【人工智能】致研究者：2018 AI 研究趋势
来源：网络大数据
概要：2017 年是机器学习领域最有成效、最具创意的一年。现在已经有很多博文以及官方报道总结了学界和业界的重大突破。
2017 年是机器学习领域最有成效、最具创意的一年。现在已经有很多博文以及官方报道总结了学界和业界的重大突破。本文略有不同，Alex Honchar在Medium发文，从研究者的角度分享机器学习明年发展的走向。
本文的预测基于 2012 年以来我关注的学术界和科技巨头实验室的研究思路演变。我所选择的领域，从我的观点来看，都多多少少尚处于发展的初级阶段，但是已经为研究做足了准备，且在 2018 年可能获得良好的结果，并在 2019-2020 年能投入实际应用。请阅读吧!
来自其他学科的学术界人士正在自问：
人工智能研究的进展为何如此之快?
首先，在机器学习领域，大多数文章并不在期刊中发表，而是以即时 arXiv 预印本的形式提交到会议论文中。因此，人们无需在论文提交之后等待数月，就能很快地看到最新进展。第二，我们并不发表「顺势疗法」的文章：如果你想让文章被发表的文章，必须确保在文中展现最先进的技术，或是展示和现有最先进技术性能相近的新方法。而且，新方法必须在不同的指标中有所改进——其中包括速度、准确率、并行执行效率、数学证明的质量、处理不同大小数据集的能力等——即大大提高整体质量。最后，所有的主要文章都是开源实现的，因此别人可以使用你的代码进行二次检查甚至改进。
以「博客」为形式的出版新格式，是当代人工智能研究中最棒的事情之一。我们可以关注各种博客，比如：
DeepMind blog(https://deepmind.com/blog/)
OpenAI blog(https://blog.openai.com/)
Salesforce blog(https://www.salesforce.com/products/einstein/ai-research/)
IBM Research blog(http://www.research.ibm.com/ai/)
在其中，结果得以清晰展现，所以即使是不谙于研究的人也能看出这有多「酷」。就个人而言，我非常喜欢 Distill Pub(https://distill.pub/)。
Distill Pub 是一本真正的科学期刊，不过文章看起来更像博文，有着很棒的插图。当然，这需要大量的工作，但是现在只有这种研究形式才能吸引更多的人——基本上，你可以同时向以下三种人同时展现成果：
研究者，他们可以评估你的数学成果;
开发者，他们可以从可视化图像中了解你的研究意图;
投资者，他们可以了解你的研究，懂得它该如何应用。
我相信，在接下来的几年里，最佳研究就是这样发布的。如果科技巨头正在这么做——你不妨也试试!
无平行语料库的语言模型
让我们考虑一个简单的问题：
使用 50 本阿拉伯语书、16 本德语书、7 本乌克兰语书，学习阿拉伯语到乌克兰语的翻译，以及乌克兰语到德语的翻译。
你能做到吗?我打赌你不行。但是现在机器已经可以做到。2017 年，两篇突破性的文章发表了，它们是「Unsupervised Machine Translation Using Monolingual Corpora Only」和「Unsupervised Neural Machine Translation」。基本上，研究想法是训练一些通用人类语言表达空间，其中将相似的句子连接在一起。这个想法并不新鲜，但是现在，它却能在无显式德语-阿拉伯语句子对的情况下实现翻译：
多语种表征空间的图示
这些文章作者表示，翻译质量可以在少量监督下得到大幅上升。我预计这项研究将一直持续到明年夏天，并在 2018 年年底得到产品应用。而这种有监督却并非传统意义的监督学习的总体思路，可以并且必定会扩展到其他领域。
更好地理解视频
现在计算机视觉系统已在视觉方面超越人类。这要归功于不同深度、广度和连接密集度的网络：
来源： http://aiindex.org/2017-report.pdf
但是现在，我们只在静止图像上进行了性能基准测试。这很不错，但是我们习惯于用眼睛观察图像的序列、视频、或是真实世界的改变——所以，我们需要将这些计算机视觉的成果转化到视频领域，并使其能工作得和在静止图片中一样快。
老实说，在静止的图像中检测 1000 个物体简直是太无聊了。
在最近的 NIPS 2017 中，发表了关于下一帧预测的有趣结果(Temporal Coherency based Criteria for Predicting Video Frames using Deep Multi-stage Generative Adversarial Networks)，我们可以看到这与用 RNN 网络进行文本生成的联系，其中预测下一个词的训练的神经网络可作为一种语言模型。此外，还发布了关于从视频中进行表征学习的结果(Unsupervised Learning of Disentangled Representations from Video)。以下是可供使用的数据集，以改善注意力模型、将光流概念添加到视频中、使用循环架构以使其在大型视频中更加高效：
Moments in Time(http://moments.csail.mit.edu/)
Youtube-8M(https://research.google.com/youtube8m/)
多任务/多模式学习
当我观察周围的世界时，不仅看到了移动的图像：我听到声音、感受到外界的温度、感知一些情绪。这说明我能从不同的来源「观察」这个世界，我想称之为「多模态」。而且，即使我只「观察」一种形式，比如听到别人的声音——我不会像语音识别系统那样只是将其翻译为文字，我还能了解说话人的性别、年龄、以及说话人的感情——我在同一时刻了解了很多不同的东西。我们希望机器也有相同的能力。
人类能够从一个图像中得到成百个结论，为什么机器做不到呢?
目前并没有很多关于解决多任务问题的数据集，通常在创建额外的任务之前，我们将这些数据集用作正则项。但是，最近牛津大学在多模态图像识别方面发布了很不错的数据集，向人们提出了挑战性的问题。我希望明年在语音应用方面会出现更多的数据集和结果(例如年龄、声音)，详见「Visual Decathlon Challenge」(http://www.robots.ox.ac.uk/~vgg/decathlon/)。
人类能处理 10 余种模态，为什么机器不能呢?
这是一个令人震惊的环境，在其中你能教你的机器人在一个接近全真的房间内去看、听、感受所有事。参见「HoME: a Household Multimodal Environment」(https://home-platform.github.io/)
我们能同时做这些事情吗?
如果我们能构建令人震惊的的多模态-多任务模型，那么就可以根据完全不同的输入来解决不同的任务——Google Reasearch 就做到了。他们构建了一个可将图片和文本作为输入的体系结构，并用单个神经网络解决图像识别、图像分割、文本翻译、文本解析等问题。这不算是解决这类问题最聪明的方法，但这是一个很好的开始!
来源：https://research.googleblog.com/2017/06/multimodel-multi-task-machine-learning.html
参考阅读：
学界 | 稳!DeepMind 提出多任务强化学习新方法 Distral
共享相关任务表征，一文读懂深度神经网络多任务学习
强化学习：还在游戏领域
强化学习是令我最兴奋、也最怀疑的领域之一——强化学习可以在自我博弈、不知道任何规则的情况下学习复杂的游戏，并在围棋、象棋和牌类等游戏中取胜。但是同时，我们几乎看不到强化学习在真实世界中的应用，最多也只是一些 3D 玩具人物在人造环境当中攀爬或是移动机器手臂。这也就是为什么我认为明年强化学习还会继续发展。我认为，明年将会有两个重大突破：
Dota 2(https://blog.openai.com/dota-2/)
星际争霸 2(https://deepmind.com/blog/deepmind-and-blizzard-open-starcraft-ii-ai-research-environment/)
是的，我非常确定，Dota 和 星际争霸 2 的人类冠军将被 OpenAI 和 DeepMind 机器人所击败。目前已经可以使用 OpenAI Gym 环境(https://github.com/alibaba/gym-starcraft)自己玩星际穿越 2。
看看 OpenAI 机器人是怎么玩 Dota 游戏的：https://www.youtube.com/watch?v=x7eUx_Ob4os
对于那些没有玩多少游戏的研究人员而言，可能想改进一些 OpenAI 所获得的的有趣结果：竞争性的自我博弈、从其他模型中学习、学习沟通和合作，以及 Facebook 引导的学习谈判。我希望 1-2 年内能在聊天机器人中看到上述结果，但是目前还需要完成更多研究。
上图表明 Facebook 机器人正在学习谈判(来源：https://code.facebook.com/posts/1686672014972296/deal-or-no-deal-training-ai-bots-to-negotiate/)
参考阅读：
OpenAI 人工智能 1v1 击败 Dota2 最强玩家：明年开启 5v5 模式
学界 | 面向星际争霸：DeepMind 提出多智能体强化学习新方法
业界 | 让人工智能学会谈判，Facebook 开源端到端强化学习模型
人工智能需要自我解释
使用深度神经网络当然很赞。你能凭借层数、连接密度和在 ImageNet 上 0.05 的改善来自我吹嘘，或者可以将其应用到医疗放射学中。但是，如果神经网络无法实现自我解释，我们怎么能真正依赖它呢?
我想知道的是，为什么我的神经网络会认为图像中出现的是一只狗，或者为什么它认为有一个人在笑，又何以判断我患有一些疾病。
但不幸的是，深度神经网络即便能给出准确的结果，却无法给我们上述问题的答案。
图片来自演讲展示「DARPA Explainable AI—Performance vs. Explainability」
即使我们已经有了一些成功的应用，比如：
从深度网络提取基于树的规则：https://www.ke.tu-darmstadt.de/lehre/arbeiten/master/2015/Zilke_Jan.pdf
卷积神经网络层的可视化：http://cs231n.github.io/understanding-cnn/
以及一些更加有难度的想法如：
隐概念：http://www-nlpir.nist.gov/projects/tvpubs/tv14.papers/sri_aurora.pdf
与-或图训练：http://www.cnbc.cmu.edu/~tai/microns_papers/zhu_AOTpami.pdf
生成视觉解释：https://arxiv.org/pdf/1603.08507.pdf
然而，这个问题仍然是开放性的。
来源：https://arxiv.org/pdf/1603.08507.pdf
最近的当前最佳 InterpretNet：
来源： https://arxiv.org/pdf/1710.09511.pdf
我们还应关注贝叶斯方法，它可以跟踪预测的准确性。对于已有的神经网络，这在明年将是机器学习中一个非常热门的话题。
参考阅读：
学界 | Hinton 提出泛化更优的「软决策树」：可解释 DNN 具体决策
业界 | 解释深度神经网络训练全过程：谷歌发布 SVCCA
人工智能安全：不再是小问题
在人工智能可解释性之后，要解决的第二个重要任务就是当代机器学习算法的脆弱性——他们很容易被对抗样本、预测 API 等愚弄：
Hype or Reality? Stealing Machine Learning Models via Prediction APIs(https://blog.bigml.com/2016/09/30/hype-or-reality-stealing-machine-learning-models-via-prediction-apis/)
Attacking Machine Learning with Adversarial Examples(https://blog.openai.com/adversarial-example-research/)
对于这些事，Ian Goodfellow 有一个名为 CleverHans(http://www.cleverhans.io/security/privacy/ml/2017/06/14/verification.html)的惊人创举。关于数据的隐私和加密数据的训练，请看看牛津大学博士生的精彩文章「Building Safe A.I.」(https://iamtrask.github.io/2017/03/17/safe-ai/)，其中展示了构建简单同态加密神经网络的例子。
我们应当保护人工智能的输入(私人数据)、内在结构(使其免于攻击)，以及它所习得的东西(其行动的安全性)。
以上所述仍非如今人工智能所面临的全部问题。从数学的角度来看(特别是在强化学习中)，算法仍然不能安全地探索环境，这也就意味着如果我们现在让物理机器人自由地探索世界，他们仍然不能在训练阶段完全避免错误或不安全的行为;我们仍然不能使我们的模型适用于新的分布和情况——例如，用在真实世界中的对象中训练的神经网络识别绘制的对象仍然很困难;此外还有许多问题，你可以在如下文章中查看：
Concrete AI Safety Problems(https://blog.openai.com/concrete-ai-safety-problems/)
Specifying AI safety problems in simple environments | DeepMind(https://deepmind.com/blog/specifying-ai-safety-problems/)
优化：超越梯度，还能做什么?
我是优化理论的忠实粉丝，而且我认为 2017 年最佳的优化方法发展综述是 Sebastian Ruder 所撰写的「Optimization for Deep Learning Highlights in 2017」。这里，我想回顾一下改进一般随机梯度下降算法+反向传播的方法：
合成梯度和其他方式以避免深度学习中高成本的链式法则(https://deepmind.com/research/publications/understanding-synthetic-gradients-and-decoupled-neural-interfaces/)
进化策略，可用于强化学习、不可微损失函数问题，可能避免陷入局部最小值(https://blog.openai.com/evolution-strategies/)
SGD 的改进，学习率和批调度(http://ruder.io/deep-learning-optimization-2017/)
学习优化——将优化问题本身视为学习问题(http://bair.berkeley.edu/blog/2017/09/12/learning-to-optimize-with-rl/)
不同空间的优化——如果我们可以在 Sobolev 空间中训练网络呢?(https://papers.nips.cc/paper/7015-sobolev-training-for-neural-networks.pdf)
来源：http://bair.berkeley.edu/blog/2017/09/12/learning-to-optimize-with-rl/
我相信，通过进化方法解决不可微函数优化问题带来的进展，强化学习和学习优化技术将帮助我们更有效地训练人工智能模型。
3D 和图形的几何深度学习
在 NIPS 的一份演说「Geometric Deep Learning on Graphs and Manifolds」之前，我并没有真正意识到这个话题的重要性。当然，我明白现实数据比 R^d 更困难，实际上数据和信息本身就有自己的几何和拓扑结构。三维物体可以被看作点云，但事实上它是一个表面(流形)，一个特别是在运动中具有自身局部和全局数学(微分几何)的形状。或者，考虑一下图形，你当然可以用一些邻接矩阵的形式描述它们，但是你会忽视一些你真想看作图形的局部结构或图形(例如分子)。其他多维的对象，例如图像、声音、文本也可以且必须从几何角度考虑。我相信，我们会从这个领域的研究中得到许多有趣的见解。让我们坚信：
所有数据都有着我们无法避免的局部和全局几何结构
查看下列连接，以获取更多细节：Geometric Deep Learning(http://geometricdeeplearning.com/)
结论
我本来还可以谈谈知识表示、迁移学习、单样本学习、贝叶斯学习、微分计算等领域，但是说实话，这些领域在 2018 年还没有充足的准备能有巨大的发展。贝叶斯学习中，我们仍然没有解决抽样的数学问题。微分计算听起来很酷，但有何用?神经图灵机、DeepMind 的差分神经计算机——又该何去何从?知识表示学习已是所有深度学习算法的核心，已经不值得再写它了。单样本学习和少样本学习也不是真正的已开发领域，而且目前也没有明确的指标或数据集。我希望本文提到的主题能在一些热门或成熟的领域发展，并且在 2019-2020 年能有大量实际应用。
另外，我想分享一些重要的实验室，从中你可以了解最新的研究新闻：
OpenAI（http://openai.com/）
DeepMind（https://deepmind.com/）
IBM AI Research（http://www.research.ibm.com/ai/）
Berkley AI（http://bair.berkeley.edu/）
Stanford ML Group（https://stanfordmlgroup.github.io/）
Facebook Research（https://research.fb.com/）
Google Research（https://research.googleblog.com/）
2018年人工智能和机器学习路在何方？听听美国公司怎么做
来源：可译网
翻译 | 言午二二、Amanda沈
概要：与DevOps（开发运营）不同的是，它涉及到更多的人员和方法，因为新技术正在给商业管理战略带来变革。
本文为美国著名数据分析网站DZone分析师Tom Smith与Exaptive的副总裁Matt Coatney的专访对话，对人工智能和机器学习的未来做了深度的探讨。Exaptive是一家美国俄克拉荷马州以提供大数据分析产品及服务为主的初创企业。
Exaptive的副总裁Matt Coatney
Tom Smith：感谢Exaptive的副总裁Matt Coatney抽空与我谈人工智能和机器知识的现状，以及他如何是看待其发展的。
Q：成功的人工智能/机器知识策略的关键是什么？
Matt Coatney：与DevOps（开发运营）不同的是，它涉及到更多的人员和方法，因为新技术正在给商业管理战略带来变革。一方面，它可以替代人们所做的工作，并且更有效、可靠、高效地完成这些任务。另一方面，以前不可行的新商业模式变得可行。
Matt分享了一些例子：
在医学方面，IBM的Watson在不到10分钟内就发现了一组完全不同于一组医生所认为的白血病类型。
硅谷的一家生物科技公司Atomwise正在寻找现有的药物来应用于新目标，并在一天内发现了两种可阻止埃博拉病毒传播的药物。这种类型的研究往往都是需要几年时间。
Q：企业如何通过人工智能和机器知识来获得更多的大数据？
Matt Coatney：与需要解决特殊商业问题的技术相比，企业更多地把时间花费在他们认为他们所需要的技术上。企业需要思考他们正试图解决的问题以及如何使解决方案让客户满意。思考如何让解决方案生效，以便你可以实现一个积极的回报率，进一步谈下一个项目和合作机会。设定你的成功标准并快速取胜。这与我们过去20年来在IT方面所做的项目没有什么区别，我们只需要牢记最佳方法。
Q：在过去的一年里人工智能/机器学习是如何变化的？
Matt Coatney：在过去的五六十年中许多方法一直是一样的，只是我们有了更强大的计算机，有更多内存和优化算法，比如深度学习，因此我们能在很短的时间内获得更好的结果。例子包括Facebook的面部识别和Google的无人驾驶轿车。另外，我们现在有这样的人工智能服务，公司可以从电脑上租用时间，发出请求，并在记录时间内获取信息。这降低了准入门槛，同时保证了世界任何组织得到与Facebook和Google相同的质量水平。
Q：你用什么技术解决方案来收集和分析数据？
Matt Coatney：大多数企业专注于大数据“Hadoopesque”工具。我们也可以这么做，但是我们也可以使用如SQL、NoSQL、Microsoft和Python’s的scikit-learn库等较小的数据工具来找到价值。无论数据规模如何，还有许多价值有待从现有数据中去挖掘。
Q：客户用人工智能/机器知识来解决哪些现实问题？
Matt Coatney：任何有关预测、重新连接或内容预测—Netflix风格的应用程序。金融模型和高级财务模型的大众化。此外，可帮助机构通过标记概念、关键词等从内容中获得更多价值的内容和知识管理工具。
Q：您认为阻碍公司从人工智能/机器学习获利的最常见的问题是什么？
Matt Coatney：公司关注工具和平台而不是他们正在试图解决的企业问题。他们需要把炒作与现实分开，了解工具能做什么，不能做什么。营销炒作正在被收购，并产生不切实际的期望。这需要对工具进行更好的审核与了解。要明白，为工业培训人工智能和使用例子（例如，律师如何写作和交谈）需要一定的时间。
Q：对于人工智能/机器知识的可持续发展的最大机会在哪里？
Matt Coatney：我对于人工智能作为一种服务而感到兴奋，它为开发人员和想要创业的企业家迅速提供了机会，而且无需太多费用。
知识空间里的决策支持和自动化。对问题更开阔的看法带来更好、更中肯的解决方案。
机器人使物质世界和虚拟世界融合。
使用数据解决商业问题。谷歌的数据中心每天使用25%的核电站，谷歌使用Deep Mind来优化所有服务器，并能降低15%到20%的能耗。最终，每个企业都能够实现相同类型的运营成本节省。
Q：您对当今人工智能/机器学习最大的关注是什么？
Matt Coatney：人工智能会被善用还是误用？它是中性的。取决于它如何被应用和谁来使用它。我们需要国际监督。它已经被用于网络战。要避免陷入局部最大值。在过去的60到70年里，我们使用了相同的硬件和软件架构，完成了前所未有的复杂工作。我们需要探索不同的方法来成倍地提高性能。
Q：从事人工智能/机器学习项目的开发者需要哪些技能？
Matt Coatney：从软技能开始。最好的开发人员和数据科学家注意提高他们的项目管理、沟通和时间管理技能。专注于理解抽象概念，并尽可能全面地使用不同的语言和技术。拥抱创造性的破坏，因为景色是迅速流动和变化的。
Q：你认为开发人员需要了解的关于人工智能和机器学习的问题哪些我还没有问到？
Matt Coatney：关于术语有很多误解。当我们使用这些术语时，我们需要弄清楚我们的意思：
机器学习是指我们如何使用软件来学习东西。
人工智能是机器学习的代名词，但往往意味着更高级的、人类的能力水平。
深度学习是一种特定的机器学习技术，能够处理更精妙的学习，往往与人工智能有关。
人工智能赛博物理操作系统
AI-CPS OS
“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能）分支用来的今天，企业领导者必须了解如何将“技术”全面渗入整个公司、产品等“商业”场景中，利用AI-CPS OS形成数字化+智能化力量，实现行业的重新布局、企业的重新构建和自我的焕然新生。
AI-CPS OS的真正价值并不来自构成技术或功能，而是要以一种传递独特竞争优势的方式将自动化+信息化、智造+产品+服务和数据+分析一体化，这种整合方式能够释放新的业务和运营模式。如果不能实现跨功能的更大规模融合，没有颠覆现状的意愿，这些将不可能实现。
领导者无法依靠某种单一战略方法来应对多维度的数字化变革。面对新一代技术+商业操作系统AI-CPS OS颠覆性的数字化+智能化力量，领导者必须在行业、企业与个人这三个层面都保持领先地位：
重新行业布局：你的世界观要怎样改变才算足够？你必须对行业典范进行怎样的反思？
重新构建企业：你的企业需要做出什么样的变化？你准备如何重新定义你的公司？
重新打造自己：你需要成为怎样的人？要重塑自己并在数字化+智能化时代保有领先地位，你必须如何去做？
AI-CPS OS是数字化智能化创新平台，设计思路是将大数据、物联网、区块链和人工智能等无缝整合在云端，可以帮助企业将创新成果融入自身业务体系，实现各个前沿技术在云端的优势协同。AI-CPS OS形成的数字化+智能化力量与行业、企业及个人三个层面的交叉，形成了领导力模式，使数字化融入到领导者所在企业与领导方式的核心位置：
精细：这种力量能够使人在更加真实、细致的层面观察与感知现实世界和数字化世界正在发生的一切，进而理解和更加精细地进行产品个性化控制、微观业务场景事件和结果控制。
智能：模型随着时间（数据）的变化而变化，整个系统就具备了智能（自学习）的能力。
高效：企业需要建立实时或者准实时的数据采集传输、模型预测和响应决策能力，这样智能就从批量性、阶段性的行为变成一个可以实时触达的行为。
不确定性：数字化变更颠覆和改变了领导者曾经仰仗的思维方式、结构和实践经验，其结果就是形成了复合不确定性这种颠覆性力量。主要的不确定性蕴含于三个领域：技术、文化、制度。
边界模糊：数字世界与现实世界的不断融合成CPS不仅让人们所知行业的核心产品、经济学定理和可能性都产生了变化，还模糊了不同行业间的界限。这种效应正在向生态系统、企业、客户、产品快速蔓延。
AI-CPS OS形成的数字化+智能化力量通过三个方式激发经济增长：
创造虚拟劳动力，承担需要适应性和敏捷性的复杂任务，即“智能自动化”，以区别于传统的自动化解决方案；
对现有劳动力和实物资产进行有利的补充和提升，提高资本效率；
人工智能的普及，将推动多行业的相关创新，开辟崭新的经济增长空间。
给决策制定者和商业领袖的建议：
超越自动化，开启新创新模式：利用具有自主学习和自我控制能力的动态机器智能，为企业创造新商机；
迎接新一代信息技术，迎接人工智能：无缝整合人类智慧与机器智能，重新
评估未来的知识和技能类型；
制定道德规范：切实为人工智能生态系统制定道德准则，并在智能机器的开
发过程中确定更加明晰的标准和最佳实践；
重视再分配效应：对人工智能可能带来的冲击做好准备，制定战略帮助面临
较高失业风险的人群；
开发数字化+智能化企业所需新能力：员工团队需要积极掌握判断、沟通及想象力和创造力等人类所特有的重要能力。对于中国企业来说，创造兼具包容性和多样性的文化也非常重要。
子曰：“君子和而不同，小人同而不和。” 《论语·子路》云计算、大数据、物联网、区块链和 人工智能，像君子一般融合，一起体现科技就是生产力。
如果说上一次哥伦布地理大发现，拓展的是人类的物理空间。那么这一次地理大发现，拓展的就是人们的数字空间。在数学空间，建立新的商业文明，从而发现新的创富模式，为人类社会带来新的财富空间。云计算，大数据、物联网和区块链，是进入这个数字空间的船，而人工智能就是那船上的帆，哥伦布之帆！
新一代技术+商业的人工智能赛博物理操作系统AI-CPS OS作为新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎。重构生产、分配、交换、消费等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态、新模式。引发经济结构重大变革，深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。
产业智能官 AI-CPS
用“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能），在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的认知计算和机器智能；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。
长按上方二维码关注微信公众号： AI-CPS，更多信息回复：
新技术：“云计算”、“大数据”、“物联网”、“区块链”、“人工智能”；新产业：“智能制造”、“智能农业”、“智能金融”、“智能零售”、“智能城市”、“智能驾驶”；新模式：“财富空间”、“数据科学家”、“赛博物理”、“供应链金融”。
官方网站：AI-CPS.NET
本文系“产业智能官”（公众号ID：AI-CPS）收集整理，转载请注明出处！
版权声明：由产业智能官（公众号ID：AI-CPS）推荐的文章，除非确实无法确认，我们都会注明作者和来源。部分文章推送时未能与原作者取得联系。若涉及版权问题，烦请原作者联系我们，与您共同协商解决。联系、投稿邮箱：[email protected]