感谢各位小伙伴参与本次活动，本次活动获奖名单如下：活动中奖公示奖项名称获奖楼层社区昵称奖品备注最佳提问25#zekelove定制双肩包　307#kitty787定制双肩包　优秀提问27#记忆是座荒岛无线鼠标　144#nukinsan无线鼠标　幸运奖33#yizhangl手持电风扇　66#yizhangl/因#66楼层获奖者重复，且顺延至下一合格楼层与“优秀提问”重复132#夏暖手持电风扇　197#阿梅手持电风扇　263#z zhang手持电风扇　296#阿梅/与#197楼层重复，且顺延至下一合格楼层仍为同一人313#holo.yh手持电风扇　请各位获奖的伙伴在6月25日之前点击此处填写收货地址，如逾期未填写视为弃奖。再次感谢各位小伙伴参与本次活动，欢迎关注华为云更多活动~【直播简介】【专家简介】陈厚志 一知智能市场负责人【直播简介】企业精准营销怎么做？如何高效快速地获取用户？AI在各行各业如何落地开花？本期直播与您共同探讨AI助力企业高效获客的秘密武器。看直播，抽惊喜好礼，赢价值1000元SCRM系统一年！！！更有618劲爆8折起购，好礼不断！【直播时间】2021年6月10日19:00-20:00直播链接：https://bbs.huaweicloud.com/live/marketplace_live/202106101900.html 【活动介绍】【互动方式】在本帖回复#一知AI智能外呼 #+您最想提问专家的问题，专家将挑选出n个论坛提问进行回答。【活动时间】6月7日-6月18日【奖励说明】1）专家将挑选出2名优秀提问赠送无线鼠标1个，2名最佳问题提问赠送定制双肩包1个！！！2）我们会在全部活动结束后对参与互动的用户进行抽奖。在活动结束后（截止6月18日），在本帖所有盖楼的用户中抽取获奖楼层，获奖楼层=总楼层*中奖百分比，中奖百分比为10%、20%、40%、60%、80%、90%、95%。例如：活动结束后总楼层为500，500*10%=50，即第50楼获奖，其他获奖楼层同理可得。如出现小数点，则四舍五入，例如：活动结束后总楼层为531，53*10%=53.1，即第53楼获奖。无效楼层不参与中奖，做顺延处理，例如：抽取获奖楼层为第5楼，但5楼为无效楼层，即顺延至第6楼获奖，若依然为无效楼层，则继续顺延，以此类推，请勿连续刷楼超过5层或回复无关内容，否则视为无效。奖品：每人奖励手持电风扇一个。 【注意事项】1、为保证您顺利领取活动奖品，请您提前填写奖品收货信息，如您没有填写，视为放弃奖励【点击此处填写信息】。2、活动获奖信息填写时间截止2021年6月24日，如未填写视为弃奖。本次活动奖品将于2021年7月16日前统一发出，请您耐心等待。3、活动期间每个ID（同一姓名/电话/收货地址）只能获奖一次，若重复则中奖资格顺延至下一个合格楼层，仅一次顺延。4、如活动奖品出现没有库存的情况，华为云工作人员将会替换等价值的奖品，获奖者不同意此规则视为放弃奖品。5、其他事宜请参考【华为云社区常规活动规则】。

6月3日至4日，华为智慧金融峰会2021在上海成功举办，峰会以“数智金融、升级有道”为主题，汇聚金融行业领军人物，共话大数据前沿技术，探讨金融行业数字化转型之道。    在本次金融峰会中华为云联合FusionInsight智能数据湖的伙伴发布一系列云原生2.0金融大数据解决方案，发展共创共享共赢的金融生态。其中，华为云联合北明软件发布保险集团统一数据平台联合解决方案，依托FusionInsight实现数据资产化、共享化、服务化的统一建设，助力保险集团数字化转型；华为云联合Kyligence发布大数据OLAP联合解决方案，基于FusionInsight助力客户快速发掘海量数据业务价值，驱动金融高效商业决策。华为云数据使能，加速金融数据资产化在“华为云数据使能，加速金融数据资产化”分论坛上，华为云FusionInsight携手工商银行、北明软件等客户与伙伴共同分享金融数据解决方案创新与实践，包含工商银行大数据体验演进历程及规划，华为云FusionInsight分享金融行业智能数据湖创新与实践，北明软件分享保险集团统一数据平台建设实践等议题。工商银行大数据平台产品经理袁一在演讲中表示，工商银行携手华为云FusionInsight智能数据湖持续创新探索，让工行大数据平台持续演进，通过滚动升级，业务无中断；通过大数据存算分离，使全局数据统一存储，上层架构更灵活；通过HetuEngine提升全行13000名分析师即时BI体验，形成集技术、数据、服务于一体的大数据服务体系，不断提升工行金融服务实体经济能力，倾力打造服务于经济高质量发展的数字工行。（工商银行大数据平台产品经理袁一演讲）华为云FusionInsight总经理杨志勇讲到，华为云FusionInsight智能数据湖提供湖仓一体化的现代数仓平台，客户可因地适宜设计自己的湖仓一体化数据架构，从单一离线跑批走向实时，T+0供数加速业务创新，让开发者轻松驾驭数据。目前已在工行、招行等大型金融企业成功实践，极大提升了用户体验。在2020年IDC MarketScape和2021年Frost&Sullivan评估中，FusionInsight多项指标领先国内大数据厂商。（华为云FusionInsight总经理杨志勇演讲）北明软件副总裁张翼表示，北明软件依托华为云FusionInsight智能数据湖，通过“湖仓一体化、流批一体化、数据服务化”的平台架构思想，构建保险集团统一数据平台，实现数据价值发现和提升，助力保险集团数字化转型。（北明软件副总裁张翼演讲）        金融行业是数字化转型的先行者，在不断的探索与创新中，FusionInsight将提供前沿湖仓一体技术，深度结合金融业应用场景，助力金融机构构建一企一湖、一城一湖，业务洞见更准，价值兑现更快！        在金融领域，华为云 FusionInsight已在工商银行、建设银行、招商银行等银行、证券、保险行业广泛应用。工商银行使用FusionInsight湖仓一体解决方案，实现金融数据湖与金融数仓的高效协同，提升全行13000+分析师即时BI体验。金融业存在很多场景需跨多部门进行数据协同，但往往需要数小时甚至数天。通过HetuEngine数据虚拟化引擎，实现跨湖跨仓秒级协同分析，数据免搬迁；提供统一SQL接口简化用数，使金融业务上线缩短到天级。       目前，华为云FusionInsight智能数据湖携手800+生态伙伴，已服务于60多个国家3000+客户，广泛应用于政务、金融、运营商、制造、交通、能源等行业。更多精彩文章：https://bbs.huaweicloud.com/forum/thread-66105-1-1.html

       6月已经进入到了毕业季的备战阶段，童鞋们是否已经开始准备自己的面试材料了？有的童鞋是否还在犹豫自己到底要投递什么岗位？自己的未来的职业发展方向到底是什么？别担心，这一次华为云的专家们将走进南京的大学，为童鞋们面对面的讲解程序员的面试技巧、简历编写。与此同时，华为的各个技术领域：数据库、NAIE、AI、鸿蒙的专家大佬也会亲临现场，让童鞋们一次了解华为技术的精妙吧！活动时间及地点：（1）6月10日南京工业大学（2）6月18日南京林业大学（3）6月19日南京信息工程大学（4）6月20日南京航空航天大学（1）数据库议题：时序数据库与时序智能分析内容介绍：什么是时序数据库，时序数据库现状，时序数据库与其他数据库的区别，时序数据库的基本概念和操作和时序数据分析。（2）NAIE议题：网络AI应用开发及案例分享内容介绍：华为NAIE一站式网络AI开发平台，降低AI开发门槛，通过提供各类云服务加速AI应用快速落地（Paas，Saas，AIOps等）。（3）就业指导议题：就业指导与成长规划内容介绍：面试技巧、学习技巧、成长规划。（4）鸿蒙议题：基于HarmonyOS智慧农业物联网端到端开发实践内容介绍：揭开鸿蒙系统神秘面纱，展示鸿蒙操作系统在物联网领域的作用。（5）AI议题：高校开发者如何抓住机遇学好AI内容介绍：人工智能的发展史，当前有哪些挑战，基于华为云一站式AI开发平台ModelArts如何零基础入门人工智能。参与线下活动，还有精美礼拿哦（奖品数量有限哦）~~~HDZ社区—携手全球开发者 共建开放、创新、多元的开发者社区组织      HDZ是Huawei Developer Zone的英文缩写，是华为开发者生态面向全球开发者建立开放、创新、多元的开发者社区组织。      致力于帮助开发者学习提升、互动交流、挖掘机会，推动ICT、互联网等产业生态的建立和发展。      对云计算、IoT、人工智能、5G、区块链、鲲鹏、昇腾、软件开发与运维、开源等各技术领域感兴趣的开发者、软件工程师、创业者、运营人、产品人、大学生、老师等都可以参与到HDZ。      HDZ秉承开放、创新、多元的社区文化，完全由各地HDZ组织者、志愿者自发组建和领导。华为公司不直接参与HDZ组织建设和领导，只按需对HDZ社区活动提供必要的方向指导、资源支持、活动支撑等，并为各地HDZ组织者提供与全国组织者互动交流的机会。欢迎扫码加入

生态环境物联网AI监测监管系统是依托物联网、大数据、AI、区块链等先进信息技术建设的生态环境一体化监测监管平台，实时给出动态管控建议措施，真正做到智慧环保。 商品亮点：1、多数据源的大气全景展示; 科学专业的污染分析2、高密度广区域的微站实时监测，微站分钟数据，及时响应报警，快速的洞察能力3、动态管控，以事件为基准的多维分析，AI溯源，从根本的了解污染问题4、事件的派发机制，现场的及时处理，全链路的闭环事件跟踪5、动态绩效，围绕考核目标的实时跟踪 华为云云市场生态环境物联网AI监测监管系统是依托物联网、大数据、AI、区块链等先进信息技术建设的生态环境一体化监测监管平台，实现大气、水环境、噪音、固废等生态环境信息的快速采集、海量存储、数据融合、深度挖掘、溯源预测等智能环境分析，整合监测数据和业务数据并结合算法模型找到污染根本，实时给出动态管控建议措施，有效管理生态环境的同时，解决了过去对排污企业“一刀切”的管理模式，真正做到智慧环保。 通过对多源数据的融合分析，实现全市范围内的整体调度运营。通过大数据分析研判，进行整体调度运营。增加大数据分析模块及数据分析模型，结合专家分析服务，通过软件模块实现直观展示，快速响应、迅速派单、及时反馈等。增加联防联控及动态管控的发布模块，采用“周调度、日调节”的模式。“周调度”是指根据未来一周的天气和污染情况的预报预测，对重点管控的企业进行定时限产，以达到错峰生产，降低污染影响的目的。通过平台的污染源在线实时数据和微观站实时数据的分析比对，对施行限产的企业进全时段监控，对未执行限产，违规生产的企业，进行报警，并将报警信息推送至主管单位。必要时采取处罚或停产的管控措施。“日调节”是指每天根据气象状况，对重点区域上风向的企业、工地等污染源进行实时排查，发现环境问题，实时推送至责任单位，限时办结，必要时采取限产或停产的管控措施。“周调度、日调节”模式的有效运行，是系统的核心。 生态环境物联网AI监测监管系统其他功能还包括：一周一排名，一周发布一次企业错峰生产时间和排放标准；一周公布一次限号限行区域；每天发布第二天施工工地启停时间；绩效考核，对与重点管控的企业，以及参与到管理的相关单位都进行绩效考核，考核企业的合规生产，考核主管单位的处置率和办结率。 疫情防控AI监控预警分析服务v1.0： 利用AI视觉模型公共场所、重点区域、人群聚集地进行安全隐患的检测，对疫情期间未佩戴口罩人群、人群危险聚集进行监控预警，对重点人群进行重点监控。本服务涉及到的AI模型识别正确率为99.0%，具有上百路同时处理的能力，秒级内时效响应。商品链接：生态环境物联网AI监测监管系统【华为云云市场，助您上云无忧】

应用AI图像识别方式，面向产品外观瑕疵、信息校验、生产质量等，提供可满足精度高、速度快、场景复杂、多种类型的自动化检验平台。提供实施、运维、算法模型设计、定制化开发等原厂服务。 一、商品亮点：1、多种部署方式，满足多样化业务需求。平台支持云化、本地化两种部署模式，可满足检验过程高效、检验数据有效存储、产品质量全景追溯等多样化业务需求。2、支持个性化定制，灵活适配。边缘端提供内嵌式、外接式、一体式、分离式等多种终端部署形态，可按需选配多种相机、光源、及剔除装置，实现对不同类型检验业务的全域支持，及产线设备与检验装置的无缝对接。 二、商品定位：为采购守望者AI视觉平台的用户提供以下服务：1）远舢iWatcher平台产品实施、运维及技术支持等原厂服务；2）远舢iWatcher平台AI算法及模型设计及技术支持等原厂服务；3）远舢iWatcher平台定制开发及技术支持等原厂服务。三、目标客户：已经采购守望者AI视觉平台的用户（华为云云市场在售）：1）食品/药品/饮料行业：字符、条码、二维码、容量、外观、颜色等方面的自动化检验与缺陷品剔除；2）烟草行业：烟标；缺支；缺包、外观的自动化检验与缺陷品剔除。3）印刷行业：堆墨、飞墨、缺印/浅印、套印不准、颜色偏差等问题的自动化识别；4）PCB行业：导线和元件的位置和间距错误、线路和元件的尺寸错误、元件形状错误、线路的通断、板上污损等问题的自动化识别；5）机械行业：金属零件表面划伤、残缺、变色、粘膜等缺陷的自动化检验与缺陷品剔除；6）材料行业：钢材、木材、铝材等各种板材的表面缺陷检验，焊缝无损探伤。7）销售特性： 全面应用AI技术，性能可靠：平台内置大量成熟模型及AI算法，深度应用“标注信息处理、组织区域识别、样本增强、样本提取”等多种图像处理方式，标注过程与检验过程相融合，基于少量缺陷样本即可快速完成对缺陷特征模型的训练，实现精度高、多维度的自动化检验。多种部署方式，满足多样化业务需求（云化/本地化）：平台支持云化、本地化两种部署模式，可满足检验过程效率高、检验数据有效存储、产品质量全景追溯等多样化业务需求。个性化定制，灵活适配：边缘端提供内嵌式、外接式、一体式、分离式等多种终端部署形态，可按需选配多种相机、光源、及剔除装置，实现对不同类型检验业务的全域支持，及产线设备与检验装置的无缝对接。商品链接：守望者AI视觉平台原厂服务【华为云云市场，助您上云无忧】

转自网络2020年的新冠肺炎疫情突如其来，赶上春节假期窗口，给各地政府管理、社会治理、民生服务、产业发展、企业生产经营等各方面都带来了巨大的挑战和困难。党中央集中统一领导下，我们对打赢疫情防控阻击战有着必胜的信心。 本次疫情的发生、传播及防控过程，让我们不禁回想起2003年的SARS疫情，对比两次疫情的防控体系能力，发现大数据本次疫情中起到了巨大的作用和价值。未来大数据将发挥更大的价值，大数据管理和应用将是国家治理体系和治理能力现代化建设的基础支撑能力。本文将围绕大数据此次疫情中的应用和价值，存的问题和短板，以及未来应用和发展趋势方面进行分析。 一、本次疫情过程中大数据的应用和价值 (1)电信大数据发挥广泛应用和重要价值 疫情发生后，工业和信息化部第一时间成立电信大数据支撑服务疫情防控领导小组，统筹协调部门之间、部省之间的联动共享。通过电信大数据用户位置轨迹数据多元场景分析，能够统计全国特别是湖北等重点地区的人员流动情况，分析预测确诊、疑似患者及密切接触人员等重点人群的流动情况，支撑服务疫情态势研判、疫情防控部署以及对流动人员的监测统计。正值春节返程高峰，同步对重点城市的人员流动分析，也有着重要价值。 (2)电力、自来水、燃气等大数据应用，助力社区精准排查 新冠肺炎疫情期间，国家电网浙江杭州供电公司研发了全国首个“电力大数据+社区网格化”算法，实现了收集、研判电力数据功能，对滨江157476户居民、超过1000万条电力数据，进行了收集和分析。为了精准判断细微的用电数据差别，算法中开发了居民短暂和长期外出、举家返回、隔离人员异动等3个场景6套算法模型。通过3轮150余万条次电力大数据巡航，精准判断出区域内人员日流动量和分布，还可以实时监测居家隔离人员、独居老人等特殊群体347户。这让社区人员得以根据电量波动判断业主状况，做好跟踪服务。 (3)医疗影像大数据人工智能效率大大提升 新冠肺炎疫情早期，由于确诊案例样本量少，医疗机构缺少高质量临床诊断数据，核酸检测作为病原学证据被公认为新冠肺炎诊断的主要参考标准。随着临床诊断数据的积累，新冠肺炎的影像学大数据特征逐渐清晰，CT影像诊断结果变得愈发重要。根据国家卫健委公布的诊疗方案第五版，临床诊断无需依赖核酸检测结果，CT影像临床诊断结果可作为新冠肺炎病例判断的标准。一位新冠肺炎病人的CT影像大概300张左右，这给医生临床诊断带来巨大压力，医生对一个病例的CT影像肉眼分析耗时大约为5-15分钟。 达摩院联合阿里云等机构，基于5000多个病例的CT影像样本数据，学习训练样本的病灶纹理，针对新冠肺炎临床诊断研发了一套全新AI诊断技术，AI可以20秒内准确地对新冠疑似案例CT影像做出判读，分析结果准确率达到96%，大幅提升诊断效率，河南郑州小汤山已经引入该算法辅助临床诊断。 (4)大数据助力加快药物研制 全球健康药物研发中心(GHDDI)会同清华大学药学院上线人工智能药物研发平台和大数据分享平台，免费将药物研发资源开放给科研人员，共同加速新型冠状病毒药物研发。里面涵盖了既往冠状病毒相关研究中涉及的900多个小分子不同阶段的相关实验信息。结合“老药新用”的思路，可以帮助科学家高效筛选出经过临床一期实验的安全性已知的化合物，有效缩短针对此次疫情的药物研发时间。 (5)公安大数据技术与疫情防控 新冠肺炎疫情防控期间，重庆市公安局九龙坡区分局合成作战中心，紧盯重点人员数据筛查、确诊病例轨迹回溯、涉疫案件打击等关键环节，充分运用各类资源手段加强研判，真正让数据“跑”起来、让信息“活”起来，编织起了一张牢固的数字化疫情防控网。 黑龙江黑河市公安局研究部署运用公安大数据服务支撑疫情防控工作。实现各警种数据共享、资源汇集、手段集成，运用大数据筛查疫情风险，发挥“公安大数据疫情监测系统”的优势，会同相关部门运用相关系统，深入排查与确诊病例、疑似病例有过“同时空”的潜密切接触者，最大限度将受感染风险人员排查出来，及时救治患者，严防疫情扩散。 各省市公安大数据资源丰富，此次疫情防控中同样起到了重要作用。 (6)大数据模型为政府决策复工复产提供科学参考 深圳大学发布《新冠肺炎疫情防控时空分析研究报告》，依据大数据对全市复工与错峰管控，进行疫情传播状况的模拟。基于深圳公交系统出行数据、手机数据，考虑深圳市人口密度、人群流动、新冠情况等数据参数，以SEIR/SIR传染病模型为基础，模拟新型冠状病毒传播路径。测算出复工比例为60%时，疫情传播风险率相对较低。为政府安排复工复产提供决策支持! 大数据本次疫情中其他各个领域也发挥了重要作用，这得益于国家大数据战略实施以来，各地按照国务院《促进大数据发展行动纲要》纷纷制定大数据发展规划，取得了重要成果，经受住了疫情防控的检验，也为接下来发展大数据坚定了思路和信心。 二、本次疫情中大数据应用 过程中的问题和短板 此次疫情防控过程中，我们也看到了很多问题和短板。大数据应用方面，各个行业数据集交叉应用不足，包括交通、公安、通信等各个数据集没有形成有效贯通，支撑各个需求场景方面能力参差不齐。 (1)数据应用体系与国家治理体系还存较大差距 目前实施国家大数据战略过程中，基本按照横向省市一级完成区域数据汇集贯通，纵向按照部委行业管理数据汇集贯通，数据的管理和应用体系还未形成横向纵向矩阵应用结构。与国家治理体系顶层设计和分层对接方面，还未形成有效衔接。 (2)数据集交叉应用标准规范和机制缺失，导致目前数据集之间无法有效发挥最大价值 各领域数据集还没有形成顶层设计下的流通机制，数据集之间的数据应用标准和规范也就相对滞后。目前部分数据还存数据治理的问题，数据要素资产化和资产管理的体系还未形成，以上因素也是导致数据未发挥最大价值的主要原因。 (3)数据法律法规还未健全 从国内来看，国家层面目前还没有针对公共数据管理的法律法规;地方层面，一些地方出台了法律条例，贵州省出台了《贵州省大数据发展应用促进条例》、《贵州省政府数据共享开放条例》;天津市出台了《天津市促进大数据发展应用条例》。一些地方出台规章办法，浙江省出台了《浙江省公共数据和电子政务管理办法》(浙江省人民政府令〔2017〕第354号);上海市出台了《公共数据和一网通办管理办法》(上海市人民政府令〔2018〕第9号);2019年9月1日，昆明市出台了《昆明市政务信息资源共享管理办法》。此外，福建省、河北省也陆续出台了大数据或政务数据管理的地方性法规或政府规章，提供了丰富的可借鉴经验。当前大数据立法面临四大挑战：分别是个人数据保护、政府数据开放、数据流通与交易、数据跨境流动。 应加快推进我国的大数据立法，应该坚持安全与发展并重、促进与规范并举的原则，重点促进网络基础设施的发展;加强网络安全与隐私保护;开放数据资源，加强政府和公共部门的数据开放;针对数据的收集、存储和使用等全环节建立数据安全与保护的规则;明确大数据生态中各不同主体的责任。 (4)数据权限密级等安全体系还未健全 目前数据管理过程中还未有效建立数据权限和数据保密级别体系。“党管数据”的核心思想指导下，应尽快建立健全数据管理和监管体系。明确数据权限和数据密级，顶层设计体系架构中，与数据应用相结合，同时做到数据安全不泄露，不侵犯隐私，不违法等原则性问题，重点还要高度站位国家数据主权安全。 (5)数据应用覆盖和联动机制不成熟 2020年2月10日习近平总书记北京调研指导新型冠状病毒肺炎疫情防控工作时强调，社区是疫情联防联控的第一线，也是外防输入、内防扩散最有效的防线。目前大数据应用和智慧城市体系主要集中省市一级层面，大部分能够覆盖到市区一级，先进地区已经到县区一级，到乡镇街道一层基本很少了，到社区基本就各自为战，信息化手段基本缺失，主要靠人海战术、传统手段。主要问题是顶层设计缺失，联动机制缺失。大数据和信息化还未形成部门和街道以及社区居民的联动机制。 三、从本次疫情大数据应用 看未来发展趋势 (1)落实国家大数据战略，深化大数据管理和应用，发挥大数据科学量化的重要价值。 实现大数据生产要素化，进一步推进国家大数据战略，深化国家治理体系和大数据应用体系的结构性关系。大数据要素化，形成要素管理体系，为国家治理体系和治理能力现代化建设做好重要支撑。 (2)大数据支撑健全大数据国家层面管理机制和应用体系 习近平总书记主持召开中央全面深化改革委员会第十二次会议强调，既要立足当前，科学精准打赢疫情防控阻击战，更要放眼长远，总结经验、吸取教训，针对这次疫情暴露出来的短板和不足，抓紧补短板、堵漏洞、强弱项，该坚持的坚持，该完善的完善，该建立的建立，该落实的落实，完善重大疫情防控体制机制，健全国家公共卫生应急管理体系。本次会议共提出15个体系，9种机制，4项制度，指明了具体方向，也为建设国家治理体系和治理能力现代化奠定了重要基础。从15个体系，9种机制来看，大数据将继续发挥重要作用。建立国家重大疫情智能决策指挥系统，应用大数据和人工智能，从疫情数据收集、数据模型分析、领导决策、社会资源调配、执行处理等完善流程，提高应付重大公共卫生事件的能力。 (3)进一步推动大数据数据标准规范，形成数据治理、数据质量管理能力，做好数据立法、数据安全和数据权限体系建设 此项工作是大数据发展的基础和重要制约条件，不解决这些问题，大数据会受到严重制约。 (4)统筹推进大数据要素资源，发挥大数据对政府管理、社会治理、民生服务、产业发展、企业生产经营的科学辅助决策作用 (5)发挥大数据对人工智能、区块链等技术支撑 人工智能、区块链基于数据要素的算法模型和应用，将大数据基础上发挥重要作用，继续推进大数据和人工智能、区块链结合应用，让数据更加可信、真实，数据质量更高，数据算法智能化程度更高。 (6)数据要素加速下沉，社区管理扁平化，自治与志愿者服务模式相结合的创新应用 推进社区数据主观数据和客观数据的上下行通道，建立数据和社区管理服务的联动机制，推进社区管理扁平化，尝试创新引入社区自治与志愿者服务相结合模式，实现智慧社区，使其成为人民美好生活智慧家园。 本次疫情防控，党中央集中统一领导下，习近平总书记亲自部署指挥下，全国上下一心，团结一致，必将取得抗击疫情的全面胜利。发展大数据任重而道远，我们同样也坚信，大数据必将发挥越来越重要价值! 作者：石义涛，中国大数据技术与应用联盟秘书长 本文转自：网络大数据 公众号； 版权声明：本号内容部分来自互联网，转载请注明原文链接和作者，如有侵权或出处有误请和我们联系。 商务合作：qq：1137312033 数据挖掘与大数据分析（ID : datasudi 关注大数据,数据挖掘,机器学习,深度学习等人工智能领域，以传播大数据、解读行业趋势、数据化运营为核心的新媒体平台。

竹间智能与华为云是优秀的生态合作伙伴，两者有着深度的业务融合，为人们的生活、企业、政府的业务等提供了非常便捷的解决方案。竹间智能的六大核心平台包含Bot Factory™人工智能平台、AICC+（AI Contact & Collaborate) 平台、WFEA流程自动化引擎、Gemini (Knowledge Factory) 知识工程平台、NLP自然语言理解平台、Scorpio机器学习平台。其中AICC+（AI Contact & Collaborate) 平台有AICC+标准产品之电话机器人、坐席助手、智能客服、智能质检、Emoti Mate等众多智能产品。Bot Factory机器人工厂有着非常多实用的功能，是真正理解人类语言的情感人工智能，可以充当企业虚拟员工，承担各部门工作，解放人力，提高效率，竹间AICC全场景呼叫中心提供智能化解决方案，赋能各个行业，全场景、多维度满足企业差异化需求，平台具备多业务场景整合、统一架构能力，0代码即可开发智能对话系统。除此之外，近年来，在AI落地产业的过程，华为云联合竹间智能，已在金融、智能终端、互联网、企业、健康医药、政务公共服务等领域崭露头角。 希望竹间能与华为云进行更深度的合作，为社会带来更多便捷！欢迎光临华为云云市场：https://marketplace.huaweicloud.com/

5月27日19:00，华为云云市场新生态直播间邀请到了竹间智能COO孙彬老师，为观众带来《AI能力整合，做企业的“最强大脑”》的精彩分享，直播中孙彬老师从竹间智能联合华为云在AI产业落地过程中的经验、产品、实战案例等多方面展开讨论，深入讲解了竹间智能在为各行各业提供AI技术升级，实现智能数字升级等方面所做的努力与成果，直播最后，孙彬老师也详细解答了直播间观众提出的相关问题，让我们一起来复习一下要点吧！ >>点此观看直播回放<<竹间智能是以情感计算、自然语言理解的技术作为核心技术的科技型公司，而自然语言理解是人工智能领域最难的部分，曾被誉为“人工智能皇冠上的一颗明珠”，让机器人能读懂、看懂、听懂海量非结构化的的数据，提炼出可用于决策的数据加以利用，辅助企业发展。近年来，在AI落地产业的过程，华为云联合竹间智能，已在金融、智能终端、互联网、企业、健康医药、政务公共服务等领域崭露头角。 华为云联合竹间智能发布AICC+ Cloud标准产品竹间智能自动化AI平台产品包括Scorpio自动化机器学习平台、NLP自然语言理解平台、Bot Factory™一站式的情感交互人工智能平台，AICC+（AI Contact & Collaborate) 解决方案平台、WFEA流程自动化引擎，以及Gemini (Knowledge Factory) 知识工程平台六大核心平台。此次华为云联合竹间智能，在华为云云市场发布AICC+ Cloud标准产品，是企业客户高度标准化、低代码定制化、低运营落地的企业智能化软件服务。AICC+平台是AI落地产业应用最广泛的产品之一，除了外呼平台外，还包括了机器人质检、对话机器人等。针对不容使用场景，电话机器人还衍生出了包括防疫机器人、催收机器人、满意度调查机器人、HR招聘机器人、回放机器人、营销机器人等。在报装场景中，使用电话机器人，通过语音识别及地址库对比，机器人能够一定程度上改善人工记录信息不全及误记等情况。 另外，坐席助手在帮助客服人员工作时，能够通过将用户语音实时转文字，判断客服质量，并实时反馈给客服人员；通过对是否抢话、语速情况、客户情绪等进行监测，当产生冲突矛盾时，及时通知坐席人员，调整话术。 还能生成用户画像，对接智能知识库，判断客户意图，在知识弹窗界面之中，陈列建议话术，帮助坐席人员更好的服务用户。 依托华为云，竹间的六大核心平台和解决方案支持私有部署，公有云，混合云，以SaaS与PaaS开放给更多客户，云+AI产业中心建设以“华为云生态整合”为目标，将华为云与竹间的智能化技术紧密结合，将双方的优势转化成最大价值，为客户带来更强大的服务能力！直播精选问答：1、Q：要成为竹间智能生态渠道伙伴，有哪些客观的条件要求？     A：首先，竹间智能欢迎众多伙伴，共同推进技术落地。成为竹间AI代理合伙人，有好的商业模式及自己的客户即可；成为AI区域优选合伙人，只要具备软件交付能力，产业落地能力，竹间会提供售前支持及产品培训，帮助伙伴完成AI产品的学习；成为AI战略性伙伴，则可以与竹间产品相结合，共同服务客户，在推动AI产业落地上共同努力。 2、Q：在AI+医疗领域，竹间智能相较于同行有何特别之处？          A：AI+医疗目前是AI各个领域都希望继续开拓的。竹间智能能够利用对话机器人，帮助药厂或医疗机构，将药的使用知识，医疗器械的使用知识，疾病的判别知识，整合成为一个智能知识库，同样可以用对话机器人帮助患者或全科医生分析病情、推导病情，及时预警，跟踪处理，电话机器人可以全天候服务，不管是药的使用者、慢性疾病患者、防疫对象，都可通过人工机器人触达。在此领域中，竹间也有很多落地场景，人工智能场景不止这些，希望有更多的行业合作伙伴能与竹间智能携手，共同开拓更多AI医疗场景，健康是第一要务，竹间亦会在此领域继续努力。 3、Q：AI应用在使用过程中对企业和用户数据结合的准确率满意度有多高？是否符合期望的结果？     A：例如，目前在金融行业中，机器人可以完成40%以上的服务内容，机器人与人工配合，可以完成约83%的服务内容，人工能独立完成的服务内容，大约占17%，今天在整个产业中间，机器人获机器人与人工配合，已经能够完成大多数的服务内容，专业性、重复性的内容则会更多。机器人对语音的理解能力，识别率可以达到93%以上，难点是机器人如何高效回答？在如社保咨询等开放性的问题中，机器人虽只能完成20%左右，但是这个数据已经可以节省下一个城市四分之一的服务人员。人工智能产业落地，准确率和问题解决率还会不断上升，这得益于技术发展和业务团队的不懈实践，关键是业务落地过程中，将其运用在了正确的方向。 4、Q：实验中机器人的话术都是设计好的，但是在实践中，可能会面对许多不同性格的人群和复杂场景，在回答过程中“答非所问”的情况是不是会持续优化？     A：自然语言理解就是让机器人理解人所说的内容，我们致力于用自然语言去与人对话，而绝非简单的发布指令。竹间智能就是要解决这些“答非所问”的技术短板，帮助大家使用人工智能去搭建更好的服务场景，竹间智能要做更难的场景，更复杂的机器人，用更强大的人机耦合技术去完成更复杂的场景服务。5、Q：竹间智能AI的相关应用底层是不是使用了华为云的一些AI技术服务，如果网速慢、网络不好，会不会影响使用，安全性与稳定性是如何保障的？     A：竹间与华为云团队做了很多的技术对接，在产品中间，不仅有竹间自己的核心技术，也会调用华为云的高端能力，包括Iaas能力、PaaS能力，还有EI能力等。但在交付过程中，竹间会遵照客户的IT设计场景，如果客户是本地化部署的，那就会将竹间产品部署至客户的IT环境中，提供所有的平台、算法模型、软件，符合用户的安全制度、性能要求。目前也有越来越多的企业希望利用互联网能力，所以竹间的平台都可以部署在云端，甚至也可以调用云端的能力，在华为云上以SaaS的模式部署，且有利于将竹间的产品能力，华为云的产品能力，还有华为云上其他生态伙伴的产品能力汇聚在一起，进行调用。 6、Q：竹间智能AICC平台，采购后的交付时间大概是多长？     A：如果是在云端平台交付，可以论小时来计，能够实时交付给客户。如果用户需要为对话机器人设计流程，则要与竹间智能客服联系，安排后续方案。如用户考虑安全性，将平台部署在自己的IT环境中间，则需考虑实际项目部署时间。从速度上来看，由于有多个平台的沉淀与支持，竹间应该是行业内较快部署的几个品牌之一。 7、Q：竹间智能知识工厂的产品，都有哪些优势？     A：知识工厂分两部分：即产出的产品，以及产出产品的过程。知识工厂有做数据分析的平台，可以将海量的数据进行分析比对，按要求进行提取、查重、分析等操作。AI通过学习衍生出更多功能的应用为企业提供服务，如舆情分析，智能推荐、文章查重、文章撰写、邮件分类等。 8、Q：竹间智能在AI产业竞争中，是如何保证自己的优势？     A：竹间团队的精神是：我们要好的技术，但是真正在为企业服务时，其实拼搏的是产品的综合能力，最终传递的其实是服务的质量。所以竹间坚持产品标准化，能够一键部署，云化，满足企业多种场景的需求，让产品更具生命力。当然，服务是必备的，第一时间响应问题，完成好AI产业落地，是竹间一直努力的目标。 9、Q：竹间智能产品是如何解决数据安全及客户拓展的问题的呢？     A：数据安全是一个大问题，竹间的原则是做AI技术不触碰客户的数据，这也是做人工智能服务团队的准则，由于竹间所服务的头部企业大部分都是私有化部署，所以都是按照客户的IT要求，部署在客户的IT环境中，过去的银行、保险、证券行业均是如此，部署完毕之后，将数据库，包括模型全部报备完毕后交给客户，内容均留存在客户本地，竹间提供的是AI服务平台，并不会牵动客户的数据，调优也是在用户环境中进行。云化过程中，也严格遵守华为云规范，且在部署前会与客户约定好安全协议。 10、Q：竹间智能未来准备进入哪些领域？或再开拓哪些场景？       A：坚持核心技术，继续在AI落地产业的技术赛道上打拼。依旧会在金融行业进行投入，金融行业是人工智能使用的高地，竹间会在该领域继续深耕细作；另外在企业应用，尤其是智能设备企业，将会是竹间智能高速推广的关键领域；其次，医疗教育领域的人工智能发展空间较大，竹间会部署专门的团队针对这些领域去开拓新场景，开发新应用；在政务公共事业上，大量AI场景应用其中，竹间智能在AI+防疫场景中也已经进行了实践，并还将深入探索，未来希望能够成为人工智能赛道的头部企业，与行业同仁共同进步！ 想了解更多直播详情，点击《 AI能力整合，做企业的“最强大脑”》，进入华为云云市场直播间观看精彩回放！      本期直播商品（华为云云市场在售）：AICC-客户智能联络中心竹间人工定制服务竹间智能知识工厂【华为云云市场，助您上云无忧】

5月24日10时，袁隆平院士遗体告别仪式，在长沙明阳山殡仪馆举行。 袁老逝世，举国哀恸。  ###### **△**图源：中新网 送别仪式现场庄严肃穆，哀乐低回。 袁隆平院士的遗体安卧在鲜花翠柏丛中，身上则覆盖着中华人民共和国国旗。 各界群众，能到场和未到场的，则用各种方式，寄托对袁隆平院士的哀思。 ## 告别袁隆平院士 告别仪式场外，有人自发乘坐飞机高铁前往长沙，为袁老送行。 在新华社拍摄的镜头中，群众队伍绵延了好几公里：  ###### **△**图源：新华社 殡仪馆外的台阶，也被鲜花淹没。  赶到现场的人群中，有学生、有老者，有带着孩子的父母，也有袁老母校武汉四中的代表。 人们手捧菊花、稻子，安静有序地缓慢前进 而在人群中还出现了抱着几束花的快递小哥。  ###### **△**被委托送花的速递小哥，来源：果然视频 买花者来自上海、南京、江苏、北京、内蒙、青海…..  他们不能赶来现场，就在网上定了花，这些鲜花都附上了纸条，写着留给袁老的话。  更多没有到场的人，表示相送却不知如何下单，不知邮寄何方。 而他们用另外一种独特的方式送上对袁隆平院士的哀思，表达缅怀之情。 ## AI修复袁老珍贵视频资料 一些不能到现场哀悼的网友，他们用AI修复了袁老年轻时珍贵的视频资料，赋予了它明亮的色彩。 也让更多人再一次看到这位可爱的老者，曾经意气风发、手捧梦想的样子。 动态图片：https://mmbiz.qpic.cn/mmbiz_gif/YicUhk5aAGtDz9F5uQCq4Wm7XpsKvarYFdkGxysGbF0tia6CXEhv8llccKqugkFMBeQjVXDMUOmZlwFAraSfCTCg/640?wx_fmt=gif&tp=webp&wxfrom=5&wx_lazy=1  ###### **△**以下图源均来自“AI深度学习研究” 从修复的视频里我们看到，他穿着十分朴素的衣服，在试验田旁，专心地处理手中的水稻。 动态图片：https://mmbiz.qpic.cn/mmbiz_gif/YicUhk5aAGtDz9F5uQCq4Wm7XpsKvarYFb2K67KomtQ4v7FBHLXELxy4gRm4RYGwibWrA5OtTUTiaNj3wtcoRW7uQ/640?wx_fmt=gif&tp=webp&wxfrom=5&wx_lazy=1  这或许是几十年前平常的一天，袁老按照惯例下地查看稻苗。 彼时他矫健地走在田埂上，熟练地弯下腰检查试验品种。 动态图片：https://mmbiz.qpic.cn/mmbiz_gif/YicUhk5aAGtDz9F5uQCq4Wm7XpsKvarYFEAbQiba**JwdPVEMydhKmyF7VhqQ6d1NGAiaesJZQbXs0JicLf9OiadXA/640?wx_fmt=gif&tp=webp&wxfrom=5&wx_lazy=1  我们还能看到袁老在实验室中的珍贵影像。 动态图片：https://mmbiz.qpic.cn/mmbiz_gif/YicUhk5aAGtDz9F5uQCq4Wm7XpsKvarYFv7nLJI97WydJVacoaZ7gbRNrNmqU08ew3pVZjoWwaTE6mxnBCCnu3g/640?wx_fmt=gif&tp=webp&wxfrom=5&wx_lazy=1  在显微镜中观察到样本特征后，袁老赶紧让一旁的学生也来看一看，让学生能够最直观地学习到知识，并分享这其中的喜悦。 动态图片：https://mmbiz.qpic.cn/mmbiz_gif/YicUhk5aAGtDz9F5uQCq4Wm7XpsKvarYFsUb1t4rtwfI4OEThpAlRAZ0sef6lqumMGvhicZiaMI30jZYcH0IHP0Dg/640?wx_fmt=gif&tp=webp&wxfrom=5&wx_lazy=1  在那个电脑不普及的年代，一篇篇意义非凡的论文，就是这样在袁老的笔尖下诞生的。 动态图片：https://mmbiz.qpic.cn/mmbiz_gif/YicUhk5aAGtDz9F5uQCq4Wm7XpsKvarYFQOA2Lx19yybaH24xwKARnYwkYqhODTx1SE1tp92xjys59eYG4yG0UQ/640?wx_fmt=gif&tp=webp&wxfrom=5&wx_lazy=1  此外，还有网友找到了袁老还是年轻帅小伙时的照片，并用AI赋予了它神态和表情。 动态图片：https://mmbiz.qpic.cn/mmbiz_gif/YicUhk5aAGtDz9F5uQCq4Wm7XpsKvarYFonTpAea9ElKgFfiaGLfZ5GYms0Ecp4x2LT6eZUNYEZP4zfkaWUqn1wA/640?wx_fmt=gif&tp=webp&wxfrom=5&wx_lazy=1  ###### **△**上图来自微博网友@买卖提看财经 ## 袁隆平留下两个梦想，一个心愿 袁隆平从 1964 年开创杂交水稻研究，1997 年开展超级杂交稻研究，2000 年、2004 年、2011 年、2014 年分别实现了大面积示范每公顷 10.5 吨、12 吨、13.5 吨、15 吨的目标，2020 年实现了周年亩产稻谷 3000 斤的攻关目标…… 直到今年年初，袁隆平还坚持在海南三亚南繁基地开展科研工作，活跃在做科研的第一线。 就连在被授予国家最高荣誉 “ 共和国勋章 “ 的当天，他还下地查看了 “ 第三代杂交水稻 “ 制种情况。 袁隆平常说，“ 我不在家就在试验田，不在试验田，就在去试验田的路上。” 直到生命的最后一刻，他依旧在践行这句话。 知情人士透露了袁隆平入院后的细节，称袁老有意识的时候问了两件事，第一件事还是问试验田里面的稻子怎么样了，另一件事就是问自己是不是快不行了，大家辛苦了，不用太费力气救自己。 而在今天，在袁隆平遗体送别仪式现场，青岛海水稻研究中心副主任张国栋含泪讲述袁老遗愿： > 希望为中国增加1亿亩良田，多养活8千万人口。 袁老耕耘至最后一刻，因为心中有两个梦，和一个心愿。 2019 年 10 月 23 日，袁隆平曾在《人民日报》上发表了题为《我的两个梦》的文章，其中写道： > “ 禾下乘凉梦，我是真做过，我梦见水稻长得有高粱那么高，穗子像扫把那么长，颗粒像花生那么大，而我则和助手坐在稻穗下面乘凉。其实我这个梦想的实质，就是水稻高产梦，让人们吃上更多的米饭，永远都不用再饿肚子。” 据袁老身边的人回忆，袁隆平第一次说起这个梦，是在 2004 年 10 月 29 日。 当时 74 岁的袁隆平来到位于深圳东部碧岭的国家超级杂交水稻试验基地。在稻田里，他拿起镰刀，割下了一束稻谷，并分享了自己有个稻荫下的 “ 禾梁梦 “。 而袁老尚未完成的那个心愿，是双季稻亩产2000公斤。 如今，袁隆平走了，他的梦与心愿，一定会有后人去实现。 转载自：量子位

日常生活中，我们常常需要打包，空间利用的好，则能够将物品快速而完整的装进一个包装盒内，节省空间，节省用料。 包装对于电商、物流、大型制造等行业企业来说，更是重要的一环，且与成本投入息息相关，如何提升装载率，降低运营成本？也是痛点所在。 华为云云市场智能装箱服务，是基于Dorabot人工智能时空优化算法打造的一款“小而美”的智能装箱产品，已与全球多家知名企业合作，帮助其优化了管理标准，节省人力物力，精简装载流程，提升数字化水平。 在与某家知名家具企业合作过程中，针对货品种类繁多、物品贵重易损、装柜要求高等难点，Dorabot AI算法团队定制化研发了一套AI-CLP智能车柜装载方案。目前，本方案已通过试运营，正在向该家具企业的其他集散中心推广。AI-CLP方案采用与Alpha-GO同源的技术，满足如下特征：1、完全符合承重、重力分布均衡等装载作业规范2、快速生成具有可操作的PDF、视频类等类型作业指导方案3、可与WMS系统对接，前置装柜作业任务，全面提升仓库运营效率在此案例中，此智能装箱服务方案帮助客户实现了单柜85%以上的空间利用率，95%以上重量利用率，单柜装载率平均提升10%以上。平均每10万m³出货量，可以节约160个40HC车柜，节省约400万人民币费用。智能装箱方案运用了AI时空优化算法、仿真推演、系统决策及调度等模块核心技术，为物流、快递、电商、海港、空港、先进制造等场景,提供包含上件、分拣、运输、装载等环节的一站式解决方案。 智能装箱方案可替代人工操作的最优订柜策略及货物装载规划方箱场景，满足高装载率。可以和现有 WMS仓库管理系统无缝集成。目前，使用此API的装满满平台已应用至零售、家居、化工、铁路运输等行业龙头企业。 文中提到的商品链接：智能装箱服务【华为云云市场，助您上云无忧】

AI理论笔记    浅显地理解AI领域，输入如感知推理，输出如下棋写诗，有为了更好通过图灵测试的仿生，或则是减少人工介入的“智能”。    图灵测试就是让人分不清是人还是机器，涉及自然语言处理、表达、推理和学习，刻意避免了直接的物理交互，完全的图灵测试还包括计算机视觉和机器人控制，用以增强感知和输出。    亚里斯多德的三段论开启了逻辑学，人工智能中的逻辑主义流派希望依靠此建立智能系统，这个流派遇到的最大问题是将非形式的信息用逻辑形式呈现和求解问题和解决实际问题的差别。     AI的基础包括哲学、数学、经济学、心理学、计算机科学、神经科学和语言学，从最初的专家系统到深度学习；老式的人工智能是符号人工智能，试图把人类思维变成符号操作法让计算机理解，而机器学习（深度学习）是根据数据建立和改善算法。  Agent,表示能够执行的动作，合理的Agent是为了实现最佳结果，或则是在不确定环境中为实现最佳期望而采取的行动，一个合理实现完美的论断是：在复杂环境中总做正确的事是不可行的。    算法一词出自9世纪波斯数学家花剌子模（Al-Khwarizmi）,与程序要求精确按部就班的执行不同，算法只需要遵守一系列的规则和指令。深度学习中算法在不同层次运行，每个层次加工上一层的数据并将输出结果传给下层，输出结果是二进制的。

> AI不再是一门单纯的技术学科，我们需要用多学科的方法来理解其对人类的影响。 --- > 转载自神译局--36氪旗下编译团队 编者按：近年来，人工智能技术突飞猛进，人工智能驱动的系统也在显著改善和提高我们的日常生活效率。这篇由人工智能和深度学习领域全球领先的活动机构RE•WORK发布的文章，原标题是_AI Experts Predict 2021 Trends_，作者是Nikita Johnson。不久前，该机构采访了人工智能领域的12位专家，并将专家们对2021年行业发展趋势的看法汇总在了这篇文章中。这是文章的下篇，主要介绍的是剩余6位专家的见解。  图片来源：RE•WORK ### 亚马逊旗下人工智能研发部门Alexa AI首席研究科学家Shalini Ghosh 随着人们开始在家庭和工作环境中接触越来越多的人工智能设备，这些设备能帮助用户完成的任务数量也将会进一步增长。比如说，智能助手可以帮助用户完成租借电影或者线上订餐这样的任务，智能监控可以通过异常事件检测来保障居家安全。 许多任务都将是多模态的，并涉及到视频、音频、语音和文本数据的处理和分析。 因此，在2021年，人们将继续保持对多模态人工智能的兴趣，就像我们在2020年已经看见的那样。 除此之外，许多高级任务的带标签训练数据十分匮乏，这会促使人们进一步研究稀疏数据环境中的学习技术，比如，小样本学习和自我监督学习。 最后，由于许多人工智能任务会在用户设备上运行，我们将看到更多对设备内置机器学习（以及更广范围的资源受限的机器学习）感兴趣的研究。 ### 许可式邮件营销服务商Mailchimp数据科学家Muhammed Ahmed 更多地使用零样本标注！近年来，我们已经彻底研究了大量预先训练的自然语言处理（NLP）模型的益处。许多最近的研究都喜欢把零样本（ZS）学习器当作开箱即用的分类器来使用。 在2021年，我预计能看到更多的人使用零样本学习来标注数据集，并且训练出开箱即用的分类器。相比于零样本分类，零样本标注的优点包括： - 免费标注：不需要昂贵的标注器（比如Amazon mechanical turk）就可以管理数据集 - 标注引导：将一个开放式的标注任务转变为一个简单的真/假标注 - 隐私保护标注：在标注敏感数据时十分有用（比如医疗保健和遗传数据） - 通过多个来源获取零样本标记示例，并随之引发的训练集样例多样性 - 未来待开发的训练新分类器的能力 - 推理速度加快（在某些诸如多类，零样本, 以及自然语言推断（NLI）的情景下） **全栈数据科学家的增长** 对于许多机器学习任务来说，未来的工程和建模都不再是难事。这主要是因为机器学习领域在过去几年来取得的巨大进步。 对于自然语言理解和生成而言，我们知道使用transformer。对于计算机视觉而言，我们知道使用CNN。对于列表类型数据来说，我们知道使用树方法，这些树方法往往会使用bagging或者boosting等算法。这节省了很多过去花费在让我们能够解决并实验出能够快速训练最顶尖模型的时间。 对于许多数据科学团队来说，新的痛点是部署模型并编写生产就绪代码，这要求开发者拥有软件工程和MLOps技能。 在2021年，我预计对机器学习工程师和全栈数据科学家的需求会更大。 ### 数据管理平台益博睿（Aperture Data）创始人兼首席执行官Vishakha Gupta 随着机器学习和数据科学领域的日渐成熟，机器学习行业正在从提高模型在特定数据集上的性能和准确率，发展到解决MLOps挑战。 随着当前机器学习工具和平台将细节抽象出来，我相信未来的重点会更多地放在减少复杂度、提高生产率和在实时公司数据上演示成果（在一定的延迟和空间占用下）等方面，而不是证明可行性。 通过机器学习从数据中获得商业价值包含多个步骤，这个过程目前仍然需要用多个孤立的解决方案来解决。当这些解决方案集成时，系统效率就会降低。 假设这些不同步骤的每一步都和数据进行交互，并且提供一种统一而有效的方式来和数据进行交互，那么，无论是哪个阶段，都可以降低机器学习管道在扩展时的复杂性。 我的研究主要集中在智能数据管理领域。我预测，在2021年，我们会越来越重视基础设施，它们能够在边缘设备和云端实现更简单、更可扩展的机器学习部署，并且把解决方案的时间，以及在真实世界数据上安全运行大量训练和验证任务的能力作为主要指标。与此同时，能源效率则将作为一个次要指标，不过它会变得越来越重要。 2021年中，另一个值得重视的领域是，验证模型在更具有代表性的数据集上工作情况的工具。一些研究小组已经确定了模型在现实世界中的图像捕获上是如何受影响的、文本数据如何令人困扰，以及训练集数据本身又是如何不具有代表性的。 我相信，接下来将会出现更多标准化指标和中立的第三方验证工具或者服务来评测模型的准确率。这些工具或者服务最终会将解决方案的操作指标和性能指标纳入其中，从而给出一个整体得分表。 ### 加拿大科技健康公司WinterLight Labs机器学习负责人Jekaterina Novikova 2020年对很多人来说都是特殊的一年，并且也没有太多正能量。由于新冠疫情的暴发、健康风险增加、全球范围内前所未有的流动性和旅游限制，以及因新冠疫情所导致的其他种种后果，我们的日常生活发生了很大改变。 我认为这样的背景加速了人工智能在几个领域的应用，并将在2021年形成一些主要转变。 首先，人工智能解决方案将更广泛地应用在健康医疗领域，特别是在心理健康领域。受抑郁、焦虑和压力等问题困扰的人数急剧上涨，基于人工智能的工具和解决方案刚好可以并且能够应对这一危机。 其次，在新冠疫情迟迟得不到完全控制的情况下，由于各种追踪应用程序的应用，以及类似的基于人工智能的解决方案的出现，个人隐私问题也显得尤为突出。 很显然，这些产品非常有用，并且能够帮助实施必要的社会控制、预测疫情暴发和追踪感染。不过，由于人工智能引发的潜在、负面的隐私影响，将在2021年成为一个严重的问题。 ### 教育科技创企SureStart创始人兼首席执行官Taniya Mishra 我们将看到更多的人工智能产品关注人和整个社会。在包括人工智能和技术在内的所有商业领域，多元、平等以及包容（Diversity, Equality & Inclusion，DEI）的问题被再次唤醒，这是一个不会消失的新兴趋势。 具体而言，忽略了DEI这三方面的人工智能公司会承担影响其底线的商业风险。如果人工智能不能为其所有的目标市场或者用户服务，那这些公司实际上就没有让其工作价值实现最大化。 已经有许多公司通过数据和算法偏差的技术评估，来关注和解决人工智能多元和伦理的问题，这也是非常重要的。然而，如果要真[正解]决这一问题，并且考虑到有关种族公平和正义的话题，我相信，我们会将更多的关注放在人、社会和构建人工智能的团队身上。 我们都见过，自上而下的DEI计划经常失败，这通常是因为个体员工不理解怎样在日常决策中实例化，或者说，他们没有跟这些决策建立情感联系。 所以，在2021年，我们会看到人工智能公司采取自下而上的DEI方法，拓展公司员工，特别是技术人员的视野，从而让他们进一步了解“谁”是工程师，“谁”是科学家，以及“谁”是技术专家。 此外，人工智能也不再是一门单纯的技术学科，我们需要用多学科的方法来理解其对人类的影响。对此已经展开深入思考的公司，将开始搭建专门的团队，团队成员不仅仅包括技术人才，而且还包括经过专业训练的伦理学家、社会学家和人类学家，他们往往能够站在超越产品技术和规格角度上，来思考技术所产生的影响。 - **人工智能产业使用数据的方法将不得不改变，这样才能恢复对科学和技术的信心。**许多年来，许多公司都在争先恐后地发展成为创新驱动型企业（innovation driven enterprises, IDE）。但如今，大家的全新关注点，已经变成了发展成为数据驱动型企业（data driven enterprises, DDE）。 对于人工智能公司而言，DDE显得尤为重要。毕竟，人工智能系统需要大量数据来训练、测试以及验证算法。 然而，当收集、存储和使用这些数据，或者利用这些数据建立遵守伦理的人工智能时，大量的数据也带来了大量的责任。 由于越来越多的消费者希望参与到他们的数据如何使用以及由谁使用的决策之中，因此，市场也会受到这些伦理挑战的驱动。个人数据的访问控制权将掌握在用户手中，而不是技术开发人员或者科技企业的所有者手中。 人工智能公司需要牢记这一点，并想办法让数据收集、存储和使用更加透明；同时，也需要注意如何使用这些数据，以确保人工智能系统的公平与公正。 这就要求人工智能公司在测试和验证算法时建立约束条件，不仅要检查整体准确率，还需要特别地检查它在不同人口群体中（比如白人男性与黑人女性）的泛化程度。只有这样，组织才能在人工智能部署到产品中之前，识别出特殊的偏差领域，并解决这一问题。 ### 深度学习创企DeepCube联合创始人兼首席技术官Dr. Eli David 我们看到一个明显的趋势，就是顶尖的深度学习模型正在变得越来越大。 在2019年，最大的深度学习模型有大约10亿个参数（权重）。到了2020年，最大的深度学习模型已经超过了1000亿个参数，一年就增长了超过100倍！ 这些更大的模型，由于提高了准确率，因此也更有优势。但是，其计算和内存需求也在以同样的速率增长。因此，能够显著减小这些模型大小、并提高其速率的解决方案，将会在部署上变得越来越重要。

# 12 位专家谈 AI：2021 年人工智能发展趋势（上） > 伦理、安全以及包容会成为在AI领域工作的每一个人日常工作中遵循的原则。 --- > 转载自神译局--36氪旗下编译团队 编者按：近年来，人工智能技术突飞猛进，人工智能驱动的系统也在显著改善和提高我们的日常生活效率。这篇由人工智能和深度学习领域全球领先的活动机构RE•WORK发布的文章，原标题是_AI Experts Predict 2021 Trends_，作者是Nikita Johnson。不久前，该机构采访了人工智能领域的12位专家，并将专家们对2021年行业发展趋势的看法汇总在了这篇文章中。这是文章的上篇，主要介绍的是其中6位专家的见解。  图片来源：RE•WORK 对我们很多人而言，2020年并没有完全如期而至。不过，我们已经挥别了2020年，迎来了2021年！ 我们前不久采访了一些人工智能专家，了解了他们对于2021年人工智能领域主要发展趋势的看法。 这些专家主要来自加拿大的蒙特利尔学习算法研究所（MILA）、美国信息技术研究及分析公司高德纳（Gartner）、Facebook、亚马逊旗下人工智能研发部门Alexa AI、美国国家航空航天局（NASA），以及许可式邮件营销服务商Mailchimp等组织和机构。  ### 美国信息技术研究及分析公司高德纳（Gartner）数据科学负责人Andriy Burkov 在经过有用户参与的试验后，虽然一些公司可能会推出家庭和工作之间点对点的无人驾驶通勤服务，但完全自动驾驶的汽车在2021年仍然是“准备好了”的状态。 另外，全自动驾驶卡车将开始在高速公路上完成从海岸一端至海岸另一端的长距离行驶（整个过程可能需要借助人为的远程监控），不过最后一公里的驾驶还是会由安全员直接操控。 基于Transformer的预训练模型，比如GPT-3，会更加擅长假装智能，这一点也会更加让人不安，并且其假装智能的程度，甚至会让一些人认为其已经实现了智能。  ### 美国国家航空航天局（NASA）机器学习负责人、图片分享网站Pinterest技术孵化负责人、《云、移动端和边缘智能设备的实用深度学习》（Practical Deep Learning for Cloud, Mobile, and Edge）一书作者Anirudh Koul 2021年，我十分期待的有两个方面的事物。一个是会变得更大的事物，一个是会变得更小的事物。预测未来的最佳办法就是回首过去（也许可以在过去配置一个长短期记忆网络LSTM）。 两年之内，我们的预训练模型就已经从440MB大小的BERT转变成了350GB大小的GPT-3。我们已经能通过云端租用超级计算机，借助其285000个CPU核和10000个GPU（[微软]为硅谷大亨联合建立的人工智能非营利组织OpenAI开发的）的计算力。 我们已经实现了在你口袋里的iPhone A14芯片中安装118亿个晶体管。我们已经能够在90秒内训练ImageNet，而十年前，这一训练过程还需要花费数月。 所以，我们可以预见，计算、模型和算法的力量会持续呈指数级别增长，进一步向众人揭示人工智能的新奇魔力。 另一方面，我们现在可以实现BERT精准度，但在使用FastFormers的基础上，CPU推理速度提高了233倍。如今，我们通过NVIDIA Maxine传输视频通话，只需要较之前五百分之一的带宽。我们将训练AutoML模型的时间从GPU运算时长40000小时 (2018年的MNasNet)减少到了3.75小时（2019年的Single-Path NAS）！ 单一地关注模型修剪和模型量化，并不是我们对模型的研究主题，而研究主题是实践者已经写好的高效三行代码（TensorFlow模型[优化工]具箱）。 在2021年，关注小事物的乐趣会持续增长，让使用边缘智能设备的用户获得基于强大模型的神奇体验。 ### 情绪感知初创公司Affectiva联合创始人兼首席执行官Dr. Rana el Kaliouby 我们将看到情绪感[知人]工智能的新用例，以在新冠疫情大流行期间促进在线协作和交流。 在新冠疫情期间，我们比以往更加依赖视频会议。视频会议将大家虚拟地连接起来，让我们得以远程工作、在家学习并展开社交生活。 然而，目前存在的一个较大问题是：这些技术上，情绪感知是盲区。当我们面对面交流时，我们能够传递的信息不仅来自语言本身，我们还能用面部表情、语音语调以及肢[体语]言来表达自己。但这些技术的最初设计初衷，却并不是来捕捉我们与周围人互动时的细微差别的。 我们也许可以借助人工智能，来在虚拟环境中保留我们人性的那一面。具体而言，能够根据面部表情和声音理解人类细[微情]绪和复杂认知状态的情绪感知人工智能软件，可以解决疫情期间已经出现的一些技术短板，我们会看到各大公司将其运用于新的用例，比如： - **视频会议和虚拟活动**——情绪感知人工智能能够提供对人们在虚拟活动或者会议中的情感解读。它能为线上发言者提供真实的观众反馈，让参与者有一种共同的体验，同时能帮助公司在这段紧张时期了解集体的参与度。 - **线上学习**——情绪感知人工智能能够提供学生对线上教育材料和教学的参与反馈。当学生迷惑、紧张或者乏味时，系统就会发出信号。这在疫情期间尤为重要，毕竟有很多学生在网上学习时，都得了“Zoom疲劳症”。 - **远程医疗**——随着远程就诊逐渐替代面对面诊断，情绪感知人工智能能够在患者和医疗提供者之间建立起更有意义的讨论和信任。此外，对患者情绪健康的数据驱动分析也提供了一种心理健康的量化测评方法，而不是让患者用简单的1至10分来自我评估。  ### 蒙特利尔学习算法研究所（MILA）博士研究员Alexia Jolicoeur-Martineau 降噪得分与退火兰格文采样（DSM-ALS）和扩散去噪的变种将开始打破模型生成的记录；它们将击败目前最顶尖的生成式对抗网络（GANs）。 我们还将看到生成式模型的新指标，因为现在的指标IS（inception score）和FID（Frechet Inception Distance score）将会使值接近完美，但仍未实现真实感图形。 ### 人工智能机构Got-It AI首席科学家兼对话式AI负责人Chandra Khatri **无代码的人工智能平台、产品和初创企业开始激增**：在过去几年里，人们创建了很多强大的深度学习和人工智能工具，比如PyTorch和Tensorflow。工程师们现在准备在现有工具之上构建无代码的人工智能平台和产品层，用户只需要简单地提供其数据，并且通过配置或者用户界面列出或选择模型。 仅可以训练和服务模型，而且还可以通过REST API暴露给应用程序。 Got-It AI开发的无代码、自我发掘、自我训练以及自我管理的平台，就在朝着[大众]化对话式人工智能的方向发展。微软前不久推出的一款名叫“Lobe”的应用程序，可以让所有人都能训练人工智能模型，其也是在朝着大众化对话式人工智能的方向发展。 **人工智能促进可持续发展**：我们正在经历一个大流行病（包括非典病毒、H1N1病毒和新冠病毒）变得更加普遍的阶段，气候变化也造成了大量森林火灾和物种灭绝，洪水和干旱等问题也变得越来越普遍。 我们将看到，越来越多的初创企业，以及由大公司或组织资助的计划，它们利用人工智能来实现可持续发展。我们已经看到了一些绿色科技初创公司，比如斯洛伐克的可再生能源公司Fuergy和加拿大乘[车共享]平台Facedrive，我们还可能会看到，人工智能初创公司利用[预测模型]来应对气候变化、大流行的预测和缓解，以及城市交通问题等等。 ### 蒙特利尔人工智能伦理研究所（MAIEI）创始人兼首席研究员、微软公司机器学习工程师兼创新技术合作事业部（CSE）首席人工智能委员会成员Abhishek Gupta 我的预测（以及我真诚的希望）是，伦理、安全以及包容会成为在人工智能领域工作的每一个人日常工作中遵循的原则。更重要的是，我预测一些像差别隐私这样的概念将更加主流，并且会很好地融入到日常实践中。 随着新的组织开始意识到利用人工智能完成工作的价值，我还预测，在应用人工智能的传统领域之外的地方，也将开始出现大量的能力建设工作。 随着人工智能工具变得更加易于使用，公民数据科学家的概念会获得更多的关注，人工智能技术也将会作为一种新颖的方式，用于解决那些对人类社会具有重要意义的问题。 最后，像信息污染这样的问题将会加剧，我相信这会开创一个知识建设的时代，各组织和团体会努力提高人们的认识，使大众具备更好地驾驭环境的技能。

新的AI技术发展趋势有哪些？多模态学习技术一定是其中之一。最近，刚刚宣布“自立门户”的微软AI明星产品小冰改名为“红棉小冰”。殊不知2014年诞生的这一个AI对话机器人已经在5年时间里更新到了第七代了，据称能力上正在“无限接近人类”。现在的小冰，不仅是那个会作诗的机器人了，她还会唱歌作曲、阅读朗诵、撰写新闻，甚至去年还办了一个虚拟7位画家的个人画展。多模态识别技术正是小冰越来越像人一样沟通表达的关键之一。多模态技术同样也在视频网站、电商物流、自动驾驶等领域得到广泛。像爱奇艺推出的“只看TA”功能，优酷视频正在使用的视频帧、人脸帧的图向量检索，都离不开多模态识别技术的支持。而像京东淘宝等电商平台的“拍照购”、“拍立淘”的搜索技术背后也都是在计算机视觉技术下，使用了图像、文本和高层语义属性等多模态下的信息融合，才实现高精度的“以图搜图”功能。百度提出的“多模态深度语义理解”，则让AI实现从“看清听清”到“看懂听懂”的进化。可以说，人工智能在通向人的智能的道路上，多模态学习就是一个绕不开的发展方向。因为人类本身就是一个多模态学习的典范。现在，多模态学习技术正在带来众多全新的应用场景。关注AI技术和应用发展趋势的你，想必也想了解下多模态学习的来龙去脉，以及在这些新应用场景中的技术现状与问题。而这些问题也是本文重点探讨的内容。“多模态学习”，正式认识下模态（Modality），虽然不是我们的日常用语，但却十分容易理解。我们每一天都会接触到各种不同来源和形式的信息。正如我们有视觉、听觉、嗅觉和触觉等，那么我们接触的信息就有视频、图像、文字、语音、味道、软硬度等，这每一种信息的形式就可以称作一种模态。模态的范围要比我们的感知能力更宽泛。除了视觉、听觉获得的模态信息，我们也可以利用传感器获得诸如雷达、红外线等不同感应数据的模态信息。此外，模态的类型定义也可以非常宽泛，比如我们可以把两种不同的语言当做是两种模态，把不同结构下采集的数据，也可以当做两种模态。比如，仅仅一个视频内容数据，就是一个高维度、多模态的数据信息，其中包含了标题、简介、评论、字幕等文本信息，也有视频帧的图像、声音，以及连贯动作视频片段的视觉、声音信息。多模态学习，从上世纪70年代就已经起步，几经发展，现在正进入到机器学习特别是深度学习的阶段。通常称为多模态机器学习（Multi-Modal Machine Learning ，MMML），试图通过机器学习的方法实现对多源模态信息进行分析和理解。当前主要热门的研究方向自然是对图像、视频、音频、语义之间的多模态学习。当前，多模态学习主要研究方向有多模态表示学习、模态间映射，多模态对齐、融合、协同学习等。多模态表示学习，研究如何将多个模态数据所蕴含的语义信息数值化为实值向量，通俗理解就是对多个模态的数据进行相关性编码，让不同模态建立起映射关系。按多模态表示共享的方式，主要分为公共表示学习和特异性表示学习，后者由于是分别学习不同模态的特征，可以应用于诸如零次学习、模态间映射、跨模态检索等任务中。模态间映射，研究如何将某一特定模态数据中的信息映射至另一模态。例如，给定一幅图像，通过机器学习得到这副图像的描述，或者给定一段文字，生成一幅匹配的图像。类似于我们学习中遇到的“看图说话”和“以题作画”的问题。模态间映射早已可以应用于语音合成、图像视频描述以及跨模态检索等应用中。此外，多模态对齐，主要研究如何识别不同模态之间的部件、元素的对应关系，以促进学习到的多模态表示更加精确，例如将电影画面、口型、语音、字幕的自动对齐；多模态融合，主要致力于不同模态间的模型与特征的整合，以获得更全面的特征，提高模型鲁棒性，并且保证模型在某些模态缺失时仍能有效工作；而多模态协同学习，主要考虑如何从信息丰富模态上学习的知识迁移到信息匮乏的模态，使各个模态的学习互相辅助。典型的方法包括多模态的零样本学习、领域自适应等。近两年，随着机器学习的模型的飞速进展，多模态学习中出现的映射质量问题、对齐的匹配度量以及融合噪声干扰等问题，都在实现很好的优化解决，为多模态的落地应用做好了准备。多模态学习，正在丰富哪些应用场景？通过以上解释可以知道，其实很多我们熟知的AI技术都可以归类到模态学习当中。比如，像机器翻译，通过输入的一种A语言即时翻译为另一种B语言，其实质就是一种模态之间的映射转化。类似的还有唇读识别和语音翻译，也就是分别将唇部视觉和语音信息转换为文本信息。在图像识别中，会应用到一种“图片语义分割”，即尝试给图片的不同像素区域对应到每一种类型标签，实现视觉和词汇的对应。这就是多模态对齐在空间维度的应用。当然，基于多模态数据的丰富表示以及映射、对齐和融合的应用，可以将目前AI的三种主要感知模态——语音交互、机器视觉、传感器智能进行多模态组合，产生全新的应用场景。在语音交互上，“多模态深度语义理解”技术正在为其带来更深度的应用场景。对于前几年的智能音箱，我们都有这样的感触，那就是语音交互只能完成简单的搜索，一旦多聊几句，就发现机器人要么只有万能的“套路”公式，要么就“答非所问”。这一问题的根源就是人工智能无法更好的理解对话者的深层涵义，也没有灵活的应答机制和内容。此外，也更难理解人的语气、情绪这类情感模态信息，当然因为没有视觉感知，更不可能去理解人的表情、动作、姿态等信息。多模态深度语义理解可以极大改善这类语音交互的语义理解难题。比如，其中一个应用场景是智能汽车的数字座舱，正在从原本单一的车载语音识别，实现融合视觉、语音、车内外场景图像的多模态识别的转变。在实际的语音交互中，车载智能助手不仅可以实现语音的识别，也可以通过摄像头识别人的表情神态、动作，比如识别疲劳驾驶、分心、发热等状况，以进行即时的语音提醒。语音交互也可以更加以人类的自然语言进行交互，而不必要使用生硬的指令型语言。而在以机器视觉为主的应用中，多模态学习技术也带来新的应用可能。以电商平台购物为例，用户的一大痛点就是看到一些“心水”的好物或者同款，但不知道名字，通过拍照识别和检索，将为用户提供最便捷的推荐服务。另外，在电商的智能客服，用户也希望能够通过简单对话或者发送图片、视频的方式处理订单问题。在这些场景中，跨模态检索和映射转化技术就得到了深度应用。比如，在商品推荐和信息流广告中，就需要结合海量商品图像与对应的商品语义属性，学习图像语义特征表达，以提高符合用户需求的商品推荐度。而与智能客服进行的多轮对话中，融入视觉到语言的跨模态转换技术，可以自动实现对用户上传的图片或视频进行自动应答。在传感器智能上，多模态识别技术可以应用到大量的物联网设备场景中。通过在大量的智能设备中增加视觉、温度、湿度和光线传感器，来实现多模态的智能交互。比如在智能空调中，加入语音交互、视觉识别指令，结合传感器判断屋内温度和湿度，可以根据屋内人数、位置等因素来实现更精准的控温方案。而现在更多智能大屏应用，也在将机器视觉、语音交互和一些智能传感器引入到智能硬件中，实现对屋内光线的调节、音量、观看者状态（离得是否太近，是否有未成年人）等因素的智能识别和调节。而近期，华为推出的一款针对办公场景的智慧屏幕，可以根据视频会议中的发言对象进行视角跟踪，将摄像头跟踪、焦点人物识别和身份识别结合起来。正如开始列举的，多模态学习技术更主要的应用还是集中在语音和视觉的多模态识别上。在爱奇艺的“只看TA”的功能中，除了人脸识别要区分是真人还是卡通人物，还要对**信息，甚至还有微表情、身体语言等识别，多模态技术成为视频场景中不可缺少的技术支撑。而在未来的聊天机器人或者智能助手上，多模态学习将帮助智能机器人综合处理图像、声音和文字信息，同时可以进行综合模态，甚至包括情感等特征信息的输出与表达。技术尚在中途，未来仍需努力不过，我们仍然需要指出的是，尽管多模态学习技术已经有诸多的应用场景，但其技术实现仍然有诸多不足，也会有一些场景仍然是“伪多模态”的技术应用状态，导致一些场景体验仍然不能“尽如人意”。现在的多模态技术的结合多为“松耦合”状态，各个模态可以一起工作，但耦合之下还不够十分紧密。也就是现在更多实现的是两种模态信息的转化和融合。而一旦多种模态数据增加，耦合也会增多，冲突也就会增加，产生各种噪声。比如，对于聊天机器人，如何在回复的声音、文本中增加情感特征，就是一件非常困难的事情。因此，我们遇到的一批智能机器人都很容易是冷冰冰的客服腔调，以致于我们确实不好识别对方是真人还是机器人多模态技术主要还是采用已标注的多模态数据来生成深度学习模型，这导致这些模型在真实场景下的泛化能力受到很大限制。现有的多模态技术更多要与知识图谱结合，融入专家、常识等知识，利用数据和知识的联合来让多模态技术建立其“智能”的作用。此外，正如一位专家指出的，当前的多模态技术还是属于狭隘的单任务学习，整个训练和测试的过程都是在封闭和静态的环境下进行，这就和真实世界中开放动态的应用场景存在一定的差异性。这距离人类在真实场景中的泛化的多模态感知相距甚远。未来为提高多模态的泛化感知能力，可以利用元学习的方式来让模型自己学会如何认知新的多模态知识，实现适用于开放动态场景并具备终生学习能力的多模态模型。而在推动AI的推理能力上，在多模态模型训练的过程中，可以引入自监督、自学习的推理性任务，“强迫”多模态模型进行推理和思考，这也能在一定程度上让机器去慢慢学会推理。通过多模态学习技术实现AI的推理，看起来难度极大，这一假设还需要未来更多实验和验证。总的来说，多模态技术已经在试图“复制”人类在日常生活中的各类场景，尽可能把人类的感知信息进行分析处理和整合，并实现更全面综合的理解，也能结合“数据”和“知识”给出相应的回应。但这距离真正的人类级别的智能还有质的差别。当然，人们对多模态技术的发展前景仍然看好，相比于只侧重单一模态的技术，多模态技术所构建的智能应用场景将更多样化，也与我们普通人期待的智能生活更近一些。更何况，多模态技术仍处在“襁褓状态”，我们应该留给它足够长的成长时间，等待美好发生。

目前，我国的人工智能芯片行业发展尚处于起步阶段。 长期以来，中国在 CPU、 GPU、DSP 处理器设计上一直处于追赶地位，绝大部分芯片设计企业依靠国外的 IP 核设计芯片，在自主创新上受到了极大的限制。 然而，人工智能的兴起，无疑为中国在处理器领域实现弯道超车提供了绝佳的机遇。 人工智能领域的应用目前还处于面向行业应用阶段，生态上尚未形成垄断，国产处理器厂商与国外竞争对手在人工智能这一全新赛场上处在同一起跑线上，因此， 基于新兴技术和应用市场，中国在建立人工智能生态圈方面将大有可为。由于我国特殊的环境和市场，国内 AI 芯片的发展目前呈现出百花齐放、百家争鸣的态势， AI 芯片的应用领域也遍布股票交易、金融、商品推荐、安防、早教机器人以及无人驾驶等众多领域，催生了大量的人工智能芯片创业公司，如地平线、深鉴科技、中科寒武纪等。尽管如此， 国内公司却并未如国外大公司一样形成市场规模， 反而出现各自为政的散裂发展现状。除了新兴创业公司，国内研究机构如北京大学、清华大学、中国科学院等在AI 芯片领域都有深入研究；而其他公司如百度和比特大陆等， 2017 年也有一些成果发布。可以预见，未来谁先在人工智能领域掌握了生态系统，谁就掌握住了这个产业的主动权。