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

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：

正在举行的北京冬奥会上，有众多黑科技被搬到台前：AI 裁判、视觉追踪特效、物流机器人、炒菜机器人等等，它们成为了比赛的重要组成部分。随着技术的进步，人工智能正逐渐进入生活的各个方面。在科技圈提起人工智能，人们会更多地把目光瞄准中美，却忽略增长势头最为迅猛的东南亚。这里有超过 6.6 亿的人口，快速增长的经济，以及不断完善的基础设施。随着消费水平的提升和疫情的推动，当地的技术和人才无法跟上迅速增长的业务量，带来了很多新需求。在这个充满机会的市场中，一些 AI 创业公司正在上演着不同的故事。自 2016 年成立以来，总部在新加坡的 ADVANCE.AI 业务遍布东南亚如印尼、菲律宾、马来西亚、南亚如印度、巴基斯坦、以及拉丁美洲的墨西哥和哥伦比亚，非洲的尼日利亚等国家，现在它正在向欧美地区不断扩展。ADVANCE.AI 成功服务了超过 1000 家银行、金融科技、电子商务与共享经济等领域的企业客户。尽管 2020 年以来疫情对全球经济影响严重，该公司的业务却一直保持稳定持续增长，云服务软件产品的 API 调用量增长了一倍多，2021年，产品全年调用量超过 10 亿次，已成为东南亚 AI 圈中一股不可忽视的力量。最近，我们与 ADVANCE.AI 研发部门负责人王芳林博士进行了对话，王博士在人工智能领域有超过 15 年的经验，拥有上海交通大学博士学位，哈尔滨工业大学硕士和学士学位。曾担任 NCS 集团视频分析和机器学习副总监、KAI Square 首席技术官、新加坡国立大学研究员和 Autodesk 研究科学家。出发，去东南亚市场搞AI王芳林博士王芳林于 2018 年加入 ADVANCE.AI，亲身经历了业务快速增长的过程，积累了丰富的 AI 人才团队搭建与技术本地化经验，围绕中国高科技企业出海东南亚市场发展 AI 技术中遇到的常见问题，分享了他的观点。AI 是技术但不是行业从最初服务于中国出海金融科技公司到现在东南亚当地的银行、保险、电商、支付等多领域企业，随着业务的变化，ADVANCE.AI 的产品也经历了从单一功能，到按客户需求定制解决方案，再到解决方案标准化、产品化的过程。作为一家致力于覆盖不同业务场景的人工智能服务商，ADVANCE.AI 清楚地知道 AI 是方式而不是目的。「在研发内部，我们并不过分强调 AI，一直认为 AI 是特定时间点又火起来的一个技术。团队的每一次变化和重组都是基于当时的业务策略来制定的，我们的目的是一直是帮助客户提高效率和提升业务能力」王芳林说道。相比一些大厂面向前沿技术设立的 AI Lab，ADVANCE.AI 的研发部门更加强调解决实际问题的能力，其面临的挑战主要来自于客户需求。「这并不意味着我们不会把技术做得深。相对于学界，工业界的实际问题往往更加复杂多样，需要对各种算法和技巧足够了解，也需要权衡算法和产品设计的边界。」目前 ADVANCE.AI 的主要研究方向包括计算机视觉、反欺诈、信用评分等领域，自主研发的 OCR、活体检测和人脸识别技术在业内保持领先，基于大数据和机器学习的信用评分算法获得了很多东南亚金融机构的青睐。出发，去东南亚市场搞AIADVANCE.AI 提出的个人信息建模方式。当然作为研发部门，这里也有一部分人会专注于长期性算法研究，追踪先进技术并提出创新，希望能对一些核心问题寻找长期的、更为彻底的解决方案。特别是在长期被外界忽视的新加坡等东南亚地区研究 AI 是什么样的体验？首先，这里的人才市场供远小于求，对于公司来说竞争非常激烈。对此，ADVANCE.AI 的策略是强调人才的质量，最大可能保证团队的稳定性，同时利用多国家办公的优势，在新加坡、北京、雅加达同时招人。「创业公司在初期就需要考虑更多国家的目标市场。由于新加坡本土市场规模较小，只有面向多个东南亚国家，甚至走向中国和欧美市场才能保证成长的天花板足够高。」王芳林说道。「而在研究环境上，这里有世界知名的大学生和研究机构，国内外知名公司设立的研发中心，东南亚独角兽公司的总部也大多设立于此，大环境上来讲整体研发水平很高。这里相较国内文化上更追求工作和生活的平衡，同时非常讲究实效。」随着业务量增大，数据和客户服务经验的不断积累，ADVANCE.AI 的技术水平不断提升，形成了数据、技术和产品的闭环。ADVANCE.AI 的计算机视觉类产品，经过了超过 10 个国家和地区市场大量真实数据的积累，现有的预训练模型和迁移学习方法，可以在无需或极少训练数据的情况下获得比竞争对手更高的准确率。产品类型的多样化为领创带来了优势，在用户信用评分类产品中，受益于内部各类型数据的打通，该公司可以实现相比竞争对手更为完整的建模，很大程度上补充了客户数据种类不丰富，及不具备建模能力的问题。从早期的定制化项目，到现在可以实时处理大量调用需求的 SaaS API，ADVANCE.AI 的产品种类从最初的数字身份验证和风控类工具，已经发展出了目前覆盖身份认证、视频认证、信用评分的丰富产品线。这家公司下一步将提出一系列端到端的反欺诈和风控平台类解决方案。如何实现 AI 的本地化软银创始人孙正义有一套著名的「时间机器」理论：互联网美国比日本先进，就先在美国投资，等时机成熟后再带着美国的经验杀回日本，仿佛坐上时间机器，回到了几年前的美国。在充满活力和发展前景的东南亚，人工智能的研究和应用，从中国、美国向印度、印尼等国家推广是否存在「降维打击」的过程？在王芳林看来，短期来看，中国是有明显技术优势的，但问题的核心在于如何真正实现本地化：「任何一家公司都不可能长时间地保有某项技术的优势，大家都有机会，包括本土企业。我们从一开始就不认为自己是一家视觉或者是 AI 公司。工作应该聚焦在做业务上，研发人员要清楚投入会带来多少客户、多少收入。」相较于国内的淘宝、京东等平台和各家银行自带人脸识别的 APP，东南亚地区的 AI 技术落地进展较慢，大数据验证和精准营销方面也同样如此。在国内验证过的机器学习应用在这里具备优势。ADVANCE.AI 提供的技术可以快速整合进原有应用，而且大幅提高用户体验：其算法可以通过刷脸，让用户在一个账户上匹配了一张人脸照片后，就不再需要去填写更多的帐号和密码。出发，去东南亚市场搞AIADVANCE.AI 提供的活体检测算法。从 2019 到 2020 年，东南亚的整个电商零售额增幅达到了 50%，速度远超其他市场。然而想要进入这个市场并不容易。作为发展中国家市场，在印尼等地开展 AI 技术业务会遭遇很多前所未见的挑战。从技术上看，人们使用的手机较为低端，低成像质量和算力难以保证用户体验，同时较差的移动网络会让图像传输延时较长。ADVANCE.AI 必须实行本地化的技术优化：通过压缩模型来降低网络带宽需求，尽量把数据处理的工作放在移动端，并使用小模型；通过质量分析模型提示图像质量问题，并训练算法更好地适应本地数据，解决实际挑战。在信用评分方面，数据科学家面临的主要挑战在于数据不足，银行等传统金融机构所能拿到的交易流水、征信报告等强金融属性的数据比较难以获得，因此积累的借贷、电商、运营商、设备等行为数据显得尤其重要，但这对特征工程的要求很高。ADVANCE.AI 技术人员使用自动时序特征工程以及深度学习算法进行时序特征提取，大大提升了特征挖掘的效果和效率。在东南亚金融信贷领域，客群种类繁多，行为模式差异巨大，金融科技公司无法用一个通用的信用模型解决各不同金融机构的信用评分需求，因此分客群建模是必然的选择。ADVANCE.AI 通过无监督、有监督学习等算法度量客群相似度，使分客群从传统的业务问题变成一个技术问题，最终使客群分得更准确，分客群建模的效果更明显。另一方面，技术的认知和法规也需要适应。「很多时候客户并不理解技术，在一开始，我们需要花费很多时间教育客户。」王芳林说道。第一个重要机会ADVANCE.AI 最大的客户之一是一家全球知名银行。在 2018 年开始启动数字身份验证计划时，这家银行的研发团队对于活体检测、人脸等技术在东南亚能做到怎样程度并没有太多的概念和信心。「这是我们在东南亚的第一个国际大客户，存在四五家竞争对手。刚接触时我们和甲方开过超过 20 次会，不断地和技术、产品团队与高层们打交道。因为我们是一家初创公司，难免受到了很多质疑。比如前两次我发现，他们的负责人一直是很不耐烦的样子。」王芳林介绍道。但好在该银行对于供应商的调研一直在尽职尽责地进行中。在推进的过程中，ADVANCE.AI 不断改进着自身的技术，他们模拟了终端用户的实际体验，完成了手机上的测试版 APP，让负责人直接上手体验，演示新技术的便利性和异常情况的解决方式。ADVANCE.AI 终于获得了进入下一轮验证的机会。「我们的产品比较符合东南亚特色，最终在准确率测试阶段比较容易地击败了所有竞争对手。」但这只是个开始，中标之后还有漫长的技术落地与合规流程，最终一共花费了十几个月的时间。在解决方案正式上线之前，工程上经历了三次内部测试、演示和预上线过程。ADVANCE.AI 的团队还需要帮助银行选型深度学习部署硬件，在基础设施方面提供建议。跨国公司非常强调数据隐私和合规性，注重内部流程和规范，包括采购的流程和合同条款。「客户会要求我们保证在未来几年内声誉不会出问题，一旦违约要做赔偿，」王芳林表示。「我们实现的 AI 模型也不能在不同种族、性别上出现歧视性分析结果。在安全性和可靠性方面，他们会对产品的各个技术环节进行研究，确定用到了哪些技术。」在不断沟通的过程中我们可以发现，这些海外公司能够做到相对客观，而且技术角度上看，新兴市场的竞争没有国内那么相对激烈。这为 AI 创业公司带来了机会。产品是最大的需求在确定了业务前景，选择的方向在未来几年收益的预期之后再扩张团队，或许才是科技公司构建 AI Lab 正确的方式。随着业务不断扩张，ADVANCE.AI 的团队规模从几十人扩张到了如今近 200 人的规模，办公室也从两个国家发展至到五个国家。现在，ADVANCE.AI 的研发团队下设工程、计算机视觉、数据科学，还设有数据标注团队，公司内部还在研发自己的机器学习平台。出发，去东南亚市场搞AI自成立以来，ADVANCE.AI 受到了众多全球顶尖投资机购的青睐，9 月 23 日，领创集团宣布完成了超过 4 亿美元 D 轮融资，由软银愿景基金二期、华平投资领投，北极星资本、元璟资本、高榕资本和新加坡经济发展局投资等跟投。融资完成后，领创集团估值已超过 20 亿美元，成为新加坡最大的独立科技创业公司之一。面向未来，ADVANCE.AI 还是会坚持走自己的路。「我个人比较喜欢 think big，start small，尽量做到脚踏实地。我们需要在商业上快速试错，在技术上快速验证，向笃定确认的方向集中火力。」王芳林说道。

原文链接：https://blog.csdn.net/csdnnews/article/details/122957639作者 | 杨海钦出品 | CSDN（ID：CSDNnews）自1956年的达特茅斯会议开启“人工智能元年”，该领域经过了两起两落。到2006年前后，虽然Hinton等人已发表论文证明，通过增加神经网络的层数，可以学到更好的数据表征，并进一步提升模型的性能，但是大家认为这还是新瓶换旧酒，还在迟疑中。直到深度学习概念的推广，在语言识别等领域获得成功。特别是2012年AlexNet在ImageNet的比赛中取得重大突破，性能提升10多个百分点。深度神经网络的实际效果进一步得到肯定，并掀起了人工智能的第三波热潮。CV“四小龙”亦在此时间段前后成立，开启感知智能的创业浪潮。ResNet和AlphaGo等成果的推出，进一步完善神经网络的训练并拓展了其应用范围，从而将这波浪潮推到新高度。2018年秋季谷歌推出BERT，横扫了11项自然语言处理(NLP)任务，随后OpenAI亦相继推出GPT-2、GPT-3，让大家看到认知智能落地的潜在性。时光如梭，2021年悄然过去。蓦然回首，2021年的AI大事件有哪些呢？新的一年，AI又将呈现怎样的发展趋势？我们将按下述几个主题展开：大模型不断推出，提高行业准入壁垒；构建基石模型, 拓展应用边界；考虑公平和伦理，保证落地的安全和责任。大模型不断推出，提高行业准入壁垒从业界的角度看，2021年的一个关键词是“大模型”。如图1所示，当GPT-3的模型规模达到1750亿参数后，国外大厂又提出了各样的模型，进一步提高了模型的大小。具有代表性的成果有：Switch Transformer：谷歌于2021 年1月11日提出，声称参数量从GPT-3的1750亿提高到1.6万亿。Switch Transformer基于稀疏激活的专家模型(Mixture of Experts), 论文中提到在计算资源相同的情况下，训练速度可以达到 T5 (Text-To-Text Transfer Transformer)模型的4-7倍[1]。MT-NLG：2021 年年底，英伟达与微软联合发布了MT-NLG (Megatron-Turing Natural Language Generation)，该模型含参数5300亿个，宣称是目前最大的且最强的语言生成预训练模型[2]。图1. NLP预训练模型参数随着时间发展的趋势(图片源自[2])国内在今年亦推出了万亿级的预训练模型和开源计划。例如:悟道 2.0：2021 年6月，北京智源研究院发布悟道 2.0，参数规模达到1.75万亿，是GPT-3的10倍，超过了谷歌Switch Transformer的1.6万亿参数记录[3]。“封神榜”大模型：2021 年 11 月，在深圳IDEA大会上，粤港澳大湾区数字经济研究院（简称“IDEA”）理事长沈向洋正式宣布，开启“封神榜”大模型开源计划，涵盖五个系列的亿级自然语言预训练大模型，其中包括了最大的开源中文BERT大模型“二郎神”系列[3]。目前，预训练大模型已成为各家打造人工智能基础设施的利器，从而提高行业的准入壁垒。实现大模型，需要超大规模的算力和海量的数据。这对普通公司或者一般实验室会造成一定的困难。然而就技术而言，目前的大模型离我们期望的通用人工智能还有很大的差距。如何让电脑有更多的创意，知识不断地积累，还需要进行大量的技术探索和创新。在落地的时候还需要更多地跟场景结合，甚至需要场景创新，才能更好地服务相关行业。构建基石模型，拓展应用边界大模型的不断推出，基本上基于深度神经网络和自学习的方式进行，各个模型趋于“同质化”(Homogenization)。因此，斯坦福大学的Percy Liang于2021年3月份召集了100多位研究学者，发起了基石模型(Foundation Models)的讨论，并于8月发表了一篇200多页的关于基石模型的综述报告[5]。图2 基石模型经文本、图像、语音等多模态数据训练，微调后服务下游应用(图片源自[5])该报告定义了基石模型，试图囊括目前大模型的能力、应用、相关技术和社会影响。主要从语言、视觉、机器人、推理、交互、理解等讨论基石模型的能力，在应用方面主要探讨医疗、法律和教育这三个对社会很重要的学科。与此同时，在构建基石模型方面，亦出现了几个有影响力的工作，拓展了应用的边界。例如：Copilot：6月，微软收购的GitHub联合OpenAI推出首个AI代码生成器[6]。该工具基于GPT-3，即Transformer的架构，通过训练从GitHub上爬取数十亿行开源代码和相关英文注释，实现代码的自动生成，试图进一步辅助程序员的代码开发。FLAVA: 到年底, Facebook (现称Meta)亦基于Transformer[8]推出FLAVA (A Foundational Language And Vision Alignment Model)，试图用一个统一的模型适用于自然语言处理、计算机视觉、多模态的不同任务，论文显示在此三种领域共计35个任务，都有着出色的表现[8]。该模型利用Vision Transformer (ViT) [9]的方式对图像进行编码，BERT[10]的方式对文本进行编码，并设计相应的多模态编码方式和相应的损失函数，对模型进行训练，并获得很好的性能。在学术界，对比学习、多模态多任务联合学习，已经广泛使用于基石模型的训练中。但是模型的解释性和拓展性还有很多的探索空间。考虑公平和伦理，保证落地的安全和责任尽管目前AI技术在刷脸支付、自动驾驶、智能语音、智能安防等应用的商业化探索和落地，已开始改变我们的生活模式，并带来巨大的便利，AI技术仍要面对更多、更复杂的场景。2021 年是AI技术迫切需要落地的一年。在落地的过程中，我们经常需要面对如下问题：落地场景是否有好的数据？AI技术如何更好地降本增效、规模化和商业化？如何保证AI技术者掌握相关业务知识，并理解业务需求？而从AI技术层面看，AI落地的三要素是: 算力、算法和数据。这就涉及到公平性和伦理的问题。特别是，最近几年数据的隐私安全、AI算法的责任，都成为社会的关注热点。在今年我国亦出台相关法律从不同层面保障用户的隐私和利益，包括数据层面：6月《数据安全法》通过，11月《个人信息保护法》开始生效，包括2016年通过的《网络安全法》从不同的角度规范数据的使用和保护用户个人信息。算法层面：1月颁布了《互联网信息服务算法推荐管理规定》和9月亦印发《关于加强信息服务算法综合治理的指导意见》的通知，进一步加强了互联网信息服务算法安全治理。伦理规范：6月28日世卫组织亦发布“卫生领域人工智能的伦理和治理”的报告，提出人工智能为所有国家的公众利益服务的六项原则。9月25日，我国亦发布《新一代人工智能伦理规范》，为从事人工智能相关活动的自然人、法人和其他相关机构等提供伦理指引。11月25日联合国教科文组织亦举行新闻发布会，介绍该组织正式通过的首份人工智能伦理问题全球性协议。AI技术在落地的过程，要兼具安全和确定相关的责任方，同时还要顾及公平和伦理。随着众多新的法案的出台，后续的落地会受到更多的监管和共同治理，走向“科技向善、AI向善”的道路。小结与展望目前人工智能技术距离理想的通用人工智能的路还很长，2021年有更多的大厂试图构建相应的基石模型，并把AI技术拓展到更大的应用范围。在技术层面，还需要大量的探索，例如，是否有更好的架构替代基于深度神经网络的架构？是否有更快的方式提升计算性能？大模型如何在实际场景很好地落地？相关的技术，如Neurosymbolic AI、量子计算都很值得研究。在应用层面，AI跟科学发现、AI制药、AI跟大数据应用结合等等，都有很多的机会。如何将算法与场景结合、技术与产业融合，是未来实现AI落地应用必须思考的问题。国内已有一些机构或团队正在探索研产结合的可能路径，例如IDEA的CTO Labs合作计划，聚集科研人才和产业科技团队，共同挖掘产业痛点，更有效推进核心技术研发和落地。最近亦与数说故事合作，在数说的产品中提供关键技术模块。参考文献：[1] William Fedus, Barret Zoph, Noam Shazeer: Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity. CoRR abs/2101.03961 (2021).[2] Paresh Kharya and Ali Alvi. Using DeepSpeed and Megatron to Train Megatron-Turing NLG 530B, the World’s Largest and Most Powerful Generative Language Model.[3] 全球最大智能模型“悟道2.0”重磅发布. https://hub.baai.ac.cn/view/8375.[4] 2021 IDEA大会重磅宣布，“封神榜”大模型开源计划开启——“封神榜”大模型系列宣告开源，有多“神”？https://idea.edu.cn/news/20211124222723.html.[5] Rishi Bommasani, Drew A. Hudson, Ehsan Adeli, et al.: On the Opportunities and Risks of Foundation Models. CoRR abs/2108.07258 (2021).[6] Gershgorn, Dave. GitHub and OpenAI launch a new AI tool that generates its own code. The Verge. 29 June 2021 [6 July 2021].[7] Amanpreet Singh, Ronghang Hu, Vedanuj Goswami, Guillaume Couairon, Wojciech Galuba, Marcus Rohrbach, Douwe Kiela: FLAVA: A Foundational Language And Vision Alignment Model. CoRR abs/2112.04482 (2021).[8] Alexey Dosovitskiy, Lucas Beyer, Alexander Kolesnikov, Dirk Weissenborn, Xiaohua Zhai, Thomas Unterthiner, Mostafa Dehghani, Matthias Minderer, Georg Heigold, Sylvain Gelly, Jakob Uszkoreit, Neil Houlsby: An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale. ICLR 2021.[9] IDEA合作企业数说故事产品上新 携手推动商业应用智能化.https://zhuanlan.zhihu.com/p/458813386. 2022-01-18.

      超级自动化是机器人流程自动化、流程挖掘、低代码等多种技术与软件工具的有机结合体，可实现软件系统的泛在连接和端到端的自动化，已在金融、制造、电信等行业中得到了广泛应用，有效推动了组织机构的数字化转型，超级自动化的技术研究与应用实践是观察数字未来的重要窗口之一。      2022年1月25日，2021RPA产业推进方阵成果发布会于线上召开，中国信息通信研究院云计算与大数据研究所联合华为技术有限公司在会上发布《超级自动化技术与应用研究报告（2022年）》。      报告重点对超级自动化的概念范围、技术体系、应用场景进行了梳理和分析。概念范围上，明晰了超级自动化的内涵，并阐明其与传统自动化在要素、技术和应用上的重要区别；技术体系上，说明了机器人流程自动化（RPA）、流程挖掘（PM）、智能业务流程管理工具（iBPMS）等超级自动化的关键技术核心作用，分析了“云数智”等支撑技术对超级自动化发展的深刻影响；应用场景上，总结了超级自动化在通用及专用场景上的应用现状，并给出多方探索出的超级自动化实践案例。最后，报告指出了当前超级自动化发展面临的问题及挑战，给出针对性建议并面向用户提出了超级自动化落地的通用参考模式。报告核心观点1、超级自动化相关能力有效迎合了组织机构数字化转型的发展需求。在全社会数字化转型加速的背景下，组织机构的运营效率、成本控制、客户服务等迎来了新一轮的挑战。利用超级自动化可有效降低人力成本、优化管理机制、丰富服务手段和规避业务风险。不仅如此，超级自动化还打通了组织机构内部的数据、应用、业务等多重孤岛，在软件系统环境中实现了无侵入式的互联互通，有效提高了系统运转效率。2、超级自动化应用优势逐步显现，技术研发与应用热度升温。近年来，越来越多的行业企业开始注重超级自动化相关能力的建设，不论是在财务、人力等通用业务场景，还是银行、证券等专用业务场景，超级自动化的应用优势都在逐步扩大，用户对其认可度显著升高。超级自动化产业发展进入了快速成长期，厂商的技术研发投入加大，更多新兴技术融合发展不断提升着超级自动化的基础能力，专业的交付咨询机构开始为用户量身打造部署运营方案，超级自动化市场的服务供应趋向完备。3、多重工具平台融合应用，超级自动化基础能力趋向稳固。超级自动化是RPA、iBPMS、PM、低代码应用平台（LCAP）等多种技术能力与软件工具的组合，其中RPA扮演“执行者”角色，负责打通流程、连接业务以及执行工作；iBPMS和PM扮演“分析管理者”角色，实现系统化的自动化业务流程发现、分析、优化及管理；LCAP扮演“辅助者”角色，负责自动化业务流程的高效、简洁、定制开发。上述工具和平台的融合应用，筑牢了超级自动化的基础能力。4、AI赋能、“云数”引领，超级自动化综合能力不断攀升。随着人工智能技术赋能的加深，超级自动化的感知认知能力显著提升。计算机视觉和智能语音语义技术，赋予了超级自动化看、听、说能力；知识图谱技术和类脑计算，赋予了超级自动化逻辑推理、类比演绎能力；智能人机交互技术，填补了人机任务衔接的缝隙，有效提升交互效率和用户体验。与此同时，在云计算、大数据技术的加持下，超级自动化的服务能力得到进一步加强，“超级能量”得到了更充分的释放。5、超级自动化产业生态发展，需要多方共同维护。超级自动化产业生态的健康发展需要政府、厂商、用户、产业服务方等共同推动。政府机构可打造应用试点示范，进一步加速推进创新应用与多元实践；厂商可重点突破核心技术、探索融合创新发展，并全局谋划全栈技术储备与供给；用户方可通过总结和反馈应用实践经验，为厂商提供目标更加明确的技术研发方向；产业服务方可深入开展标准制定、规范行业发展，并通过广泛搭建交流与合作平台促进产业供需对接。报告目录一、超级自动化发展现状       （一）概念持续发展演进，关键特性愈发清晰        （二）向内破除多重孤岛，向外实现降本增效        （三）应用优势逐步凸显，效能发挥日益显著        （四）市场生态基本成型，技术研发热度升温 二、超级自动化关键技术      （一）工具平台融合，渗透组织业务并释放技术能效          （二）人工智能加持，加速手脑协同并拓宽能力边界          （三）“云数”引领，提升超级自动化服务能力和效率   三、超级自动化应用场景       （一）赋能范围循序纵深推进，行业应用持续渗透       （二）通用场景应用范围广泛，有效满足共性需求       （三）专用场景应用渗透加深，精确瞄准业务特点       （四）行业各方探索实践路径，应用模式加速创新  四、超级自动化发展建议       （一）价值尚未充分显现，多重业务风险潜伏        （二）加大技术研发投入，系统推广应用实践        （三）能力建设初显范式，未来发展任重道远   更多精彩，敬请阅读解读PPT1234567作者：中国信通院来源：中国信息通信研究院和华为技术有限公司版权声明：本报告版权属于中国信息通信研究院和华为技术有限公司，并受法律保护。转载、摘编或利用其它方式使用本报告文字或者观点的，应注明“来源：中国信息通信研究院和华为技术有限公司”。违反上述声明者，编者将追究其相关法律责任。

由百度和IDC联合推出的《智能减碳，激发绿色转型动力——2021年中国人工智能助力“双碳”目标达成白皮书》（以下简称《白皮书》）正式发布并公开上线。《白皮书》预测，到2060年，涉及使用人工智能相关技术助力减碳总计将超过350亿吨。其中，在信息技术驱动交通行业减碳方面，无人驾驶、智慧停车等智能交通技术的贡献度均将超过40%。《白皮书》认为，实现碳中和的本质是以技术驱动全社会模式和效率的优化。技术和应用突破是实现碳达峰、碳中和目标的根本路径，也是产业转型升级的必经之路。人工智能技术与行业减碳技术和应用相结合，最具突破潜力。人工智能当前服务于产业智能化的感知、分析、决策及控制机制，同样适用于节能减排领域。潘家华指出，新能源替代化石能源，是应对全球气候变化的大势所趋。当前新能源供给的间歇性问题，可以通过合理调配风能、光能、水能，包括生物质能和储能等多能互补的方式来解决。但这样的调配如果依靠人工判断，会产生时滞效应；但过程中电力不能中断，哪怕是一毫秒都不可以，这就需要人工智能快速、广泛地甄别信息来源，进行整合输出，确保多能互补的协调、稳定、安全、有保障。而在消费领域，伴随着用户对数据中心算力服务的压强不断增高，服务于经济增长的数据中心算力无疑会消耗更多能源。2020年中国数据中心用电量超过2000亿千瓦时，超过了上海市的总体用电量。到2023年底，全国数据中心机架规模年均增速保持在20%左右，数据中心平均利用率要提升60%以上。未来数据中心的用电量还将稳步增长，也将成为减碳重点目标行业。

各位亲爱的版主们，大家好！经过大家一个月的努力角逐，1月外部版主激励评比结果已出炉，数据公示如下，请查看！·外部版主激励规则：点击了解更多转正礼/基础任务（在线时长15小时+，主题帖15+，回帖30+，技术长文5+/原创1+，原创技术干货合集1+，有效回复问题求助帖8+，完成这3项指标可获500元代金券和对应价值的码豆/实物礼品）请完成任务获得激励的版主填写激励发放统计问卷：https://www.wjx.cn/vj/ePLyMZi.aspx反馈截止时间：2022年2月15日，以便小编进行相应的激励发放。注：在线时长数据达标后，才会再去考察达标版主的三项任务完成情况；主题数+回帖数达标后，才会再去考察达标版主的技术长文数量情况。

近日，德勤发布了其 2022 年的科技预测。根据会计咨询公司德勤（Deloitte）的年度科技预测，新的一年将出现持续的芯片短缺、人工智能监管力度加大、智能手机可持续发展的推动以及娱乐订阅量的更大波动。德勤在其年度报告中表示，芯片明年仍供不应求，一些组件的交付周期将延长到 2023 年。这与英特尔和英伟达等芯片制造商的报告一致。德勤还表示，2022 年全球将交付 3.2 亿台消费者健康和可穿戴健康设备。2022 年，Wi-Fi 6 设备的出货量将超过 5G 设备，至少交付 25 亿台 Wi-Fi 6 设备和 15 亿台 5G 设备。全球至少有 1.5 亿流媒体点播服务（streaming video on-demand services，SVOD）付费订阅将被取消。随着游戏机问世 50 周年，游戏机市场将在 2022 年创下 810 亿美元的记录，比 2021 年增长 10%。《2022 年技术、媒体和电信（TMT）预测报告》强调了这些趋势中有哪些是由全球新冠疫情的经济和社会变化所驱动的，这导致了一个日益互联和多设备的世界，推动了世界对更多芯片、连接增长和娱乐选项的需求。德勤美国 TMT 和全球电信、媒体和娱乐（Telecommunications、Media、Entertainment，TME）业务负责人凯文·韦斯科特（Kevin Westcott）在一份声明中说：“这场疫情增加了维持联系、提高生产力和体验娱乐的需求，消费者和企业都加快了适应的节奏。”我们预计，到 2022 年，这些行为将继续增长，但面临挑战。随着这些挑战影响到企业满足市场需求的能力，供应链困境、日益增多的监管问题和不断变化的媒体习惯将成为企业领导人最关心的问题。”芯片需求激增但供应持续紧缩德勤预计，2022 年期间，许多芯片将供不应求，但大多数芯片的短缺情况不会比 2021 年更严重，而且不会影响所有芯片。德勤表示，芯片短缺的持续及其持续程度归结于需求的大幅飙升，这是由数字转型推动的，也是由新冠疫情加速的。毫不奇怪，风险资本对半导体的投资正在起飞，以满足对新型芯片的需求。德勤预测，全球风险投资（centure capital，VC）公司将在 2022 年向半导体初创公司投资 60 多亿美元。这可能只占 2022 年预计的 3000 多亿美元风险投资总额的 2%，但比 2000 年至 2016 年间每年的投资额高出三倍多。Wi-Fi 6 设备销量超过 5G 设备在过去两年中，许多国家已经采用了 5G，但 Wi-Fi 6 设备的销量现在已经悄然超过了 5G 设备，而且在未来几年内可能还会继续如此。德勤预测，2022 年，Wi-Fi 6 设备的出货量将超过 5G 设备，至少达到 25 亿台，而 5G 设备的出货量约为 15 亿台。原因是：Wi-Fi 6 与 5G 一样，在未来的无线连接中扮演着重要角色——不仅对消费者如此，对于企业也是如此。与此同时，智能手机将在 2022 年达到 45 亿台的安装基数，使其成为迄今为止世界上最受欢迎的电子设备。但到 2022 年，这些手机将产生 1.46 亿吨二氧化碳或等量的排放量（CO2e）。尽管这一数字还不到全球 2021 年二氧化碳排放量的 340 亿吨的百分之一的一半，但仍值得减少。有明显证据表明，该行业正在通过减少对非计划更换的需求、为智能手机提供更长时间的软件支持，最终帮助减少智能手机对环境的影响，从而使智能手机更加可持续发展。管理敏感数据日益紧迫德勤预测，2022 年将有大量关于更系统地监管人工智能的讨论并制订一些议案——尽管将这些议案制定为完全执行的法规可能要到 2023 年或以后才会发生。一些司法管辖区甚至可能试图完全禁止人工智能的所有子领域，如公共场所的面部识别、社会评分和潜意识技术等。此外，由于保护人工智能应用程序中使用的数据日益紧迫，受此驱动，新兴的隐私增强技术，如同态加密（homomorphic encryption, HE）和联邦学习（federated learning, FL），也将经历巨大的增长。同态加密和联邦学习目前已经被领先的技术公司使用，其合并市场在 2022 年将以两位数的速度增长到 2.5 亿美元以上，到 2025 年，该市场预计将超过 5 亿美元。德勤美国技术部门负责人保罗·西尔弗格莱特（Paul Silverglate）在一份声明中表示：“人工智能前景广阔，但随着监管者寻求更好地理解新兴人工智能应用对隐私和数据安全的影响，并实施策略来保护消费者，我们可能会在 2022 年看到更多的审查。科技公司发现自己正处于一个交汇点，在此他们再也不能对这样的道德问题听天由命。现在需要的是一种解决道德责任的整体方法；采取这种方法的公司，特别是在人工智能等较新的领域，可以期待更高的接受度、更高的信任度和更高的收益。”随着世界的动荡：流媒体战争走向全球随着领先的流媒体提供商在全球范围内扩张，而各国媒体公司也在发展自己的国内流媒体服务，不断扩大的竞争创造了丰富的消费者选择，并加速了客户流失。德勤预测，在 2022 年，全球至少有 1.5 亿流媒体视频点播服务（SVOD）付费订阅被取消，每个市场的流失率高达 30%。这是个坏消息。比较好的消息是，总的来说，增加的订阅量将多于取消的订阅量，人均订阅量将上升，而且，在客户流失率最高的市场中，许多取消订阅的人可能会重新订阅他们以前离开的服务。这些都是 SVOD 市场竞争和成熟的迹象。随着 SVOD 的成熟，具有不同成本敏感性的全球区域的增长可能需要不同的商业模式创新和盈利途径。德勤美国电信、媒体和娱乐（TM&E）部门负责人贾纳·阿巴纳斯（Jana Arbanas）在一份声明中表示：“我们在过去一年中了解到的一件事是，消费者在内容、成本以及通过体验与社会联系的能力方面都需要娱乐选项。随着越来越多的全球玩家进入这些已经竞争激烈的全球市场，娱乐公司将面临不断创新、行动灵活、快速响应市场变化的挑战，从而抓住日益精明的消费者的头脑和钱包。”在另一个问题上，德勤预测将继续关注多样性、公平性和包容性；尽管科技行业的大公司正在缩小性别差距，2022 年女性在劳动力中的总体比例将达到 33%，但担任技术职务的女性继续落后 8%，而新冠疫情已加剧人员流失，57% 的 TMT 行业女性希望在两年内更换雇主，而令人吃惊的 22% 的 TMT 行业女性以工作量增加影响幸福为由考虑离职。体育不可伪造代币（sports nonfungible tokens，NFTs）将体育纪念品带入了数字时代。德勤预测，基于区块链的体育媒体 NFTs 将在 2022 年产生超过 20 亿美元的交易额，约为 2021 年交易额的两倍。到 2022 年底，我们预计全球将有 400 万到 500 万体育迷购买或被赠送 NFT 体育收藏品。体育 NFTs 的利益可能会受到更广泛的 NFT 市场的推动，包括数字艺术，其中最重要的五项销售额在 2021 年 8 月之前已经超过 1 亿美元。