标签归档:2017

人工智能从入门到实战,这里有一份1000+页的指南 | AI 科技评论 2017 年度特辑

过去一年间,在人工智能的风口之上,新的突破不断涌现,新的成果破土而出。

这一系列的突破与成果,和持续壮大的开发者社群密不可分,是他们推动和促进着人工智能由理论走向实践。

伴随着人工智能一波又一波的浪潮,这个社群中不断有新人涌入。

而在刚刚进入这个行业之时,大家有种普遍的困惑:面对繁多且零散的资源,总感觉力不从心,无从下手。

毫无疑问,零散的资源构建不了系统的知识体系。

从理论、到工具、再到比赛,通过这三个阶段一步步进阶最为扎实。

理论是实践的基础。

掌握与人工智能强相关的基础知识,如深度学习相关理论与应用,人脸识别、声纹识别、语音分离、文本理解、自动驾驶等领域的基础概念,这是第一步。

通过这一步,可以建立起对学科的基本认识,在脑海中搭建出大体框架。

工具是实践的手段。

开源平台与工具是开发者的必备利器,通过这一系列工具,我们可以快速建模、扩展应用场景,轻松将过来人的经验运用于自己的模型之中。

有了这一步,可以夯实前面建立的理论基础。

掌握好前面的理论和工具,就可以开始进行高阶操作——不断参加比赛,积累实战经验,逐步提升。

雷锋网学术频道 AI 科技评论从 2017 年起,一直致力于输出这三个方向的干货,持续为开发者社群奉献自己的一份力。我们的报导全面覆盖理论、工具、赛事这三个方面:

理论

  • 2017 年 1 月,我们特邀新加坡国立大学冯佳时博士,为大家带来以「GANs 的诞生与走向」为主题的公开课。在公开课中,他深入浅出描述了 GANs 的基本原理、优缺点、应用实例、未来走向等内容。

  • 2 月,雷锋网 AI 科技评论邀请到格灵深瞳 CEO 赵勇,他对国内智能安防与人脸识别系统进行了全方位揭露和讲解。

  • 之后,我们邀请到前硅谷资深工程师王东详解 YOLO 2 与 YOLO 9000 目标检测系统,在公开课中,他从两者的结构、分类、实例等方面展开课程。

工具

  • 在 Facebook 2017 年开发者大会 F8 上,Facebook AML 实验室的 Andrew Tullock 和贾扬清上台介绍了 Caffe2 轻巧、易用和可扩展的特性。AI 科技评论第一时间对他们的演讲内容进行了详细梳理。

  • 作为亚马逊官方深度学习平台,MXNet 以其轻量化、适合快速开发的特征广受好评。在 AAAI 2017 期间,AI 科技评论有幸对其作者李沐进行专访,为大家带来李沐老师的独家观点。

  • 谈到目前的开源深度学习框架,TensorFlow 以其稳定的社群、利于部署的特性,使用率居高不下。我们邀请到《TENSORFLOW:实战 GOOGLE 深度学习框架》的作者郑泽宇,他详细介绍了神经网络的工作原理,以及如何利用 TensorFlow 来进行实战。

比赛

  • 2017 年的 KDD Cup 上,冠军由华人团队 Convolution 获得。我们第一时间向他们讨教了成功方法论,整理成文以飨读者。

  • 在北京大学 LAB2112 团队夺得阿里天池医疗 AI 大赛冠军之际,我们对团队的指导教师王立威教授进行专访,他从算法、实用性等方面为我们做出诸多讲解。

  • 看到现在遍地开花的无人驾驶行业,在美国的我们重访了让自动驾驶由概念走向现实的 2005 DARPA 挑战赛的冠军团队中的一员,他独家揭秘了 Stanley 夺冠背后那些不为人知的细节。

基于这三个方面,我们在过去一年间跟踪报导了上百条深度内容。

我们从这些内容中,筛选出 50 篇具有代表性的文章,整理成特辑。1000+页的内容,大家看到之后,一定会有所收获。

该特辑涵盖以下内容:

理论

GAN 的基本原理、应用和走向

对深度学习及 AlphaGo Zero 的详细解读

《Deep Learning》一书的详细分享

基于深度学习的行人重识别研究综述

详解 YOLO 2 与 YOLO 9000 目标检测系统

用超大规模真实驾驶视频数据集做端到端自动驾驶

利用深度学习系统防止电商交易欺诈

深度学习在语音生成问题上的典型应用

多任务深度学习模型在 ADAS 中的应用

基于深度学习的语音分离

深度学习在超声影像中的应用

……

工具

Facebook AML 实验室 Andrew Tullock、贾扬清对 Caffe2 的详细解读

亚马逊机器学习总监 Alex Smola 对 MXNet 的全面介绍

对 MXNet 作者李沐的专访

Theano 停止更新之后,开发者社群作何反应

文档乱、调试难,但为什么仍有那么多人用 TensorFlow

手把手教你用英伟达 DIGITS 解决图像分类问题

如何设计基于微服务的 AI SaaS 架构

清华唐杰博士详解亿级学术图谱 Open Academic Graph

中科院团队详解深度文本匹配工具 MatchZoo 背后的个中细节

OpenBLAS 开源项目介绍以及矩阵乘法的优化

深度学习处理架构的演进

如何设计神经网络硬件架构

……

赛事

谷歌收购 Kaggle,对国内外的影响有多大

微软 Malmo 协作 AI 挑战赛冠军比赛思路

旷视 COCO +Places 2017 比赛获奖模型大揭秘

MSR-VTT 夺冠经验分享

KDD Cup 2017 双料冠军的成功方法论

亚马逊 Alexa Prize 比赛冠军团队经验

SMP 2017 「中文人机对话技术评测」夺冠方案

NTCIR13-STC2 评测冠军团队的方案详解

2017 全球高校学生数据科学大赛(DSG)经验分享

CoNLL 比赛第四名方案详解

阿里天池医疗 AI 冠军团队炼成之路

2005 DARPA 挑战赛斯坦福车队成员专访

……

纸上得来终觉浅,绝知此事要躬行。

希望大家在看过「理论」、「工具」、「赛事」这 3 个栏目之后,即刻行动起来。

从现在开始,加入开发者社群,做一名活跃的 develpoer,不断进阶和收获。

点击本链接即可进入雷锋网学术频道 AI 科技评论2017年度特辑购买页面:

雷锋网

2017年,人工智能圈迸发出哪些火花和观点? | AI 科技评论 2017 年度特辑

1956 年,新罕布什尔州,达特茅斯学院。

十多个人经过为期一个月的讨论,充满信心地宣布「人工智能」这一崭新学科的诞生。

这场讨论会由时任达特茅斯学院数学系助理教授的麦卡锡和 IBM 第一代通用机 701 的主设计师罗切斯特发起,参会人员有明斯基和香农等学术巨匠。

麦卡锡和明斯基被后世誉为人工智能之父,均凭借在人工智能领域的卓越贡献,获得计算机领域最负盛名的奖项——图灵奖。作为信息论的创建者,香农则在通信领域做出划时代的贡献。

在那次会议上,他们提出了著名的假想——「任何学习行为和智慧行为,理论上都可以被精确的描述,从而制造出机器对这些行为进行模仿。」

这是人工智能成为一门真正科学的起点。他们的观点开创了一个新的时代。

想象很美好。

但人工智能的发展,需要经历漫长的过程。耐不住性子的人,开始泼起冷水。企业渐渐停止对 AI 研究的资助。

60 年过去,经历几轮浮沉,人工智能再次火爆全球。

2016 年李世石被 AlphaGo 打败,2017 年美剧《西部世界》大热,掀起一轮又一轮全民讨论 AI 的狂潮。「all in AI,AI in all」,业界的喧嚣不断。看起来,似乎只有学界最为冷静。

站在风口浪尖的人工智能,目前到底取得了哪些进展,未来会向什么方向前进?

管中窥豹,或许可以从过去一年间,一线专家学者的公开演讲中,一探究竟。

作为一家深耕 AI 的学术媒体,雷锋网学术频道 AI 科技评论在过去一年间,有幸参加各种与人工智能相关的会议,接触到近百位学术大牛。

从谷歌开发者大会,到百度技术开放日,从中国人工智能峰会,到未来论坛,处处皆有我们的身影。

在会上,我们或是细心聆学术大牛的演讲内容,或是与他们进行深入交谈。会后,我们第一时间将自己的所见所得整理成文。

他们在会上,或讲解了目前人工智能的前沿研究,或陈述了公司的 AI 学术战略,或描述了对人工智能的展望,或表达目前的研究所面临的挑战。

  • 2017 年初,我们在「未来论坛」上,见证斯坦福大学李飞飞教授、美国工程院院士李凯、清华大学张钹等人教授围绕人工智能的突破和未来展开热烈讨论。

  • 同年 7 月,在「人工智能的本质创新」主题活动上,我们看到图灵奖得主姚期智院士阐述人工智能的路径和其所需要的最本质的创新。

  • 紧接着,在「中国人工智能峰会」上,南京大学周志华教授深入浅出讲解了人工智能的发展历程,并提出新的「学件」概念,展望人工智能未来十年后的发展。

除了以上学界领军人物,我们还听到很多来自业界的观点:

  • 2017 年初,在腾讯研究院年会上,腾讯副总裁姚星介绍了「低调」的腾讯 AI 部门,并深入讲解该如何提升机器学习的能力以及对 AI 的看法。

  • 4 月,在「百度技术开放日」活动上,前百度研究院院长林元庆详解了百度「最强大脑」背后的技术。

  • 9 月,在「华为全联接 2017 大会」上,前华为 AI 首席科学家裴健教授结合华为云的业务,介绍了企业做 AI 应用的难点与挑战,以及该如何利用 AI 产生价值。

人工智能的历史长河因为这些领军人物的精彩分享而激荡。过去一年间,这样的会议不计其数,雷锋网 AI 科技评论撰写过无数精彩的大牛观点文。现在,我们从这些文章中筛选出最最精彩的内容,整理成特辑,以飨各位读者。

该特辑的主要受众如下:

  • 人工智能零基础读者,希望在短时间内快速了解各位大牛的前沿观点;

  • 对人工智能有一定基础知识的读者,希望从宏观层面了解各大企业所持的 AI 学术战略;

  • 其他对人工智能学术领域有兴趣的读者。

该特辑中包含如下领军人物的精彩观点:

工业界:

DeepMind 创始人 Demis Hassabis

DeepMind 联合创始人 Mustafa Suleyman

特斯拉 AI 总监 Andrej Karpathy

Fast.ai 联合创办者 Jeremy Howard,

前百度首席科学家吴恩达

前百度研究院院长林元庆

谷歌大脑研究员 Ian Goodfellow

微软全球执行副总裁沈向洋

360 副总裁、 首席科学家颜水成

今日头条人工智能实验室主任李航

京东集团副总裁周伯文

百度副总裁王海峰

思必驰北京研究院院长初敏

腾讯副总裁姚星

腾讯量子实验室负责人张胜誉副教授

腾讯音视频实验室杰出科学家刘杉

京东集团副总裁裴健教授

旷视首席科学家孙剑

……

学术界:

多伦多大学 Geoffrey Hinton 教授

西安交通大学教授郑南宁院士

香港中文大学(深圳)校长徐扬生

美国科学院院士张首晟

斯坦福大学叶荫宇教授

斯坦福大学 Yoav Shoham 教授

南京大学周志华教授

斯坦福大学李飞飞教授

普林斯顿大学李凯教授

清华大学张钹教授

卡内基梅隆大学 Tom Mitchell 教授

卡耐基梅隆大学 Tuomas Sandholm 教授

MIT 大脑和认知科学学院院长 James DiCarlo 教授

……

相信大家在看到他们的精彩言论后,必定能有所收获,得到启发,加深对人工智能底层技术的了解,对大公司的 AI 战略有更全面的掌握。

扫码或点击本链接即可进入 雷锋网学术频道 AI 科技评论2017年度特辑购买页面:

雷锋网

站在学术大牛的肩膀上,看 2017 年的 AI 圈 | AI 科技评论 2017 年度特辑

在刚刚过去的 2017 年,国内外人工智能界的突破层出不穷:在自然语言处理和计算机视觉领域,国内发展势头迅猛,在人工智能最前沿研究上,国外独领风骚。

2 月初,南京大学周志华教授在他的论文中提出一种新的集成机器学习方法 gcForest,利用级联森林(决策树集成)方法去学习生成模型,引发学术界大讨论。

3 月,腾讯 AI Lab 研发的围棋人工智能程序「绝艺」(Fine Art)击败日本开发的「DeepZenGo」(天顶),以 11 战全胜的战绩夺冠。

7 月,在斯坦福大学发起的 SQuAD(Stanford Question Answering)数据集测试榜单中,科大讯飞与哈工大联合实验室 (HFL) 提交的系统模型夺得第一,这也是中国本土研究机构首次取得该比赛的冠军。

9 月,清华大学黄民烈博士带领两位学生联合搜狗搜索团队一举获得了全球唯一开放域对话评测比赛 NTCIR-STC2 的冠军。

10 月,AlphaGo Zero 横空出世,仅经过三天训练,就能以 100:0 击败此前击败李世石的 AlphaGo Lee;仅仅经过 21 天训练,就能达到击败柯洁的 AlphaGo Master 的水平。

12 月,腾讯 AI Lab 研发的人脸算法 Face R-FCN 和 Face CNN 分别在人脸检测平台 WIDER FACE 与人脸识别平台 MegaFace 的多项测评中斩获冠军。

……

这一年,国内的科研实力让我们为之自豪,国外的顶尖成果让我们为之震惊。

知其然,更要知其所以然。技术背后的实现原理有哪些?到底是开创性的成果,还是灌水与炒作?

听听专家们的看法,或许能站在行业制高点看清背后的真相。

作为深耕 AI 领域的学术媒体,雷锋网学术频道 AI 科技评论借助自己的优势和行业积累,先后带来一系列大牛解读:

  • 在周志华教授教授发表 gcForest 之际,我们第一时间联系到他,请教他关于这篇论文的相关问题。

  • 借着「绝艺」击败「DeepZenGo」的契机,我们特地采访了「绝艺」团队负责人刘永升,了解背后的一系列细节和应用。

  • 在阅面科技的人脸识别技术夺得 FDDB 与 LFW 两个冠军之后,我们请到阅面科技算法总监童志军讲解这两次比赛中突破的技术细节。

  • 当科大讯飞与哈工大联合实验室在 SQuAD 测试中夺得第一,我们对科大讯飞研究院副院长王士进进行专访,了解到取得良好成绩的关键因素。

  • 听闻清华大学黄民烈博士团队获得 NTCIR-STC2 冠军,我们与他取得联系,交流了他的研究工作,探讨了聊天机器人的情绪机制设计。

  • 在 AlphaGo Zero 掀起争论狂潮之际,我们第一时间联系到包括加拿大西蒙弗雷泽大学计算机学院裴健教授在内的八位学者,全方位对此事进行独家解读。

  • 得知腾讯 AI Lab 研发的人脸算法在 WIDER FACE 与 MegaFace 的多个项目中夺冠,我们与腾讯 AI Lab 计算机视觉中心总监刘威博士进行了交流,对技术细节进行了充分解读和说明。

……

围绕去年的这些突破和成果,雷锋网学术频道 AI 科技评论特地推出一份 557 页的学术访谈特辑。这份特辑不仅收录了上述解读,还包括我们对一系列学者的采访,内容涉及机器学习、自然语言处理、计算机视觉、运筹学、工程学、几何学等多个与 AI 强相关的领域。

这份特辑涵盖我们与以下学者的交流内容(排名不分先后):

哈佛大学终身教授丘成桐

卡内基梅隆大学计算机科学学院机器学习系主任 Tom Mitchell 教授

耶鲁大学计算机系邵中教授

香港科技大学计算机系主任杨强教授

香港科技大学工学院院长郑光廷教授

伦敦大学学院(UCL)计算机系汪军教授

北京大学计算机科学技术研究所研究员万小军

北京大学网络与信息处理实验室研究员赵东岩

哈尔滨工业大学计算机学院刘挺教授

清华大学计算机系博士生导师邓志东教授

清华大学可视媒体研究中心主任胡事民教授

清华大学计算机科学与技术系助理教授刘知远博士

杜克大学医学院神经生物学米格尔 • 尼科莱利斯教授

上海财经大学交叉信息科学院院长葛冬冬教授

上海财经大学 ITCS 主任陆品燕教授

南洋理工大学计算机科学与工程学院助理教授安波博士

清华大学交叉信息研究院青年千人助理教授唐平中博士

电子科技大学大数据研究中心主任周涛教授

……

他们的研究领域涉计算机视觉、数学、信息处理、自然语言处理、神经生物学等多个方向。从这里,可以一窥最新的科研成果,领略到学术的无穷魅力。

除此之外,特辑中还有对一些优秀学生的访谈(排名不分先后):

纽约大学 CILVR 实验室博士生张翔

南加利福尼亚大学博士生徐海峰

加州大学伯克利分校的博士生许华哲

MIT CSAIL 博士生周博磊

……

他们的优秀之处不尽相同,有的同学一连中了多篇顶会论文,有的同学在国门之外做出一系列备受瞩目的工作。从这里,可以看到这些同学身上的闪光点,督促自己进步。

此外,我们还与一系列业界领军人物进行过深入的沟通和交流(排名不分先后):

iPIN 研究员李双印博士

Facebook 研究员田渊栋博士

前百度深度学习实验室主任林元庆博士

旷视首席科学家孙剑博士

阿里 iDST 语音技术产品化团队负责人陈一宁博士

阿里 iDST 语音组总监鄢志杰博士

阿里 iDST 资深专家孙健博士

阿里人工智能实验室北京研发中心负责人聂再清博士

思必驰北京研发院院长初敏博士

微软亚洲研究院院长洪小文博士

微软亚洲研究院副院长周明博士

菜鸟网络高级算法专家朱礼君博士

深鉴科技 CEO 姚颂

……

我们有幸与他们交谈,谈论目前落地的技术、面临的难题、需要的人才等各个方面的内容。从这里,大家可以知悉业界的最新成果和需求,看到他们的远见,了解学界与业界的研究差异。

扫码或点击本链接即可进入 雷锋网学术频道 AI 科技评论2017年度特辑购买页面:

雷锋网

崛起于 2017 年的首汽约车,为网约车品质服务打造了更高的门槛

雷锋网消息,1 月 22 日,国内网约车平台首汽约车在京举行“金牌服务”发布会,发布了 15 项金牌服务标准。

这些标准包括平台合规安全认证、乘运人责任险、司机合规、无危险驾驶记录、熟悉道路、车辆合规、车内外干净无异味、车内温度舒适、免费WiFi、迎宾礼仪、站立等候、主动开关车门、提拿行李、航班延误免费、10分钟免费等待。

首汽约车希望通过这些标准来树立起自身网约车用户体验有别于其他竞争对手的壁垒。

为了鼓励驾驶员团队,首汽约车还公布了 2017 年度在全国 50 余个运营城市中评选出的 100 名金牌司机,同时请来了在《人民的名义》中饰演“赵东来局长”的演员丁海峰作为司机代言人。

刚刚过去的 2017 年,是首汽约车的“崛起”之年。

在前两年那场没有硝烟的网约车大战中,这家脱胎于首汽集团,主打品质服务的网约车运营企业,一直默默按照自己的节奏向前迈进。等待是值得的,在国家网约车新政最终出台之后,首汽约车作为“政策获利者”对外发声便越来越频繁。

首汽约车 CEO 魏东此前在接受雷锋网采访时表示,“力争第一时间拿下平台及驾驶员资质,做第一个完全合规的网约车平台。未来,首汽约车将按照国家对于网约车多样化、差异化、品质化经营的指导原则,为用户提供高品质的网约车服务。”而这,也是首汽约车整个 2017 年的发展基调。

在坚持合规性、品质服务的同时,首汽约车也开始触电其他领域的合作,其中之一便是自动驾驶。

去年 10 月 26 日,首汽约车宣布与百度达成战略合作伙伴关系,双方将“重点推进自动驾驶、车联网的商业化运行,并进一步探索自动驾驶网约车商业运营模式,共建智慧交通网络。”

首汽约车将在 2018 年,开放部分城市、区域性路段的无人驾驶网约车体验。此外,在车联网方面,百度将为首汽约车提供 Apollo 平台内的 DuerOS 智能车联解决方案,后者具备语音语义、人脸识别、AR导航等技术,可提供车内个性化内容推荐和下一代人机交互界面,这些功能将陆续登陆首汽约车的驾乘平台中。

除了在业务领域有诸多进展,首汽约车也在吸引着资本的投注。

去年 11 月,首汽约车宣布敲定 7 亿元 B+ 轮融资,百度、蔚来资本、丝路华创参与本轮融资。就在 B+ 轮融资敲定的同时,首期约车 6 亿元 B 轮融资资金也已全部到位,两轮总额 13 亿元的融资也助推首汽约车成为出行领域新的独角兽。此外,首汽约车 CEO 魏东还宣布: C 轮融资已同步开启。

据首汽约车官方前不久给出的数字显示,该平台已经拥有超过 2000 万用户,月活跃用户达到 240 万,全国覆盖 53 座城市,运营车辆超过 6 万辆,已在 38 座主要城市取得了线下运营资质。此外,首汽也在拓展用户需求的定制化场景,如批量用车、指定司机、深港通等,以及约车业务的多元化,如网约出租、巴士、共享单车的链条整合。

雷锋网推荐阅读:《百度与蔚来资本领投的首汽约车 绕过滴滴专攻智能出行》

雷锋网

谷歌大脑 2017 总结上篇:基础研究进展迅速,开放资源遍地开花

雷锋网 AI 科技评论按:进入2018 年已经一周多了,而精彩纷呈的 2017 年(和元旦假期)还仿佛就在昨天。今天,谷歌大脑(Google Brain)负责人 Jeff Dean 也代表整个谷歌大脑团队发出了对 2017 年的回顾总结。

作为顶级 AI 研究机构的谷歌大脑不仅资源丰富、人员众多、研究方向广泛、论文产量高,而且他们的研究成果还通过整个谷歌的产品和谷歌大脑团队自己开放出的项目和资源深刻地影响着整个世界。相信你也和雷锋网 AI 科技评论一样希望能够总体回顾一下 2017 年中谷歌大脑的种种成果,以及看看他们如何评价自己的工作。我们把这篇总结文(两篇中的第一篇)全文翻译如下。

谷歌大脑团队的工作目标是通过科学研究和系统工程不断推进顶级 AI 系统的发展,这也是整个谷歌的 AI 战略的一部分。2017 年的时候谷歌大脑也发出过一篇对 2016 年工作的总结文章,这之后谷歌大脑团队也在持续不断地向着自己「让机器更智能」的长期研究目标进发,也和谷歌和 Alphabet 内的许多团队合作,把研究结果应用到真正地改善人类的生活中去。

这次谷歌对 2017 年成果的总结分为了上下两篇,这篇是第一篇,包含基础研究成果、开源软件和数据集更新,以及新的机器学习硬件。在稍后的下篇中会详细介绍一些具体应用领域中的研究,机器学习可以在其中带来很大影响,这些领域比如医疗保健、机器人、一些基础自然科学领域,同时也会介绍谷歌大脑在创造性、公平和包容性方面的努力,以及介绍一下这个团队。

核心研究内容

谷歌大脑团队的关注重点是,通过科学研究增进自己对机器学习领域新问题的理解以及解决它们的能力。2017 年中谷歌的研究主题包括以下这些:

自动机器学习(AutoML)

自动化机器学习的目标是开发出一些技巧,让计算机自动解决新的机器学习问题,不再需要人类机器学习专家参与每一个新的问题的解决。如果人类想要打造真正智能的系统的话,这肯定会是不可或缺的基础能力之一。谷歌大脑开发了自动设计神经网络架构的新方法,其中同时运用了强化学习和演化算法两类技术,并把这项工作拓展到了「自动化机器学习在 ImageNet 分类和检测中达到顶尖表现」论文中(https://arxiv.org/pdf/1707.07012.pdf  )。这项研究同时也展现了如何自动学习优化算法和高效的激活函数。谷歌大脑团队现在正在与谷歌云 AI 团队积极协作,目标是让谷歌的客户们也都可以使用这种技术,同时也把谷歌对这种技术的探索拓展到更多方向上去。

神经网络搜索技术探索出的卷积神经网络架构
自动机器学习学习到的网络进行物体检测

语音理解和生成

另一个研究主题是开发新的技术提高计算机系统理解和生成人类语音的能力。其中,谷歌大脑也和谷歌语音团队合作,开发出了数种端到端语音识别技术的改善方法,把谷歌生产环境中的语音识别系统单词错误率相对降低了16%。这项研究很有意思的一点是,本来中有很多独立的研究路线在进行,而这项研究让它们汇总到了一起。

(包括以下这些论文:

端到端 Listen-Attend-Spell 语音识别模型中的组件

谷歌大脑团队也和谷歌的机器理解团队的研究同事们协作,共同开发了新的文本到语音生成方法(Tacotron 2),它大大提升了语音生成的质量。类似可听电子书那种专业水准的录制语音,平均主观分数得分 MOS 是4.58分,之前最好的电脑生成语音系统得分在4.34,而这个新模型的得分为 4.53,已经很接近人类的水平。

Tacotron 2 的模型架构

新的机器学习算法和应用方法

谷歌大脑的研究人员们持续开发着新的机器学习算法和应用手段,包括胶囊 capsules 的研究(显式地寻找激活特征之间的一致性,作为执行视觉任务时评估各种不同的带噪声假设的手段)、专家们的稀疏门组合(这可以让大模型的计算效率仍然保持很高,https://arxiv.org/abs/1701.06538  )、超越网络(用一个模型的权重生成另一个模型的权重,https://openreview.net/pdf?id=rkpACe1lx  )、新类型的多模态模型(可以用同一个模型对语音、视觉、文本等不同输入做多任务学习)、基于注意力机制的模型(作为卷积和循环模型的替代方案)、符号化和非符号化的学习到的优化模型(http://proceedings.mlr.press/v70/bello17a/bello17a.pdf ,https://arxiv.org/abs/1703.04813   )、一种通过离散变量做反向传播的方法(https://arxiv.org/abs/1611.01144  ),以及一些强化学习算法的新的改进方案(https://arxiv.org/pdf/1702.08892.pdf  )。

用于计算机系统的机器学习

用机器学习方法取代传统计算机系统中启发式方法的想法也让谷歌大脑成员们觉得非常有意思。谷歌大脑已经展示了在把计算图映射到一组计算设备上的任务中,强化学习模型选择的放置方法要比人类专家的选择更好(https://arxiv.org/abs/1706.04972  )。和其它谷歌研究院的同事一起,谷歌大脑这项研究「聊一聊学习得到的索引架构」中展现了神经网络可以比 B 树、哈希表、Bloom filters 等传统数据结构更快、更节省空间地建立完成索引任务。谷歌大脑相信,这仅仅是探索机器学习在核心计算机系统中应用的开始,Jeff Dean 在 NIPS workshop 上进行的「Machine Learning for Systems and Systems for Machine Learning」演讲中也描绘了他们的设想。

学习到的模型可以作为索引结构

隐私和安全

机器学习和安全、隐私之间的互动也一直是谷歌大脑的研究重点。在获得 ICLR 2017 最佳论文奖的论文中,他们展示了应用机器学习时可以带有差分隐私保障。谷歌大脑也继续对对抗性样本做了更多的探索,包括真实世界中的对抗性样本(https://arxiv.org/abs/1607.02533  ),以及如何在训练过程中生成大规模的对抗性样本以便让模型对它们更鲁棒(https://arxiv.org/abs/1611.01236  )。

理解机器学习系统

在深度学习展现出惊人成果的同时,理解它为什么能奏效、什么时候不能奏效也是很重要的一件事。在另一篇 ICLR 2017 获奖论文中,谷歌大脑的研究人员们展现出目前的机器学习理论框架无法解释深度学习方法的喜人成果。他们也发现,优化方法找到的局部极小值点的「平坦性」和泛化能力的优秀程度之间的关系并不如人们一开始认为的那么紧密(https://arxiv.org/abs/1703.04933  )。为了更好地理解深度神经网络架构的训练是如何进行的,谷歌大脑发布了一系列论文分析随机矩阵,因为这也是多数训练方法的起始点(https://arxiv.org/abs/1710.06570  )。另一个理解深度学习的重要途径是更好地测量模型的表现,在近期一篇比较各种 GANs 方法的论文中,谷歌大脑展现了好的实验设计、统计严谨性的重要性,并且发现许多对生成式模型的热门增强方法都没能真的改进模型表现(https://arxiv.org/abs/1711.10337  )。谷歌大脑希望这项研究能在鲁棒实验研究方面作为其它研究者可以参考的样例。

谷歌大脑也在研究可以让机器学习系统具备更好的可解释性的方法(https://arxiv.org/abs/1711.00867  )。2017 年三月,谷歌大脑和 OepnAI、DeepMind、YC Research 等机构一起联合创立上线了 Distill 博客 http://distill.pub/  ,这是一个新的开放的在线科技文献展示平台,专注于帮助人类理解机器学习。它对机器学习概念的清晰解释、文章中精彩且具备互动性的可视化工具都已经让它获得了不少赞誉,比如下面这篇 CNN 激活特征可视化。在上线后的第一年中,Distill 上就已经发表了许多尝试理解各种机器学习方法的内在运行原理的文章,很给人带来启迪,谷歌大脑也非常期待 2018 年可预计的更多、更好的文章。

CNN 特征可视化

如何高效使用 t-SNE https://distill.pub/2016/misread-tsne/

用于机器学习研究的开放数据集

MNIST、CIFAR-10、ImageNet、SVHN、WMT 这样的开放数据集极大地推动了整个机器学习领域的发展。谷歌大脑和谷歌研究院也在过去的一年中共同积极开源了许多用于机器学习研究的有意思的新数据集,提供了更大的有标注数据集供开放访问,包括:

  • YouTube-8M:标注为 4716 个不同类别的七百万个 YouTube 视频

  • YouTube-Bounding Boxes:含有 5 百万个边界框的 21 万个 YouTube 视频

  • Speech Commands Dataset:数千个人说的简短控制词汇

  • AudioSet:2 百万个 10 秒长的 YouTube 视频,标注为了 527 个不同的声音事件

  • AVA:5.7 万个短视频中标注了一共 32 万个动作标签

  • Open Images:标记为 6000 个分类的 9 百万张带有创意共享许可的图像

  • Open Images with Bounding Boxes:600 个不同类别的图像中带有 120 万个边界框

YouTube-Bounding Boxes 数据集中的样例。视频的分段采样速率为 1 帧/秒,我们关注的物体都被边界框圈了起来

TensorFlow 以及开源软件

一张 TensorFlow 使用者分布的世界地图

谷歌大脑团队一直就有编写工具来帮助更好地做机器学习研究、更好地在谷歌的各个产品里部署机器学习系统的传统。2015 年 11 月,谷歌大脑开源了自己的第二代机器学习框架 TensorFlow,希望整个机器学习大家庭可以共享谷歌在机器学习软件工具方面的这一笔投资。2017 年 2 月,TensorFlow 1.0 发布,11 月,TensorFlow 1.4 发布,都带来了意义重大的改进:便于交互命令式编程的 Eager execution、TensorFlow 程序的编译优化器 XLA,以及为移动和嵌入式设备设计的 TensorFlow Lite。预编译的 TensorFlow 库如今已经被超过 180 个国家的用户下载了超过一千万次,GitHub 上的开源项目(https://github.com/tensorflow/tensorflow  )也已经有了超过 1200 个贡献者。

2017 年 2 月,谷歌大脑首次举办了 TensorFlow 开发者峰会,有超过 450 人到山景城参会,全球还有超过 6500 人观看了线上直播,其中有 35 个国家都在当地举办了超过 85 场集体观看活动。所有的演讲都有录像(https://www.youtube.com/playlist?list=PLOU2XLYxmsIKGc_NBoIhTn2Qhraji53cv  ),其中包括了新特性、使用 TensorFlow 的技巧,以及观察揭秘 TensorFlow 的底层的抽象等等内容。2018 年 3 月 30 日谷歌大脑会再在旧金山湾地区举行一场峰会。(雷锋网 AI 科技评论也会保持关注)

11 月时,TensorFlow 也迎来了自己开源后的第二个纪念日。看到围绕 TensorFlow 建立起的活跃的、不断发展的开发者和用户的大家庭,谷歌大脑的成员们也都觉得非常满足。TensorFlow 目前是 GitHub 上排名第一的机器学习平台,也是 GitHub 上所有开源项目的前五名。大小企业和组织都在使用 TensorFlow,和 TensorFlow 相关的 GitHub 项目也有超过 2.4 万个。如今,许多研究论文在发布时也会带有开源的 TensorFlow 实现来支持他们的实验结果,不仅让别人更好理解他们所提的模型,也便于重现或者拓展他们的工作成果。

TensorFlow 也从其它谷歌研究团队的开源的相关工作中有所受益,比如 TensorFlow 中的轻量级生成式模型库 TF-GAN,一组用于格式模型的估计器 TensorFlow Lattice,以及 TensorFlow 物体检测 API。TensorFlow 的开源项目中包含的模型也越来越多、越来越广。

除了 TensorFlow,谷歌大脑还发布了深度学习 API deeplearn.js,它也是开源的,而且带有硬件加速,可以无需下载和安装就直接在浏览器中运行。deeplearn.js 的主页就有一组很棒的示范例子,包括可以用自己电脑摄像头训练的计算机视觉模型 Teachable Machine、一个基于实时神经网络的钢琴合成器以及性能展示工具 Performance RNN。在 2018 年,谷歌大脑会继续努力,让 deeplearn.js 环境直接运行 TensorFlow 的模型变得可能。

TPU

云TPU最高可以带来 180 TFlops 的机器学习加速能力

从大约 5 年前开始,谷歌大脑的研究人员们意识到深度学习将会强烈地改变对硬件需求。深度学习计算的计算强度非常高,不过它也有两个独特的特点:很大程度上都是由稠密线性代数操作(矩阵乘法、向量操作等等)组成,而且降低计算精度不会带来很大影响。他们意识到,可以利用这两个特点构建专用的硬件,就能够以非常高的效率构建运行神经网络。谷歌大脑向谷歌的硬件平台团队提供了设计输入,然后由他们设计并生产出了谷歌的第一代 TPU。这是一种单芯片 ASIC,专门设计用来加速深度学习模型的推理过程。第一代的 TPU 已经部署在谷歌的数据中心中三年了,它支持了所有谷歌搜索请求、谷歌翻译、谷歌照片中的图像理解、李世石和柯洁对战 AlphaGo 等等许许多多的研究和生产用途背后的深度学习模型运行。2017 年 6 月时谷歌大脑在 ISCA 2017 上发表了论文,数据表明第一代 TPU 要比同时代的 GPU 或者 CPU 竞争对手快 15 倍到 30 倍,同时每瓦性能更要高出 30 倍到 80 倍(https://arxiv.org/abs/1704.04760  )。

云 TPU 集群(TPU Pod)可以提供最高 11.5PFlops 的机器学习加速能力

用 ImageNet 训练 ResNet-50 的实验结果表明,随着 TPU 数量增加,性能增加也几乎是理想线性的

推理任务很重要,而训练过程的加速其实是一个更重要的问题,同时也更难解决。5 月份在谷歌 I/O 大会公布的第二代 TPU 是一个集成的完整系统(定制 ASIC 芯片、电路板以及芯片互联),它的设计目标是能够同时加速训练和推理过程。谷歌大脑展示了单块设备的配置模式,以及多设备组成的深度学习超级计算机集群 TPU Pod。谷歌大脑也宣布,这些第二代 TPU 将在谷歌云平台上作为谷歌云 TPU 向客户提供。同时,谷歌大脑也公开了 TensorFlow 研究云(TFRC),这个项目将会给有意愿向全世界分享他们的研究成果的研究者免费提供 1000 个云 TPU 组成的计算集群的使用权。在 12 月份,谷歌大脑也展示了另一项成果,他们在 22 分钟内在云 TPU 集群上用 ImageNet 训练了 ResNet-50 模型并且达到了很高精度,这项工作在以往的典型工作站上可能需要花费好几天的时间。在谷歌大脑看来,把研究过程中的测试时间缩短到这种程度将会大幅度提高谷歌以及所有使用云 TPU 的团队的生产力。对云 TPU、TPU 集群或者 TensorFlow 研究云感兴趣的读者可以在 g.co/tpusignup 注册后了解更多信息。谷歌大脑非常期待可以让更多的工程师和研究人员在 2018 年用上 TPU!

(本篇结束。下篇中会介绍医疗保健、机器人、多个自然科学研究领域以及创意领域中的机器学习的具体研究案例,以及介绍谷歌大脑在公平性和包容性方面的研究工作。敬请期待)

via GoogleBlog.com,雷锋网 AI 科技评论编译。文章中所提的研究成果的具体细节欢迎阅读我们的往期报道文章。

雷锋网

面对面揭秘,这50家创业公司为什么还活得好好的?| 2017 雷锋网年度特辑


2017年是一个资本的逐鹿场,各种融资纪录被频频刷新。2017年7月,商汤科技完成4.1亿融资;2017年9月,小鹏汽车A轮融资5亿;2017年10月,旷视科技完成4.6亿C轮融资;2017年11月20日,云从科技完成B轮25亿元人民币融资;2017年12月,滴滴完成D轮融资40亿美元;无论是未来的独角兽,还是今日俨然割据一方的小巨头,都在争相加速融资。

风口、泡沫、与机会并相存在。在看到市场加速发条的同时,亦要看到死于泡沫之中的企业。

2017年一年,共有19家投身共享经济的企业宣布倒闭或终止服务,其中包括7家共享单车企业、2家共享汽车企业、7家共享充电宝企业、1家共享租衣企业、1家共享雨伞企业、1家共享睡眠仓企业。除了共享类的经济之外,传统经济的日子亦不好过,沃尔玛3个月连关11店;网易关闭一元夺宝;京东二手酷卖四个月哄然倒下;根据腾讯研究院和IT桔子联合发布《2017年中美人工智能创投现状与趋势研究报告》显示,截止上半年,中美AI公司已倒闭了50家。

市场需要去伪存真,雷锋网作为一家前沿的科技媒体,每每在科技的风口浪潮记录着一群又一群浪潮之巅的弄潮儿,如何诞生、成长、壮大。雷锋网秉持着自己的态度,在无人机盛行之际,遍地无人机起飞之时,我们冷静地指出,亿航的无人机存在着技术上的硬伤。雷锋网永远站在真相的一侧,在英伟达受到舆论攻击之际,雷锋网冷静地分析条款,追问当事人的态度,务求还观众、市场、读者以真相。

在这个特辑里,荟萃着雷锋网深度对话的50家明星公司,他们来自AI芯片、AI+安防、AI+金融、自动驾驶、机器人、新零售等行业,他们之中有的是来自国家队背景、有的是学术明星、有的是业界大佬,有的是独角兽。他们中间包括:小米科技、MagicLeap、寒武纪、深鉴科技、商汤科技、旷视科技、依图科技、优必选、景驰科技、图森未来、蔚来汽车、地平线、出门问问等等;此外,本篇特辑里,不仅聚焦在本土战场,我们的触角延伸到以色列、美国等高新地区的企业,包括来自麻省理工大学的团队、硅谷明星企业Drive.ai 等,在这个板块里,你将读到来自于全球地区的营养。

真正的调研必须是面对面的。雷锋网通过面对面的访谈,听其言、观其行,更重要的是观察创业行为,还原一个真正的商业事实。比如,安防行业是一个进入门槛非常高的领域,从0到1是一个重要的阶段,而大部分的企业就是死于0到1的阶段,作为CV独角兽之一的依图科技真诚地和雷锋网分享了自己所踩的那些雷,在整个业务改造过程当中,什么才能起到引领作用?比如,7月份完成4.1亿美元融资的商汤其背后的业务策略、战略布局是怎么样的;比如,在机器人领域,玩家四起,优必选如何死磕到底,在春晚的前后经历什么样的变化;优必选又是如何跟迪士尼达成合作的?再比如,最近受到官司缠绕的景驰科技,怎么样和产业进行融合,以及关于无人车落地的时间表等等。

在这些对话里,他们真诚地分享关于当下市场的观察、关于未来的预判,关于如何从0到1的商业路径,以及创业路上踩过哪些坑、排过哪些雷,在这里,读懂商业与未来发展的逻辑。

雷锋网在这里,集结各家的经验、智慧,在所有前行者所走过的路里,读懂隐藏着的未来方向。大风起于青萍之末,所有的智慧都潜藏在字里行间,雷锋网真诚希望各位在这里读懂智能与未来。

以下为特辑部分目录(总目录50篇):

AI+:

专访商汤科技徐立:那些说AI竞争技术同质化的人    其实不了解行业现状

旷视科技成立 6 周年,我们和孙剑聊了聊

独家专访:依图是如何完成安防领域的从0到1

……

AI+芯片:

独家专访汪玉:不止是 DPU,深鉴要做 AI 解决方案提供商

独家专访地平线: 地平线如何做到既做算法又做芯片IP

……

机器人:

独家专访优必选周剑:给人形机器人装上“智能心”,才是优必选的终极梦想

在机器人如何陪伴老年人这点上,这家以色列团队的产品有点意思

《独家 | 小 i 机器人朱频频:融资4.5亿,但 AI 生意和地推一样“苦逼”》

……

智驾:

Drive.ai雨中路测后,我们远隔大洋与这家硅谷创业公司聊了聊

专访:蔚来北美CEO:自动驾驶汽车正在路测,看好无线充电

……

目前特辑早鸟价抢购中(限量100份),欲购从速。点击立即抢购可快速购买

购买特辑后,如果您有任何售后问题,可联系我们的特辑小助手:



雷锋网

贾跃亭:我为什么没有在 2017 年最后一天回国?

2018 年的第一个工作日,依然身在美国的贾跃亭,在微博上发布了一则针对此前《北京证监局责令贾跃亭回国履责通告》的回应函。

贾跃亭在回应函上表示,在收到上述的通告内容之后,自己已经与上市公司进行沟通,并形成了债务解决意向;他还委托自己的兄长于 2017 年 12 月 29 日下午前往北京证监局进行了当面沟通和汇报。

至于自己为何没有按照通告要求在 2017 年 12 月 31 日之前回国,贾跃亭并没有刻意说明,但他表示美国的 FF 公司融资已经取得重大进展,有许多工作需要自己来推动,以保证电动汽车 FF 91 量产销售和按时交付。

可见,贾跃亭不回国还是因为自己旗下的 FF 公司。雷锋网了解到,此前贾跃亭已经被诸多金融机构列入“失信执行人”名单,回国之后将被限制出境;而就在前不久,FF 公司自称已经拿到了一笔 10 亿美元的融资,如果此消息为真,则这笔融资对贾跃亭的重要性不言而喻。

针对最为业界关注的债务问题,贾跃亭表示已经提出明确的还款意愿和初步方案,并将通过出售资产获得资金和以资产抵债的方式,来解决上市公司的欠款问题。

除此之外,贾跃亭还委托妻子甘薇、兄长贾跃民全权代理其行使上市公司股东权利和履行股东责任,资产处置的相关工作也由二人来处理。

目前,甘薇已经于 2017 年 12 月 31 日回国,并且在贾跃亭微博发出 5 分钟之后,也发布微博表示自己将负责贾跃亭在国内的债务问题。

以下为贾跃亭的回应函全文:

尊敬的北京证监局:

  收悉通告内容后,我第一时间高度重视,紧急制定了详细反馈函,并与上市公司充分沟通形成债务解决意向,并委托贾跃民先生于 2017 年 12 月 29 日下午前往贵局进行了当面沟通和汇报。

  对乐视体系公司债务危机引发的影响,给社会、政府、投资人、股民、供应商、员工都带来了巨大负面影响和损失,我深感愧疚和自责,在此致以诚挚的歉意。我一定竭尽全力解决债务问题,想尽一切办法弥补造成的负面影响和损失。

  2016 年下半年开始,因乐视体系公司在同一时间布局产业过多,公司管理能力没有及时跟上,导致公司经营情况恶化,从移动手机业务资金链断裂开始,问题持续发酵并不断扩大。

  2017 年 7 月,某银行机构仅仅因为逾期两周未支付 3000 余万贷款利息(贷款余额 12 亿),超倍冻结乐视非上市公司资产和我个人资产合计 261.62 亿元,引发诸多金融机构集中挤兑停止授信并提前追收贷款,绝大多数资产被司法冻结。非上市公司生产经营戛然而止,彻底休克,全面停顿,10000 余名员工被迫解散,公司仅仅只能做的一件事情就是靠出售资产还债。

  部分自媒体的不实或恶意报道,也给公司经营带来巨大影响,导致非上市公司经营性流动资金枯竭,进而引发乐视体系公司全面陷入资金困境。

  虽然非上市公司的股东承担有限责任,非上市公司所欠上市公司的债务从法律上讲不应由我个人承担,但是出于对上市公司的情感和责任,我自愿由我个人全部承担,并拿出我的一切来解决上市公司和非上市公司的债务问题。

  首先,我积极与上市公司充分讨论沟通,提出明确的还款意愿和初步方案,双方形成债务解决意向,通过出售资产获得资金和以资产抵债的方式,解决上市公司的欠款问题,切实履行好上市公司股东责任。

  其次,美国FF公司融资已经取得重大进展,目前有好多工作需要我来推动,保障电动汽车FF 91量产销售和按时交付。

  第三,为更好地解决上市公司债务问题,我已委托甘薇女士、贾跃民先生全权代理我行使上市公司股东权利和履行股东责任。包括资产处置等相关工作,也由甘薇女士、贾跃民先生全权负责处理。我会竭尽全力清偿债务和消除影响,配合上市公司解决债务问题,稳妥处置上市公司风险,切实保护投资者合法权益。

  我再次向社会公开郑重承诺,针对债务问题,我会尽责到底!

  特此回函汇报,谢谢!再次致以诚挚的歉意!

  贾跃亭          

  2017 年 12 月 31 日

雷锋网

2017 BATJ抢滩新金融的迂回:ABCD战略统一,回归科技原点

雷锋网AI金融评论按:在中国人民大学副校长吴晓求看来,中国金融的变革最重要的力量来自于科技,这是中国金融的弯道超车。金融科技领域目前仍处在一个从业者蜂拥而至的行业爆发期,当前互联网巨头们无疑都有着更为显著的技术优势,各自都打出了一套“ABCD”的组合拳(人工智能、区块链、云计算和大数据),但在这条赛道上彼此之间能拉开多少身位,目前尚无定数。

年末将至,雷锋网AI金融评论特别梳理了2017年百度、阿里、腾讯和京东四大互联网公司的金融科技布局,细数这些站在行业潮头的玩家如何在金融科技变局之年“兴风作浪”。

总的来说,做金融,百度起步最晚,但百度是最早确立“以科技赋能金融业”战略定位的。2016年百度世界大会上,百度金融第一次如此金融科技。从这以后,才有后来金融云战略和概念的兴起,以及京东金融与蚂蚁金服的战略转型,继而大家都看到,BATJ最终在以云服务为基础,进行技术输出金融行业的道路上交汇。

值得一提的是,在牌照、监管、资金成本等压力下,科技公司今天有着明确的科技输出的定位,但这会不会只是一个曲径通幽的迂回?他日万事俱备之后,东风吹过的地方,银行将会如何?

作者:周蕾,温晓桦

百度:背靠搜索数据积累,向智能金融发起进攻

百度副总裁、百度金融服务事业群组(FSG)总经理朱光2016年9月在百度世界大会上,首先高屋建瓴阐述了百度对于金融科技的理解、以及人工智能改变金融产业的趋势与机会。他提出:“实现金融科技的路径非常清晰,百度金融现在要做一部分资产,通过这样的场景去印证自身风控模型、反欺诈能力、大数据画像能力;但是仅仅自己做是不够的,我们有很多的合作机构,为他们提供金融云服务、大数据分析能力、以及智能获客的能力。就是一边自己探索,一边还要和机构深入合作。”

在今年7月5日的首届百度AI开发者大会上,百度率先喊出了“All in AI”的口号;7月28日百度宣布将重新架构金融服务事业群组(FSG),计划让百度金融独立运营——这家搜索引擎巨头今年夏天动作频频,野心可见一斑。

与早早抢占社交和网购场景的微信、阿里相比,百度在金融方面的启动似乎稍显落后,但其国内第一搜索引擎的出身,和中国最大GPU集群带来的算力,还是给了百度金融不小的前进底气。据雷锋网AI金融评论了解,百度拥有超过60亿的日搜索,14款亿级用户APP和10亿+移动设备,可在底层建立十亿身份要素、数十亿全网设备数据、上千亿全网行为数据,其大数据能力可覆盖95%+的中国网民。

百度金融所公开的七大AI Fintech布局,以区块链和去IOE开放分布式架构的金融云为基础,搭建智能获客、身份识别、大数据风控、智能投顾和智能客服的上层应用。百度高级副总裁朱光表示,“搜索引擎中搜索行为本来就是对需求的表达。”智能获客就是建立在自身搜索数据优势上,为刻画用户金融画像,从而匹配相应的金融产品。

今年11月推出的大数据风控平台“般若”则是通过梯度增强决策树、深度学习、关联挖掘等一系列手段实现高维数据降维、解决数据稀疏问题,再基于数亿级的用户数据进行图计算,可将信用标签传递,丰富信贷样本。

而在区块链领域,与其说是百度相中了ABS这条路,倒不如说百度是寄望于区块链实现在ABS市场的弯道超车。据Wind资讯的不完全统计,截至到今年10月中旬,蚂蚁金服今年累计发行的ABS规模达1953.4亿元,而百度自去年10月到今年9月的ABS发行规模只有不到160亿元。今年8月底,由百度金融的“百度-长安新生-天风2017年第一期资产支持专项计划”获得上海证券交易所出具的无异议函,该项目是中国首单基于区块链技术的交易所ABS产品。随后在10月加入Hyperledger(超级账本)开源项目,成为其核心董事会成员。

在与传统金融机构的合作方面,百度选择与中信银行共同筹建百信银行,输出其云计算、人工智能等技术实力,以及用户数据挖掘和互联网运营经验,该银行于11月正式开业。至今年1月,BAT都成功拥有了自己的银行牌照,但区别于阿里网商银行和腾讯微众银行的民营属性,百信银行是国内首家采用独立法人运作模式的直销银行。有分析指出,百度AI旗下的生物识别技术或有助于打破直销银行固有的客户身份识别障碍。另外,在今年6月百度与农业银行达成战略合作,农行金融大脑一期工程于11月进入验收阶段。

至此,百度金融定下的三步走战略应已完成三分之二:从2016年的个人理财和消费金融业务夯实,到2017年打造财富管理平台和消费金融平台,能否成功达到2018年提供金融科技解决方案的目标,亟待来年表现检验。

阿里:ET金融大脑+蚂蚁金融云2.0,吃遍传统金融机构

今年6月,蚂蚁金服首次宣布向金融机构开放最新的AI技术,但阿里巴巴今年在金融科技领域真正的大动作,还要看10月ATEC大会上宣布的蚂蚁金融云2.0计划,和年底这场云栖大会上首度露面的ET金融大脑。

较之去年所提出的阿里金融云通过连接蚂蚁金服的生态能量,升级成集多种金融生态于一体的金融云服务,ET金融大脑的构想或许更具体和深入一些。它的定位是“智能决策金融方案”,辅助金融机构实现对贷款、征信、保险等业务的智能决策,并构建了一整套反欺诈风控体系;在金融服务上还可以根据行为特征、时间维度等因素预测客户所需金融产品,搭配具备自我学习升级能力的智能客服系统。据悉,阿里云还推出了时空关系网络,金融机构可借这一信息网络分析研判洗钱、欺诈、骗保和关联交易等违法违规行为。

阿里云金融事业部总经理徐敏表示,通过ET金融大脑,阿里云可将蚂蚁小贷的310能力(三分钟申请,一秒钟放贷,零人工干预)以及消费金融场景下的花呗和借呗能力,赋能给每一家金融机构。

毫无疑问,ET金融大脑这一体系对于缺乏技术支持的传统金融机构来说颇具吸引力。机构可基于这套技术来搭建自己的数字化运营体系,而无需重复开发建设,浪费技术和资金,广发银行便是其中之一。阿里云还跟南京银行、浙商银行均有云计算、智能算法方面的结合,与南京银行的“鑫云”互金平台已经正式上线,聚合超过140家中小银行。阿里云技术也将应用于民生银行核心系统的分布式改造上,但不涉及数据储存。

而在ATEC大会上,蚂蚁金服发布了企业级金融级云计算平台SOFA。这个自称“全世界最强壮”的云平台,经受住了每秒12万笔的大规模金融交易压力的考验。它采用OceanBase为数据库,尽管该技术在业内存在争议,但蚂蚁金融云相信支付宝等众多实战案例已经给出了答案。

作为一个可以支持公有云、混合云、私有云的三云合一架构,蚂蚁金融云2.0表示自己满足金融行业、金融监管的需求,是以科技输出的方式来吸引更多的合作伙伴。

电商起家的阿里,今年在区块链的布局上更青睐供应链金融这一方向。3月,阿里与普华永道达成合作,宣布将区块链技术应用在可追溯的跨境食品供应链上,随后在11月蚂蚁金服技术实验室推出涵盖奶粉和名酒产品溯源防伪的区块链应用。据悉天猫国际也推出了相应的原产地溯源计划,实现新技术赋能行业。

阿里帝国的版图扩张远未有停歇之势,和腾讯系在金融科技领域的争夺似乎不及在其他行业的针锋相对。蚂蚁金融云2.0和ET金融大脑能为阿里攻下多少城池,市场拭目以待。

腾讯:借场景优势和阿里多领域正面交锋

有异于阿里、京东、百度纷纷拆分自家金融业务,腾讯的金融业务与其巨大的社交场景优势密不可分,马化腾表示腾讯没必要为拆而拆。腾讯今年成功点亮业务“九宫格”,手里还有一张蚂蚁金服尚未攻克的证券牌照,但这并非是松懈之时——腾讯金融云甚至把战火烧到了阿里巴巴的大本营,杭州。

今年下半年,腾讯先后和中国银行、招商银行、中信银行和杭州银行分别达成不同程度的战略合作:6月与中行成立联合实验室;11月初与招行成立安全反欺诈实验室;11月底则与中信银行、杭州银行达成金融科技深化业务合作协议和金融科技创新联盟,未来都将围绕互联网业务上云、金融大数据平台搭建、欺诈风险分析及解决等相关内容展开合作。与银行如此频繁“亲密互动”,腾讯想加速布局金融云的意图显露无疑。

在金融云的战场上,强调具备隔离性、合规性、安全性的金融专区建设:专区基于腾讯金融级数据库TDSQL,提供物理服务器托管,以及腾讯安全平台打造的防火墙体系。

尽管腾讯金融云和蚂蚁金融云都选择只做“一半”的打法,开放技术资源和数据给金融机构,搭建大数据分析平台,提供反欺诈风控、数据分析等数据应用,借助云服务,开放计算力从而赋能产业智能化,但QQ和微信两大社交平台十余年来所积累的互联网场景优势不容小觑。打出“AI in All”旗号的腾讯,,决定在精准推荐、金融安全、智能客服和投资决策四大领域中推进“AI+金融”的具体实践。

腾讯金融云总经理胡利明表示,依托微信、QQ等前端带来的流量,以及第三方金融科技企业的合作,腾讯金融云的技术与产品策略都围绕着要成为金融机构建立生态化互联网金融平台首选的提供商展开。而腾讯今年11月发布的区块链金融级解决方案BaaS(Blockchain as a Service)就是构建在腾讯金融云上,直击跨境支付、保险、信用等金融业场景痛点。腾讯区块链此前主要运用在与工行合作的微黄金业务当中,这次则囊括了数字资产等更多领域,例如常见的众筹捐赠这一公益方面中,可能出现的平台方作弊、公益善款流向不透明等问题,腾讯则可运用区块链技术实现资金流向可追溯,解决机构互信问题,信息公开全网共享。腾讯云正与爱心人寿进行深度战略合作,探索将医疗机构、保险公司、卫生信息平台等组织成区块链联盟。

此外,腾讯同样选择了供应链金融的道路,于12月宣布和广东有贝、华夏银行打造首个大健康产业的供应链金融平台星贝云链。

值得一提的是,在这个12月,腾讯接连和北京、深圳两地的金融监管机构分别签署战略合作协议,共同建设地方金融安全大数据监管平台。

在金融科技的战场上,腾讯和阿里的路径颇多相似之处,场景优势上的领先能够支撑腾讯走得更远吗?

京东:京东金融成功拆分,加速追赶BAT

从2017年3月底首次提出从体系内剥离重组,到6月30日完成交割,京东金融的拆分用时不过三个月。BAT各自的优势积累使后来者很难望其项背,但京东金融从内部供应链金融业务开始,用不到四年时间拉开了供应链金融、消费金融、支付、财富管理、众筹、保险、证券、农村金融、金融科技等九大领域的超长战线,试图加快金融布局缩小差距。其金融科技事业部成立至今不到一年半,已经在今年11月推出了自家面向金融行业的企业服务云平台京东金融云。

京东金融云称其主打的FaaS(Fintech as a Service)特点之一是将所有功能模块解耦,例如智能投顾、资产证券化等产品,以达到快速开发和迭代升级的效果,另一特点是将核心金融科技能力进行标准化、模块化、积木式、嵌入式的输出,服务于金融机构的场景拓展、获客、客户运营、反欺诈、风险定价、资产交易等核心价值创造环节,但京东金融云这些功能和技术特点似乎并未与AT两家的金融云有多少显著差距。

FaaS能为京东新增多少市场份额尚无定论,但京东的金融科技输出步伐不可谓不快。在2017年,京东陆续“牵手”6家银行:与工商银行启动全面合作,推出“工银小白”数字银行;与光大银行、江苏银行、大连银行、浦发银行和北京银行都签下战略合作,例如京东金融将提供“安全魔方”这一反欺诈解决方案,提高银行风控能力和效率,并可通过人工智能实现客户的精准画像。自我定位为服务金融机构的科技公司京东金融,正试图以这样的方式迎头追上阿里和腾讯。

京东抢滩金融科技市场的另一关键战略是京东金融AI实验室队伍。今年前微软亚太科技董事长申元庆、前 IBM Watson 首席科学家周伯文和前亚马逊首席科学家薄列峰三位AI重磅人物先后加盟京东;12月,实验室在美国硅谷正式投入运营,京东金融同样希望通过吸纳美国人工智能领域的顶尖人才,结合京东金融场景和业务优势来扩宽发展道路。据京东金融透露,在信用管理方面,京东金融自主研发的RNN时间序列算法可用于用户行为路径学习,对于风险用户识别准确率超过常规机器学习算法3倍以上,这一算法已收录入欧洲机器学习会议。

对于区块链的应用,京东金融较前三家而言的“玩法”更为多变。同样有着电商背景的京东,也加入了运用区块链技术防伪溯源的行列当中:今年6月,京东宣布科尔沁、双汇、五粮液、农夫山泉、爱他美等成为“京东区块链方位追溯开放平台”的第一批试点品牌商。

然而,京东金融结构金融部负责人郝延山认为,资产证券化是区块链的最佳实践场景。京东金融去年9月就已有ABS云平台,今年3月则宣布推出基于区块链技术的资产云工厂底层资产管理系统。京东金融在其中作为资金方,和资产方、SPV方(信托公司)各掌握一把私钥,一旦一笔借款通过京东金融的投资决策引擎审核,交由京东支付完成放款后,京东支付就会实时返回交易流水的唯一凭证,并写入区块链中,即完成了一笔贷款资产的入链。据Wind数据显示,今年上半年金融参与发行的ABS累计发行规模不及百亿,或许有望同百度一样以区块链技术抢占市场份额。

除此之外,京东更是与银联合作推出了联盟链平台,今年5月已测试成功,未来将共同探索区块链在供应链金融、保理、电子票据等领域的应用。

尽管在金融科技领域动作神速,但未来监管层对互金行业的合规要求只会越来越高,京东金融尚无银行、保险等任何一张重磅金融牌照傍身,业务的成功拆分能否补上这个致命漏洞?

雷锋网AI金融评论结语

纵观百度、阿里巴巴、腾讯和京东这互联网四大公司2017年以来的金融科技之路,以人工智能、大数据和云计算为基础的金融云成为标准配置,在区块链的应用方向上则各不相同。巨头们一方面都尽可能拿下更多的牌照,打造更为完善的金融生态体系;另一方面纷纷“拥抱”传统金融机构,试图吞下更大的蛋糕。未来各家的发展道路将会呈现进一步分化的态势,是继续互相制衡还是走向整合之路,答案或许就在来年。

值得一提的是,除了本身的技术能力打造,阿里与百度更是重本投入基础研究——蚂蚁金服率先与清华大学交叉信息研究院成立金融科技研究实验室,并在2017年6月倾情请来人工智能研究的泰斗Micheal Jordan教授。同样,百度也在百度金融成立一周年之际,宣布成立百度金融学院。据介绍,百度金融学院将引进国内最顶尖金融学府、业界大咖等师资力量,为百度金融全体员工进行高端、系统化的金融科技培训。

总的来说,做金融,百度起步最晚,但百度是最早确立“以科技赋能金融业”战略定位的。2016年百度世界大会上,百度金融第一次如此金融科技。从这以后,才有后来金融云战略和概念的兴起,以及京东金融与蚂蚁金服的战略转型,继而大家都看到,BATJ最终在以云服务为基础,进行技术输出金融行业的道路上交汇。

但值得指出的是,这并不意味着,银行可以高枕无忧享受科技公司带来的创新驱动。如清华大学国家金融研究院院长、国际货币基金组织原副总裁、中国人民银行原副行长朱民所指出,今天,贷款、存款、账户管理等表内业务,金融科技都可以做,而且可以做得很好。“金融科技企业向表内业务的蚕食和进攻,只是个时间问题。”

在金融科技的冲击下,传统的银行的内生的产品变成一个社会的外生的产业链的时候,传统银行的业务和市场,其实是被垂直的细分的金融机构在蚕食和分割。如果传统商业银行没有反击,没有积极的动作,用不了多久,金融科技就会一个产品一个产品,一个领域一个领域残解传统的商业银行。

今天,国有大行与科技公司抱团合作的动作异常敏捷,但是,银行在场景占领的战略上,却毫无起色。然而重要的是,没有场景,何来大数据?没有大数据,就没有智慧金融。高调的合作,最终没有改变银行,最后,大数据都掌握在科技公司手上,银行或只能沦为牌照的提供者。

在牌照、监管、资金成本等压力下,科技公司今天有着明确的科技输出的定位,但这会不会只是一个曲径通幽的迂回?他日万事俱备之后,东风吹过的地方,银行将会如何?

雷锋网

Geoffrey Hinton、Andrew Moore、吴恩达等人总结 2017 AI 大事件

雷锋网 AI 科技评论按:近年来,人工智能似乎成为了业内讨论最广泛的科学技术,尤其是在 2017年,人工智能已然是业内关注的焦点。有的人认为,具有超级智能的机器人可以威胁人类、接管世界;也有的人觉得,人类对人工智能的恐惧被夸大了。

因此,当 2017 年即将过去的时候,外媒 Axios 对人工智能圈内的一些知名人物进行了一次采访,看看在他们的眼里,今年最重要的人工智能大事件都是些什么吧。雷锋网 AI 科技评论把他们的呈现介绍如下。

Rodney Brooks,Rethink Robotics 公司创始人

对我来说,今年最重要的人工智能时间,其实是我在电视上看到的一个广告。那是在2017年12月17日礼拜天,当时电视上正在播放美国橄榄球大联盟比赛,其中一个广告是该联盟自己拍摄的,说他们正在使用机器学习技术来分析球迷的想法。广告的结尾,美国橄榄球大联盟展示了自己在亚马逊 AWS 服务上部署的机器学习技术。这是大约三个礼拜之前的一个事情,我觉得它的意义在于,现在机器学习和人工智能技术已经被「炒」的很多了,预计很快就能给橄榄球球迷带来一定影响了。

吴恩达,Landing.AI 首席执行官

 AlphaGo 展现出了强大的计算和数据处理能力,但是卡纳基梅隆大学开发的德州扑克人工智能程序 Libratus 则感觉更具创新。从技术观点来看,这个结果令人感到很惊喜。

Andrew Moore,卡纳基梅隆大学计算科学学院院长

Libratus AI 战胜了四位顶级德州扑克选手,这次胜利是非常重要的,因为这意味着人工智能技术有了极大的提升,已经可以考虑对手可能故意误导等手段了。在一个对信息真实性审查越来越严格的世界里,我们看到新一代人工智能对原始事实开始表现出怀疑,这真的是太神奇了。

Geoffrey Hinton,多伦多大学

我认为,2017年,人工智能在很多方面都取得了很大的进展,但是却没什么突破,比如 2014 年就开始说要在机器翻译里应用神经网络,而 AlphaGo 其实也是2016年的。

在我看来,令人印象最深刻的事情有这么几个:

1、神经架构搜索:它使用神经网络实现自动化设计神经网络的「黑魔法」,现在已经开始应用了;

2、使用注意力的机器翻译,无需循环神经网络或卷积;

3、围棋领域里的 AlphaGo 升级版 AlphaGo Zero,它很快就学会了如何以人类的方式下围棋,而且已经成为了目前最好的人工智能围棋引擎。

Greg Diamos,百度高级研究员

今年,给我印象最深刻的就是斯坦福大学的研究人员团队,他们开发出了首个人工智能「放射科医生」,它可以检测心律失常,然后告知人类医师检测结果。我认为,随着技术的发展,人工智能在医疗领域里的应用会越来越多,这令我感到非常惊讶。

Azeem Azhar,Peer Index 创始人 The Exponential View 策展人

2017 年的人工智能大事件,我会选择两件事,他们都非常重视人工智能技术的应用,而且也都能解决一些过去被人们忽视的问题。

第一个是微软研究院的凯特•克劳福德(Kate Crawford),她介绍了机器学习算法是如何出错的,这个问题会加强和扩大现有的人工智能偏见。

第二个是由剑桥大学阿德里安•维尔德(Adrian Weller)发表的一份论文,其中提到了如何建立算法系统,这些算法系统可以反映出人类对公平的直觉如何。我们必须对凯特•克劳福德和阿德里安•维尔德所提到的问题加以重视,并且刺激科技行业接受。

Terah Lyons,Partnership on AI 执行董事

今年,人工智能还是给我们带来了一些令人心痛的时刻,因为在某些边缘化问题上,人工智能的表现似乎并不太好。比如最近,Kristian Lum 就表示从事机器学习的同事有性骚扰行为,这需要在人工智能领域里引起重视,而且多样性问题绝不是一个侧面表现。

科技行业里的性别歧视似乎越来越猖獗,这对人工智能领域也非常有害,甚至会带来灾难性的后果,其中最重要的原因,就是很多排他性的设计会带来比较严重的问题,而人工智能可以很容易地把问题进一步扩大,并且延伸很多糟糕的人类偏见。

我们所有人都有义务把包容性作为创新首选,特别是在人工智能这样一个有潜力带来巨大利益的领域。2018 年,在人工智能尝试解决的所有重大挑战中,包容性应该是要排在第一位的。

Been Kim,谷歌大脑研究科学家

今年,我认为比较受欢迎的最大趋势,是人工智能可以尝试应对一些可解释性的问题,这意味着我们有了一种可以帮助人类理解人工智能模型的方法。

在今年举办的 ICML 上,就设置了人工智能解释性教程和一些相关的研讨会。此外,在 NIPS 大会上,也有研讨会和人工智能解释性的介绍,明年 CVPR 大会和 FATML 会议也都会有相关议程。

Richard Socher, Salesforce首席科学家

也许,2017年最令我感到印象深刻的事情,就是来自于本月初召开的 NIPS 大会上。伦理,成为了人工智能研究领域里最令人印象深刻的核心主题之一。我有必要提醒大家,人工智能是否能够获得成功,重点在于信任、透明和平等的价值观。

VIA axios,雷锋网 AI 科技评论编译

雷锋网

谈起 2017 年的 VR/AR 时,希望你想到的不是“丧”

马上,我们将迎来 2018 年。

作为专注于 VR/AR 领域报道的媒体从业者,雷锋网觉得过去这一年,尽管 VR 行业没能像我们此前期许的那样,成为新的风口,但不可否认的是,VR 硬件的性能不断提升,并变得越来越轻便化,VR 游戏内容不管是质量,还是数量,也有了质的发展。另一方面,我们看到 AR 飞跃性的发展,通过智能手机,AR 更快地进入我们的生活。

在 2017 年的最后一个工作日,雷锋网编辑整理了这份的 VR/AR 大事件,对行业进行回顾。

苹果、谷歌加入,AR 崛起

6 月份,苹果针对 iOS 11 推出 ARKit 开发平台,通过结合手机摄像头和 SLAM 技术,玩家可实时追踪虚拟物体的位置。9 月苹果正式上线 iOS 11,AR 应用成为手机的一大特色。

8 月底,谷歌针对安卓系统,推出 ARCore,随着不久前 ARCore 的版本更新,谷歌也停掉了对 Tango 的支持。与 VR 头显相比,智能手机为 AR 创造了更广泛的应用场景,并吸引了不少做 VR 内容的开发者们,例如登上苹果发布会展示 AR 游戏的 Directive Games。

从更为宏观的角度看,无论 AR 还是 VR,究其根本还是人们对三维显示的追求,AR 内容的发展最终会促进 VR 内容。

尽管  ARKit 和 ARCore 对手机性能有一定的要求,但亚马逊、Snapchat、阿里、百度、腾讯、京东等国内外公司陆续推出 AR 内容制作平台,以方便开发者快速地创建内容。

有意思的是,除了游戏外,AR 在营销和商品展示方面进展快速。以宜家为代表的传统零售商,以及以亚马逊和阿里为代表的电商,对 AR 抱有极大的兴趣。例如 iOS 11 一上线,宜家便推出了 AR 应用,让消费者在购买家居前,可通过虚拟物体查看;阿里与星巴克合作,将 AR 带入线下店,用技术手段传播星巴克的咖啡文化,这也开启了 AR 新的商业化模式。

此外,智能手机对 AR 的支持也让原本专注于计算机视觉和 SLAM 技术的公司,开始寻找新的应用方向,如雷锋网报道过的 uSens 和通甲优博,在 ARCore 和众多中低端智能手机之间,他们扮演着桥梁的作用。

千呼万唤,Magic Leap 终于公布产品

12 月 20 日晚间,成立 6 年,历经追捧、质疑、员工动荡,Magic Leap 终于宣布了产品 Magic Leap One(以下简称“ML One”):一款分体式设计的 AR 眼镜,包含眼镜 Lightwear、处理器 Lightpack 和一只手柄。

官网上只给出了渲染图,真实物体的样子、具体参数还不得而知。目前我们可以确认的信息是,现在的产品只是创作者版,根据外媒《滚石》的采访,产品分为两个版本:大型号和小型号。

关于佩戴,《滚石》的记者是这么描述的:

戴眼镜时,用户需要拿着带子的任一侧,拉开后,眼镜会分开成左、右、后三部分,用户可以像戴头带一样放在头上。两根短的电线便从头带后面伸出,合并成一个,放入 Lightpack 中。Lightpack 像是平滑连接起来的两个圆形豆荚,中间留有一些空隙。这样的设计可以让你夹在口袋里,或者挂在类似于吉他上的那种肩带上。

眼镜 Lightwear 是“一台可以进行视觉处理的实时计算机,具有机器学习的能力”。同时,Lightpack 功能类似于一台独立的电脑,内置了强大的 CPU 和 GPU。

这家公司到底值不值 19 亿美金,就要看明年 ML One 的真实表现了。

Oculus、HTC Vive迭代一体机,PSVR销量破两百万

我们常说的全球三大 VR 硬件 Oculus、HTC Vive、PSVR,过去一年的表现又如何?

首先,三大厂商陆续实施降价策略。

8 月 HTC Vive 宣布 Vive 由原先的 6888 元永久降至 5488 元;9 月的 Oculus Connect 大会上,VR 业务副总裁的 Huger Barra 宣布 Rift + Touch 手柄套装永久降价为 399 美元,而最初发布时,Oculus Rift 售价为 599 美元,Touch 售价 199 美元。同时,索尼 PSVR 基础套装从原先的 3299 元降至 2999 元。

硬件迭代方面,Oculus 推出一体机 Oculus Go,售价 199 美元,将于 2018 年年初上市,而性能更高的 Santa Cruz 开发者本将于明年发货给开发者。HTC Vive 推出售价 3999 元的一体机 Focus。

索尼只是对面向日本市场的 PSVR 做了一些细节调整,并宣布截止 12 月 3 日,PSVR 的销量突破 200 万,游戏如 VR 版《最终幻想15:深渊魔兽》上线,宣布基于《大圣归来》的 PS4 游戏。

降价很大程度上促进了 Oculus 硬件的销量,HTC Vive 在国内面向 B 端的生意范围越来越广,后者还推出了 Vive Wave 平台,方便开发者对跨平台内容的移植,把长期目标也放在了平台生态打造上,索尼则还是以推出优质游戏为主。三大厂商的发展算是有重点的稳步前进。

微软 MR 头显入场

3Glasses 蓝珀 S2

今年 PC 端 VR 硬件方面,值得关注的就是微软与其他厂商合作的 MR 头显的入场。

2016 年 12 月底,微软宣布将自己的 Windows Holographic 技术授权给第三方厂商,包括华硕、宏碁、戴尔、惠普和联想,打造一系列的 Windows MR 头显。

2017 年 10 月随着 Windows 10 秋季创作者版软件的更新,一些 MR 头显陆续推出,三星也加入微软的合作伙伴阵营,目前国内微软商店上可购买的设备包括惠普和 3Glasses。

微软 MR 头显规定了一定的参数,有了微软的技术背书,除了保证 PC 端 VR 头显的性能和体验外,还拉低了设备的价格,这对 VR 早期的市场教育起了积极作用,而在 Windows 平台的支持下,VR 设备也更容易上手和使用。

AR 眼镜回归行业应用

Google Glass

2017 年 7 月谷歌宣布企业版 Google Glass,并被多个行业使用,涵盖航空、快递、医疗、汽车等等。微软 HoloLens 宣布引入国内后,主打的也是企业用户。

与此同时,国内一批 AR 眼镜厂商相继获得融资,如 4 月影创科技获得由达晨创投领头的近亿元 A 轮融资,Realmax 获得国投智能科技有限公司的 2 亿人民币 A 轮融资 ;5 月 0glass 宣布数千万元融资,领投方为三一重工旗下产业基金照明资本;8 月亮风台完成索道资本领投的近亿元 B 轮融资;耐德佳完成联想创投投资的数千万元 Pre-A 轮融资。

与消费者市场相比,显然,行业应用对 AR 眼镜的需求要大得多。而什么时候进入消费市场,库克曾接受媒体采访时谈到,“市场上你能看到的任何技术,我们都不满意。我们确实有了一些想法,但是还在等技术的发展,等技术跟上我们的想法”。

可见,一款面向普通大众的 AR 眼镜还有不少技术难关需要突破。

最后的话

对于 VR/AR,这一年有很多好的事情,它依然被各大媒体判断为来年的十大趋势之一,这一年,我们也看到了一些“丧”的时刻。Oculus 年初深陷与 ZeniMax 的侵权案,他们还关闭了 Story Studio;VR 创业公司经历了裁员、倒闭、转行;VR 内容开发者开始考虑其他盈利方式……而经过一番“优胜略汰”,有不少公司仍然坚持在这条路上,在 VR/AR 早期发展阶段,找到“活下去”的方法。

雷锋网依旧期待明年 AR/VR 的发展。

雷锋网