智能时代
426 浏览
杨学山：智能化激发新技术与新业态
机械自动化类 国产女汉子 2017-03-22 17:10 发表了文章
杨学山：新技术与新业态
2017年3月18-19日，由CIO时代学院、珠海市CIO协会联合主办，中国新一代IT产业推进联盟指导，CIO时代APP承办，转型家、广东省CIO协会、大华南IT高管共赢圈、中山CIO协会、江门市CIO协会（筹）协办的“2017CIO时代中国行珠海站暨2017年珠海CIO协会春季高峰论坛”活动在珠海隆重举行。北京大学兼职教授、原工业和信息化部副部长杨学山在活动中发表了题为《新技术与新业态》的主题演讲，以下为演讲实录：
北京大学兼职教授、工业和信息化部原副部长 杨学山
各位来宾、CIO同仁、新老朋友，大家上午好。十分高兴来到珠海，我今天演讲的题目是大会的主题《新技术与新业态》。
先讲讲技术发展的主要趋势和对产业的主要影响。新技术发展有很多影响，先从五个方面简单展开，首先讲智能技术和智能化；第二是数字技术和数字化；第三是平台技术和平台化；第四是综合看上面三个，融合开启新时代；第五是如何看待新世界的大门打开以后，我们会看到什么样的白天鹅、黑天鹅。
一、智能技术和智能化。
智能技术是综合的技术，严格讲智能技术不能与数字技术融合，因为我们主要讲人工智能。所谓的人工智能，是原来人做的事情能够有机器做，智能技术是将原来人做的事情变成机器或系统做。当机器、系统做的时候，智能系统一定不等于数字系统。工业机器人哪个针对数字信息技术？所以它们不是一体的。由于时间关系，对于智能技术我确实不能详细展开，大体讲三类：
1.理论和基本的模型算法，或通用的模型算法
工业革命以来，当一个重大变化发生时，结果发现技术背后是没有理论的。今天我们在讲智能、人工智能时，它背后是没有理论的，所以我们必须探索和研究理论是什么。智能有很多具体的模型算法来支撑，其中我们要提炼一部分，这部分是通用的，对未来发展有着重大作用，所以我将理论与这个东西归成一类。
2.各个环节的应用
智能技术在各个环节的应用可以极其简单，也可以极其复杂。例如，大家坐在椅子上，今天的椅子上没有任何智能，但是我给它三个东西。第一，感知，即有人坐下去（压力感知），如今汽车上都有这样的功能，副驾有人坐上去要系好安全带；第二，加一个计时器，你坐了多长时间；第三，再给它一点点知识，即常坐这个椅子的人的习惯。加了这三个东西后，你坐了一段时间，它会改变你的坐姿，你起来活动一下，那么这个椅子是否变成智能了呢？这三个东西在今天一点也不复杂，但有些很复杂。讲智能制造时，尤其是复杂制造，这样的车间变成智能化是十分复杂的。我可以十分坦率的讲，比RF复杂很多，因为这个车间里所有人的思考、决策人的行动变成机器和系统做，这是一个十分复杂的过程。当然还有很多，我们今天还有很多未知需要探索，如果智能把这样的未知从人来探索变成机器探索，那是相当复杂的。各个领域的应用，机器从极其简单变成极其复杂，即从今天谁想到就能做到，变成想到全世界也很难做到。
3.在各个环节都用时，需要有一些工具支持
我刚才讲了车间，这个车间有一些是通用的，比如把一个物件搬到工作单元。尽管它在车间不同地方，行走路线、重量不同，但它通用。平时，我们将一个人参与的管理流程变成数字化，这样就需要工具来支撑，我们有一组工具支持。因此，智能技术可以分为这三大类。
智能化是从人做的事情逐步由机器和系统取代，这一点在过去几年已经发生，在未来几年将加速发生。加速发生有两个重要的原因：
一是技术推动。即使今天有人做的环节由机器、系统做十分简单，或不很复杂，这样的例子到处都有。在制造业中，在机器进行换人很多系统都能做。我多次讲过一个例子，常州一个小企业，五六亿的营业额，从软件到设备都是做的，全部由人工生产线变成自动化的生产线，由于是自己开发，所以成本很低，一点也不复杂。从人工车间变成全自动化车间都是自己做的，两年时间，几十个人，两年时间所有成本都能回收。如果用心，很多企业都能做，如果没心，你请一个企业帮你做，不仅是时间问题，成本你根本接受不了。即使这样的过程，只要自己有心很容易做得到。我们的技术在发展，很多事情是可以做的。
二是需求与技术。因为劳动成本上升，因此我们需要有机器来替代。机器替代唯一的标准是你成本下降了没有、质量提升了没有？以一个周期来算，无论是投资周期还是利润周期，按照一个周期计算，划算就做，不划算就不做，这是需求推动。除这个需求推动，我们还有一个需求推动，我们进入老年社会，我们这代人大部分人不能靠子女，我们的养老一定是居家的、自帮的。居家和自助没有智能辅助是不可能的，所以这推动了它的发展。
二、数字技术和数字化。
数字技术是从数字的感知获取到组织管理分析形成数字业，这样一系列的过程构成的。但其中有三件事情很重要。
第一，暗数据。现在有一个术语叫暗数据，因为它没有结构化，暗数据如何处理？就是人工利用它，它一定变成某类物质，它有什么规律，它怎么发生作用。暗数据变成可用化很简单，就是结构化。结构化程度到哪它就用到哪，所以这个技术非常关键，否则我们的智能无法进行。
第二，感知技术。今天在用数字技术的时候，我们真正起步，因为起步是有数的。大概前几个礼拜，有一个做健康医疗的人讲如何为人提供服务，我说核心技术就是感知技术，人的身体状态健康的感知，就像这个人在医院里有着很复杂的设备做检查一样，你要感知，如果不能感知这个人的健康状态，你如何为他提供服务？不可能的。当然还有很多，感知是我们数据技术的起点，没有起点怎么会有后续的东西？
第三，自动化数据链。近几年，大家在和数据链打交道，但我们原来的规划程度比较高。今天我们要往前走一步，个性化、和人相关的、非结构化。所以我们要在这三个方面构成结构化，变成软件和系统的数据链。
说起来很难，具体到企业做业务时，有心做并不难。数字技术应该有很多，但这三点十分重要。
第一件事情是数字双生子。最近，有一个词叫数字双生子（digital twin）。物理世界有一个，数字化后，实际上是使我们的物理世界有一个数字化的双生子。这个东西十分重要，比如珠海或深圳，在物理空间之上建立一个数字化的空间和状态，对我们的管理、决策、分析有着极其重要的意义，不仅是宏观，还包括微观。
第二件事情是一个过程、一个流程。我们构建一个数字化的流程和它相对应。总书记多次讲过信息流引领资金流、信息流。这样的引领是靠这样一个东西，如果没有过程的数字化上升值，没对它进行优化，进行各式各样的仿真操作，那是空的，因为结果是什么都不知道。这个东西是抽象的，每个人的处理过程，或者你想要达到的目标，这个过程延伸、延伸再延伸。我们如何为这样的过程延伸构建一个数字上升值？
第三件事情是为一个任务、为一种目的，构建一个数字环节。有两个典型的例子，第一，我们讲复杂制造，其中有一个是多规格小批次，一年可能有几千个规格，但批次可能只有十次，这样的东西十分复杂，如何按照质量交货？如果没有数字上升值是做不到的。我不知道在座有几个是做这样的制造，如果有的话，制造就必须构建数字化双生子，所有的技术、工艺、检测都要有数字的东西先做成。第二，教育、娱乐主要是和信息打交道的东西，我们要构建一个信息化的环境。今天讲的VR、IR是这样的东西，在教育、游戏中使用，大概是这样一个东西。所以数字化是在这样几个方向推进的，到时候几乎所有的东西都有了数字上升值。
三、平台技术和平台化
大家都知道用平台建平台，用了很多年，建了很多年。如今的平台和原来所做的平台不一样主要体现在，今天的平台，从宏观看，它连接的对象与原来的平台是完全不可比的，我们是几十亿人，百亿、千亿、万亿的物品连接到一个可工作的平台上，更重要的是连接到平台的物体、个体、主体跟平台的关系相当深入，比原来深入得多。原来道路是一个平台，车辆和道路之间的关系很紧密。今天的平台比这个关系深得多，而且是可变的。每个在平台上连接的事务，要按照新的目标构建新的关系和功能。原来的CIM、ERP连接都是给定的，因此现在是新平台。新的平台使得它的构成就不同，所以从基础的感知开始。没有感知一定不行的，没有感知就是原来的东西。
从感知开始，我们要有一套协议，这套协议能够在平台和对象之间的深化、可以柔性的功能，通过一组协议来实现。既能实现连接，还要实现功能，保证平台的应用性。当然，在我们脑袋中，要将这样的平台分成两块，一块是宏观平台，即几十亿人，几千、几百、几万亿个物件，要关注这个空间的活动平台。网红是自己搭建的平台，我们也可以搭建一个平台，所以平台不再是企业、组织或是国家的专用，而是随着主体的目的，自由自主搭建和服务自己功能的平台。这个自己可以是企业、个人，平台要这样改。否则宏观就和我没关系，当然微观的平台一定是基于宏观的平台，微观平台基于宏观平台搭建，为宏观平台的构建作出贡献，两者是这样的关系。
平台化几乎成了以后企业发展、地区发展、国家发展、个人发展的必要条件，既要建，也要用。作为企业的CIO，要建设平台，但今天，建平台不再是我们自己做平台的物理资源，我们平台的物理资源是别人的，如果没有别人，坚决不自己做，这应该成为CIO记住的；用，能够用别人的就不要自己做，因为变化太快。变化这件事情，你也应该用别人的，而不是自己建。
四、三种技术、三种化合在一起
我们看到，历史走向新时代的这道大门已经开启。这个开启不是智能化、数字化、平台化的其中一个，而是合在一起。即使智能化、数字化、平台化密不可分，三者是紧密联系的，但又有不同的特征。三个东西合在一起，我们走向新时代的大门已经开启，而开启这个大门的是融合在一起的力量，其推动着这道大门的开启。但是我想，从全国、全球看，这个大门已经开启，但对于在座所在的企业、个人和生活，这个东西要看智能、数字平台做到什么程度，融合得怎样。因为开启这个门的时候， CIO们已不能只站在其中的一个角度，而是要从整体上看。因为这三个化、三个技术的核心部分是IT技术，核心的部分是信息、数据，所以我们要主导引领，而不是像原来那样老板怎么说，我们就怎么做，落实老板的指示，这个事情一定不成。必须真正考虑这个企业，包括你本人，究竟这道门如何打开，融合起来形成一个合力，这是一种技术方向。另外一个特征是，要真正开启它，前期这个门已经开了，不是将开将闭。到具体开的时候，一定要注意IT技术的应用、发展已经从通用转向个性化。刚才讲智能、数据、平台的时，其实隐含了这样一个逻辑，今天要将事物独有的、人独有的事情自动化、智能化、主体化，将通用转向个性。开启这个门，如果跟不上变化，跟在别人后面是不能引领时代的。
五、如何看待新世纪大门的开启
讲智能开启，门打开后，我们会看到什么？首先，企业看到的是白天鹅扑面而来，有很多的机会和机遇。在这个过程中，我们一定看到，有很多的人和企业由于看得远了一点，做的准备好了一点，门打开后发展得更好，所以会有很多白天鹅在飞。比如顺丰，从物流的角度，他为什么能站到一个世界的奇迹？以物流行业如此快的增长速度，在世界的物流历史上是没有的，超过了美国的、英国的百年老店，离世界第一已经很近了，但他只用了几年时间。它的飞机、车、轮船，自己或别人的汽车都没有什么，这些老牌的企业都有。但有一个是老牌企业是没有的，便是我们城市中的快递小哥。快递小哥很简单，骑着一辆电单车，将包裹送到人的手中。其中有一个交流很有趣， 50%快递放在门口，并未与快递小哥见面。这种方式技术含量如此之低，为什么能做？平台，他利用了公共的平台，这个平台好到什么程度？他不做终端，企业做CIO要做终端，他就不做终端，因为你就带着智能手机来，面试的人没有智能手机就不需要你。今天，一个订单号在控制着整个传递过程，这个东西了不起，英国、美国的老牌跟中国相比差得很远。
对移动的使用、移动支付、移动工具的普及和使用，我们全世界最快。我真没想到，微信支付会如此快的发展。就这样的一个东西，顺丰到了中国第三首富，我们的物流业发生了巨大的改变。其实我们有很多白天鹅，刚才讲的智能、技术、平台很多都很容易做。除此之外，企业在这样的环境下，还要改进人的资源、动力架构，全部要改变，改变快会成为白天鹅，做不好便会成为悲剧。
对于黑天鹅，由于纯技术的原因造成黑天鹅的事件并不多，这十年全世界就只有这么几件，没有真正的影响，而且只是很小的局部发生变化。技术产生黑天鹅，其实只要认真想一想，过去、今天、未来有，但不会太严重。真正严重的黑天鹅是别人把握了刚才我说的三个趋势发展方向，使得它在市场上抓住市场的需要，那么黑天鹅就产生了，黑天鹅的悲剧会降落到那些没有声音的、变革的企业和人的身上。
产业的活动是满足人的需求，这个基本原理是永远不变的，企业抓住需求、市场，这是第一位的。有的时候，模式、竞争的构成要素变了，但这个基本面是不变的。无论是产品还是流程、智能化的改革改变了需求，按照需求的基本面，个人、家庭、社会，需求的基本面没有变，医食住行等健康的基本需求、社会的基础设施和供给能力、竞争力的主要指标不会改变，改变的是竞争力中的指标构成要素。
当新的大门打开后，我们不要惊慌失措。首先，要看到白天鹅提示我们的信息，防止黑天鹅，把风险降下来，企业要看到基本面，在自己的优势上继续向前，这样企业能发展、个人能发展。
谢谢大家。
更多内容请关注：www.imefuture.com
来源：走向智能论坛 杨学山 查看全部
2017年3月18-19日，由CIO时代学院、珠海市CIO协会联合主办，中国新一代IT产业推进联盟指导，CIO时代APP承办，转型家、广东省CIO协会、大华南IT高管共赢圈、中山CIO协会、江门市CIO协会（筹）协办的“2017CIO时代中国行珠海站暨2017年珠海CIO协会春季高峰论坛”活动在珠海隆重举行。北京大学兼职教授、原工业和信息化部副部长杨学山在活动中发表了题为《新技术与新业态》的主题演讲，以下为演讲实录：
北京大学兼职教授、工业和信息化部原副部长 杨学山
各位来宾、CIO同仁、新老朋友，大家上午好。十分高兴来到珠海，我今天演讲的题目是大会的主题《新技术与新业态》。
先讲讲技术发展的主要趋势和对产业的主要影响。新技术发展有很多影响，先从五个方面简单展开，首先讲智能技术和智能化；第二是数字技术和数字化；第三是平台技术和平台化；第四是综合看上面三个，融合开启新时代；第五是如何看待新世界的大门打开以后，我们会看到什么样的白天鹅、黑天鹅。
一、智能技术和智能化。
智能技术是综合的技术，严格讲智能技术不能与数字技术融合，因为我们主要讲人工智能。所谓的人工智能，是原来人做的事情能够有机器做，智能技术是将原来人做的事情变成机器或系统做。当机器、系统做的时候，智能系统一定不等于数字系统。工业机器人哪个针对数字信息技术？所以它们不是一体的。由于时间关系，对于智能技术我确实不能详细展开，大体讲三类：
1.理论和基本的模型算法，或通用的模型算法
工业革命以来，当一个重大变化发生时，结果发现技术背后是没有理论的。今天我们在讲智能、人工智能时，它背后是没有理论的，所以我们必须探索和研究理论是什么。智能有很多具体的模型算法来支撑，其中我们要提炼一部分，这部分是通用的，对未来发展有着重大作用，所以我将理论与这个东西归成一类。
2.各个环节的应用
智能技术在各个环节的应用可以极其简单，也可以极其复杂。例如，大家坐在椅子上，今天的椅子上没有任何智能，但是我给它三个东西。第一，感知，即有人坐下去（压力感知），如今汽车上都有这样的功能，副驾有人坐上去要系好安全带；第二，加一个计时器，你坐了多长时间；第三，再给它一点点知识，即常坐这个椅子的人的习惯。加了这三个东西后，你坐了一段时间，它会改变你的坐姿，你起来活动一下，那么这个椅子是否变成智能了呢？这三个东西在今天一点也不复杂，但有些很复杂。讲智能制造时，尤其是复杂制造，这样的车间变成智能化是十分复杂的。我可以十分坦率的讲，比RF复杂很多，因为这个车间里所有人的思考、决策人的行动变成机器和系统做，这是一个十分复杂的过程。当然还有很多，我们今天还有很多未知需要探索，如果智能把这样的未知从人来探索变成机器探索，那是相当复杂的。各个领域的应用，机器从极其简单变成极其复杂，即从今天谁想到就能做到，变成想到全世界也很难做到。
3.在各个环节都用时，需要有一些工具支持
我刚才讲了车间，这个车间有一些是通用的，比如把一个物件搬到工作单元。尽管它在车间不同地方，行走路线、重量不同，但它通用。平时，我们将一个人参与的管理流程变成数字化，这样就需要工具来支撑，我们有一组工具支持。因此，智能技术可以分为这三大类。
智能化是从人做的事情逐步由机器和系统取代，这一点在过去几年已经发生，在未来几年将加速发生。加速发生有两个重要的原因：
一是技术推动。即使今天有人做的环节由机器、系统做十分简单，或不很复杂，这样的例子到处都有。在制造业中，在机器进行换人很多系统都能做。我多次讲过一个例子，常州一个小企业，五六亿的营业额，从软件到设备都是做的，全部由人工生产线变成自动化的生产线，由于是自己开发，所以成本很低，一点也不复杂。从人工车间变成全自动化车间都是自己做的，两年时间，几十个人，两年时间所有成本都能回收。如果用心，很多企业都能做，如果没心，你请一个企业帮你做，不仅是时间问题，成本你根本接受不了。即使这样的过程，只要自己有心很容易做得到。我们的技术在发展，很多事情是可以做的。
二是需求与技术。因为劳动成本上升，因此我们需要有机器来替代。机器替代唯一的标准是你成本下降了没有、质量提升了没有？以一个周期来算，无论是投资周期还是利润周期，按照一个周期计算，划算就做，不划算就不做，这是需求推动。除这个需求推动，我们还有一个需求推动，我们进入老年社会，我们这代人大部分人不能靠子女，我们的养老一定是居家的、自帮的。居家和自助没有智能辅助是不可能的，所以这推动了它的发展。
二、数字技术和数字化。
数字技术是从数字的感知获取到组织管理分析形成数字业，这样一系列的过程构成的。但其中有三件事情很重要。
第一，暗数据。现在有一个术语叫暗数据，因为它没有结构化，暗数据如何处理？就是人工利用它，它一定变成某类物质，它有什么规律，它怎么发生作用。暗数据变成可用化很简单，就是结构化。结构化程度到哪它就用到哪，所以这个技术非常关键，否则我们的智能无法进行。
第二，感知技术。今天在用数字技术的时候，我们真正起步，因为起步是有数的。大概前几个礼拜，有一个做健康医疗的人讲如何为人提供服务，我说核心技术就是感知技术，人的身体状态健康的感知，就像这个人在医院里有着很复杂的设备做检查一样，你要感知，如果不能感知这个人的健康状态，你如何为他提供服务？不可能的。当然还有很多，感知是我们数据技术的起点，没有起点怎么会有后续的东西？
第三，自动化数据链。近几年，大家在和数据链打交道，但我们原来的规划程度比较高。今天我们要往前走一步，个性化、和人相关的、非结构化。所以我们要在这三个方面构成结构化，变成软件和系统的数据链。
说起来很难，具体到企业做业务时，有心做并不难。数字技术应该有很多，但这三点十分重要。
第一件事情是数字双生子。最近，有一个词叫数字双生子（digital twin）。物理世界有一个，数字化后，实际上是使我们的物理世界有一个数字化的双生子。这个东西十分重要，比如珠海或深圳，在物理空间之上建立一个数字化的空间和状态，对我们的管理、决策、分析有着极其重要的意义，不仅是宏观，还包括微观。
第二件事情是一个过程、一个流程。我们构建一个数字化的流程和它相对应。总书记多次讲过信息流引领资金流、信息流。这样的引领是靠这样一个东西，如果没有过程的数字化上升值，没对它进行优化，进行各式各样的仿真操作，那是空的，因为结果是什么都不知道。这个东西是抽象的，每个人的处理过程，或者你想要达到的目标，这个过程延伸、延伸再延伸。我们如何为这样的过程延伸构建一个数字上升值？
第三件事情是为一个任务、为一种目的，构建一个数字环节。有两个典型的例子，第一，我们讲复杂制造，其中有一个是多规格小批次，一年可能有几千个规格，但批次可能只有十次，这样的东西十分复杂，如何按照质量交货？如果没有数字上升值是做不到的。我不知道在座有几个是做这样的制造，如果有的话，制造就必须构建数字化双生子，所有的技术、工艺、检测都要有数字的东西先做成。第二，教育、娱乐主要是和信息打交道的东西，我们要构建一个信息化的环境。今天讲的VR、IR是这样的东西，在教育、游戏中使用，大概是这样一个东西。所以数字化是在这样几个方向推进的，到时候几乎所有的东西都有了数字上升值。
三、平台技术和平台化
大家都知道用平台建平台，用了很多年，建了很多年。如今的平台和原来所做的平台不一样主要体现在，今天的平台，从宏观看，它连接的对象与原来的平台是完全不可比的，我们是几十亿人，百亿、千亿、万亿的物品连接到一个可工作的平台上，更重要的是连接到平台的物体、个体、主体跟平台的关系相当深入，比原来深入得多。原来道路是一个平台，车辆和道路之间的关系很紧密。今天的平台比这个关系深得多，而且是可变的。每个在平台上连接的事务，要按照新的目标构建新的关系和功能。原来的CIM、ERP连接都是给定的，因此现在是新平台。新的平台使得它的构成就不同，所以从基础的感知开始。没有感知一定不行的，没有感知就是原来的东西。
从感知开始，我们要有一套协议，这套协议能够在平台和对象之间的深化、可以柔性的功能，通过一组协议来实现。既能实现连接，还要实现功能，保证平台的应用性。当然，在我们脑袋中，要将这样的平台分成两块，一块是宏观平台，即几十亿人，几千、几百、几万亿个物件，要关注这个空间的活动平台。网红是自己搭建的平台，我们也可以搭建一个平台，所以平台不再是企业、组织或是国家的专用，而是随着主体的目的，自由自主搭建和服务自己功能的平台。这个自己可以是企业、个人，平台要这样改。否则宏观就和我没关系，当然微观的平台一定是基于宏观的平台，微观平台基于宏观平台搭建，为宏观平台的构建作出贡献，两者是这样的关系。
平台化几乎成了以后企业发展、地区发展、国家发展、个人发展的必要条件，既要建，也要用。作为企业的CIO，要建设平台，但今天，建平台不再是我们自己做平台的物理资源，我们平台的物理资源是别人的，如果没有别人，坚决不自己做，这应该成为CIO记住的；用，能够用别人的就不要自己做，因为变化太快。变化这件事情，你也应该用别人的，而不是自己建。
四、三种技术、三种化合在一起
我们看到，历史走向新时代的这道大门已经开启。这个开启不是智能化、数字化、平台化的其中一个，而是合在一起。即使智能化、数字化、平台化密不可分，三者是紧密联系的，但又有不同的特征。三个东西合在一起，我们走向新时代的大门已经开启，而开启这个大门的是融合在一起的力量，其推动着这道大门的开启。但是我想，从全国、全球看，这个大门已经开启，但对于在座所在的企业、个人和生活，这个东西要看智能、数字平台做到什么程度，融合得怎样。因为开启这个门的时候， CIO们已不能只站在其中的一个角度，而是要从整体上看。因为这三个化、三个技术的核心部分是IT技术，核心的部分是信息、数据，所以我们要主导引领，而不是像原来那样老板怎么说，我们就怎么做，落实老板的指示，这个事情一定不成。必须真正考虑这个企业，包括你本人，究竟这道门如何打开，融合起来形成一个合力，这是一种技术方向。另外一个特征是，要真正开启它，前期这个门已经开了，不是将开将闭。到具体开的时候，一定要注意IT技术的应用、发展已经从通用转向个性化。刚才讲智能、数据、平台的时，其实隐含了这样一个逻辑，今天要将事物独有的、人独有的事情自动化、智能化、主体化，将通用转向个性。开启这个门，如果跟不上变化，跟在别人后面是不能引领时代的。
五、如何看待新世纪大门的开启
讲智能开启，门打开后，我们会看到什么？首先，企业看到的是白天鹅扑面而来，有很多的机会和机遇。在这个过程中，我们一定看到，有很多的人和企业由于看得远了一点，做的准备好了一点，门打开后发展得更好，所以会有很多白天鹅在飞。比如顺丰，从物流的角度，他为什么能站到一个世界的奇迹？以物流行业如此快的增长速度，在世界的物流历史上是没有的，超过了美国的、英国的百年老店，离世界第一已经很近了，但他只用了几年时间。它的飞机、车、轮船，自己或别人的汽车都没有什么，这些老牌的企业都有。但有一个是老牌企业是没有的，便是我们城市中的快递小哥。快递小哥很简单，骑着一辆电单车，将包裹送到人的手中。其中有一个交流很有趣， 50%快递放在门口，并未与快递小哥见面。这种方式技术含量如此之低，为什么能做？平台，他利用了公共的平台，这个平台好到什么程度？他不做终端，企业做CIO要做终端，他就不做终端，因为你就带着智能手机来，面试的人没有智能手机就不需要你。今天，一个订单号在控制着整个传递过程，这个东西了不起，英国、美国的老牌跟中国相比差得很远。
对移动的使用、移动支付、移动工具的普及和使用，我们全世界最快。我真没想到，微信支付会如此快的发展。就这样的一个东西，顺丰到了中国第三首富，我们的物流业发生了巨大的改变。其实我们有很多白天鹅，刚才讲的智能、技术、平台很多都很容易做。除此之外，企业在这样的环境下，还要改进人的资源、动力架构，全部要改变，改变快会成为白天鹅，做不好便会成为悲剧。
对于黑天鹅，由于纯技术的原因造成黑天鹅的事件并不多，这十年全世界就只有这么几件，没有真正的影响，而且只是很小的局部发生变化。技术产生黑天鹅，其实只要认真想一想，过去、今天、未来有，但不会太严重。真正严重的黑天鹅是别人把握了刚才我说的三个趋势发展方向，使得它在市场上抓住市场的需要，那么黑天鹅就产生了，黑天鹅的悲剧会降落到那些没有声音的、变革的企业和人的身上。
产业的活动是满足人的需求，这个基本原理是永远不变的，企业抓住需求、市场，这是第一位的。有的时候，模式、竞争的构成要素变了，但这个基本面是不变的。无论是产品还是流程、智能化的改革改变了需求，按照需求的基本面，个人、家庭、社会，需求的基本面没有变，医食住行等健康的基本需求、社会的基础设施和供给能力、竞争力的主要指标不会改变，改变的是竞争力中的指标构成要素。
当新的大门打开后，我们不要惊慌失措。首先，要看到白天鹅提示我们的信息，防止黑天鹅，把风险降下来，企业要看到基本面，在自己的优势上继续向前，这样企业能发展、个人能发展。
谢谢大家。
更多内容请关注：www.imefuture.com
来源：走向智能论坛 杨学山 查看全部
杨学山：新技术与新业态
2017年3月18-19日，由CIO时代学院、珠海市CIO协会联合主办，中国新一代IT产业推进联盟指导，CIO时代APP承办，转型家、广东省CIO协会、大华南IT高管共赢圈、中山CIO协会、江门市CIO协会（筹）协办的“2017CIO时代中国行珠海站暨2017年珠海CIO协会春季高峰论坛”活动在珠海隆重举行。北京大学兼职教授、原工业和信息化部副部长杨学山在活动中发表了题为《新技术与新业态》的主题演讲，以下为演讲实录：
北京大学兼职教授、工业和信息化部原副部长 杨学山
各位来宾、CIO同仁、新老朋友，大家上午好。十分高兴来到珠海，我今天演讲的题目是大会的主题《新技术与新业态》。
先讲讲技术发展的主要趋势和对产业的主要影响。新技术发展有很多影响，先从五个方面简单展开，首先讲智能技术和智能化；第二是数字技术和数字化；第三是平台技术和平台化；第四是综合看上面三个，融合开启新时代；第五是如何看待新世界的大门打开以后，我们会看到什么样的白天鹅、黑天鹅。
一、智能技术和智能化。
智能技术是综合的技术，严格讲智能技术不能与数字技术融合，因为我们主要讲人工智能。所谓的人工智能，是原来人做的事情能够有机器做，智能技术是将原来人做的事情变成机器或系统做。当机器、系统做的时候，智能系统一定不等于数字系统。工业机器人哪个针对数字信息技术？所以它们不是一体的。由于时间关系，对于智能技术我确实不能详细展开，大体讲三类：
1.理论和基本的模型算法，或通用的模型算法
工业革命以来，当一个重大变化发生时，结果发现技术背后是没有理论的。今天我们在讲智能、人工智能时，它背后是没有理论的，所以我们必须探索和研究理论是什么。智能有很多具体的模型算法来支撑，其中我们要提炼一部分，这部分是通用的，对未来发展有着重大作用，所以我将理论与这个东西归成一类。
2.各个环节的应用
智能技术在各个环节的应用可以极其简单，也可以极其复杂。例如，大家坐在椅子上，今天的椅子上没有任何智能，但是我给它三个东西。第一，感知，即有人坐下去（压力感知），如今汽车上都有这样的功能，副驾有人坐上去要系好安全带；第二，加一个计时器，你坐了多长时间；第三，再给它一点点知识，即常坐这个椅子的人的习惯。加了这三个东西后，你坐了一段时间，它会改变你的坐姿，你起来活动一下，那么这个椅子是否变成智能了呢？这三个东西在今天一点也不复杂，但有些很复杂。讲智能制造时，尤其是复杂制造，这样的车间变成智能化是十分复杂的。我可以十分坦率的讲，比RF复杂很多，因为这个车间里所有人的思考、决策人的行动变成机器和系统做，这是一个十分复杂的过程。当然还有很多，我们今天还有很多未知需要探索，如果智能把这样的未知从人来探索变成机器探索，那是相当复杂的。各个领域的应用，机器从极其简单变成极其复杂，即从今天谁想到就能做到，变成想到全世界也很难做到。
3.在各个环节都用时，需要有一些工具支持
我刚才讲了车间，这个车间有一些是通用的，比如把一个物件搬到工作单元。尽管它在车间不同地方，行走路线、重量不同，但它通用。平时，我们将一个人参与的管理流程变成数字化，这样就需要工具来支撑，我们有一组工具支持。因此，智能技术可以分为这三大类。
智能化是从人做的事情逐步由机器和系统取代，这一点在过去几年已经发生，在未来几年将加速发生。加速发生有两个重要的原因：
一是技术推动。即使今天有人做的环节由机器、系统做十分简单，或不很复杂，这样的例子到处都有。在制造业中，在机器进行换人很多系统都能做。我多次讲过一个例子，常州一个小企业，五六亿的营业额，从软件到设备都是做的，全部由人工生产线变成自动化的生产线，由于是自己开发，所以成本很低，一点也不复杂。从人工车间变成全自动化车间都是自己做的，两年时间，几十个人，两年时间所有成本都能回收。如果用心，很多企业都能做，如果没心，你请一个企业帮你做，不仅是时间问题，成本你根本接受不了。即使这样的过程，只要自己有心很容易做得到。我们的技术在发展，很多事情是可以做的。
二是需求与技术。因为劳动成本上升，因此我们需要有机器来替代。机器替代唯一的标准是你成本下降了没有、质量提升了没有？以一个周期来算，无论是投资周期还是利润周期，按照一个周期计算，划算就做，不划算就不做，这是需求推动。除这个需求推动，我们还有一个需求推动，我们进入老年社会，我们这代人大部分人不能靠子女，我们的养老一定是居家的、自帮的。居家和自助没有智能辅助是不可能的，所以这推动了它的发展。
二、数字技术和数字化。
数字技术是从数字的感知获取到组织管理分析形成数字业，这样一系列的过程构成的。但其中有三件事情很重要。
第一，暗数据。现在有一个术语叫暗数据，因为它没有结构化，暗数据如何处理？就是人工利用它，它一定变成某类物质，它有什么规律，它怎么发生作用。暗数据变成可用化很简单，就是结构化。结构化程度到哪它就用到哪，所以这个技术非常关键，否则我们的智能无法进行。
第二，感知技术。今天在用数字技术的时候，我们真正起步，因为起步是有数的。大概前几个礼拜，有一个做健康医疗的人讲如何为人提供服务，我说核心技术就是感知技术，人的身体状态健康的感知，就像这个人在医院里有着很复杂的设备做检查一样，你要感知，如果不能感知这个人的健康状态，你如何为他提供服务？不可能的。当然还有很多，感知是我们数据技术的起点，没有起点怎么会有后续的东西？
第三，自动化数据链。近几年，大家在和数据链打交道，但我们原来的规划程度比较高。今天我们要往前走一步，个性化、和人相关的、非结构化。所以我们要在这三个方面构成结构化，变成软件和系统的数据链。
说起来很难，具体到企业做业务时，有心做并不难。数字技术应该有很多，但这三点十分重要。
第一件事情是数字双生子。最近，有一个词叫数字双生子（digital twin）。物理世界有一个，数字化后，实际上是使我们的物理世界有一个数字化的双生子。这个东西十分重要，比如珠海或深圳，在物理空间之上建立一个数字化的空间和状态，对我们的管理、决策、分析有着极其重要的意义，不仅是宏观，还包括微观。
第二件事情是一个过程、一个流程。我们构建一个数字化的流程和它相对应。总书记多次讲过信息流引领资金流、信息流。这样的引领是靠这样一个东西，如果没有过程的数字化上升值，没对它进行优化，进行各式各样的仿真操作，那是空的，因为结果是什么都不知道。这个东西是抽象的，每个人的处理过程，或者你想要达到的目标，这个过程延伸、延伸再延伸。我们如何为这样的过程延伸构建一个数字上升值？
第三件事情是为一个任务、为一种目的，构建一个数字环节。有两个典型的例子，第一，我们讲复杂制造，其中有一个是多规格小批次，一年可能有几千个规格，但批次可能只有十次，这样的东西十分复杂，如何按照质量交货？如果没有数字上升值是做不到的。我不知道在座有几个是做这样的制造，如果有的话，制造就必须构建数字化双生子，所有的技术、工艺、检测都要有数字的东西先做成。第二，教育、娱乐主要是和信息打交道的东西，我们要构建一个信息化的环境。今天讲的VR、IR是这样的东西，在教育、游戏中使用，大概是这样一个东西。所以数字化是在这样几个方向推进的，到时候几乎所有的东西都有了数字上升值。
三、平台技术和平台化
大家都知道用平台建平台，用了很多年，建了很多年。如今的平台和原来所做的平台不一样主要体现在，今天的平台，从宏观看，它连接的对象与原来的平台是完全不可比的，我们是几十亿人，百亿、千亿、万亿的物品连接到一个可工作的平台上，更重要的是连接到平台的物体、个体、主体跟平台的关系相当深入，比原来深入得多。原来道路是一个平台，车辆和道路之间的关系很紧密。今天的平台比这个关系深得多，而且是可变的。每个在平台上连接的事务，要按照新的目标构建新的关系和功能。原来的CIM、ERP连接都是给定的，因此现在是新平台。新的平台使得它的构成就不同，所以从基础的感知开始。没有感知一定不行的，没有感知就是原来的东西。
从感知开始，我们要有一套协议，这套协议能够在平台和对象之间的深化、可以柔性的功能，通过一组协议来实现。既能实现连接，还要实现功能，保证平台的应用性。当然，在我们脑袋中，要将这样的平台分成两块，一块是宏观平台，即几十亿人，几千、几百、几万亿个物件，要关注这个空间的活动平台。网红是自己搭建的平台，我们也可以搭建一个平台，所以平台不再是企业、组织或是国家的专用，而是随着主体的目的，自由自主搭建和服务自己功能的平台。这个自己可以是企业、个人，平台要这样改。否则宏观就和我没关系，当然微观的平台一定是基于宏观的平台，微观平台基于宏观平台搭建，为宏观平台的构建作出贡献，两者是这样的关系。
平台化几乎成了以后企业发展、地区发展、国家发展、个人发展的必要条件，既要建，也要用。作为企业的CIO，要建设平台，但今天，建平台不再是我们自己做平台的物理资源，我们平台的物理资源是别人的，如果没有别人，坚决不自己做，这应该成为CIO记住的；用，能够用别人的就不要自己做，因为变化太快。变化这件事情，你也应该用别人的，而不是自己建。
四、三种技术、三种化合在一起
我们看到，历史走向新时代的这道大门已经开启。这个开启不是智能化、数字化、平台化的其中一个，而是合在一起。即使智能化、数字化、平台化密不可分，三者是紧密联系的，但又有不同的特征。三个东西合在一起，我们走向新时代的大门已经开启，而开启这个大门的是融合在一起的力量，其推动着这道大门的开启。但是我想，从全国、全球看，这个大门已经开启，但对于在座所在的企业、个人和生活，这个东西要看智能、数字平台做到什么程度，融合得怎样。因为开启这个门的时候， CIO们已不能只站在其中的一个角度，而是要从整体上看。因为这三个化、三个技术的核心部分是IT技术，核心的部分是信息、数据，所以我们要主导引领，而不是像原来那样老板怎么说，我们就怎么做，落实老板的指示，这个事情一定不成。必须真正考虑这个企业，包括你本人，究竟这道门如何打开，融合起来形成一个合力，这是一种技术方向。另外一个特征是，要真正开启它，前期这个门已经开了，不是将开将闭。到具体开的时候，一定要注意IT技术的应用、发展已经从通用转向个性化。刚才讲智能、数据、平台的时，其实隐含了这样一个逻辑，今天要将事物独有的、人独有的事情自动化、智能化、主体化，将通用转向个性。开启这个门，如果跟不上变化，跟在别人后面是不能引领时代的。
五、如何看待新世纪大门的开启
讲智能开启，门打开后，我们会看到什么？首先，企业看到的是白天鹅扑面而来，有很多的机会和机遇。在这个过程中，我们一定看到，有很多的人和企业由于看得远了一点，做的准备好了一点，门打开后发展得更好，所以会有很多白天鹅在飞。比如顺丰，从物流的角度，他为什么能站到一个世界的奇迹？以物流行业如此快的增长速度，在世界的物流历史上是没有的，超过了美国的、英国的百年老店，离世界第一已经很近了，但他只用了几年时间。它的飞机、车、轮船，自己或别人的汽车都没有什么，这些老牌的企业都有。但有一个是老牌企业是没有的，便是我们城市中的快递小哥。快递小哥很简单，骑着一辆电单车，将包裹送到人的手中。其中有一个交流很有趣， 50%快递放在门口，并未与快递小哥见面。这种方式技术含量如此之低，为什么能做？平台，他利用了公共的平台，这个平台好到什么程度？他不做终端，企业做CIO要做终端，他就不做终端，因为你就带着智能手机来，面试的人没有智能手机就不需要你。今天，一个订单号在控制着整个传递过程，这个东西了不起，英国、美国的老牌跟中国相比差得很远。
对移动的使用、移动支付、移动工具的普及和使用，我们全世界最快。我真没想到，微信支付会如此快的发展。就这样的一个东西，顺丰到了中国第三首富，我们的物流业发生了巨大的改变。其实我们有很多白天鹅，刚才讲的智能、技术、平台很多都很容易做。除此之外，企业在这样的环境下，还要改进人的资源、动力架构，全部要改变，改变快会成为白天鹅，做不好便会成为悲剧。
对于黑天鹅，由于纯技术的原因造成黑天鹅的事件并不多，这十年全世界就只有这么几件，没有真正的影响，而且只是很小的局部发生变化。技术产生黑天鹅，其实只要认真想一想，过去、今天、未来有，但不会太严重。真正严重的黑天鹅是别人把握了刚才我说的三个趋势发展方向，使得它在市场上抓住市场的需要，那么黑天鹅就产生了，黑天鹅的悲剧会降落到那些没有声音的、变革的企业和人的身上。
产业的活动是满足人的需求，这个基本原理是永远不变的，企业抓住需求、市场，这是第一位的。有的时候，模式、竞争的构成要素变了，但这个基本面是不变的。无论是产品还是流程、智能化的改革改变了需求，按照需求的基本面，个人、家庭、社会，需求的基本面没有变，医食住行等健康的基本需求、社会的基础设施和供给能力、竞争力的主要指标不会改变，改变的是竞争力中的指标构成要素。
当新的大门打开后，我们不要惊慌失措。首先，要看到白天鹅提示我们的信息，防止黑天鹅，把风险降下来，企业要看到基本面，在自己的优势上继续向前，这样企业能发展、个人能发展。
谢谢大家。
更多内容请关注：www.imefuture.com
来源：走向智能论坛 杨学山
2017年3月18-19日，由CIO时代学院、珠海市CIO协会联合主办，中国新一代IT产业推进联盟指导，CIO时代APP承办，转型家、广东省CIO协会、大华南IT高管共赢圈、中山CIO协会、江门市CIO协会（筹）协办的“2017CIO时代中国行珠海站暨2017年珠海CIO协会春季高峰论坛”活动在珠海隆重举行。北京大学兼职教授、原工业和信息化部副部长杨学山在活动中发表了题为《新技术与新业态》的主题演讲，以下为演讲实录：
北京大学兼职教授、工业和信息化部原副部长 杨学山
各位来宾、CIO同仁、新老朋友，大家上午好。十分高兴来到珠海，我今天演讲的题目是大会的主题《新技术与新业态》。
先讲讲技术发展的主要趋势和对产业的主要影响。新技术发展有很多影响，先从五个方面简单展开，首先讲智能技术和智能化；第二是数字技术和数字化；第三是平台技术和平台化；第四是综合看上面三个，融合开启新时代；第五是如何看待新世界的大门打开以后，我们会看到什么样的白天鹅、黑天鹅。
一、智能技术和智能化。
智能技术是综合的技术，严格讲智能技术不能与数字技术融合，因为我们主要讲人工智能。所谓的人工智能，是原来人做的事情能够有机器做，智能技术是将原来人做的事情变成机器或系统做。当机器、系统做的时候，智能系统一定不等于数字系统。工业机器人哪个针对数字信息技术？所以它们不是一体的。由于时间关系，对于智能技术我确实不能详细展开，大体讲三类：
1.理论和基本的模型算法，或通用的模型算法
工业革命以来，当一个重大变化发生时，结果发现技术背后是没有理论的。今天我们在讲智能、人工智能时，它背后是没有理论的，所以我们必须探索和研究理论是什么。智能有很多具体的模型算法来支撑，其中我们要提炼一部分，这部分是通用的，对未来发展有着重大作用，所以我将理论与这个东西归成一类。
2.各个环节的应用
智能技术在各个环节的应用可以极其简单，也可以极其复杂。例如，大家坐在椅子上，今天的椅子上没有任何智能，但是我给它三个东西。第一，感知，即有人坐下去（压力感知），如今汽车上都有这样的功能，副驾有人坐上去要系好安全带；第二，加一个计时器，你坐了多长时间；第三，再给它一点点知识，即常坐这个椅子的人的习惯。加了这三个东西后，你坐了一段时间，它会改变你的坐姿，你起来活动一下，那么这个椅子是否变成智能了呢？这三个东西在今天一点也不复杂，但有些很复杂。讲智能制造时，尤其是复杂制造，这样的车间变成智能化是十分复杂的。我可以十分坦率的讲，比RF复杂很多，因为这个车间里所有人的思考、决策人的行动变成机器和系统做，这是一个十分复杂的过程。当然还有很多，我们今天还有很多未知需要探索，如果智能把这样的未知从人来探索变成机器探索，那是相当复杂的。各个领域的应用，机器从极其简单变成极其复杂，即从今天谁想到就能做到，变成想到全世界也很难做到。
3.在各个环节都用时，需要有一些工具支持
我刚才讲了车间，这个车间有一些是通用的，比如把一个物件搬到工作单元。尽管它在车间不同地方，行走路线、重量不同，但它通用。平时，我们将一个人参与的管理流程变成数字化，这样就需要工具来支撑，我们有一组工具支持。因此，智能技术可以分为这三大类。
智能化是从人做的事情逐步由机器和系统取代，这一点在过去几年已经发生，在未来几年将加速发生。加速发生有两个重要的原因：
一是技术推动。即使今天有人做的环节由机器、系统做十分简单，或不很复杂，这样的例子到处都有。在制造业中，在机器进行换人很多系统都能做。我多次讲过一个例子，常州一个小企业，五六亿的营业额，从软件到设备都是做的，全部由人工生产线变成自动化的生产线，由于是自己开发，所以成本很低，一点也不复杂。从人工车间变成全自动化车间都是自己做的，两年时间，几十个人，两年时间所有成本都能回收。如果用心，很多企业都能做，如果没心，你请一个企业帮你做，不仅是时间问题，成本你根本接受不了。即使这样的过程，只要自己有心很容易做得到。我们的技术在发展，很多事情是可以做的。
二是需求与技术。因为劳动成本上升，因此我们需要有机器来替代。机器替代唯一的标准是你成本下降了没有、质量提升了没有？以一个周期来算，无论是投资周期还是利润周期，按照一个周期计算，划算就做，不划算就不做，这是需求推动。除这个需求推动，我们还有一个需求推动，我们进入老年社会，我们这代人大部分人不能靠子女，我们的养老一定是居家的、自帮的。居家和自助没有智能辅助是不可能的，所以这推动了它的发展。
二、数字技术和数字化。
数字技术是从数字的感知获取到组织管理分析形成数字业，这样一系列的过程构成的。但其中有三件事情很重要。
第一，暗数据。现在有一个术语叫暗数据，因为它没有结构化，暗数据如何处理？就是人工利用它，它一定变成某类物质，它有什么规律，它怎么发生作用。暗数据变成可用化很简单，就是结构化。结构化程度到哪它就用到哪，所以这个技术非常关键，否则我们的智能无法进行。
第二，感知技术。今天在用数字技术的时候，我们真正起步，因为起步是有数的。大概前几个礼拜，有一个做健康医疗的人讲如何为人提供服务，我说核心技术就是感知技术，人的身体状态健康的感知，就像这个人在医院里有着很复杂的设备做检查一样，你要感知，如果不能感知这个人的健康状态，你如何为他提供服务？不可能的。当然还有很多，感知是我们数据技术的起点，没有起点怎么会有后续的东西？
第三，自动化数据链。近几年，大家在和数据链打交道，但我们原来的规划程度比较高。今天我们要往前走一步，个性化、和人相关的、非结构化。所以我们要在这三个方面构成结构化，变成软件和系统的数据链。
说起来很难，具体到企业做业务时，有心做并不难。数字技术应该有很多，但这三点十分重要。
第一件事情是数字双生子。最近，有一个词叫数字双生子（digital twin）。物理世界有一个，数字化后，实际上是使我们的物理世界有一个数字化的双生子。这个东西十分重要，比如珠海或深圳，在物理空间之上建立一个数字化的空间和状态，对我们的管理、决策、分析有着极其重要的意义，不仅是宏观，还包括微观。
第二件事情是一个过程、一个流程。我们构建一个数字化的流程和它相对应。总书记多次讲过信息流引领资金流、信息流。这样的引领是靠这样一个东西，如果没有过程的数字化上升值，没对它进行优化，进行各式各样的仿真操作，那是空的，因为结果是什么都不知道。这个东西是抽象的，每个人的处理过程，或者你想要达到的目标，这个过程延伸、延伸再延伸。我们如何为这样的过程延伸构建一个数字上升值？
第三件事情是为一个任务、为一种目的，构建一个数字环节。有两个典型的例子，第一，我们讲复杂制造，其中有一个是多规格小批次，一年可能有几千个规格，但批次可能只有十次，这样的东西十分复杂，如何按照质量交货？如果没有数字上升值是做不到的。我不知道在座有几个是做这样的制造，如果有的话，制造就必须构建数字化双生子，所有的技术、工艺、检测都要有数字的东西先做成。第二，教育、娱乐主要是和信息打交道的东西，我们要构建一个信息化的环境。今天讲的VR、IR是这样的东西，在教育、游戏中使用，大概是这样一个东西。所以数字化是在这样几个方向推进的，到时候几乎所有的东西都有了数字上升值。
三、平台技术和平台化
大家都知道用平台建平台，用了很多年，建了很多年。如今的平台和原来所做的平台不一样主要体现在，今天的平台，从宏观看，它连接的对象与原来的平台是完全不可比的，我们是几十亿人，百亿、千亿、万亿的物品连接到一个可工作的平台上，更重要的是连接到平台的物体、个体、主体跟平台的关系相当深入，比原来深入得多。原来道路是一个平台，车辆和道路之间的关系很紧密。今天的平台比这个关系深得多，而且是可变的。每个在平台上连接的事务，要按照新的目标构建新的关系和功能。原来的CIM、ERP连接都是给定的，因此现在是新平台。新的平台使得它的构成就不同，所以从基础的感知开始。没有感知一定不行的，没有感知就是原来的东西。
从感知开始，我们要有一套协议，这套协议能够在平台和对象之间的深化、可以柔性的功能，通过一组协议来实现。既能实现连接，还要实现功能，保证平台的应用性。当然，在我们脑袋中，要将这样的平台分成两块，一块是宏观平台，即几十亿人，几千、几百、几万亿个物件，要关注这个空间的活动平台。网红是自己搭建的平台，我们也可以搭建一个平台，所以平台不再是企业、组织或是国家的专用，而是随着主体的目的，自由自主搭建和服务自己功能的平台。这个自己可以是企业、个人，平台要这样改。否则宏观就和我没关系，当然微观的平台一定是基于宏观的平台，微观平台基于宏观平台搭建，为宏观平台的构建作出贡献，两者是这样的关系。
平台化几乎成了以后企业发展、地区发展、国家发展、个人发展的必要条件，既要建，也要用。作为企业的CIO，要建设平台，但今天，建平台不再是我们自己做平台的物理资源，我们平台的物理资源是别人的，如果没有别人，坚决不自己做，这应该成为CIO记住的；用，能够用别人的就不要自己做，因为变化太快。变化这件事情，你也应该用别人的，而不是自己建。
四、三种技术、三种化合在一起
我们看到，历史走向新时代的这道大门已经开启。这个开启不是智能化、数字化、平台化的其中一个，而是合在一起。即使智能化、数字化、平台化密不可分，三者是紧密联系的，但又有不同的特征。三个东西合在一起，我们走向新时代的大门已经开启，而开启这个大门的是融合在一起的力量，其推动着这道大门的开启。但是我想，从全国、全球看，这个大门已经开启，但对于在座所在的企业、个人和生活，这个东西要看智能、数字平台做到什么程度，融合得怎样。因为开启这个门的时候， CIO们已不能只站在其中的一个角度，而是要从整体上看。因为这三个化、三个技术的核心部分是IT技术，核心的部分是信息、数据，所以我们要主导引领，而不是像原来那样老板怎么说，我们就怎么做，落实老板的指示，这个事情一定不成。必须真正考虑这个企业，包括你本人，究竟这道门如何打开，融合起来形成一个合力，这是一种技术方向。另外一个特征是，要真正开启它，前期这个门已经开了，不是将开将闭。到具体开的时候，一定要注意IT技术的应用、发展已经从通用转向个性化。刚才讲智能、数据、平台的时，其实隐含了这样一个逻辑，今天要将事物独有的、人独有的事情自动化、智能化、主体化，将通用转向个性。开启这个门，如果跟不上变化，跟在别人后面是不能引领时代的。
五、如何看待新世纪大门的开启
讲智能开启，门打开后，我们会看到什么？首先，企业看到的是白天鹅扑面而来，有很多的机会和机遇。在这个过程中，我们一定看到，有很多的人和企业由于看得远了一点，做的准备好了一点，门打开后发展得更好，所以会有很多白天鹅在飞。比如顺丰，从物流的角度，他为什么能站到一个世界的奇迹？以物流行业如此快的增长速度，在世界的物流历史上是没有的，超过了美国的、英国的百年老店，离世界第一已经很近了，但他只用了几年时间。它的飞机、车、轮船，自己或别人的汽车都没有什么，这些老牌的企业都有。但有一个是老牌企业是没有的，便是我们城市中的快递小哥。快递小哥很简单，骑着一辆电单车，将包裹送到人的手中。其中有一个交流很有趣， 50%快递放在门口，并未与快递小哥见面。这种方式技术含量如此之低，为什么能做？平台，他利用了公共的平台，这个平台好到什么程度？他不做终端，企业做CIO要做终端，他就不做终端，因为你就带着智能手机来，面试的人没有智能手机就不需要你。今天，一个订单号在控制着整个传递过程，这个东西了不起，英国、美国的老牌跟中国相比差得很远。
对移动的使用、移动支付、移动工具的普及和使用，我们全世界最快。我真没想到，微信支付会如此快的发展。就这样的一个东西，顺丰到了中国第三首富，我们的物流业发生了巨大的改变。其实我们有很多白天鹅，刚才讲的智能、技术、平台很多都很容易做。除此之外，企业在这样的环境下，还要改进人的资源、动力架构，全部要改变，改变快会成为白天鹅，做不好便会成为悲剧。
对于黑天鹅，由于纯技术的原因造成黑天鹅的事件并不多，这十年全世界就只有这么几件，没有真正的影响，而且只是很小的局部发生变化。技术产生黑天鹅，其实只要认真想一想，过去、今天、未来有，但不会太严重。真正严重的黑天鹅是别人把握了刚才我说的三个趋势发展方向，使得它在市场上抓住市场的需要，那么黑天鹅就产生了，黑天鹅的悲剧会降落到那些没有声音的、变革的企业和人的身上。
产业的活动是满足人的需求，这个基本原理是永远不变的，企业抓住需求、市场，这是第一位的。有的时候，模式、竞争的构成要素变了，但这个基本面是不变的。无论是产品还是流程、智能化的改革改变了需求，按照需求的基本面，个人、家庭、社会，需求的基本面没有变，医食住行等健康的基本需求、社会的基础设施和供给能力、竞争力的主要指标不会改变，改变的是竞争力中的指标构成要素。
当新的大门打开后，我们不要惊慌失措。首先，要看到白天鹅提示我们的信息，防止黑天鹅，把风险降下来，企业要看到基本面，在自己的优势上继续向前，这样企业能发展、个人能发展。
谢谢大家。
更多内容请关注：www.imefuture.com
来源：走向智能论坛 杨学山
343 浏览
智能制造如何切入，从机器代人说开去
智能制造类 国产女汉子 2017-03-22 16:49 发表了文章
谈到智能制造，“机器代人”的话题绕不开，近日，走向智能研究院特约研究员、宝钢中央研究院首席研究员郭朝晖博士撰文认为，理解智能制造有多个切口。让机器代替、减少人的工作，只是其中的一个。任何新技术要创造价值，必须与业务结合。从技术与业务结合的角度看，把“机器代人”作为智能制造的切入点具有天然的优势。
问题想清楚后，复杂的事物往往可以用一句话描述。如果讲了很多还没说清楚，那就不是真懂。故有“真传一句话，假传一部书”的说法。
“重要的一句话”往往只是一个思想体系的“切入口”。通过这个切入口，能够窥见体系的全貌。找到这个“切入口”，其实是把全貌的逻辑关系搞清楚了。一个体系的切入口可以有很多，对同样一件事，不同人可以有不同的说法。佛门有种观点：能用自己特有的话表达、而不是重复别人的说法，才是真正的悟道。也就是说，只要想明白，每个参透的人都可以有自己的切入口。
宝钢信息化技术的奠基人、令人高山仰止的前辈何麟生先生就曾经提到：企业的信息化可以有不同的切入口。可以从不同的角度理解信息化，比如知识管理。从哪个切口搞清楚，都可能把问题搞清楚。我研究智能制造，也发现了很多“切入口”。比如，数字化、网络化、知识管理、机器代人、快速响应、CPS、协同共享重用、减少不确定性........
今天从“机器代人”这个切入口，谈谈我对智能制造的理解。
虽然“机器代人”被很多人诟病，其实也是个不错的切如口。被人诟病的原因是：这个观点被人庸俗化、简单化、片面化地理解了。
其实，“机器代人”甚至可以作为自动化、信息化、智能化共同的“切口”。毋庸多言，自动化代替人的体力劳动。信息化其实也是。比如：过去会计做几天的工作量，现在用计算机一个小时就搞定了。效率的提高就是因为计算机代替了人的一些简单计算和核对工作。再如，OA系统的出现，就代替了通信员和秘书的工作。智能化也是让机器代替人的部分工作。前提就是把人的知识嵌入到计算机中，把人接受的信息数字化。
如果单独从原理上看，智能化的逻辑并不新。其新颖性在于经济可行性不一样：通过智能制造，可以实现大范围的优化、快速响应、各种资源的共享与重用。经济性为什么现在能实现了呢？因为ICT技术的发展，让信息的感知、传递和决策能力大大加强，过去的原理具有了技术可行性。
机器代人是不是人就要失业了呢？当然会有一部分人失业。但同时肯定会创造出新的岗位：机器做常规的、重复性的、物质生产相关的工作。但机器要做好这些工作，需要知识、需要维护、需要优化，而越来越多的人要从事知识生产活动，为机器工作保驾护航。
与自动化时代相比，智能制造时代需要的知识要复杂多了。知识生产是相当不容易的、也容易出错——否则，Windows为啥整天打补丁？这么复杂的劳动，当然要有更加给力的工具。这种工具就是平台。平台的作用不仅是“生产知识”，还要将知识的生产和应用对接起来：因为知识只有在应用中才能创造价值。构建“对接”的桥梁，也需要人的大智慧啊。
人类要进行知识生产，凭什么？我认为，大数据就是知识生产的原料。当然，从原料生产出来的知识，也要有类似“人机料法环”方面的诸多问题，要做到知识的专业化、“工业化”生产，也很不容易啊。既然大数据是知识生产的原料，数据的价值也要与日俱增。对任何一个企业来说，用户的需求和对产品的使用情况都变得重要起来。于是，企业之间的商业模式就可能会发生改变。
人类把苦活、累活、自己不愿意干的活交给机器了，当然要有自动化、智能化设备。这些设备要被管起来并不容易，CPS的相关技术必须解决这些问题。让机器自己干活，人类放心吗？我想，至少在初级阶段，人是不放心的。所以，我们需要若干支撑性技术，比如设备诊断、运维技术、移动监控、透明工厂等。其中，智能运维其实是让机器代替运维人员的部分工作。
有人说，国外公司在“智能制造”的旗帜下面，卖的是数字化货，如PLM、数字化同样也是减少人的工作量。PLM产生的动力，就是知识管理太麻烦、费时费力不好管。同时，数字化可以减少人的重复性劳动、减少沟通的麻烦、减少管理的漏洞，其实都可以看做代替人呢。
如果把机器代人做为切口，推进智能化的时候就要去想：哪些工作可以减少人的工作量？哪些工作让机器去做会做得更好？比如，现在的人们要花大量的时间去翻阅数据和材料，这些事情是不是可以让机器去做？这样让人的精力集中到最有价值的问题上。所以，提高信息的感知能力，一定是个不错的方向。扯得更远一点：现在有些共享经济案例，其实是通过信息技术，让低端人群代替高端人群的工作，让专业人士代替非专业人士的工作啊。
这样想，思路就打开了。当然，思路打开以后，问题还是很多：推进智能化往往涉及面太多、又难以找到合适的平台支持、人员和案例。所以，缺乏行动勇气的时候，往往也就想想算了——像浙江人说的那样：“夜里想了千条路，早上仍然卖豆腐。”
最后再次强调一下：理解智能制造有多个切口。让机器代替、减少人的工作，只是其中的一个。要真正搞清楚，每个人或许应该找到自己的切口。
任何新技术要创造价值，必须与业务结合。机器代替人的工作，原本就是业务的一部分。所以，从这个技术与业务结合的角度看，把“机器代人”作为智能制造的切入点具有天然的优势。最后再强调一下，要让“机器代人”具备经济可行性，就要力争让机器做得比人更好，并促进人类更高效地工作、从事更具创造性的工作。只有这样，智能制造才能将促进生产力和社会的发展结合起来。
更多内容请关注：www.imefuture.com
来源：微信公众号 走向智能论坛 查看全部
问题想清楚后，复杂的事物往往可以用一句话描述。如果讲了很多还没说清楚，那就不是真懂。故有“真传一句话，假传一部书”的说法。
“重要的一句话”往往只是一个思想体系的“切入口”。通过这个切入口，能够窥见体系的全貌。找到这个“切入口”，其实是把全貌的逻辑关系搞清楚了。一个体系的切入口可以有很多，对同样一件事，不同人可以有不同的说法。佛门有种观点：能用自己特有的话表达、而不是重复别人的说法，才是真正的悟道。也就是说，只要想明白，每个参透的人都可以有自己的切入口。
宝钢信息化技术的奠基人、令人高山仰止的前辈何麟生先生就曾经提到：企业的信息化可以有不同的切入口。可以从不同的角度理解信息化，比如知识管理。从哪个切口搞清楚，都可能把问题搞清楚。我研究智能制造，也发现了很多“切入口”。比如，数字化、网络化、知识管理、机器代人、快速响应、CPS、协同共享重用、减少不确定性........
今天从“机器代人”这个切入口，谈谈我对智能制造的理解。
虽然“机器代人”被很多人诟病，其实也是个不错的切如口。被人诟病的原因是：这个观点被人庸俗化、简单化、片面化地理解了。
其实，“机器代人”甚至可以作为自动化、信息化、智能化共同的“切口”。毋庸多言，自动化代替人的体力劳动。信息化其实也是。比如：过去会计做几天的工作量，现在用计算机一个小时就搞定了。效率的提高就是因为计算机代替了人的一些简单计算和核对工作。再如，OA系统的出现，就代替了通信员和秘书的工作。智能化也是让机器代替人的部分工作。前提就是把人的知识嵌入到计算机中，把人接受的信息数字化。
如果单独从原理上看，智能化的逻辑并不新。其新颖性在于经济可行性不一样：通过智能制造，可以实现大范围的优化、快速响应、各种资源的共享与重用。经济性为什么现在能实现了呢？因为ICT技术的发展，让信息的感知、传递和决策能力大大加强，过去的原理具有了技术可行性。
机器代人是不是人就要失业了呢？当然会有一部分人失业。但同时肯定会创造出新的岗位：机器做常规的、重复性的、物质生产相关的工作。但机器要做好这些工作，需要知识、需要维护、需要优化，而越来越多的人要从事知识生产活动，为机器工作保驾护航。
与自动化时代相比，智能制造时代需要的知识要复杂多了。知识生产是相当不容易的、也容易出错——否则，Windows为啥整天打补丁？这么复杂的劳动，当然要有更加给力的工具。这种工具就是平台。平台的作用不仅是“生产知识”，还要将知识的生产和应用对接起来：因为知识只有在应用中才能创造价值。构建“对接”的桥梁，也需要人的大智慧啊。
人类要进行知识生产，凭什么？我认为，大数据就是知识生产的原料。当然，从原料生产出来的知识，也要有类似“人机料法环”方面的诸多问题，要做到知识的专业化、“工业化”生产，也很不容易啊。既然大数据是知识生产的原料，数据的价值也要与日俱增。对任何一个企业来说，用户的需求和对产品的使用情况都变得重要起来。于是，企业之间的商业模式就可能会发生改变。
人类把苦活、累活、自己不愿意干的活交给机器了，当然要有自动化、智能化设备。这些设备要被管起来并不容易，CPS的相关技术必须解决这些问题。让机器自己干活，人类放心吗？我想，至少在初级阶段，人是不放心的。所以，我们需要若干支撑性技术，比如设备诊断、运维技术、移动监控、透明工厂等。其中，智能运维其实是让机器代替运维人员的部分工作。
有人说，国外公司在“智能制造”的旗帜下面，卖的是数字化货，如PLM、数字化同样也是减少人的工作量。PLM产生的动力，就是知识管理太麻烦、费时费力不好管。同时，数字化可以减少人的重复性劳动、减少沟通的麻烦、减少管理的漏洞，其实都可以看做代替人呢。
如果把机器代人做为切口，推进智能化的时候就要去想：哪些工作可以减少人的工作量？哪些工作让机器去做会做得更好？比如，现在的人们要花大量的时间去翻阅数据和材料，这些事情是不是可以让机器去做？这样让人的精力集中到最有价值的问题上。所以，提高信息的感知能力，一定是个不错的方向。扯得更远一点：现在有些共享经济案例，其实是通过信息技术，让低端人群代替高端人群的工作，让专业人士代替非专业人士的工作啊。
这样想，思路就打开了。当然，思路打开以后，问题还是很多：推进智能化往往涉及面太多、又难以找到合适的平台支持、人员和案例。所以，缺乏行动勇气的时候，往往也就想想算了——像浙江人说的那样：“夜里想了千条路，早上仍然卖豆腐。”
最后再次强调一下：理解智能制造有多个切口。让机器代替、减少人的工作，只是其中的一个。要真正搞清楚，每个人或许应该找到自己的切口。
任何新技术要创造价值，必须与业务结合。机器代替人的工作，原本就是业务的一部分。所以，从这个技术与业务结合的角度看，把“机器代人”作为智能制造的切入点具有天然的优势。最后再强调一下，要让“机器代人”具备经济可行性，就要力争让机器做得比人更好，并促进人类更高效地工作、从事更具创造性的工作。只有这样，智能制造才能将促进生产力和社会的发展结合起来。
更多内容请关注：www.imefuture.com
来源：微信公众号 走向智能论坛 查看全部
谈到智能制造，“机器代人”的话题绕不开，近日，走向智能研究院特约研究员、宝钢中央研究院首席研究员郭朝晖博士撰文认为，理解智能制造有多个切口。让机器代替、减少人的工作，只是其中的一个。任何新技术要创造价值，必须与业务结合。从技术与业务结合的角度看，把“机器代人”作为智能制造的切入点具有天然的优势。
问题想清楚后，复杂的事物往往可以用一句话描述。如果讲了很多还没说清楚，那就不是真懂。故有“真传一句话，假传一部书”的说法。
“重要的一句话”往往只是一个思想体系的“切入口”。通过这个切入口，能够窥见体系的全貌。找到这个“切入口”，其实是把全貌的逻辑关系搞清楚了。一个体系的切入口可以有很多，对同样一件事，不同人可以有不同的说法。佛门有种观点：能用自己特有的话表达、而不是重复别人的说法，才是真正的悟道。也就是说，只要想明白，每个参透的人都可以有自己的切入口。
宝钢信息化技术的奠基人、令人高山仰止的前辈何麟生先生就曾经提到：企业的信息化可以有不同的切入口。可以从不同的角度理解信息化，比如知识管理。从哪个切口搞清楚，都可能把问题搞清楚。我研究智能制造，也发现了很多“切入口”。比如，数字化、网络化、知识管理、机器代人、快速响应、CPS、协同共享重用、减少不确定性........
今天从“机器代人”这个切入口，谈谈我对智能制造的理解。
虽然“机器代人”被很多人诟病，其实也是个不错的切如口。被人诟病的原因是：这个观点被人庸俗化、简单化、片面化地理解了。
其实，“机器代人”甚至可以作为自动化、信息化、智能化共同的“切口”。毋庸多言，自动化代替人的体力劳动。信息化其实也是。比如：过去会计做几天的工作量，现在用计算机一个小时就搞定了。效率的提高就是因为计算机代替了人的一些简单计算和核对工作。再如，OA系统的出现，就代替了通信员和秘书的工作。智能化也是让机器代替人的部分工作。前提就是把人的知识嵌入到计算机中，把人接受的信息数字化。
如果单独从原理上看，智能化的逻辑并不新。其新颖性在于经济可行性不一样：通过智能制造，可以实现大范围的优化、快速响应、各种资源的共享与重用。经济性为什么现在能实现了呢？因为ICT技术的发展，让信息的感知、传递和决策能力大大加强，过去的原理具有了技术可行性。
机器代人是不是人就要失业了呢？当然会有一部分人失业。但同时肯定会创造出新的岗位：机器做常规的、重复性的、物质生产相关的工作。但机器要做好这些工作，需要知识、需要维护、需要优化，而越来越多的人要从事知识生产活动，为机器工作保驾护航。
与自动化时代相比，智能制造时代需要的知识要复杂多了。知识生产是相当不容易的、也容易出错——否则，Windows为啥整天打补丁？这么复杂的劳动，当然要有更加给力的工具。这种工具就是平台。平台的作用不仅是“生产知识”，还要将知识的生产和应用对接起来：因为知识只有在应用中才能创造价值。构建“对接”的桥梁，也需要人的大智慧啊。
人类要进行知识生产，凭什么？我认为，大数据就是知识生产的原料。当然，从原料生产出来的知识，也要有类似“人机料法环”方面的诸多问题，要做到知识的专业化、“工业化”生产，也很不容易啊。既然大数据是知识生产的原料，数据的价值也要与日俱增。对任何一个企业来说，用户的需求和对产品的使用情况都变得重要起来。于是，企业之间的商业模式就可能会发生改变。
人类把苦活、累活、自己不愿意干的活交给机器了，当然要有自动化、智能化设备。这些设备要被管起来并不容易，CPS的相关技术必须解决这些问题。让机器自己干活，人类放心吗？我想，至少在初级阶段，人是不放心的。所以，我们需要若干支撑性技术，比如设备诊断、运维技术、移动监控、透明工厂等。其中，智能运维其实是让机器代替运维人员的部分工作。
有人说，国外公司在“智能制造”的旗帜下面，卖的是数字化货，如PLM、数字化同样也是减少人的工作量。PLM产生的动力，就是知识管理太麻烦、费时费力不好管。同时，数字化可以减少人的重复性劳动、减少沟通的麻烦、减少管理的漏洞，其实都可以看做代替人呢。
如果把机器代人做为切口，推进智能化的时候就要去想：哪些工作可以减少人的工作量？哪些工作让机器去做会做得更好？比如，现在的人们要花大量的时间去翻阅数据和材料，这些事情是不是可以让机器去做？这样让人的精力集中到最有价值的问题上。所以，提高信息的感知能力，一定是个不错的方向。扯得更远一点：现在有些共享经济案例，其实是通过信息技术，让低端人群代替高端人群的工作，让专业人士代替非专业人士的工作啊。
这样想，思路就打开了。当然，思路打开以后，问题还是很多：推进智能化往往涉及面太多、又难以找到合适的平台支持、人员和案例。所以，缺乏行动勇气的时候，往往也就想想算了——像浙江人说的那样：“夜里想了千条路，早上仍然卖豆腐。”
最后再次强调一下：理解智能制造有多个切口。让机器代替、减少人的工作，只是其中的一个。要真正搞清楚，每个人或许应该找到自己的切口。
任何新技术要创造价值，必须与业务结合。机器代替人的工作，原本就是业务的一部分。所以，从这个技术与业务结合的角度看，把“机器代人”作为智能制造的切入点具有天然的优势。最后再强调一下，要让“机器代人”具备经济可行性，就要力争让机器做得比人更好，并促进人类更高效地工作、从事更具创造性的工作。只有这样，智能制造才能将促进生产力和社会的发展结合起来。
更多内容请关注：www.imefuture.com
来源：微信公众号 走向智能论坛
问题想清楚后，复杂的事物往往可以用一句话描述。如果讲了很多还没说清楚，那就不是真懂。故有“真传一句话，假传一部书”的说法。
“重要的一句话”往往只是一个思想体系的“切入口”。通过这个切入口，能够窥见体系的全貌。找到这个“切入口”，其实是把全貌的逻辑关系搞清楚了。一个体系的切入口可以有很多，对同样一件事，不同人可以有不同的说法。佛门有种观点：能用自己特有的话表达、而不是重复别人的说法，才是真正的悟道。也就是说，只要想明白，每个参透的人都可以有自己的切入口。
宝钢信息化技术的奠基人、令人高山仰止的前辈何麟生先生就曾经提到：企业的信息化可以有不同的切入口。可以从不同的角度理解信息化，比如知识管理。从哪个切口搞清楚，都可能把问题搞清楚。我研究智能制造，也发现了很多“切入口”。比如，数字化、网络化、知识管理、机器代人、快速响应、CPS、协同共享重用、减少不确定性........
今天从“机器代人”这个切入口，谈谈我对智能制造的理解。
虽然“机器代人”被很多人诟病，其实也是个不错的切如口。被人诟病的原因是：这个观点被人庸俗化、简单化、片面化地理解了。
其实，“机器代人”甚至可以作为自动化、信息化、智能化共同的“切口”。毋庸多言，自动化代替人的体力劳动。信息化其实也是。比如：过去会计做几天的工作量，现在用计算机一个小时就搞定了。效率的提高就是因为计算机代替了人的一些简单计算和核对工作。再如，OA系统的出现，就代替了通信员和秘书的工作。智能化也是让机器代替人的部分工作。前提就是把人的知识嵌入到计算机中，把人接受的信息数字化。
如果单独从原理上看，智能化的逻辑并不新。其新颖性在于经济可行性不一样：通过智能制造，可以实现大范围的优化、快速响应、各种资源的共享与重用。经济性为什么现在能实现了呢？因为ICT技术的发展，让信息的感知、传递和决策能力大大加强，过去的原理具有了技术可行性。
机器代人是不是人就要失业了呢？当然会有一部分人失业。但同时肯定会创造出新的岗位：机器做常规的、重复性的、物质生产相关的工作。但机器要做好这些工作，需要知识、需要维护、需要优化，而越来越多的人要从事知识生产活动，为机器工作保驾护航。
与自动化时代相比，智能制造时代需要的知识要复杂多了。知识生产是相当不容易的、也容易出错——否则，Windows为啥整天打补丁？这么复杂的劳动，当然要有更加给力的工具。这种工具就是平台。平台的作用不仅是“生产知识”，还要将知识的生产和应用对接起来：因为知识只有在应用中才能创造价值。构建“对接”的桥梁，也需要人的大智慧啊。
人类要进行知识生产，凭什么？我认为，大数据就是知识生产的原料。当然，从原料生产出来的知识，也要有类似“人机料法环”方面的诸多问题，要做到知识的专业化、“工业化”生产，也很不容易啊。既然大数据是知识生产的原料，数据的价值也要与日俱增。对任何一个企业来说，用户的需求和对产品的使用情况都变得重要起来。于是，企业之间的商业模式就可能会发生改变。
人类把苦活、累活、自己不愿意干的活交给机器了，当然要有自动化、智能化设备。这些设备要被管起来并不容易，CPS的相关技术必须解决这些问题。让机器自己干活，人类放心吗？我想，至少在初级阶段，人是不放心的。所以，我们需要若干支撑性技术，比如设备诊断、运维技术、移动监控、透明工厂等。其中，智能运维其实是让机器代替运维人员的部分工作。
有人说，国外公司在“智能制造”的旗帜下面，卖的是数字化货，如PLM、数字化同样也是减少人的工作量。PLM产生的动力，就是知识管理太麻烦、费时费力不好管。同时，数字化可以减少人的重复性劳动、减少沟通的麻烦、减少管理的漏洞，其实都可以看做代替人呢。
如果把机器代人做为切口，推进智能化的时候就要去想：哪些工作可以减少人的工作量？哪些工作让机器去做会做得更好？比如，现在的人们要花大量的时间去翻阅数据和材料，这些事情是不是可以让机器去做？这样让人的精力集中到最有价值的问题上。所以，提高信息的感知能力，一定是个不错的方向。扯得更远一点：现在有些共享经济案例，其实是通过信息技术，让低端人群代替高端人群的工作，让专业人士代替非专业人士的工作啊。
这样想，思路就打开了。当然，思路打开以后，问题还是很多：推进智能化往往涉及面太多、又难以找到合适的平台支持、人员和案例。所以，缺乏行动勇气的时候，往往也就想想算了——像浙江人说的那样：“夜里想了千条路，早上仍然卖豆腐。”
最后再次强调一下：理解智能制造有多个切口。让机器代替、减少人的工作，只是其中的一个。要真正搞清楚，每个人或许应该找到自己的切口。
任何新技术要创造价值，必须与业务结合。机器代替人的工作，原本就是业务的一部分。所以，从这个技术与业务结合的角度看，把“机器代人”作为智能制造的切入点具有天然的优势。最后再强调一下，要让“机器代人”具备经济可行性，就要力争让机器做得比人更好，并促进人类更高效地工作、从事更具创造性的工作。只有这样，智能制造才能将促进生产力和社会的发展结合起来。
更多内容请关注：www.imefuture.com
来源：微信公众号 走向智能论坛
416 浏览
信通院专家：智能制造之路如何走
管理类 jingjing 2017-03-17 17:53 发表了文章
智能制造是打造制造强国的重要举措，世界主要国家和地区纷纷加紧布局、加快发展智能制造。本文从企业实施的层面上，对智能制造的推进路径进行了初步探索，并尝试提出了以工业物联网为基础，以数据采集利用为手段，以管理创新为核心，以精益化和柔性化制造为目标，以集成和协同为方向的智能制造建设思路。
智能制造之路如何走
一、引言
近年来，为了应对全球性金融危机和经济不景气的挑战以及新一轮工业革命带来的机遇，西方发达国家纷纷提出了发展先进制造业的国家战略，其中美国于2012年2月发布了《先进制造业国家战略计划》，德国在2013年4月推出了《德国工业4.0战略》，英国也于2013年10月推出了《英国工业2050战略》。在我国，为了适应国内经济发展新常态，把握新一轮工业革命带来的改革发展机遇期，政府也适时提出了《中国制造2025》的国家发展战略，并先后出台了《积极推进“互联网+”行动的指导意见》、《深化制造业与互联网融合发展的指导意见》等一系列政策，明确提出以创新驱动、融合发展为主线，以推进智能制造为主攻方向的中国制造业转型升级指导思想。
作为中国制造2025与德国工业4.0、美国工业互联网的交汇点，智能制造正在被国内外产学研各界广泛热议和深入探讨。本文仅从企业实施的层面上，对智能制造的推进路径进行了初步探索，并尝试提出了以工业物联网为基础，以数据采集利用为手段，以管理创新为核心，以精益化和柔性化制造为目标，以集成和协同为方向的智能制造建设思路。
二、部署工业物联网，实现工业大数据的自动化采集
目前自动化、数字化、网络化、智能化的设备技改路线已经得到普遍认同。对于国内制造企业，目前设备的自动化和数字化水平已初步具备了一定的基础，但绝大多数为单机使用，设备数据没也有加以采集和利用，为此首先需要进行网络化改造。包括充分利用数字化设备的通信接口、在自动化设备上加装传感器和控制器，并因地适宜地利用有线或无线网络接入技术，建设覆盖全工序、全流程的各类生产、检测、物流设备的工业互联网，充分采集制造过程中产生的大量数据和图像信息，从而为设备的集中监视、远程控制、协同制造创造条件。
另外，对于生产过程中的物流管理，可考虑采用条码识别或集中供料、自动计量的方式采集原辅材料及在制品的实时用量和库存数据，以便在精益生产管理过程中实现生产全过程中物料的“JIT”精准供应和实时的成本核算。
三、打通信息纵向集成通道，构筑数字化制造基础
目前国内制造企业已普遍应用了财务管理软件，ERP（企业资源管理系统）和OA（自动化办公系统）也得到了一定的推广普及。但产品和工艺设计、生产制造、设备管理、仓储物流管理、质量管理等方面的信息化应用尚未普及，也没有充分打通设备监控与操作层、生产运营管控层、企业经营决策层之间的信息流转通道，大量数据没有得到有效地收集和开发利用、信息传递不及时，现场管理主要依靠管理人员的经验，管理水平还远未达到数字化、科学化和精细化的程度。
为此，企业需要设备联网改造的基础上，在监控操作层开发部署DCS（分布式控制系统）、SCADA（数据采集与监视控制系统）、APC（先进控制系统）等工业控制系统；在生产运营层开发部署MES（制造执行系统）、APS（高级计划与排程系统）、EM（设备管理系统）、CAD/CAE/CAPP（计算机辅助设计/工程/工艺规划）、PLM/PDM（产品生命周期/产品数据管理）、LIMS（质量管理系统）、WMS（仓储管理系统）等信息化系统；在经营决策层部署ERP、SCM（供应链管理）、CRM（客户关系管理）等系统。并通过数据接口、中间件、数据总线、ESB（企业服务总线）等实现从设备层一直到决策层的集成，消除信息孤岛、确保对企业大数据进行充分加工和利用，从而构建数字化工厂。
四、导入先进管理理念，提升全工序的集成化、精益化、柔性化制造能力
实施设备网络化改造、提高数据自动采集率、部署工业软件、开展物理系统与信息系统的集成等等，这些措施的最终目的并不仅仅是为了提高生产自动化水平、实现机器换人，而是以优化生产节拍、提高生产效率、降低库存、控制成本浪费、提升产品质量为核心，全面推行精益生产等先进管理理念，提升全工序的集成化、精益化、柔性化制造能力。
包括借助APS先进排程模型优化生产计划和调度管理，改变以往生产组织粗方式管理、生产计划柔性不足等问题；利用从设备上直接采集的数据实时监控生产进度和设备状态；通过对设备实时的工艺参数进行CPK（工序能力指数）计算和分析，开展统计过程控制，从源头控制产品质量、预防不合格品发生；利用条码/二维码/RFID等技术提高原材料、在制品及工装等信息的采集效率，为生产组织、物流管理、成本核算等提供精准的数据；基于实时采集的数据，开展OEE（设备综合效率）分析，更精确地开展IE（工业工程）管理，实施“人机料法环”全面的生产过程优化等。
五、整合企业内外部资源，实现价值网络上的集成和协同
智能制造的核心在于借助CPS信息物理系统，充分运用自动化、信息化、互联网、物联网、人工智能等先进技术，把企业的设备、生产线、物料、员工、供应商及客户紧密联系在一起，把数据作为一种新型的生产要素进行全面管理和深化应用，全面推进业务流、资金流、物流中信息的数字化、网络化、集成化的发展，并不断提升从数据到信息再到知识全过程的自动化采集、处理、分析和利用的水平，从而优化企业资源配置、提高管理效率、提升企业竞争力，为客户提供差异化、端到端的生产和服务。
六、 技术创新是智能制造的基础，管理创新是智能制造的核心
智能制造是信息化与工业化的深度融合，它不仅是先进的IT、OT等技术的引进和创新，更是企业管理的创新和模式的创新。回顾改革开放三十年来国内制造企业的转型升级之路，应该说自动化、信息化建设得到了快速发展，但从全球竞争市场来看，仍然存在高端产能不足、中端产能过剩、低端产能竞争优势减弱等问题。对此，笔者认为单纯强调技术而忽视管理可能是其中的原因之一。
例如，当前大量企业都部署应用了ERP系统，但真正能借助该系统实现企业业务整合、资源配置优化的并不多见。究其原因，主要在于多数企业仅仅把ERP看作是一个信息化工具加以应用，而没有真正理解蕴含其中的流程化管理思想。系统导入前没有进行充分的业务流程优化或业务流程再造，仅仅基于现实的做法用电子化手段代替了原来的人工录入、审批和统计等工作，在整个业务流程上部门间的壁垒没有被彻底打破，不增值、冗余的流程环节依然存在，流程本身的效率并没有得到充分优化和提升。
总之，企业应立足自身的战略规划和布局，结合行业特点和自身现状，统筹考虑软件与硬件、技术与管理、信息化与工业化等手段，稳步推进自身的智能制造建设，逐步提升自身的综合竞争力。
作者简介：
郑永亮 ——中国信息通信研究院泰尔认证研究所（泰尔认证中心）副总工，长期从事管理体系及产品认证的审核、培训及相关研究工作，先后主持完成了某通信运营商集团总部的集采产品质量管理、供应商认证、供应链生产管理及质量控制体系等多项研究。从2013年起参与工信部的信息化和工业化深度融合专项行动计划，作为主要起草人之一参与了两化融合管理体系系列国家标准的起草，并主导完成了企业两化融合管理体系贯标实施、两化融合评估审核方法及要点等培训教材的编制
更多内容请关注：www.imefuture.com
来源：本文来自微信订阅号“中国信息通信研究院CAICT” 查看全部
智能制造之路如何走
一、引言
近年来，为了应对全球性金融危机和经济不景气的挑战以及新一轮工业革命带来的机遇，西方发达国家纷纷提出了发展先进制造业的国家战略，其中美国于2012年2月发布了《先进制造业国家战略计划》，德国在2013年4月推出了《德国工业4.0战略》，英国也于2013年10月推出了《英国工业2050战略》。在我国，为了适应国内经济发展新常态，把握新一轮工业革命带来的改革发展机遇期，政府也适时提出了《中国制造2025》的国家发展战略，并先后出台了《积极推进“互联网+”行动的指导意见》、《深化制造业与互联网融合发展的指导意见》等一系列政策，明确提出以创新驱动、融合发展为主线，以推进智能制造为主攻方向的中国制造业转型升级指导思想。
作为中国制造2025与德国工业4.0、美国工业互联网的交汇点，智能制造正在被国内外产学研各界广泛热议和深入探讨。本文仅从企业实施的层面上，对智能制造的推进路径进行了初步探索，并尝试提出了以工业物联网为基础，以数据采集利用为手段，以管理创新为核心，以精益化和柔性化制造为目标，以集成和协同为方向的智能制造建设思路。
二、部署工业物联网，实现工业大数据的自动化采集
目前自动化、数字化、网络化、智能化的设备技改路线已经得到普遍认同。对于国内制造企业，目前设备的自动化和数字化水平已初步具备了一定的基础，但绝大多数为单机使用，设备数据没也有加以采集和利用，为此首先需要进行网络化改造。包括充分利用数字化设备的通信接口、在自动化设备上加装传感器和控制器，并因地适宜地利用有线或无线网络接入技术，建设覆盖全工序、全流程的各类生产、检测、物流设备的工业互联网，充分采集制造过程中产生的大量数据和图像信息，从而为设备的集中监视、远程控制、协同制造创造条件。
另外，对于生产过程中的物流管理，可考虑采用条码识别或集中供料、自动计量的方式采集原辅材料及在制品的实时用量和库存数据，以便在精益生产管理过程中实现生产全过程中物料的“JIT”精准供应和实时的成本核算。
三、打通信息纵向集成通道，构筑数字化制造基础
目前国内制造企业已普遍应用了财务管理软件，ERP（企业资源管理系统）和OA（自动化办公系统）也得到了一定的推广普及。但产品和工艺设计、生产制造、设备管理、仓储物流管理、质量管理等方面的信息化应用尚未普及，也没有充分打通设备监控与操作层、生产运营管控层、企业经营决策层之间的信息流转通道，大量数据没有得到有效地收集和开发利用、信息传递不及时，现场管理主要依靠管理人员的经验，管理水平还远未达到数字化、科学化和精细化的程度。
为此，企业需要设备联网改造的基础上，在监控操作层开发部署DCS（分布式控制系统）、SCADA（数据采集与监视控制系统）、APC（先进控制系统）等工业控制系统；在生产运营层开发部署MES（制造执行系统）、APS（高级计划与排程系统）、EM（设备管理系统）、CAD/CAE/CAPP（计算机辅助设计/工程/工艺规划）、PLM/PDM（产品生命周期/产品数据管理）、LIMS（质量管理系统）、WMS（仓储管理系统）等信息化系统；在经营决策层部署ERP、SCM（供应链管理）、CRM（客户关系管理）等系统。并通过数据接口、中间件、数据总线、ESB（企业服务总线）等实现从设备层一直到决策层的集成，消除信息孤岛、确保对企业大数据进行充分加工和利用，从而构建数字化工厂。
四、导入先进管理理念，提升全工序的集成化、精益化、柔性化制造能力
实施设备网络化改造、提高数据自动采集率、部署工业软件、开展物理系统与信息系统的集成等等，这些措施的最终目的并不仅仅是为了提高生产自动化水平、实现机器换人，而是以优化生产节拍、提高生产效率、降低库存、控制成本浪费、提升产品质量为核心，全面推行精益生产等先进管理理念，提升全工序的集成化、精益化、柔性化制造能力。
包括借助APS先进排程模型优化生产计划和调度管理，改变以往生产组织粗方式管理、生产计划柔性不足等问题；利用从设备上直接采集的数据实时监控生产进度和设备状态；通过对设备实时的工艺参数进行CPK（工序能力指数）计算和分析，开展统计过程控制，从源头控制产品质量、预防不合格品发生；利用条码/二维码/RFID等技术提高原材料、在制品及工装等信息的采集效率，为生产组织、物流管理、成本核算等提供精准的数据；基于实时采集的数据，开展OEE（设备综合效率）分析，更精确地开展IE（工业工程）管理，实施“人机料法环”全面的生产过程优化等。
五、整合企业内外部资源，实现价值网络上的集成和协同
智能制造的核心在于借助CPS信息物理系统，充分运用自动化、信息化、互联网、物联网、人工智能等先进技术，把企业的设备、生产线、物料、员工、供应商及客户紧密联系在一起，把数据作为一种新型的生产要素进行全面管理和深化应用，全面推进业务流、资金流、物流中信息的数字化、网络化、集成化的发展，并不断提升从数据到信息再到知识全过程的自动化采集、处理、分析和利用的水平，从而优化企业资源配置、提高管理效率、提升企业竞争力，为客户提供差异化、端到端的生产和服务。
六、 技术创新是智能制造的基础，管理创新是智能制造的核心
智能制造是信息化与工业化的深度融合，它不仅是先进的IT、OT等技术的引进和创新，更是企业管理的创新和模式的创新。回顾改革开放三十年来国内制造企业的转型升级之路，应该说自动化、信息化建设得到了快速发展，但从全球竞争市场来看，仍然存在高端产能不足、中端产能过剩、低端产能竞争优势减弱等问题。对此，笔者认为单纯强调技术而忽视管理可能是其中的原因之一。
例如，当前大量企业都部署应用了ERP系统，但真正能借助该系统实现企业业务整合、资源配置优化的并不多见。究其原因，主要在于多数企业仅仅把ERP看作是一个信息化工具加以应用，而没有真正理解蕴含其中的流程化管理思想。系统导入前没有进行充分的业务流程优化或业务流程再造，仅仅基于现实的做法用电子化手段代替了原来的人工录入、审批和统计等工作，在整个业务流程上部门间的壁垒没有被彻底打破，不增值、冗余的流程环节依然存在，流程本身的效率并没有得到充分优化和提升。
总之，企业应立足自身的战略规划和布局，结合行业特点和自身现状，统筹考虑软件与硬件、技术与管理、信息化与工业化等手段，稳步推进自身的智能制造建设，逐步提升自身的综合竞争力。
作者简介：
郑永亮 ——中国信息通信研究院泰尔认证研究所（泰尔认证中心）副总工，长期从事管理体系及产品认证的审核、培训及相关研究工作，先后主持完成了某通信运营商集团总部的集采产品质量管理、供应商认证、供应链生产管理及质量控制体系等多项研究。从2013年起参与工信部的信息化和工业化深度融合专项行动计划，作为主要起草人之一参与了两化融合管理体系系列国家标准的起草，并主导完成了企业两化融合管理体系贯标实施、两化融合评估审核方法及要点等培训教材的编制
更多内容请关注：www.imefuture.com
来源：本文来自微信订阅号“中国信息通信研究院CAICT” 查看全部
智能制造是打造制造强国的重要举措，世界主要国家和地区纷纷加紧布局、加快发展智能制造。本文从企业实施的层面上，对智能制造的推进路径进行了初步探索，并尝试提出了以工业物联网为基础，以数据采集利用为手段，以管理创新为核心，以精益化和柔性化制造为目标，以集成和协同为方向的智能制造建设思路。
智能制造之路如何走
一、引言
近年来，为了应对全球性金融危机和经济不景气的挑战以及新一轮工业革命带来的机遇，西方发达国家纷纷提出了发展先进制造业的国家战略，其中美国于2012年2月发布了《先进制造业国家战略计划》，德国在2013年4月推出了《德国工业4.0战略》，英国也于2013年10月推出了《英国工业2050战略》。在我国，为了适应国内经济发展新常态，把握新一轮工业革命带来的改革发展机遇期，政府也适时提出了《中国制造2025》的国家发展战略，并先后出台了《积极推进“互联网+”行动的指导意见》、《深化制造业与互联网融合发展的指导意见》等一系列政策，明确提出以创新驱动、融合发展为主线，以推进智能制造为主攻方向的中国制造业转型升级指导思想。
作为中国制造2025与德国工业4.0、美国工业互联网的交汇点，智能制造正在被国内外产学研各界广泛热议和深入探讨。本文仅从企业实施的层面上，对智能制造的推进路径进行了初步探索，并尝试提出了以工业物联网为基础，以数据采集利用为手段，以管理创新为核心，以精益化和柔性化制造为目标，以集成和协同为方向的智能制造建设思路。
二、部署工业物联网，实现工业大数据的自动化采集
目前自动化、数字化、网络化、智能化的设备技改路线已经得到普遍认同。对于国内制造企业，目前设备的自动化和数字化水平已初步具备了一定的基础，但绝大多数为单机使用，设备数据没也有加以采集和利用，为此首先需要进行网络化改造。包括充分利用数字化设备的通信接口、在自动化设备上加装传感器和控制器，并因地适宜地利用有线或无线网络接入技术，建设覆盖全工序、全流程的各类生产、检测、物流设备的工业互联网，充分采集制造过程中产生的大量数据和图像信息，从而为设备的集中监视、远程控制、协同制造创造条件。
另外，对于生产过程中的物流管理，可考虑采用条码识别或集中供料、自动计量的方式采集原辅材料及在制品的实时用量和库存数据，以便在精益生产管理过程中实现生产全过程中物料的“JIT”精准供应和实时的成本核算。
三、打通信息纵向集成通道，构筑数字化制造基础
目前国内制造企业已普遍应用了财务管理软件，ERP（企业资源管理系统）和OA（自动化办公系统）也得到了一定的推广普及。但产品和工艺设计、生产制造、设备管理、仓储物流管理、质量管理等方面的信息化应用尚未普及，也没有充分打通设备监控与操作层、生产运营管控层、企业经营决策层之间的信息流转通道，大量数据没有得到有效地收集和开发利用、信息传递不及时，现场管理主要依靠管理人员的经验，管理水平还远未达到数字化、科学化和精细化的程度。
为此，企业需要设备联网改造的基础上，在监控操作层开发部署DCS（分布式控制系统）、SCADA（数据采集与监视控制系统）、APC（先进控制系统）等工业控制系统；在生产运营层开发部署MES（制造执行系统）、APS（高级计划与排程系统）、EM（设备管理系统）、CAD/CAE/CAPP（计算机辅助设计/工程/工艺规划）、PLM/PDM（产品生命周期/产品数据管理）、LIMS（质量管理系统）、WMS（仓储管理系统）等信息化系统；在经营决策层部署ERP、SCM（供应链管理）、CRM（客户关系管理）等系统。并通过数据接口、中间件、数据总线、ESB（企业服务总线）等实现从设备层一直到决策层的集成，消除信息孤岛、确保对企业大数据进行充分加工和利用，从而构建数字化工厂。
四、导入先进管理理念，提升全工序的集成化、精益化、柔性化制造能力
实施设备网络化改造、提高数据自动采集率、部署工业软件、开展物理系统与信息系统的集成等等，这些措施的最终目的并不仅仅是为了提高生产自动化水平、实现机器换人，而是以优化生产节拍、提高生产效率、降低库存、控制成本浪费、提升产品质量为核心，全面推行精益生产等先进管理理念，提升全工序的集成化、精益化、柔性化制造能力。
包括借助APS先进排程模型优化生产计划和调度管理，改变以往生产组织粗方式管理、生产计划柔性不足等问题；利用从设备上直接采集的数据实时监控生产进度和设备状态；通过对设备实时的工艺参数进行CPK（工序能力指数）计算和分析，开展统计过程控制，从源头控制产品质量、预防不合格品发生；利用条码/二维码/RFID等技术提高原材料、在制品及工装等信息的采集效率，为生产组织、物流管理、成本核算等提供精准的数据；基于实时采集的数据，开展OEE（设备综合效率）分析，更精确地开展IE（工业工程）管理，实施“人机料法环”全面的生产过程优化等。
五、整合企业内外部资源，实现价值网络上的集成和协同
智能制造的核心在于借助CPS信息物理系统，充分运用自动化、信息化、互联网、物联网、人工智能等先进技术，把企业的设备、生产线、物料、员工、供应商及客户紧密联系在一起，把数据作为一种新型的生产要素进行全面管理和深化应用，全面推进业务流、资金流、物流中信息的数字化、网络化、集成化的发展，并不断提升从数据到信息再到知识全过程的自动化采集、处理、分析和利用的水平，从而优化企业资源配置、提高管理效率、提升企业竞争力，为客户提供差异化、端到端的生产和服务。
六、 技术创新是智能制造的基础，管理创新是智能制造的核心
智能制造是信息化与工业化的深度融合，它不仅是先进的IT、OT等技术的引进和创新，更是企业管理的创新和模式的创新。回顾改革开放三十年来国内制造企业的转型升级之路，应该说自动化、信息化建设得到了快速发展，但从全球竞争市场来看，仍然存在高端产能不足、中端产能过剩、低端产能竞争优势减弱等问题。对此，笔者认为单纯强调技术而忽视管理可能是其中的原因之一。
例如，当前大量企业都部署应用了ERP系统，但真正能借助该系统实现企业业务整合、资源配置优化的并不多见。究其原因，主要在于多数企业仅仅把ERP看作是一个信息化工具加以应用，而没有真正理解蕴含其中的流程化管理思想。系统导入前没有进行充分的业务流程优化或业务流程再造，仅仅基于现实的做法用电子化手段代替了原来的人工录入、审批和统计等工作，在整个业务流程上部门间的壁垒没有被彻底打破，不增值、冗余的流程环节依然存在，流程本身的效率并没有得到充分优化和提升。
总之，企业应立足自身的战略规划和布局，结合行业特点和自身现状，统筹考虑软件与硬件、技术与管理、信息化与工业化等手段，稳步推进自身的智能制造建设，逐步提升自身的综合竞争力。
作者简介：
郑永亮 ——中国信息通信研究院泰尔认证研究所（泰尔认证中心）副总工，长期从事管理体系及产品认证的审核、培训及相关研究工作，先后主持完成了某通信运营商集团总部的集采产品质量管理、供应商认证、供应链生产管理及质量控制体系等多项研究。从2013年起参与工信部的信息化和工业化深度融合专项行动计划，作为主要起草人之一参与了两化融合管理体系系列国家标准的起草，并主导完成了企业两化融合管理体系贯标实施、两化融合评估审核方法及要点等培训教材的编制
更多内容请关注：www.imefuture.com
来源：本文来自微信订阅号“中国信息通信研究院CAICT”
智能制造之路如何走
一、引言
近年来，为了应对全球性金融危机和经济不景气的挑战以及新一轮工业革命带来的机遇，西方发达国家纷纷提出了发展先进制造业的国家战略，其中美国于2012年2月发布了《先进制造业国家战略计划》，德国在2013年4月推出了《德国工业4.0战略》，英国也于2013年10月推出了《英国工业2050战略》。在我国，为了适应国内经济发展新常态，把握新一轮工业革命带来的改革发展机遇期，政府也适时提出了《中国制造2025》的国家发展战略，并先后出台了《积极推进“互联网+”行动的指导意见》、《深化制造业与互联网融合发展的指导意见》等一系列政策，明确提出以创新驱动、融合发展为主线，以推进智能制造为主攻方向的中国制造业转型升级指导思想。
作为中国制造2025与德国工业4.0、美国工业互联网的交汇点，智能制造正在被国内外产学研各界广泛热议和深入探讨。本文仅从企业实施的层面上，对智能制造的推进路径进行了初步探索，并尝试提出了以工业物联网为基础，以数据采集利用为手段，以管理创新为核心，以精益化和柔性化制造为目标，以集成和协同为方向的智能制造建设思路。
二、部署工业物联网，实现工业大数据的自动化采集
目前自动化、数字化、网络化、智能化的设备技改路线已经得到普遍认同。对于国内制造企业，目前设备的自动化和数字化水平已初步具备了一定的基础，但绝大多数为单机使用，设备数据没也有加以采集和利用，为此首先需要进行网络化改造。包括充分利用数字化设备的通信接口、在自动化设备上加装传感器和控制器，并因地适宜地利用有线或无线网络接入技术，建设覆盖全工序、全流程的各类生产、检测、物流设备的工业互联网，充分采集制造过程中产生的大量数据和图像信息，从而为设备的集中监视、远程控制、协同制造创造条件。
另外，对于生产过程中的物流管理，可考虑采用条码识别或集中供料、自动计量的方式采集原辅材料及在制品的实时用量和库存数据，以便在精益生产管理过程中实现生产全过程中物料的“JIT”精准供应和实时的成本核算。
三、打通信息纵向集成通道，构筑数字化制造基础
目前国内制造企业已普遍应用了财务管理软件，ERP（企业资源管理系统）和OA（自动化办公系统）也得到了一定的推广普及。但产品和工艺设计、生产制造、设备管理、仓储物流管理、质量管理等方面的信息化应用尚未普及，也没有充分打通设备监控与操作层、生产运营管控层、企业经营决策层之间的信息流转通道，大量数据没有得到有效地收集和开发利用、信息传递不及时，现场管理主要依靠管理人员的经验，管理水平还远未达到数字化、科学化和精细化的程度。
为此，企业需要设备联网改造的基础上，在监控操作层开发部署DCS（分布式控制系统）、SCADA（数据采集与监视控制系统）、APC（先进控制系统）等工业控制系统；在生产运营层开发部署MES（制造执行系统）、APS（高级计划与排程系统）、EM（设备管理系统）、CAD/CAE/CAPP（计算机辅助设计/工程/工艺规划）、PLM/PDM（产品生命周期/产品数据管理）、LIMS（质量管理系统）、WMS（仓储管理系统）等信息化系统；在经营决策层部署ERP、SCM（供应链管理）、CRM（客户关系管理）等系统。并通过数据接口、中间件、数据总线、ESB（企业服务总线）等实现从设备层一直到决策层的集成，消除信息孤岛、确保对企业大数据进行充分加工和利用，从而构建数字化工厂。
四、导入先进管理理念，提升全工序的集成化、精益化、柔性化制造能力
实施设备网络化改造、提高数据自动采集率、部署工业软件、开展物理系统与信息系统的集成等等，这些措施的最终目的并不仅仅是为了提高生产自动化水平、实现机器换人，而是以优化生产节拍、提高生产效率、降低库存、控制成本浪费、提升产品质量为核心，全面推行精益生产等先进管理理念，提升全工序的集成化、精益化、柔性化制造能力。
包括借助APS先进排程模型优化生产计划和调度管理，改变以往生产组织粗方式管理、生产计划柔性不足等问题；利用从设备上直接采集的数据实时监控生产进度和设备状态；通过对设备实时的工艺参数进行CPK（工序能力指数）计算和分析，开展统计过程控制，从源头控制产品质量、预防不合格品发生；利用条码/二维码/RFID等技术提高原材料、在制品及工装等信息的采集效率，为生产组织、物流管理、成本核算等提供精准的数据；基于实时采集的数据，开展OEE（设备综合效率）分析，更精确地开展IE（工业工程）管理，实施“人机料法环”全面的生产过程优化等。
五、整合企业内外部资源，实现价值网络上的集成和协同
智能制造的核心在于借助CPS信息物理系统，充分运用自动化、信息化、互联网、物联网、人工智能等先进技术，把企业的设备、生产线、物料、员工、供应商及客户紧密联系在一起，把数据作为一种新型的生产要素进行全面管理和深化应用，全面推进业务流、资金流、物流中信息的数字化、网络化、集成化的发展，并不断提升从数据到信息再到知识全过程的自动化采集、处理、分析和利用的水平，从而优化企业资源配置、提高管理效率、提升企业竞争力，为客户提供差异化、端到端的生产和服务。
六、 技术创新是智能制造的基础，管理创新是智能制造的核心
智能制造是信息化与工业化的深度融合，它不仅是先进的IT、OT等技术的引进和创新，更是企业管理的创新和模式的创新。回顾改革开放三十年来国内制造企业的转型升级之路，应该说自动化、信息化建设得到了快速发展，但从全球竞争市场来看，仍然存在高端产能不足、中端产能过剩、低端产能竞争优势减弱等问题。对此，笔者认为单纯强调技术而忽视管理可能是其中的原因之一。
例如，当前大量企业都部署应用了ERP系统，但真正能借助该系统实现企业业务整合、资源配置优化的并不多见。究其原因，主要在于多数企业仅仅把ERP看作是一个信息化工具加以应用，而没有真正理解蕴含其中的流程化管理思想。系统导入前没有进行充分的业务流程优化或业务流程再造，仅仅基于现实的做法用电子化手段代替了原来的人工录入、审批和统计等工作，在整个业务流程上部门间的壁垒没有被彻底打破，不增值、冗余的流程环节依然存在，流程本身的效率并没有得到充分优化和提升。
总之，企业应立足自身的战略规划和布局，结合行业特点和自身现状，统筹考虑软件与硬件、技术与管理、信息化与工业化等手段，稳步推进自身的智能制造建设，逐步提升自身的综合竞争力。
作者简介：
郑永亮 ——中国信息通信研究院泰尔认证研究所（泰尔认证中心）副总工，长期从事管理体系及产品认证的审核、培训及相关研究工作，先后主持完成了某通信运营商集团总部的集采产品质量管理、供应商认证、供应链生产管理及质量控制体系等多项研究。从2013年起参与工信部的信息化和工业化深度融合专项行动计划，作为主要起草人之一参与了两化融合管理体系系列国家标准的起草，并主导完成了企业两化融合管理体系贯标实施、两化融合评估审核方法及要点等培训教材的编制
更多内容请关注：www.imefuture.com
来源：本文来自微信订阅号“中国信息通信研究院CAICT”
544 浏览
走向实用化：谷歌量子计算的三大商业前景
智能科技类 机器猫 2017-03-06 13:44 发表了文章
谷歌的低温恒温器在 10mK 温度下运行量子处理器
从量子纠缠到与大分子化学反应，无法使用传统二进制计算机有效描述的世界特征有很多。解决这一难题的办法，正如物理学家 Richard Feynman 在 30 年前意识到的，就是使用量子处理器，这种处理器同时混合了传统状态，恰如物质所做的那样。然而，这样的量子机器投入使用前需要克服很多技术障碍，其中包括误差控制以及根据编码信息的量子状态运行保真度的提升。
人类正在打造终极量子计算机：一个可以容忍误差和错误，解决一切问题的量子计算机。理论上讲，这样一台由很多量子比特组成的大型处理器为核心的机器要比普通计算机更快，计算能力至少领先 10 年。纠正错误需要冗余，量子比特的数量需要大幅度扩展。例如，1 天时间内对 2000 位数进行因式分解是经典计算机难以胜任的，而这也需要 1 亿个量子比特进行计算，而且这是在每 100,000 个操作中只有 1 个量子位出错的前提下。目前，我们还没有组装出具有数十个量子位的量子处理器的能力。
关于量子计算的保守观点使得投资者认为这项技术只能在远期获得回报。但我们认为，如果这个小装置在未来 5 年内出现，短期回报也不无可能，即使它们无法纠正全部错误。
理论保证的缺乏并不妨碍成功。结合了量子和经典方法的启发式混合方法可以支撑强大的未来应用。神经网络在机器学习方面的最近成功就是一个很好的例证。在上世纪 90 年代，训练深度神经网络的计算机还不存在，有着强大理论基础的 convex 方法（以带有清晰最小化解决方案的函数为基础）在这一领域甚是流行。今天，这些方法并不适用于深度学习。神经网路的基础算法很难改变，但是，多亏了摩尔定律，我们取得了一些令人称奇的里程碑式的新成果。
相似地，尽管今天没有证据表明非完美量子机器可以计算的足够快以解决实际问题，但情况也许在改变。模拟和数字量子硬件的规模、保真度和可控性正在稳步提升。我们预测在几年内，基于 CMOS（互补金属氧化物半导体，complementary metal oxide–semiconductor）技术的可控量子系统执行特定任务的速度就会超过传统计算机。
今天关于早期量子计算装置，我们提出了三个可行的商业化应用：量子模拟、量子辅助优化和量子采样。这些领域内的更快计算速度将在人工智能、金融和医疗方面形成商业化优势。
量子计算机的发展不仅需要多学科互动，而且需要学界和业界紧密配合。制造足够可靠、可控、商业化的装置需要硬件水平的提升。解决现今硬件限制的实际问题需要启发式量子算法。
三大商业前景
如果一些可行的技术进步成为现实，新兴的量子处理器将有可能胜任以下几类任务，并在未来几年内具有商业价值：
量子模拟。对化学反应和材料进行建模是量子计算最有可能的一个应用。研究者可以在计算机中研究数百万的候选而不用再花费数年，投入数亿的美元制造和定性少量材料。不管目标是用于飞机的更强的高分子材料，用于汽车的更有效的触媒转换器，用于太阳能电池的更好材料，更好的医学品还是更透气的纤维，更快的发现途径将会带来巨大价值。
计算材料发现已经是一个很大的产业。量子计算将为它带来根本的转变：从质量和描述到数量和预测。化学反应率对分子能量极其敏感，且横跨的范围已超出经典计算机的处理能力。如果稳健的算法成为现实，或许无需充分的量子错误纠正就可以完成材料模拟的任务。例如，已知的算法（例如量子力学变分计算的方法）有可能不需要量子位错误控制。
很多种商业模型可以提供量子模拟器。实验室可以允许付费访问。计算机公司可以充当顾问。一些企业也许会交换股权，以换取量子辅助的突破并带来创新材料的发展。
量子辅助（Quantum-assisted）优化。在物理、社会科学和各行业所有涉及量化计算的学科中，最核心也是最困难的计算任务就是优化。这些优化问题很难用常规计算机解决。因为算法只能缓慢地遍历所有数学上可能的解决方案，而优良的解决方案可能隐藏在难以克服的计算障碍之后。最常见经典的算法就是使用统计学方法（如热能分布/thermal energy distributions）来「越」过这些障碍。我们认为这种经典类型的采样（classical sampling）能通过引入量子现象的偶发性（如量子隧道，穿过障碍传递量子信息）达到加强的效果，从而找到也许很少见但十分高质量的解决方案。
这些芯片只有 6x6mm 的尺寸，控制 6 个量子比特
例如：推荐系统和广告竞价策略需要使用最优化的算法为消费者提供最及时有效的信息。基于量子计算和普通计算机的混合方式可以提高此类任务在很多领域中的服务质量。物流公司可以用新的方法每天优化他们的日程安排，计划和产品分配，医疗诊断也将变得越来越快捷准确。在新架构的帮助下，科技公司如谷歌、微软、亚马逊和 Facebook 提供的搜索或产品推荐质量都会得以提高。
量子采样。从概率分布中抽样的方法广泛应用与统计和机器学习领域。理论上，理想的量子电路可以比普通计算机更快地对更大概率分布范围进行采样。我们的计算表明，即使是相对小电路的高保真量子门（7 × 7 量子比特，深度 25）也可以对经典架构无法触及的概率分布进行取样。
事实上，从浅量子电路中对概率分布进行采样或许是「量子霸权」的一大例证——这一术语是由理论物理学家 John Preskill 创造的，用以描述量子处理器能在短时间内完成明确的数学任务的能力。此类任务即使是经典架构的超级计算机（如我国的神威·太湖之光）也无法在有限的时间内完成。我们相信在未来的几年里，证明量子霸权的实验就会出现。
量子采样的潜在应用是机器学习中的推理和模式识别。为了促进学界和业界的发展，谷歌计划开放云计算接口，向开发者们提供接触量子计算的机会。
技术障碍
量子计算目前距离商业化还有一段距离，一些技术挑战必须得以解决。量子计算机硬件需要扩大规模以与目前的计算机硬件竞争，而目前架构的计算机已经在摩尔定律之下发展了数十年。量子比特需要量子相干性以形成量子纠缠，这相当于经典计算机需要有增益的晶体管。如何实现大规模和相干性是量子计算机系统面临的最大挑战。这些问题即使在理论上也是难以解决的，因为量子信息无法被复制，而量子计算机中的子系统相互纠缠，这导致所有设计都要以全局的角度来思考。
我们认为超导量子比特是量子计算机最有前景的形式。基于标准集成电路和超导技术，这种架构相对而言容易被构建和掌控。这种架构已经存在多种不同的模拟量子处理器了，它们可以满足不同的任务需求。此前，10量子比特的高保真系统已经研制成功，这也证明了超导方式的可行性。
同时，一些新的技术正在帮助超导量子计算解决扩展性的问题，如超导撞击禁锢（superconducting bump bonds），这是一种包含信息处理单元和和控制电路的双层架构。目前，1000 量子比特的「量子退火」原型机已经进入商用，这些机器是模拟量子处理器，可为找到某些任务的最优解决方案提供便利。
目前还不完美的量子计算机还需要获得更多改进。浅量子电路需要更高的栅极保真度和更多稳定性以限制去相干。量子退火机器则需要在连接性，控制精度和相干时间方面得到改进。此外，我们最终需要的仍是一个能够替代量子退火的方案。
谷歌使用射频和微波电子设备制造可扩展的控制硬件
商业机遇
一个新技术可以通过三种方式加入市场提升业务：即增加利润、降低引入新技术或降低基础生产设备的投资。在数字化时代，引入一种新技术可以造成指数级的影响：即使只会提升产品 1% 的质量，同样能帮助公司在用户量或利润上带来压倒性的增长。这就是「超新星效应」，它在市场的竞争、透明度和效率上起着重要的作用。
如果早期量子计算设备只要能给现行的计算速度或功率提升一点点，早期采用量子计算的公司将会获得很大的利润。其竞争对手也会面临着很高的进入壁垒才能提供相同质量的服务或产品，这也因为只有少数专家才能编写量子算法，企业也需要比较长的时间来设计新算法。对这种垄断（disruptions）最为开放的市场是多信息（information-rich）和数字化的市场，并且还涉及到依赖于许多变量的商业挑战。这种开放性市场就有如金融服务、健康医疗、物流和数据分析。
公司需要审视自己的需求和供给才能制定商业案例。需求分析可以用以下方法来评估：首先需要确定「最小可行性产品」，因为早期量子创新仅仅只是凭借着核心特征加入市场。然后评估该量子创新是不是解决市场现有的需求（拟合产品和市场）、产品商业化所需要的时间（上架速度）和市场的反响（业务跟踪）。
例如，破解加密（通常媒体宣称为数字化量子计算机的「杀手级应用」）就在市场契合度方面得分不高。也许该应用某一天会被免疫量子攻击的密码系统所淘汰。并且大多数私营企业对破解加密系统并不感兴趣。相比之下，证券投资组合优化和风险管理需要即时的数据反馈，而这些需求都能从量子强化模型（quantum-enhanced models）中受益。更加高效的量子化学（quantum-chemistry）计算将变革制药的发展、催化转化器（catalytic converters）、太阳能电池和肥料。
量子辅助（Quantum-assisted）优化和推断技术能增强新型机器学习和人工智能系统。这些系统不仅能加强对可再生能源发电机的管理，还能提升遥感卫星和早期预警系统的的工作效率。这些技术还有助于对在线商品和服务的动态定价、仓库自动化及自动驾驶汽车。
而在供给侧，公司还将通过评估他们团队和技术的质量来区分定位自己。量子计算的开拓学者与企业家需要一起工作。也许这一点很具挑战性，因为学术的激励通常和初创文化或工业界并不一致。
战略合作伙伴关系通常能帮助企业脱颖而出。为了吸引风险投资，优秀的量子产品应该是拥有少量资产的商业模式，其制造成本低廉并能很明显地帮助客户创造价值。通过云端，将经典求解器（solvers）应用到简单任务，并在需要的时候调用量子处理器，公司就能从使用现有的云数据中心获得收益。
下一步
量子计算机领域很快就会出现爆发性的技术突破。但新硬件技术需要的相应算法能否及时出现还有待探讨。但随着量子计算机变得实用化，对其进行专门优化的算法必将逐渐进入人们的视野。
在下一个十年里，学界、业界以及国家实验室会同心协力开发新的量子计算模拟方式和量子机器学习算法。谷歌计划在这一过程中通过提供基于云端的量子处理器服务，为缺乏必要资金、专业能力和设备的开发者提供帮助。
更多内容请关注：www.imefuture.com
来源：微信公众号 机器之心 查看全部
从量子纠缠到与大分子化学反应，无法使用传统二进制计算机有效描述的世界特征有很多。解决这一难题的办法，正如物理学家 Richard Feynman 在 30 年前意识到的，就是使用量子处理器，这种处理器同时混合了传统状态，恰如物质所做的那样。然而，这样的量子机器投入使用前需要克服很多技术障碍，其中包括误差控制以及根据编码信息的量子状态运行保真度的提升。
人类正在打造终极量子计算机：一个可以容忍误差和错误，解决一切问题的量子计算机。理论上讲，这样一台由很多量子比特组成的大型处理器为核心的机器要比普通计算机更快，计算能力至少领先 10 年。纠正错误需要冗余，量子比特的数量需要大幅度扩展。例如，1 天时间内对 2000 位数进行因式分解是经典计算机难以胜任的，而这也需要 1 亿个量子比特进行计算，而且这是在每 100,000 个操作中只有 1 个量子位出错的前提下。目前，我们还没有组装出具有数十个量子位的量子处理器的能力。
关于量子计算的保守观点使得投资者认为这项技术只能在远期获得回报。但我们认为，如果这个小装置在未来 5 年内出现，短期回报也不无可能，即使它们无法纠正全部错误。
理论保证的缺乏并不妨碍成功。结合了量子和经典方法的启发式混合方法可以支撑强大的未来应用。神经网络在机器学习方面的最近成功就是一个很好的例证。在上世纪 90 年代，训练深度神经网络的计算机还不存在，有着强大理论基础的 convex 方法（以带有清晰最小化解决方案的函数为基础）在这一领域甚是流行。今天，这些方法并不适用于深度学习。神经网路的基础算法很难改变，但是，多亏了摩尔定律，我们取得了一些令人称奇的里程碑式的新成果。
相似地，尽管今天没有证据表明非完美量子机器可以计算的足够快以解决实际问题，但情况也许在改变。模拟和数字量子硬件的规模、保真度和可控性正在稳步提升。我们预测在几年内，基于 CMOS（互补金属氧化物半导体，complementary metal oxide–semiconductor）技术的可控量子系统执行特定任务的速度就会超过传统计算机。
今天关于早期量子计算装置，我们提出了三个可行的商业化应用：量子模拟、量子辅助优化和量子采样。这些领域内的更快计算速度将在人工智能、金融和医疗方面形成商业化优势。
量子计算机的发展不仅需要多学科互动，而且需要学界和业界紧密配合。制造足够可靠、可控、商业化的装置需要硬件水平的提升。解决现今硬件限制的实际问题需要启发式量子算法。
三大商业前景
如果一些可行的技术进步成为现实，新兴的量子处理器将有可能胜任以下几类任务，并在未来几年内具有商业价值：
量子模拟。对化学反应和材料进行建模是量子计算最有可能的一个应用。研究者可以在计算机中研究数百万的候选而不用再花费数年，投入数亿的美元制造和定性少量材料。不管目标是用于飞机的更强的高分子材料，用于汽车的更有效的触媒转换器，用于太阳能电池的更好材料，更好的医学品还是更透气的纤维，更快的发现途径将会带来巨大价值。
计算材料发现已经是一个很大的产业。量子计算将为它带来根本的转变：从质量和描述到数量和预测。化学反应率对分子能量极其敏感，且横跨的范围已超出经典计算机的处理能力。如果稳健的算法成为现实，或许无需充分的量子错误纠正就可以完成材料模拟的任务。例如，已知的算法（例如量子力学变分计算的方法）有可能不需要量子位错误控制。
很多种商业模型可以提供量子模拟器。实验室可以允许付费访问。计算机公司可以充当顾问。一些企业也许会交换股权，以换取量子辅助的突破并带来创新材料的发展。
量子辅助（Quantum-assisted）优化。在物理、社会科学和各行业所有涉及量化计算的学科中，最核心也是最困难的计算任务就是优化。这些优化问题很难用常规计算机解决。因为算法只能缓慢地遍历所有数学上可能的解决方案，而优良的解决方案可能隐藏在难以克服的计算障碍之后。最常见经典的算法就是使用统计学方法（如热能分布/thermal energy distributions）来「越」过这些障碍。我们认为这种经典类型的采样（classical sampling）能通过引入量子现象的偶发性（如量子隧道，穿过障碍传递量子信息）达到加强的效果，从而找到也许很少见但十分高质量的解决方案。
这些芯片只有 6x6mm 的尺寸，控制 6 个量子比特
例如：推荐系统和广告竞价策略需要使用最优化的算法为消费者提供最及时有效的信息。基于量子计算和普通计算机的混合方式可以提高此类任务在很多领域中的服务质量。物流公司可以用新的方法每天优化他们的日程安排，计划和产品分配，医疗诊断也将变得越来越快捷准确。在新架构的帮助下，科技公司如谷歌、微软、亚马逊和 Facebook 提供的搜索或产品推荐质量都会得以提高。
量子采样。从概率分布中抽样的方法广泛应用与统计和机器学习领域。理论上，理想的量子电路可以比普通计算机更快地对更大概率分布范围进行采样。我们的计算表明，即使是相对小电路的高保真量子门（7 × 7 量子比特，深度 25）也可以对经典架构无法触及的概率分布进行取样。
事实上，从浅量子电路中对概率分布进行采样或许是「量子霸权」的一大例证——这一术语是由理论物理学家 John Preskill 创造的，用以描述量子处理器能在短时间内完成明确的数学任务的能力。此类任务即使是经典架构的超级计算机（如我国的神威·太湖之光）也无法在有限的时间内完成。我们相信在未来的几年里，证明量子霸权的实验就会出现。
量子采样的潜在应用是机器学习中的推理和模式识别。为了促进学界和业界的发展，谷歌计划开放云计算接口，向开发者们提供接触量子计算的机会。
技术障碍
量子计算目前距离商业化还有一段距离，一些技术挑战必须得以解决。量子计算机硬件需要扩大规模以与目前的计算机硬件竞争，而目前架构的计算机已经在摩尔定律之下发展了数十年。量子比特需要量子相干性以形成量子纠缠，这相当于经典计算机需要有增益的晶体管。如何实现大规模和相干性是量子计算机系统面临的最大挑战。这些问题即使在理论上也是难以解决的，因为量子信息无法被复制，而量子计算机中的子系统相互纠缠，这导致所有设计都要以全局的角度来思考。
我们认为超导量子比特是量子计算机最有前景的形式。基于标准集成电路和超导技术，这种架构相对而言容易被构建和掌控。这种架构已经存在多种不同的模拟量子处理器了，它们可以满足不同的任务需求。此前，10量子比特的高保真系统已经研制成功，这也证明了超导方式的可行性。
同时，一些新的技术正在帮助超导量子计算解决扩展性的问题，如超导撞击禁锢（superconducting bump bonds），这是一种包含信息处理单元和和控制电路的双层架构。目前，1000 量子比特的「量子退火」原型机已经进入商用，这些机器是模拟量子处理器，可为找到某些任务的最优解决方案提供便利。
目前还不完美的量子计算机还需要获得更多改进。浅量子电路需要更高的栅极保真度和更多稳定性以限制去相干。量子退火机器则需要在连接性，控制精度和相干时间方面得到改进。此外，我们最终需要的仍是一个能够替代量子退火的方案。
谷歌使用射频和微波电子设备制造可扩展的控制硬件
商业机遇
一个新技术可以通过三种方式加入市场提升业务：即增加利润、降低引入新技术或降低基础生产设备的投资。在数字化时代，引入一种新技术可以造成指数级的影响：即使只会提升产品 1% 的质量，同样能帮助公司在用户量或利润上带来压倒性的增长。这就是「超新星效应」，它在市场的竞争、透明度和效率上起着重要的作用。
如果早期量子计算设备只要能给现行的计算速度或功率提升一点点，早期采用量子计算的公司将会获得很大的利润。其竞争对手也会面临着很高的进入壁垒才能提供相同质量的服务或产品，这也因为只有少数专家才能编写量子算法，企业也需要比较长的时间来设计新算法。对这种垄断（disruptions）最为开放的市场是多信息（information-rich）和数字化的市场，并且还涉及到依赖于许多变量的商业挑战。这种开放性市场就有如金融服务、健康医疗、物流和数据分析。
公司需要审视自己的需求和供给才能制定商业案例。需求分析可以用以下方法来评估：首先需要确定「最小可行性产品」，因为早期量子创新仅仅只是凭借着核心特征加入市场。然后评估该量子创新是不是解决市场现有的需求（拟合产品和市场）、产品商业化所需要的时间（上架速度）和市场的反响（业务跟踪）。
例如，破解加密（通常媒体宣称为数字化量子计算机的「杀手级应用」）就在市场契合度方面得分不高。也许该应用某一天会被免疫量子攻击的密码系统所淘汰。并且大多数私营企业对破解加密系统并不感兴趣。相比之下，证券投资组合优化和风险管理需要即时的数据反馈，而这些需求都能从量子强化模型（quantum-enhanced models）中受益。更加高效的量子化学（quantum-chemistry）计算将变革制药的发展、催化转化器（catalytic converters）、太阳能电池和肥料。
量子辅助（Quantum-assisted）优化和推断技术能增强新型机器学习和人工智能系统。这些系统不仅能加强对可再生能源发电机的管理，还能提升遥感卫星和早期预警系统的的工作效率。这些技术还有助于对在线商品和服务的动态定价、仓库自动化及自动驾驶汽车。
而在供给侧，公司还将通过评估他们团队和技术的质量来区分定位自己。量子计算的开拓学者与企业家需要一起工作。也许这一点很具挑战性，因为学术的激励通常和初创文化或工业界并不一致。
战略合作伙伴关系通常能帮助企业脱颖而出。为了吸引风险投资，优秀的量子产品应该是拥有少量资产的商业模式，其制造成本低廉并能很明显地帮助客户创造价值。通过云端，将经典求解器（solvers）应用到简单任务，并在需要的时候调用量子处理器，公司就能从使用现有的云数据中心获得收益。
下一步
量子计算机领域很快就会出现爆发性的技术突破。但新硬件技术需要的相应算法能否及时出现还有待探讨。但随着量子计算机变得实用化，对其进行专门优化的算法必将逐渐进入人们的视野。
在下一个十年里，学界、业界以及国家实验室会同心协力开发新的量子计算模拟方式和量子机器学习算法。谷歌计划在这一过程中通过提供基于云端的量子处理器服务，为缺乏必要资金、专业能力和设备的开发者提供帮助。
更多内容请关注：www.imefuture.com
来源：微信公众号 机器之心 查看全部
谷歌的低温恒温器在 10mK 温度下运行量子处理器
从量子纠缠到与大分子化学反应，无法使用传统二进制计算机有效描述的世界特征有很多。解决这一难题的办法，正如物理学家 Richard Feynman 在 30 年前意识到的，就是使用量子处理器，这种处理器同时混合了传统状态，恰如物质所做的那样。然而，这样的量子机器投入使用前需要克服很多技术障碍，其中包括误差控制以及根据编码信息的量子状态运行保真度的提升。
人类正在打造终极量子计算机：一个可以容忍误差和错误，解决一切问题的量子计算机。理论上讲，这样一台由很多量子比特组成的大型处理器为核心的机器要比普通计算机更快，计算能力至少领先 10 年。纠正错误需要冗余，量子比特的数量需要大幅度扩展。例如，1 天时间内对 2000 位数进行因式分解是经典计算机难以胜任的，而这也需要 1 亿个量子比特进行计算，而且这是在每 100,000 个操作中只有 1 个量子位出错的前提下。目前，我们还没有组装出具有数十个量子位的量子处理器的能力。
关于量子计算的保守观点使得投资者认为这项技术只能在远期获得回报。但我们认为，如果这个小装置在未来 5 年内出现，短期回报也不无可能，即使它们无法纠正全部错误。
理论保证的缺乏并不妨碍成功。结合了量子和经典方法的启发式混合方法可以支撑强大的未来应用。神经网络在机器学习方面的最近成功就是一个很好的例证。在上世纪 90 年代，训练深度神经网络的计算机还不存在，有着强大理论基础的 convex 方法（以带有清晰最小化解决方案的函数为基础）在这一领域甚是流行。今天，这些方法并不适用于深度学习。神经网路的基础算法很难改变，但是，多亏了摩尔定律，我们取得了一些令人称奇的里程碑式的新成果。
相似地，尽管今天没有证据表明非完美量子机器可以计算的足够快以解决实际问题，但情况也许在改变。模拟和数字量子硬件的规模、保真度和可控性正在稳步提升。我们预测在几年内，基于 CMOS（互补金属氧化物半导体，complementary metal oxide–semiconductor）技术的可控量子系统执行特定任务的速度就会超过传统计算机。
今天关于早期量子计算装置，我们提出了三个可行的商业化应用：量子模拟、量子辅助优化和量子采样。这些领域内的更快计算速度将在人工智能、金融和医疗方面形成商业化优势。
量子计算机的发展不仅需要多学科互动，而且需要学界和业界紧密配合。制造足够可靠、可控、商业化的装置需要硬件水平的提升。解决现今硬件限制的实际问题需要启发式量子算法。
三大商业前景
如果一些可行的技术进步成为现实，新兴的量子处理器将有可能胜任以下几类任务，并在未来几年内具有商业价值：
量子模拟。对化学反应和材料进行建模是量子计算最有可能的一个应用。研究者可以在计算机中研究数百万的候选而不用再花费数年，投入数亿的美元制造和定性少量材料。不管目标是用于飞机的更强的高分子材料，用于汽车的更有效的触媒转换器，用于太阳能电池的更好材料，更好的医学品还是更透气的纤维，更快的发现途径将会带来巨大价值。
计算材料发现已经是一个很大的产业。量子计算将为它带来根本的转变：从质量和描述到数量和预测。化学反应率对分子能量极其敏感，且横跨的范围已超出经典计算机的处理能力。如果稳健的算法成为现实，或许无需充分的量子错误纠正就可以完成材料模拟的任务。例如，已知的算法（例如量子力学变分计算的方法）有可能不需要量子位错误控制。
很多种商业模型可以提供量子模拟器。实验室可以允许付费访问。计算机公司可以充当顾问。一些企业也许会交换股权，以换取量子辅助的突破并带来创新材料的发展。
量子辅助（Quantum-assisted）优化。在物理、社会科学和各行业所有涉及量化计算的学科中，最核心也是最困难的计算任务就是优化。这些优化问题很难用常规计算机解决。因为算法只能缓慢地遍历所有数学上可能的解决方案，而优良的解决方案可能隐藏在难以克服的计算障碍之后。最常见经典的算法就是使用统计学方法（如热能分布/thermal energy distributions）来「越」过这些障碍。我们认为这种经典类型的采样（classical sampling）能通过引入量子现象的偶发性（如量子隧道，穿过障碍传递量子信息）达到加强的效果，从而找到也许很少见但十分高质量的解决方案。
这些芯片只有 6x6mm 的尺寸，控制 6 个量子比特
例如：推荐系统和广告竞价策略需要使用最优化的算法为消费者提供最及时有效的信息。基于量子计算和普通计算机的混合方式可以提高此类任务在很多领域中的服务质量。物流公司可以用新的方法每天优化他们的日程安排，计划和产品分配，医疗诊断也将变得越来越快捷准确。在新架构的帮助下，科技公司如谷歌、微软、亚马逊和 Facebook 提供的搜索或产品推荐质量都会得以提高。
量子采样。从概率分布中抽样的方法广泛应用与统计和机器学习领域。理论上，理想的量子电路可以比普通计算机更快地对更大概率分布范围进行采样。我们的计算表明，即使是相对小电路的高保真量子门（7 × 7 量子比特，深度 25）也可以对经典架构无法触及的概率分布进行取样。
事实上，从浅量子电路中对概率分布进行采样或许是「量子霸权」的一大例证——这一术语是由理论物理学家 John Preskill 创造的，用以描述量子处理器能在短时间内完成明确的数学任务的能力。此类任务即使是经典架构的超级计算机（如我国的神威·太湖之光）也无法在有限的时间内完成。我们相信在未来的几年里，证明量子霸权的实验就会出现。
量子采样的潜在应用是机器学习中的推理和模式识别。为了促进学界和业界的发展，谷歌计划开放云计算接口，向开发者们提供接触量子计算的机会。
技术障碍
量子计算目前距离商业化还有一段距离，一些技术挑战必须得以解决。量子计算机硬件需要扩大规模以与目前的计算机硬件竞争，而目前架构的计算机已经在摩尔定律之下发展了数十年。量子比特需要量子相干性以形成量子纠缠，这相当于经典计算机需要有增益的晶体管。如何实现大规模和相干性是量子计算机系统面临的最大挑战。这些问题即使在理论上也是难以解决的，因为量子信息无法被复制，而量子计算机中的子系统相互纠缠，这导致所有设计都要以全局的角度来思考。
我们认为超导量子比特是量子计算机最有前景的形式。基于标准集成电路和超导技术，这种架构相对而言容易被构建和掌控。这种架构已经存在多种不同的模拟量子处理器了，它们可以满足不同的任务需求。此前，10量子比特的高保真系统已经研制成功，这也证明了超导方式的可行性。
同时，一些新的技术正在帮助超导量子计算解决扩展性的问题，如超导撞击禁锢（superconducting bump bonds），这是一种包含信息处理单元和和控制电路的双层架构。目前，1000 量子比特的「量子退火」原型机已经进入商用，这些机器是模拟量子处理器，可为找到某些任务的最优解决方案提供便利。
目前还不完美的量子计算机还需要获得更多改进。浅量子电路需要更高的栅极保真度和更多稳定性以限制去相干。量子退火机器则需要在连接性，控制精度和相干时间方面得到改进。此外，我们最终需要的仍是一个能够替代量子退火的方案。
谷歌使用射频和微波电子设备制造可扩展的控制硬件
商业机遇
一个新技术可以通过三种方式加入市场提升业务：即增加利润、降低引入新技术或降低基础生产设备的投资。在数字化时代，引入一种新技术可以造成指数级的影响：即使只会提升产品 1% 的质量，同样能帮助公司在用户量或利润上带来压倒性的增长。这就是「超新星效应」，它在市场的竞争、透明度和效率上起着重要的作用。
如果早期量子计算设备只要能给现行的计算速度或功率提升一点点，早期采用量子计算的公司将会获得很大的利润。其竞争对手也会面临着很高的进入壁垒才能提供相同质量的服务或产品，这也因为只有少数专家才能编写量子算法，企业也需要比较长的时间来设计新算法。对这种垄断（disruptions）最为开放的市场是多信息（information-rich）和数字化的市场，并且还涉及到依赖于许多变量的商业挑战。这种开放性市场就有如金融服务、健康医疗、物流和数据分析。
公司需要审视自己的需求和供给才能制定商业案例。需求分析可以用以下方法来评估：首先需要确定「最小可行性产品」，因为早期量子创新仅仅只是凭借着核心特征加入市场。然后评估该量子创新是不是解决市场现有的需求（拟合产品和市场）、产品商业化所需要的时间（上架速度）和市场的反响（业务跟踪）。
例如，破解加密（通常媒体宣称为数字化量子计算机的「杀手级应用」）就在市场契合度方面得分不高。也许该应用某一天会被免疫量子攻击的密码系统所淘汰。并且大多数私营企业对破解加密系统并不感兴趣。相比之下，证券投资组合优化和风险管理需要即时的数据反馈，而这些需求都能从量子强化模型（quantum-enhanced models）中受益。更加高效的量子化学（quantum-chemistry）计算将变革制药的发展、催化转化器（catalytic converters）、太阳能电池和肥料。
量子辅助（Quantum-assisted）优化和推断技术能增强新型机器学习和人工智能系统。这些系统不仅能加强对可再生能源发电机的管理，还能提升遥感卫星和早期预警系统的的工作效率。这些技术还有助于对在线商品和服务的动态定价、仓库自动化及自动驾驶汽车。
而在供给侧，公司还将通过评估他们团队和技术的质量来区分定位自己。量子计算的开拓学者与企业家需要一起工作。也许这一点很具挑战性，因为学术的激励通常和初创文化或工业界并不一致。
战略合作伙伴关系通常能帮助企业脱颖而出。为了吸引风险投资，优秀的量子产品应该是拥有少量资产的商业模式，其制造成本低廉并能很明显地帮助客户创造价值。通过云端，将经典求解器（solvers）应用到简单任务，并在需要的时候调用量子处理器，公司就能从使用现有的云数据中心获得收益。
下一步
量子计算机领域很快就会出现爆发性的技术突破。但新硬件技术需要的相应算法能否及时出现还有待探讨。但随着量子计算机变得实用化，对其进行专门优化的算法必将逐渐进入人们的视野。
在下一个十年里，学界、业界以及国家实验室会同心协力开发新的量子计算模拟方式和量子机器学习算法。谷歌计划在这一过程中通过提供基于云端的量子处理器服务，为缺乏必要资金、专业能力和设备的开发者提供帮助。
更多内容请关注：www.imefuture.com
来源：微信公众号 机器之心
385 浏览
5G时代，中国将彻底终结美国霸权！wifi和互联网也面临消失！
智能科技类 料盘挡板 2016-12-28 11:25 发表了文章
5G——天下武功，唯快不破！
在移动互联网时代，最核心的技术是移动通信技术。而在通信行业，标准之争是最高话语权的争夺。一旦标准确立，将对全球通信产业产生巨大影响。
纵观世界通讯技术发展史，已经先后经历了2G、3G、4G几个重要时代：
第一代是模拟技术；
第二代是2G，实现了语音的数字化；
第三代是3G，以多媒体通信为特征；
第四代是4G，通信进入无线宽带时代，速率大大提高。
然而这些阶段里的重要专利技术几乎被美国的高通、爱立信垄断，中国一直处于落后状态！
比如在3G时代，中国虽然自主研发了TD-SCDMA，但是技术上依然无法与其相提并论。即便到了4G时代，中国TD-LTE有了一定的突破，但是其核心长码编码Turbo码和短码咬尾卷积码，都不是中国原创的技术。这就导致美国高通动不动就控告你侵权，索取额外专利费。
转折点在这一天到来！
中国方案入选了5G（第五代移动电话行动通信标准）标准。
美国时间11月17日，国际无线标准化机构3GPP的RAN1（无线物理层）87次会议在美国拉斯维加斯召开，就5G短码方案进行讨论。三位主角依然是中国华为主推的PolarCode（极化码）方案，美国高通主推LDPC方案，法国主推Turbo2.0方案。最终，华为的Polar方案从两大竞争对手中胜出！
按照业界预计，2020年5G将开始全球范围内商用。这也就意味着：在正在到来的5G时代，中国通信核心技术第一次占领至高点，终于完成了弯道超车！
再来做一个科普，什么是5G呢？
4G和5G相比，简直就如同龟兔赛跑！
4G使用是特高频段，5G就得往超高频甚至更高的频段。5G的网络传输速率将是4G峰值的100倍。这意味着，在5G时代一部超高清画质的电影1秒内就可以下载完成。而且5G的功耗将低于4G，这从而带来一系列新的无线产品，比如更多智能家居设备和可穿戴计算设备。
5G——WIFI将“消亡”？
如果我们用上了5G手机，那么快的网络，就不会再每到一个地方就去寻找WIFI了，用户可以无缝、平滑的在任意空间过渡，省去了切换网络、输入密码等繁琐步骤，WiFi很可能“消亡”。
更重要的是，在5G时代华为很可能一统天下。因为在3G、4G时代，有美国、欧盟、中国等不同的网络制式，因此出现了各种不同制式的手机，给消费者造成一些困扰。为到了5G时代，消费者只需要一种制式的手机就可以包打天下了，这也就意味着华为很有可能获得极高的国际地位！
这也就意味着美国高通独霸的时代宣告结束！
而这项核心技术的超越，将使中国互联网的发展如虎添翼！
在刚刚闭幕的第三届世界互联网大会上，中欧数字协会主席Luigi Gambardella在接受媒体采访时说：“中国即将成为5G时代的全球领跑者，而5G时代的到来将推动新一轮技术革命。”
中国5G，正在制定世界标准！
除了华为之外，中国移动、中国联通也在5G领域布局完成。中国移动称，中国移动5G联合创新中心经过9个月的推动，现已拥有基础通信、物联网、车联网、虚拟现实/增强现实、云端智能机器人、工业互联网六大领域51家合作伙伴，建成首批4个开放实验室。看得出，中国移动联合通信企业、互联网企业及垂直应用行业合作伙伴，试图打造5G跨行业融合生态系统。
而在5G未来网络方面，中国联通目前正在发展基于多级云协同的5G网络架构，支持移动边缘计算端到端服务解决方案。未来视频服务的用户体验将因此大大改进。
华为则呼吁，各国政府和监管机构释放更多通讯频谱，建设无线千兆宽带（Gigaband）；同时，全球应以开放合作的精神引导5G技术标准统一，以降低成本、实现全球无缝互联互通。
从以上布局我们可以看出，中国正在制定5G的世界标准！
5G时代——万物互联，互联网将消失？
5G的真正意义在于：为万物互联打下基础！
水木然认为：如果说3G和4G使人与人相联，那么5G将使万物互联。由于数字传输效率的大大提升，这使万物之间的联系紧密增强。5G不仅仅是下一代移动技术，它将是一种全新网络，将万事万物以最优的方式连接起来，这种统一的连接架构将会把移动技术的优势扩展到全新行业，并创造全新商业模式。
未来的世界里，每一件物体都有传感器，利用5G实现数据交互，人、花草、机器、手机、交通工具、家居用品等等都有独立的IP，一切物体都可控、交流、定位，彼此协同工作。世界上几乎所有东西都会被连接在一起，超越了空间和时间的限制。
我们都知道，这个世界上存在多种生态系统，比如自然是一种生态系统，人类是一种生态系统，工业是一种生态系统，信息产业也是一种生态系统，资本和金融也是一种生态系统，每种生态系统都有自己循环结构，生生不息，并不断的趋向平衡。虽然这些生态系统都在向前推进，但是系统与系统之间比较独立。一旦到5G 时代，这些系统将打破原来的界限，走向共融，共同组建一个更包容的“大生态系统”，也就是万物互联。
届时，整个世界组建了一个社会性的“大生态系统”，而且这个系统的规则会更加清晰明了，所谓的“主观”情况干扰会越来越少。我们知道跟“人”打交道是一件最复杂的事情，因为人的七情六欲会时刻影响一个人的行为，“人性”在很多时候往往是一种阻碍。但是在未来，人和物、物和物之间的主要沟通将依靠数据，这是一种很客观的东西，它将会遵守我们已经制定好的规则，这也会帮人类省去不少烦恼，人们会感觉越来越轻便、轻松。这也就是一种大网无网的状态！
5G时代，中国将终结美国霸权！
美国是这个世界的传统规则的制定者，掌控了全球的货币引发（美元）、货物的流动（TPP：跨太平伙伴关系协定），而现在，摆在我们面前的是一个需要拯救的世界，各国经济一篇泥潭，迫切需要中国去注入新的活力。互联网给中国带来了新经济，中国又成了世界经济的希望。
如今无论是中国还是美国，都在向世界输出自己的模式。美国仍然企图用大数据和云计算来制定新的世界规则，而中国的互联网发展却向美国发起了挑战。正如我们前面所言，百度追求的是连接“人和人”，阿里巴巴追求的是连接“人和商品”，腾讯追求的是连接“人和人”，BAT的共同追求的是将“人”、“信息”、“商品”三者互相链接起来，这三者分别代表人类的社交、感知、和交易三大行为。一旦它们建立了连接，可以发挥1+1+1大于3的综合效应。因为这三者是可以互相作用的，链接起来就可以发生裂变和聚变的效应，瞬间聚合、张力无限。一旦5G再实现了万物互联，那么世界的变化是不可想象的！
这正是“互联互通、共享共治——构建网络空间命运共同体”的深刻洞解，中国改写的不仅是商业，而是整个世界的规则。
未来的货币流、信息流、产品流，都依靠数据传输去完成，5G将帮助中国治理全球，也是斩断美国霸权的一把利剑！
如今的美国，越来越依靠战争机器和货币霸权来掠夺其他国家财富，逐渐走向全世界人民的对立面，也越来越空心化。而中国则积极投身于新技术、电子商务等互联网产业的发展，且乐意与世界各国共享经验和繁荣。一个是八九点钟的太阳，一个是已近黄昏的夕阳，历史和命运，一定会在某个合理的时间点将中国推上位，然后引导世界进入下一个更高阶段的文明！
来源：水木然 专栏作者：水木然
更多内容请关注：www.imefuture.com
什么是非标自动化
2017年全国工业和信息化工作会议在京开幕
苹果发布第一篇人工智能研究论文
智造家 查看全部
在移动互联网时代，最核心的技术是移动通信技术。而在通信行业，标准之争是最高话语权的争夺。一旦标准确立，将对全球通信产业产生巨大影响。
纵观世界通讯技术发展史，已经先后经历了2G、3G、4G几个重要时代：
第一代是模拟技术；
第二代是2G，实现了语音的数字化；
第三代是3G，以多媒体通信为特征；
第四代是4G，通信进入无线宽带时代，速率大大提高。
然而这些阶段里的重要专利技术几乎被美国的高通、爱立信垄断，中国一直处于落后状态！
比如在3G时代，中国虽然自主研发了TD-SCDMA，但是技术上依然无法与其相提并论。即便到了4G时代，中国TD-LTE有了一定的突破，但是其核心长码编码Turbo码和短码咬尾卷积码，都不是中国原创的技术。这就导致美国高通动不动就控告你侵权，索取额外专利费。
转折点在这一天到来！
中国方案入选了5G（第五代移动电话行动通信标准）标准。
美国时间11月17日，国际无线标准化机构3GPP的RAN1（无线物理层）87次会议在美国拉斯维加斯召开，就5G短码方案进行讨论。三位主角依然是中国华为主推的PolarCode（极化码）方案，美国高通主推LDPC方案，法国主推Turbo2.0方案。最终，华为的Polar方案从两大竞争对手中胜出！
按照业界预计，2020年5G将开始全球范围内商用。这也就意味着：在正在到来的5G时代，中国通信核心技术第一次占领至高点，终于完成了弯道超车！
再来做一个科普，什么是5G呢？
4G和5G相比，简直就如同龟兔赛跑！
4G使用是特高频段，5G就得往超高频甚至更高的频段。5G的网络传输速率将是4G峰值的100倍。这意味着，在5G时代一部超高清画质的电影1秒内就可以下载完成。而且5G的功耗将低于4G，这从而带来一系列新的无线产品，比如更多智能家居设备和可穿戴计算设备。
5G——WIFI将“消亡”？
如果我们用上了5G手机，那么快的网络，就不会再每到一个地方就去寻找WIFI了，用户可以无缝、平滑的在任意空间过渡，省去了切换网络、输入密码等繁琐步骤，WiFi很可能“消亡”。
更重要的是，在5G时代华为很可能一统天下。因为在3G、4G时代，有美国、欧盟、中国等不同的网络制式，因此出现了各种不同制式的手机，给消费者造成一些困扰。为到了5G时代，消费者只需要一种制式的手机就可以包打天下了，这也就意味着华为很有可能获得极高的国际地位！
这也就意味着美国高通独霸的时代宣告结束！
而这项核心技术的超越，将使中国互联网的发展如虎添翼！
在刚刚闭幕的第三届世界互联网大会上，中欧数字协会主席Luigi Gambardella在接受媒体采访时说：“中国即将成为5G时代的全球领跑者，而5G时代的到来将推动新一轮技术革命。”
中国5G，正在制定世界标准！
除了华为之外，中国移动、中国联通也在5G领域布局完成。中国移动称，中国移动5G联合创新中心经过9个月的推动，现已拥有基础通信、物联网、车联网、虚拟现实/增强现实、云端智能机器人、工业互联网六大领域51家合作伙伴，建成首批4个开放实验室。看得出，中国移动联合通信企业、互联网企业及垂直应用行业合作伙伴，试图打造5G跨行业融合生态系统。
而在5G未来网络方面，中国联通目前正在发展基于多级云协同的5G网络架构，支持移动边缘计算端到端服务解决方案。未来视频服务的用户体验将因此大大改进。
华为则呼吁，各国政府和监管机构释放更多通讯频谱，建设无线千兆宽带（Gigaband）；同时，全球应以开放合作的精神引导5G技术标准统一，以降低成本、实现全球无缝互联互通。
从以上布局我们可以看出，中国正在制定5G的世界标准！
5G时代——万物互联，互联网将消失？
5G的真正意义在于：为万物互联打下基础！
水木然认为：如果说3G和4G使人与人相联，那么5G将使万物互联。由于数字传输效率的大大提升，这使万物之间的联系紧密增强。5G不仅仅是下一代移动技术，它将是一种全新网络，将万事万物以最优的方式连接起来，这种统一的连接架构将会把移动技术的优势扩展到全新行业，并创造全新商业模式。
未来的世界里，每一件物体都有传感器，利用5G实现数据交互，人、花草、机器、手机、交通工具、家居用品等等都有独立的IP，一切物体都可控、交流、定位，彼此协同工作。世界上几乎所有东西都会被连接在一起，超越了空间和时间的限制。
我们都知道，这个世界上存在多种生态系统，比如自然是一种生态系统，人类是一种生态系统，工业是一种生态系统，信息产业也是一种生态系统，资本和金融也是一种生态系统，每种生态系统都有自己循环结构，生生不息，并不断的趋向平衡。虽然这些生态系统都在向前推进，但是系统与系统之间比较独立。一旦到5G 时代，这些系统将打破原来的界限，走向共融，共同组建一个更包容的“大生态系统”，也就是万物互联。
届时，整个世界组建了一个社会性的“大生态系统”，而且这个系统的规则会更加清晰明了，所谓的“主观”情况干扰会越来越少。我们知道跟“人”打交道是一件最复杂的事情，因为人的七情六欲会时刻影响一个人的行为，“人性”在很多时候往往是一种阻碍。但是在未来，人和物、物和物之间的主要沟通将依靠数据，这是一种很客观的东西，它将会遵守我们已经制定好的规则，这也会帮人类省去不少烦恼，人们会感觉越来越轻便、轻松。这也就是一种大网无网的状态！
5G时代，中国将终结美国霸权！
美国是这个世界的传统规则的制定者，掌控了全球的货币引发（美元）、货物的流动（TPP：跨太平伙伴关系协定），而现在，摆在我们面前的是一个需要拯救的世界，各国经济一篇泥潭，迫切需要中国去注入新的活力。互联网给中国带来了新经济，中国又成了世界经济的希望。
如今无论是中国还是美国，都在向世界输出自己的模式。美国仍然企图用大数据和云计算来制定新的世界规则，而中国的互联网发展却向美国发起了挑战。正如我们前面所言，百度追求的是连接“人和人”，阿里巴巴追求的是连接“人和商品”，腾讯追求的是连接“人和人”，BAT的共同追求的是将“人”、“信息”、“商品”三者互相链接起来，这三者分别代表人类的社交、感知、和交易三大行为。一旦它们建立了连接，可以发挥1+1+1大于3的综合效应。因为这三者是可以互相作用的，链接起来就可以发生裂变和聚变的效应，瞬间聚合、张力无限。一旦5G再实现了万物互联，那么世界的变化是不可想象的！
这正是“互联互通、共享共治——构建网络空间命运共同体”的深刻洞解，中国改写的不仅是商业，而是整个世界的规则。
未来的货币流、信息流、产品流，都依靠数据传输去完成，5G将帮助中国治理全球，也是斩断美国霸权的一把利剑！
如今的美国，越来越依靠战争机器和货币霸权来掠夺其他国家财富，逐渐走向全世界人民的对立面，也越来越空心化。而中国则积极投身于新技术、电子商务等互联网产业的发展，且乐意与世界各国共享经验和繁荣。一个是八九点钟的太阳，一个是已近黄昏的夕阳，历史和命运，一定会在某个合理的时间点将中国推上位，然后引导世界进入下一个更高阶段的文明！
来源：水木然 专栏作者：水木然
更多内容请关注：www.imefuture.com
什么是非标自动化
2017年全国工业和信息化工作会议在京开幕
苹果发布第一篇人工智能研究论文
智造家 查看全部
5G——天下武功，唯快不破！
在移动互联网时代，最核心的技术是移动通信技术。而在通信行业，标准之争是最高话语权的争夺。一旦标准确立，将对全球通信产业产生巨大影响。
纵观世界通讯技术发展史，已经先后经历了2G、3G、4G几个重要时代：
第一代是模拟技术；
第二代是2G，实现了语音的数字化；
第三代是3G，以多媒体通信为特征；
第四代是4G，通信进入无线宽带时代，速率大大提高。
然而这些阶段里的重要专利技术几乎被美国的高通、爱立信垄断，中国一直处于落后状态！
比如在3G时代，中国虽然自主研发了TD-SCDMA，但是技术上依然无法与其相提并论。即便到了4G时代，中国TD-LTE有了一定的突破，但是其核心长码编码Turbo码和短码咬尾卷积码，都不是中国原创的技术。这就导致美国高通动不动就控告你侵权，索取额外专利费。
转折点在这一天到来！
中国方案入选了5G（第五代移动电话行动通信标准）标准。
美国时间11月17日，国际无线标准化机构3GPP的RAN1（无线物理层）87次会议在美国拉斯维加斯召开，就5G短码方案进行讨论。三位主角依然是中国华为主推的PolarCode（极化码）方案，美国高通主推LDPC方案，法国主推Turbo2.0方案。最终，华为的Polar方案从两大竞争对手中胜出！
按照业界预计，2020年5G将开始全球范围内商用。这也就意味着：在正在到来的5G时代，中国通信核心技术第一次占领至高点，终于完成了弯道超车！
再来做一个科普，什么是5G呢？
4G和5G相比，简直就如同龟兔赛跑！
4G使用是特高频段，5G就得往超高频甚至更高的频段。5G的网络传输速率将是4G峰值的100倍。这意味着，在5G时代一部超高清画质的电影1秒内就可以下载完成。而且5G的功耗将低于4G，这从而带来一系列新的无线产品，比如更多智能家居设备和可穿戴计算设备。
5G——WIFI将“消亡”？
如果我们用上了5G手机，那么快的网络，就不会再每到一个地方就去寻找WIFI了，用户可以无缝、平滑的在任意空间过渡，省去了切换网络、输入密码等繁琐步骤，WiFi很可能“消亡”。
更重要的是，在5G时代华为很可能一统天下。因为在3G、4G时代，有美国、欧盟、中国等不同的网络制式，因此出现了各种不同制式的手机，给消费者造成一些困扰。为到了5G时代，消费者只需要一种制式的手机就可以包打天下了，这也就意味着华为很有可能获得极高的国际地位！
这也就意味着美国高通独霸的时代宣告结束！
而这项核心技术的超越，将使中国互联网的发展如虎添翼！
在刚刚闭幕的第三届世界互联网大会上，中欧数字协会主席Luigi Gambardella在接受媒体采访时说：“中国即将成为5G时代的全球领跑者，而5G时代的到来将推动新一轮技术革命。”
中国5G，正在制定世界标准！
除了华为之外，中国移动、中国联通也在5G领域布局完成。中国移动称，中国移动5G联合创新中心经过9个月的推动，现已拥有基础通信、物联网、车联网、虚拟现实/增强现实、云端智能机器人、工业互联网六大领域51家合作伙伴，建成首批4个开放实验室。看得出，中国移动联合通信企业、互联网企业及垂直应用行业合作伙伴，试图打造5G跨行业融合生态系统。
而在5G未来网络方面，中国联通目前正在发展基于多级云协同的5G网络架构，支持移动边缘计算端到端服务解决方案。未来视频服务的用户体验将因此大大改进。
华为则呼吁，各国政府和监管机构释放更多通讯频谱，建设无线千兆宽带（Gigaband）；同时，全球应以开放合作的精神引导5G技术标准统一，以降低成本、实现全球无缝互联互通。
从以上布局我们可以看出，中国正在制定5G的世界标准！
5G时代——万物互联，互联网将消失？
5G的真正意义在于：为万物互联打下基础！
水木然认为：如果说3G和4G使人与人相联，那么5G将使万物互联。由于数字传输效率的大大提升，这使万物之间的联系紧密增强。5G不仅仅是下一代移动技术，它将是一种全新网络，将万事万物以最优的方式连接起来，这种统一的连接架构将会把移动技术的优势扩展到全新行业，并创造全新商业模式。
未来的世界里，每一件物体都有传感器，利用5G实现数据交互，人、花草、机器、手机、交通工具、家居用品等等都有独立的IP，一切物体都可控、交流、定位，彼此协同工作。世界上几乎所有东西都会被连接在一起，超越了空间和时间的限制。
我们都知道，这个世界上存在多种生态系统，比如自然是一种生态系统，人类是一种生态系统，工业是一种生态系统，信息产业也是一种生态系统，资本和金融也是一种生态系统，每种生态系统都有自己循环结构，生生不息，并不断的趋向平衡。虽然这些生态系统都在向前推进，但是系统与系统之间比较独立。一旦到5G 时代，这些系统将打破原来的界限，走向共融，共同组建一个更包容的“大生态系统”，也就是万物互联。
届时，整个世界组建了一个社会性的“大生态系统”，而且这个系统的规则会更加清晰明了，所谓的“主观”情况干扰会越来越少。我们知道跟“人”打交道是一件最复杂的事情，因为人的七情六欲会时刻影响一个人的行为，“人性”在很多时候往往是一种阻碍。但是在未来，人和物、物和物之间的主要沟通将依靠数据，这是一种很客观的东西，它将会遵守我们已经制定好的规则，这也会帮人类省去不少烦恼，人们会感觉越来越轻便、轻松。这也就是一种大网无网的状态！
5G时代，中国将终结美国霸权！
美国是这个世界的传统规则的制定者，掌控了全球的货币引发（美元）、货物的流动（TPP：跨太平伙伴关系协定），而现在，摆在我们面前的是一个需要拯救的世界，各国经济一篇泥潭，迫切需要中国去注入新的活力。互联网给中国带来了新经济，中国又成了世界经济的希望。
如今无论是中国还是美国，都在向世界输出自己的模式。美国仍然企图用大数据和云计算来制定新的世界规则，而中国的互联网发展却向美国发起了挑战。正如我们前面所言，百度追求的是连接“人和人”，阿里巴巴追求的是连接“人和商品”，腾讯追求的是连接“人和人”，BAT的共同追求的是将“人”、“信息”、“商品”三者互相链接起来，这三者分别代表人类的社交、感知、和交易三大行为。一旦它们建立了连接，可以发挥1+1+1大于3的综合效应。因为这三者是可以互相作用的，链接起来就可以发生裂变和聚变的效应，瞬间聚合、张力无限。一旦5G再实现了万物互联，那么世界的变化是不可想象的！
这正是“互联互通、共享共治——构建网络空间命运共同体”的深刻洞解，中国改写的不仅是商业，而是整个世界的规则。
未来的货币流、信息流、产品流，都依靠数据传输去完成，5G将帮助中国治理全球，也是斩断美国霸权的一把利剑！
如今的美国，越来越依靠战争机器和货币霸权来掠夺其他国家财富，逐渐走向全世界人民的对立面，也越来越空心化。而中国则积极投身于新技术、电子商务等互联网产业的发展，且乐意与世界各国共享经验和繁荣。一个是八九点钟的太阳，一个是已近黄昏的夕阳，历史和命运，一定会在某个合理的时间点将中国推上位，然后引导世界进入下一个更高阶段的文明！
来源：水木然 专栏作者：水木然
更多内容请关注：www.imefuture.com
什么是非标自动化
2017年全国工业和信息化工作会议在京开幕
苹果发布第一篇人工智能研究论文
智造家
在移动互联网时代，最核心的技术是移动通信技术。而在通信行业，标准之争是最高话语权的争夺。一旦标准确立，将对全球通信产业产生巨大影响。
纵观世界通讯技术发展史，已经先后经历了2G、3G、4G几个重要时代：
第一代是模拟技术；
第二代是2G，实现了语音的数字化；
第三代是3G，以多媒体通信为特征；
第四代是4G，通信进入无线宽带时代，速率大大提高。
然而这些阶段里的重要专利技术几乎被美国的高通、爱立信垄断，中国一直处于落后状态！
比如在3G时代，中国虽然自主研发了TD-SCDMA，但是技术上依然无法与其相提并论。即便到了4G时代，中国TD-LTE有了一定的突破，但是其核心长码编码Turbo码和短码咬尾卷积码，都不是中国原创的技术。这就导致美国高通动不动就控告你侵权，索取额外专利费。
转折点在这一天到来！
中国方案入选了5G（第五代移动电话行动通信标准）标准。
美国时间11月17日，国际无线标准化机构3GPP的RAN1（无线物理层）87次会议在美国拉斯维加斯召开，就5G短码方案进行讨论。三位主角依然是中国华为主推的PolarCode（极化码）方案，美国高通主推LDPC方案，法国主推Turbo2.0方案。最终，华为的Polar方案从两大竞争对手中胜出！
按照业界预计，2020年5G将开始全球范围内商用。这也就意味着：在正在到来的5G时代，中国通信核心技术第一次占领至高点，终于完成了弯道超车！
再来做一个科普，什么是5G呢？
4G和5G相比，简直就如同龟兔赛跑！
4G使用是特高频段，5G就得往超高频甚至更高的频段。5G的网络传输速率将是4G峰值的100倍。这意味着，在5G时代一部超高清画质的电影1秒内就可以下载完成。而且5G的功耗将低于4G，这从而带来一系列新的无线产品，比如更多智能家居设备和可穿戴计算设备。
5G——WIFI将“消亡”？
如果我们用上了5G手机，那么快的网络，就不会再每到一个地方就去寻找WIFI了，用户可以无缝、平滑的在任意空间过渡，省去了切换网络、输入密码等繁琐步骤，WiFi很可能“消亡”。
更重要的是，在5G时代华为很可能一统天下。因为在3G、4G时代，有美国、欧盟、中国等不同的网络制式，因此出现了各种不同制式的手机，给消费者造成一些困扰。为到了5G时代，消费者只需要一种制式的手机就可以包打天下了，这也就意味着华为很有可能获得极高的国际地位！
这也就意味着美国高通独霸的时代宣告结束！
而这项核心技术的超越，将使中国互联网的发展如虎添翼！
在刚刚闭幕的第三届世界互联网大会上，中欧数字协会主席Luigi Gambardella在接受媒体采访时说：“中国即将成为5G时代的全球领跑者，而5G时代的到来将推动新一轮技术革命。”
中国5G，正在制定世界标准！
除了华为之外，中国移动、中国联通也在5G领域布局完成。中国移动称，中国移动5G联合创新中心经过9个月的推动，现已拥有基础通信、物联网、车联网、虚拟现实/增强现实、云端智能机器人、工业互联网六大领域51家合作伙伴，建成首批4个开放实验室。看得出，中国移动联合通信企业、互联网企业及垂直应用行业合作伙伴，试图打造5G跨行业融合生态系统。
而在5G未来网络方面，中国联通目前正在发展基于多级云协同的5G网络架构，支持移动边缘计算端到端服务解决方案。未来视频服务的用户体验将因此大大改进。
华为则呼吁，各国政府和监管机构释放更多通讯频谱，建设无线千兆宽带（Gigaband）；同时，全球应以开放合作的精神引导5G技术标准统一，以降低成本、实现全球无缝互联互通。
从以上布局我们可以看出，中国正在制定5G的世界标准！
5G时代——万物互联，互联网将消失？
5G的真正意义在于：为万物互联打下基础！
水木然认为：如果说3G和4G使人与人相联，那么5G将使万物互联。由于数字传输效率的大大提升，这使万物之间的联系紧密增强。5G不仅仅是下一代移动技术，它将是一种全新网络，将万事万物以最优的方式连接起来，这种统一的连接架构将会把移动技术的优势扩展到全新行业，并创造全新商业模式。
未来的世界里，每一件物体都有传感器，利用5G实现数据交互，人、花草、机器、手机、交通工具、家居用品等等都有独立的IP，一切物体都可控、交流、定位，彼此协同工作。世界上几乎所有东西都会被连接在一起，超越了空间和时间的限制。
我们都知道，这个世界上存在多种生态系统，比如自然是一种生态系统，人类是一种生态系统，工业是一种生态系统，信息产业也是一种生态系统，资本和金融也是一种生态系统，每种生态系统都有自己循环结构，生生不息，并不断的趋向平衡。虽然这些生态系统都在向前推进，但是系统与系统之间比较独立。一旦到5G 时代，这些系统将打破原来的界限，走向共融，共同组建一个更包容的“大生态系统”，也就是万物互联。
届时，整个世界组建了一个社会性的“大生态系统”，而且这个系统的规则会更加清晰明了，所谓的“主观”情况干扰会越来越少。我们知道跟“人”打交道是一件最复杂的事情，因为人的七情六欲会时刻影响一个人的行为，“人性”在很多时候往往是一种阻碍。但是在未来，人和物、物和物之间的主要沟通将依靠数据，这是一种很客观的东西，它将会遵守我们已经制定好的规则，这也会帮人类省去不少烦恼，人们会感觉越来越轻便、轻松。这也就是一种大网无网的状态！
5G时代，中国将终结美国霸权！
美国是这个世界的传统规则的制定者，掌控了全球的货币引发（美元）、货物的流动（TPP：跨太平伙伴关系协定），而现在，摆在我们面前的是一个需要拯救的世界，各国经济一篇泥潭，迫切需要中国去注入新的活力。互联网给中国带来了新经济，中国又成了世界经济的希望。
如今无论是中国还是美国，都在向世界输出自己的模式。美国仍然企图用大数据和云计算来制定新的世界规则，而中国的互联网发展却向美国发起了挑战。正如我们前面所言，百度追求的是连接“人和人”，阿里巴巴追求的是连接“人和商品”，腾讯追求的是连接“人和人”，BAT的共同追求的是将“人”、“信息”、“商品”三者互相链接起来，这三者分别代表人类的社交、感知、和交易三大行为。一旦它们建立了连接，可以发挥1+1+1大于3的综合效应。因为这三者是可以互相作用的，链接起来就可以发生裂变和聚变的效应，瞬间聚合、张力无限。一旦5G再实现了万物互联，那么世界的变化是不可想象的！
这正是“互联互通、共享共治——构建网络空间命运共同体”的深刻洞解，中国改写的不仅是商业，而是整个世界的规则。
未来的货币流、信息流、产品流，都依靠数据传输去完成，5G将帮助中国治理全球，也是斩断美国霸权的一把利剑！
如今的美国，越来越依靠战争机器和货币霸权来掠夺其他国家财富，逐渐走向全世界人民的对立面，也越来越空心化。而中国则积极投身于新技术、电子商务等互联网产业的发展，且乐意与世界各国共享经验和繁荣。一个是八九点钟的太阳，一个是已近黄昏的夕阳，历史和命运，一定会在某个合理的时间点将中国推上位，然后引导世界进入下一个更高阶段的文明！
来源：水木然 专栏作者：水木然
更多内容请关注：www.imefuture.com
什么是非标自动化
2017年全国工业和信息化工作会议在京开幕
苹果发布第一篇人工智能研究论文
智造家
473 浏览
北京大数据产业投资基金正式发布 扎克伯格启用AI“管家
管理类 扳手哥 2016-12-26 16:09 发表了文章
【摘要】北京大数据产业投资基金正式发布，将进一步推进京津冀地区大数据发展；国家发改委：“互联网+”和大数据领域国家工程实验室拟确定承担单位名单公示；扎克伯格启用AI“管家”，最新最强大数据新闻，尽在本期D-News！
政府动态
北京大数据产业投资基金正式发布，将进一步推进京津冀地区大数据发展
由8个机构共同出资设立的“北京大数据产业投资基金”于近日在京正式发布。据了解，该基金由国富大数据资本管理中心管理，首期计划募集100亿元人民币。未来，该基金将通过支持大数据及相关领域的上市公司并购、股权投资等方式，重点支持大数据交易平台、数据资源、技术及行业应用等多个领域，从而进一步推动京津冀地区的大数据产业链整合发展。
国家发改委：“互联网+”和大数据领域国家工程实验室拟确定承担单位名单公示
根据《关于请组织申报“互联网+”领域创新能力建设专项的通知》和《关于请组织申报大数据领域创新能力建设专项的通知》，近期，国家发展改革委高技术司组织专家对有关单位申报的“互联网+”和大数据领域国家工程实验室项目进行了评审。根据《国家工程实验室管理办法（暂行）》，并按照上述通知有关支持原则和要求，经竞争择优，初步提出“互联网+”和大数据领域国家工程实验室拟确定承担单位名单。
白宫发布《人工智能、自动化和经济》报告
白宫发布了一份关于人工智能、自动化和经济的报告。报告中建议白宫在今年年底前发布一份关于人工智能对经济影响的报告。
业界巨头
学钢铁侠 扎克伯格启用AI“管家”
“脸书”创始人马克·扎克伯格开发出一款名叫“贾维斯”的人工智能程序,能管理其生活起居。控制家里的照明开关和温度、音乐、烤面包以及喂狗等。
谷歌医疗立足眼科，要用人工智能大数据破译糖网病难题
日前，谷歌方面发布公告称，公司旗下医疗团队将正式立足AI眼科，利用人工智能及大数据技术，攻克糖网病难关。说到糖网病，它是“糖尿病视网膜病变”的简称，即糖尿病引起的视网膜血管失调，严重者会引发双目失明。目前，谷歌已经针对该疾病提出了一种基于深度学习的算法，该算法可以在视网膜造影中对糖网病的迹象做出解释，帮助医生做出更专业的诊断。
资本动态
以色列增强现实显示技术公司 Lumus获3000万美元投资
以色列增强现实（AR）显示技术公司 Lumus 宣布，他们获得了来自包括 HTC、台湾地区的电子产品制造商广达电脑等公司的 3000 万美元投资。今年 6 月，Lumus 获得了1500 万美元的投资，投资方为盛大集团和中国浙江的水晶光电。拿到这 3000 万美元投资后，Lumus 的融资已经进行到位。Lumus 成立于 2000 年，当时 Lumus 研发出Light-guideOptical Element（LOE），帮助实现AR 显示。2010 年，Lumus 开始为美国空军制造战斗机飞行员头盔中的 AR 部件。历经 15 年的 AR 技术研发后，Lumus 今天终于向消费者和企业产品领域迈进了。
来源：大数据文摘
查看全部
政府动态
北京大数据产业投资基金正式发布，将进一步推进京津冀地区大数据发展
由8个机构共同出资设立的“北京大数据产业投资基金”于近日在京正式发布。据了解，该基金由国富大数据资本管理中心管理，首期计划募集100亿元人民币。未来，该基金将通过支持大数据及相关领域的上市公司并购、股权投资等方式，重点支持大数据交易平台、数据资源、技术及行业应用等多个领域，从而进一步推动京津冀地区的大数据产业链整合发展。
国家发改委：“互联网+”和大数据领域国家工程实验室拟确定承担单位名单公示
根据《关于请组织申报“互联网+”领域创新能力建设专项的通知》和《关于请组织申报大数据领域创新能力建设专项的通知》，近期，国家发展改革委高技术司组织专家对有关单位申报的“互联网+”和大数据领域国家工程实验室项目进行了评审。根据《国家工程实验室管理办法（暂行）》，并按照上述通知有关支持原则和要求，经竞争择优，初步提出“互联网+”和大数据领域国家工程实验室拟确定承担单位名单。
白宫发布《人工智能、自动化和经济》报告
白宫发布了一份关于人工智能、自动化和经济的报告。报告中建议白宫在今年年底前发布一份关于人工智能对经济影响的报告。
业界巨头
学钢铁侠 扎克伯格启用AI“管家”
“脸书”创始人马克·扎克伯格开发出一款名叫“贾维斯”的人工智能程序,能管理其生活起居。控制家里的照明开关和温度、音乐、烤面包以及喂狗等。
谷歌医疗立足眼科，要用人工智能大数据破译糖网病难题
日前，谷歌方面发布公告称，公司旗下医疗团队将正式立足AI眼科，利用人工智能及大数据技术，攻克糖网病难关。说到糖网病，它是“糖尿病视网膜病变”的简称，即糖尿病引起的视网膜血管失调，严重者会引发双目失明。目前，谷歌已经针对该疾病提出了一种基于深度学习的算法，该算法可以在视网膜造影中对糖网病的迹象做出解释，帮助医生做出更专业的诊断。
资本动态
以色列增强现实显示技术公司 Lumus获3000万美元投资
以色列增强现实（AR）显示技术公司 Lumus 宣布，他们获得了来自包括 HTC、台湾地区的电子产品制造商广达电脑等公司的 3000 万美元投资。今年 6 月，Lumus 获得了1500 万美元的投资，投资方为盛大集团和中国浙江的水晶光电。拿到这 3000 万美元投资后，Lumus 的融资已经进行到位。Lumus 成立于 2000 年，当时 Lumus 研发出Light-guideOptical Element（LOE），帮助实现AR 显示。2010 年，Lumus 开始为美国空军制造战斗机飞行员头盔中的 AR 部件。历经 15 年的 AR 技术研发后，Lumus 今天终于向消费者和企业产品领域迈进了。
来源：大数据文摘
查看全部
【摘要】北京大数据产业投资基金正式发布，将进一步推进京津冀地区大数据发展；国家发改委：“互联网+”和大数据领域国家工程实验室拟确定承担单位名单公示；扎克伯格启用AI“管家”，最新最强大数据新闻，尽在本期D-News！
政府动态
北京大数据产业投资基金正式发布，将进一步推进京津冀地区大数据发展
由8个机构共同出资设立的“北京大数据产业投资基金”于近日在京正式发布。据了解，该基金由国富大数据资本管理中心管理，首期计划募集100亿元人民币。未来，该基金将通过支持大数据及相关领域的上市公司并购、股权投资等方式，重点支持大数据交易平台、数据资源、技术及行业应用等多个领域，从而进一步推动京津冀地区的大数据产业链整合发展。
国家发改委：“互联网+”和大数据领域国家工程实验室拟确定承担单位名单公示
根据《关于请组织申报“互联网+”领域创新能力建设专项的通知》和《关于请组织申报大数据领域创新能力建设专项的通知》，近期，国家发展改革委高技术司组织专家对有关单位申报的“互联网+”和大数据领域国家工程实验室项目进行了评审。根据《国家工程实验室管理办法（暂行）》，并按照上述通知有关支持原则和要求，经竞争择优，初步提出“互联网+”和大数据领域国家工程实验室拟确定承担单位名单。
白宫发布《人工智能、自动化和经济》报告
白宫发布了一份关于人工智能、自动化和经济的报告。报告中建议白宫在今年年底前发布一份关于人工智能对经济影响的报告。
业界巨头
学钢铁侠 扎克伯格启用AI“管家”
“脸书”创始人马克·扎克伯格开发出一款名叫“贾维斯”的人工智能程序,能管理其生活起居。控制家里的照明开关和温度、音乐、烤面包以及喂狗等。
谷歌医疗立足眼科，要用人工智能大数据破译糖网病难题
日前，谷歌方面发布公告称，公司旗下医疗团队将正式立足AI眼科，利用人工智能及大数据技术，攻克糖网病难关。说到糖网病，它是“糖尿病视网膜病变”的简称，即糖尿病引起的视网膜血管失调，严重者会引发双目失明。目前，谷歌已经针对该疾病提出了一种基于深度学习的算法，该算法可以在视网膜造影中对糖网病的迹象做出解释，帮助医生做出更专业的诊断。
资本动态
以色列增强现实显示技术公司 Lumus获3000万美元投资
以色列增强现实（AR）显示技术公司 Lumus 宣布，他们获得了来自包括 HTC、台湾地区的电子产品制造商广达电脑等公司的 3000 万美元投资。今年 6 月，Lumus 获得了1500 万美元的投资，投资方为盛大集团和中国浙江的水晶光电。拿到这 3000 万美元投资后，Lumus 的融资已经进行到位。Lumus 成立于 2000 年，当时 Lumus 研发出Light-guideOptical Element（LOE），帮助实现AR 显示。2010 年，Lumus 开始为美国空军制造战斗机飞行员头盔中的 AR 部件。历经 15 年的 AR 技术研发后，Lumus 今天终于向消费者和企业产品领域迈进了。
来源：大数据文摘
政府动态
北京大数据产业投资基金正式发布，将进一步推进京津冀地区大数据发展
由8个机构共同出资设立的“北京大数据产业投资基金”于近日在京正式发布。据了解，该基金由国富大数据资本管理中心管理，首期计划募集100亿元人民币。未来，该基金将通过支持大数据及相关领域的上市公司并购、股权投资等方式，重点支持大数据交易平台、数据资源、技术及行业应用等多个领域，从而进一步推动京津冀地区的大数据产业链整合发展。
国家发改委：“互联网+”和大数据领域国家工程实验室拟确定承担单位名单公示
根据《关于请组织申报“互联网+”领域创新能力建设专项的通知》和《关于请组织申报大数据领域创新能力建设专项的通知》，近期，国家发展改革委高技术司组织专家对有关单位申报的“互联网+”和大数据领域国家工程实验室项目进行了评审。根据《国家工程实验室管理办法（暂行）》，并按照上述通知有关支持原则和要求，经竞争择优，初步提出“互联网+”和大数据领域国家工程实验室拟确定承担单位名单。
白宫发布《人工智能、自动化和经济》报告
白宫发布了一份关于人工智能、自动化和经济的报告。报告中建议白宫在今年年底前发布一份关于人工智能对经济影响的报告。
业界巨头
学钢铁侠 扎克伯格启用AI“管家”
“脸书”创始人马克·扎克伯格开发出一款名叫“贾维斯”的人工智能程序,能管理其生活起居。控制家里的照明开关和温度、音乐、烤面包以及喂狗等。
谷歌医疗立足眼科，要用人工智能大数据破译糖网病难题
日前，谷歌方面发布公告称，公司旗下医疗团队将正式立足AI眼科，利用人工智能及大数据技术，攻克糖网病难关。说到糖网病，它是“糖尿病视网膜病变”的简称，即糖尿病引起的视网膜血管失调，严重者会引发双目失明。目前，谷歌已经针对该疾病提出了一种基于深度学习的算法，该算法可以在视网膜造影中对糖网病的迹象做出解释，帮助医生做出更专业的诊断。
资本动态
以色列增强现实显示技术公司 Lumus获3000万美元投资
以色列增强现实（AR）显示技术公司 Lumus 宣布，他们获得了来自包括 HTC、台湾地区的电子产品制造商广达电脑等公司的 3000 万美元投资。今年 6 月，Lumus 获得了1500 万美元的投资，投资方为盛大集团和中国浙江的水晶光电。拿到这 3000 万美元投资后，Lumus 的融资已经进行到位。Lumus 成立于 2000 年，当时 Lumus 研发出Light-guideOptical Element（LOE），帮助实现AR 显示。2010 年，Lumus 开始为美国空军制造战斗机飞行员头盔中的 AR 部件。历经 15 年的 AR 技术研发后，Lumus 今天终于向消费者和企业产品领域迈进了。
来源：大数据文摘
321 浏览
面临年关，各家机器人企业将会上演促销大戏
设计类 品管人生 2016-12-26 11:34 发表了文章
到年关，都是各大企业促销的旺季，方式各种各样。包括网店、实体店都会上演各种精彩大戏，看谁最高明。机器人企业也不例外。
近几年以来，传统的促销方式已经面临寒意，现在是大财团的天下，每逢面临佳节出手都是大手笔。
以当下形势而言，不管是经销商，还是机器人企业，通过个人的促销方式，已经很难聚集人气，因为浮在台面上的势力太庞大，不管是阿里巴巴、京东、苏宁，还是万达等等，都是财力惊人，搞一场活动出手都是大手笔，所以对于我们普通的企业而言，他们已经是主流的促销平台，掌握着买家资源，而我们机器人企业要做的就是加入他们的战局，为自己分一杯羹。
企业促销活动要看时机与消费者的习惯，特别是像圣诞节，很多家长会愿意给自己的孩子买礼物，这已经成为国内外消费者的一种习惯，针对这种习惯，各家企业已经在布局。
据1号机器人网记者所知，已经有不少机器人在布局年终促销大戏，包括城市漫步、极思维、阿U智能等等。
有些是个人促销活动，但有些是与财团一起搞促销。
面临年终促销布局，华强北的开街活动应该算是整个深圳最大范围的促销活动，以前流传一句口号，买手机就到华强北，华强北作为各大科技公司的主要战场，因为修建地铁封路三年，也因此算是失落的三年，如今地铁7、9、10号线，已陆续开通，整个华强北将要重新开业，所以是一系列的促销活动布局。
在华强北电子世界正面这条大道将会摆满各种各样的科技产品，为整个华强北全面开张做铺垫，时间从12月23日开始一直延续到2017年1月15日，这期间将会涉及到各种各样的活动，让消费者拭目以待。
也将会有众多机器人企业参与，目前据记者了解，城市漫步是全程参与的一家机器人企业，这半年来，城市漫步表现不俗，据了解城市漫步小E机器人售出已近1万台。
城市漫步总经理李正向记者表示，为了这场活动，城市漫步另外备货3000台小E机器人。
总之，面临年关，很多机器人企业正在寻找商机，而且都在布局，在接下来的一个月，将会让人目不转睛，令人期待。
来源： 释儒道 1号机器人网
更多内容请关注：www.imefuture.com
圣诞节太多小孩被机器人吸引
各种“地”—— 各种“GND”
智造家 查看全部
近几年以来，传统的促销方式已经面临寒意，现在是大财团的天下，每逢面临佳节出手都是大手笔。
以当下形势而言，不管是经销商，还是机器人企业，通过个人的促销方式，已经很难聚集人气，因为浮在台面上的势力太庞大，不管是阿里巴巴、京东、苏宁，还是万达等等，都是财力惊人，搞一场活动出手都是大手笔，所以对于我们普通的企业而言，他们已经是主流的促销平台，掌握着买家资源，而我们机器人企业要做的就是加入他们的战局，为自己分一杯羹。
企业促销活动要看时机与消费者的习惯，特别是像圣诞节，很多家长会愿意给自己的孩子买礼物，这已经成为国内外消费者的一种习惯，针对这种习惯，各家企业已经在布局。
据1号机器人网记者所知，已经有不少机器人在布局年终促销大戏，包括城市漫步、极思维、阿U智能等等。
有些是个人促销活动，但有些是与财团一起搞促销。
面临年终促销布局，华强北的开街活动应该算是整个深圳最大范围的促销活动，以前流传一句口号，买手机就到华强北，华强北作为各大科技公司的主要战场，因为修建地铁封路三年，也因此算是失落的三年，如今地铁7、9、10号线，已陆续开通，整个华强北将要重新开业，所以是一系列的促销活动布局。
在华强北电子世界正面这条大道将会摆满各种各样的科技产品，为整个华强北全面开张做铺垫，时间从12月23日开始一直延续到2017年1月15日，这期间将会涉及到各种各样的活动，让消费者拭目以待。
也将会有众多机器人企业参与，目前据记者了解，城市漫步是全程参与的一家机器人企业，这半年来，城市漫步表现不俗，据了解城市漫步小E机器人售出已近1万台。
城市漫步总经理李正向记者表示，为了这场活动，城市漫步另外备货3000台小E机器人。
总之，面临年关，很多机器人企业正在寻找商机，而且都在布局，在接下来的一个月，将会让人目不转睛，令人期待。
来源： 释儒道 1号机器人网
更多内容请关注：www.imefuture.com
圣诞节太多小孩被机器人吸引
各种“地”—— 各种“GND”
智造家 查看全部
到年关，都是各大企业促销的旺季，方式各种各样。包括网店、实体店都会上演各种精彩大戏，看谁最高明。机器人企业也不例外。
近几年以来，传统的促销方式已经面临寒意，现在是大财团的天下，每逢面临佳节出手都是大手笔。
以当下形势而言，不管是经销商，还是机器人企业，通过个人的促销方式，已经很难聚集人气，因为浮在台面上的势力太庞大，不管是阿里巴巴、京东、苏宁，还是万达等等，都是财力惊人，搞一场活动出手都是大手笔，所以对于我们普通的企业而言，他们已经是主流的促销平台，掌握着买家资源，而我们机器人企业要做的就是加入他们的战局，为自己分一杯羹。
企业促销活动要看时机与消费者的习惯，特别是像圣诞节，很多家长会愿意给自己的孩子买礼物，这已经成为国内外消费者的一种习惯，针对这种习惯，各家企业已经在布局。
据1号机器人网记者所知，已经有不少机器人在布局年终促销大戏，包括城市漫步、极思维、阿U智能等等。
有些是个人促销活动，但有些是与财团一起搞促销。
面临年终促销布局，华强北的开街活动应该算是整个深圳最大范围的促销活动，以前流传一句口号，买手机就到华强北，华强北作为各大科技公司的主要战场，因为修建地铁封路三年，也因此算是失落的三年，如今地铁7、9、10号线，已陆续开通，整个华强北将要重新开业，所以是一系列的促销活动布局。
在华强北电子世界正面这条大道将会摆满各种各样的科技产品，为整个华强北全面开张做铺垫，时间从12月23日开始一直延续到2017年1月15日，这期间将会涉及到各种各样的活动，让消费者拭目以待。
也将会有众多机器人企业参与，目前据记者了解，城市漫步是全程参与的一家机器人企业，这半年来，城市漫步表现不俗，据了解城市漫步小E机器人售出已近1万台。
城市漫步总经理李正向记者表示，为了这场活动，城市漫步另外备货3000台小E机器人。
总之，面临年关，很多机器人企业正在寻找商机，而且都在布局，在接下来的一个月，将会让人目不转睛，令人期待。
来源： 释儒道 1号机器人网
更多内容请关注：www.imefuture.com
圣诞节太多小孩被机器人吸引
各种“地”—— 各种“GND”
智造家
357 浏览
吴伯凡对话吴军、涂子沛：大数据是智能的母体
机械自动化类 集运物流 2016-11-21 14:44 发表了文章
智能能给普通人带来什么？语音识别什么时候才能真正实现？
摘要
2016年11月13日，第二届万物互联创新大会「创业下一潮水：大数据与智能时代」在杭州召开。“铿锵三人行”环节请到了硅谷风险投资人、《智能时代》的作者吴军博士，观数科技联合创始人、前阿里巴巴集团副总裁涂子沛先生，以及伯凡时间创始人吴伯凡先生，并针对大数据和人工智能相关话题进行了探讨。
大数据和人工智能的关系
吴伯凡：今年三场黑天鹅，AlphaGo取胜，英国脱欧，以及川普当选美国总统，这里都有一个很重要的问题，就是智能预测。第一个问题，大数据和人工智能到底有什么样的关联，区别显而易见，关联是什么？
吴军：这一次川普和希拉里竞选，希拉里是一个什么样的势态，传统营销能够想到的办法，砸钱、铺广告位，找意见领袖、代言人，就是好莱坞的，传统方法全用上了，但是不产生结果。为什么呢，很多程度上过去这种传播方式，一个单点到多点的传播出来以后，什么结果不知道，接下来该怎么调整，不知道。
今天大众每一个人都是制造思想想法的这么一些人。通过移动互联网，大家互相抱团，一个个小社区。有这么一些人，他们的思想很相近，这些意见在过去淹没在汪洋大海之中没有人知道。支持川普很多人就是这样的，在今天看来这是一群很奇怪的动物，千奇百怪的想法，在过去媒体时代根本体现不出来。
今天，到了大选前几天，在facebook上，这些大数据的体现，好像facebook已经能够感觉到味道不大对了，虽然传统媒体都清一色说希拉里能够当选。在社交媒体上好像反映出要变天了，从这个角度来看也不完全是“黑天鹅”。就像在座各位参与到了大数据时代，智能时代之中了。这是我的看法。
涂子沛：伯凡的问题是大数据和智能有什么关系，我们简单的说，直接回答就是大数据是智能的基础，大数据是智能的母体。我用了一句比较性感的话来说，大数据是智能的土壤。也可以简单的这么说，没有数据就根本不会有智能，所有的智能都是建立在数据的基础之上。
我要来看，过了互联网时代之后是大数据时代，智能时代其实还是大数据时代的一个组成部分，一个巅峰。刚刚谈到今年美国大选，我们在关注大洋彼岸的选举，大家有没有关注浙江发生的事情，5月份阿里淘宝上就看到了和希拉里，川普的各种宣传旗帜出货量，川普是希拉里的5倍。
义乌人民说川普的货不要定金都敢做，而希拉里不行，所以数据是什么。刚才我们说数据是目前预测未来最有效，最有力的工具，因为数据表述的是过去，记录是过去的事情，但是表达的是未来，它告诉我们未来，因为整个世界是有因果关系的。黑天鹅是怎么来的，美国是怎么解释，我觉得可以看义乌。
吴伯凡：涂总是数据的代言人，吴军老师是智能时代的代言人，你认为涂总说的数据是大脑，智能只不过是一个延伸，你同意这个观点吗？
吴军：我同意，机器获取智能的方式和人不一样，它很大程度上靠数据。关键的是，机器获得智能在哲学层面和人还是有很大差别，人是强调逻辑推理，很严格导出知识。而机器某种程度上来说是一步到位，因为有这个数据一步到位，通过相关性直接找出知识，它对我们的认知是挑战。
过去我们说要知其然，知其所以然，在计算机不是这样的，它知其然，不知所以然。你对这个结论用还是不用，信还是不用。举个例子，比如阿里的好多商品，包括亚马逊很多商品，它之间的关联，你根本说不出是什么原因的。但是你把这两个商品房在一起去卖，结果就是好，实际上这对过去人的认知也是一个蛮大的挑战，所以数据可以讲是机器智能的一个基础。
大数据的相关性与因果关系
吴伯凡：知其然，不知其所以然，万物都是有因果关系的，基本关于大数据的尝试，大数据是相关关系，不是因果关系，这个怎么解释？
涂子沛：吴军早上说到一个案例，沃森看病，沃森看疑难杂症比普通病还准确，为什么？我觉得这个问题在某个阶段可以去回答伯凡先生的问题，为什么这么讲呢，我其实还是相信因果性。相关性是没有因果的相关性，我们一定要验证这种相关性之后，才证明它是科学的。
比如伯凡说很多东西摆在一起，它们就是会卖得更好，它们有原因吗。啤酒和尿布是最经典的认知，开始沃尔玛也搞不清楚原因，啤酒和尿布摆在一起，双双销量都上升呢。它是有真实原因的，每一个最后有价值的相关性，它是有因果性的。如果没有价值的相关性，它背后这个因果性是不成立的。
吴伯凡：有时候我们做决策时没有必要追溯因果，来不及。
涂子沛：对，我一定程度上同意，从数据上看相关性，我们一分析，杭州啤酒销量和硅谷犯罪率是相关的。这在数据上完全可以出现的，那我们怎么去解释。
吴伯凡：这个问题很深刻，过去说的雄鸡一唱天下白。大公鸡每天一叫，天就亮了，人们就认为天亮是被它叫亮了，实际上没有因果关系。我们听见鸡叫了，一会天亮了，这个我们可以用。这个问题思辨，大数据与思辨。
涂子沛：我认为这个东西已经上升到哲学层面，因和果，我们永远说不清楚。说了果，前面有因。因又是另外一个事情的果，整个事件是错综复杂，上升到哲学层面。最终解决这个问题，一定程度上是数据解决了这个问题。
吴伯凡：最近大数据不像前几年那么火，最近谈人工智能比较多。但是大数据，大家已经往深处在挖掘。比如最近我看到好几篇文章在谈林彪与大数据的关系，说林彪是一个数据分析的高手。
涂子沛：我相信这个例子来自于我的书，我是中国最早讲这件事的人。其实延伸过去，军事战争对数据的应用是非常密集的。为什么？因为数据就是情报的载体，就是信息的载体，所以他要收集数据。
这个故事说什么呢，说林彪他有一个很好的习惯，什么习惯？他时刻兜里带一个小本子，他见到什么东西，有人报告什么东西，他就记下来。记下来干什么，他把所见所得变成数据，一到决策的时候他什么情况就知道了。
我们今天要看，刚刚说了无数据无智能，事实上还有一个东西，在管理学上来说无数据无决策。我们所有的决策事实上建立在情报收集基础上，今天的情报是什么，今天的情报就是数据，不是其它的东西。
智能能给普通人带来什么
吴伯凡：数据如果是一个情报的话，为我们提供了做决策的依据。但智能好像关心的还是数据，普通消费者关注的就是智能，智能无非让每个人都当上官，有秘书，有司机，吴老师怎么看待这个问题？
吴军：发展机器智能还要有医生，任何科技最终目的就是为了你的生活变得更好一点，这是终极目标。延年益寿，医疗，刚才很多人都讲到医疗，还有出行各方面要方便，要有人替你管理这些事。最好这个计算机足够聪明，把你的时间省下来，自己干一些喜欢的事，安排你日常活动的这些事，让他去干了。
以前最早是像林彪似的用一个小本子，用一个手册。然后就变成了你的日历，计算机上了。以后像日历，它可以管理得很好，涂老师、吴老师给我打一个电话，什么时候在这里搞活动，等等安排，我跟工作人员的邮件来往、微信来往，完完全全记下，严格来讲用科大讯飞理解语言的部分都记下来了。
久而久之，哪些活动，这么多活动，吴老师的活动，他做的内容和我写的有相似性，我可能会接受。或者涂老师刚才讲到数据和智能是相关的，所以他邀请的活动，我可能参加。另外有一个什么八竿子打不着的，根据以前习惯就拒绝了。它每天在整理决策优先级的时候，事先排好序了等等，就是很小的例子。
这些东西也是从数据到智能，这是我们生活的便利性。它知道我每天工作安排时，以后也不用我天天打电话给滴滴，或者易到用车，今天6点50在哪儿等我，这个时间是自动安排好了。到了6点50我该出门时，车已经准备好了，当然有无人驾驶。未来我们想象一个生活场景有极大的方便性，我们到时候能够腾出非常多的时间去思考问题，来发动人脑的特征。
语义识别什么时候能实现
吴伯凡：还有一个听话听音，察言观色。就像现在说的例子，野蛮女友和男朋友打电话，你要是到晚了，没有到，你就等着。我要是到了，你没有到，你就等着；我要是到了，你不等我，你就等着！这个智能可能就无法理解，吴老师你觉得什么时候能够实现？
吴军：刚才我看讯飞的，基本上没有挑出什么错误，这个还可以。理解，这里有两个难点。第一，本身绕口令，计算机比较容易解决这个问题。一个是它理解上下文这个意思，同样说一句话，我就表达一般的陈述，可能是个反意。那我得看前面是个什么场景，这是一个常识或者人生活的知识，这是计算机现在，我还看不到一个前景。我今天说十年，我说错了，十年后你也不会找我。大概在这么短的时间内，我觉得这个事还不能最好的解决。
最典型是在北京公共汽车上，你踩了一个北京40多岁的女同胞。踩了她一下脚，她会跟你说这么一句话，没硌着你的脚吧，她其实是怪你踩着她的脚了。第二，刚才讲的善解人意这件事，数据叠加之后会改进得非常快，包括航班今天晚了，发现哪儿有车祸，堵车了，让你今天早走半小时。甚至闹钟提前闹醒半小时，这个事做起来会是比较快。一般生活上的善解人意，这件事能够比较快，可能有个三到五年，生活助手应该能解决。
便利VS隐私
涂子沛：我补充两个案例，今天人工智能到底在做什么，今天人工智能在做一些重复性的工作，帮助人类从这些工作当中解脱出来。
我原来在美国的时候都用Gmail邮箱，有一次我的朋友在家里给我写了一封信，从中国来到美国，什么时候抵达。到了那个时刻我就准备开车出去接人，这时候我收到了Googleplay发出的信息，说这班航班晚点了，我当时就惊讶。Google在读这些邮件，读这些邮件之后给你提供个性化的服务，可能会牵涉到另外一个问题，伯凡会感兴趣，就是隐私。
如果你说要做到察言观色，就必须读懂你的每一句话，这就是问题。当时我接到这条短信的时候非常惊讶，但我认为这条短信非常有用，为什么？我正准备出门，你说有用没有用，那当然有用。我们的一个结论，我们今天享受这种人工智能的便利，事实上是让度了我的一份权力。
这是我们说的第一个案例，第二个案例就说到AlphaGo。AlphaGo确实是计算机打赢了人类，但是我很快看到网上有段子，有什么段子呢，他说那是下围棋，你打打麻将试试看，我抓一下头发，揪一下耳朵，那就有配合了，我们会察言观色，计算机不会。
技术的可能性和商业的可能性
吴军：触一下耳朵打麻将，也不是说做不到，因为你把视觉这些都加进去也能够做到，是成本的问题。之所以不做，商业上很多事不做是因为没利可图。像刚才涂老师讲的，提供一个航班晚点的信息，这个事以后你会更加相信我给你的推荐，它有一个商业逻辑在后面，这是比较好的。包括AlphaGo下棋这件事，是非常好的宣传。
如果哪天说打麻将，给你监测场景，你们大家如果觉得有用，它就会去做，你们大家要觉得没用就不会做。包括无人驾驶汽车也是，我们过去说眼观六路，耳听八方，过去好多事情发生了计算机监测不到。实际上它现在每秒钟各种传感器，几十种数据传进来，这个察言观色，像无人驾驶汽车出错率比人类还好一些。很大程度上做到做不到，看你砸多少钱了。
吴伯凡：这就是一个问题，技术的可能性和商业的可能性，成本的问题有没有人买单，厂商有没有利益的问题，很多技术实际上早就已经有了，但是它没有办法找到一个市场，所以就搁置了。刚才我看到前面一个演讲，一个词叫“部分辅助性智能”，可能我们下一步看到的无人驾驶汽车，就是那种老人车，货场和机场里固定场景，固定道路的，这种无人驾驶车率先会进入市场。那种高智能走盘山公路的车，可能到很晚才会出现。
吴军：无人驾驶要分六个阶段，第一是特斯拉，辅助驾驶，但还是人驾驶。第二个阶段，它驾驶，人监控。接下来有些分场景的，就是从小区到地铁站，每天只走这一条路，这个比较容易。再往后一个阶段，比如说你可以全市走，但最好晚上10点钟之后再上路。最后一个阶段，Google现在做的，没有条件限制，所以每个公司切入点不一样。特斯拉是切入第一个点，几个主要汽车厂，奔驰、宝马是切入第二个点。吴老师基本上切入三四个点，比如园区里、商场里，小区和地铁站之间的，各家目标也不太一样。
涂子沛：这是一个纬度，从技术本身来讲有这些发展阶段。但是我认为今年事实上是一个点，技术怎么去发展，怎么去提高，它最终市场结果就是大众接不接受，这是一个点。
今年AlphaGo战胜人类的围棋冠军就是一个转折点，这意味着越来越多的人接受智能。比如说吴军博士上午讲的例子，我认为也是很有借鉴意义的。他提了两个，第一，推荐。今天网站上很多东西，亚马逊上40%的销量是由于推荐，你不买这个东西，你没有说要买这个东西，我向你推荐最后成交了，40%的东西都是这么卖的，推荐。
他又讲了一个，沃森。我们要问的一个问题，计算机推荐一件衣服给你，你就买了，这不是问题。如果计算机推荐一个药给你，你就吃了，我认为这是一个问题。他上午说了三个数据，你的症状，你的历史，还有化验结果，有这三个数据提交给计算机，如果未来在手机上提交。手机告诉你该吃什么药物，你敢吃吗。如果你敢吃，我认为就是人工智能又一大跃升。
吴伯凡：秘书、司机、医生，医生是最难的。
吴军：还有第四个，可以给你推荐老婆。以色列做了婚配的工具，犹太人做的，他的推荐准确率特别高。不光是犹太人去用这个，美国很多白人也去用这个。他说人类找老婆有一个特大的误区，女的找男的也有一个特大的误区。比如他是一个60分的男性，他想象女神是95分的。95分女神都不会看他一眼，他最高目标就是70分的，能找着这个就不错了，当然他对20分的也不会看一眼。
他做了什么事呢？把每个人重新做了画像，他不让你看到所有人。比如你是一个60分的，他让你看到最好的就是70分。这个60分，70分不是说长相，是各方面综合评估。这个成功率非常高，而且回访以后，他们的日常生活满意程度还很高。因为他找一些内在价值，不是外在的。60分一定要找95分的，最后你有钱也能办到，但最终差异是很难弥补的。当最后说找老婆这个事也不是你自己筛选，不是你自己的意愿，是机器在给你做，这个很有意思。
机器会撒谎吗？
吴军：人有一些善意的撒谎，这个机器现在很难做到。
涂子沛：人类会撒谎，机器不会撒谎。图灵测试中存在这样的悖论，人会撒谎，到底能不能骗过他，这个图灵测试，吴老师你怎么看？
吴军：机器撒谎是很容易的，只是说你有什么顾虑，机器没有顾虑。AlphaGo赢李世石很容易，让它故意输棋不容易，故意设两个BUG，让它输棋是容易的。如果为了什么利益，为了赌博，中国的足球，要挣钱，要赌博，那就可以设计输棋了。但是善意的撒谎，这个是揣摩圣意，随便撒一个谎，今天天晴天阴，这个事很容易撒谎。
涂子沛：察言观色，人类有这种厉害之处，相比于机器。察言观色正是撒谎的基础，因为机器不会察言观色，它就不会撒谎。察言观色意味着你要去迎合，扭曲事实，机器不会。从这个角度上讲，我觉得未来人工智能世界还更靠谱一些。比人类管这个世界海更靠谱一些，因为机器不撒谎。
吴伯凡：人工智能的科幻电影里，一个丈夫车祸死了，可以根据他过往所有数据，用软件合成成一个真实的人，而且把这个女的对丈夫不好的评价知道以后，比如说他的脾气原来不太好。
涂子沛：这也是图灵测试，这个妻子最后能不能判断这个丈夫。
吴伯凡：越聊越多，人工智能，大数据，吴军老师说的第四点婚配，司机、秘书、医生，如果我们不当官，不有钱有势也能够拥有这三个，那对我们未来的的确确是一个福音，由此看来也的确是一个大产业，人人都拥有私人医生，拥有司机、秘书的时代。
寄语
吴军：这是一个非常有希望的时代，这是一个最好的时代，也是一个最坏的时代。因为好坏是看你站在哪个角度，你是否参与了，你参与进来，对你来说就是一个最好的时代。你如果拒绝这件事情，可能对你来讲未来是一个很坏的时代。
涂子沛：我们要更多适应和机器共存共生，越来越多的依赖于机器。但是这并不是代表我们去否认艺术，其实吴军开始演讲的PPT，我记得很清楚，一开始弹钢琴很好的人最后成为了人工智能的专家，我认为还是要在这当中找到一个平衡。大数据会给你很多建议，告诉你怎么找到自己的另外一半，什么样的人才适合你。但是如果没有你自己的体验，没有每一次约会的心跳，没有那种察言观色所带来的愉悦感，或者说恶作剧感，小小的使坏，我相信这个世界的吸引力也会大大的下降。人之所以为人，还是要善用数据，善用智能，它归根到底还是工具。本质上，我认为这个世界上最可爱的东西还是人，还是人性，不是机器，只是我们要适应它。
转自：大数据文摘 |bigdatadigest
智造家提供
查看全部
智能能给普通人带来什么？语音识别什么时候才能真正实现？
摘要
2016年11月13日，第二届万物互联创新大会「创业下一潮水：大数据与智能时代」在杭州召开。“铿锵三人行”环节请到了硅谷风险投资人、《智能时代》的作者吴军博士，观数科技联合创始人、前阿里巴巴集团副总裁涂子沛先生，以及伯凡时间创始人吴伯凡先生，并针对大数据和人工智能相关话题进行了探讨。
大数据和人工智能的关系
吴伯凡：今年三场黑天鹅，AlphaGo取胜，英国脱欧，以及川普当选美国总统，这里都有一个很重要的问题，就是智能预测。第一个问题，大数据和人工智能到底有什么样的关联，区别显而易见，关联是什么？
吴军：这一次川普和希拉里竞选，希拉里是一个什么样的势态，传统营销能够想到的办法，砸钱、铺广告位，找意见领袖、代言人，就是好莱坞的，传统方法全用上了，但是不产生结果。为什么呢，很多程度上过去这种传播方式，一个单点到多点的传播出来以后，什么结果不知道，接下来该怎么调整，不知道。
今天大众每一个人都是制造思想想法的这么一些人。通过移动互联网，大家互相抱团，一个个小社区。有这么一些人，他们的思想很相近，这些意见在过去淹没在汪洋大海之中没有人知道。支持川普很多人就是这样的，在今天看来这是一群很奇怪的动物，千奇百怪的想法，在过去媒体时代根本体现不出来。
今天，到了大选前几天，在facebook上，这些大数据的体现，好像facebook已经能够感觉到味道不大对了，虽然传统媒体都清一色说希拉里能够当选。在社交媒体上好像反映出要变天了，从这个角度来看也不完全是“黑天鹅”。就像在座各位参与到了大数据时代，智能时代之中了。这是我的看法。
涂子沛：伯凡的问题是大数据和智能有什么关系，我们简单的说，直接回答就是大数据是智能的基础，大数据是智能的母体。我用了一句比较性感的话来说，大数据是智能的土壤。也可以简单的这么说，没有数据就根本不会有智能，所有的智能都是建立在数据的基础之上。
我要来看，过了互联网时代之后是大数据时代，智能时代其实还是大数据时代的一个组成部分，一个巅峰。刚刚谈到今年美国大选，我们在关注大洋彼岸的选举，大家有没有关注浙江发生的事情，5月份阿里淘宝上就看到了和希拉里，川普的各种宣传旗帜出货量，川普是希拉里的5倍。
义乌人民说川普的货不要定金都敢做，而希拉里不行，所以数据是什么。刚才我们说数据是目前预测未来最有效，最有力的工具，因为数据表述的是过去，记录是过去的事情，但是表达的是未来，它告诉我们未来，因为整个世界是有因果关系的。黑天鹅是怎么来的，美国是怎么解释，我觉得可以看义乌。
吴伯凡：涂总是数据的代言人，吴军老师是智能时代的代言人，你认为涂总说的数据是大脑，智能只不过是一个延伸，你同意这个观点吗？
吴军：我同意，机器获取智能的方式和人不一样，它很大程度上靠数据。关键的是，机器获得智能在哲学层面和人还是有很大差别，人是强调逻辑推理，很严格导出知识。而机器某种程度上来说是一步到位，因为有这个数据一步到位，通过相关性直接找出知识，它对我们的认知是挑战。
过去我们说要知其然，知其所以然，在计算机不是这样的，它知其然，不知所以然。你对这个结论用还是不用，信还是不用。举个例子，比如阿里的好多商品，包括亚马逊很多商品，它之间的关联，你根本说不出是什么原因的。但是你把这两个商品房在一起去卖，结果就是好，实际上这对过去人的认知也是一个蛮大的挑战，所以数据可以讲是机器智能的一个基础。
大数据的相关性与因果关系
吴伯凡：知其然，不知其所以然，万物都是有因果关系的，基本关于大数据的尝试，大数据是相关关系，不是因果关系，这个怎么解释？
涂子沛：吴军早上说到一个案例，沃森看病，沃森看疑难杂症比普通病还准确，为什么？我觉得这个问题在某个阶段可以去回答伯凡先生的问题，为什么这么讲呢，我其实还是相信因果性。相关性是没有因果的相关性，我们一定要验证这种相关性之后，才证明它是科学的。
比如伯凡说很多东西摆在一起，它们就是会卖得更好，它们有原因吗。啤酒和尿布是最经典的认知，开始沃尔玛也搞不清楚原因，啤酒和尿布摆在一起，双双销量都上升呢。它是有真实原因的，每一个最后有价值的相关性，它是有因果性的。如果没有价值的相关性，它背后这个因果性是不成立的。
吴伯凡：有时候我们做决策时没有必要追溯因果，来不及。
涂子沛：对，我一定程度上同意，从数据上看相关性，我们一分析，杭州啤酒销量和硅谷犯罪率是相关的。这在数据上完全可以出现的，那我们怎么去解释。
吴伯凡：这个问题很深刻，过去说的雄鸡一唱天下白。大公鸡每天一叫，天就亮了，人们就认为天亮是被它叫亮了，实际上没有因果关系。我们听见鸡叫了，一会天亮了，这个我们可以用。这个问题思辨，大数据与思辨。
涂子沛：我认为这个东西已经上升到哲学层面，因和果，我们永远说不清楚。说了果，前面有因。因又是另外一个事情的果，整个事件是错综复杂，上升到哲学层面。最终解决这个问题，一定程度上是数据解决了这个问题。
吴伯凡：最近大数据不像前几年那么火，最近谈人工智能比较多。但是大数据，大家已经往深处在挖掘。比如最近我看到好几篇文章在谈林彪与大数据的关系，说林彪是一个数据分析的高手。
涂子沛：我相信这个例子来自于我的书，我是中国最早讲这件事的人。其实延伸过去，军事战争对数据的应用是非常密集的。为什么？因为数据就是情报的载体，就是信息的载体，所以他要收集数据。
这个故事说什么呢，说林彪他有一个很好的习惯，什么习惯？他时刻兜里带一个小本子，他见到什么东西，有人报告什么东西，他就记下来。记下来干什么，他把所见所得变成数据，一到决策的时候他什么情况就知道了。
我们今天要看，刚刚说了无数据无智能，事实上还有一个东西，在管理学上来说无数据无决策。我们所有的决策事实上建立在情报收集基础上，今天的情报是什么，今天的情报就是数据，不是其它的东西。
智能能给普通人带来什么
吴伯凡：数据如果是一个情报的话，为我们提供了做决策的依据。但智能好像关心的还是数据，普通消费者关注的就是智能，智能无非让每个人都当上官，有秘书，有司机，吴老师怎么看待这个问题？
吴军：发展机器智能还要有医生，任何科技最终目的就是为了你的生活变得更好一点，这是终极目标。延年益寿，医疗，刚才很多人都讲到医疗，还有出行各方面要方便，要有人替你管理这些事。最好这个计算机足够聪明，把你的时间省下来，自己干一些喜欢的事，安排你日常活动的这些事，让他去干了。
以前最早是像林彪似的用一个小本子，用一个手册。然后就变成了你的日历，计算机上了。以后像日历，它可以管理得很好，涂老师、吴老师给我打一个电话，什么时候在这里搞活动，等等安排，我跟工作人员的邮件来往、微信来往，完完全全记下，严格来讲用科大讯飞理解语言的部分都记下来了。
久而久之，哪些活动，这么多活动，吴老师的活动，他做的内容和我写的有相似性，我可能会接受。或者涂老师刚才讲到数据和智能是相关的，所以他邀请的活动，我可能参加。另外有一个什么八竿子打不着的，根据以前习惯就拒绝了。它每天在整理决策优先级的时候，事先排好序了等等，就是很小的例子。
这些东西也是从数据到智能，这是我们生活的便利性。它知道我每天工作安排时，以后也不用我天天打电话给滴滴，或者易到用车，今天6点50在哪儿等我，这个时间是自动安排好了。到了6点50我该出门时，车已经准备好了，当然有无人驾驶。未来我们想象一个生活场景有极大的方便性，我们到时候能够腾出非常多的时间去思考问题，来发动人脑的特征。
语义识别什么时候能实现
吴伯凡：还有一个听话听音，察言观色。就像现在说的例子，野蛮女友和男朋友打电话，你要是到晚了，没有到，你就等着。我要是到了，你没有到，你就等着；我要是到了，你不等我，你就等着！这个智能可能就无法理解，吴老师你觉得什么时候能够实现？
吴军：刚才我看讯飞的，基本上没有挑出什么错误，这个还可以。理解，这里有两个难点。第一，本身绕口令，计算机比较容易解决这个问题。一个是它理解上下文这个意思，同样说一句话，我就表达一般的陈述，可能是个反意。那我得看前面是个什么场景，这是一个常识或者人生活的知识，这是计算机现在，我还看不到一个前景。我今天说十年，我说错了，十年后你也不会找我。大概在这么短的时间内，我觉得这个事还不能最好的解决。
最典型是在北京公共汽车上，你踩了一个北京40多岁的女同胞。踩了她一下脚，她会跟你说这么一句话，没硌着你的脚吧，她其实是怪你踩着她的脚了。第二，刚才讲的善解人意这件事，数据叠加之后会改进得非常快，包括航班今天晚了，发现哪儿有车祸，堵车了，让你今天早走半小时。甚至闹钟提前闹醒半小时，这个事做起来会是比较快。一般生活上的善解人意，这件事能够比较快，可能有个三到五年，生活助手应该能解决。
便利VS隐私
涂子沛：我补充两个案例，今天人工智能到底在做什么，今天人工智能在做一些重复性的工作，帮助人类从这些工作当中解脱出来。
我原来在美国的时候都用Gmail邮箱，有一次我的朋友在家里给我写了一封信，从中国来到美国，什么时候抵达。到了那个时刻我就准备开车出去接人，这时候我收到了Googleplay发出的信息，说这班航班晚点了，我当时就惊讶。Google在读这些邮件，读这些邮件之后给你提供个性化的服务，可能会牵涉到另外一个问题，伯凡会感兴趣，就是隐私。
如果你说要做到察言观色，就必须读懂你的每一句话，这就是问题。当时我接到这条短信的时候非常惊讶，但我认为这条短信非常有用，为什么？我正准备出门，你说有用没有用，那当然有用。我们的一个结论，我们今天享受这种人工智能的便利，事实上是让度了我的一份权力。
这是我们说的第一个案例，第二个案例就说到AlphaGo。AlphaGo确实是计算机打赢了人类，但是我很快看到网上有段子，有什么段子呢，他说那是下围棋，你打打麻将试试看，我抓一下头发，揪一下耳朵，那就有配合了，我们会察言观色，计算机不会。
技术的可能性和商业的可能性
吴军：触一下耳朵打麻将，也不是说做不到，因为你把视觉这些都加进去也能够做到，是成本的问题。之所以不做，商业上很多事不做是因为没利可图。像刚才涂老师讲的，提供一个航班晚点的信息，这个事以后你会更加相信我给你的推荐，它有一个商业逻辑在后面，这是比较好的。包括AlphaGo下棋这件事，是非常好的宣传。
如果哪天说打麻将，给你监测场景，你们大家如果觉得有用，它就会去做，你们大家要觉得没用就不会做。包括无人驾驶汽车也是，我们过去说眼观六路，耳听八方，过去好多事情发生了计算机监测不到。实际上它现在每秒钟各种传感器，几十种数据传进来，这个察言观色，像无人驾驶汽车出错率比人类还好一些。很大程度上做到做不到，看你砸多少钱了。
吴伯凡：这就是一个问题，技术的可能性和商业的可能性，成本的问题有没有人买单，厂商有没有利益的问题，很多技术实际上早就已经有了，但是它没有办法找到一个市场，所以就搁置了。刚才我看到前面一个演讲，一个词叫“部分辅助性智能”，可能我们下一步看到的无人驾驶汽车，就是那种老人车，货场和机场里固定场景，固定道路的，这种无人驾驶车率先会进入市场。那种高智能走盘山公路的车，可能到很晚才会出现。
吴军：无人驾驶要分六个阶段，第一是特斯拉，辅助驾驶，但还是人驾驶。第二个阶段，它驾驶，人监控。接下来有些分场景的，就是从小区到地铁站，每天只走这一条路，这个比较容易。再往后一个阶段，比如说你可以全市走，但最好晚上10点钟之后再上路。最后一个阶段，Google现在做的，没有条件限制，所以每个公司切入点不一样。特斯拉是切入第一个点，几个主要汽车厂，奔驰、宝马是切入第二个点。吴老师基本上切入三四个点，比如园区里、商场里，小区和地铁站之间的，各家目标也不太一样。
涂子沛：这是一个纬度，从技术本身来讲有这些发展阶段。但是我认为今年事实上是一个点，技术怎么去发展，怎么去提高，它最终市场结果就是大众接不接受，这是一个点。
今年AlphaGo战胜人类的围棋冠军就是一个转折点，这意味着越来越多的人接受智能。比如说吴军博士上午讲的例子，我认为也是很有借鉴意义的。他提了两个，第一，推荐。今天网站上很多东西，亚马逊上40%的销量是由于推荐，你不买这个东西，你没有说要买这个东西，我向你推荐最后成交了，40%的东西都是这么卖的，推荐。
他又讲了一个，沃森。我们要问的一个问题，计算机推荐一件衣服给你，你就买了，这不是问题。如果计算机推荐一个药给你，你就吃了，我认为这是一个问题。他上午说了三个数据，你的症状，你的历史，还有化验结果，有这三个数据提交给计算机，如果未来在手机上提交。手机告诉你该吃什么药物，你敢吃吗。如果你敢吃，我认为就是人工智能又一大跃升。
吴伯凡：秘书、司机、医生，医生是最难的。
吴军：还有第四个，可以给你推荐老婆。以色列做了婚配的工具，犹太人做的，他的推荐准确率特别高。不光是犹太人去用这个，美国很多白人也去用这个。他说人类找老婆有一个特大的误区，女的找男的也有一个特大的误区。比如他是一个60分的男性，他想象女神是95分的。95分女神都不会看他一眼，他最高目标就是70分的，能找着这个就不错了，当然他对20分的也不会看一眼。
他做了什么事呢？把每个人重新做了画像，他不让你看到所有人。比如你是一个60分的，他让你看到最好的就是70分。这个60分，70分不是说长相，是各方面综合评估。这个成功率非常高，而且回访以后，他们的日常生活满意程度还很高。因为他找一些内在价值，不是外在的。60分一定要找95分的，最后你有钱也能办到，但最终差异是很难弥补的。当最后说找老婆这个事也不是你自己筛选，不是你自己的意愿，是机器在给你做，这个很有意思。
机器会撒谎吗？
吴军：人有一些善意的撒谎，这个机器现在很难做到。
涂子沛：人类会撒谎，机器不会撒谎。图灵测试中存在这样的悖论，人会撒谎，到底能不能骗过他，这个图灵测试，吴老师你怎么看？
吴军：机器撒谎是很容易的，只是说你有什么顾虑，机器没有顾虑。AlphaGo赢李世石很容易，让它故意输棋不容易，故意设两个BUG，让它输棋是容易的。如果为了什么利益，为了赌博，中国的足球，要挣钱，要赌博，那就可以设计输棋了。但是善意的撒谎，这个是揣摩圣意，随便撒一个谎，今天天晴天阴，这个事很容易撒谎。
涂子沛：察言观色，人类有这种厉害之处，相比于机器。察言观色正是撒谎的基础，因为机器不会察言观色，它就不会撒谎。察言观色意味着你要去迎合，扭曲事实，机器不会。从这个角度上讲，我觉得未来人工智能世界还更靠谱一些。比人类管这个世界海更靠谱一些，因为机器不撒谎。
吴伯凡：人工智能的科幻电影里，一个丈夫车祸死了，可以根据他过往所有数据，用软件合成成一个真实的人，而且把这个女的对丈夫不好的评价知道以后，比如说他的脾气原来不太好。
涂子沛：这也是图灵测试，这个妻子最后能不能判断这个丈夫。
吴伯凡：越聊越多，人工智能，大数据，吴军老师说的第四点婚配，司机、秘书、医生，如果我们不当官，不有钱有势也能够拥有这三个，那对我们未来的的确确是一个福音，由此看来也的确是一个大产业，人人都拥有私人医生，拥有司机、秘书的时代。
寄语
吴军：这是一个非常有希望的时代，这是一个最好的时代，也是一个最坏的时代。因为好坏是看你站在哪个角度，你是否参与了，你参与进来，对你来说就是一个最好的时代。你如果拒绝这件事情，可能对你来讲未来是一个很坏的时代。
涂子沛：我们要更多适应和机器共存共生，越来越多的依赖于机器。但是这并不是代表我们去否认艺术，其实吴军开始演讲的PPT，我记得很清楚，一开始弹钢琴很好的人最后成为了人工智能的专家，我认为还是要在这当中找到一个平衡。大数据会给你很多建议，告诉你怎么找到自己的另外一半，什么样的人才适合你。但是如果没有你自己的体验，没有每一次约会的心跳，没有那种察言观色所带来的愉悦感，或者说恶作剧感，小小的使坏，我相信这个世界的吸引力也会大大的下降。人之所以为人，还是要善用数据，善用智能，它归根到底还是工具。本质上，我认为这个世界上最可爱的东西还是人，还是人性，不是机器，只是我们要适应它。
转自：大数据文摘 |bigdatadigest
智造家提供
617 浏览
2016年欧洲计算机视觉大会纪要（ECCV’16 Recap）
设计类 集运物流 2016-11-08 13:00 发表了文章
计算机视觉（Computer Vision, CV）是人工智能领域的一个重要研究子领域。随着近年来 CV 学界研究成果在业界产生的巨大产业影响，计算机视觉受到越来越多的关注。机器之心曾整理报道过ECCV‘2016的各项最佳论文奖。本文为机器之心专栏作者魏秀参记录下的大会纪要。
同计算机其他研究领域一样，CV 依然有着较浓厚的「会议情节」，其中每年一届的 Computer Vision and Pattern Recognition (CVPR)、两年一届的 International Conference on Computer Vision (ICCV) 和同样两年一届的 European Conference on Computer Vision (ECCV) 并称 CV 领域的三大顶会，其中 ICCV 和 ECCV 奇偶年交替召开。
笔者有幸参加了 2016 年欧洲计算机视觉大会（ECCV 2016），在此将大会纪要同大家分享。
本次 ECCV 在素有「北方威尼斯」之称的荷兰迷幻浪漫都市阿姆斯特丹举办，会议历时九天（10 月 8 日至 10 月 16 日），可谓「饕餮盛宴」，其中主会从 11 日到 14 日持续四天，其余时间为 workshop 日程。值得一提的是，多媒体领域顶会 ACM Multimedia（ACM MM）于 15 日至 19 日接续 ECCV，同样在阿姆斯特丹举办，真是让人过足了 AI 瘾。此外，城市中不时弥漫开来的大麻气味无疑给这两大会徒添了一种别样的神秘气息。
ECCV 主会
本次 ECCV 主会在始建于 1887 年的皇家剧场 Carré举行，注册参会人数约 1700 人。有效投稿数为 1561 篇，共 74 位 Area Chairs 和 1163 位审稿人（Reviewers），录用论文 415 篇，录用比例 26.6％，其中 28 篇为 Oral（占 1.8%），45 篇为 Spotlight（2.9%）。收录论文的主题仍然延续传统，覆盖了计算机视觉和模式识别的各个方向，包括：
3D computer vision
Computational photography, sensing and displayFace and gestureLow-level vision and image processingMotion and trackingOptimization methodsPhysics-based vision, photometry and shape-from-XRecognition: detection, categorization, indexing, matchingSegmentation, grouping and shape representationStatistical methods and learningVideo: events, activities and surveillanceApplications
其中，深度学习（DL）、3D、视频相关等为热门方向。而审稿人方面，也是 DL、3D 等方向审稿人居多，特别是深度学习，异军突起。（PS：但是审稿人多并不一定是好事。由于不同研究背景的研究人员都进入 DL 领域，导致 DL 审稿人给出的审稿意见参差不齐，不同意见间的「方差」很大。）相比之下，审稿人最少的 Sensors 领域人数只是 DL 的七分之一。
主会日程基本半天一个单元，每个单元中前场分别是 Oral 和 Spotlight 报告，接下来则是 Poster 环节。有关 Oral、Spotlight 和 Poster paper 具体内容可参见 ECCV 2016 主页。
ECCV Workshops
本次依托 ECCV 举办的 workshop 共有 26 个，一些在当地酒店举办，一些在阿姆斯特丹大学举办。Workshop 中比较吸引人眼球的还属「Joint ImageNet and MS COCO Visual Recognition Challenge」了。这次 ImageNet 竞赛比较显著的一个特征即今年的获胜者基本是华人团队，如商汤（SenseTime）、海康威视（HIK Vision）、360 AI，公安部三所等。另外，比赛结果中并未见 Google、微软、百度等公司的身影。在此也祝贺在各项比赛细类中取得名次的队伍！
另外，笔者也有幸作为 team director 参加了 Apparent Personality Analysis 竞赛，历时两个多月，我们的参赛队（NJU-LAMDA）在 86 个参赛者，其中包括有印度「科学皇冠上的瑰宝」之称的 Indian Institutes of Technology（IIT）和荷兰名校 Radboud University 等劲旅中脱引而出，斩获第一。关于竞赛细节，可参看近期我们发布在「深度学习大讲堂」的竞赛经验分享。
晚宴和颁奖
由于阿姆斯特丹是运河城市且沿海，ECCV 晚宴特地选定在「Ocean Diva 号」游轮上举行。各国人工智能研究者济济一堂，好不热闹！只是「晚宴」并不如我们想象中的中式会议晚宴那么丰富甚至奢华，国外会议晚宴一般都是以啤酒、饮料穿插以小吃、汉堡为主。
晚宴的重要时刻即大会颁奖，本次的最佳论文及提名，和最佳学生论文均授予了传统计算机视觉研究问题，而非深度学习。一则可以看出深度学习相关研究目前难度日益加大，欲做出有突破性进展的工作不易；二则可以看出 CV 大佬有意扶持传统研究问题，维护 CV 生态平衡，不致 DL 一家独大。
另外，Koenderink Prize（ECCV「十年最佳论文」）授予了著名的 SURF: Speeded up robust features (ECCV 2006) (Herbert Bay, Tinne Tuytelaars and Luc Van Gool) 和 Machine learning for high-speed corner detection (ECCV 2006) (Edward Rosten and Tom Drummond)。值得一提的是，在宣布 SURF 获奖之际当即引来一片欢呼，可见其工作深入人心之甚。PAMI Everingham Prize（CV 领域的最佳贡献奖）分别授予了 ImageNet 数据集团队和 Ramin Zabih 以表彰其在开源数据集，和服务 Computer Vision Foundation 上的卓越贡献。
干货时间
开会数日，笔者有心记录了一些会议观察，在此与君共享。不过受个人研究兴趣影响，以上内容不免有所偏颇，望诸君选择性参考。
1. 这次会上大佬们如 Jitendra, Cordelia 在力推 self-supervised learning（基于 robot 反馈机制，例如，机械手臂戳一下物体，从 sensor 或视频中获得反馈，可以看作是用 robot 来探知世界吧），最近 arxiv 也有一篇类似的 https://arxiv.org/abs/1605.07157；另外，很多利用 side information，如利用声音辅助视觉，这样的工作在本次 ECCV 上也屡见不鲜；
2. 冠名弱监督学习（Weakly supervised learning）的工作非常多了，但是「弱监督」的内涵却是个圆其说，不像机器学习中有明确的定义；因此，以后基于弱监督设定的计算机视觉问题还应该有做的空间；
3. 底层视觉（Low-level vision）问题／任务极少，几乎没有，不像 ICCV 2015 还有若干篇的样子；而且一些工作开始用 DL 去做 low-level vision 的东西，比如 Ming-Hsuan Yang 在这次会上的两篇利用 DL 技术学习底层视觉中的滤波器（Filters）。
4. 传统细粒度图像相关工作几乎没有，只有一篇做细粒度图像任务的新问题，即细粒度场景图像分类（Fine-grained scene classification）；
5. 有两篇 image colorization 作为 oral paper，不知是否是巧合；
6. Question answering 这类问题相比 ICCV 少了很多，但隐式做 visual-text 的工作还是占了一定比例；
7. 下面几篇文章做的问题比较有趣：
a) Amodal instance segmentation, Ke Li and Jitendra Malik.（构造新数据集，做了新问题）
b) Automatic Attribute Discovery with Neural Activations, Sirion Vittayakorn, University of North Carolina at Chapel Hill; Takayuki Umeda, NTT; Kazuhiko Murasaki, NTT; Kyoko Sudo, NTT; Takayuki Okatani, Tohoku University; Kota Yamaguchi, Tohoku University
c) Pixel-Level Domain Transfer, Donggeun Yoo, KAIST; Namil Kim, KAIST; Sunggyun Park, KAIST; Anthony Paek, Lunit Inc.; In So Kweon, KAIST (根据衣服生成买家秀，或反过来，在真实场景下，从模特照片中生成产品照片)
最后，总结来说，这次参会最明显也是最微妙的一个感受就是，多数工作在开会前都没有看过。而不像前两年参加顶会时发现绝大多数文章已经是 arxiv 上读过很久的工作，甚至已经跑过源码，去开会也只是和作者当面聊聊天，甚至当时还有一种顶会更新速度落后于 arxiv 的感受。ECCV'16 这一现象恰恰说明深度学习研究的发展慢慢从当初的白炽化走向正常化，从着急忙慌的在 arxiv 上占坑走向踏踏实实的顶会发表。另外也从侧面显示了深度学习研究难度的提升，就拿 arxiv 举例，一年前几乎每天都能看到有令人 exciting 的文章更新出来，而近期不仅发布文章的数量有所下降，重要的是有趣的文章更是难得一见。这次会上也与众多老友把酒言欢，同时也认识了很多新朋友，期待下次的 CV 大趴，我们 CVPR'17 再见。
10 月 30 日于澳大利亚阿德莱德
（题图为笔者摄于 Zaandam 风车村）
作者简介：
魏秀参：南京大学计算机系机器学习与数据挖掘所（LAMDA）博士生，研究方向为计算机视觉和机器学习。曾在国际顶级期刊和会议发表多篇学术论文，并多次获得国际计算机视觉相关竞赛冠亚军，另撰写的「Must Know Tips/Tricks in Deep Neural Networks」受邀发布于国际知名数据挖掘论坛 KDnuggets 等. 微博 ID：Wilson_NJUer
来源：机器之心
智造家提供 查看全部
同计算机其他研究领域一样，CV 依然有着较浓厚的「会议情节」，其中每年一届的 Computer Vision and Pattern Recognition (CVPR)、两年一届的 International Conference on Computer Vision (ICCV) 和同样两年一届的 European Conference on Computer Vision (ECCV) 并称 CV 领域的三大顶会，其中 ICCV 和 ECCV 奇偶年交替召开。
笔者有幸参加了 2016 年欧洲计算机视觉大会（ECCV 2016），在此将大会纪要同大家分享。
本次 ECCV 在素有「北方威尼斯」之称的荷兰迷幻浪漫都市阿姆斯特丹举办，会议历时九天（10 月 8 日至 10 月 16 日），可谓「饕餮盛宴」，其中主会从 11 日到 14 日持续四天，其余时间为 workshop 日程。值得一提的是，多媒体领域顶会 ACM Multimedia（ACM MM）于 15 日至 19 日接续 ECCV，同样在阿姆斯特丹举办，真是让人过足了 AI 瘾。此外，城市中不时弥漫开来的大麻气味无疑给这两大会徒添了一种别样的神秘气息。
ECCV 主会
本次 ECCV 主会在始建于 1887 年的皇家剧场 Carré举行，注册参会人数约 1700 人。有效投稿数为 1561 篇，共 74 位 Area Chairs 和 1163 位审稿人（Reviewers），录用论文 415 篇，录用比例 26.6％，其中 28 篇为 Oral（占 1.8%），45 篇为 Spotlight（2.9%）。收录论文的主题仍然延续传统，覆盖了计算机视觉和模式识别的各个方向，包括：
3D computer vision
Computational photography, sensing and displayFace and gestureLow-level vision and image processingMotion and trackingOptimization methodsPhysics-based vision, photometry and shape-from-XRecognition: detection, categorization, indexing, matchingSegmentation, grouping and shape representationStatistical methods and learningVideo: events, activities and surveillanceApplications
其中，深度学习（DL）、3D、视频相关等为热门方向。而审稿人方面，也是 DL、3D 等方向审稿人居多，特别是深度学习，异军突起。（PS：但是审稿人多并不一定是好事。由于不同研究背景的研究人员都进入 DL 领域，导致 DL 审稿人给出的审稿意见参差不齐，不同意见间的「方差」很大。）相比之下，审稿人最少的 Sensors 领域人数只是 DL 的七分之一。
主会日程基本半天一个单元，每个单元中前场分别是 Oral 和 Spotlight 报告，接下来则是 Poster 环节。有关 Oral、Spotlight 和 Poster paper 具体内容可参见 ECCV 2016 主页。
ECCV Workshops
本次依托 ECCV 举办的 workshop 共有 26 个，一些在当地酒店举办，一些在阿姆斯特丹大学举办。Workshop 中比较吸引人眼球的还属「Joint ImageNet and MS COCO Visual Recognition Challenge」了。这次 ImageNet 竞赛比较显著的一个特征即今年的获胜者基本是华人团队，如商汤（SenseTime）、海康威视（HIK Vision）、360 AI，公安部三所等。另外，比赛结果中并未见 Google、微软、百度等公司的身影。在此也祝贺在各项比赛细类中取得名次的队伍！
另外，笔者也有幸作为 team director 参加了 Apparent Personality Analysis 竞赛，历时两个多月，我们的参赛队（NJU-LAMDA）在 86 个参赛者，其中包括有印度「科学皇冠上的瑰宝」之称的 Indian Institutes of Technology（IIT）和荷兰名校 Radboud University 等劲旅中脱引而出，斩获第一。关于竞赛细节，可参看近期我们发布在「深度学习大讲堂」的竞赛经验分享。
晚宴和颁奖
由于阿姆斯特丹是运河城市且沿海，ECCV 晚宴特地选定在「Ocean Diva 号」游轮上举行。各国人工智能研究者济济一堂，好不热闹！只是「晚宴」并不如我们想象中的中式会议晚宴那么丰富甚至奢华，国外会议晚宴一般都是以啤酒、饮料穿插以小吃、汉堡为主。
晚宴的重要时刻即大会颁奖，本次的最佳论文及提名，和最佳学生论文均授予了传统计算机视觉研究问题，而非深度学习。一则可以看出深度学习相关研究目前难度日益加大，欲做出有突破性进展的工作不易；二则可以看出 CV 大佬有意扶持传统研究问题，维护 CV 生态平衡，不致 DL 一家独大。
另外，Koenderink Prize（ECCV「十年最佳论文」）授予了著名的 SURF: Speeded up robust features (ECCV 2006) (Herbert Bay, Tinne Tuytelaars and Luc Van Gool) 和 Machine learning for high-speed corner detection (ECCV 2006) (Edward Rosten and Tom Drummond)。值得一提的是，在宣布 SURF 获奖之际当即引来一片欢呼，可见其工作深入人心之甚。PAMI Everingham Prize（CV 领域的最佳贡献奖）分别授予了 ImageNet 数据集团队和 Ramin Zabih 以表彰其在开源数据集，和服务 Computer Vision Foundation 上的卓越贡献。
干货时间
开会数日，笔者有心记录了一些会议观察，在此与君共享。不过受个人研究兴趣影响，以上内容不免有所偏颇，望诸君选择性参考。
1. 这次会上大佬们如 Jitendra, Cordelia 在力推 self-supervised learning（基于 robot 反馈机制，例如，机械手臂戳一下物体，从 sensor 或视频中获得反馈，可以看作是用 robot 来探知世界吧），最近 arxiv 也有一篇类似的 https://arxiv.org/abs/1605.07157；另外，很多利用 side information，如利用声音辅助视觉，这样的工作在本次 ECCV 上也屡见不鲜；
2. 冠名弱监督学习（Weakly supervised learning）的工作非常多了，但是「弱监督」的内涵却是个圆其说，不像机器学习中有明确的定义；因此，以后基于弱监督设定的计算机视觉问题还应该有做的空间；
3. 底层视觉（Low-level vision）问题／任务极少，几乎没有，不像 ICCV 2015 还有若干篇的样子；而且一些工作开始用 DL 去做 low-level vision 的东西，比如 Ming-Hsuan Yang 在这次会上的两篇利用 DL 技术学习底层视觉中的滤波器（Filters）。
4. 传统细粒度图像相关工作几乎没有，只有一篇做细粒度图像任务的新问题，即细粒度场景图像分类（Fine-grained scene classification）；
5. 有两篇 image colorization 作为 oral paper，不知是否是巧合；
6. Question answering 这类问题相比 ICCV 少了很多，但隐式做 visual-text 的工作还是占了一定比例；
7. 下面几篇文章做的问题比较有趣：
a) Amodal instance segmentation, Ke Li and Jitendra Malik.（构造新数据集，做了新问题）
b) Automatic Attribute Discovery with Neural Activations, Sirion Vittayakorn, University of North Carolina at Chapel Hill; Takayuki Umeda, NTT; Kazuhiko Murasaki, NTT; Kyoko Sudo, NTT; Takayuki Okatani, Tohoku University; Kota Yamaguchi, Tohoku University
c) Pixel-Level Domain Transfer, Donggeun Yoo, KAIST; Namil Kim, KAIST; Sunggyun Park, KAIST; Anthony Paek, Lunit Inc.; In So Kweon, KAIST (根据衣服生成买家秀，或反过来，在真实场景下，从模特照片中生成产品照片)
最后，总结来说，这次参会最明显也是最微妙的一个感受就是，多数工作在开会前都没有看过。而不像前两年参加顶会时发现绝大多数文章已经是 arxiv 上读过很久的工作，甚至已经跑过源码，去开会也只是和作者当面聊聊天，甚至当时还有一种顶会更新速度落后于 arxiv 的感受。ECCV'16 这一现象恰恰说明深度学习研究的发展慢慢从当初的白炽化走向正常化，从着急忙慌的在 arxiv 上占坑走向踏踏实实的顶会发表。另外也从侧面显示了深度学习研究难度的提升，就拿 arxiv 举例，一年前几乎每天都能看到有令人 exciting 的文章更新出来，而近期不仅发布文章的数量有所下降，重要的是有趣的文章更是难得一见。这次会上也与众多老友把酒言欢，同时也认识了很多新朋友，期待下次的 CV 大趴，我们 CVPR'17 再见。
10 月 30 日于澳大利亚阿德莱德
（题图为笔者摄于 Zaandam 风车村）
作者简介：
魏秀参：南京大学计算机系机器学习与数据挖掘所（LAMDA）博士生，研究方向为计算机视觉和机器学习。曾在国际顶级期刊和会议发表多篇学术论文，并多次获得国际计算机视觉相关竞赛冠亚军，另撰写的「Must Know Tips/Tricks in Deep Neural Networks」受邀发布于国际知名数据挖掘论坛 KDnuggets 等. 微博 ID：Wilson_NJUer
来源：机器之心
智造家提供 查看全部
计算机视觉（Computer Vision, CV）是人工智能领域的一个重要研究子领域。随着近年来 CV 学界研究成果在业界产生的巨大产业影响，计算机视觉受到越来越多的关注。机器之心曾整理报道过ECCV‘2016的各项最佳论文奖。本文为机器之心专栏作者魏秀参记录下的大会纪要。
同计算机其他研究领域一样，CV 依然有着较浓厚的「会议情节」，其中每年一届的 Computer Vision and Pattern Recognition (CVPR)、两年一届的 International Conference on Computer Vision (ICCV) 和同样两年一届的 European Conference on Computer Vision (ECCV) 并称 CV 领域的三大顶会，其中 ICCV 和 ECCV 奇偶年交替召开。
笔者有幸参加了 2016 年欧洲计算机视觉大会（ECCV 2016），在此将大会纪要同大家分享。
本次 ECCV 在素有「北方威尼斯」之称的荷兰迷幻浪漫都市阿姆斯特丹举办，会议历时九天（10 月 8 日至 10 月 16 日），可谓「饕餮盛宴」，其中主会从 11 日到 14 日持续四天，其余时间为 workshop 日程。值得一提的是，多媒体领域顶会 ACM Multimedia（ACM MM）于 15 日至 19 日接续 ECCV，同样在阿姆斯特丹举办，真是让人过足了 AI 瘾。此外，城市中不时弥漫开来的大麻气味无疑给这两大会徒添了一种别样的神秘气息。
ECCV 主会
本次 ECCV 主会在始建于 1887 年的皇家剧场 Carré举行，注册参会人数约 1700 人。有效投稿数为 1561 篇，共 74 位 Area Chairs 和 1163 位审稿人（Reviewers），录用论文 415 篇，录用比例 26.6％，其中 28 篇为 Oral（占 1.8%），45 篇为 Spotlight（2.9%）。收录论文的主题仍然延续传统，覆盖了计算机视觉和模式识别的各个方向，包括：
3D computer vision
其中，深度学习（DL）、3D、视频相关等为热门方向。而审稿人方面，也是 DL、3D 等方向审稿人居多，特别是深度学习，异军突起。（PS：但是审稿人多并不一定是好事。由于不同研究背景的研究人员都进入 DL 领域，导致 DL 审稿人给出的审稿意见参差不齐，不同意见间的「方差」很大。）相比之下，审稿人最少的 Sensors 领域人数只是 DL 的七分之一。
主会日程基本半天一个单元，每个单元中前场分别是 Oral 和 Spotlight 报告，接下来则是 Poster 环节。有关 Oral、Spotlight 和 Poster paper 具体内容可参见 ECCV 2016 主页。
ECCV Workshops
本次依托 ECCV 举办的 workshop 共有 26 个，一些在当地酒店举办，一些在阿姆斯特丹大学举办。Workshop 中比较吸引人眼球的还属「Joint ImageNet and MS COCO Visual Recognition Challenge」了。这次 ImageNet 竞赛比较显著的一个特征即今年的获胜者基本是华人团队，如商汤（SenseTime）、海康威视（HIK Vision）、360 AI，公安部三所等。另外，比赛结果中并未见 Google、微软、百度等公司的身影。在此也祝贺在各项比赛细类中取得名次的队伍！
另外，笔者也有幸作为 team director 参加了 Apparent Personality Analysis 竞赛，历时两个多月，我们的参赛队（NJU-LAMDA）在 86 个参赛者，其中包括有印度「科学皇冠上的瑰宝」之称的 Indian Institutes of Technology（IIT）和荷兰名校 Radboud University 等劲旅中脱引而出，斩获第一。关于竞赛细节，可参看近期我们发布在「深度学习大讲堂」的竞赛经验分享。
晚宴和颁奖
由于阿姆斯特丹是运河城市且沿海，ECCV 晚宴特地选定在「Ocean Diva 号」游轮上举行。各国人工智能研究者济济一堂，好不热闹！只是「晚宴」并不如我们想象中的中式会议晚宴那么丰富甚至奢华，国外会议晚宴一般都是以啤酒、饮料穿插以小吃、汉堡为主。
晚宴的重要时刻即大会颁奖，本次的最佳论文及提名，和最佳学生论文均授予了传统计算机视觉研究问题，而非深度学习。一则可以看出深度学习相关研究目前难度日益加大，欲做出有突破性进展的工作不易；二则可以看出 CV 大佬有意扶持传统研究问题，维护 CV 生态平衡，不致 DL 一家独大。
另外，Koenderink Prize（ECCV「十年最佳论文」）授予了著名的 SURF: Speeded up robust features (ECCV 2006) (Herbert Bay, Tinne Tuytelaars and Luc Van Gool) 和 Machine learning for high-speed corner detection (ECCV 2006) (Edward Rosten and Tom Drummond)。值得一提的是，在宣布 SURF 获奖之际当即引来一片欢呼，可见其工作深入人心之甚。PAMI Everingham Prize（CV 领域的最佳贡献奖）分别授予了 ImageNet 数据集团队和 Ramin Zabih 以表彰其在开源数据集，和服务 Computer Vision Foundation 上的卓越贡献。
干货时间
开会数日，笔者有心记录了一些会议观察，在此与君共享。不过受个人研究兴趣影响，以上内容不免有所偏颇，望诸君选择性参考。
1. 这次会上大佬们如 Jitendra, Cordelia 在力推 self-supervised learning（基于 robot 反馈机制，例如，机械手臂戳一下物体，从 sensor 或视频中获得反馈，可以看作是用 robot 来探知世界吧），最近 arxiv 也有一篇类似的 https://arxiv.org/abs/1605.07157；另外，很多利用 side information，如利用声音辅助视觉，这样的工作在本次 ECCV 上也屡见不鲜；
2. 冠名弱监督学习（Weakly supervised learning）的工作非常多了，但是「弱监督」的内涵却是个圆其说，不像机器学习中有明确的定义；因此，以后基于弱监督设定的计算机视觉问题还应该有做的空间；
3. 底层视觉（Low-level vision）问题／任务极少，几乎没有，不像 ICCV 2015 还有若干篇的样子；而且一些工作开始用 DL 去做 low-level vision 的东西，比如 Ming-Hsuan Yang 在这次会上的两篇利用 DL 技术学习底层视觉中的滤波器（Filters）。
4. 传统细粒度图像相关工作几乎没有，只有一篇做细粒度图像任务的新问题，即细粒度场景图像分类（Fine-grained scene classification）；
5. 有两篇 image colorization 作为 oral paper，不知是否是巧合；
6. Question answering 这类问题相比 ICCV 少了很多，但隐式做 visual-text 的工作还是占了一定比例；
7. 下面几篇文章做的问题比较有趣：
a) Amodal instance segmentation, Ke Li and Jitendra Malik.（构造新数据集，做了新问题）
b) Automatic Attribute Discovery with Neural Activations, Sirion Vittayakorn, University of North Carolina at Chapel Hill; Takayuki Umeda, NTT; Kazuhiko Murasaki, NTT; Kyoko Sudo, NTT; Takayuki Okatani, Tohoku University; Kota Yamaguchi, Tohoku University
c) Pixel-Level Domain Transfer, Donggeun Yoo, KAIST; Namil Kim, KAIST; Sunggyun Park, KAIST; Anthony Paek, Lunit Inc.; In So Kweon, KAIST (根据衣服生成买家秀，或反过来，在真实场景下，从模特照片中生成产品照片)
最后，总结来说，这次参会最明显也是最微妙的一个感受就是，多数工作在开会前都没有看过。而不像前两年参加顶会时发现绝大多数文章已经是 arxiv 上读过很久的工作，甚至已经跑过源码，去开会也只是和作者当面聊聊天，甚至当时还有一种顶会更新速度落后于 arxiv 的感受。ECCV'16 这一现象恰恰说明深度学习研究的发展慢慢从当初的白炽化走向正常化，从着急忙慌的在 arxiv 上占坑走向踏踏实实的顶会发表。另外也从侧面显示了深度学习研究难度的提升，就拿 arxiv 举例，一年前几乎每天都能看到有令人 exciting 的文章更新出来，而近期不仅发布文章的数量有所下降，重要的是有趣的文章更是难得一见。这次会上也与众多老友把酒言欢，同时也认识了很多新朋友，期待下次的 CV 大趴，我们 CVPR'17 再见。
10 月 30 日于澳大利亚阿德莱德
（题图为笔者摄于 Zaandam 风车村）
作者简介：
魏秀参：南京大学计算机系机器学习与数据挖掘所（LAMDA）博士生，研究方向为计算机视觉和机器学习。曾在国际顶级期刊和会议发表多篇学术论文，并多次获得国际计算机视觉相关竞赛冠亚军，另撰写的「Must Know Tips/Tricks in Deep Neural Networks」受邀发布于国际知名数据挖掘论坛 KDnuggets 等. 微博 ID：Wilson_NJUer
来源：机器之心
智造家提供
同计算机其他研究领域一样，CV 依然有着较浓厚的「会议情节」，其中每年一届的 Computer Vision and Pattern Recognition (CVPR)、两年一届的 International Conference on Computer Vision (ICCV) 和同样两年一届的 European Conference on Computer Vision (ECCV) 并称 CV 领域的三大顶会，其中 ICCV 和 ECCV 奇偶年交替召开。
笔者有幸参加了 2016 年欧洲计算机视觉大会（ECCV 2016），在此将大会纪要同大家分享。
本次 ECCV 在素有「北方威尼斯」之称的荷兰迷幻浪漫都市阿姆斯特丹举办，会议历时九天（10 月 8 日至 10 月 16 日），可谓「饕餮盛宴」，其中主会从 11 日到 14 日持续四天，其余时间为 workshop 日程。值得一提的是，多媒体领域顶会 ACM Multimedia（ACM MM）于 15 日至 19 日接续 ECCV，同样在阿姆斯特丹举办，真是让人过足了 AI 瘾。此外，城市中不时弥漫开来的大麻气味无疑给这两大会徒添了一种别样的神秘气息。
ECCV 主会
本次 ECCV 主会在始建于 1887 年的皇家剧场 Carré举行，注册参会人数约 1700 人。有效投稿数为 1561 篇，共 74 位 Area Chairs 和 1163 位审稿人（Reviewers），录用论文 415 篇，录用比例 26.6％，其中 28 篇为 Oral（占 1.8%），45 篇为 Spotlight（2.9%）。收录论文的主题仍然延续传统，覆盖了计算机视觉和模式识别的各个方向，包括：
3D computer vision
- Computational photography, sensing and display
- Face and gesture
- Low-level vision and image processing
- Motion and tracking
- Optimization methods
- Physics-based vision, photometry and shape-from-X
- Recognition: detection, categorization, indexing, matching
- Segmentation, grouping and shape representation
- Statistical methods and learning
- Video: events, activities and surveillance
- Applications
其中，深度学习（DL）、3D、视频相关等为热门方向。而审稿人方面，也是 DL、3D 等方向审稿人居多，特别是深度学习，异军突起。（PS：但是审稿人多并不一定是好事。由于不同研究背景的研究人员都进入 DL 领域，导致 DL 审稿人给出的审稿意见参差不齐，不同意见间的「方差」很大。）相比之下，审稿人最少的 Sensors 领域人数只是 DL 的七分之一。
主会日程基本半天一个单元，每个单元中前场分别是 Oral 和 Spotlight 报告，接下来则是 Poster 环节。有关 Oral、Spotlight 和 Poster paper 具体内容可参见 ECCV 2016 主页。
ECCV Workshops
本次依托 ECCV 举办的 workshop 共有 26 个，一些在当地酒店举办，一些在阿姆斯特丹大学举办。Workshop 中比较吸引人眼球的还属「Joint ImageNet and MS COCO Visual Recognition Challenge」了。这次 ImageNet 竞赛比较显著的一个特征即今年的获胜者基本是华人团队，如商汤（SenseTime）、海康威视（HIK Vision）、360 AI，公安部三所等。另外，比赛结果中并未见 Google、微软、百度等公司的身影。在此也祝贺在各项比赛细类中取得名次的队伍！
另外，笔者也有幸作为 team director 参加了 Apparent Personality Analysis 竞赛，历时两个多月，我们的参赛队（NJU-LAMDA）在 86 个参赛者，其中包括有印度「科学皇冠上的瑰宝」之称的 Indian Institutes of Technology（IIT）和荷兰名校 Radboud University 等劲旅中脱引而出，斩获第一。关于竞赛细节，可参看近期我们发布在「深度学习大讲堂」的竞赛经验分享。
晚宴和颁奖
由于阿姆斯特丹是运河城市且沿海，ECCV 晚宴特地选定在「Ocean Diva 号」游轮上举行。各国人工智能研究者济济一堂，好不热闹！只是「晚宴」并不如我们想象中的中式会议晚宴那么丰富甚至奢华，国外会议晚宴一般都是以啤酒、饮料穿插以小吃、汉堡为主。
晚宴的重要时刻即大会颁奖，本次的最佳论文及提名，和最佳学生论文均授予了传统计算机视觉研究问题，而非深度学习。一则可以看出深度学习相关研究目前难度日益加大，欲做出有突破性进展的工作不易；二则可以看出 CV 大佬有意扶持传统研究问题，维护 CV 生态平衡，不致 DL 一家独大。
另外，Koenderink Prize（ECCV「十年最佳论文」）授予了著名的 SURF: Speeded up robust features (ECCV 2006) (Herbert Bay, Tinne Tuytelaars and Luc Van Gool) 和 Machine learning for high-speed corner detection (ECCV 2006) (Edward Rosten and Tom Drummond)。值得一提的是，在宣布 SURF 获奖之际当即引来一片欢呼，可见其工作深入人心之甚。PAMI Everingham Prize（CV 领域的最佳贡献奖）分别授予了 ImageNet 数据集团队和 Ramin Zabih 以表彰其在开源数据集，和服务 Computer Vision Foundation 上的卓越贡献。
干货时间
开会数日，笔者有心记录了一些会议观察，在此与君共享。不过受个人研究兴趣影响，以上内容不免有所偏颇，望诸君选择性参考。
1. 这次会上大佬们如 Jitendra, Cordelia 在力推 self-supervised learning（基于 robot 反馈机制，例如，机械手臂戳一下物体，从 sensor 或视频中获得反馈，可以看作是用 robot 来探知世界吧），最近 arxiv 也有一篇类似的 https://arxiv.org/abs/1605.07157；另外，很多利用 side information，如利用声音辅助视觉，这样的工作在本次 ECCV 上也屡见不鲜；
2. 冠名弱监督学习（Weakly supervised learning）的工作非常多了，但是「弱监督」的内涵却是个圆其说，不像机器学习中有明确的定义；因此，以后基于弱监督设定的计算机视觉问题还应该有做的空间；
3. 底层视觉（Low-level vision）问题／任务极少，几乎没有，不像 ICCV 2015 还有若干篇的样子；而且一些工作开始用 DL 去做 low-level vision 的东西，比如 Ming-Hsuan Yang 在这次会上的两篇利用 DL 技术学习底层视觉中的滤波器（Filters）。
4. 传统细粒度图像相关工作几乎没有，只有一篇做细粒度图像任务的新问题，即细粒度场景图像分类（Fine-grained scene classification）；
5. 有两篇 image colorization 作为 oral paper，不知是否是巧合；
6. Question answering 这类问题相比 ICCV 少了很多，但隐式做 visual-text 的工作还是占了一定比例；
7. 下面几篇文章做的问题比较有趣：
a) Amodal instance segmentation, Ke Li and Jitendra Malik.（构造新数据集，做了新问题）
b) Automatic Attribute Discovery with Neural Activations, Sirion Vittayakorn, University of North Carolina at Chapel Hill; Takayuki Umeda, NTT; Kazuhiko Murasaki, NTT; Kyoko Sudo, NTT; Takayuki Okatani, Tohoku University; Kota Yamaguchi, Tohoku University
c) Pixel-Level Domain Transfer, Donggeun Yoo, KAIST; Namil Kim, KAIST; Sunggyun Park, KAIST; Anthony Paek, Lunit Inc.; In So Kweon, KAIST (根据衣服生成买家秀，或反过来，在真实场景下，从模特照片中生成产品照片)
最后，总结来说，这次参会最明显也是最微妙的一个感受就是，多数工作在开会前都没有看过。而不像前两年参加顶会时发现绝大多数文章已经是 arxiv 上读过很久的工作，甚至已经跑过源码，去开会也只是和作者当面聊聊天，甚至当时还有一种顶会更新速度落后于 arxiv 的感受。ECCV'16 这一现象恰恰说明深度学习研究的发展慢慢从当初的白炽化走向正常化，从着急忙慌的在 arxiv 上占坑走向踏踏实实的顶会发表。另外也从侧面显示了深度学习研究难度的提升，就拿 arxiv 举例，一年前几乎每天都能看到有令人 exciting 的文章更新出来，而近期不仅发布文章的数量有所下降，重要的是有趣的文章更是难得一见。这次会上也与众多老友把酒言欢，同时也认识了很多新朋友，期待下次的 CV 大趴，我们 CVPR'17 再见。
10 月 30 日于澳大利亚阿德莱德
（题图为笔者摄于 Zaandam 风车村）
作者简介：
魏秀参：南京大学计算机系机器学习与数据挖掘所（LAMDA）博士生，研究方向为计算机视觉和机器学习。曾在国际顶级期刊和会议发表多篇学术论文，并多次获得国际计算机视觉相关竞赛冠亚军，另撰写的「Must Know Tips/Tricks in Deep Neural Networks」受邀发布于国际知名数据挖掘论坛 KDnuggets 等. 微博 ID：Wilson_NJUer
来源：机器之心
智造家提供
392 浏览
江森自控扩大在华AGM电池产能
机械自动化类 机械设计 2016-11-02 16:24 发表了文章
全球车用电池领导者Johnson Controls (江森自控)宣布扩大在华AGM电池产能，以应对中国日益强烈的市场需求。
这家美资汽车零部件巨头近期宣布其在浙江长兴工厂的AGM电池新线进入批量生产状态。长兴工厂现有产能为每年300万台AGM电池；藉此全新产线， AGM 电池的产量将比去年翻了一倍还多。同时，该厂的各种型号电池的总产能猛增至1000万每年。扩产事宜目前正紧张有序地开展，预计将于2017年完成。据悉，江森自控计划在未来5年内总计投资7.8亿美金来扩充起-停专业电池的全球产能。
江森自控动力系统解决方案中国区副总裁兼总经理Kenneth Yeng表示：“随着起停系统的广泛使用，我们认为AGM电池的需求在全球范围内特别是中国变得越来越旺盛！到2020年，预计中国每年将有1500万辆新车配备起-停功能，增幅高达50%。我们提前布局产能扩充事宜并严格按照我们的全球通用制造标准为客户提供高性能与高质量的AGM电池。”
据预测，从2016年到2020年，北美、欧洲和中国的起停汽车销量将从2500万辆增长到6500万辆。在不断提升燃油经济性与日益严格的排放法规的驱使下，仅中国市场的起停销量增幅就将高达50%。起停技术将为每辆汽车节省5%的燃油消耗，并且可以在不做大的改动的情况下，很容易地集成在传统的内燃机动力汽车上。而对于起停系统来说，AGM电池因能持续提供频繁起动所需的电能而被视为“理想的”储能装置。从而达到提升燃油经济性与降低排放的效果。
江森自控成立于1885年，从发明电热室内恒温装置开始，逐渐成长为多元化、跨行业的全球工业技术领导者。其客户与业务遍及150个国家，拥有11.7万名员工。旗下业务主要包括智能楼宇管理系统、高效能源解决方案、集成式基础设施及下一代交通系统。
Johnson Controls能源解决方案事业部是全球领先的汽车电池解决方案提供者，每年向主机厂和售后市场交付约1.46亿套电池系统。包括全系铅酸电池及锂电池系统，应用于传统车辆启动、起停系统、微混系统、混合动力及纯电力驱动。此外，为了保护环境，江森自控还拟定了电池回收系统，以帮助客户在全球范围内的电池进行回收利用。目前该事业部在全球拥有50个工厂或研发中心，15000名员工从事开发、生产、供货以及回收。
来源：汽车制造中文版公众号
智造家提供 查看全部
这家美资汽车零部件巨头近期宣布其在浙江长兴工厂的AGM电池新线进入批量生产状态。长兴工厂现有产能为每年300万台AGM电池；藉此全新产线， AGM 电池的产量将比去年翻了一倍还多。同时，该厂的各种型号电池的总产能猛增至1000万每年。扩产事宜目前正紧张有序地开展，预计将于2017年完成。据悉，江森自控计划在未来5年内总计投资7.8亿美金来扩充起-停专业电池的全球产能。
江森自控动力系统解决方案中国区副总裁兼总经理Kenneth Yeng表示：“随着起停系统的广泛使用，我们认为AGM电池的需求在全球范围内特别是中国变得越来越旺盛！到2020年，预计中国每年将有1500万辆新车配备起-停功能，增幅高达50%。我们提前布局产能扩充事宜并严格按照我们的全球通用制造标准为客户提供高性能与高质量的AGM电池。”
据预测，从2016年到2020年，北美、欧洲和中国的起停汽车销量将从2500万辆增长到6500万辆。在不断提升燃油经济性与日益严格的排放法规的驱使下，仅中国市场的起停销量增幅就将高达50%。起停技术将为每辆汽车节省5%的燃油消耗，并且可以在不做大的改动的情况下，很容易地集成在传统的内燃机动力汽车上。而对于起停系统来说，AGM电池因能持续提供频繁起动所需的电能而被视为“理想的”储能装置。从而达到提升燃油经济性与降低排放的效果。
江森自控成立于1885年，从发明电热室内恒温装置开始，逐渐成长为多元化、跨行业的全球工业技术领导者。其客户与业务遍及150个国家，拥有11.7万名员工。旗下业务主要包括智能楼宇管理系统、高效能源解决方案、集成式基础设施及下一代交通系统。
Johnson Controls能源解决方案事业部是全球领先的汽车电池解决方案提供者，每年向主机厂和售后市场交付约1.46亿套电池系统。包括全系铅酸电池及锂电池系统，应用于传统车辆启动、起停系统、微混系统、混合动力及纯电力驱动。此外，为了保护环境，江森自控还拟定了电池回收系统，以帮助客户在全球范围内的电池进行回收利用。目前该事业部在全球拥有50个工厂或研发中心，15000名员工从事开发、生产、供货以及回收。
来源：汽车制造中文版公众号
智造家提供 查看全部
全球车用电池领导者Johnson Controls (江森自控)宣布扩大在华AGM电池产能，以应对中国日益强烈的市场需求。
这家美资汽车零部件巨头近期宣布其在浙江长兴工厂的AGM电池新线进入批量生产状态。长兴工厂现有产能为每年300万台AGM电池；藉此全新产线， AGM 电池的产量将比去年翻了一倍还多。同时，该厂的各种型号电池的总产能猛增至1000万每年。扩产事宜目前正紧张有序地开展，预计将于2017年完成。据悉，江森自控计划在未来5年内总计投资7.8亿美金来扩充起-停专业电池的全球产能。
江森自控动力系统解决方案中国区副总裁兼总经理Kenneth Yeng表示：“随着起停系统的广泛使用，我们认为AGM电池的需求在全球范围内特别是中国变得越来越旺盛！到2020年，预计中国每年将有1500万辆新车配备起-停功能，增幅高达50%。我们提前布局产能扩充事宜并严格按照我们的全球通用制造标准为客户提供高性能与高质量的AGM电池。”
据预测，从2016年到2020年，北美、欧洲和中国的起停汽车销量将从2500万辆增长到6500万辆。在不断提升燃油经济性与日益严格的排放法规的驱使下，仅中国市场的起停销量增幅就将高达50%。起停技术将为每辆汽车节省5%的燃油消耗，并且可以在不做大的改动的情况下，很容易地集成在传统的内燃机动力汽车上。而对于起停系统来说，AGM电池因能持续提供频繁起动所需的电能而被视为“理想的”储能装置。从而达到提升燃油经济性与降低排放的效果。
江森自控成立于1885年，从发明电热室内恒温装置开始，逐渐成长为多元化、跨行业的全球工业技术领导者。其客户与业务遍及150个国家，拥有11.7万名员工。旗下业务主要包括智能楼宇管理系统、高效能源解决方案、集成式基础设施及下一代交通系统。
Johnson Controls能源解决方案事业部是全球领先的汽车电池解决方案提供者，每年向主机厂和售后市场交付约1.46亿套电池系统。包括全系铅酸电池及锂电池系统，应用于传统车辆启动、起停系统、微混系统、混合动力及纯电力驱动。此外，为了保护环境，江森自控还拟定了电池回收系统，以帮助客户在全球范围内的电池进行回收利用。目前该事业部在全球拥有50个工厂或研发中心，15000名员工从事开发、生产、供货以及回收。
来源：汽车制造中文版公众号
智造家提供
426 浏览
杨学山：智能化激发新技术与新业态
机械自动化类 国产女汉子 2017-03-22 17:10 发表了文章
杨学山：新技术与新业态
2017年3月18-19日，由CIO时代学院、珠海市CIO协会联合主办，中国新一代IT产业推进联盟指导，CIO时代APP承办，转型家、广东省CIO协会、大华南IT高管共赢圈、中山CIO协会、江门市CIO协会（筹）协办的“2017CIO时代中国行珠海站暨2017年珠海CIO协会春季高峰论坛”活动在珠海隆重举行。北京大学兼职教授、原工业和信息化部副部长杨学山在活动中发表了题为《新技术与新业态》的主题演讲，以下为演讲实录：
北京大学兼职教授、工业和信息化部原副部长 杨学山
各位来宾、CIO同仁、新老朋友，大家上午好。十分高兴来到珠海，我今天演讲的题目是大会的主题《新技术与新业态》。
先讲讲技术发展的主要趋势和对产业的主要影响。新技术发展有很多影响，先从五个方面简单展开，首先讲智能技术和智能化；第二是数字技术和数字化；第三是平台技术和平台化；第四是综合看上面三个，融合开启新时代；第五是如何看待新世界的大门打开以后，我们会看到什么样的白天鹅、黑天鹅。
一、智能技术和智能化。
智能技术是综合的技术，严格讲智能技术不能与数字技术融合，因为我们主要讲人工智能。所谓的人工智能，是原来人做的事情能够有机器做，智能技术是将原来人做的事情变成机器或系统做。当机器、系统做的时候，智能系统一定不等于数字系统。工业机器人哪个针对数字信息技术？所以它们不是一体的。由于时间关系，对于智能技术我确实不能详细展开，大体讲三类：
1.理论和基本的模型算法，或通用的模型算法
工业革命以来，当一个重大变化发生时，结果发现技术背后是没有理论的。今天我们在讲智能、人工智能时，它背后是没有理论的，所以我们必须探索和研究理论是什么。智能有很多具体的模型算法来支撑，其中我们要提炼一部分，这部分是通用的，对未来发展有着重大作用，所以我将理论与这个东西归成一类。
2.各个环节的应用
智能技术在各个环节的应用可以极其简单，也可以极其复杂。例如，大家坐在椅子上，今天的椅子上没有任何智能，但是我给它三个东西。第一，感知，即有人坐下去（压力感知），如今汽车上都有这样的功能，副驾有人坐上去要系好安全带；第二，加一个计时器，你坐了多长时间；第三，再给它一点点知识，即常坐这个椅子的人的习惯。加了这三个东西后，你坐了一段时间，它会改变你的坐姿，你起来活动一下，那么这个椅子是否变成智能了呢？这三个东西在今天一点也不复杂，但有些很复杂。讲智能制造时，尤其是复杂制造，这样的车间变成智能化是十分复杂的。我可以十分坦率的讲，比RF复杂很多，因为这个车间里所有人的思考、决策人的行动变成机器和系统做，这是一个十分复杂的过程。当然还有很多，我们今天还有很多未知需要探索，如果智能把这样的未知从人来探索变成机器探索，那是相当复杂的。各个领域的应用，机器从极其简单变成极其复杂，即从今天谁想到就能做到，变成想到全世界也很难做到。
3.在各个环节都用时，需要有一些工具支持
我刚才讲了车间，这个车间有一些是通用的，比如把一个物件搬到工作单元。尽管它在车间不同地方，行走路线、重量不同，但它通用。平时，我们将一个人参与的管理流程变成数字化，这样就需要工具来支撑，我们有一组工具支持。因此，智能技术可以分为这三大类。
智能化是从人做的事情逐步由机器和系统取代，这一点在过去几年已经发生，在未来几年将加速发生。加速发生有两个重要的原因：
一是技术推动。即使今天有人做的环节由机器、系统做十分简单，或不很复杂，这样的例子到处都有。在制造业中，在机器进行换人很多系统都能做。我多次讲过一个例子，常州一个小企业，五六亿的营业额，从软件到设备都是做的，全部由人工生产线变成自动化的生产线，由于是自己开发，所以成本很低，一点也不复杂。从人工车间变成全自动化车间都是自己做的，两年时间，几十个人，两年时间所有成本都能回收。如果用心，很多企业都能做，如果没心，你请一个企业帮你做，不仅是时间问题，成本你根本接受不了。即使这样的过程，只要自己有心很容易做得到。我们的技术在发展，很多事情是可以做的。
二是需求与技术。因为劳动成本上升，因此我们需要有机器来替代。机器替代唯一的标准是你成本下降了没有、质量提升了没有？以一个周期来算，无论是投资周期还是利润周期，按照一个周期计算，划算就做，不划算就不做，这是需求推动。除这个需求推动，我们还有一个需求推动，我们进入老年社会，我们这代人大部分人不能靠子女，我们的养老一定是居家的、自帮的。居家和自助没有智能辅助是不可能的，所以这推动了它的发展。
二、数字技术和数字化。
数字技术是从数字的感知获取到组织管理分析形成数字业，这样一系列的过程构成的。但其中有三件事情很重要。
第一，暗数据。现在有一个术语叫暗数据，因为它没有结构化，暗数据如何处理？就是人工利用它，它一定变成某类物质，它有什么规律，它怎么发生作用。暗数据变成可用化很简单，就是结构化。结构化程度到哪它就用到哪，所以这个技术非常关键，否则我们的智能无法进行。
第二，感知技术。今天在用数字技术的时候，我们真正起步，因为起步是有数的。大概前几个礼拜，有一个做健康医疗的人讲如何为人提供服务，我说核心技术就是感知技术，人的身体状态健康的感知，就像这个人在医院里有着很复杂的设备做检查一样，你要感知，如果不能感知这个人的健康状态，你如何为他提供服务？不可能的。当然还有很多，感知是我们数据技术的起点，没有起点怎么会有后续的东西？
第三，自动化数据链。近几年，大家在和数据链打交道，但我们原来的规划程度比较高。今天我们要往前走一步，个性化、和人相关的、非结构化。所以我们要在这三个方面构成结构化，变成软件和系统的数据链。
说起来很难，具体到企业做业务时，有心做并不难。数字技术应该有很多，但这三点十分重要。
第一件事情是数字双生子。最近，有一个词叫数字双生子（digital twin）。物理世界有一个，数字化后，实际上是使我们的物理世界有一个数字化的双生子。这个东西十分重要，比如珠海或深圳，在物理空间之上建立一个数字化的空间和状态，对我们的管理、决策、分析有着极其重要的意义，不仅是宏观，还包括微观。
第二件事情是一个过程、一个流程。我们构建一个数字化的流程和它相对应。总书记多次讲过信息流引领资金流、信息流。这样的引领是靠这样一个东西，如果没有过程的数字化上升值，没对它进行优化，进行各式各样的仿真操作，那是空的，因为结果是什么都不知道。这个东西是抽象的，每个人的处理过程，或者你想要达到的目标，这个过程延伸、延伸再延伸。我们如何为这样的过程延伸构建一个数字上升值？
第三件事情是为一个任务、为一种目的，构建一个数字环节。有两个典型的例子，第一，我们讲复杂制造，其中有一个是多规格小批次，一年可能有几千个规格，但批次可能只有十次，这样的东西十分复杂，如何按照质量交货？如果没有数字上升值是做不到的。我不知道在座有几个是做这样的制造，如果有的话，制造就必须构建数字化双生子，所有的技术、工艺、检测都要有数字的东西先做成。第二，教育、娱乐主要是和信息打交道的东西，我们要构建一个信息化的环境。今天讲的VR、IR是这样的东西，在教育、游戏中使用，大概是这样一个东西。所以数字化是在这样几个方向推进的，到时候几乎所有的东西都有了数字上升值。
三、平台技术和平台化
大家都知道用平台建平台，用了很多年，建了很多年。如今的平台和原来所做的平台不一样主要体现在，今天的平台，从宏观看，它连接的对象与原来的平台是完全不可比的，我们是几十亿人，百亿、千亿、万亿的物品连接到一个可工作的平台上，更重要的是连接到平台的物体、个体、主体跟平台的关系相当深入，比原来深入得多。原来道路是一个平台，车辆和道路之间的关系很紧密。今天的平台比这个关系深得多，而且是可变的。每个在平台上连接的事务，要按照新的目标构建新的关系和功能。原来的CIM、ERP连接都是给定的，因此现在是新平台。新的平台使得它的构成就不同，所以从基础的感知开始。没有感知一定不行的，没有感知就是原来的东西。
从感知开始，我们要有一套协议，这套协议能够在平台和对象之间的深化、可以柔性的功能，通过一组协议来实现。既能实现连接，还要实现功能，保证平台的应用性。当然，在我们脑袋中，要将这样的平台分成两块，一块是宏观平台，即几十亿人，几千、几百、几万亿个物件，要关注这个空间的活动平台。网红是自己搭建的平台，我们也可以搭建一个平台，所以平台不再是企业、组织或是国家的专用，而是随着主体的目的，自由自主搭建和服务自己功能的平台。这个自己可以是企业、个人，平台要这样改。否则宏观就和我没关系，当然微观的平台一定是基于宏观的平台，微观平台基于宏观平台搭建，为宏观平台的构建作出贡献，两者是这样的关系。
平台化几乎成了以后企业发展、地区发展、国家发展、个人发展的必要条件，既要建，也要用。作为企业的CIO，要建设平台，但今天，建平台不再是我们自己做平台的物理资源，我们平台的物理资源是别人的，如果没有别人，坚决不自己做，这应该成为CIO记住的；用，能够用别人的就不要自己做，因为变化太快。变化这件事情，你也应该用别人的，而不是自己建。
四、三种技术、三种化合在一起
我们看到，历史走向新时代的这道大门已经开启。这个开启不是智能化、数字化、平台化的其中一个，而是合在一起。即使智能化、数字化、平台化密不可分，三者是紧密联系的，但又有不同的特征。三个东西合在一起，我们走向新时代的大门已经开启，而开启这个大门的是融合在一起的力量，其推动着这道大门的开启。但是我想，从全国、全球看，这个大门已经开启，但对于在座所在的企业、个人和生活，这个东西要看智能、数字平台做到什么程度，融合得怎样。因为开启这个门的时候， CIO们已不能只站在其中的一个角度，而是要从整体上看。因为这三个化、三个技术的核心部分是IT技术，核心的部分是信息、数据，所以我们要主导引领，而不是像原来那样老板怎么说，我们就怎么做，落实老板的指示，这个事情一定不成。必须真正考虑这个企业，包括你本人，究竟这道门如何打开，融合起来形成一个合力，这是一种技术方向。另外一个特征是，要真正开启它，前期这个门已经开了，不是将开将闭。到具体开的时候，一定要注意IT技术的应用、发展已经从通用转向个性化。刚才讲智能、数据、平台的时，其实隐含了这样一个逻辑，今天要将事物独有的、人独有的事情自动化、智能化、主体化，将通用转向个性。开启这个门，如果跟不上变化，跟在别人后面是不能引领时代的。
五、如何看待新世纪大门的开启
讲智能开启，门打开后，我们会看到什么？首先，企业看到的是白天鹅扑面而来，有很多的机会和机遇。在这个过程中，我们一定看到，有很多的人和企业由于看得远了一点，做的准备好了一点，门打开后发展得更好，所以会有很多白天鹅在飞。比如顺丰，从物流的角度，他为什么能站到一个世界的奇迹？以物流行业如此快的增长速度，在世界的物流历史上是没有的，超过了美国的、英国的百年老店，离世界第一已经很近了，但他只用了几年时间。它的飞机、车、轮船，自己或别人的汽车都没有什么，这些老牌的企业都有。但有一个是老牌企业是没有的，便是我们城市中的快递小哥。快递小哥很简单，骑着一辆电单车，将包裹送到人的手中。其中有一个交流很有趣， 50%快递放在门口，并未与快递小哥见面。这种方式技术含量如此之低，为什么能做？平台，他利用了公共的平台，这个平台好到什么程度？他不做终端，企业做CIO要做终端，他就不做终端，因为你就带着智能手机来，面试的人没有智能手机就不需要你。今天，一个订单号在控制着整个传递过程，这个东西了不起，英国、美国的老牌跟中国相比差得很远。
对移动的使用、移动支付、移动工具的普及和使用，我们全世界最快。我真没想到，微信支付会如此快的发展。就这样的一个东西，顺丰到了中国第三首富，我们的物流业发生了巨大的改变。其实我们有很多白天鹅，刚才讲的智能、技术、平台很多都很容易做。除此之外，企业在这样的环境下，还要改进人的资源、动力架构，全部要改变，改变快会成为白天鹅，做不好便会成为悲剧。
对于黑天鹅，由于纯技术的原因造成黑天鹅的事件并不多，这十年全世界就只有这么几件，没有真正的影响，而且只是很小的局部发生变化。技术产生黑天鹅，其实只要认真想一想，过去、今天、未来有，但不会太严重。真正严重的黑天鹅是别人把握了刚才我说的三个趋势发展方向，使得它在市场上抓住市场的需要，那么黑天鹅就产生了，黑天鹅的悲剧会降落到那些没有声音的、变革的企业和人的身上。
产业的活动是满足人的需求，这个基本原理是永远不变的，企业抓住需求、市场，这是第一位的。有的时候，模式、竞争的构成要素变了，但这个基本面是不变的。无论是产品还是流程、智能化的改革改变了需求，按照需求的基本面，个人、家庭、社会，需求的基本面没有变，医食住行等健康的基本需求、社会的基础设施和供给能力、竞争力的主要指标不会改变，改变的是竞争力中的指标构成要素。
当新的大门打开后，我们不要惊慌失措。首先，要看到白天鹅提示我们的信息，防止黑天鹅，把风险降下来，企业要看到基本面，在自己的优势上继续向前，这样企业能发展、个人能发展。
谢谢大家。
更多内容请关注：www.imefuture.com
来源：走向智能论坛 杨学山 查看全部
2017年3月18-19日，由CIO时代学院、珠海市CIO协会联合主办，中国新一代IT产业推进联盟指导，CIO时代APP承办，转型家、广东省CIO协会、大华南IT高管共赢圈、中山CIO协会、江门市CIO协会（筹）协办的“2017CIO时代中国行珠海站暨2017年珠海CIO协会春季高峰论坛”活动在珠海隆重举行。北京大学兼职教授、原工业和信息化部副部长杨学山在活动中发表了题为《新技术与新业态》的主题演讲，以下为演讲实录：
北京大学兼职教授、工业和信息化部原副部长 杨学山
各位来宾、CIO同仁、新老朋友，大家上午好。十分高兴来到珠海，我今天演讲的题目是大会的主题《新技术与新业态》。
先讲讲技术发展的主要趋势和对产业的主要影响。新技术发展有很多影响，先从五个方面简单展开，首先讲智能技术和智能化；第二是数字技术和数字化；第三是平台技术和平台化；第四是综合看上面三个，融合开启新时代；第五是如何看待新世界的大门打开以后，我们会看到什么样的白天鹅、黑天鹅。
一、智能技术和智能化。
智能技术是综合的技术，严格讲智能技术不能与数字技术融合，因为我们主要讲人工智能。所谓的人工智能，是原来人做的事情能够有机器做，智能技术是将原来人做的事情变成机器或系统做。当机器、系统做的时候，智能系统一定不等于数字系统。工业机器人哪个针对数字信息技术？所以它们不是一体的。由于时间关系，对于智能技术我确实不能详细展开，大体讲三类：
1.理论和基本的模型算法，或通用的模型算法
工业革命以来，当一个重大变化发生时，结果发现技术背后是没有理论的。今天我们在讲智能、人工智能时，它背后是没有理论的，所以我们必须探索和研究理论是什么。智能有很多具体的模型算法来支撑，其中我们要提炼一部分，这部分是通用的，对未来发展有着重大作用，所以我将理论与这个东西归成一类。
2.各个环节的应用
智能技术在各个环节的应用可以极其简单，也可以极其复杂。例如，大家坐在椅子上，今天的椅子上没有任何智能，但是我给它三个东西。第一，感知，即有人坐下去（压力感知），如今汽车上都有这样的功能，副驾有人坐上去要系好安全带；第二，加一个计时器，你坐了多长时间；第三，再给它一点点知识，即常坐这个椅子的人的习惯。加了这三个东西后，你坐了一段时间，它会改变你的坐姿，你起来活动一下，那么这个椅子是否变成智能了呢？这三个东西在今天一点也不复杂，但有些很复杂。讲智能制造时，尤其是复杂制造，这样的车间变成智能化是十分复杂的。我可以十分坦率的讲，比RF复杂很多，因为这个车间里所有人的思考、决策人的行动变成机器和系统做，这是一个十分复杂的过程。当然还有很多，我们今天还有很多未知需要探索，如果智能把这样的未知从人来探索变成机器探索，那是相当复杂的。各个领域的应用，机器从极其简单变成极其复杂，即从今天谁想到就能做到，变成想到全世界也很难做到。
3.在各个环节都用时，需要有一些工具支持
我刚才讲了车间，这个车间有一些是通用的，比如把一个物件搬到工作单元。尽管它在车间不同地方，行走路线、重量不同，但它通用。平时，我们将一个人参与的管理流程变成数字化，这样就需要工具来支撑，我们有一组工具支持。因此，智能技术可以分为这三大类。
智能化是从人做的事情逐步由机器和系统取代，这一点在过去几年已经发生，在未来几年将加速发生。加速发生有两个重要的原因：
一是技术推动。即使今天有人做的环节由机器、系统做十分简单，或不很复杂，这样的例子到处都有。在制造业中，在机器进行换人很多系统都能做。我多次讲过一个例子，常州一个小企业，五六亿的营业额，从软件到设备都是做的，全部由人工生产线变成自动化的生产线，由于是自己开发，所以成本很低，一点也不复杂。从人工车间变成全自动化车间都是自己做的，两年时间，几十个人，两年时间所有成本都能回收。如果用心，很多企业都能做，如果没心，你请一个企业帮你做，不仅是时间问题，成本你根本接受不了。即使这样的过程，只要自己有心很容易做得到。我们的技术在发展，很多事情是可以做的。
二是需求与技术。因为劳动成本上升，因此我们需要有机器来替代。机器替代唯一的标准是你成本下降了没有、质量提升了没有？以一个周期来算，无论是投资周期还是利润周期，按照一个周期计算，划算就做，不划算就不做，这是需求推动。除这个需求推动，我们还有一个需求推动，我们进入老年社会，我们这代人大部分人不能靠子女，我们的养老一定是居家的、自帮的。居家和自助没有智能辅助是不可能的，所以这推动了它的发展。
二、数字技术和数字化。
数字技术是从数字的感知获取到组织管理分析形成数字业，这样一系列的过程构成的。但其中有三件事情很重要。
第一，暗数据。现在有一个术语叫暗数据，因为它没有结构化，暗数据如何处理？就是人工利用它，它一定变成某类物质，它有什么规律，它怎么发生作用。暗数据变成可用化很简单，就是结构化。结构化程度到哪它就用到哪，所以这个技术非常关键，否则我们的智能无法进行。
第二，感知技术。今天在用数字技术的时候，我们真正起步，因为起步是有数的。大概前几个礼拜，有一个做健康医疗的人讲如何为人提供服务，我说核心技术就是感知技术，人的身体状态健康的感知，就像这个人在医院里有着很复杂的设备做检查一样，你要感知，如果不能感知这个人的健康状态，你如何为他提供服务？不可能的。当然还有很多，感知是我们数据技术的起点，没有起点怎么会有后续的东西？
第三，自动化数据链。近几年，大家在和数据链打交道，但我们原来的规划程度比较高。今天我们要往前走一步，个性化、和人相关的、非结构化。所以我们要在这三个方面构成结构化，变成软件和系统的数据链。
说起来很难，具体到企业做业务时，有心做并不难。数字技术应该有很多，但这三点十分重要。
第一件事情是数字双生子。最近，有一个词叫数字双生子（digital twin）。物理世界有一个，数字化后，实际上是使我们的物理世界有一个数字化的双生子。这个东西十分重要，比如珠海或深圳，在物理空间之上建立一个数字化的空间和状态，对我们的管理、决策、分析有着极其重要的意义，不仅是宏观，还包括微观。
第二件事情是一个过程、一个流程。我们构建一个数字化的流程和它相对应。总书记多次讲过信息流引领资金流、信息流。这样的引领是靠这样一个东西，如果没有过程的数字化上升值，没对它进行优化，进行各式各样的仿真操作，那是空的，因为结果是什么都不知道。这个东西是抽象的，每个人的处理过程，或者你想要达到的目标，这个过程延伸、延伸再延伸。我们如何为这样的过程延伸构建一个数字上升值？
第三件事情是为一个任务、为一种目的，构建一个数字环节。有两个典型的例子，第一，我们讲复杂制造，其中有一个是多规格小批次，一年可能有几千个规格，但批次可能只有十次，这样的东西十分复杂，如何按照质量交货？如果没有数字上升值是做不到的。我不知道在座有几个是做这样的制造，如果有的话，制造就必须构建数字化双生子，所有的技术、工艺、检测都要有数字的东西先做成。第二，教育、娱乐主要是和信息打交道的东西，我们要构建一个信息化的环境。今天讲的VR、IR是这样的东西，在教育、游戏中使用，大概是这样一个东西。所以数字化是在这样几个方向推进的，到时候几乎所有的东西都有了数字上升值。
三、平台技术和平台化
大家都知道用平台建平台，用了很多年，建了很多年。如今的平台和原来所做的平台不一样主要体现在，今天的平台，从宏观看，它连接的对象与原来的平台是完全不可比的，我们是几十亿人，百亿、千亿、万亿的物品连接到一个可工作的平台上，更重要的是连接到平台的物体、个体、主体跟平台的关系相当深入，比原来深入得多。原来道路是一个平台，车辆和道路之间的关系很紧密。今天的平台比这个关系深得多，而且是可变的。每个在平台上连接的事务，要按照新的目标构建新的关系和功能。原来的CIM、ERP连接都是给定的，因此现在是新平台。新的平台使得它的构成就不同，所以从基础的感知开始。没有感知一定不行的，没有感知就是原来的东西。
从感知开始，我们要有一套协议，这套协议能够在平台和对象之间的深化、可以柔性的功能，通过一组协议来实现。既能实现连接，还要实现功能，保证平台的应用性。当然，在我们脑袋中，要将这样的平台分成两块，一块是宏观平台，即几十亿人，几千、几百、几万亿个物件，要关注这个空间的活动平台。网红是自己搭建的平台，我们也可以搭建一个平台，所以平台不再是企业、组织或是国家的专用，而是随着主体的目的，自由自主搭建和服务自己功能的平台。这个自己可以是企业、个人，平台要这样改。否则宏观就和我没关系，当然微观的平台一定是基于宏观的平台，微观平台基于宏观平台搭建，为宏观平台的构建作出贡献，两者是这样的关系。
平台化几乎成了以后企业发展、地区发展、国家发展、个人发展的必要条件，既要建，也要用。作为企业的CIO，要建设平台，但今天，建平台不再是我们自己做平台的物理资源，我们平台的物理资源是别人的，如果没有别人，坚决不自己做，这应该成为CIO记住的；用，能够用别人的就不要自己做，因为变化太快。变化这件事情，你也应该用别人的，而不是自己建。
四、三种技术、三种化合在一起
我们看到，历史走向新时代的这道大门已经开启。这个开启不是智能化、数字化、平台化的其中一个，而是合在一起。即使智能化、数字化、平台化密不可分，三者是紧密联系的，但又有不同的特征。三个东西合在一起，我们走向新时代的大门已经开启，而开启这个大门的是融合在一起的力量，其推动着这道大门的开启。但是我想，从全国、全球看，这个大门已经开启，但对于在座所在的企业、个人和生活，这个东西要看智能、数字平台做到什么程度，融合得怎样。因为开启这个门的时候， CIO们已不能只站在其中的一个角度，而是要从整体上看。因为这三个化、三个技术的核心部分是IT技术，核心的部分是信息、数据，所以我们要主导引领，而不是像原来那样老板怎么说，我们就怎么做，落实老板的指示，这个事情一定不成。必须真正考虑这个企业，包括你本人，究竟这道门如何打开，融合起来形成一个合力，这是一种技术方向。另外一个特征是，要真正开启它，前期这个门已经开了，不是将开将闭。到具体开的时候，一定要注意IT技术的应用、发展已经从通用转向个性化。刚才讲智能、数据、平台的时，其实隐含了这样一个逻辑，今天要将事物独有的、人独有的事情自动化、智能化、主体化，将通用转向个性。开启这个门，如果跟不上变化，跟在别人后面是不能引领时代的。
五、如何看待新世纪大门的开启
讲智能开启，门打开后，我们会看到什么？首先，企业看到的是白天鹅扑面而来，有很多的机会和机遇。在这个过程中，我们一定看到，有很多的人和企业由于看得远了一点，做的准备好了一点，门打开后发展得更好，所以会有很多白天鹅在飞。比如顺丰，从物流的角度，他为什么能站到一个世界的奇迹？以物流行业如此快的增长速度，在世界的物流历史上是没有的，超过了美国的、英国的百年老店，离世界第一已经很近了，但他只用了几年时间。它的飞机、车、轮船，自己或别人的汽车都没有什么，这些老牌的企业都有。但有一个是老牌企业是没有的，便是我们城市中的快递小哥。快递小哥很简单，骑着一辆电单车，将包裹送到人的手中。其中有一个交流很有趣， 50%快递放在门口，并未与快递小哥见面。这种方式技术含量如此之低，为什么能做？平台，他利用了公共的平台，这个平台好到什么程度？他不做终端，企业做CIO要做终端，他就不做终端，因为你就带着智能手机来，面试的人没有智能手机就不需要你。今天，一个订单号在控制着整个传递过程，这个东西了不起，英国、美国的老牌跟中国相比差得很远。
对移动的使用、移动支付、移动工具的普及和使用，我们全世界最快。我真没想到，微信支付会如此快的发展。就这样的一个东西，顺丰到了中国第三首富，我们的物流业发生了巨大的改变。其实我们有很多白天鹅，刚才讲的智能、技术、平台很多都很容易做。除此之外，企业在这样的环境下，还要改进人的资源、动力架构，全部要改变，改变快会成为白天鹅，做不好便会成为悲剧。
对于黑天鹅，由于纯技术的原因造成黑天鹅的事件并不多，这十年全世界就只有这么几件，没有真正的影响，而且只是很小的局部发生变化。技术产生黑天鹅，其实只要认真想一想，过去、今天、未来有，但不会太严重。真正严重的黑天鹅是别人把握了刚才我说的三个趋势发展方向，使得它在市场上抓住市场的需要，那么黑天鹅就产生了，黑天鹅的悲剧会降落到那些没有声音的、变革的企业和人的身上。
产业的活动是满足人的需求，这个基本原理是永远不变的，企业抓住需求、市场，这是第一位的。有的时候，模式、竞争的构成要素变了，但这个基本面是不变的。无论是产品还是流程、智能化的改革改变了需求，按照需求的基本面，个人、家庭、社会，需求的基本面没有变，医食住行等健康的基本需求、社会的基础设施和供给能力、竞争力的主要指标不会改变，改变的是竞争力中的指标构成要素。
当新的大门打开后，我们不要惊慌失措。首先，要看到白天鹅提示我们的信息，防止黑天鹅，把风险降下来，企业要看到基本面，在自己的优势上继续向前，这样企业能发展、个人能发展。
谢谢大家。
更多内容请关注：www.imefuture.com
来源：走向智能论坛 杨学山 查看全部
杨学山：新技术与新业态
2017年3月18-19日，由CIO时代学院、珠海市CIO协会联合主办，中国新一代IT产业推进联盟指导，CIO时代APP承办，转型家、广东省CIO协会、大华南IT高管共赢圈、中山CIO协会、江门市CIO协会（筹）协办的“2017CIO时代中国行珠海站暨2017年珠海CIO协会春季高峰论坛”活动在珠海隆重举行。北京大学兼职教授、原工业和信息化部副部长杨学山在活动中发表了题为《新技术与新业态》的主题演讲，以下为演讲实录：
北京大学兼职教授、工业和信息化部原副部长 杨学山
各位来宾、CIO同仁、新老朋友，大家上午好。十分高兴来到珠海，我今天演讲的题目是大会的主题《新技术与新业态》。
先讲讲技术发展的主要趋势和对产业的主要影响。新技术发展有很多影响，先从五个方面简单展开，首先讲智能技术和智能化；第二是数字技术和数字化；第三是平台技术和平台化；第四是综合看上面三个，融合开启新时代；第五是如何看待新世界的大门打开以后，我们会看到什么样的白天鹅、黑天鹅。
一、智能技术和智能化。
智能技术是综合的技术，严格讲智能技术不能与数字技术融合，因为我们主要讲人工智能。所谓的人工智能，是原来人做的事情能够有机器做，智能技术是将原来人做的事情变成机器或系统做。当机器、系统做的时候，智能系统一定不等于数字系统。工业机器人哪个针对数字信息技术？所以它们不是一体的。由于时间关系，对于智能技术我确实不能详细展开，大体讲三类：
1.理论和基本的模型算法，或通用的模型算法
工业革命以来，当一个重大变化发生时，结果发现技术背后是没有理论的。今天我们在讲智能、人工智能时，它背后是没有理论的，所以我们必须探索和研究理论是什么。智能有很多具体的模型算法来支撑，其中我们要提炼一部分，这部分是通用的，对未来发展有着重大作用，所以我将理论与这个东西归成一类。
2.各个环节的应用
智能技术在各个环节的应用可以极其简单，也可以极其复杂。例如，大家坐在椅子上，今天的椅子上没有任何智能，但是我给它三个东西。第一，感知，即有人坐下去（压力感知），如今汽车上都有这样的功能，副驾有人坐上去要系好安全带；第二，加一个计时器，你坐了多长时间；第三，再给它一点点知识，即常坐这个椅子的人的习惯。加了这三个东西后，你坐了一段时间，它会改变你的坐姿，你起来活动一下，那么这个椅子是否变成智能了呢？这三个东西在今天一点也不复杂，但有些很复杂。讲智能制造时，尤其是复杂制造，这样的车间变成智能化是十分复杂的。我可以十分坦率的讲，比RF复杂很多，因为这个车间里所有人的思考、决策人的行动变成机器和系统做，这是一个十分复杂的过程。当然还有很多，我们今天还有很多未知需要探索，如果智能把这样的未知从人来探索变成机器探索，那是相当复杂的。各个领域的应用，机器从极其简单变成极其复杂，即从今天谁想到就能做到，变成想到全世界也很难做到。
3.在各个环节都用时，需要有一些工具支持
我刚才讲了车间，这个车间有一些是通用的，比如把一个物件搬到工作单元。尽管它在车间不同地方，行走路线、重量不同，但它通用。平时，我们将一个人参与的管理流程变成数字化，这样就需要工具来支撑，我们有一组工具支持。因此，智能技术可以分为这三大类。
智能化是从人做的事情逐步由机器和系统取代，这一点在过去几年已经发生，在未来几年将加速发生。加速发生有两个重要的原因：
一是技术推动。即使今天有人做的环节由机器、系统做十分简单，或不很复杂，这样的例子到处都有。在制造业中，在机器进行换人很多系统都能做。我多次讲过一个例子，常州一个小企业，五六亿的营业额，从软件到设备都是做的，全部由人工生产线变成自动化的生产线，由于是自己开发，所以成本很低，一点也不复杂。从人工车间变成全自动化车间都是自己做的，两年时间，几十个人，两年时间所有成本都能回收。如果用心，很多企业都能做，如果没心，你请一个企业帮你做，不仅是时间问题，成本你根本接受不了。即使这样的过程，只要自己有心很容易做得到。我们的技术在发展，很多事情是可以做的。
二是需求与技术。因为劳动成本上升，因此我们需要有机器来替代。机器替代唯一的标准是你成本下降了没有、质量提升了没有？以一个周期来算，无论是投资周期还是利润周期，按照一个周期计算，划算就做，不划算就不做，这是需求推动。除这个需求推动，我们还有一个需求推动，我们进入老年社会，我们这代人大部分人不能靠子女，我们的养老一定是居家的、自帮的。居家和自助没有智能辅助是不可能的，所以这推动了它的发展。
二、数字技术和数字化。
数字技术是从数字的感知获取到组织管理分析形成数字业，这样一系列的过程构成的。但其中有三件事情很重要。
第一，暗数据。现在有一个术语叫暗数据，因为它没有结构化，暗数据如何处理？就是人工利用它，它一定变成某类物质，它有什么规律，它怎么发生作用。暗数据变成可用化很简单，就是结构化。结构化程度到哪它就用到哪，所以这个技术非常关键，否则我们的智能无法进行。
第二，感知技术。今天在用数字技术的时候，我们真正起步，因为起步是有数的。大概前几个礼拜，有一个做健康医疗的人讲如何为人提供服务，我说核心技术就是感知技术，人的身体状态健康的感知，就像这个人在医院里有着很复杂的设备做检查一样，你要感知，如果不能感知这个人的健康状态，你如何为他提供服务？不可能的。当然还有很多，感知是我们数据技术的起点，没有起点怎么会有后续的东西？
第三，自动化数据链。近几年，大家在和数据链打交道，但我们原来的规划程度比较高。今天我们要往前走一步，个性化、和人相关的、非结构化。所以我们要在这三个方面构成结构化，变成软件和系统的数据链。
说起来很难，具体到企业做业务时，有心做并不难。数字技术应该有很多，但这三点十分重要。
第一件事情是数字双生子。最近，有一个词叫数字双生子（digital twin）。物理世界有一个，数字化后，实际上是使我们的物理世界有一个数字化的双生子。这个东西十分重要，比如珠海或深圳，在物理空间之上建立一个数字化的空间和状态，对我们的管理、决策、分析有着极其重要的意义，不仅是宏观，还包括微观。
第二件事情是一个过程、一个流程。我们构建一个数字化的流程和它相对应。总书记多次讲过信息流引领资金流、信息流。这样的引领是靠这样一个东西，如果没有过程的数字化上升值，没对它进行优化，进行各式各样的仿真操作，那是空的，因为结果是什么都不知道。这个东西是抽象的，每个人的处理过程，或者你想要达到的目标，这个过程延伸、延伸再延伸。我们如何为这样的过程延伸构建一个数字上升值？
第三件事情是为一个任务、为一种目的，构建一个数字环节。有两个典型的例子，第一，我们讲复杂制造，其中有一个是多规格小批次，一年可能有几千个规格，但批次可能只有十次，这样的东西十分复杂，如何按照质量交货？如果没有数字上升值是做不到的。我不知道在座有几个是做这样的制造，如果有的话，制造就必须构建数字化双生子，所有的技术、工艺、检测都要有数字的东西先做成。第二，教育、娱乐主要是和信息打交道的东西，我们要构建一个信息化的环境。今天讲的VR、IR是这样的东西，在教育、游戏中使用，大概是这样一个东西。所以数字化是在这样几个方向推进的，到时候几乎所有的东西都有了数字上升值。
三、平台技术和平台化
大家都知道用平台建平台，用了很多年，建了很多年。如今的平台和原来所做的平台不一样主要体现在，今天的平台，从宏观看，它连接的对象与原来的平台是完全不可比的，我们是几十亿人，百亿、千亿、万亿的物品连接到一个可工作的平台上，更重要的是连接到平台的物体、个体、主体跟平台的关系相当深入，比原来深入得多。原来道路是一个平台，车辆和道路之间的关系很紧密。今天的平台比这个关系深得多，而且是可变的。每个在平台上连接的事务，要按照新的目标构建新的关系和功能。原来的CIM、ERP连接都是给定的，因此现在是新平台。新的平台使得它的构成就不同，所以从基础的感知开始。没有感知一定不行的，没有感知就是原来的东西。
从感知开始，我们要有一套协议，这套协议能够在平台和对象之间的深化、可以柔性的功能，通过一组协议来实现。既能实现连接，还要实现功能，保证平台的应用性。当然，在我们脑袋中，要将这样的平台分成两块，一块是宏观平台，即几十亿人，几千、几百、几万亿个物件，要关注这个空间的活动平台。网红是自己搭建的平台，我们也可以搭建一个平台，所以平台不再是企业、组织或是国家的专用，而是随着主体的目的，自由自主搭建和服务自己功能的平台。这个自己可以是企业、个人，平台要这样改。否则宏观就和我没关系，当然微观的平台一定是基于宏观的平台，微观平台基于宏观平台搭建，为宏观平台的构建作出贡献，两者是这样的关系。
平台化几乎成了以后企业发展、地区发展、国家发展、个人发展的必要条件，既要建，也要用。作为企业的CIO，要建设平台，但今天，建平台不再是我们自己做平台的物理资源，我们平台的物理资源是别人的，如果没有别人，坚决不自己做，这应该成为CIO记住的；用，能够用别人的就不要自己做，因为变化太快。变化这件事情，你也应该用别人的，而不是自己建。
四、三种技术、三种化合在一起
我们看到，历史走向新时代的这道大门已经开启。这个开启不是智能化、数字化、平台化的其中一个，而是合在一起。即使智能化、数字化、平台化密不可分，三者是紧密联系的，但又有不同的特征。三个东西合在一起，我们走向新时代的大门已经开启，而开启这个大门的是融合在一起的力量，其推动着这道大门的开启。但是我想，从全国、全球看，这个大门已经开启，但对于在座所在的企业、个人和生活，这个东西要看智能、数字平台做到什么程度，融合得怎样。因为开启这个门的时候， CIO们已不能只站在其中的一个角度，而是要从整体上看。因为这三个化、三个技术的核心部分是IT技术，核心的部分是信息、数据，所以我们要主导引领，而不是像原来那样老板怎么说，我们就怎么做，落实老板的指示，这个事情一定不成。必须真正考虑这个企业，包括你本人，究竟这道门如何打开，融合起来形成一个合力，这是一种技术方向。另外一个特征是，要真正开启它，前期这个门已经开了，不是将开将闭。到具体开的时候，一定要注意IT技术的应用、发展已经从通用转向个性化。刚才讲智能、数据、平台的时，其实隐含了这样一个逻辑，今天要将事物独有的、人独有的事情自动化、智能化、主体化，将通用转向个性。开启这个门，如果跟不上变化，跟在别人后面是不能引领时代的。
五、如何看待新世纪大门的开启
讲智能开启，门打开后，我们会看到什么？首先，企业看到的是白天鹅扑面而来，有很多的机会和机遇。在这个过程中，我们一定看到，有很多的人和企业由于看得远了一点，做的准备好了一点，门打开后发展得更好，所以会有很多白天鹅在飞。比如顺丰，从物流的角度，他为什么能站到一个世界的奇迹？以物流行业如此快的增长速度，在世界的物流历史上是没有的，超过了美国的、英国的百年老店，离世界第一已经很近了，但他只用了几年时间。它的飞机、车、轮船，自己或别人的汽车都没有什么，这些老牌的企业都有。但有一个是老牌企业是没有的，便是我们城市中的快递小哥。快递小哥很简单，骑着一辆电单车，将包裹送到人的手中。其中有一个交流很有趣， 50%快递放在门口，并未与快递小哥见面。这种方式技术含量如此之低，为什么能做？平台，他利用了公共的平台，这个平台好到什么程度？他不做终端，企业做CIO要做终端，他就不做终端，因为你就带着智能手机来，面试的人没有智能手机就不需要你。今天，一个订单号在控制着整个传递过程，这个东西了不起，英国、美国的老牌跟中国相比差得很远。
对移动的使用、移动支付、移动工具的普及和使用，我们全世界最快。我真没想到，微信支付会如此快的发展。就这样的一个东西，顺丰到了中国第三首富，我们的物流业发生了巨大的改变。其实我们有很多白天鹅，刚才讲的智能、技术、平台很多都很容易做。除此之外，企业在这样的环境下，还要改进人的资源、动力架构，全部要改变，改变快会成为白天鹅，做不好便会成为悲剧。
对于黑天鹅，由于纯技术的原因造成黑天鹅的事件并不多，这十年全世界就只有这么几件，没有真正的影响，而且只是很小的局部发生变化。技术产生黑天鹅，其实只要认真想一想，过去、今天、未来有，但不会太严重。真正严重的黑天鹅是别人把握了刚才我说的三个趋势发展方向，使得它在市场上抓住市场的需要，那么黑天鹅就产生了，黑天鹅的悲剧会降落到那些没有声音的、变革的企业和人的身上。
产业的活动是满足人的需求，这个基本原理是永远不变的，企业抓住需求、市场，这是第一位的。有的时候，模式、竞争的构成要素变了，但这个基本面是不变的。无论是产品还是流程、智能化的改革改变了需求，按照需求的基本面，个人、家庭、社会，需求的基本面没有变，医食住行等健康的基本需求、社会的基础设施和供给能力、竞争力的主要指标不会改变，改变的是竞争力中的指标构成要素。
当新的大门打开后，我们不要惊慌失措。首先，要看到白天鹅提示我们的信息，防止黑天鹅，把风险降下来，企业要看到基本面，在自己的优势上继续向前，这样企业能发展、个人能发展。
谢谢大家。
更多内容请关注：www.imefuture.com
来源：走向智能论坛 杨学山
2017年3月18-19日，由CIO时代学院、珠海市CIO协会联合主办，中国新一代IT产业推进联盟指导，CIO时代APP承办，转型家、广东省CIO协会、大华南IT高管共赢圈、中山CIO协会、江门市CIO协会（筹）协办的“2017CIO时代中国行珠海站暨2017年珠海CIO协会春季高峰论坛”活动在珠海隆重举行。北京大学兼职教授、原工业和信息化部副部长杨学山在活动中发表了题为《新技术与新业态》的主题演讲，以下为演讲实录：
北京大学兼职教授、工业和信息化部原副部长 杨学山
各位来宾、CIO同仁、新老朋友，大家上午好。十分高兴来到珠海，我今天演讲的题目是大会的主题《新技术与新业态》。
先讲讲技术发展的主要趋势和对产业的主要影响。新技术发展有很多影响，先从五个方面简单展开，首先讲智能技术和智能化；第二是数字技术和数字化；第三是平台技术和平台化；第四是综合看上面三个，融合开启新时代；第五是如何看待新世界的大门打开以后，我们会看到什么样的白天鹅、黑天鹅。
一、智能技术和智能化。
智能技术是综合的技术，严格讲智能技术不能与数字技术融合，因为我们主要讲人工智能。所谓的人工智能，是原来人做的事情能够有机器做，智能技术是将原来人做的事情变成机器或系统做。当机器、系统做的时候，智能系统一定不等于数字系统。工业机器人哪个针对数字信息技术？所以它们不是一体的。由于时间关系，对于智能技术我确实不能详细展开，大体讲三类：
1.理论和基本的模型算法，或通用的模型算法
工业革命以来，当一个重大变化发生时，结果发现技术背后是没有理论的。今天我们在讲智能、人工智能时，它背后是没有理论的，所以我们必须探索和研究理论是什么。智能有很多具体的模型算法来支撑，其中我们要提炼一部分，这部分是通用的，对未来发展有着重大作用，所以我将理论与这个东西归成一类。
2.各个环节的应用
智能技术在各个环节的应用可以极其简单，也可以极其复杂。例如，大家坐在椅子上，今天的椅子上没有任何智能，但是我给它三个东西。第一，感知，即有人坐下去（压力感知），如今汽车上都有这样的功能，副驾有人坐上去要系好安全带；第二，加一个计时器，你坐了多长时间；第三，再给它一点点知识，即常坐这个椅子的人的习惯。加了这三个东西后，你坐了一段时间，它会改变你的坐姿，你起来活动一下，那么这个椅子是否变成智能了呢？这三个东西在今天一点也不复杂，但有些很复杂。讲智能制造时，尤其是复杂制造，这样的车间变成智能化是十分复杂的。我可以十分坦率的讲，比RF复杂很多，因为这个车间里所有人的思考、决策人的行动变成机器和系统做，这是一个十分复杂的过程。当然还有很多，我们今天还有很多未知需要探索，如果智能把这样的未知从人来探索变成机器探索，那是相当复杂的。各个领域的应用，机器从极其简单变成极其复杂，即从今天谁想到就能做到，变成想到全世界也很难做到。
3.在各个环节都用时，需要有一些工具支持
我刚才讲了车间，这个车间有一些是通用的，比如把一个物件搬到工作单元。尽管它在车间不同地方，行走路线、重量不同，但它通用。平时，我们将一个人参与的管理流程变成数字化，这样就需要工具来支撑，我们有一组工具支持。因此，智能技术可以分为这三大类。
智能化是从人做的事情逐步由机器和系统取代，这一点在过去几年已经发生，在未来几年将加速发生。加速发生有两个重要的原因：
一是技术推动。即使今天有人做的环节由机器、系统做十分简单，或不很复杂，这样的例子到处都有。在制造业中，在机器进行换人很多系统都能做。我多次讲过一个例子，常州一个小企业，五六亿的营业额，从软件到设备都是做的，全部由人工生产线变成自动化的生产线，由于是自己开发，所以成本很低，一点也不复杂。从人工车间变成全自动化车间都是自己做的，两年时间，几十个人，两年时间所有成本都能回收。如果用心，很多企业都能做，如果没心，你请一个企业帮你做，不仅是时间问题，成本你根本接受不了。即使这样的过程，只要自己有心很容易做得到。我们的技术在发展，很多事情是可以做的。
二是需求与技术。因为劳动成本上升，因此我们需要有机器来替代。机器替代唯一的标准是你成本下降了没有、质量提升了没有？以一个周期来算，无论是投资周期还是利润周期，按照一个周期计算，划算就做，不划算就不做，这是需求推动。除这个需求推动，我们还有一个需求推动，我们进入老年社会，我们这代人大部分人不能靠子女，我们的养老一定是居家的、自帮的。居家和自助没有智能辅助是不可能的，所以这推动了它的发展。
二、数字技术和数字化。
数字技术是从数字的感知获取到组织管理分析形成数字业，这样一系列的过程构成的。但其中有三件事情很重要。
第一，暗数据。现在有一个术语叫暗数据，因为它没有结构化，暗数据如何处理？就是人工利用它，它一定变成某类物质，它有什么规律，它怎么发生作用。暗数据变成可用化很简单，就是结构化。结构化程度到哪它就用到哪，所以这个技术非常关键，否则我们的智能无法进行。
第二，感知技术。今天在用数字技术的时候，我们真正起步，因为起步是有数的。大概前几个礼拜，有一个做健康医疗的人讲如何为人提供服务，我说核心技术就是感知技术，人的身体状态健康的感知，就像这个人在医院里有着很复杂的设备做检查一样，你要感知，如果不能感知这个人的健康状态，你如何为他提供服务？不可能的。当然还有很多，感知是我们数据技术的起点，没有起点怎么会有后续的东西？
第三，自动化数据链。近几年，大家在和数据链打交道，但我们原来的规划程度比较高。今天我们要往前走一步，个性化、和人相关的、非结构化。所以我们要在这三个方面构成结构化，变成软件和系统的数据链。
说起来很难，具体到企业做业务时，有心做并不难。数字技术应该有很多，但这三点十分重要。
第一件事情是数字双生子。最近，有一个词叫数字双生子（digital twin）。物理世界有一个，数字化后，实际上是使我们的物理世界有一个数字化的双生子。这个东西十分重要，比如珠海或深圳，在物理空间之上建立一个数字化的空间和状态，对我们的管理、决策、分析有着极其重要的意义，不仅是宏观，还包括微观。
第二件事情是一个过程、一个流程。我们构建一个数字化的流程和它相对应。总书记多次讲过信息流引领资金流、信息流。这样的引领是靠这样一个东西，如果没有过程的数字化上升值，没对它进行优化，进行各式各样的仿真操作，那是空的，因为结果是什么都不知道。这个东西是抽象的，每个人的处理过程，或者你想要达到的目标，这个过程延伸、延伸再延伸。我们如何为这样的过程延伸构建一个数字上升值？
第三件事情是为一个任务、为一种目的，构建一个数字环节。有两个典型的例子，第一，我们讲复杂制造，其中有一个是多规格小批次，一年可能有几千个规格，但批次可能只有十次，这样的东西十分复杂，如何按照质量交货？如果没有数字上升值是做不到的。我不知道在座有几个是做这样的制造，如果有的话，制造就必须构建数字化双生子，所有的技术、工艺、检测都要有数字的东西先做成。第二，教育、娱乐主要是和信息打交道的东西，我们要构建一个信息化的环境。今天讲的VR、IR是这样的东西，在教育、游戏中使用，大概是这样一个东西。所以数字化是在这样几个方向推进的，到时候几乎所有的东西都有了数字上升值。
三、平台技术和平台化
大家都知道用平台建平台，用了很多年，建了很多年。如今的平台和原来所做的平台不一样主要体现在，今天的平台，从宏观看，它连接的对象与原来的平台是完全不可比的，我们是几十亿人，百亿、千亿、万亿的物品连接到一个可工作的平台上，更重要的是连接到平台的物体、个体、主体跟平台的关系相当深入，比原来深入得多。原来道路是一个平台，车辆和道路之间的关系很紧密。今天的平台比这个关系深得多，而且是可变的。每个在平台上连接的事务，要按照新的目标构建新的关系和功能。原来的CIM、ERP连接都是给定的，因此现在是新平台。新的平台使得它的构成就不同，所以从基础的感知开始。没有感知一定不行的，没有感知就是原来的东西。
从感知开始，我们要有一套协议，这套协议能够在平台和对象之间的深化、可以柔性的功能，通过一组协议来实现。既能实现连接，还要实现功能，保证平台的应用性。当然，在我们脑袋中，要将这样的平台分成两块，一块是宏观平台，即几十亿人，几千、几百、几万亿个物件，要关注这个空间的活动平台。网红是自己搭建的平台，我们也可以搭建一个平台，所以平台不再是企业、组织或是国家的专用，而是随着主体的目的，自由自主搭建和服务自己功能的平台。这个自己可以是企业、个人，平台要这样改。否则宏观就和我没关系，当然微观的平台一定是基于宏观的平台，微观平台基于宏观平台搭建，为宏观平台的构建作出贡献，两者是这样的关系。
平台化几乎成了以后企业发展、地区发展、国家发展、个人发展的必要条件，既要建，也要用。作为企业的CIO，要建设平台，但今天，建平台不再是我们自己做平台的物理资源，我们平台的物理资源是别人的，如果没有别人，坚决不自己做，这应该成为CIO记住的；用，能够用别人的就不要自己做，因为变化太快。变化这件事情，你也应该用别人的，而不是自己建。
四、三种技术、三种化合在一起
我们看到，历史走向新时代的这道大门已经开启。这个开启不是智能化、数字化、平台化的其中一个，而是合在一起。即使智能化、数字化、平台化密不可分，三者是紧密联系的，但又有不同的特征。三个东西合在一起，我们走向新时代的大门已经开启，而开启这个大门的是融合在一起的力量，其推动着这道大门的开启。但是我想，从全国、全球看，这个大门已经开启，但对于在座所在的企业、个人和生活，这个东西要看智能、数字平台做到什么程度，融合得怎样。因为开启这个门的时候， CIO们已不能只站在其中的一个角度，而是要从整体上看。因为这三个化、三个技术的核心部分是IT技术，核心的部分是信息、数据，所以我们要主导引领，而不是像原来那样老板怎么说，我们就怎么做，落实老板的指示，这个事情一定不成。必须真正考虑这个企业，包括你本人，究竟这道门如何打开，融合起来形成一个合力，这是一种技术方向。另外一个特征是，要真正开启它，前期这个门已经开了，不是将开将闭。到具体开的时候，一定要注意IT技术的应用、发展已经从通用转向个性化。刚才讲智能、数据、平台的时，其实隐含了这样一个逻辑，今天要将事物独有的、人独有的事情自动化、智能化、主体化，将通用转向个性。开启这个门，如果跟不上变化，跟在别人后面是不能引领时代的。
五、如何看待新世纪大门的开启
讲智能开启，门打开后，我们会看到什么？首先，企业看到的是白天鹅扑面而来，有很多的机会和机遇。在这个过程中，我们一定看到，有很多的人和企业由于看得远了一点，做的准备好了一点，门打开后发展得更好，所以会有很多白天鹅在飞。比如顺丰，从物流的角度，他为什么能站到一个世界的奇迹？以物流行业如此快的增长速度，在世界的物流历史上是没有的，超过了美国的、英国的百年老店，离世界第一已经很近了，但他只用了几年时间。它的飞机、车、轮船，自己或别人的汽车都没有什么，这些老牌的企业都有。但有一个是老牌企业是没有的，便是我们城市中的快递小哥。快递小哥很简单，骑着一辆电单车，将包裹送到人的手中。其中有一个交流很有趣， 50%快递放在门口，并未与快递小哥见面。这种方式技术含量如此之低，为什么能做？平台，他利用了公共的平台，这个平台好到什么程度？他不做终端，企业做CIO要做终端，他就不做终端，因为你就带着智能手机来，面试的人没有智能手机就不需要你。今天，一个订单号在控制着整个传递过程，这个东西了不起，英国、美国的老牌跟中国相比差得很远。
对移动的使用、移动支付、移动工具的普及和使用，我们全世界最快。我真没想到，微信支付会如此快的发展。就这样的一个东西，顺丰到了中国第三首富，我们的物流业发生了巨大的改变。其实我们有很多白天鹅，刚才讲的智能、技术、平台很多都很容易做。除此之外，企业在这样的环境下，还要改进人的资源、动力架构，全部要改变，改变快会成为白天鹅，做不好便会成为悲剧。
对于黑天鹅，由于纯技术的原因造成黑天鹅的事件并不多，这十年全世界就只有这么几件，没有真正的影响，而且只是很小的局部发生变化。技术产生黑天鹅，其实只要认真想一想，过去、今天、未来有，但不会太严重。真正严重的黑天鹅是别人把握了刚才我说的三个趋势发展方向，使得它在市场上抓住市场的需要，那么黑天鹅就产生了，黑天鹅的悲剧会降落到那些没有声音的、变革的企业和人的身上。
产业的活动是满足人的需求，这个基本原理是永远不变的，企业抓住需求、市场，这是第一位的。有的时候，模式、竞争的构成要素变了，但这个基本面是不变的。无论是产品还是流程、智能化的改革改变了需求，按照需求的基本面，个人、家庭、社会，需求的基本面没有变，医食住行等健康的基本需求、社会的基础设施和供给能力、竞争力的主要指标不会改变，改变的是竞争力中的指标构成要素。
当新的大门打开后，我们不要惊慌失措。首先，要看到白天鹅提示我们的信息，防止黑天鹅，把风险降下来，企业要看到基本面，在自己的优势上继续向前，这样企业能发展、个人能发展。
谢谢大家。
更多内容请关注：www.imefuture.com
来源：走向智能论坛 杨学山
343 浏览
智能制造如何切入，从机器代人说开去
智能制造类 国产女汉子 2017-03-22 16:49 发表了文章
谈到智能制造，“机器代人”的话题绕不开，近日，走向智能研究院特约研究员、宝钢中央研究院首席研究员郭朝晖博士撰文认为，理解智能制造有多个切口。让机器代替、减少人的工作，只是其中的一个。任何新技术要创造价值，必须与业务结合。从技术与业务结合的角度看，把“机器代人”作为智能制造的切入点具有天然的优势。
问题想清楚后，复杂的事物往往可以用一句话描述。如果讲了很多还没说清楚，那就不是真懂。故有“真传一句话，假传一部书”的说法。
“重要的一句话”往往只是一个思想体系的“切入口”。通过这个切入口，能够窥见体系的全貌。找到这个“切入口”，其实是把全貌的逻辑关系搞清楚了。一个体系的切入口可以有很多，对同样一件事，不同人可以有不同的说法。佛门有种观点：能用自己特有的话表达、而不是重复别人的说法，才是真正的悟道。也就是说，只要想明白，每个参透的人都可以有自己的切入口。
宝钢信息化技术的奠基人、令人高山仰止的前辈何麟生先生就曾经提到：企业的信息化可以有不同的切入口。可以从不同的角度理解信息化，比如知识管理。从哪个切口搞清楚，都可能把问题搞清楚。我研究智能制造，也发现了很多“切入口”。比如，数字化、网络化、知识管理、机器代人、快速响应、CPS、协同共享重用、减少不确定性........
今天从“机器代人”这个切入口，谈谈我对智能制造的理解。
虽然“机器代人”被很多人诟病，其实也是个不错的切如口。被人诟病的原因是：这个观点被人庸俗化、简单化、片面化地理解了。
其实，“机器代人”甚至可以作为自动化、信息化、智能化共同的“切口”。毋庸多言，自动化代替人的体力劳动。信息化其实也是。比如：过去会计做几天的工作量，现在用计算机一个小时就搞定了。效率的提高就是因为计算机代替了人的一些简单计算和核对工作。再如，OA系统的出现，就代替了通信员和秘书的工作。智能化也是让机器代替人的部分工作。前提就是把人的知识嵌入到计算机中，把人接受的信息数字化。
如果单独从原理上看，智能化的逻辑并不新。其新颖性在于经济可行性不一样：通过智能制造，可以实现大范围的优化、快速响应、各种资源的共享与重用。经济性为什么现在能实现了呢？因为ICT技术的发展，让信息的感知、传递和决策能力大大加强，过去的原理具有了技术可行性。
机器代人是不是人就要失业了呢？当然会有一部分人失业。但同时肯定会创造出新的岗位：机器做常规的、重复性的、物质生产相关的工作。但机器要做好这些工作，需要知识、需要维护、需要优化，而越来越多的人要从事知识生产活动，为机器工作保驾护航。
与自动化时代相比，智能制造时代需要的知识要复杂多了。知识生产是相当不容易的、也容易出错——否则，Windows为啥整天打补丁？这么复杂的劳动，当然要有更加给力的工具。这种工具就是平台。平台的作用不仅是“生产知识”，还要将知识的生产和应用对接起来：因为知识只有在应用中才能创造价值。构建“对接”的桥梁，也需要人的大智慧啊。
人类要进行知识生产，凭什么？我认为，大数据就是知识生产的原料。当然，从原料生产出来的知识，也要有类似“人机料法环”方面的诸多问题，要做到知识的专业化、“工业化”生产，也很不容易啊。既然大数据是知识生产的原料，数据的价值也要与日俱增。对任何一个企业来说，用户的需求和对产品的使用情况都变得重要起来。于是，企业之间的商业模式就可能会发生改变。
人类把苦活、累活、自己不愿意干的活交给机器了，当然要有自动化、智能化设备。这些设备要被管起来并不容易，CPS的相关技术必须解决这些问题。让机器自己干活，人类放心吗？我想，至少在初级阶段，人是不放心的。所以，我们需要若干支撑性技术，比如设备诊断、运维技术、移动监控、透明工厂等。其中，智能运维其实是让机器代替运维人员的部分工作。
有人说，国外公司在“智能制造”的旗帜下面，卖的是数字化货，如PLM、数字化同样也是减少人的工作量。PLM产生的动力，就是知识管理太麻烦、费时费力不好管。同时，数字化可以减少人的重复性劳动、减少沟通的麻烦、减少管理的漏洞，其实都可以看做代替人呢。
如果把机器代人做为切口，推进智能化的时候就要去想：哪些工作可以减少人的工作量？哪些工作让机器去做会做得更好？比如，现在的人们要花大量的时间去翻阅数据和材料，这些事情是不是可以让机器去做？这样让人的精力集中到最有价值的问题上。所以，提高信息的感知能力，一定是个不错的方向。扯得更远一点：现在有些共享经济案例，其实是通过信息技术，让低端人群代替高端人群的工作，让专业人士代替非专业人士的工作啊。
这样想，思路就打开了。当然，思路打开以后，问题还是很多：推进智能化往往涉及面太多、又难以找到合适的平台支持、人员和案例。所以，缺乏行动勇气的时候，往往也就想想算了——像浙江人说的那样：“夜里想了千条路，早上仍然卖豆腐。”
最后再次强调一下：理解智能制造有多个切口。让机器代替、减少人的工作，只是其中的一个。要真正搞清楚，每个人或许应该找到自己的切口。
任何新技术要创造价值，必须与业务结合。机器代替人的工作，原本就是业务的一部分。所以，从这个技术与业务结合的角度看，把“机器代人”作为智能制造的切入点具有天然的优势。最后再强调一下，要让“机器代人”具备经济可行性，就要力争让机器做得比人更好，并促进人类更高效地工作、从事更具创造性的工作。只有这样，智能制造才能将促进生产力和社会的发展结合起来。
更多内容请关注：www.imefuture.com
来源：微信公众号 走向智能论坛 查看全部
问题想清楚后，复杂的事物往往可以用一句话描述。如果讲了很多还没说清楚，那就不是真懂。故有“真传一句话，假传一部书”的说法。
“重要的一句话”往往只是一个思想体系的“切入口”。通过这个切入口，能够窥见体系的全貌。找到这个“切入口”，其实是把全貌的逻辑关系搞清楚了。一个体系的切入口可以有很多，对同样一件事，不同人可以有不同的说法。佛门有种观点：能用自己特有的话表达、而不是重复别人的说法，才是真正的悟道。也就是说，只要想明白，每个参透的人都可以有自己的切入口。
宝钢信息化技术的奠基人、令人高山仰止的前辈何麟生先生就曾经提到：企业的信息化可以有不同的切入口。可以从不同的角度理解信息化，比如知识管理。从哪个切口搞清楚，都可能把问题搞清楚。我研究智能制造，也发现了很多“切入口”。比如，数字化、网络化、知识管理、机器代人、快速响应、CPS、协同共享重用、减少不确定性........
今天从“机器代人”这个切入口，谈谈我对智能制造的理解。
虽然“机器代人”被很多人诟病，其实也是个不错的切如口。被人诟病的原因是：这个观点被人庸俗化、简单化、片面化地理解了。
其实，“机器代人”甚至可以作为自动化、信息化、智能化共同的“切口”。毋庸多言，自动化代替人的体力劳动。信息化其实也是。比如：过去会计做几天的工作量，现在用计算机一个小时就搞定了。效率的提高就是因为计算机代替了人的一些简单计算和核对工作。再如，OA系统的出现，就代替了通信员和秘书的工作。智能化也是让机器代替人的部分工作。前提就是把人的知识嵌入到计算机中，把人接受的信息数字化。
如果单独从原理上看，智能化的逻辑并不新。其新颖性在于经济可行性不一样：通过智能制造，可以实现大范围的优化、快速响应、各种资源的共享与重用。经济性为什么现在能实现了呢？因为ICT技术的发展，让信息的感知、传递和决策能力大大加强，过去的原理具有了技术可行性。
机器代人是不是人就要失业了呢？当然会有一部分人失业。但同时肯定会创造出新的岗位：机器做常规的、重复性的、物质生产相关的工作。但机器要做好这些工作，需要知识、需要维护、需要优化，而越来越多的人要从事知识生产活动，为机器工作保驾护航。
与自动化时代相比，智能制造时代需要的知识要复杂多了。知识生产是相当不容易的、也容易出错——否则，Windows为啥整天打补丁？这么复杂的劳动，当然要有更加给力的工具。这种工具就是平台。平台的作用不仅是“生产知识”，还要将知识的生产和应用对接起来：因为知识只有在应用中才能创造价值。构建“对接”的桥梁，也需要人的大智慧啊。
人类要进行知识生产，凭什么？我认为，大数据就是知识生产的原料。当然，从原料生产出来的知识，也要有类似“人机料法环”方面的诸多问题，要做到知识的专业化、“工业化”生产，也很不容易啊。既然大数据是知识生产的原料，数据的价值也要与日俱增。对任何一个企业来说，用户的需求和对产品的使用情况都变得重要起来。于是，企业之间的商业模式就可能会发生改变。
人类把苦活、累活、自己不愿意干的活交给机器了，当然要有自动化、智能化设备。这些设备要被管起来并不容易，CPS的相关技术必须解决这些问题。让机器自己干活，人类放心吗？我想，至少在初级阶段，人是不放心的。所以，我们需要若干支撑性技术，比如设备诊断、运维技术、移动监控、透明工厂等。其中，智能运维其实是让机器代替运维人员的部分工作。
有人说，国外公司在“智能制造”的旗帜下面，卖的是数字化货，如PLM、数字化同样也是减少人的工作量。PLM产生的动力，就是知识管理太麻烦、费时费力不好管。同时，数字化可以减少人的重复性劳动、减少沟通的麻烦、减少管理的漏洞，其实都可以看做代替人呢。
如果把机器代人做为切口，推进智能化的时候就要去想：哪些工作可以减少人的工作量？哪些工作让机器去做会做得更好？比如，现在的人们要花大量的时间去翻阅数据和材料，这些事情是不是可以让机器去做？这样让人的精力集中到最有价值的问题上。所以，提高信息的感知能力，一定是个不错的方向。扯得更远一点：现在有些共享经济案例，其实是通过信息技术，让低端人群代替高端人群的工作，让专业人士代替非专业人士的工作啊。
这样想，思路就打开了。当然，思路打开以后，问题还是很多：推进智能化往往涉及面太多、又难以找到合适的平台支持、人员和案例。所以，缺乏行动勇气的时候，往往也就想想算了——像浙江人说的那样：“夜里想了千条路，早上仍然卖豆腐。”
最后再次强调一下：理解智能制造有多个切口。让机器代替、减少人的工作，只是其中的一个。要真正搞清楚，每个人或许应该找到自己的切口。
任何新技术要创造价值，必须与业务结合。机器代替人的工作，原本就是业务的一部分。所以，从这个技术与业务结合的角度看，把“机器代人”作为智能制造的切入点具有天然的优势。最后再强调一下，要让“机器代人”具备经济可行性，就要力争让机器做得比人更好，并促进人类更高效地工作、从事更具创造性的工作。只有这样，智能制造才能将促进生产力和社会的发展结合起来。
更多内容请关注：www.imefuture.com
来源：微信公众号 走向智能论坛 查看全部
谈到智能制造，“机器代人”的话题绕不开，近日，走向智能研究院特约研究员、宝钢中央研究院首席研究员郭朝晖博士撰文认为，理解智能制造有多个切口。让机器代替、减少人的工作，只是其中的一个。任何新技术要创造价值，必须与业务结合。从技术与业务结合的角度看，把“机器代人”作为智能制造的切入点具有天然的优势。
问题想清楚后，复杂的事物往往可以用一句话描述。如果讲了很多还没说清楚，那就不是真懂。故有“真传一句话，假传一部书”的说法。
“重要的一句话”往往只是一个思想体系的“切入口”。通过这个切入口，能够窥见体系的全貌。找到这个“切入口”，其实是把全貌的逻辑关系搞清楚了。一个体系的切入口可以有很多，对同样一件事，不同人可以有不同的说法。佛门有种观点：能用自己特有的话表达、而不是重复别人的说法，才是真正的悟道。也就是说，只要想明白，每个参透的人都可以有自己的切入口。
宝钢信息化技术的奠基人、令人高山仰止的前辈何麟生先生就曾经提到：企业的信息化可以有不同的切入口。可以从不同的角度理解信息化，比如知识管理。从哪个切口搞清楚，都可能把问题搞清楚。我研究智能制造，也发现了很多“切入口”。比如，数字化、网络化、知识管理、机器代人、快速响应、CPS、协同共享重用、减少不确定性........
今天从“机器代人”这个切入口，谈谈我对智能制造的理解。
虽然“机器代人”被很多人诟病，其实也是个不错的切如口。被人诟病的原因是：这个观点被人庸俗化、简单化、片面化地理解了。
其实，“机器代人”甚至可以作为自动化、信息化、智能化共同的“切口”。毋庸多言，自动化代替人的体力劳动。信息化其实也是。比如：过去会计做几天的工作量，现在用计算机一个小时就搞定了。效率的提高就是因为计算机代替了人的一些简单计算和核对工作。再如，OA系统的出现，就代替了通信员和秘书的工作。智能化也是让机器代替人的部分工作。前提就是把人的知识嵌入到计算机中，把人接受的信息数字化。
如果单独从原理上看，智能化的逻辑并不新。其新颖性在于经济可行性不一样：通过智能制造，可以实现大范围的优化、快速响应、各种资源的共享与重用。经济性为什么现在能实现了呢？因为ICT技术的发展，让信息的感知、传递和决策能力大大加强，过去的原理具有了技术可行性。
机器代人是不是人就要失业了呢？当然会有一部分人失业。但同时肯定会创造出新的岗位：机器做常规的、重复性的、物质生产相关的工作。但机器要做好这些工作，需要知识、需要维护、需要优化，而越来越多的人要从事知识生产活动，为机器工作保驾护航。
与自动化时代相比，智能制造时代需要的知识要复杂多了。知识生产是相当不容易的、也容易出错——否则，Windows为啥整天打补丁？这么复杂的劳动，当然要有更加给力的工具。这种工具就是平台。平台的作用不仅是“生产知识”，还要将知识的生产和应用对接起来：因为知识只有在应用中才能创造价值。构建“对接”的桥梁，也需要人的大智慧啊。
人类要进行知识生产，凭什么？我认为，大数据就是知识生产的原料。当然，从原料生产出来的知识，也要有类似“人机料法环”方面的诸多问题，要做到知识的专业化、“工业化”生产，也很不容易啊。既然大数据是知识生产的原料，数据的价值也要与日俱增。对任何一个企业来说，用户的需求和对产品的使用情况都变得重要起来。于是，企业之间的商业模式就可能会发生改变。
人类把苦活、累活、自己不愿意干的活交给机器了，当然要有自动化、智能化设备。这些设备要被管起来并不容易，CPS的相关技术必须解决这些问题。让机器自己干活，人类放心吗？我想，至少在初级阶段，人是不放心的。所以，我们需要若干支撑性技术，比如设备诊断、运维技术、移动监控、透明工厂等。其中，智能运维其实是让机器代替运维人员的部分工作。
有人说，国外公司在“智能制造”的旗帜下面，卖的是数字化货，如PLM、数字化同样也是减少人的工作量。PLM产生的动力，就是知识管理太麻烦、费时费力不好管。同时，数字化可以减少人的重复性劳动、减少沟通的麻烦、减少管理的漏洞，其实都可以看做代替人呢。
如果把机器代人做为切口，推进智能化的时候就要去想：哪些工作可以减少人的工作量？哪些工作让机器去做会做得更好？比如，现在的人们要花大量的时间去翻阅数据和材料，这些事情是不是可以让机器去做？这样让人的精力集中到最有价值的问题上。所以，提高信息的感知能力，一定是个不错的方向。扯得更远一点：现在有些共享经济案例，其实是通过信息技术，让低端人群代替高端人群的工作，让专业人士代替非专业人士的工作啊。
这样想，思路就打开了。当然，思路打开以后，问题还是很多：推进智能化往往涉及面太多、又难以找到合适的平台支持、人员和案例。所以，缺乏行动勇气的时候，往往也就想想算了——像浙江人说的那样：“夜里想了千条路，早上仍然卖豆腐。”
最后再次强调一下：理解智能制造有多个切口。让机器代替、减少人的工作，只是其中的一个。要真正搞清楚，每个人或许应该找到自己的切口。
任何新技术要创造价值，必须与业务结合。机器代替人的工作，原本就是业务的一部分。所以，从这个技术与业务结合的角度看，把“机器代人”作为智能制造的切入点具有天然的优势。最后再强调一下，要让“机器代人”具备经济可行性，就要力争让机器做得比人更好，并促进人类更高效地工作、从事更具创造性的工作。只有这样，智能制造才能将促进生产力和社会的发展结合起来。
更多内容请关注：www.imefuture.com
来源：微信公众号 走向智能论坛
问题想清楚后，复杂的事物往往可以用一句话描述。如果讲了很多还没说清楚，那就不是真懂。故有“真传一句话，假传一部书”的说法。
“重要的一句话”往往只是一个思想体系的“切入口”。通过这个切入口，能够窥见体系的全貌。找到这个“切入口”，其实是把全貌的逻辑关系搞清楚了。一个体系的切入口可以有很多，对同样一件事，不同人可以有不同的说法。佛门有种观点：能用自己特有的话表达、而不是重复别人的说法，才是真正的悟道。也就是说，只要想明白，每个参透的人都可以有自己的切入口。
宝钢信息化技术的奠基人、令人高山仰止的前辈何麟生先生就曾经提到：企业的信息化可以有不同的切入口。可以从不同的角度理解信息化，比如知识管理。从哪个切口搞清楚，都可能把问题搞清楚。我研究智能制造，也发现了很多“切入口”。比如，数字化、网络化、知识管理、机器代人、快速响应、CPS、协同共享重用、减少不确定性........
今天从“机器代人”这个切入口，谈谈我对智能制造的理解。
虽然“机器代人”被很多人诟病，其实也是个不错的切如口。被人诟病的原因是：这个观点被人庸俗化、简单化、片面化地理解了。
其实，“机器代人”甚至可以作为自动化、信息化、智能化共同的“切口”。毋庸多言，自动化代替人的体力劳动。信息化其实也是。比如：过去会计做几天的工作量，现在用计算机一个小时就搞定了。效率的提高就是因为计算机代替了人的一些简单计算和核对工作。再如，OA系统的出现，就代替了通信员和秘书的工作。智能化也是让机器代替人的部分工作。前提就是把人的知识嵌入到计算机中，把人接受的信息数字化。
如果单独从原理上看，智能化的逻辑并不新。其新颖性在于经济可行性不一样：通过智能制造，可以实现大范围的优化、快速响应、各种资源的共享与重用。经济性为什么现在能实现了呢？因为ICT技术的发展，让信息的感知、传递和决策能力大大加强，过去的原理具有了技术可行性。
机器代人是不是人就要失业了呢？当然会有一部分人失业。但同时肯定会创造出新的岗位：机器做常规的、重复性的、物质生产相关的工作。但机器要做好这些工作，需要知识、需要维护、需要优化，而越来越多的人要从事知识生产活动，为机器工作保驾护航。
与自动化时代相比，智能制造时代需要的知识要复杂多了。知识生产是相当不容易的、也容易出错——否则，Windows为啥整天打补丁？这么复杂的劳动，当然要有更加给力的工具。这种工具就是平台。平台的作用不仅是“生产知识”，还要将知识的生产和应用对接起来：因为知识只有在应用中才能创造价值。构建“对接”的桥梁，也需要人的大智慧啊。
人类要进行知识生产，凭什么？我认为，大数据就是知识生产的原料。当然，从原料生产出来的知识，也要有类似“人机料法环”方面的诸多问题，要做到知识的专业化、“工业化”生产，也很不容易啊。既然大数据是知识生产的原料，数据的价值也要与日俱增。对任何一个企业来说，用户的需求和对产品的使用情况都变得重要起来。于是，企业之间的商业模式就可能会发生改变。
人类把苦活、累活、自己不愿意干的活交给机器了，当然要有自动化、智能化设备。这些设备要被管起来并不容易，CPS的相关技术必须解决这些问题。让机器自己干活，人类放心吗？我想，至少在初级阶段，人是不放心的。所以，我们需要若干支撑性技术，比如设备诊断、运维技术、移动监控、透明工厂等。其中，智能运维其实是让机器代替运维人员的部分工作。
有人说，国外公司在“智能制造”的旗帜下面，卖的是数字化货，如PLM、数字化同样也是减少人的工作量。PLM产生的动力，就是知识管理太麻烦、费时费力不好管。同时，数字化可以减少人的重复性劳动、减少沟通的麻烦、减少管理的漏洞，其实都可以看做代替人呢。
如果把机器代人做为切口，推进智能化的时候就要去想：哪些工作可以减少人的工作量？哪些工作让机器去做会做得更好？比如，现在的人们要花大量的时间去翻阅数据和材料，这些事情是不是可以让机器去做？这样让人的精力集中到最有价值的问题上。所以，提高信息的感知能力，一定是个不错的方向。扯得更远一点：现在有些共享经济案例，其实是通过信息技术，让低端人群代替高端人群的工作，让专业人士代替非专业人士的工作啊。
这样想，思路就打开了。当然，思路打开以后，问题还是很多：推进智能化往往涉及面太多、又难以找到合适的平台支持、人员和案例。所以，缺乏行动勇气的时候，往往也就想想算了——像浙江人说的那样：“夜里想了千条路，早上仍然卖豆腐。”
最后再次强调一下：理解智能制造有多个切口。让机器代替、减少人的工作，只是其中的一个。要真正搞清楚，每个人或许应该找到自己的切口。
任何新技术要创造价值，必须与业务结合。机器代替人的工作，原本就是业务的一部分。所以，从这个技术与业务结合的角度看，把“机器代人”作为智能制造的切入点具有天然的优势。最后再强调一下，要让“机器代人”具备经济可行性，就要力争让机器做得比人更好，并促进人类更高效地工作、从事更具创造性的工作。只有这样，智能制造才能将促进生产力和社会的发展结合起来。
更多内容请关注：www.imefuture.com
来源：微信公众号 走向智能论坛
416 浏览
信通院专家：智能制造之路如何走
管理类 jingjing 2017-03-17 17:53 发表了文章
智能制造是打造制造强国的重要举措，世界主要国家和地区纷纷加紧布局、加快发展智能制造。本文从企业实施的层面上，对智能制造的推进路径进行了初步探索，并尝试提出了以工业物联网为基础，以数据采集利用为手段，以管理创新为核心，以精益化和柔性化制造为目标，以集成和协同为方向的智能制造建设思路。
智能制造之路如何走
一、引言
近年来，为了应对全球性金融危机和经济不景气的挑战以及新一轮工业革命带来的机遇，西方发达国家纷纷提出了发展先进制造业的国家战略，其中美国于2012年2月发布了《先进制造业国家战略计划》，德国在2013年4月推出了《德国工业4.0战略》，英国也于2013年10月推出了《英国工业2050战略》。在我国，为了适应国内经济发展新常态，把握新一轮工业革命带来的改革发展机遇期，政府也适时提出了《中国制造2025》的国家发展战略，并先后出台了《积极推进“互联网+”行动的指导意见》、《深化制造业与互联网融合发展的指导意见》等一系列政策，明确提出以创新驱动、融合发展为主线，以推进智能制造为主攻方向的中国制造业转型升级指导思想。
作为中国制造2025与德国工业4.0、美国工业互联网的交汇点，智能制造正在被国内外产学研各界广泛热议和深入探讨。本文仅从企业实施的层面上，对智能制造的推进路径进行了初步探索，并尝试提出了以工业物联网为基础，以数据采集利用为手段，以管理创新为核心，以精益化和柔性化制造为目标，以集成和协同为方向的智能制造建设思路。
二、部署工业物联网，实现工业大数据的自动化采集
目前自动化、数字化、网络化、智能化的设备技改路线已经得到普遍认同。对于国内制造企业，目前设备的自动化和数字化水平已初步具备了一定的基础，但绝大多数为单机使用，设备数据没也有加以采集和利用，为此首先需要进行网络化改造。包括充分利用数字化设备的通信接口、在自动化设备上加装传感器和控制器，并因地适宜地利用有线或无线网络接入技术，建设覆盖全工序、全流程的各类生产、检测、物流设备的工业互联网，充分采集制造过程中产生的大量数据和图像信息，从而为设备的集中监视、远程控制、协同制造创造条件。
另外，对于生产过程中的物流管理，可考虑采用条码识别或集中供料、自动计量的方式采集原辅材料及在制品的实时用量和库存数据，以便在精益生产管理过程中实现生产全过程中物料的“JIT”精准供应和实时的成本核算。
三、打通信息纵向集成通道，构筑数字化制造基础
目前国内制造企业已普遍应用了财务管理软件，ERP（企业资源管理系统）和OA（自动化办公系统）也得到了一定的推广普及。但产品和工艺设计、生产制造、设备管理、仓储物流管理、质量管理等方面的信息化应用尚未普及，也没有充分打通设备监控与操作层、生产运营管控层、企业经营决策层之间的信息流转通道，大量数据没有得到有效地收集和开发利用、信息传递不及时，现场管理主要依靠管理人员的经验，管理水平还远未达到数字化、科学化和精细化的程度。
为此，企业需要设备联网改造的基础上，在监控操作层开发部署DCS（分布式控制系统）、SCADA（数据采集与监视控制系统）、APC（先进控制系统）等工业控制系统；在生产运营层开发部署MES（制造执行系统）、APS（高级计划与排程系统）、EM（设备管理系统）、CAD/CAE/CAPP（计算机辅助设计/工程/工艺规划）、PLM/PDM（产品生命周期/产品数据管理）、LIMS（质量管理系统）、WMS（仓储管理系统）等信息化系统；在经营决策层部署ERP、SCM（供应链管理）、CRM（客户关系管理）等系统。并通过数据接口、中间件、数据总线、ESB（企业服务总线）等实现从设备层一直到决策层的集成，消除信息孤岛、确保对企业大数据进行充分加工和利用，从而构建数字化工厂。
四、导入先进管理理念，提升全工序的集成化、精益化、柔性化制造能力
实施设备网络化改造、提高数据自动采集率、部署工业软件、开展物理系统与信息系统的集成等等，这些措施的最终目的并不仅仅是为了提高生产自动化水平、实现机器换人，而是以优化生产节拍、提高生产效率、降低库存、控制成本浪费、提升产品质量为核心，全面推行精益生产等先进管理理念，提升全工序的集成化、精益化、柔性化制造能力。
包括借助APS先进排程模型优化生产计划和调度管理，改变以往生产组织粗方式管理、生产计划柔性不足等问题；利用从设备上直接采集的数据实时监控生产进度和设备状态；通过对设备实时的工艺参数进行CPK（工序能力指数）计算和分析，开展统计过程控制，从源头控制产品质量、预防不合格品发生；利用条码/二维码/RFID等技术提高原材料、在制品及工装等信息的采集效率，为生产组织、物流管理、成本核算等提供精准的数据；基于实时采集的数据，开展OEE（设备综合效率）分析，更精确地开展IE（工业工程）管理，实施“人机料法环”全面的生产过程优化等。
五、整合企业内外部资源，实现价值网络上的集成和协同
智能制造的核心在于借助CPS信息物理系统，充分运用自动化、信息化、互联网、物联网、人工智能等先进技术，把企业的设备、生产线、物料、员工、供应商及客户紧密联系在一起，把数据作为一种新型的生产要素进行全面管理和深化应用，全面推进业务流、资金流、物流中信息的数字化、网络化、集成化的发展，并不断提升从数据到信息再到知识全过程的自动化采集、处理、分析和利用的水平，从而优化企业资源配置、提高管理效率、提升企业竞争力，为客户提供差异化、端到端的生产和服务。
六、 技术创新是智能制造的基础，管理创新是智能制造的核心
智能制造是信息化与工业化的深度融合，它不仅是先进的IT、OT等技术的引进和创新，更是企业管理的创新和模式的创新。回顾改革开放三十年来国内制造企业的转型升级之路，应该说自动化、信息化建设得到了快速发展，但从全球竞争市场来看，仍然存在高端产能不足、中端产能过剩、低端产能竞争优势减弱等问题。对此，笔者认为单纯强调技术而忽视管理可能是其中的原因之一。
例如，当前大量企业都部署应用了ERP系统，但真正能借助该系统实现企业业务整合、资源配置优化的并不多见。究其原因，主要在于多数企业仅仅把ERP看作是一个信息化工具加以应用，而没有真正理解蕴含其中的流程化管理思想。系统导入前没有进行充分的业务流程优化或业务流程再造，仅仅基于现实的做法用电子化手段代替了原来的人工录入、审批和统计等工作，在整个业务流程上部门间的壁垒没有被彻底打破，不增值、冗余的流程环节依然存在，流程本身的效率并没有得到充分优化和提升。
总之，企业应立足自身的战略规划和布局，结合行业特点和自身现状，统筹考虑软件与硬件、技术与管理、信息化与工业化等手段，稳步推进自身的智能制造建设，逐步提升自身的综合竞争力。
作者简介：
郑永亮 ——中国信息通信研究院泰尔认证研究所（泰尔认证中心）副总工，长期从事管理体系及产品认证的审核、培训及相关研究工作，先后主持完成了某通信运营商集团总部的集采产品质量管理、供应商认证、供应链生产管理及质量控制体系等多项研究。从2013年起参与工信部的信息化和工业化深度融合专项行动计划，作为主要起草人之一参与了两化融合管理体系系列国家标准的起草，并主导完成了企业两化融合管理体系贯标实施、两化融合评估审核方法及要点等培训教材的编制
更多内容请关注：www.imefuture.com
来源：本文来自微信订阅号“中国信息通信研究院CAICT” 查看全部
智能制造之路如何走
一、引言
近年来，为了应对全球性金融危机和经济不景气的挑战以及新一轮工业革命带来的机遇，西方发达国家纷纷提出了发展先进制造业的国家战略，其中美国于2012年2月发布了《先进制造业国家战略计划》，德国在2013年4月推出了《德国工业4.0战略》，英国也于2013年10月推出了《英国工业2050战略》。在我国，为了适应国内经济发展新常态，把握新一轮工业革命带来的改革发展机遇期，政府也适时提出了《中国制造2025》的国家发展战略，并先后出台了《积极推进“互联网+”行动的指导意见》、《深化制造业与互联网融合发展的指导意见》等一系列政策，明确提出以创新驱动、融合发展为主线，以推进智能制造为主攻方向的中国制造业转型升级指导思想。
作为中国制造2025与德国工业4.0、美国工业互联网的交汇点，智能制造正在被国内外产学研各界广泛热议和深入探讨。本文仅从企业实施的层面上，对智能制造的推进路径进行了初步探索，并尝试提出了以工业物联网为基础，以数据采集利用为手段，以管理创新为核心，以精益化和柔性化制造为目标，以集成和协同为方向的智能制造建设思路。
二、部署工业物联网，实现工业大数据的自动化采集
目前自动化、数字化、网络化、智能化的设备技改路线已经得到普遍认同。对于国内制造企业，目前设备的自动化和数字化水平已初步具备了一定的基础，但绝大多数为单机使用，设备数据没也有加以采集和利用，为此首先需要进行网络化改造。包括充分利用数字化设备的通信接口、在自动化设备上加装传感器和控制器，并因地适宜地利用有线或无线网络接入技术，建设覆盖全工序、全流程的各类生产、检测、物流设备的工业互联网，充分采集制造过程中产生的大量数据和图像信息，从而为设备的集中监视、远程控制、协同制造创造条件。
另外，对于生产过程中的物流管理，可考虑采用条码识别或集中供料、自动计量的方式采集原辅材料及在制品的实时用量和库存数据，以便在精益生产管理过程中实现生产全过程中物料的“JIT”精准供应和实时的成本核算。
三、打通信息纵向集成通道，构筑数字化制造基础
目前国内制造企业已普遍应用了财务管理软件，ERP（企业资源管理系统）和OA（自动化办公系统）也得到了一定的推广普及。但产品和工艺设计、生产制造、设备管理、仓储物流管理、质量管理等方面的信息化应用尚未普及，也没有充分打通设备监控与操作层、生产运营管控层、企业经营决策层之间的信息流转通道，大量数据没有得到有效地收集和开发利用、信息传递不及时，现场管理主要依靠管理人员的经验，管理水平还远未达到数字化、科学化和精细化的程度。
为此，企业需要设备联网改造的基础上，在监控操作层开发部署DCS（分布式控制系统）、SCADA（数据采集与监视控制系统）、APC（先进控制系统）等工业控制系统；在生产运营层开发部署MES（制造执行系统）、APS（高级计划与排程系统）、EM（设备管理系统）、CAD/CAE/CAPP（计算机辅助设计/工程/工艺规划）、PLM/PDM（产品生命周期/产品数据管理）、LIMS（质量管理系统）、WMS（仓储管理系统）等信息化系统；在经营决策层部署ERP、SCM（供应链管理）、CRM（客户关系管理）等系统。并通过数据接口、中间件、数据总线、ESB（企业服务总线）等实现从设备层一直到决策层的集成，消除信息孤岛、确保对企业大数据进行充分加工和利用，从而构建数字化工厂。
四、导入先进管理理念，提升全工序的集成化、精益化、柔性化制造能力
实施设备网络化改造、提高数据自动采集率、部署工业软件、开展物理系统与信息系统的集成等等，这些措施的最终目的并不仅仅是为了提高生产自动化水平、实现机器换人，而是以优化生产节拍、提高生产效率、降低库存、控制成本浪费、提升产品质量为核心，全面推行精益生产等先进管理理念，提升全工序的集成化、精益化、柔性化制造能力。
包括借助APS先进排程模型优化生产计划和调度管理，改变以往生产组织粗方式管理、生产计划柔性不足等问题；利用从设备上直接采集的数据实时监控生产进度和设备状态；通过对设备实时的工艺参数进行CPK（工序能力指数）计算和分析，开展统计过程控制，从源头控制产品质量、预防不合格品发生；利用条码/二维码/RFID等技术提高原材料、在制品及工装等信息的采集效率，为生产组织、物流管理、成本核算等提供精准的数据；基于实时采集的数据，开展OEE（设备综合效率）分析，更精确地开展IE（工业工程）管理，实施“人机料法环”全面的生产过程优化等。
五、整合企业内外部资源，实现价值网络上的集成和协同
智能制造的核心在于借助CPS信息物理系统，充分运用自动化、信息化、互联网、物联网、人工智能等先进技术，把企业的设备、生产线、物料、员工、供应商及客户紧密联系在一起，把数据作为一种新型的生产要素进行全面管理和深化应用，全面推进业务流、资金流、物流中信息的数字化、网络化、集成化的发展，并不断提升从数据到信息再到知识全过程的自动化采集、处理、分析和利用的水平，从而优化企业资源配置、提高管理效率、提升企业竞争力，为客户提供差异化、端到端的生产和服务。
六、 技术创新是智能制造的基础，管理创新是智能制造的核心
智能制造是信息化与工业化的深度融合，它不仅是先进的IT、OT等技术的引进和创新，更是企业管理的创新和模式的创新。回顾改革开放三十年来国内制造企业的转型升级之路，应该说自动化、信息化建设得到了快速发展，但从全球竞争市场来看，仍然存在高端产能不足、中端产能过剩、低端产能竞争优势减弱等问题。对此，笔者认为单纯强调技术而忽视管理可能是其中的原因之一。
例如，当前大量企业都部署应用了ERP系统，但真正能借助该系统实现企业业务整合、资源配置优化的并不多见。究其原因，主要在于多数企业仅仅把ERP看作是一个信息化工具加以应用，而没有真正理解蕴含其中的流程化管理思想。系统导入前没有进行充分的业务流程优化或业务流程再造，仅仅基于现实的做法用电子化手段代替了原来的人工录入、审批和统计等工作，在整个业务流程上部门间的壁垒没有被彻底打破，不增值、冗余的流程环节依然存在，流程本身的效率并没有得到充分优化和提升。
总之，企业应立足自身的战略规划和布局，结合行业特点和自身现状，统筹考虑软件与硬件、技术与管理、信息化与工业化等手段，稳步推进自身的智能制造建设，逐步提升自身的综合竞争力。
作者简介：
郑永亮 ——中国信息通信研究院泰尔认证研究所（泰尔认证中心）副总工，长期从事管理体系及产品认证的审核、培训及相关研究工作，先后主持完成了某通信运营商集团总部的集采产品质量管理、供应商认证、供应链生产管理及质量控制体系等多项研究。从2013年起参与工信部的信息化和工业化深度融合专项行动计划，作为主要起草人之一参与了两化融合管理体系系列国家标准的起草，并主导完成了企业两化融合管理体系贯标实施、两化融合评估审核方法及要点等培训教材的编制
更多内容请关注：www.imefuture.com
来源：本文来自微信订阅号“中国信息通信研究院CAICT” 查看全部
智能制造是打造制造强国的重要举措，世界主要国家和地区纷纷加紧布局、加快发展智能制造。本文从企业实施的层面上，对智能制造的推进路径进行了初步探索，并尝试提出了以工业物联网为基础，以数据采集利用为手段，以管理创新为核心，以精益化和柔性化制造为目标，以集成和协同为方向的智能制造建设思路。
智能制造之路如何走
一、引言
近年来，为了应对全球性金融危机和经济不景气的挑战以及新一轮工业革命带来的机遇，西方发达国家纷纷提出了发展先进制造业的国家战略，其中美国于2012年2月发布了《先进制造业国家战略计划》，德国在2013年4月推出了《德国工业4.0战略》，英国也于2013年10月推出了《英国工业2050战略》。在我国，为了适应国内经济发展新常态，把握新一轮工业革命带来的改革发展机遇期，政府也适时提出了《中国制造2025》的国家发展战略，并先后出台了《积极推进“互联网+”行动的指导意见》、《深化制造业与互联网融合发展的指导意见》等一系列政策，明确提出以创新驱动、融合发展为主线，以推进智能制造为主攻方向的中国制造业转型升级指导思想。
作为中国制造2025与德国工业4.0、美国工业互联网的交汇点，智能制造正在被国内外产学研各界广泛热议和深入探讨。本文仅从企业实施的层面上，对智能制造的推进路径进行了初步探索，并尝试提出了以工业物联网为基础，以数据采集利用为手段，以管理创新为核心，以精益化和柔性化制造为目标，以集成和协同为方向的智能制造建设思路。
二、部署工业物联网，实现工业大数据的自动化采集
目前自动化、数字化、网络化、智能化的设备技改路线已经得到普遍认同。对于国内制造企业，目前设备的自动化和数字化水平已初步具备了一定的基础，但绝大多数为单机使用，设备数据没也有加以采集和利用，为此首先需要进行网络化改造。包括充分利用数字化设备的通信接口、在自动化设备上加装传感器和控制器，并因地适宜地利用有线或无线网络接入技术，建设覆盖全工序、全流程的各类生产、检测、物流设备的工业互联网，充分采集制造过程中产生的大量数据和图像信息，从而为设备的集中监视、远程控制、协同制造创造条件。
另外，对于生产过程中的物流管理，可考虑采用条码识别或集中供料、自动计量的方式采集原辅材料及在制品的实时用量和库存数据，以便在精益生产管理过程中实现生产全过程中物料的“JIT”精准供应和实时的成本核算。
三、打通信息纵向集成通道，构筑数字化制造基础
目前国内制造企业已普遍应用了财务管理软件，ERP（企业资源管理系统）和OA（自动化办公系统）也得到了一定的推广普及。但产品和工艺设计、生产制造、设备管理、仓储物流管理、质量管理等方面的信息化应用尚未普及，也没有充分打通设备监控与操作层、生产运营管控层、企业经营决策层之间的信息流转通道，大量数据没有得到有效地收集和开发利用、信息传递不及时，现场管理主要依靠管理人员的经验，管理水平还远未达到数字化、科学化和精细化的程度。
为此，企业需要设备联网改造的基础上，在监控操作层开发部署DCS（分布式控制系统）、SCADA（数据采集与监视控制系统）、APC（先进控制系统）等工业控制系统；在生产运营层开发部署MES（制造执行系统）、APS（高级计划与排程系统）、EM（设备管理系统）、CAD/CAE/CAPP（计算机辅助设计/工程/工艺规划）、PLM/PDM（产品生命周期/产品数据管理）、LIMS（质量管理系统）、WMS（仓储管理系统）等信息化系统；在经营决策层部署ERP、SCM（供应链管理）、CRM（客户关系管理）等系统。并通过数据接口、中间件、数据总线、ESB（企业服务总线）等实现从设备层一直到决策层的集成，消除信息孤岛、确保对企业大数据进行充分加工和利用，从而构建数字化工厂。
四、导入先进管理理念，提升全工序的集成化、精益化、柔性化制造能力
实施设备网络化改造、提高数据自动采集率、部署工业软件、开展物理系统与信息系统的集成等等，这些措施的最终目的并不仅仅是为了提高生产自动化水平、实现机器换人，而是以优化生产节拍、提高生产效率、降低库存、控制成本浪费、提升产品质量为核心，全面推行精益生产等先进管理理念，提升全工序的集成化、精益化、柔性化制造能力。
包括借助APS先进排程模型优化生产计划和调度管理，改变以往生产组织粗方式管理、生产计划柔性不足等问题；利用从设备上直接采集的数据实时监控生产进度和设备状态；通过对设备实时的工艺参数进行CPK（工序能力指数）计算和分析，开展统计过程控制，从源头控制产品质量、预防不合格品发生；利用条码/二维码/RFID等技术提高原材料、在制品及工装等信息的采集效率，为生产组织、物流管理、成本核算等提供精准的数据；基于实时采集的数据，开展OEE（设备综合效率）分析，更精确地开展IE（工业工程）管理，实施“人机料法环”全面的生产过程优化等。
五、整合企业内外部资源，实现价值网络上的集成和协同
智能制造的核心在于借助CPS信息物理系统，充分运用自动化、信息化、互联网、物联网、人工智能等先进技术，把企业的设备、生产线、物料、员工、供应商及客户紧密联系在一起，把数据作为一种新型的生产要素进行全面管理和深化应用，全面推进业务流、资金流、物流中信息的数字化、网络化、集成化的发展，并不断提升从数据到信息再到知识全过程的自动化采集、处理、分析和利用的水平，从而优化企业资源配置、提高管理效率、提升企业竞争力，为客户提供差异化、端到端的生产和服务。
六、 技术创新是智能制造的基础，管理创新是智能制造的核心
智能制造是信息化与工业化的深度融合，它不仅是先进的IT、OT等技术的引进和创新，更是企业管理的创新和模式的创新。回顾改革开放三十年来国内制造企业的转型升级之路，应该说自动化、信息化建设得到了快速发展，但从全球竞争市场来看，仍然存在高端产能不足、中端产能过剩、低端产能竞争优势减弱等问题。对此，笔者认为单纯强调技术而忽视管理可能是其中的原因之一。
例如，当前大量企业都部署应用了ERP系统，但真正能借助该系统实现企业业务整合、资源配置优化的并不多见。究其原因，主要在于多数企业仅仅把ERP看作是一个信息化工具加以应用，而没有真正理解蕴含其中的流程化管理思想。系统导入前没有进行充分的业务流程优化或业务流程再造，仅仅基于现实的做法用电子化手段代替了原来的人工录入、审批和统计等工作，在整个业务流程上部门间的壁垒没有被彻底打破，不增值、冗余的流程环节依然存在，流程本身的效率并没有得到充分优化和提升。
总之，企业应立足自身的战略规划和布局，结合行业特点和自身现状，统筹考虑软件与硬件、技术与管理、信息化与工业化等手段，稳步推进自身的智能制造建设，逐步提升自身的综合竞争力。
作者简介：
郑永亮 ——中国信息通信研究院泰尔认证研究所（泰尔认证中心）副总工，长期从事管理体系及产品认证的审核、培训及相关研究工作，先后主持完成了某通信运营商集团总部的集采产品质量管理、供应商认证、供应链生产管理及质量控制体系等多项研究。从2013年起参与工信部的信息化和工业化深度融合专项行动计划，作为主要起草人之一参与了两化融合管理体系系列国家标准的起草，并主导完成了企业两化融合管理体系贯标实施、两化融合评估审核方法及要点等培训教材的编制
更多内容请关注：www.imefuture.com
来源：本文来自微信订阅号“中国信息通信研究院CAICT”
智能制造之路如何走
一、引言
近年来，为了应对全球性金融危机和经济不景气的挑战以及新一轮工业革命带来的机遇，西方发达国家纷纷提出了发展先进制造业的国家战略，其中美国于2012年2月发布了《先进制造业国家战略计划》，德国在2013年4月推出了《德国工业4.0战略》，英国也于2013年10月推出了《英国工业2050战略》。在我国，为了适应国内经济发展新常态，把握新一轮工业革命带来的改革发展机遇期，政府也适时提出了《中国制造2025》的国家发展战略，并先后出台了《积极推进“互联网+”行动的指导意见》、《深化制造业与互联网融合发展的指导意见》等一系列政策，明确提出以创新驱动、融合发展为主线，以推进智能制造为主攻方向的中国制造业转型升级指导思想。
作为中国制造2025与德国工业4.0、美国工业互联网的交汇点，智能制造正在被国内外产学研各界广泛热议和深入探讨。本文仅从企业实施的层面上，对智能制造的推进路径进行了初步探索，并尝试提出了以工业物联网为基础，以数据采集利用为手段，以管理创新为核心，以精益化和柔性化制造为目标，以集成和协同为方向的智能制造建设思路。
二、部署工业物联网，实现工业大数据的自动化采集
目前自动化、数字化、网络化、智能化的设备技改路线已经得到普遍认同。对于国内制造企业，目前设备的自动化和数字化水平已初步具备了一定的基础，但绝大多数为单机使用，设备数据没也有加以采集和利用，为此首先需要进行网络化改造。包括充分利用数字化设备的通信接口、在自动化设备上加装传感器和控制器，并因地适宜地利用有线或无线网络接入技术，建设覆盖全工序、全流程的各类生产、检测、物流设备的工业互联网，充分采集制造过程中产生的大量数据和图像信息，从而为设备的集中监视、远程控制、协同制造创造条件。
另外，对于生产过程中的物流管理，可考虑采用条码识别或集中供料、自动计量的方式采集原辅材料及在制品的实时用量和库存数据，以便在精益生产管理过程中实现生产全过程中物料的“JIT”精准供应和实时的成本核算。
三、打通信息纵向集成通道，构筑数字化制造基础
目前国内制造企业已普遍应用了财务管理软件，ERP（企业资源管理系统）和OA（自动化办公系统）也得到了一定的推广普及。但产品和工艺设计、生产制造、设备管理、仓储物流管理、质量管理等方面的信息化应用尚未普及，也没有充分打通设备监控与操作层、生产运营管控层、企业经营决策层之间的信息流转通道，大量数据没有得到有效地收集和开发利用、信息传递不及时，现场管理主要依靠管理人员的经验，管理水平还远未达到数字化、科学化和精细化的程度。
为此，企业需要设备联网改造的基础上，在监控操作层开发部署DCS（分布式控制系统）、SCADA（数据采集与监视控制系统）、APC（先进控制系统）等工业控制系统；在生产运营层开发部署MES（制造执行系统）、APS（高级计划与排程系统）、EM（设备管理系统）、CAD/CAE/CAPP（计算机辅助设计/工程/工艺规划）、PLM/PDM（产品生命周期/产品数据管理）、LIMS（质量管理系统）、WMS（仓储管理系统）等信息化系统；在经营决策层部署ERP、SCM（供应链管理）、CRM（客户关系管理）等系统。并通过数据接口、中间件、数据总线、ESB（企业服务总线）等实现从设备层一直到决策层的集成，消除信息孤岛、确保对企业大数据进行充分加工和利用，从而构建数字化工厂。
四、导入先进管理理念，提升全工序的集成化、精益化、柔性化制造能力
实施设备网络化改造、提高数据自动采集率、部署工业软件、开展物理系统与信息系统的集成等等，这些措施的最终目的并不仅仅是为了提高生产自动化水平、实现机器换人，而是以优化生产节拍、提高生产效率、降低库存、控制成本浪费、提升产品质量为核心，全面推行精益生产等先进管理理念，提升全工序的集成化、精益化、柔性化制造能力。
包括借助APS先进排程模型优化生产计划和调度管理，改变以往生产组织粗方式管理、生产计划柔性不足等问题；利用从设备上直接采集的数据实时监控生产进度和设备状态；通过对设备实时的工艺参数进行CPK（工序能力指数）计算和分析，开展统计过程控制，从源头控制产品质量、预防不合格品发生；利用条码/二维码/RFID等技术提高原材料、在制品及工装等信息的采集效率，为生产组织、物流管理、成本核算等提供精准的数据；基于实时采集的数据，开展OEE（设备综合效率）分析，更精确地开展IE（工业工程）管理，实施“人机料法环”全面的生产过程优化等。
五、整合企业内外部资源，实现价值网络上的集成和协同
智能制造的核心在于借助CPS信息物理系统，充分运用自动化、信息化、互联网、物联网、人工智能等先进技术，把企业的设备、生产线、物料、员工、供应商及客户紧密联系在一起，把数据作为一种新型的生产要素进行全面管理和深化应用，全面推进业务流、资金流、物流中信息的数字化、网络化、集成化的发展，并不断提升从数据到信息再到知识全过程的自动化采集、处理、分析和利用的水平，从而优化企业资源配置、提高管理效率、提升企业竞争力，为客户提供差异化、端到端的生产和服务。
六、 技术创新是智能制造的基础，管理创新是智能制造的核心
智能制造是信息化与工业化的深度融合，它不仅是先进的IT、OT等技术的引进和创新，更是企业管理的创新和模式的创新。回顾改革开放三十年来国内制造企业的转型升级之路，应该说自动化、信息化建设得到了快速发展，但从全球竞争市场来看，仍然存在高端产能不足、中端产能过剩、低端产能竞争优势减弱等问题。对此，笔者认为单纯强调技术而忽视管理可能是其中的原因之一。
例如，当前大量企业都部署应用了ERP系统，但真正能借助该系统实现企业业务整合、资源配置优化的并不多见。究其原因，主要在于多数企业仅仅把ERP看作是一个信息化工具加以应用，而没有真正理解蕴含其中的流程化管理思想。系统导入前没有进行充分的业务流程优化或业务流程再造，仅仅基于现实的做法用电子化手段代替了原来的人工录入、审批和统计等工作，在整个业务流程上部门间的壁垒没有被彻底打破，不增值、冗余的流程环节依然存在，流程本身的效率并没有得到充分优化和提升。
总之，企业应立足自身的战略规划和布局，结合行业特点和自身现状，统筹考虑软件与硬件、技术与管理、信息化与工业化等手段，稳步推进自身的智能制造建设，逐步提升自身的综合竞争力。
作者简介：
郑永亮 ——中国信息通信研究院泰尔认证研究所（泰尔认证中心）副总工，长期从事管理体系及产品认证的审核、培训及相关研究工作，先后主持完成了某通信运营商集团总部的集采产品质量管理、供应商认证、供应链生产管理及质量控制体系等多项研究。从2013年起参与工信部的信息化和工业化深度融合专项行动计划，作为主要起草人之一参与了两化融合管理体系系列国家标准的起草，并主导完成了企业两化融合管理体系贯标实施、两化融合评估审核方法及要点等培训教材的编制
更多内容请关注：www.imefuture.com
来源：本文来自微信订阅号“中国信息通信研究院CAICT”
544 浏览
走向实用化：谷歌量子计算的三大商业前景
智能科技类 机器猫 2017-03-06 13:44 发表了文章
谷歌的低温恒温器在 10mK 温度下运行量子处理器
从量子纠缠到与大分子化学反应，无法使用传统二进制计算机有效描述的世界特征有很多。解决这一难题的办法，正如物理学家 Richard Feynman 在 30 年前意识到的，就是使用量子处理器，这种处理器同时混合了传统状态，恰如物质所做的那样。然而，这样的量子机器投入使用前需要克服很多技术障碍，其中包括误差控制以及根据编码信息的量子状态运行保真度的提升。
人类正在打造终极量子计算机：一个可以容忍误差和错误，解决一切问题的量子计算机。理论上讲，这样一台由很多量子比特组成的大型处理器为核心的机器要比普通计算机更快，计算能力至少领先 10 年。纠正错误需要冗余，量子比特的数量需要大幅度扩展。例如，1 天时间内对 2000 位数进行因式分解是经典计算机难以胜任的，而这也需要 1 亿个量子比特进行计算，而且这是在每 100,000 个操作中只有 1 个量子位出错的前提下。目前，我们还没有组装出具有数十个量子位的量子处理器的能力。
关于量子计算的保守观点使得投资者认为这项技术只能在远期获得回报。但我们认为，如果这个小装置在未来 5 年内出现，短期回报也不无可能，即使它们无法纠正全部错误。
理论保证的缺乏并不妨碍成功。结合了量子和经典方法的启发式混合方法可以支撑强大的未来应用。神经网络在机器学习方面的最近成功就是一个很好的例证。在上世纪 90 年代，训练深度神经网络的计算机还不存在，有着强大理论基础的 convex 方法（以带有清晰最小化解决方案的函数为基础）在这一领域甚是流行。今天，这些方法并不适用于深度学习。神经网路的基础算法很难改变，但是，多亏了摩尔定律，我们取得了一些令人称奇的里程碑式的新成果。
相似地，尽管今天没有证据表明非完美量子机器可以计算的足够快以解决实际问题，但情况也许在改变。模拟和数字量子硬件的规模、保真度和可控性正在稳步提升。我们预测在几年内，基于 CMOS（互补金属氧化物半导体，complementary metal oxide–semiconductor）技术的可控量子系统执行特定任务的速度就会超过传统计算机。
今天关于早期量子计算装置，我们提出了三个可行的商业化应用：量子模拟、量子辅助优化和量子采样。这些领域内的更快计算速度将在人工智能、金融和医疗方面形成商业化优势。
量子计算机的发展不仅需要多学科互动，而且需要学界和业界紧密配合。制造足够可靠、可控、商业化的装置需要硬件水平的提升。解决现今硬件限制的实际问题需要启发式量子算法。
三大商业前景
如果一些可行的技术进步成为现实，新兴的量子处理器将有可能胜任以下几类任务，并在未来几年内具有商业价值：
量子模拟。对化学反应和材料进行建模是量子计算最有可能的一个应用。研究者可以在计算机中研究数百万的候选而不用再花费数年，投入数亿的美元制造和定性少量材料。不管目标是用于飞机的更强的高分子材料，用于汽车的更有效的触媒转换器，用于太阳能电池的更好材料，更好的医学品还是更透气的纤维，更快的发现途径将会带来巨大价值。
计算材料发现已经是一个很大的产业。量子计算将为它带来根本的转变：从质量和描述到数量和预测。化学反应率对分子能量极其敏感，且横跨的范围已超出经典计算机的处理能力。如果稳健的算法成为现实，或许无需充分的量子错误纠正就可以完成材料模拟的任务。例如，已知的算法（例如量子力学变分计算的方法）有可能不需要量子位错误控制。
很多种商业模型可以提供量子模拟器。实验室可以允许付费访问。计算机公司可以充当顾问。一些企业也许会交换股权，以换取量子辅助的突破并带来创新材料的发展。
量子辅助（Quantum-assisted）优化。在物理、社会科学和各行业所有涉及量化计算的学科中，最核心也是最困难的计算任务就是优化。这些优化问题很难用常规计算机解决。因为算法只能缓慢地遍历所有数学上可能的解决方案，而优良的解决方案可能隐藏在难以克服的计算障碍之后。最常见经典的算法就是使用统计学方法（如热能分布/thermal energy distributions）来「越」过这些障碍。我们认为这种经典类型的采样（classical sampling）能通过引入量子现象的偶发性（如量子隧道，穿过障碍传递量子信息）达到加强的效果，从而找到也许很少见但十分高质量的解决方案。
这些芯片只有 6x6mm 的尺寸，控制 6 个量子比特
例如：推荐系统和广告竞价策略需要使用最优化的算法为消费者提供最及时有效的信息。基于量子计算和普通计算机的混合方式可以提高此类任务在很多领域中的服务质量。物流公司可以用新的方法每天优化他们的日程安排，计划和产品分配，医疗诊断也将变得越来越快捷准确。在新架构的帮助下，科技公司如谷歌、微软、亚马逊和 Facebook 提供的搜索或产品推荐质量都会得以提高。
量子采样。从概率分布中抽样的方法广泛应用与统计和机器学习领域。理论上，理想的量子电路可以比普通计算机更快地对更大概率分布范围进行采样。我们的计算表明，即使是相对小电路的高保真量子门（7 × 7 量子比特，深度 25）也可以对经典架构无法触及的概率分布进行取样。
事实上，从浅量子电路中对概率分布进行采样或许是「量子霸权」的一大例证——这一术语是由理论物理学家 John Preskill 创造的，用以描述量子处理器能在短时间内完成明确的数学任务的能力。此类任务即使是经典架构的超级计算机（如我国的神威·太湖之光）也无法在有限的时间内完成。我们相信在未来的几年里，证明量子霸权的实验就会出现。
量子采样的潜在应用是机器学习中的推理和模式识别。为了促进学界和业界的发展，谷歌计划开放云计算接口，向开发者们提供接触量子计算的机会。
技术障碍
量子计算目前距离商业化还有一段距离，一些技术挑战必须得以解决。量子计算机硬件需要扩大规模以与目前的计算机硬件竞争，而目前架构的计算机已经在摩尔定律之下发展了数十年。量子比特需要量子相干性以形成量子纠缠，这相当于经典计算机需要有增益的晶体管。如何实现大规模和相干性是量子计算机系统面临的最大挑战。这些问题即使在理论上也是难以解决的，因为量子信息无法被复制，而量子计算机中的子系统相互纠缠，这导致所有设计都要以全局的角度来思考。
我们认为超导量子比特是量子计算机最有前景的形式。基于标准集成电路和超导技术，这种架构相对而言容易被构建和掌控。这种架构已经存在多种不同的模拟量子处理器了，它们可以满足不同的任务需求。此前，10量子比特的高保真系统已经研制成功，这也证明了超导方式的可行性。
同时，一些新的技术正在帮助超导量子计算解决扩展性的问题，如超导撞击禁锢（superconducting bump bonds），这是一种包含信息处理单元和和控制电路的双层架构。目前，1000 量子比特的「量子退火」原型机已经进入商用，这些机器是模拟量子处理器，可为找到某些任务的最优解决方案提供便利。
目前还不完美的量子计算机还需要获得更多改进。浅量子电路需要更高的栅极保真度和更多稳定性以限制去相干。量子退火机器则需要在连接性，控制精度和相干时间方面得到改进。此外，我们最终需要的仍是一个能够替代量子退火的方案。
谷歌使用射频和微波电子设备制造可扩展的控制硬件
商业机遇
一个新技术可以通过三种方式加入市场提升业务：即增加利润、降低引入新技术或降低基础生产设备的投资。在数字化时代，引入一种新技术可以造成指数级的影响：即使只会提升产品 1% 的质量，同样能帮助公司在用户量或利润上带来压倒性的增长。这就是「超新星效应」，它在市场的竞争、透明度和效率上起着重要的作用。
如果早期量子计算设备只要能给现行的计算速度或功率提升一点点，早期采用量子计算的公司将会获得很大的利润。其竞争对手也会面临着很高的进入壁垒才能提供相同质量的服务或产品，这也因为只有少数专家才能编写量子算法，企业也需要比较长的时间来设计新算法。对这种垄断（disruptions）最为开放的市场是多信息（information-rich）和数字化的市场，并且还涉及到依赖于许多变量的商业挑战。这种开放性市场就有如金融服务、健康医疗、物流和数据分析。
公司需要审视自己的需求和供给才能制定商业案例。需求分析可以用以下方法来评估：首先需要确定「最小可行性产品」，因为早期量子创新仅仅只是凭借着核心特征加入市场。然后评估该量子创新是不是解决市场现有的需求（拟合产品和市场）、产品商业化所需要的时间（上架速度）和市场的反响（业务跟踪）。
例如，破解加密（通常媒体宣称为数字化量子计算机的「杀手级应用」）就在市场契合度方面得分不高。也许该应用某一天会被免疫量子攻击的密码系统所淘汰。并且大多数私营企业对破解加密系统并不感兴趣。相比之下，证券投资组合优化和风险管理需要即时的数据反馈，而这些需求都能从量子强化模型（quantum-enhanced models）中受益。更加高效的量子化学（quantum-chemistry）计算将变革制药的发展、催化转化器（catalytic converters）、太阳能电池和肥料。
量子辅助（Quantum-assisted）优化和推断技术能增强新型机器学习和人工智能系统。这些系统不仅能加强对可再生能源发电机的管理，还能提升遥感卫星和早期预警系统的的工作效率。这些技术还有助于对在线商品和服务的动态定价、仓库自动化及自动驾驶汽车。
而在供给侧，公司还将通过评估他们团队和技术的质量来区分定位自己。量子计算的开拓学者与企业家需要一起工作。也许这一点很具挑战性，因为学术的激励通常和初创文化或工业界并不一致。
战略合作伙伴关系通常能帮助企业脱颖而出。为了吸引风险投资，优秀的量子产品应该是拥有少量资产的商业模式，其制造成本低廉并能很明显地帮助客户创造价值。通过云端，将经典求解器（solvers）应用到简单任务，并在需要的时候调用量子处理器，公司就能从使用现有的云数据中心获得收益。
下一步
量子计算机领域很快就会出现爆发性的技术突破。但新硬件技术需要的相应算法能否及时出现还有待探讨。但随着量子计算机变得实用化，对其进行专门优化的算法必将逐渐进入人们的视野。
在下一个十年里，学界、业界以及国家实验室会同心协力开发新的量子计算模拟方式和量子机器学习算法。谷歌计划在这一过程中通过提供基于云端的量子处理器服务，为缺乏必要资金、专业能力和设备的开发者提供帮助。
更多内容请关注：www.imefuture.com
来源：微信公众号 机器之心 查看全部
从量子纠缠到与大分子化学反应，无法使用传统二进制计算机有效描述的世界特征有很多。解决这一难题的办法，正如物理学家 Richard Feynman 在 30 年前意识到的，就是使用量子处理器，这种处理器同时混合了传统状态，恰如物质所做的那样。然而，这样的量子机器投入使用前需要克服很多技术障碍，其中包括误差控制以及根据编码信息的量子状态运行保真度的提升。
人类正在打造终极量子计算机：一个可以容忍误差和错误，解决一切问题的量子计算机。理论上讲，这样一台由很多量子比特组成的大型处理器为核心的机器要比普通计算机更快，计算能力至少领先 10 年。纠正错误需要冗余，量子比特的数量需要大幅度扩展。例如，1 天时间内对 2000 位数进行因式分解是经典计算机难以胜任的，而这也需要 1 亿个量子比特进行计算，而且这是在每 100,000 个操作中只有 1 个量子位出错的前提下。目前，我们还没有组装出具有数十个量子位的量子处理器的能力。
关于量子计算的保守观点使得投资者认为这项技术只能在远期获得回报。但我们认为，如果这个小装置在未来 5 年内出现，短期回报也不无可能，即使它们无法纠正全部错误。
理论保证的缺乏并不妨碍成功。结合了量子和经典方法的启发式混合方法可以支撑强大的未来应用。神经网络在机器学习方面的最近成功就是一个很好的例证。在上世纪 90 年代，训练深度神经网络的计算机还不存在，有着强大理论基础的 convex 方法（以带有清晰最小化解决方案的函数为基础）在这一领域甚是流行。今天，这些方法并不适用于深度学习。神经网路的基础算法很难改变，但是，多亏了摩尔定律，我们取得了一些令人称奇的里程碑式的新成果。
相似地，尽管今天没有证据表明非完美量子机器可以计算的足够快以解决实际问题，但情况也许在改变。模拟和数字量子硬件的规模、保真度和可控性正在稳步提升。我们预测在几年内，基于 CMOS（互补金属氧化物半导体，complementary metal oxide–semiconductor）技术的可控量子系统执行特定任务的速度就会超过传统计算机。
今天关于早期量子计算装置，我们提出了三个可行的商业化应用：量子模拟、量子辅助优化和量子采样。这些领域内的更快计算速度将在人工智能、金融和医疗方面形成商业化优势。
量子计算机的发展不仅需要多学科互动，而且需要学界和业界紧密配合。制造足够可靠、可控、商业化的装置需要硬件水平的提升。解决现今硬件限制的实际问题需要启发式量子算法。
三大商业前景
如果一些可行的技术进步成为现实，新兴的量子处理器将有可能胜任以下几类任务，并在未来几年内具有商业价值：
量子模拟。对化学反应和材料进行建模是量子计算最有可能的一个应用。研究者可以在计算机中研究数百万的候选而不用再花费数年，投入数亿的美元制造和定性少量材料。不管目标是用于飞机的更强的高分子材料，用于汽车的更有效的触媒转换器，用于太阳能电池的更好材料，更好的医学品还是更透气的纤维，更快的发现途径将会带来巨大价值。
计算材料发现已经是一个很大的产业。量子计算将为它带来根本的转变：从质量和描述到数量和预测。化学反应率对分子能量极其敏感，且横跨的范围已超出经典计算机的处理能力。如果稳健的算法成为现实，或许无需充分的量子错误纠正就可以完成材料模拟的任务。例如，已知的算法（例如量子力学变分计算的方法）有可能不需要量子位错误控制。
很多种商业模型可以提供量子模拟器。实验室可以允许付费访问。计算机公司可以充当顾问。一些企业也许会交换股权，以换取量子辅助的突破并带来创新材料的发展。
量子辅助（Quantum-assisted）优化。在物理、社会科学和各行业所有涉及量化计算的学科中，最核心也是最困难的计算任务就是优化。这些优化问题很难用常规计算机解决。因为算法只能缓慢地遍历所有数学上可能的解决方案，而优良的解决方案可能隐藏在难以克服的计算障碍之后。最常见经典的算法就是使用统计学方法（如热能分布/thermal energy distributions）来「越」过这些障碍。我们认为这种经典类型的采样（classical sampling）能通过引入量子现象的偶发性（如量子隧道，穿过障碍传递量子信息）达到加强的效果，从而找到也许很少见但十分高质量的解决方案。
这些芯片只有 6x6mm 的尺寸，控制 6 个量子比特
例如：推荐系统和广告竞价策略需要使用最优化的算法为消费者提供最及时有效的信息。基于量子计算和普通计算机的混合方式可以提高此类任务在很多领域中的服务质量。物流公司可以用新的方法每天优化他们的日程安排，计划和产品分配，医疗诊断也将变得越来越快捷准确。在新架构的帮助下，科技公司如谷歌、微软、亚马逊和 Facebook 提供的搜索或产品推荐质量都会得以提高。
量子采样。从概率分布中抽样的方法广泛应用与统计和机器学习领域。理论上，理想的量子电路可以比普通计算机更快地对更大概率分布范围进行采样。我们的计算表明，即使是相对小电路的高保真量子门（7 × 7 量子比特，深度 25）也可以对经典架构无法触及的概率分布进行取样。
事实上，从浅量子电路中对概率分布进行采样或许是「量子霸权」的一大例证——这一术语是由理论物理学家 John Preskill 创造的，用以描述量子处理器能在短时间内完成明确的数学任务的能力。此类任务即使是经典架构的超级计算机（如我国的神威·太湖之光）也无法在有限的时间内完成。我们相信在未来的几年里，证明量子霸权的实验就会出现。
量子采样的潜在应用是机器学习中的推理和模式识别。为了促进学界和业界的发展，谷歌计划开放云计算接口，向开发者们提供接触量子计算的机会。
技术障碍
量子计算目前距离商业化还有一段距离，一些技术挑战必须得以解决。量子计算机硬件需要扩大规模以与目前的计算机硬件竞争，而目前架构的计算机已经在摩尔定律之下发展了数十年。量子比特需要量子相干性以形成量子纠缠，这相当于经典计算机需要有增益的晶体管。如何实现大规模和相干性是量子计算机系统面临的最大挑战。这些问题即使在理论上也是难以解决的，因为量子信息无法被复制，而量子计算机中的子系统相互纠缠，这导致所有设计都要以全局的角度来思考。
我们认为超导量子比特是量子计算机最有前景的形式。基于标准集成电路和超导技术，这种架构相对而言容易被构建和掌控。这种架构已经存在多种不同的模拟量子处理器了，它们可以满足不同的任务需求。此前，10量子比特的高保真系统已经研制成功，这也证明了超导方式的可行性。
同时，一些新的技术正在帮助超导量子计算解决扩展性的问题，如超导撞击禁锢（superconducting bump bonds），这是一种包含信息处理单元和和控制电路的双层架构。目前，1000 量子比特的「量子退火」原型机已经进入商用，这些机器是模拟量子处理器，可为找到某些任务的最优解决方案提供便利。
目前还不完美的量子计算机还需要获得更多改进。浅量子电路需要更高的栅极保真度和更多稳定性以限制去相干。量子退火机器则需要在连接性，控制精度和相干时间方面得到改进。此外，我们最终需要的仍是一个能够替代量子退火的方案。
谷歌使用射频和微波电子设备制造可扩展的控制硬件
商业机遇
一个新技术可以通过三种方式加入市场提升业务：即增加利润、降低引入新技术或降低基础生产设备的投资。在数字化时代，引入一种新技术可以造成指数级的影响：即使只会提升产品 1% 的质量，同样能帮助公司在用户量或利润上带来压倒性的增长。这就是「超新星效应」，它在市场的竞争、透明度和效率上起着重要的作用。
如果早期量子计算设备只要能给现行的计算速度或功率提升一点点，早期采用量子计算的公司将会获得很大的利润。其竞争对手也会面临着很高的进入壁垒才能提供相同质量的服务或产品，这也因为只有少数专家才能编写量子算法，企业也需要比较长的时间来设计新算法。对这种垄断（disruptions）最为开放的市场是多信息（information-rich）和数字化的市场，并且还涉及到依赖于许多变量的商业挑战。这种开放性市场就有如金融服务、健康医疗、物流和数据分析。
公司需要审视自己的需求和供给才能制定商业案例。需求分析可以用以下方法来评估：首先需要确定「最小可行性产品」，因为早期量子创新仅仅只是凭借着核心特征加入市场。然后评估该量子创新是不是解决市场现有的需求（拟合产品和市场）、产品商业化所需要的时间（上架速度）和市场的反响（业务跟踪）。
例如，破解加密（通常媒体宣称为数字化量子计算机的「杀手级应用」）就在市场契合度方面得分不高。也许该应用某一天会被免疫量子攻击的密码系统所淘汰。并且大多数私营企业对破解加密系统并不感兴趣。相比之下，证券投资组合优化和风险管理需要即时的数据反馈，而这些需求都能从量子强化模型（quantum-enhanced models）中受益。更加高效的量子化学（quantum-chemistry）计算将变革制药的发展、催化转化器（catalytic converters）、太阳能电池和肥料。
量子辅助（Quantum-assisted）优化和推断技术能增强新型机器学习和人工智能系统。这些系统不仅能加强对可再生能源发电机的管理，还能提升遥感卫星和早期预警系统的的工作效率。这些技术还有助于对在线商品和服务的动态定价、仓库自动化及自动驾驶汽车。
而在供给侧，公司还将通过评估他们团队和技术的质量来区分定位自己。量子计算的开拓学者与企业家需要一起工作。也许这一点很具挑战性，因为学术的激励通常和初创文化或工业界并不一致。
战略合作伙伴关系通常能帮助企业脱颖而出。为了吸引风险投资，优秀的量子产品应该是拥有少量资产的商业模式，其制造成本低廉并能很明显地帮助客户创造价值。通过云端，将经典求解器（solvers）应用到简单任务，并在需要的时候调用量子处理器，公司就能从使用现有的云数据中心获得收益。
下一步
量子计算机领域很快就会出现爆发性的技术突破。但新硬件技术需要的相应算法能否及时出现还有待探讨。但随着量子计算机变得实用化，对其进行专门优化的算法必将逐渐进入人们的视野。
在下一个十年里，学界、业界以及国家实验室会同心协力开发新的量子计算模拟方式和量子机器学习算法。谷歌计划在这一过程中通过提供基于云端的量子处理器服务，为缺乏必要资金、专业能力和设备的开发者提供帮助。
更多内容请关注：www.imefuture.com
来源：微信公众号 机器之心 查看全部
谷歌的低温恒温器在 10mK 温度下运行量子处理器
从量子纠缠到与大分子化学反应，无法使用传统二进制计算机有效描述的世界特征有很多。解决这一难题的办法，正如物理学家 Richard Feynman 在 30 年前意识到的，就是使用量子处理器，这种处理器同时混合了传统状态，恰如物质所做的那样。然而，这样的量子机器投入使用前需要克服很多技术障碍，其中包括误差控制以及根据编码信息的量子状态运行保真度的提升。
人类正在打造终极量子计算机：一个可以容忍误差和错误，解决一切问题的量子计算机。理论上讲，这样一台由很多量子比特组成的大型处理器为核心的机器要比普通计算机更快，计算能力至少领先 10 年。纠正错误需要冗余，量子比特的数量需要大幅度扩展。例如，1 天时间内对 2000 位数进行因式分解是经典计算机难以胜任的，而这也需要 1 亿个量子比特进行计算，而且这是在每 100,000 个操作中只有 1 个量子位出错的前提下。目前，我们还没有组装出具有数十个量子位的量子处理器的能力。
关于量子计算的保守观点使得投资者认为这项技术只能在远期获得回报。但我们认为，如果这个小装置在未来 5 年内出现，短期回报也不无可能，即使它们无法纠正全部错误。
理论保证的缺乏并不妨碍成功。结合了量子和经典方法的启发式混合方法可以支撑强大的未来应用。神经网络在机器学习方面的最近成功就是一个很好的例证。在上世纪 90 年代，训练深度神经网络的计算机还不存在，有着强大理论基础的 convex 方法（以带有清晰最小化解决方案的函数为基础）在这一领域甚是流行。今天，这些方法并不适用于深度学习。神经网路的基础算法很难改变，但是，多亏了摩尔定律，我们取得了一些令人称奇的里程碑式的新成果。
相似地，尽管今天没有证据表明非完美量子机器可以计算的足够快以解决实际问题，但情况也许在改变。模拟和数字量子硬件的规模、保真度和可控性正在稳步提升。我们预测在几年内，基于 CMOS（互补金属氧化物半导体，complementary metal oxide–semiconductor）技术的可控量子系统执行特定任务的速度就会超过传统计算机。
今天关于早期量子计算装置，我们提出了三个可行的商业化应用：量子模拟、量子辅助优化和量子采样。这些领域内的更快计算速度将在人工智能、金融和医疗方面形成商业化优势。
量子计算机的发展不仅需要多学科互动，而且需要学界和业界紧密配合。制造足够可靠、可控、商业化的装置需要硬件水平的提升。解决现今硬件限制的实际问题需要启发式量子算法。
三大商业前景
如果一些可行的技术进步成为现实，新兴的量子处理器将有可能胜任以下几类任务，并在未来几年内具有商业价值：
量子模拟。对化学反应和材料进行建模是量子计算最有可能的一个应用。研究者可以在计算机中研究数百万的候选而不用再花费数年，投入数亿的美元制造和定性少量材料。不管目标是用于飞机的更强的高分子材料，用于汽车的更有效的触媒转换器，用于太阳能电池的更好材料，更好的医学品还是更透气的纤维，更快的发现途径将会带来巨大价值。
计算材料发现已经是一个很大的产业。量子计算将为它带来根本的转变：从质量和描述到数量和预测。化学反应率对分子能量极其敏感，且横跨的范围已超出经典计算机的处理能力。如果稳健的算法成为现实，或许无需充分的量子错误纠正就可以完成材料模拟的任务。例如，已知的算法（例如量子力学变分计算的方法）有可能不需要量子位错误控制。
很多种商业模型可以提供量子模拟器。实验室可以允许付费访问。计算机公司可以充当顾问。一些企业也许会交换股权，以换取量子辅助的突破并带来创新材料的发展。
量子辅助（Quantum-assisted）优化。在物理、社会科学和各行业所有涉及量化计算的学科中，最核心也是最困难的计算任务就是优化。这些优化问题很难用常规计算机解决。因为算法只能缓慢地遍历所有数学上可能的解决方案，而优良的解决方案可能隐藏在难以克服的计算障碍之后。最常见经典的算法就是使用统计学方法（如热能分布/thermal energy distributions）来「越」过这些障碍。我们认为这种经典类型的采样（classical sampling）能通过引入量子现象的偶发性（如量子隧道，穿过障碍传递量子信息）达到加强的效果，从而找到也许很少见但十分高质量的解决方案。
这些芯片只有 6x6mm 的尺寸，控制 6 个量子比特
例如：推荐系统和广告竞价策略需要使用最优化的算法为消费者提供最及时有效的信息。基于量子计算和普通计算机的混合方式可以提高此类任务在很多领域中的服务质量。物流公司可以用新的方法每天优化他们的日程安排，计划和产品分配，医疗诊断也将变得越来越快捷准确。在新架构的帮助下，科技公司如谷歌、微软、亚马逊和 Facebook 提供的搜索或产品推荐质量都会得以提高。
量子采样。从概率分布中抽样的方法广泛应用与统计和机器学习领域。理论上，理想的量子电路可以比普通计算机更快地对更大概率分布范围进行采样。我们的计算表明，即使是相对小电路的高保真量子门（7 × 7 量子比特，深度 25）也可以对经典架构无法触及的概率分布进行取样。
事实上，从浅量子电路中对概率分布进行采样或许是「量子霸权」的一大例证——这一术语是由理论物理学家 John Preskill 创造的，用以描述量子处理器能在短时间内完成明确的数学任务的能力。此类任务即使是经典架构的超级计算机（如我国的神威·太湖之光）也无法在有限的时间内完成。我们相信在未来的几年里，证明量子霸权的实验就会出现。
量子采样的潜在应用是机器学习中的推理和模式识别。为了促进学界和业界的发展，谷歌计划开放云计算接口，向开发者们提供接触量子计算的机会。
技术障碍
量子计算目前距离商业化还有一段距离，一些技术挑战必须得以解决。量子计算机硬件需要扩大规模以与目前的计算机硬件竞争，而目前架构的计算机已经在摩尔定律之下发展了数十年。量子比特需要量子相干性以形成量子纠缠，这相当于经典计算机需要有增益的晶体管。如何实现大规模和相干性是量子计算机系统面临的最大挑战。这些问题即使在理论上也是难以解决的，因为量子信息无法被复制，而量子计算机中的子系统相互纠缠，这导致所有设计都要以全局的角度来思考。
我们认为超导量子比特是量子计算机最有前景的形式。基于标准集成电路和超导技术，这种架构相对而言容易被构建和掌控。这种架构已经存在多种不同的模拟量子处理器了，它们可以满足不同的任务需求。此前，10量子比特的高保真系统已经研制成功，这也证明了超导方式的可行性。
同时，一些新的技术正在帮助超导量子计算解决扩展性的问题，如超导撞击禁锢（superconducting bump bonds），这是一种包含信息处理单元和和控制电路的双层架构。目前，1000 量子比特的「量子退火」原型机已经进入商用，这些机器是模拟量子处理器，可为找到某些任务的最优解决方案提供便利。
目前还不完美的量子计算机还需要获得更多改进。浅量子电路需要更高的栅极保真度和更多稳定性以限制去相干。量子退火机器则需要在连接性，控制精度和相干时间方面得到改进。此外，我们最终需要的仍是一个能够替代量子退火的方案。
谷歌使用射频和微波电子设备制造可扩展的控制硬件
商业机遇
一个新技术可以通过三种方式加入市场提升业务：即增加利润、降低引入新技术或降低基础生产设备的投资。在数字化时代，引入一种新技术可以造成指数级的影响：即使只会提升产品 1% 的质量，同样能帮助公司在用户量或利润上带来压倒性的增长。这就是「超新星效应」，它在市场的竞争、透明度和效率上起着重要的作用。
如果早期量子计算设备只要能给现行的计算速度或功率提升一点点，早期采用量子计算的公司将会获得很大的利润。其竞争对手也会面临着很高的进入壁垒才能提供相同质量的服务或产品，这也因为只有少数专家才能编写量子算法，企业也需要比较长的时间来设计新算法。对这种垄断（disruptions）最为开放的市场是多信息（information-rich）和数字化的市场，并且还涉及到依赖于许多变量的商业挑战。这种开放性市场就有如金融服务、健康医疗、物流和数据分析。
公司需要审视自己的需求和供给才能制定商业案例。需求分析可以用以下方法来评估：首先需要确定「最小可行性产品」，因为早期量子创新仅仅只是凭借着核心特征加入市场。然后评估该量子创新是不是解决市场现有的需求（拟合产品和市场）、产品商业化所需要的时间（上架速度）和市场的反响（业务跟踪）。
例如，破解加密（通常媒体宣称为数字化量子计算机的「杀手级应用」）就在市场契合度方面得分不高。也许该应用某一天会被免疫量子攻击的密码系统所淘汰。并且大多数私营企业对破解加密系统并不感兴趣。相比之下，证券投资组合优化和风险管理需要即时的数据反馈，而这些需求都能从量子强化模型（quantum-enhanced models）中受益。更加高效的量子化学（quantum-chemistry）计算将变革制药的发展、催化转化器（catalytic converters）、太阳能电池和肥料。
量子辅助（Quantum-assisted）优化和推断技术能增强新型机器学习和人工智能系统。这些系统不仅能加强对可再生能源发电机的管理，还能提升遥感卫星和早期预警系统的的工作效率。这些技术还有助于对在线商品和服务的动态定价、仓库自动化及自动驾驶汽车。
而在供给侧，公司还将通过评估他们团队和技术的质量来区分定位自己。量子计算的开拓学者与企业家需要一起工作。也许这一点很具挑战性，因为学术的激励通常和初创文化或工业界并不一致。
战略合作伙伴关系通常能帮助企业脱颖而出。为了吸引风险投资，优秀的量子产品应该是拥有少量资产的商业模式，其制造成本低廉并能很明显地帮助客户创造价值。通过云端，将经典求解器（solvers）应用到简单任务，并在需要的时候调用量子处理器，公司就能从使用现有的云数据中心获得收益。
下一步
量子计算机领域很快就会出现爆发性的技术突破。但新硬件技术需要的相应算法能否及时出现还有待探讨。但随着量子计算机变得实用化，对其进行专门优化的算法必将逐渐进入人们的视野。
在下一个十年里，学界、业界以及国家实验室会同心协力开发新的量子计算模拟方式和量子机器学习算法。谷歌计划在这一过程中通过提供基于云端的量子处理器服务，为缺乏必要资金、专业能力和设备的开发者提供帮助。
更多内容请关注：www.imefuture.com
来源：微信公众号 机器之心
385 浏览
5G时代，中国将彻底终结美国霸权！wifi和互联网也面临消失！
智能科技类 料盘挡板 2016-12-28 11:25 发表了文章
5G——天下武功，唯快不破！
在移动互联网时代，最核心的技术是移动通信技术。而在通信行业，标准之争是最高话语权的争夺。一旦标准确立，将对全球通信产业产生巨大影响。
纵观世界通讯技术发展史，已经先后经历了2G、3G、4G几个重要时代：
第一代是模拟技术；
第二代是2G，实现了语音的数字化；
第三代是3G，以多媒体通信为特征；
第四代是4G，通信进入无线宽带时代，速率大大提高。
然而这些阶段里的重要专利技术几乎被美国的高通、爱立信垄断，中国一直处于落后状态！
比如在3G时代，中国虽然自主研发了TD-SCDMA，但是技术上依然无法与其相提并论。即便到了4G时代，中国TD-LTE有了一定的突破，但是其核心长码编码Turbo码和短码咬尾卷积码，都不是中国原创的技术。这就导致美国高通动不动就控告你侵权，索取额外专利费。
转折点在这一天到来！
中国方案入选了5G（第五代移动电话行动通信标准）标准。
美国时间11月17日，国际无线标准化机构3GPP的RAN1（无线物理层）87次会议在美国拉斯维加斯召开，就5G短码方案进行讨论。三位主角依然是中国华为主推的PolarCode（极化码）方案，美国高通主推LDPC方案，法国主推Turbo2.0方案。最终，华为的Polar方案从两大竞争对手中胜出！
按照业界预计，2020年5G将开始全球范围内商用。这也就意味着：在正在到来的5G时代，中国通信核心技术第一次占领至高点，终于完成了弯道超车！
再来做一个科普，什么是5G呢？
4G和5G相比，简直就如同龟兔赛跑！
4G使用是特高频段，5G就得往超高频甚至更高的频段。5G的网络传输速率将是4G峰值的100倍。这意味着，在5G时代一部超高清画质的电影1秒内就可以下载完成。而且5G的功耗将低于4G，这从而带来一系列新的无线产品，比如更多智能家居设备和可穿戴计算设备。
5G——WIFI将“消亡”？
如果我们用上了5G手机，那么快的网络，就不会再每到一个地方就去寻找WIFI了，用户可以无缝、平滑的在任意空间过渡，省去了切换网络、输入密码等繁琐步骤，WiFi很可能“消亡”。
更重要的是，在5G时代华为很可能一统天下。因为在3G、4G时代，有美国、欧盟、中国等不同的网络制式，因此出现了各种不同制式的手机，给消费者造成一些困扰。为到了5G时代，消费者只需要一种制式的手机就可以包打天下了，这也就意味着华为很有可能获得极高的国际地位！
这也就意味着美国高通独霸的时代宣告结束！
而这项核心技术的超越，将使中国互联网的发展如虎添翼！
在刚刚闭幕的第三届世界互联网大会上，中欧数字协会主席Luigi Gambardella在接受媒体采访时说：“中国即将成为5G时代的全球领跑者，而5G时代的到来将推动新一轮技术革命。”
中国5G，正在制定世界标准！
除了华为之外，中国移动、中国联通也在5G领域布局完成。中国移动称，中国移动5G联合创新中心经过9个月的推动，现已拥有基础通信、物联网、车联网、虚拟现实/增强现实、云端智能机器人、工业互联网六大领域51家合作伙伴，建成首批4个开放实验室。看得出，中国移动联合通信企业、互联网企业及垂直应用行业合作伙伴，试图打造5G跨行业融合生态系统。
而在5G未来网络方面，中国联通目前正在发展基于多级云协同的5G网络架构，支持移动边缘计算端到端服务解决方案。未来视频服务的用户体验将因此大大改进。
华为则呼吁，各国政府和监管机构释放更多通讯频谱，建设无线千兆宽带（Gigaband）；同时，全球应以开放合作的精神引导5G技术标准统一，以降低成本、实现全球无缝互联互通。
从以上布局我们可以看出，中国正在制定5G的世界标准！
5G时代——万物互联，互联网将消失？
5G的真正意义在于：为万物互联打下基础！
水木然认为：如果说3G和4G使人与人相联，那么5G将使万物互联。由于数字传输效率的大大提升，这使万物之间的联系紧密增强。5G不仅仅是下一代移动技术，它将是一种全新网络，将万事万物以最优的方式连接起来，这种统一的连接架构将会把移动技术的优势扩展到全新行业，并创造全新商业模式。
未来的世界里，每一件物体都有传感器，利用5G实现数据交互，人、花草、机器、手机、交通工具、家居用品等等都有独立的IP，一切物体都可控、交流、定位，彼此协同工作。世界上几乎所有东西都会被连接在一起，超越了空间和时间的限制。
我们都知道，这个世界上存在多种生态系统，比如自然是一种生态系统，人类是一种生态系统，工业是一种生态系统，信息产业也是一种生态系统，资本和金融也是一种生态系统，每种生态系统都有自己循环结构，生生不息，并不断的趋向平衡。虽然这些生态系统都在向前推进，但是系统与系统之间比较独立。一旦到5G 时代，这些系统将打破原来的界限，走向共融，共同组建一个更包容的“大生态系统”，也就是万物互联。
届时，整个世界组建了一个社会性的“大生态系统”，而且这个系统的规则会更加清晰明了，所谓的“主观”情况干扰会越来越少。我们知道跟“人”打交道是一件最复杂的事情，因为人的七情六欲会时刻影响一个人的行为，“人性”在很多时候往往是一种阻碍。但是在未来，人和物、物和物之间的主要沟通将依靠数据，这是一种很客观的东西，它将会遵守我们已经制定好的规则，这也会帮人类省去不少烦恼，人们会感觉越来越轻便、轻松。这也就是一种大网无网的状态！
5G时代，中国将终结美国霸权！
美国是这个世界的传统规则的制定者，掌控了全球的货币引发（美元）、货物的流动（TPP：跨太平伙伴关系协定），而现在，摆在我们面前的是一个需要拯救的世界，各国经济一篇泥潭，迫切需要中国去注入新的活力。互联网给中国带来了新经济，中国又成了世界经济的希望。
如今无论是中国还是美国，都在向世界输出自己的模式。美国仍然企图用大数据和云计算来制定新的世界规则，而中国的互联网发展却向美国发起了挑战。正如我们前面所言，百度追求的是连接“人和人”，阿里巴巴追求的是连接“人和商品”，腾讯追求的是连接“人和人”，BAT的共同追求的是将“人”、“信息”、“商品”三者互相链接起来，这三者分别代表人类的社交、感知、和交易三大行为。一旦它们建立了连接，可以发挥1+1+1大于3的综合效应。因为这三者是可以互相作用的，链接起来就可以发生裂变和聚变的效应，瞬间聚合、张力无限。一旦5G再实现了万物互联，那么世界的变化是不可想象的！
这正是“互联互通、共享共治——构建网络空间命运共同体”的深刻洞解，中国改写的不仅是商业，而是整个世界的规则。
未来的货币流、信息流、产品流，都依靠数据传输去完成，5G将帮助中国治理全球，也是斩断美国霸权的一把利剑！
如今的美国，越来越依靠战争机器和货币霸权来掠夺其他国家财富，逐渐走向全世界人民的对立面，也越来越空心化。而中国则积极投身于新技术、电子商务等互联网产业的发展，且乐意与世界各国共享经验和繁荣。一个是八九点钟的太阳，一个是已近黄昏的夕阳，历史和命运，一定会在某个合理的时间点将中国推上位，然后引导世界进入下一个更高阶段的文明！
来源：水木然 专栏作者：水木然
更多内容请关注：www.imefuture.com
什么是非标自动化
2017年全国工业和信息化工作会议在京开幕
苹果发布第一篇人工智能研究论文
智造家 查看全部
在移动互联网时代，最核心的技术是移动通信技术。而在通信行业，标准之争是最高话语权的争夺。一旦标准确立，将对全球通信产业产生巨大影响。
纵观世界通讯技术发展史，已经先后经历了2G、3G、4G几个重要时代：
第一代是模拟技术；
第二代是2G，实现了语音的数字化；
第三代是3G，以多媒体通信为特征；
第四代是4G，通信进入无线宽带时代，速率大大提高。
然而这些阶段里的重要专利技术几乎被美国的高通、爱立信垄断，中国一直处于落后状态！
比如在3G时代，中国虽然自主研发了TD-SCDMA，但是技术上依然无法与其相提并论。即便到了4G时代，中国TD-LTE有了一定的突破，但是其核心长码编码Turbo码和短码咬尾卷积码，都不是中国原创的技术。这就导致美国高通动不动就控告你侵权，索取额外专利费。
转折点在这一天到来！
中国方案入选了5G（第五代移动电话行动通信标准）标准。
美国时间11月17日，国际无线标准化机构3GPP的RAN1（无线物理层）87次会议在美国拉斯维加斯召开，就5G短码方案进行讨论。三位主角依然是中国华为主推的PolarCode（极化码）方案，美国高通主推LDPC方案，法国主推Turbo2.0方案。最终，华为的Polar方案从两大竞争对手中胜出！
按照业界预计，2020年5G将开始全球范围内商用。这也就意味着：在正在到来的5G时代，中国通信核心技术第一次占领至高点，终于完成了弯道超车！
再来做一个科普，什么是5G呢？
4G和5G相比，简直就如同龟兔赛跑！
4G使用是特高频段，5G就得往超高频甚至更高的频段。5G的网络传输速率将是4G峰值的100倍。这意味着，在5G时代一部超高清画质的电影1秒内就可以下载完成。而且5G的功耗将低于4G，这从而带来一系列新的无线产品，比如更多智能家居设备和可穿戴计算设备。
5G——WIFI将“消亡”？
如果我们用上了5G手机，那么快的网络，就不会再每到一个地方就去寻找WIFI了，用户可以无缝、平滑的在任意空间过渡，省去了切换网络、输入密码等繁琐步骤，WiFi很可能“消亡”。
更重要的是，在5G时代华为很可能一统天下。因为在3G、4G时代，有美国、欧盟、中国等不同的网络制式，因此出现了各种不同制式的手机，给消费者造成一些困扰。为到了5G时代，消费者只需要一种制式的手机就可以包打天下了，这也就意味着华为很有可能获得极高的国际地位！
这也就意味着美国高通独霸的时代宣告结束！
而这项核心技术的超越，将使中国互联网的发展如虎添翼！
在刚刚闭幕的第三届世界互联网大会上，中欧数字协会主席Luigi Gambardella在接受媒体采访时说：“中国即将成为5G时代的全球领跑者，而5G时代的到来将推动新一轮技术革命。”
中国5G，正在制定世界标准！
除了华为之外，中国移动、中国联通也在5G领域布局完成。中国移动称，中国移动5G联合创新中心经过9个月的推动，现已拥有基础通信、物联网、车联网、虚拟现实/增强现实、云端智能机器人、工业互联网六大领域51家合作伙伴，建成首批4个开放实验室。看得出，中国移动联合通信企业、互联网企业及垂直应用行业合作伙伴，试图打造5G跨行业融合生态系统。
而在5G未来网络方面，中国联通目前正在发展基于多级云协同的5G网络架构，支持移动边缘计算端到端服务解决方案。未来视频服务的用户体验将因此大大改进。
华为则呼吁，各国政府和监管机构释放更多通讯频谱，建设无线千兆宽带（Gigaband）；同时，全球应以开放合作的精神引导5G技术标准统一，以降低成本、实现全球无缝互联互通。
从以上布局我们可以看出，中国正在制定5G的世界标准！
5G时代——万物互联，互联网将消失？
5G的真正意义在于：为万物互联打下基础！
水木然认为：如果说3G和4G使人与人相联，那么5G将使万物互联。由于数字传输效率的大大提升，这使万物之间的联系紧密增强。5G不仅仅是下一代移动技术，它将是一种全新网络，将万事万物以最优的方式连接起来，这种统一的连接架构将会把移动技术的优势扩展到全新行业，并创造全新商业模式。
未来的世界里，每一件物体都有传感器，利用5G实现数据交互，人、花草、机器、手机、交通工具、家居用品等等都有独立的IP，一切物体都可控、交流、定位，彼此协同工作。世界上几乎所有东西都会被连接在一起，超越了空间和时间的限制。
我们都知道，这个世界上存在多种生态系统，比如自然是一种生态系统，人类是一种生态系统，工业是一种生态系统，信息产业也是一种生态系统，资本和金融也是一种生态系统，每种生态系统都有自己循环结构，生生不息，并不断的趋向平衡。虽然这些生态系统都在向前推进，但是系统与系统之间比较独立。一旦到5G 时代，这些系统将打破原来的界限，走向共融，共同组建一个更包容的“大生态系统”，也就是万物互联。
届时，整个世界组建了一个社会性的“大生态系统”，而且这个系统的规则会更加清晰明了，所谓的“主观”情况干扰会越来越少。我们知道跟“人”打交道是一件最复杂的事情，因为人的七情六欲会时刻影响一个人的行为，“人性”在很多时候往往是一种阻碍。但是在未来，人和物、物和物之间的主要沟通将依靠数据，这是一种很客观的东西，它将会遵守我们已经制定好的规则，这也会帮人类省去不少烦恼，人们会感觉越来越轻便、轻松。这也就是一种大网无网的状态！
5G时代，中国将终结美国霸权！
美国是这个世界的传统规则的制定者，掌控了全球的货币引发（美元）、货物的流动（TPP：跨太平伙伴关系协定），而现在，摆在我们面前的是一个需要拯救的世界，各国经济一篇泥潭，迫切需要中国去注入新的活力。互联网给中国带来了新经济，中国又成了世界经济的希望。
如今无论是中国还是美国，都在向世界输出自己的模式。美国仍然企图用大数据和云计算来制定新的世界规则，而中国的互联网发展却向美国发起了挑战。正如我们前面所言，百度追求的是连接“人和人”，阿里巴巴追求的是连接“人和商品”，腾讯追求的是连接“人和人”，BAT的共同追求的是将“人”、“信息”、“商品”三者互相链接起来，这三者分别代表人类的社交、感知、和交易三大行为。一旦它们建立了连接，可以发挥1+1+1大于3的综合效应。因为这三者是可以互相作用的，链接起来就可以发生裂变和聚变的效应，瞬间聚合、张力无限。一旦5G再实现了万物互联，那么世界的变化是不可想象的！
这正是“互联互通、共享共治——构建网络空间命运共同体”的深刻洞解，中国改写的不仅是商业，而是整个世界的规则。
未来的货币流、信息流、产品流，都依靠数据传输去完成，5G将帮助中国治理全球，也是斩断美国霸权的一把利剑！
如今的美国，越来越依靠战争机器和货币霸权来掠夺其他国家财富，逐渐走向全世界人民的对立面，也越来越空心化。而中国则积极投身于新技术、电子商务等互联网产业的发展，且乐意与世界各国共享经验和繁荣。一个是八九点钟的太阳，一个是已近黄昏的夕阳，历史和命运，一定会在某个合理的时间点将中国推上位，然后引导世界进入下一个更高阶段的文明！
来源：水木然 专栏作者：水木然
更多内容请关注：www.imefuture.com
什么是非标自动化
2017年全国工业和信息化工作会议在京开幕
苹果发布第一篇人工智能研究论文
智造家 查看全部
5G——天下武功，唯快不破！
在移动互联网时代，最核心的技术是移动通信技术。而在通信行业，标准之争是最高话语权的争夺。一旦标准确立，将对全球通信产业产生巨大影响。
纵观世界通讯技术发展史，已经先后经历了2G、3G、4G几个重要时代：
第一代是模拟技术；
第二代是2G，实现了语音的数字化；
第三代是3G，以多媒体通信为特征；
第四代是4G，通信进入无线宽带时代，速率大大提高。
然而这些阶段里的重要专利技术几乎被美国的高通、爱立信垄断，中国一直处于落后状态！
比如在3G时代，中国虽然自主研发了TD-SCDMA，但是技术上依然无法与其相提并论。即便到了4G时代，中国TD-LTE有了一定的突破，但是其核心长码编码Turbo码和短码咬尾卷积码，都不是中国原创的技术。这就导致美国高通动不动就控告你侵权，索取额外专利费。
转折点在这一天到来！
中国方案入选了5G（第五代移动电话行动通信标准）标准。
美国时间11月17日，国际无线标准化机构3GPP的RAN1（无线物理层）87次会议在美国拉斯维加斯召开，就5G短码方案进行讨论。三位主角依然是中国华为主推的PolarCode（极化码）方案，美国高通主推LDPC方案，法国主推Turbo2.0方案。最终，华为的Polar方案从两大竞争对手中胜出！
按照业界预计，2020年5G将开始全球范围内商用。这也就意味着：在正在到来的5G时代，中国通信核心技术第一次占领至高点，终于完成了弯道超车！
再来做一个科普，什么是5G呢？
4G和5G相比，简直就如同龟兔赛跑！
4G使用是特高频段，5G就得往超高频甚至更高的频段。5G的网络传输速率将是4G峰值的100倍。这意味着，在5G时代一部超高清画质的电影1秒内就可以下载完成。而且5G的功耗将低于4G，这从而带来一系列新的无线产品，比如更多智能家居设备和可穿戴计算设备。
5G——WIFI将“消亡”？
如果我们用上了5G手机，那么快的网络，就不会再每到一个地方就去寻找WIFI了，用户可以无缝、平滑的在任意空间过渡，省去了切换网络、输入密码等繁琐步骤，WiFi很可能“消亡”。
更重要的是，在5G时代华为很可能一统天下。因为在3G、4G时代，有美国、欧盟、中国等不同的网络制式，因此出现了各种不同制式的手机，给消费者造成一些困扰。为到了5G时代，消费者只需要一种制式的手机就可以包打天下了，这也就意味着华为很有可能获得极高的国际地位！
这也就意味着美国高通独霸的时代宣告结束！
而这项核心技术的超越，将使中国互联网的发展如虎添翼！
在刚刚闭幕的第三届世界互联网大会上，中欧数字协会主席Luigi Gambardella在接受媒体采访时说：“中国即将成为5G时代的全球领跑者，而5G时代的到来将推动新一轮技术革命。”
中国5G，正在制定世界标准！
除了华为之外，中国移动、中国联通也在5G领域布局完成。中国移动称，中国移动5G联合创新中心经过9个月的推动，现已拥有基础通信、物联网、车联网、虚拟现实/增强现实、云端智能机器人、工业互联网六大领域51家合作伙伴，建成首批4个开放实验室。看得出，中国移动联合通信企业、互联网企业及垂直应用行业合作伙伴，试图打造5G跨行业融合生态系统。
而在5G未来网络方面，中国联通目前正在发展基于多级云协同的5G网络架构，支持移动边缘计算端到端服务解决方案。未来视频服务的用户体验将因此大大改进。
华为则呼吁，各国政府和监管机构释放更多通讯频谱，建设无线千兆宽带（Gigaband）；同时，全球应以开放合作的精神引导5G技术标准统一，以降低成本、实现全球无缝互联互通。
从以上布局我们可以看出，中国正在制定5G的世界标准！
5G时代——万物互联，互联网将消失？
5G的真正意义在于：为万物互联打下基础！
水木然认为：如果说3G和4G使人与人相联，那么5G将使万物互联。由于数字传输效率的大大提升，这使万物之间的联系紧密增强。5G不仅仅是下一代移动技术，它将是一种全新网络，将万事万物以最优的方式连接起来，这种统一的连接架构将会把移动技术的优势扩展到全新行业，并创造全新商业模式。
未来的世界里，每一件物体都有传感器，利用5G实现数据交互，人、花草、机器、手机、交通工具、家居用品等等都有独立的IP，一切物体都可控、交流、定位，彼此协同工作。世界上几乎所有东西都会被连接在一起，超越了空间和时间的限制。
我们都知道，这个世界上存在多种生态系统，比如自然是一种生态系统，人类是一种生态系统，工业是一种生态系统，信息产业也是一种生态系统，资本和金融也是一种生态系统，每种生态系统都有自己循环结构，生生不息，并不断的趋向平衡。虽然这些生态系统都在向前推进，但是系统与系统之间比较独立。一旦到5G 时代，这些系统将打破原来的界限，走向共融，共同组建一个更包容的“大生态系统”，也就是万物互联。
届时，整个世界组建了一个社会性的“大生态系统”，而且这个系统的规则会更加清晰明了，所谓的“主观”情况干扰会越来越少。我们知道跟“人”打交道是一件最复杂的事情，因为人的七情六欲会时刻影响一个人的行为，“人性”在很多时候往往是一种阻碍。但是在未来，人和物、物和物之间的主要沟通将依靠数据，这是一种很客观的东西，它将会遵守我们已经制定好的规则，这也会帮人类省去不少烦恼，人们会感觉越来越轻便、轻松。这也就是一种大网无网的状态！
5G时代，中国将终结美国霸权！
美国是这个世界的传统规则的制定者，掌控了全球的货币引发（美元）、货物的流动（TPP：跨太平伙伴关系协定），而现在，摆在我们面前的是一个需要拯救的世界，各国经济一篇泥潭，迫切需要中国去注入新的活力。互联网给中国带来了新经济，中国又成了世界经济的希望。
如今无论是中国还是美国，都在向世界输出自己的模式。美国仍然企图用大数据和云计算来制定新的世界规则，而中国的互联网发展却向美国发起了挑战。正如我们前面所言，百度追求的是连接“人和人”，阿里巴巴追求的是连接“人和商品”，腾讯追求的是连接“人和人”，BAT的共同追求的是将“人”、“信息”、“商品”三者互相链接起来，这三者分别代表人类的社交、感知、和交易三大行为。一旦它们建立了连接，可以发挥1+1+1大于3的综合效应。因为这三者是可以互相作用的，链接起来就可以发生裂变和聚变的效应，瞬间聚合、张力无限。一旦5G再实现了万物互联，那么世界的变化是不可想象的！
这正是“互联互通、共享共治——构建网络空间命运共同体”的深刻洞解，中国改写的不仅是商业，而是整个世界的规则。
未来的货币流、信息流、产品流，都依靠数据传输去完成，5G将帮助中国治理全球，也是斩断美国霸权的一把利剑！
如今的美国，越来越依靠战争机器和货币霸权来掠夺其他国家财富，逐渐走向全世界人民的对立面，也越来越空心化。而中国则积极投身于新技术、电子商务等互联网产业的发展，且乐意与世界各国共享经验和繁荣。一个是八九点钟的太阳，一个是已近黄昏的夕阳，历史和命运，一定会在某个合理的时间点将中国推上位，然后引导世界进入下一个更高阶段的文明！
来源：水木然 专栏作者：水木然
更多内容请关注：www.imefuture.com
什么是非标自动化
2017年全国工业和信息化工作会议在京开幕
苹果发布第一篇人工智能研究论文
智造家
在移动互联网时代，最核心的技术是移动通信技术。而在通信行业，标准之争是最高话语权的争夺。一旦标准确立，将对全球通信产业产生巨大影响。
纵观世界通讯技术发展史，已经先后经历了2G、3G、4G几个重要时代：
第一代是模拟技术；
第二代是2G，实现了语音的数字化；
第三代是3G，以多媒体通信为特征；
第四代是4G，通信进入无线宽带时代，速率大大提高。
然而这些阶段里的重要专利技术几乎被美国的高通、爱立信垄断，中国一直处于落后状态！
比如在3G时代，中国虽然自主研发了TD-SCDMA，但是技术上依然无法与其相提并论。即便到了4G时代，中国TD-LTE有了一定的突破，但是其核心长码编码Turbo码和短码咬尾卷积码，都不是中国原创的技术。这就导致美国高通动不动就控告你侵权，索取额外专利费。
转折点在这一天到来！
中国方案入选了5G（第五代移动电话行动通信标准）标准。
美国时间11月17日，国际无线标准化机构3GPP的RAN1（无线物理层）87次会议在美国拉斯维加斯召开，就5G短码方案进行讨论。三位主角依然是中国华为主推的PolarCode（极化码）方案，美国高通主推LDPC方案，法国主推Turbo2.0方案。最终，华为的Polar方案从两大竞争对手中胜出！
按照业界预计，2020年5G将开始全球范围内商用。这也就意味着：在正在到来的5G时代，中国通信核心技术第一次占领至高点，终于完成了弯道超车！
再来做一个科普，什么是5G呢？
4G和5G相比，简直就如同龟兔赛跑！
4G使用是特高频段，5G就得往超高频甚至更高的频段。5G的网络传输速率将是4G峰值的100倍。这意味着，在5G时代一部超高清画质的电影1秒内就可以下载完成。而且5G的功耗将低于4G，这从而带来一系列新的无线产品，比如更多智能家居设备和可穿戴计算设备。
5G——WIFI将“消亡”？
如果我们用上了5G手机，那么快的网络，就不会再每到一个地方就去寻找WIFI了，用户可以无缝、平滑的在任意空间过渡，省去了切换网络、输入密码等繁琐步骤，WiFi很可能“消亡”。
更重要的是，在5G时代华为很可能一统天下。因为在3G、4G时代，有美国、欧盟、中国等不同的网络制式，因此出现了各种不同制式的手机，给消费者造成一些困扰。为到了5G时代，消费者只需要一种制式的手机就可以包打天下了，这也就意味着华为很有可能获得极高的国际地位！
这也就意味着美国高通独霸的时代宣告结束！
而这项核心技术的超越，将使中国互联网的发展如虎添翼！
在刚刚闭幕的第三届世界互联网大会上，中欧数字协会主席Luigi Gambardella在接受媒体采访时说：“中国即将成为5G时代的全球领跑者，而5G时代的到来将推动新一轮技术革命。”
中国5G，正在制定世界标准！
除了华为之外，中国移动、中国联通也在5G领域布局完成。中国移动称，中国移动5G联合创新中心经过9个月的推动，现已拥有基础通信、物联网、车联网、虚拟现实/增强现实、云端智能机器人、工业互联网六大领域51家合作伙伴，建成首批4个开放实验室。看得出，中国移动联合通信企业、互联网企业及垂直应用行业合作伙伴，试图打造5G跨行业融合生态系统。
而在5G未来网络方面，中国联通目前正在发展基于多级云协同的5G网络架构，支持移动边缘计算端到端服务解决方案。未来视频服务的用户体验将因此大大改进。
华为则呼吁，各国政府和监管机构释放更多通讯频谱，建设无线千兆宽带（Gigaband）；同时，全球应以开放合作的精神引导5G技术标准统一，以降低成本、实现全球无缝互联互通。
从以上布局我们可以看出，中国正在制定5G的世界标准！
5G时代——万物互联，互联网将消失？
5G的真正意义在于：为万物互联打下基础！
水木然认为：如果说3G和4G使人与人相联，那么5G将使万物互联。由于数字传输效率的大大提升，这使万物之间的联系紧密增强。5G不仅仅是下一代移动技术，它将是一种全新网络，将万事万物以最优的方式连接起来，这种统一的连接架构将会把移动技术的优势扩展到全新行业，并创造全新商业模式。
未来的世界里，每一件物体都有传感器，利用5G实现数据交互，人、花草、机器、手机、交通工具、家居用品等等都有独立的IP，一切物体都可控、交流、定位，彼此协同工作。世界上几乎所有东西都会被连接在一起，超越了空间和时间的限制。
我们都知道，这个世界上存在多种生态系统，比如自然是一种生态系统，人类是一种生态系统，工业是一种生态系统，信息产业也是一种生态系统，资本和金融也是一种生态系统，每种生态系统都有自己循环结构，生生不息，并不断的趋向平衡。虽然这些生态系统都在向前推进，但是系统与系统之间比较独立。一旦到5G 时代，这些系统将打破原来的界限，走向共融，共同组建一个更包容的“大生态系统”，也就是万物互联。
届时，整个世界组建了一个社会性的“大生态系统”，而且这个系统的规则会更加清晰明了，所谓的“主观”情况干扰会越来越少。我们知道跟“人”打交道是一件最复杂的事情，因为人的七情六欲会时刻影响一个人的行为，“人性”在很多时候往往是一种阻碍。但是在未来，人和物、物和物之间的主要沟通将依靠数据，这是一种很客观的东西，它将会遵守我们已经制定好的规则，这也会帮人类省去不少烦恼，人们会感觉越来越轻便、轻松。这也就是一种大网无网的状态！
5G时代，中国将终结美国霸权！
美国是这个世界的传统规则的制定者，掌控了全球的货币引发（美元）、货物的流动（TPP：跨太平伙伴关系协定），而现在，摆在我们面前的是一个需要拯救的世界，各国经济一篇泥潭，迫切需要中国去注入新的活力。互联网给中国带来了新经济，中国又成了世界经济的希望。
如今无论是中国还是美国，都在向世界输出自己的模式。美国仍然企图用大数据和云计算来制定新的世界规则，而中国的互联网发展却向美国发起了挑战。正如我们前面所言，百度追求的是连接“人和人”，阿里巴巴追求的是连接“人和商品”，腾讯追求的是连接“人和人”，BAT的共同追求的是将“人”、“信息”、“商品”三者互相链接起来，这三者分别代表人类的社交、感知、和交易三大行为。一旦它们建立了连接，可以发挥1+1+1大于3的综合效应。因为这三者是可以互相作用的，链接起来就可以发生裂变和聚变的效应，瞬间聚合、张力无限。一旦5G再实现了万物互联，那么世界的变化是不可想象的！
这正是“互联互通、共享共治——构建网络空间命运共同体”的深刻洞解，中国改写的不仅是商业，而是整个世界的规则。
未来的货币流、信息流、产品流，都依靠数据传输去完成，5G将帮助中国治理全球，也是斩断美国霸权的一把利剑！
如今的美国，越来越依靠战争机器和货币霸权来掠夺其他国家财富，逐渐走向全世界人民的对立面，也越来越空心化。而中国则积极投身于新技术、电子商务等互联网产业的发展，且乐意与世界各国共享经验和繁荣。一个是八九点钟的太阳，一个是已近黄昏的夕阳，历史和命运，一定会在某个合理的时间点将中国推上位，然后引导世界进入下一个更高阶段的文明！
来源：水木然 专栏作者：水木然
更多内容请关注：www.imefuture.com
什么是非标自动化
2017年全国工业和信息化工作会议在京开幕
苹果发布第一篇人工智能研究论文
智造家
473 浏览
北京大数据产业投资基金正式发布 扎克伯格启用AI“管家
管理类 扳手哥 2016-12-26 16:09 发表了文章
【摘要】北京大数据产业投资基金正式发布，将进一步推进京津冀地区大数据发展；国家发改委：“互联网+”和大数据领域国家工程实验室拟确定承担单位名单公示；扎克伯格启用AI“管家”，最新最强大数据新闻，尽在本期D-News！
政府动态
北京大数据产业投资基金正式发布，将进一步推进京津冀地区大数据发展
由8个机构共同出资设立的“北京大数据产业投资基金”于近日在京正式发布。据了解，该基金由国富大数据资本管理中心管理，首期计划募集100亿元人民币。未来，该基金将通过支持大数据及相关领域的上市公司并购、股权投资等方式，重点支持大数据交易平台、数据资源、技术及行业应用等多个领域，从而进一步推动京津冀地区的大数据产业链整合发展。
国家发改委：“互联网+”和大数据领域国家工程实验室拟确定承担单位名单公示
根据《关于请组织申报“互联网+”领域创新能力建设专项的通知》和《关于请组织申报大数据领域创新能力建设专项的通知》，近期，国家发展改革委高技术司组织专家对有关单位申报的“互联网+”和大数据领域国家工程实验室项目进行了评审。根据《国家工程实验室管理办法（暂行）》，并按照上述通知有关支持原则和要求，经竞争择优，初步提出“互联网+”和大数据领域国家工程实验室拟确定承担单位名单。
白宫发布《人工智能、自动化和经济》报告
白宫发布了一份关于人工智能、自动化和经济的报告。报告中建议白宫在今年年底前发布一份关于人工智能对经济影响的报告。
业界巨头
学钢铁侠 扎克伯格启用AI“管家”
“脸书”创始人马克·扎克伯格开发出一款名叫“贾维斯”的人工智能程序,能管理其生活起居。控制家里的照明开关和温度、音乐、烤面包以及喂狗等。
谷歌医疗立足眼科，要用人工智能大数据破译糖网病难题
日前，谷歌方面发布公告称，公司旗下医疗团队将正式立足AI眼科，利用人工智能及大数据技术，攻克糖网病难关。说到糖网病，它是“糖尿病视网膜病变”的简称，即糖尿病引起的视网膜血管失调，严重者会引发双目失明。目前，谷歌已经针对该疾病提出了一种基于深度学习的算法，该算法可以在视网膜造影中对糖网病的迹象做出解释，帮助医生做出更专业的诊断。
资本动态
以色列增强现实显示技术公司 Lumus获3000万美元投资
以色列增强现实（AR）显示技术公司 Lumus 宣布，他们获得了来自包括 HTC、台湾地区的电子产品制造商广达电脑等公司的 3000 万美元投资。今年 6 月，Lumus 获得了1500 万美元的投资，投资方为盛大集团和中国浙江的水晶光电。拿到这 3000 万美元投资后，Lumus 的融资已经进行到位。Lumus 成立于 2000 年，当时 Lumus 研发出Light-guideOptical Element（LOE），帮助实现AR 显示。2010 年，Lumus 开始为美国空军制造战斗机飞行员头盔中的 AR 部件。历经 15 年的 AR 技术研发后，Lumus 今天终于向消费者和企业产品领域迈进了。
来源：大数据文摘
查看全部
政府动态
北京大数据产业投资基金正式发布，将进一步推进京津冀地区大数据发展
由8个机构共同出资设立的“北京大数据产业投资基金”于近日在京正式发布。据了解，该基金由国富大数据资本管理中心管理，首期计划募集100亿元人民币。未来，该基金将通过支持大数据及相关领域的上市公司并购、股权投资等方式，重点支持大数据交易平台、数据资源、技术及行业应用等多个领域，从而进一步推动京津冀地区的大数据产业链整合发展。
国家发改委：“互联网+”和大数据领域国家工程实验室拟确定承担单位名单公示
根据《关于请组织申报“互联网+”领域创新能力建设专项的通知》和《关于请组织申报大数据领域创新能力建设专项的通知》，近期，国家发展改革委高技术司组织专家对有关单位申报的“互联网+”和大数据领域国家工程实验室项目进行了评审。根据《国家工程实验室管理办法（暂行）》，并按照上述通知有关支持原则和要求，经竞争择优，初步提出“互联网+”和大数据领域国家工程实验室拟确定承担单位名单。
白宫发布《人工智能、自动化和经济》报告
白宫发布了一份关于人工智能、自动化和经济的报告。报告中建议白宫在今年年底前发布一份关于人工智能对经济影响的报告。
业界巨头
学钢铁侠 扎克伯格启用AI“管家”
“脸书”创始人马克·扎克伯格开发出一款名叫“贾维斯”的人工智能程序,能管理其生活起居。控制家里的照明开关和温度、音乐、烤面包以及喂狗等。
谷歌医疗立足眼科，要用人工智能大数据破译糖网病难题
日前，谷歌方面发布公告称，公司旗下医疗团队将正式立足AI眼科，利用人工智能及大数据技术，攻克糖网病难关。说到糖网病，它是“糖尿病视网膜病变”的简称，即糖尿病引起的视网膜血管失调，严重者会引发双目失明。目前，谷歌已经针对该疾病提出了一种基于深度学习的算法，该算法可以在视网膜造影中对糖网病的迹象做出解释，帮助医生做出更专业的诊断。
资本动态
以色列增强现实显示技术公司 Lumus获3000万美元投资
以色列增强现实（AR）显示技术公司 Lumus 宣布，他们获得了来自包括 HTC、台湾地区的电子产品制造商广达电脑等公司的 3000 万美元投资。今年 6 月，Lumus 获得了1500 万美元的投资，投资方为盛大集团和中国浙江的水晶光电。拿到这 3000 万美元投资后，Lumus 的融资已经进行到位。Lumus 成立于 2000 年，当时 Lumus 研发出Light-guideOptical Element（LOE），帮助实现AR 显示。2010 年，Lumus 开始为美国空军制造战斗机飞行员头盔中的 AR 部件。历经 15 年的 AR 技术研发后，Lumus 今天终于向消费者和企业产品领域迈进了。
来源：大数据文摘
查看全部
【摘要】北京大数据产业投资基金正式发布，将进一步推进京津冀地区大数据发展；国家发改委：“互联网+”和大数据领域国家工程实验室拟确定承担单位名单公示；扎克伯格启用AI“管家”，最新最强大数据新闻，尽在本期D-News！
政府动态
北京大数据产业投资基金正式发布，将进一步推进京津冀地区大数据发展
由8个机构共同出资设立的“北京大数据产业投资基金”于近日在京正式发布。据了解，该基金由国富大数据资本管理中心管理，首期计划募集100亿元人民币。未来，该基金将通过支持大数据及相关领域的上市公司并购、股权投资等方式，重点支持大数据交易平台、数据资源、技术及行业应用等多个领域，从而进一步推动京津冀地区的大数据产业链整合发展。
国家发改委：“互联网+”和大数据领域国家工程实验室拟确定承担单位名单公示
根据《关于请组织申报“互联网+”领域创新能力建设专项的通知》和《关于请组织申报大数据领域创新能力建设专项的通知》，近期，国家发展改革委高技术司组织专家对有关单位申报的“互联网+”和大数据领域国家工程实验室项目进行了评审。根据《国家工程实验室管理办法（暂行）》，并按照上述通知有关支持原则和要求，经竞争择优，初步提出“互联网+”和大数据领域国家工程实验室拟确定承担单位名单。
白宫发布《人工智能、自动化和经济》报告
白宫发布了一份关于人工智能、自动化和经济的报告。报告中建议白宫在今年年底前发布一份关于人工智能对经济影响的报告。
业界巨头
学钢铁侠 扎克伯格启用AI“管家”
“脸书”创始人马克·扎克伯格开发出一款名叫“贾维斯”的人工智能程序,能管理其生活起居。控制家里的照明开关和温度、音乐、烤面包以及喂狗等。
谷歌医疗立足眼科，要用人工智能大数据破译糖网病难题
日前，谷歌方面发布公告称，公司旗下医疗团队将正式立足AI眼科，利用人工智能及大数据技术，攻克糖网病难关。说到糖网病，它是“糖尿病视网膜病变”的简称，即糖尿病引起的视网膜血管失调，严重者会引发双目失明。目前，谷歌已经针对该疾病提出了一种基于深度学习的算法，该算法可以在视网膜造影中对糖网病的迹象做出解释，帮助医生做出更专业的诊断。
资本动态
以色列增强现实显示技术公司 Lumus获3000万美元投资
以色列增强现实（AR）显示技术公司 Lumus 宣布，他们获得了来自包括 HTC、台湾地区的电子产品制造商广达电脑等公司的 3000 万美元投资。今年 6 月，Lumus 获得了1500 万美元的投资，投资方为盛大集团和中国浙江的水晶光电。拿到这 3000 万美元投资后，Lumus 的融资已经进行到位。Lumus 成立于 2000 年，当时 Lumus 研发出Light-guideOptical Element（LOE），帮助实现AR 显示。2010 年，Lumus 开始为美国空军制造战斗机飞行员头盔中的 AR 部件。历经 15 年的 AR 技术研发后，Lumus 今天终于向消费者和企业产品领域迈进了。
来源：大数据文摘
政府动态
北京大数据产业投资基金正式发布，将进一步推进京津冀地区大数据发展
由8个机构共同出资设立的“北京大数据产业投资基金”于近日在京正式发布。据了解，该基金由国富大数据资本管理中心管理，首期计划募集100亿元人民币。未来，该基金将通过支持大数据及相关领域的上市公司并购、股权投资等方式，重点支持大数据交易平台、数据资源、技术及行业应用等多个领域，从而进一步推动京津冀地区的大数据产业链整合发展。
国家发改委：“互联网+”和大数据领域国家工程实验室拟确定承担单位名单公示
根据《关于请组织申报“互联网+”领域创新能力建设专项的通知》和《关于请组织申报大数据领域创新能力建设专项的通知》，近期，国家发展改革委高技术司组织专家对有关单位申报的“互联网+”和大数据领域国家工程实验室项目进行了评审。根据《国家工程实验室管理办法（暂行）》，并按照上述通知有关支持原则和要求，经竞争择优，初步提出“互联网+”和大数据领域国家工程实验室拟确定承担单位名单。
白宫发布《人工智能、自动化和经济》报告
白宫发布了一份关于人工智能、自动化和经济的报告。报告中建议白宫在今年年底前发布一份关于人工智能对经济影响的报告。
业界巨头
学钢铁侠 扎克伯格启用AI“管家”
“脸书”创始人马克·扎克伯格开发出一款名叫“贾维斯”的人工智能程序,能管理其生活起居。控制家里的照明开关和温度、音乐、烤面包以及喂狗等。
谷歌医疗立足眼科，要用人工智能大数据破译糖网病难题
日前，谷歌方面发布公告称，公司旗下医疗团队将正式立足AI眼科，利用人工智能及大数据技术，攻克糖网病难关。说到糖网病，它是“糖尿病视网膜病变”的简称，即糖尿病引起的视网膜血管失调，严重者会引发双目失明。目前，谷歌已经针对该疾病提出了一种基于深度学习的算法，该算法可以在视网膜造影中对糖网病的迹象做出解释，帮助医生做出更专业的诊断。
资本动态
以色列增强现实显示技术公司 Lumus获3000万美元投资
以色列增强现实（AR）显示技术公司 Lumus 宣布，他们获得了来自包括 HTC、台湾地区的电子产品制造商广达电脑等公司的 3000 万美元投资。今年 6 月，Lumus 获得了1500 万美元的投资，投资方为盛大集团和中国浙江的水晶光电。拿到这 3000 万美元投资后，Lumus 的融资已经进行到位。Lumus 成立于 2000 年，当时 Lumus 研发出Light-guideOptical Element（LOE），帮助实现AR 显示。2010 年，Lumus 开始为美国空军制造战斗机飞行员头盔中的 AR 部件。历经 15 年的 AR 技术研发后，Lumus 今天终于向消费者和企业产品领域迈进了。
来源：大数据文摘
321 浏览
面临年关，各家机器人企业将会上演促销大戏
设计类 品管人生 2016-12-26 11:34 发表了文章
到年关，都是各大企业促销的旺季，方式各种各样。包括网店、实体店都会上演各种精彩大戏，看谁最高明。机器人企业也不例外。
近几年以来，传统的促销方式已经面临寒意，现在是大财团的天下，每逢面临佳节出手都是大手笔。
以当下形势而言，不管是经销商，还是机器人企业，通过个人的促销方式，已经很难聚集人气，因为浮在台面上的势力太庞大，不管是阿里巴巴、京东、苏宁，还是万达等等，都是财力惊人，搞一场活动出手都是大手笔，所以对于我们普通的企业而言，他们已经是主流的促销平台，掌握着买家资源，而我们机器人企业要做的就是加入他们的战局，为自己分一杯羹。
企业促销活动要看时机与消费者的习惯，特别是像圣诞节，很多家长会愿意给自己的孩子买礼物，这已经成为国内外消费者的一种习惯，针对这种习惯，各家企业已经在布局。
据1号机器人网记者所知，已经有不少机器人在布局年终促销大戏，包括城市漫步、极思维、阿U智能等等。
有些是个人促销活动，但有些是与财团一起搞促销。
面临年终促销布局，华强北的开街活动应该算是整个深圳最大范围的促销活动，以前流传一句口号，买手机就到华强北，华强北作为各大科技公司的主要战场，因为修建地铁封路三年，也因此算是失落的三年，如今地铁7、9、10号线，已陆续开通，整个华强北将要重新开业，所以是一系列的促销活动布局。
在华强北电子世界正面这条大道将会摆满各种各样的科技产品，为整个华强北全面开张做铺垫，时间从12月23日开始一直延续到2017年1月15日，这期间将会涉及到各种各样的活动，让消费者拭目以待。
也将会有众多机器人企业参与，目前据记者了解，城市漫步是全程参与的一家机器人企业，这半年来，城市漫步表现不俗，据了解城市漫步小E机器人售出已近1万台。
城市漫步总经理李正向记者表示，为了这场活动，城市漫步另外备货3000台小E机器人。
总之，面临年关，很多机器人企业正在寻找商机，而且都在布局，在接下来的一个月，将会让人目不转睛，令人期待。
来源： 释儒道 1号机器人网
更多内容请关注：www.imefuture.com
圣诞节太多小孩被机器人吸引
各种“地”—— 各种“GND”
智造家 查看全部
近几年以来，传统的促销方式已经面临寒意，现在是大财团的天下，每逢面临佳节出手都是大手笔。
以当下形势而言，不管是经销商，还是机器人企业，通过个人的促销方式，已经很难聚集人气，因为浮在台面上的势力太庞大，不管是阿里巴巴、京东、苏宁，还是万达等等，都是财力惊人，搞一场活动出手都是大手笔，所以对于我们普通的企业而言，他们已经是主流的促销平台，掌握着买家资源，而我们机器人企业要做的就是加入他们的战局，为自己分一杯羹。
企业促销活动要看时机与消费者的习惯，特别是像圣诞节，很多家长会愿意给自己的孩子买礼物，这已经成为国内外消费者的一种习惯，针对这种习惯，各家企业已经在布局。
据1号机器人网记者所知，已经有不少机器人在布局年终促销大戏，包括城市漫步、极思维、阿U智能等等。
有些是个人促销活动，但有些是与财团一起搞促销。
面临年终促销布局，华强北的开街活动应该算是整个深圳最大范围的促销活动，以前流传一句口号，买手机就到华强北，华强北作为各大科技公司的主要战场，因为修建地铁封路三年，也因此算是失落的三年，如今地铁7、9、10号线，已陆续开通，整个华强北将要重新开业，所以是一系列的促销活动布局。
在华强北电子世界正面这条大道将会摆满各种各样的科技产品，为整个华强北全面开张做铺垫，时间从12月23日开始一直延续到2017年1月15日，这期间将会涉及到各种各样的活动，让消费者拭目以待。
也将会有众多机器人企业参与，目前据记者了解，城市漫步是全程参与的一家机器人企业，这半年来，城市漫步表现不俗，据了解城市漫步小E机器人售出已近1万台。
城市漫步总经理李正向记者表示，为了这场活动，城市漫步另外备货3000台小E机器人。
总之，面临年关，很多机器人企业正在寻找商机，而且都在布局，在接下来的一个月，将会让人目不转睛，令人期待。
来源： 释儒道 1号机器人网
更多内容请关注：www.imefuture.com
圣诞节太多小孩被机器人吸引
各种“地”—— 各种“GND”
智造家 查看全部
到年关，都是各大企业促销的旺季，方式各种各样。包括网店、实体店都会上演各种精彩大戏，看谁最高明。机器人企业也不例外。
近几年以来，传统的促销方式已经面临寒意，现在是大财团的天下，每逢面临佳节出手都是大手笔。
以当下形势而言，不管是经销商，还是机器人企业，通过个人的促销方式，已经很难聚集人气，因为浮在台面上的势力太庞大，不管是阿里巴巴、京东、苏宁，还是万达等等，都是财力惊人，搞一场活动出手都是大手笔，所以对于我们普通的企业而言，他们已经是主流的促销平台，掌握着买家资源，而我们机器人企业要做的就是加入他们的战局，为自己分一杯羹。
企业促销活动要看时机与消费者的习惯，特别是像圣诞节，很多家长会愿意给自己的孩子买礼物，这已经成为国内外消费者的一种习惯，针对这种习惯，各家企业已经在布局。
据1号机器人网记者所知，已经有不少机器人在布局年终促销大戏，包括城市漫步、极思维、阿U智能等等。
有些是个人促销活动，但有些是与财团一起搞促销。
面临年终促销布局，华强北的开街活动应该算是整个深圳最大范围的促销活动，以前流传一句口号，买手机就到华强北，华强北作为各大科技公司的主要战场，因为修建地铁封路三年，也因此算是失落的三年，如今地铁7、9、10号线，已陆续开通，整个华强北将要重新开业，所以是一系列的促销活动布局。
在华强北电子世界正面这条大道将会摆满各种各样的科技产品，为整个华强北全面开张做铺垫，时间从12月23日开始一直延续到2017年1月15日，这期间将会涉及到各种各样的活动，让消费者拭目以待。
也将会有众多机器人企业参与，目前据记者了解，城市漫步是全程参与的一家机器人企业，这半年来，城市漫步表现不俗，据了解城市漫步小E机器人售出已近1万台。
城市漫步总经理李正向记者表示，为了这场活动，城市漫步另外备货3000台小E机器人。
总之，面临年关，很多机器人企业正在寻找商机，而且都在布局，在接下来的一个月，将会让人目不转睛，令人期待。
来源： 释儒道 1号机器人网
更多内容请关注：www.imefuture.com
圣诞节太多小孩被机器人吸引
各种“地”—— 各种“GND”
智造家
357 浏览
吴伯凡对话吴军、涂子沛：大数据是智能的母体
机械自动化类 集运物流 2016-11-21 14:44 发表了文章
智能能给普通人带来什么？语音识别什么时候才能真正实现？
摘要
2016年11月13日，第二届万物互联创新大会「创业下一潮水：大数据与智能时代」在杭州召开。“铿锵三人行”环节请到了硅谷风险投资人、《智能时代》的作者吴军博士，观数科技联合创始人、前阿里巴巴集团副总裁涂子沛先生，以及伯凡时间创始人吴伯凡先生，并针对大数据和人工智能相关话题进行了探讨。
大数据和人工智能的关系
吴伯凡：今年三场黑天鹅，AlphaGo取胜，英国脱欧，以及川普当选美国总统，这里都有一个很重要的问题，就是智能预测。第一个问题，大数据和人工智能到底有什么样的关联，区别显而易见，关联是什么？
吴军：这一次川普和希拉里竞选，希拉里是一个什么样的势态，传统营销能够想到的办法，砸钱、铺广告位，找意见领袖、代言人，就是好莱坞的，传统方法全用上了，但是不产生结果。为什么呢，很多程度上过去这种传播方式，一个单点到多点的传播出来以后，什么结果不知道，接下来该怎么调整，不知道。
今天大众每一个人都是制造思想想法的这么一些人。通过移动互联网，大家互相抱团，一个个小社区。有这么一些人，他们的思想很相近，这些意见在过去淹没在汪洋大海之中没有人知道。支持川普很多人就是这样的，在今天看来这是一群很奇怪的动物，千奇百怪的想法，在过去媒体时代根本体现不出来。
今天，到了大选前几天，在facebook上，这些大数据的体现，好像facebook已经能够感觉到味道不大对了，虽然传统媒体都清一色说希拉里能够当选。在社交媒体上好像反映出要变天了，从这个角度来看也不完全是“黑天鹅”。就像在座各位参与到了大数据时代，智能时代之中了。这是我的看法。
涂子沛：伯凡的问题是大数据和智能有什么关系，我们简单的说，直接回答就是大数据是智能的基础，大数据是智能的母体。我用了一句比较性感的话来说，大数据是智能的土壤。也可以简单的这么说，没有数据就根本不会有智能，所有的智能都是建立在数据的基础之上。
我要来看，过了互联网时代之后是大数据时代，智能时代其实还是大数据时代的一个组成部分，一个巅峰。刚刚谈到今年美国大选，我们在关注大洋彼岸的选举，大家有没有关注浙江发生的事情，5月份阿里淘宝上就看到了和希拉里，川普的各种宣传旗帜出货量，川普是希拉里的5倍。
义乌人民说川普的货不要定金都敢做，而希拉里不行，所以数据是什么。刚才我们说数据是目前预测未来最有效，最有力的工具，因为数据表述的是过去，记录是过去的事情，但是表达的是未来，它告诉我们未来，因为整个世界是有因果关系的。黑天鹅是怎么来的，美国是怎么解释，我觉得可以看义乌。
吴伯凡：涂总是数据的代言人，吴军老师是智能时代的代言人，你认为涂总说的数据是大脑，智能只不过是一个延伸，你同意这个观点吗？
吴军：我同意，机器获取智能的方式和人不一样，它很大程度上靠数据。关键的是，机器获得智能在哲学层面和人还是有很大差别，人是强调逻辑推理，很严格导出知识。而机器某种程度上来说是一步到位，因为有这个数据一步到位，通过相关性直接找出知识，它对我们的认知是挑战。
过去我们说要知其然，知其所以然，在计算机不是这样的，它知其然，不知所以然。你对这个结论用还是不用，信还是不用。举个例子，比如阿里的好多商品，包括亚马逊很多商品，它之间的关联，你根本说不出是什么原因的。但是你把这两个商品房在一起去卖，结果就是好，实际上这对过去人的认知也是一个蛮大的挑战，所以数据可以讲是机器智能的一个基础。
大数据的相关性与因果关系
吴伯凡：知其然，不知其所以然，万物都是有因果关系的，基本关于大数据的尝试，大数据是相关关系，不是因果关系，这个怎么解释？
涂子沛：吴军早上说到一个案例，沃森看病，沃森看疑难杂症比普通病还准确，为什么？我觉得这个问题在某个阶段可以去回答伯凡先生的问题，为什么这么讲呢，我其实还是相信因果性。相关性是没有因果的相关性，我们一定要验证这种相关性之后，才证明它是科学的。
比如伯凡说很多东西摆在一起，它们就是会卖得更好，它们有原因吗。啤酒和尿布是最经典的认知，开始沃尔玛也搞不清楚原因，啤酒和尿布摆在一起，双双销量都上升呢。它是有真实原因的，每一个最后有价值的相关性，它是有因果性的。如果没有价值的相关性，它背后这个因果性是不成立的。
吴伯凡：有时候我们做决策时没有必要追溯因果，来不及。
涂子沛：对，我一定程度上同意，从数据上看相关性，我们一分析，杭州啤酒销量和硅谷犯罪率是相关的。这在数据上完全可以出现的，那我们怎么去解释。
吴伯凡：这个问题很深刻，过去说的雄鸡一唱天下白。大公鸡每天一叫，天就亮了，人们就认为天亮是被它叫亮了，实际上没有因果关系。我们听见鸡叫了，一会天亮了，这个我们可以用。这个问题思辨，大数据与思辨。
涂子沛：我认为这个东西已经上升到哲学层面，因和果，我们永远说不清楚。说了果，前面有因。因又是另外一个事情的果，整个事件是错综复杂，上升到哲学层面。最终解决这个问题，一定程度上是数据解决了这个问题。
吴伯凡：最近大数据不像前几年那么火，最近谈人工智能比较多。但是大数据，大家已经往深处在挖掘。比如最近我看到好几篇文章在谈林彪与大数据的关系，说林彪是一个数据分析的高手。
涂子沛：我相信这个例子来自于我的书，我是中国最早讲这件事的人。其实延伸过去，军事战争对数据的应用是非常密集的。为什么？因为数据就是情报的载体，就是信息的载体，所以他要收集数据。
这个故事说什么呢，说林彪他有一个很好的习惯，什么习惯？他时刻兜里带一个小本子，他见到什么东西，有人报告什么东西，他就记下来。记下来干什么，他把所见所得变成数据，一到决策的时候他什么情况就知道了。
我们今天要看，刚刚说了无数据无智能，事实上还有一个东西，在管理学上来说无数据无决策。我们所有的决策事实上建立在情报收集基础上，今天的情报是什么，今天的情报就是数据，不是其它的东西。
智能能给普通人带来什么
吴伯凡：数据如果是一个情报的话，为我们提供了做决策的依据。但智能好像关心的还是数据，普通消费者关注的就是智能，智能无非让每个人都当上官，有秘书，有司机，吴老师怎么看待这个问题？
吴军：发展机器智能还要有医生，任何科技最终目的就是为了你的生活变得更好一点，这是终极目标。延年益寿，医疗，刚才很多人都讲到医疗，还有出行各方面要方便，要有人替你管理这些事。最好这个计算机足够聪明，把你的时间省下来，自己干一些喜欢的事，安排你日常活动的这些事，让他去干了。
以前最早是像林彪似的用一个小本子，用一个手册。然后就变成了你的日历，计算机上了。以后像日历，它可以管理得很好，涂老师、吴老师给我打一个电话，什么时候在这里搞活动，等等安排，我跟工作人员的邮件来往、微信来往，完完全全记下，严格来讲用科大讯飞理解语言的部分都记下来了。
久而久之，哪些活动，这么多活动，吴老师的活动，他做的内容和我写的有相似性，我可能会接受。或者涂老师刚才讲到数据和智能是相关的，所以他邀请的活动，我可能参加。另外有一个什么八竿子打不着的，根据以前习惯就拒绝了。它每天在整理决策优先级的时候，事先排好序了等等，就是很小的例子。
这些东西也是从数据到智能，这是我们生活的便利性。它知道我每天工作安排时，以后也不用我天天打电话给滴滴，或者易到用车，今天6点50在哪儿等我，这个时间是自动安排好了。到了6点50我该出门时，车已经准备好了，当然有无人驾驶。未来我们想象一个生活场景有极大的方便性，我们到时候能够腾出非常多的时间去思考问题，来发动人脑的特征。
语义识别什么时候能实现
吴伯凡：还有一个听话听音，察言观色。就像现在说的例子，野蛮女友和男朋友打电话，你要是到晚了，没有到，你就等着。我要是到了，你没有到，你就等着；我要是到了，你不等我，你就等着！这个智能可能就无法理解，吴老师你觉得什么时候能够实现？
吴军：刚才我看讯飞的，基本上没有挑出什么错误，这个还可以。理解，这里有两个难点。第一，本身绕口令，计算机比较容易解决这个问题。一个是它理解上下文这个意思，同样说一句话，我就表达一般的陈述，可能是个反意。那我得看前面是个什么场景，这是一个常识或者人生活的知识，这是计算机现在，我还看不到一个前景。我今天说十年，我说错了，十年后你也不会找我。大概在这么短的时间内，我觉得这个事还不能最好的解决。
最典型是在北京公共汽车上，你踩了一个北京40多岁的女同胞。踩了她一下脚，她会跟你说这么一句话，没硌着你的脚吧，她其实是怪你踩着她的脚了。第二，刚才讲的善解人意这件事，数据叠加之后会改进得非常快，包括航班今天晚了，发现哪儿有车祸，堵车了，让你今天早走半小时。甚至闹钟提前闹醒半小时，这个事做起来会是比较快。一般生活上的善解人意，这件事能够比较快，可能有个三到五年，生活助手应该能解决。
便利VS隐私
涂子沛：我补充两个案例，今天人工智能到底在做什么，今天人工智能在做一些重复性的工作，帮助人类从这些工作当中解脱出来。
我原来在美国的时候都用Gmail邮箱，有一次我的朋友在家里给我写了一封信，从中国来到美国，什么时候抵达。到了那个时刻我就准备开车出去接人，这时候我收到了Googleplay发出的信息，说这班航班晚点了，我当时就惊讶。Google在读这些邮件，读这些邮件之后给你提供个性化的服务，可能会牵涉到另外一个问题，伯凡会感兴趣，就是隐私。
如果你说要做到察言观色，就必须读懂你的每一句话，这就是问题。当时我接到这条短信的时候非常惊讶，但我认为这条短信非常有用，为什么？我正准备出门，你说有用没有用，那当然有用。我们的一个结论，我们今天享受这种人工智能的便利，事实上是让度了我的一份权力。
这是我们说的第一个案例，第二个案例就说到AlphaGo。AlphaGo确实是计算机打赢了人类，但是我很快看到网上有段子，有什么段子呢，他说那是下围棋，你打打麻将试试看，我抓一下头发，揪一下耳朵，那就有配合了，我们会察言观色，计算机不会。
技术的可能性和商业的可能性
吴军：触一下耳朵打麻将，也不是说做不到，因为你把视觉这些都加进去也能够做到，是成本的问题。之所以不做，商业上很多事不做是因为没利可图。像刚才涂老师讲的，提供一个航班晚点的信息，这个事以后你会更加相信我给你的推荐，它有一个商业逻辑在后面，这是比较好的。包括AlphaGo下棋这件事，是非常好的宣传。
如果哪天说打麻将，给你监测场景，你们大家如果觉得有用，它就会去做，你们大家要觉得没用就不会做。包括无人驾驶汽车也是，我们过去说眼观六路，耳听八方，过去好多事情发生了计算机监测不到。实际上它现在每秒钟各种传感器，几十种数据传进来，这个察言观色，像无人驾驶汽车出错率比人类还好一些。很大程度上做到做不到，看你砸多少钱了。
吴伯凡：这就是一个问题，技术的可能性和商业的可能性，成本的问题有没有人买单，厂商有没有利益的问题，很多技术实际上早就已经有了，但是它没有办法找到一个市场，所以就搁置了。刚才我看到前面一个演讲，一个词叫“部分辅助性智能”，可能我们下一步看到的无人驾驶汽车，就是那种老人车，货场和机场里固定场景，固定道路的，这种无人驾驶车率先会进入市场。那种高智能走盘山公路的车，可能到很晚才会出现。
吴军：无人驾驶要分六个阶段，第一是特斯拉，辅助驾驶，但还是人驾驶。第二个阶段，它驾驶，人监控。接下来有些分场景的，就是从小区到地铁站，每天只走这一条路，这个比较容易。再往后一个阶段，比如说你可以全市走，但最好晚上10点钟之后再上路。最后一个阶段，Google现在做的，没有条件限制，所以每个公司切入点不一样。特斯拉是切入第一个点，几个主要汽车厂，奔驰、宝马是切入第二个点。吴老师基本上切入三四个点，比如园区里、商场里，小区和地铁站之间的，各家目标也不太一样。
涂子沛：这是一个纬度，从技术本身来讲有这些发展阶段。但是我认为今年事实上是一个点，技术怎么去发展，怎么去提高，它最终市场结果就是大众接不接受，这是一个点。
今年AlphaGo战胜人类的围棋冠军就是一个转折点，这意味着越来越多的人接受智能。比如说吴军博士上午讲的例子，我认为也是很有借鉴意义的。他提了两个，第一，推荐。今天网站上很多东西，亚马逊上40%的销量是由于推荐，你不买这个东西，你没有说要买这个东西，我向你推荐最后成交了，40%的东西都是这么卖的，推荐。
他又讲了一个，沃森。我们要问的一个问题，计算机推荐一件衣服给你，你就买了，这不是问题。如果计算机推荐一个药给你，你就吃了，我认为这是一个问题。他上午说了三个数据，你的症状，你的历史，还有化验结果，有这三个数据提交给计算机，如果未来在手机上提交。手机告诉你该吃什么药物，你敢吃吗。如果你敢吃，我认为就是人工智能又一大跃升。
吴伯凡：秘书、司机、医生，医生是最难的。
吴军：还有第四个，可以给你推荐老婆。以色列做了婚配的工具，犹太人做的，他的推荐准确率特别高。不光是犹太人去用这个，美国很多白人也去用这个。他说人类找老婆有一个特大的误区，女的找男的也有一个特大的误区。比如他是一个60分的男性，他想象女神是95分的。95分女神都不会看他一眼，他最高目标就是70分的，能找着这个就不错了，当然他对20分的也不会看一眼。
他做了什么事呢？把每个人重新做了画像，他不让你看到所有人。比如你是一个60分的，他让你看到最好的就是70分。这个60分，70分不是说长相，是各方面综合评估。这个成功率非常高，而且回访以后，他们的日常生活满意程度还很高。因为他找一些内在价值，不是外在的。60分一定要找95分的，最后你有钱也能办到，但最终差异是很难弥补的。当最后说找老婆这个事也不是你自己筛选，不是你自己的意愿，是机器在给你做，这个很有意思。
机器会撒谎吗？
吴军：人有一些善意的撒谎，这个机器现在很难做到。
涂子沛：人类会撒谎，机器不会撒谎。图灵测试中存在这样的悖论，人会撒谎，到底能不能骗过他，这个图灵测试，吴老师你怎么看？
吴军：机器撒谎是很容易的，只是说你有什么顾虑，机器没有顾虑。AlphaGo赢李世石很容易，让它故意输棋不容易，故意设两个BUG，让它输棋是容易的。如果为了什么利益，为了赌博，中国的足球，要挣钱，要赌博，那就可以设计输棋了。但是善意的撒谎，这个是揣摩圣意，随便撒一个谎，今天天晴天阴，这个事很容易撒谎。
涂子沛：察言观色，人类有这种厉害之处，相比于机器。察言观色正是撒谎的基础，因为机器不会察言观色，它就不会撒谎。察言观色意味着你要去迎合，扭曲事实，机器不会。从这个角度上讲，我觉得未来人工智能世界还更靠谱一些。比人类管这个世界海更靠谱一些，因为机器不撒谎。
吴伯凡：人工智能的科幻电影里，一个丈夫车祸死了，可以根据他过往所有数据，用软件合成成一个真实的人，而且把这个女的对丈夫不好的评价知道以后，比如说他的脾气原来不太好。
涂子沛：这也是图灵测试，这个妻子最后能不能判断这个丈夫。
吴伯凡：越聊越多，人工智能，大数据，吴军老师说的第四点婚配，司机、秘书、医生，如果我们不当官，不有钱有势也能够拥有这三个，那对我们未来的的确确是一个福音，由此看来也的确是一个大产业，人人都拥有私人医生，拥有司机、秘书的时代。
寄语
吴军：这是一个非常有希望的时代，这是一个最好的时代，也是一个最坏的时代。因为好坏是看你站在哪个角度，你是否参与了，你参与进来，对你来说就是一个最好的时代。你如果拒绝这件事情，可能对你来讲未来是一个很坏的时代。
涂子沛：我们要更多适应和机器共存共生，越来越多的依赖于机器。但是这并不是代表我们去否认艺术，其实吴军开始演讲的PPT，我记得很清楚，一开始弹钢琴很好的人最后成为了人工智能的专家，我认为还是要在这当中找到一个平衡。大数据会给你很多建议，告诉你怎么找到自己的另外一半，什么样的人才适合你。但是如果没有你自己的体验，没有每一次约会的心跳，没有那种察言观色所带来的愉悦感，或者说恶作剧感，小小的使坏，我相信这个世界的吸引力也会大大的下降。人之所以为人，还是要善用数据，善用智能，它归根到底还是工具。本质上，我认为这个世界上最可爱的东西还是人，还是人性，不是机器，只是我们要适应它。
转自：大数据文摘 |bigdatadigest
智造家提供
查看全部
智能能给普通人带来什么？语音识别什么时候才能真正实现？
摘要
2016年11月13日，第二届万物互联创新大会「创业下一潮水：大数据与智能时代」在杭州召开。“铿锵三人行”环节请到了硅谷风险投资人、《智能时代》的作者吴军博士，观数科技联合创始人、前阿里巴巴集团副总裁涂子沛先生，以及伯凡时间创始人吴伯凡先生，并针对大数据和人工智能相关话题进行了探讨。
大数据和人工智能的关系
吴伯凡：今年三场黑天鹅，AlphaGo取胜，英国脱欧，以及川普当选美国总统，这里都有一个很重要的问题，就是智能预测。第一个问题，大数据和人工智能到底有什么样的关联，区别显而易见，关联是什么？
吴军：这一次川普和希拉里竞选，希拉里是一个什么样的势态，传统营销能够想到的办法，砸钱、铺广告位，找意见领袖、代言人，就是好莱坞的，传统方法全用上了，但是不产生结果。为什么呢，很多程度上过去这种传播方式，一个单点到多点的传播出来以后，什么结果不知道，接下来该怎么调整，不知道。
今天大众每一个人都是制造思想想法的这么一些人。通过移动互联网，大家互相抱团，一个个小社区。有这么一些人，他们的思想很相近，这些意见在过去淹没在汪洋大海之中没有人知道。支持川普很多人就是这样的，在今天看来这是一群很奇怪的动物，千奇百怪的想法，在过去媒体时代根本体现不出来。
今天，到了大选前几天，在facebook上，这些大数据的体现，好像facebook已经能够感觉到味道不大对了，虽然传统媒体都清一色说希拉里能够当选。在社交媒体上好像反映出要变天了，从这个角度来看也不完全是“黑天鹅”。就像在座各位参与到了大数据时代，智能时代之中了。这是我的看法。
涂子沛：伯凡的问题是大数据和智能有什么关系，我们简单的说，直接回答就是大数据是智能的基础，大数据是智能的母体。我用了一句比较性感的话来说，大数据是智能的土壤。也可以简单的这么说，没有数据就根本不会有智能，所有的智能都是建立在数据的基础之上。
我要来看，过了互联网时代之后是大数据时代，智能时代其实还是大数据时代的一个组成部分，一个巅峰。刚刚谈到今年美国大选，我们在关注大洋彼岸的选举，大家有没有关注浙江发生的事情，5月份阿里淘宝上就看到了和希拉里，川普的各种宣传旗帜出货量，川普是希拉里的5倍。
义乌人民说川普的货不要定金都敢做，而希拉里不行，所以数据是什么。刚才我们说数据是目前预测未来最有效，最有力的工具，因为数据表述的是过去，记录是过去的事情，但是表达的是未来，它告诉我们未来，因为整个世界是有因果关系的。黑天鹅是怎么来的，美国是怎么解释，我觉得可以看义乌。
吴伯凡：涂总是数据的代言人，吴军老师是智能时代的代言人，你认为涂总说的数据是大脑，智能只不过是一个延伸，你同意这个观点吗？
吴军：我同意，机器获取智能的方式和人不一样，它很大程度上靠数据。关键的是，机器获得智能在哲学层面和人还是有很大差别，人是强调逻辑推理，很严格导出知识。而机器某种程度上来说是一步到位，因为有这个数据一步到位，通过相关性直接找出知识，它对我们的认知是挑战。
过去我们说要知其然，知其所以然，在计算机不是这样的，它知其然，不知所以然。你对这个结论用还是不用，信还是不用。举个例子，比如阿里的好多商品，包括亚马逊很多商品，它之间的关联，你根本说不出是什么原因的。但是你把这两个商品房在一起去卖，结果就是好，实际上这对过去人的认知也是一个蛮大的挑战，所以数据可以讲是机器智能的一个基础。
大数据的相关性与因果关系
吴伯凡：知其然，不知其所以然，万物都是有因果关系的，基本关于大数据的尝试，大数据是相关关系，不是因果关系，这个怎么解释？
涂子沛：吴军早上说到一个案例，沃森看病，沃森看疑难杂症比普通病还准确，为什么？我觉得这个问题在某个阶段可以去回答伯凡先生的问题，为什么这么讲呢，我其实还是相信因果性。相关性是没有因果的相关性，我们一定要验证这种相关性之后，才证明它是科学的。
比如伯凡说很多东西摆在一起，它们就是会卖得更好，它们有原因吗。啤酒和尿布是最经典的认知，开始沃尔玛也搞不清楚原因，啤酒和尿布摆在一起，双双销量都上升呢。它是有真实原因的，每一个最后有价值的相关性，它是有因果性的。如果没有价值的相关性，它背后这个因果性是不成立的。
吴伯凡：有时候我们做决策时没有必要追溯因果，来不及。
涂子沛：对，我一定程度上同意，从数据上看相关性，我们一分析，杭州啤酒销量和硅谷犯罪率是相关的。这在数据上完全可以出现的，那我们怎么去解释。
吴伯凡：这个问题很深刻，过去说的雄鸡一唱天下白。大公鸡每天一叫，天就亮了，人们就认为天亮是被它叫亮了，实际上没有因果关系。我们听见鸡叫了，一会天亮了，这个我们可以用。这个问题思辨，大数据与思辨。
涂子沛：我认为这个东西已经上升到哲学层面，因和果，我们永远说不清楚。说了果，前面有因。因又是另外一个事情的果，整个事件是错综复杂，上升到哲学层面。最终解决这个问题，一定程度上是数据解决了这个问题。
吴伯凡：最近大数据不像前几年那么火，最近谈人工智能比较多。但是大数据，大家已经往深处在挖掘。比如最近我看到好几篇文章在谈林彪与大数据的关系，说林彪是一个数据分析的高手。
涂子沛：我相信这个例子来自于我的书，我是中国最早讲这件事的人。其实延伸过去，军事战争对数据的应用是非常密集的。为什么？因为数据就是情报的载体，就是信息的载体，所以他要收集数据。
这个故事说什么呢，说林彪他有一个很好的习惯，什么习惯？他时刻兜里带一个小本子，他见到什么东西，有人报告什么东西，他就记下来。记下来干什么，他把所见所得变成数据，一到决策的时候他什么情况就知道了。
我们今天要看，刚刚说了无数据无智能，事实上还有一个东西，在管理学上来说无数据无决策。我们所有的决策事实上建立在情报收集基础上，今天的情报是什么，今天的情报就是数据，不是其它的东西。
智能能给普通人带来什么
吴伯凡：数据如果是一个情报的话，为我们提供了做决策的依据。但智能好像关心的还是数据，普通消费者关注的就是智能，智能无非让每个人都当上官，有秘书，有司机，吴老师怎么看待这个问题？
吴军：发展机器智能还要有医生，任何科技最终目的就是为了你的生活变得更好一点，这是终极目标。延年益寿，医疗，刚才很多人都讲到医疗，还有出行各方面要方便，要有人替你管理这些事。最好这个计算机足够聪明，把你的时间省下来，自己干一些喜欢的事，安排你日常活动的这些事，让他去干了。
以前最早是像林彪似的用一个小本子，用一个手册。然后就变成了你的日历，计算机上了。以后像日历，它可以管理得很好，涂老师、吴老师给我打一个电话，什么时候在这里搞活动，等等安排，我跟工作人员的邮件来往、微信来往，完完全全记下，严格来讲用科大讯飞理解语言的部分都记下来了。
久而久之，哪些活动，这么多活动，吴老师的活动，他做的内容和我写的有相似性，我可能会接受。或者涂老师刚才讲到数据和智能是相关的，所以他邀请的活动，我可能参加。另外有一个什么八竿子打不着的，根据以前习惯就拒绝了。它每天在整理决策优先级的时候，事先排好序了等等，就是很小的例子。
这些东西也是从数据到智能，这是我们生活的便利性。它知道我每天工作安排时，以后也不用我天天打电话给滴滴，或者易到用车，今天6点50在哪儿等我，这个时间是自动安排好了。到了6点50我该出门时，车已经准备好了，当然有无人驾驶。未来我们想象一个生活场景有极大的方便性，我们到时候能够腾出非常多的时间去思考问题，来发动人脑的特征。
语义识别什么时候能实现
吴伯凡：还有一个听话听音，察言观色。就像现在说的例子，野蛮女友和男朋友打电话，你要是到晚了，没有到，你就等着。我要是到了，你没有到，你就等着；我要是到了，你不等我，你就等着！这个智能可能就无法理解，吴老师你觉得什么时候能够实现？
吴军：刚才我看讯飞的，基本上没有挑出什么错误，这个还可以。理解，这里有两个难点。第一，本身绕口令，计算机比较容易解决这个问题。一个是它理解上下文这个意思，同样说一句话，我就表达一般的陈述，可能是个反意。那我得看前面是个什么场景，这是一个常识或者人生活的知识，这是计算机现在，我还看不到一个前景。我今天说十年，我说错了，十年后你也不会找我。大概在这么短的时间内，我觉得这个事还不能最好的解决。
最典型是在北京公共汽车上，你踩了一个北京40多岁的女同胞。踩了她一下脚，她会跟你说这么一句话，没硌着你的脚吧，她其实是怪你踩着她的脚了。第二，刚才讲的善解人意这件事，数据叠加之后会改进得非常快，包括航班今天晚了，发现哪儿有车祸，堵车了，让你今天早走半小时。甚至闹钟提前闹醒半小时，这个事做起来会是比较快。一般生活上的善解人意，这件事能够比较快，可能有个三到五年，生活助手应该能解决。
便利VS隐私
涂子沛：我补充两个案例，今天人工智能到底在做什么，今天人工智能在做一些重复性的工作，帮助人类从这些工作当中解脱出来。
我原来在美国的时候都用Gmail邮箱，有一次我的朋友在家里给我写了一封信，从中国来到美国，什么时候抵达。到了那个时刻我就准备开车出去接人，这时候我收到了Googleplay发出的信息，说这班航班晚点了，我当时就惊讶。Google在读这些邮件，读这些邮件之后给你提供个性化的服务，可能会牵涉到另外一个问题，伯凡会感兴趣，就是隐私。
如果你说要做到察言观色，就必须读懂你的每一句话，这就是问题。当时我接到这条短信的时候非常惊讶，但我认为这条短信非常有用，为什么？我正准备出门，你说有用没有用，那当然有用。我们的一个结论，我们今天享受这种人工智能的便利，事实上是让度了我的一份权力。
这是我们说的第一个案例，第二个案例就说到AlphaGo。AlphaGo确实是计算机打赢了人类，但是我很快看到网上有段子，有什么段子呢，他说那是下围棋，你打打麻将试试看，我抓一下头发，揪一下耳朵，那就有配合了，我们会察言观色，计算机不会。
技术的可能性和商业的可能性
吴军：触一下耳朵打麻将，也不是说做不到，因为你把视觉这些都加进去也能够做到，是成本的问题。之所以不做，商业上很多事不做是因为没利可图。像刚才涂老师讲的，提供一个航班晚点的信息，这个事以后你会更加相信我给你的推荐，它有一个商业逻辑在后面，这是比较好的。包括AlphaGo下棋这件事，是非常好的宣传。
如果哪天说打麻将，给你监测场景，你们大家如果觉得有用，它就会去做，你们大家要觉得没用就不会做。包括无人驾驶汽车也是，我们过去说眼观六路，耳听八方，过去好多事情发生了计算机监测不到。实际上它现在每秒钟各种传感器，几十种数据传进来，这个察言观色，像无人驾驶汽车出错率比人类还好一些。很大程度上做到做不到，看你砸多少钱了。
吴伯凡：这就是一个问题，技术的可能性和商业的可能性，成本的问题有没有人买单，厂商有没有利益的问题，很多技术实际上早就已经有了，但是它没有办法找到一个市场，所以就搁置了。刚才我看到前面一个演讲，一个词叫“部分辅助性智能”，可能我们下一步看到的无人驾驶汽车，就是那种老人车，货场和机场里固定场景，固定道路的，这种无人驾驶车率先会进入市场。那种高智能走盘山公路的车，可能到很晚才会出现。
吴军：无人驾驶要分六个阶段，第一是特斯拉，辅助驾驶，但还是人驾驶。第二个阶段，它驾驶，人监控。接下来有些分场景的，就是从小区到地铁站，每天只走这一条路，这个比较容易。再往后一个阶段，比如说你可以全市走，但最好晚上10点钟之后再上路。最后一个阶段，Google现在做的，没有条件限制，所以每个公司切入点不一样。特斯拉是切入第一个点，几个主要汽车厂，奔驰、宝马是切入第二个点。吴老师基本上切入三四个点，比如园区里、商场里，小区和地铁站之间的，各家目标也不太一样。
涂子沛：这是一个纬度，从技术本身来讲有这些发展阶段。但是我认为今年事实上是一个点，技术怎么去发展，怎么去提高，它最终市场结果就是大众接不接受，这是一个点。
今年AlphaGo战胜人类的围棋冠军就是一个转折点，这意味着越来越多的人接受智能。比如说吴军博士上午讲的例子，我认为也是很有借鉴意义的。他提了两个，第一，推荐。今天网站上很多东西，亚马逊上40%的销量是由于推荐，你不买这个东西，你没有说要买这个东西，我向你推荐最后成交了，40%的东西都是这么卖的，推荐。
他又讲了一个，沃森。我们要问的一个问题，计算机推荐一件衣服给你，你就买了，这不是问题。如果计算机推荐一个药给你，你就吃了，我认为这是一个问题。他上午说了三个数据，你的症状，你的历史，还有化验结果，有这三个数据提交给计算机，如果未来在手机上提交。手机告诉你该吃什么药物，你敢吃吗。如果你敢吃，我认为就是人工智能又一大跃升。
吴伯凡：秘书、司机、医生，医生是最难的。
吴军：还有第四个，可以给你推荐老婆。以色列做了婚配的工具，犹太人做的，他的推荐准确率特别高。不光是犹太人去用这个，美国很多白人也去用这个。他说人类找老婆有一个特大的误区，女的找男的也有一个特大的误区。比如他是一个60分的男性，他想象女神是95分的。95分女神都不会看他一眼，他最高目标就是70分的，能找着这个就不错了，当然他对20分的也不会看一眼。
他做了什么事呢？把每个人重新做了画像，他不让你看到所有人。比如你是一个60分的，他让你看到最好的就是70分。这个60分，70分不是说长相，是各方面综合评估。这个成功率非常高，而且回访以后，他们的日常生活满意程度还很高。因为他找一些内在价值，不是外在的。60分一定要找95分的，最后你有钱也能办到，但最终差异是很难弥补的。当最后说找老婆这个事也不是你自己筛选，不是你自己的意愿，是机器在给你做，这个很有意思。
机器会撒谎吗？
吴军：人有一些善意的撒谎，这个机器现在很难做到。
涂子沛：人类会撒谎，机器不会撒谎。图灵测试中存在这样的悖论，人会撒谎，到底能不能骗过他，这个图灵测试，吴老师你怎么看？
吴军：机器撒谎是很容易的，只是说你有什么顾虑，机器没有顾虑。AlphaGo赢李世石很容易，让它故意输棋不容易，故意设两个BUG，让它输棋是容易的。如果为了什么利益，为了赌博，中国的足球，要挣钱，要赌博，那就可以设计输棋了。但是善意的撒谎，这个是揣摩圣意，随便撒一个谎，今天天晴天阴，这个事很容易撒谎。
涂子沛：察言观色，人类有这种厉害之处，相比于机器。察言观色正是撒谎的基础，因为机器不会察言观色，它就不会撒谎。察言观色意味着你要去迎合，扭曲事实，机器不会。从这个角度上讲，我觉得未来人工智能世界还更靠谱一些。比人类管这个世界海更靠谱一些，因为机器不撒谎。
吴伯凡：人工智能的科幻电影里，一个丈夫车祸死了，可以根据他过往所有数据，用软件合成成一个真实的人，而且把这个女的对丈夫不好的评价知道以后，比如说他的脾气原来不太好。
涂子沛：这也是图灵测试，这个妻子最后能不能判断这个丈夫。
吴伯凡：越聊越多，人工智能，大数据，吴军老师说的第四点婚配，司机、秘书、医生，如果我们不当官，不有钱有势也能够拥有这三个，那对我们未来的的确确是一个福音，由此看来也的确是一个大产业，人人都拥有私人医生，拥有司机、秘书的时代。
寄语
吴军：这是一个非常有希望的时代，这是一个最好的时代，也是一个最坏的时代。因为好坏是看你站在哪个角度，你是否参与了，你参与进来，对你来说就是一个最好的时代。你如果拒绝这件事情，可能对你来讲未来是一个很坏的时代。
涂子沛：我们要更多适应和机器共存共生，越来越多的依赖于机器。但是这并不是代表我们去否认艺术，其实吴军开始演讲的PPT，我记得很清楚，一开始弹钢琴很好的人最后成为了人工智能的专家，我认为还是要在这当中找到一个平衡。大数据会给你很多建议，告诉你怎么找到自己的另外一半，什么样的人才适合你。但是如果没有你自己的体验，没有每一次约会的心跳，没有那种察言观色所带来的愉悦感，或者说恶作剧感，小小的使坏，我相信这个世界的吸引力也会大大的下降。人之所以为人，还是要善用数据，善用智能，它归根到底还是工具。本质上，我认为这个世界上最可爱的东西还是人，还是人性，不是机器，只是我们要适应它。
转自：大数据文摘 |bigdatadigest
智造家提供
617 浏览
2016年欧洲计算机视觉大会纪要（ECCV’16 Recap）
设计类 集运物流 2016-11-08 13:00 发表了文章
计算机视觉（Computer Vision, CV）是人工智能领域的一个重要研究子领域。随着近年来 CV 学界研究成果在业界产生的巨大产业影响，计算机视觉受到越来越多的关注。机器之心曾整理报道过ECCV‘2016的各项最佳论文奖。本文为机器之心专栏作者魏秀参记录下的大会纪要。
同计算机其他研究领域一样，CV 依然有着较浓厚的「会议情节」，其中每年一届的 Computer Vision and Pattern Recognition (CVPR)、两年一届的 International Conference on Computer Vision (ICCV) 和同样两年一届的 European Conference on Computer Vision (ECCV) 并称 CV 领域的三大顶会，其中 ICCV 和 ECCV 奇偶年交替召开。
笔者有幸参加了 2016 年欧洲计算机视觉大会（ECCV 2016），在此将大会纪要同大家分享。
本次 ECCV 在素有「北方威尼斯」之称的荷兰迷幻浪漫都市阿姆斯特丹举办，会议历时九天（10 月 8 日至 10 月 16 日），可谓「饕餮盛宴」，其中主会从 11 日到 14 日持续四天，其余时间为 workshop 日程。值得一提的是，多媒体领域顶会 ACM Multimedia（ACM MM）于 15 日至 19 日接续 ECCV，同样在阿姆斯特丹举办，真是让人过足了 AI 瘾。此外，城市中不时弥漫开来的大麻气味无疑给这两大会徒添了一种别样的神秘气息。
ECCV 主会
本次 ECCV 主会在始建于 1887 年的皇家剧场 Carré举行，注册参会人数约 1700 人。有效投稿数为 1561 篇，共 74 位 Area Chairs 和 1163 位审稿人（Reviewers），录用论文 415 篇，录用比例 26.6％，其中 28 篇为 Oral（占 1.8%），45 篇为 Spotlight（2.9%）。收录论文的主题仍然延续传统，覆盖了计算机视觉和模式识别的各个方向，包括：
3D computer vision
Computational photography, sensing and displayFace and gestureLow-level vision and image processingMotion and trackingOptimization methodsPhysics-based vision, photometry and shape-from-XRecognition: detection, categorization, indexing, matchingSegmentation, grouping and shape representationStatistical methods and learningVideo: events, activities and surveillanceApplications
其中，深度学习（DL）、3D、视频相关等为热门方向。而审稿人方面，也是 DL、3D 等方向审稿人居多，特别是深度学习，异军突起。（PS：但是审稿人多并不一定是好事。由于不同研究背景的研究人员都进入 DL 领域，导致 DL 审稿人给出的审稿意见参差不齐，不同意见间的「方差」很大。）相比之下，审稿人最少的 Sensors 领域人数只是 DL 的七分之一。
主会日程基本半天一个单元，每个单元中前场分别是 Oral 和 Spotlight 报告，接下来则是 Poster 环节。有关 Oral、Spotlight 和 Poster paper 具体内容可参见 ECCV 2016 主页。
ECCV Workshops
本次依托 ECCV 举办的 workshop 共有 26 个，一些在当地酒店举办，一些在阿姆斯特丹大学举办。Workshop 中比较吸引人眼球的还属「Joint ImageNet and MS COCO Visual Recognition Challenge」了。这次 ImageNet 竞赛比较显著的一个特征即今年的获胜者基本是华人团队，如商汤（SenseTime）、海康威视（HIK Vision）、360 AI，公安部三所等。另外，比赛结果中并未见 Google、微软、百度等公司的身影。在此也祝贺在各项比赛细类中取得名次的队伍！
另外，笔者也有幸作为 team director 参加了 Apparent Personality Analysis 竞赛，历时两个多月，我们的参赛队（NJU-LAMDA）在 86 个参赛者，其中包括有印度「科学皇冠上的瑰宝」之称的 Indian Institutes of Technology（IIT）和荷兰名校 Radboud University 等劲旅中脱引而出，斩获第一。关于竞赛细节，可参看近期我们发布在「深度学习大讲堂」的竞赛经验分享。
晚宴和颁奖
由于阿姆斯特丹是运河城市且沿海，ECCV 晚宴特地选定在「Ocean Diva 号」游轮上举行。各国人工智能研究者济济一堂，好不热闹！只是「晚宴」并不如我们想象中的中式会议晚宴那么丰富甚至奢华，国外会议晚宴一般都是以啤酒、饮料穿插以小吃、汉堡为主。
晚宴的重要时刻即大会颁奖，本次的最佳论文及提名，和最佳学生论文均授予了传统计算机视觉研究问题，而非深度学习。一则可以看出深度学习相关研究目前难度日益加大，欲做出有突破性进展的工作不易；二则可以看出 CV 大佬有意扶持传统研究问题，维护 CV 生态平衡，不致 DL 一家独大。
另外，Koenderink Prize（ECCV「十年最佳论文」）授予了著名的 SURF: Speeded up robust features (ECCV 2006) (Herbert Bay, Tinne Tuytelaars and Luc Van Gool) 和 Machine learning for high-speed corner detection (ECCV 2006) (Edward Rosten and Tom Drummond)。值得一提的是，在宣布 SURF 获奖之际当即引来一片欢呼，可见其工作深入人心之甚。PAMI Everingham Prize（CV 领域的最佳贡献奖）分别授予了 ImageNet 数据集团队和 Ramin Zabih 以表彰其在开源数据集，和服务 Computer Vision Foundation 上的卓越贡献。
干货时间
开会数日，笔者有心记录了一些会议观察，在此与君共享。不过受个人研究兴趣影响，以上内容不免有所偏颇，望诸君选择性参考。
1. 这次会上大佬们如 Jitendra, Cordelia 在力推 self-supervised learning（基于 robot 反馈机制，例如，机械手臂戳一下物体，从 sensor 或视频中获得反馈，可以看作是用 robot 来探知世界吧），最近 arxiv 也有一篇类似的 https://arxiv.org/abs/1605.07157；另外，很多利用 side information，如利用声音辅助视觉，这样的工作在本次 ECCV 上也屡见不鲜；
2. 冠名弱监督学习（Weakly supervised learning）的工作非常多了，但是「弱监督」的内涵却是个圆其说，不像机器学习中有明确的定义；因此，以后基于弱监督设定的计算机视觉问题还应该有做的空间；
3. 底层视觉（Low-level vision）问题／任务极少，几乎没有，不像 ICCV 2015 还有若干篇的样子；而且一些工作开始用 DL 去做 low-level vision 的东西，比如 Ming-Hsuan Yang 在这次会上的两篇利用 DL 技术学习底层视觉中的滤波器（Filters）。
4. 传统细粒度图像相关工作几乎没有，只有一篇做细粒度图像任务的新问题，即细粒度场景图像分类（Fine-grained scene classification）；
5. 有两篇 image colorization 作为 oral paper，不知是否是巧合；
6. Question answering 这类问题相比 ICCV 少了很多，但隐式做 visual-text 的工作还是占了一定比例；
7. 下面几篇文章做的问题比较有趣：
a) Amodal instance segmentation, Ke Li and Jitendra Malik.（构造新数据集，做了新问题）
b) Automatic Attribute Discovery with Neural Activations, Sirion Vittayakorn, University of North Carolina at Chapel Hill; Takayuki Umeda, NTT; Kazuhiko Murasaki, NTT; Kyoko Sudo, NTT; Takayuki Okatani, Tohoku University; Kota Yamaguchi, Tohoku University
c) Pixel-Level Domain Transfer, Donggeun Yoo, KAIST; Namil Kim, KAIST; Sunggyun Park, KAIST; Anthony Paek, Lunit Inc.; In So Kweon, KAIST (根据衣服生成买家秀，或反过来，在真实场景下，从模特照片中生成产品照片)
最后，总结来说，这次参会最明显也是最微妙的一个感受就是，多数工作在开会前都没有看过。而不像前两年参加顶会时发现绝大多数文章已经是 arxiv 上读过很久的工作，甚至已经跑过源码，去开会也只是和作者当面聊聊天，甚至当时还有一种顶会更新速度落后于 arxiv 的感受。ECCV'16 这一现象恰恰说明深度学习研究的发展慢慢从当初的白炽化走向正常化，从着急忙慌的在 arxiv 上占坑走向踏踏实实的顶会发表。另外也从侧面显示了深度学习研究难度的提升，就拿 arxiv 举例，一年前几乎每天都能看到有令人 exciting 的文章更新出来，而近期不仅发布文章的数量有所下降，重要的是有趣的文章更是难得一见。这次会上也与众多老友把酒言欢，同时也认识了很多新朋友，期待下次的 CV 大趴，我们 CVPR'17 再见。
10 月 30 日于澳大利亚阿德莱德
（题图为笔者摄于 Zaandam 风车村）
作者简介：
魏秀参：南京大学计算机系机器学习与数据挖掘所（LAMDA）博士生，研究方向为计算机视觉和机器学习。曾在国际顶级期刊和会议发表多篇学术论文，并多次获得国际计算机视觉相关竞赛冠亚军，另撰写的「Must Know Tips/Tricks in Deep Neural Networks」受邀发布于国际知名数据挖掘论坛 KDnuggets 等. 微博 ID：Wilson_NJUer
来源：机器之心
智造家提供 查看全部
同计算机其他研究领域一样，CV 依然有着较浓厚的「会议情节」，其中每年一届的 Computer Vision and Pattern Recognition (CVPR)、两年一届的 International Conference on Computer Vision (ICCV) 和同样两年一届的 European Conference on Computer Vision (ECCV) 并称 CV 领域的三大顶会，其中 ICCV 和 ECCV 奇偶年交替召开。
笔者有幸参加了 2016 年欧洲计算机视觉大会（ECCV 2016），在此将大会纪要同大家分享。
本次 ECCV 在素有「北方威尼斯」之称的荷兰迷幻浪漫都市阿姆斯特丹举办，会议历时九天（10 月 8 日至 10 月 16 日），可谓「饕餮盛宴」，其中主会从 11 日到 14 日持续四天，其余时间为 workshop 日程。值得一提的是，多媒体领域顶会 ACM Multimedia（ACM MM）于 15 日至 19 日接续 ECCV，同样在阿姆斯特丹举办，真是让人过足了 AI 瘾。此外，城市中不时弥漫开来的大麻气味无疑给这两大会徒添了一种别样的神秘气息。
ECCV 主会
本次 ECCV 主会在始建于 1887 年的皇家剧场 Carré举行，注册参会人数约 1700 人。有效投稿数为 1561 篇，共 74 位 Area Chairs 和 1163 位审稿人（Reviewers），录用论文 415 篇，录用比例 26.6％，其中 28 篇为 Oral（占 1.8%），45 篇为 Spotlight（2.9%）。收录论文的主题仍然延续传统，覆盖了计算机视觉和模式识别的各个方向，包括：
3D computer vision
Computational photography, sensing and displayFace and gestureLow-level vision and image processingMotion and trackingOptimization methodsPhysics-based vision, photometry and shape-from-XRecognition: detection, categorization, indexing, matchingSegmentation, grouping and shape representationStatistical methods and learningVideo: events, activities and surveillanceApplications
其中，深度学习（DL）、3D、视频相关等为热门方向。而审稿人方面，也是 DL、3D 等方向审稿人居多，特别是深度学习，异军突起。（PS：但是审稿人多并不一定是好事。由于不同研究背景的研究人员都进入 DL 领域，导致 DL 审稿人给出的审稿意见参差不齐，不同意见间的「方差」很大。）相比之下，审稿人最少的 Sensors 领域人数只是 DL 的七分之一。
主会日程基本半天一个单元，每个单元中前场分别是 Oral 和 Spotlight 报告，接下来则是 Poster 环节。有关 Oral、Spotlight 和 Poster paper 具体内容可参见 ECCV 2016 主页。
ECCV Workshops
本次依托 ECCV 举办的 workshop 共有 26 个，一些在当地酒店举办，一些在阿姆斯特丹大学举办。Workshop 中比较吸引人眼球的还属「Joint ImageNet and MS COCO Visual Recognition Challenge」了。这次 ImageNet 竞赛比较显著的一个特征即今年的获胜者基本是华人团队，如商汤（SenseTime）、海康威视（HIK Vision）、360 AI，公安部三所等。另外，比赛结果中并未见 Google、微软、百度等公司的身影。在此也祝贺在各项比赛细类中取得名次的队伍！
另外，笔者也有幸作为 team director 参加了 Apparent Personality Analysis 竞赛，历时两个多月，我们的参赛队（NJU-LAMDA）在 86 个参赛者，其中包括有印度「科学皇冠上的瑰宝」之称的 Indian Institutes of Technology（IIT）和荷兰名校 Radboud University 等劲旅中脱引而出，斩获第一。关于竞赛细节，可参看近期我们发布在「深度学习大讲堂」的竞赛经验分享。
晚宴和颁奖
由于阿姆斯特丹是运河城市且沿海，ECCV 晚宴特地选定在「Ocean Diva 号」游轮上举行。各国人工智能研究者济济一堂，好不热闹！只是「晚宴」并不如我们想象中的中式会议晚宴那么丰富甚至奢华，国外会议晚宴一般都是以啤酒、饮料穿插以小吃、汉堡为主。
晚宴的重要时刻即大会颁奖，本次的最佳论文及提名，和最佳学生论文均授予了传统计算机视觉研究问题，而非深度学习。一则可以看出深度学习相关研究目前难度日益加大，欲做出有突破性进展的工作不易；二则可以看出 CV 大佬有意扶持传统研究问题，维护 CV 生态平衡，不致 DL 一家独大。
另外，Koenderink Prize（ECCV「十年最佳论文」）授予了著名的 SURF: Speeded up robust features (ECCV 2006) (Herbert Bay, Tinne Tuytelaars and Luc Van Gool) 和 Machine learning for high-speed corner detection (ECCV 2006) (Edward Rosten and Tom Drummond)。值得一提的是，在宣布 SURF 获奖之际当即引来一片欢呼，可见其工作深入人心之甚。PAMI Everingham Prize（CV 领域的最佳贡献奖）分别授予了 ImageNet 数据集团队和 Ramin Zabih 以表彰其在开源数据集，和服务 Computer Vision Foundation 上的卓越贡献。
干货时间
开会数日，笔者有心记录了一些会议观察，在此与君共享。不过受个人研究兴趣影响，以上内容不免有所偏颇，望诸君选择性参考。
1. 这次会上大佬们如 Jitendra, Cordelia 在力推 self-supervised learning（基于 robot 反馈机制，例如，机械手臂戳一下物体，从 sensor 或视频中获得反馈，可以看作是用 robot 来探知世界吧），最近 arxiv 也有一篇类似的 https://arxiv.org/abs/1605.07157；另外，很多利用 side information，如利用声音辅助视觉，这样的工作在本次 ECCV 上也屡见不鲜；
2. 冠名弱监督学习（Weakly supervised learning）的工作非常多了，但是「弱监督」的内涵却是个圆其说，不像机器学习中有明确的定义；因此，以后基于弱监督设定的计算机视觉问题还应该有做的空间；
3. 底层视觉（Low-level vision）问题／任务极少，几乎没有，不像 ICCV 2015 还有若干篇的样子；而且一些工作开始用 DL 去做 low-level vision 的东西，比如 Ming-Hsuan Yang 在这次会上的两篇利用 DL 技术学习底层视觉中的滤波器（Filters）。
4. 传统细粒度图像相关工作几乎没有，只有一篇做细粒度图像任务的新问题，即细粒度场景图像分类（Fine-grained scene classification）；
5. 有两篇 image colorization 作为 oral paper，不知是否是巧合；
6. Question answering 这类问题相比 ICCV 少了很多，但隐式做 visual-text 的工作还是占了一定比例；
7. 下面几篇文章做的问题比较有趣：
a) Amodal instance segmentation, Ke Li and Jitendra Malik.（构造新数据集，做了新问题）
b) Automatic Attribute Discovery with Neural Activations, Sirion Vittayakorn, University of North Carolina at Chapel Hill; Takayuki Umeda, NTT; Kazuhiko Murasaki, NTT; Kyoko Sudo, NTT; Takayuki Okatani, Tohoku University; Kota Yamaguchi, Tohoku University
c) Pixel-Level Domain Transfer, Donggeun Yoo, KAIST; Namil Kim, KAIST; Sunggyun Park, KAIST; Anthony Paek, Lunit Inc.; In So Kweon, KAIST (根据衣服生成买家秀，或反过来，在真实场景下，从模特照片中生成产品照片)
最后，总结来说，这次参会最明显也是最微妙的一个感受就是，多数工作在开会前都没有看过。而不像前两年参加顶会时发现绝大多数文章已经是 arxiv 上读过很久的工作，甚至已经跑过源码，去开会也只是和作者当面聊聊天，甚至当时还有一种顶会更新速度落后于 arxiv 的感受。ECCV'16 这一现象恰恰说明深度学习研究的发展慢慢从当初的白炽化走向正常化，从着急忙慌的在 arxiv 上占坑走向踏踏实实的顶会发表。另外也从侧面显示了深度学习研究难度的提升，就拿 arxiv 举例，一年前几乎每天都能看到有令人 exciting 的文章更新出来，而近期不仅发布文章的数量有所下降，重要的是有趣的文章更是难得一见。这次会上也与众多老友把酒言欢，同时也认识了很多新朋友，期待下次的 CV 大趴，我们 CVPR'17 再见。
10 月 30 日于澳大利亚阿德莱德
（题图为笔者摄于 Zaandam 风车村）
作者简介：
魏秀参：南京大学计算机系机器学习与数据挖掘所（LAMDA）博士生，研究方向为计算机视觉和机器学习。曾在国际顶级期刊和会议发表多篇学术论文，并多次获得国际计算机视觉相关竞赛冠亚军，另撰写的「Must Know Tips/Tricks in Deep Neural Networks」受邀发布于国际知名数据挖掘论坛 KDnuggets 等. 微博 ID：Wilson_NJUer
来源：机器之心
智造家提供 查看全部
计算机视觉（Computer Vision, CV）是人工智能领域的一个重要研究子领域。随着近年来 CV 学界研究成果在业界产生的巨大产业影响，计算机视觉受到越来越多的关注。机器之心曾整理报道过ECCV‘2016的各项最佳论文奖。本文为机器之心专栏作者魏秀参记录下的大会纪要。
同计算机其他研究领域一样，CV 依然有着较浓厚的「会议情节」，其中每年一届的 Computer Vision and Pattern Recognition (CVPR)、两年一届的 International Conference on Computer Vision (ICCV) 和同样两年一届的 European Conference on Computer Vision (ECCV) 并称 CV 领域的三大顶会，其中 ICCV 和 ECCV 奇偶年交替召开。
笔者有幸参加了 2016 年欧洲计算机视觉大会（ECCV 2016），在此将大会纪要同大家分享。
本次 ECCV 在素有「北方威尼斯」之称的荷兰迷幻浪漫都市阿姆斯特丹举办，会议历时九天（10 月 8 日至 10 月 16 日），可谓「饕餮盛宴」，其中主会从 11 日到 14 日持续四天，其余时间为 workshop 日程。值得一提的是，多媒体领域顶会 ACM Multimedia（ACM MM）于 15 日至 19 日接续 ECCV，同样在阿姆斯特丹举办，真是让人过足了 AI 瘾。此外，城市中不时弥漫开来的大麻气味无疑给这两大会徒添了一种别样的神秘气息。
ECCV 主会
本次 ECCV 主会在始建于 1887 年的皇家剧场 Carré举行，注册参会人数约 1700 人。有效投稿数为 1561 篇，共 74 位 Area Chairs 和 1163 位审稿人（Reviewers），录用论文 415 篇，录用比例 26.6％，其中 28 篇为 Oral（占 1.8%），45 篇为 Spotlight（2.9%）。收录论文的主题仍然延续传统，覆盖了计算机视觉和模式识别的各个方向，包括：
3D computer vision
其中，深度学习（DL）、3D、视频相关等为热门方向。而审稿人方面，也是 DL、3D 等方向审稿人居多，特别是深度学习，异军突起。（PS：但是审稿人多并不一定是好事。由于不同研究背景的研究人员都进入 DL 领域，导致 DL 审稿人给出的审稿意见参差不齐，不同意见间的「方差」很大。）相比之下，审稿人最少的 Sensors 领域人数只是 DL 的七分之一。
主会日程基本半天一个单元，每个单元中前场分别是 Oral 和 Spotlight 报告，接下来则是 Poster 环节。有关 Oral、Spotlight 和 Poster paper 具体内容可参见 ECCV 2016 主页。
ECCV Workshops
本次依托 ECCV 举办的 workshop 共有 26 个，一些在当地酒店举办，一些在阿姆斯特丹大学举办。Workshop 中比较吸引人眼球的还属「Joint ImageNet and MS COCO Visual Recognition Challenge」了。这次 ImageNet 竞赛比较显著的一个特征即今年的获胜者基本是华人团队，如商汤（SenseTime）、海康威视（HIK Vision）、360 AI，公安部三所等。另外，比赛结果中并未见 Google、微软、百度等公司的身影。在此也祝贺在各项比赛细类中取得名次的队伍！
另外，笔者也有幸作为 team director 参加了 Apparent Personality Analysis 竞赛，历时两个多月，我们的参赛队（NJU-LAMDA）在 86 个参赛者，其中包括有印度「科学皇冠上的瑰宝」之称的 Indian Institutes of Technology（IIT）和荷兰名校 Radboud University 等劲旅中脱引而出，斩获第一。关于竞赛细节，可参看近期我们发布在「深度学习大讲堂」的竞赛经验分享。
晚宴和颁奖
由于阿姆斯特丹是运河城市且沿海，ECCV 晚宴特地选定在「Ocean Diva 号」游轮上举行。各国人工智能研究者济济一堂，好不热闹！只是「晚宴」并不如我们想象中的中式会议晚宴那么丰富甚至奢华，国外会议晚宴一般都是以啤酒、饮料穿插以小吃、汉堡为主。
晚宴的重要时刻即大会颁奖，本次的最佳论文及提名，和最佳学生论文均授予了传统计算机视觉研究问题，而非深度学习。一则可以看出深度学习相关研究目前难度日益加大，欲做出有突破性进展的工作不易；二则可以看出 CV 大佬有意扶持传统研究问题，维护 CV 生态平衡，不致 DL 一家独大。
另外，Koenderink Prize（ECCV「十年最佳论文」）授予了著名的 SURF: Speeded up robust features (ECCV 2006) (Herbert Bay, Tinne Tuytelaars and Luc Van Gool) 和 Machine learning for high-speed corner detection (ECCV 2006) (Edward Rosten and Tom Drummond)。值得一提的是，在宣布 SURF 获奖之际当即引来一片欢呼，可见其工作深入人心之甚。PAMI Everingham Prize（CV 领域的最佳贡献奖）分别授予了 ImageNet 数据集团队和 Ramin Zabih 以表彰其在开源数据集，和服务 Computer Vision Foundation 上的卓越贡献。
干货时间
开会数日，笔者有心记录了一些会议观察，在此与君共享。不过受个人研究兴趣影响，以上内容不免有所偏颇，望诸君选择性参考。
1. 这次会上大佬们如 Jitendra, Cordelia 在力推 self-supervised learning（基于 robot 反馈机制，例如，机械手臂戳一下物体，从 sensor 或视频中获得反馈，可以看作是用 robot 来探知世界吧），最近 arxiv 也有一篇类似的 https://arxiv.org/abs/1605.07157；另外，很多利用 side information，如利用声音辅助视觉，这样的工作在本次 ECCV 上也屡见不鲜；
2. 冠名弱监督学习（Weakly supervised learning）的工作非常多了，但是「弱监督」的内涵却是个圆其说，不像机器学习中有明确的定义；因此，以后基于弱监督设定的计算机视觉问题还应该有做的空间；
3. 底层视觉（Low-level vision）问题／任务极少，几乎没有，不像 ICCV 2015 还有若干篇的样子；而且一些工作开始用 DL 去做 low-level vision 的东西，比如 Ming-Hsuan Yang 在这次会上的两篇利用 DL 技术学习底层视觉中的滤波器（Filters）。
4. 传统细粒度图像相关工作几乎没有，只有一篇做细粒度图像任务的新问题，即细粒度场景图像分类（Fine-grained scene classification）；
5. 有两篇 image colorization 作为 oral paper，不知是否是巧合；
6. Question answering 这类问题相比 ICCV 少了很多，但隐式做 visual-text 的工作还是占了一定比例；
7. 下面几篇文章做的问题比较有趣：
a) Amodal instance segmentation, Ke Li and Jitendra Malik.（构造新数据集，做了新问题）
b) Automatic Attribute Discovery with Neural Activations, Sirion Vittayakorn, University of North Carolina at Chapel Hill; Takayuki Umeda, NTT; Kazuhiko Murasaki, NTT; Kyoko Sudo, NTT; Takayuki Okatani, Tohoku University; Kota Yamaguchi, Tohoku University
c) Pixel-Level Domain Transfer, Donggeun Yoo, KAIST; Namil Kim, KAIST; Sunggyun Park, KAIST; Anthony Paek, Lunit Inc.; In So Kweon, KAIST (根据衣服生成买家秀，或反过来，在真实场景下，从模特照片中生成产品照片)
最后，总结来说，这次参会最明显也是最微妙的一个感受就是，多数工作在开会前都没有看过。而不像前两年参加顶会时发现绝大多数文章已经是 arxiv 上读过很久的工作，甚至已经跑过源码，去开会也只是和作者当面聊聊天，甚至当时还有一种顶会更新速度落后于 arxiv 的感受。ECCV'16 这一现象恰恰说明深度学习研究的发展慢慢从当初的白炽化走向正常化，从着急忙慌的在 arxiv 上占坑走向踏踏实实的顶会发表。另外也从侧面显示了深度学习研究难度的提升，就拿 arxiv 举例，一年前几乎每天都能看到有令人 exciting 的文章更新出来，而近期不仅发布文章的数量有所下降，重要的是有趣的文章更是难得一见。这次会上也与众多老友把酒言欢，同时也认识了很多新朋友，期待下次的 CV 大趴，我们 CVPR'17 再见。
10 月 30 日于澳大利亚阿德莱德
（题图为笔者摄于 Zaandam 风车村）
作者简介：
魏秀参：南京大学计算机系机器学习与数据挖掘所（LAMDA）博士生，研究方向为计算机视觉和机器学习。曾在国际顶级期刊和会议发表多篇学术论文，并多次获得国际计算机视觉相关竞赛冠亚军，另撰写的「Must Know Tips/Tricks in Deep Neural Networks」受邀发布于国际知名数据挖掘论坛 KDnuggets 等. 微博 ID：Wilson_NJUer
来源：机器之心
智造家提供
同计算机其他研究领域一样，CV 依然有着较浓厚的「会议情节」，其中每年一届的 Computer Vision and Pattern Recognition (CVPR)、两年一届的 International Conference on Computer Vision (ICCV) 和同样两年一届的 European Conference on Computer Vision (ECCV) 并称 CV 领域的三大顶会，其中 ICCV 和 ECCV 奇偶年交替召开。
笔者有幸参加了 2016 年欧洲计算机视觉大会（ECCV 2016），在此将大会纪要同大家分享。
本次 ECCV 在素有「北方威尼斯」之称的荷兰迷幻浪漫都市阿姆斯特丹举办，会议历时九天（10 月 8 日至 10 月 16 日），可谓「饕餮盛宴」，其中主会从 11 日到 14 日持续四天，其余时间为 workshop 日程。值得一提的是，多媒体领域顶会 ACM Multimedia（ACM MM）于 15 日至 19 日接续 ECCV，同样在阿姆斯特丹举办，真是让人过足了 AI 瘾。此外，城市中不时弥漫开来的大麻气味无疑给这两大会徒添了一种别样的神秘气息。
ECCV 主会
本次 ECCV 主会在始建于 1887 年的皇家剧场 Carré举行，注册参会人数约 1700 人。有效投稿数为 1561 篇，共 74 位 Area Chairs 和 1163 位审稿人（Reviewers），录用论文 415 篇，录用比例 26.6％，其中 28 篇为 Oral（占 1.8%），45 篇为 Spotlight（2.9%）。收录论文的主题仍然延续传统，覆盖了计算机视觉和模式识别的各个方向，包括：
3D computer vision
- Computational photography, sensing and display
- Face and gesture
- Low-level vision and image processing
- Motion and tracking
- Optimization methods
- Physics-based vision, photometry and shape-from-X
- Recognition: detection, categorization, indexing, matching
- Segmentation, grouping and shape representation
- Statistical methods and learning
- Video: events, activities and surveillance
- Applications
其中，深度学习（DL）、3D、视频相关等为热门方向。而审稿人方面，也是 DL、3D 等方向审稿人居多，特别是深度学习，异军突起。（PS：但是审稿人多并不一定是好事。由于不同研究背景的研究人员都进入 DL 领域，导致 DL 审稿人给出的审稿意见参差不齐，不同意见间的「方差」很大。）相比之下，审稿人最少的 Sensors 领域人数只是 DL 的七分之一。
主会日程基本半天一个单元，每个单元中前场分别是 Oral 和 Spotlight 报告，接下来则是 Poster 环节。有关 Oral、Spotlight 和 Poster paper 具体内容可参见 ECCV 2016 主页。
ECCV Workshops
本次依托 ECCV 举办的 workshop 共有 26 个，一些在当地酒店举办，一些在阿姆斯特丹大学举办。Workshop 中比较吸引人眼球的还属「Joint ImageNet and MS COCO Visual Recognition Challenge」了。这次 ImageNet 竞赛比较显著的一个特征即今年的获胜者基本是华人团队，如商汤（SenseTime）、海康威视（HIK Vision）、360 AI，公安部三所等。另外，比赛结果中并未见 Google、微软、百度等公司的身影。在此也祝贺在各项比赛细类中取得名次的队伍！
另外，笔者也有幸作为 team director 参加了 Apparent Personality Analysis 竞赛，历时两个多月，我们的参赛队（NJU-LAMDA）在 86 个参赛者，其中包括有印度「科学皇冠上的瑰宝」之称的 Indian Institutes of Technology（IIT）和荷兰名校 Radboud University 等劲旅中脱引而出，斩获第一。关于竞赛细节，可参看近期我们发布在「深度学习大讲堂」的竞赛经验分享。
晚宴和颁奖
由于阿姆斯特丹是运河城市且沿海，ECCV 晚宴特地选定在「Ocean Diva 号」游轮上举行。各国人工智能研究者济济一堂，好不热闹！只是「晚宴」并不如我们想象中的中式会议晚宴那么丰富甚至奢华，国外会议晚宴一般都是以啤酒、饮料穿插以小吃、汉堡为主。
晚宴的重要时刻即大会颁奖，本次的最佳论文及提名，和最佳学生论文均授予了传统计算机视觉研究问题，而非深度学习。一则可以看出深度学习相关研究目前难度日益加大，欲做出有突破性进展的工作不易；二则可以看出 CV 大佬有意扶持传统研究问题，维护 CV 生态平衡，不致 DL 一家独大。
另外，Koenderink Prize（ECCV「十年最佳论文」）授予了著名的 SURF: Speeded up robust features (ECCV 2006) (Herbert Bay, Tinne Tuytelaars and Luc Van Gool) 和 Machine learning for high-speed corner detection (ECCV 2006) (Edward Rosten and Tom Drummond)。值得一提的是，在宣布 SURF 获奖之际当即引来一片欢呼，可见其工作深入人心之甚。PAMI Everingham Prize（CV 领域的最佳贡献奖）分别授予了 ImageNet 数据集团队和 Ramin Zabih 以表彰其在开源数据集，和服务 Computer Vision Foundation 上的卓越贡献。
干货时间
开会数日，笔者有心记录了一些会议观察，在此与君共享。不过受个人研究兴趣影响，以上内容不免有所偏颇，望诸君选择性参考。
1. 这次会上大佬们如 Jitendra, Cordelia 在力推 self-supervised learning（基于 robot 反馈机制，例如，机械手臂戳一下物体，从 sensor 或视频中获得反馈，可以看作是用 robot 来探知世界吧），最近 arxiv 也有一篇类似的 https://arxiv.org/abs/1605.07157；另外，很多利用 side information，如利用声音辅助视觉，这样的工作在本次 ECCV 上也屡见不鲜；
2. 冠名弱监督学习（Weakly supervised learning）的工作非常多了，但是「弱监督」的内涵却是个圆其说，不像机器学习中有明确的定义；因此，以后基于弱监督设定的计算机视觉问题还应该有做的空间；
3. 底层视觉（Low-level vision）问题／任务极少，几乎没有，不像 ICCV 2015 还有若干篇的样子；而且一些工作开始用 DL 去做 low-level vision 的东西，比如 Ming-Hsuan Yang 在这次会上的两篇利用 DL 技术学习底层视觉中的滤波器（Filters）。
4. 传统细粒度图像相关工作几乎没有，只有一篇做细粒度图像任务的新问题，即细粒度场景图像分类（Fine-grained scene classification）；
5. 有两篇 image colorization 作为 oral paper，不知是否是巧合；
6. Question answering 这类问题相比 ICCV 少了很多，但隐式做 visual-text 的工作还是占了一定比例；
7. 下面几篇文章做的问题比较有趣：
a) Amodal instance segmentation, Ke Li and Jitendra Malik.（构造新数据集，做了新问题）
b) Automatic Attribute Discovery with Neural Activations, Sirion Vittayakorn, University of North Carolina at Chapel Hill; Takayuki Umeda, NTT; Kazuhiko Murasaki, NTT; Kyoko Sudo, NTT; Takayuki Okatani, Tohoku University; Kota Yamaguchi, Tohoku University
c) Pixel-Level Domain Transfer, Donggeun Yoo, KAIST; Namil Kim, KAIST; Sunggyun Park, KAIST; Anthony Paek, Lunit Inc.; In So Kweon, KAIST (根据衣服生成买家秀，或反过来，在真实场景下，从模特照片中生成产品照片)
最后，总结来说，这次参会最明显也是最微妙的一个感受就是，多数工作在开会前都没有看过。而不像前两年参加顶会时发现绝大多数文章已经是 arxiv 上读过很久的工作，甚至已经跑过源码，去开会也只是和作者当面聊聊天，甚至当时还有一种顶会更新速度落后于 arxiv 的感受。ECCV'16 这一现象恰恰说明深度学习研究的发展慢慢从当初的白炽化走向正常化，从着急忙慌的在 arxiv 上占坑走向踏踏实实的顶会发表。另外也从侧面显示了深度学习研究难度的提升，就拿 arxiv 举例，一年前几乎每天都能看到有令人 exciting 的文章更新出来，而近期不仅发布文章的数量有所下降，重要的是有趣的文章更是难得一见。这次会上也与众多老友把酒言欢，同时也认识了很多新朋友，期待下次的 CV 大趴，我们 CVPR'17 再见。
10 月 30 日于澳大利亚阿德莱德
（题图为笔者摄于 Zaandam 风车村）
作者简介：
魏秀参：南京大学计算机系机器学习与数据挖掘所（LAMDA）博士生，研究方向为计算机视觉和机器学习。曾在国际顶级期刊和会议发表多篇学术论文，并多次获得国际计算机视觉相关竞赛冠亚军，另撰写的「Must Know Tips/Tricks in Deep Neural Networks」受邀发布于国际知名数据挖掘论坛 KDnuggets 等. 微博 ID：Wilson_NJUer
来源：机器之心
智造家提供
392 浏览
江森自控扩大在华AGM电池产能
机械自动化类 机械设计 2016-11-02 16:24 发表了文章
全球车用电池领导者Johnson Controls (江森自控)宣布扩大在华AGM电池产能，以应对中国日益强烈的市场需求。
这家美资汽车零部件巨头近期宣布其在浙江长兴工厂的AGM电池新线进入批量生产状态。长兴工厂现有产能为每年300万台AGM电池；藉此全新产线， AGM 电池的产量将比去年翻了一倍还多。同时，该厂的各种型号电池的总产能猛增至1000万每年。扩产事宜目前正紧张有序地开展，预计将于2017年完成。据悉，江森自控计划在未来5年内总计投资7.8亿美金来扩充起-停专业电池的全球产能。
江森自控动力系统解决方案中国区副总裁兼总经理Kenneth Yeng表示：“随着起停系统的广泛使用，我们认为AGM电池的需求在全球范围内特别是中国变得越来越旺盛！到2020年，预计中国每年将有1500万辆新车配备起-停功能，增幅高达50%。我们提前布局产能扩充事宜并严格按照我们的全球通用制造标准为客户提供高性能与高质量的AGM电池。”
据预测，从2016年到2020年，北美、欧洲和中国的起停汽车销量将从2500万辆增长到6500万辆。在不断提升燃油经济性与日益严格的排放法规的驱使下，仅中国市场的起停销量增幅就将高达50%。起停技术将为每辆汽车节省5%的燃油消耗，并且可以在不做大的改动的情况下，很容易地集成在传统的内燃机动力汽车上。而对于起停系统来说，AGM电池因能持续提供频繁起动所需的电能而被视为“理想的”储能装置。从而达到提升燃油经济性与降低排放的效果。
江森自控成立于1885年，从发明电热室内恒温装置开始，逐渐成长为多元化、跨行业的全球工业技术领导者。其客户与业务遍及150个国家，拥有11.7万名员工。旗下业务主要包括智能楼宇管理系统、高效能源解决方案、集成式基础设施及下一代交通系统。
Johnson Controls能源解决方案事业部是全球领先的汽车电池解决方案提供者，每年向主机厂和售后市场交付约1.46亿套电池系统。包括全系铅酸电池及锂电池系统，应用于传统车辆启动、起停系统、微混系统、混合动力及纯电力驱动。此外，为了保护环境，江森自控还拟定了电池回收系统，以帮助客户在全球范围内的电池进行回收利用。目前该事业部在全球拥有50个工厂或研发中心，15000名员工从事开发、生产、供货以及回收。
来源：汽车制造中文版公众号
智造家提供 查看全部
这家美资汽车零部件巨头近期宣布其在浙江长兴工厂的AGM电池新线进入批量生产状态。长兴工厂现有产能为每年300万台AGM电池；藉此全新产线， AGM 电池的产量将比去年翻了一倍还多。同时，该厂的各种型号电池的总产能猛增至1000万每年。扩产事宜目前正紧张有序地开展，预计将于2017年完成。据悉，江森自控计划在未来5年内总计投资7.8亿美金来扩充起-停专业电池的全球产能。
江森自控动力系统解决方案中国区副总裁兼总经理Kenneth Yeng表示：“随着起停系统的广泛使用，我们认为AGM电池的需求在全球范围内特别是中国变得越来越旺盛！到2020年，预计中国每年将有1500万辆新车配备起-停功能，增幅高达50%。我们提前布局产能扩充事宜并严格按照我们的全球通用制造标准为客户提供高性能与高质量的AGM电池。”
据预测，从2016年到2020年，北美、欧洲和中国的起停汽车销量将从2500万辆增长到6500万辆。在不断提升燃油经济性与日益严格的排放法规的驱使下，仅中国市场的起停销量增幅就将高达50%。起停技术将为每辆汽车节省5%的燃油消耗，并且可以在不做大的改动的情况下，很容易地集成在传统的内燃机动力汽车上。而对于起停系统来说，AGM电池因能持续提供频繁起动所需的电能而被视为“理想的”储能装置。从而达到提升燃油经济性与降低排放的效果。
江森自控成立于1885年，从发明电热室内恒温装置开始，逐渐成长为多元化、跨行业的全球工业技术领导者。其客户与业务遍及150个国家，拥有11.7万名员工。旗下业务主要包括智能楼宇管理系统、高效能源解决方案、集成式基础设施及下一代交通系统。
Johnson Controls能源解决方案事业部是全球领先的汽车电池解决方案提供者，每年向主机厂和售后市场交付约1.46亿套电池系统。包括全系铅酸电池及锂电池系统，应用于传统车辆启动、起停系统、微混系统、混合动力及纯电力驱动。此外，为了保护环境，江森自控还拟定了电池回收系统，以帮助客户在全球范围内的电池进行回收利用。目前该事业部在全球拥有50个工厂或研发中心，15000名员工从事开发、生产、供货以及回收。
来源：汽车制造中文版公众号
智造家提供 查看全部
全球车用电池领导者Johnson Controls (江森自控)宣布扩大在华AGM电池产能，以应对中国日益强烈的市场需求。
这家美资汽车零部件巨头近期宣布其在浙江长兴工厂的AGM电池新线进入批量生产状态。长兴工厂现有产能为每年300万台AGM电池；藉此全新产线， AGM 电池的产量将比去年翻了一倍还多。同时，该厂的各种型号电池的总产能猛增至1000万每年。扩产事宜目前正紧张有序地开展，预计将于2017年完成。据悉，江森自控计划在未来5年内总计投资7.8亿美金来扩充起-停专业电池的全球产能。
江森自控动力系统解决方案中国区副总裁兼总经理Kenneth Yeng表示：“随着起停系统的广泛使用，我们认为AGM电池的需求在全球范围内特别是中国变得越来越旺盛！到2020年，预计中国每年将有1500万辆新车配备起-停功能，增幅高达50%。我们提前布局产能扩充事宜并严格按照我们的全球通用制造标准为客户提供高性能与高质量的AGM电池。”
据预测，从2016年到2020年，北美、欧洲和中国的起停汽车销量将从2500万辆增长到6500万辆。在不断提升燃油经济性与日益严格的排放法规的驱使下，仅中国市场的起停销量增幅就将高达50%。起停技术将为每辆汽车节省5%的燃油消耗，并且可以在不做大的改动的情况下，很容易地集成在传统的内燃机动力汽车上。而对于起停系统来说，AGM电池因能持续提供频繁起动所需的电能而被视为“理想的”储能装置。从而达到提升燃油经济性与降低排放的效果。
江森自控成立于1885年，从发明电热室内恒温装置开始，逐渐成长为多元化、跨行业的全球工业技术领导者。其客户与业务遍及150个国家，拥有11.7万名员工。旗下业务主要包括智能楼宇管理系统、高效能源解决方案、集成式基础设施及下一代交通系统。
Johnson Controls能源解决方案事业部是全球领先的汽车电池解决方案提供者，每年向主机厂和售后市场交付约1.46亿套电池系统。包括全系铅酸电池及锂电池系统，应用于传统车辆启动、起停系统、微混系统、混合动力及纯电力驱动。此外，为了保护环境，江森自控还拟定了电池回收系统，以帮助客户在全球范围内的电池进行回收利用。目前该事业部在全球拥有50个工厂或研发中心，15000名员工从事开发、生产、供货以及回收。
来源：汽车制造中文版公众号
智造家提供
