过去两年，电子商务对实体零售行业的冲击太大。全球范围内，诸多实体店接连倒闭，就连沃尔玛这样的国际零售巨头也不例外。


据统计，2012年沃尔玛在华关闭门店5家，2013年关闭15家，2014年关闭25家，2015年关闭1家，2016年关闭13家，而今年的“关店潮”或许将会进一步扩大。


尽管沃尔玛关店不断，但小编认为，这或许是其运营优化的一部分。因为，关掉业绩较差的店面，可以压缩运营成本，减少企业亏损，改善销售和回报效率。如此一来，流动资金就会大大增加，从而有助于更好更快地发展。


此外，值得注意的是，近几年沃尔玛在关店的同时，也在积极探索建立线上与线下相结合的销售模式，试图用“新零售”提升自己的运营能力。


那么，沃尔玛的“新零售”突围，到底是抱大腿，还是寻死路?




发力线上业务 扩大O2O版图
 

1在海外市场：          
 
沃尔玛于2016年极力发展电商，从去年至今，收购了不少电商网站。例如：搞运动服饰的Moosejaw、卖鞋的ShoeBuy、电子商务创业公司Jet.com等。


在实施“新零售”战略的道路上，沃尔玛通过移动端的技术应用，实现了线上线下的协同，提高了用户与实体店互动的体验、服务和营销，推行了全渠道商务模式，即支持在线购买、线下提货;在线下单、实体店发货，帮助实体零售更好地整合门店与电商渠道。


同时，沃尔玛APP还可以让用户进入某家门店时自动切换到“店内模式”，并提供店内商品导航、电子优惠券和自助结账等服务。



2在中国市场：        
 
此外，沃尔玛的探索还包括试点卖场O2O服务平台——速购，以及投资1号店，追求电商和门店的整合发展。


前不久，沃尔玛还开始与京东进行了更深层次的合作。可以看出，沃尔玛在电商业务上押了很大的赌注。


据悉，沃尔玛希望通过与京东到家合作，在三年之内将中国区线上销售的占比提高到20%，而目前沃尔玛的线上销售主要是通过包括线上山姆会员店在内的自营APP实现的。


不过，小编认为，尽管京东到家是沃尔玛在华实施“新零售”战略的主要抓手，但是，一旦类似京东到家这样从平台端到“最后一公里”的O2O模式被广泛采纳，那么，实体店和电商的竞争将无差别化，最终还是要回归到商品和服务上面。


由此可见，沃尔玛关店并不代表传统线下渠道无力回天，这恰恰是线下门店和线下渠道资源优化配置的一个过程。而这个过程正是线下价值的一次重新发现;同时，这也说明，沃尔玛并不甘心持续衰落。




做好线下渠道 奠定扎实基础


事实上，沃尔玛未来到底能否通过电商实现止衰，这还要取决于其线下的供应链能力。因为，供应链能力和商品力决定了沃尔玛线上的竞争力。


接下来，就让我们一起来看看，沃尔玛的供应链能力到底有多强大。


1无缝物流。        
 
据悉，沃尔玛各分店的订单信息，就像涓涓细流传递到配送中心，配送中心整合后正式向供应商订货。供应商可以把商品直接送到订货的商店，也可以送到配送中心。


在配送中心，计算机掌管着一切。供应商将商品送到配送中心后，先经过核对采购计划、商品检验等程序，分别送到货架的不同位置存放。


当每一样商品储存进去的时候，计算机都会把他们的方位和数量一一记录下来;一旦商店提出要货计划，计算机就会查找出这些货物的存放位置，并打印出印有商店代号的标签，以供贴到商品上。


整包装的商品将被直接送上传送带，零散的商品则由工作人员取出后，也会被送上传送带。商品在长达几公里的传送带上进进出出，通过激光辨别上面的条形码，把他们送到该送的地方去，传送带上一天输出的货物可达20万箱。


对于零散的商品，传送带上有一些信号灯，员工可以根据信号灯的提示来确定商品应该被送往的商店，来取这些商品，并将取到的商品放到一个箱子当中，以避免浪费空间。


配送中心的一端是装货平台，可供130辆卡车同时装货;另一端则是卸货平台，可同时停放135辆卡车。据了解，配送中心24小时不停地运转，平均每天接待的装卸货物的卡车超过200辆。






(沃尔玛物流车队)


为了节约成本，沃尔玛总是用一种大型卡车运送货物，约有16米加长的货柜，比集装箱运输卡车还要更长或者更高。同时，这些车辆都装有卫星定位系统，每辆车在什么位置、装载什么货物、目的地是什么地方，总部都一目了然。


可以说，灵活高效的物流配送，使得沃尔玛在激烈的零售业竞争中技高一筹。沃尔玛可以保证，商品从配送中心运到任何一家商店的时间不超过48小时，其分店货架平均一周可以补货两次，而其他同业商店平均两周才补一次货;通过维持尽量少的存货，沃尔玛既节省了存贮空间，又降低了库存成本。



2供应链管理。        
 
在供应链环节中，沃尔玛的战略恰恰应了中国一句老话，“磨刀不误砍柴工”。它不是将物流环节视为企业的成本中心而尽力缩减投入，而是将其视为利润中心，采用全方位的电子系统控制、最先进的技术，以及对供应商的高标准要求，从而实现供应链高效益的运转。


据悉，沃尔玛拥有一种叫“零售链接”的系统，可以使供货商们直接了解到商品的销售情况，以此来决定生产计划。这样一来，他们的产品成本就可以大大降低，从而实现无缝对接。


据了解，零售链接的“原型”是沃尔玛和宝洁公司为促进销售而建立的自动定发货系统。双方企业通过EDI和卫星通讯实现联网，借助于这种信息系统，宝洁公司除了能迅速知晓沃尔玛物流中心内的纸尿裤库存情况外，还能及时了解之尿裤在沃尔玛店铺的销售量、库存量、价格等数据。


这样一来，不仅能使宝洁公司及时制定出符合市场需求的生产和研发计划;同时，也能对沃尔玛的库存进行单品管理，做到连续补货，防止出现商品结构性机会成本(即滞销商品库存过多，与此同时畅销商品断货)。


而沃尔玛，则从原来繁重的物流作业中解放出来，专心于经营销售活动，同时在通过EDI从宝洁公司获得信息的基础上，及时决策商品的货架和进货数量，并由MMI(制造商管理库存)系统实行自动进货，从而加速了资金周转、提高了资金效率。


沃尔玛将物流中心或者仓库的管理权交给宝洁公司代为实施，所有权仍然属于宝洁公司，这样不仅沃尔玛不用从事具体的物流活动，而且由于双方企业之间不用就每笔交易的条件(如配送、价格问题)等进行谈判，大大缩短了商品从定货经过进货、保管、分拣到补货销售的整个业务流程的时间。


事实证明，自从实行产销联盟以后，沃尔玛店铺中宝洁公司的纸尿裤商品周转率提高了70%，与此相对应，宝洁公司的纸尿裤销售额也提高了50%，达到了30亿美圆。而且从此以后，沃尔玛一直采用单环节的直接交易形式，为其全面控制流通成本、塑造新的竞争优势奠定了坚实的基础。


总而言之，沃尔玛线下的供应链能力还是比较强大的。“新零售”也好，“旧零售”也罢，作为实体店，做好线下渠道的基本功只能加强，不能减弱。未来，沃尔玛能否借助电商止衰，还有待观察。
 
 
 
 

更多内容请关注：www.imefuture.com





 
 
 
来源：微信公众号 第一物流网   吴迪璐/整理 查看全部

机器人核心零部件和关键技术国际论坛主席致辞：我国机器人产业发展需要协同创新
 
 
 
 
小编导读 

2016年10月23日，由清华机器人技术与产业协同创新联盟、中国科技自动化联盟主办，北京易能立方科技有限公司、亦创智能机器人产业研究院承办的“2016世界机器人大会之机器人核心零部件和关键技术国际论坛”在北京清华大学成功举办。本论坛聚焦在机器人关键技术与核心零部件，探索前沿技术，洞察产业趋势、交流市场动态，梳理发展路线。


今天小编分享2016世界机器人大会之机器人核心零部件及关键技术国际论坛中方主席陈恳教授的致辞……


机器人技术是近年高新技术发展的重要领域之一。随着技术的日益进步，全球机器人产业快速发展，产业规模和市场空间不断扩大。为了保持竞争上的优势，目前各国都很重视技术创新，机器人产品日益智能化、系统化、模块化。机器人产业也从最初的以工业机器人为主，逐步转变为工业机器人、服务机器人和特种机器人并行发展。机器人的使用领域也不断扩大，以工业机器人为例，工业机器人的应用领域不断从汽车制造业向机械、电子、食品、物流、建材，以至于航空、航天和船舶制造等领域渗透。可以说目前人类社会正逐渐走进一个机器人的时代，未来机器人与人工智能技术相结合，将使得机器人更加深入到社会生产和生活之中。

 

相对欧美等发达国家，我国对机器人相关技术的研究晚了三十多年。近年来我国机器人的技术迅速发展，取得了巨大的进步。但是整体来说在基础研究、产品研制和制造水平上面与先进国家还有很大的差距。尤其是在机器人核心零部件和关键技术方面，还受制于人，很多关键部件还大量依赖进口。但我们同时也看到目前控制器、伺服驱动器、电机、减速机、传感器等核心零部件均有若干国内厂商涉足，有些已初步形成产业化；机器人驱动技术、运动控制技术、建模与仿真方法、编程与控制软件平台、状态检测与预测性维护、多传感器融合、人机协同等技术在国内部分研究院所和企业也已取得阶段性研究成果或开始起步。

 

为了加强机器人领域的自主创新，需要我们系统的规划和建立良好的产学研体系，构建企业和科研院所之间稳定的、互惠的、共生的组织模式，发挥企业和科研院所各自的优势，通过技术与产业的协作形成共赢。机器人核心零部件及关键技术论坛，就是定位在技术经验分享与交流，旨在为机器人领域的研究人员、技术从业人员、创业者、相关领域老师、学生提供一个互动交流的平台，通过领域内的学术交流以及学术界与工业界之间的交流，提高国内机器人领域的产学研合作和协同创新水平。

 

2016年10月23日，由清华机器人技术与产业协同创新联盟和中国科技自动化联盟联合主办的2015世界机器人大会之机器人核心零部件及关键技术国际论坛又将举行，这又将是一次机器人行业进行经验交流和技术分享的盛会，是促进技术与产业协同合作的盛会。我衷心预祝本次论坛活动取得圆满成功。

 

陈恳

清华大学责任教授

2016世界机器人大会 · 机器人核心零部件及关键技术国际论坛中方主席

2016年10月23日
 
 
 
 
 
 
来源：陈恳 科技自动化联盟
智造家 查看全部

本文由「华兴有个 Alpha」整理自胡博予在华兴 Alpha 线下活动「投脑风暴」数据服务主题投资人沙龙上的主题演讲摘要。


演讲者简介：胡博予是著名的风险投资人，XVC 的合伙人。在创办 XVC 之前，他在金沙江、DCM、蓝湖资本工作过，期间发掘并推动对 51talk（股票代码 NYSE:COE）以及美菜、快手、优信拍等「独角兽」的投资。在进入风险投资行业前，博予有近 10 年的创业经验。他参与创办了信贷管理软件公司安硕信息，领导了核心产品线的开发，帮助公司在竞争激烈的市场中取得接近垄断的地位并最终上市（股票代码 SHE:300380）。

XVC 是一家风险投资机构，单笔投资 1000 万到 1 亿之间，致力于寻找和支持最优秀的企业家，共同创造长期价值。



以下为全部演讲内容：


一、机器的进步

说一个我的观察。我们发明机器是为了解决问题、提高效率的。他们在怎样进步呢？首先，是处理速度越来越快。然后，他们联网了，而现在他们正在变得越来越聪明。因为算法越发先进，计算能力也足够强大，可以用各种各样新的机器学习的方法来沉淀经验。



二、机器能帮我们做什么——代替重复劳动

首先我觉得机器是能够将人类从重复劳动中慢慢解放出来的。随着技术的不断成熟，还有学习曲线长度和深度的延展，技术的边界也在不断向外部推移，很多本来需要人去做的劳动，像制造业的许多环节，也包括像洗衣服这样其实每天都要做的事情，都可以由机器代劳。

随着机器越来越聪明，它越来越能够处理复杂工作，可以现场做很多决策，比如做饭、仓库分拣、记账等等。我最近看了一个项目，是用图像识别的无人机来送快递。过去快递不发达也是因为经济模式太弱，效率低。比如说人烟稀少的地方，送快递一个人送一箱出去，可能只能送一件东西，回来再送，每天只能送几个包裹，这个情况就特别适合用无人机或无人车来送。

编程可能是最后被替代的活动，因为一旦机器能自己写程序让自己变得更聪明，世界就到达了一个「奇点」。






 

三、机器能帮我们做什么——缩短经验差距

我看到另外一个趋势，就是机器在不断缩短经验带来的差距。

很多行业，比如说像数据分析员、老师还有医生，这些行业都非常依赖经验，一个很有经验的老师教学生的效率就很高，一个很有经验的医生看病的效率也很高。但经验这个东西其实并不复杂，一个老师教出来的学生最多几千个，我父母都是老师，他们教了几十年的书，每年就教几十个学生，有可能连续 3、4 年就教同一届学生，一辈子教十几届。所以这种经验，其实积累的样本数量是要远远小于机器能够处理和积累的。

当机器开始可以积累经验，把大量的样本作为经验沉淀下来，沉淀到自己的神经元网络里面，就有可能提升该领域没有经验的从业者的工作效率，或者干脆替代这些人，趋势就是让有经验的人和没有经验的人之间的差距越来越小。现在有一些行业的人力已经被替代了，现在 99% 的股票交易的指令都不是人下的，是机器下的。

像大家看到的广告，大部分都是机器在买的广告位，机器根据经验和数据决定，这个时间点对这个人展现什么广告，这些东西都已经被机器取代了。我觉得未来可能在医疗行业，在销售管理这些领域，都有可能用机器的经验来缩短人和人的差距，还可能出现虚拟的销售、虚拟的医生以及虚拟的老师。

VC 这个行业是不是会被替代呢？其实不容易。VC 的学习曲线倒不是最长的，因为我觉得经验太多了有时候也是坏事。核心原因是因为数据量太小了，要训练好一个机器需要足够多的样本，但是实际上好公司一年才出几个，真正优秀的创业者也很稀缺，没有那么多好的样本让你训练。而且用样本来训练，只能用过去的样本，但是 VC 是投资未来的东西，每一个时代可能冒出来的创新的特征也不一样，所以 VC 很难用机器来替代。机器和数据最多可以帮助我们提高一点工作的效率。






 

四、机器能帮我们做什么——为我们个人的决策提供支持

机器还可以帮助我们每一个人做决定。

举例来说，我们考虑去哪儿吃饭，某些手机 App 可以把你周围的餐厅根据你的喜好做顺序推荐。你要买什么东西，淘宝的推荐是非常个性化的，可以根据你的购买和搜索记录来猜你想买什么东西，你应该买什么样的东西。当各种各样的数据都已经被结构化的时候，有可能机器比你自己更了解你，而且人还是会被情绪所影响，但是机器能够更客观的去帮你做决定。也许有一天他们能告诉你，你想泡的妹子和你不适合，因为你们俩 DNA 里同时有某个隐性的基因可能会导致一种遗传病，而且根据大量数据和你们俩的行为，机器计算得出结论，你们的恋爱关系有 99% 的概率维持不了 3 个月，或者你们婚后的幸福指数会很低。








五、最优机器得到全部数据——一个激进的猜想

我有一个猜想，就是，市场是一只无形之手，可能最后让一个机器智能得到全部的数据。这个观点有点激进，但是至少在一些垂直领域，比如说教育行业，可能有一个终极的 AI，它是最聪明的，它知道对不同的人用什么方法，让他（她）学什么样的东西，做什么样的题，他（她）的学习效果最好。因为它最聪明，所以用它的人就最多，用户最多，它的数据就最多，数据最多所以就最聪明。其实这件事情不仅教育领域会发生，很多领域都有一个规律，数据越多体验越好，体验越好数据越多。

人的各种不同的行为和喜好，其实都是有关联的，和我们个人的基因有关，也和我们的社交网络和环境有关。由于市场规则总是对效率有极致的追求，所以最终可能会让一个 AI 得到全部的数据输入。



六、逆天而行的机器智能

我最后分享一个还不是很成熟的观点。就是这个机器智能有可能再次，或者最后一次改变物竞天择的规则。






我们看人类的历史。其实在 300 万年前，那个时候大家可能还是大猩猩，我们的祖先主要的做的事情是跟自然环境和其它物种做斗争，最适合的那一小群活下来了，所以那个年代是优秀的个体基因胜利。

从 300 万年前到 100 万年前，这个时候人类已经发达到群体作战的程度了，因为人类的协作能力的领先性，基本上其他物种在那个时间大规模的灭绝。这个阶段人类的敌人就是其它的人类，基本上每个团体人数成长到一定的程度，例如超过 150 个人，就会自动分拆。

我最近看的一本书《教养的迷思》的作者做了研究，发现只要把一群人放到一起，只要人数达到一定的规模，就可以慢慢的分群，人有一种思维习惯，对自己这一群人特别认同，逐渐的这群人的行为就会越来越像。跟别的人群差异就会越来越大。人群和人群之间，因为有这种同类认同，就会憎恨其他的人群，然后就开始打仗。所以这个时候已经不是个体基因的竞争了，其实已经是「集体基因」的竞争，一个部落的竞争力是这个部落的组织形态和运作机制，其实还是基因驱动，是跟集体相关的那些基因在起作用，那些基因能够帮助这个部落组织起来，用高效的方式把其它的部落给干掉。

那么在一万年前到 70 年之前，就是我们的学历史主要学到的这一段，主要是国家跟国家的战争，一个国家跟另外一个国家争控制权，不断打仗。人类历史上，其实战争并没有停过，某种意义上战争是生命演化的本质，所有的物种之间在争斗，物种内也是在争斗。这一段，已经和基因没有太大关系了，主要是社会体制之间的优胜劣汰。

终于到 70 年以前发生了一件事情，人类停止大规模的战争了，现在大国之间都不打仗了。我们从 70 年前到现在，进入这样一个核威慑的时代，不但不打仗，社会生产力还持续提高，再加上人类无止境的欲望，带来所谓的第八大奇迹——经济的「复利」增长。

这一段实际上人类社会很多落后的体制开始慢慢的变异，全球范围内政治经济机制慢慢趋同，国家间文化也逐渐渗透。其实我觉得从一万年前到现在这一段时间，从个体基因的角度，可能是在退化的。《枪炮、病菌与钢铁》的作者，在一些没有被现代文明覆盖的岛找到一群人，智商是比现代人要高的，因为他们还是在原始采集环境之下，个体基因还是不断的在进化。他们的生存率并没有那么高，而且也不是现代社会的一夫一妻制，导致不适合的基因会被淘汰，优秀的基因能够得到更好的延续机会。现代社会，绝大部分国家地区都是一夫一妻制，聪明和笨的人都大概率能保证有机会生孩子，而且更奇怪的是，越贫穷的人生孩子越多。另外在文明社会中，大规模的人口灭绝，主要是因为瘟疫，跟个体基因是否优秀是没有关系的。这些因素都导致个体基因在退化。






那如果我们再往后看，当我们每个人都把很多决策权跟控制权的一部分的或者全部交给机器智能之后，会发生什么事情呢？当计算能力变的无穷大，当数据变的无孔不入，机器智能慢慢把这个社会各种重要的角色承担起来，而当机器具备这样的计算能力的时候，物竞天择适者生存的天条是否还存在呢？我有些简单的猜想。

「市场的无形之手」也许变得不再那么重要，让机器来做计划，也许反而更高效。

「生产力的比较优势」和社会制度、文化的关系变小，可能更多会和自然资源更相关。「退全球化」的趋势也许会持续相当长时间。当国家之间的互相依赖减少，人性中“同族认同、跨族排异”的本能也许会发挥更大的作用，各国间意识形态的差异可能会加大。也许 Internet 会慢慢变成一个一个的局域网。

核威慑仍然存在，所以国家之间的竞争依旧不是战争和物种消灭。资源的争夺会在停留在经济和信息技术层面。

智力基因和它被遗传的能力仍然不存在正相关（甚至可能负相关），所以个体基因会继续「退化」。

社会资源的分配不均的趋势会持续下去，导致最后可能只能依靠政治权力来强行重分配（或者反过来，资源控制者主导重新分配政治权利，回到「帝国时代」），而生产力和社会制度的关系也在减弱，所以社会体制可能也会「退化」。

这就是一些我对数据和机器智能未来的一些胡思乱想，跟大家分享一下，谢谢。
 
 
 
来源：人工智能学家
智造家提供 查看全部

 只要说到物联网的未来，就不免提到两个数字：2020年时全球物联网IOT设备数量将高达250亿台，市场规模达到71，000亿美金。这两个数字出自市场研究单位，准确性本来跟预测30天之后的气象接近，值得参考，但不必当真。

对新创公司而言，面对这么庞大的数字，有如一只小蚂蚁走进巨大的糖厂，令它目眩神迷不知所措的是：该从什么地方咬第一口?

这两个数字也许会有误差，但我们更应该留意两者的比例，如果250亿台物联网IOT设备能创造71，000亿美金的市场，代表每一台物联网IOT设备平均能够带来大约300美元的产值。






这300美元包括那些项目？


●从硬到软的物联网IoT垂直组合


从垂直角度来观察，物联网产业大致由以下四个的领域组成：

1.硬件。主要是五花八门的物联网IoT设备，以及相关的通讯设备。打开一个物联网IoT设备，里面有各式各样的感测IC(压力、温度、气体成份、光线)、通讯IC(Wi-Fi、Bluetooth BLE，ZigBee，Z-Wave)、微控IC(microcontroller)、机械零件、固件、外壳等。用比较宽松的估计，硬件售价大约10%左右，也就是300美元中的30美元。


硬件有许多可以着墨的地方，但因为物联网IoT多半要遵循国际标准，以确保硬件彼此的相互操作性，除非拥有品牌优势，否则迟早会成为红海市场。如何持续增加附加价值，将会是从业者最大的挑战。

2.系统组成、架设与维修。除了消费者个人使用的物联网IoT设备外，多数需要系统集成公司提出解决方案，然后负责架设，然后提供未来的维修工作。在美国一般这类费用跟硬件相当，因此大约也占10%，是一个可观的市场。

3.从设备端、中间端、到后台管理的各式软件。每一个物联网IoT设备(特别是可穿戴设备)都少不了应用程序，许多设备间要能够互通讯息，交换数据，也需要中间软件(middleware)。一家企业管理庞大的物联网IoT网络，自然也需要新一代的企业软件，跟现有的ERP软件挂钩，协助企业经营和决策。这是附加价值极高的产业，粗略估计应该占物联网IoT价值链的30%左右。

4.数据分析、管理与监控。物联网IoT要能蔚为潮流，使用者必需真正得到好处，其中不只是增加效率，更重要的是能够翻转企业运营，颠覆商业模式。未来要能做到信息等于资源，销售与工厂零落差，就必须利用大数据、机器学习、人工智能等技术，随时随地能在海量的数据中萃取出有用的信息，实时处理。这个领域附加价值最高，也是物联网IoT最主要的成长动力，至少会占到50%的比重。


●铺天盖地的物联网IoT水平应用


从水平的角度来分析，物联网IoT应用的领域从跟人最接近的穿戴式设备，到隐藏在城市、工厂、公共设施各角落的各种设备，从近而远，可以用下图显示，基本上物联网IoT涵盖了人类社会的食衣住行育乐种种活动，拥有无孔不入的潜力。

●思考物联网IoT，为中国未来做体检

物联网IoT是一种未来社会的生活型态，也是一个具有发展潜力的产业。越能及早规划以物联网IoT为骨干的未来社会，看清楚可能产生的问题，提出对治方案，就越有发展物联网IoT产业的能力，两者必然相辅相成。

但是物联网IoT影响社会生活的层面太广，从食衣住行育乐到生老病死，从社会安全、人权保障到社会互信互助，从民生、经济、法律到政治。思考未来物联网IoT对社会和经济的冲击，寻找利多弊少的最佳发展途径，等于是为中国的未来做一个总体检。中国究竟像一位20岁的年轻人，愿意拥抱改变，追求不一样的未来?还是像一位60岁的临近退休人士，唯恐失去手中所拥有的现状，因而不知如何面对未来?透过思考物联网IoT这样的模拟体检，也许可以看出一些端倪。   
 
 
 
 
 
（来源：物联网之家）
智造家提供


  查看全部

在今天的 Google Research 博客中，谷歌介绍了一种能够从低分辨率图像中生成高质量图像的技术 RAISR。
 
 
每天网络上都会分享和存储数百万张图片，人们可以在这些照片中探索世界、研究有趣的新话题、甚至是与亲朋分享自己的假期生活。然而，很多图片会受到拍摄设备像素的限制，或者会因为手机、平板电脑 h 网络的问题而导致图像质量的下降。随着家用和移动设备上高分辨率显示器的普及，对低分辨率图像的高质量版本、快速查看以及可从多种设备分享的需求已得到了前所未有的提升。


在论文《RAISR： Rapid and Accurate Image Super-Resolution（快速准确的图像超分辨率）》中，我们介绍了一种结合了机器学习的技术，它能够生成低分辨率图像的高质量版本。RAISR 生成的效果可以比肩甚至优于现有的超分辨率方法，而且处理速度要快上 10 倍到 100 倍；同时，它还可以在典型的移动设备上实时运行。此外，我们的技术还能避免低分辨率图像中存在的重塑走样问题。


上采样是一种从低质量图片中生成尺寸更大、像素更多、质量更高的图像的过程，已经存在相当长的一段时间了。上采样中一些众所周知的方法是线性方法，它通过使用附近现有像素值的简单固定组合来填充新的像素值。这些方法很快，因为它们是固定的线性过滤器（一个均匀应用于图像的恒定卷积核）。但是这种让上采样快速运行的原因也是让使得它们不能有效地在更高分辨率的结果中给出更生动的细节。在下面的例子中可以看到，上采样的图像看上去比较模糊，你很难说这样的图像是被增强过的。





左图：低分辨率原图，右图：简单的（双三次）上采样版本（2×）


有了 RAISR 之后，我们就可以使用机器学习，并且可在图像对上进行训练了，一个低质量，一个高质量，然后你会发现，当它可选择地应用在低分辨率图像的每个像素上时，它会重塑出与原图质量相当的细节。RAISR 可以用两种方法训练。第一种是「直接」的方法，其中过滤器是直接从低和高分辨率的图像对中被学习。另一种方法需要首先将一个低计算成本的升频器应用到低分辨率的图像上（如上图）然后从上采样和高分辨率的图像对中学习过滤器。虽然直接的方法计算的更快，但是第二种方法允许非整数比例系数（non-integer scale factors），同时能更好的利用基于硬件的上采样。


对于这两种方法，RAISR 过滤器都可以根据在图像块中找到的边特征（edge feature）来获得训练——即亮度/颜色梯度、平坦/有纹理的区域等等——其特征的确定是通过方向（direction，即一个边的角度）、强度（strength，锐利的边有更大的强度）和相干度（coherence，一种对边的状态的度量）。下面是一组 RAISR 过滤器，它们是从 10,000 对高和低分辨率图像对的数据集中学习到的（其中低分辨率图像首先会被上采样）。其训练过程大概用去了一个小时。





合并为 3 倍超分辨率图像学习的 11×11 过滤器。这些过滤器可以为超分辨率系数，包括分级系数。其中，当边缘角度改变时，我们看到过滤器的角度也随之旋转。同样的，随着强度增加，过滤器的锐度也随之增加，同时过滤器的各向异性也随着相干性的增加而增加。


从左到右，我们看到学习过滤器选择性地对应正在重建的下边缘方向。例如：底部行中间的过滤器最适合保持强水平边缘（梯度角 90°）同时具有高度相干性（一条直的，而不是弯曲的边缘）如果这条相同的水平边缘是低对比度的，则顶行中会有另一个过滤器被选中。


在实践中，运行时（at run-time）RAISR 会选择并应用学习到的过滤器中与低分辨率图像中每个相邻像素最相关的过滤器。当这些过滤器被应用于低品质的图像时，它们会重建具有原始高分辨率的的质量细节，对线性，双三次或 Lanczos 插值法等方式有显著的性能提升。





上图：RAISR 算法运行时，应用于低功耗的高效输出。下图：低分辨率原图（左），双三次上采样器 2×（中），RAISR 输出（右）。


一些 RAISR 应用的实例：





上图：原图像，下图：RAISR 超分辨率 2×





左图：原图，右图：RAISR 超分辨率 3×


超分辨率方式的复杂之处在于消除混叠效应，如在较低分辨率渲染高频内容时出现的轮廓图案和锯齿（有时图像会被刻意降低分辨率）。根据底层特性的形状，这些伪像（artifacts）变化复杂，还难以被还原。





图中右下是低光条件下的混叠效应的一个实例


线性方法不能修复底层结构，但是 RAISR 能够做到。下面就是一个例子，左边低分辨的原图在数字 3 和 5 下出现了明显的混淆空间频率（aliased spatial frequencies），而右边的 RAISR 图像修复了原始结构。RAISR 使用的这种过滤器学习方法的另外一个重要好处就是让其拥有专门化的降噪能力，即移除在其训练过程中针对单个压缩算法（例如 JPEG）的压缩失真（compression artifacts）。通过提供这样的人工样本，RAISR 能够学习消减除分辨率增强外的其他影响，就像在结果过滤器中调制一样。





左侧：有很强的混淆现象的低分辨率原图。右侧：RAISR 输出，消除了混淆现象


使用一个或多个画面的超分辨率技术，已经取得了很大的进展。如今，机器学习的使用串联了已经发展了数十年的图像技术，在图像处理方面取得了很大的进展并产出许多潜在的价值。例如，除了提升你在手机上双指放缩图像的质量外，你还可以捕捉、保存或者传输低分辨率图像并按照自己的需求超分辨这些图像，在质量上没有视觉上的降低。而且除了没有明显的质量损失，它也利用了更少的移动数据与储存方案。


下面是对该论文的摘要介绍：
 
论文：RAISR：快速且准确的图像超分辨率（RAISR: Rapid and Accurate Image Super Resolution）






给定一张图像，我们希望能得到一张其对应的更大尺寸、有显著更多像素、更高图像质量的版本。这个问题通常被称为单图像超像素问题（Single Image Super-Resolution (SISR) problem）。其思路是：使用足够多的训练数据（对应的低分辨率和高分辨率图像对），我们就可以训练出一组过滤器（filter，即一种映射），当我们将其应用于一张非训练集的图像时，它就能产生一张该图像的更高分辨率的版本，其中的学习（learning）部分最好应选择低复杂度（low complexity）的。在我们提出的方法中，运行时间（run-time）比目前可用的最佳竞争方法快 1 到 2 个数量级，同时我们的方法还能得到可与当前最佳结果媲美甚至更好的结果。


一个与上述问题紧密相关的主题是图像锐化（image sharpening）和对比度增强（contrast enhancement），即通过增强基本的细节（一个大范围的频率）来提升模糊图像的视觉质量。我们的方法还额外包含了一种极其有效的用来生成比输入模糊图像显著更加锐利的图像的方式，且不需要引入晕圈（halo）和噪声放大（noise amplification）。我们还阐释了：除了单纯的兴趣之外，这种有效的锐化算法还可被用作一种预处理步骤，可用于产生带有内置锐化和对比度增强效果的更有效的放大过滤器（upscaling filter）。





本文由机器之心编译
智造家提供 查看全部

2016年10月20日，《2016世界机器人大会》在北京举办，吸引了大量国内外厂商，因为中国已是工业机器人生产大国，但这次大会有一个明显的特点，就是服务机器人的展出大量增加，包括物流机器人。


在大会22场专题论坛中，就有一个“智能物流与机器人应用论坛”，我应邀参会，讲了三个观点：

第一， 智慧物流与物流机器人是物流现代化的重要标志。
第二， 智慧物流与物流机器人是供给侧改革中补物流短板的重要举措。
第三， 物流机器人的研发与应用要开步走，但其发展要切合中国实际。

据麦肯鍚的研究报告，移动互联网、人工智能、物联网、云计算、机器人、3D打印等12项技术将影响着未来世界经济与社会的发展，这12项技术中，有一半与物流有关。





中国物流与采购联合会常务副会长丁俊发

所以推进物流科技战略，始终是《物流调整和振兴规划》以及《物流发展中长期规划》的重大工程。“互联网+高效物流”是2015年7月国务院发布的《关于积极推进“互联网+”行动的指导意见》中的11个重大行动之一。

2016年7月，经国务院批准，发改委印发了《“互联网+高效物流”实施意見》，这为智慧物流的发展指明了方向。

在当前的供给侧结构性改革中，物流成本高，无论是国民经济还是产业发展，都是一个短板，解决这一矛盾要打组合拳，如调整经济结构，推进供应链管理等，但物流业本身在管理、技术、装备上的转型升级是关键的一环，以实现物流产业的现代化和物流运作的集成化。

在互联网时代，智能与智慧已扩展到国家、城市、产业、企业、家庭层面，其中机器人的应用不仅限于工业生产，开始向服务业沿伸，智慧物流离不开物流机器人，物流机器人可以代替或协助人，又高于人，虽然不可能完全代替人，但这是一场新的技术革命。

2014年统计，每万名工人所拥有的机器人密度，韩国437台，日本323台，德国282台，美国152台，中国30台。根据《中国制造2025》以及《机器人产业发展规划(2016-2020)》，机器人己列入重点发展领域。

物流业是机器人应用的重点之一，我认为，物流机器人的应用主要在以下五个方面。



一、物流数字化管理系统。

物流业是一个系统工程，由物流基础设施、物流技术和装备、物流运作主体、物流行政和行业管理构成。物流涉及到流具、流量、流速、流向的全局。物流的运行需要商流、资金流、信息流的一体化。

供应链物流要求纵向与横向资源整合，形成产业生态。物流发展的方向必然是数字化物流，物流的管理必然是数字化管理，要有一个“机器人物流大脑”，来弥补人大脑的不足。

2016年10月15日，浙江传化集团董事长徐冠巨宣布，传化股份改名为传化智联，用互联网提升集约化、组织化水平，打造公路物流“大脑”。

[login]

二、智慧运输系统。

物品的位移离不开火车、汽车、轮船、飞机，他们己代替了人的大部分搬运功能。智慧运输系统要通过互联网实现信息化、可视化、可追溯和无缝连接，从而打造一条高效物流通道，包括无人机与无人车的应用。

2016年，美国、新加坡、澳大利亚、芬兰、迪玤等国家，开始小规模进行无人驾驶车辆试运行。中国一汽、長安等研发无人车取得重大进展。目前，国内有的快递公司开始在一定线路上试用无人机投送。



三、智能倉储系统。
 
智能倉储系统包含了倉储内部与外部，涉及包装、分坼、拼箱、码垜、识别、分撿、流通加工、运输等，目前已出现无人自动化系统，也出现了AGV无人驾驶搬运车以及按人指令完成一定规范动作的协作机器人。


2016年10月26日，京东商城“无人庫”亮相，采用人工智能、深度学习、图像智能识别、大数据应用等先进技术，让物流机器人可以进行自主判断，适应不同的应用场景、商品类型与形态，完成各种复杂任务。


四、智能生产物流系统。
 
按供应链管理的要求，今后物流业与制造业、流通业、农业将融合发展，你中有我，我中有你，在这种情况下，物流机器人将与工业机器人并肩作战，形成一体。

德国的工业4.0最核心的是人工智能创新，零部件可以自已找车、找设备、找工人，进行符合最优规的加工。原材蚪、产品可以自己找车、找庫、找人，进行符合最优规划的采购、庫存、包装和支付。


五、特种智慧功能么系统。
 
有些物流活动人无法在该环境中完成，如高温、高寒、高压、深海、管道、有毒等等，必须借助物流机器人来完成物品的转移、识别、切割、回收等功能。


中国物流机器人的研发与应用必须快速起步，但由于机器人产

业是一个厐大的系统工程，涉及驱动、传感、和交互，要投入大量的人力、物力、财力，许多技术，特别是人工智能还不成熟；所以，还没有到达大规模使用的阶段，要根据中国的实际，根据每个企业的实际量力而行。
 
[/login] 
 
 
 
来源：丁俊发 第一物流网
智造家提供 查看全部

   风格迁移一直是机器学习领域内的一项重要任务，很多研究机构和研究者都在努力打造速度更快、计算成本更低的风格迁移机器学习系统，比如《怎么让你的照片带上艺术大师风格？李飞飞团队开源快速神经网络风格迁移代码 》、《谷歌增强型风格迁移新算法：实现基于单个网络的多种风格实时迁移 》。
 
今天，Facebook 又在其官方博客上宣布了一种可以用在移动设备实现实时风格的深度学习系统 Caffe2Go，自称能在眨眼之间完成处理的任务，而且还能实现高质量的视频风格迁移。Facebook 还表示该项目将会在未来几个月内进行部分开源。


   随着视频通话逐渐成为人们交流的主要方式，Facebook 希望创造最新的视频创意工具来帮助人们表达自我。最近，他们在手机 app 中测试了新的相机应用，实时在视频中添加艺术元素。这项技术被称为「风格转换」。它可以将一张图片中的艺术风格，例如梵高的画作，加入普通的图片或视频中去。这是以往技术上难以实现的事，通常这需要将参考图和要处理的数据发送到数据中心，通过大型服务器进行处理。
 
Facebook 最新开发的移动端深度学习平台第一次摆脱了信号塔的束缚，可以实时捕捉、分析和处理图像，将最新技术放进人们的手中。这一新程序被称为 Caffe2Go，是一个完整的深度学习系统，它的架构已经嵌入手机 app 中。通过将处理图片和视频的人工智能模型压缩至百分之一大小，Facebook 现在已经可以在 iOS 和安卓系统中高效运行深度学习网络。最终，Facebook 公司的应用可以在部分手机中以不到 50 毫秒的速度完成人工智能任务的处理，而人眨眼需要的时间大约需要 300 毫秒。




相机风格转换工具是两种技术的结合：Caffe2Go 运行环境与风格转换模型。Facebook 的人工智能团队一直在处理算法与大规模系统，他们一直在致力于开发新模型，让风格转换更加快速稳定。于是，现在你拿起手机，开始摄像，梵高的绘画风格变得无处不在了。


Caffe2Go 项目在三个月前开始，目前没有其他公司的产品能够做到这样的效果：让人工智能风格转换变成创作工具。不仅如此，Facebook 做到了更多，他们让这种应用可以在手机中实时处理图像。该项目的研究者跨越产品、技术和研究者。FAIR 团队的 Justin Johnson 是一篇描述该项目技术基础论文（Perceptual Losses for Real-Time Style Transfer and Super-Resolution (https://arxiv.org/abs/1603.08155)）的作者，他们在前人的努力基础之上开发了新的技术；应用机器学习团队则通过努力将 AI 引擎塞进手机设备中；相机团队负责满足用户需求；正是因为所有人的努力，这些团队构建了运行在移动设备上的高效神经网络。我们将解释如何思考和开发这一应用技术的，从 Caffe2Go 开始。



Caffe2Go

轻量快速

人工智能对计算机科学产生了深远的影响，但它的应用一直被局限在大型数据中心里，距离普通用户存在很长一段距离。大多数时候，人工智能「实时处理」应用将数据发送到远端数据中心，通过那里的 GPU 来处理，物理距离造成了不可避免的延迟。我们认为使用超级计算机进行实时处理是不实际的，于是我们转换思路，努力让人工智能在移动设备的 CPU 中运行。





没人想拖着一台超级计算机出门

手机可以拍照，通话，也可以实时理解用户所需，不需要连接远端服务器，但它们的性能有限。尽管近年来硬件设备的发展让移动设备的计算能力有了很大改进，手机 CPU 现在已经可以在一秒钟内进行数十亿次运算，但智能软件在设计中还要面对诸如功率，存储器和计算能力的各种资源限制。因此，移动设备环境对机器学习系统提出了机遇和挑战。

面对这些挑战，我们的解决方案是设计超轻量级模块化框架。为此，我们以开源的 Caffe2 项目为基础，遵循 Unix 理念开发了 Caffe2Go。我们确保了用于声明和连接组件的核心架构的轻量化，允许多种组件与其连接——包括对于移动设备的专用优化。我们保留了一个精巧的算法框架，允许工程人员将抽象概念描述成有向无环图（DAG），同时确保没有约束被强加在图中执行节点的输入和输出上。这允许我们的工程团队能够在不同平台上实现和优化模块，同时可以轻松地连接各种模块。当图像实时输入时，通过硬件功能进行自我实例化可以达到最大处理速度。

速度是计算密集型移动应用的关键，特别是对于图像和视频处理而言，框架的轻量级设计允许我们为特定的运算符执行平台进行特定的优化。NNPack 库是其中一个例子，Caffe2 集成在移动运行环境中时，通过使用移动 CPU 中被称为 NEON 的功能，可以显著提高运算速度。在 iOS 设备上，我们也正在着手集成加速功能如 Metal 语言。所有这些都是通过模块化设计完成的，无需改变一般模型定义。因此，算法端和运行环境可以互相依靠，不必担心兼容性的问题。


面向开发者

Caffe2 是我们的第一个产业级深度学习平台，它可以在服务器 CPU、GPU、iOS 和安卓四种平台上运行，使用同一种代码。因为我们的模块化设计，这种架构在不同平台上都使用同一种语言，但对每个平台都有优化。这是一个开发人员不必担心的细节；例如，可以在移动端 NNPack（iOS 和安卓）和服务器 GPU 的 CUDNN 中进行选择。在 Caffe2 中，算法开发者可以专注于算法，无需考虑如何运行卷积。

快速的部署设计也能使开发者受益。从开发者的角度看，调试移动设备的运行时间可能是一项挑战，因为移动端工具链（toolchain）并不如桌面的和服务器的工具链那么先进。我们通过从硬件上抽象神经网络的数学而解决了这个问题——一个 Caffe2go 中的串行化网络（serialized network）在被应用于移动手机和服务器时可以得到相同的数值输出。其结果是，我们可以将大部分工作（模型训练、性能评估、用户体验研究）移动到服务器环境中进行；当结果看起来不错了之后，就可以实现在移动环境中的一键式部署了。


训练风格迁移模型

风格迁移（style transfer）并不是什么新概念。它最早是由研究人员在发表于 2015 年 8 月的一篇题为《A Neural Algorithm for Artistic Style》的论文中引入的。但是，当时这项技术的速度还很慢，而且需要强大的服务器。后面的几个月，研究社区改进了这项技术，将其速度提升了几个数量级，但也还是需要依赖服务器上的大量计算能力。

Caffe2go 成功使人工智能实现了高速处理，并且可以集成到你手上的移动设备中。但该风格迁移模型仍然还需要优化，这样才能在确保实时体验的同时还能保证得到高质量、高分辨率的图像。


优化成有效的模型大小

传统的风格迁移研究得到的模型（甚至只是前馈变量）是很大（在参数的数量方面）很慢的。我们的目标是创造能够运行新的、更小的、更高效的模型的风格迁移应用——能够在 iPhone 6s 或以上的手机上不掉帧地提供 20 FPS 的高质量视频。

为了减小该模型的尺寸，我们应用了 3 种主要的方法：优化了卷积层的数量（这是处理中最耗时间的部分）、优化了每一层的宽度、以及调整了处理过程中的空间分辨率（spatial resolution）。卷积层的数量和宽度是可用于调整处理时间的单独指标——即调整图像有哪些方面需要处理，或调整一个单独的处理过程需要多少时间。对于空间分辨率，我们可以调整中间层中图像实际被处理的大小。通过较早地使用池化（pooling，缩小正被处理的图像的大小），我们可以加速处理时间，因为系统不再需要处理那么多的数据了。我们还发现，使用这些技术，我们可以极大地减少该网络的宽度和深度，同时还能保持合理的质量。


提升质量

图像质量是主观的，非常难以测量——尤其是对于风格迁移这样的东西。因此我们打造了一些可视化工具，其中包括 A/B tests；并训练了不同的模型以确保我们可以得到最高质量的图像结果。我们的大型 GPU 集群由 FBLearner Flow 驱动，让我们可以快速扫描大范围的超参数（比如模型架构、内容/风格权重、和下采样），从而找到满足我们的性能目标同时能保持和提升质量的训练良好的前向风格（feedforward style）。

在提升质量方面还有很多其它的技巧——比如，应用实例规范化（instance normalizatio）而不是常用的批规范化（batch normalization）能有助于多种风格，同样避免卷积层中的零填充（zero padding）可以减少伪像，也可以将不同的预处理或后处理过滤器应用到风格或内容图像上。但在我们的测试中，我们发现这些方法往往在一些风格上效果良好，在另一些风格上则效果不佳。

凭借在这项风格迁移技术上的速度和质量优化，使用 Caffe 2 框架，我们就可以将一种实时图像处理系统应用到移动设备上。


展望下一步

Caffe2go，加上 Torch 这样的研究工具链，是 Facebook 的机器学习产品的核心。因为其在大小、速度和灵活性上的优势，我们正在将 Caffe2go 推广到整个 Facebook 的 stack 中。

我们还在致力于和社区分享我们的软件和设计，从而让我们可以学习更好地利用多种硬件平台和算法设计的特性，这在跨平台机器学习系统中是尤其重要的。在未来的几个月，我们将会部分开源该人工智能框架。

随着我们的进步，你可以想象出设备上实时运行的人工智能可以如何帮助世界更加开放、人们更加互连。我们手中的智能设备将继续颠覆我们对「智能（intelligence）」的认知方式。有了像 Caffe2go 这样精巧的机器学习系统，我们将致力于为人们带来更赞的人工智能和增强现实体验——让你在拍视频的时候，设备里还有一把梵高的画刷。
 
 
 
 
 
 
转载：机器之心
智造家提供 查看全部

有许多言论声称，人工智能（AI）技术颠覆了整个劳动力市场。然而要做到这一点，必须要求所有的管理层都适应智能化办公环境。人工智能的到来，的确可以让行政工作更快更好地完成。

那么管理层如何才能在AI时代适应这样的变革呢。通过对1770名来自全球14个国家的公司高管的采访，我们总结出了5条成功管理的方法。
 

一．将行政工作留给AI来做
 

据调查，所有的管理层将会花上超过一半的时间来处理各种各样的行政事务（例如员工们的休假等等）。类似这样的任务，管理层都希望能够得到AI的帮助。这些简单繁琐的事情当然可以交给AI来做。
 

还有一个相关的例子。美联社在某一个季度当中，曾使用人工智能为他们撰写了300多篇文章，为记者们省了很多的事情。所以可以大胆想象一下，在公司行政事务的处理上，完全可以使用该技术来起草管理报告。事实上，这已经在某些数据分析公司开始使用了。最近，Tableau公司和自然语言生成工具的一家公司进行了合作，结果成功地为该公司创建了一份内部的图表。
 

在接受访问的管理层中，86％的人表示，他们愿意使用AI来进行相关的检测与报告。
 

二．将精力集中在重大事情的决策上
 

然而公司的许多决策不是AI仅凭一些数据就能够做出的。各大管理层需要用到他们的相关历史文化知识，以及伦理同情心才能做出一个合理的决定。通常这些成功的公司管理者，他们之所以在事业上有一定的成就，都得益于他们的创造性思维，数据分析能力以及战略发展导向的预感。而这些是AI所缺少的。
 

美国海军的IT组织ERP服务总监莱恩•汤普森说：“通常情况下，管理者认为做决策需要判断力，经验和能力，而不是简单地应用规则。如果机器学习的潜力仅仅就是帮助我们做决定，那么我们就应该将该技术作为一种支持，而不是取代者。”
 

三．把智能机器当作“同事”
 

如果你将AI当成是一个同事，就不会将它误以为是竞争对手。虽然人的判断无法自动化，但是有了智能机器人，它可以给你提供许多支持和建议。事实上，78%的人都表示，他们在许多商业决策上，还是很信任智能系统给出的建议的。
 

Kenho科技国内公司正在实现这样的管理模式。在它所研发的智能系统中，投资经理人可以用日常化的语言询问投资的相关问题，例如，“利率提高前三个月和后三月中，哪些行业的情况最好？”，问完之后几分钟就可以得到答案。这样的技术如果用到个人和管理者的决策当中来，将是很棒的。
AI将成为经理人们随时随在的顾问。
 

四．用更多的时间进行创新
 

虽然经理人自己的创造能力是至关重要的，但更重要的是他们知道如何用人。管理层与设计师们共同将这些想法变为现实。三分之一的管理者表示，随着AI越来越多地接管了行政工作，他们需要将更多的精力放在创造性思维的发展上，这是保持成功的秘诀之一。
 

五．发展社会技能和网络
 

在接受访问的管理者当中，他们纷纷都认同决策工作存在的价值。但是他们却低估了这些深层次的社会技能对网络，指导和协作的重要性，这些技能能够帮助他们在这个AI盛行的时代中脱颖而出。

虽然他们将使用数字技术来分析合作伙伴，客户的需求，但是更重要的是，他们需要将不同的观点、见解和经验重新梳理并结合起来，成为他们真正的软实力。
 

迈向成功的步骤
 

AI最终将被证明比人类更便宜，更高效，而且可能更公正。但是，这一趋势不应该成为管理者所担心的部分。这只意味着，人们在未来将会把精力放在只有人类才能做的事情上。
 

写作盈利报告是一回事，但带有目的感和使命感来写报告却是另外一回事。跟踪进度和资源管理很快就会成为智能机器分内的事情，但是撰写战略计划依然得靠人类。简单地说，我们的建议是采用人工智能来实现自动化管理，从而帮助人类更好地判断，而不是为了取代人类。
 

如果公司内部人才缺失严重，那么企业家们可以试试这种模式，招募一些人工智能“员工”，来扩宽整个管理层。但是为了以后可以更好地与AI一起协作，并能突出人力资源的高效使用，那么领导者们可以按照以下步骤来做。
 

提前准备。为了有一个更好的未来定位，管理层一定要提前准备，先尝试一下AI管理模式，并能够将这些经验运用到以后的工作当中去。
 

采用新的关键绩效指标来提高使用率。 AI带来成功的几个隐形因素：协作能力，信息共享，实验，学习和高效决策，并有超越人类见解的能力。
 

针对协作，同理心和决策技能展开培训。领导者应建立一个多元化的员工队伍和社会化的创意管理团队，这两者需要相得益彰，相互支持。
 

然而说到底，这一切还不是一夕一朝的事情，但是随着AI技术的越来越成熟，总将有一天会实现这些企业管理层的梦想。也希望他们可以更好地提升和预备自己，为即将到来的AI管理时代做好充足的准备。这是一个契机，能够让企业蓬勃发展。
 
 
 
来源：1号机器人网
智造家提供 查看全部

   回顾历史的长河，全球经济的发展一直是由生产力和生产关系的相互作用推动。从发明蒸汽机、发电机、计算机，再到因特网的广泛应用，新的科技浪潮一直主导着生产力和生产关系的大调整，并不断涌现出新的产业，促进社会进步。十年前，全球市值前10名主要还集中在能源、金融等传统产业。现在，已经被苹果、谷歌、亚马逊、谷歌等高科技与互联网企业占据半壁江山。
十年前企业全球市值TOP10





当前企业全球市值TOP10





互联网作为新产业从1995年网景上市发展到现在经历了信息门户、电子商务、搜索、社交及共享经济等几个里程碑性的产品阶段，雅虎、亚马逊、谷歌、FaceBook、Uber等标杆企业不断将产业推向高点。未来，互联网与移动互联网将逐渐往深度精度发展，比如从满足用户的普遍性需求开始向个性化需求延伸。另一方面，“互联网+各行业”成为共识，互联网与移动互联网作为基础设施，推动“万物互联”的时代到来。

互联网产业方兴未艾，传统行业也密切嫁接前沿科技，在焕发出新的光彩的同时，也对人类社会生活的的方方面面产生了颠覆性的影响。风力发电、光伏、核电的广泛应用改变了人类的能源结构；锂电池和超级电容改变了电能储存和利用方式；新能源汽车在最近几年的爆发震动了整个汽车产业；工业4.0推动传统制造业进化为精细“智”造，大数据、分子诊断、新兴材料、工程技术等在医疗医药产业的大规模应用也不断提高人类自我修复和拯救的能力；等等不一而足。

社会与经济进步的车轮永远不会停止，资本一直是推动新产业发展的弄潮儿，那么未来10年，又有哪些新产业值得我们期待？那些产业能够孕育出新的千亿美金、甚至万亿美金市值的伟大公司，给投资人带来最丰厚的回报？下文将细数我们认为的最具投资价值的十余个新兴产业，也是我们对上述问题给出的答案。

1.云计算

企业向云端迁移是大势所趋。可以看到：





1）公有云和私有云市场增长依然齐头并进，不是零和博弈；

2）IaaS层面：拥有多元化的商业应用生态圈越来越重要，如亚马逊、谷歌、微软等；

3）SaaS层面：主要集中在人力资源、OA、CRM、市场营销、B2B 大宗商品采购等领域，如SalesForce、Sap、Oracle等；

4）PaaS层面：没有出现独立巨头，未来更可能由IaaS巨头向上或SaaS巨头向下延伸。

国内云计算市场还处在萌芽期，市场蛋糕正变得越来越诱人。我们预测：

1）虽然阿里、腾讯、华为等IT巨头等纷纷进入，但中国企业级市场的复杂性使得IaaS层面依然存在机会；

2）SaaS层面：除重点关注以上几个细分领域，还应重点分析具体的产品和服务是否符合国内客户的实际市场需求。

 

2.大数据

大数据行业的融资总额2013-2015年分别为8亿美金、15.4亿美金及20亿美金；2013-2015年融资事件分别为10起、42起及超过50起。“大数据+”已经渗透到几乎所有行业，如以阿里巴巴为代表的“大数据+零售”、以丁香园为代表的“大数据+医疗”、以搜房网为代表的“大数据+房地产”等等。




该领域我们的投资策略为：

1）对于资源型大数据公司：数据资源足够庞大完整，数据价值足够有想象空间，数据挖掘整合能力足够强；
2）对于技术型大数据公司：技术门槛够高，并足以让公司快速形成规模效应、网络效应，从而快速占领足够市场份额；
3）对于应用型大数据公司：应用市场足够大，公司成长性好且可实现性强。

 

3.虚拟现实




我们认为虚拟现实行业已经处在爆发前夜，从一个简单的逻辑来看，人们已经无法满足于2D画面和3D影像的服务。虚拟现实其实是借助计算机系统及传感器技术生成一个全景环境，让用户在这个崭新的环境下调动起所有的感官去产生人机互动，给用户带来完美的沉浸感，同时用户可以在该环境里发挥无穷的想象力去进行创造。目前全球虚拟现实行业经过近百年的发展仍处于早期起步阶段，供应链及各类配套设施还在摸索。然而虚拟现实的发展前景引人想象，具备广泛的应用空间，如游戏、影视、教育、体育、星际探索、医疗等等。当前各大咨询机构均看好虚拟现实在未来5年将实现超高速增长，爆发近在咫尺。

我们认为：

1）短期内，能够布局虚拟现实产业链的厂商，从硬件设备、内容生产到平台分发，均具备投资价值；

2）从长远来看，虚拟现实的内容将是行业灵魂存在，投资成熟内容产业厂商将充满机会。

 

4.人工智能




根据Tractica预测，2024年人工智能市场规模将增长至111亿美元。初步的技术积累和数据积累已经在过去有了比较显著的规模效应，因而人工智能重塑各行各业的大潮即将来袭，并引发新一轮IT设备投资。

未来3-5年智能化大潮将带来万亿级市场。在人工智能领域内，2016年我们主要关注的方向包括：

1）计算机视觉识别（以人脸识别为典型）；

2）计算机自适应（以各类机器人为例）；

3）各项细分底层技术领域（比如自然语言处理、机器学习和知识图谱）。

 

5. 3 D 技术

经过过去几年3D打印的投资热，3D打印技术步入到了一个新的阶段，但应用市场仍有待突破。专家预测2016年，中国3D打印机市场规模预测将扩大到100亿元；与此同时，Wohlers报告显示2016年全球市场规模可达70亿美金。如果应用市场能够打开，到2020年该市场有可能突破一千亿元甚至达到二千亿元，仅以医疗行业为例，预计到2015年仅该市场规模可达19亿美元。

接下来新一轮的3D技术的投资热点，包括：

1）3D打印专用材料及其工艺技术；

2）3D建模和个性化定制设计软件；

3）围绕3D打印技术出现的行业模式创新企业（即3D打印与教育、医疗和工业4.0等行业的结合）。

 

6.无人技术

无人技术目前主要应用在无人机、无人驾驶汽车等领域。美国蒂尔集团预测全球无人机市场规模会从2015年的64亿美元增至2024年的115亿美元，发展态势迅猛。无人驾驶汽车至今仍未揭面纱，但麦肯锡预测到2025年该领域将会有2000亿美元到1.9万亿美元产值，届时中国无人驾驶汽车产值空间至少也在万亿规模，潜力无限。

该领域我们已经布局工业级无人机第一品牌易瓦特，亦会长期持续关注如下标的：

1）随着政策逐渐放开，百度、谷歌、宝马、奥迪等巨头加紧布局无人驾驶汽车，我们重点侧重汽车电子相关硬件、车联网相关软件、整车等各个领域领导企业；

2）无人机领域，我们将重点挖掘部件制造与总体设计细分领域及无人机解决方案提供商中非常有潜力的优质企业。

 

7.机器人

中国人口老龄化问题日益突出、人工成本急剧上升以及整体经济结构面临转型，机器人未来的崛起及其巨大的市场规模已经被各大机构认可。我们认为未来无论短期或是长期，机器人行业的投资机遇巨大，从工业机器人、协作机器人到服务机器人均有十分可观的市场规模：

1）未来的工业机器人将具备强大的自我学习能力和专业化能力，向更细分的领域和结构进行创新延伸；

2）协作机器人可以与人协同工作并且广泛应用在生活中各种领域，属于“跨界”的产物；

3）服务机器人则没有上限，具有远超工业机器人和协作机器人的市场规模潜力，我们认为助老和医用的服务型机器人将领先发展。

 

8.新能源

中国是最大的新能源市场，发展新能源产业是改变我国的能源结构，降低对化石能源的依赖度，同事减少环境污染的必然选择。大力度的财政补贴推动新能源产业快速走向成熟，蕴含丰富投资机会：

1）锂电池在中国已经形成完整的产业链，下游动力和储能电池需求巨大；

2）中国新能源汽车市场在2015年实现井喷式发展，产销量均超过30万辆，同比增长超过300%，是全球第一大新能源汽车市场；

3）超级电容在快速充放电、高循环寿命、高功率密度方面相比较锂电池有明显优势，能够广泛用于城市公交、轨道交通、风力发电、石油钻探、港口机械等领域。

 

9.新材料

新材料是新经济的基石，我国在军工、高铁、核电、航天航空等尖端制造领域的快速发展均离不开基础材料领域的突破。随着基础化学、基础材料、纳米技术等方面的科研实力的不断积累，新材料领域的创新点将不断涌现，新材料将成为数万亿产值的市场：

1）石墨烯的柔性、力学、光学、电学和微观量子特性与目前现有材料相比整体有明显优势，未来应用行业横跨电子、生物医疗、军工、精密制造业、化工等；

2）碳纤维是应用相对成熟的新兴材料，相对于传统材料品质好，重量轻，未来需要在降低成本、突破国外技术封锁方面继续努力；

3）新型膜材料，可广泛应用于水处理、废气治理、锂电池等多个领域；

4）生物基材料，用于齿科、骨科等，可取代、修复人体组织器官功能。

 

10.医疗服务

2016年医疗服务行业的驱动因素来自于药品行业景气度持续下滑，以及药品价格形成机制的变化。分级诊疗和医生多点执业的推动下，公立医院借助民营资本盘活存量资产创造增量价。医疗服务业务为新技术提供了商业化的出口，而新技术给医疗服务业务提供了高附加值的项目。

我们投资逻辑是：

1）符合医院利益诉求、以医为本的商业模式，比如康复医疗、检验领域，以及高端医学影像领域；

2）具有一定门槛的连锁专科医院如妇儿、辅助生殖、眼科、骨科、医疗美容等；

3）连锁第三方服务如健康管理、第三方诊断等；

4）一线城市的具有核心技术和专家资源的高端医院。

 

11.生物技术与生命科学

随着基因组学、分子生物学等基础学科的发展，生物制剂与生命科学技术正在治疗中发挥越来越重要的作用：生物制剂方面，越来越多的单抗药物对肿瘤、糖尿病等疑难杂症产生突破性疗效，“重磅炸弹”级新药频出。2014年全球销量前十大药物中，有7个为生物制剂，其中阿达木单抗位居全球销量首位，年销售额达110亿美元；生命科学方面，全球范围内，基因测序市场从2007年的794.1万美元增长到2013年的45亿美元，复合增长率为33.5%，预计未来几年依旧会保持快速增长；细胞免疫疗法等新兴技术也日渐成为重要的治疗方法。

基于以上背景，我们认为生物技术与生命科学无疑是大健康领域极为重要的投资方向，重点关注的细分领域包括：

1）先进的基因测序及数据分析公司；

2）技术驱动型生物制剂公司；

3）与基因测序解读、个体化给药相结合的精准医疗公司；

4）技术上取得突破的新型生物治疗方式，如CAR-T细胞免疫疗法等。

 

12.医疗器械

医疗器械市场在国内起步较晚，但发展迅速，2001年至2014年，我国医疗器械市场规模从173亿元增长至2556亿元，增长了近15倍，复合增速达到23%。但从医疗器械市场规模与药品市场规模的对比来看，全球医疗器械市场规模大致为全球药品市场规模的40%，而我国这一比例低于15%，随着经济的发展以及国内老龄化程度的提高，医疗器械市场发展潜力巨大。同时，《创新医疗器械特别审批程序（试行）》等一批政策的出台，为国产创新医疗器械的快速成长奠定了坚实的基础。

重点关注的细分领域包括：

1）与机器人、人工智能等先进技术相结合的高端医疗器械；

2）国产创新型医疗器械；

3）智能家用医疗器械；

4）现有成熟医疗器械的进口替代产品。

 

13.互联网医疗

信息技术的高速发展引发各个行业的巨大变革，也为医疗行业带来巨大机遇。随着大数据、云计算、物联网等多领域技术与互联网的跨界融合，新技术与新商业模式快速渗透到医疗各个细分领域，从预防、诊断、治疗、购药都将全面开启一个智能化时代。同时，中国医疗行业特有的资源配置不合理、服务质量低、医患关系紧张等问题，都有赖于凭借互联网技术加以改善。

同时也应看到，互联网医疗在国内仍然处于起步阶段，对传统医疗的改革必然是漫长而艰巨的过程，因此我们认为对该领域的投资应保持乐观但谨慎的态度。重点关注的细分领域包括：

1）医药类电商平台；

2）医疗大数据分析公司；

3）慢病管理/健康管理在线平台；

4）智能及可穿戴式医疗设备。

 

14.健康养老

健康养老产业受需求迫切和政策鼓励双向驱动，将迎来十分确定的发展机会。未来我国政府和个人将面对很大的养老压力，截止2014年65岁及以上老年人口达1.4亿，占总人口比重10.1%，到2020年老年人口将增至2.6亿。同时，养老作为"健康中国"的一部分已被提升到国家战略性高度。我们将沿着国家提出的建设以居家为基础、社区为依托、机构为补充的多层次养老服务体系挖掘投资机会：

1）涉足养老核心产业---康复医疗，并已具备可行性和连锁化潜力发展模式的企业；

2）积极探索创新养老模式的企业。

 

15.体育

在过去的一年，中国各路巨头开始瞄准海外优质体育标的资产（尤其是赛事转播权和体育运营公司），渐渐向成熟体育盈利模式靠拢 – 门票、媒体转播权、赞助和体育衍生品，如乐视购得香港英超和MLB三个赛季转播独家权益；万达购得盈方体育传媒和世界铁人三项公司（WTC）成为万达体育；阿里体育获得 NFL 在中国大陆地区的转播权等等。因此，拥有优质赛事资源和广大受众的体育行业标的将会持续收到资本的追捧。

信中利作为中国最早最广布局体育行业的投资机构，会继续关注如下领域：

1）体育各个细分领域拥有优质体育赛事IP的运营公司；

2）冲击传统体育的电竞行业，包括内容方和直播平台；

3）体育运动相关的智能硬件+数据分析软件+可以导流到健康医疗领域的创业公司；

4）聚焦大众健身的互联网健身上下游公司。

 

16.文化娱乐

中国的2015年是投资圈和BAT们在文化娱乐领域进击的一年。消费升级使得国人的消费习惯逐渐向文化娱乐进行倾斜，消费人群和消费金额也越来越低龄化和增长化。2015年也是独立IP火热的一年，花千骨、琅琊榜、盗墓笔记等一大波影视剧热播，夏洛特烦恼、捉妖记、“囧”系列、鬼吹灯等不断刷新国内电影票房记录。此外，伴随游戏、动漫衍生而来的二次元文化兴起，生产数字化、碎片化、娱乐化内容的自媒体大爆发，都将聚集大量新一代年轻用户，引发新的商业模式和机会。

我们将关注以下细分领域：

1）拥有优质IP内容（生产或购买）和强大IP运营能力的公司；

2）有海量用户及盈利能力的自媒体和新媒体；

3）文化娱乐行业的大数据分析公司；

4）二次元内容聚合社区；

5）泛娱乐直播平台等。

 

17.教育

国内的民办教育市场规模超过6000亿元，而在线教育五分之一的市场份额吸引了无数资本和创业者竞折腰。经过过去一两年的洗礼，教育O2O（Online to Offline）举步维艰，不仅没有革了传统教育的命，还在盈利模式的探索上不知所措。而传统线下教育培训机构除了拥有稳定的线下资源和师资以外，也在互联网+ 的攻势下顺应时代发展做出了很多改革。此外，新一轮的高考改革也将带来新的商业模式和创业机会。

教育行业对于投资机构来说仍是一座金矿，但随着我们会重点关注如下领域：

1）顺应高考改革而生的素质教育和应试教育的优质线下培训机构；

2）职业教育培训机构与职业经验分享平台；

3）（性价比高的）可以帮助学生提升课堂体验的虚拟现实技术公司（硬件+软件+内容）；

4）专注在儿童教育领域的优质IP内容生产者。 
 
 
 
 
 
 
来源:工控网
智造家提供 查看全部