蚂蚁集团上市又近一步。 8月14日，证监会浙江监管局官网公示了蚂蚁集团辅导备案文件。文件显示，蚂蚁正在接受辅导机构中金公司、中信建投的上市辅导。 自一个月前蚂蚁官宣上市计划来，外界关于它未来估值几何，能否创下最大IPO纪录等一直讨论不断。 实际上，在中国互联网发展历程中，蚂蚁一直是一家备受关注的公司，其脱胎于阿里，自身也在持续拓展成长边界，并最终进化成了一个高度复杂的新物种：不论是从金融公司的角度或是科技公司的角度去定义蚂蚁，都无法达到尽善尽美。而市场上对这家企业估值、未来想象空间的评判显然也很难完全找到准确的对标对象，不论是从哪个维度来看，蚂蚁都是一个独一无二的特殊存在。 一、10亿用户俱乐部里的混搭型选手 全球超10亿用户俱乐部到底有几个选手？答案可能让很多人意外。 在经历了十几年的高速发展之后，全球超10亿用户俱乐部的成员仍然寥寥：他们分别是谷歌（包括搜索+Gmail+YouTube等）、Facebook（包括Facebook、WhatsApp、Instagram等）、微软（包括Windows、Office等）、苹果（包括iOS、app store）、腾讯（包括微信和WeChat）以及支付宝（包括其全球合作伙伴）。 他们之中，几乎每一个都有自己特定的"能力圈"。 诸如谷歌，是搜索领域的大拿，诸如Facebook、微信是社交领域的霸主，诸如苹果是搭载底层系统的硬件之王，唯独支付宝，它是唯一一个非操作系统和非社交平台的应用，是全球仅有的从工具类应用成长起来的生态体系，它涵盖了金融与科技以及生活服务，构建了一个大跨度的混搭生态。 如果单从用户体量角度来看蚂蚁的价值，其想象空间显然也是巨大的，就10亿用户俱乐部中其他巨头而言，目前谷歌、苹果、微软的市值都在1万亿美元以上，而Faceboo和腾讯的市值也都超过了6000亿美元。作为全球位数不多既具备C端触达力同时也具备B端服务能力的独有生态，蚂蚁同时还积极在世界级舞台上崭露头角，成为国内互联网领域少数在全球化领域取得实质进展的公司，而出海之路也为其带来了强劲的成长动能。 在10亿用户俱乐部中，蚂蚁的用户也是离钱、离交易最近的。其变现能力上更是有着天然的优势，也正是基于此，蚂蚁构筑的流量生态从一开始就被赋予了厚望，当一众互联网巨头还在亏损之际，蚂蚁早也已经在盈利路上形成了独有的风景线。据此前阿里巴巴财报数据推算，2019年蚂蚁集团实现营业收入1200亿元人民币，净利润为170亿元。 二、技术驱动塑造核心竞争力 据Wind的数据，截至今年6月末，国民理财产品余额宝平台上出售的货币基金总规模约为2.54万亿元，与去年同期相比增长约16.47%。 这背后，是博时基金、中欧基金、华安基金、国泰基金等24家基金公司的29只货币基金。 在交易、风控、数据安全等领域，借助技术，提升金融场景的覆盖和金融流量的触达以及金融业务的安全，蚂蚁在不断的实践过程中，锻造了强大的底层技术能力，达到了全球领先的水平。与此同时，在驱动技术创新与升级的同时，其透过开放的技术生态，积极对外输出，形成了独有的创新商业模式，为全球商业生态的发展贡献了自己的技术力量。 多场景的商业生态赋予了蚂蚁巨大的想象力，但从根本上来看，其核心竞争力仍然还是体现在技术端。 从2019年开始，蚂蚁的技术开始独立走商业化的道路，其以蚂蚁区块链、Oceanbase为代表的科技IP开始逐步从金融领域渗透到产业，在交通、铁路、通信、生活服务等多个复杂场景解决实际问题。而依靠一系列底层技术能力，蚂蚁也正在积极打造数字时代的新型基础设施，并利用这套基础设施培育一个又一个亿级产品和应用，并将他们逐步向全球开放。 三、结语 蚂蚁今年正式宣布了IPO计划，有意思的是，它的上市路径不同于其他互联网巨头纷纷奔向海外，蚂蚁提交的是A+H股同步IPO的计划。这一次其选择了积极拥抱国内资本市场，一旦成功，其也将被视作真正意义上在A股上市的第一个互联网巨头。 一直以来市场上一直有观点认为蚂蚁与监管之间有着微妙的关系，而这一次其将有望在A股上市显然释放了一个特殊的信号，庞大体量之下的蚂蚁其本身也是国内经济发展的重要一环。
隐私性跟可用性难以兼顾，让人工智能落入了鱼与熊掌不可兼得的尴尬境地。当前，业界解决隐私泄露和数据滥用的数据共享技术路线主要有两条：一条是基于硬件可信执行环境（TEE：Trusted Execution Environment）技术的可信计算，另一条是基于密码学的多方安全计算（MPC：Multi-party Computation）。针对数据共享场景，包括联邦学习、隐私保护机器学习（PPML）在内的多个技术解决方案纷纷出炉。蚂蚁金服提出了共享智能（又称：共享机器学习），结合TEE与MPC两条路线，同时结合蚂蚁自身业务场景特性，聚焦于金融行业的应用。究竟共享智能与我们熟知的联邦学习有何不同？在共享智能落地金融等多个重要领域的过程中，蚂蚁金服又遇到过哪些挑战，留下了怎样的宝贵经验？为此，雷锋网《AI金融评论》邀请到了蚂蚁集团共享智能部总经理周俊做客线上讲堂，详解蚂蚁金服共享智能的技术进展和落地实践。以下为周俊公开课全文，AI金融评论做了不改变原意的编辑：在业界做隐私保护技术研发之前，是通过协同学习方法来实现多方信息融合，联邦学习就是其中一种。近年来，学术圈相应的证明发现此类方法的一些安全性问题，尤其是直接共享梯度，本质上存在一些安全性问题。我们先来看一下去年在一个学术顶会上比较火的Paper引发的讨论。Paper里面的方法也比较好理解，实际上就是近几年大家保护隐私的方法之一：就是不传原始的数据，只传共享的梯度，把梯度汇聚到一起，然后再汇集到模型。这种方法在前几年一直都比较火，无论是联邦学习还是其他的协同学习方式。工作里面证明了，如果有恶意者在模型训练过程中拿到真正的梯度之后，就可以反推出数据中的特征（x）和标签（y）。这里举了两个例子，能够看到，尤其是在图像领域，通过梯度本身是可以反推出原始输入的这张图像和原始的Y。右边的例子，是在NIPS网站上抠的一些文字，刚开始是随机生成的，迭代到第30轮的时候，可以看到从梯度里恢复出来的一个样本，跟原始样本是非常接近的，只有个别词有一定差异。从学术上能够看到，在这种协同学习中，以前大家认为安全的共享梯度方式，本身并不是很安全，我们给它取了一个标题叫做非可证安全。在这之后，DLG方法有了改进。这个方法首先通过推导可以精确拿到Label本身，有了Label再去反推X就更简单了。从公式可以看到，它能更容易反推出原始数据的X。从它的三个数据集可以看到，改进版DLG相对于原始的DLG在攻击的准确率提升非常大。阿里巴巴在去年也做过一个更加贴合实际情况的例子：假定双方有两个数据拥有者，它们的特征空间一样，样本空间不一样，我们称之为水平切分。按照联邦学习的协作方式，计算本地的梯度，发到服务器，平均之后更新本地的模型，看起来比较安全——实际上，由于A和B精确知道每一轮梯度，它其实可以反馈出很多相关信息。满足一定条件的情况下，尤其是逻辑回归，可以构造出这样的一组方程组，当方程组的个数大于这个数据的特征维度，方程组是可以解出来的。因此也可以反推出原始的数据。从右下角的结果中，能够看到我们攻击出来的结果，跟原始特征非常接近。这说明，不论是从学术圈里面假定的setting，还是真实情况中，目前这种共享梯度的协作方式，也包括联邦学习，本身都有比较大的安全隐患。做保护隐私的机器学习方法，本身还是需要结合其他方法去弥补它的不足，才有可能让方法本身更安全，真正保护用户隐私。如何“精修”机器学习处理方法各环节数据预处理：我们自己所做的机器学习处理方法，从数据预处理到模型训练再到模型推断，都是遵循这样切实保护用户隐私的思路，将MPC、TEE或其他技术，跟现在技术相应结合，确保中间每一步的隐私都能得到更好地保护。以数据预处理中的降维为例，假定数据在水平切分的情况下，大家样本空间不一样，两方希望能够把数据能降低一个维度，降维之后的结果能够送到后面的机器学习模型进行相应训练，这种方法能较好提升效率。同时，模型的泛化能力会有进一步提升，结合MPC里同态加密和秘密分享的技术，加固PCA（Principal Components Analysis，主成分分析），使得它能真正保护数据安全性。此处有几步核心操作：首先是计算均值。如果是在同态加密的情况下，需要密态空间要进行计算；如果是秘密分享的方法，则需要将原始数据拆成多个秘密分片，再配合起来算出均值。其次是计算协方差矩阵，最后再算出相应的特征值、特征向量，就得到了降维后的X′。同态加密和秘密分享的技术，跟PCA做相应结合，就能比较好的拿到相应结果。从结果可以看出，相比于各方单独算一个PCA再拼凑结果，我们的方法精度提升比较大。同时，它跟原始PCA方法相比，在后面都接相同的机器学习模型的情况下，几乎没有精度损失的情况。除了降维以外，还有很多类似的工作可做，比如共线性检测，隐私求交（PSI）等。当然，安全的方法计算时间会更长一些，因为天下没有免费的午餐，要保护隐私，肯定有相应的计算和通信成本在里面。模型训练：DNN模型是现在大家用的比较多的。这里分别列出来业界三种典型做法。左边是传统的基于明文的神经网络训练方法。中间是完全基于MPC的方法，有很多非线性运算，可以做到可证安全，但速度会慢几个数量级，效率本身也不高。右边是MIT提出来的方法，比较快，但它的Label也放在服务器里计算，安全性有一定问题；而且它没有考虑特征之间的相关性，精度上有一定损失。发现这些问题之后，我们提出了一个创新的体系。首先，为了考虑特征之间的相关性，我们在底层利用MPC技术去做跟隐私数据相关的一部分模型计算。计算完之后，再把跟隐层相关的复杂计算，放到一个Semi-honest 服务器（半诚实服务器）去完成其他运算。这服务器里可以利用现有的各种计算资源，比如TF、PyTorch，甚至可以利用一些比较灵活的处理框架。Label的部分还是放到数据持有者本身，全程能确保没有哪一部分隐私会被泄露。Semi-honest 服务器会拿到中间的隐层结果，我们可以通过一些对抗学习方式去防止服务器获取中间信息。这一方法尽可能做到隐私、准确率、效率三者之间的平衡。此外，我们还可以使用贝叶斯学习的方法（SGLD）去替换传统的SGD（随机梯度下降），从而更好保护训练过程中的隐私。SGLD是在贝叶斯神经网络中应用较广泛的方法，可以看作是加噪版本的SGD。以前很多方法都在探讨它的泛化能力，在这里我们发现了它另外的好处：因为训练过程中添加了噪声，所以可以更好的保护隐私，尤其是在对成员攻击（Membership attack）的情况。比如有时医疗领域想知道自己的数据有没有被这个模型所用。我们在评估Membership攻击效果时，定了一个成员隐私的loss，这个loss就是为了看SGLD到底能不能保护成员隐私，我们通过大量的实验发现SGLD是能较好阻止Membership attack。具体来讲，我们在两个数据上面做了相应的测试，无论是在Table1还是在Table2里，尤其是在Attack Metric上，SGLD跟普通的方法相比，能够大大降低成员攻击的准确率。同时，我们也发现用它也能很好提升模型的撸棒性，SGLD和变种，比前面单独的不加噪版本在Test上面的Metric会更好一些。因此，我们在训练时也把传统的SGD换成了SGLD，能进一步提升安全等级，在兼顾三方面要求后，具有比较高的安全性和高效性。刚才讲到，在服务器里，可以很好利用现有的TensorFlow或Pytorch，从右边这个代码可以看出来，该方法是非常用户友好的。其次，在服务器里面，对于网络结构这部分，设计可以非常灵活，也可以设置任意的网络结构，充分发挥中心服务器的计算力。通过训练过程中引入的SGLD，也就是加噪的SGD，再加上Adversary loss，使得哪怕是服务器试图做恶，也无法由此推断出更多相应信息，安全等级进一步提升。我们跟业界的几个方法也对比过，比如2017年 MIT的 SplitNN和现在最好的SecureML。性能上，（我们的方法）比这俩更好一些。从这两个数据集来看，训练时间上，由于我们使用了中间服务器，训练时间相对于纯MPC的方法（SecureML）大大降低，但相比SplitNN训练时间还是要长，因为我们安全等级要高。总体而言，我们的方法能较好地实现效率、安全性和准确率的折中。模型预测：在模型训练上，涉及到前向、反向的计算，非常耗资源，它跟现有的一些隐私计算技术结合之后，对效率本身还是有比较大的影响。所以有很多工作都在考虑怎么做模型推理。在模型预测时，既要保护云上的模型，也要保护客户手里的数据。我们这个方法跟原来不一样，之前可能有很多工作局限于支持一部分的激活函数。比如有时都无法支持sigmoid或max pooling，有的干脆只保护客户端的Input data，但不保护服务器上的模型。还有极端情况是完全用MPC做计算，单次模型预测用时会非常长。另外，现在MPC尚不能完全精确计算一些比较复杂的函数，只能做一些展开或近似计算，精度上也有所损失。我们希望能够提出一种方式，尽可能在效率、精度、安全性方面能达到比较好的折中，保护服务器和用户的隐私。方法采用了两点，一是前面介绍的贝叶斯神经网络，因为它里面可以引入权重的不确定性，这能让服务器上的精确模型不被拿到。第二，无论是在数据保护还是在客户端上，用同态加密的机制去保护。具体是把DNN的计算拆分成两级，一是首先通过采样的方法拿到W，有了W之后，客户端传过来的加密Input，通过线下的运算出Z，这也是密态的。密态下的Z在返回到客户端解密后，在客户端上就能拿到最后的a。这样的方式，既保护了服务器上的模型，也保护了客户端上面输入数据的效果，起到了比较好的trade-off。通过迭代式的同态加密计算，既保护了用户隐私，也保护了密态下的服务器隐私。我们的方法，因为大量的复杂运算很多是返回到客户端上面，在非密态的情况下进行计算，所以Latency比较低。它还能支持任意的激活函数，可以比较好地扩展到RNN和CNN。典型应用案例：POI上的推荐原来的做法，不论是非常详细的profile数据，还是一些用户跟POI的交互数据，用户的所有相关数据都要被推荐系统所收集。一些隐私模型，比如用户偏好也都是被推荐系统所保留。所以推荐系统有很大的机会窥探到用户相关隐私。我们的思路是：首先，比较敏感的用户隐私数据和模型，能够在用户本地，而不能上传到服务器的推荐系统这里。第二，我们还是会收集用户和POI的交互数据，通过本地化差分隐私的方式注入噪音，这样传上去的是一个带噪音且能够保护隐私的版本。通过这样的方式产生动态的POI，再通过去中心化的梯度下降方法学习能保护隐私的FM模型。通过各式各样的安全聚合方式使隐私得到保护，这种方法我们称为PriRec。我们在两个数据集上做了比较，在Foursquare数据上，因为用户特征只有两三个，我们的方法比FM稍弱；但切换到真实的场景数据，因为这里面有大量的用户和POI数据，能看到我们这个方法比FM起到更好的效果。之所以会更好，原因就是用户和POI的数据，往往具有聚焦性，而去中心化的学习方法恰恰可以很好的利用这一点。在PriRec中，服务器上也没有拿到隐私的数据和模型，所以能保护隐私。实际上，推荐搜索广告方面都有类似应用；金融科技领域的风控也有类似的方法，就是对现有的机器学习方法进行加固，产生一个更好的、更具有隐私保护的版本，达到AI助力业务效果的目的。目前业界的四种技术包括MPC，可信执行环境，差分隐私和联邦学习。在多方安全计算时，理想情况是有一个大家都完全相信的可信服务器，所有人把所有东西都放上去计算，再把结果分发给大家。现实是找不到完全的可信服务器，还是需要很多协作方，协同完成函数f的计算。当然，大家希望在计算的过程当中既能够保护Input privacy，也能够保护计算的privacy，如果同时能保护Output privacy最好。MPC的提出，是希望能够保护Input privacy和Compute过程当中的privacy。这里面有几个典型技术，一是秘密分享（Secret Sharing），密码学里一个比较老的技术。早在七八十年代就已经有相应的论文发表。举个例子：有两个人想协同计算他们求和的结果，每个人会把自己的数拆成多个share，share加起来等于他们自己，但任何人拿到其中一个的share是没有什么物理含义的。通过share的交互，双方最后拿到7和6的结果（上图右侧），这其实已经完成加法的求和运算，既保护了Input的隐私，也保护了中间计算的隐私。这几年在工业界里，随着算力的丰盛，以欧美为代表的很多公司都在用这样的技术，比如著名的开源SPDZ等。二是姚期智院士在1989年提出来的混淆电路。它主要是通过两个大的building block构建，一个是混淆的真值表，一个是遗忘传输，通过这两种方式完成协同计算，解决了著名的百万富翁问题。秘密分享因为它需要通过大量交互迭代，通信代价一般较高。混淆电路中间是通过大量电路运算，电路的门个数较高时，效率相对来说没有那么高。其次还有同态加密方法，过程中是在密态下计算完的，之后才解密得到相应结果。同态加密和秘密分享在一些比较复杂的函数上，是没有办法进行相应计算的，要通过一些近似计算的方法才能拿到相应的结果。由于算力的逐步提升，和一些基础突破，这两年工业界对MPC也用得越来越多。三个技术有各自的优缺点，组合使用也能产生一个相对理想的结果。可信执行环境，相当于是一个硬件级的密码箱。把加密数据放到密码箱里之后，OS操作系统都没有办法打开密码箱，只有持有相关密钥的人才能在里面进行运算，就是所说的可信区域。这个方法本身是非常安全，但很依赖于硬件，目前做得比较好的是因特尔的SGX。前面所介绍的 MPC、TEE，都是可以保护Input privacy和compute privacy ，但没能很好地保护output privacy。在差分隐私（Differential Privacy）之前有很多别的方法去处理数据中的隐私，比如像各种匿名化方法，除了K匿名，还有一些L-diversity等方法保护隐私。但随着大数据时代的到来，通过链接一些别的数据，能够反推出来单人ID，匿名化基本上没有什么用。所以差分隐私之前的一些技术，现在来看是不安全的。对Output或Release的数据集，都在慢慢切换到差分隐私的技术上来。这个技术本身较好地考虑到实用性和隐私性的折中，隐私肯定有代价，要么牺牲一定的实用性，要么有计算代价。差分隐私是在数据中加噪声，对实用性有所影响，尤其是在数据本身也不大的情况下，对结果的影响较大。差分隐私提供了一种量化的方法，能测量到底加多少噪声，能够取得比较好的trade-off。差分隐私从从概率学和信息论得到一个隐私保护的bound，实操不是很复杂，就是在数据中添加相应的噪声，并且通过参数控制噪音的大小。当然，它本身怎么使用、怎么设置privacy budget，有着非常复杂的考量机制，但原理本身不算特别复杂。这个技术在提出来之后，因为它有比较好的理论保障，所以在学术界、工业界很多人也都在用，能比较好地保护Output privacy，跟前面的技术也有比较好的结合。Local 差分隐私类似多方，就是自己本身加上噪声，再上传到一个地方。它在工业界遇到的一个较大问题是，因为要在里面加噪声，所以模型精度受影响。 联邦学习，谷歌在2014年就已经在内部开始做这样的技术，它本身是解决to C的问题，所以想解决几十亿的设备间如何协同、安全地利用数据训练模型。当然设备之间可能不满足独立同分布的概念，硬件之间差异非常大，所以会导致可靠度的差异也很大，有时在训练的时候自己就下线了。在2016-2017年，联邦学习有相应论文发表。目前用的算法也是从服务器上拉了一个模型,做完更新，delta发给服务器做average并更新模型。直接这么做肯定会有一些问题，所以paper里面做了大量的优化，能够让通信成本和训练的稳定性都有比较大的提升。谷歌在2017年期间已经发现了，原来把梯度直接汇聚到服务器上的协同学习方法也不是很安全；如果要保护隐私，必须得结合MPC的技术。几种技术的比较和解决方案我们从自己的角度做了一张总结表格，像MPC能保护好Input privacy和计算过程中的privacy；但对于Outputprivacy，它的保护能力比较弱。效率上，因为牵涉到大量密码学技术，代价不低。TEE跟MPC类似，把它们理解成密码学偏软件和偏硬件的实验版本。差分隐私就可以较好保护Output privacy，计算代价相对不高，实用性有一定损失，尤其是local 差分隐私加了某种噪声之后，只能用于某些统计学运算。联邦学习无法很好地保护Input privacy和Output privacy，好处在于效率相对高。站在从业者的角度来看，这些技术还是需要一个端到端的设计，结合各方技术优势提供相应的方案，达到最后总体的效果。我们结合了这样三个方案：首先，MPC底下分为这么几层，用前面所讲的秘密共享、OT或其他密码学的原语。为什么要实现这么多密码学的协议？就是希望能够利用每种协议的优缺点，有更加好的组合，在合适的地方选用合适的技术。第二层，我们希望把底下比较偏密码学的原语，再做一层封装，这上面提供一些机器学习经常要用的运算，比如比较、求交、矩阵加法、求max的运算。上面再抽象成一个DSL语言，开发算法时，不用直接面对底层密码学原语，速度相对会更快。另外，因为我们参考的是机器学习里面的DSL，整个语法也跟机器学习类似，机器学习的创业者就能用比较低的成本，切换到共享智能技术上，进行算法开发。同时，我们也提供编译器，它能够将用户对上层开发的算法，自动选择最优的安全算子，实现安全的程序，进而实现整个MPC里面的一些方法。TEE方面，因为TEE本身的SDK也不是那么友好，并且单机的SGX的运算能力并不是特别强，为此我们做了一些改进：组建安全可信集群，以扩展算力；做了很多防止各种攻击的方法，在安全性上有个更好的工业级框架出来，便于开发者能够基于这些核心能力开发出各种算法。上面是比较偏差分隐私或矩阵变换的方法。这种方法还是有比较好的适用场合，比如前面讲的Output privacy里面用到差分隐私，或者是MPC和TEE里面在Output 的地方加上差分隐私，本身有比较好的互补的作用。技术之间也可以两两去组合。每个方案都有各自的优缺点，做隐私保护相关的工作，还是需要通过精心的工程设计，算法设计加上密码学原语，才能够端到端地保护数据输入、计算过程、数据输出等隐私，从而达到相应的目的。蚂蚁共享智能的落地经验合作案例：江苏银行去年上半年，江苏银行希望使用MPC实现联合风控，模型的产出完全放在江苏银行，自主可控。构建出联合模型之后，模型分数给到银行，由它去做独立的风控判断，之后再产生结果给到最后的申请判断。整个模型的效果在测试的时候发现提升了50%左右。同样，我们还在支付的联合风控、联合营销以及联合保险也进行了相应的落地。AI研究前沿动态和未来展望目前看来，现在这几个技术之间彼此有互补，但端到端的系统怎么在各个环节去利用合适的技术，去产生合适的效果？怎么样把这样一个系统在超大规模的数据上做相应的实践？在不影响效率的情况下，将隐私保护的等级能够升级到更高的级别？我觉得还需要有整个业界需要投入更多的资源，更长的研发投入，更长的耐心，才有可能在一些更关键的技术上面产生更好的结果。同时也需要整个AI圈子加上密码学的硬件再加上工程系统，一起努力才有可能在一些点上面取得真正的大的突破，才有可能使得整个隐私计算的效率能够再提升1~2个数量级。目前隐私计算效率本身，相比非隐私保护的AI，在速度甚至精度上都会有一定的损失。所以，怎么样去设计更好的方式，除了在技术本身的突破，也需要有更多的场景去打磨技术，才能发现的问题，逐步让技术往前走。从三大维度来看：第一，从算法维度看，无论是在学术界还是工业界，目前的这几个方法割裂程度比较明显。比如TEE跟差分隐私，虽然他们之间有交集但并不多。TEE里也有很多技术要去突破，比如目前TEE的内存只有128兆，相比普通系统还是比较小的。现在数据量比较大，尤其是在一个图像数据上，怎么在这么大的数据情况下完成隐私计算，是难度比较大的一个问题。第二，由于内存比较小，为了保护安全和隐私，所以在很多运算效率跟目前正常操作有一定差距。第三，SDK的友好性方面，因为比较偏硬件，还涉及到大量的密码学等机制，比如远程认证，对于很多从业人员而言还是有相应的学习成本。当然，业界很多开源的、在原生的TEE上封装的一些SDK，各方面有一些提升，可扩展性本质上有些突破，但突破不是特别大，意味着很多东西不能拿来直接在工业界使用。所以TEE也还需要整个社区有更多的投入。TEE上面，现在很多都在做支持中小规模的算法训练和预测。怎么让更大的规模、更新的算法能够被集成进来，这也是需要业界有更多投入。差分隐私技术本身的理论性质比较优美，但在实用性上有一定损失。我们提到过，对于utility loss以及差分隐私输出来的结果，因为毕竟是在原始的数据上面加了一定的噪声，这个数据相对来讲会不会有一定的损失度？如果完全是local 差分隐私的方式，在很多场景下面就没有办法用，怎么让差分隐私能够再更进一步，更贴合现在AI这个情况？目前看到，差分隐私在很多数据分析应用非常广泛，比如，苹果系统上收集了emoji的数据；微软操作系统的浏览器里面也嵌入了差分隐私的数据；Uber也用了这样一个技术，但目前大部分用在数据统计方面。怎么样把差分隐私这样的技术能够跟AI有更好的结合，是未来一个比较大的突破点。MPC技术本身，从经典论文发表来看，虽然不算特别新，但在很多很复杂的运算上，尤其是在AI的一些新方法，MPC效率本身还是有一定的代价。怎样取得算力的增长，有新模式突破，像完全同态的方法什么时候真的变成实用，怎么能够使这个技术在工业界更进一步，这也是需要考量的一个点。联邦学习目前也存在一定的安全隐患，四个技术之间怎么去做相应的结合，取长补短，能够形成比较好的下一代的解决方案，真真正正保护隐私，让AI落地变得更简单？尤其是在一些数据比较敏感的地方，像医疗的某些领域，病例的数据采集特别困难，真的能够让AI进到这些地方，辅助决策，才能更加好实现社会意义和价值。我觉得，在算法层面会需要深度结合，无论是基于某些算力，还是说在技术领域的突破，能让这里面的一些问题有更进一步的解法。在平台层，无论是差分隐私、TEE还是别的技术，越靠近数学和越靠近密码学硬件，为了保护隐私，里面大量的设置都比较难以理解。怎样让大家更高效产出不一样的算法，降低使用门槛，这些方法才能够跟更多地方结合，产生更多的新突破。在DSL和在编译器方面，甚至在整个系统的运维、部署，以及系统稳定性、安全生产等各方面，有没有进一步的突破，变得易用？在一些对时效性要求没有那么强的情况，如果能够持续稳定计算，对于很多产品也是比较适用的。对于整个隐私计算领域而言，这也是一个巨大的挑战。所以怎样有更高效的平台一体化设计，让使用门槛变低，才有可能会真正带来一些繁荣的社区，让技术能够走进更多场景、更多机构，真正产生一些化学反应。
2020年两地联合研发项目申报启动 另一重点聚焦领域为大健康 8月16日，重庆日报记者从市科技局获悉，为加快推动成渝地区建设具有全国影响力的科技创新中心，集聚川渝优势科技资源，共同推进关键核心技术攻关，重庆市科技局与四川省科技厅日前正式启动2020年度川渝联合实施重点研发项目申报工作。这也是川渝两地首次联合实施研发项目。 据介绍，此次实施的重点研发项目聚焦人工智能、大健康两个领域共性关键核心技术，由川渝两地分别组织专家遴选支持方向，共同出资2000万元予以资助，积极探索科研资金跨省使用模式。两地的单位分别向各自科技行政主管部门申报项目，四川牵头申报的项目，合作单位应有重庆的相关单位参与；重庆牵头申报的项目，合作单位应有四川的相关单位参与，引导两地创新主体强化协同创新。 市科技局相关负责人介绍，重庆遴选出的支持方向共8个，每个拟支持1-2项研究，单个项目财政经费资助不超过200万元。其中人工智能领域支持方向包括：基于人工智能的新型显示园区监测及产线信耐性测试关键技术研究及应用、低轨卫星定位增强服务关键技术研究及应用、基于人工智能的复杂电磁环境下无线电信号识别方法及应用研究、光电混合人工智能芯片公共服务平台关键技术研究与应用；大健康领域支持方向包括：重大传染病全程智慧管理平台研发及应用、智能化康复辅具研发与应用、基于大数据的重点传染病智慧监测预警平台构建及应用研究、川渝道地药材绿色种植技术研究与示范。 据悉，此次的项目经费将在事前一次性拨付，经费使用采取“包干制”。川渝双方将共同对项目实行全过程绩效管理，加强对项目执行情况的监督检查，确保取得预期的成效。重庆的牵头申报单位需通过“重庆市科技管理信息系统——科研项目子系统”在线申报，申报截止日期为9月1日18:00。相关申报详情可登录市科技局官网查询。 该负责人表示，下一步，川渝两地还将进一步聚焦产业共性技术需求，围绕现代农业、生态环保等多个领域开展联合攻关，突破“卡脖子”技术，加强基础研究、应用基础研究和技术创新的深度融合，实现优势互补、融合创新、合作共赢。
备受市场关注的氢能“以奖代补”政策正在紧锣密鼓推进。记者从知情人士处获悉，相较此前的征求意见稿，最新的版本强化了对电堆、膜电极、双极板等关键零部件的考核力度。 业内人士认为，上述政策将给国内发展核心技术的企业带来机会。目前，相关政策还在研讨中，预计最快出台时间是8月底。 今年4月底下发的氢能“以奖代补”征求意见稿已经明确，要强化对氢能及燃料电池关键核心技术研发的支持，而记者了解到的最新版本较此前进一步具体化。 比如，最新版本提出示范期间，电堆、膜电极、双极板、质子交换膜等领域取得突破并实现产业化。同时，要求每款关键零部件产品通过第三方机构的综合测试，在示范城市群应用不低于500台套，产品实车运行验证超过2万公里，技术水平和可靠性经专家委员会评审通过，给予额外加分。 有行业资深人士对记者表示，发展氢能核心技术毫无疑问成为政策主轴。目前国内合资企业还比较多，未来上述政策将给拥有自主核心技术的公司带来一些发展机会。不过，从具体落实情况看，最新版本在标准细则上还需进一步完善。 详情请扫二维码↓
8月16日讯建筑及相关工程领域服务专题作为2020年中国国际服务贸易交易会(简称:服贸会)服务贸易十二大领域之一,中建一局、北京建工集团、北京城建集团等领军企业将在服贸会上展示现代信息技术在建筑领域的运用及特色和风采。 在2020年服贸会上,北京建工集团将携一系列智能建造成果亮相,生动展示现代建筑企业向绿色化、智慧化、工业化转型发展的探索与实践。北京建工集团党委书记、董事长樊军接受记者采访时表示,“服贸会是建筑业前沿技术的集中展示,也是同行企业交流分享的平台,更是企业对标国际先进水平,进一步提升自主创新能力、提升服务城市水平、加强开放合作的平台。”过去“出大力、流大汗”的工地现场在现代信息技术支撑下,正在发生令人惊叹的变化。 北京建工集团工作人员讲解国家会议中心二期工程王俊杰/摄 作为2022北京冬奥会主新闻中心和国际广播中心的国家会议中心二期工程正在加紧建设。总用钢量达12.6万吨的钢结构施工中,北京建工集团引入无线传输、云平台、云存储等技术,自主研发大跨重载结构卸载过程监控系统,对施工中出现的应力变形等问题实时监测,并可进行数据的自动传输、存储和分析。同时,工程使用计算机控制液压技术,依托“北斗”系统将结构的测点数据精确到毫米级。在智能建造技术助力下,该工程已在7月29日实现钢屋盖合拢,将于8月底实现主体结构全部封顶,亮出“鲲鹏展翅”雄姿。 中建一局紧跟人工智能、大数据、互联网和BIM技术的发展进程,加大智慧建造、智能建造的研用,“世界最大会客厅”――深圳国际会展中心的智能建造、“双奥”场馆――国家游泳中心里的“冰水转换”、世界最高办公建筑――深圳平安金融中心的“造楼机器人”等,在项目实施过程中形成的“北斗高精度定位技术在超高层建筑施工及变形测量中的应用研究”“智能型临时支撑体系设计优化与过程监测技术”“基于BIM的智慧建造管理平台在群体大跨度钢结构施工中的应用”等成果达到国际领先水平,已成为提供高质量产品和高品质服务的生动实践。 探访“冰立方”场馆王俊杰/摄 为服务北京2022年冬奥会冰壶赛事,中建一局20天完成了“水立方”变身“冰立方”场馆改造,这也是世界首次在冬奥会场馆进行泳池-冰面的相互转换。至此,国家游泳中心实现了冬季举办冰壶赛事、夏季举办游泳赛事双型切换的场馆功能,体现了服务“绿色、共享、开放、廉洁”的办奥理念,成为“水冰双向利用”、综合利用和持久利用最有代表性的“双奥场馆”。这一智慧建筑得到了北京市政府、奥组委的高度认可。世界冰壶联合会主席凯特·凯斯内斯评价,“冰立方”将会是全球绝无仅有的最好的冰壶赛场。 北京城建集团在“鸟巢”建设中开创了中国BIM技术应用的先河,开启了中国建筑行业BIM与数字化建造技术的发展之路。借助双奥工程等重大工程建设,这项技术目前已经集成了BIM、物联网、云计算、移动互联网、大数据、人工智能、数字孪生等先进信息技术,并在重大工程建设建设中形成了成熟的智慧建造体系,实现了“建造”向“智造”的飞跃。在北京冬奥会主场馆国家速滑馆建设中,信息化技术与装配式建造相结合,建立起全过程高精度仿真、高质量构件加工与安装、高精确测控技术和施工偏差适时调整的技术管理体系,实现像造汽车一样建奥运场馆,将打造世界最智慧的场馆。 国家速滑馆是一个强调全生命周期的智慧化场馆,在建造过程中采用了绿色、低碳技术和工业化装配方式;通过计算机系统模拟建造过程,用大数据指导实践;通过国产化攻关实验,实现了国产高钒密闭索首次大规模应用,填补了国内技术空白。目前国家速滑馆正在进行机电管线和屋面安装冲刺,1.2万平方米亚洲最大的全冰面也即将亮相。不久的将来一座集体育赛事、群众健身、文化休闲、展览展示、社会公益于一体的多功能冰上运动中心,将以“编织天幕”“丝带飞舞”的优美姿态展现于世人面前。(王俊杰/文)
深圳经济特区成立40周年，不仅走出了华为、中兴、平安保险、招商银行等巨型企业，也培育了一批极具竞争力的中小企业。在深圳重点发展的战略新兴产业，多家估值超过10亿美元的“独角兽”级别的企业已经脱颖而出。奥比中光就是3D视觉感知领域里的“独角兽”。证券时报记者近日走进位于深圳市南山区科技园的奥比中光，对公司的发展历程和研发重点进行深入了解，以及为何扎根深圳采访了公司创始人黄源浩博士。 奥比中光专注于3D视觉感知全领域核心技术的自主研发，已经成为一家以“3D感知芯片/光学测量系统+AI芯片+行业应用算法”为核心的3D视觉整体解决方案平台型公司。奥比中光2013年在深圳成立，在上海、西安、美国密歇根设有分支机构。 奥比中光研发出中国第一颗3D视觉深度计算芯片，在全亚洲第一家、全球第四家量产消费级3D传感器，目前已申请3D传感专利超过800件，位列该领域世界前三。 奥比中光是全球唯一对结构光、双目、iTOF、dTOF、面阵激光雷达这5种3D视觉技术全面布局的全能型企业。目前，奥比中光量产的3D视觉传感器广泛应用于智能手机、机器人、智能家居、无人驾驶、工业测量等多个领域，服务全球客户2000多家。 （一）新研发iTOF系统方案落地量产，拓展5G终端体验 近日，奥比中光推出iTOF系统方案，该创新性方案克服了传统iTOF方案的数据精度受环境影响的不足，对硬件和算法都做了创新式提升，测量精度和分辨率都显著提高。 基于系统级iTOF集成能力，奥比中光能够为客户提供从硬件到软件的可定制服务方案，同时可针对多元平台进行优化，最大程度发挥出器件全部潜力。 能够实时快速计算深度信息且不随距离改变而变化，高性能的iTOF系统方案在大范围运动等应用场合发挥独特作用，如AR/VR、老人和儿童看护、工厂危险区域防护、智慧物流体积测量等。 前不久魅族推出5G旗舰新机，其3D深感探测器即采用奥比中光的增强iTOF系统解决方案，支持创新渐进式拍照背景虚化、实时低功耗视频背景虚化以及精准AR等应用。 （二）七年磨一剑，练就全球唯一3D视觉技术“全能王” 奥比中光成立7年来，逐步对3D视觉感知的各种主流技术全部进行了自主研发布局，是全球唯一对结构光、双目、iTOF、dTOF、面阵激光雷达这5种3D视觉技术全面布局的全能型企业。 在这5种技术中，奥比中光率先研发的3D结构光技术和产品，一直居于世界领先的水平，并且在持续迭代升级；最新自研的双目视觉、增强iTOF技术达到当前业界最高水平；dTOF、面阵激光雷达技术均采用业界领先的设计方案，将陆续推出。同时，奥比中光已经突破屏下3D技术，顺应手机等智能终端全面屏潮流，实现屏下3D摄像头刷脸解锁、刷脸支付等功能。 技术是发动机，市场是方向盘。奥比中光“大手笔”研发5大3D感知技术，不是要做“巨无霸”的虚荣，而是及时回应当下迫切的市场需求，提前布局“全面3D化”未来生态。 不同的技术和方案，满足多元场景的个性化需求。从测量距离来看，结构光的最佳测量距离是1米内，适合近距感测，是机器人、机械臂的雪亮眼睛，构成未来无人化工厂的视觉基础；支持刷脸解锁、支付的屏下结构光通过复杂的建模、算法克服屏幕衍射带来杂散光难题，也带来体验惊喜；iTOF和dTOF是3-5米，iTOF分辨率高，在工厂危险区域视频监控、养老场所老人跌倒警报等场景有绝对优势；dTOF精度高，有助于空间三维建模、虚拟现实地图等，也能在手机、平板的AR/VR应用上施展拳脚。双目距离优势是5-30米，适用于汽车侧面、室外机器人、安防等场景；远达200米的激光雷达，让交通驾驶从过去的被动安全变为主动安全，是无人驾驶的必备利器。 3D视觉感知技术是一个高精尖的跨学科领域，涉及光学、芯片、算法、硬件等多个领域，技术跨度和研发难度极大。直到2015年，奥比中光克服重重困难，成功研发出我国首颗3D感知芯片，填补国内空白，在全亚洲第一家、全球第四家量产消费级3D传感器，突破国际技术垄断。 以3D结构光为起点，奥比中光锻造从芯片、算法，到系统、框架、上层应用支持的全栈技术实力，以世界一流的3D视觉感知研发实力和研发成果，挺进结构光、双目、iTOF、dTOF、面阵激光雷达五大领域，进一步筑牢3D感知“护城河”。目前，奥比中光已申请3D传感专利超800件，位列该领域世界前三，并且以每两天一件的申请量持续增长。 今年年初，奥比中光连中二元，荣获广东省科技进步奖一等奖和深圳市科技进步奖一等奖。而在此前工业和信息化部公布了《2018年物联网集成创新与融合应用项目名单》，奥比中光的申报项目“高性能、低功耗微型3D深度传感器的研发及产业化”，也成为深圳地区唯一入选“关键技术突破类”项目。 根据中国信通院数据，2015年智能传感器就已取代传统传感器成为市场主流，然而在性能和结构的创新突破上，3D感知技术还有很大空间。 奥比中光的做法是坚持关键技术研发的长期主义：抓住关键性能，专“啃”3D传感器的功耗、体积、测量范围、精度、分辨率、视场角、复杂环境下的精度和稳定性等技术“硬骨头”，扎扎实实、小步快跑，持续对关键核心技术进行攻关突破和迭代优化。 目前，奥比中光团队超800人，研发人员占比达70%，硕博学历员工占比超40%，人才涵盖芯片、算法、SDK、光学系统等多个领域。 （三）推进“ORBBEC INSIDE”：3D视觉赋能AIOT千行百业 奥比中光是全球3D视觉感知行业应用的引领者和开拓者。在专注3D传感技术研发的同时，奥比中光放眼全球市场，推进技术和产品大规模落地，真正让“ORBBEC INSIDE”赋能千行百业。 奥比中光自主研发的3D视觉传感器及应用算法已经广泛应用于智能手机、智能电视、智慧零售、机器人、智能制造、AR/VR、智能安防、智慧交通、工业测量等领域，服务全球客户2000多家，多款产品实现百万级量产。 以新零售领域为例，奥比中光与蚂蚁金服合作，率先实现刷脸支付在线下的第一次成功商用，目前支付宝刷脸支付已覆盖全国数百个城市，覆盖超市、药店、便利店等线下场景。搭载奥比中光3D摄像头的刷脸支付设备具备金融级商用实力，破解传统2D人脸识别安全困境，为千万消费者提供安全、便捷的“无感”支付体验，打造高质量发展下的“新消费”场景。 不仅仅是刷脸支付，奥比中光的3D人脸识别技术和产品已经“出圈”，深入到手机、智能门锁、机器人、智慧教育等行业。 （四）让所有终端都能看懂世界：推动未来世界“全面3D化” AI 3D视觉感知技术作为视觉感知技术的核心技术，能够识别空间每个点位的三维坐标信息，得到高精度的空间 3D 数据，复原完整的三维世界，完成各种智能的三维定位，实现人类器官的升级和延伸，是人工智能时代公认的关键共性技术。 3D视觉感知技术实现三维世界数据化，推动虚拟与现实深度融合。怀抱“让所有终端都能看懂世界”使命，奥比中光将从打造标杆应用、突破新兴应用着手，推动未来世界“全面3D化”。如同AIoT时代的“水和电”，随着人工智能的发展和5G的普及，3D将成为智能终端标配。 3D感知技术可以对空间、人体、物体的三维扫描和建模，实现Vslam视觉导航、动作行为识别、人机交互等功能。全球出现了过去十年来最大的信息化、智能化升级和变革浪潮，未来十年，如果要让机器人、汽车、手机实现高度智能化，必须配备3D感知技术能力——手机/平板需要结构光和ToF解锁、拍照、开发AR功能，机器人需要结构光避障、提升人机交互体验，汽车需要激光雷达实现主动安全，AR/VR需要dToF打造Cyberverse。 奥比中光正在大力布局新兴领域，瞄准AR/VR、三维重建、无人驾驶、智能家居等方向的广阔前景，加大技术研发和储备，打造产业生态，持续培育市场。 （五）引领3D感知技术前沿，助力大湾区智能硬件产业跃升 奥比中光2013年在深圳南山创业，是土生土长的深圳企业。奥比中光在3D感知行业积累了丰富的技术研发经验与上下游产业资源，依托深圳先行示范区、粤港澳大湾区“双区驱动”优势，借助深圳政策、人才、资源等方面有利条件，积极发挥人工智能3D感知产业发展的“探索者”、“组织者”和“引领者”作用，奥比中光计划牵头成立粤港澳大湾区3D视觉感知产业联盟，凝聚上下游企业，推动更多3D视觉感知应用标杆项目落地，重点赋能汽车自动驾驶、消费电子、智能家居、机器人等领域，推动深圳全球领先的智能硬件产业与AIOT、5G应用融合发展。 当下，3D感知技术赋能AIOT各行各业的巨大能量崭露头角：在深圳高新园区，和测试的无人车偶遇概率非常高，在日常的消费场景，可以看到机器人在送餐、引导、巡逻。这些都离不开关键共性技术——3D感知技术的赋能。 随着5G大规模商用落地——深圳建成4万多个5G基站、8月底前实现5G网络全覆盖，3D感知技术将让深圳、全球人工智能应用创新提高一个量级。 深圳拥有全球最佳的制造产业链配套和智能硬件产业集群是独特优势。特别是在高端制造业方面，深圳已经形成完整的产业链，生产性服务业和高技术制造业在整个产业结构中占主导地位。 作为以“3D感知芯片/光学测量系统+AI芯片+行业应用算法”为核心的3D视觉整体解决方案平台型公司，奥比中光能够为应用创新和产业发展提供有力的3D感知技术支撑。 值得一提的是，凭借在智能制造领域多年深耕和积累，奥比中光充分地发挥行业龙头作用，参与制修订了多项国家标准和行业标准，为我国三维光学测量领域自主可控仪器的高质量发展贡献力量。 奥比中光创始人、CEO黄源浩博士接受了证券时报等多家媒体的采访： 记者：特区40年发展里，为奥比中光提供了哪些机遇？ 黄源浩：很巧，我今年也是40岁，和特区40周年刚好是重合的。我们2013年在深圳落脚，7年半以来，我一直对外界说，落户在深圳给我们的发展带来了很大的助力。第一，从政府开始，政府服务的态度很好，服务效率非常高，非常支持高科技企业的发展实际上，高科技企业的研发投入是很大的，开始很难赚钱。但是政府和民间风投的支持，让我们发展的很好。第二，深圳产业链发达，奥比中光是赋能智能硬件的，深圳是智能硬件之都，我们大部分的客户都在深圳周边几十公里的圈内，服务起来会非常高效。从客户那边也会获得各行各业的信息，让我们的产品定位更精准、更到位。珠三角整个产业配套非常完善，做一个东西出来非常快。另外，珠三角人才资源丰富，我们不但需要高端的算法、芯片人才，各种硬件、结构、机械、电子、光学等各种人才都需要，而这边大部分都有。第三，深圳人的创业精神是敢闯、敢打、敢拼，敢为天下先。我们做的都是新的东西，不是说人家有了再去copy过来。我们公司八百多号人，其实接近七八成都是在做未来的东西，如果只是做好原先的，两百号人就够了。国家过去大力发展互联网，现在提倡人工智能，过去走高端制造路线，现在要解决“卡脖子”的核心技术问题 。可以说，国家和政府的支持是天时，珠三角的产业配套是地利 ，丰富的人才资源是人和。 记者：您怎么理解深圳创新的精神？ 黄源浩：我们公司的员工很有一种主动性，常对我说“我要做一个产品”。深圳本身 是智能硬件之都，这里集聚了大量的人才。他们对消费 者靠的很近，对消费 者有什么刚需、痛点很敏感 。这边的人经常看到客户有需求，就想着迅 速做个产品出来，特别具 有创新创造的精神。如果是其他的城市，对市场就不那么敏感。可能会慢个半年才接触到信息。而且这个信息是从供应商处得知的，不是通过一线客户。 记者：对企业而言，深圳有哪些制度优势？比如创新机制互动，知识产权保护，跨区域创新协同等。 黄源浩：优势还是很多的。比如说深圳在尝试建立企业和个人的信用机制，让企业在合作时少纠纷，少内耗。这是大层面的政策，深圳还有很多服务型的政策。现在国家要解决“卡脖子”的问题 ，深圳政府会来找我们，说奥比中光是行业的龙头 ，有什么 特殊的困难需要政府帮助推一把的，政府会在制度允许 的范围内，帮你推动解决。这种“一企一策”的支持很多。可以说，从大的普惠性 政策到细分行业的支持政策，政府都有一系列 的规划 。同时政府办事效率高，我们要找区领导 、省领导 ，很快就可以对接上，我们希望得到的政府支持，都会在第一时间得到反馈与解决。 记者：有没有一些具体的例子？ 黄源浩：比如知识产权，这是通用性 的东西，政府一直在支持。底层创新项目的支持，也通过“一企一策”都在谈。人才的住房、医疗、子女入学，都会尽量帮我们解决。 记者：在今年的疫情防控期间，奥比中光的3D感知 技术都应用在了哪些领域 ？是否带来相应业务的增长 ？在国内市场份额大致多少？另外一个问题 ，作为深圳本土企业，在双区驱动下，公司有何发展计划？ 黄源浩：疫情中人跟人接触少了，相应地，公司业务最大的两个增长是机器人和VR/AR看房设备 。目前国内约80%的机器人采用了奥比中光的技术。其他比如像消费 电子、刷脸支付行业，还是会受疫情影响的。对于双区驱动 ，我在2013年来时，还没有这个概念 。我们是边做边发现政府的政策，包括中央对深圳的定位，越来越与我们自身的定位契合。比如粤港澳大湾区，我们要对标美国、日本的湾区，在高科技领域要做到全球领先。成立公司的时候，我就想在3D视觉感知方面做到全球领先，几年后，国家也给了深圳这个定位。有了定位后，会有一系列的政策制度配套。定位对了，定位准了，后面的发展会顺畅很多。另外一个是先行示范区。深圳土地资源比较少 ，但是能够依托制度优势，在40年间发展成现在这个样子，在全球范围内确实是一个奇迹 。我们在探索，能不能靠人和制度的创新，把先行示范区复制到全国其他地方去。如果大规模发展工厂，需要很多的人和土地 ，我们这没有，所以先行示范区意味着需要走高端路线，让高科技、高附加值、脑力密集型的创新链蓬勃发展。 记者：奥比中光近期取得了哪些关键核心技术的突破？ 黄源浩：在结构光领域 ，我们在2015年就做了第一颗芯片，后面我们已经迭代了五个芯片了，现在处于比较稳定的阶段 。双目跟iTOF是我们近期重大的突破 ，跟国际大厂比，我们的深度效果要好不少。这三类技术我们基本上是领先的。目前 ，我们是全球唯 一对结构光、双目、iTOF、dT OF、面阵激光雷达这5种3D视觉技术全面布局的公司。在全球范围内，苹果的dTOF技术一枝独秀 ，除了苹果其他还没人做出来，我们也在加紧追赶 。激光雷达是百花齐放。但毎朵花都还不够鲜艳 ，都还不是最终局的产品。这块技术大概还需要三到五年的发展。另外，我们的AI芯片也在加紧研发。
图为神东煤炭集团煤炭生产基地。（资料图片） 本报讯 记者张毅报道：国家能源集团神东煤炭集团日前传来好消息，作为我国首个2亿吨级煤炭生产基地，集团累计生产清洁煤炭突破30亿吨。 神东矿区是世界知名的整装优质大煤田，具有埋藏浅、煤层厚、煤质优等特点，是我国重点规划建设的13个大型煤炭基地之一。 在开发建设过程中，神东煤炭集团瞄准世界先进水平，以“高起点、高技术、高质量、高效率、高效益”为指导，创新集成业界领先开采理念与科技装备，加大关键技术科研攻关力度，努力破解高产与安全、采矿与环保“两个难题”，推动煤炭开采由劳动密集型向技术密集型，由高危行业向“本质安全型”企业，由环境污染向清洁环保、资源节约型“三个转变”，形成了高效、绿色、智能矿井核心技术。 目前，神东煤炭集团矿井采掘机械化率达100%，资源回采率达80%以上，累计创造百余项国内行业新纪录，企业主要技术经济指标达到世界领先水平。
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