance, using an optimised artificial neural network (ANN) approach to predict the pavement performance of each individual road, and the Ford-Fulkerson algorithm to determine the weight coefficients of roads. ANNs were developed to predict distress conditions, functional conditions and structural performance using the inputs of the pavement age and structural, traffic and climatic conditions. ANNs were trained with Long-Term Pavement Performance (LTPP) program data, and almost all the coefficient of determination values between ANN outputs and measured results are larger than 0.9. This ANN approach was optimised by establishing grey models to provide predictive short-term performance data for training ANNs, and employing Kalman Filter to modify the long-term performance prediction. Applications in typical LTPP sections validated the effectiveness of the optimisation method. This study used the reduction in road network capacity due to the assumed unavailability of a certain road to quantify its role (weight coefficient), which was calculated using the Ford-Fulkerson algorithm. This network-level performance prediction approach was applied in a 25-expressways network in Shanghai, which validated the good generalisation capabilities of ANNs and feasibility of the Ford-Fulkerson algorithm.

The abstract of this study focuses on the prototype research of energy internet deterministic network based on NN (Neural Network) model. In this study, we focused on two key areas, namely the application of NN models and the development of energy internet. In the field of electricity, the application of NN has shown great potential, which can be used for tasks such as electricity load forecasting, renewable energy generation forecasting, and electricity market price forecasting. Our research aims to explore how to apply the NN model to the development of deterministic network prototypes to improve the reliability and controllability of power systems. The experimental results show that the power generation prediction values of the test set fluctuate greatly between the iterations of 50–550 and 850–950, indicating that the prediction results are accompanied by uncertainty estimation, but overall they are still relatively close to the training set. In summary, this study focuses on the application of NN models in the energy internet. Our goal is to provide strong support for the future development of the energy internet, to meet the growing demand for electricity, and to promote the application and popularization of sustainable energy.