科学网 › 标签 › 17年

标签: 17年

相关帖子	版块	作者	回复/查看	最后发表

没有相关内容

相关日志

74、“新冠病毒”“17年间隔”与“天人合一”: baishp 2020-4-3 17:55; 1 ，引言 “天人合一”，是东方文化中最重要的思想，也是中医理论的基础。在这里，“天”不仅包括可以观察到、触摸到的世界，也包括我们目前尚不能直接观察到的世界，如图1所示。如果把这个“一”比作一棵大树，那么 “天”就是这棵大树的树干，世界上每个人都是这棵大树上的一片树叶。我也不例外，也是这棵大树上的一片树叶。图1 “天人合一”中“天”的图解 “天人合一”思想的具体应用，最基本的一条就是“天”与“人”具有统一的律动、谐振。中国的整个易经易学文化体系都在阐述这个问题。其中每个人的个体特征则表现在其律动幅度与相位（时延）的不同上。用“大树的树叶”来形容这种状况是很恰当的。基于“一叶知秋”的道理，我从1998年2月开始，对自己的体温进行了长期、频繁、规范、精密的测量、记录，每日不辍，至今已超过22个年头，希望藉此叩开“中医科技化”大门。最近中国武汉爆发的“新型冠状病毒肺炎”疫情，距2003年“非典”爆发时间跨度是17年。我惊奇地发现，我在我的体温数据处理过程中，也呈现出一个“17年周期”。是巧合？还是必然？我现在将我的数据处理过程，及关键图形放在下面，也请各方面的专家、学者研究、思考。 2 ，数据来源与研究方法 2.1 ，数据来源及其预处理图2-1是所测得的体温原始数据趋势图。数据截止时间段为1998年2月20日～2019年11月9日，共计7933天。采样间隔2小时（1时辰），每天12个采样点，故数据总长度为7933*12=95196点。测量工具为市场所购“电子体温计”，小数点后面保留两位数字的那种。数据记录时略去十位数“3”及小数点，例如“36.73°C”即记为“673”。测量部位为舌下。图2.1 体温原始数据趋势图下面是数据处理时的matlab程序代码： -------------------- 以下代码-------------------- x=TW793312(:)';% % 确保x为行向量 figure(5);plot(x) title(' 原始体温body temperature数据TW793312趋势图)') % 下面利用“经验模态分解”的方法去掉原始数据中的趋势项， % 并使数据均值为0。 imf=emd(x);% 经验模态分解 s=size(imf,1); x0=sum(imf(1:s-1,:));% 去掉最后一项“残余项” -------------------- 以上代码-------------------- 2.2 ，求体温数据自相关函数： -------------------- 以下代码-------------------- Rx0=xcorr(x0,'unbiased');% 求自相关函数 % 下面在自相关函数上加个两端收敛的三角窗函数ww， % 以消除数据两端过度发散现象 Lx=length(x); LRx=length(Rx0);%=2*Lx-1 ww=ones(1,LRx);% 单位矩形窗的长度等于LRx %window is equal to LRx n=100;% 两端各取100个采样点 nn=2*n; w=triang(nn);% 三角窗 ww(1:n)=w(1:n); % 窗函数左边 ww(LRx-n+1:end)=w(n+1:end);% 窗函数右边 Rx=Rx0.*ww;% 加窗 figure(20);plot(Rx) title('TW793312 自相关Autocorrelation函数(加窗)') -------------------- 以上代码-------------------- 图2.2.1是体温数据的自相关函数图。可以看到，图形上下包络线由很多“锯齿”构成。由于从图形中心线到两边端头，时间跨度（时延）约为22年，因此很容易得知，每个“锯齿”的时间跨度（时延）为1年。同时很容易看出，从图形的上包络线的正中间，到两边“大波”的最高处，时间跨度约为17个“锯齿”，也就是约为17年。将图2.2.1横轴放大，看看图形的短时间内结构。（见图2.2.2）：图2.2.1 体温数据的自相关函数图2.2.2 自相关函数图横轴放大图2.2.3 自相关函数图横轴二次放大继续放大横轴（见图2.2.3）：图中，一个周期对应1天时间。 2,3 ，提取自相关函数包络线前面说了，自相关函数上包络线的“大波”周期约为17年，但这只是根据极粗糙的目测。要知道其准确数值，必须经过一套更严谨的算法。常用的方法有“最小二乘曲线拟合法”。为了采用这一方法，先将自相关函数上下包络线提取出来。从上面“横轴二次放大”图中可知，其上下包络线分别是由每天体温周期当中的最高值与最低值组成。 -------------------- 以下代码-------------------- t=1:LRx; = cenvelope(t,Rx,1,'spline');% 提取函数图形上下包络线 envb=env(1,:);% 下包络线 enva=env(2,:);% 上包络线 figure(30) plot(enva,'r')% 上包络线 hold on plot(envb,'b')% 下包络线 title(' 体温数据自相关函数上、下包络线Envelope') -------------------- 以上代码-------------------- 图2.3：很容易看出，上包络线是由两条幅值、频率各异的余弦函数叠加合成。下包络线好像稍微复杂些。由于我们此文的主要目的是提取上包络线的“17年周期”的准确数值，故下包络线暂时不研究。图2.3 自相关函数图上下包络线 2.4 ，对上包络线进行最小二乘拟合单独绘制上包络线图： -------------------- 以下代码-------------------- figure(35) plot(enva,'r')% 上包络线 title(' 体温数据自相关函数上Upper包络线') -------------------- 以上代码-------------------- 构造拟合上包络线的原型函数（函数m文件）： -------------------- 以下代码-------------------- function csa = Ptt20200123( a0,tt ) % 为最小二乘法拟合构造原函数m文件 A10=a0(1);%280; T1a0=a0(2);%75830; A20=a0(3);%50; T2a0=a0(4);%4390; Ha0=a0(5);%480 cs1a=A10*cos(tt*2*pi/T1a0); cs2a=A20*cos(tt*2*pi/T2a0); ha=Ha0*ones(1,length(tt)); csa=cs1a+cs2a+ha; -------------------- 以上代码-------------------- 在命令窗口输入并运行： -------------------- 以下代码-------------------- tt=-Lx+1:Lx-1; -------------------- 以上代码-------------------- 不断修改“a0= ”的各项系数“A10”,“T1a0”,“A20”,“T2a0”,“Ha0”，关闭前一轮的figure(35)，并运行下述指令： -------------------- 以下代码-------------------- figure(35) plot(enva,'r')% 上包络线 A10=280; T1a0=75830; A20=50; T2a0=4390; Ha0=480; a0= ; hold on csa = Ptt20200123( a0,tt ) plot(csa) title(' 体温数据自相关函数上Upper包络线') -------------------- 以上代码-------------------- 目测csa与enva的拟合程度见下图：觉得拟合得很好了，停止，得到一组初始值“a0”（向量）。在命令窗口调用最小二乘函数，输入变量“a0”,“tt”,“enva”，运行，得到“a”的一组值。 -------------------- 以下代码-------------------- a=lsqcurvefit(@Ptt20200123,a0,tt,enva); -------------------- 以上代码-------------------- . 它就是最终拟合得到的系数（向量）。绘制与“a”对应的csa图形： -------------------- 以下代码-------------------- plot(Ptt20200123( a,tt ),'--k') -------------------- 以上代码-------------------- 见图2.4中黑色虚线：图2.4 最小二乘法拟合上包络线 2.5 ，“17年周期”的呈现看看拟合的结果----工作空间里系数向量“a”的具体数值，见图2.5.1：将上面两个周期改写成日常习惯的“年”与“天”，见图2.5.2：看见没有！T1a=16.9798年，几乎是严格等于“17年”。而T2a=365.1918天，也几乎是严格等于“1年（365.2422天）”。图2.5.1 在工作空间里查看“a”值图2.5.2 两个周期时间单位换算 3 ，结果 2003 年的“非典”，与现在正在爆发的“新冠”肺炎疫情，两次极为相似的重大事件，相隔17年。这是一个事实。从1998年2月，到2019年11月，在这近22年中，我测量了自己的高精度体温数据，从中提取出了“17年周期”。它也是一个事实。两个事实，两个“17年”，正好相等。你相信这是偶然的巧合，两个事实之间毫无关系吗？我不相信。略具信号处理知识的人都知道，周期信号的自相关函数周期，与原信号的周期是完全一致的。上述“17年周期”虽然是从自相关函数图的上包络线中提取的，但从图2.2.3可知，上、下包络线其实就是由“1天”周期分量的极大值、极小值组成的。它们的周期信息无疑反映了原信号的周期信息。在原信号自相关函数上包络线中，有3个大能量周期分量。其中第2大能量的“17年周期”分量，它的周期取值域是时间轴上除“1天”、“1年”两点外的整个正实数。文中数据处理结果“16.9798年”，距“17年整”，相对误差只有0.12%，绝对误差只差了7天零9个小时，从概率统计意义上讲属于“极小概率事件”。“极小概率事件”在一次试验中就发生了，则可认为是“必然事件”。两个“17年”是同一件事情在不同方面的反映。 4 ，结论分析 4.1 ，“17年周期”说明此次疫情爆发是一个必然事件。我就是“天”这棵大树上的一片树叶，我身体中的“17年周期”，也是“天”这棵大树的的周期。这里使用“周期”一词仅就此次数据处理过程中呈现的“余弦波”形状而言，并不代表说数据无限延长后，此余弦波必定仍然会无限延长。从一个余弦波周期“发育”完成的必然性，说明了从2003年“非典”疫情到2020年“新冠”疫情爆发的必然性。 4.2 ，此次疫情爆发是“天道”逐步“量变”的结果。同时说明，此次疫情爆发，并不是一个突发的事件。它像我身体中的（高精度）体温一样，是经过了日积月累的、一步一步的“量变”过程，最后才达到疫情爆发的“质变”临界点。由于这种特性，人们要对下次疫情爆发的时间点进行预测，在理论上便具备了可行性。从由密集的数据点形成的波形曲线研究它的未来走向，比由零散数据点预测未来趋势要容易得多。此文不是专门研究疫情爆发时间规律的，不过从1918年疫情大流行距2003年是5个17年，距2020年是6个17年的历史来看，“17年”的确是研究疫情爆发时间规律的一个很值得重视的时间间隔。 4.3 ，“天道”节律可以用科技方法获取或验证。我们人体中的节律，也就是“天（天道）”的节律，除了像“一天24小时（地球自转）”、“一年365.2422天（地球绕日公转）”这样的可以从天文观察中得知的周期，还存在着无法从天文观察中得知的周期。此次研究结果表明，中国人自古以来关于“天”的概念是对的，是可以用现代科技方法验证的。本次数据处理中呈现的“17年周期”可以说是“意料之外，情理之中”，我相信以后从既有经典理论中必可找到其具体、针对性的解释。 5 ，展望我对自己身体的测量表明，对个人生理参数长期、高精度的测量，所得数据中含有大量极其重要的（个体及全体）医学生理学信息，绝不都是杂乱无章的噪声。我坚定地相信，如果参加测量的人数足够多，时间足够长，数据精度足够高，最后将所得数据进行处理，结合《黄帝内经》等医易经典所述规则，结合医、易、道学界高人的经验对数据结果意义的解读，可以建立人体系统的数学模型。这既是完成“中医科技化”的必经之途，也是促使已经陷入发展困境中的“现代（循证）医学”产生医学革命的必然之举。那时候人们对疾病的预测、预防、诊断、治疗将变得极为简单而准确。（本文完）; 个人分类: 斤斤计较|2677 次阅读|0 个评论

[转载]经济学人万字总结17年AI领域并购趋势: Kara0807 2017-12-19 13:03; 截至2017年12月，全球完成AI领域的合并与收购额高达213亿美元，比2015年多出26次交易。充斥着万众期待、大肆宣传与激烈竞争的AI领域，如同当年加州淘金热潮般蓬勃爆发。无论是在好莱坞电影或是新闻，2017年都充斥着无数人工智能（AI）与人类思维博弈的热议。而摆在眼前的竞争并不只是在人与电脑间，而更多存在于不断疯狂烧钱、投资并寄期望于成为全球AI领导者的科技大佬之间。世界上最大的科技公司，无论国内或者国外，比如Alphabet（谷歌的母公司）、Amazon、Apple、Facebook、IBM和微软纷纷投入了巨资来发展AI。下图显示了截至2017年12月，全球AI领域合并与收购额高达213亿美元，比2015年多出26次交易。（数据由PitchBook提供）全球人工智能领域合并与收购交易研究人工智能的分支——“机器学习”是这些被收购公司的共同点。计算机在数据中筛选，进行模式识别，并做出预测。这项技术被应用在科技产业的所有应用规则中，如在线广告精准投递、产品推荐、增强现实以及无人驾驶等领域。Uber的AI研究带头人Zoubin Ghahramani认为AI将给人类带来的转型如同计算机当初带来的那般深刻。我们可以从数据库（database）的发展来窥见AI的潜在影响。从1980年代起，数据库拥有不断压缩信息存储的成本、洞悉市场并掌控如库存管理等基于数据分析后的事务。“数据库代表了第一代软件系统；而AI无疑将会成为下一个”，风投公司Andreessen Horowitz的Frank Chen说。谷歌的Gmail邮件系统（译者注：smart reply功能）通过扫描e-mail的内容判断这封邮件的意义，用户可在移动设备上一键式快速回复，这就是“未来已来”的例子。伴随着个人电脑与智能手机兴起的上一波科技浪潮，AI极有潜力令科技大佬们重新调整当前的业务，并创造出全新的事业。在这种情况下，危机意识在所难免，“如果一家科技型公司不以AI作为核心竞争力，那就意味着你将事业办在了门外”，杰夫•贝索斯（Jeff Bezos）的副手，Amazon全球消费者部门（worldwide consumer）首席执行官Jeff Wilke说道。充斥着万众期待、大肆宣传与激烈竞争的AI领域，如同当年加州淘金热潮般蓬勃爆发。虽然百度、阿里巴巴等国内企业纷纷投资并在本土市场部署应用AI，但大多数显著有成效的公司仍集中在西方。 Alphabet被广泛认为处于领先位置，其拥有许多最著名的研究人员，多年来从AI获取了巨大收益。但这场竞争才刚刚开始，在接下来的几年中，科技巨头们将在三条道路上展开激烈的交锋：为训练企业的“大脑”而争夺人才；在现有业务中使用机器学习，使之比对手更富效能；在AI的帮助下创造新的利润中心。 “招聘会热闹的就像黑色星期五的沃尔玛超市” 最疯狂的竞争是获取人才，因为懂得AI技术的研究者比懂得数据或运算能力的人才要稀有的多。对于AI人才，尤其是能够运用机器学习技术与开创性的方式处理大数据的的人才，企业需求像气球般膨胀，远比学习此类技术的学生多。微软公司的Gurdeep Singh Pall说，“如今AI系统就像白痴天才一样，它们在擅长的领域表现出色，但如果你没有正确的使用它们，那就是个灾难”。招募到合适的人对于一家公司能否生存至关重要（一些初创公司正是由于缺乏合适的AI技能而失败），以至于从高校中争夺教授甚至未毕业的研究生成为了一种潮流。 “招聘会热闹的就像黑色星期五的沃尔玛超市。” 卡内基•梅隆大学计算机科学学院的院长Andrew Moore说，他们是研究AI的先驱机构之一，其机器人部门于2015年被Uber高调抢到。而像今年在加州长滩举办的神经信息处理系统（NIPS）这种学术会议，也因可以挖到人才而备受瞩目。最好的人选则是学术界的名人：Facebook的Yann LeCun和谷歌的Geoffrey Hinton，这两位都是教授出身且仍与大学保持从属关系，以便招收到其他学生。如果巨额工资的吸引力还不够，企业拥有的私有化数据也会帮助招揽人才。如果吸引人才的方式都不奏效，大公司们干脆粗暴的买下整个初创公司。科技业第一次关注的交易是2014年谷歌以5亿美元重金购入DeepMind，这家初创公司既没有收入也没有可投向市场的产品，但却拥有一个深度学习研究人员的团队，在完成收购后，他们设计了一款程序，即打败围棋世界冠军的AlphaGo。其他的公司也纷纷出手，甚至买下一些亏损的初创公司，交易不会以通常的未来收益或销售额来评估，而是按照每个员工500-1000万美元来提供报价。科技巨头们内部的AI应用这些公司对于如何对待员工有着不同的理念。诸如微软和 IBM的公司花重金投入AI研究，并刊发出大量的论文（见图2），但并不要求研发人员去开发赚钱的业务。另一方面如Apple和Amazon等并没有太多AI研究主动权的公司则期望所有的AI应用都投入到产品中，并对他们的工作守口如瓶。谷歌和Facebook则介于关注是否让研究人员致力于赚钱的项目中。全球人工智能领域合并与收购交易研究人工智能的分支——“机器学习”是这些被收购公司的共同点。计算机在数据中筛选，进行模式识别，并做出预测。这项技术被应用在科技产业的所有应用规则中，如在线广告精准投递、产品推荐、增强现实以及无人驾驶等领域。Uber的AI研究带头人Zoubin Ghahramani认为AI将给人类带来的转型如同计算机当初带来的那般深刻。我们可以从数据库（database）的发展来窥见AI的潜在影响。从1980年代起，数据库拥有不断压缩信息存储的成本、洞悉市场并掌控如库存管理等基于数据分析后的事务。“数据库代表了第一代软件系统；而AI无疑将会成为下一个”，风投公司Andreessen Horowitz的Frank Chen说。谷歌的Gmail邮件系统（译者注：smart reply功能）通过扫描e-mail的内容判断这封邮件的意义，用户可在移动设备上一键式快速回复，这就是“未来已来”的例子。伴随着个人电脑与智能手机兴起的上一波科技浪潮，AI极有潜力令科技大佬们重新调整当前的业务，并创造出全新的事业。在这种情况下，危机意识在所难免，“如果一家科技型公司不以AI作为核心竞争力，那就意味着你将事业办在了门外”，杰夫•贝索斯（Jeff Bezos）的副手，Amazon全球消费者部门（worldwide consumer）首席执行官Jeff Wilke说道。充斥着万众期待、大肆宣传与激烈竞争的AI领域，如同当年加州淘金热潮般蓬勃爆发。虽然百度、阿里巴巴等国内企业纷纷投资并在本土市场部署应用AI，但大多数显著有成效的公司仍集中在西方。 Alphabet被广泛认为处于领先位置，其拥有许多最著名的研究人员，多年来从AI获取了巨大收益。但这场竞争才刚刚开始，在接下来的几年中，科技巨头们将在三条道路上展开激烈的交锋：为训练企业的“大脑”而争夺人才；在现有业务中使用机器学习，使之比对手更富效能；在AI的帮助下创造新的利润中心。 “招聘会热闹的就像黑色星期五的沃尔玛超市” 最疯狂的竞争是获取人才，因为懂得AI技术的研究者比懂得数据或运算能力的人才要稀有的多。对于AI人才，尤其是能够运用机器学习技术与开创性的方式处理大数据的的人才，企业需求像气球般膨胀，远比学习此类技术的学生多。微软公司的Gurdeep Singh Pall说，“如今AI系统就像白痴天才一样，它们在擅长的领域表现出色，但如果你没有正确的使用它们，那就是个灾难”。招募到合适的人对于一家公司能否生存至关重要（一些初创公司正是由于缺乏合适的AI技能而失败），以至于从高校中争夺教授甚至未毕业的研究生成为了一种潮流。 “招聘会热闹的就像黑色星期五的沃尔玛超市。” 卡内基•梅隆大学计算机科学学院的院长Andrew Moore说，他们是研究AI的先驱机构之一，其机器人部门于2015年被Uber高调抢到。而像今年在加州长滩举办的神经信息处理系统（NIPS）这种学术会议，也因可以挖到人才而备受瞩目。最好的人选则是学术界的名人：Facebook的Yann LeCun和谷歌的Geoffrey Hinton，这两位都是教授出身且仍与大学保持从属关系，以便招收到其他学生。如果巨额工资的吸引力还不够，企业拥有的私有化数据也会帮助招揽人才。如果吸引人才的方式都不奏效，大公司们干脆粗暴的买下整个初创公司。科技业第一次关注的交易是2014年谷歌以5亿美元重金购入DeepMind，这家初创公司既没有收入也没有可投向市场的产品，但却拥有一个深度学习研究人员的团队，在完成收购后，他们设计了一款程序，即打败围棋世界冠军的AlphaGo。其他的公司也纷纷出手，甚至买下一些亏损的初创公司，交易不会以通常的未来收益或销售额来评估，而是按照每个员工500-1000万美元来提供报价。科技巨头们内部的AI应用这些公司对于如何对待员工有着不同的理念。诸如微软和 IBM的公司花重金投入AI研究，并刊发出大量的论文（见图2），但并不要求研发人员去开发赚钱的业务。另一方面如Apple和Amazon等并没有太多AI研究主动权的公司则期望所有的AI应用都投入到产品中，并对他们的工作守口如瓶。谷歌和Facebook则介于关注是否让研究人员致力于赚钱的项目中。 2000-2016年人工智能相关研究论文数（五大AI会议），数据来源：多伦多大学Ajay Agrawal和Amir Sariri 激烈的人才竞争也会导致原本保密型企业变得更加公开化。 “如果你告诉他们‘过来一起干吧，但不要告诉别人你在做什么’，那些人是不会来的，因为你会毁了他们的职业生涯”，Facebook的AI研究中心负责人LeCun解释道。保密与吸引人才之间的权衡也同样困扰着国内的科技企业，他们正试着在海外开设分支机构并招募美国研究人员。百度分别于2013以及2017年在硅谷开设了两家AI研究实验室。西方的AI人才虽然给予他们高度的评价，但仍更愿意去往相对透明的美国公司。如果这些公司能够吸引到合适的AI人才，其效果就是呈指数级的扩展他们的劳动力。 Andreessen Horowitz公司的Benedict Evans说，“拥有AI，就如同拥有100万名实习生提供生产力”。这种计算能力被整合到企业现有的业务当中。AI最显著的优势是预测客户需求。举个例子，四分之三在Netflix观看视频客户和超过三分之一在Amazon上购物的客户都会对网站自动推荐的内容做出反应。拥有Instagram的Facebook利用机器学习识别帖子、照片和视频的内容，并向用户展示相关内容，这种技术也同样应用在对垃圾帖子的过滤上。从前他们按照时间顺序来排列帖子，但通过这种按相关性推送帖子和广告的方式使得用户的互动性更强。 Facebook的应用AI团队负责人Joaquin Candela说，如果没有机器学习，Facebook可能永远无法达到今天的规模。那些在搜索领域没有采用AI或较晚使用AI的公司，如Yahoo及其搜索引擎，还有微软的Bing，相对来说就比较挣扎了。在AI的应用方面，Amazon和谷歌是走得最远的。机器学习令Amazon的线上与实体运营更富有效率，大约8万机器人在它的运营中心里保持着永不停歇的工作，利用AI为库存货物分类，并安排货车装载。对于食品杂货的订单，Amazon已经利用计算机视觉识别出成熟且新鲜的草莓和别的水果，再通过无人机送到客户手上并完成当日送达。谷歌使用AI为YouTube上的内容分类，清除掉令人讨厌的资源，鉴定用户并在Google Photos上将他们分组归类。AI也被植入到Android操作系统中，使其运行得更流畅，预测用户感兴趣的app。被视为AI领域的最佳研究组织之一的Google Brain通过改进搜索算法来提高机器学习的能力。而来自英国的DeepMind团队虽然未给Alphabet产生实质效益，但他们帮助后者提高全球数据中心的能源使用效率，节省了大笔经费。他们的围棋项目则是一步公共关系的“妙棋”。人工智能同样也被应用于企业中。 IBM的人工智能平台Watson的总裁，David Kenny预言未来将有两种“人工智能公司”：为客户提供包含人工智能技术的服务盈利的公司和为企业提供人工智能服务的公司。事实上，因为都是基于云计算扎实的臂膀，这两种形式的本质上是相同的。提供者们竞相通过人工智能研究不同的产品以锁定客户群。亚马逊云计算（AWS）、微软Azure和谷歌云端平台是现在三家最大的通过应用程序接口（API）提供机器学习能力的公司。以微软的云服务Azure为例，它帮助了优步（Uber）建立验证司机照片的工具去确认每位司机的身份。谷歌云提供了一个“工作 API”来帮助公司匹配最合适的他们招聘职位的应征者。人工智能的大脑许多在其他行业的公司，从零售业到传媒，都在从宣扬人工智能“民主化”的云服务中受益。为没有一定技术或规模来独立建造复杂人工智能的公司提供相关服务在2500亿美金的云计算市场中是件十分赚钱的事。但这十分耗时，因为提供商必须常常按照客户复杂的需求变更相应的人工智能的服务。微软在销售软件和为客户提供后续的支持性服务方面有丰富的经验，因此在人工智能服务的领域也很有可能做的出色。但谷歌云负责人Diane Greene回应说，人工智能服务将在未来越来越多采用自助式，一切只是时间的问题。 IBM 作为人工智能界的竞争者，为他们Waston平台的推广进行了强大的营销活动。即便拥有咨询业务和以超过兆兆字节（tb）的大数据为基础的极速运算的名声，IBM却依然常常被人工智能的研究人员忽略。批评者也指出虽然IBM已经在Watson投入超出1500万美金并在2010到2015年五年内的时间里花费超出500万美金用来收购公司，但这其中主要目的是获取专有数据，因为公司本身还没有自己的数据。IBM的弱势也许已经无法弥补。大部分公司老总已经为人工智能科技感到压力重重，所以一旦有机会迅速获取一个现有科技成品，他们总是乐意斥巨资购买的。迄今为止科技巨头们都在尝试运用人工智能技术从现有的运营中获取利润。在接下来的几年里他们希望人工智能能够帮助他们拓展新的业务。这其中一个竞争激烈的领域就是虚拟助理。智能手机已经能够非常了解他们的使用者，但是不论是通过手机还是智能语音的方式，人工智能支撑下的虚拟助手都致力于将这种关系更深入化。在2010年，苹果推出了语音助手siri，他们也成为了第一个为兑现此承诺并进行深耕的公司。从这以后，亚马逊，谷歌和微软都在此方向斥巨资进行研究，结果证明，他们研发的助理的语音识别能力也更加出色。三星、Facebook和百度也加入竞争中去研发虚拟助手的服务。一个算法的成功便能主导整个市场单机扬声器是否会成为一个巨大的市场我们还未能知晓，但人与互联网的互动形式一定不会仅限于文字。 “所有的公司都明白，一旦掌握服务中的核心技术就能够主导整个市场。” Pedro Domingos，《算法大师》（ The Master Algorithm ，一本关于人工智能的书）的作者说道。展望未来，增强现实（AR）设备是人工智能科技下的另一个商机。像Snap（聊天软件）这样的手机app，和Pokémon Go游戏都是早期AR的例子。但是AR可以彻底地改变人与互联网之间的关系：人们并不是通过一个小小的显示屏获取数据信息，而是通过一种外界的、无处不在的体验获取、消费互联网讯息。AR技术将提供像同声传译和人脸识别等人工智能应用的便携式设备。在AR研究的征途中，科技巨头们都停滞于还在探索阶段未有大的进展。谷歌和苹果都启动了AR 软件开发的装备，希望研发者在他们的平台上开发运用AR技术的app。于此同时，AR技术的计算机硬件的开发也竞争激烈。谷歌早先推出了一个AR眼镜的样本，但最终以失败告终。微软研发了一款名为HoloLens的头戴式显示器，但其价格高达3000到5000美金，因此始终只能是款小众产品。其他公司，包括脸书（fb）和苹果，也应当在开发他们自己的AR产品。在AR研究中一马当先必将在这些新科技领域占据主导。无人驾驶车的研发领域也是同样的状况。科技公司正在不断收集路况数据去建立庞大的私有数据库，并使用计算机视觉来训练他们的系统在现实世界中识别障碍物。一旦在这场竞争中获胜将收获颇丰。个人交通是一个巨大的市场，在全世界价值约10万亿。一旦打开无人车市场，这些技术和知识便可应用于其他基于人工智能的项目，比如遥控飞机和机器人。人们也许会因为某项功能的便捷好用而选择某个搜索引擎，但无人车与搜索引擎不同，用户会更偏好安全记录最好的无人车，也就是那些应用人工智能技术去模拟现实世界最精准的公司，所以只有无人车事故最少的公司会最终受益。每个公司都在尝试不同的方式去解决这个问题。百度，中国的科技巨头，正在研发一种类似谷歌在移动设备中的安卓系统的无人车系统（虽然如何用这个系统去赚钱还未知）。Alphabet旗下的无人车公司、优步和特斯拉，一群创业时鲜为人知但迅速在业内立足的汽车制造商，也一直在无人车领域努力研发（苹果据传已经逐渐减少其无人车技术的研发）。无人车仅仅只是科技公司的人工智能战略如何超越软件的虚拟世界到硬件的一个例子。许多公司，包括Alphabet、苹果和微软，也在投资研发专业、强大的人工智能芯片为他们众多的活动提供支持。他们将加入与英伟达（Nvidia）的竞赛，一个垄断了在像无人车和VR等人工智能领域所使用的智能芯片的科技公司。 Alphabet和苹果有多大的可能性把这些芯片卖给其竞争者或是为自己所用还是未知。但如果只有少数几个公司研发出了这样的技术，那么租赁或销售这些芯片给同行业竞争者就会丧失在残酷的计算力竞争中巨大的优势。因此他们更有可能运用创新科技去改进自有的服务，而不是转手他人。这也带来了一个更宽泛的问题：当今科技巨头是否会在人工智能领域垄断市场。当前的科技巨头，就算不提在投资上的领先，在数据、计算能力、智能算法和人才上也都有极大优势，因此极有可能占领大部分来自人工智能的收益。历史指向了垄断的可能性：在一段时期内，极少数的科技公司对数据库和个人电脑的市场占据垄断性地位（Oracle 和IBM 在数据库市场，微软和苹果在个人电脑的市场）。如果以人才、计算能力和数据为衡量标准，那么谷歌就是在人工智能界的领头者。谷歌汇集了最聪明的一群人，和多种多样的研究项目，从遥控飞机、汽车到智能软件，因此对机器学习感兴趣的人很少会离开谷歌。在其他公司都谨慎对待人工智能研发时，谷歌的创始者们，一群热爱机器学习的人，看到了这一领域未来将带来的竞争优势。人工智能的精神之家很多科技行业的精英，如伊隆•马斯克（Elon Musk），特斯拉和火箭研发公司SpaceX的创办人，都曾担心Alphabet和其他公司会垄断人工智能的人才和专业知识。他和其他几个硅谷的杰出老板一起建立了一个非盈利性非企业联盟的研究机构OpenAI，专注于人工智能技术研发。他们担心一个公司最终打破 “一般智力”—计算机不再需要人工编程去完成任务，会带来怎样的后果。这种景象也许几百年后才会发生，但谷歌从未忽视这种可能性。“我们非常希望突破当前人工智能的平台期”，Jeff Dean，谷歌大脑（Google Brain）的创办者这样说。如果一个公司掌控了这样的技术，他就能够完全改变当前的竞争格局。与此同时，这也很大程度上取决于科技公司是否开放，是否能协同合作。除了发表学术论文，许多公司现在也将他们自己机器学习软件库变为开源软件库，从而为同行业竞争者和独立开发者提供内部工具。谷歌的开源软件库，TensorFlow，是最为流行的一个。脸书将他们的两个软件库，Caffe2和Pytorch的源代码开放。开源软件库在技术上有很大优势。当它们被使用时，软件库也被不断纠错，拥有这些软件库的公司就从中受益，信誉更好。“千万小心那些天资过人的极客们”，艾伦人工智能研究所（另一个非盈利研究机构）的Oren Etzioni开玩笑地说道。业内一位专家担心TensorFlow等软件库虽然会吸引更多出色的研究者，但这些软件库可能在未来开始收费或被用于其他地方以获取盈利。这样的顾虑是颇有远见的，但在一个行业淘金热盛行的时期很少有人考虑远期利益。这股淘金热在现在的硅谷里，大部分技术人员都消耗了太多时间和精力去担忧人工智能的未来和潜在收益。原文链接： https://medium.com/@the_economist/google-leads-in-the-race-to-dominate-artificial-intelligence-debc9fa86040 来源：大数据文摘 📚 往期文章推荐人工智能名人堂第49期 | 斯坦福研究院名人堂成员：Peter E. Ha 🔗 澳门大学陈俊龙教授《社会机器》推荐序 🔗 92岁院士，一件衬衣穿了30年，却将420万全部积蓄捐给了他们 🔗 刚刚获得“科学奥斯卡”的中国80后数学家 | 网友曾说：强到无法理解 🔗 最会玩的清华博士 | 我给自己发了五千万个红包，得出来这样一个规律 🔗 北大清华学霸用神经学理论论证烤串为啥好吃，发过SCI就免单 🔗 纪念 | 余光中走了，从此他的世界里再无乡愁 🔗 AI泰斗Michael I. Jordan | 下一代人工智能系统的4大趋势和9大研究课题 🔗 武汉大学蔡恒进 | 揭秘人类自我意识和高级智能进化之谜 🔗 北京邮电大学刘伟 | 人机交互与智能的起源与展望德先生公众号｜往期精选在公众号会话位置回复以下关键词，查看德先生往期文章！人工智能｜机器崛起｜区块链｜名人堂虚拟现实｜无人驾驶｜智能制造｜无人机科研创新｜网络安全｜数据时代｜人机大战 …… 更多精彩文章正在赶来，敬请期待！; 个人分类: 德先生|1022 次阅读|0 个评论

更多...

帐号		自动登录	找回密码
密码			注册

关闭 安全验证

标签: 17年

相关帖子

相关日志

关闭安全验证