二號站登錄網址_人機智能既不是人類智能,也不是人工智能

從前,一個教授,去一個窮鄉僻壤裡頭坐船過江,就問船上的船工:你學點數學沒有?沒有。你學點物理沒有?沒有。那懂不懂計算機啊?不懂。

教授感嘆這三樣都不會,你的人生已經失去了一半。隔了一會烏雲密布,狂風四起,船工問:你會游泳嗎?教授說不會。“那你可能要失去整個生命了!”

人機融合就是把教授和船工結合起來的智能

根據過去數據計算現在和未來是數學常用的手段,根據未來期望算計現在和過去才是人智的方法。

我們知道的遠比我們說出來的要多得多,我們不知道的遠比我們知道的要多得多,我們不知道我們不知道的遠比我們不知道的要多得多……

人類的感覺刺激、信息是動態分類,聚類,不是一次完成的,而是多次彌聚變化的(這種輪迴機制目前尚未搞清楚)。 大道無形的道是碎片的、流性的……所以正是零碎的規則、概率、知識、數據、行為構成了人的智能,即在千奇百怪的日常異構活動情境中生成演化出來的。人智,從一  不是形式化、邏輯化的,而且人的邏輯是為非邏輯服務定製的,機器則相反,從一  是條理化了、程序化的,也是為人的非邏輯服務的。

本質上,數據的標記與信息的表徵不同之處在於有無意義的出現,意義即是否理解了可能性。機涉及的表徵體系雖然是人制定賦予的,但一誕生就已失去了本應的活性,即意向性參与下的各種屬性、關係靈活連接和縫合,而人的諸多表徵方式則常常讓上***不知所措:一花一世界,一樹一菩提。知識圖譜的欠缺就在知識的分類,它僵化了原本靈活着的知識表徵,使之失去了內涵與外延彌聚的彈性,就像職稱評定一樣……用有限表現無限是美,把無限用有限詮釋出來是智(真),連接兩者的是善(應該、義)。機器決策,通常是用合適的維度降低分類信息熵。而人在實際生活中,對信息的處理是彌聚維度……有張有馳,彌聚有度,意形交替,一多分有,彈性十足。

如果說機器的存儲是實構化,那麼人的記憶就是虛 實構化,並且隨着時間的推移,虛越來越多,實越來越少,不僅能有中生無,甚至還可以無中生有,就像各種歷史書中的傳奇或各樣的流言蜚語一樣。更有意思的是人之記憶可以衍生出情感――這種對機器而言匪夷所思的東東。

人的學習過程大多數不僅是為了獲取一個明確的答案,更多的是尋找各種理解世界發現世界的可能方式。而機器的“學習”(如果有的話)“目的”不是為了發現聯繫,而就是為了尋求一個結果。

智能的根本不是算,是法,是理解之法、之道!理解是關鍵。 NLP 不先解決理解問題,只追求識別率,是不會有突破的。 其實人對聲音的識別率是很低的,經常要問別人說了啥。能問別人說了什麼是  的能力,因為知道沒有理解才能問出問題。很多系統的理解最終靠人,如果沒有人參與,不管處理了多少文字,都沒有任何理解出現。目前的人工智能缺失的是:對人感性層面的仿生不夠完善,因此無法完全了解人做決策的生理與心理機制。言下之意,只有人工智能做到像人一樣去感受外部的世界,並用處理器做人一樣的理性思考,從內至外地模擬和學習人類,這樣的人工智能才是完善的。

博弈理論家魯賓斯坦發表了文集《語言與經濟學》,其中一篇論文里,魯賓斯坦用一個博弈模型說明“辯論”對不參与博弈的旁聽者有非常大的好處,因為辯論使得雙方不得不將“私有”的信息披露給旁聽的人。他的數學推導在我看來大致上沒有超出我的哲學論證的範圍。他在最近給我的回信中說他使用數學不過是為要獲得更清晰的論證而已,並同意我在信中表示的看法“數學方法可能遮蔽了深刻洞察”,而人的直覺性統覺,其載體是有機體的感覺  ,已經包含着有機體對各種關係的理解。只是為了要把這種理解固定下來,形成“記憶”,人類才需要另一種能力的幫助,那就是“理性”能力。在理性能力的最初階段,便是“概念”的形成。概念就是一種界限、約束、條件,在不同的情境下,這些界限、約束、條件會發生許多變化,甚至會走向它的對立面……這也是為什麼智能難以定義,有人參與的活動里會出現各種意外的原因吧!曾幾何時,叔本華曾指出:“在計算開始的地方,理解便終結了。”因為,計算者關注的僅僅是固定為概念的符號之間的關係,而不再是現實世界里發生着的不斷變化着的因果過程。與“概念”思維的蒼白相對立,關於“直覺性理解”的洞察力,叔本華也有如下精彩的論述: “每個簡單的人都有理性,只要告訴他推理的前提是什麼就行了。但是理解卻不同,它提供的是原初性的東西,從而也是直覺性的知識,在這裏出現了人與人之間天生的差別。事實上,每一個重大的發現,每一種具有歷史意義的世界方案,都是這樣的光輝時刻的產物,當思考者處於外界和內在的有利環境里時,各種複雜的和隱藏着的因果序列被審視了千百次,或者  的思路被阻斷過千百次,突然,它們顯現出來,顯現給理解。”在這一意義上,目前的全部計算機智能,只要還不是基於“感官”的智能,在可看到的  永遠無法獲得我們人類這樣的創造力。這裏,“感官”是指對“世界”做直接感知的  ,有能力直接呈現表徵世界圖景的  ,而不是像今天的計算機這樣,需要我們人類的幫助才可以面對這個世界“再現”什麼。錢學森說:“人體作為一個系統。首先,它是一個開放的系統,也就是說,這個系統與外界是有交往的。比如,通過呼吸、飲食、排泄等,進行物質交往;通過視覺、聽覺、味覺、嗅覺、觸覺等進行信息交往。此外,人體是由億萬個分子組成的,所以它不是一個小系統,也不是一個大系統,而是比大系統還大的巨系統。這個巨系統的組成部分又是各不相同的,它們之間的相互作用也是異常複雜的。所以是複雜的巨系統。”實際上,當前的人工智能只使用了人類理性中可程序化的一小部分,距離人類的理性差距還很大,更不要說初步接近人類更神奇的部分――感性了!

伽利略說過:數學是描述宇宙的語言。事實上,準確地說應該是:數學是描述宇宙的語言之一,除此之外,還要許許多多的描述方式存在着。這也是智能科學面臨的問題,該如何有效地融合這些不同語言的語法語義語用呢? 對於多元認知體系來說,共性認知成分稀缺而重要,數學是這方面的一種嘗試,用以描繪對象間的關係(但非僅有)。如果換了一種文明,它們的描繪方式不同,形式自然不同。數學不是究竟,只是對實相某個方面的陳述,類似盲人撫摸象腿的感受。數學和詩歌都是想像的產物。對一位純粹數學家來說,他面臨的材料好像是花邊,好像是一棵樹的恭弘=叶 恭弘子,好像是一片青草地或一個人臉上的明暗變化。也就是說,被柏拉圖斥為“詩人的狂熱”的“靈感”對數學家一樣的重要。舉例來說,當歌德聽到耶路撒冷自殺的消息時,彷彿突然間見到一道光在眼前閃過,立刻他就把《少年維特之煩惱》一書的綱要想好,他回憶說:“這部小冊子好像是在無意識中寫成的。”而當“數學王子”高斯解決了一個困擾他多年的問題 (高斯和符號)之後寫信給友人說:“最後只是幾天以前,成功了(我想說,不是由於我苦苦的探索,而是由於上帝的恩惠),就像是閃電轟擊的一剎那,這個謎解開了;我以前的知識,我最後一次嘗試的方法以及成功的原因,這三者究竟是如何聯繫起來的,我自己也未能理出頭緒來。”再如獎懲是機器增強學習的核心機制,而人的學習在獎懲之間還有其他一些機制(適應,是主動要獎勵/懲罰還是被動給獎勵 懲罰),如同刺激――反應之間還有選擇等過渡過程。另外,人類的獎懲機制遠比機器簡化版的獎懲機制複雜的多,不但有獎獎、懲懲機制,甚至可以有懲獎機制,給予某種懲罰來表達真實的獎勵(如明降暗升),當然,明升暗降的更多。人類的那點小心思,除了二進制,機器們目前繼承的還不太多。

在川流不息的車流中穿行而全身而退,就是人機態勢協同的經典情境。 仔細想想,態勢與陰陽還有着相似關係:(狀)態為陽――顯性的 being ,(趨)勢為陰――隱性的 should ;感(屬性)為陽,知(關係)為陰,陰中有陽,陽中有陰。

人的學習與機器學習最大的不同在於是否是常識性的學習,人在教育或被教育時,是複合式認知,而不僅僅是規則化概率性輸入。人的常識很複雜,扎堆的物理、心理、生理、倫理、文理……既包括時間空間的拓撲,也包括邏輯非邏輯的拓撲。人既是動物,也是靜物。機也如此,但其動、靜與人的還是有差異。人機融合學習、人機融合理解、人機融合決策、人機融合推理、人機融合感知、人機融合意圖、人機融合智能才是未來發展的趨勢和方向。

人有一種能把變量變成常量,把理性變成感性,把邏輯變成直覺,把非公理變成公理,把個性一變成共性多,把對抗生成妥協的能力。例如人不但可以把 how 用程序化知識表徵,還可以把 why 用描述性知識表示,至於 what 、 where、when 這些問題讓機器輔助檢索即可。無論人的自然智能還是人工智能最後都涉及價值取向問題,可惜機器在未來可見的未來內遠遠不會有之。如果說價格是標量,價值是矢量,那麼也可以說數據是標量,信息是矢量,機器是標量,人是矢量。若數據是標量,信息是矢量,知識就是矢量的矢量,究其因,數據終究是物理性的,本身沒有價值性,信息是心理性的,具有豐富的價值取向。

目前主流人工智能理論喪失優勢的原因在於,它所基於的理性選擇假定暗示着決策個體或群體具有行為的同質性。這種假定由於忽略了真實世界普遍存在事物之間的差異特徵和不同條件下人對世界認識的差異性,導致了主流理論的適用性大打折扣,這也是它不能將“異象”納入解釋範圍的根本原因。 為了解決該根本問題,歷經多年發展,許多思想者已逐漸明晰了對主流智能科學進行解構和重組的基本方向,那就是把個體行為的異質性納入智能科學的分析框架,並在理性假定下個體行為的同質性作為異質性行為的一種特例情形,從而在不失主流智能科學基本分析範式的前提下,增強其對新問題和新現象的解釋和預測能力。即把行為的異質性濃縮為兩個基本假定:一、個體是有限理性的,二、個體不完全是利己主義的,還具有一定的利他主義。心理學、經濟學、神經科學、社會生態學、哲學等為智能科學實現其異質性行為分析提供了理論跳板和基礎。簡單可稱之為人異機同現象,未來的智能應該在融合了諸多學科新一代數(信)息學基礎上成長起來,而不是僅僅基礎在當前有着諸多不完備性的數學基礎之上。

新手對抽象枯燥的信息無感,而高手則能從中提煉出生動、鮮活、與眾不同的信息異常敏感,即通理達情,看到別人看不到(從同質性提煉出異質性),覺察出別人覺察不了的信息,形成直覺(快)決策,這也就導致了不同尋常的非理性行為和信念不斷地發生。“認知吝嗇鬼”是指人類大腦為了節省認知資源,在做決定時,喜好尋找顯而易見的表面信息進行處理,以求快速得出結論,而結果很可能是錯的,所以以膚淺著稱。與”認知吝嗇鬼”不同,心理學中還有一個概念叫”完全析取推理”( fully disjunctive reasoning ),指當面對多個選項需要做決策,或是要根據假設推理得出一個  解決方案時,會對所有的選項或者可能性的結果進行分析、評估,從而得出正確地答案。因為進行系統地分析,速度相對比較慢。

知識的默會已造成很多不確定性,規則的內隱更使得交互複雜加倍。其根源在於交互對象具有“自己能在不確定和非靜態的環境中不斷自我修正”。這就要求不但有知識更新的要求,而且更有組織機制挖潛強調。人機交互實質上是人的感性結構化與人的部分理性程序化之間的融合。“同情”很容易被理解為:我們在這種感受中以某種方式分有他人的情感。實際上,同情共感是一種情感秩序一致性的共現期望。我們在意識領域中至少可以發現以下六種互不相同的“共現”方式:映射的共現、同感的共現、流動的共現、圖像化的共現、符號化的共現、觀念化的共現。因此,“共現”雖然首先被胡塞爾用於他人經驗,但它實際上是貫穿在所有意識體驗結構中的基本要素。對於此,機器仍遠遠不能學習實現之。

霍金和穆洛迪諾都曾把光說成是“行為既像粒子又像波動”,智能也是如此彌聚,彌散如波動,聚合如粒子(注意機制的加入)。對象是靜態的,分配匹配是動態的,是不斷被刷新的,可謂此一時彼一時,如何把握不同時期的人機功能分析變化,這或許是一個非常有意思的問題。現在的許多無人系統或體系不是說真無人,而是沒有了直接人,同時對間接人的要求會更高了。人機融合不同情境的自主機制不太一樣,如個體的自主與系統、體系的自主不同。此外人機融合的一個重要問題如何平衡,能力的、時機的、方式的、研判的平衡等等,融合的不好,往往都是這些方面的失衡所造成的。例如人機交互分為自我內交互和與他外交互,許多表達或表徵對其他對象僅出現邏輯上的意義,與真實發出者的心理意義往往是不一致的,這種情況體現在人機深層次溝通的不流暢和晦澀、難以為繼上。比較而言,機器是擅長處理家族相似性事物的,人則是優於處理非家族相似性的,即人類可以從不相識 相似的事物中抽取相識 相似性,而人機融合是兼顧兩者的。跨界交叉就是要找到非家族相似性進行有向關聯。波粒二象性就是連續與離散的態勢,態勢與感知都有二象性,認知也有,離散時可以跨界交叉融合非家族相似性,連續時常常體現平行慣性保持家族相似性。人的非理性認知(離散)與機的理性認知(連續)結合是否符合正義(正確的應該)是衡量有效融合的主要指標之一。

人機融合智能有兩大難點:理解與反思。人是弱態強勢,機是強態弱勢,人是弱感強知,機是強感若知。人機之間目前還未達到相聲界一逗一捧的程度,因為還沒有單向理解機制出現,能夠幽默的機器依舊遙遙無期。乒乓球比賽中運動員的算到做到、心理不影響技術(想贏不怕輸)、如何調度自己的心理(氣力)生出  狀態、關鍵時刻之心理的堅強、信念的堅定等等,這都是機器難以產生出來的生命特徵物。此外,人機之間配合必須有組合預期策略,尤其是合適的第二第三預期策略。自信心是匹配訓練出來的,人機之間信任鏈的產生過程常常時:從陌生 – 不信任 – 弱信任 -較信任- 信任 – 較強信任 -強信任,沒有信任就不會產生期望,沒有期望就會人機失調,而單純的一次期望匹配很難達成融合,所以第二、第三預期的符合程度很可能是人機融合一致性的關鍵問題。人機信任鏈產生的前提是人要自信(這種自信心也是匹配訓練出來的),其次才能產生他信和信他機制,信他與他信里就涉及到多階預期問題。若being 是語法, should 就是語義,二者中和相加就是語用,人機融合是語法與語義、離散與連續、明晰與粗略、自組織與他組織、自學習與他學習、自適應與他適應、自主化與智能化相結合的無身認知 具身認知共同體、算 法混合體、形式系統 非形式系統的化合物。反應時與準確率是人機融合智能好壞的重要指標。 人機融合就是機機融合,器機理 腦機制;人機融合也是人人融合,人情意 人理智。

人工智能相對是硬智,人的智能相對是軟智,人機智能的融合則是軟硬智。通用的、強的、超級的智能都是軟硬智,所以人機融合智能是未來,但是融合機理機制還遠未搞清楚,更令人恍惚的是一不留神,不但人進化了不少,機又變化的太快。個體與群體行為的異質性,不僅體現在經濟學、心理學領域,而且還是智能領域  重要的問題之一。現在主流的智能科學在犯一個以前經濟學犯過的錯誤,即把人看成是理性人,殊不知,人是活的人,智是活的智,人有慾望有動機有信念有情感有意識,而數學性的人工智能目前對此還無能為力。如何融合這些元素,使之從冰凍的生硬的狀態轉化為溫暖的柔性的情形,應該是衡量智能是否智能的主要標準和尺度,同時這也是目前人工智能很難跳出人工的瓶頸和痛點,只有鋼筋沒有混凝土。經濟學融入心理學后即可使理性經濟人變為感性經濟人,而當前的智能科學僅僅融入心理學是不夠的,還需要滲入社會學、哲學、人文學、藝術學等方能做到通情達理,進而實現由當前理性智能人的狀態演進成自然智能人的形勢。智能中的意向性是由事實和價值共同產生出來的,內隱時為意識,外顯時叫關係。從這個意義上說,數學的形式化也許會害死智能,維特根斯坦認為:形式是結構的可能性。對象是穩定的東西,持續存在的東西;而配置則是變動的東西,非持久的東西。維特根斯坦還認為:我們不能從當前的事情推導出將來的事情。迷信恰恰是相信因果關係。也就是說,基本的事態或事實之間不存在因果關係。只有不具有任何結構的東西才可以永遠穩定不滅、持續存在;而任何有結構的東西都必然是不穩定的,可以毀滅的。因為當組成它們的那些成分不再依原有的方式組合在一起的時候它們也就不復存在了。事實上,在每個傳統的選擇(匹配)背後都隱藏着兩個假設:程序不變性和描述不變性。這兩者也是造成期望效用描述不夠深刻的原因之一。程序不變性表明對前景和行為的偏好並不依賴於推導出這些偏好的方式(如偏好反轉),而描述不變性規定對被選事物的偏好並不依賴於對這些被選事物的描述。

最近,澳大利亞悉尼大學克里斯・雷德通過研究認為:“它們正在重新定義智能的性質。”一種被稱為“海綿寶寶”的黃色多頭絨泡菌( Physarum polycephalum ),它們也能記憶、決策、預測變化,能解決迷宮問題、模擬人造運輸網絡設計、挑選  的食物。它們能做到所有這些事,但它們卻沒有大腦,或者說神經系統。這一現象不得不讓科學家重新思考,智能的本質究竟是什麼?通過研究我們發現,智能就是人物環境系統之間的交互現象,就是智,就是慧,就是情,就是意,就是義,就是易,就是心……心理的心就是人機環境系統的交互,很難像物理還原一樣進行心理還原,生 心理與物理最大的不同是:一個是生一個是物,一個是活的一個不是活的,一個不易還原,一個較易還原。人文藝術之所以比科學技術容易產生顛覆原創思想,不外乎在於跨域性的反身性――移情同感,超越自我,風馬牛也相及,而人一般都不願意因循守舊一生,所以人文藝術給人提供了更廣闊的想象空間,正可謂人們看見什麼並不重要,重要的是人們如何詮釋看見的事物。

德里達有句名言“放棄一切深度,外表就是一切”,他隱藏的意思是:生活本身並不遵守邏輯,它是非邏輯的,無標準的,就像文字學,以一種陌生的邏輯在舞蹈。

願上帝保佑機器學習,阿彌陀佛!

人機融合智能是相對性與  性的統一

哥德爾證明了任何一個形式系統,只要包括了簡單的初等數論描述,而且是自洽的,它必定包含某些系統內所允許的方法既不能證明真也不能證偽的命題。

哥德爾不完全性定理第一定理:

任意一個包含一階謂詞邏輯與初等數論的 形式系統 ,都存在一個命題,它在這個系統中既不能被證明為真,也不能被證明為否。

哥德 爾 不完全性定理 第二定理 

如果系統S含有初等數論,當S無矛盾時,它的無矛盾性不可能在S內證明。

由於哥德爾的第一條定理有不少誤解。我們舉出一些例子:

該定理並不意味着任何有意義的公理系統都是不完備的。該定理需假設公理系統可以“定義”自然數。不過並非所有系統都能定義自然數,就算這些系統擁有包括自然數作為子集的模型。例如  幾何可以被一階公理化為一個完備的系統(事實上  的原創公理集已經非常接近於完備的系統。所缺少的公理是非常直觀的,以至於直到出現了形式化證明之後才注意到需要它們),塔爾斯基(Tarski)證明了實數和複數理論都是完備的一階公理化系統。這理論用在人工智能上,則指出有些道理可能是我們能夠判別,但機器單純用一階公理化系統斷卻無法得知的道理。不過機器可以用非一階公理化系統,例如實驗、經驗。

read more

二號站平台登陸_智能建築網絡連接的發展趨勢

Reichle&De-Massari辦公室布線市場經理Matthias Gerber着眼於智能建築連接趨勢…… 

多種技術發展趨勢正在推動智能建築和網絡的變化。其中,主要趨勢包括對軟件即服務和雲應用的需求,由於物聯網導致的設備大量使用,網絡密度需求的大幅增加以及帶寬需求的增加,而5G和Wi-Fi 6將會進一步推動帶寬需求的增長。而且,越來越複雜的樓宇管理系統,融合技術和IoT越來越多地使樓宇自動化聯機。

這意味着隨着越來越多的設備通過網絡與其他設備和系統集成,以優化功能,效率和服務,這將帶來巨大的數據增長,並在此過程中產生大量數據。

根據定義,智能建築充滿了电子設備、傳感器和各種控制器,這些控制器使存在檢測、加熱、通風、空調、照明、安全等系統能夠正常工作。過去,這些功能被設置為專門用於特定功能。但是,對於智能建築或智能城市,這種方法過於局限且效率低下。

為了以針對“智能”環境優化的方式管理建築系統,應將此類系統聯網並鏈接到数字化建築主控制系統。如今,對智能建築基礎設施的需求不斷增長,可以通過這種類型的融合網絡對各種功能進行管理和監視。這樣的網絡還需要能夠為大量的遠程設備供電。

為了響應這種需求,用於智能建築和智能城市的基礎設施越來越多地融合到IP網絡上。IP正在成為以前單獨的系統的通用介質,結構化線纜越來越多地傳輸數據以及電源、照明、安全等。

與建築物管理和技術有關的所有設備都通過以太網/互聯網協議(Ethernet / IP)與提供物理通信層以及以太網供電(PoE)的LAN(局域網)進行通信。由於IP設備和網絡使用“端到端”相同的語言,因此無需在傳感器、終端設備、服務器、線纜和操作系統之間進行“翻譯”。整個建築物可以通過数字方式進行連接和控制。

這種基於IP的融合提供了高水平的標準化、可用性和可靠性,並將越來越多地支持新的部署。反過來,這使得可以在應用之間共享(虛擬)資源的集成池。另外一個好處是使用以太網/ IP技術的設備和系統相對便宜。通常,“現成的”設備可用於專業應用。因為從理論上講,可以尋址的設備數量沒有限制,所以可以在需要時相對輕鬆地按比例放大(或縮小)網絡,並且可以在不影響網絡性能或可靠性的情況下添加設備。

從理論上講,當前的Internet協議版本(IPv6)可以每平方米分配大約1,500個IP地址。 IP中包含的訪問控制和身份驗證措施提高了樓宇自動化的安全性,這對於如此大量(附加)連接的設備至關重要。

採用“基於IP的全部”也有助於提高可靠性。部分原因是星形拓撲減少了連接點的數量,也是由於IP內置了高水平的標準化和安全功能。故障排除和修復問題也變得越來越快。此外,由於來自不同組件的數據的全部可用性,因此可以快速輕鬆地開發新的應用程序。管理員可以通過單擊鼠標將其集成。

“全面IP”方法也已面向未來。基於xBASE-T1的單對以太網(SPE)使用單雙絞線進行數據傳輸,並具有小型化的連接器。 SPE可以代替傳統的現場總線,從而有助於實現高密度、連接速度和安裝簡便性。代替為每個應用引入連接性,可以使用統一的與製造商無關的連接性。這是在数字天花板“區域”內連接大量小型傳感器和執行器的理想解決方案。這種“数字天花板”方法是基於將傳統的基於RJ45的數據網絡擴展到整個蜂窩狀結構中的整個天花板。這樣,就可以通過具有預安裝的架空連接點(服務出口)的區域將設備連接到樓宇自動化。

房地產經理和租戶只需插入區域網絡交換機、傳感器、控件、WLAN接入點和其他分佈式建築服務,即可立即通電並連接到網絡。還需要25G / 40G連接來支持提供高級無線連接技術(例如Wi-Fi 6(IEEE 802.11ax))的下一代無線設備。

隨着LAN與樓宇自動化的融合,出現了一種新型的連通性,要求高度的標準化、可用性和可靠性。通過樓宇技術和樓宇管理設備通過以太網和IP進行通信,“全IP”方法可簡化此過程。 LAN提供了一個物理層,Internet和雲集成在後台。以太網將越來越多地用於連接越來越多的設備,並且以太網供電(PoE)將通過數據電纜為終端設備提供有效且廉價的電源,從而實現高級照明和傳感器應用。

引入智能、融合的網絡還意味着可以引入新的節能技術和應用,例如建築空間,資源和PoE供電的LED照明的智能管理。每個LED可以通過自己的IP地址進行控制。從長遠來看,將互聯網和雲集成到後台的数字化樓宇自動化將成為物聯網(IoT)不可或缺的一部分。

只有當所有数字組件都能暢通無阻地通信時,智能建築才能變得智能。適當的網絡由基於用於本地數據網絡(LAN)的結構化布線的統一布線系統和基於Internet協議(Ethernet / IP)的通用語言組成,可以幫助實現這一目標。統一的,與應用無關和獨立於製造商的連接方式可以替代至今為止IT和現場總線組件的標準分隔。由此產生的全IP網絡允許靈活、通用、簡單的安裝,並使我們更接近生態、經濟、方便和安全的智能建築安裝。

read more

二號站可信嗎?_物聯網邊緣計算的4個優勢

物聯網應用程序需要最小的延遲,同時具有最大的可擴展性,可靠性和可用性――這是IT基礎架構的苛刻要求。根據Opengear的專家所說,這說明了邊緣計算的高度重要性。

邊緣計算的分佈式、開放式IT體繫結構可以直接在現場實時處理大量數據,從而極大地降低了帶寬需求以及在數據中心的數據傳輸和數據處理過程中不可避免地出現的延遲,不管它是使用內部數據中心還是雲數據中心。

同時,大量且不斷增長的數據以及端點(邊緣)的關鍵應用程序的增加將意味着數據中心的典型質量特性(例如可伸縮性,可靠性和高可用性)也將成為邊緣基礎架構必不可少的。

對於Opengear(一家用於保護關鍵基礎設施的智能帶外管理解決方案提供商)的專家來說,物聯網環境中的邊緣計算具有以下四個優勢:

1.速度

處理數據花費的時間越長,相關性就越差。一方面,邊緣計算減少了數據流量的總量,從而提高了應用程序和服務的性能;另一方面,邊緣計算支持對延遲敏感的應用程序,如自動駕駛,這在以數據中心為中心的數據處理或網絡覆蓋不足的地區是不可能的。

2.安全性

物聯網設備的數量不斷增長。這使得它們越來越成為潛在網絡攻擊的目標。由於採用了集中式結構,雲計算容易受到DDoS攻擊和故障的影響。另一方面,邊緣計算將應用程序和進程分佈在不同的設備上,這使得攻擊者滲透網絡變得更加困難和複雜。邊緣計算還可以過濾敏感信息,並在必要時僅傳輸不重要的數據,以滿足安全性和合規性要求。這意味着可以截獲的數據更少,這使得遵守安全標準變得更加容易。

3.費用

通過邊緣計算,可以在原始點對數據進行過濾,而不必將其發送到數據中心。因此,公司可以選擇使用本地服務和基於雲的應用程序的完美組合,以獲得經濟高效的物聯網解決方案。邊緣設備中的數據處理和存儲減少了昂貴的帶寬需求,從而優化了總體成本。

4.可擴展性

通過結合物聯網設備和邊緣數據中心,邊緣計算使公司能夠隨時有效地擴展其容量需求。邊緣設備的使用優化了擴展成本,因為每個附加設備都與網絡的帶寬需求低得多。

Opengear歐洲銷售經理DirkSchuma表示:邊緣計算對於許多物聯網方案來說都是不可或缺的,因為數據的較好使用正好可以實現創造決定性競爭優勢的附加值。在實施過程中使用較好、最聰明的解決方案就變得更加重要。

read more

二號站安全嗎?_AI 安防「當打之年」,隱藏着哪些潛在獨角獸

科技沒有止境,它有趣在於,今天引領,明天一匹厚積薄發的黑馬就讓對手措手不及,這也是其可怕之處,沒有誰是永恆的佼佼者。

人工智能技術成熟和逐步產業化,應用領域在不斷擴張,市場容量也因為高新科技加持一次次擴容。

技術革新產業,給人工智能企業帶來了彎道超車的曙光,給根植硬件的老牌企業帶來危機,眾多跨領域企業也想分一杯羹,越來越多的玩家加入賽道,一時間百家爭鳴。

AI 賦能下的后安防時代,不再是單一要素的競爭,除了硬件系統,更涉及前端數據獲取、邊緣計算能力及平台搭建、視頻智能化處理、深度學習、算法交付能力等各個環節,AI 安防市場對全產業鏈的綜合能力提出了更高的要求。

第一,能為用戶服務的優質算法將成為競爭力。算力成本是制約算法質量與數量的重要因素,隨着安防行業生態的不斷完善算力成本也將持續下降,這為大量優質算法的出現提供了契機;

第二,挖掘信息的能力會顯著提升。大量優質算法的出現使安防科技企業從海量的數據中挖掘與分析信息的能力越來越強,當然從中所能獲取的有用信息就會越來越多;

第三,隨着安防企業分析數據信息的能力越來越強,安防行業的應用生態會變得更加多樣化,一些困擾安防行業終端用戶的業務問題將會緩解。

一方面擁有算法優勢,一方面硬件能力欠缺,這都可能成為新興企業搶佔未來市場的突破口。

在眾多 AI 初創公司中,不乏擁有全棧能力的公司,他們由點及面,開拓產品,布局平台,成為 AI 安防領域的後起之秀。

今天,從團隊背景、技術實力、業務能力、市場成績出發,探索数字世界的隱藏金礦下,有哪些明星獨角獸可能會破土而出?

芯翌科技:算法立身、產品立命,AI 落地實踐派

在人工智能技術與智慧城市相融合領域,受約於四個要素。

首當其沖便是業務場景,通常是由碎片化需求構成的市場,是產業驅動力;其次是算法,需要基於深度學習框架進行訓練和部署,是產業發動機;第三是數據,尤其是覆蓋豐富城市場景的數據,是產業生產要素;第四是算力,為深度學習提供高性能的 GPU 訓練平台,是產業生產力。

目前的 AI+安防賽道中,既能下功夫做基礎技術研究和關鍵技術研發,又敢於強調其落地應用交付能力的玩家並不多,芯翌是其中之一,專註於安防、工業和 5G 相關人工智能產品及解決方案提供商和運營服務商。

成立不到兩年時間,芯翌已經完成了 20 余個項目的產品交付併為客戶提供高效的售後服務保障,軟硬件產品覆蓋區級政府及多家企事業單位。

譬如,2019 年,芯翌人臉算法入圍上海市公安局算法庫,為上海智慧公安、智慧社區提供人臉和車輛算法等應用支持。在上海虹口區,芯翌部署了超過 3000 台 AI 攝像機、100 余台 AI 服務器以及區智能安防綜合應用平台。同類業務還進入了徐匯、黃浦、長寧、靜安等區。

世界知名的人工智能算法團隊築就芯翌的高技術壁壘。公司研發人員佔總人數的 60%。核心團隊來自清華、中科院、交大等知名院校,還有一批業界知名安防企業和人工智能公司的優秀員工,具備豐富的技術和行業經驗。

公司首席科學家楊銘博士,是美國 Facebook 公司人工智能實驗室創始成員。在楊銘博士的帶領下,他們已經具備了完備的人工智能研發能力,擁有從數據標註、模型訓練、應用開發、多平台部署全棧的自主研發能力,建立了服務於深度學習訓練的大規模的 GPU 計算平台;擁有高效、靈活、擴展性強的視頻算法引擎框架,並基於此進行了大量的視覺感知與認知算法積累,包括通用目標檢測與跟蹤、全結構化、大規模人臉識別等。

另外,在全球權威人臉識別供應商測試(FRVT)的最新測試比賽中第一次參賽的芯翌綜合成績排名全球第六。

圍繞人工智能及相關應用場景,芯翌聚焦在多模態識別和數據智能的算法應用研究和產品體系建立,包括智能 IoT、數據智能和場景綜合應用三大系列產品。

智能 IoT 系列產品,以機器視覺+語音識別技術為核心,覆蓋人工智能時代“端、邊、雲”各種需求,可將視頻和語音轉化為計算機能使用和分析的數據,解決讓計算機“看得見、聽得見”感知層面的問題。

數據智能系列產品,以大數據和自然語義分析技術為核心,將多維數據進行匯聚融合,價值萃取,數據挖掘,解決計算機“看得懂、聽得懂、會思考”的認知理解層的問題。

場景綜合應用系列產品,基於公安、工業、城市管理、5G 等場景,貼合場景業務的智能化綜合應用,以智能感知、數據認識為核心技術,解決場景業務“科學決策、高效執行”層面的問題。

在生態層,芯翌與虹口區科委成立“5G+人工智能工程聯合實驗室”,着力於賦能城市精細化治理的技術研發和場景落地;相繼與大華、宇視簽訂戰略合作協議,打造“算法+硬件”廠商合作典範;與上港集團簽署協議,實現人工智能技術在港口全流程管理中的智慧港務應用;與澳門科技大學等高校戰略合作,通過市場需求來引導與推動基礎技術研究。

從算法到應用,並能做好垂直行業的 AI 科技初創廠商,其實並不多見,芯翌算是其中一家,未來可能給 AI 安防注入不少力量。

澎思科技:落地超 50 城,端到端智能視圖大腦構建者

成立於 2018 年的澎思科技,三年內相繼獲得 3 輪融資。澎思以深度學習的計算機視覺技術為突破口,致力於 AI+IoT 全產業鏈的技術和軟硬件產品解決方案。

澎思科技 CEO 馬原認為,AI 安防的終局業態需以“AI 前端+SaaS+雲”為價值閉環。這一理念也貫徹在澎思的發展中。

從技術層面出發,創始人兼 CEO 馬原是國內第一批人工智能專業畢業生,多年來紮根安防行業。

2019 年,澎思宣布松下(新加坡)研究院原副院長申省梅加盟,擔任其首席科學家、新加坡研究院院長。

 申省梅的團隊在智慧城市、智能機器人、監控與安全等領域的技術開發與落地方面具有豐富的經驗,申省梅團隊的研發成果算法研究團隊獲得過十餘項計算機視覺領域國際競賽冠軍和 300 多項專利。

據悉,新加坡研究院一方面將繼續突破人臉識別技術在安防領域落地遇到的問題,比如人臉模糊、背光、多種族等非約束場景下人臉識別性能下降等;另一方面利用圖像增強技術,提升公司監控等硬件產品的表現,建立產品優勢。

從產品層面來看,澎思目前已經基本完成了從端到端、軟硬件到算法的全系列自研產品,推出全場景的行業解決方案,形成商業化閉環。

軟件產品包括人像大數據平台、智慧警務情報大數據平台、智慧社區管理平台、智能製造管理平台、車輛大數據平台等;硬件產品包括面向公安各實戰場景的人像專用設備,以及面向行業及商用領域的雙屏人證機、智能門禁、立式廣告機、人臉識別閘機等。

從落地場景來看,澎思科技將在公安領域之外,不斷探索新的落地場景,目前他們已經推出了包括 AI+公共安全、AI+智慧社區、AI+智慧園區、AI+智能交通、AI+智能製造等五大行業具體 16 個細分場景的解決方案。

自成立以來,澎思科技各行業解決方案已經成功落地全國 50 多個城市,服務客戶超過百餘個。在全國多地部署動態人臉識別點位,累計抓獲在逃人員近兩千名,並擔任多項國家大型活動的安保工作。

澎思已經完成從端到端、軟硬件到算法的全系列自研產品體系搭建,針對公共安全領域各類業務場景推出成熟、可落地的行業解決方案,並在部分城市開始落地,形成商業化閉環。

未來,澎思將整合 AIoT、5G、大數據、雲計算等全鏈條技術,打造澎思智能視圖大腦,強化智慧城市下数字化資源的匯聚、共享、分析和利用。

博觀智能:出於千方,志在四方的 AI 黑馬

博觀智能成立於 2019 年,是在千方的 AI 團隊基礎上建立的基於視覺的人工智能科技創新企業。

作為千方收購宇視后成立的人工智能公司,博觀是千方探索智能城市、智慧物聯、智能製造等領域和打造 AI 應用與賦能的重要戰略。

博觀成立的意義在於讓千方的智能交通和智能安防兩大核心業務共享博觀的 AI 能力,實現千方內部資源和研發成果共享,更重要的是想將博觀定位為類似於商湯、曠世這樣的純算法公司,通對外輸出 AI 產品和解決方案來盈利,彌補公司在 AI 領域的短板。

博觀沒有讓千方失望,研發出六大類算法、八大類算法模組,持有 180 余項技術專利。

近年來,AdaptNet 深度網絡在近年 MOT 全球測試競賽、KITTI 測評車道檢測算法、ReID 跨鏡追蹤等世界引領算法數據集測試中多次獲得冠軍,2019 年 11 月,博觀在行人重識別技術在三大主流 ReID 數據集刷新世界紀錄。 

其技術版本從初生牛犢到取得世界冠軍,再到刷新世界紀錄,博觀在技術研发上一直履行千方的定位職責。

AdaptNet 深度網絡是利用計算機視覺技術將視頻內容特徵屬性自動提取,採用目標分割、時序分析、對象識別、深度學習等處理手段,分析和識別目標信息,轉化為實戰所用的情報,實現視頻數據向信息、情報的轉化,這些研發成果為場景落地落地提供強有力的支持。

基於團隊的研發技術及母公司千方在智慧交通、智慧安防和智慧物聯領域的積累,博觀在相關領域也具備了一定核心優勢。

目前,博觀推出人臉識別、車輛識別、跨鏡追蹤、行為分析、客流分析、行業智能以及“九山四關”前後端安防等諸多系列算法產品。

實際應用中,博觀結合 ReID 算法研判技術,在地圖上推送呈現出完整的時空軌跡,預測並鎖定目標點位,10 分鐘追蹤到老人蹤跡,3.5 小時快速尋回老人;在張學友演唱會嫌疑犯抓逃的案例讓博觀成功“出圈”,被更多人熟知。

目前為止,在重慶三峽學院、大興機場、浦東機場等均有落地案例,支持行業客戶完成了 1000 余項行業化、場景化、工程化的 AI 算法應用項目交付。

憑藉母公司千方科技在智慧交通行業與智能物聯領域多年的積累與團隊在人工智能技術應用中的實戰經驗,博觀開創了人工智能網絡及算法平台,具備在視覺智能軟硬件算法產品開發領域的技術實力,同時自身在不斷提高智能化算法交付能力,未來將在人工智能領域取得更多成績。

紫光華智:聯手新華三,数字城市視覺中樞主力玩家

紫光華智是紫光集團旗下公司,成立於 2018 年,作為一家年輕的公司,紫光華智承載着紫光集團安放+AI 產品的研發、製造、銷售、服務的重任 

研發和產品層面,紫光的團隊有近千人,其中研發人員的佔比將近 80%。截止目前已發布 200 餘款產品,包括微雲服務器、視頻雲存儲 、軟件定義攝像機 、解析平台和視圖庫產品在內的創新安防產品,涵蓋端、邊、雲、網完整的安防產品系列。

2019 年,紫光華智聯合紫光旗下新華三,從各個領域發力進軍安防領域。

作為紫光集團芯片板塊和雲網板塊的核心企業,新華三和紫光華智聯合后,優勢硬件軟件互補。雙方以人工智能、大數據、雲計算為核心技術構建“数字城市視覺中樞”,在智慧城市、公共安全、交通、應急、環保等各領域建立智能視頻雲大數據。

簡單來說,新華三負責“軟”,利用一些數據化技術,構建数字平台;紫光華智負責“硬”,提供一系列行業常規產品作藥品補充。

聯合后推出智慧安防、智慧交通多個領域解決方案,囊括頂層設計、前端設備到後端的大數據處理。

在交通行業,有效感知違章停車、超載超限等各類異常和風險;在生態方面,實現垃圾分類協助分析、煙火檢測等多種智能業務;在日常生活中,通過對老人、兒童的風險因素監測,確保弱勢群體的日常安全;在園區和製造業,對各類生產場景進行檢測,加強安全,提升效率。

新華三和紫光華智以視頻云為基礎,通過圖像感知、深度學習、NLP、大數據分析等技術,為数字孿生城市提供現實再現和科學決策等綜合應用能力。

紫光華智安防+AI,結合新華三的数字化技術,讓未來城市成為一個具備思考和決策能力的生命體成為可能。

格局漸成,版圖重分

雖說安防市場大格局逐漸形成,不代表跑在前麵廠商可以高枕無憂,如今在 AI 風口,無數企業重拳出擊,搶佔市場。

以上四家公司,也可能只是未來 AI 安防後來居上者的代表縮影。

科技沒有止境,它有趣的地方就在於,今天引領,明天一匹厚積薄發的黑馬就讓對手措手不及,這也是它可怕之處,沒有誰是永恆的佼佼者。

看似平靜的市場其實暗流涌動,未來行業版圖如何劃分,我們拭目以待。 

read more

二號站平台登陸_2020年Q1政府安防需求較大

今年受疫情影響,安防行業面臨從未有過的嚴峻考驗,市場形勢動蕩不明朗、訂單數量減少、項目開工時間不定、回款周期一拖再拖、成本投入增大等等,都像蓄勢待發的一把把利箭。

部分中小微企業、工程商/集成商已經在生存邊緣徘徊,求生欲極強,直呼安防寒冬已“發貨”,急需“回暖大棉襖”。

其實,安防“寒冬”的言論,在過去一兩年裡,都有被提及,從業人員認為安防市場景氣度大不如前,規模較小的工程商/集成商的生存空間被擠壓得所剩無幾,加上今年疫情的影響,更是難上加難。

那麼,從市場的反饋來看,寒冬是否真的到了?疫情對安防行業帶來了哪些影響?集成商/工程商、中小微企業未來的路該如何走?

CPS中安網從中國政府採購網公布的招投標信息來切入,了解和分析目前行業情況,以及採訪了部分集成商/工程商,聽聽他們的看法。

Q1政府安防需求增大,疫情反成“催化劑”

政府端一直以來是安防行業的重要下游市場,各省市地方政府主要通過招投標的方式,採購和建設安防設備和解決方案。

為此,這也是觀察安防行業景氣度的一個重要參考指標。

從中國政府採購網公布的招投標信息來看,今年第一季度(不完全統計),涉及安防的政府公開招標項目內容有276條,成交的安防項目/工程有132個,成交比例達到48%,成交總額超過8億元。

而2019年第一季度(不完全統計),涉及安防的政府公開招標項目內容有564條,成交的安防項目/工程有141個,成交比例達到25%,成交總額約1.5億元。

從這兩年的第一季度數據來看,今年政府安防招投標項目雖然減少了過半,但是,成交的比例卻顯著提高,比去年將近翻了一倍,而且成交總額更是翻了五番有餘。

在2019年第一季度,招標方主要集中在公安、檢察院、法院、監獄、交通、醫院、學校等部門或機構,比例達到80%左右,同時還有部分文化機構,採購力度明顯增大。

而在2020年的政府招標方中,公檢法的身影減少了很多,突出的是學校、交通、醫療機構、消防、廣電、財政金融、文旅等領域,而且是系統整合式地採購,成交金額基本是百萬級以上。

回顧前三個月,受疫情影響,紅外測溫、人臉識別、智能門禁、視頻監控等安防產品需求量激增,說明政府對安防產品需求的較強韌性,在資金不足的情況下,仍然優先保障安防投入。

從這個角度來看,這波疫情或許在無形中成了安防項目能夠快速成交的催化劑,如果疫情持續,政府的安防需求還會保持一定的增長。

項目減少比例不一,競爭壓力加大

今年第一季度,政府招投標項目減少了一半,也就是說,集成商/工程商能接到項目的機會也少了一半。對於他們來說,面臨的最大困難是什麼?該如何挺過這個特殊時期呢?

CPS中安網在今年3月份曾做過一次《2020年企業復工復產》的問卷調查,收集到來自深圳、北京、杭州、天津、鄭州、南寧等全國各地共計205家企業填寫的有效問卷。

問卷調查显示,73%左右的企業表示一季度訂單減少,7%左右的企業表示訂單取消,僅有10%的企業表示訂單維持未受到影響。

同時,因為疫情的影響,與去年相比,2020年企業新簽訂的項目進程也受到了一定影響。問卷調查显示,50%的企業表示項目仍在洽談中;34%的企業表示項目需求部分變化,尚能滿足;10%的企業表示項目需求完全不同,需要重新核定。

CPS中安網隨後從一些集成商和工程商中了解到,項目較同期回落的比例大部分在20%-30%之間,個別的減少了90%,主要是私人單位的項目有所減少。

一位業務板塊在部隊、武警及公安行業的解決方案集成商表示,部分項目其實在年前就已經確定了方案,計劃是在年後開始推進,但現在受疫情影響,項目被迫暫停,一些新項目的投標時間也是遲遲定不下來,讓他們很被動。

另一位業務板塊在交通、智慧工地的集成商表示,受疫情影響,項目推進比以往慢了許多,這就導致項目應收款周期變長,流動資金不足;

另外,供應商的供貨周期也明顯變長了,物流成本有所增加,人工材料成本也隨之增加;疫情影響的連鎖效應已經凸顯。

也有集成商透露,現在項目減少,僧多粥少,以前三四個集成商去爭一個項目,現在是十幾個集成商同時爭一個項目,這種競爭態勢和競爭壓力,一些小的集成商可能就沒有活下來的機會。

他們最後就會變成單純的設備維護服務商了,靠啃別人剩下的骨頭來生存。當然,這也會通過優勝劣汰讓更加優秀的集成商/工程商能脫穎而出。

展望2020,安防寒冬尚未到來

集成商/工程商作為安防產業鏈中的重要一環,如今的艱難處境,是否意味着安防的寒冬已經來了呢?他們是否也需要進行業務的轉型呢?

有集成商表示,在疫情下,國內外的市場大環境較惡劣,不僅是對安防行業,對各行各業或多或少都會有一定的影響。但由此說安防寒冬要來了,倒還不至於。

現在國內疫情已經基本穩定,除了偏外貿的安防企業影響明顯外,國內的安防企業在疫情下,其實機還是大於危的。因為在這次國內的疫情爆發后,科技防疫對疫情的控制起到很大的推動作用,更顯安防行業為各行各業護力的重要性!

比如,紅外熱成像測溫產品、無人機、機器人、智能門禁考勤等產品或解決方案,都大受歡迎;還有一些遠程辦公、在線教育等,在疫情之前,企業已經推動了好幾年,但都不見起色,因為這次疫情,這些領域的業務像坐上了火箭,飛快增長。

那麼在接下來,集成商/工程商可以主要從以下幾個方面來迎接挑戰,發現新機遇:

把工作重心放在優質客戶的深入開發和服務上(20%的客戶決定一個公司80%的產出),給客戶提供更適合當下疫情防控常態化的產品和解決方案,挖掘客戶新的需求點;控製成本,縮減企業不必要的開支;拓展新業務,順應當前疫情,發掘新產品和方案;提升團隊能力,多參加行業知識的學習和培訓,不斷提高企業競爭力。

展望2020,政府端對安防的需求依然樂觀,在宏觀政策背景下,新基建對沖疫情影響,能拉動經濟的發展,對應的安防項目量隨之增長的可能性加大;

另外,疫情影響,項目推進慢,有一定的滯后性,今年下半年的安防需求量可能會有一定程度的上升。

未來行業機會與危機並存,企業可苦練內功,把握安防智能化發展的大趨勢,嚴控項目質量,一如既往地做好服務,深耕行業客戶,做透熟悉的領域,通過各類項目機會,打造優秀的團隊,提高企業綜合競爭力。

read more