• [其他] AI分析心电图并诊断疾病
    AI分析心电图并诊断疾病以色列理工学院的研究人员开发了一个基于人工智能的新系统,该系统使用增强的神经网络分析心电图,并可以自动检测疾病。论文链接:https://www.pnas.org/content/118/24/e2020620118相关报道:https://medicalxpress.com/news/2021-07-clinically-viable-ai-based-tools-medicine.html材料:通过机器学习预测粘合属性东京大学工业科学研究所的研究人员开发了一种机器学习模型,该模型可根据单个组件的参数确定粘合和吸收材料的特性。这是首个可预测材料多个不同属性的机器学习模型。奇偶平价图显示预测值与计算值论文链接:https://iopscience.iop.org/article/10.35848/1882-0786/ac083b相关报道:https://phys.org/news/2021-07-bonding-bond-properties-machine.html
  • [新手课堂] 鲲鹏优才实习计划首批500+岗位正式上线
    华为公司副总裁、计算产品线总裁邓泰华在华为开发者大会2021(Cloud)期间宣布正式启动“鲲鹏、昇腾优才实习计划”,联合生态链企业向优秀学生提供实习岗位,构筑人才与企业对接平台。时隔3个月,鲲鹏优才实习计划(简称“优才计划”)首批500多个实习岗位正式上线,优先面向“智能基座”产教融合协同育人基地项目的鲲鹏高校开课学生,欢迎同学们登录鲲鹏社区(hikunpeng.com)在线查看和申请,也欢迎更多企业与高校加入鲲鹏产业生态,共同培育产业人才。构建鲲鹏计算生态企业与人才对接平台,形成培养体系正循环鲲鹏优才实习计划是华为联合鲲鹏生态伙伴面向高校学生推出的一项鲲鹏人才发展计划,旨在围绕鲲鹏计算基础技术领域推进产教融合,加速学生从学科理论知识向实践转化,培养企业亟需的鲲鹏产业人才。优才计划主要面向已开展鲲鹏课程教学的高校,由华为联合鲲鹏生态伙伴共同提供多样性的实习岗位,帮助优秀学生与企业提前对接,走进企业真实工作场景,提升鲲鹏实战能力。招募企业加盟,解决人才需求痛点过去一年,鲲鹏的规模增长,进一步拉大了产业需求和人才供给的差距,产业迫切需要能懂鲲鹏、会用鲲鹏的人。鲲鹏优才实习计划一方面将帮助生态链企业快速对接经过鲲鹏体系化培养的高校优秀人才,缓解人才缺口;另一方面通过真实场景实战来检验鲲鹏人才培养成果,回馈高校促进教学质量改进。同时,加盟企业还将有机会参加20多省“鲲鹏校企人才双选会”及鲲鹏产业重大营销活动等权益;获得华为人力资源专家专业辅导、“人才培养与人力资源管理高级培训”参培机会等权益。企业加盟要求:鲲鹏展翅伙伴计划认证伙伴鲲鹏生态链合作企业鲲鹏计算相关产业组织和机构鲲鹏计算相关高校和科研机构学生参加实习,让专业学以致用学以致用,理论结合实践,是教学活动的关键环节。优才计划的实习岗位从市场需求中挖掘,经过多方位调研后,向高校学子提供鲲鹏计算产业链企业的实践机会,让学生在实践中验证所学成果,让校园学习和产业工作提前衔接,牵引学生职业发展。目前,面向“智能基座”的72所高校已正式开放500多个实习名额,岗位涉及开发类、测试类、产品类、服务类及技术支持5大类型,实习地点覆盖北京、成都、东莞、福州、广州、合肥、杭州、南京、深圳、上海、天津、武汉、西安及厦门14个城市。学生应聘实习岗位基础要求:智能基座开课高校成绩优异者高校教学实践活动优异者鲲鹏社区与开源社区积极贡献者架起企业+人才的“桥梁”,让产教融合真正落地人才缺口,一直是信息产业的长久挑战。如何缩小高校人才培养与企业实际需求的鸿沟、盘活符合多样性计算发展的人才体系成为当前主要目标。华为作为鲲鹏计算产业发展的先驱者,在创新人才培养方面推出多项举措,建设智能基座产教融合协同育人基地,发布众智计划和优才实习计划。2020年9月,教育部与华为共同启动“智能基座”产教融合协同育人基地,从高校人才培养源头着手,为计算产业培养高质量创新人才。目前已经在72所高校落地,21年目标开展900门课程,新增发行6本教辅、4本教材,培育2000多名先锋教师,将鲲鹏计算知识融入教学,扎根到基础,培育创新型、多样性人才。2021年4月,华为正式发布鲲鹏、昇腾众智计划2021,包含500多个任务包,并提供超过1亿人民币的激励,通过汇聚产业界的智慧和力量,深入实践,共同开发加速库、工具插件、算子、网络模型,加速基础软件创新突破。产教融合、校企合作人才培养模式促进了人才培养在教育链、人才链与产业链的衔接。鲲鹏优才实习计划是企业与人才对接桥梁中的重要举措,联合鲲鹏计算产业生态的伙伴们,真正助力“产教融合”的落地,形成从教学、人才到企业的正向循环,共促多样性计算产业发展和生态繁荣。华为全联接2021即将开启,届时鲲鹏计算产业将宣布更多的人才培养和激励措施,敬请关注!更多信息,请关注华为鲲鹏社区:https://www.hikunpeng.com/
  • [其他] 智能新生态 可信新未来
    ---2021年7月15日,中国信息通信研究院云计算与大数据研究所在京举办 “2021年可信AI成果发布会”。会上,中国信通院云大所正式发布《2021人工智能十大关键词》、2021年首批可信AI评估结果,智能语音语义,开发平台、机器人流程自动化、内容安全等产品评测观察,并深入解读可信AI评估体系、人脸威胁情报、护脸计划、《可信人工智能白皮书》等工作。!(https://bbs-img.huaweicloud.com/data/forums/attachment/forum/202107/25/012311ffx43sbqbmm74tcr.png)**可信AI成果发布会现场**中国信通院云计算与大数据研究所所长何宝宏发布了《2021人工智能十大关键词》并对其进行了解读。十大关键词分别为:可信AI、工程化、大模型、人脸安全、治理、超级自动化、MLOPS、知识计算、多模态融合和行业融合。十大关键词指出在近一年来,人工智能技术、应用和产业等方面呈现出的特点和趋势,为产业的下一步发展提供参考。!(https://bbs-img.huaweicloud.com/data/forums/attachment/forum/202107/25/012321vrjy4mucbiijckli.png)**中国信通院云计算与大数据研究所所长何宝宏**中国信通院云大所人工智能部副主任曹峰解读了可信AI评估体系,并对RPA评估专项进行了解读。曹峰表示,评测工作开展已经近4年,通过制定评测标准体系,建设软硬件测试环境和能力,已经形成专用芯片、智能语义、机器人流程自动化(RPA)、开发平台、内容安全等典型产品和服务的评测能力。截止2020年底,累计已有七十多家企业的近180项产品通过了评测。今年评测品牌正式升级为“可信AI”评测体系,上半年共有30家企业的52款产品通过测试。!(https://bbs-img.huaweicloud.com/data/forums/attachment/forum/202107/25/012328icoevgrhde2lgz0b.png)**中国信通院云大所人工智能部副主任曹峰**2021年首批可信AI评测结果:!(https://bbs-img.huaweicloud.com/data/forums/attachment/forum/202107/25/012336swxpu1erkndgpyay.png)**华为云的ModelArts同样在列。**中国信通院云大所人工智能部副主任石霖介绍了“可信人脸应用守护计划”工作进展。“护脸计划”自发起以来,已经形成《人脸识别系统通用可信能力要求》,正在开展第一批可信人脸识别测试,得到多家人脸识别技术企业的积极响应。会上,“护脸计划”宣布建立人脸威胁情报共享机制,由中国信通院云大所联合蚂蚁集团正式发布“人脸应用·威胁动态”。该威胁动态以电子期刊形式,持续提供人脸威胁预警和安全防御服务,构建动态化的防范体系。中国农业银行研发中心上海研发部处长陈小敏为大会带来《农业银行数字员工应用实践》主题报告,提到RPA作为银行数字化转型底层技术底座,融合了多要素组成数字劳动力,为数字化转型提供新的动力和工具。阳光保险集团首席科学家杜新凯带来《AI技术助力保险数智化转型》的主题报告分享中,解读了AI技术对保险行业带来的创新与变革,随着技术的发展,数字化转型已经逐渐成为各个行业不可或缺的重要助力。中国信通院云大所人工智能部高级业务主管董晓飞介绍了智能语义产品评测情况。本轮共有12款产品通过智能化分级测试,呈现出如下特点。一是智能交互类产品的意图识别率和任务完成率显著提升,带来更好的交互体验;二是产品能力由数据原生驱动,转变为“数据+知识”的双重驱动,充分发挥了语料库和知识库在语言处理中的效用;三是产品服务重心从效果和性能,转向用户情绪识别和轨迹理解等 “以人为本”的需求。下一步将重点面向金融、政务、医疗、电商等垂直行业制定相关标准,并组织开展相关评估测试、技术沙龙、产业研讨等活动。!(https://bbs-img.huaweicloud.com/data/forums/attachment/forum/202107/25/012434i1hbjubewwmz04wm.png)**智能语义产品评测颁证仪式**中国信通院云大所人工智能部高级业务主管李荪介绍了智能语音产品评测的总体情况。本轮共有8款产品通过测试,呈现出新技术产业化应用、特定场景需求凸显、抗攻击干扰能力提升的特点,但对于噪声、数字符号、专有名词等复杂场景和数据的处理和识别能力还有待进一步提高。下一步智能语音将聚焦产业应用需求,从标准制定、评测能力、沙龙活动三个方面,推动智能语音系统抗攻击、安全审核和数据安全方面可信能力研究,落实智慧助手白皮书、标准和评估测试,开展智能语音产品服务基础能力和专项能力的评测。中国信通院云大所人工智能部工程师董昊介绍了人工智能开发平台评测的总体情况。本轮共有7款产品通过智能化分级测试,呈现出如下特点。一是参测产品基础功能完备,可视化水平普遍较高;二是可视化建模和自动建模模板可大幅降低开发门槛,不同平台的能力差异较大;三是考虑到用户需求和平台定位等因素,部分平台在特征工程、NLP/语音领域的开发能力较弱。中国信通院云大所人工智能部工程师陈文弢介绍了内容安全评测的总体情况。本轮共有7家企业的18项服务通过测试,通过评测结果来看,已经呈现出基础功能完备、服务易用性较强的特点;但同时也存在小语种支持、高级检索功能不完善等问题。另外,内容识别标签不统一仍然是目前行业中相对突出的问题,因此,下一步,中国信通院将就此开展标签体系标准化工作。可信人工智能已经成为全球共识,但实践中缺少一套可落地的方法论和落地指南。在本次大会上,中国信通院云大所人工智能部高级业务主管刘硕深度解读了由中国信通院云大所、华东分院、京东探索研究院共同编制的《可信人工智能白皮书》。白皮书从落实全球人工智能治理共识的角度出发,聚焦于可信人工智能技术、产业和行业实践等层面,分析了实现可控可靠、透明可释、隐私保护、明确责任及多元包容的可信人工智能路径,并对可信人工智能的未来发展提出了建议。
  • [其他] 中国创建的人工智能模型大大优于美国模型
    !(https://bbs-img.huaweicloud.com/data/forums/attachment/forum/202107/24/233139uay2lcrvjovlnko7.png)中国开发了一种自然语言处理 (NLP) 算法,其性能优于谷歌公司(Google)或非盈利人工智能公司OpenAI的现有产品。北京智源人工智能研究院(BAAI)创建了“悟道2.0”(WuDao 2.0)自然语言处理预训练模型。这个模型能够模仿口语、识别图像、生成信息消息,甚至是诗歌。该模型使用 1.75 万亿个参数进行训练。相比之下,直到最近都被认为是最通用和最先进的OpenAI公司的 GPT-3 自然语言处理模型,只使用了 1750 亿个参数。每个参数都是由机器训练模型改变和决定的。随着模型的训练,参数可以根据已积累的数据进行修改。模型训练中使用的参数越多,模型最后就越先进。另一方面,参数数量的增加会使训练过程变得更长、更昂贵,因为它要求极大的计算能力。例如,GPT-3自然语言处理模型是在 Microsoft Azure AI 超级计算机上训练的。GPT-3自然语言处理模型去年发布时,尚属首个专业宽泛的模型。自然语言处理是人工智能 (AI) 的重要应用领域,旨在发展计算机分析和自然语言合成。换句话说,主要任务是教机器理解文本或话语,并相应地正确生成文本或话语。自然语言处理的首批模型是专业性很强的:聊天机器人、语音助手等。但是在大量参数上训练的模型可以得到更广泛的应用。据 GPT-3自然语言处理模型的开发者称,该模型可用于解决“任何英语问题”。为了训练算法,收集了 570 GB 的文本数据集。GPT-3自然语言处理模型确实能够做到了以前的人工智能所无法做到的事情。例如,在2020 年夏天,GPT-3 生成了一篇关于思维活动和新主意产生方法的文章。事实证明,这篇文章非常合乎逻辑且有趣。今年早些时候,谷歌公司创建了自己的Google Switch Transformer预训练模型,已经使用1.6万亿个参数进行了训练。但中国模型仍然更先进。“悟道2.0”自然语言处理预训练模型在1.2TB的文本数据上进行了训练,而且既有英语,又有中文。此外,图像也作为初始数据加载到模型中。共有4.9TB的数据用于训练模型。这样,截至目前,中国“悟道2.0”自然语言处理预训练模型大大优于美国模型的研发产品,北京师范大学-香港浸会大学联合国际学院教授许粲昊告诉俄罗斯卫星通讯社:> “我们可以看到,‘悟道’模型的复杂程度基本可以达到美国谷歌模型的10倍左右,在这方面中国毫无疑问是暂时处于世界领先地位的。包括在图像识别领域,中国也在一些国际大赛上包揽了诸多奖项,名列前茅。另外,在人工智能领域最关键的是中国拥有庞大的数据量,在用于训练模型的基本效果方面成效显著”。中国制定了到2030年在人工智能领域取得领先地位的雄心勃勃的目标。在2017年发布的《下一代人工智能发展规划》说,到2030年,中国人工智能产业至少将积累1500亿美元。谷歌大中华区前总裁、风险投资人李开复曾多次承认,由于人工智能尤其是机器训练的现代发展原则是基于数据组的,中国具有重要的竞争优势。中国近15亿人口为数据组的积累和处理奠定了基础。廉价劳动力丰沛则为中国提供了另一个可能性:成为世界数据处理工厂。问题在于,零散数据本身对机器训练没有多大价值。它们需要先被做标记。例如,从可用的图像组中挑出带有猫的图片并相应地为它们打上记号。实际上,在20年前农民工在缝纫机上缝制衣服的同一栋厂房里,现在标记工正在工作。他们每天坐在电脑前12个小时,标记大量数据组,供人工智能系统后来在数据组上训练。这样,像在传统工业中一样,中国正在努力接通人工智能发展的供应链。但存在一定的困难。许粲昊说,在人工智能的一些基础领域,中国仍像过去一样远远落后于其主要竞争对手美国。> “以前在人工智能领域我们有两个最大的短板:一是硬件设施。因为人工智能的训练和推理需要非常强大的硬件支持,包括在半导体硬件设计制造方面,我国也仍然有很长的路要走;二是基础理论。比如现在人工智能的模型算法已经足够成熟,也做得非常好,但是能否取得下一个突破?基础理论突破又在哪里?这些都还是大家仍然在摸索的内容”。目前,美国在设备生产(芯片、微电路)和软件制造方面都处于领先地位。比如,Tensorflow、Pytourch等全球最大的开源机器学习平台都是由美国公司创建的。在其他相关领域,欧洲和日本公司保持领先地位。例如,在硅片上雕刻集成电路所必需的深紫外(EUV)光刻先进设备是由荷兰光刻机设备供应商阿斯麦(ASML Holding N.V.)以及日本佳能(Canon)公司和尼康(Nikon)公司制造的。美国意识到可能失去科技领先地位,开始为中国制造障碍。例如,他们限制向中国供应芯片、设备和技术。同时,随着算法和模型将向所谓的普遍人工智能发展,数据将逐渐失去其在人工智能发展中的重要性。> “目前来看,数据量仍然是非常关键的问题。因为人类所有的知识都是日积月累所得,如果没有足够的数据支撑,AI是无法进行下一步的。不过当拥有了一定的数据量后,AI是否能够自己生成一些新的东西,做一些自我推理,或者自己学习新知识,我想也是一种可能性。只是从中短期来看,数据量具有必要性。”事实上,这个过程已经开始了。“悟道2.0”自然语言处理模型确实是在庞大的数据组上训练的。但这样做是为了将来重新训练模型时不再需要大量新数据。科学家们正努力使人工智能越来越像人类智能,也就是说,它可以根据已经积累的数据组学习一些新东西,这些数据并不与当前任务100%相关,但可以推论出新问题的解决方案。从这个意义上说,发展基础能力以保持未来竞争力对中国来说的确是重要的。实际上,2017年出台《人工智能发展规划》恰好在这个方向上划定了重点。与美国的贸易和技术战再次证明了北京所选择路线的正确性。明显,依赖全球供应链实在是不安全的。在政治趋势的影响下,昨天的合作伙伴可能会突然变成对手,停止任何合作。中国的“十四五”规划恰好规定对基础科学进行大规模的投资。实际上,美国也明白这一点,并努力不让中国继续前进。过去,私有公司和投资是进步的主要推动力,那么现在政府资助也参与这件事情。美国总统乔·拜登已向国会提议把联邦研发总支出增加135亿美元。此外,根据《无尽前沿法案》(Endless Frontier Act) 改革国家科学基金会(NSF)的计划,美国准备在2025年之前再投入1000亿美元用于发展基础技术以对抗中国。另一个问题是,中国为发展科技不吝资金。为此目的计划在2025年前至少花费1.4万亿美元。中美之间的人工智能竞赛很可能会采用多种方法。现任美国人工智能安全委员会主席、谷歌及其母公司Alphabet的前首席执行官埃里克·施密特(Eric Emerson Schmidt)表示,为阻止中国科技能力的快速发展,并使美国在芯片制造领域至少领先中国两代,有必要继续限制对中国的芯片和其它高科技产品的供应。此外,需要放宽移民法以吸引来自世界各地的最优秀人才。人工智能安全委员会(NCSAI)向总统和国会提出的建议中甚至提出“加速”中国的“人才流失”过程,为中国专家创造有吸引力的条件。实际上,目前尚不清楚这将如何付诸实施。至少在特朗普时代,越来越多的中国专家无法忍受签证、行政和其它限制,越来越多地离开美国返回祖国。___
  • [其他] 基于华为AI系统的超级计算机夺得两项世界冠军
    !(https://bbs-img.huaweicloud.com/data/forums/attachment/forum/202107/22/233032vl0rfg9do7wnee84.png)华为官方微博日前发布消息称,基于昇腾人工智能(AI)基础软硬件的“鹏城云脑II”超级计算机在国际超算大会最新一期IO500排行榜中获得两项世界冠军。消息称,“鹏城云脑II”超级计算机再次刷新世界纪录,蝉联全系统输入输出和10节点规模系统两项世界冠军。其中,全系统输入输出性能得分是排名第二的近20倍,再次验证了“鹏城云脑 II”具备世界顶尖的数据吞吐能力和AI算力水平。“鹏城云脑II”是华为与鹏城实验室联合打造的超级计算机。对于各种规模的人工智能应用,“鹏城云脑II”均能提供世界领先的数据吞吐能力和尖端算力,服务于从基础研究到产业赋能的广泛用途。截至目前,在基础研究领域,“鹏城云脑II”已助力多个基础科学领域如大模型研究、天气预测、分子动力学、药物研发、基因分析等进行科研创新模式变革;在重大应用领域,“鹏城云脑II”赋能数字视网膜泛在城市治理、云脑一体化医疗大健康、联邦学习智慧金融,以及“一带一路”的大规模多语种翻译等多个场景。
  • [其他] 以AI为代表的前沿科技在工业制造特别是工业视觉场景中能贡献的核心价值
    工业视觉是工业自动化的核心领域,包括检测、识别、测量、定位等关键任务。擅长解决视觉感知问题的AI技术已成为创造价值的重要切入点。今天,全球制造业面临巨大的产业升级压力。除了头部少数大型生产企业,大部分制造业生产线面临需求快速迭代和信息化、自动化、柔性化不足的矛盾:一方面,快速变化的全球市场呼唤按需生产、按需定制、按需迭代的高效产线;另一方面,数据采集难、连通难,自动化程度低,自动化工位之间缺少协同,良品率难于定量评估和精确归因等现实问题,共同构成了制造业效率提升的整体挑战。 !(https://bbs-img.huaweicloud.com/data/forums/attachment/forum/202107/22/232449yhyzxkofm0q4jw6c.png) 大部分制造业企业需要在较短的建设周期里,大跨步补齐信息化、自动化、智能化这三块短板,实现跨越式发展。物联网、大数据、机器视觉、自动规划与决策、自动控制等前沿科技是此过程中的关键技术。其中,AI相关的技术更是由“制造”到“智造”跃升的基础。 **具体到工业视觉场景,为什么工业视觉需要人工智能?** 工业视觉要解决的是如何“看”清制造场景与如何“感知”“理解”关键信息的问题。当前,光学成像技术,多传感器融合技术,感光和光学处理芯片技术大幅进步,使“看得更小、看得更清”成为现实。在此基础上,AI恰好可以帮助我们“感知更准确、理解更深刻”。以电子制造行业为例,我国相关生产线上与视觉检测有关的工位每年人工成本约60亿元。前沿科技的切入,会将视觉检测这一工序从较粗放、难量化的劳动密集型工位升级为可精准定量、可完整溯源、可智能集成数据的全自动工位,带来生产效率和产品质量的大幅提升。 **在工业视觉领域规划、定义、设计一款产品或解决方案,是一种怎样的体验?** 挑战很大。要说体验么,“苦其心志、劳其筋骨”吧。在工业视觉领域,一个产品的正向开发会经历需求调研、总体方案设计、关键技术验证、子系统方案设计、样机试制、现场方案验证、产品发布和市场推广等环节,每个阶段都要产品经理带领团队在正确的方向上,投入全部精力去打磨和优化。上述过程中,产品经理的思路需要在宏观和微观之中随时切换:在考虑客户需求、产品定位时需要宏观思考;在考虑技术实现时需要聚焦在各个关键层级的技术细节;在布局产品线时需要考虑差异化配置对各类客户的匹配;在现场方案验证时需要关注具体数据和定制化需求。但在这个领域做产品经理也是成就感满满的:工业视觉类产品,特别是自动化视觉设备是最能够带给人成就感的产品。当产品成功交付并在客户产线稳定运转时,客户的肯定就是对产品开发团队的最好回报。 来源:雷锋网
  • [热门活动] 报名 | 对话式AI语音识别及说话人识别(ASR&SD;)挑战赛等你来战
    如今,对话式AI成为人工智能热门方向,它在商业上的应用规模不断增长,也是人工智能研究者重要研究领域。对话式AI是指能够进行人类对话,捕捉对话语境并做出智能化响应的智能语音助手,它能够基于NLP功能与人进行个性化对话,根据对人类情感的理解采取相应行动。作为AI爱好者的你,特别想在人工智能重要研究领域挑战下自己吧!那就赶紧来参加由MindSpore社区、北京爱数智慧、江苏师范大学、MagicHub.io开源社区、上海白玉兰开源开放研究院和英特尔Open VINO联合发起的『对话式AI语音识别及说话人识别(ASR&SD)挑战赛』!MindSpore官方资料GitHub : https://github.com/mindspore-ai/mindsporeGitee:https : //gitee.com/mindspore/mindspore官方QQ群 : 871543426
  • [公告] 复现人工智能论文经典,解决高维空间中互信息拟合,就在本期AI论文精读会!
    为了让开发者更便捷的使用到优秀AI论文中的算法,开发出优秀的AI成果,特举办华为云AI论文精读会2021活动,邀请计算机视觉、迁移学习、自然语言处理等领域专家学者,基于华为云ModelArts一站式AI开发平台对经典论文算法进行解读。  本期精读会邀请的嘉宾是华东师范大学的田旭东博士,分享主题为《告别互信息:变分蒸馏的跨模态行人重识别》。田博士的研究方向为机器学习、信息论以及行人重识别,目前已在CVPR、IJCAI各发表一篇论文,所在团队由吴文俊科学技术奖自然科学奖、上海市科技进步特等奖获得者谢源教授领衔。直播间链接请戳:https://bbs.huaweicloud.com/live/cloud_live/202107231900.html直播时间:2021年7月23日(星期五)19:00 ,长按海报左下方的二维码添加小助手,回复“论文”加入交流群,及时获取直播通知。  本期解读的论文重点在于解决高维空间中互信息拟合,以及信息瓶颈优化时的“简洁性-判别性”两难问题。文章通过大量、详实的分析与推导,最终证明观察量与潜在变量之间互信息的拟合可以仅由一项KL散度完成。这项发现为高维空间互信息拟合提供了一种高效、可扩展的解析解,也为信息瓶颈的优化提供了一种全新的思路。该论文基于MindSpore进行研究实现,目前代码已开源至MindSpore开源社区  想了解如何解决信息瓶颈优化难题?如何有效增强表征对于视图变化的鲁棒性?那就准时参与本期论文解读直播吧~
  • [其他] ModelArts一站式AI开发平台
    ModelArts一站式AI开发平台是华为技术有限公司研发的一款技术产品。提供全流程的AI开发服务,海量数据处理、大规模分布式训练、端·边·云模型按需部署,运维管理,帮助用户快速创建和部署模型、管理全周期 AI 工作流,满足不同开发层次的需要,降低AI开发和使用门槛,实现系统的平滑、稳定、可靠运行。获得荣誉该技术产品在2019年5月26日获得2019中国国际大数据产业博览会“领先科技成果奖之黑科技”奖项训练作业对数据集的要求如下。    图像分类:用于训练的图片,至少有2种以上的分类(即2种以上的标签),每种分类的图片数不少于5张。    物体检测:用于训练的图片,至少有1种以上的分类(即1种以上的标签),每种分类的图片数不少于5张。    预测分析:由于预测分析任务的数据集不在数据管理中进行统一管理,即使数据不满足要求,不在此环节出现故障信息。    声音分类:用于训练的音频,至少有2种以上的分类(即2种以上的标签),每种分类的音频数不少于5个。    文本分类:用于训练的文本,至少有2种以上的分类(即2种以上的标签),每种分类的文本数不少于20个。
  • [技术干货] 如何证明我妈是我妈?| AI基础课之知识图谱第四讲
    嘿,盆友们!AI基础课之知识图谱系列课程又开课啦~父亲的妻子是母亲,所以我妈……是我妈?知识图谱到底是如何做推理的?可以用在什么地方?有请华为云知识图谱专家William为我们讲解~附上课程链接:https://mp.weixin.qq.com/s/z1cfoqkwSlC5x9GQRShnWQ
  • [其他] 图灵奖得主Judea Pearl谈机器学习:不能只靠数据
    研究机器学习,既要数据拟合,也要能解释数据。在当前的人工智能研究社区,以数据为中心的方法占据了绝对的主导地位,并且这类方法也确实成就非凡,为语音识别、计算机视觉和自然语言处理等重要任务都带来了突破性的进展。即便如此,也一直有研究者在思考这类方法的不足之处以及其它方法的重要价值。近日,图灵奖获得者、著名计算机科学家和哲学家 Judea Pearl 发布了一篇短论文,从便利性、透明度、可解释性三个角度谈了他对激进经验主义和机器学习研究的思考。论文链接:https://ftp.cs.ucla.edu/pub/stat_ser/r502.pdf在这篇论文中,Judea Pearl 将沿便利性、透明度和可解释性三个维度对比用于数据科学的「数据拟合(data fitting)」与「数据解释(data interpreting)」方法。「数据拟合」方法的信念源自研究者相信理性决策就隐藏在数据本身之中。相较而言,数据解释学派却并不将数据视为唯一的知识来源,而是一种用于解读现实的辅助手段——这里的「现实」是指生成数据的过程。文章将在因果逻辑的指引下,探讨拟合与解释在任务方面的共生关系,以此让数据科学恢复平衡。  模拟进化与数据科学我最近参加了一个讲座,演讲者这样总结了机器学习的哲学思想:「所有知识均源自所观察到的数据,有些直接来自感官经验,有些则来自通过文化或基因方式传递给我们的非直接经验。」观众会觉得这样的称述是不证自明的,其也为该演讲奠定了基调,即可以如何通过检查数据中条件概率的模式来分析「知识」的本质。很自然,它没有涉及到「外部世界」、「理论」、「数据生成过程」、「因果」、「能动性」和「心智构造」等概念,因为从表面上看,如有需要,这些概念也能在数据中找到。换句话说,不管人类在解释数据时会用到什么概念,比如有关来源的文化、科学或基因上的概念,都可以追溯到让这些概念有存在价值的初始感觉经验并且还能从这些感官经验重新推衍出来。从人工智能的角度看,这种以数据为中心的哲学为机器学习研究提供了一种有吸引力的乃至极具诱惑力的研究前景:为了开发人类水平的智能机器,我们应该仅遵循我们祖先获得智能的方式,将我们可能收集到的所有数据用作输入,在数字机器上同时模拟基因进化和文化进化。在极端情况下,这样的前景可能激发出相当未来主义和雄心勃勃的情形:从一个类似原始生物(比如变形虫)的简单神经网络开始,让它与环境交互,变异并产生后代,给予其足够的时间,它最终就能获得爱因斯坦水平的智能。事实上,除了神圣的经文和神明的启示,如果没有自古以来一直冲击着人类种族的原始数据流(当然也包括人类之前那些更原始的生物获得的感官输入),爱因斯坦又能从其它什么地方获得他的知识、才能和智慧呢?   在问这样的前景有多现实之前,我们先在讨论之前看两个观察所知的情况:    模拟进化,不管是哪种具体形式,事实上都引领着当前大多数机器学习研究的主要范式,尤其是那些涉及到连接主义、深度学习和神经网络技术的范式。这些技术可以部署无模型的、基于统计学的学习策略。这些策略在计算机视觉、语音识别和自动驾驶汽车等应用中已经取得了亮眼的成功。这样的成功激发了对这些策略的充分性和无限潜力的希望,同时也削弱了人们对基于模型的方法的兴趣。    以数据为中心的发展方向的思想根基深深根植于西方哲学的经验主义分支。该哲学分支认为:感官体验是我们所有概念和知识的最终来源,而「先天观念」和「理性」在作为知识来源方面仅能发挥少许作用,乃至毫无作用。经验主义思想可以追溯到古代亚里士多德的著作,但将经验主义发扬光大的则是英国经验主义哲学家弗朗西斯 · 培根、约翰 · 洛克、乔治 · 贝克莱和大卫 · 休谟以及更近期的哲学家查尔斯 · 桑德斯 · 皮尔士(Charles Sanders Peirce)和威廉 · 詹姆斯(William James)。事实上,现代连接主义已被视为激进经验主义相对于理性主义的一大胜利。实际上,在数字机器上模拟知识习得过程的能力提供了非常灵活的测试平台,可让人通过在数字机器上执行实验来评估有关经验主义和天赋能力(innateness)之间平衡的理论。尽管测试哲学理论有其好处,但对于为机器学习研究遵循激进经验主义议程的思想,我有三个主要的保留意见。我将通过三个论点来说明为什么经验主义应该与基于模型的科学的原理保持平衡。而对于基于模型的科学,学习过程受两大信息来源指引:(a) 数据,(b) 人工设计的有关数据生成方式的模型。  我将这三个论点标记为:(1) 便利性、(2)透明度、(3)可解释性。将在下文逐一讨论它们:便利性进化是一个过于缓慢的过程,因为大多数突变都是无用乃至有害的,并且等待自然选择区分并从无用突变中过滤出有用突变往往也具有难以承受的成本。大量机器学习任务都需要对稀疏的新数据进行快速解读并快速响应,而这些新数据又实在过于稀疏,以至于无法通过随机突变来过滤。新冠疫情的爆发就是这一情况的完美例证:来自不可靠和各式各样来源的稀疏数据需要快速解读和快速行动,它们主要基于之前的流行病传播和数据生成模型。总体而言,机器学习技术有望利用大量已经存在的科学知识,结合可以收集到的数据,从而解决健康、教育、生态和经济等领域的关键社会问题。更重要的是,科学知识可通过主动引导数据和数据源的选择或过滤过程来加快进化速度。选择使用哪些数据或运行哪些实验前,需要从理论上假设性地考虑每种选择会得到怎样的结果以及它们在未来提升性能的可能性。举个例子,为了提供这样的预期,可使用因果模型,其既能预测假设性操作的结果,也能预测违反事实情况地撤销过去事件的后果。    透明度为了最终能使用世界知识(即便是自原始数据自发演化而来的世界知识),我们必须以某种机器形式对其进行编译和表征。编译知识的目的是将发现过程分摊到许多推理任务上,从而无需重复这个过程。然后,编译后的表征有助于高效地得到许多选择性决策问题的答案,包括有关如何收集额外数据的方式的问题。某些表征允许这样的推理,另一些则不允许。《为什么:关于因果关系的新科学》一书中提出的因果关系层级(adder of Causation)形式化地定义了用于回答有关假设性干预和 / 或解释以及反事实的问题所需的知识内容的类型。知识编译涉及到抽象和重新格式化。前者允许损失信息(正如图像模型归纳为数值方程的情况),而后者会保留信息内容,只是会将一些信息从隐式转变成显式的表征。举一个经典的例子:信号波形的频谱表示。从信息角度看,前者等价于后者,但频谱明确表示了信号的特定方面。这些需要考虑之处要求我们研究所编译的表征的数学性质、它们的内在局限性、它们支持的推理类型以及它们在得到它们期望得到的答案上的效果。用更具体的术语说,机器学习研究者也应该参与现在被称为「因果建模(causal modelling)」的研究,并使用因果科学的工具和原则来指导数据探索和数据解释过程。    可解释性不管积累、发现或存储因果知识的方式如何,由知识推动实现的推理都要交付给人类用户并让其获益。现如今,这些用途包括政策评估、个人决策、生成解释、分配功劳和责罚或广义地认知我们周围的世界。因此,所有推理都必须用一种与人们自身组织世界知识的方式相匹配的语言进行描述,也即因果的语言。因此,不管机器学习研究者为数据拟合采用了怎样的方法,他们都必须熟练掌握这种对用户友好的语言、其语法、其普遍规则以及人们解读或误读机器学习算法发现的功能的方式。结论将人类知识的内容与其感官数据来源等同起来是错误的。对于知识的特征描述而言,知识存储于心智(或计算机)中的格式及(尤其是)其隐式与显式组分的平衡是与其内容或来源一样重要的。尽管激进经验主义可能是进化过程的一个有效模型,但它对机器学习研究而言却是一个糟糕的策略。它让以数据为中心的思潮大行其道,而这一思潮当前主导了统计学和机器学习文化。这一思潮认为:理性决策的秘诀仅在于数据。「数据拟合」和「数据解释」平衡的混合策略能更好地让我们把握进化过程所需的知识编译的各个阶段。转发自:https://www.jiqizhixin.com/articles/2021-07-18-2
  • [行业资讯] 华为AIOps打造网络运维智能化的最佳实践
    如今,数字经济已成为构筑社会高质量、可持续发展的重要基石,5G新基建的加速落地与AI、云计算等技术在各行各业的融合日益深入,推动智能社会的发展步入快车道。与此同时,无处不在的联接为数据赋能提供了有机的“纽带”,以满足新兴工作负载对业务高并发、大带宽、低时延、高可靠的需求。然而,业务复杂性和网络智能化的演进却让不少企业“头痛不已”,即传统的运维架构难以发挥电信网络创新所带来的商业效能,导致企业纷纷陷入数字化转型的鸿沟。在华为NAIE AI模型与训练服务部部长杨建看来,企业、运营商所面临的业务复杂度、设备复杂度、联接复杂度的不断提升,导致原有的电信网络无法满足客户需求,因此在5G、云、AI推动的智能社会到来之时,需要的是更加智能的运维模式,而AIOps就是加速运维智能化转型的重要趋势。GSMA Intelligence指出,截至2020年底,近60个市场中的140家运营商已经推出5G服务,中国的5G基础设施的规模领跑全球,5G连接占全球5G连接的绝大多数(超过75%),建设了近72万座5G基站。IHS Markit预计,到2035年5G将创造13.1万亿美元的全球经济产出,对5G资本支出和研发投入的预测值同比会增长近10.8%。其中,5G to B可以说是千行百业转型升级的关键抓手,其相较于to C场景除了要实现大带宽和低时延,保障生产过程的安全性、高质量、高效率更为重要。过去一年,ICT厂商在能源、制造、工业、医疗等行业的5G实践加速推进,运营商在5G网络建设时的思路也在随之转变:混合多云的跨平台部署、容器化/云原生的应用、数据多样化的介入、开放多源的API……不断变化的技术趋势需要IT运营变被动为主动,网络运维亦受制于IT系统持续扩张、架构日趋复杂、数据指数级增长等因素,亟需由人工向自动化、智能化转型,以确保业务的稳定性和可持续性。此时,AIOps登上了舞台。AIOps(Artificial Intelligence for IT Operations)智能运维起源于“Algorithmic IT Operations”算法IT运维,是指将AI应用于运维领域,基于已有的运维数据(日志/监控信息/应用信息等),通过机器学习的方式进一步解决自动化运维没办法解决的问题。网络运维亟需智能化驱动作为网络创新的排头兵,电信行业在网络智能化领域的探索从未停止,从SDN、NFV到网络云化,电信运营商和ICT厂商对现代化服务、AI应用、边缘计算等新技术的投入与日俱增,要知道,网络运维是电信领域最大的AI应用场景,占据电信AI应用市场的60%。Tractica预计,到2025年电信行业每年将在人工智能软件、硬件和服务上投资367亿美元,其背后的推动力之一就是对网络运维瓶颈的“切肤之痛”:被动式运维,75%的网络问题由用户发现,故障诊断依赖人工经验;自动化程度低,按领域划分,流程人工参与环节多,导致成本激增;故障解决困难,90%的时间耗费在故障定位。除此之外,尽管AI普惠千行百业的故事被越来越多的人所熟知,但实际上仍有很多企业尚未跟上AI创新的步伐——2019年企业AI实际应用率为19%,较上年增长仅5%,远低于行业23%的预估增长,诱因包括AI应用开发门槛,56%的公司面临的最大挑战是缺乏有AI专业知识的员工;AI应用开发周期长,单一的AI技术无法满足企业诉求,效果难体现,流程编排难度大,运维人员需要人工编码开发不同场景的AI应用,耗时耗力;经验沉淀少,缺乏数据,大部分公司/组织缺乏数据采集的能力,没有大量的干净的数据积累,导致AI的处理能力大打折扣。AIOps的出现,就是希望基于AI与大数据的监测、分析、执行能力,由AI取代人力决策,快速给出故障处理建议(小时级->分钟级),做到事前预防预测、事后迅速定位修复,满足OSS多元运维能力的快速上线和迭代需求,加速电信领域的智能运维升级。根据Gartner的定义,AIOps主要包含两个组件:大数据和机器学习,会通过主动、个性化和动态的洞察力支持IT运营功能。对于ITOM来说,过去的网络运维并未有效利用数据的聚合资源和分析能力,没有形成一套可自适应的架构体系,而AIOps平台支持同时使用多个数据源,具备数据收集方法、分析技术(实时和深度)和表示技术。Gartner预计,到2022年,40%的大型企业会部署AIOps平台。无论是IT与OT的融合还是技术与业务的融合,都在推动AIOps平台的增长,ITOM需要适应现代化IT架构带来的改变,打破IT、开发、运营之间的岗位隔阂,实现在云边端的任意环境中对数据规模、性能监控快速增长管控自如,保证最终用户的使用体验。AIOps使能新基建的四大利器基于沉淀30余年的专业积累和通信经验,华为AIOps可以覆盖运维全流程,包括预测、检测、诊断、识别等环节,采用零编码定制场景组合应用,降低开发门槛,借助数据对接和治理能力提升数据开发效率。作为自动驾驶网络AI引擎NAIE的核心能力,华为AIOps服务在电信领域提供了一系列AIOps原子能力和组合编排能力,包括使能网络管控分析单元、智能运维解决方案等运维系统,帮助运营商打破原有的烟囱式建设方式,将各专业运维系统的应用与AI能力解耦,采用分层的服务化架构对接共享数据中心,集中提供AIOps能力,适配运维场景多维的应用需求。据了解,华为AIOps服务的核心竞争力主要体现在四个方面:一是丰富的电信领域AIOps原子能力,将专业知识与AI算法融合,优化和自研AI算法,内置电信领域业务模型参数,支持设计态的泛化、运行态的调优,可有效解决通用算法模型落地行业时效果差的问题。这些原子能力可串接使用,具备数据输入、参数配置、结果输出、数据传送方式等AIOps原子能力模型统一标准。该原子能力可服务于故障预测类、异常检测类、根因定位类、诊断修复类等场景,提供流量预测、KPI异常检测、CHR异常检测、异常关联分析、日志异常检测、事件聚合等20余项功能。二是组合编排与DevOps能力,提供可根据业务定制的AIOps服务,支持零编码构建并组合应用,可对流程进行串接,配置业务泛化参数,支持事件通知方式、可视化Dashboard编排等功能,快速定制运维应用。同时,其AI平台还支持算法模型创新与开发,可自行扩展AIOps 原子能力,为NAIE生态提供专业人员培训赋能。三是对通信领域主流数据的自动化治理,支持电信领域通用数据源,例如KPI、告警、日志、xDR等主流运维数据,还包括SFTP、FTPS、Kafka、数据库、文件系统、Restful等超过100种电信运维系统数据对接方式,支持30多类网元,利用这些通用的数据源对接和标准化数据治理组件,快速建立与运维系统的数据源连接,可节省90%数据准备时间,将标注效率提升10倍,标注成本降低80%,采用数据治理SDK方式,将异构数据(时序数据、非结构化数据、文本数据等)治理成AIOps原子能力标准输入数据,用于模型训练和推理。四是ADN解决方案预集成,围绕运维全流程提供预制典型场景组合应用,快速接入运维流程,体现在多种组合调用形式,例如与iMaster AUTIN、iMaster NCE、iMaster MAE的业务协同,使能FBB/MBB网络运维智能化,这些能力均可以在云端被提供。值得一提的是,华为还提供了10余个开箱即用的APP,以降低在行业AI应用开发时遇到的专门和算法门槛,沉淀运营商网络、园区网络、DC网络、IT应用等AIOps典型场景,支持公有云、HCS、OP等部署形式,帮助伙伴快速上手,轻松部署运行AI应用。华为AIOps服务AIOps打造企业转型最佳实践目前,华为AIOps服务已支持4个业务领域、超过110个现网局点、4.1亿次API调用/月、7.1万KPI、25万告警/天、187亿条日志,支持全域网络场景,为通信网络提供运维保障。某运营商在2019年发生核心网交换机软失效,导致15万用户VoLTE业务中断10+小时,这表明核心网故障对网络质量、用户体验影响巨大,而其自身又存在重复故障少、定位难、故障分析耗时长等难题,传统静态阀值检测无法适配业务动态变化,经常出现漏报、误报。华为AIOps核心网KPI异常检测APP,可以帮助运营商提前5小时发现问题,推送告警短信,实现预测性运维。具体而言,当日凌晨,运营商运维团队收到MAE-CN KPI异常检测告警短信,发现2G/3G/4G用户连接建立成功率异常,对网元范围造成影响。之后,利用云核MAE-CN异常关联分析功能定位失败原因,结合网络拓扑事件汇聚定位故障网元。当日夜间,现网实施DNS APN指向变更操作,发现由于DNS配置APN指向的Zone长度错误导致DNS解析失败,运维团队修改Zone参数配置后,问题于次日7点前成功解决,避免了早高峰的用户体验影响。某客户数据中心的硬盘检测多以人工进行,发生故障后进行高难度数据修复,需要投入大量人力物力恢复数据,并且无法提前规避硬盘硬件故障对业务造成的不良影响,硬盘运维依赖人工被动响应。接入华为AIOps之后,合作伙伴可通过Restful接口上传硬盘SMART数据,服务了全球企业超过200个数据中心硬盘运维,累计预测硬盘18万+块、累计识别故障盘4000+块/年、全年可避免业务中断4000+次、可识别数据备份场景1000+个,该客户则变被动运维为主动智能运维,提高了运维人员的工作效率,提前14天识别硬盘故障或风险,查全率达80%,误报率低于0.1%。杨建谈到,华为多年前就开始筹划将AI应用到网络运维流程中,从最初的故障监控、KPI预测、日志检测等点式创新,华为逐渐将这些不同的创新点串联成了一条线性创新,即AIOps,未来,华为将继续发挥这样的创新独特性,打造一张自动驾驶的网络,这一过程中,华为还将构建网络AI生态,在ADN的平台之上与更多的伙伴合作,拓展丰富的场景应用,共同迎接智能世界的到来。结束语可以说,华为AIOps为电信网络运维注入了智慧因子,通过将专业经验与AI技术融合使能千行百业,为智能化运维提供了便捷、高效的数字平台。与此同时,华为还携手合作伙伴构建了开放共赢的生态,降低AI开发门槛,帮助伙伴将丰富的AI应用实例落地到相应的行业场景中,加速了5G新基建在智能时代的百花齐放。文章来源:腾讯原文链接:https://new.qq.com/rain/a/20210425A0DS0L00
  • [2021暑期计划] 【暑期Flag】我要坚持每天学点AI技术或IoT知识!
    【暑期Flag】我要坚持每天学点AI技术或IoT知识!
  • [2021暑期计划] 【暑期Flag】我要坚持每天学点AI技术或IoT知识!
    【暑期Flag】我要坚持每天学点AI技术或IoT知识!
  • [行业资讯] 物联网应用场景向纵深拓展 激发无线通信模组行业提速
     新华社记者周文林  伴随与人工智能、5G技术更紧密的结合及产业政策的持续支持,物联网正向着更广阔的应用场景迅速扩展。值得关注的是,在此背景下,作为支撑物联网“基础设施”之一的无线通信模组行业也在进入发展快车道。  “从动态监测田间作物的墒情、苗情到煤矿智能化生产,从无人驾驶汽车到智慧水表、电表,物联网应用场景不断拓展的趋势,给无线通信模组行业的发展提供了良好契机。”国内领先的无线通信模组厂商广和通CEO应凌鹏说。  据悉,无线通信模组是连接物联网感知层和网络层的关键环节。它使各类终端借助无线模组可以实现通信或定位功能。如果产业链中缺了无线通信模组,“万物互联”就很难实现。  从相关数据看,无线通信模组产业能够壮大的基础,正是源于近年来物联网产业的快速发展。从全球趋势看,根据国际知名研究机构IDC最新发布的报告,预计到2025年,全球物联网市场将达1.1万亿美元。  同时,与物联网密切相关的5G等产业也不断获得政策支持。工信部等十部门近日印发《5G应用“扬帆”行动计划(2021-2023年)》,大力推动5G全面协同发展,深入推进5G赋能千行百业。  从整体上看,我国物联网产业在标准制定、技术等多个方面的推进,带动了包括无线通信模组在内的产业链各环节的发展。  在用户方面,截至4月末,三家基础电信企业发展蜂窝物联网终端用户12.36亿户。其中,应用于智能制造、智慧交通、智慧公共事业的终端用户占比分别达17.3%、17.8%、21.9%。  值得关注的是,伴随与人工智能、5G的融合,物联网产业的应用场景迅速扩展,这既给无线通信模组行业带来了新机遇,也带来了新挑战。  近日在上海举办的2021世界人工智能大会上,将人工智能、物联网、互联网技术集成应用的COFE+机器人咖啡亭激发了旺盛人气,咖啡亭中布有传感器传输信号,能及时指导仓库备货,合理安排制作每杯咖啡所需时间。  上述场景,折射了物联网发生的新变化。在日前举办的百度智能云“云智技术论坛”智能物联网专场上,百度副总裁马杰表示,物联网正向着更广阔的应用场景迅速扩展,“万物智联”是物联网演进的必然趋势。我们已站在IoT(物联网)和AI(人工智能)融合的关键路口,IoT的网联化和智能化,将为IoT发展带来新价值。  此外有业内人士认为,物联网应用和服务等领域目前仍处于发展初期,发展潜力巨大。同时,物联网各环节在技术上仍需持续提升。北京理工大学相关专家表示,物联网带来的产业集聚,为数字经济提供了强力支撑,同时我国在物联网、传感器等领域亟须补齐短板。  应凌鹏认为,面对行业发展新变化、新特点,模组厂商应持续推出多通信制式、适合多种物联网应用场景的模组产品,以模组变革商业模式,助力客户制定数字化转型战略地图,增强战略规划和业务布局。  从当前的发展态势看,无线通信模组行业正以其在物联网产业链中承上启下的重要地位而日益凸显价值。诸多迹象显示,近期无线通信模组企业纷纷加大了向物联网应用场景的深入掘进。例如在能源行业,5G通信模组通过传感器连接和管理,实现高效的电力巡检和监控;在光伏扶贫项目上,无线通信模组可助力光伏设备实现稳定发电。  同时,国内无线通信模组领域的竞争较为激烈。有分析认为,未来这一行业企业之间的竞争,将更加聚焦在产品线的丰富程度以及满足客户定制化需求的能力。  “总体而言,无线通信模组行业机遇与挑战并存。积极构建行业生态与创造行业价值是赋能千行百业的核心要素,无线通信模组领域必须与全产业链谋求持续的联动合作,共同聚焦产业核心关切问题,加速构建跨界融合、互利共赢的数字生态共同体。”应凌鹏说。  业内人士认为,伴随物联网展现的发展新态势,无线通信模组行业将在今后一段时期以“小而聚焦”的特点,持续激活“大而广阔”的物联网应用,在激发新消费需求、加速产业融合与变革中发挥重要作用。
总条数:3093 到第
上滑加载中