Access denied | www.taixingren.com.cn used Cloudflare to restrict access
Please enable cookies.
What happened?
The owner of this website (www.taixingren.com.cn) has banned your access based on your browser's signature (3eeb3-ua98).删除历史记录
　----
相关平台红包
一双常年穿在脚上的工装靴，陪他从极南走到极北
作者：之家哥
摘要：网贷之家小编根据舆情频道的相关数据，精心整理的关于《一双常年穿在脚上的工装靴，陪他从极南走到极北》的相关文章10篇，希望对您的投资理财能有帮助。
《一双常年穿在脚上的工装靴，陪他从极南走到极北》 精选一坊间有一句话说，一双好鞋能带一个人去世界上的好地方。一双工装靴，能带你去什么地方？一名姓王的长安工程师说，这双鞋踩过漠河的冰雪，海南湿热的地面，甚至还淌过21号莎莉嘉台风裹挟而来的雨水……每年，他都会来回穿梭于高寒、高原和高温地区，从南部的海南岛到中国的最北极――漠河，都留下了他那双工装靴的足迹。于他而言，在极寒的极端环境下驻扎上十天半个月也如家常便饭一样平常。看他如同描述普通朝九晚五的上班族一样描述自己的工作，笔者一时间差点以为他是专门撰写旅行的旅行家了。实际上，他是一个十足的理工男――长安汽车的研究员，主要负责“三高”环境下的全地形路试。在电话当中，王工以云淡风轻的口气回顾了他参与CS95路试的日日日夜夜，但在我听来，这里面却藏在很多故事。◆◆◆路试工作=现实版的荒野求生有时候，我们会在路上遇到整个车身贴满马赛克贴纸的车辆，看不清外观看不到车标车牌，别以为这是最新的时尚改装，当你看到这种车的时候，说明你遇到汽车界的神秘伪装者――车辆路试研究团队了。一台车在量产上市前，必然会经过层层测试关卡，而全地形全路况的路试则是最后的关键环节。通常，路试除了一般的城市道路路试，高温、高原和高寒测试中，极端恶劣的自然条件才是是对这群“伪装者”最大的考验。“对于外界来说，试验员的工作要更神秘一些，伴随我们的是车辆路试中马赛克般伪装和每几个月就要换掉一双的工装靴，但当我们最终走完一个又一个流程，无数次的吹毛求疵、锱铢必较之后，看到CS95最终呈现在展台上的时候，我们似乎是完结了一项工作，但此时脑海中浮现出的却是在测试中经历的点点滴滴，相信你也经历过高考。”当我问到汽车路试的问题时，王工开门见山的对我说到。我回答到“是的，肯定。”王工还没等我回答完又继续说到“经历过一次高考的人，就会一直铭记，因为记忆太深刻，或许用拿到高考成绩时候的感受就是我们看到上市时CS95时候的感受来形容更贴切一些。”从这段话当中，我没有听到一个工程师对工作辛苦的抱怨，反而流露出一股与问题死磕并将这个过程视为最大乐趣的强烈事业心。我可以想象到这样一幅场景：在陪着CS95跋山涉水的路途当中，这位工程师一定怀着激动而紧张的心情。激动的是，他能率先体验到CS95的各项性能，就像高考之前的模拟考试，解答出大题之后总会有莫名的兴奋；紧张的是，CS95又如自己悉心照料的孩子，在走向量产的过程中容不得它有一点闪失。可以看出，陪伴CS95一起成长的是一批对它有真情实感的人，这是一款好车诞生的必要前提。◆◆◆抢救数据=要和台风的狂风暴雨抗争王工还向我描述了这样一个故事，“在海南进行适应性测试时，我们恰好遇到了去年21号莎莉嘉台风，台风的破坏力和随之而来的狂风暴雨超乎正常人想想，为了不让CS95被洪水淹没，我们在80厘米深的积水中推着6台CS95前进了1个小时，才找到一个地势较高的地方，避免了车辆被洪水淹没而破坏车内电瓶和数据”，王工的轻描淡写却让我感受试验员的工作并不简单。可能有人会问，路试数据对一台车真的有这么重要吗？答案是肯定的，还记得国产大飞机首飞时的一个细节吗？除了试飞员，陪大飞机一起上天的还有测试工程师，他们的工作就是专门记录和观察飞机飞行的各种数据。对于一台高品质的汽车来说， 测试数据同样非常重要，有了数据，在量产定型的过程当中就能最大程度避免产品缺陷的产生。所以，王工对我说，他们的双腿泡再多的水也是值得，腿上的泥垢可以洗掉，但数据一旦被毁，之前所有的工作都是白费，为了保证CS95的品质，他们体验一把栉风沐雨的感觉也值得。◆◆◆极限测试=在零下极寒的冰雪中待1个小时三高测试的故事似乎让王工的记忆格外深刻，他向我问到“你知道冰火两重天的感受吗？”，我在这电话这边说到“不知道，”并且下意识还顺带摇了摇头。王工笑了一声，这是他在电话访谈中第一次流露笑容，“我们这群人就经历了冰火两重天，在海南的台风之后，我们就去了祖国的最北方漠河”，漠河，我知道，是我国纬度最高的县，每年12月底最冷的时候气温甚至跌破零下35℃。王工继续说到：“你去过最冷的地方是哪里？气温多少度？”“零下18℃，在拉萨，”我赶紧回应道，“还不够，我们在漠河路试的时候比你这可冷多了，普通人在户外可能连一分钟都坚持不到，那可真是天寒地冻，风刮起来就跟下刀子一样。不过为了采集车辆在极寒环境下的数据，我们常常需要在极寒的户外待上1个小时，虽然困难多了点，但都是为了保证CS95的品质和性能。”写在最后：给大家推荐一家3年老平台立即理财拿→(年化收益10%)转载本文请注明来源于安全110：http://www.p2b110.com/news/98727.html分享到：QQ空间新浪微博腾讯微博微信百度贴吧QQ好友window._bd_share_config={"common":{"bdSnsKey":{},"bdText":"我在【网贷安全110】看到这篇经典的文章，有趣-有料-有内涵！你们看看觉得如何？","bdMini":"2","bdMiniList":false,"bdPic":"http://www.p2b110.com/","bdStyle":"1","bdSize":"16"},"share":{"bdSize":16},"image":{"viewList":["qzone","tsina","tqq","weixin","tieba","sqq"],"viewText":"分享到：","viewSize":"24"},"selectShare":{"bdContainerClass":null,"bdSelectMiniList":["qzone","tsina","tqq","weixin","tieba","sqq"]}};with(document)0[(getElementsByTagName('head')[0]||body).appendChild(createElement('script')).src='http://bdimg.share.baidu.com/static/api/js/share.js?v=.js?cdnversion='+~(-new Date()/36e5)];《一双常年穿在脚上的工装靴，陪他从极南走到极北》 精选二原标题：ADAS的前世今生和一个世界难题！导语：汽车产业经历剧变，自动驾驶浪潮来袭。是被浪潮吞没，还是屹立于浪潮之巅？如何摘得“项目之母”桂冠，用智能代替双手掌控车辆？从9月14日起，智东西重磅推出9堂自动驾驶系列课。9位实战派导师将为大家奉献超过810分钟的系统讲解和深度互动，完成对33个知识点的专业拆解，和你一起建立未来汽车的知识壁垒。在车东西头条号回复“自动驾驶”，获取系列课音频、资料下载。智东西自动驾驶系列课第2课由 MINIEYE CEO刘国清就主题《如何突破ADAS系统的识别精度》进行讲解。敲黑板！下面是划重点时间！智东西特别摘录课程中干货中的干货，刘国清分享的ADAS重要趋势与精彩观点，我们先睹为快。一、要点速览1、 ADAS与其识别能力：1）高级辅助驾驶系统（ADAS）是一个广义概念，凡是能提升驾驶安全性和舒适性的功能，都可以归入ADAS。本课从技术方向讲解，主要聚焦于基于摄像头的视觉ADAS。2）ADAS（高级辅助驾驶系统）工作的步骤为感知-决策-控制。其中感知环境是整个系统起作用的基础，提供感知能力的传感器包括激光达、毫米波雷达、摄像头。而摄像头获取的图像信息量大、分辨率高、信息多维，使得使用摄像头进行视觉感知的ADAS，拥有很强的识别能力。3）ADAS的识别能力，包括目标分类、目标检测、目标识别、语义分割。2、如何提升ADAS系统的识别精度：1）ADAS提升识别精度的主要方式为+。即使用深度神经网络，训练尽可能多的图像数据，提高识别正确率。一方面，深度学习相对于传统学习，无需工程师手动设定识别特征，并且网络可迁移、复，降低了做视觉识别的门槛。另一方面，训练的数据量通常与ADAS系统的识别率成正比。大量的数据还可以覆盖各种奇奇怪怪的特殊场景（比如高速上来了一群羊），以提升特殊场景下的识别能力。2）ADAS系统提升识别精度还可以采取增强计算力、使用多传感器融合等路径。3、ADAS未来发展趋势：1）深度学习不仅为识别能力赋能，还将被更多用于驾驶策略制定；2）计算硬件将飞速发展，为ADAS提供更强的计算力支持；3）终端用户的使用跟数据采集以及技术迭代可以形成闭环，用户端上传的数据会被用于更新、增强ADAS系统的能力。4）ADAS与自动驾驶有大量底层技术的相通点，未来ADAS将向自动驾驶发展。二、主讲实录刘国清：大家晚上好，我是MINIEYE创始人刘国清。首先要感谢智东西提供了这么好的一个平台,我也要向大家请教学习。先介绍一下我们公司——MINIEYE，2013年在新加坡成立，于2013年搬回国内。我们专注于车载环境下的视觉感知技术和产品研发，产品主要是涉及驾驶辅助系统以及车载环境下视觉感知模块。我们公司的愿景是从技术产品的手段入手以减少事故。我们总部在深圳，在南京和北京有两个研发中心。欢迎各方面的朋友来我们这边交流和切磋。接下来我正式开始今天的报告。今天的这个主题是《如何突破ADAS的识别精度》。1、基本概念首先为了能够更好地展开后面的话题，我先简要介绍一些和主题相关的基本概念。广义的ADAS高级驾驶辅助系统（ADAS），是一个覆盖很广的范畴。它既包含了我们经常听说的前向碰撞预警、车道保持、倒车雷达，也包括和车身稳定系统，甚至夜视、车载和雨量传感器，这些在Wikipedia上全部都归入到了ADAS的范畴。所以能够提升驾驶安全性和舒适性的功能都可以认为是包含在驾驶辅助系统里。基于感知技术的ADAS我们今天的分享专注在其中的一个细分领域——基于感知技术的ADAS。在这页PPT我们可以看到，车上装了不同的传感器，有长距离的毫米波雷达、摄像头、激光雷达、短距离的雷达，还有超声波雷达。基于这些不同的传感器以及后面的ECO，我们可以去开发出前向碰撞预警、主动巡航、标志牌识别及停车辅助等功能。这些功能都是基于感知技术，也就是说通过传感器来感知汽车周边的交通状况，基于感知的反馈结果来进行一些应用层面上的设计。这一类功能，我们称之为基于感知技术的ADAS，也是我们今天要探讨的主题。ADAS的工作原理在接下来的报告里如无特殊说明，ADAS默认指基于感知技术类的ADAS。ADAS的产品由三部分构成：1，感知部分，通过传感器去获取汽车周边信息，像道路、车辆、行人和标志牌等信息；2，决策部分，基于感知部分信息，我们可以去做一些传感器层面上的融合，进而做一些决策，来判断现在是否有危险，我们是应该去刹车还是踩油门，还是去打方向盘，打方向盘又是打多少度？这是一个决策的过程；3，控制部分，而有了决策之后，剩下的就是控制了。比如通过摄像头识别到前方车辆正在急刹车，我们跟它的相对速度非常大，基于这些信息我们判断出在1.3秒之后有可能会发生追尾。在这种情况下，我们需要去采取刹车行动，感知系统会把这个刹车信号传递给我们的制动系统，去完成整个ADAS的功能。但是现在也有一些ADAS并没有引入控制模块，这类ADAS可能会通过其他的方式，比如说声音警告、震动或者显示屏上的提醒来警告驾驶员，由驾驶员来采取措施。车载感知系统从上一页PPT介绍里面可以看出感知模块是整个ADAS结构体系的基石。如果说感知部分准确程度达不到产品化的要求，那么决策和控制部分也就无从谈起。车载感知系统也由三个部分构成，第一部分就是传感器，无论是摄像头，还是雷达，如激光雷达、毫米波雷达（24GG或者77G赫兹的），亦或超声波雷达，都是传感器。当我们通过这些传感器获取到特定数据格式的数字信号以后，接下来需要识别和理解这些数字信号，从里边找到哪些是人，哪些是车，哪些是马路牙子，这样的识别过程就需要我们信号处理相关的软件算法支持，所以感知系统的第二部分就是软件算法这一块。当然有了软件，要在硬件平台里边去运行，所以第三部分就是我们的硬件平台。整体来讲，车载感知系统是由我们传感器、软件算法以及硬件平台这三部分构成的。传感器感知系统的技术路径是由采用什么样的传感器来决定的。比如我们公司采用的是摄像头作为传感器。因而我们整个算法都是基于计算机视觉或者视觉感知来作为核心算法和技术去开发产品。抛开成本不谈，仅从技术角度来讲，不同的传感器之间仍然是各有所长，互为补充。比如说摄像头，其分辨率远高于其他类型的传感器，可以感知到非常多的细节，非常擅长做定性的事情。越是高级别的自动驾驶，对于细节的要求也越高。对于激光雷达，它的定量非常牛，它可以做到非常高的精度。而对于毫米波雷达，它的强项在于通吃各种各样的路况和恶劣的天气条件，所以对于不同传感器来讲，它们之间实际上是互为补充的。在这样的一个多种传感器融合的感知系统里，摄像头和背后支撑它的视觉感知技术发挥着不可或缺的作用，高分辨率决定其有着量级优势，摄像头每秒获取的信息量均值在50兆左右，而在精度上，无论是激光雷达还是毫米波雷达，基本上都在零点几兆上。这意味着我们能够通过从更多的信息里边获得更多驾驶环境细节。另外一点是摄像头信息的性。摄像头不仅能获取轮廓信息、形状信息，还可以获取丰富的纹理信息，有颜色信息、灰度信息等，而这些信息也是其他传感器所不具备。所以从这两点来讲，摄像头在多种传感器融合的感知体系里面有着它的独特的地位。2、识别任务的分类这一部分我们会回归到识别本身。既然主题是提升ADAS的识别精度，那我们首先要弄清楚两件事情，一个是识别任务本身，一个是识别精度。中文是非常强大的。当我们在中文里边说到图像识别的时候，实际上它概括了我们从技术角度来讲的四个方面的任务。目标分类首先一张图像，我们去自动识别图像里边是否有车、人以及红绿灯。然后对图像去做一些标记，我们称为打tag，贴一些标签，可以是一个标签，也可以多个标签，这种任务叫做目标分类（classification）。目标检测我们可以更进一步，不仅要知道这个图像里边有车，还要知道车在图像里边的什么位置。我们会用一个框，把它标记出来。这种任务叫做目标检测（detection）。像我们现在的手机也好，相机也好，拍照的时候，它会把拍照视野里边的人脸自动给标记出来，这样模块实际上就是一个face detection的过程。目标识别当然，我们除了去识别图像里边哪里有车，哪里有人，哪里有人脸以外，我们还可以更进一步。例如我发现这里有一张人脸，那这个人脸是谁，是蒙娜丽莎还是憨豆先生？这个任务叫做这个目标识别（recognition）。，在我们生活中已经很常见了。语义分割我们还可以更进一步，得到更多的细节。比如我们想知道整个这个图像里边每一个像素属于哪一个目标？是属于车、属于人，还是属于人骑的自行车？是属于这个机动车道、非机动车道还是马路牙子？是属于红绿灯，还是属于标志牌？这样的任务叫做语义分割（Pixel Labeling）。所以当我们每次提到这个图像识别的时候，它可能覆盖了非常大的范围，它可能是目标检测，也可能是目标分类，还可能是语义分割，这是一个比较大的领域。而该领域里边每一个细分任务对于我们去开发ADAS来讲都发挥着非常重要的作用。识别精度具象化我们今天的主题是要突破ADAS的识别精度，而刚才我们上面提到了识别任务本身它就有很多不同的具体方向，所以识别精度的概念是非常不具象的，属于比较广义的概念。有些时候我参加一些、会议或者面对客户的时候会被问到一个问题，“哎，你们的算法识别精度怎么样？”，这个时候我往往不知道该怎么去回答，这是因为从技术角度来讲这个问题非常模糊。而实际上，对于每一个不同的细分的识别问题，无论是目标检测，还是目标分类，或者是目标识别和语义分割，它们都有不同的评价体系或标准来去衡量其算法的优劣程度。像这个PPT里边具有像Detect rate、False positive rate，也有像Precision，recall的评价体系，甚至还会用采用一些曲线来衡量，像PR-Curve。那对于detection的这种任务的话，我们还会采取像IoU、AP、mAP等指标来去衡量我们算法的好坏。这页PPT并不是为了让大家在一个比较短的时间里边对整个评价体系有一个非常清晰的了解，也没有必要，因为它专业性太强了，只是希望让大家了解到当我们去谈目标图像识别，谈识别精度的时候，里边还是有很多具象的东西的。3、如何提高识别精度前面都是为今天主题做的铺垫，这部分才是今天的重点。接下来我会结合我们过去四年多时间在该领域的一些经验来和大家分享一下，从我们的角度来看，有哪些点对于提升ADAS的识别精度是有帮助的。提升识别精度的挑战之交通环境不可控要解决这个问题，首先要了解我们需要面对最大的敌人是什么。从我个人角度来看，提升ADAS系统的识别精度面对的最核心的一个挑战——交通环境的不可控。现在无人驾驶行业里落地比较早的是在限定环境下的无人驾驶或者自动驾驶。而对于在ADAS这个行业里边，我想我们不得不面对的一个需求——全天候下的驾驶辅助。所以对于ADAS产品，我们不仅要能够在高速公路这种工况良好的情况下有良好的表现（实际上在这些相对简单的工况，现在的识别技术已经能够非常好地满足ADAS对感知的需求）还需要能够在相对复杂的工况下有良好表现，比如说在城市拥堵环境里边。这种情况下，我们不得不面对非常严重的遮挡，同时有很多交通目标，而它们也不是完全按照秩序去运动的，比如说它可能在非机动车道里，在机动车道里边会有逆行的非机动车等。国内交通基础设施建设更新换代很快，所以有些时候标志线、车道线或各种标志牌等存在一些迭代问题，比如说我这个图像里边那有红色的标识线，还有白色的标识线，那我到底要遵从哪个呢，对于人来讲都很难去判断，更不要说让电脑自动去判断。我们还需要额外考虑特殊场景（corner case），特殊场景的可怕之处在于是你不可的。在你碰到了之前，你完全想象不到有可能会碰到什么样的场景。这张照片是我们上个月在新疆出差的时候，在一条省道上碰到的情况。我们在省道上突然间碰到了一大群羊，羊群把整个省道完全堵死，非常缓慢地在我的车子两边通过，前前后后花了差不多10分钟时间。完了之后我问了一下牧羊人，他说整个羊群有2600只羊。所以我认为提升ADAS的识别精度最关键的一点就是如何能够在复杂的工况下保持高质量的达到前后装要求的识别精度。深度学习和大数据对提升ADAS识别精度的帮助从我们过去的经验来看，深度学习和大数据是帮助我们在复杂工况下提升ADAS识别精度的两个重要作用手段。接下来我将从这两方面跟大家展开来做个报告。相信进到这个群，参与到我们今天这个活动的朋友对深度学习（Deep Learning）的概念不会陌生，因为深度学习在过去几年实在太火了。我觉得在这一波人工智能的浪潮里非常重要的一个推手就是深度学习技术的演进。互联网上有这样一张非常有意思的图片。从不同角度来看，从事深度学习研究的研究生在大家心目中的一个定位形象。我们可以看出来从事人工智能，特别是从事深度学习的相关从业者，在大家眼里都有一个非常高大上的形象。对于深度学习，大家是一种不明觉厉的感觉。实际上，这个领域也确实汇聚了一批非常优秀的人才。这让我想到了上个世纪初在量子理论建立初期也有同样的盛况，在一个相对短的时间段里，有一系列非常漂亮的理论被提出来，当然也存在大量的争论，分成两个派系。正如此刻深度学习在快速发展一样，玩家众多，无论是软硬件的公司，还是创业公司或者研究机构。这张图片是上个世纪一个非常著名的会议，叫第五届索尔维会议。这张照片也特别有名，这里边汇聚了一票大咖，像爱因斯坦、波尔、波恩、薛定谔、居里夫人、狄拉克、德弗洛伊、普朗克等这些大咖。所以有一种说法，这个照片里汇聚了当时世界上2/3的智慧，而回到我们现在深度学习的时代，同样的，在深度学习这个领域里边也聚集了一大帮非常聪明的脑袋，优秀的科学家、工程师都在从事着深度学习，无论是从事相关的理论，实验或者相关的研发工作。在学术界有一个很出名的网站叫arxiv.org（收录科学文献预印本的在线数据库），在我读博士的时候它还没有那么的火。但现在我们可以看一下，9月14号这一天，计算机视觉领域就有18篇新的工作被抛出来，而这18篇里边有接近70%的工作都是和深度学习相关的，为什么大家现在迫不及待地要把工作在发表之前就挂到arxiv上呢？因为在每一个方向都有大量的人才在从事类似的研究，有可能你花了六个月时间做出来的模型，在投稿的前几天，你发现这个工作已经被别人提前挂到了aixiv上。在工业界也是类似的，有可能你花了三个月或者六个月做出来一个东西，在产品化的过程中，你发现同样一个技术已经被你的友商提前推出了产品，这都是比较正常的事情。所以对于人工智能特别是深度学习这个领域的从业者来讲，现在的这个时代是最好的时代，也是最坏的时代。深度学习历史回顾接下来，我简要地和大家一起回顾一下深度学习的发展简史。深度学习最早可以追溯到上个世纪40年代，它是由一位心理学家和一位数理逻辑学家提出来的，他们最早把神经网络作为一个计算机模型的理论给提出来，这已经是很早的事情了。到了1957年，康奈尔大学教授Frank Rosenblatt，提出了感知机（perception），他是受到了树突向轴突传导的启发，并且采用这种方式来进行数学建模。从现在的观点来看，感知机实际上是一个二分类的学习算法，作为一个线性分类器，这样一个单层感知机，确实可以看作一个最简单的神经网络。但感知器的学习算法，对于非线性的问题是没法解决的，它是没法收敛的，这里边比较有名的就是布尔代夫里的异或问题。正因为这点它被人工智能开山祖师爷Marvin Minsky教授，Marvin Minsky是MIT著名的AI实验室奠基人，同时也是图灵奖得主。他在上个世纪60年代对神经网络宣判一个死刑，最主要的理论依据就是这个技术连最简单的异或问题都没法解决，因此它是没有价值的。也正是因为Marvin Minsky的这个表态，于是神经网络进入了第一次的寒冬。到了1980年，日本人Fukushima提出一个新的感知机，紧接着我们深度学习领域的一个大神Hinton，他在Nature上发表了非常著名的反向传播算法。而Hinton的工作里，提供了一种适用于多层感知器的反向传播算法，并且采用了Sigma函数来进行非线性映射，他的贡献是有效解决了非线性分类的问题。而紧跟着我们深度学习的另外一个大神Yann LeCun，他也出场了，他在1989年的时候提出了卷积神经网络的开山之作，其中用到了一个5×5的卷积盒，这样一个CNN的原型被用来做手写数字识别，并成功的被美国邮局应用于邮政编码的自动识别。尽管早期的深度神经网络工作在一些具体应用上得到了不错的效果，但是它仍然存在一些硬伤。其中有两个是比较大的。第一个是非凸问题，既然是非凸，带来的一个问题是它会收敛在局部最优，但可能在全局里面是一个比较差的结果；第二点是DP算法的梯度消失问题，因为在梯度向后传递的过程中，由于Sigma函数的饱和特性，所以后传梯度本身就比较小，而往前传递的过程中误差就会几乎为零。因此它没法保障对全程的一些参数进行有效的学习，所以正是基于这两点，深度学习在2000年左右又是进入了第二次寒冬，一直到2006年。很多人认为2006年是深度学习的元年，因为在这一年Hinton提出了一种方式能够比较有效地去解决梯度消失问题，采用无监督的训练加微调的方式来进行。到了2010年时，又有一种新的突破性技术被提出来，基于整流线性单元，它能够非常有效地抑制梯度消失问题。2012年，深度学习进入了一个爆发期，它的拐点是Hinton在2012年为了证明深度学习的muscle，参加了ImageNet这个图像识别比赛，这个比赛数据集中的数据量是超过百万张图像的，那么Hinton他们基于卷积神经网络构建了Alexnet。不仅得到了第一名，而且在指标Error rate（错误率）上，是碾压性的优势。我们从表中可以看到2012年深度学习的Error rate指标值是0.15，而第二名是0.26，所以它领先了第二名10个点。所以从2012年之后，一直到2017年我们可以看到整个的ImageNet全部进入了深度学习的天下，Error rate指标也从0.15降到了0.02。我们可以看到右下角的图片，整个深度神经网络架构深度也越做越深，从最开始的8层、19层、22层到150多层。深度学习与传统方法的比较从架构上来看，深度学习和传统的方法相比还是有比较明显的区别的。对于传统的方式，在整个模型架构的过程中，对于前沿知识要求得更高，假如我有了一百万个这样的数据，那之后我需要根据经验去对数据做一些预处理，然后我需要基于这个问题，通过对实际应用场景的理解以及结合实际的需求去设计一些特征。但一直到现在仍然没有一种万金油的Feature，对于各种不同的任务，对于目标检测也好，目标识别也好，或者对于人，对于车都能够通吃，没有这样一种Feature。那对于人脸、人体，我们需要使用不同的特征。而这些特征的设计需要工程师或者科学家根据经验和对问题的了解来进行的。以及接下来采用什么样的分类器，也需要去做一些人工的设计。从这个角度可以看出来，传统的方法对于整个开发人员的要求会更高，它的门槛也更高一些。而深度学习把整个过程做了简化。这个时候开发人员可能更多的是去做网络结构的设计，有了数据和网络结构，对于特征的选择、抽取以及分类器的选择，整个过程都是有网络结构根据数据自动去完成的。所以从这个角度来讲，深度学习在一定程度上降低了做视觉感知和图像处理的门槛。通过神经网络，我们可以从图像最底层的像素级别通过高频低频的特征进一步地往上抽象，抽象到一些feature，然后进一步再往上抽象，比如说对于车、对于人或对于标志牌这些目描述，同时它是一个自下而上逐步抽象的过程，而整个过程是不需要人工去参与的，当你设计好这样一个网络结构之后，整个的过程是自动化进行。所以学术界也有些声音是把Deep Learning（深度学习）认为是一种Feature Learning（特征学习）。深度学习相对于传统方法还有一方面的优势是迁移学习和特征复用，当我们基于深度学习去实现一些具体应用的时候，我们可以基于主干网络，主干网络通常是基于ImageNet，因为它的数据量非常大，百万量级的数据量，得到一个主干网络后，我们可以基于这样一个主干网络以及应用本身的一些数据对网络做一些微调，一般我们的微调会增加5-10兆，而我们的主干网络则通常会有几百兆，甚至有一些是上千兆，所以可以看出来，很多东西是可以基于深度学习架构去复用的。总结一下，传统的方法它的特征相对浅层，有很好的物理含义，因为它是基于直觉去设计的。不同任务之间有很强的独立性，比如说我针对汽车去设计的一套模型、算法，是没法直接搬过来做人脸或者人体识别的，那对于性能上来讲，它在有些实际任务中可以做得很好，但是对于一些难度较高比较复杂的任务，它可能比较饱和；但它的好处是整个算法的复杂度较低，在现有一些ARM架构平台上都可以跑得很快。而深度学习，它整个的特征是深层次的，也是比较抽象的。因为它并不是人工设计，而是直接学出来的，它效果可能很好，但是你不知道它为什么好。而整个网络结构是我们工程师直接设计的，刚才也提到了它可以去做多任务的训练以及迁移学习，对于一些像ImageNet这种非常有挑战性的任务，可能传统的感知Error Rate指标只能做到0.15，而深度学习可以降到0.02。这边也列出了一些相关的材料，大家如果对深度学习感兴趣，可以进一步去了解。基于深度学习的应用实例基于深度学习，在图像识别领域有很多的应用，大家可以简单地看一下上面的图片，像上图目标分类中的Alex-net，GoogleNet都可以。当然也可以去做目标检测，Fast-RCNN、Faster-RCNN、SSD等这些都是效果比较好的算法。当然在人脸的检测、识别和验证领域也都有很多的应用，语义分割里边可以有两种，一种叫一般的语义分割，另外一种是Instance-aware，包括图像处理，比如图像去噪、边缘提取、图像增强上都有很多应用。复杂工况下如何提高ADAS识别精度除了深度学习以外，另外一块对于我们提升识别精度有非常大价值的就是数据。以前在学术界其实有一种说法叫做“Data is King”。之所以我们需要更大的数据，一方面是刚才提到整个ADAS的工况是非常复杂的，里边的目标可能有不同的姿态，一般有蹲着的，侧面的，弯腰捡东西的，坐着的，它可能需要面对不同的遮挡，不能说前面一个人打了一把伞，你就不把他当人看，直接开过去。还有各种光照条件，天气条件对于成像的影响都是非常明显的，那对于这些相对恶劣的条件下呈现出来的数据，对应的感知系统也要能够保持一个可以接受的精度。中国在一些相对落后的地区，监管没有那么的严格，所以在高速上也好，在一些省道上或者农村也好，可能会出现一些非常少见的情况，我们称之为异形的情况，这些都是需要去处理的。可以通过大规模的数据采集和标注，对提升ADAS识别技术的适应性和精度，会起到非常重要的作用。因此我们每天都会有大批量的车在外面进行数据采集，采集回来后还要对数据进行筛选、清洗以及标注，现阶段我们对于深度学习，传统感知算法，主要还是采用监督学习的机制，按照你的需要去对这些图像给出标准答案，基于数据和标准答案去让算法进行迭代，变得越来越聪明。在数据采集方面以我们为例，我们现在最北到哈尔滨，最南到深圳，西到乌鲁木齐。每天有接近1.8万公里里程的数据，之所以要进行如此大范围的数据采集，就是为了让我们的数据库能够覆盖尽可能多的工况。以保证不同条件下的数据都有足够的体量去支持我们算法的学习。如此大体量的数据，需要进行数据标注，当然传统的方式是人工标注，也是非常重要的一种手段，另外还有一些能够提升标注效率的手段，我们称之为自动标注。我们采用了DDT方法，可以自动地去帮助我们把图像里我们关心的一些目标在像素级别上进行标注，这种方式可以帮助我们降低标注的人工成本，同时也提升了效率。提高ADAS识别精度的其他方法刚才我从深度学习和大数据两个角度并结合我们自己过去的一些经验做了分享，实际上除了这两方面以外，还有其他的方式对提升精度同样也有好处。比如说增强算力，无论是深度学习还是传统的感知算法都对我们运算平台的计算资源和计算能力有比较高的要求，当我们能够有一个更强的算力支持的时候，我可以用更深度的网络结构以及更复杂的深度学习方法来提升我们的识别精度。同样地我们也可以通过多种传感器融合的方式，把视觉跟毫米波雷达、激光雷达，甚至跟高精度地图来做融合，通过信息冗余的方式来提升可靠性，提升我们ADAS在复杂工况下的识别精度，这也是一种非常有效的方式。最后总结一下，提升ADAS识别精度其实有很多种方法可以去尝试，这里每一种方式都需要去做非常多的努力，而且也有非常多细节性的工作要做，这可能也是做产品跟做服务工作的一些区别，要更系统性的去考虑问题。4、ADAS未来发展趋势最后我从我个人角度来简单地分享一下我对ADAS未来发展趋势的一些看法。首先，我相信深度学习这门技术不仅是在ADAS，包括在自动驾驶里都会发挥更大的作用，可能不只是在识别层面上，在一些策略层面上可能也会有它比较大的用武之地。第二点是算力的飞速发展。其实无论我们去做ADAS，做自动驾驶还是做一些其他的人工智能产业化落地来讲都是特别有帮助的一件事情。而过去这五年时间里，人工智能之所以能够发展如此迅猛，很大程度上是因为像英伟达，英特尔这些大公司都在投入非常大的资源，在增加我们计算平台的运算能力。在算力上，今年相对于去年可能翻了有十倍不止，这在以前是很难想象的。算力的飞速发展不仅是一个趋势，同时也是我们ADAS和智能驾驶的一个机会。第三点是终端用户的使用跟数据采集以及技术迭代可以形成闭环。现在我们自动驾驶的相关技术并没有大规模普及，而少部分已经装了ADAS或者自动驾驶终端设备的用户其实是一个离线装置，并不能把收集下来的数据传递过来，而实际上我们做技术迭代对于数据的要求，驾驶行为的数据也好，交通环境的数据也好，都是有非常大的需求的，而这些数据对于提升我们的技术，增强ADAS识别精度都是非常有意义的。相信未来在这一块也将会打通，我做出来一个东西，给用户装上后，用户在使用的过程中积累的数据都可以传递回来。基于用户的这些数据可以帮助我们更好地迭代算法以提供更好的功能，然后把这个功能在OTA给回我的数据，这样就形成一个闭环，相信在未来是可以打通的。这里边有些问题是绕不开的，比如说这个数据的归属权问题，以及OTA过程中的信息安全问题。从产业化的角度来讲，我比较喜欢这样一个图：FROM ADAS TOWARDS AD，从ADAS到自动驾驶，我非常相信未来自动驾驶是一个必然的趋势。原因也很简单，自动驾驶是同时解决交通效率和交通安全最理想的一种方式。所以我相信未来ADAS很重要的一个方向就是逐步地往高阶发展，去做高阶的自动驾驶，当然ADAS和自动驾驶使用的技术之间存在一定的差异，但我们必须得承认这里边很多的核心技术，比如说视觉感知、多种传感器融合以及底层的控制技术还是非常相通的。好的，今天我的分享就到这里，谢谢大家。三、问答实录提问宋海龙-北汽新能源-测试工程师1，环形车道测试，选取的车道曲率半径范围，最高车速等，与ADAS系统实车精度的关系;2，关于误报率，三个方面，一是直行车道行驶，相邻车道有车在左右前方，可能会误报，是否需要测试;二是环形车道行驶，相邻车道车辆可能引起误报;三是，误报率不超过多少可以量产车辆3，是否按照国标测试AEB及FCW通过，就可以上公告，代表功能合格，国标约束与欧标约束有什么区别？国标和欧标对ADAS系统是否有要求？刘国清：1，不同曲率半径的测试在iso、JTT883里都有涉及到，这块的实车测试难点在于对设备的要求比较高，这方面的定量测试目前基本都在固定场地里进行，条件相对可控，所以难度不算大，我们也会在各种工况下路测，但比较难做定量，后面会考虑上一些更精密（但非常贵）的测试设备辅助，2，”直行车道行驶，相邻车道有车在左右前方，可能会误报“的情况是需要测试的，“环形车道行驶，相邻车道车辆可能引起误报”也是要测试的，这类都是会影响体验的。不过这种场景对于车道识别和自运动估计的准确性要求比较高，关于“误报率不超过多少可以量产车辆”，不同车厂标准是不一样的。3， 国标、欧标、ISO没有太大区别，测试用例上有些不同，这几个都可以在上网下载到，建议仔细研究下，找不到可以找我要，我打包发给你。四、新的系列课即将开讲智东西与课程同步启动的「自动驾驶」社群继续火爆开放申请。目前社群已云集来自北汽、上汽、广汽、一汽、现代、福特、比亚迪、吉利、蔚来、车和家等数百家车企和汽车品牌，以及博世、大陆、采埃孚、现代摩比斯、李尔等数百家零部件供应商，还有Waymo、百度无人车、UBER、滴滴、NVIDIA、英特尔等上百家百家自动驾驶和智能驾驶技术研发企业的数千名汽车圈技术、商业和研究人员和创业者。可添加小卡好友（zhidxcdx）进行申请。在车东西头条号回复“自动驾驶”，获取系列课音频、资料下载。责任编辑：《一双常年穿在脚上的工装靴，陪他从极南走到极北》 精选三本文首发于微信公众号：。文章内容属作者个人观点，不代表和讯网立场。据此操作，风险请自担。美妞们，上午好。一年一度的高考结束了，各地的高考成绩纷纷出炉，各种高考状元的采访也纷至沓来。其中，北京市2017年高考文科状元熊轩昂的一番言论刷爆了朋友圈：农村地区的孩子越来越难考上好学校，像我这种，属干中产阶级家底的，衣食无忧，家长也都是知识分子，而且还生在北京这种大城市。所以在教育资源上有了得天独厚的条件，是很多外地孩子或农村孩子完全享受不到的，这种东西决定了我在学习的时候，确实是能比他们多很多捷径。现在的状元都是这种，通俗来讲，就是家里又好又厉害的这种。知识不一定能够改变命运，但是你没有知识是一定改变不了命运的。我父母是外交官，从小就给我营造一种很好的家庭氛围，包括对我的学习习惯，性格上的培养都是潜移默化的，因为我每一步的基础都打得比较牢靠。所以现在自然水到渠成！我们再来看一下其他省市的高考状元：贵州高考状元：家境好，特长是播音主持；四川高考状元：知识分子家庭，把做题当乐趣，720分+特长分30分；陕西高考状元：曾去美国参与交流，健身达人，妈妈是爱跳舞的知性女性。……今年的状元们，真是“学得好”+“家庭好”。他们的家庭无论是经济条件，意识形态，受教育程度都很高。因此，他们培养出来的孩子，不再是我们眼中“一心只读圣贤书”的苦孩子，他们有更高的眼界、资源和能力。不得不承认，父母起了非常大的作用。一、已经到了“拼爹妈”的时候了？网友评论北京高考状元的这段采访时说：“北大每年在京招生名额是其他省份的n倍，再看看他们的出身，更别提一线城市的教育资源、社会资源了，我们压根比不起。所有的一切都在告诉我们，难以接受的往往都是现实。”那么，现实到底是什么？教育学者杨东平曾说，中国重点大学农村学生比例不断滑落。北大农村学生所占比例从三成落至一成。清华2010级农村生源仅占17%。这个观点也有一定的数据支撑。最近，有媒体进行了一个调查：“年全国共有约837名高考状元，其中近五成的状元父母是教师和工程师，还有近两成父母是公务员。而来自农村、经济状况欠佳家庭的状元所占比例下降。随着我国高考竞争激烈程度的提高，考生的高考成绩除了与考生本身努力有关之外，考生所拥有的社会资源与教育资源也至关重要。”虽然每年的高考都有寒门出状元的案例，但毕竟是少数，因为家庭是孩子的起点和征途的前半程。有人认为寒门出贵子也很普遍，那是因为忽视了一个理论的存在：幸存者偏差。就是说我们只看到了成功的1%，而忽略了失败的99%。寒门当然可以出贵子，只是难度更大、数量更少而已，但绝不是不可能！二、不管命运发给你什么牌，打好它！我们都是普通的工薪家庭，也有些人是从农村出来，一步一步融入城市中。那么我们如何才能让孩子走上更高阶层呢？首先，钱很重要。家庭条件优越和家庭条件贫穷的孩子，不仅仅有财富上的差距，更有眼界，思维方式、教育资源上的差异。因此，我们一定要提高自身实力（物质实力和精神实力），开拓眼界，站到更高的位置，为孩子打拼出更多资源。除了这些，孩子的兴趣班、补课班出国深造……没有金钱的支撑，又怎么实现？其次，家庭氛围也很重要。试想一下，回家看电视打游戏的家长想让孩子通过教育和学区房跃升“阶级”，难度会有多大？此外，作为父母的我们也要树立榜样：不断进行自我提升，包括软实力和硬实力。如果我们都没有阶层上升的愿望和持续的行动力，又怎么可以只寄希望于下一代呢？最后，也是最重要的一点：培养孩子自身的优秀品质。孩子的成就最终只能靠自己，就算是拥有良好教育资源和社会资源的孩子也离不开自身的努力。我们提供好的条件和平台让孩子有更好的教育与成长环境，孩子自身更要有良好的习惯和行为方式。这样的孩子，即使不是高考状元，也一定是“贵子”。虽然我们在物质上不能给予给孩子更多，但是父母可以为孩子营造好的家庭氛围，在思想上，观念上助推孩子。三、与其望子成龙，不如自己成龙小她社区中有很多财蜜也分享了他们的观点：她理财财蜜@北京的高考状元说的话虽然扎心，但都是大实话。牛娃的背后是更牛的家长。只有好的家庭，才更有可能出好苗子。其实说到底，他们的共同点就是“家庭好，思维强，习惯好”。家庭好，不光是经济好，父母的思想与眼界以及格局都要跟得上，有经济支持，更有资源支撑；思维强，孩子的独立思考能力强，分析问题看待问题的方式强，逻辑性更好。习惯好，家长和孩子都很自律，无论是生活还是学习，定了目标就会努力完成。我自己就在努力学习成为好家长的路上，没准以后我也可以成为高考状元的妈！她理财财蜜@晒太阳的小白虽然只是小县城，但也是当年的高考状元。对于我来说，高考就和一场普通的考试一样，正常发挥就可以了。刷了无数遍的模拟考试，因为提前跟985高校签了保送协议，我只要可以达到本一分数线就可以入学。在这里，我想说：寒门也可以出贵子！她理财财蜜@碧水白露高考是人生成长过程中的一个仪式感，它以考卷的形式，让你在十年寒窗苦读的教条式教育中划上句号，去开启新的篇章。高考很重要，但高考不是唯一出路。也许会走的辛苦一点，但不是无路可走。在我看来，只要孩子善良，能明辨是非，无论今后的道路怎么选择，我都绝对支持！又或者我们凭借自己的努力，成为手握好资源，好环境，好条件的父母。我们终将成为别人的父母，组建一个新的原生家庭。我们想给孩子们营造一种怎样的家庭环境呢？我们又能给孩子提供怎样的教育资源和社会资源呢？罗曼罗兰说：“世界上只有一种真正的英雄主义，那就是看清生活的真相之后依然热爱生活。”虽然现实可能存在种种局限甚至是不公平，我们依然要清醒和尽力去面对自己的人生，与其望子成龙，不如自己先成龙。文章来源：微信公众号她理财（责任编辑：王姝睿 HF059）《一双常年穿在脚上的工装靴，陪他从极南走到极北》 精选四图片来源：视觉中国在钛媒体在线课“钛坦白”第41期，我们再次请来三位钛客，解读《云计算发展三年行动计划（年）》发布后，云计算的机遇、挑战、新格局。本期钛客之一、腾讯云生态合作总监王智勇，负责腾讯云的生态合作，主导建设腾讯云+校园、云+创业、腾讯云基地和技术空间、CTO特训营等工作。这之前，曾在CA Technologies、 SAP等外企担任云计算和大数据销售总监，曾担任华为任全球大客户服务总监、金山软件担任开发工程师等职位。积累了13年以上的互联网和软件行业产品开发、服务运营、销售和研发管理经验。本文节选自王智勇在钛坦白的分享。如果您还不是钛媒体Pro用户，希望查看钛坦白所有干货，进入钛坦白九个专业群交流，并查看更丰富的专业数据和信息，可点击：http://www.tmtpost.com/pro注册。以下根据王智勇在钛坦白的分享实录整理：大家晚上好，我是来自腾讯云的王智勇，非常高兴能和大家一起在钛坦白线上交流。我的分享主题是《企业如何从云计算生态中分一杯羹》。首先简单介绍一下我自己，我早期在金山担任程序员，参加金山毒霸的研发，后来担任湖南移动BSS系统开发，负责数据仓库的设计开发等工作。因为喜欢和客户打交道的关系，我随后加入华为从事服务销售团队，在中东北非等区域带领团队完成多项管理服务项目。这之后，我选择加入美国靠近硅谷的一家公司Sybase（被SAP收购）这是一家专注数据仓库，关系数据库的软件企业，我在这里完成多个大数据项目的销售。在2011年我选择加入CA Technologies，这是一家美国东部的企业，也是目前全球最大的云计算管理厂商。我在这里完成了多个云管理合同的签约。之后我加入腾讯云，过去3年先后负责渠道体系建设、移动互联网销售、生态战略合作，现在负责市场品牌生态建设。因为这些开发、销售、市场、服务多个岗位的历练，也包括在国内和国外多个企业的项目实践，我希望能够给大家带来一些我的思考，值得大家晚上花时间一起交流。如何看待传统IT软件巨头的衰落？大家可能会怀疑这和云计算有什么关系呢？其实有很大关系。大家应该知道，若干年前，毕业后加入IBM或Oracle等软件外企巨头，可能是一名应届学子最大的荣耀，但现在很多人不会这么觉得了，为什么呢？因为软件行业已经发生巨变，而这些巨变是源自亚马逊云的兴起，在过去若干年中，这几乎成为一种此消彼长的关系。亚马逊这家企业，如果拆开公司财务报表，我们可以看到一个有趣现象，电商生意收入是云计算收入的十倍左右，但AWS业务增速是亚马逊整体的3倍，运营利润率是亚马逊整体的10倍。从上市以来，市值飙升超过400倍，未来预计会超过一万亿美金，这些估值中，很大程度来自于大家对AWS在美国云计算市场垄断性局面的认可，所以今天我在这里特别想提一下，怎样看待这种老帝国的衰落？为什么会出现AWS？通过历史看到未来，这里我想总结一下自己的几点看法。客户：以客户为中心是口号还是行动？国外的一些传统软件企业在过去的数年里一直赚取着巨额的利润，如果买过oracle数据库License或者IBM主机、Cisco交换机等设备和服务的客户一定是有深刻体会的。我本人不反对这种商业利润的获取，但作为一名曾经的外企销售，当客户提出新需求，发现问题的时候你往往发现中国区只是它的一个销售子公司，客户的需求和建议，很难得到美国总部快速的响应。客户不是傻瓜，当以客户为中心变成一种准口号的时候，选择用脚投票就是一种选择。华为的崛起之一，正是来自于对客户需求的快速响应和产品的快速迭代。AWS的崛起也同样是来自于客户面对昂贵的IT设备开支和日益增长的服务开支抱怨后把握住的宝贵机遇。管理：传统企业内部团队互博与公司的惰性我们经常见到一种情况，在这样一些传统IT软件巨头里面，有人已经意识到类似云计算这样一种业务的兴起，并积极为止呼喊，但很不幸，在这些公司里，那些贡献了绝大部分销售收入，绝大部分利润的部门会排斥新事物的出现，扼杀这种创新。这种情况下就会出现很严重的管理层互博。原来躺着赚钱太容易了，当要赚那些看上去比较辛苦的钱的时候，很多人就不愿意了，往往是坚持错误的选择。其实这种情况往往会出现在非常多的大公司里面，不光是外企，国内很多软件的巨头其实也一样，我后面会提到这一点。员工：新视野与新变化的缺乏公司的兴起往往得益于优秀人才的加入，那当你在一家公司里面，你会发现有很多这样的一些老员工，他们工作了几十年从来没有离开过这家公司。一方面我们尊重这种彼此的忠诚，但另一方面我们也需要看到当缺乏外面新血液的加入或者一些新视野的冲击和变化的时候，这样一家公司很容易形成一种小圈子文化，或者部门墙文化，讲究和谐，粉饰太平，排斥异议者。内部的变革很难产生，等到外部颠覆力量出现的时候，很难组织有效的反击。云计算市场，为什么冒出来是腾讯云、AWS这类新兴公司，很大程度上正是在以上3个方面截然不同。这一切，才刚刚开始，还有很多在这个领域新兴公司成长的机遇。未来的技术架构演变，你处在哪一层？现在给大家谈完这些以后，大家可能会想，当这些传统IT软件巨头衰落了以后，在云计算这个领域里面，我们又处在哪一层？这对我个人职业发展和对我所在的企业有什么样的帮助呢？我个人觉得这些行业里面的分工本质上来讲其实没有什么特别大的变化，但我们需要有眼光，胆识和行动力去抓住技术变革带来的商业模式变革的时间窗口。举个例子来讲，即使在目前炙手可热的人工智能领域，我们可以把它的技术架构分成基础设施、算法、技术方向、具体技术以及针对这个行业的解决方案五大类。有腾讯云这样专注AI基础领域的服务商，也会有人致力于完善算法，有公司选择计算机视觉方向，有公司会专注计算机视觉里面比如说图像处理比如人脸识别，最后会有合作伙伴将人脸识别等具体技术应用到智慧交通或等场景中，形成行业的解决方案。所以在未来的技术架构演变中，其实这些价值链条或者层级并没有消失，只是以另外一种形态出现，这里面会带来冲击同时也会带来新的机会。如何看待云服务和大数据服务市场？我们谈到云计算，往往提及大数据，如果说云计算是电，那么大数据就是油。传统的IT软件巨头周边围绕着一群生态伙伴，这些生态公司同样也会在云计算和大数据产业链条中。但是往往我们会发现，很多历史伙伴，不适应这样的调整，或者因为我前面提到的传统团队会对云计算这样新模式的合作采取忽视或者相对比较排斥。这样子就会给新兴的公司带来宝贵的时间窗口。举例来说，AWS有云Marketplace，在上面有成千上万家云服务商，围绕着他这样一个生态在转动，比如2nd Watch这类非常新兴的初创云服务商，帮助企业管理云计算基础设施，提供评估、设计、部署的服务，并且将数据库迁移到云上，迁移成功后还要负责数据的运行和维护，客户一次性支付数据转移服务费。亚马逊Echo的成功同样也是来自对电商生态伙伴的链条塑造。腾讯云我们也在全力推进服务市场的工作，通过打造App Store的云服务平台，大数据服务平台，开放客户，收益共享。非常多技术团队选择加入，在里面提供自己的特色云服务，回答客户咨询和项目合作的机会。同样的例子，我觉得未来也一定会出现在企业大数据服务中心这样的“新三板”，随着以互联网为首的公司数据积累越来越多，各个互联网公司都会逐步将自己数据以脱敏的方式开放接口，提供API或者SDK的方式推动数据的连接。未来会有更多的技术公司或者创业公司，基于开放出来数据和对行业的深刻洞悉理解，去挖掘和创造新领域的机会。人工智能，喧嚣背后的现状与挑战？谈到云计算，大家一定会谈到的另外一个话题就是关于人工智能，现在的市场，很多人觉得这家公司不是一家人工智能的公司，就不是非常时尚。我这里想和大家谈一下我们的看法，就是在这种喧嚣背后它的现状是什么？它会遇到哪些挑战？有理智的分辨这里面的风险和机会其实是件蛮重要的事情，我们可以把人工智能大致分解为计算机视觉、语音工程、自然语言的处理、规划决策的系统、大数据和统计分析这几大类，下面我分别简单阐述我的观点：计算机视觉与自然语言领域存在的瓶颈以计算机视觉领域为例，目前存在一些技术瓶颈，比如如何从识别走向理解；针对语音工程来说，虽然语音识别能力确实达到了一个非常高的水准。但在一些特定场合噪音下识别，远场识别以及在一些口语化或者方言等内容识别方面还是存在待解决的瓶颈。如果到自然语言处理这块，现在的AI能力相比视觉和语音就差距较大，我们怎么样建立一种文本含义和物理世界之间的映射关系都是迫切需要解决的问题。即使Alphago这样的规划决策系统，它往往只能用在一些具体的场景，比如说可在处理围棋的能力很强，但是如果直接用到象棋就会发现不适用，怎么样能够做到通用的AI能力未来需要提升的方面。腾讯的开放AI、游戏AI、社交AI、内容AI腾讯云上面我们开放了各种AI的能力，包括舆情分析、语音识别、客服机器人、人脸识别、图象识别等，大家可以尝试着去使用一下看看这些能力能不能和自己的业务进行一些结合，去解决一些具体的问题。针对腾讯来讲，现在我们把这些能力用到几个大的场景里面，比如说游戏、社交、内容这些领域。以游戏AI为例，我们做围棋AI怎么让对手会显得更加有挑战性，复盘你的每一步思考的赢率等；社交AI、客服机器人、智能助手可以更好的和用户互动；内容AI，怎么样在广告上面做更多个性化智能化的推荐，这些AI开放的能力都和腾讯的业务有非常实际的结合，现在这些能力正在逐步的开放出来，让更多的合作伙伴可以基于它来使用。不管看上去这个领域有多么的热闹，但是当我们将技术真正用于这些行业的时候，需要逐步去尝试这些人工智能和这些行业的一些实际结合点。这样的思考和探索可能需要很多的时间，我也很欣喜的看到了这些思考所带来的机会，比如说前段时间我经过深圳莲花山这个公园路口的时候，就已经提供人脸识别去捕捉闯红灯的路人，而且可以连接个人的系统，我觉得这样一种能力很有助于整个社会风气的进化，是非常好的智慧城市商业模式。腾讯云计算生态布局，有哪些C2B策略？云计算是B2B的生意，在这里，我想和大家举我们的C2B的方案，大家看看一起可以有哪些合作的地方。云计算的决策者和使用者都是和技术人员密切相关。我们把一个CTO的成长轨迹提炼为：从学生到开发小白，到技术骨干到总监，到成为CTO、CIO，或者将来创业成为公司技术创始人或者是，在他/她成长的路径上都有我们无微不至的关怀。当他是学生的时候我们会提供云+校园扶持，一个月只需要用一元钱可以拥有一台云主机，在云上体验腾讯云动手实验。当他是一个开发小白或者是技术骨干的时候，我们输出一系列培训认证课程，包括游戏、微信、企业saa、视频、云技术运维等各种场景；当他是技术总监的时候，我们会有云+未来峰会，CTO大讲堂等交流海量架构设计和运维等。当他是一个CTO或者CIO的时候，我们组建了云+CTO俱乐部，会有很多行业大咖大家一起交流前沿技术和趋势产业的结合，包括一些CTO的管理方法理论，通过这些东西会从各方面来丰富他的技术和业务素养。当他是一个创始人的时候，我们提供云+创业的政策，会提供从几千到几十万不等云的免费资源，在他创业最初期的时候帮节省大量云计算资源的早期投入，提高创业成功率，等等。我们就是这样围绕一个技术人员成长的轨迹，因为在我们看来，云计算的域核心的客户人群就是这些技术的决策者，他们知道也懂得怎么样去判断哪些技术或者是哪个云的厂商对他和自己业务的结合是最方便的，在安全、稳定、可靠、口碑等等方面，会觉得腾讯云是一个一路走过来很不错的伙伴，他们很难被左右，他们会相信自己所选择的东西。如何看待技术驱动产业变革机遇？因为在腾讯负责生态合作的机会，我会去众多各地政府产业园区，同时也会接触到大量企业。从我的角度来看，大家最常见到的云计算早期适用形态，比如像游戏、视频、 APP这类公司一开始就是云计算深度用户，但是随着互联网的这些用户越来越多选择了云计算以后，真正的产业融合和变革开始到来。云计算已经进入了深水改革的区域。腾讯CEO Pony是国内最早提出“互联网+”这样一种思想。IT预算的大客户都是来自于像、能源、制造、政府等传统领域，所以在这些领域变革的时候，技术人员需要考虑这些产业存在自己的惯性或者是原有的利益链条，或者是客观产业现状。当我们想要用新技术去驱动和变革这些产业的时候，这里面融合是需要有一定的时间甚至会带来一些剧烈的冲突。但不管这种冲突，或者是这种磨合，有句话我特别想说的就是：我觉得抵抗是没有用的，技术的提升是大趋势。政府通过《中国制造2025》等计划全力推进供给制改革，提升产业水平，通过产业升级，提升产品竞争力，既可以去满足中国越来越多中产阶级的消费升级需求，也有助于提升整个国家产品在全球市场的竞争能力，所以在国家这样一种战略大背景的指引下面，我认为，无论是个人还是公司，都应该将自己的技术和能力，与国家命运和产业变革去融为一体，因为这才是真正的会带来大机会，大命运和大前途的地方。我们从最初人口的红利，到政策的红利，到现在的，当云计算、大数据、IOT、、人工智能这些能力被腾讯这样的企业通过腾讯云以水电煤的方式提供出来，插件式的提供给各类startup企业或者成熟企业， 会使得未来可以更好的和各类行业结合，产生更多的商业颠覆和变革的机会。当我和很多政府产业园区沟通的时候，我能够明显感觉到就是中国政府产业园区的领导非常开明和务实，非常愿意通过政府引导扶持，希望能够找到一些技术变革的公司，和这个城市所拥有的优势但又亟待需要提升和变革的产业，去进行结合、融合、升级从而产生新的机会，所以我觉得当中国各地方政府集举国之力去做这些事情的时候，后面所带来的机会和挑战非常多，但我想可能是这个时代我们这批人感觉到最幸运的一件事情吧。云计算行业有哪些机遇？哪些坑？既然这个栏目叫钛坦白，所以我觉得应该谈一谈会有哪些坑，因为在腾讯云负责云+创业的项目，在过去的一年，腾讯云扶持了近上千家各个领域创业的公司，我看到了很多人包括我们腾讯也有很多同事会选择出去创业，所以在这里面我总结了一下可以关键注意的地方供大家参考。效率和体验。第一点，我们有没有对这个行业的效率有非常大的提升？这点真的很关键，如果技术对这个行业只是一个噱头或者是一个宣传，而本身并没有很大效率提升的话，这种自嗨尽量避免。或者我们的产品对客户，尤其是新兴客户的体验相比传统产品是否有非常耳目一新的改善，不是过多营销去影响客户的判断，好的产品本身就会有讲故事的能力。成本。我们通过技术对这个行业的成本有没有非常多的节省？比如我在腾讯的前同事现在是珍爱网的CTO，他有一次和我们谈到用云计算里面智能语音的处理可以帮他们节省客服质检中非常多的时间和成本，同时提升红娘和客户沟通时的技巧和沟通效率，这就是非常好的一个经典的例子。利润。我觉得任何一家商业公司，首先应该是能够以利润作为自己的核心关注点，一个不能盈利或者不能够获得收入的公司，我个人觉得这是一种非常不正常并浪费社会资源的公司。在这点上，我们不能被一些非常少数著名互联网企业的光环所蒙蔽，毕竟这样的成功是极少数。当我们看到各种热闹的名词兴起的时候，其商业的本质本身是没有变化的，就是提高效率，提升体验，降低成本，同时能够赚取利润，能够让自己的员工或者是让自己的客户、合伙人、，能够从这里面得到价值，我觉得这些本质的道理在无论是云计算行业还是大数据行业，或者人工智能领域都一样，不能太自嗨。所以我给群里的一个建议是：忘记big idea，或者说先放下这些很大的抱负和理想，当然那些理想很重要，但是在进入一个领域的时候，首先把它当成生意来做。要有理想，有勇气利用技术驱动行业的变革，但是同时也更应该有智慧的去制定分阶段的策略，知道哪些可以变化，哪些可以调整，哪些可能是属于深水区需要和传统进行磨合，甚至和原来价值链共存。对未来的展望未来从我个人的角度来讲，有这么几点展望：高质量的和全行业的数据会加速产生，随着物联网和低成本大规模传感器的成熟，跟踪经济会走得越来越远，会产生越来越多高质量和全行业的数据，当然会衍生非常多的机会。云计算的处理能力在云端能力越来越强，同时本地终端的低功耗计算会越来越多和云计算进行结合，从这里面来看移动化计算也是未来很核心的发展的方向，资源一定存在瓶颈，所以也要结合本地终端的这样一种低功耗计算的能力。从我的角度来看，在垂直领域，云化、数据化或者是AI化，会成为一种普惠的能力，而且未来会产生越来越多的经济价值。我们会觉得云计算就像以前的电一样会渗透到各个垂直行业领域，和这些领域变革去融合，去产生更多的机会。不要匆忙，时间是最好的朋友最后我想跟大家说，在这波云计算的技术浪潮中，不用太着急，与时间成为朋友。变革是需要成本的：变革的时间成本。我自己挺有体会，就是变革真的是肯定有时间成本，很多事情做早了一步你可能会比较辛苦，但是当机会来临的时候，你往往也是把握最早的一批。变革的机会成本。当然可能我们也会有机会成本，就是有可能当你选择了某项技术去学习或者与产业融合突破的时候，可能会损失你在其他的技术或其他行业去快速推进的机会。变革的沉没成本。同样也存在沉没成本，你所付出的可能会转变成为沉甸甸的收获，但是有时候可能也会一无所获。在科技行业，这是很常见的情况。因此，我觉得不管如何，一个努力的人，一个能够耐得烦的人，能够乐观去面对未来的人，让时间成为自己很好的朋友，其实是一件非常有意义的事情，不要那么匆忙，随着产业变革的潮流，去牢牢把握住其中机会。我们每个人的人生中，总会有几次非常好的机会，把握住一次就已经非常好。半个月前我刚刚从美国游学回来，去了西点军校，一位校友和教授跟我分享西点几个核心的观点，他谈到了“Real meaning，joy and significance”。我的理解“Real meaning”就是真实的人生含义，joy指让自己很开心，significance提醒需要做出社会价值。其实我很多时候发现，西方这些优秀精英的观点和国内互联网行业的一些观点都是非常类似的，钛坦白里面都是一群非常优秀和精英的朋友，所以我也想把教授送给我们这三个关键的词和大家一起分享，和大家共勉。钛坦白群友互动：1、刚刚王总提到数据的开放对接是未来的趋势，可是现在的互联网给人的感觉就是数据为王，请问这是不是意味着这云计算的兴起将是从底层的变革？王智勇： 我个人觉得这轮的变革其实不是从底层变动，它往往是从业务层的需求发起，然后自上而下的去推动这样变革，往往很难从底层去进行变化，反而是一种业务的新商业模式的尝试所带来的变化。2、 请教一下王总对苹果icloud接入腾讯云以及其他云有什么看法？王智勇：从我们的角度来看，虽然AWS在海外市场有他的成熟度。但首先在中国市场，腾讯云这张网络的质量无论是从安全性、稳定性、综合性价比我们可以负责任的说是中国最棒的。原因就是在于因为这张网络承接的是以QQ和微信为代表的全部腾讯海量用户。这样的基础能力是做云计算最基础、最核心的能力，也不是一些创业公司可以短期内积累的，这些网络来自历史巨大的投入，举例来说，我们跨17线的BGP网络，在中国运营商跨网上部署了一张高速IP网络，超过4T的防DDOS安全能力，等等这些能力。所以，大家可以看到无论是苹果，还是一些海外巨头企业，他们在中国从事业务的时候，经过多次比较，测试后，最终都是将他们的业务部署在腾讯云上，因为他们想给客户提供非常好的网络质量覆盖体验。同时，我们现在也在全球布局，中国很多企业出海其实也都纷纷使用腾讯云的网络，因为发现本土服务的优势是非常的明显，而企业市场，厂家服务是核心竞争力和生命线。3、很多公司创业初期因为没有过多的资金来投入建设，所以采用云计算服务，可是当他们壮大了，就都开始自己建设数据底层，用老话讲就是钱在自己口袋里才放心，他们会有对数据安全的焦虑，关于这点王总怎么看？王智勇：首先，打个比方，钱放在自家安全，还是存储在更安全。以Netflix为例，这是部署在AWS上最大的一家全球巨头视频点播企业， 曾经一度建设自己的数据中心，但最后全部迁移到AWS云。在腾讯云上这种情况也不例外，腾讯云服务上已经承载了非常多企业的数据，包括金融-，政务-政府法院等大家认为非常隐私的数据。作为云服务商，客户的数据隐私是会被高度保密的，这不仅仅是企业伦理问题，治理问题，更是国家法律法规问题。腾讯云在这个上面是非常值得信赖的。你刚刚提到的问题，在我看来是一种短期的错判，随着业务在云端享受更多的便捷，高效，安全，这种顾虑最终会减小直到最后消失，大量的示例已经证明了这一点。（本文独家首发钛媒体，根据腾讯云生态合作总监王智勇在钛坦白上的分享整理，主持人佳音）……………………………………………………钛坦白第42期预告：聚焦传统IT基础架构颠覆者——超融合详情：http://www.tmtpost.com/2624426.html报名听课、交流：钛坦白目前有医疗健康、人工智能、文娱社交、VR/AR、、支付创新、体育、云计算、SaaS等九个专业群。1、钛媒体Pro专业版用户，可以点击链接http://www.tmtpost.com/pro，登录账号，进入“在线课堂”，在线免费、任意选择自己要进入的群，按提示操作；2、非钛媒体Pro专业版用户，可以添加微信号taitanbai0，在通过好友后，发99元红包给小钛，你将有权利从九个群中任选一个群进入，长期听课、交流。请告诉小钛你要进入哪一个群，然后等待小钛拉你入群~推荐钛客、赞助、合作：请与钛坦白负责人佳音联系，邮箱更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App《一双常年穿在脚上的工装靴，陪他从极南走到极北》 精选五小九筑梦第009期韩庆振分享主人公：韩庆振部门：集团总部-车贷事业中心-业务推动部职位：江西省区城市经理（负责人）关键字：高铁达人+铁军司令“《舌尖上的中国》第二季描写了一对年轻夫妻，放弃了大城市的高薪工作，移居在云南的一个小镇，种菜、做饭、骑车、在月光下读书写字，恬静淡然的画面诗一般的美丽。我相信，这样的镜头会触动无数人的心灵，他们内心深处一定或多或少向往这样的生活。但是，我更确信，没有几个人能够像他们一样把向往变成现实。在这个时代的洪流中，向上不易，放下更难。今天分享的主人公：江西省区城市经理（负责人）——韩庆振，和你分享，为了他的诗和远方，他是怎么折腾自己的。日，韩庆振入职。那个时期正是下达监管政策，大部分行业在向车贷转型的关键时期。所以之前一直投身于信贷业务的他，在与管理层的几番交流之后毅然加入了小九金服的战队，成为统筹江西省区各分公司的总经理。用他的话来说，加入车贷，加入小九，确实是人生中一个重大的转折点。1人生就是在不断折腾自己“高铁达人”的词典当中本来就没有“放下”在大学毕业后，几乎从来没有闲过，他从一条战壕跳进另一条战壕。早前是一名代课老师，后来发现那样的生活工作过于平淡无趣，并不是他想要的。于是一头扎进销售，做过很多工作。他卖过保险，也去商场做过家居导购，直到最后接触了网贷行业。这个在薪资和发展空间都满足了他期许的行业，开启了他人生的另一个篇章。他工作的地方在江西南昌总部，但是由于工作性质，经常要在江西各个县市以及杭州总部之间来回奔波。一周里面，可能要从总部辗转到南昌，一个电话，又要去参加宜春的分公司开业典礼。所以，他的大部分时间都是在高铁上。朋友给他起了个外号，叫“高铁达人”，因为每次电话拨通的时候，不是高铁没信号无法接通，就是他在赶往高铁站的路上。他就像旋转的马达，不到断电，决不停息。也正因如此，一个月待在家里的时间只有3到4天。家人虽然嘴上抱怨，但也还是在精神上给予他最大的支持和鼓励。2“铁军司令”的领兵之道开疆拓土从未退缩江西省区一共7家分公司，这支100多人的团队，分布在江西多个城市的角落，在他的带领下，这群为了梦想拼搏的队伍在奋斗的路上，一直勇往直前，是当前全国业绩数据最靠前的省区。这几天的高考，除了揪心的家长和紧张的考生，还有韩庆振带领的这批“铁军队伍”，他们奔波在多个高考考场点，为的是通过展业和推广，将产品服务介绍给更多的人群。为公司的品牌宣传和业绩增长做最大的努力。韩总提到，他心中的目标是让江西省区业绩达到全国30%的份额，全国的领军营业部必须在江西，拖后腿营业部不能有；要实现目标江西还有很长一段路要走。我们有信心，目标总是要有的，而且必须要实现！3经验就是最好的鸡汤关于管理的实战建议他用多年的工作管理经验，总结了以下几点建议：1、选人用人：在人才上，与培养相比选择更重要；2、看重员工的价值观与忠诚度：个人能力强固然吸引我的眼光，但价值观不一致或者缺乏忠诚度最终也未必走进我们的团队；3、团队的优秀不单以业绩论英雄：的管理+优秀的+全面的团队建设 才能铸就一支精炼的队伍。除此之外，韩庆振也有他的诗和远方，想要带着家人，去国内外来几场说走就走的旅行，放松心情，感受惬意生活。但是，繁忙的工作和闲适的生活该怎么和谐？我知道这没有答案，这是当今奋斗青年群体的生存写照，一边是入世的成功，一边是出世的向往，人们在撕扯中挣扎着前行。《小九筑梦》栏目须知参与对象：全体小九员工均可参与方式：1、主动投稿（6张照片+800字个人故事叙述）2、报名约访（个人故事由小编编辑）3、投稿方式：运营中心小编邮箱：或是加小九妹微信：XJ私聊报名约访。投稿内容：你可以分享生活中的柴米油盐，诉说工作中的酸甜苦辣，也可以给我们一片你尘封的回忆，也可以向我们展示你未来的大好蓝图。总之，你说的，都是对的~评选方式：每个月月底会举办栏目评选活动，对该月展示的参与者进行投票评选。参与者根据综合得分来排名。（综合得分=阅读量*30%+点赞数*20%+投票数*50%）。排名前五的将获得“最佳人气王”称号，并获得公司送出的精美礼品一份。《小九筑梦》每个人都值得被倾听每个人都值得被关注我们是你最忠实的听众更是你追梦路上的陪跑者~往期精彩：她是掌管千人集团内政的女副总，也是小九金服“行走的鸡汤”陆献威：真正的“铁饭碗”不是安稳的工作，而是任何时候都能找到工作的信心和能力晚归路有灯，清贫你作陪，这就是我想象中家的模样放弃三尺讲台，选择销售人生，我只是想创造更多的不平凡半年成交千万，他用实力撕掉90后标签，用行动颠覆偏见！谁说工作狂就不会生活了？来看看看这个妞惊！这家公司的姑娘颜值都好高，竟然没有一个是靠脸吃饭的微胖界吴彦祖：你离自驾游遍全世界，只差一个我的副驾驶《一双常年穿在脚上的工装靴，陪他从极南走到极北》 精选六日，亿欧2017创新者年会AI产业应用峰会在北京举办。作为一家产业创新服务平台，亿欧率先提出了AI产业落地的理念，被行业所认可。在此次活动上，中国科学技术发展战略研究院副研究员李修全，国科嘉和管理合伙人王戈，云天励飞创始人兼CEO陈宁，深醒科技联合创始人袁培江，汉王科技副总裁黄磊，京东集团副总裁颜伟鹏，云从科技高级副总裁孙庆凯等嘉宾进行了精彩的分享，共话AI在各行各业的应用经验与前景。活动上，云从科技副总裁孙庆凯也分享了云从科技运用AI技术，尤其是人脸识别技术服务于安防、银行等领域的一些心得体会。以下为演讲内容整理。（为方便阅读，我们在不改变原意的前提下进行了一定修改。）大家好，很高兴有这样一个机会跟大家做分享。我分享几个方面，第一，这两年人工智能这么火，它的原因是什么？第二，人脸识别为什么在人工智能里面能够异军突起？第三，云从科技在产业落地的探索。人工智能为什么在全球尤其是在中国掀起来一股热潮？上世纪50年代提出了人工智能这个概念，最早罗斯皮尔特创建基于人的大脑神经网络的模型开始的时候，解决不了多层次传递的问题，所以人工智能被边缘化了。后续很多人在私底下做这个事情，2012年的时候在围棋大赛获得第一，大家觉得神经网络才可以实现。AiphaGO可以赢李石世大家觉得人工智能可以实现，没过几年它的弟弟AiphaGO Zero已经可以自娱自乐打败任何人，这是理论上的突破。亚马逊推出蓝牙的音响，是一个娱乐性的硬件；而亚马逊在累计了几百万的用户之后，推出了Alexa系统，当所有系统接入了Alexa，这将改变我们的生活方式。短时间之内，Alexa系统可以吸引大量终端用户以及用户，亚马逊的股价迅速提升。人工智能突然爆发了之后大家看到了希望，这是中国跟美国同时起步的一个产业。我们国家要有话语权科技发展是很重要的，国家这么快制定一个产业人工智能的规划可以体现出来。这说明我们看好这个产业，它可以改变将来中国的未来，让我们成为真正世界强国。人工智能只是互联网的第三阶段，就像是李彦宏所说的，“互联网只是开胃菜，人工智能是主菜互联网解决大量数据问题。”目前，人工智能要有三个基础资源。①计算资源。我们现在有大量的超算中心，包括所有硬件厂商飞速发展，TPU、GPU的实现，计算运力非常快，包括量子计算机。②数据资源。主要还是互联网时代累计的大量资源，有大量的数据，但是这个数据怎么用是值得思考的问题。③智力资源。用我们算法解决应用这一块所有的落地，可以改变我们的生活。智力资源实现主要在基础这一块，解决方案可以实现公共安全、交通、医疗等方方面面的应用。人脸识别在AI产业中的异军突起为什么人脸识别能够在这个领域当中异军突起？人脸是非常重要的因素，所有前端入口最重要的是语音识别、人脸识别，每一张脸是能够识别出来。现在是刷脸时代，一个明星最重要的因素是一个月有一条新闻，靠什么，靠脸，百闻不如一见。我们要面试的时候为什么电话里面解决不了，一定要面试？因为通过这张脸我们了解更多的信息，刷脸是比较天然的，也比较易用，在无感知的情况下就能够把个人的信息搜集到。另外它还有连续性，不像指纹，指纹一次就可以了，但是人脸是连续性的。人脸只是一个入口，而真正实现的人工智能，实际上我们要赋予它一个很重要的一个大脑。我们通过统来讲，我们虽然有一些数据，包括很多计算资源和算法，最终实现的是帮用户解决问题，解决问题怎么办？最终要创造一个大脑，这个大脑能够决策、能够制造、能够创造、能够改变我们的生活，这就是金融方面一个大概场景。现在走进超级柜台，在一个ATM系统里面，我们可以实现短短20分钟里，精准营销以及喜好和所有信息都会体现在银行的当中，围绕着客户中心化，围绕着它可以创造一个价值，能够让它变为我们最终的自己用户。安防的行业当中，这两年有大量累计的数据。这个视频数据怎么样应用？以前是人海的战术，现在有了很多摄像头，我们知道天网系统，它实现什么？只有解决所有问题才能够带来效率，这是安防领域里面的，能够产生的场景，这个场景是海陆空爸爸所有的卡口，包括所有衣食住行，包括在火车站以及区的管理都会通过人脸解决这个问题。云从科技在产业落地方面所做的贡献以及探索云丛科技创始人叫周曦，以前是做语音识别，中科大毕业到了微软。一个视频改变了他的人生轨迹，当时有人在水下装了一个摄像机监拍这个这个游泳者有没有溺水，如果溺水就进行施救，他认为这是一个方向。2011年他带着技术回到了中国，回到了中科院，在重庆绿色智能研究所依然做这些方面的工作，最早在中科院完成的课题主要是安防类，那个时候在新疆参与反恐的计划。云从科技在2015年成立，这个团队从中科院出来的时候是比较艰苦的，那个时候人工智能刚刚开始，大家对这个概念不是很清楚。周老师在这个背景下创建了云从，云从最早开始起步的时候，起点是非常好的。因为我们完成了一个很不容易的事情：在广东省公安厅的时候，客户说我们用了人脸识别用的NEC，识别率只有5%，作为公安来讲没有办法运用。我们说就试试我们的技术到底怎么样，当时做了一个测试，我们识别率当时测试是50%，公安一下子就觉得这个东西是可以应用的。所以我们在广东省公安厅做了一个试点。最早我没有进入安防行业，为什么？2015年我们在创建的时候，日出一个事件，有一个人拿了自己的身份证去四大行开户，这个身份证是假的但是只有一家银行识别出来了，觉得有一些不太对，当时人的肉眼看出来了拒绝了他的申请，另外三家银行全部给他开户了。这个事情触动了周博士，他觉得我们应该从银行这个领域先入手，所以带领团队进入金融的领域。进入金融领域之后我们已经是后来者了，前面有很多人正在做银行的业务，我们做了两年时间占有银行将近60%的份额，最重要的是我们能够把客户真正需求以及痛点解决掉，这一点非常重要。在整个的期间，受到国家领导的重视，包括我们现在作为公安系统做了行标、部标和国标。中科院跟公安部有一个合作推动AI技术的落地，由云从来执行。融资之后做了最大的工作就是人才，短短两年之内已经有300人，现在400多人。最重要的，我们有三级研发架构，国际上，云从科技和Tomas S. Huang教授（即擅长计算机视觉研究的美国工程院院士黄煦涛教授）担任主任的伊利诺伊大学（UIUC）Beckman研究院图像实验室长期合作，“我们作为创业公司，资源有限，必须跟踪最前沿的技术，实验室主要向我们提供导向性、前沿性的内容，比如某种神经网络在学术界得到比较大的承认这样的信息，他们相当于智囊”，重在视野。而国内，则建立了两类实验室——一方面是上海交通大学、中科院重庆绿色智能技术研究院，这两个研究机构会根据云从要做的具体研究收费并“接单”，重在探索。与此同时，云从科技在成都、重庆、上海、广州也设置了自己的研发中心，主要针对“业务有迫切需求的、必须攻克的、商业性目的明确的”项目，重在落地。2017年3月份有幸承接了国家发改委、人工智能基础资源公共服务平台的任务，来承接国家人工智能方面的平台。大家可以看这几个公司，科大讯飞、云从、百度和腾讯，大家可以看到云从科技作为图象识别领域的一分子承担这个任务。去年进入安防行业，云从的系统短短一年时间在24个省市上线。公安的场景是现在目前需求量最急迫的行业，在公安领域也慢慢深耕进去。另外是医疗行业，医疗行业需要解决的问题更大，所有人都愿意多三甲医院，为什么不愿意去医院，小医院误诊率是非常高的，包括很多病理的分析，很多医院是没有的。如果人工智能进去就很容易把它实现了，整个医疗体系的改变是通过人工智能来做的。这是我希望跟大家分享的浅见。《一双常年穿在脚上的工装靴，陪他从极南走到极北》 精选七整理?包晓庆
校对?李思萌 余小飞「智能硬件创业尸骨遍地。」「没有结构化的大数据就是垃圾。」「完全做 To B，很多时候就是靠喝酒搞关系，产品就会越做越 low。」「天平开始倾斜，时机来了。」智能硬件经历了高歌猛进的风口期，又遭遇了寒意肆虐的冰冻期。熬过寒冬，从尸骨中爬出的幸存者，又遇到巨头奇袭，处在冰与火中的硬件创业者该何去何从？「新经济100人线下CEO论坛」特邀京东众筹事业部总经理高征、土巴兔创始人兼CEO王国彬、坚果智能影院董事长兼创始人胡震宇、绿米联创CEO游延筠，共同探讨「智享生活 硬件重生」的话题。01为什么智能硬件会是一个好的创业入口？游延筠：随着年纪增大，突然觉得自己要有点社会责任感，所以创业做智能楼宇。后来小米了我们，才转过来啃智能家居的硬骨头。我发现我们做硬件的都是高危人群，特别是高征总看到上万的众筹项目，肯定看到尸骨遍地。我能从尸骨里面爬出来，真的很幸运。智能家居的硬件和传统的硬件有什么区别呢？我们说智能，不同的人理解不同，但是智能必须有两个东西：一是数据处理能力，里面要有一个微处理器。二是必须要联网。没有任何技术可以一夜之间把智能家居搞火，经过这些年的发展，技术的慢慢积累，还有从业人员的辛勤劳动，智能家居的使用价值逐渐增加，它的获取成本逐渐降低，天平逐渐地倾斜过来。▲坚果智能影院董事长兼创始人胡震宇胡震宇：移动互联网还没有起来的时候，巨头垄断BAT已经形成。任何互联网创业最后都会变成流行段子里问的，最后到底是卖给阿里还是腾讯？很多年前我就已经预计到，纯粹的互联网创业的机会非常少了。苹果的崛起，让我看到一个全新的商业模式，就是软硬件和内容的结合产生新的商业模式。BAT还没有关注到硬件，而且他们也不懂做硬件，我觉得这是一个很好的机会。我为什么选择做投影而不是其他的智能硬件呢？其实现在看到的能称之为平台的硬件都有一个共性——屏幕。从传统的电脑、手机到智能手机，都有一张屏，包括之前比较热门的VR、AR，其实也是一块屏，只不过把屏幕虚拟化了。所有能连接互联网的屏幕都是一个平台，投影这块屏幕连接的是大屏幕的内容，它的价值可以比拟大屏幕，这就是我为什么要做投影机的原因。做入口、做平台是很多创业者都希望做的事情。如果你做的是入口和平台，肯定会面临巨头竞争，这是绕不过去的。如果能够战胜巨头，你自己也会成长为巨头，这是一件非常有挑战的事情。王国彬：土巴兔在智能家居领域的定位和绿米不一样，更多是利用我们在家装行业的用户优势、场景优势、安装配置优势，去和绿米这样的智能家居企业合作。近年智能技术在家装领域有很多探索，我觉得有三方面的原因：一是居住市场庞大，光装修市场就有四万亿的规模。过去提到装修，能想到的就是建材、家具、家电之类冷冰冰的名词，未来家装里会出现很多智能的温暖的设备。二是消费升级的趋势很明显。我们这几年追踪装修用户的客单价，发现即使是五十来平米的小户型房子，很多用户依然舍得花二十万的装修费。三是用户生活最多的场景还是在家里，家里又有很多琐碎的场景，可以供智能硬件创业者发挥，提供更舒适、更便捷的体验给用户。高征：摩尔定律一直有效的话，未来十年基于物的计算、物和物之间互联的计算一定是大趋势，这种趋势是不可逆的，物联网会成为新的流量入口。现在很多巨头在这方面做了很多布局，毫无疑问这是一门大生意。智能家居是硬件创业很好的场景，需求明确，非常容易入手。现在很多需求因为技术问题，实现起来显得很傻，但是这个东西方向是对的。京东今年发布了一个智能冰箱，通过大数据和算法直接计算出冰箱里有什么，什么时候需要补货等等。这些功能的体验好不好还很难说，但是肯定是未来的趋势和方向，未来的生活肯定是越来越智慧。02如何逃离智能硬件陷阱？胡震宇：我觉得产品定义是最最重要的，首先是你对用户需求把控准不准。需求错了，这个产品还没出生就已经死了。对用户需求的把控肯定是建立在你对这个市场了解非常深厚的基础上。其次面临的就是产品的可量产性。很多硬件创业者都会犯一个错误，就是做一台样机，觉得功能创新各方面都不错，就以为这个事情妥了。其实早期你的研发实力和品质管控能力不强的情况下，产品设计过于超前，它的可制造性和可量产性很容易跟不上，就会出现严重的品控问题。第三，创业方向的选择很重要。智能硬件从头到尾链条非常长，要搭建完整的团队至少需要上百人，这对初创公司来说是一个巨大的负担。如果你选择很小众的市场，不管这个市场多小众，需要具备的团队能力和规模就摆在这里，当你的团队规模和市场规模不成正比的时候，创业就非常容易失败。游延筠：这几年智能家居没有起来，市场很平，这时候做硬件就要非常小心。你不要以为你的能量很大，可以把风浪煽起来。风没有起来的时候，最好关门静静做产品。▲京东众筹事业部总经理高征高征：我看到的最大的就是品质问题。好的创意太多了，只有20%都不到的产品能做出来，做出来的产品能稳定在市场生存的又是20%都不到。两个20%相乘，一个产品成功的可能性真的很低。这里面最核心的、也是消费者最不满意的地方就是品质问题。我觉得对任何初创企业来讲，这是最大的坑。王国彬：首先，对于创业者来说，资金重要，时间更重要，如何使自己的产品在推出来的时候，能够更好的响应用户的诉求，能够快速迭代，而不是憋一个大招，结果发现和用户的需求完全匹配不上。其次，创业公司要积极的融入像京东、土巴兔这样的生态系统里，把能用的资源充分利用起来。不是每一个初创公司一开始就有To C的能力，可以先融入一个生态中，用好To B的渠道，尤其是发挥好场景里面的优势，提前把这些功能植入到场景中去，在局部区域测试，看看整个市场的反应，等整体实力强起来之后，再把To C以及其他的东西补起来。03大数据是智能硬件创新的核心高征：王总说他帮其他人做系统，然后输出系统。我觉得这件事听起来特别有价值，有两个价值：一是改变行业、引导行业。二是从互联网行业回收了规范化的大数据。其实大数据本身没有什么用，大数据就是垃圾，结构化的大数据才有真正的价值。一个产品研发得再好，没有接上大数据，也发挥不了作用，没有什么价值。但是设计才是最核心的核心，所有的设计来源于对用户的了解。很多人做产品或线上营销的时候，用户在他们看来就是PV，而不是活生生的人，连用户真正的需求是什么都不知道，这是特别可怕的事情。王国彬：对于这个领域的创业者，在产品研发的过程中，还是尽量拥抱、使用很多生态中已经有的数据。现在土巴兔上做家居建材的就在用土巴兔的数据，比如一些做沙发的厂家，他们通过土巴兔的数据发现这个区域的用户对哪种材质、哪种款式、哪种功能的沙发比较感兴趣，这样就可以保证他们在生产出来的时候，有更快和用户对话的能力，可以迅速对自己的产品进行迭代更新。游延筠：绿米每天收到10亿条数据，大家都觉得大数据很有价值，确实很有价值，但是如果不小心的话，也是很大的负担，可以把你淹死。绿米通过大数据分析，学习理解用户的行为，反过来帮助用户，用户还没想到的事情就帮他们做了，这不是空想，人工智}