轻型机器人领军企业珞石机器人宣布完成1亿元C1融资，由著名风险投资基金襄禾资本投资。此前，珞石机器人已获得多家知名机构的青睐，其中包括梅花创投、德联资本、清控银杏、顺为资本、金沙江联合资本等。本轮融资将主要用于加速机器人创新应用的技术研发，促进新一代智能柔性协作机器人xMate系列产品开发，推进其在医疗、服务、柔性生产等场景的落地，加速推进珞石成为全球轻型机器人的市场领导者。 珞石机器人成立于2015年，致力于新一代柔性协作机器人、轻型工业机器人及高端智能装备的技术研发与开拓创新，已广泛应用于汽车零部件、3C电子、精密加工、医疗等垂直领域，业务遍布美洲、欧洲、亚洲等全球十余国。公司总部及研发中心位于北京，在国内拥有华北、华东、华南三大区域公司，珞石机器人汇聚了大量来自北大、清华、浙大、北航、哈工大等知名院校优秀毕业生，及海外留学、科研归国的高端人才。 珞石机器人通过丰富的技术积累与行业经验，抓住国产机器人市场的发展机遇，突破海外技术的垄断，获得众多荣誉，得到业内多方的认可。2016年，公司自主研发出高性能机器人控制系统，并赋予XB系列工业机器人产品全球一流的高精、高速运动性能。随着智能技术在制造业的不断深入，珞石做出更加前沿的布局――成功开发了新一代智能柔性协作机器人xMate，其采用国际领先的7轴独立力控关节与无控制柜设计技术，从机器人本体上赋予xMate在人机交互中更好的安全性、灵活性与轻量性。同时，xMate采用基于关节力闭环的力位混合控制技术，辅以全关节灵活的自适应阻抗控制，在兼具高精度定位能力的同时，强调自适应柔顺力控与高动态性的运动能力，全新的智能控制技术使得xMate能够在最大程度上复现人类手臂的灵活运动。搭配以机器视觉、深度学习与通信5G技术，xMate已应用于远程医疗、手术辅助、柔性生产等多个新兴应用场景。 珞石机器人创始人兼CEO庹华表示：“伴随着劳动力成本的上升、机器人应用技术的进步，以及人们对产品品质更高的要求，涌现出越来越多新的应用场景。珞石将专注于机器人技术的研发和应用技术的创新，针对市场需求快速推出高品质的产品和服务，以机器人技术创造美好生活，以效率持续为客户创造价值！” 本轮投资方襄禾资本创始合伙人汤和松表示：“随着制造强国战略的推进以及对国产技术的越发重视，国产机器人迎来巨大的市场。珞石扎根串联机器人技术，致力于为客户提供性能优异的小负载产品及其集成方案。以庹华为核心的珞石团队在技术积累和产品打磨上有钉钉子的精神，在国产机器人行业中积累了很好的口碑，很有前途。” 目前，珞石机器人正处于创新技术与方案的全面价值转化期。在资本助力下，珞石将在市场开拓、高品质产品研发、技术支持与服务、企业发展生态上持续提升，为客户提供更优质、更符合需求的智能化产品、服务和解决方案，帮助产业加快技术变革、提高竞争力。 “用效率改变世界”，珞石机器人正在一步步稳扎稳打地践行自己的使命，阔步迈向新的征程。
“在我的职业生涯里一共有四个比较大的风口，除了移动互联网之外，互联网、大数据、人工智能这三个风口都踩上了，我个人没有什么太大的遗憾了。”在北京百炼智能科技有限公司（以下简称“百炼智能”）的一间会议室里，百炼智能创始人、董事长兼CEO冯是聪对记者感慨道。 三年前，美国B2B营销智能化服务公司ZoomInfo驶入发展快车道，并于今年6月份在纳斯达克上市，如今市值稳定在180亿美元左右；两年前，对标ZoomInfo的百炼智能在国内成立，并在短时间完成了天使轮和Pre-A轮融资，如今也备受资本青睐。 “这对我们来说绝对是一个机遇，百炼智能在做的事情就是以人工智能为核心驱动力量。”冯是聪告诉记者：“随着新基建规划的大规模落地实施，人工智能作为科技发展方向，将会迈入‘黄金时代’。” 技术打通数据孤岛 “我发现过去的销售在进行客户拓展时，往往都是依赖个人的人际关系获取销售线索。”冯是聪对记者表示：“传统的获客方式带来的是低效率和高成本，利用AI技术为企业提供智能获客解决方案正是市场所需要的。而且，能够帮助企业赚钱的生意永远都是好生意，投入产出比可以非常清楚地计算明白，这是真正的刚需。” 时光倒回至2003年，北京大学计算机专业博士毕业的冯是聪曾是中国第一代通用搜索引擎“北大天网”核心研发成员之一。作为连续的创业者，冯是聪作为技术VP参与了秒针系统的创立，他也曾是明略数据的联合创始人兼CTO。抱着对市场的期待，凭借对技术的信赖，如今的百炼智能，是冯是聪首次作为CEO的第三次创业。 “我们要做的就是把互联网上公开的数据通过技术手段进行深度加工。目前公司的三大核心技术——自然语言处理技术、图像处理技术和知识图谱技术，能够打通数据孤岛，让分散的数据进行聚合。”冯是聪解释道，“我们会先将互联网上现有的公开的零散数据进行采集，比如说企业工商信息、招中标信息等；接着会将原本非结构化的数据进行结构化处理，比如说人名、地名、机构名等信息要素提取出来，形成一个互联网的知识图谱。而知识图谱可以提炼出一个企业的多维度信息，帮助企业智能获客和精准获客。” 做企业B2B营销“数字引擎” “百炼智能服务的行业主要涵盖了三个方向，分别是快消行业，包括食品和日化；保险行业；能源化工行业。今后会在这三个行业中进行更深入地探索和研发。”冯是聪谈道。 说罢，冯是聪拿出了电脑，在大屏幕上为记者演示了百炼智能研发的SaaS产品“渠道宝”。“我们做的是满足企业B2B营销获客全流程需求的SaaS产品，客户拿到账号名和密码以后就可以直接登录进行操作。”冯是聪操控着鼠标，在系统中熟练地勾选着自己所需的信息，整个页面如同企业B2B营销版的搜索引擎。 冯是聪向记者解释，“渠道宝是基于全网招中标信息大数据的一款渠道拓客产品，只要有新的数据样本进来，我们的机器就会进行学习，学习以后模型也会实时更新调优。从数据层面说，积累的数据越多，精度就会越准。” 谈及建模和调优，冯是聪分享了他与第一个客户之间一件有意思的事儿。 该客户是食品行业世界500强企业，当年正推出一款“胶囊咖啡机”。“我们讨论了十几个维度，比如商圈、写字楼、企业性质、行业性质、男女比例等，按这些数据建立了模型并据此进行咖啡机布局。”冯是聪说：“从最开始的锁定客户画像，到找到这个客户的名单、联系方式，再到预测成单、预测销量，百炼智能帮助客户打造了整套的潜在客户挖掘系统，并打通了客户的CRM管理系统，每天咖啡销售了多少杯，都能够传回系统中，并不断优化模型，最终形成一个闭环。” 谈及和多家知名头部企业达成合作的经历，冯是聪说：“我们坚持的一个打法就是从上往下打，从头部客户往腰部客户下沉，最后再往长尾客户打，因为头部客户的壁垒是最高的，但是只要坚持做下来，之后在同行业复制就简单了。而且，打头部客户的壁垒非常高，友商进入也就非常困难。” 资本赋能梦照进现实 创业不是一个简单的过程，而想成为中国版的“ZoomInfo”，更要有资本的加持。 “百炼智能从成立第一天起，就严格按上市公司要求的去做，融资拿到的钱都在进行纯市场化运营，组织架构相对简单。”冯是聪透露，“目前来看，比较适合的就是在科创板上市，但因为现在发展时间还比较短，暂时还没有一个比较明确的时间计划表。” 虽然公司发展时间尚短，但冯是聪仍给自己定下了一个三年规划。“今年我们计划实现小规模盈利，希望明年现金流为正，后年则具备了上市的条件，这是我们的一个初步的想法。” 从CTO到CEO，带给冯是聪的不仅是角色的转变，而是要承担了更多的责任。 “坦率来讲，角色转换对我来说确实有一定的挑战。”冯是聪坦言，“原来我更多的是做技术，‘幕后’管理好整个公司的运营，也是有一定的压力。” 不过，技术出身的冯是聪在与客户沟通时，具备了天然的优势。“当客户提出要求时，我能清楚知晓通过技术是否可以实现，而不是回头再去找别人帮忙，能做就做，不能做不勉强，更不会夸大其词。”冯是聪对记者进一步表示。 冯是聪回顾创业所走过的路，脸上扬起一股自豪的神气。“一个公司的问题，无论是技术、产品、市场、商务、人事、财务，都应该是公司创始人的问题。所以，我一直在突破自己的边界，努力向顶级CEO靠拢。”冯是聪最后强调。
2020年8月7日-9日，第五届CCF-GAIR全球人工智能与机器人峰会，于深圳隆重举办。此次峰会由中国计算机学会主办，雷锋网、香港中文大学（深圳）联合承办，鹏城实验室、深圳市人工智能与机器人研究院协办。在8月9日的「AI金融专场」中，《AI金融评论》邀请了6位最具代表性的顶尖AI金融专家，分享能够代表未来10年风向的智能技术方法论、产品逻辑和风险管理理念。其中，平安集团首席科学家肖京博士以「人工智能赋能金融业务」为主题，同与会者进行了分享讨论。注:关注公众号「AI金融评论」，对话框回复“AI金融”，获取GAIR大会金融专场部分嘉宾演讲PPT。以下是肖京博士演讲内容，雷锋网AI金融评论做了不影响原意的编辑：金融场景痛点遇上巨变行业环境平安是全牌照的综合金融集团，涉及的金融场景非常丰富。然而，在传统金融行业，风控、营销、服务、运营等核心环节仍存在诸多痛点和可改进空间。风控是金融行业的核心工作，以风险杂，欺诈多、违约率高为显著特征，如果选用传统人力方式解决，会面临很多的挑战和困难。营销方面，传统的金融营销以实体网点、电话短信、递推沙龙等方式将标准化产品推送给所有客户，这种方式获客成本高、渠道频次低且带来较差的用户体验。服务方面，消费者行为和需求的不断变化，使传统的金融服务面临各场景各链条上的重构；传统人工客服存在培训成本高、流动性大、服务效果参差不齐等弊端，严重影响了服务质量和用户体验。运营方面，传统机构各个业务运营环节存在大量重复性、低效率工作，1%的效率提升，就可以给平安集团带来100亿的价值——全集团180多万员工，每一点效率的提高带来的收益都十分明显。目前金融市场环境在面临巨变，随着监管趋严，互联网和高科技企业、传统银行等金融机构的竞争愈加激烈；未来银行不管在体制还是技术上，都会更加开放，同时，金融机构的投融结合将成为明显的发展趋势。平安的经营管理也将逐渐向混业经营、精细化、轻资产化转变。各大企业和机构都在积极布局人工智能技术，实现服务升级和企业智能化转型。让业务员自行建设机器人的“秘密武器”如何解决行业实际痛点，于激烈的市场竞争环境中胜出，线上化和智能化是必经的道路。平安实现智能化的开端是互联网化，平安1998年开始做互联网，现在已建立了完整的互联网体系，实现了线上和线下的打通；其次是建立大数据平台；之后，平安开始逐步实现智能化，改变生产，重构流程，实现我们所说的“三提两降”（即提高效率、效果、客户体验，降低风险与成本）。智能化转型比互联网化更复杂。智能化是技术上的创新，要在对传统业务流程非常熟悉的前提下先做信息化改造，实现信息流通，再完成数据化。信息流通后把业务流程的各个环节的数据沉淀下来，然后才能通过数据分析，最终实现智能化。因此，智能化绝不是单纯的技术问题。线上化和多线联动使平安集团实现渠道的实时触达，起到降本增效的目的；而智能化、尤其是AI技术的研发及应用，让集团真正实现数字化经营。技术要和业务紧密结合，不光要形成具体解决业务问题的智能化方案和平台，更要形成规模化拓展AI应用的能力，覆盖各类场景，快速有效地实现业务环节的智能化，持续夯实关键技术和业务壁垒。业务方案中台：“平安脑”智能引擎因此，现阶段我们主要进行方案中台的建设。不是做技术中台，而是业务方案的中台，把技术和方案的结合抽象浓缩成方案中台组件，让前端业务可以快速组建服务机器人。核心方案架构是“平安脑”智能引擎。底层是我们的数据，平安花了整整一年时间把1.7万个机构的所有数据自动地采集、整合，在这个平台上实现质量管理、标准化、标签化及信息安全。在此平台之上，我们对这部分数据采取严格保密管理，建立有关数据安全、隐私保护的管理规范。然后利用这些数据做一些标签画像，在此之上运用AI技术开发出产品平台，与业务结合建立AI解决方案，建立方案的中台，最后在前端组成各个不同场景的具体业务方案。数字化经营平台：克瑞斯我们打造了很多平台和中台工具，帮助快速实现前端业务规模化经营。比如克瑞斯数字化经营平台，为业务人员打造可灵活应用的数字化经营工具，业务人员可以迅速组合、配置需求，快速形成一系列的智能解决方案，不需要再等技术人员开发，很多产品就能通过自身解决需求，目前已经应用于平安集团人寿、保险、银行、信贷等多个业务线。一站式AI开发平台：Occam（奥卡姆）Occam平台则是一款面向AI零基础业务人员和专业AI技术人员的一键式开发平台，以零算法基础和少量数据即可训练高精度机器学习模型为核心，结合Saas、Paas与微服务架构的思想提出了可使用于各行各业的解决方案平台，可应用于金融、教育、医疗等多个领域。业务人员不需要很多技术背景，就可以快速建立图像、语音等模型。我们通过这个平台取得不少成绩，在GLUE和Stanford SQuAD 2.0国际竞赛上，我们都得到了全世界第一名，也研发了很多前沿的算法。蜂巢联邦智能平台平安已经推出蜂巢联邦智能平台，以解决“数据孤岛”情况下数据不可共用的问题，平台具有安全性、隐私性、合法性的特点，目前已应用于动态保险定价、专属语音客服等多个场景。但由于联邦学习需要加密、分布部署、改变模型等具体细节，在沟通、开发、部署、人力等各方面成本都较高，因此只有在必需的场合，平安才会使用联邦学习技术。平安的AI金融应用实例平安还有很多AI具体应用案例。以身份认证为例，平安融合人脸、声纹、微表情识别、大数据和深度学习等技术，创新性地研发出一种基于多模态生物特征识别的身份认证方法。平安的多模态身份认证准确率高、稳定性优、适用范围广，已应用于普惠小额贷款、银行保险账户开户、门禁等多个场景，通过微表情、人脸识别等技术提升平安普惠的放贷效率，将放款时间缩短至3分钟，违约率也大幅下降。平安打造了涵盖1.2亿万企业及个体工商户的企业大数据知识图谱——欧拉图谱，欧拉图谱构建了专业的债券违约、财务造假、企业评级等多个模型，实现贷前贷中贷后、投前投中投后等业务领域的风险管理，预警防控企业金融风险。欧拉图谱也用于帮助政府业务管理，比如宏观经济运行监测、产业规划、项目投资决策等。图像识别应用于平安的自动车险理赔，这是2017年全国上线的案例，目前仍然是全世界唯一规模化上生产的自动定损理赔系统。客户借助智能闪赔可以进行自助理赔，大幅缩短客户等待时间，提升客户体验，其应用不仅可以在理赔早期就识别出欺诈的风险，每年减少几十亿元的风险渗透，还提升了业务效率，优化用户体验。目前国内、东南亚、欧美等很多地方都在使用这些技术。智能法务管理，我们有很多AI技术，在自动审批法务证据链、要素关系图谱这些环节上，用于自动合同审核，判断官司是否值得打、是否庭外和解、找怎样的律师等等。智能运维领域，我们有3000多万IT系统的节点，传统人力方式效率不高，AI技术的运用可使检测和诊断时间缩短2倍，误报、漏报降低3倍。机器人领域，平安目前已研发了全方位的机器人客服系统，包括线上文字客服、机器人电话客服、坐席助手、实体门店服务机器人等，比如门店的大堂经理机器人“安博士”，以及桌面型客服机器人“爱德”。我们进行了很多AI相关的研究和应用，但是AI也有自己的边界，我们不能滥用、恶用。平安在集团层面成立了AI伦理委员会，秉持以人为本、人类自治、安全可控、公平公正、和公开透明的伦理准则。具体来说，要做到底层管好数据，充分保护隐私和安全，中层实现算法可靠透明可解释，前端应用遵守遵循人类的价值观和伦理道德。关于 CCF-GAIR 2020 AI金融专场「AI金融专场」是CCF-GAIR 2020最受关注的主题论坛之一，其余5位嘉宾分别是：国际人工智能联合会首位华人理事会主席杨强、京东数字科技集团副总裁程建波、原摩根大通执行董事黄又钢、移卡集团副总裁奚少杰、统计学诺贝尔-COPSS总统奖得主范剑青。「AI金融专场」除了拥有业内最顶尖的阵容外，每年都会吸引中国及欧美地区众多AI金融专家到场。在上一届论坛中，加拿大工程院院士、Citadel首席人工智能官邓力博士，加拿大工程院院士凌晓峰教授等多位重量级人物来到现场学习交流。而在今年，包括黄铠、刘江川、王强等十多位IEEEFellow以及各大金融机构的首席信息官/科学家来到现场，共同促进AI金融的产学融合与商业应用。
罗汉堂基于全球公开可得的大数据，开发了“全球疫情经济追踪体系”（Global Pandemic Economy Tracker，简称PET），并由新浪财经中文独家首发！ 疫情走势出现分化，但经济恢复仍然低迷 截至8月17日，全球总确诊人数接近2200万，死亡人数超过77万。过去一个月，官方公布的新冠确诊人数以每周近20万的速度提升，疫情在发达经济体和其他国家之间的分化更加明显。前者整体处于疫情缓和反弹阶段，而疫情在新兴和发展中经济体的蔓延仍然很快，后者在每日新增确诊病例中的占比已经接近3/4。尽管增速略有放缓，以巴西和印度为主要代表的拉美和南亚仍然是疫情扩散最迅速的地区。 罗汉堂的全球疫情经济追踪体系（PET）显示，截至8月14日，在132个被追踪的经济体中，进入恢复期的为80个，比上周增加4个，51个国家仍处于应对或低谷期。受疫情反复的影响，两组国家现存病例的数量均有所增加，经济活跃度的绝对和相对变化均较小。 多数国家逐渐走出前期封锁，对人流限制政逐步放松，是近期疫情蔓延重要的推动力之一，而随之而来的疫情反复又抑制了进一步的经济恢复。整体来看，发达经济体的经济活跃度自7月初以来呈缓慢下降趋势，除中国以外的新兴和发展中经济体在过去1-2周经济活跃度的上升，也预示着这些地区疫情蔓延的趋势短期内不会放缓。 追踪技术普及仍障碍重重 疫情在发达经济体的反复及在新兴和发展中经济体高速扩散，充分显示了新冠病毒仍将在全球各地和人类共存很长一段时间。即使在最乐观的情景下，疫苗的普及也要到2021年才能完成，而出于经济压力，各国再度采取普遍性严格封锁政策的概率很低。在这一背景下，追踪隔离感染者和密切接触者仍然是当前及未来一段时间防控疫情最有效的手段之一，可称为“数字群体免疫”。 受益于移动网络和智能手机的普及，多个国家和地区的政府和公共卫生部门，用数字技术及时追踪感染人群及其密切接触者，控制传染的时间与范围。根据《麻省理工科技评论》统计， 近50个国家和地区已经推出或计划推出追踪技术应用。这些应用使用基于位置的技术（例如GPS）、蓝牙技术或是二者的结合，在应用模式上也分为中心化和去中心化两种。早期应用追踪技术的中国和韩国以基于位置的中心化技术为主，而自3月份新加披首先开发了Trace Together蓝牙追踪应用以来，能极大程度地保护隐私与手机电量的蓝牙追踪技术受到了更多的关注，并在谷歌和苹果共同开发了曝光通知技术后，去中心化的蓝牙技术应用成为了更多国家追踪技术应用的主流。 多项研究显示，追踪技术应用在一个国家的渗透率达到50-70%才能达到对全体人群的充分精准追踪，但截至7月底，已经有统计数据的国家渗透率的中位数仅为5.5%左右。在实际推行过程中，因各国政府治理体制、数字基础设施、隐私法律保护、公共卫生资源等方面的差异，效果也不尽相同。考虑到疫情仍处于快速蔓延阶段，各国对普及接触追踪应用技术的需求很迫切，而当前的应用水平还远远不足。我们把相关国家分为四种类型： 多种应用，一个世界 中国、韩国等东亚国家和地区是强政府能力、强数字技术类型的代表，数字追踪技术在防疫过程中全面实施。中国以“健康码”为基础的跟踪技术是能够快速控疫的最重要因素之一。韩国政府与3个通讯公司、22个信用卡公司合作，利用手机定位、信用卡记录和对确诊病例的访谈等信息追踪联系人，通过应用程序提示居民避开易感染区域，其追踪地图更新频率达到分钟级，把追踪效率从1个患者耗时1天缩短到平均只需10分钟。东亚国家追踪技术的高效应用受到世界卫生组织和其他疫区的普遍瞩目。 部分西方发达经济体是强隐私保护、强数字技术的代表，其追踪应用在较严格的公民隐私和个人数据保护法体系下，只能依靠公民自愿安装使用，因而许多国家面临着应用渗透率和活跃度均不高的困境。例如，法国的跟踪应用上线的20天内，下载量为仅为190万人，低于全国人口的3%，一共只有14 人收到过新冠警报。欧洲第一个使用谷歌和苹果联合开发的跟踪应用的瑞士情况较好些，目前下载量近220万，超过全部人口的1/4，且日均活跃度超过一半。对于大多数这类国家，如何在无政府强制下加深数字追踪渗透、激活新冠应用有效性，成为各国实现常态化疫情防控的关键。 一些智能手机普及还远未饱和的新兴经济体是强政府干预、弱数字普及的代表，数字化追踪新冠在基础条件上受到限制。例如，印度于四月初推出了新冠病毒追踪应用程序“健康桥”，为提高渗透率很快从自愿下载转变为强制使用。尽管印度政府已经将该应用代码公布在全球最大的代码托管平台Github，并推出了漏洞赏金计划，以降低民众对位置数据、感染详细的症状等信息被收集和存储的担忧，但考虑到印度智能手机活跃用户普及率仅为36.7%（略低于全球平均水平41.6%），人口更密集、智能手机普及率更高的城市也许应该是印度应用追踪技术的主要对象。 多数的发展中国家属于弱政府能力、弱数字技术这一类型。在这些数字基础设施水平很低地区研发适用的追踪技术并不容易，目前仅少数这些国家已经推出相关应用，但并未产生足量的有效数据。大多数发展中国家由于政府缺乏相应的技术、人才和资金，很大程度上要等待世卫组织及其他国际援助。在一些智能手机不普及的国家，政府只能依靠短信形式警示新冠接触。 在近期发达经济体疫情反弹的情况下，追踪技术的普及出现了一些新的契机。各国非常需要利用当前短暂的窗口期找到最适合自己的追踪技术和模式，提高能力应对秋冬季节的流感和疫情压力。达成这一目标需要更强有力的政策推动和应用创新。以美国为例，其蓝牙追踪技术水平最高，但普及度极低，主要是因为联邦和州政府不重视。这一情况近期有所改变。7月底，谷歌表示正与美国20个州和地区合作推出新冠接触者追踪应用程序，并且很快覆盖美国45%的人口。很快弗吉尼亚州于8月初推出了美国首个使用谷歌/苹果曝光通知技术的应用程序COVIDWISE，截止8月16日已有超过35万人下载。配合各州推进各自的追踪应用，美国公共卫生实验室协会开始构建一个国家服务器，帮助各应用程序跨州运行。 对于更多的数字基础设施薄弱的发展中国家，它们所需的不仅仅是一款追踪应用，同时还需要相应的检测技术以及一揽子的公共健康、财政措施以及基础设施的支持。推广和普及新冠数字追踪技术可以成为这些国家提升数字普惠以赢得更好的发展机会的一个契机。
2020年是不寻常的一年，全球的健康、贸易、经济、 数据 我们首先分析数据的发展趋势。数据对人工智能，犹如食材对美味菜肴，过去10年，数据的获取无论是数量，还是质量，又或者是数据的种类，均增长显著，支撑着AI技术的发展。未来，数据层面的发展会有哪些趋势呢，我们来看一组分析数据。 首先，世界互联网用户的基数已达到十亿量级，随着物联网、5G技术的进一步发展，会带来更多数据源和传输层面的能力提升，因此可以预见的是，数据的总量将继续快速发展，且增速加快。参考IDC的数据报告（图1），数据总量预计将从2018年的33ZB（1ZB=106GB），增长到2025年的175ZB。 其次，数据的存储位置，业界预测仍将以集中存储为主，且数据利用公有云存储的比例将逐年提高，如图2、图3所示。 以上对于未来数据的趋势，可以总结为：数量持续增长；云端集中存储为主；公有云渗透率持续增长。站在AI技术的角度，可以预期数据量的持续供给是有保证的。 另一个方面，AI技术需要的不仅仅是原始数据，很多还需要标注数据。标注数据可分为自动标注、半自动标注、人工标注3个类别。 那么，标注数据未来的趋势会是怎样的？ 我们可从标注数据工具市场的趋势窥探一二，如图4所示。可以看到，人工标注数据在未来的5-10年内，大概率依然是标注数据的主要来源，占比超过75%。 通过以上数据维度的分析与预测，我们可以得到的判断是，数据量本身不会限制AI技术，但是人工标注的成本与规模很可能成为限制AI技术发展的因素，这将倒逼AI技术从算法和技术本身有所突破，有效解决对数据特别是人工标注数据的依赖。 算力 我们再来看看算力。算力对于AI技术，如同厨房灶台对于美味佳肴一样，本质是一种基础设施的支撑。 算力指的是实现AI系统所需要的硬件计算能力。半导体计算类芯片的发展是AI算力的根本源动力，好消息是，虽然半导体行业发展有起有落，并一直伴随着是否可持续性的怀疑，但是半导体行业著名的“摩尔定律”已经经受住了120年考验(图5)，相信未来5-10年依然能够平稳发展。 不过，值得注意的是，摩尔定律在计算芯片领域依然维持，很大原因是因为图形处理器（GPU）的迅速发展，弥补了通用处理器（CPU）发展的趋缓，如图6所示，从图中可以看出GPU的晶体管数量增长已超过CPU，CPU晶体管开始落后于摩尔定律。 当然，半导体晶体管数量反映整体趋势可以，但还不够准确地反映算力发展情况。对于AI系统来说，浮点运算和内存是更直接的算力指标，下面具体对比一下GPU和CPU这2方面的性能，如图7所示。可以看出，GPU无论是在计算能力还是在内存访问速度上，近10年发展远超CPU，很好的填补了CPU的性能发展瓶颈问题。 另一方面，依照前瞻产业研究院梳理的数据，就2019年的AI芯片收入规模来看，GPU芯片拥有27%左右的份额，CPU芯片仅占17%的份额。可以看到，GPU已成为由深度学习技术为代表的人工智能领域的硬件计算标准配置，形成的原因也十分简单，现有的AI算法，尤其在模型训练阶段，对算力的需求持续增加，而GPU算力恰好比CPU要强很多，同时是一种与AI算法模型本身耦合度很低的一种通用计算设备。 除了GPU与CPU，其他计算设备如ASIC、FGPA等新兴AI芯片也在发展，值得行业关注。鉴于未来数据大概率仍在云端存储的情况下，这些芯片能否在提高性能效率的同时，保证通用性，且可以被云厂商规模性部署，获得软件生态的支持，有待进一步观察。 算法 现在我们来分析算法。AI算法对于人工智能，就是厨师与美味佳肴的关系。过去10年AI的发展，数据和算力都起到了很好的辅助作用，但是不可否认的是，基于深度学习的算法结合其应用取得的性能突破，是AI技术在2020年取得里程碑式发展阶段的重要原因。 那么，AI算法在未来的发展趋势是什么呢？这个问题是学术界、工业界集中讨论的核心问题之一，一个普遍的共识是，延续过去10年AI技术的发展，得益于深度学习，但是此路径发展带来的算力问题，较难持续。下面我们看一张图，以及一组数据： 1. 根据OpenAI最新的测算，训练一个大型AI模型的算力，从2012年开始计算已经翻了30万倍，即年平均增长11.5倍，而算力的硬件增长速率，即摩尔定律，只达到年平均增速1.4倍；另一方面，算法效率的进步，年平均节省约1.7倍的算力。这意味着，随着我们继续追求算法性能的不断提升，每年平均有约8.5倍的算力赤字，令人担忧。一个实际的例子为今年最新发布的自然语义预训练模型GPT-3，仅训练成本已达到约1300万美元，这种方式是否可持续，值得我们思考。 2. MIT最新研究表明，对于一个过参数化（即参数数量比训练数据样本多）的AI模型，满足一个理论上限公式： 上述公式表明，其算力需求在理想情况下，大于等于性能需求的4次方，从2012年至今的模型表现在ImageNet数据集上分析，现实情况是在9次方的水平上下浮动，意味着现有的算法研究和实现方法，在效率上有很大的优化空间。 3. 按以上数据测算，人工智能算法在图像分类任务（ImageNet）达到1%的错误率预计要花费1亿万亿（10的20次方）美元，成本不可承受。 结合前 （1）先验知识表示与深度学习的结合 纵观70多年的人工智能发展史，符号主义、连接主义、行为主义是人工智能发展初期形成的3个学术流派。如今，以深度学习为典型代表的连接主义事实成为过去10年的发展主流，行为主义则在强化学习领域获得重大突破，围棋大脑AlphaGo的成就已家喻户晓。 值得注意的是，原本独立发展的3个学派，正在开始以深度学习为主线的技术融合，比如在2013年，强化学习领域发明了DQN网络，其中采用了神经网络，开启了一个新的研究领域称作深度强化学习（Deep Reinforcement Learning）。 那么，符号主义类算法是否也会和深度学习进行融合呢？一个热门候选是图网络（Graph Network）技术，这项技术正在与深度学习技术相融合，形成深度图网络研究领域。图网络的数据结构易于表达人类的先验知识，且是一种更加通用、推理能力更强(又称归纳偏置)的信息表达方法，这或许是可同时解决深度学习模型数据饥渴、推理能力不足以及输出结果可解释性不足的一把钥匙。 （2）模型结构借鉴生物科学 深度学习模型的模型结构由前反馈和反向传播构成，与生物神经网络相比，模型的结构过于简单。深度学习模型结构是否可以从生物科学、生物神经科学的进步和发现中吸取灵感，从而发现更加优秀的模型是一个值得关注的领域。另一个方面，如何给深度学习模型加入不确定性的参数建模，使其更好的处理随机不确定性，也是一个可能产生突破的领域。 （3）数据生成 AI模型训练依赖数据，这一点目前来看不是问题，但是AI模型训练依赖人工标注数据，是一个头痛的问题。利用算法有效解决或者大幅降低模型训练对于人工标注数据的依赖，是一个热点研究领域。实际上，在人工智能技术发展过程中一直若隐若现的美国国防部高级研究计划局（DARPA），已经将此领域定为其AI3.0发展计划目标之一，可见其重要程度。 （4）模型自评估 现有的AI算法，无论是机器学习算法，还是深度学习算法，其研发模式本质上是通过训练闭环（closed loop）、推理开环（open loop）的方式进行的。是否可以通过设计模型自评估，在推理环节将开环系统进化成闭环系统也是一个值得研究的领域。在通信领域，控制领域等其他行业领域的大量算法实践表明，采用闭环算法的系统在性能和输出可预测性上，通常均比开环系统优秀，且闭环系统可大幅降低性能断崖式衰减的可能性。闭环系统的这些特性，提供了对AI系统提高鲁棒性和可对抗性的一种思路和方法。 工程化 上 工程化的本质作用是提升效率，即最大化利用资源，最小化减少信息之间的转换损失。打一个简单的比喻，要做出美味佳肴，食材、厨房灶台、厨师都有，但是唯独没有合适的厨具，那么厨师既无法发挥厨艺（算法），又无法处理食材（数据），也无法使用厨房灶台的水电气（算力）。因此，可以预见，工程化未来的发展，是将上 过去10年，AI工程化发展，已形成一个明晰的工具链体系，近期也伴随着一些值得关注的变化，笔者将一些较为明显的趋势，汇总如下： 总结来说，AI工程化正在形成从用户端到云端的，以Python为编程语言的一整套工具链，其3个重要的特点为：远程编程与调试，深度学习与机器学习的GPU加速支持，以及模型训练与推理工具链的解耦。与此同时，产业链上游厂商对开源社区的大量投入，将为中下游企业和个人带来工具链的技术红利，降低其研发门槛和成本，笔者认为微软、脸书、英伟达3家上游厂商主推的开源工具链尤其值得关注。 结语 对于人工智能技术过去10年发展取得的成就，有人归因于数据，也有人归因于算力。未来人工智能技术发展，笔者大胆预测，算法将是核心驱动力。同时，算法研发的实际效率，除了算法结构本身，还取决于设计者对先进工具链的掌握程度。 未来10年，科技界是否能用更少的数据，更经济的算力，获得真正意义上的通用智能呢？我们拭目以待。
据外媒报道，日本丰田汽车17日表示，将加强与美国科技公司亚马逊的合作，以发展未来汽车技术。 据日本共同社报道，丰田汽车17日表示，已经与亚马逊公司旗下子公司Amazon Web Services（AWS）达成一致，双方将加强合作研发未来汽车技术。丰田计划广泛应用AWS的数据分析技术，并帮助其推进丰田CASE技术（网联、自动、共享和电动技术）发展计划。 报道称，自动驾驶是下一代汽车技术领域的重要发展方向。丰田希望在5G高速网络普及之前，借助与AWS的合作来加速网联车辆技术的发展。丰田汽车在2017年已经开始与AWS在共享汽车领域合作。 为促进新一代汽车技术更好发展，丰田不断加强与科技公司的合作。丰田与日本科技巨头软银合作创立了移动出行公司Monet Technologies，研发自动驾驶技术，并得到来自马自达、斯巴鲁和本田等多家日本车企的注资。 目前，全球汽车市场正普遍遭遇寒冬。丰田汽车公司月初发布的财报显示，受新冠肺炎疫情销量大降影响，丰田今年二季度纯利润比上年同期下降74.3%至1588亿日元（1美元约合105日元），销售额同比下降40.4%至4.6007万亿日元。丰田预计本财年（截至2021年3月）公司纯利润将下降64.1%至7300亿日元。 不过，各大车企对于网联和电动等未来汽车技术的发展热度不减。丰田目前现金储备状况良好，未来发展的重心将放在长远项目上，如自动驾驶汽车、电气化以及智能网联汽车等领域。丰田旗下子公司丰田合成近日还宣布与美国初创公司Ossia展开合作，双方致力于将无线供电技术应用于汽车座舱、智能城市等领域。还有媒体报道称，丰田还与美国电动汽车厂商特斯拉合作开发未来最有前景的电池技术之一全固态电池。这种电池比目前普遍使用的电动车电池体积更小，充电更快。 电动汽车等发展趋势正日益为投资者所看好。特斯拉7月初市值超越丰田成为全球市值最高车企，股价随后一直延续上涨趋势，过去12个月已经上涨7倍。特斯拉17日股价收盘再创新高，收于每股1835.64美元，涨幅11.2%，市值约3420亿美元。目前，特斯拉的市值已经高于美国三大汽车巨头与丰田的市值之和。
伴随着科技发展，人工智能给人类社会带来的变革作用引发了各行业普遍重视，人工智能自动、精准的特点给许多产业带来红利，与其它领域的深度融合也在不断探索中。进入人工智能领域，闯出一番天地，成为不少海归的职业选择。 AI赋能新药研发 用人工智能算法发掘疾病作用靶点、发现已知药物的新适应症、提升新药筛选效率、提高大分子产量……这些正是燧坤智能的主要技术攻关领域。 在这家“AI+生物”科技公司的CEO曾亥年看来，中国的生物医药行业对创新药物需求量很大，基于这样的趋势，通过人工智能来帮助国内药企加快研发过程是团队努力方向。 2005年，从复旦大学生命科学学院本科毕业后曾亥年便赴美深造，去年7月正式加入燧坤智能。 机器学习，是燧坤智能应用人工智能的主要方面。计算机通过所给数据提取相关规律，将规律运用到未知领域并不断积累、进行判断，以此帮助公司进行新药研发。机器在短期之内能够辅助科学家，帮助他们把枯燥乏味的重复劳动或人力所不能及的工作用机器替代，再将结果反馈。“与人工分析相比，这样做效能可以提高百倍、千倍甚至万倍。”曾亥年说。 针对肿瘤和自身免疫疾病的新药研发及老药新用，是曾亥年团队的主要方向。与此同时，他目前也在研究中医药机理，与高校合作，通过模型研究中药与疾病靶点的关系。“坦率地说我们的许多工作并没有商机，但我们仍旧坚持。花时间与精力坚持做‘以病人为中心’的事，是制药人的情怀。” “智能手”点亮新生活 21世纪伊始，智能手机、智能电视飞速发展，交互方式的改变也让不少新应用随之产生。凭借多年专业经验，倪华良判断在触摸屏技术之后会有非接触式的交互方式产生，于是他以肌电技术为切入点，开始研究手势识别技术。2014年底，倪华良从加拿大多伦多回国创业，成立上海傲意信息科技有限公司，研发生物电信号传感器、生物电信号AI智能分析、人机交互技术。 2016年基本完成肌电手势识别臂环的研发后，倪华良与团队主要围绕AR、VR、游戏等方向进行技术应用推广。一次展会上，团队使用3D打印技术制作了机械手，用肌电手势识别臂环进行控制并提供给观众体验，过程中，不少观众询问机械手是否可以为残疾人用作义肢，这让倪华良看到了新的应用领域。 “我们在参观了几家国内义肢安装康复中心之后，发觉其技术水平与产品价格并不匹配。而一些国外的仿生义肢产品虽然体验很好，但动辄数十万的价格，对于大部分残疾人来说又难以承受。”倪华良说。 深入调研阶段，在上海某街道采集肌电信号时，残疾人对于兼顾功能与价格义肢的渴望深深刺痛了倪华良。在股东支持下，倪华良团队决定以仿生义肢为切入点，结合公司生物电传感器和AI识别技术，在康复医疗领域为用户提供高性价比的智能康复方案，以科技赋能行业。 现如今，在仿生手义肢单品领域，傲意已实现突破。据倪华良介绍，公司的OHand仿生手对标国际最先进的产品与技术，性能上可与德国、冰岛等国在全球享有盛名的旗舰产品相媲美。而在控制方式上，倪华良团队原创研发的肌电AI智能识别算法已能够进行更多、更精准的模式识别，相较于目前国内外常用的以信号幅度大小进行控制的方式来说效果更优。 技术让生活更美好 疫情发生后，曾亥年团队一直在思考如何通过自身技术帮助医疗团队开展抗击新冠病毒的研究。他们利用公司智能数据模型，筛选SARS（严重急性呼吸综合征）、MERS（中东呼吸综合征）和Coronavirus（冠状病毒）3个关键词，针对已发布的总计超过2000万篇公开文献进行人工智能自动检索，以列出可能会抑制新冠病毒活性的物质。智能模型完成这样的海量搜索只用了12个小时。 7月中旬，倪华良团队与上海市残疾人福利基金会、长宁区肢残人协会共同举办了捐赠仪式，在上海免费为24名残疾人安装义肢。对倪华良来说，如何能让用户买得起、用得上机械手，是他目前关注的核心问题。 研发义肢的过程中，不少人和事令倪华良难忘。家住河北石家庄的王超峰在看到傲意公司首个义肢样品参加美国CES（国际消费电子展）的新闻报道后，主动联系傲意，专程从石家庄来到上海，愿意做产品研发中样机试用与测试的志愿者。 “王超峰是一名退役军人，1993年的一次抢险中由于高压电事故失去了双手。但是，他的坚强与乐观从未改变，对未来总是抱有憧憬。”倪华良说，以王超峰为代表的残疾人对生活的热爱在不断激励着自己与团队，决心要为他们的生活带去更多便利、更多美好，让他们重新拥有圆梦的机会。
登录
工商服务
危机公关
金融律师
app开发
财税服务
金融牌照
网站建设
知识产权
企业征信
审计评估