在1956年的美国达特茅斯会议上，包括麦卡锡、明斯基等在内的4位图灵奖获得者与多名学者共同确立了“人工智能”的概念，希望机器能像人那样认知、思考和学习，即用计算机模拟人的智能。近年来，人工智能研究从过去追求计算机模拟人的智能到追求大数据驱动的智能，追求人机融合，追求“互联网-人-机”更加融合的群体智能，这就是提出人工智能2.0（AI2.0）的由来。人工智能研究者结合大数据技术研究智能城市，发展智慧教育、智能医疗、智能交通、智能游戏、无人驾驶、智能制造，形成了一大批新应用。《计算机研究与发展》推出AI2.0新应用研究专题，报导人工智能在新领域中的实际案例，交流学术思想和研究成果，问题导向、应用驱动、以用促研、以研促用，既促进AI2.0的理论研究，又推动应用发展。本期专题得到同行的广泛关注，通过公开征文收到33篇高质量投稿稿件，这些论文在多个应用领域上阐述了AI2.0关键理论与技术的重要研究成果，展示了人工智能与新领域深度融合的发展前景。本专题严格按照期刊审稿的要求进行，特邀编委先后邀请了二十余位相关领域的专家参与评审，历经初审、复审、终审等阶段，最终遴选出4篇高质量的论文入选本专题。内容涵盖了智能医疗、领域知识图谱生成等应用，在一定程度上反映了当前国内学者在AI2.0的代表性新应用。

近几年来，深度神经网络在图像识别、语音识别、自然语言处理等众多领域取得了突破性的进展.互联网以及移动设备的快速发展极大地推进了图像应用的普及，也为深度神经网络的训练积累了大量数据.其中，大规模人工标注的数据是成功训练深度神经网络的关键.但随着数据规模的快速增长，人工标注图像的成本也越来越高，同时不可避免地产生标注错误，从而影响神经网络的训练.为此，提出了一种称为互补学习的方法，面向图像应用中深度神经网络的训练，将简单样本挖掘和迁移学习的思想相结合，利用少量人工标注的干净数据和大量带有噪声标注的数据，同时训练一主一辅2个深度神经网络模型，在训练过程中采用互补的策略分别选择部分样本进行学习，同时将辅模型的知识迁移给主模型，从而减少噪声标注对训练的影响.实验表明：提出的方法能有效地利用带有噪声标注的数据训练深度神经网络，并对比其他方法有一定的优越性，有较强的应用价值.

准确预测蛋白质功能是生物信息学的核心任务之一，也是人工智能在生物数据分析中的重要应用点之一.高通量技术的广泛应用产生了大量的生物分子功能关联网络，整合这些网络可更为全面地分析理解蛋白质功能机理，提升蛋白质功能预测精度.已有多种基于数据整合的蛋白质功能预测方法，但它们通常难以应用到较大功能标签空间，未利用标签间关联性和差异性整合多个网络.提出一种基于多网络数据协同矩阵分解的蛋白质功能预测方法(ProCMF).该方法首先利用非负矩阵分解将蛋白质-功能标签关联矩阵分解为2个低秩矩阵,挖掘蛋白质与标签之间的潜在关联.其次，为利用标签间关联关系和多种蛋白质特征数据，ProCMF分别基于上述2个低秩矩阵定义平滑正则性，约束指导低秩矩阵的协同分解.为了差异性地集成多个网络，ProCMF对不同的网络设置不同的权重.最后ProCMF将上述目标统一到一个目标方程中，并用一种交替迭代的方法分别优化求解低秩矩阵和网络权重.在酵母菌、人类和老鼠3个模式物种的多网络数据集上的实验结果表明：ProCMF获得了较其他相关算法更好的预测性能，ProCMF能有效地处理大量的功能标签和区分性地整合多个网络.

近年来，构建大规模知识图谱(knowledge graph, KG)，并用其解决实际问题已经成为大趋势.KG的嵌入表示方便了机器学习在KG等关系数据上的应用，它可以促进知识分析、推理、融合、补全，甚至决策.最近，开放域知识图谱(open-domain knowledge graph, OKG)的构建和嵌入表示已经得到蓬勃发展，大大促进了开放域中大数据的智能化.与此同时，特定域知识图谱(specific-domain knowledge graph, SKG)也成为了特定领域中智能应用的重要资源.但是，SKG还不发达，其嵌入表示尚处于萌芽阶段.这主要是由于SKG与OKG的数据分布显著不同，更具体地说：1)在OKG中，如WordNet,Freebase，头/尾实体的稀疏度几乎相等；但是在Enzyme,NCI-PID等SKG中不均匀性更受欢迎，例如微生物领域的酶KG中尾实体是头实体的1000倍.2)头实体和尾实体可以在OKG中交换位置，但是它们在SKG中是非交换的，因为大多数关系是属性.例如实体“奥巴马”可以是头实体也可以是尾实体，但是头实体“酶”总是处于头位置.3)关系的广度在OKG中具有小的偏差，而SKG中很不平衡.例如一个酶实体甚至可以链接31809个“x-gene”实体.基于这些观察，提出了一个新方法EAE来处理这3个问题，并在链接预测和元组分类任务上评估了EAE方法.实验结果表明：EAE显著优于Trans(E，H，R，D和TransSparse)，达到了最先进的性能.

知识图谱(knowledge graph)链接预测可以解决知识图谱中缺失信息的发现和还原，是目前知识图谱领域的研究热点.传统的知识图谱链接预测方法大多面向静态的数据，并不适用于具有动态变化特性的时序知识图谱.时序知识图谱广泛存在于不同领域中，以临床医学领域为例，糖尿病作为一种典型的慢性病，其病程是一个疾病缓慢发展演化的过程.因此，在临床医学时序知识图谱上进行临床意义的链接预测，比如预测糖尿病的并发症，则需要考虑糖尿病病程发展随时间变化的时序特性，这也为传统的知识图谱链接预测方法带来巨大挑战.为此，结合临床医学事实知识的时序特性，提出一种基于LSTM序列增量学习的临床领域时序知识图谱链接预测模型.该模型结合LSTM长短期记忆单元递归神经网络在序列学习上的优势，通过构建基于LSTM的序列增量学习层，以端到端的方式提取时序知识图谱中的三元组时序特征，从而实现对时序知识图谱的链接预测.通过在糖尿病时序知识图谱上的实验，验证了模型的高效性、可用性及稳定性.