月度归档:2018年03月

智能体的白日梦,谷歌大脑又出来PR文了?

智能体能否在梦中学习?Yes!

白日梦是人类的专属?No!

这是谷歌大脑的又一篇PR文章吗?难说~

雷锋网 AI科技评论按:继前段时间在arxiv上贴出《One Big Net》之后,近日Jurgen Schmidhuber和来自谷歌大脑的David Ha又放了一篇大标题论文:世界模型(World models)。但和上次一致的批评之声不同,这次几乎所有人都认为内容很赞。例如在Reddit上大家的声音类似这种:

这项工作看起来非常有趣。但认真点儿好不好,别再搞这种UC标题了?真的怕明天媒体曝出一个“ Google做出了一个能够模拟整个世界的AI ”。(注:第一作者为来自 Google Brain 的 David Ha)

或者也有这种:

我觉得这个标题似乎很平淡,描述的也很准确。如果新闻记者撇开标题来不用「世界」这个词,那么这绝对是一篇误导性的文章。

那么这篇文章到底在谈论什么呢?简单来说就是:给agent构建一个内部世界模型,让它能够在没有外界输入的情况下在自己的内部世界里面进行自学习(形象来说就是能够通过做梦来学习)。





不得不说,这又是一个模仿人类学习的案例。我们人类基于有限的感觉(视觉、听觉、嗅觉等),在自己的头脑中构建了一个心智世界模型,这个世界是我们赖以做出判断和决策的基础。当醒着的时候,我们通过视觉、听觉等感觉系统不断地输入信息,并基于我们的心智世界模型来做出决策和行动;当睡着的时候,我们关闭了感觉系统,但是我们仍然能够在梦中来「学习」。

为了处理日常生活中流经我们的大量信息,我们的大脑会将这些信息的空间和时间维度进行抽象表示。我们能够观察一个场景并记住其中的抽象描述。另一方面,我们在任何时刻所感知到的其实是由我们大脑内部的心智模型对未来的预测所决定的。

那么如何来理解我们大脑的预测模型呢?事实上它并不仅仅是去预测未来,而是在给定当前运动行为的情况下去预测未来的感觉数据。当我们面临危险时,我们能够本能地采取这种预测模型并进行快速反射行为,而不需要有意识地制定行动方案。

以棒球为例。一个棒球击球手只有几毫秒的时间来决定他们应该如何摆动球棒,这事实上比眼睛的视觉信号到达我们大脑所需要的时间还要短;击球手能够击中球的原因是,我们能够本能地预测出球在什么时候出现在什么地方。对于职业球员来说,这一切都是在潜意识中发生的,他们的肌肉在适当的时间和地点按照他们内部的心智模型预测的结果摆动了球棒。这一切不需要意识来进行规划。

对于人类认知的这一特性,事实上很早(从1995年到2015年间)就有人尝试在搭建类似的模型。本文的意义则在于,它用一个简化的框架,通过实验展示了这些研究的一些关键概念,提出进一步改进的见解,并有效地应用到了增强学习环境中。

说起增强学习,RL算法常常受到信用分配问题的瓶颈,因此传统的RL算法难以学习数百万个权重的大型神经网络。因此在实践中为了在训练期间更快地迭代出良好的策略,一般都使用小型的网络。

在这项工作中,作者则着眼于训练一个大型神经网络来处理RL任务,将智能体分为大的世界模型和小的控制器模型。作者首先以无监督的方式训练大的神经网络,让它学习出一个智能体的世界模型;然后再训练较小的控制器模型,让它学习使用前面的世界模型来执行任务。这样的方法保证了控制器模型的训练算法可以专注于小型搜索空间上的信用分配问题,同时不会通过较大的世界模型牺牲容量和表现力。此外,作者构建的这种模型甚至可以完全在自己的世界模型所产生的「梦境」中训练agent,并将训练效果转移回实际环境中。智能体模型结构如下:

详细来讲,其视觉模型选择了变分自动编码(VAE):

其记忆RNN选择了混合密度网络与RNN结合(MDN-RNN):

SketchRNN是MDN-RNN的一个例子,它可以预测素描画的下一笔划。作者使用了一个类似的模型用来预测下一个隐向量z。

控制器(C)模型负责确定采取的行动过程,以便在环境中最大化智能体的预期回报。 作者在实验中故意选择了最简单的C:

其中M和b分别为权重矩阵和偏置向量。将上面这三个模型组合在一起就是这样了:

                                                                                                                                         

赛车实验

作者首先用赛车实验来检测这个模型。实验过程大致如下:

  • 1. 从随机策略中收集 10000 个 转出(rollouts);

  • 2. 训练 VAE(V)将视频帧编码为 32 维的隐向量 z;

  • 3. 训练 MDN-RNN(M)建模概率分布 P(z_{t+1} | a_t, z_t, h_t);

  • 4. 定义控制器(C)为 a_t = W_c [z_t, h_t] + b_c;

  • 5. 使用 CMA-ES 求解 W_c 和 b_c 来最大化预期累积奖励。

在这个赛车比赛中,智能体可以控制做三个动作:转向左/右,加速和制动。实验结果如下:

如果只使用视觉模型(V)——


如果同时使用视觉模型(V)和记忆模型(M)——


在100次测试中,这个模型的平均得分显著高于之前的一些模型。

当然还不止于此。由于这个世界模型能够对未来进行建模(也即给定当前状态,它可以产生下一个时刻的概率分布),因此如果将这个作为真实观测值,那么这就意味着智能体能够自行「幻化」出假想的赛车场景,并在这个幻境中进行学习。


那么在梦境中学习到的经验,能否转移到实际的环境中呢?我们需要看下一个实验。

VizDoom实验

在这个游戏中,房间另一端的怪物会射出火球,智能体所要学习的就是如何避开这些火球以防被杀死。

VizDoom实验的过程整体上和赛车实验一样,不过也有一些不同。首先V除了开始时编码一些视频外,在整个「幻想」期间,不再编码外界真实的视频帧,而是将由M预测的下一时刻特征向量转化为可见的图像。其次,M不仅要预测下一时刻的特征向量,还需要预测智能体死/活的状态。实验过程大致如下:

  1. 从随机策略中收集 10000 个 转出(rollouts);

  2. 训练 VAE(V)将视频帧编码为 64 维的隐向量 z;同时用V将(1)中收集的图片转化为特征空间中的表示;

  3. 训练MDN-RNN(M)建模概率分布 P(z_{t+1}, done_{t+1} | a_t, z_t, h_t);其中done_{t+1}表示智能体的死/活状态;

  4. 定义控制器(C)为 a_t = W_c [z_t, h_t];

  5. 使用 CMA-ES 求解 W_c 和 b_c 来最大化在虚拟环境中的预期存活时间;

  6. 用从(5)中学到的策略作用到真实的环境中。

需要强调的是,在这里,智能体除了收集的原始图像数据外,别得什么都没有,它将在自己的梦境中学习如何模拟游戏的基本规律,例如游戏的逻辑、敌人的行为、物理特性等。举例来说,如果智能体在自己幻想出的游戏中向左侧移动太远,它必须自己学会阻止自己移动到两侧墙壁之外。

与真实的游戏幻境不同的是,在幻境中有许多不确定性,例如你可能会看到火球沿着随机的路径移动,或者智能体莫名其妙的就死了,无法解释原因。下面这是在梦境中训练的比较好的一个结果:


将这个在梦境中的智能体应用到实际的游戏环境中,我们发现竟然神奇的好,在100轮的随机测试中,平均存活帧率为1100,远远超过750胜出的要求。

但是,作者在实验中也发现一个bug。我们知道当我们小时候虽然知道抛出的物体会落下来,我们仍然会去想象一些不切实际的能够在空中飞翔的超级英雄,原因在于我们拥有我们心智世界的完整控制权,我们可以随意地创造我们想要的任何事物。

类似的,在这个模型中,由于控制器能够访问M的所有隐藏状态,这实质上时授予了智能体访问所有内部状态的权限,因此它可以直接操纵这些隐藏状态来实现期望的奖励最大化。例如,在梦境学习中,这些虚拟怪物不再发射火球,所以无论智能体怎么运动都会获得极高的分值。但是,当把这些训练结果拿到实际环境中测试时就会发现,智能体很快就死掉了。这就类似白日梦做得再多,在现实生活中也不会成功。

迭代训练程序

在以上的实验中,任务都是相对简单的,因此可以使用随机策略来收集数据集训练世界模型。但是如果环境较为复杂怎么办?这种情况下,智能体只能看到部分世界。因此我们就需要多次迭代,也即让我们的智能体去探索世界,并不断收集新的观察结果,以便随着时间的推移可以改变和完善其世界模型。操作过程大致如下:

  1. 用随机模型参数初始化M、C;

  2. 探索世界N次,智能体在每次探索中学习,并将所有的行为a_t和观测结果x_t保存到内存;

  3. 训练M建模P(x_{t+1},r_{t+1},a_{t+1},done_{t+1}∣x_t,a_t,h_t);

  4. 如果任务没有完成,返回到(2)。

上面的实验证明,对于简单的任务循环一次迭代就足够了。对于负责的任务可能需要多次迭代。在这里一个令人激动的研究方向就是,如何给智能体加入好奇心和内在动机来股利它去做更多的探索。

讨论

上面的过程已经验证了在完全虚拟的梦境空间训练智能体的可能性。这种方法的好处不言而喻。例如,在计算密集型游戏引擎中,可能需要大量的计算资源来渲染游戏的图像帧,或者一些与游戏本身不相关的内容;这大大浪费了计算资源,也增大了训练智能体的训练周期;而在梦境环境中则可以使用较少的资源、较短的周期来实现类似的训练结果。

此外,我们完全可以利用深度学习框架来这个世界模型的搭建,我们将世界模型设计成一个完全可以区分的通用性的计算图,其好处就在于我们可以直接使用反向传播算法来训练我们的智能体,微调策略以最大化目标函数。

模型本身还有需要有待改进的地方。例如V模型中使用的VAE,其作为独立模型进行训练事实上也有自身的局限性,因为它可能对任务无关的部分也进行了编码,毕竟无监督学习不知道什么对于任务是有用的。举例来说,在Doom环境中它详细地再现了侧壁上不重要的砖瓦图案;而在赛车环境中它却没有再现与任务相关的砖。通过将V与M一起训练,VAE可能会更加专注于图像的任务相关领域。但弊端是,我们可能也无法有效地重复使用VAE而无需再次进行新任务。

学习任务相关的功能与神经科学有很大关联,初级感觉神经元在收到奖励时,从抑制状态中释放出来,这表明它们通常至少在成年后才学习与任务相关的特征,而不是任何特征。作者任务未来的工作可能会探索如何进一步改进V模型,来专注于任务相关的特征。

另一个可能比较严重的问题是,这个世界模型的能力有限。尽管现代存储设备可以存储使用迭代训练过程中生成的大量历史数据,但是基于LSTM的世界模型无法将所有记录信息存储到其权重连接中。人脑可以持续数十年的记忆,但反向传播训练的神经网络在记忆方面能力有限,经常遭受灾难性遗忘问题。如果想让智能体学习探索更为复杂的世界,作者认为未来的工作可能会探索如何使用更高容量的模型来代替容量较小的MDN-RNN网络,或者合并外部存储模块。

对这篇论文的评论

在Reddit上似乎永远不乏「领域内人士」,他们往往能够对一项工作给出恰当的评价。例如雷锋网发现网名为 sieisteinmodel 评价如下:

我想表达一下更广泛的(但当然是主观的)观点。这篇文章的意义只是在于对现代(即2005年后)机器的Jürgen旧观点的验证:变分推理,MD-RNNs,3D射击环境等。

学习一个模型,然后在做控制,这种方法事实上已经有很长一段时间了。Jürgen和其他人几十年来一直在倡导这一点,这也是这篇文章能够出现的原因:

  • 这个模型有自己的名字,它被称为「基于模型的强化学习」;

  • 它有自己的子领域,如政策搜索;

  • 它已经非常成熟,以至于目前的研究已经将它作为一种工具,而不仅仅是作为研究的内容;

  • 它已经非常成熟,已经有人在用硬件实现,而不仅仅是模拟;

  • 它在样本效率方面颇具竞争力;

  • Eric Horvitz在他的一个演讲中曾使用过更广泛的原则。

所以如果你对这篇文章感到兴奋,那么你也可查看一下以前这个领域中的工作。Jürgen的旧论文以及Marc Peter Deisenroth关于机器人技术政策搜索的调查是一个很好的切入点。另外你也应当考虑研究最佳控制,这是一个非常古老的控制理论分支,其中除了学习模型之外,基本思想早已被开发出来。

关于标题,我认为没有必要将这个模型称为「世界模型」,如果这样的话,它也适用于之前的所有研究。不过现在人们爱玩PR游戏,这也不是他们的错。

via worldmodels.github.io,雷锋网AI科技评论编译。

雷锋网

七场高端报告,带你大视角看人工智能发展 | AITech

雷锋网 AI 科技评论消息:2018 年 3 月 30 日,AITech 峰会在深圳龙岗区正式召开。

本次会议以配合国家新一代人工智能发展规划实施,支撑人工智能产业技术协同创新,加强人工智能领域的国内外技术交流为目的,由深圳市人民政府指导,深圳市龙岗区人民政府、中关村视听产业技术创新联盟、新一代人工智能产业技术创新战略联盟主办,深圳龙岗智能视听研究院承办。雷锋网作为独家战略合作媒体将进行现场内容详细报导。

为期两天的会议将包括两场主论坛和四场分论坛,分别为:

主论坛一(3 月 30 日上午)

分论坛(一):智能技术与标准及 IEEE Fellow 论坛(3 月 30 日下午)
分论坛(二):超高清与 VR 技术论坛(3 月 30 日下午)
主论坛二(3 月 31 日上午)
分论坛(一):人工智能与安全论坛(3 月 31 日下午)
分论坛(二):人工智能投融资论坛(3 月 31 日下午)

下面我们详细介绍 AITech 主论坛一的详细内容,其他内容将稍后呈现。

在该论坛中,共有四项议程。

首先,深圳市龙岗区区长戴斌先生和深圳市政协副主席张晓莉女士作为东道主为大会致辞。

据戴斌先生介绍,龙岗区在 2017 年实现地区生产总值 3858 亿元,增长 9.8%,跃居全深圳市各区第二,稳居全国经济十强区。目前已集聚了包括智能机器人在内的六大产业集群,拥有华为、比亚迪等知名企业。力争到 2020 年,人工智能等新兴产业工业增加值占 GDP 比重超过 60%,成为驱动发展的强大引擎。

张晓莉女士在致辞中表示,目前深圳在人工智能和机器人密切相关的智能制造、智能汽车、无人机等领域已形成较为完备的产业链,在全球人工智能企业数量排名榜上深圳位居第八。

随后龙岗区副区长陈广文先生详细介绍了龙岗区作为全国经济十强区的创新创业环境。主要概括有以下几个特点:产业基础雄厚;创新势头强劲;文体氛围浓厚;环境配套优越;政府服务超前。

接着在高文院士、徐扬生院士、丁文华院士等人的见证下,龙岗区金融投资控股有限公司董事长张静女士、中国国新基金管理有限公司副总经理姜开宏先生以及新一代人工智能产业技术创新战略联盟联合秘书长张伟民先生签署了新一代人工智能产业基金框架性合作协议。

在最后一项议程,由7位领域内专家分别作出精彩报告。

 高文院士:AI 开源平台的挑战与机遇

 徐扬生院士:人工智能时代的教育

 John E. Hopcroft:Deep Learning Research

 芮勇:人工智能的字母表

 鄢志杰:IoT 时代的智能语音交互

 林拥军:城市数据湖——城市发展

 张清:端到端 AI 计算系统设计与优化

下面我们对几位专家的报告一一做简要介绍。

一、AI 开源平台的挑战与机遇

报告人:高文院士,中国工程院院士,新一代人工智能产业技术创新战略联盟理事长。

高文院士针对 AI 开源平台的四个方面进行了介绍,他认为这里既有挑战,也有机遇。

首先是我国人工智能发展的瓶颈问题。高文院士认为这有四点:(1)开源平台多,但平台之间相互隔离,模型不可相互转换,导致形成「算法孤岛」;(2)算法需要适配的异构硬件,性能和效率受制于硬件的组织管理;(3)应用绑定在 AI 算法平台与硬件,基础受制,推广性受限;(4)国际巨头通过 AI 开源工具打造生态和垄断智能硬件,严重挤压我国 AI 产业发展空间。针对这些问题,对这些瓶颈的应对策略就是,通过构建支撑开源软/硬件基础平台来支持人工智能技术产业链。

深圳云脑计划正是这样一个平台,它是为了配合国家新一代人工智能重大专项,解决上述四项瓶颈问题而成立的一项计划。这项计划近期主要为深圳云脑(SCB-AI),长期来看则还包括深圳量子云(SCB-QS)。

深圳云脑的体系架构分为三层:云脑硬件平台、云脑操作系统、重大应用。其中硬件平台包含了 GPU 集群,FPGA 推理节点、专用人工智能芯片推理部件。其次将这些硬件连接起来构成云脑操作系统,并提供给各种各样的人工智能应用,例如智能交通、智能医疗、自动驾驶等。通过这种方式,可以保证智能硬件的高能效、智能操作系统与软件的高效和可扩展,以及人工智能决策应用平台的高效实时、高性能和可解释。

在开源硬件之上就是依托联盟,建立 AI 技术的开源开放平台,实现 AI 数据共享、模型共享、技术共享等,共同开发建设 AI 开源共享社区。例如 AI 交流社区、AI 开发社区、AI 共享社区、AI 标准化社区、AI 教育社区等等。此外还会通过联盟来维护开源开放平台,建设开源开放平台子基金,通过联盟向深圳以及国内外开放,建立人工智能协同开发的生态。

高文院士总结到:我国人工智能发展面临四个挑战,解决这些挑战则需要强大的开源平台,深圳云脑是可能的选择之一。希望这个计划对整个中国人工智能计划起到帮助。

二、人工智能时代的教育

徐扬生:中国工程院院士、香港中文大学(深圳)校长

徐扬生院士在报告中首先给我们简单介绍了机器人的发展,随后提出「智能革命将是从生产力解放到心脑解放的一次革命」,这次革命所带来的影响将远远大于人类历史中所有通过解放肉体的革命所引起的影响。在这种智能革命下,人类以前以及现在所做的许多事情都将被人工智能所取代,人类社会也将进行重新分工,很多行业将会消失,同时也会产生许多新的行业。

在这种情况下,人类的教育需要做什么样的改变是一个严峻的问题。徐扬生院士认为,我们时代的教育主要还是在训练人类的弱点(例如记忆、逻辑判断;相比于人工智能),这需要改变。因此他提出人工智能时代下的教育的四条原则:

注重培养文理融合的复合型人才;

注重培养学生的想象力和创造力;

注重非知识型的教学和考试;

注重学生自我能力的培养。

三、Deep Learning Research

John E. Hopcroft,美国工程院院士、美国科学院院士、中国科学院外籍院士、图灵奖获得者

在报告中,图灵奖获得者 John Hopcroft 分享了一些深度学习领域中比较有趣的研究问题和对此的一些思考。

最近几年,随着深度神经网络的引入,特别是卷积神经网络(卷积神经网络,由卷积层、池化层、全连接层组成,最后是 softmax 输出每个类别的概率)的引入,图像分类等方面的错误率逐年下降,在 2015 年微软亚研院提出的 152 层深度残差网络(ResNet)在图像分类中超过了人的识别水平。但是在这方面还有很多问题值得研究,例如每个门学习的是什么、怎样让第二层的门与第一层的门学习不同的信息、怎样让一个门学习的内容随时间演化、用不同的初始权重门学习的是否是相同的内容、用不同的图像集训练两个网络早期的门学习的是否相同等等。

此外,在训练一个深度网络时,可能会有许多局部极小值,有些极小值可能会比其他的好。如何保证我们在训练的过程中能够找到一个好的局部极小值呢?训练深度网络往往会花费很长的时间,我们是否可以加速训练呢?这些也都是非常有意义的研究方向。

随后 John 考虑了当训练两个网络时会出现什么有趣的研究。对于两个网络,我们可以同时训练,也可以一先一后。那么这两种情况,两个网络在激活空间里是否共享相同的区域呢?一个当前比较火的例子就是生成式对抗网络(GAN),这个网络便属于一先一后的情况。

最后 John 提出了一个问题:人工智能是真的吗?他认为,现在的人工智能只是高维空间中的模式识别,AI 还不能提取出一个事物的本质或者理解它的功能。在 John 看来,要想实现这一点,只是需要另外 40 年的时间。他还说到,其实很多现在看来是智能的任务其实都不是 AI,有些只需要强大的计算以及大数据就足够了,例如棋类比赛。计算机正在做越来越多的人们以为需要智能的事情,实际上有些并不是 AI。所以我们在从事人工智能相关的工作时要想一想,这个问题的核心的是 AI 吗?还是仅仅需要大计算而已?

四、人工智能的字母表

芮勇:联想集团首席技术官,高级副总裁,ACM Fellow,IEEE Fellow

芮勇博士在演讲中介绍了人工智能字母表中的 A(Algorithm,算法)、B(Business,行业)、C(Computing,算力)、D(Data,数据)。他认为想要把一个人工智能系统做好,这四方面缺一不可;如果把人工智能看做一辆车的话,算法就是引擎,算力就是轮子,数据就是汽油,而行业则是方向盘。

A:算法-引擎

从人工智能出现至今,算法的沿革及演化大概是:逻辑回归,神经网络,支持向量机,隐马尔科夫模型,专家系统,深度学习。而事实上人工智能的算法也分为不同的阵营,例如符号学派(规则和决策树);连接学派(神经网络);贝叶斯学派(概率图模型);类推学派(SVM);进化学派(遗传算法)。目前来看,则是连接学派发展势头很好,其他稍次。

C:算力-车轮

计算力是车轮,承载了整个人工智能的运行。在几年前大家主要还是通过 CPU 集群来跑算法,而目前主流的计算引擎则是 GPU,CPU 则主要用于控制和参数同步;另一方面 FPGA 在嵌入式解决方案上的前景比较光明,而专用的 ASIC 芯片则羽翼未丰。

D:数据-汽油

数据是整个人工智能的能量来源。我们现在处于一个新数据时代,面临着一些列的挑战。

首先是数据量爆发,例如目前 90% 的数据都是两年内生成的,预计到 2020 年全球平均每人每秒都会产生 1.7MB 的数据,如何充分地利用这些数据是一个很有挑战性的问题。其次如何解决数据的质量问题,让数据能够覆盖更广泛的领域,而不只是集中在某些特定的领域。再次,如何高效地进行新数据的生成,例如生成对抗网络(GAN)。

B:行业-方向盘

行业就是人工智能的方向盘,决定着整个大方向向哪个地方发展。芮勇分别举了智慧交通、智慧医疗、智能心电衣等几个行业案例说明了这个问题。

芮勇总结到:请记住人工智能字母表的这前四个字母,A,B,C,D。它们是开好人工智能这辆车必须掌握的。

五、IoT时代的只能语音交互

鄢志杰:阿里巴巴达摩院-机器智能技术研究院 语音交互首席科学家

我们知道阿里前两天刚刚发布要全面进军 IoT 领域,鄢志杰博士在报告中则介绍了阿里巴巴在 IoT 方面的工作。简单来说,阿里巴巴想要数字化整个物理世界,其观点是:计算是心脏,AI 是大脑,而 IoT 则是神经;神经能够使他们触达更多的用户,产生更多的数据,产生更大的价值。其表现为,阿里要做 IoT 基础建设的搭建者,在 5 年内布置 100 亿个 IoT 设备。

随后鄢志杰博士详细介绍了语音交互智能在 IoT 与互联网内容和服务中的桥梁作用,下面这张图是阿里内容架构图:

更详细地,鄢志杰博士则分别介绍了阿里的智能音箱、智联网汽车、电视(盒子)、公共场所服务机、多模态语音交互打平等产品。他认为在 IoT 时代,必须将技术、产品和商业打造成一个闭环才能够共同促进发展。

六、城市数据湖——城市发展

林拥军:易华录总裁

林拥军先生介绍了在大数据时代,数据如何存储和利用的问题。在现代,我们有了更多和更先进的感知器来收集数据,也有光纤、5G 等等数据传输管道;在计算上我们也有 GPU、TPU 以及超算等高性能计算硬件,但是在存储上我们仍然还在使用以硬盘、磁带等为主的器件,这些存储设备不仅能耗大,寿命短,而且安全性也较差。林拥军先生在此介绍了蓝光存储技术。

他把数据分为热数据、温数据和冷数据。其中热数据一般采用电存储,优点是速度快,轻便;而缺点是容量低、成本高、寿命短。温数据则一般采用磁存储,优点是速度较快,容量大;但缺点是能耗大、寿命短、易故障。而大量冷数据可以采用光存储的方式,其能耗只有磁存储的 0.3%,成本只有磁存储的 6.5%,寿命为 50-100 年,单张容量 300GB。他认为以「冷技术」保存冷数据,使冷、热数据得以完美结合,将成为人工智能时代数据存储的最优选择。

林拥军先生等人以蓝光存储技术为基础,构建一个城市新的基础设施,他们称之为城市「数据湖」。他认为这以后将是每一个城市的标配基础设施。在这个构想中,数据湖将成为政府主导建设的存储节能优先的基础设施,IDC 则将是企业主导建设的计算性能优先的商业实施。林拥军先生认为「古人逐水而居,今人逐数兴业」,因此数据将成为地方政府吸引人才的一个重要因素。

数据湖的 IT 架构将是湖存储+ABCD,其中 ABCD 分别为为人工智能(AI)、区块链(Blockchain)、大数据(Data)和云计算(Cloud)。而其特点有四个:海量(存储容量大、单机柜 1.6PB、数据密度高)、绿色(能耗低、磁存储、存储成本低、磁存储的 6.5%)、安全(寿命 50 年以上、数据不可修改、方电磁公积、防病毒删改)、生态(数据开放)。

最后林拥军先生还提出了数据湖构建的三部曲——建湖、引水和水资源利用。建湖即为以光磁融合技术作为构建城市数据湖的核心要素;引水为政府已有数据的引入;水资源利用为数据驱动、决策支撑,推动改进政府治理方式,提升政府治理的高度。

七、端到端AI计算系统设计与优化

张清:浪潮集团AI首席架构师

目前人工智能计算面临着一系列问题,例如如何优化模型、自动学习模型、构建大规模算法等,这往往需要专家才能完成,且限于硬件设备的限制往往也不能达到最优化。

张清先生在报告中介绍了浪潮集团提出的端到端 AI 计算系统的设计思路。大概分为四层:

AI 计算平台:在平台中会针对某一问题的计算特点、领域特点、部署环境等进行设计算法。例如参数密集型或者计算密集型,平台会根据这些特点做出不同的配置。

AI 系统管理:对于个人来说可能只能配置少量的 GPU,硬件设施会限制运算的效率。但是如果基于大型的集成计算硬件平台,它们可以根据硬件资源的具体情况进行资源管理、调度和监控,可以有效地利用资源和提升运算效率。

AI 计算框架。系统将根据不同的场景要求、模型特点和平台特征选择合适的框架(TensorFlow、Caffe 或者别的)。

AI 应用方案:对 AI 应用实现进行分析,则会有四个过程,包括任务分解(例如是图像识别、语音合成还是机器翻译等)、数据准备(数据清洗、数据增强、数据标注等)、算法选择(RNN、ResNet、FCN 等)、系统构建(管理平台、计算平台等)。

端到端的 AI 计算系统优化技术方向包括三个:计算、通信和 IO。其中计算为 CPU 与 GPU 并行训练,进一步提高资源利用率。通信则采用硬件技术,实现通信的低延时域高贷款;IO 则采用线上与线下同意存储架构设计,降低数据传输时间。


雷锋网总结:以上为 AITech 主论坛一的内容介绍。在半天会议中,通过深圳市以及龙岗区政府领导的讲话,我们能够了解到深圳市(龙岗区)政府在人工智能以及相关产业方面做出的巨大投入。从高文院士的报告中可以看出国家层面正在以及将要如何布局人工智能发展;徐扬生院士的报告让我们认识到,人工智能时代我们应当重新思考(子女)教育问题;John Hopcroft 则通过浅显的语言让我们认识到深度学习的不足、可能改进的方向以及对此应该有哪些反思;芮勇博士的报告,则形象化地阐明了人工智能良好发展的 A、B、C、D 四大要素;鄢志杰博士的报告则非常具体地阐述了阿里巴巴在 IoT 方面的架构;林拥军先生则给我们展示了一个宏大的数据存储场景,对各级地方政府都有很大的参考价值;张清先生则介绍了端对端 AI 计算系统的设计和优化,类似平台的出现或许将让大量研究人员不再需要单独购买 GPU 或者自己设计算法。总之,每场报告都让人有一种心灵和视野的激荡。

更多内容请关注雷锋网随后报道。

雷锋网

YEX黄建:脱离比特币谈区块链,要么真傻,要么装疯卖傻丨区块链十人谈

雷锋网AI金融评论按:如果说2017年是属于虚拟货币的一年,那么2018年的区块链将是生态和应用的一年,随之而来的也将是新的玩法、新的赚钱姿势。为此,雷锋网推出“区块链十人谈”(十人者,取是知众人博所长之意,非实指),结合多名采访者在互联网和科技圈中的丰富经验与在区块链时代的最新实践,讨论如何将区块链与互联网生态更好地结合落地。本文是“区块链十人谈”系列访谈的第五篇,雷锋网AI金融评论与YEX联合发起人黄建进行了交流。

核心观点

区块链技术上的「去中心化」是一个很长远的事情,但可以先在商业模式上实现「去中心化」。

数字货币与法币,应该是并行的机制。我不认为比特币是一种货币,它应该是具备快速支付的强资产属性。

脱离比特币去谈区块链,要么是真傻,要么是装疯卖傻。

** **

在当下这个时机,选择创立一家虚拟货币交易所,横竖来看,都有那么点意思。

国内来说,前有币安一枝独秀、火币、OKCoin 和 ZB 则各占一头;国外,美国有Bittrex、Poloniex 和 Bitfinex、韩国有 Bithumb、日本有 Coincheck等。在这些「前辈」面前,才成立没几天的新加坡交易所YEX,确实看不到任何先发优势。

而作为YEX的联合发起人之一,黄建显然要比旁观者淡定太多。

在他看来,『交易所之间并没有竞争,不一定要互相抢占用户和市场。』退一万步说,『现有的交易所占据的用户市场规模,还远未饱和,可能仅仅只在10%左右。』

黄建是谁?

图:数字货币交易所YEX联合发起人  黄建

说起黄建,相较YEX的其他两位联合发起人——赵东和杜钧,其在业内行事低调很多。赵东,全球最大的数字货币OTC交易商之一,曾创造过投资100万元买比特币赚了1000万元的暴富传奇,在圈内颇具名气。杜钧自不用多说,此前PingWest一篇《庄家“杜钧”》让其火遍票圈,人尽皆知。

据黄建自述,其与赵东、李笑来很早就相识。2013年4月,黄建刚开始接触比特币。某天,赵东找过来说,「手上有几台机器,可以挖比特币」。就这样,二者有了合作。当时挖的并不多,「一天可以挖几百块」。

说不清楚早期投资比特币为黄建带来多少财富,但他笑称,『赚了,但那时候爆仓,全部亏了』。

之后,黄建一直与赵东合作做OTC(场外交易)。『赵东现在几乎在海外发展,我其实比较看好国内未来的发展趋势。』

此后,黄建就一直「浸润」在相关投资项目中。这一「浸」就是4年有余。

2018年,全球各国持续加强对数字货币和区块链项目的监管力度,各大交易所惶惶不可终日。如近日币安就曾因「无证经营」遭至日本金融厅的警告,或被迫退出在日交易。然而,国家监管的加强,某种程度上也折射了币圈乱像。

在黄建看来,选择这个时机发起YEX,主要基于两点:

一、现有的交易所问题很多。其本身的运营模式不透明,很难拥有公信力。这个市场不像其他的泛金融或交易领域,会受到相关法律约束和管理。比如,交易所可能存在作恶行为。

二、交易领域,未来肯定会成为大众进入的市场,这些本身就属于所有参与者。

「去中心化」运营

和火币网早期一样,为吸引用户注册,YEX币币交易采取免手续费的方式。当雷锋网AI金融评论问及「后续会否恢复收费」时,黄建表示,『手续费在金融市场,一定是存在的。』早期免手续费只是一种活动,但后期会恢复收费,以此设定门槛,防止一些作恶项目入驻进来。

上线当天,黄建曾在官微透露,将会把交易所100%的利润用于回购YEX平台币,让用户共同分享收益。那么问题来了,YEX从何盈利?

对此,黄建向雷锋网AI金融评论表示:

我不认为创立交易所就一定要赚钱,未来用户手中持有token的价值也很重要。这件事的盈利应该是归属于大家的。

在「去中心化」运营模式下,未来YEX的走向也不由单个成员说了算,而是由手持token的用户,以及核心运营团队成员来决定。

基于这种态度,YEX更看重「未来的增量市场」,从而带给用户「交易内容的改变」。总的来看,现有的加密货币交易所,在服务和应用上存在不同比例的联通性。在黄建看来,未来,交易所不应该只是关注在虚拟货币这一块,还有很多可以通过交易去解决流通性等问题的应用场景。

而面对全球持续加强的监管局面,YEX在创立之初就已做了保全措施。比如,和正规律师事务所和审计事务所(四大之一)签署合作协议,进行资产评估。并与合规的第三方机构合作,让其辅助尽调事宜。『我们会在法律监管下做合法合规的事情。』黄建说。

数字货币、区块链项目以及投资

除此之外,黄建还分享了其对虚拟货币用于国际支付的看法。在黄建看来,没有一个大联盟的支撑,虚拟货币用于国际支付,必然要比现有支付方式能解决更多的问题,比如交易时间、汇率和安全性,不然,『别人为什么要用你?』

依据现有的区块链技术,哪些领域能快速取得突破?黄建直言,『这取决于该领域是否出现一项很厉害的技术,来改变原有的商业逻辑或商业架构。』

那么,黄建作为一位区块链领域资深投资人,他在筛选项目上有哪些评判标准?面对中美贸易对战,虚拟货币会面临怎样的机会和挑战?我们不妨从黄建与雷锋网AI金融评论的对话中做一个直观地了解。

雷锋网AI金融评论:有人说,围绕区块链相关的服务和应用,最赚钱的是交易所,您认同吗?

黄建:我不这样认为。区块链项目的盈利是属于所有人的,它应该是为这个市场提供服务,解决流动性、合规性等问题,而不仅仅只是为了赚钱。

如果只是将平台变成赚取工具,那么就将失去其原有意义。这也是我们为什么会将利润全部回馈给平台用户,而不是由单个公司持有的原因。现在很多人都处于尝试阶段,也不知道区块链行业会往哪个方向走。但是,从技术上去做重构、实现盈利,这才是最重要的。

比如说,目前看起来挖矿很赚钱,但未来还会这样吗?如果它一直不创造价值,就没有任何意义。在区块链行业里,未来一定是那些能通过技术重构来解决社会问题的企业成为盈利的主力。

雷锋网AI金融评论:迟早有一天比特币能取代法币,您怎么看?

黄建:数字货币与法币,应该是并行的机制。就像这么多年,黄金并没有消失一样。它们之间的属性不一样。对于比特币来说,我不认为它是一种货币,而应该是一种资产,具备快速支付能力的强资产属性。

雷锋网AI金融评论:虚拟货币用于国际支付,可行吗?

黄建:对于支付工具而言,我们得先搞清楚,什么样的条件下能实现支付?

比如,在一个大集团公司内部,作为结算工具,虚拟货币是可以存在的,也能解决供应问题。但是,在没有大支撑而想实现大范围支付的情况下,虚拟货币就得面临这样一个问题:(在相同情况下)别人为什么要用你?

现有的大部分跨境支付工具,需要解决非常多的问题。如若用虚拟货币取代现有货币而用于国际支付,必然需要解决更多的问题,比如,时间、汇率和安全性等等。

事实上,这是一个中心化的过程,需要强大的系统做背书。

雷锋网AI金融评论:以区块链领域资深投资人视角来看该领域的投资,哪些领域能在短时间内取得突破?

黄建:大数据、物联网、游戏类和泛金融领域是能迅速找到落地的领域。

但从另一个角度来看,这些领域能否快速取得突破,还取决于该领域是否出现一项很牛的技术来改变原有的商业逻辑或商业架构,这才是真正的机会点。

举个例子,就好像你很难在一辆破车上加上3.0的发动机,这是不现实的。如果大家还是按照原有的思维方式去讲区块链+,或者将区块链技术应用到所谓的领域里去,这才是最可怕的。我不太认可这种方式。

在区块链领域,一定要能带来完全不同,或者重构的玩法。就像出现在互联网领域的一些技术,它改变的不仅仅是这些行业表现的形式,而是从商业逻辑颠覆了整个行业。

雷锋网AI金融评论:您筛选项目有哪些评判标准?

黄建:首先团队一定要靠谱。其次,要符合我个人投资的标准。毕竟每个人都有一套判断体系。

雷锋网AI金融评论:单就币所而言,未来有可能形成一些共识机制吗?比如,对待去中心化、政府监管、上币费、交易手续费等等?

黄建:交易所之间,形成共识机制的可能性不大。因为现有的交易所已经有点固化了,它并不只是由交易所团队而定,其背后的股东施加的影响也很大。

雷锋网AI金融评论:目前中美贸易对战,有人认为,比特币已经失去避险功能,虚拟货币市场进入一个新的阶段,您怎么看待虚拟货币在此环境下的机会和挑战?

黄建我始终认为,脱离比特币去谈区块链,要么是真傻,要么是装疯卖傻。因为比特币被创造了之后,才有了区块链技术,区块链只是运行在比特币上面的一项技术之一。

一定意义上来说,「区块链项目」这个名词并不准确,因为区块链只是这个项目中的一项技术而已。一个好的数字资产项目,其经济模式应该向比特币去靠拢。毕竟比特币已经诞生了9年的时间,它已被验证是可行的。除此之外,还没有其他项目,向我们论证其是可行的。

雷锋网AI金融评论:很多人选择这个时候入场数字货币交易,更多是被割韭菜,您怎么看?

黄建:未来,投资比特币一定是大部分人的资产配置之一。在区块链市场,投资比特币和投资基金或股票是一样的。只是,它的涨跌情况被放大了。不管在哪个时代,这种风险其实是一直存在的。

以移动互联网时代投资项目为例,当时并没有像现在这样有一个token机制标准来衡量某项目的估值或投融资增涨的具体情况。而区块链时代的项目投资,在token机制的运行下,可以很明晰地获知涨跌的倍数。

所以,如果每次潮流涌来之时都能通过数字去建立衡量标准,你就会发现,即便是在移动互联网时代,它也是一个暴利的过程。比如,某项目天使轮融资可能是1000万元,到了投资机构退出时,其估值可能已达5亿美元,这不能不说是一个很大的增长。

在区块链领域,传统投资机构的业务因为区块链技术被大大降低了门槛,人人都能成为「天使投资人」,这是让他们感到恐惧的地方。

雷锋网AI金融评论:从最开始接触比特币,到现在创立交易所,这一段路程最大的影响是什么?

黄建:我们处在一个从0到1的社会,而不是一个从1到N的社会。整个社会在重构。有人曾把区块链技术比喻为蒸汽机,如果真如这一类比,那么,区块链技术带给社会的影响,绝不仅止于商业,而是整个社会层面的改变。

雷锋网AI金融评论:圈内都知道您和李笑来的关系,您怎么评价这位人物?有过什么趣事吗?

黄建:(长叹一口气)笑来是一个伟大的思考者和布道者。趣事,太多了。因为认识已经太久了。

雷锋网

福建紧随京沪颁发首批自动驾驶路测牌照,百度金龙各拿下3张

雷锋网·新智驾 2018年3月30日消息,位于福建省平潭县的平潭综合实验区无人驾驶汽车测试基地今天颁发了福建省首批自动驾驶路测牌照,其中百度与金龙客车各自拿下3张。


值得注意的是,除了百度的测试车辆外,金龙客车此次获牌的车型也是与百度Apollo合作的自动驾驶车型,其中包括了与百度合作的无人驾驶微循环车阿波龙。

微循环车阿波龙拿到的牌照,也是全国首次面向无方向盘的无人驾驶汽车发放测试牌照。

根据平潭综合实验区此前颁布的《平潭综合实验区无人驾驶汽车道路测试管理办法(试行)》:

进行路测的所有车型必须承诺安装监管装置,按要求接受第三方监管机构的日常监管。同时,测试车辆自身还应满足常规机动车辆安全行驶条件,并具备安全警告及人工紧急制动功能,使安全员在无人驾驶系统出现故障或发出警告提醒时,能够迅速控制车辆。


此外,每台自动驾驶汽车须配置安全员,安全员应持有相应准驾车型的机动车驾驶许可,具有三年以上安全驾驶经历,并且操作过五十小时以上无人驾驶系统。测试主体则要提供安全员无人驾驶训练的相关证明材料。


此次获批可以投入测试的路段为平潭岛中西部的麒麟大道西段,全长超过6公里。

更早一点,上海市在3月1日向上汽、蔚来汽车颁发全国第一批的自动驾驶路测牌照

随后在上周,百度在北京同样拿下5张T3级别的自动驾驶路测牌照。到今天为止,国内拿到正式的自动驾驶路测牌照的机构为4家,分别是上汽、蔚来、百度和金龙。从雷锋网·新智驾获知的消息看,深圳、广州等地也在跟进颁出第一批的路测牌照。

此外,很有意思的是,此次颁发牌照的平潭综合实验区无人驾驶汽车测试基地所在的平潭县位于福建省东部,与台湾隔台湾海峡相望,是中国大陆距离台湾岛最近的地方。根据福建当地媒体报道,平潭也将“在全国范围内先行先试允许台湾地区法人单位在平潭开展无人驾驶汽车测试,推进两岸交流融合。”

雷锋网

今日,海大宇天网、阿里、众明星AI公司高管,将聚首深圳科兴科学园


由雷锋网主办的

2018中国人工智能安防峰会

终于要在今日和大家见面

18位顶级嘉宾

10+科研名校

20+公安机关

100+企业高管

300+安防企业

600+行业人士

聚首深圳科兴科学园国际会议中心

共同创造2018 AI安防浪潮之巅

大会演讲与圆桌嘉宾名单

  计算机视觉与视频监控泰斗级学术人物:

高文 中国工程院院士,北京大学教授,IEEE、ACM Fellow 

李子青 中科院生物识别与安全技术研究中心主任,前微软亚洲研究院形象计算组项目负责人,IEEE Fellow

  7大巨头企业智能技术高管:

华先胜 阿里巴巴集团副总裁

朱江 海康威视研究院智能算法部总监

殷俊 大华股份先进技术研究院院长

姚华 宇视科技副总裁兼首席架构师

万定锐 东方网力副总裁兼深网视界总经理

杨清永 天地伟业总工程师

徐明 中兴力维董事长

  8位明星AI安防公司创始人:

杨帆 商汤科技联合创始人 

陈宁 云天励飞CEO

王栋 北京智慧眼CTO 

张永谦 地平线机器人业务副总裁

王建辉 深瞐科技CTO 

任鹏 臻识科技CEO兼联合创始人

林亦宁 七牛云AI实验室联合创始人 

王孝宇 云天励飞首席科学家、前Snap研究院首席研究员

  顶尖投资人:

程浩 松禾远望基金创始合伙人、迅雷创始人 

雷锋网2018中国人工智能安防峰会

国内首个由科技媒体举办的重量级“AI+安防”行业盛会,大会汇集全国范围内最顶尖的企业领袖、学术大师、解决方案专家,共同探讨“人工智能+视频监控”的实战技术落地与产学研发展方向。

大会围绕”动态人脸与车辆识别“这一主题,各传统安防巨头与人工智能新贵的演讲报告将从众多应用场景出发,为行业呈现最前沿的技术与最落地的项目方案。

时间:2018年3月31日(周六)9:00 — 18:00

议程:上午6场演讲,下午7场演讲+1场圆桌

地点:深圳南山科兴科学园国际会议中心

  上午场演讲嘉宾介绍

中科院生物识别与安全技术研究中心主任李子青

2000年,李子青辞去新加坡南洋大学终身教职,加入微软亚洲研究院形象计算组任项目负责人,“形象计算组”也曾走出微软全球执行副总裁沈向洋、旷视科技首席科学家孙剑、多个全球AI顶会最佳论文第一作者何凯明等人。

2004年李子青来到中科院担任生物识别与安全技术研究中心主任,十一年后,李子青顺势而为,创立知名AI安防公司中科奥森,亲自主导了多个重大项目的落地。3月31日,作为一名顶尖学者和企业家,李子青会为大家带来哪些精彩内容?我们拭目以待。

大华股份先进技术研究院院长殷俊

去年大华股份实现188.44亿元的营收,比前年同期增长41.38%,收入增长的背后,无疑离不开大华股份对先进智能技术的不断探索、应用与商业化。

近两年,大华团队也在多个国际权威人脸识别、文本检测与识别、场景流识别数据集中取得第一的成绩,其中在LFW、ICDAR、KITTI中斩获5项冠军。

殷俊,2004年加入大华股份从事科学研发工作,在音视频的系统应用、智能化、网络传输、芯片设计、硬件产品设计等技术领域取得瞩目的成绩。期间参与受理70余项专利,已授权5项国际发明专利,30余项国内发明专利,主导研发的HDCVI技术被列入一项视频监控国际标准和一项国内标准。

本次大会中,大华股份先进技术研究院院长殷俊将会为大家详细解读大华的智能技术布局。

宇视科技副总裁、首席架构师姚华

作为国内第三大安防企业,宇视在面对海康大华的双层夹击下,仍旧保持着强劲的增长势头:2017年营收同比增长50.5%,在AI时代开始了逆袭之旅。

宇视副总裁、首席架构师姚华,曾主导搭建了宇视安防产业总体架构,在580余个平安城市、330余个智能交通、以及人民大会堂、达沃斯论坛、G20峰会等重大项目中都有姚华在一线的具体方案指导。本次大会中,他会将自己多年的重大项目主导经验与大家展开分享。

云天励飞CEO陈宁

扎根在深圳的云天励飞,截止至2017年,就已在深圳龙岗区架设了5000多路具备智能识别能力的摄像头,在全国有10000+多路的部署。其第一代人像识别系统云天“深目”在深圳公安上线一年内,协助破获各类案件4000余起,目前已在北上广深杭等十多个省市及东南亚部分国家落地。

而这背后的掌舵人陈宁,则是“千人计划”国家特聘专家,中国第一款商用矢量处理器芯片设计者。陈宁曾任中兴美国技术总监,拥有近30项已授权国际专利、20多篇国际著作和论文。美国佐治亚理工学院电子工程博士。

商汤科技联合创始人杨帆

商汤科技无疑是最炙手可热的人工智能领军企业之一,其不仅拥有世界一流的算法研发水平,同时也具备强大的安防项目落地能力。

杨帆,商汤科技工程中心总负责人,领导着商汤科技一支逾200人的工程开发团队,他不仅在计算机视觉算法产品化、项目管理、研发管理和团队管理方面有着十余年的积累和经验,同时在研发领域带领商汤科技在国际竞赛中多次取得佳绩,更是于2016年获得了ImageNet五项主要比赛中的三项冠军。

深瞐科技CTO王建辉  

深瞐科技是一家专注于人工智能和机器学习的创新型公司,作为行业最早一批开发车辆特征识别技术的公司。深瞐科技凭借着对用户需求的深度理解,目前业务已覆盖车辆识别、视频结构化、人脸识别等多个领域,通过持续的技术创新,产品已覆盖平台软件、智能硬件、行业解决方案为一体的前端、后端、一站式服务。

王建辉,深瞐科技CTO,华中科技大学博士,多年来研究方向是FPGA芯片设计和机器学习,专注于神经网络加速芯片设计和算法优化,是该领域集硬件设计、算法研发、整体优化能力于一体的全面性专家。

  下午场演讲嘉宾介绍

中国工程院院士高文 

中国工程院院士、中国计算机学会理事长、北京大学信息与工程科学部主任。

高文院士的研究领域为人工智能、模式识别与多媒体计算。近几年主要研究集中在视频编码与分析、计算机视觉等。主持973(首席)、863、国家自然科学基金等国家级项目二十余项。2008年被评为IEEE Fellow;2013年底当选ACM Fellow。

其中,被人工智能界所熟知的百度副总裁王海峰和中科院计算所研究员山世光等人均为高文院士的学生。

3月31日,高文院士将为大家带来被众多政府部门与企业高管尤为关注的重要报告:《城市大脑与数字视网膜》。

海康威视研究院智能算法部总监朱江 

市值一度突破4000亿的海康威视,是全球最具统治力的视频监控企业。去年11月初,海康威视发布智能物联网“海康AI Cloud架构”,旨在从产品到解决方案全面引入人工智能。那么低调务实的海康威视,其AI技术达到了什么样的水平?

本月底,海康威视智能算法部总负责人朱江博士,也将来到深圳,向行业全面展示海康威视强大的算法能力和智能技术布局。

朱江,2002年获同济大学博士学位。加入海康威视之前,朱江曾任上海高德威智能交通系统有限公司模式识别研究所所长。朱江拥有二十多年的AI研发经验,带领海康智能算法团队多次在国际大赛中取得第一的成绩,并主导搭建了“IOT-基于神经网络的认知计算机系统-海康AI Cloud框架”。

东方网力副总裁兼深网视界总经理万定锐

连续三年占据国内VMS(视频监控管理平台)市场第一和全球第三宝座的东方网力,近些年在维持原有业务的基础上,不断向人工智能领域拓展,投资、收购、成立成立多家人工智能公司。

万定锐,清华大学自动化系控制科学与工程博士。2009-2012任北京海鑫科金算法研发总监;2012加入东方网力,2015.9-至今,任东方网力副总裁兼深网视界总经理。深网视界是东方网力与商汤集团的合资公司。

阿里巴巴集团副总裁华先胜

2017年10月,阿里巴巴正式发布“城市大脑1.0”。此前的一年里,城市大脑项目已经在杭州交出了一份满意的答卷:接管杭州128个信号灯路口,试点区域通行时间减少15.3%,高架道路出行时间节省4.6分钟。在主城区,城市大脑日均事件报警500次以上,准确率达92%;在萧山,120救护车到达现场时间缩短一半。

目前“城市大脑2.0”还处于研发阶段。阿里巴巴技术委员会主席王坚未来的目标是:让世界上每个城市都取消车辆的限行。

这一宏伟目标的进展如何?本次大会,城市大脑机器视觉技术负责人华先胜将会为大家展示城市大脑背后的技术。同时也将首次向行业分享阿里城市大脑最新突破的技术产品。 

华先胜,北京大学应用数学博士,达摩院机器智能技术实验室副主任,IEEE Fellow、ACM MM 2020主席、MIT TR全球35位35岁以下的杰出青年创新人物,视觉识别和搜索领域的国际级权威学者。华先胜于2016年7月加入阿里,带领达摩院机器智能技术实验室视觉计算团队的研发工作。

地平线机器人业务副总裁张永谦 

作为顶尖嵌入式人工智能公司,地平线自成立以来的两项核心竞争力,可以概括为算法与处理器IP。围绕算法和处理器IP,过去他们向自动驾驶、智能生活等多个领域设计测试并量产交钥匙解决方案,并于2017年12月成功发布中国首款全球领先的嵌入式人工智能视觉处理器“旭日”和“征程”,分别面向智能摄像头级自动驾驶。

而在今年,智能安防,将是地平线力推的重要业务。那么本次大会中,地平线到底会为这个行业带来哪些惊喜?业务副总裁张永谦会告诉大家。

张永谦,曾任德州仪器深港大区总经理,管理全国业务最大的区域年销售额近6亿美金。组建培养 TI 深港业务团队发展到今天接近80人。在此之前,张永谦负责 TI 中国区大客户业务。

北京智慧眼CTO王栋 

智慧眼是一家拥有近百名计算机视觉与深度学习算法研究及应用开发团队的AI公司,现已研发出公共场所智能视觉综合管理平台、车辆特征识别研判平台、人证票物研判调度平台、多行业生物识别身份认证管理平台等10余大系统平台。2015-2017年,智慧眼在全球指静脉识别算法挑战赛中(ICB-CFVR)连续三年蝉联榜首。

王栋,2005年于英国Bristol大学获得博士学位,曾先后就职于英国爱立信,思科,华为,中航工业等公司,从事视频图像处理,计算机视觉与模式识别技术研究,嵌入式系统,及芯片技术研发工作,曾参与研发世界级视频编码系统产品,亿像素成像系统,手机智能识别管理系统,基于机器学习的图像处理芯片技术等。期间申请技术专利30余项。

中兴力维董事长徐明 

中兴力维是中国平安城市和智慧城市领域产品与解决方案的主流厂家,参与建设了300多个平安城市和智慧城市项目,覆盖国内31个省市和海外70多个国家及地区。基于大数据引擎和人工智能的人脸识别系统在武汉、银川、孝感、毕节等多个城市成功部署和应用。

徐明,中兴力维技术有限公司董事长兼总裁、北京航天航空大学客座教授。此前任中兴通讯政企事业部副总经理、战略及MKT总经理等职务。徐明曾获得“2016中国智慧城市领军人物”荣誉称号,也是人工智能及能源互联网领域多家公司联合创始人、TMT领域创业导师。

  圆桌论坛嘉宾介绍

云天励飞首席科学家王孝宇 

Snapchat研究院创始人之一,曾任Snap研究院首席研究员和计算机视觉领域主席。拥有人工智能领域专利20多项,并荣获多项国际计算机视觉大赛冠亚军。密苏里大学哥伦比亚分校电子计算机工程博士。

松禾远望基金创始合伙人程浩 

迅雷创始人,2002年与杜克大学校友邹胜龙联合创办迅雷,2014年迅雷于纳斯达克上市。2016年初程浩离开迅雷成立松禾远望基金。

臻识科技联合创始人兼CEO任鹏 

任鹏于 2008年创立臻识科技。公司现有产品体系涵盖智能交通、智慧社区、机器视觉、智能交通等多个高新技术领域。2016年,旗下智能停车品牌“火眼臻睛”市场占有率超50%。

七牛云AI实验室联合创始人林亦宁 

10年人工智能研究和工程经验,曾在美国虹软公司专注人体、人脸方向算法研究。在视觉识别、检测、跟踪算法以及bot等方向有深厚的积累。浙江大学博士。

天地伟业总工程师杨清永 

14年安防行业从业经验,长期从事音视频编解码、图像处理、人工智能、嵌入式产品设计等方面的技术工作,兼任天地伟业人工智能产品总监。

严格的会议内容质量管理

1.演讲内容严格把关

与众多安防大会演讲者针对市场、业绩、行业、趋势等主题泛泛而谈不同,本次峰会,雷锋网严格控制演讲主题和细节,全力打造一场为技术和解决方案人员量身定做的专业大会。摒弃无意义的社交,营造一场纯粹的学习与交流探讨环境。

2.演讲嘉宾层层筛选

为了让参会者学到其他安防大会中难以了解到的专业知识与经验,17位演讲与圆桌嘉宾均为技术出身,平均每人有着17年以上的算法研究与工程开发经验,其中9位为名校人工智能博士学历。

雷锋网安防峰会组委会尽量保证各个演讲者的项目开发与技术研究经验具有一定的互补性,杜绝出现同质化演讲内容和从业者熟知的“常识”内容。

3.主题方向明确

通过不同的嘉宾演讲,全链条梳理AI在众多视频监控场景中的应用,让参会者学习多种经典场景中的“学术研究+算法实战+工程实施+解决方案搭建+系统集成+最终落地”项目案例。


作为两届全球最顶级的人工智能与机器人大会举办方,雷锋网在过去一年里为行业输出100篇以上的“AI+安防”深度报道。同时,我们也希望借助一年一届的“中国人工智能安防峰会”,汇聚全国一线权威人士,树立“AI+安防”峰会标杆,共同推动安防产业的智能化升级。

大会官网链接:https://gair.leiphone.com/gair/sd2018

雷锋网

加速自动驾驶之战,CV1面世一个月后,安霸又推出新一代视觉芯片


*安霸测试车

雷锋网新智驾按:自动驾驶行业不乏想要超过Mobileye的视觉芯片供应商。安霸(Ambarella)就是其中的佼佼者,它正努力缩短与Mobileye的距离。 随着竞争对手们都在摩拳擦掌,安霸决定从更加困难的地方开始突破——视觉,这是自动驾驶的人工智能中最关键的部分。

今年3月28日,安霸公布了一款名为CV2的视觉芯片。CV2能够提供深度神经网络和立体视觉处理,瞄向的是ADAS和自动驾驶汽车市场。

两大优势

与竞争对手相比,安霸拥有两个优势。第一,安霸在2015年收购了欧洲一家研发计算机视觉和智能汽车控制系统的公司——VisLab。因为VisLab这一新鲜血液,安霸有了新的计算机视觉体系结构。第二,安霸本身也有两把刷子,其用于网络安防、运动、无人机,和后装行车记录仪中的高精度和超高精度视频处理芯片是经过市场验证的,功耗也低。

*CV2的模块示意图

结合VisLab的经验和技术,安霸开发出了符合车规级的CV2,它将先进的计算机视觉、图像处理,4Kp60视频编码和立体视觉技术整合到一个芯片之中。 

VisLab从意大利帕尔马大学诞生,由Broggi教授领导,该团队目前已经成为安霸高研发度自动驾驶软件系统的技术核心力量。

当被问及安霸的视觉解决方案时,IHS Markit的信息娱乐和ADAS研究总监Egil Juliussen说:“安霸的新产品看起来非常好,并且有可能用于ADAS,L4和L5级自动驾驶。”

他认为,正是他们的从算法到专利再到芯片中的技术,让安霸的自动驾驶平台与众不同。

两代产品异同

CV1和CV2都在同一芯片上提供单目和立体视觉处理。“单目视觉可以探测和分辩远距离物体,最远探测距离可达180米。而立体视觉相机能够捕捉物体的形状,并且无需训练即可检测到一般障碍物。”VisLab的创始人Alberto Broggi解释说。

安霸的芯片是基于CVflow架构的,这是一个为像立体处理、深度神经网络这样的计算机视觉算法而优化的。和DSP(数字信号处理器)或GPU相比,CVflow的设计能够让每核,或者说每个处理单元的性能提高不止一个层次。

安霸市场营销和商务拓展的副总裁在接受采访时说,CV1能够对分辨率高达4K的视频进行计算机视觉处理。因此,图像识别系统能够处理更远的距离。另外,这一架构也可以在工业训练工具的基础上,例如Tensorflow,进行设计。它能够处理弱光环境和进行高动态范围成像, 即使在高对比度的环境中,它也能够捕捉到光和影的细微差别。 

CV2是继安霸在今年CES(消费电子展)上宣布CV1之后公布的新一代产品。安霸表示,CV2的深度神经网络性能是CV1的20倍。在自动驾驶中,CV2能够同时跑多个算法,有更高的感知能力,并减少了总共使用的芯片数量。

当被问到为什么推出两款视觉芯片时,Broggi表示,安霸去年5月就已经研发出了CV1。“但我们又花了6个月的时间来开发CV1的软件和工具,我们也做了一些工作以确保芯片在安装在车辆上时能够正常工作。”他说。


*安霸CV1

安霸已经拥有供Tier-1和OEM使用的,实现ADAS和L3到L5系统进行交互的开发工具和API。因为基础工作都已经完成,CV2与CV1的软件能够兼容,“我们的客户很容易就能够实现两者时间的互换,”Broggi补充道。

值得注意的是,CV2符合车规级要求,但CV1不符合。

未来计划

Broggi说,安霸的视觉芯片“专为城市驾驶而设计”,“所有的感知处理”都由它完成。而其他任务,例如路径规划和机械动作,目前都留给车载电脑。不过,Broggi补充说,未来,他的团队计划将融合(fusion)和决策层移植到CV芯片上。

安霸本周将邀请媒体和汽车行业人士到他们的Santa Clara总部,对他们的自动驾驶汽车进行完全自动驾驶的试驾。他们的自动驾驶汽车是构建在他们的EVA(嵌入式汽车自动化)平台之上的。安霸的发言人表示,这辆车将在Santa Clara会议中心附近的公路上行驶。

雷锋网新智驾了解到,安霸在加利福尼亚州也有一个自动驾驶汽车测试牌照,虽然他们是第52家获得牌照的。但由于目前加州还没有批准任何公司测试没有安全驾驶员的自动驾驶汽车,此次的试驾必定还是会安排驾驶员在有必要的情况下进行接管。

安霸计划在第二季度开始对CV2进行制样。或许,这家公司已经大大缩短了和Mobileye的距离。

PS:看遍这一年中国与全球智能驾驶领域的技术前沿与商业探索,雷锋网新智驾年度推荐,扫描下图二维码或点击https://www.leiphone.com/special/custom/AIdrive.html 了解更多信息。

雷锋网

绿盟“教”我当了一次物联网黑客

以前,为了展现物联网攻击的危害,我总是要想很多故事讲给你们听,比如小红在家洗澡,一言不合被破解后摄像头直播;老张的媳妇出轨黑客老王,老王密谋控制老张高速行驶的物联网汽车,来个紧急制动,车毁人亡,搂着媳妇把家还……

哦哟哟,这些故事都好没有节操。

于是,我打算洗心革面,重新做人。。。不,讲故事。

最近,雷锋网的同事写了一篇《刚刚,阿里宣布全面进军一条新的主赛道》,讲了讲阿里将全面进军物联网领域,就轻松达到5W+阅读量,哼,我不服!我要写一篇“怼文”:黑客到底如何对物联网发起攻击,整个攻击链是怎样。

于是,我请教了绿盟科技的几位专家(杨传安、李东宏等人)。

我:老师,如果我想当黑客攻击物联网设备,应该怎么做。

李东宏:你应该。。。现在就打消这个念头,不然我们就用技术反制你,然后和警察蜀黍打配合,抓住你。。。

我:不要这么认真,我们假设下,那些安全研究人员还教我“不知攻,焉知防”呢,是吧?(套路。。。)

李东宏:你这么说也有点道理,好吧,我们先来看下。

********

一、黑客怎么攻入你的摄像头/打印机/互联网汽车/。。。。。

第一步:设备选型

原则1:假如我是一个黑客,当然为了利益最大化,要选择选一个市场占有量较大的厂商。

原则2:寻找市场占有量较高的设备型号。如果我找到一个漏洞,能一下拿下市场上10万,甚至100万台设备,简直就是隔山打牛,坐拥肉鸡。不然,我吭哧吭哧花了五万块,结果就获益5000块,不是费力不讨好嘛。

原则3:虽然一个物联网设备厂商推出了很多型号的同类产品,但往往用的是同一套系统,不同的宏开关,比如,网络摄像头的漏洞可能在多媒体摄像机中存在。所以,黑客会关注历年漏洞信息,老漏洞新用,或者在漏洞被修复前打个时间差用一用都是有可能的。

原则4:要看厂商是否有相关的安全团队或者合作公司支持,如果我只是一个菜鸟黑客,刚学会了皮毛,就被黑客大牛反制,大概就会“出师未捷身先死”了。或者,这种物联网设备可能漏洞数量会较少,人家早发现早补完了,难道留着漏洞给你过年?

第二步:本地漏洞挖掘

选好型,拿到设备的第一手动作,当然是把设备拆开,获得固件。

目标点1:获取设备指纹,因为它将告诉一个黑客,这个设备在互联网上的资产暴露情况。

目标点2:拆解固件,找到设备的后门指令或弱口令,所谓后门口令,就是粗心的厂家在发布产品时没有把调试版本里的口令去掉,而弱口令,就是出厂口令,比如1234567、000000,但是粗心的用户没有安全意识,觉得初始口令比较好记。

目标点3:进入 WEB 界面,突破管理员限制,挖掘其中的未授权漏洞,控制物联网设备。通过WEB 界面,还可以了解用户泄露的账户信息。

目标点4:分析设备是否有对外的安全服务,利用弱口令和安全服务,就可以控制物联网设备。

目标点5:分析是否有公开漏洞测试,比如,如果是一个LINUX系统,它经常有一些漏洞公布,假如我是一个黑客,只要到网上寻找相关的漏洞和利用工具,就能开干了。

第三步:工具制作

拿下一种物联网设备,肯定是为了利益转换,那么,接下来黑客就会开始写工具了。

工具1:资产识别工具,通过对一种设备进行分析,然后扫荡整个互联网上的相同设备。

工具2:漏洞利用工具,利用现有框架,或者自己编写一个独立的漏洞利用小工具。

第四步:资产统计

这些工具做好后,黑客会进行二次扫描和情报监测,评估漏洞在互联网的可控制量,以便随后输出一个利益评估的价值体系,也就是传说中的“定价”了!

第五步:利益转换

一般来说,黑客会售卖利用工具、设备信息、控制设备。

二、物联网设备哪里最弱

假如我是一个黑客,肯定会寻找设备最弱的地方开始突破。

弱点1:在第二步“本地漏洞挖掘”中,其实拆开硬件设备后,会出现两个接口:JTAG 和 串口。

JTAG 会控制 CPU 的状态,进行代码调试,也可以发起程序,加载固件等。为了提升效率,会使用串口进行调试,调试信息可通过串口打印到屏幕上,可包含内核的加载地址、内存大小、文件系统的加载地址和文件系统的大小等。

弱点2:弱口令。

弱口令的诞生一般是因为用户没有修改厂商初始密码,或者用户自行设置的弱密码,攻击者可以搜集用户名和密码列表,也就是把常用的用户名和密码找出来,放到扫描工具和代码中。

划重点来了:不要把自己的生日设置成密码,尤其是不满8位数的密码,这等于送羊入虎口。

弱点3:信息泄露

设备信息包含设备型号、平台、操作系统、硬件版本,会泄露用户认证信息,比如用户名和加密密码算法。

拿到用户名和密码算法,黑客会到 CMD5 网站或者通过运算进行暴力破解,获得加密密码的明文,从而控制设备。

弱点4:未授权访问

直连模式直接获得最高权限,后门账户可让黑客直接登录后台。还有一点是,设计缺陷可能让黑客直接无认证进入操作平台,软件漏洞也可导致攻击者越权访问。

弱点5:远程代码执行

输入参数没有严格过滤与校验。

弱点6:中间人攻击

黑客可利用两种模式:监听模式和篡改模式,现在有些物联网设备由于计算能力限制,导致通讯以明文传输方式进行,监听模式可以拿到一些数据,比如账户认证信息,而用得比较多的篡改方式是 HTTPS 解密。

弱点7:云(端)模式

现在为了便利,一些设备可通过手机连上云端控制设备,黑客可对云平台进行安全测试,拿到弱口令等,还可通过中间人攻击模拟终端给云端发送指令。


三、安全建议

当然,“教我当黑客”只是一个玩笑,换位思考看,如果我是一名攻击者,竟然能有这么多方法搞到设备+获利,反推一下,如果要保护自家物联网设备安全,应该针对这些可能的攻击措施做些什么?

1.对用户:

修改初始口令以及弱口令,加固用户名和密码的安全性;

关闭不用的端口,如FTP(21端口)、SSH(22端口)、Telnet(23端口)等;

修改默认端口为不常用端口,增大端口开放协议被探测的难度;

升级设备固件;

部署厂商提供的安全解决方案

2.对物联网厂商:

对于设备的首次使用可强制用户修改初始密码,并且对用户密码的复杂性进行检测;

提供设备固件的自动在线升级方式,降低暴露在互联网的设备的安全风险;

默认配置应遵循最小开放端口的原则,减少端口暴露在互联网的可能性;

设置访问控制规则,严格控制从互联网发起的访问;

与安全厂商合作,在设备层和网络层进行加固。

(以上建议摘选自绿盟科技发布的《2017物联网安全年报》)


四、思考

在雷锋网同事发出的那篇阿里新赛道的文章中,我发现阿里云也在物联网领域方面进行了安全能力的建设。

再加上之前小米、百度、360、腾讯等在物联网安全上的动作,我总觉得一个“时候”到了。

但是,我想起了曾经采访过的威胁猎人 CEO 老毕的故事。

2014 年下半年,老毕做了第二个创业项目:物联网安全。但他很快发现,这个其实在商业上面很难落地。“这个行业有很多问题,有些在某个阶段没有商业价值。我接触到这个行业,发现这个行业是很苦逼的状态。很多公司拿了上百万人民币,这个产品能最终做出来,再卖那么一两批,已经不错了。你跟他说加一个什么安全,他觉得你疯了。”老毕说。

2015 年中旬,老毕在这个创业项目上仓皇撤退。

3 月 27 日,绿盟科技物联网专家杨传安告诉我,绿盟的物联网解决方案布局在这三方面:一是持续的安全检查,漏洞和弱密码检查与固件升级的闭环管理;二是针对蠕虫传播,在网络上进行阻断和入侵防护,避免更多节点被感染,并清洗恶意的攻击流量;三是接入层的准入控制,最后是物联网的态势感知平台。

我立马问了他一个问题:你们主要是赚谁的钱,在哪些行业落地?

事实上,他们在上面那份白皮书中早已有一份“可能”的列表:物联网设备提供商、物联网平台提供商、物联网网络提供商(运营商)、物联网应用提供商、物联网用户等。

但是,杨告诉我:“目前看,近年来由政府主导的视频监控项目,类似天网工程,对设备终端有强准入控制要求,对安全风险管控也有明确要求,这个方案落地极快;另外,运营商建设物联网专网,也会有类似移动互联网对公共网络的安全监管要求,同时运营商自营物联网业务的安全运营需求,也会是项目落地的主方向。”

这个答案没有超出我的预期。三年后,大若绿盟,在物联网安全领域,依然在艰难地开垦,to C 的钱暂时不要想,to B 的钱依然难赚但有前景,to G 则是撬动这个市场的一个入口。

杨认可了这一点。但这并不是绿盟一家在开垦物联网安全市场时遇到的困境,而是市场大环境如此。他依然充满信心,希冀通过 G 端能够在物联网安全上有所建树,他相信,引路人的工作不可缺少,未来有一天人们会越了解及认可物联网安全的重要性。

谁说不可能呢?我们终将进入一个万物互联的未来。

雷锋网注:绿盟科技物联网专家张星、刘弘利、刘文懋等对此次采访亦有贡献。

雷锋网

加速数字化银行转型!中国银行2017年报发布,要用科技引领战略发展

雷锋网AI金融评论报道,2018年3月29日晚,中国银行发布2017年业绩报告。

根据国际财务报告准则,2017年,中国银行实现股东应享税后利润1724亿元,比上年同期增长4.76%。资产规模达到19.47万亿元,比上年末增长7.27%。净利息收入同比增长10.57%。

平均总资产回报率(ROA)0.98%,净资产收益率(ROE)12.24%。非利息收入占比30.05%,成本收入比28.34%。在境内市场成功发行总规模600亿元二级资本债券,资本充足率14.19%。

截至2017年末,集团不良贷款余额1585亿元,比上年末增加125亿;不良率1.45%,比上年末下降一个基点(bp)。2017年全年共化解不良资产1344亿元,同比多化解55亿元。

金融科技业务持续增长,着力发展手机银行

相比起利润、资产规模的稳定增长,中国银行利用金融科技驱动业务新增长效果明显。在年报中中国银行表示,要坚持科技引领不动摇,高度重视金融科技的驱动作用,积极探索适应网络金融发展的新机制。从具体业务表现来看:

  • 截至去年末,中行手机银行注册客户达1.15亿户,活跃客户同比增长66%。全面升级手机银行,2017年交易金额达到10.97万亿元,同比增长60%

  • 电子渠道对网点业务的替代率达到94.19%。加快完善手机银行综合金融移动门户,金融超市交易规模同比增长128%。

  • 加快推进网点智能化升级改造,智能柜台网点覆盖率达80%。

  • “中国银行新一代网络金融事中风险控制系统”投产上线,提升金融服务安全性、自动化和智能化水平。

“用3-5年时间将中行打造成金融科技公司”

据雷锋网AI金融评论了解,目前中国银行已经展开多项创新技术应用,例如在银行业务中利用指纹认证、OCR识别、人脸识别、Face ID等技术,提升手机银行的操作安全性与便利性。

中行董事长陈四清表示,今年中行将继续大力发展科技引领,打造线上线下协同、场景生态丰富、运营管理高效的数字化银行,以手机银行为载体,打造综合金融移动门户:

“现在中行管理层每半个月就要听一次手机银行部门的工作汇报,目的是加快推动手机银行的迭代更新。我们的目标是将中行打造成数字化银行,形成世界一流的手机银行。”

中行管理层进一步表示,过去银行的IT架构是集中式的,现在要引入区块链的科技元素,将IT架构过渡到集中式和分布式相结合。

据了解,中行将确保每年对科技创新的投入不少于集团营收的1%,同时要加快人才队伍建设,在3-5年内将集团内科技背景人才占比提升到10%,重点培养产品经理、数据分析师、客户体验师、互联网安全专家等数字化人才。

“我们现在把科技引领摆在战略发展的首位,目标是三年见成效,五年形成势,将中行打造成金融科技公司。金融科技不应是独角兽企业的专利品,传统银行一定会在科技领域打一个翻身仗。”陈四清表示。

雷锋网AI金融评论此前曾报道,去年6月,中国银行与腾讯云在内蒙正式挂牌成立“中国银行-腾讯金融科技联合实验室”。双方云计算和大数据平台以及人工智能应用方面已经初步取得突破,建立了统一的金融大数据平台。

而后续双方还将逐步搭建总对总的金融科技云平台,该平台会作为中国银行业务部门、一线分行引入腾讯科技与业务合作资源的管道,助力客户需求洞察、风控、金融效率提升。

另外,中国银行也参与了数字票据交易平台实验性生产系统的建设。据悉,这一系统已于今年1月成功上线试运行,顺利完成基于区块链技术的数字票据签发、承兑、贴现和转贴现业务。

雷锋网

微软巨变:Windows 10 大功臣离开,AI 和云服务强势上位

我们正在从【移动为先 & 云为先(Mobile first & Cloud first)】的世界,转移到一个将由【智能云和智能端(Intelligent Cloud & Intelligent Edge)】组成的新世界。

2017 年 5 月 10 日,在 Build 2017 大会 Keynote 演讲的开场环节,微软 CEO Satya Nadella 用上面这句话,阐释了微软在人工智能时代的全新发展策略;伴随着整个新策略,微软也开始了产品和技术层面的全面转型。

现在,这一转型终于到达了架构和组织层面。

三大体系,布局端、云和 AI 基础技术

2018 年 3 月 29 日,微软 CEO Satya Nadella 面向该公司的解决方案方面发布了几个重大的人事和架构调整,这一调整的脉络很清晰,分别面向端、云和 AI 构建三大团队。

第一个团队对应的是端,这一团队被命名为 Experience & Device(体验和设备),团队负责人为微软执行副总裁 Rajesh Jha,他之前负责的是微软的 Office 365,而现在 Rejesh Jha 的指责得以扩展。根据 Nadella 的描述,Rajesh Jha 将负责把 Windows/Office 和第三方应用和设备整合起来打造一个综合性更高的 Microsoft 365 服务。

在 Experience & Cloud 团队下,各自的业务分工如下:

  • 设备:负责人为 Panos Panay,他将以微软首席产品官(Chief Product Officer)的身份负责微软自家的设备业务,包括软件和硬件层面;他还将负责端到端设备的商业执行。

  • Windows:负责人为 Joe Belfiore,他此前就一直在负责 Windows,不过在新架构下他还将推动 Windows 与 Microsoft 365 的整合。微软方面还表示他将会在 Build 上分享更多关于 Windows 的信息。

  • 新体验和新技术:负责人为 Kudo Teunoda。

  • 企业移动和管理:负责人为 Brad Anderson,主要负责 Windows 企业部署和管理,并将与 Microsoft 365 项目和 Cloud + AI 团队协作。

第二个团队是 Cloud + AI,对应的正是微软的智能云战略,其负责人为 Scott Guthrie,Scott Guthrie 此前是微软 Azure 云服务的总负责人,从这次调整可以看出,微软对云服务和 AI 的结合更加重视。伴随着 Scott Guthrie 的升职,Jason Zander 被提升为 Azure 执行副总裁,负责 Azure;部分来自 Windows 团队、并与 Azure 业务关系密切的团队也加入 Azure。

除了比较核心的 Azure 云服务,Cloud + AI 团队还包括 Business AI、Universal Store & 贸易平台、AI Perception & MR、AI 认知服务 & 平台等几个板块;其中的 AI 部分偏重于与 Azure 云服务的实际应用相结合,但还需要与接下来要介绍的 AI+ Reaserch 团队相结合。

AI + Research 团队的负责人是沈向阳。雷锋网了解到,2016 年 9 月微软成立 AI & Research 事业部时,沈向阳就已经成为该事业部的负责人;因而在这次调整中,基本上没有变化。这一部门专注于 AI 相关的基础技术研究,不过也可能把相关的技术用于当下和未来的产品中去。

总体来看,微软在本次架构调整中充分对应了它在去年提出的新战略,其中 AI 和云服务的重要性被无限放大,这也是为了迎合 AI 这一技术潮流。

微软越来越 To B 了

值得一提的是,在这次调整中,一次 21 年的微软老兵、微软执行副总裁 Terry Myerson 将离开微软,不过在离开之前,Myerson 还会用几个月的时间完成交接工作。此前的 Terry Myerson 负责 Windows、Surface、Xbox、Windows Server、Intune、Hololens MR 等。随着他的离开和微软的架构调整,这部分业务大部分被归于上述 Experience & Device 团队,一小部分则被并入 Cloud + AI 团队。

Terry Myerson 的离开,更像是一个微软发展过程中的一个标志:微软离一家 To C 的公司越来越远,而离 To B 越来越近了。

实际上,从 To C 到 To B 这个过程,从 Nadella 上任的那一刻就已经开始了;因为在就任 CEO 之前,Nadella 就是微软 Azure 业务的负责人,并且在 Nadella 的带领下,Azure 业务的增长势头非常强盛,这在一定程度上帮助 Nadella 赢得了微软 CEO 的角色。

随后的几年间,微软采取了【移动为先,云为先】的策略,不过相对而言,【云为先】的战略得到了充分执行,而【移动为先】则是大打折扣。微软砍掉了诸多与消费者相关的业务,其中最为激烈的一次是  Lumia 手机业务;不过这一趋势在去年更加明显,包括 Groove Music、Kinnect、Windows Phone 等业务相继被砍掉。

当然,在砍掉上述业务的同时,微软也在为 iOS 和 Android 平台开发 Office、Skype 等应用,并致力于这些应用实现与 Windows 10 系统的结合。

微软在纳德拉领导下所作出的改变,从本质上来说是符合微软的长远利益的。根据雷锋网掌握的近年财务数据,Azure 云服务的营收增长为微软财报做出了很大的贡献,简直可以说是微软智能云板块乃至整体营收增长的发动机。自有具体财报数据公布起,Azure 营收的同比增长就非常强劲;前期甚至达到了 140%,而后期虽然有所下降,但依然高于 90%,到了 2018 Q2 反而有所提升。

这是 Azure 云服务变得越来越重要的原因,也是 Azure 负责人 Scott Guthrie 在这次的调整中得以升职的原因。

相比较而言,Windows 10、Surface 等所在的更多个人计算板块在近年来的财报表现中都比较普通,增长率基本上都在个位数,个别板块的亏损还比较严重——这可能也是 Terry Myerson 寻求离开的原因之一。

另外,值得注意的是在这次调整中,此前负责 Office 的微软执行副总裁 Rajesh Jha 被得到了升迁,他现在的角色可以说是承担了 Terry Myerson 此前负责的大部分业务。而 Rajesh Jha 之所以能够得到升迁,本质上还是因为他所负责的 Office 365 表现出色。以上季度财报为例,Office 365 商业版的营收增加了 41%,个人用户数也增加到了 2920 万,这是一个非常不错的数据表现。

总结

从【移动为先,云为先】到【智能云 & 智能端】,贯穿在其中的,除了微软对 Azure 云服务的一如既往的重视,也包括微软希望在【端】侧有所作为的愿望;遗憾的是,在智能手机移动端的诸多尝试归于失败之后,微软最终退回到自己赖以起家的 Windows 10 操作系统以及承载它的 Surface 硬件设备——这的确是一个艰难的转型过程,不过在 Nadella 的带领下,微软的转型可以说是初步达到成功了。

在雷锋网看来,随着人工智能对于技术和应用的渗透越来越深入,微软势必会离普通消费者的距离越来越远;不过越来越不 To C 的微软对普通消费者来说依然非常重要,就像不再赚钱的 Windows 10 依然对微软非常重要那样。

雷锋网

硅谷造车新势力SF MOTORS发布两款SUV,但最大亮点不在车上

美西时间 3 月 28 日,来自硅谷的新造车势力 SF MOTORS (以下简称 SF 公司)在自己的大本营圣克拉拉举办全球发布会,这是 SF 公司成立两年来首次对外公开亮相。

2014 年起,全球范围内数十家电动车创业公司相继诞生,特斯拉的成功上市,让整个汽车业迅速转向电动时代,证明了创业公司可以闯入这个大有可为的行业,政府也不遗余力用补贴催熟这个市场,这使得电动车成为最诱人、最具潜力的创业领域。

就像特斯拉凭借 Model S 一炮打响,SF 公司也必须依靠一款产品来证明自己。在当天的发布会上,它对外展示了两款 SUV 车型:一款是 5 座中型 SUV SF5;另外一款是 7 座全尺寸 SUV SF7。

在雷锋网看来,与其说是 SF 公司全球发布会,倒不如说是这家公司在技术实力,尤其是电驱动技术的集中展示。

先来看下这次全球发布会的关键信息:

  • 发布 2 款智能 SUV,其中 SF5 年内可在美国预订,新品预计 2019 年进入中国市场。目前参数未知;

  • 发布四电机驱动技术平台,带来超过 1000 马力、0-60英里加速在 3 秒内;

  • 推出「保护性自主驾驶」(Protecitve autonomy)技术,预计2020 年实现量产;

  • 全球唯一拥有中美两地智造能力和生产资质的纯电动车企,两地工厂同步采用工业 4.0 标准;

  • 首创「开放共享」商业模式,通过技术共享和产业链开放合作,加速电动汽车行业迭代发展。

虽然比其他造车公司入场时间晚,但雷锋网在发布会现场听到的一个较为肯定的评价是:「内功不错」。这里的「内功」指的便是 SF 公司潜伏两年所积累的诸多技术。

正如 SF 公司创始人兼首席执行官张正萍所说,「技术是 SF 公司的核心。」因此,展示 SF 公司的阶段性技术成果,也是这次发布会的主要亮点。

*SF MOTORS CTO 唐一帆

发布会上,SF 公司对外展示了一系列专利电机和变速齿轮产品线,覆盖从 100kw 到 400kw 的功率。张正萍称这些产品「在功率密度、扭矩密度和最高时速方面处于行业领先。」

四电机驱动平台也是一大亮点,这个电机平台使用 1 至 4 个电机,并无需机械差速器即可以实现四轮驱动,最高能提供超过 1000 马力的动力,0-60 英里实现 3 秒内加速。

在电池系统部分,SF 公司为两款新车型搭载了能量密度为 160Wh/kg 的电池组(基本电池单元为 21700 圆柱形锂电池),保障车辆在 NEDC 工况下的续航里程可以达到 500 公里以上。

*上图中间为 SF MOTORS 固态电池

*电池模块

SF 公司也正在进行下一代电池技术研发,如更高能量、更安全的固态电池;可允许激光焊接将电池连接在一起以实现快速制造的电池模块;可在办公室及家庭等环境二次循环利用的储能系统(电池回收)等。

为了解决「里程焦虑」,它研发了车载式增程器平台,为「充电难」提供了一个有效的解决方案。

在这次发布会上,我们发现:在电动汽车最为核心的电驱动技术上,SF 公司都牢牢掌控在自己的手中。对 SF 公司自身而言,这是一家拥有核心技术的电动汽车企业进行垂直整合的重要一步。

首先,控制电驱动的研发和生产就能减少 SF 公司对供应商的依赖,在关键时刻不会被掣肘;其次,通过对核心技术的研发,它可以根据不同的需要定制自己想要的电驱动产品;第三,一旦电驱动技术量产,它还能成为 SF 公司的一大利润来源,既可以售卖,也可以将相关技术授权给其他公司;最后,垂直整合后,SF 公司在产品体验上也能更上一个台阶。


在发布会现场外的露天天台上, SF 公司还展示了一款自动驾驶原型车,SF 团队负责自动驾驶控制、规划等算法验证。

在自动驾驶方面,SF 公司已与美国密西根大学达成战略合作,成立了以智能驾驶为重点研发方向的联合研究中心。

今年 1 月,SF 公司还获得了美国加州 DMV 颁发的智能驾驶路测牌照,并在圣克拉拉进行模拟和封闭测试。

在发展路径上,SF 公司将专注「保护性自主驾驶」(Protecitve autonomy),然后逐渐推出不仅具有安全保障且方便驾驶员使用的自动驾驶技术。据 SF CTO 唐一帆介绍,他们的智能驾驶技术预计会在 2020 年发布。

如果要做一个总结,SF 公司手中的「好牌」包括以下方面:

  • 成立时间虽晚,但已经完成「中美两地双制造基地布局」,在美国印第安纳和中国重庆有自己的生产基地。

    2017 年 11 月,以 1.1 亿美元的价格正式完成对美国 AM General 民用汽车工厂及其相关资产的收购,未来将在该工厂生产 SF 公司旗下智能电动汽车,满足美国和欧洲市场的需求。

    在中国,SF 公司使用小康股份全新投资建造的智能整车工厂和电驱动工厂,进行智能电动车型的生产,满足中国市场消费者需求,这也就意味着 SF 公司拥有新能源车生产的资质。

  • 在最为关键的电池领域,收购特斯拉首任 CEO 创办马丁·艾伯哈德的电池初创公司 InEVit 100% 股权,获得创新的电池技术。

    InEVit 设计和研发的的标准化电池模组系统,不仅可大幅降低量产成本,而且其创新研发的激光焊接技术可推动电池模组的快速制造,并引起了包括戴姆勒、大众、雷诺等在内很多国际主流汽车品牌的关注。

  • SF 公司总部设立在硅谷,能够在汽车电动化和智能化浪潮中获得最好的科技人才。

    SF 公司以硅谷为总部设立电驱动、智能驾驶研发中心,并在美国、德国、中国和日本就设计、技术及工程等多领域建立了独立的研究中心。

这样的「好牌」不仅反映了 SF 公司在生产制造、生产资质和汽车渠道的经验,同时这样的能力也是特斯拉以及大部分中国其他新造车势力所不具备的。

不过,就像特斯拉依靠 Model S 才真正站稳脚跟一样,SF 公司的命运走势也决定了这家汽车公司成功与否。

从今天公布的消息来看,这两款车型已经能够进入「豪华车」阵营:SF 公司已与博世、英飞凌、三星 SDI、LGC 等这些明星汽车供应商达成了战略和业务关系。

唐一帆对雷锋网说,等车型后续上市,它们不仅在价格有竞争力,而且在性能上也更具竞争力。

经过两年的布局,这家低调的硅谷科技公司完成了从技术、工厂、团队、生产资质以及全球化工业的部署。接下来,正如 SF 的 CEO 张正萍在发布会上提到的:「技术已经融入我们的 DNA ,但技术如何转化,规模化实现量产并且能够产生利润,也是下一步我们所要思考的。」

*辨识度极高的 Sigma 造型的日间行车灯,十分具有科幻感

当然,即使造出了品质不错的车,作为一家没有历史的创业公司,SF 公司想要从品牌影响力远高于自己的巨人那里抢夺高端用户并不容易。

就像特斯拉在续航里程,中控大屏和 OTA 更新给用户带来的惊喜一样,要想让一个新品牌具有足够创新性的用车体验,需要一个决定性的亮点作支撑。

发布会上, SF 公司首席工程师 Thomas Fritz 所说的智能化的人机交互、智能空气悬架、顺滑的车身轮廓风格、Sigma 造型的日间行车灯、融入空气设计的滑动充电端口等等,这些具有汽车科技元素的亮点仅仅是它今天所展示的一部分。

那么,除了这些,还有什么将是 SF 公司那个决定性的亮点?这需要它在明年将新车推向市场的时候再给外界一个惊喜。

PS:6项会员专享特权,全年100期精华内容,带你深入浅出看懂自动驾驶。如果想加入「新智驾会员计划」,欢迎点击链接 :https://www.leiphone.com/aidrive/vip 或扫描海报下方二维码了解详情。

雷锋网