-
微信
微信掃一掃 - 搜索
百度
云平臺：Microsoft Azure（存儲、計算、數據庫、live、媒體功能）、分布式機器學習工具包DMTK（自然語言處理，推薦引擎，模式識別，計算機視覺以及預測建模等）、人工智能平臺Project Malmo
產業布局：語言助手（微軟小冰、Cortana小娜、Tay）、VR（Hololens全息眼鏡）
谷歌在一系列人工智能相關的收購中獲益。2013年3月，谷歌以重金收購DNNresearch的方式請到了深度學習技術的發明者Geoffrey Hinton教授。2014年年初，谷歌以4億美元的架構收購了深度學習算法公司——DeepMind，也就是推出AlphaGo項目的公司。該公司創始人哈薩比斯是一位橫跨游戲開發、神經科學和人工智能等多領域的天才人物。
云平臺：TensorFlow數據庫，機器學習的核心是讓機器讀懂數據并基于數據做出決策。當數據規模龐大而又非常復雜時，機器學習可以讓機器變得更聰明。TensorFlow在數據輸入和輸出方面都有驚人的精度和速度，它被確切地定義為人工智能工具。
產業布局：谷歌無人駕駛汽車、基于Android智能手機的各種app應用與插件、智能家居（以收購的NEST為基礎）、VR生態、圖像識別（以收購的Jetpac為基礎）。
驅動人工智能發展的先決條件
物聯網——物聯網提供了計算機感知和控制物理世界的接口和手段，它們負責采集數據、記憶、分析、傳送數據、交互、控制等等。攝像頭和相機記錄了關于世界的大量的圖像和視頻，麥克風記錄語音和聲音，各種傳感器將它們感受到的世界數字化等等。這些傳感器，就如同人類的五官，是智能系統的數據輸入，感知世界的方式。而大量智能設備的出現則進一步加速了傳感器領域的繁榮，這些延伸向真實世界各個領域的觸角是機器感知世界的基礎，而感知則是智能實現的前提之一。
大規模并行計算——人腦中有數百至上千億個神經元，每個神經元都通過成千上萬個突觸與其他神經元相連，形成了非常復雜和龐大的神經網絡，以分布和并發的方式傳遞信號。這種超大規模的并行計算結構使得人腦遠超計算機，成為世界上最強大的信息處理系統。近年來，基于GPU（圖形處理器）的大規模并行計算異軍突起，擁有遠超CPU的并行計算能力。
從處理器的計算方式來看，CPU計算使用基于x86指令集的串行架構，適合盡可能快的完成一個計算任務。而GPU從誕生之初是為了處理3D圖像中的上百萬個像素圖像，擁有更多的內核去處理更多的計算任務。因此GPU天然具備了執行大規模并行計算的能力。云計算的出現、GPU的大規模應用使得集中化的數據計算處理能力變得前所未有的強大。
大數據——根據統計，2015年全球產生的數據總量達到了十年前的20多倍，海量的數據為人工智能的學習和發展提供了非常好的基礎。機器學習是人工智能的基礎，而數據和以往的經驗，就是人工智能學習的書本，以此優化計算機的處理性能。
深度學習算法——最后，這是人工智能進步最重要的條件，也是當前人工智能最先進、應用最廣泛的核心技術，深度神經網絡（深度學習算法）。2006年，Geoffrey Hinton教授發表的論文《A fast learning algorithm for deep belief nets》。他在此文中提出的深層神經網絡逐層訓練的高效算法，讓當時計算條件下的神經網絡模型訓練成為了可能，同時通過深度神經網絡模型得到的優異的實驗結果讓人們開始重新關注人工智能。之后，深度神經網絡模型成為了人工智能領域的重要前沿陣地，深度學習算法模型也經歷了一個快速迭代的周期，Deep Belief Network、Sparse Coding、Recursive Neural Network, Convolutional Neural Network等各種新的算法模型被不斷提出，而其中卷積神經網絡（Convolutional Neural Network，CNN）更是成為圖像識別最炙手可熱的算法模型。
語音識別——李開復博士當年做的工作奠定了很多當今識別系統的基礎。這里忍不住說一下，Siri本身的技術并沒有特別大的亮點，真正nb的是它的模式（語音識別直接與搜索引擎結合在一起，產品體驗做得好。而且關鍵是這樣的模式能采集到更多數據，使得系統的精度越來越高）
自然語言理解——目前看到的最強的結果應該是IBM Watson。但其實我們現在用的搜索引擎、中文輸入法、機器翻譯（雖然其實還不怎么work）都和自然語言理解相關。這塊兒不是我的專業，請 @段維斯 同學補充。
數據挖掘——隨著近年數據量的瘋狂增長，數據挖掘也有了長足進步。最具有代表性的是前幾年著名的Netflix challenge（Netflix公司公開了自己的用戶評分數據，讓研究者根據這些數據對用戶沒看過的電影預測評分，誰先比現有系統好10%，誰就能贏100萬美元）最后這一比賽成績較好的隊伍，并非是單一的某個特別nb的算法能給出精確的結果，而是把大量刻畫了不同方面的模型混合在一起，進行最終的預測。
計算機視覺——目前越來越多的領域跟視覺有關。大家可能一開始想到的都是自動駕駛。雖然大家都在說googleX的無人車， 但實際上現在無論是商業上，還是技術整合上最成功的算法是Mobile Eye的輔助駕駛系統。這個公司也是目前computer vision領域最掙錢的公司。
從實現新功能方面說，視覺的發展的趨勢主要有兩方面，A) 集成更多的模塊，從問題的各種不同方面，解決同一個問題（比如Mobile Eye，就同時使用了數十種方法，放到一起最終作出決策） B) 使用新的信息，解決一個原來很難的問題。這方面最好的例子是M$的Kinect，這個產品最讓人拍案叫絕的就是那個紅外pattern投影儀。
人工智能的應用領域
自然語言處理（包括語音和語義識別、自動翻譯）、計算機視覺（圖像識別）、知識表示、自動推理（包括規劃和決策）、機器學習和機器人學。按照技術類別來分，可以分成感知輸入和學習與訓練兩種。計算機通過語音識別、圖像識別、讀取知識庫、人機交互、物理傳感等方式，獲得音視頻的感知輸入，然后從大數據中進行學習，得到一個有決策和創造能力的大腦。
人工智能引全球關注，中國順應潮流
對科技的重視，是中國向來的發展戰略。因此，我們可以看到國家不斷在戰略部署上出臺加速人工智能需求的政策。例如，“人工智能”首次出現在“十三五”規劃草案中，智能制造和機器人作為重大工程之一出現在“科技創新－2030項目”中，以及倡導“互聯網+”落實及其核心技術的推廣……可以預見，千億元級的人工智能市場應用規模正在形成。
中國某些人工智能應用已達國際領先水平
中國在圖像及語音識別的基礎之上，即模擬神經網絡的輸入和輸出，并通過大規模的數據進行訓練，再對樣本進行精準分類和預測，從而實現了“計算”之外的“思考”。這便是中國著力研究人工智能所得到的令人欣喜的結果。當然，研發中會遇到瓶頸，同時也是突破口——訓練和建模邏輯的算法，但相信，只要不懈努力，我國定能取得更多更高的科研成就。
“人工智能”的概念，是在1956年的美國達特茅斯（Dartmouth）大學召開的學術會議上被提出的。著眼全球，只在短短的60年間，科學技術的積累便使得機器學習、模式識別和人機交互這3個基礎支撐能夠得到較為廣泛的應用。縱觀我國，家庭機器人、工業或企業服務、智能助手3方面，是目前國內智能機器人行業的主要研發范圍。就目前階段而言，家庭服務機器人智能化程度還處于初級水平；以倉儲和物流機器人應用為主的工業/企業場景應用最為廣泛；而在工業機器人市場中，中國所占市場份額約為27%是最大的，市場前景開闊。
從上世紀八九十年代的PC時代，進入到互聯網時代后，給我們帶來的是信息的爆炸和信息載體的去中心化。而網絡信息獲取渠道從PC轉移到移動端后，萬物互聯成為趨勢，但技術的限制導致移動互聯網難以催生出更多的新應用和商業模式。而如今，人工智能已經成為這個時代最激動人心、最值得期待的技術，將成為未來10年乃至更長時間內IT產業發展的焦點。
2017 科技娛樂季——人工智能大會
2017年4月20-22日·上海世博館
2017年“科技娛樂季——人工智能專場”將于4月20-22日在上海世博展覽館4號館舉辦，大會以“人工智能”為核心，專注于探討伴隨著人工智能的發展所產生的一系列影響，滿足整個行業發展的需求，為行業內最具有代表性的廠家用戶等全產業鏈生態圈提供交流與合作的年度盛宴。
在上述背景之下，DVBCN&AsiaOTT將借第五屆中國（上海）國際技術進出口交易會的契機，邀請合作伙伴共同與AI領域業內的頂尖學術界大師、產業界領袖，通過全國多地方考察研討的方式，共同參與探討“人工智能”的下一個十年。
聯系我們
吳昊：18516116966
宋寶輝 ：15026848778
