研究进展ppt

夏乙 发自 凹非寺量子位 出品 | 公众号 QbitAI人类公元纪年2019年伊始，深度学习技术也同样处在一个新的“开端”，宜review、宜展望。MIT正在进行中的深度学习课程就全面描绘了当下的状态。最近一节课，Lex Fridman老师展现了深度学习各方向的最领先状态，也回顾了过去两年间通往前沿的一步步进展。涉及自然语言处理、深度强化学习、训练和推断的加速等等。这里的“领先”，只谈想法方向，无关基准跑分。面对课上展现的大进展，甚至有网友说：课前喝一杯？机器学习进展如此巨大，简直值得来一两瓶。视频放出一天多，收获感谢无数。量子位上完课，结合PPT写了笔记一份，分享给大家。正式开始前，先来一份小目录。这节课涉及的重大进展，共12个方面，分别是：BERT和自然语言处理（NLP）特斯拉Autopilot二代（以上）硬件：规模化神经网络AdaNet：可集成学习的AutoMLAutoAugment：用强化学习做数据增强用合成数据训练深度神经网络用Polygon-RNN++做图像分割自动标注DAWNBench：寻找快速便宜的训练方法BigGAN：最领先的图像合成研究视频到视频合成语义分割AlphaZero和OpenAI Five深度学习框架我们一个一个细说。BERT和NLP2018年是自然语言处理之年。很多圈内人把2012年称为深度学习的ImageNet时刻，因为这一年，AlexNet带来了计算机视觉领域的性能飞跃，激励着人们去探索深度学习在这一领域的更多可能性。2016年到18年，NLP的发展也类似，特别是BERT的出现。NLP的发展要从编码器-解码器架构说起。上图展示了一个用于神经机器翻译的序列到序列（seq2seq）模型。RNN编码器负责将输入序列编码成固定大小的向量，也就是整个句子的“表征”，然后把这个表征传递给RNN解码器。这个架构在机器翻译等领域很管用。接下来发展出了注意力（Attention）。这种机制，不强迫网络将所有输入信息编码城一个固定长度的向量，在解码过程中还能重新引入输入序列，还能学习输入序列和输出序列中哪一部分互相关联。比较直观的动态展示是这样的：再进一步，就发展到了自注意力（Self-Attention），和谷歌“Attention is all you need”论文提出的Transformer架构。Transformer架构的编码器用自注意力机制为输入序列生成一组表征，解码过程也使用注意力机制。说完注意力的发展，我们再看一下NLP的一个关键基础：词嵌入。词嵌入的过程，就是把构成句子的词表示成向量。传统的词嵌入过程用无监督方式将词映射成抽象的表征，一个词的表征参考了它后边的序列。这是一个语言建模（language modeling）过程。后来，有了用双向LSTM来做词嵌入的ELMo。双向LSTM不仅考虑词后边的序列，也考虑它前边的。因此，ELMo词嵌入考虑了上下文，能更好地表征这个词。接下来出现了OpenAI Transformer。也就是用先预训练一个Transformer解码器来完成语言建模，然后再训练它完成具体任务。经过这些进展的积累，2018年出现了BERT，在NLP的各项任务上都带来了性能的明显提升。它可以用在各种各样的NLP任务上，比如说：像ELMo一样创建语境化词嵌入；句子分类；句对分类；计算句对的相似度；完成选择题形式的问答任务；给句子打标签；完成普通的问答任务。量子位之前有回顾2018年深度学习进展、NLP进展的文章，也都详细谈了BERT。一文看尽2018全年AI技术大突破不只有BERT！盘点2018年NLP令人激动的10大想法特斯拉AutoPilot二代硬件特斯拉的出现毫不意外，量子位之前介绍过，Lex老师是马斯克的小迷弟。作为神经网络大规模应用的代表，也的确值得一提。Autopilot二代硬件使用了英伟达的Drive PX 2，还搭载了8个摄像头获取输入数据。Drive PX 2上运行着Inception v1神经网络，运用摄像头获取的各种分辨率数据进行各种来计算，比如分割可以前进的区域，物体检测等等。这套系统，已经把神经网络带进了车主们的日常生活中。AdaNet：可集成学习的AutoMLAutoML是机器学习界的梦想：将机器学习的一方面或者整个流程自动化，扔一个数据集进去，让系统自动决定所有的参数，从层数、模块、结构到超参数……谷歌的神经架构搜索，无论从效率还是准确率来看成绩都不错。2018年，AutoML又有了一些新进展，AdaNet就是其中之一。它是一个基于Tensorflow的框架，AutoML一样，也是用强化学习方法。不过，AdaNet不仅能搜索神经网络架构，还可以学习集合，将最优的架构组合成一个高质量的模型。AutoAugment：用强化学习增强数据从2012年的“ImageNet时刻”到现在，图像识别的新算法层出不穷，成绩一直在提升。而在计算机视觉里，数据量非常重要，数据增强（data augmentation）也是重要的提升识别率的方法。但是，关于数据增强的研究却不多。2018年，Google继自动搜索神经架构之后，把数据增强这个步骤也自动化了。AutoAugment能根据数据集学习这类图像的“不变性”，知道哪些特性是最核心的，然后，神经网络在增强数据时应该让核心特性保持不变。比如说，它自动增强门牌号数据集的时候，会常用剪切、平移、反转颜色等方法，而在ImageNet这种自然照片数据集上，就不会剪切或者翻转颜色，只会微调颜色、旋转等等。这个过程和计算机视觉里常用的迁移学习差不多，只不过不是迁移模型权重，而是迁移大型数据集体现出的数据增强策略。用合成数据训练深度神经网络很多机构都在研究如何用合成数据来训练神经网络，英伟达是其中的主要势力。英伟达非常擅长创造接近真实的场景，他们2018年一篇用合成数据训练深度神经网络的论文就充分利用了这一点，合成数据训练的模型，成绩完全不逊于真真实数据。合成数据还非常灵活多变，比如说汽车、屋子，都能合成出各种各样的数量、类型、颜色、纹理、背景、距离、视角、灯光等等。关心如何用合成数据训练模型？英伟达的这篇论文值得一读：Training Deep Networks with Synthetic Data: Bridging the Reality Gap by Domain RandomizationPolygon-RNN++：图像分割自动标注在训练深度学习模型过程中，数据标注是非常耗时费力的环节。特别如果要标注出语义分割图，就更加麻烦。Polygon-RNN++是一种自动标注图像的方法，能自动生成一个多边形，来标注出图像里的对象。它用CNN提取图像特征，然后用RNN解码出多边形的顶点，提出多个候选多边形。然后，一个评估网络从候选中选出最好的。这也是让深度学习尽可能自动化的一种努力。Polygon-RNN++的主页上，能找到这一工具的论文、Demo、代码等各种资料DAWNBench：寻找快速便宜的训练方法除了让深度学习尽可能自动化之外，还有一个一直受关注的研究方向：让它更易用。也就是快速、便宜。斯坦福提出的DAWNBench基准，评估的就是模型的速度和成本。它测试各种模型、框架、硬件在ImageNet上达到93%准确率，CIFAR上达到94%准确率的训练、推断速度和成本。在快速廉价这方面，fast.ai有很好的成绩。他们用租来的亚马逊AWS的云计算资源，18分钟在ImageNet上将图像分类模型训练到了93%的准确率。他们所用的方法，关键在于在训练过程中逐渐提高学习率、降低momentum，这样就可以用非常高的学习率来训练，还能避免过拟合，减少训练周期。BigGAN：最领先的图像合成研究在用GAN合成照片这个方向上，2018年最受人瞩目的成就是DeepMind的BigGAN。它所用的基本模型没有太大变化，关键在于提升训练规模，增大了模型的容量和训练的批次大小。BigGAN还提交到ICLR匿名评审时，学界就已经沸腾，因为效果实在是堪称史上最佳。视频到视频合成这个领域有一项非常值得关注的研究，那就是英伟达和MIT的“Video-to-Video Synthesis”。只要一幅动态的语义地图，你就可以获得和真实世界几乎一模一样的视频。通过一个简单的白描草图，也能生成细节丰富、动作流畅的高清人脸：甚至整个身子都能搞定，跳舞毫无压力：语义分割视觉感知的问题可以分为三大层级，目前研究最充分的，是分类，也就是图像识别。然后，是目标检测：在一幅图像里，框出物体，识别出它是什么。关于目标检测的研究非常多：其中不少工作很exciting，但Lex老师认为哪一个都称不上“突破”。而语义分割，是视觉感知问题的最高层级。现在，这一领域的最好成绩属于DeepLab v3+。关于语义分割的重要研究，可以说从2014年的FCN开始，经历了2015年的SegNet、Dilated Convolutions的发展，2016年出现了DeepLab v1、v2版本。DeepLab系列用ResNet来提取图像特征，增加了全连接条件随机场（CRF）作为后续处理步骤，能捕捉图像中的局部和长距离依赖，优化预测图，还引入了空洞卷积。在前两版的基础上，DeepLab v3又增加了多尺度分割物体的能力。AlphaZero和OpenAI Five用强化学习打游戏这件事，2018年也有明显进步。这个领域最初的尝试，是DeepMind用强化学习算法玩了一遍雅达利的小游戏，推出了DQN。随后，就是围棋AI AlphaGo广为人知的一系列发展：从AlphaGo到AlphaZero的过程，也是一个越来越节约人工、机器自主性越来越高的过程。AlphaZero掌握围棋、国际象棋、日本将棋三大棋类，但都是完美信息、规则清晰游戏。而OpenAI把目光投向了更混乱的试验场：Dota 2。对于强化学习算法来说，Dota 2更接近真实世界的情况，它需要解决团队协作、长时间协调、隐藏信息等问题。OpenAI在Dota 2上取得的进展如下：2017年，他们的算法在1v1比赛中击败顶尖选手Dendi；2018年，5v5的AI队伍OpenAI Five在Dota比赛TI上对战顶尖职业选手，输了两局。未来仍需努力。深度学习框架回顾整个2018年，深度学习框架排名是这样的：框架的格局会往什么方向发展？要看这样几个用户关心的因素：学习曲线开发速度社区的规模和热情用这一框架实现的论文数量长期发展和稳定的可能性工具生态2019展望要展望2019，我们应该好好思考Hinton谈过的两个观点：关于反向传播：“我的观点是把它完全抛弃，从头再来。”“未来取决于我说什么都深切好奇的那些研究生们。”最后，附完整PPT：https://www.dropbox.com/s/v3rq3895r05xick/deep_learning_state_of_the_art.pdf?dl=0量子位（公众号QbitAI）还在网盘传了一份PPT，在公众号对话界面回复“最前沿”可得。— 完—

羊水栓塞新进展羊水栓塞是产科特有的一种严重并发症，具有起病急、进展快，发病率低，病死率高等特点，其诊治需要多学科团队的参与。您在处理羊水栓塞相关问题时是否存在困惑？且听浙江大学医学院附属妇产科医院陈新忠教授在长三角产科麻醉联盟学术视频会议中的权威解读。目前，羊水栓塞的诊断标准不统一，在发达国家仍是产妇死亡的主要因素，同样国内的发病率统计口径也不一致，我们需要严格的诊断标准，及时采取救治措施，保障病患的生命安全。现有的病理生理学已经不支持传统观点所述的发病机制，在正常分娩的产妇血液中亦能检测到羊水成分，且影像学检查并未发现羊膜碎片阻塞肺血管的证据，羊水栓塞的动物实验和尸检结果未见羊水成分致使肺血管梗阻。当然，羊水进入母体循环是羊水栓塞的前提，导致部分高敏产妇发生胎儿抗原激活抗炎介质，进而出现短暂性肺循环和体循环高压，发生心肌缺血和心肌抑制。同时，母体对胎儿抗原发生异常的宿主反应，继而大量释放内源性介质，补体大量激活，引起免疫风暴。羊水作为外源性组织因子激活外源性凝血系统，亦可导致血小板减少，缩短凝血时间、诱发血小板聚集和释放血小板因子，发生弥散性血管内凝血（DIC）、纤溶亢进，最终发生凝血功能障碍。虽然产妇发生羊水栓塞的概率较低，但也存在相应的高危因素，母体方面主要包括：产妇年龄＞35岁、多胎妊娠、剖宫产手术、助产、前置胎盘和胎盘早剥；胎儿方面主要包括胎儿窘迫、羊水过多、子宫破裂、少数民族、子痫和引产等。羊水栓塞是排他性诊断，主要依据临床症状和体征。诊断金标准为突发低氧、低血压和低凝血功能，不再将肺动脉中检测到羊水成分作为诊断标准。掌握羊水栓塞的病理生理学变化和诊断标准后，可以快速与其他相关疾病做出鉴别诊断，继而确诊为羊水栓塞。一旦确诊为羊水栓塞，治疗以对症处理为主，首先保证气道通畅，维持组织和器官有足够的氧供，必要时给予气管插管行机械通气；同时应给予快速补液，保障足够的循环容量，必要时应用心血管活性药物，保证平均动脉压≥65 mmHg、动脉血氧分压≥60 mmHg、每小时尿量≥0.5 ml/kg，及时纠正凝血功能障碍，早期使用氨甲环酸，积极补充凝血物质，仍不能有效止血时需考虑全子宫切除术。肺动脉高压的处理相对简单，可以采用选择性肺动脉舒张剂如雾化吸入前列环素和一氧化氮（NO）（医院内不常备）或口服西地那非（间接性促进机体释放NO），亦可静脉使用罂粟碱或持续泵注米力农，采用以上措施能够使肺动脉高压引起的相关症状得到缓解。对于顽固性的羊水栓塞需要记住“A-O-K”的处理策略，即使用阿托品、恩丹西酮和酮咯酸，达到降低肺血管阻力、舒张支气管平滑肌、降低迷走神经张力、有效防治呼吸循环衰竭的作用。羊水栓塞并不可怕，只有正确的认识，准确的诊断，全面掌握其病理生理变化，并采取有效的方法积极对症处理，相信您一定能够战胜疾病，为母婴安全保驾护航！作者：王长社 单位：嘉定妇保院麻醉科围术期医学论坛（zhwsyxlt）

【能源人都在看，点击右上角加'关注'】中国源于“双轨制”市场设计有诸多难点：清洁能源保障性消纳、省内省外市场协调融合、市场监管与市场力监控、不平衡资金、中长期与现货市场衔接、容量补偿机制、输配电价实施、用户侧参与机制。本文介绍了欧洲统一电力市场和美国电力市场的最新进展，分析了电网在3D（去碳化、分布化和数字化）发展趋势下电力市场面临的挑战和机遇，提出了当前中国电力市场研究重点问题。（来源：全球能源互联网期刊 作者：陈启鑫）免责声明：以上内容转载自北极星售电网，所发内容不代表本平台立场。全国能源信息平台联系电话：010-65367702，邮箱：hz@people-energy.com.cn，地址：北京市朝阳区金台西路2号人民日报社

新智元报道 编辑：肖琴【新智元导读】图网络领域的大牛、斯坦福大学Jure Leskovec教授在ICLR 2019就图深度生成模型做了演讲，阐述了图生成模型的方法和应用，并详细介绍了他的最新成果斯坦福大学教授Jure Leskovec 是图网络领域的专家，图表示学习方法 node2vec 和 GraphSAGE 作者之一。Jure Leskovec在今年 ICLR，Jure Leskovec 教授及斯坦福、MIT 的多名研究者发表论文 How Powerful Are Graph Neural Networks?(https://cs.stanford.e/people/jure/pubs/gin-iclr19.pdf)，详细阐述了图神经网络背后的原理和其强大的表征能力，认为图神经网络在因果推理方面有巨大的潜力，有望成为 AI 的下一个拐点。参考阅读：图神经网络将成 AI 下一拐点！MIT 斯坦福一文综述 GNN 到底有多强此外，在 ICLR 受邀演讲上，Jure Leskovec 教授还就图深度生成模型做了演讲。在这次演讲中，Jure 阐述了图生成模型的方法和应用，并详细介绍了他的最新成果，GraphRNN 和 Graph Convolutional Policy Network。本文带来该演讲的 PPT。下载链接 (或点击阅读原文下载）：http://i.stanford.e/~jure/pub/talks2/graph_gen-iclr-may19-long.pdf主要内容：为什么图网络很重要？图生成任务GraphRNN：RNN 的两个层次图卷积策略网络：将图表示和强化学习结合起来为什么图网络很重要？为什么图网络很重要？深入了解图的形成过程异常检测 - 异常行为，进化预测 —— 根据过去预测未来新的图结构的模拟图补全 - 很多图都是部分可观察的“如果” 场景图生成任务任务 1：生成逼真的图生成与给定数据集相似的图任务 2：目标导向的图生成生成优化给定目标 / 约束的图药物分子生成 / 优化关键的见解通过顺序添加节点 / 边来生成图好处：表示具有不同大小、不同序列长度的图将不同的节点顺序对应于不同的生成轨迹捕获节点之间的复杂依赖关系GraphRNN：RNN 的两个层次GraphRNN：RNN 的两个层次目标：将模型图生成作为序列生成需要对两个流程建模：为新节点生成状态 (节 Node-level RNN)根据新节点的状态生成新节点的边 (Edge-level RNN)图卷积策略网络图卷积策略网络：目标导向的图生成 (GCPN)将图表示 + RL 结合起来图表示 (Graph representation) 捕获复杂的结构信息，并在每个状态转换中启用有效性检查 (Valid)强化学习 (RL) 优化中间 / 最终奖励 (High scores)对抗性训练 (Adversarial training) 模仿给定数据集中的例子 (Realistic)总结通过序列生成，可以成功生成复杂的图每一步决策都是基于隐藏状态做出的显式：中间生成图，用 GCN 解码隐式：向量表示，RNN 解码任务：模仿一组给定的图按照既定目标优化图

来源：有色金属结构材料铸造耐磨材料的发展现状及最新进展高义民西安交通大学报 告报告内容01页02页03页04页05页06页07页08页09页10页11页12页13页14页15页16页17页18页19页2021页22页2223页24页25页26页27页28页29页30页31页32页33页34页35页36页37页38页39页您抽出 · 来阅读此文

下载地址：https://www.yanxishe.com/resourceDetail/2404?from=leiphonecolumn_res1009【 图片来源：百度百科所有者：百度百科 】内容简介推荐系统是利用电子商务网站向客户提供商品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买过程。个性化推荐是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。随着电子商务规模的不断扩大，商品个数和种类快速增长，顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失。为了解决这些问题，个性化推荐系统应运而生。个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台，以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。（本段介绍来自百度百科）补充说明本站所有资源版权均属于原作者所有，这里所提供资源均只能用于参考学习用，请勿直接商用。如需删除，请联系 kefu@yanxishe.comAI 研习社已经和阿里大文娱、旷视、搜狗搜索、小米等知名公司达成联系，帮助大家更好地求职找工作，一键投递简历至 HR 后台，准备了一些内推渠道群。雷锋网雷锋网雷锋网【封面图片来源：网站名百度百科，所有者：百度百科】

时下正值中台为自己“翻案”的破冰期。一些中台服务商明显感受到，尤其是进入到2021年以来，市场开始有更多的中台项目机会和线索。根据Gartner的调研，将数据分析嵌入到业务平台的企业，从2018年的57%增长到了2020年的70%。而在中国市场，越来越多的数据分析正通过“中台”方式，嵌入到企业的业务系统中。更多的市场性报告也在论证，未来中台市场的井喷点依然会存在。这一切似乎也让人有点捉摸不透。一年多前，外界更多看到的是，中台赛道遭受了自概念诞生以来的最强打击，此后一段时间里，中台所积攒的负面声音愈演愈烈，但凡有点“能力复用”的方法论都能被拿来怼上两句，而有些企业闭口不谈中台。中台出现问题是从它被市场妖魔化开始的。2015年是阿里巴巴中台的元年，这一年12月，逍遥子正式提出“大中台、小前台”的战略，中台正式以组织的形式确定了下来，同时也将对应的人和技术纳入进来。正如蝴蝶效应一般，阿里的势头仅是一段开始。随后在资本和市场需求的双重牵引下，中台作为一个赛道开始急速扩张。据相关统计，从2019年到2020年，中台赛道的融资总额已超过30亿元人民币。原本中台其实是在做两件事：一是技术统一，二是数据统一，通过抽取出共性的模块以减少大量重复性的工作。但当一些服务商开始盲目向客户承诺中台为企业数字化带来的“灵丹妙药”时，中台变味儿了。数据中台、业务中台、财务中台、采购中台……但凡跟中台概念沾上点边的都能称之为中台，有的服务商还会将原有产品进行二次包装，进行兜售。三年下来，业务梳理、数据打通没做多少，类似于照搬一个微服务架构的伪中台倒是建了不少。到了2019年前后，客户发现中台并没有想象中那么美好了。客户对中台的吐槽在加剧，不明就里就加入到建中台大军的公司在放弃。而后，茅台中台项目进展不顺、某制造企业CIO引咎辞职等个例引发广泛关注后，中台创业的市场声量开始急剧下滑。再后来一段时间内，外界有关阿里拆中台的声音不绝于耳。去年12月，某自媒体的一则文章指出，“阿里要把中台变薄，变得敏捷和快速”，原因在于“中台适合做组合式创新，没法做颠覆式创新”……什么是创新？“并不是说建设数据中台就一定等于创新成功，而是数据中台提供的一系列数据基础，能够帮助企业实现创新成功的概率变得更高些。”阿里巴巴数据中台高级技术专家王赛向雷锋网说明。王赛指出，随着市场竞争的加剧，阿里作为一个互联网平台也在不断思考如何更好地提升效率。现在，阿里仍然在坚定不移地做中台。而落在对应的团队和部门身上，则需要思考如何将这个体系更加灵活，使得前台和业务更好地扩展，同时让中台更好地发挥支撑作用。2018年以后，除了继续夯实内部数据资产化和价值化的工作，王赛所在的阿里云数据中台团队也开始探索如何基于阿里云的数据解决方案进行对外输出。作为与客户密切接触的一线从业者，王赛更多看到的是客户对中台的认知实际上已经发生了变化。“过去，客户还在问中台是什么，而现在，他们更关注如何将这套技术方法论在所在领域发挥出来。”王赛说。百度AI技术生态部总经理刘倩也有一种类似的感受：中台是要结合组织管理和体系化运营的，项目能否成功的很大一部分因素也来自于客户的理解和支持，所以更具有挑战性的是如何帮助客户把中台的价值真正发挥出来。“很多中大型企业客户，尤其是传统行业里信息化走的比较靠前的客户，在智能化升级的这个路径上，场景非常多，探索性也很强。所以除了交给乙方承接建设平台，客户也希望建设企业自身的自主创新能力，甚至还希望能够辐射相关产业链进行能力输出，需要更好的智能中台架构以支撑一线创新。”结合国内同行的观察，我们发现，中台回炉再造的机遇正悄然到来。也就在这样的态势下，中台开始起了变化。中台仍是少数人走的路最近的一组市场调研数据不难看出，中台仍是少数企业走的路，其中，规模型企业无论在实践和认知层面都处于市场的靠前位置。（截止2021年4月6日的一份企业级用户调研，雷锋网联合T研究） 【数据来源：T研究】如上图所示，66.1%的企业会因为当前各方面条件不成熟，不会考虑引入中台；26.1%的企业仍处于观望状态，已进行概念证明和可行性评估；与之形成鲜明对比的是，1.2%的企业已经尝试构建中台，但因短期内未看到效果或将考虑终止；合计仅有6.6%的企业计划尝试、加大对中台的应用投入。【数据来源：T研究】另一方面，从大的方向上看，零售、制造、金融等信息化渗透率较高的行业，目前正是中台（认知和实践）较为火热的top3行业。同时，结合区域性分布数据来看，区别于传统的信息化分布特征（传统信息化以及上云优先的区域，主要是以北上广为主），中台的市占率相反在重庆、广东、四川等地区（占比分别为15.5%、10.6%、8.9%）率先打开局面。这些区域恰恰也是制造业、零售业等相对非常发达的地区。这或许说明一个非常有意思的现象，中台的接受度与成功与否，与企业上云的关系并非呈正相关，相反，企业的数字化意识或觉醒程度占据更重要的权重。当然，有个重要前提是，中台特别是数据中台，无论私有云还是公有云的方式，必须是建在云端的。以一家零售企业为例。实际上，Popeyes在选型中台前后就一直有着非常多的思考。在最开始了解到数据中台时，Popeyes的CIO张天就曾疑惑：“这些企业是不是真的在做数据中台，还是只是把一个业务项目微服务化了？”随着集团整体数字化进程的战略规划逐步清晰及对数据中台的理解加深，张天开始理解数据中台的价值，但此时，他又困惑了：“但凡是个公司都在说自己能提供中台解决方案，市场上的声音非常多，容易让人混淆。”而即便是后来集团决定上中台，并引入阿里云数据中台解决方案时，集团内还是会有不同声音：Popeyes未来一段时间内在数据层面可能遇到的问题，其实可以另寻单点工具进行解决——为什么要花几倍甚至几十倍的成本去搭建数据中台，这会不会有点“大材小用”？王赛告诉雷锋网(公众号：雷锋网)，阿里云数据中台团队此前接触和服务了包括零售行业、金融行业在内的大量企业客户。首先，大多数企业的数字化发展意愿是非常强烈的，这种往往来自业务层面对数据能力的重视，而像传统零售企业近年来的观念转变是非常迅速的，比如现在会特别关注精益运营、以互联网的方式获客，他们对数字化转型有非常强的驱动力。“在企业原有的系统上构建，企业首先会思考的问题一定是，跟原有系统之间的关系会是什么，是替代关系，还是互补的关系？这些关系要理清楚，背后所涉及的组织和人的关系也要理清楚。”其次，通过今年新签约的客户来看，有很大一部分属于新锐品牌，比如在零售行业，至少有一定规模的企业对中台的意愿非常强烈，他们非常重视数据能力体系在自身企业的落地和建设。总结来讲，两类企业正构成数据中台实践的中坚力量：一类是企业本身理念超前，对中台有一定的认可性，希望一开始就能搭建中台，这类企业往往没有什么包袱，非常重视数据能力体系在自身企业的落地和建设；还有一类是企业自身已经存在很多重复建设的应用，希望通过中台实现复用的能力。重新理解中台或许，过去对中台一度说不清道不明的根本诱因在于，对中台定义的过分理想化追求。实际上，中台这一国产原创概念问向AWS的云布道师Ian MassingHam时，也是被问得一脸懵。后来，在Gartner的一份PPT中得以看到中台的英文释义为“Middle Platform”，定义为“Packaged Business Capability”，即封装的业务能力。在此之前，并没有谁定义过中台是什么，因为它本身并非学术概念，并不能通过学术研究来界定。正如外界所了解的，阿里集团正式启动中台战略源自马云携高管对Supercell的一次商务拜访，在这个故事中，阿里所希望与塑造的，从最初的原型呈现到最终落地，一以贯之的其实是一套思想和理论体系。因而，回顾中台出现之前的种种雏形，从技术本源上讲早就有迹可循。北京航空航天大学计算机学院副院长胡春明曾提到，从软件工程里的软件复用，到后来的SOA、中间件、微服务架构，可能会跟中台概念有比较多的联系。那么从这个层面出发，无论是为了快速响应前端业务，还是尽可能地提高软件生产力，其背后一直存在的推动力其实是来自市场的竞争。据雷锋网观察，过去的市场竞争中，讲求“制造为王”、“渠道为王”，企业IT的核心其实是一套庞大的企业信息管理系统如ERP、CRM等。但发展到如今，中国的市场环境发生了很大变化：面对产品、技术的同质化，产品越来越供大于求，CRM不再是只跟客户、商机、订单相关，而是会结合内容营销、市场管理等方式，跟用户产生更多直接密切的触点；企业触达用户的方式和渠道也变得多样，原先只能通过PC接入，现在用户凭借手机就可以接入。此时，企业信息化系统的复杂程度开始成倍增长，但企业研发供应却并没有那么多，为了及时响应业务的节奏，只能借助某个工具或应用。日积月累下，企业需要建立一个以用户为中心的业务系统，不同企业因业务逻辑的不同其业务系统也会有很大差异，而原先的信息管理系统也变成了企业信息化的一种“后台”。中台的出现，恰好解决了前台日益增长业务流和后台如何快速响应之间的冲突。“信息化给业务的价值一直都是降本增效，过去70多年都是这个逻辑，未来也都是。”明略科技副总裁刘国栋谈到。在他看来，对中台的理解问题是关键。“中台是一个office（中枢），不是一个platform（平台），所以中台的职责就是中枢、中间层，通过中台保持前后台的诉求得到满足，同时让这个有机体持续保持和战略一致和同步。”中台既不是PaaS也不是中间件，却干了很多它们能干的事情。同样，中台也不是前台业务系统，但也提供了诸如客服、营销、供应链管理等功能应用。在过去的几年里，市面上衍生出诸多类型的中台构建模式和解决方案。按照功能特征和定义，业界主流的中台大概有如下三种：一是技术中台。形态如IaaS（计算、存储、网络等基础设施）+PaaS（中间件、大数据和研发平台），目的是为了提供通用的基础研发能力。二是业务中台。像商品中心、交易中心、营销中心等，需要有灵活性，可以提供一些通用的功能。三是数据中台。通过数据技术，对海量数据进行采集、治理、加工、消费、数据资产管理、知识管理，同时统一标准和口径。这三种类型的中台，国内各中台厂商/团队目前也都在积极推进。在智领云科技联合创始人兼CEO彭锋看来，企业建中台首先要想清楚什么中台是必要的，什么样的中台可能就是伪命题。在他看来，技术中台、数据中台会比业务中台更有存在的必要性和价值。“业务中台的出现更像是一种伪命题，业务是快速变化的，前端需要创新时，会受到业务中台的牵制；相比之下，企业是绝对需要数据中台的，联通的、全局的数据要比割裂的数据更容易产生1+1>2的效果；同时，通过数据，企业可以精准定位目标客户，推动业务进一步进行创新。”目前来看，单从产品形态上讲，中台越来越具象了。这种变化也侧面折射出如果单纯搞中台，输出一套方法论，业务的感知度不高，不会有任何一家企业为此而买单。相反，服务商还需要继续提供一些标准化的产品、工具，以及行业性解决方案，进一步帮助企业落地。“这要求厂商从建设方法到产品工具，再到解决方案都能够拥有一整套相对完整的体系和能力。”王赛向雷锋网补充。另一种中台目前来看，中台正朝着一种新的路径推进：中台本身并没有贴近业务场景，但其建设的根源却来自于业务的抽象、数据的盘剥。需求推动下，另一类中台正在出现。AI中台、知识中台是什么2020年5月，百度智能云业务架构调整的同时，也将AI中台和知识中台开放了出来。别看名称有所不同，百度的这两款中台其实也脱离不了基本中台架构的本质。据刘倩的描述，AI中台作为企业AI能力的生产和集中化管理平台，有一个重要前提是，AI技术能够被全流程应用到企业的各个环节，或者规划了多场景应用的发展路径。如果只是在一个业务场景中就没有必要建AI中台；同时AI中台要做到门槛足够低，让业务线的人员也能方便地使用。而知识中台，是建立在企业越来越多元、异构的数据基础之上，通过信息抽取、内容理解、语义推理等多种技术，帮助企业进一步提升决策智能化的能力，如企业搜索、辅助诊断、智能交互等都是比较典型的基于知识中台的应用。百度后来看准时机将AI中台和知识中台开放出来，来自两方面因素：一是自身经验积累和建设的成熟度；二是看到人工智能应用和系统架构建设的趋势。2010年初，已经有了10年技术积累的百度开始全面布局人工智能。到了2016年，技术多年积累和业务实践的百度大脑发布，对外开放百度AI核心技术。百度大脑的基础底座飞桨深度学习平台开始广泛支撑搜索、信息流、地图、阿波罗、小度等业务线应用深度学习技术。百度业务复杂度之高可想而知，这也进一步说明，无论是技术还是组织层面，百度大脑包括飞桨对支撑自身各项业务在效率效能方面发挥出了极大作用。“在百度自身业务研发、应用深度学习等新技术的过程中也会发现，应用AI技术的过程大体也可以分为单点探索、垂直深化、全面应用、持续创新四个阶段。到垂直深化和全面应用这两个阶段时，就会明显感受到基于场景打磨后沉淀下来的算法、工具等，能帮助企业内其他业务做更高效地应用和创新。当然，很重要的一点是，我们不能认为建设好了中台就能满足所有的业务需求，因为基于新场景的优化和落地也会存在各种各样的挑战，包括AI技术本身也在不断发展，所以中台的建设也是一个动态演进的过程。”刘倩表示。如今，百度通过抽离出一套AI中台、知识中台的解决方案，也将这部分能力开放出来，为更多的行业企业智能化转型提供持续稳定的服务。当然，在AI、知识融合数据提供服务这方面，不只有百度在做。如明略科技，也将知识图谱和数据能力进行了融合，将知识图谱用于全盘的数据分析、数据管理。据介绍，区别于市场上同类型产品，明略科技的数据中台是以知识图谱为行业Know-How的载体。“过去我们帮客户做数据治理的过程中，发现数据治理和数据计算中所蕴含的数据知识性的能力。我们后来将这些能力通过一种元数据的形式，进行存储和数据化。这种元数据具备知识图谱的实体特征，能够以知识图谱的形态进行应用。也就是说，不只是业务场景下所形成的知识图谱，数据本身的知识也形成了一个知识图谱，这种称为数据知识图谱。”明略技术专家朱沐尧指出。这种多一步的设计方式，目的是为了利用知识图谱驱动知识的管理、计算，大幅提升数据治理自动化和智能化程度。着重于将知识图谱应用于元数据增强分析领域，而不只是数据分析领域，这恰恰是明略数据中台技术体系的最明显差异之一。云原生时机到了吗彭锋看到的现状是——人才稀缺，任务繁重且复杂，交付困难非常大，“大数据搞了这么多年，还是一个unsolved problem的阶段。”为此，智领云的数据中台产品采取了云原生的底层架构建设。彭锋做了一番解释，“在云原生体系中，多租户、资源隔离、计费、审计等，都跟传统的大数据运营有很多不同，同时还要做到存算分离、混合云的支持等。如果没有云原生，整个大数据平台的组件管理起来会特别复杂。数据平台未来一定是朝着云原生的方向发展。此时如果还用传统的方式进行技术投入，那么整个技术培训成本会急剧增加，往往还不一定能找到合适的人才。”在他看来，未来云原生是必然。“我们认为如果数据不能产生价值，这个事情是没有意义的，但是数据如果要产生价值，必须以最合理的架构来实现。大数据产品一定要用云原生架构，这样整体的ROI会最高，落地速度也会最快。”在此之前，包括云徙、滴普、袋鼠云、奇点云等服务商也都陆续发布过基于云原生架构的数据应用产品，但一个不可忽视的事实是，直到如今，云原生的应用尚未看到明显进展。同为数据中台服务商，阿里云王赛看好云原生对数据中台相关产品的促进价值，但不应该带给客户这样一种错觉：“应用云原生就能够解决企业的现有问题，企业用户其实是不太会感知到云原生的技术本身。”在他看来，云原生解决的不是数据中台的问题，而是企业软件架构的问题。未来如果利用云原生技术构建数据中台或尝试一些创新，至少应该解决以下问题：一是让数据处理的速度更快，让数据更快更低成本地达到业务场景；二是数据标准化，一套方法和体系帮企业管好数据，让数据质量更高；三是算法和场景的融合，将AI植入到业务场景中；四是工具化，将不同的场景和问题抽象成SaaS产品/服务；五是数据共享，解决数据确权、数据隐私保护和安全等问题。这或许也是当前中台服务商在提供中台产品时所面临的共同期待。采访中，类似的说法被不同的服务商或多或少地提及。刘国栋看到机遇是，“目前企业或组织，个人对自有数据的确权和资产属性意识越来越高。对数字化过程的积极认可，对该过程中产生的数据的管理、治理、使用意愿和效益的积极认可，都是中台市场的推动力量。”随着数据法治的逐步健全，企业或组织、个人对自己的数据资产的共享和交易需求的大规模落地，将是未来中台市场的一个井喷点。做中台，从难到更难从本质上讲，中台拆解为产品仍是一个ToB的场景，这意味着它需要走过产品打磨、数据积累、市场认知，市场的培育期注定漫长。这也意味着，中台仍有太多难点需要解决。首先最大的挑战仍是来自于用户对中台的认知。这种认知绝不仅仅是单纯概念上的认知，而是说理念上接受，中台是“一把手工程，需要伴随业务创新，且持续建设的过程”。这或许也来自于前车之鉴，用户对中台的感知度本来就低，一旦市场层面没有传递出正确、真实的信息，很容易让客户产生误导。“客户自身尤其是决策层对这件事情的认知度和推动力，其实很大程度能决定项目的成功与否。”刘倩表示。从她的角度，业务层面更容易能让用户感知到中台的价值，比如支撑了多少业务场景的应用、AI服务的调用次数或者部署的设备端数量、基于中台的应用为业务创造了多少价值等等；而在技术层面，更直观的方式是研发效率和资源利用的角度出发。而无论是数据中台、技术中台，还是知识中台、AI中台，仍需要跟连接到业务和前台，跟业务齐头并进，深入到业务的各个环节。由以上两个难点，不难想到，企业一旦开始启动中台项目，就需要牵动业务层一同行动。其次，建设完成后，推动使用难——为了推动团队使用，又不得不开始做应用层的事情。彭锋告诉雷锋网，“由于中台专注在底层架构上，跟业务离得有点远，这个平台又是客户核心的IT投资，一旦用上后不会切换到别的平台。因此我们要费力气做很多事情，提供端到端的数据中台和工具。这是创业公司早期必须要跟客户仔细说明的事情，以获得客户的信任。”这可能是目前所有中台厂商必须回答的一个话题。这意味着企业自身要推动团队使用起来，将中台在整个业务中应用起来，形成闭环；但这同时也取决于第三方上下游生态的繁荣程度。中台如果按云计算进行分层（I、P、S三层），更多属于PaaS，或者PaaS+IaaS，涉及一些硬件如服务器、芯片、边缘设备，至少能够通过深度适配和优化让前台的应用效果变得更好。那么谁又有这个实力呢？中台现在的困难比当年的云计算可能还要残酷。至少在认知层面，无论是第三方的服务商，还是企业自己都有如此统一的认知——云计算是个好东西。也终于发展了这么多年，才在2021年开始将企业上云起步期的“坑”填平。举个例子，石油实际已成为当今社会最主要的能源供应之一，但在被真正精炼之前，人们并未认识到它的珍贵价值。同样，我们认为数据、AI很重要，但对数据中台、AI中台等认知重不重要还尚不明确，或者它很重要但并不在乎。这是一个巨大的矛盾。因而，中台的价值绝不仅局限于此。只因互联网时代让我们更加偏爱新面孔、性感的名词，小小一点起势的苗头都会被外界无限放大。中台其实一直在进步，只不过我们的期待还是太多了。只有帮客户想清楚中台不是买来的，而是自己一点点长出来的，我们或许才能坚定不会被外界舆论所左右。

【CNMO新闻】在8月20日的第八代小冰年度发布会上，小冰推出了面向个人用户的"X套件"系列应用软件。包括基于文本协同的X Writer，面向声音协同的X Studio和面向虚拟人类3D演示文档驱动的X Presenter。现在，X Presenter有了最新进展，或许能够带给足够的惊喜。X PresenterX Presenter可驱动用户选择或创造人工智能实体3D模型，配合X套件其他应用，实现人工智能对演示文档的演讲及交互。借助X Presenter这款软件，用户可以很轻松地制作出由虚拟形象演讲的视频内容。这其中离不开AI行为自动解析和辅助视觉引导两个重要的AI技术模块，有了这两个模块，虚拟形象的演讲会更加生动。2021年春季X Presenter的Beta版本会正式发布，大家可以关注。X Presenter在X套件中，X Studio歌手软件已于月初更新至1.0.2，新增支持非标准演唱发音（方言等）。此外，X Studio人工智能歌手入籍计划，在多次扩充申请名额后已结束报名。任何机构或个人可申请并提交数据，由小冰框架训练并将其人工智能歌手登录进X Studio歌手平台中。

【能源人都在看，点击右上角加'关注'】北极星储能网讯:摘要：到2020年，新能源汽车产销达到200万辆，动力电池单体必能量达到300瓦时/公斤以上，力争实现350瓦时/公斤，系统比能量力争达260瓦时/公斤、成本降至1元/瓦时以下。到2025年，新能源汽车占汽车产销20%以上（预计达到700万辆），动力电池系统比能量达到350瓦时/公斤。（来源：微信公众号“焉知新能源汽车” ID：nev360）汽车产业走在一个新的十字路口，面临着新的机遇与挑战，如何抓住机会，实现弯道超车和换道超车，实现我们的汽车强国梦，是每一个中国汽车人需要思考的问题。我们在新时代的新目标：助力中国成为汽车生产强国，走进世界舞台的中心。让中国的标准成为国际标准，为中国新能源汽车产品走向世界铺平道路。本报告依据中国汽车技术研究中心的权威公开资料，详细透彻地阐述了中国新能源汽车标准的发展路径，以及中国新能源汽车参与国际标准制定的最新进展。本报告共分三大部分：PART A：纯电动汽车标准的现状与趋势PART B：高速电动汽车最新标准解读PART C：低速电动乘用车技术条件标准进展免责声明：以上内容转载自北极星电力新闻网，所发内容不代表本平台立场。全国能源信息平台联系电话：010-65367702，邮箱：hz@people-energy.com.cn，地址：北京市朝阳区金台西路2号人民日报社