第四范式成立于2014年，聚焦决策类AI领域，通过提供以平台为中心的AI解决方案，使企业实现人工智能快速规模化转型落地，提升企业的决策能力。第四范式的愿景是「AI for everyone」。根据灼识咨询报告，以2020年收入计，公司在中国以平台为中心的决策型AI市场排名第一。The Forrester Wave将其评为2020年预测分析与机器学习中国市场评测领域第一名。作为最大的即将上市的平台型人工智能公司，能否降低AI技术的应用门槛，是第四范式成功与否的关键。1、天才创业，以AI平台破局AI是企业深入推进数字化和智能化转型所必须导入或采用的技术，但其过高的门槛让众多缺乏技术和人才储备的企业望而却步。2016年7月，第四范式开发出了一个能够让非专业人士使用的机器学习平台——先知。用戴文渊的话说，就是一个完全不懂技术的小白，通过运用此数据架构平台，大概经历2周的时间，就可以成为一个AI专家。先知平台由人工智能操作系统Sage AIOS、包括HyperCycle及Sage Studio的人工智能开发套件两部分组成。Sage AIOS是一个企业级人工智能操作系统，具有界面友好、数据治理标准化、资源管理和调度自动化、中间软件全面兼容的优点。利用无代码和低代码开发工具HyperCycle、Sage Studio系列，用户可快速便捷地大规模部署各种定制化的人工智能应用。目前，第四范式的这套解决方案已广泛应用于金融、零售、制造、能源与电力、电信及医疗保健等众多行业。招股书显示，2021年前三季度，公司服务了55家财富世界500强企业及上市公司（即标杆用户），整体企业用户数量同比增82.4%至186家。随着用户数量扩大，第四范式的营收规模也逐年迅速增长。在2018年、2019年及2020年，其收入分别为人民币1.28亿元、4.60亿元、9.42亿元。2021年前三季度的收入同比增长134.3%至人民币13.45亿元，已远超2020年全年水平。第四范式创始人兼CEO戴文渊是个理工天才。他是全世界首个提出「非监督迁移学习」概念的人，开创了「非监督迁移学习」这一重要研究方向，获得过中国智能科技界最高荣誉「吴文俊人工智能科学技术奖」一等奖。在机器学习子领域迁移学习，他更被认为是该领域的全球领军学者，单篇论文被引用次数全球排名第三。戴文渊在AI技术行业拥有超过10年经验。他是商用AI系统百度“凤巢”的设计者，于2014年创立第四范式。2、估值30亿美元，资本的香饽饽决策人工智能赛道对于数据的处理能力、算法精确度要求非常高，因此相关企业也存在面临机会成本高昂、回报短期内难以评估、落地部署困难等诸多问题。第四范式也不能例外。招股书显示，在2018年、2019年、2020年和2021年前三季度，扣除以股份为基础的非现金薪酬影响后，经调整经营亏损在同期分别为人民币2.13亿元、3.18亿元、3.86亿元及3.91亿元。在研发费用投入上，在2018年、2019年、2020年及2021年前三季度，第四范式研发费用分别为人民币1.93亿元、4.16亿元、5.66亿元及8.44亿元，占同期收入的比例分别为151.2%、90.6%、60.0%及62.8%。尽管亏损连连，第四范式依旧是资本追捧的「明星」。成立至今，第四范式融资金额超10亿美元，估值接近30亿美元。2021年1月，第四范式宣布完成D轮7亿美元融资，为2020年以来AI技术领域披露的最大单笔融资。本轮融资由春华资本、博裕资本、厚朴投资领投，并引入国家制造业转型基金、国开、国新国同、建投华科、熙诚金睿、中信建投、海通证券等战略股东，红杉中国、中信产业基金、高盛、金镒资本和方源资本等财务投资机构。引人注目的是，第四范式还是第一家获得了中国工商银行、中国农业银行、中国银行、中国建设银行、交通银行等五大国有银行共同投资的创业公司。戴文渊曾表示，过去AI是可以for someone，特定企业才能拥有；未来AI终将for everyone，「第四范式要做的事情，是不断降低企业使用人工智能的门槛。」招股书显示，第四范式拟将此次IPO募集资金用于：加强基础研究、技术能力和解决方案开发；拓展产品，建立品牌及进入新的行业领域；寻求战略投资和收购机会，从而实施长期增长战略，以开发解决方案及拓展及渗透所涵盖的垂直行业；以及一般企业用途。

我们身处一场伟大的数字化浪潮中。创新如潮水般带给人们多样的选择和崭新的机遇。在许多国家，这种变化深刻影响着每个人、每个家庭、每辆车以及每个行业，重新定义着我们的工作、学习、生活与健康。今天，5G在全球加速部署，带来种种前所未想的可能。我们在见证一个时代，在这个时代，5G将全方位地改变生活、革新产业、重塑社会。展望2030年以及更远的未来，我们希望下一代移动通信带给我们什么？1.1　移动通信的演进自20世纪80年代以来，移动通信系统发生了翻天覆地的变化，大约每十年就会产生新一代技术。而移动网络主流业务的普及和新频段的成熟应用通常需要经历两代（也就是20年）才能成熟。如图1-1所示，每一代无线接入网和核心网都采用了新技术、新设计原则和新架构，能力较前一代显著提升。2G和3G网络的主要驱动力来自以语音通信为主的移动用户。随着手机的渗透率和语音业务的使用率趋于饱和，这种依赖用户数的商业模式开始增长乏力。从3G到4G，数据业务迅猛发展，移动宽带成为4G的主导业务。过去10年，移动通信的重大进步对人们的生活方式产生了深远影响。譬如，承载各种应用的智能手机已渗透到生活的方方面面。此时，4G网络运营商的收入主要依靠流量而非用户数，人均流量消耗的增长驱动了业务增长。得益于4G技术能力的进步，面向移动端的应用创新大量涌现，彻底改变了我们的日常生活。在中国，从现金支付到线上支付的转变是一大力证。如今，支付宝、微信支付以及Huawei Pay等在线支付手段早已成为大众喜闻乐见的支付方式。不管是购买日用百货，还是缴纳停车费，人们无须携带现金就可以轻松完成支付。另一个例子是社交媒体的兴起。任何人都可以随时随地通过智能手机与他人分享图片和视频。社交媒体已然成为一个新闻载体，加速了信息的传播。随着越来越多的高速率、大带宽应用不断涌现，这种创新趋势在5G中得到延续。这些应用涉及高清视频，以及增强现实（Augmented Reality，AR）、虚拟现实（Virtual Reality，VR）、混合现实（Mixed Reality，MR）等沉浸式媒体。目前，全球在用的智能手机数量约为38亿。预计到2025年，这一数字将达到80亿。届时，移动互联网用户数将超过65亿，其中80%的用户使用移动宽带。除此之外，AR/VR用户数将达到4.4亿，40%的车辆将接入网络。随着窄带物联网、工业物联网、车联网的标准化，移动网络已经从基于增强移动宽带（enhanced Mobile BroadBand，eMBB）的人联，转向基于超高可靠低时延通信（Ultra-Reliable Low-Latency Communication，URLLC）与海量机器通信（massiveMachine Type of Communication，mMTC）的物联。这种转变反过来又促进企业的数字化转型，让企业为下一波经济增长做好准备。5G商用最初聚焦于消费者业务，但3GPP 5G标准后续版本（如R16、R17等版本）的演进目标是催熟车联网、工业物联网等垂直应用。为了在众多企业和行业中实现不同级别的自动驾驶和工业4.0，移动通信领域正在与5G-ACIA、5GAA等各大垂直行业联盟紧密合作，致力于加速移动技术的应用。据估计，2025年后将实现四级自动驾驶，车联网的普及也将极大地提升运输效率。优化的商业流程和更高的生产效率将成为未来GDP增长的关键动力。5G开启了万物互联的大门，6G则有望演变为一个万物智联平台。通过这个平台，移动网络可以连接海量智能设备，实现智能互联。我们有理由相信，下一波数字化浪潮将带来更多创新，全方位地满足我们各方面的需求。通过人工智能和机器学习，物理世界和数字世界能够实时连接，人们得以实时捕捉、检索和访问更多信息和知识，步入智能化的全联接世界。同时，感知、分布式计算、先进一体化非地面网络、短距离无线通信等技术也将为未来的智能移动通信网络奠定基础。1.2　关键驱动力1.驱动力一：新应用和新业务目前，运营商的业务收入取决于每用户流量消耗的增长。如图1-3所示，从2020年到2030年，预计全球物联网与非物联网设备每月每用户平均移动流量消耗（实线表示）和用户数（方柱表示）将持续增长。图中数据来自ITU-R M.2370报告[3]。从图中可以看出，2020年智能手机用户的增长已经饱和，2020年至2030年的年均复合增长率约为6%。另外，根据全球移动通信系统协会（Global System for Mobile Communications Association，GSMA）的预测，从2019年到2025年，个人移动用户的渗透率将只增长3个百分点，即从67%增长到70%[4]。尽管如此，预计在10年内，每移动宽带（Mobile BroadBand，MBB）用户的移动数据流量将增长50倍，从2020年的5.3 GB/月增长到2030年的257 GB/月。5G平台已经广泛支持高速率、大带宽应用，拉动了流量消耗，也刺激了对网络容量的需求。在6G时代，更多应用将会涌现，扩展现实（Extended Reality，XR）云服务、触觉反馈、全息显示都有可能成为主流应用，涵盖360度VR电影、AR辅助远程服务、虚拟3D教育旅行、触觉远程医疗和远程操作等应用场景。据华为全球产业愿景报告预测，到2025年，头戴式VR/AR设备用户将超过3.37亿，10%以上的企业将使用AR/VR技术开展业务，而这些数字到2030年肯定还会增加。随着云XR应用数量和普及度的增加，以及显示尺寸、分辨率和刷新率的提高，5G能力的演进恐难以满足速率和时延需求。每个用户流量需求的指数级增长、对时延和可靠性的严格要求，以及此类用户数量的大幅增长，将成为6G网络设计的主要挑战。而且，很多运营商推出了无限流量套餐，这已经成为主流的商业模式，也将带来数据流量的增长。从图1-3还可以看出，到2030年，物联网设备数量将比2020年多13倍，企业和消费者的物联网连接都将持续增长。GSMA在其2020年移动经济报告中预测，到2024年，企业物联网的体量将超越消费者物联网。因此，人工智能将成为各种自动化的引擎，感知实时环境并利用海量数据进行实时决策。在智慧家庭、智慧医疗、智能汽车、智慧城市、智慧楼宇、智能工厂等场景中，宽带传感器将大规模部署，用于获取人工智能所需的海量数据。大数据是机器学习成功的基础，也是6G网络吞吐率实现数量级提升的重要驱动力。此外，网络感知、非地面通信等新能力将成为6G移动系统的有机组成部分，利用无线通信信号以及海量网络节点和终端设备本身的感知能力，实现对大面积区域的实时环境监测和成像。高性能工业物联网应用在确定性时延和抖动方面对无线性能也提出了更高的要求，可用性和可靠性必须得到保证。例如，时间敏感的命令与控制、多机器人运动协调与协作，都要求高性能。这些应用场景也是6G极致、多样化性能的驱动力。2.驱动力二：普惠智能未来几十年，数字经济将继续成为全球经济增长的主要动力，其增速将远高于全球经济增长本身。以2019年的统计为例，数字经济的增速是全球经济增速的3.5倍，达到15.6万亿美元，占全球经济总量的19.7%。预计到2025年这一占比将达到24.3%。按投资杠杆比较，在过去30年，数字经济投资每增加1美元，就撬动20美元的GDP增长，而非数字经济投资的平均杠杆率仅为1:3。移动通信是信息和通信技术（Informationand Communications Technology，ICT）产业中最具活力的领域之一，对人们的生活产生了深刻影响，缩小了数字鸿沟，极大地驱动了社会整体生产力的提升和经济的增长。到2024年，预计移动技术与服务将贡献全球GDP的4.9%（接近5万亿美元），日益普及的移动服务在提升生产力和效率的同时，也会使更多的行业受益。相信这一发展趋势将持续到2030年及更远的未来。随着普惠智能成为未来商业和经济模式的重要基础。原生AI支持：尽管5G在核心网设计中引入了一种新的网络功能（即网络数据分析）来实现智能化，但目前AI在网络运维管理中的应用范围仍然有限。实际上，5G仅将AI视作一种OTT（Over-The-Top）业务。6G则不同，在端到端移动通信系统的设计环节就考虑了对AI和机器学习的最佳支持，AI不仅仅是一项基本功能，还要实现最优效率。从架构角度看，在边缘运行分布式AI可以达到极致性能，同时也能解决个人和企业的数据所有权归属问题，满足不同国家和地区的监管要求。6G的“原生”AI支持旨在随时随地提供AI服务，并通过持续优化，不断提升系统性能和用户体验。因此，智能化达到了真正无处不在的程度，并与深度融合的ICT系统相结合，在边缘侧提供丰富的连接、计算和存储资源，成为6G的原生属性。相应的算法、神经网络、数据库、应用编程接口（Application Programming Interface，API）等能力也必须作为网络实现的一部分集成到6G系统中。具备原生AI支持的6G网络架构将实现AI的联网，从现在的集中式“云AI”转变为将来的分布式“互联AI”。原生数据隐私保护：在5G及前几代网络安全能力的基础上，6G将隐私保护纳入关键设计要求和原则。为6G组网和数据提供全面的隐私保护变得至关重要。一方面，数据所有权和访问权这两个关键因素对网络架构的隐私保护实现提出了挑战。另一方面，原生AI的网络架构也对分布式数据处理和访问能力提出了隐私保护要求。数据虽然是靠网络和应用的服务提供商来保障隐私的，但是由数据主体的用户行使授权的，应该让作为数据主体的用户来行使控制和操作数据的权利。下一代系统的设计应该将隐私保护作为首要任务，而不是一个附加特性。同时，还应确保数据主体的数据拥有权，在数据主体的授权下使能对数据的控制、操作和处理，适配数据隐私/保护条例或律法（如欧盟的《通用数据保护条例》），为未来的技术设计和应用建立基本的指导原则。原生可信：为支持各种应用场景和多样化的市场，必须为6G定制可验证和可度量的可信体系。5G和前几代通信网络中的运营和授权都采用集中模式，未来6G将有可能演变成一种多方参与、共建共赢的模式。这种商业模式要求可信架构必须顾全诸多因素。一个开放包容的多模信任模型，会比以往的单一信任模型更适合6G网络和业务。因此，一个值得信赖的6G架构除了要适配未来的网络和业务需求，还应考虑网络安全（security）、隐私（privacy）、韧性（resilience）、功能安全（safety）、可靠性（reliability）等多方面的可信因素。多元生态：AI的三大要素是数据、算法和算力。然而，单个企业可能不具备这三大要素的所有能力，无法独立地完成以智能化、快速技术创新为特征的数字化转型。如此一来，构建一个开放、可持续、多方协作的生态系统，是实现商业成功不可或缺的前提。并且，随着5G能力的逐步扩展，垂直无线市场预计将在21世纪20年代持续升 温。ICT领域和运营技术（Operational Technology，OT）行业的玩家已在探讨如何开展合作，创造新的收入来源。在此6G时代序幕开启之时，构建一个通用的ICT框架大有裨益。这个框架可以为所有行业提供全局视角，从而加速ICT和OT领域的合作与融合。第一波6G商用有望为消费者和垂直行业两大市场都注入强劲动力。3.驱动力三：社会责任与可持续发展我们以新冠肺炎为例来谈谈社会责任与可持续发展。这场全球危机影响了全世界几乎每一个人。疫情期间ICT行业奋起抗疫，在挽救生命方面发挥了关键作用。无线通信和定位技术能够追踪感染病人和监测疾病传播。为了减少医务人员的暴露风险，在5G医疗自动化领域涌现了许多重大创新。为了减少人员聚集同时又活跃经济，很多国家充分利用了基于无线网络的各类远程应用，如远程医疗、远程教育、远程办公、工业自动化、电子商务等。移动产业在这场疫情中支撑着全球经济的运转和社会的运行，由此产生的应用场景又反哺移动产业的未来技术演进。移动网络有可能彻底改变商业、教育、政府、医疗、农业、制造和环境，以及我们与他人互动的方式。移动网络在不断促进社会进步，并完全有可能重新定义人类世界。根据GSMA报告，联合国在2015年提出了旨在改变世界的可持续发展目标，而移动通信是实现这一系列目标的核心基石和重要手段。围绕其中所有17项目标，移动产业都扮演着休戚相关的重要作用，并且这种影响力与日俱增，为数字经济提供了坚实的基础，成为多样化创新业务的催化剂。华为和联合国分析了ICT与可持续发展目标相关性的量化基准[7]，用以衡量ICT技术发展在多大程度上促进可持续发展目标的达成。根据2019年的评估，ICT技术成熟度与可持续发展目标的推进呈现出强相关（相关度为0.86）。在环境的可持续发展方面，ICT技术演进深刻影响目标7（经济型清洁能源）和目标11（城市与社区的可持续发展）的达成。世界正在日益城市化，预测显示，到2030年，城市人口将达到50亿，这些人口只占用3%的可居住土地，却消耗高达60%～80%的全球能源[8]。随着每比特能效的持续提升，ICT技术将越来越趋近碳中和，而基于ICT技术的智能电网、智能物流、智能工业等丰富的解决方案将使未来世界变得更节能，增进世界发展的可持续性。截至2020年，全球约60%的人口已经接入移动网络。另外的40%，有望在5G和6G网络中通过融合卫星通信等技术实现联网。举例来说，5G网络已经尝试将非地面接入技术融入5G新空口中。而雄心勃勃的星座卫星计划，将集结成千上万颗超低轨卫星以加强地空通信，并可能在6G时代结出硕果。通过移动网络提供的业务、应用与内容，有助于扩大经济融合度、增强社会凝聚力。物联网、大数据、人工智能、机器学习等新兴技术，越来越多地集成到网络基础设施中，为社会与环境的深入变革带来了巨大潜力。由于ICT技术与可持续发展目标的高度关联性，我们必须全面考虑6G通信系统和网络的设计如何支撑可持续发展目标的达成。1.3　总体愿景移动通信在短短四十年内彻底改变了世界。今天，不仅个人的工作和生活高度依赖无线网络，企业的数字化转型也离不开它。随着最新一代5G技术逐步落地，无线网络将从联接每个人扩展到联接万物。这种超联接让社会的全面自动化成为可能。同时，无线创新的势头也有增无减。正如Science, the endless frontier一书所指出的，无线技术的探索永无止境。未来十年无线技术将不断创新，基于机器学习的人工智能将会崛起，而把物理世界复刻为数字世界的数字孪生也将诞生。人工智能与数字孪生将形成双轮驱动，进一步助推技术的突破。由此产生的6G网络将重塑社会和经济，为未来的万物智能奠定坚实基础。作为下一代无线通信技术，6G将从人联、物联过渡到万物智联。随着社会迈向万物智能，6G将成为人工智能普及的关键因素，将智能带给每个人、每个家庭、每辆车和每个企业。6G就像一个遍布通信链路的分布式神经网络，融合物理世界与数字世界。它不再是单纯的比特传输管道，在联接万物的同时，也能够感知万物，从而实现万物智能。因此，6G将成为使能感知和机器学习的网络，其数据中心将成为神经中枢，而机器学习则通过通信节点遍布全网。这就是未来万物智能数字世界的图景。6G将推动所有垂直行业的全面数字化转型。它提供多T比特速率、亚毫秒级时延、“七个九”（99.999 99%）可靠性等极致性能。与5G相比，6G将在关键性能指标上取得重大飞跃，部分指标将提升超过一个数量级。6G将提供速度、可靠性比肩光纤的高性能通用连接，但一切都以无线的方式实现。由于摆脱了功能和性能的限制，6G会成为通用平台，支持创建任何业务与应用，最终实现“极致连接”！6G的颠覆性技术及重大创新，会与前几代拉开显著差距。原文链接：https://blog.csdn.net/Piotr_ce/article/details/123068170?spm=1000.2115.3001.5928

2022年RPA行业发展十大趋势，六千字长文助你看懂RPA2022年RPA行业如何发展?十大趋势助你看懂RPA行业未来这里有2022年RPA行业发展的十大趋势，关注RPA的朋友定要收藏!文/王吉伟从2019年RPA元年开启，到现在金融、电商、政企等领域人人皆谈，RPA在中国的发展仅仅用了三年。这个速度，比之前预计的都要快。RPA不只表现出了“中国速度”，在全球范围内也正处于高速发展阶段。HFS Research研究数据显示，2016-2018年RPA全球市场规模的年增速均超过50%，预计2022年全球市场规模将达到43.08亿美元。虽然持续的新冠疫情对全球经济造成了巨大影响，让很多行业出现了倒退迹象，却也间接刺激了各大组织对于自动化和智能化的需求。Gartner预计，2022年全球90%的大型组织将以某种形式应用RPA;到2024年，RPA市场继续保持两位数的高速增长。更有相关数据预测，2019 年到 2029 年，10年内全球机器人过程自动化市场将以 33% 的复合年增长率高速增长。这表明在未来3-5年内，RPA行业将是增长最快的软件市场之一。随着更多领域越发了解RPA，它也从原来的技术领域更多地渗透向业务领域。以前关注RPA的多是CIO与CTO，现在财务、人力资源、共享中心等领域的业务高管们，也正在成为RPA的狂热粉丝。狂热意味着需求，有需求自然要购买。各大组织偏爱哪些技术与工具，要看CPO们的采购清单。德勤发布的《2021年全球首席采购官(CPO)调查报告》显示，在创新技术采购领域，RPA已成为首席采购官们的采购重点。RPA的采购率从2019年的2.4%上升到2021年的27.5%，增长了10倍以上。多个报告和多组数据皆在表明，未来几年RPA市场规模将会呈现超高速增长。而要适应一个这样的高速发展的市场，RPA厂商们就必须紧紧把握千载难逢的机会，持续创新与突破求发展。更要看清行业的未来发展趋势，结合自身优势做专、做精、做强，不断夯实自身以更稳健地前行。2022年RPA行业会有哪些发展趋势?RPA厂商们会有哪些动作?本文，王吉伟频道总结并预测了行业未来十大趋势，帮助大家进一步了解RPA行业。趋势一：RPAaaS将会更进一步近些年RPA正在逐步向云计算迁移。同时云计算、大数据等厂商所推出的云原生RPA，本身就具备SaaS或者PaaS属性。“一切皆服务”的趋势下，为了让广大中小企业更方便地应用RPA ，RPA领域也产生了特有的RPAaaS(机器人流程自动化即服务)模式。使用RPAaaS跟使用其他SaaS应用一样简单，只要在网页登陆客户端就能简单开发、配置以及管理业务流程，大大降低了的RPA机器人的开发与应用难度。使用RPAaaS的组织，无需投资昂贵的基础设施、前期许可成本和大规模实施的高额咨询成本，就能获得业务流程自动化能力。这些特点，使得更多组织尤其是中小型企业在业务流程自动化方案的选择上，更倾向于RPAaaS。已经上云的企业，在不涉及核心数据的业务场景中，也会优先选择RPAaaS。我们看到在Automation Anywhere(AA)之后，更多的RPA厂商正在通过自研、投资及收购的模式，积极从技术上拓展RPAaaS。很多厂商都推出了自动化云或者积极推动基于云的RPA部署，进而减低用户在RPA部署与使用上难度，以推动RPA的终极愿景“人人可用”。目前AA、UiPath等产品已经实现了网页端登录，其他厂商也基于客户端实现了不同程度的SaaS化。可以预见，2022年将会有更多厂商在RPAaaS方面更进一步。趋势二：AI深度融合让RPA更加智能这一波RPA热的原因，在于AI赋予了RPA新的生命。AI与RPA的融合，成就了RPA应用市场与资本市场的双重价值。AI与RPA的融合度越高，也就意味着RPA能够适用于更多场景，其商业价值自然也就越高。AI与RPA的技术融合，前两年被称作AI+RPA、RPA+AI或者IPA，现在一些厂商开始主打智能自动化(IA)。基于RPA的智能自动化，将 RPA 和人工智能相结合，以增强端到端流程并加速数字计划。使用 AI 增强 RPA 的企业扩展了业务流程自动化的可能性，以涵盖几乎所有场景。当然，IA的实现路径不只有AI+RPA，但AI与RPA融合的解决方案却是最容易实现且最有效的。基于RPA的智能自动化，现在更多时候被称作智能RPA，也被称作认知RPA、认知自动化、语义自动化或智能流程自动化(SPA)，是指用自然语言处理(NLP)、光学字符识别(OCR)、深度学习、机器学习等人工智能技术增强的RPA。智能RPA 使企业不仅能够自动化重复的基于规则的任务，还能够自动化基于结构化和非结构化数据的预测和预测。有数据统计，自2014 年至今，约 90% 的 C 级高管称其组织中已经存在某种程度的智能自动化。而在实现的方式上，显然更多的中小企业会选择成本更低的智能RPA。另有数据显示，RPA 和智能流程自动化市场在2023年将会达到350亿美元。因此，2022年将会有更多组织尤其是中小型组织会采用智能RPA。趋势三：更多RPA厂商拥抱超级自动化架构超级自动化（Hyperautomation）被Gartner定义为“先进技术的应用，包括人工智能(AI)和机器学习(ML)，以日益实现流程自动化和增强人员能力。”超级自动化不仅涵盖了一系列可以自动化的工具，还涉及自动化的所有实现步骤(即发现，分析，设计，自动化，测量，监控，重新评估等)。它的诞生在于市场需求，大量组织缺乏技术与经验，无法做到根据企业经营战略扩展以及实施自动化，所以必须借助RPA厂商等组织为其提供完整的端到端的自动化，以进一步增强业务流程。超级自动化就是一套自动化方法论和综合解决方案，帮助企业快速实现业务流程自动化。目前，海外RPA厂商的战略规划与产品组合大多都基于超级自动化架构，国产RPA厂商也正在朝着这个方向发展。比如弘玑Cyclone在10月份发布了超级自动化产品矩阵，华为在11月份发布的覆盖全场景、全生命周期的企业级超自动化架构RPA产品WeAutomate 3.0，包括云扩科技的最新产品战略也是以RPA+LCAP构建超自动化平台。同时，从其他厂商的最新产品线中，也能看到它们也在基于超级自动化架构构建更丰富的产品组合。据Gartner预测，到2022年全球范围内的可支持超自动化软件市场将达到近6,000亿美元，折合约4万亿元人民币。同时在增效降本方面，到2024年，超自动化技术与重新设计的操作流程相结合，可为企业降低30%的运营成本。可以预见，2022年将会有更多RPA厂商拥抱超自动化架构。趋势四：自动化优先成为企业管理思维随着RPA日益成为企业数字化转型的重要解决方案，RPA所带来的显著的增效降本在越来越多的业务场景中上演。渐渐地，自动化优先思维(automation first mindset)也开始影响更多组织的管理者，并日益流行起来。自动化优先思维是一种方法论，一种新的企业管理思维。它要求组织在设计、改进或转换工作流程时优先寻求自动化解决方案，能够用自动化解决的问题都交给自动化来解决。自动化优先思维只关注业务流程自动化本身，讲究的是能够用自动化来做的业务全都用自动化完成，并且能够兼容自上而下与自下而上同步进行。这就让以往组织管理的框架式的标准化与更灵活的自动化得以并行，进而解决了成本、效率与稳定不同步的难题。自动化优先思维的出现，是智能化与自动化在各大组织中普及的必然，同时也能推动更多组织更快地推广业务流程自动化。早期应用RPA的组织，现在已将自动化优先思维作为企业管理主要思维，基于此去管理企业经营中更多的业务流程，并已将其升级到战略层。自动化优先思维不只能加快组织的业务自动化进程，更能助力RPA在各领域的快速推广与普及。2022年开始，它将会成为更多组织数字化转型的方法论，也将成为各RPA厂商开疆扩土的指引“神器”。趋势五：数字化转型领域更加认同RPA王吉伟频道一直有一个观点：业务流程自动化是数字化转型的最佳切入点。之所以这样说，在于业务流程自动化能够自下而上地快速帮助企业实现增效降本，杜绝了传统数字化解决方案投入大、工期长、见效慢的通病。同时，基于RPA的业务流程自动化还能凭借非侵入、高扩展等特点，让组织之前投入的IT设备与技术再度上岗。大型组织引入RPA，除了其具备传统自动化所没有的灵活性与扩展性之外，一定程度上更是将其作为粘结剂，通过RPA连接更多的企业管理系统与IT设备，进而实现更高的ROI。RPA让业务流程自动化不再是大型企业的特权，广大中小企业都可以使用RPA简单、快速、低成本地实现业务流程优化。甚至，可以一直使用一些厂商的免费社区版进行业务流程优化。比如某个大型国企的地方分公司，就曾使用100多个来也UiBot社区版。数字化转型的终极目标就是降本增效，而业务流程精简与优化是其中的主要内容。目前而言，使用RPA这样的工具来优化业务流程，相较于任何解决方案都是最简单高效的。在你的借助RPA进行的业务流程优化的同时，RPA也会让你的组织与管理同步实现数字化。这样，组织的数字化转型就能效果与指标兼顾，使得数字化转型更有成效。2022年，随着RPA走进更多组织，它也会在数字化转型领域得到更多认同。趋势六：更多组织建立RPA卓越中心RPA 卓越中心(RPA CoE)是负责在组织中实施 RPA的中心组织。RPA CoE的职能角色包括 IT 专家、RPA 顾问、流程经理以及职能专家等。RPA CoE的作用是建立治理模型、最佳实践和专业知识，以优化投资回报。建立 RPA CoE 有多种好处，比如提高机器人开发周期的效率，以及将 RPA 与 IT 集成等，同时还会提供 RPA 培训、服务和支持。一个成功的RPA卓越中心或者自动化CoE，不能仅在技术上保证RPA的实施，更要深度嵌入RPA运行架构，分析、挖掘与优化业务流程，以自动化优先的原则释放企业劳力资源，保证企业运营更加快速、高效，且错误更少。Horses for Source 2020年的研究数据显示，18%的企业为RPA实施建立了专用的CoE模型，其中88%的企业通过CoE有效提升业务价值。从这组数据，可以看出CoE对于企业应用RPA的重要性。2019年，约有40%企业及组织建立了自动化卓越中心。目前，这些卓越中心正随着RPA的大量应用而向RPA CoE过渡。越是认识到RPA价值的企业，也就越能认识到RPA CoE的重要性。现在国内很多应用RPA较多的企业，已经建立了卓越中心或者类似的职能部门，一些组织的共享中心也开始转变为 RPA CoE。想要让RPA发挥更大的价值，RPA CoE不可或缺，同时它也能帮助企业更好地完成数字化转型。UiPath有一个“企业自动化飞轮”模型，列举了实施自动化的10个步骤，第一个步骤就是从卓越中心建立自动化流程。其他厂商比如来也科技、艺赛旗等也已经推出了RPA卓越中心解决方案，能够帮助企业快速建立CoE以保障RPA的应用价值最大化。市场需求加上厂商的引导，2022年必然会有更多组织建立RPA卓越中心。趋势七：RPA将与更多技术融合与集成王吉伟频道多次提过，RPA并不是自动化的唯一途径。自动化的类型有很多，BPA、iPaaS、低代码、工作流以及AI等技术，都可以实现自动化。但从成本、效率、实施难度等多个维度来看，RPA是实现自动化的最佳途径。Gartner数据显示，RPA是2019年和2020年增长最快的企业软件，两年时间营收便增长了38.9%。随着 RPA 功能的发展与完善，包括RPA厂商在内的各组织也需要将其与其他技术集成以建立这种优势。RPA的大流行，意味着各组织的流程自动化将以RPA为中心，融合与集成更多技术与工具，整合相邻业务流程技术的各项功能，以为用户提供更完整的解决方案。将RPA与非IT系统(如HR系统、财务系统)集成，有助于最大限度减少人为失误，保持数据准确性，提高数据可见性。由此RPA可以应用于更多业务场景，对组织的整体业务转型产生持久影响。基于RPA的系统集成已在很多组织中如火如荼地展开，最常见的就是将RPA集成在原有的ERP系统和CRM系统上，用以打通数据壁垒，优化遗留系统性能。对于那些多达上百种管理软件的企业，在摒弃API解决方案之后，则更加依赖基于RPA的数据处理方式，集成与融合对于他们而言更加重要。2022年开始，组织们更加关心的是RPA如何用得更好，这种需求下RPA必然会集成与融合更多应用。趋势八：RPA易用性持续增强在市场方面，RPA一直朝着两个方向延伸：一是面向政企等B端的大中型组织，二是面向中小微乃至C端的个人用户。几乎所有RPA厂商，都在保证大客户的同时，努力拓展C端用户。一方面，大中型组织致力于让一线业务人员成为平民开发者，技术人员并不会过多关注业务，也只有各部门的业务人员才能开发出真正需要的RPA机器人。而产品易用性，决定了业务人员能否快速稳定的利用RPA开发各种应用程序。另一方面，其实C端的个人用户大部分都是某个组织中的个人，有可能就是一线业务人员，他们足以推动整个组织应用RPA。想要捕获更多的个人用户，就需要不断降低应用程序开发难度，并持续提升RPA的易用性。RPA厂商现在正通过各种手段，不断提升RPA的易用性。这些手段包括推出RPAaaS、融合超自动化架构、推出智能文档识别等更多基于AI技术的功能以及完善开发者生态，目的就是通过打造更便捷的流程识别与编排操作、更简单的非标准数据转化、更具体的业务需求场景、更实用的辅助开发小工具等，让用户能够更简单的使用RPA。现在，“人手一个机器人”“让RPA人人可用”已是厂商们的共同愿景。想要快速实现这些愿景，就需要厂商们首先在产品易用性上做文章。只有让大家像使用手机一样快速上手RPA，才有可能实现真正的RPA人人可用。2022年，各RPA厂商将会通过技术、产品、生态等进一步提升RPA的易用性。趋势九：RPA生态更加开放企业生态能力，是指企业构建经济共同体并对外形成服务输出的能力。生态能力越强，企业规模发展越快，盈利能力越强。对于企业服务领域的RPA厂商而言，生态的重要性不言而喻。RPA生态的参与者，包括RPA厂商，RPA开发者，咨询顾问，系统集成商，技术供应商，技术合作伙伴，代理/渠道商及企业客户。在总生态之下有子生态，多个子生态的运转支撑总生态的运行。要快速拓展市场规模，就要构建涵盖更多领域合作伙伴的市场生态。想要构建持续迭代的技术能力，离不开包含更多技术合作伙伴的技术生态。想要开发者们快速学习及提高开发技能，不能缺少助力开发者成长的开发者生态。想要为客户提供更全面的解决方案，更是离不开与各厂商联合的产品合作生态。对于RPA厂商而言，每个生态参与者都是其构建生态能力的重要因素。而生态能力，又决定了RPA厂商的发展情况。各厂商的基因不同，生态能力的侧重点也有所不同：具备技术基因的，可能技术生态与开发者生态会更强一些;而具备市场与营销基因的，往往市场生态会更完善一些。但不管如何构建子生态，总体的生态能力决定了RPA厂商的未来，也是其核心竞争力的体现。越开放的生态系统，生命力也越旺盛，生态能力也就越强。RPA行业目前也正在呈现这一趋势，比如来也UiBot 6.0社区版开放了含设计、执行、管理、AI能力全流程的免费使用，开发者生态进一步开放。相信有了来也科技的领衔，2022年以后将会有更多厂商进一步增加生态开放性。趋势十：RPA成为重要企业管理软件ERP曾是各组织信息化发展的主要系统之一，然而现在ERP和各种遗留系统却成了各组织数字化转型面临的主要挑战之一。ERP 存储了大量难以提取和迁移的关键业务数据，将数据手动输入 ERP系统既费力又费时且容易出错。新的技术冲击之下，传统的集成自动化已经不合时宜，RPA就成了解决ERP数据提取与迁移的最佳自动化工具。包括Gartner在内的很多机构的分析师预测，ERP将经历巨大转变，其中 RPA、人工智能和自动化将发挥重要作用。这个预测的言外之意，是RPA将会接管ERP。RPA不仅能自动化日常重复性任务和业务流程，也能将整个数据录入与输出的过程创建为可执行程序。不只是ERP的人力操作， CRM、BPM、HR、PM、KM、OA等管理系统的人力操作，同样可以用RPA实现自动化操作。同时RPA可以替代人力在各种系统之间搬运数据，将各种系统连接为一个有序运转的整体。由人工操作ERP到RPA操作ERP，实则是在人与软件之间形成了一个人机协作层。简单重复的流程交给RPA处理，决策性的流程交给人来做。这种人机协作模式正在成为企业运营的主流模式，今后以RPA为中心的面向各管理软件的流程形态将会成为组织运营主体，RPA会接管越来越多的企业管理软件。在接管更多的管理软件的同时，RPA也将成为各组织不可或缺的企业管理软件。2022年开始，RPA的企业级应用属性将会进一步增强，成为企业运营标配。【王吉伟频道，关注TMT与IoT，专注数字化转型、业务流程自动化与RPA。】版权声明：本文为segmentfault「王吉伟频道」的原创文章原文链接：https://segmentfault.com/a/1190000041294883

华为RPA结合OCR、NLP等深度学习AI算法，通过模拟并增强人与计算机的交互过程，实现了工作流程自动化。　　近年来，在数字经济大潮的推动下，在市场、政策、技术等多重因素的驱动下，建筑行业加速推进数字化转型。在国务院、住建部、工信部等多项利好政策的指导下，以技术赋能产业发展，为建筑行业进行数字化、智慧化转型指明了发展方向。　　作为世界500强企业，中铁十一局集团有限公司(下称中铁十一局)积极拥抱新技术，深入探索人工智能、大数据、物联网、云计算等新技术在建筑行业的场景应用与落地实践，不断用技术武装自己，在推进企业数字化转型的路上大步向前，越走越快。通过与华为云产业云的深度合作，中铁十一局将华为自研的RPA智能机器人率先应用到集团财务智能化场景中，在合同文件识别、凭证制证、结算办理等流程中快速响应，提升了集团办事效率和服务能力，为集团数字化实践树立了典范。　　拥抱前沿科技，用AI技术破解发展困境　　武昌，长江南岸一座活力迸发的现代化魅力之城。　　作为全国著名的设计之都，武昌区拥有众多国字号建筑设计单位。其中，中铁十一局集团总部就坐落于此。集团下辖11个全资子公司，拥有国家专利授权33项，省级技术中心1个，湖北省高新技术企业4家。　　作为建筑工程行业中的龙头企业，虽然中铁十一局的业务发展势头迅猛，企业规模也越做越大，但是面对劳动力向新兴产业转移这一大趋势，即使在建筑工程行业中排在全国前列，名声鹊起，也同样面临着招人难、用人难、老龄化严重等难题，出现了在库存管理、项目生产安全监督管理等诸多业务中人手不足的困境。尤其是在企业的共享中心，逐年增加的工作量使得库存管理、时效管理难度加大，迫切需要突破人力瓶颈，利用新兴技术处理操作规范化、重复性较高、耗费时间较长的工作，以此来节约人力成本，缓解共享中心业务人员紧张的局面。　　面对业务发展中的困境，中铁十一局积极寻找数字化解决方案，着力增强AI、BIM、大数据、智能化、移动通讯、云计算、物联网等信息技术集成应用能力，力求借助前沿科技驱动“智能建造”与“建筑工业化”的协同发展，有效提升企业管理效率和水平，为加快推动建筑行业数字化转型做出贡献。　　为此，中铁十一局选择与华为云产业云合作，在集团财务智能化场景中共同探讨使用华为自研RPA智能机器人来解决伴随集团规模日益增长、业务流程复杂漫长等问题，并取得了显著的成效。　　加速推进数字化实践，树立建筑行业转型典范　　在国家“双碳”战略的推动下，绿色环保产业按下了发展“加速键”，数字经济已经成为中国未来发展的重要方向，数字化、智能化的深入发展为建筑行业转变发展方式、转换增长动力、推进建筑产业现代化、促进建筑业高质量发展提供了基础能力支持。　　在数字化转型的进程中，中铁十一局不断用新技术武装自己，从部分替代人工到大规模替代人工，在根本上解决了燃眉之急。同时，借助华为云，中铁十一局将华为RPA智能机器人率先应用于集团财务智能化场景中替代人工操作。　　华为RPA结合OCR、NLP等深度学习AI算法，通过模拟并增强人与计算机的交互过程，实现了工作流程自动化。借助规范的业务流程，华为RPA在中铁十一局财务智能化场景中的合同文件识别、凭证制证、结算办理等流程中快速响应，达到了比人工操作更为高效、精准的能力，避免了人工操作存在的有效工作时间局限性问题，让有限的人力资源从简单重复的低价值劳动中解放出来，转向价值更高、更有创造力的工作中，从而提升了集团的办事效率和服务能力。　　实践证明，借助华为RPA打开待生成凭证任务、预览会计凭证等操作，效率提升了13倍。　　由于华为RPA还能够学习并自动执行既定的业务控制规则，有效避免了人工操作可能存在的理解、执行偏差等问题，为合理管理介入管控提供了辅助，更好更快地控制了风险。除此之外，华为RPA还提供了人机交互界面，并具备了低代码快速开发APP小程序的能力，让业务人员也能够根据需要快速开发应用，为业务创新夯实基础。　　中铁十一局与华为自研RPA智能机器人的携手合作，既是双方针对建筑行业数字化转型的成功落地实践，又是双方针对建筑行业数字化转型中AI应用场景的深入探讨。可以说，双方的合作树立了数字化转型的行业标杆。　　未来，武昌区将充分与华为云产业云合作，通过华为公司的技术、生态及解决方案能力，助力区内更多企业数字化、智能化转型升级，将人工智能技术赋能于更多传统产业，孵化“新技术、新业态、新模式”。  作者：张诚本文转载来自51CTO，原文链接：https://www.51cto.com/article/700357.html

近日，国际数据公司IDC发布 《IDC中国2021H1人工智能公有云服务市场研究报告》 华为云一站式AI开发平台 ModelArts 位居中国机器学习公有云服务市场份额第一 连续三次登上该市场榜首位置 报告指出，在中国机器学习公有云服务市场中，华为云受到政企客户的青睐，在AI云服务市场的竞争优势逐渐凸显。华为云一站式AI开发平台ModelArts可以提供数据处理、算法开发、模型训练、模型管理、模型部署等AI模型开发全流程技术能力；率先支持MLOps；持续构建大模型训练优化能力。同时积极打造开放的AI生态，接入生态开发工具，通过华为云AI Gallery联接AI市场的供、需、学三方，助力解决AI落地时所面临的“AI算力稀缺、AI人才短缺、AI开发难、AI行业应用难”两难两缺难题，推动AI走进千行百业的核心生产系统。面向AI开发者，持续提供硬核黑科技服务 ModelArts人工智能集群服务支持大规模分布式训练。为帮助开发者及企业客户解决训练大模型时面临的技术、成本、资源等挑战，华为云一站式AI开发平台ModelArts提供人工智能集群服务，全场景深度优化，支持大规模分布式训练。从端到端全流程角度看，相比线下开发大模型，基于ModelArts的开发效率可提升4倍以上，并且可以解决超大模型训练的资源可获得性问题。云原生模型开发工具链，助力AI开发效率提升。华为云一站式AI开发平台ModelArts支持将云上资源与开发工具链相结合。面向AI初学者，线上CodeLab支持秒级接入资源，可按需切换；面向深度开发者，支持云上远程开发与自定义开发环境。借助云原生的资源调度，开发者可进一步构筑基于ModelArts云原生的算法开发范式和能力。面向AI生态，搭建“知识”+“实训”的AI开发社区 基于一站式AI开发平台ModelArts，华为云构建了开发者生态社区AI Gallery，这是一个AI资产共享的社交平台，也是“知识”+“实训”的AI开发社区。 AI Gallery汇聚了算法、模型、数据集、工作流等10余种、50000余个AI资产，保障AI开发、应用生态链上的各个参与方都能高效地实现各自的商业价值，降低各行各业开发者在人工智能领域的学习门槛，加速AI的应用实践。面向AI行业落地，全面支持全流程MLOps开发 华为云一站式AI开发平台ModelArts全面支持MLOps，改变了原有分段开发AI模型的流程, 实现全流程自动化的协同迭代开发模式。ModelArts也成为国内首个支持MLOps的AI开发平台。 基于MLOps的理念，华为云一站式AI开发平台ModelArts的Workflow工具提供运行记录、监控、持续运行等功能。通过Workflow工具，实现AI开发、运行及运行后监测的全生命周期管理，加快AI开发到落地的迭代速度，以及效果体验的持续优化。同时，开发者可通过AI Gallery实现Workflow快速构建与能力分享。华为云一站式AI开发平台ModelArts帮助企业实现了AI应用全生命周期管理，大幅提升AI开发效率，加速了AI在千行百业的落地。制造领域，华为云和博世华域基于ModelArts Workflow开发出了刀具状态智能识别Usecase。通过刀具声音识别算法，在保证良品率的情况下，刀具使用效率提升5%以上。基于MLOps理念打造的刀具声音识别Usecase，能够轻松地针对不同刀具甚至其他生产工具进行方案扩展，将声音检测算法应用在更广泛的制造行业状态维护场景；药物研发领域，依托华为云一站式AI开发平台ModelArts与华为云一站式医疗研发平台EIHealth，中国科学院上海药物研究所联合华为云训练了华为云盘古药物分子大模型，赋能全流程的AI药物设计，大幅提升新药研发效率；交通运输领域，深圳机场基于华为云机场智能体快速构建60+调度规则，实现机位分配自动化、智能化，让机场靠桥率提升5%，每年帮助260万旅客免乘摆渡车。转自华为云公众号

文章简介开发者如何抓住时代机遇，学好AI？学习人工智能之前，你需要了解这些。想了解人脸识别算法训练，看这篇就够了！初步了解人脸识别技术的发展，通过平台实例的操作，快速训练人脸识别模型。一文读懂文字识别的关键技术和进展华为云OCR融合了多种图像处理技术，具有高精度，鲁棒性和自适应性等特点。三招弱监督方法，从脏数据中得到一个好模型弱监督学习可以从有着大量噪音的互联网图片中训练出一个可用的模型。AI助力，视频分析全面进入智能时代基于人工智能的视频内容分析可以从根本上解决传统内容分析方法性能低下的问题。全面解读文本情感分析，快速识别正负面评价文本情感分析在社交媒体、舆情监测上有广泛应用，比如商品评价正负面的分析。人工客服质检效率低怎么办？华为云带你体验AI智能质检智能质检使用自然语言算法和预定义规则，分析客服与客户对话，提高效率。前沿技术探秘：知识图谱构建流程及方法知识图谱能破解企业智能化知识挖掘和管理难题，实现知识化转型。图神经网络！打开企业盈利的下一个风口图神经网络能做出更精准预测，提供个性化服务，实现精准化营销。画张图，我们就能秒级洞察千亿级复杂关系如果把关系数据模型比做火车的话，那么图数据建模就是高铁。ModelArts3.0 发布，一个让机器狗学会灭火的AI神器训练、标注成本节省90%，一站式AI开发平台ModelArts打通训练数据到模型落地。更懂开发者的视觉AI开发平台，HiLens为设备DIY一双“慧眼”通过端云协同管理和软硬件一体化开发方案降低开发门槛。华为集齐AI龙珠，“召唤神龙”为期不远系统介绍华为在AI芯片、训练集群到训练框架以及云计算等多方面的技术栈。文章简介【ModelArts】深度解读华为云 AI 开发平台 ModelArts 技术架构在竞争激烈的AI框架和平台市场下，技术解读ModelArts如何脱颖而出？【MoXing】华为云深度学习模型API，助你迅速上手AI开发MoXing是华为云深度学习服务提供的网络模型开发API，它让模型的代码编写更加简单。【昇腾AI】华为秀AI硬件实力，发布算力最强AI处理器昇腾910、MindSpore的推出，意味着华为已完成全栈全场景AI解决方案的构建。【昇腾AI】华为发布昇腾AI全栈软件平台，跨越算力应用鸿沟异构计算架构CANN 3.0、全流程开发工具链MindStudio和MindX，覆盖了基础软件到应用使能。【AI芯片】深度解读达芬奇架构：华为AI芯片的“秘密武器”达芬奇架构是华为自研的面向AI计算特征的全新计算架构，具备高算力、高能效、灵活可裁剪特性。【OCR】华为云OCR关键技术、能力分析，让产品落地做到极致硬件的底层优化、自研算子、优化数据模型，华为OCR背后的技术创新。【对话机器人】从架构、API到应用，华为云如何全局践行AI落地？华为云详解如何更好地实现云上强大AI能力的价值落地。【开源框架】MindSpore！这款刚刚开源的深度学习框架我爱了！通过两个实际应用案例介绍开源框架 MindSpore。文章简介【AI助农】华为云ModelArts零代码开发病虫害识别应用使用ModelArts快速开发农作物病虫害识别微信小程序，用人工智能的力量赋能农业。【AI识图】ModelArts自动分组厉害了，一键完成数据标注、过滤将特征相似的图片归为一类，将特征差别大的图片群分离。【AI写作】哎哟不错哦，ModelArts教你写周式情歌通过大量的歌词数据训练模型，实现AI写杰伦风格的歌词。【AI写作】七夕节来啦！AI一键生成情诗，去发给你的女朋友吧！一个自动生成情诗的AI，大家可以在ModelArts尝试复现模型。【AI识人】青春云毕业：如何用AI为毕业生“拍”毕业照？用AI简单而优雅地实现“云毕业照的拍摄”。【AI写作】要是有AI，我要做“李白”——五分钟开发作诗机器人本案例使用CBS为机器人快速配置技能，通过多轮对话实现机器人写诗技能。【AI聊天】听说华为云AI有个聊天官？——浅谈华小唯打造之路从确定人设、找写手到编写语料，一个会聊天的AI是这样被创造出来的。【AI识人】不知道斯嘉丽约翰逊演过哪些电影？知识图谱告诉你训练电影领域的自定义信息抽取模型，构建知识图谱，轻松查询斯嘉丽主演过哪些电影。 【AI聊天】史上最强DIY，手工制作一只会说话的机器狗在语音识别、自然语言处理、语音合成等技术加持下，机器狗实现更丰富的语音功能。【HiLens Studio体验】快速开发一个行人检测与跟踪 Demo凭借HiLens Studio, 任何时间、地点，都可以实现自己的idea。【HiLens Studio体验】如何用HiLens Studio轻松上手口罩检测小工具用HiLens的傻瓜开发工具做一个口罩识别小工具。【昇腾AI】“一分钟”跑通MindSpore的LeNet模型MindSpore的操作实践，献给踩坑的小伙伴。文章简介AI助力“抗疫”，超大规模计算机辅助药物筛选技术解读短时间完成上千万次的模拟计算，让耗时数月的计算机辅助药物筛选在数小时内完成。为机场安上一双“慧眼”，消灭飞机的“黑色十分钟”仅花三天完成AI模型开发，用AI防范跑道侵入事件的发生。一个AI开发平台是如何参与热带雨林保护的？华为要招聘动物语言翻译师，和公益组织一起用AI识别雨林中不和谐的声音。独家解析：为什么中国物流企业的数字化这么难？防暴力分拣、分拣路径优化、OCR单据识别、运输路径优化，AI正在改变物流行业华为云边缘智能技术新突破，多任务学习助力城市楼宇智能升级两个园区每月节省252 MWh的电量，省了36.75%以上的能源。用AI技术推动西安民俗文化，斗鱼超管团队有一套通过图片秒速识别，显示图片背后的那些历史故事。苏州平江河：借助华为AI让治水不再难借助AI，实现7*24小时自动识别抓拍非法撒网抓鱼、漂洗衣物等污损河道行为。文章简介华为专家亲述：如何转型搞 AI？资深行业人士真实经验分享，非AI专业技术人员转型 AI 技术要注意什么？华为云MVP毛昌启：开发者转型记，AI开发平台的“魔力”ModelArts让AI开发不再遥不可及，将普惠AI切实的落到开发者身上。华为云MVP袁覃：ModelArts助力银行客户经理的变形记看银行工作者如何在3天之内训练出泛化能力强的模型。云享专家潘永斌：在人工智能时代追逐的“后浪”ModelArts资深实践者的AI开发之旅。华为云MVP余浩：AI开发，将简单留给开发者，复杂留给华为云在华为云AI全栈全场景AI解决方案的帮助下，余浩带着他的学生做了很多实用的AI产品。华为云云享专家历天一：ModelArts与HiLens端云协同之路从数据标注、调参到模型部署，ModelArts与HiLens让开发者只需专注自己代码的编写。

今年春节，开发者们大显身手的机会来了！利用华为云AI组件，通过简单部署、训练，就可实现老照片上色、动漫脸照片、聊天机器人等30+有用又有趣的应用实例开发体验。终于能在亲朋友好友面前秀一手开发技术：修复老照片，为黑白照片上色，帮爷爷奶奶找回逝去的青春；给弟弟妹妹亲手做一个动漫脸生成器，看看谁的更像柯南、樱桃小丸子；给侄子侄女做一个聊天机器人，让它成为新孩子王，带来更多欢笑。做完这些开发项目（免费体验入口见文章下方），写出体验中的思路、创意、经历等，还有机会获得康佳KC-V5扫地机器人、雷柏机械键盘、HDC开发者长袖文化衫、华为手环等惊喜好礼。有点心动？看看下面活动细则吧：AI免费参与体验入口：项目名入口人脸图像视频动漫生成https://marketplace.huaweicloud.com/markets/aihub/notebook/detail/?id=5ee56b27-732a-40f3-b56f-13d9349ae67fAnimeGANv2照片动漫化https://developer.huaweicloud.com/develop/aigallery/notebook/detail?id=6473b148-f59d-4064-84b6-2b6d78ec546c中文聊天机器人https://marketplace.huaweicloud.com/markets/aihub/notebook/detail/?id=16e6b382-d189-47d9-8b46-5fccd5181544实例感知图像上色https://developer.huaweicloud.com/develop/aigallery/notebook/detail?id=792c79a5-cc29-4a65-be37-514ab959a692GFP-GAN面部恢复https://developer.huaweicloud.com/develop/aigallery/notebook/detail?id=98399bfe-318d-4ec5-9df3-c2da8746d30bDeepSocial-COVID-19社会距离监测https://developer.huaweicloud.com/develop/aigallery/notebook/detail?id=c5c241b2-d02b-49e9-88c8-87c32e2b0e0bU-2-Net生成肖像画https://marketplace.huaweicloud.com/markets/aihub/notebook/detail/?id=7828c948-095b-44ee-88a2-9d308cc079a9re-ID用于人员重新识别的联合判别和生成学习的baselinehttps://marketplace.huaweicloud.com/markets/aihub/notebook/detail/?id=97bfb1cd-e78c-48b9-a452-36c6810cd3d2通过CNN识别数字验证码https://marketplace.huaweicloud.com/markets/aihub/notebook/detail/?id=3248a0ca-4d72-4864-b2ba-2309b7a744e8图像去模糊算法之DeblurGAN-v2https://marketplace.huaweicloud.com/markets/aihub/notebook/detail/?id=f9363b7d-5b9b-4c21-b30b-84e9724af684ESRGAN图像超分辨率重建https://marketplace.huaweicloud.com/markets/aihub/notebook/detail/?id=f56d4564-e8a4-4dc1-815d-24f1d45c1a23Super-SloMo 超级慢动作https://marketplace.huaweicloud.com/markets/aihub/notebook/detail/?id=e5a8e29b-b271-4384-819b-cb27eed9b8db基于深度学习对特定建筑的黑白照片上色的模型https://marketplace.huaweicloud.com/markets/aihub/notebook/detail/?id=1a96fd12-38c9-433a-b40b-ae1a22b3eff1Panoptic-Deeplab(全景分割/PyTorch)https://marketplace.huaweicloud.com/markets/aihub/notebook/detail/?id=02dad887-0bda-417d-a1f7-1b3762fef3f3Fast-SCNN（语义分割/Pytorch）"https://marketplace.huaweicloud.com/markets/aihub/notebook/detail/?id=9b6ab7a9-9b05-4751-8473-e6e134f830e8TSD（目标检测/Pytorch）https://marketplace.huaweicloud.com/markets/aihub/notebook/detail/?id=96a7c704-908c-41b8-acd9-0ed6d2894eb5CenterNet-Hourglass (物体检测/Pytorch)"https://marketplace.huaweicloud.com/markets/aihub/notebook/detail/?id=e8087d2d-25ae-4605-a9d5-ec42a60ef5b8DynamicRCNN_目标检测_PyTorchhttps://marketplace.huaweicloud.com/markets/aihub/notebook/detail/?id=aa5cc2bb-ccd6-4ab7-9a79-6a94745f28a2使用LSTM算法实现UCF-101视频分类https://marketplace.huaweicloud.com/markets/aihub/notebook/detail/?id=151f5768-5641-4bdf-b0dc-4c4377031d8d基于3D-ResNets实现UCF数据集的视频分类https://marketplace.huaweicloud.com/markets/aihub/notebook/detail/?id=e09e16fa-9553-4a9d-a1cf-76b454eba98d强大的视频抠图(RVM)https://developer.huaweicloud.com/develop/aigallery/notebook/detail?id=2316748d-ce18-4345-a720-15d56c8b597eAI创作诗词https://marketplace.huaweicloud.com/markets/aihub/notebook/detail/?id=60658dee-1052-4d26-aacd-9ab5828f0ac4Transformer-机器翻译https://marketplace.huaweicloud.com/markets/aihub/notebook/detail/?id=07c0d966-31fb-469e-b64d-fe347b180f96中英机器翻译https://marketplace.huaweicloud.com/markets/aihub/notebook/detail/?id=7e8663ce-5510-4eeb-a57e-b56322fe9449M-SQLhttps://marketplace.huaweicloud.com/markets/aihub/notebook/detail/?id=0446b890-b87d-4fc0-930b-84ddd263c914金融情绪分析FinBERThttps://marketplace.huaweicloud.com/markets/aihub/notebook/detail/?id=a9a2dc45-6a1a-4404-8853-e099be013ba1ACGAN-动漫头像自动生成https://marketplace.huaweicloud.com/markets/aihub/notebook/detail/?id=355a64f7-09fc-4db2-971a-6ef14b23dd00pix2pix图像风格迁移https://marketplace.huaweicloud.com/markets/aihub/notebook/detail/?id=9f895d12-facf-41c3-b758-2151906b253dCycleGAN图像风格迁移https://marketplace.huaweicloud.com/markets/aihub/notebook/detail/?id=4553d3b9-bd21-4076-b6a3-efeaa3296333天空背景转换https://marketplace.huaweicloud.com/markets/aihub/notebook/detail/?id=1e793f22-d5a2-4ca3-b768-6b19608b5b25damedanehttps://marketplace.huaweicloud.com/markets/aihub/notebook/detail/?id=bfd2134d-d175-4639-9d85-4a16469ea9a9Convmesh 2D图生成3D网格https://marketplace.huaweicloud.com/markets/aihub/notebook/detail/?id=bbd42085-fdda-4588-8d28-d0350d800459图像风格化绘画https://marketplace.huaweicloud.com/markets/aihub/notebook/detail/?id=b4e4c533-e0e7-4167-94d0-4d38b9bcfd63StyleCLIP文本操作图像https://marketplace.huaweicloud.com/markets/aihub/notebook/detail/?id=bc052016-534e-4de0-b618-816cf227db4dStyleGAN3生成高清图https://developer.huaweicloud.com/develop/aigallery/notebook/detail?id=e62562a1-29d1-4c6b-a057-b7562f44c642使用单张2D图进行3D重建https://marketplace.huaweicloud.com/markets/aihub/notebook/detail/?id=6179f6fc-be99-41d4-9b19-edbba1fdc702OpenPose手势识别https://marketplace.huaweicloud.com/markets/aihub/notebook/detail/?id=c4cd7777-9d2f-4ebb-a617-e5c3916fcaf7面向未知域和未知类别的小样本学习https://marketplace.huaweicloud.com/markets/aihub/notebook/detail/?id=3a1b5b56-abd8-449e-839d-b3adf48c6599*加粗部分为重点推荐项目*部分项目有时间限制，但可在时限内重新刷新，获得时间延续我们需要哪些主题的稿件？原则上，我们欢迎所有能帮助所有学习使用华为AI平台的人成长的文章！如基于自己的实际使用经验，分享对华为AI的技术分析、使用感受及在项目实战中的经验等。只要跟华为云AI平台有关的内容，我们都欢迎：如果你还没尝试过玩华为云AI应用，或者不知道该怎么写，请你务必仔细阅读下面1-3篇文章，可以让你更快上手：使用ModelArts实现动态生成动漫头像ModelArts自动学习实现动漫人物识别基于ModelArts学习Python编程手把手教你用ModelArts模型部署上线&在线推理（一）基于ModelArts自动学习的超市商品分类定位基于ModelArts的昇腾CANN的TensorFlow模型迁移性能优化分析你将获得什么？我们会把收到的优质内容汇编成册，并注明原作者，积累行业口碑，开放给圈内开发者下载查阅，提供实践参考。对于贡献优质内容的作者，我们还将送出各项大礼！同时，在华为云站内外10+个技术社区醒目位置进行推荐，给与百万级流量资源。优质作者更可获得长期约稿和更多内容合作机会。评奖规则说明来自华为云EI的评审组与华为云社区运营组将联合评审此次征文。专家评分依据 ：文章篇幅、技术含金量、排版美观度、阅读量、点赞、收藏等指标综合评分。其他说明 ：1、一二三等奖不能叠加。2、一二三等奖可与创作小能手奖叠加。3、征文投稿数量不计入月度激励活动文章数量。在哪里投稿？文章需要发表在社区博客； 是时候展现真正的技术了， 点击前往发布标题以 【华为云AI贺新年】结尾，例如：手把手教你用ModelArts模型部署上线&在线推理丨【华为云AI贺新年】。文章末尾需加上活动名称及链接地址：【华为云AI贺新年】有奖征文火热进行中：https://bbs.huaweicloud.com/blogs/325842有哪些需要注意的1、文章内容需体现技术看点，图文并茂，建议字数在500字以上；2、文章要求为投稿人原创，凡转载或抄袭一经发现将取消参赛资格；3、文章须在华为云社区为首发，如华为云平台已有文章内容则视为稿件无效；4、稿件投稿后，华为云拥有该稿件的使用权、修改权等。快来华为云社区博客，一起构建趣味应用！ 点击立即体验如果有任何问题，可扫描下方二维码咨询。添加微信时请备注：报名活动时使用的华为云昵称！扫码添加小助手：

ModelArts自动学习实现北京冬奥会与残奥会吉祥物识别最近，随着北京冬奥会的开幕，吉祥物“冰墩墩”也一举成为“顶流”，赢得了无数海内外粉丝的喜爱，更是一”墩“难求！当然，雪容融也是相当可爱的，这里使用华为云的ModelArts下的自动学习功能进行一个AI分类识别，看看我们的AI如何鉴别两只小吉祥物！！（图片来自网络） 基础环境准备在使用 ModelArts 进行 AI 开发前，需先完成以下基础操作哦（如有已完成部分，请忽略），主要分为4步（注册–>实名认证–>服务授权–>领代金券）：使用手机号注册华为云账号：点击注册点此去完成实名认证，账号类型选"个人"，个人认证类型推荐使用"扫码认证"。 点此进入 ModelArts 控制台数据管理页面，上方会提示访问授权，点击【服务授权】按钮，按下图顺序操作： 进入 ModelArts 控制台首页，如下图，点击页面上的"彩蛋"，领取新手福利代金券！后续步骤可能会产生资源消耗费用，请务必领取。 以上操作，也提供了详细的视频教程，点此查看：ModelArts环境配置大概流程完成了基础环境准备后，我们就可以开始基于 ModelArts 开始我们的 AI 开发之旅，此次操作主要分为以下几个流程：从AI Gallery下载数据集并上传到华为云对象存储服务（OBS）创建 ModelArts 自动学习项目并导入数据集完成数据标注并进行模型训练将模型部署成在线服务，进行服务调用并获得结果数据集准备点此下载所需吉祥物数据集：吉祥物数据集 稍带提一下AI Gallery：它是华为云 AI 知识 & 实训社区，助你从0到1成为 AI 开发达人！感兴趣的可以去了解一下，这里的数据集是我上传到AI Gallery里，方便分享。点击下载，会弹出如图页面，选择对应的区域和OBS存放路径，如果你没有OBS桶，请接着下一步进行创建建议直接下载为数据集，这样可以不用重新标注了。然后点击确认，稍等两分钟就会下载完成了，然后直接去自动学习项目创建。创建OBS桶OBS大家可以先简单的理解成一个在线网盘，因为ModelArts本身目前没有数据存储的功能，所以需要从OBS里调用我们上传的数据进行训练点击进入：华为云OBS控制台，进入后点击右上角的【创建桶】按钮（这里的桶可以理解成OBS进行存储的基本单位，所有的数据必须存储在某个桶里）：  进入新建桶界面， 按照如下示例进行填写：区域：华北-北京四数据冗余存储策略：单AZ存储桶名称：自定义，需要全局唯一，即在整个华为云上的名字唯一其它选项保持默认即可 填写完成后，点击右下角的【立即创建】按钮并确认，稍等几秒钟即可完成 OBS桶 的创建。 下载训练数据至OBS将AI Gallery里的数据集下载到刚刚创建的OBS桶里然后点击【确定】按钮即开始进行图片的上传，本次数据量较少，正常网络情况下约1分钟内即可完成数据的上传。 自动学习项目创建点击访问 ModelArts自动学习 页面，选择创建图像分类项目，进入项目创建设置页，按照如下示例进行填写：名称：自定义数据集来源：已有数据集其它保持默认即可数据集名称是刚刚下载到obs自己取的名字，选择即可填写完成后点击右下角的【创建项目】按钮稍等几秒即可完成项目的创建。数据标注项目创建完成后会自动进入数据标注页面，页面左侧是标注操作区，右边是标签编辑与展示区。注：标签就是对数据集进行分类，比如本次识别中的：冰墩墩和雪容融，需我们自己根据数据集新建不同类型的标签；标注就是将数据集中的图片划归到对应的标签下，告诉模型这个图片里是什么因为从AI Gallery下载的数据集已经是我标注好了的，就不用大家自己手动标注了，直接拿来使用即可。全部标注完成后的效果如下： ： 注意：目前标注不支持翻页选择，翻页后上一页选择的数据会丢失，所以请大家一页一页的选择并确认，如果觉得一页展示的图片太少，可以在页面的左下角选择一页图片展示的个数。 模型训练数据标注完成后，我们点击右上角的【开始训练】按钮，弹出模型训练的设置界面，按如下示例填写：最大训练时长（分钟） ：由于数据不是很多，建议训练时间修改为10计算规格：选择自动学习免费规格（GPU），并勾选"我已阅读并同意以上内容"其它保持默认即可 填写完成后，点击【下一步】进入二次确认界面，点击界面上的【提交】按钮即可提交成功。  训练过程约耗时2分钟左右，请耐心等待哦~模型部署训练完成后，我们点击左侧的部署按钮，进行模型的部署操作，如下图示例。  点击【下一步】按钮，进入二次确认界面，点击界面上的【提交】按钮即可提交成功。 模型调用部署完成后，可以看到如下界面：  我们点击【上传】按钮，选择上传前面下载的数据集test文件夹中的任一图片，然后点击【预测】即可得到结果：《关于我在华为云用ModelArts识别冰墩墩这件事》成功执行，可以看出，我们的两大顶流吉祥物识别率还是挺高的，感兴趣的朋友可以继续扩大数据集，提高更复杂场景的识别率。 总结本实验到此完成，需要请大家注意：因为本实验主要的目的是让大家了解使用 ModelArts 进行 AI 开发的基本操作，为了减少操作的难度和时间长度，只用了少量的数据集用于训练，可能造成数据预测不是很准确的情况，请大家理解。示例中我们选择的都是免费规格，如果大家领取了新手代金券，可以尝试使用付费规格获得更好的体验，但记得及时关闭相应服务哦！Tips：实验结束后请及时停止在线服务，不然在线服务会持续收费有可能导致欠费，致使华为云账号被冻结而影响使用。 我们在在线服务管理页面单击对应服务列表后的"停止"按钮即可停止本在线服务。

盘古大模型介绍盘古大模型推出来后，在不少地方有看到，今天有空来仔细的看一看。素材来自于《盘古大模型，开启工业化AI》盘古大模型在2021年4月份发布，于10月30号上线。盘古大模型的上线，是需要依托ModelArts平台和AI Gallery。以前存在一种模式，那就是来一个任务，就做一套模型，实际上这是应用开发定制的一种碎片化、手工作坊的方式。毫无疑问，这种模式是有他落后的一面，因为如果模型效果不好，还要定制化的进行调参，这个其实效率就不是很高。大模型要做什么？大模型希望通过积累海量的行业数据，大的参数量、大的输入数据，然后形成预测模型，用来适配更多的下游任务，这样的话在开发的效率上会有提高，精度上也会有一定的提高，并以此来完成从定制化开发到工业化开发的转变。盘古大模型不仅是一个大模型，它包含一系列的模型，目前有CV大模型、科学计算模型等等。它用到了时下比较火的prompt技术，这个技术有什么好处呢？就是针对不同的下游任务，相当于带着不同的promise，大的模型底座是不需要改变的。然后针对不同任务，比如第一个是新闻分类的任务，第二个是情感上的任务，如果以前你就需要完全的伸出两个模型来适配不同的任务，现在就不需要。ModelArts里的算法训练模型部署ModelArts里的算法、训练、模型和部署，这四个到底是什么关系呢？这里讲的很不错，我看完觉得有收获。算法呢，可以定义为首先要有你的代码，然后你在这个方法里定义训练规格。然后训练呢，就是把算法这个资产变成一个行为，一个算法可以起多个不同的训练任务。比如用不同的数据集，就相当于两次实验了。有点像JAVA里的类和实例化的对象，算法就相当于一个蓝图，这个蓝图可以起好多次训练任务，然后每次任务可以放入不同的参数，或者不同的数据集来执行这次训练。训练执行完了之后，就到了模型这一步。在模型这一步，ModelArts规定了一个model文件夹，规定了需要把你的推理脚本、模型文件等以相应的格式到这个文件夹里，然后ModelArts才能正确的读写这个模型。所以呢，你也可以不在ModelArts里写算法和训练，直接拿一个模型过来，但是这个模型一定要符合规范。模型可以从上一步的训练导入，训练之后的输出结果，就可以直接是一个模型。下一步是部署，模型和部署的关系，有点像把一个资产又变成了一种行为，就是一个模型也可以部署好多次。算法、训练、模型和部署，他们四个是分开的。好处是解耦，不好的地方是他们之间的联系基本靠人工，可能很难去管理这种对应关系，比如训练可能需要40分钟，那你这40分钟先干别的，然后40分钟完事之后回来再点击这个模型的导入...针对这个问题这里介绍了引入的workflow，但是呢，我看了下目前的ModelArts，又没有这个workflow了，可能在发展中吧，所以就不多介绍了。Demo演示nlp的大模型还只是针对中文的，演示了生成散文和写小说，就是人工一句话开头然后AI续写。实话实说，这个2个演示给人的感觉是作为一个游戏娱乐一下还可以，没有太多的实用价值。电力线巡检，这个演示我觉得是非常有实用价值的，并且已经得到行业应用的。但是视频中的这个模型资产呢，目前在AI Gallery里面找不到了，于是我用“盘古”做关键字找了一下，可以找到一个模型。来试用一下，订阅，然后在ModelArts里打开，部署为在线服务（使用P4规格），大约10分钟后部署为在线服务成功。

RPA和“爬虫”有什么区别？很多刚接触RPA的小伙伴常会产生这样的疑问。特别是用RPA来采集某个网站特定信息的自动化工作流程，和爬虫的应用看起来很像。但实际上，二者原理完全不同，而数据抓取也不过是RPA应用的冰山一角。接下来，我们将从4个方面去详解RPA与爬虫有何不同。一、定义RPA（Robotic Process Automation），即机器人流程自动化。通过模仿人的方式在电脑上执行一系列操作，可以实现人在电脑上的所有操作行为，如复制、粘贴、数据录入、网页导航、打开、关闭等，并且可以按照一定的规则持续不断的重复操作。爬虫一般称作“网络蜘蛛”（Spider），学名称作数据采集。通过编程的方式实现，能够全自动的从互联网上采集数据。抓取数据的速度有时非常庞大，甚至可以达到几千万上亿的数据量。二、技术原理RPA属于AI人工智能的范畴，通过设计流程来规定RPA模拟人的动作执行任务。RPA通过模拟人的方式工作，像人一样在系统UI上进行操作，点击鼠标、复制粘贴、打开文件或执行数据采集等等。因为它的核心是“模拟人”，所以它对系统施加的压力也如一个人在系统上的正常操作一般，没有多余负荷，不会对系统造成任何影响。爬虫使用Python开发脚本，通过发送http请求获取cookies或者直接注入网页等方式获取数据。由于使用python语言写脚本直接操作HTML，爬虫非常灵活和精细，抓取网页数据的速度非常快，容易被反爬虫机制识别。在应用时，主要起数据采集的作用，采用接口或暴力破解的方式解析网页内容以获取资料，采集效率高，会对后台造成巨大负担，也因此会被反爬虫机制禁止。三、应用场景RPA可以应用在企业的各个部门（财务、人资、供应链、客服、销售等），通过模仿人的一系列动作，减少人工的重复性操作。在具体的操作层面上，可以打开邮件、下载附件、登陆网站和系统、读取数据库、移动文件和文件夹、复制粘贴、写入表格数据、网页数据抓取、文档数据抓取、连接系统API等。有了RPA，企业的生产力会实现爆发式的增长，能够创造更大的效益。爬虫主要用于大数据采集，工作场景的局限性十分明显。如果不当使用，甚至适得其反，会给企业带来巨大的法律风险。四、合规性RPA已经在银行、证券、保险、央企、世界500强等各个领域投入使用。就连国内外的政府机构也在借助RPA软件机器人实现“智慧城市”的美好想象。RPA属于AI智能的范畴，符合全球AI科技发展趋势。各个国家都在鼓励使用RPA，帮助企业和机构降本增效，改革升级。爬虫的合规性要视具体情况而定，由于多用在数据采集上，爬虫涉及到的工作很容易会侵害到个人隐私和企业的数据安全，始终存在争议。而不当使用更会直接造成法律风险，甚至是严重的法律后果。一款好的RPA产品，比爬虫更智能、更强大、更安全、更高效、更具商业价值。 版权声明：本文为CSDN博主「sunsorrow」的原创文章原文链接：https://blog.csdn.net/sunsorrow/article/details/106616871

论文题目：OntoProtein: Protein Pretraining With Gene Ontology Embedding本文作者：张宁豫（浙江大学）、毕祯（浙江大学）、梁孝转（浙江大学）、程思源（浙江大学）、洪浩森（浙江大学）、邓淑敏（浙江大学）、连佳长（浙江大学）、张强（浙江大学）、陈华钧（浙江大学）发表会议：ICLR 2022论文链接：https://www.zhuanzhi.ai/paper/6e757d23f8b6b16cb91cdcad6f124b3c代码链接：https://github.com/zjunlp/OntoProtein欢迎转载，转载请注明出处一、引言近年来，预训练模型以强大的算法效果，席卷了自然语言处理为代表的各大AI榜单与测试数据集。与自然语言类似，蛋白质的一级结构具有序列特性，这为将语言预训练模型引入蛋白质表示提供了有利条件。然而，蛋白质本质上不同于自然语言文本，其包含了大量预训练目标较难习得的生物学知识。事实上，人类科学家已经积累了海量的关于蛋白质结构功能的生物学知识。那么如何利用这些知识促进蛋白质预训练呢？本文将介绍被ICLR2022录用的新工作：OntoProtein，其提出一种新颖的融入知识图谱的蛋白质预训练方法。 二、蛋白质预训练 蛋白质是控制生物和生命本身的基本大分子，对蛋白质的研究有助于理解人类健康和发展疾病疗法。蛋白质包含一级结构，二级结构和三级结构，其中一级结构与语言具有相似的序列特性。受到自然语言处理预训练模型的启发，诸多蛋白质预训练模型和工具被提出，包括MSA Transformer[1]、ProtTrans[2]、悟道 · 文溯[3]、百度的PaddleHelix等。大规模无监督蛋白质预训练甚至可以从训练语料中习得一定程度的蛋白质结构和功能。然而，蛋白质本质上不同于自然语言文本，其包含了诸多生物学特有的知识，较难直接通过预训练目标习得，且会受到数据分布影响低频长尾的蛋白质表示。为了解决这些问题，我们利用人类科学家积累的关于蛋白质结构功能的海量生物知识，首次提出融合知识图谱的蛋白质预训练方法。下面首先介绍知识图谱构建的方法。三、基因知识图谱我们通过访问公开的基因本体知识图谱“Gene Ontology（简称Go）”,并将其和来自Swiss-Prot数据库的蛋白质序列对齐，来构建用于预训练的知识图谱ProteinKG25，该知识图谱包含4,990,097个三元组, 其中4,879,951个蛋白质-Go的三元组，110,146 个Go-Go三元组，并已全部开放供社区使用。如下图所示，基于“结构决定功能”的思想，如果在蛋白质预训练过程中显式地告诉模型什么样的结构具备什么样的功能，显然能够促进如蛋白质功能预测、蛋白质交互预测等任务的效果。四、融入基因知识图谱的蛋白质预训练：OntoProtein基于构建好的知识图谱，我们设计了一个特殊的蛋白质预训练模型OntoProtein。注意到在预训练输入中包含两种不同的序列：蛋白质序列和描述蛋白质功能、生物过程等的文本描述信息。因此，我们采取两路不同的编码器。对蛋白质序列我们采用已有的蛋白质预训练模型ProtBert进行编码，对文本序列我们采用BERT进行编码。为了更好地进行预训练和融合三元组知识信息，我们采用了两个优化目标。首先是传统的掩码语言模型目标，我们通过随机Mask序列中的一个Token并预测该Token。其次是三元组知识增强目标，我们通过类似知识图谱嵌入学习的方式来植入生物学三元组知识，如下公式所示：注意到这里的事实知识分为两类不同的三元组，分别是Go-Go和蛋白质-Go，因此我们提出一种知识增强的负采样方法，以获得更有代表性的负样本提升预训练效果，采样方式如下 :五、实验分析我们在蛋白质测试基准TAPE，以及蛋白质蛋白质交互、蛋白质功能预测（我们参考CAFA竞赛构建了一个新的蛋白质功能预测数据集）上进行了实验。如下表所示，可以发现融合知识图谱的蛋白质预训练方法在一定程度上取得了较好或可比的性能。特别地，我们的方法没有使用同源序列比对（MSA）,因此较难超越基于MSA Transformer的方法。详细的实验结果请参见论文，我们会在近期将预训练模型整理并发布到Huggingface上供社区使用。六、小结与展望当下蓬勃兴起的 AI for Science 正在促使以数据驱动的开普勒范式和以第一性原理驱动的牛顿范式的深度融合。基于“数据与知识双轮驱动”的学术思想，我们在本文中首次提出了融合知识图谱的蛋白质预训练方法OntoProtein，并在多个下游任务中验证了模型的效果。在未来，我们将维护好OntoProtein以供更多学者使用，并计划探索融合同源序列比对的知识图谱增强预训练方法以实现更优性能。[1] MSA Transformer ICML2021 [2] ProtTrans: Towards Cracking the Language of Life’s Code Through Self-Supervised Learning TPAMI2021 [3] Modeling Protein Using Large-scale Pretrain Language Model 2021

仅仅在几年前，训练一个 AI 模型所需的时间还可能长达数周之久。这也是过去几年间，计算行业间涌现了众多价值数十亿美元的创新初创公司的重要原因所在——这些公司包括了 Cerebras Systems、Graphcore、Habana Labs 和 SambaNova Systems 等等。此外，谷歌、英特尔、英伟达和其他老牌公司也在企业内部投入了规模相当的巨额资金（有时还会发起收购计划）来探索这一领域。最新版本的 MLPerf 训练基准结果表明，这笔钱是物有所值的。MLPerf 母公司 MLCommons 的执行董事 David Kanter 表示，自 MLPerf 基准测试开始上线以来，人工智能训练性能的提升速度“成功地大大超过了摩尔定律”。在早期版本的 MLPerf 基准测试最佳结果与 2021 年 6 月之后的基准测试最佳结果之间，晶体管密度的增长可以解释其中一倍多的差异。但是软件以及处理器和计算机架构的改进则贡献了 6.8-11 倍的成绩增长。在最新的 1.1 版测试中，最佳结果是 6 月份最佳成绩的 2.3 倍。根据英伟达的说法，使用 A100 GPU 的系统的性能相比 18 个月前的系统提高了 5 倍以上，相比三年前 MLPerf 基准测试成绩首次发布时的结果提高了 20 倍。微软首次将其 Azure 云 AI 产品引入了 MLPerf，使用各种资源在所有八个测试网络中取得了极佳的成绩。它们的规模从 2 个 AMD Epyc CPU 和 8 个英伟达 A100 GPU，直到 512 个 CPU 和 2048 个 GPU 不等。规模显然很重要。顶级规格的系统在不到一分钟的时间内就训练完了 AI 模型，而二八组合通常需要 20 分钟或更长时间。“摩尔定律只能做到这么多。软件和其他进步在 AI 训练的进化道路上发挥了重要作用。”——MLCommons英伟达在基准测试中与微软密切合作。并且就像之前的 MLPerf 列表中人们看到的一样，英伟达 GPU 是大多数参赛作品背后的 AI 加速器。包括戴尔、浪潮和 Supermicro 的作品都采用了他们的 GPU。英伟达凭借其 Selene AI 超级计算机无与伦比的规模，在商用系统的所有结果中名列前茅。Selene 由商用的模块化 DGX SuperPod 系统组成。在最大规模的测试中，Selene 使用 1080 个 AMD Epyc CPU 和 4320 个 A100GPU 在不到 16 秒的时间内就训练完了自然语言处理器 BERT，大多数小型系统完成同样的壮举需要花费大约 20 分钟。根据英伟达的说法，使用 A100 GPU 的系统的性能相比 18 个月前的行业水平提高了 5 倍以上，相比三年前首次 MLPerf 基准测试结果发布时提高了 20 倍。该公司表示，这要归功于软件创新和网络的改进成果。（有关更多信息，请参阅英伟达的博客）鉴于英伟达在这些 AI 基准测试中的统治力和成绩表现，新生的竞争对手很自然地会将自身与它进行比较。这就是总部位于英国的 Graphcore 正在做的事情，它指出他们研发的基本计算单元 Pod16（1 个 CPU 和 16 个 IPU 加速器）比英伟达的基本单元 DGX A100（2 个 CPU 和 8 个 GPU）快了近一分钟。Graphcore 推出了更大的系统对于这一版本的 MLPerf，Graphcore 使用其基本单元 Pod64、Pod128 和（你肯定猜得到吧？）Pod256 的组合参加了图像分类和自然语言处理基准测试。Pod256 由 32 个 CPU 和 256 个 IPU 组成，是仅次于英伟达的 Selene 和英特尔的 Habana Gaudi 的第四快系统，以 3:48 完成了 ResNet 图像分类训练。在自然语言处理方面，Pod256 和 Pod128 在榜单上排名第三和第四，再次落后于 Selene，分别以 6:54 和 10:36 结束。（有关更多信息，请参阅 Graphcore 的博客）你可能已经注意到了，基于英伟达的产品（大约 1 比 4）和 Graphcore 的系统（低至 1 比 32）对比，它们的 CPU 与加速器芯片的比率有很大不同。Graphcore 工程师说，这是设计理念使然。IPU 旨在让神经网络减少对 CPU 控制的依赖。你会在 Habana Labs 系统上看到相反的情况，英特尔在 2019 年以大约 20 亿美元的价格收购了它。例如，它在图像分类方面取得了很高的排名，为此英特尔使用 64 个 Xeon CPU 和 128 个 Habana Gaudi 加速器在不到 5 分半的时间内训练完了 ResNet。它还使用 32 个 CPU 和 64 个加速器，用时 11 分 52 秒训练完了 BERT 自然语言神经网络。（更多信息请参阅 Habana 的博客 ）谷歌对这批基准分数的贡献有点不一样。谷歌工程师没有使用该公司的 TPU v4 处理器技术搭载在商业或云系统上完成测试，而是提交了两个超大自然语言处理神经网络的结果。该公司使用其公开可用的 TPU v4 云运行了一个版本的 Lingvo，这是一种 NLP，其参数高达 4800 亿，而 BERT 的参数为 1.1 亿。云平台使用 1024 个 AMD Epyc CPU 和 2048 个 TPU，在不到 20 小时的时间内完成了训练任务。使用由 512 个 AMD Rome CPU 和 1024 个 TPU 组成的研究系统，谷歌在 13.5 小时内训练了一个 2000 亿参数版本的 Lingvo。（谷歌报告称，从头到尾完成整个过程需要 55 小时和 44 小时，包括开始训练所需的步骤。）在结构上，Lingvo 与 BERT 非常相似，可以归入该类别，但它也类似于众多计算巨头一直在研究的其他真正巨型的对话 AI，例如 LaMDA 和 GPT-3。谷歌认为，巨大模型训练最终应该成为未来 MLPerf 商业基准测试的一部分。（有关更多信息，请参阅谷歌的博客。）然而，MLCommons 的 Kanter 指出，训练此类系统的费用高到了足以将许多参与者排除在外。

打分项目如何更公平？人工智能裁判了解一下: 冬奥会的比赛项目中，有不少需要裁判打分来决出名次。由于人工打分难免会产生争议，在本届冬奥会上，科技为体育竞技的公平性提供了更精准的方案。在早前举行的北京冬奥会测试赛中，AI（人工智能）裁判得到了一定程度的利用。在自由式滑雪、花样滑冰等技巧性项目中，AI评分系统通过捕捉、记录运动动作，根据基础标准进行评分。基于数字化和3D技术的AI裁判，可以克服高度、光线等复杂因素，捕捉在运动员的细微动作，通过回放和分解动作，还可以在赛前为运动员提供定制方案。2022年1月21日，花样滑冰AI辅助评分系统1.0产品发布，这套辅助系统是根据中国花样滑冰运动员使用需求、场景应用需求打造的AI+虚拟现实解决方案，运用计算机视觉技术算法与深度学习，可以对运动员的整体运动轨迹进行实时追踪，根据专业评分标准，对视频数据的人体骨骼、形体动作进行捕捉识别，从而实现稳定性可视化的比赛评判。对技术团队来说，AI 裁判的研发是一次不简单的探索。花样滑冰是比赛规则最复杂也是评分难度最高的体育项目之一，评委需在高速运动且变化繁复的动作中依据动作的类型、难度系数、完成情况、标准程度等给出精准的技术分，用AI技术来辅助评分难度也可见一斑。为了推进项目，中关村技术团队摸清了花样滑冰的国际挑战规则后，和相关高校团队合作交流，对近百个视频，几千张动作样本进行逐帧的标注和记忆，使AI系统通过捕捉运动员的肩跨膝踝等八个点位，准确进行动作识别和判定。两个月时间内，花滑自研AI辅助系统1.0版本推出，能够通过平面视频判断运动员动作，抓取人和人之间的互动；在2.0版本中，这套辅助系统将能够通过人像捕捉，分辨运动员重合的场景，以3D形式呈现和评分。这套花样滑冰AI辅助评分系统目前还没有在冬奥会的赛场正式使用，主要是应用于赛前训练的评分和检测，运用计算机视觉技术算法与深度学习，对运动员的整体运动轨迹进行实时追踪，实现稳定性可视化的比赛评判。随着技术的不断成熟，该套系统除可用于花样滑冰专业赛事外，还可广泛用于练习考级、影视制作等场景使用，这是利用人工智能等先进技术赋能体育行业的跨界重要尝试。我们也希望AI辅助评分系统能不断迭代，早日出现在赛场。​​​​

在北京冬奥会自由式滑雪女子空中技巧决赛中，徐梦桃为中国再添一金。接着，其背后的虚拟AI教练“观君”也揭开了神秘面纱。“观君”并非人类，而是小冰公司研发的全球第一个包含小样本冰雪运动分析模型及生物学特征在内的完备人工智能裁判与教练系统。此次夺金前，“观君小冰系统”已默默在自由式滑雪空中技巧运动队“服役”了三年之久。近一年来，人工智能技术已越来越多地参与到竞技体育中。但是，徐梦桃夺金，是人工智能在全球顶级赛事中全程参与训练，并辅助取得金牌战绩的首个案例，具有里程碑意义。竞技体育的人工智能时代已经降临。想一想，总导演张艺谋在开幕式后说的那句话：“它既有文化内涵，也有科技含量，充满了炫酷的现代科技感”。他说的是开幕式，也有可能“剧透”了本届冬奥会。在开幕式之前，山东自主研发出的首台国产雪蜡车已经登场，是目前已知世界上功能最全的雪蜡车。但在设计之初，由于没有图纸参考和可借鉴经验，研发团队对雪蜡车的功能分区和整体布局无从下手。最终，海尔卡奥斯COSMOPlat运用“数字孪生”等技术，迅速推演出整车的功能布局及分区，不仅解决设计痛点，而且把“首台套”研发所需时间减少60%以上。在“冰墩墩”成为顶流之前，最先攻占社交媒体热搜的，是冬奥村的“零重力模式”智能床。这个智能床采用了记忆棉材质，内部安装了传感器，配备遥控器，能够根据个人习惯、睡姿、体态来调整床的多种模式形态。在夜晚检测到打呼噜时，还会自动调节枕头高度。一时间，多国运动员发布视频，“冬奥会的床”在视频平台上有过百万的观看。另一个被聚焦的是能容纳千人就餐的冬奥会媒体中心“智慧餐厅”。这里没有厨师，也没有服务员，所有食物饮料由120名餐饮机器人制作完成，完全就是机器人与AI的灵活应用的现实场景。客人扫码点餐后，90秒内能完成饮料，4-6分钟完成食物准备，然后通过架设在天花板上轨道和机器悬臂，精准投放到对应的餐桌……冬奥会赛场上，中国短道速滑队已经收获2金1银1铜。一种用以帮助短道速滑队员探寻消减风阻完美姿态的训练“神器”，在这场关于速度的比拼中的价值和作用得以凸显，这种“神器”就是风洞技术。早在上个世纪，美国、日本等就已将风洞技术应用于运动员的训练。得益于我国航天技术的高速发展，目前我国体育风洞技术已经实现赶超。这也告诉我们一个事实，运动员体育竞技水平的提升，离不开国家科技力量支撑。奥运健儿比拼，除了个人素质、能力之外，背后浓缩着国家科技实力的比拼。场馆建设、开幕式、赛事组织、运动员保障……一项项高科技应用让科技之光照亮冬奥盛会舞台。科技部社会发展科技司司长祝学华说，科技部在国家重点研发计划中设立并组织实施了“科技冬奥”重点专项。攻克了一批关键核心技术，示范了一批前沿引领技术，转化了一批绿色低碳技术，建设了一批示范工程，500多家单位、超过万名科研人员参与研发的200多项技术成果已经开展了示范应用，为北京冬奥会高质量办赛和高水平参赛提供了有力支撑。国际奥委会主席巴赫说，数字技术早已深刻地改变着奥运会，北京冬奥会创造了历史，以前所未有的数字化水平，让更多人参与到奥运中。一方面，科技让冬奥赛事承办有了新标杆。另一方面，冬奥让科技有了更澎湃的应用场景。这些技术不仅为北京冬奥添彩，更重要的是让技术加快飞入寻常百姓家，在未来推广应用中为中国和世界发展赋能。一场冬奥会，冰上的金牌竞争让人血脉贲张。赛场之外，众多科技何尝不是“未来冠军”比拼？

2022年1月25日，“2021RPA产业推进方阵成果发布会”于线上召开，会议由人工智能关键技术和应用评测工信部重点实验室指导，中国信通院云大所、RPA产业推进方阵主办，南京新一代人工智能研究院承办。华为RPA领域总经理杨永根受邀出席大会，并发表《华为“超自动化”平台及实践介绍》主题演讲。此次大会还重磅发布了业内首份《超级自动化技术与应用研究报告》，助力推动RPA产业发展。本次会议正式公布了RPA系统和工具管理监控模块产品能力新一轮评估结果，华为WeAutomate 凭借其卓越的应用成熟度和产品能力，脱颖而出，斩获3+级。 ▌重磅发布：业内首份《超级自动化技术与应用研究报告》华为在数字化转型领域深耕多年，并沉淀了一系列的自动化工具赋能各行业智能自动化转型。此次大会重磅发布的超自动化应用研究报告，便是由中国信通院云大所牵头，联合华为技术有限公司编制。 该报告指出，超级自动化已经成为企业数字化发展的必然趋势，是组织发展提质、生产力解放的新途径，是技术融合发展、脱虚向实的新实践。作为业内首份超自动化应用研究报告，它对各行各业展开部署超自动化具有重大的实用价值与战略意义。   ▌成功入选2022年度“智匠”RPA优秀案例   会上，中国信通院人工智能部副主任曹峰分享了“2021年度方阵十大事件”，提到RPA“智匠”优秀案例具有较高的行业参考价值，可以为潜在企业用户提供RPA应用实践的新思路。其中，“华为RPA助力鞍钢集团智能审批”、“华为RPA助力顾家家居供应链智能自动化”两个优秀实践案例入选。 华为RPA助力鞍钢集团智能审批“智匠”RPA优秀案例证书华为RPA助力顾家家居供应链智能自动化“智匠”RPA优秀案例证书▌《华为“超自动化”平台实践介绍》 华为RPA领域总经理杨永根谈到，华为作为掌握超级自动化关键技术的行业先驱，沉淀了一系列WeAutomate产品（RPA+AI+ADC+数据编排）和200余项应用实践案例，并已被广泛应用在政务、金融、高端制造、零售、海关及港口等行业中，赋能数字化转型。 基于华为数字化实践，智能自动化平台是解决数字化转型最后一公里挑战的完美利器，而华为WeAutomate便是这个超自动化平台。杨永根介绍，平台里所有的能力都是根据自身实践全栈自研构建出来，通过这个平台产品训练和生成的智能机器人已服务于整个集团，包含研发、销售、财务、供应等几百个部门，上千个机器人的规模等效8000多个的数字员工。 关于如何运用好超自动化平台，杨永根谈到了三个关键点：   第一，设立机器人消费中心，让每个人可以贡献和消费机器人，解决了机器人共享和人机交互体验的问题。  第二，机器人的运营看板，解决自动化价值显性化的问题；  第三，构建一个多自动化能力的gateway，将所有的涉及自动化能力的产品、工具等统一管理起来。杨永根表示，企业建立一个超自动化的运营组织——CoE（Center of Excellence）对其运营起到非常关键的作用。华为内部的超自动化CoE采用混合模式，集团IT和领域共建“超自动化”生态。当建立了企业级“超自动化” CoE方案框架后，整个CoE组织是围绕这个方案框架展开工作。此外，在企业构建超自动化平台时，需从自动化（RPA）起步，逐步转向AI应用，保证可持续的投资回报率。会上，杨永根通过分享从银行回单下载到资金预测的优秀案例实践，生动的阐述了华为内部在构建超自动化平台的方法论。 当今全球数字化转型加速的大浪潮下，各大企业对IT和业务流程的自动化需求日益剧增，超级自动化技术凭借其易部署、弱耦合性、快速易用等特性已然成为现象级的办公数字化工具。华为WeAutomate作为一款面向千行百业、企业级的超级智能自动化平台，持续打磨升级，帮助企业实现流程自动化，加速政企数字化转型和智能化升级。点击获得《超级自动化技术与应用研究报告（2022年）》详细解读及下载 作者：HUAWEI WeAutomate来源：HUAWEI WeAutomate公众号