二號站總代平台_機器學習實現了腦機語言翻譯,那距離“意念交流”還有多遠?

在《三體》當中,大劉為三體文明設計了一種“思考即說話”的意念交流方式。在嚴酷的三體環境下,三體人正是依靠這種高效無誤的意念交流方式,實現了知識的無障礙共享、理性決策的高度統一,才能創造出如此高度發達的文明成果和整齊劃一的社會體制。

這一思路就如同去中心化的分佈式計算機,只要建立聯接,每一台獨立的計算機單元都可以獲知其他計算機單元的數據,每一台計算機單元理論上也都能夠共享共同的執行命令。

反觀人類,我們就顯得有些“低能”了。首先,我們每個人的大腦都像是一塊白板,任何的數據信息都需要經過大腦的發育和長期的經驗訓練才可能學到一星半點的知識;其次,我們的大腦又彷彿一個神秘黑箱,每個人都只能通過外在的語言、表情、姿態等信號來識別對方的動機,所謂知人知面不知心就是這個意思。再次,我們的數據信號的輸出又非常低效,我們只能以這種每秒鐘幾KB的語音、詞彙等信息來輸出想法,嚴重製約了溝通效率。

可能有人會質疑,我們有必要向三體人那樣通過“意念”直接交流嗎?假如有一天我們的思想真的可以直接交流,即便有那麼多的好處,同樣那些個人的貪念、惡意也無法隱瞞,這些對我們人類來說都可能是一場巨大災難。

在高等文明來臨前,私慾和惡意就會將人類推進深淵。不過,這種推論仍然是杞人憂天。

一方面目前這種程度的“腦機接口”技術的實現還遙遙無期;另一方面,一旦人類動了“意念交流”的念頭,只要技術有任何可能的突破,好奇心都會驅使那些最聰明的人去實現它。至於技術出來是否“洪水滔天”,那就事後再說了。

當前來看,腦機接口技術正在取得一些顯著的進展。最近一項可以稱之為腦機語言翻譯的技術,又實現了新的突破。

3月底,在 Nature 雜誌的副刊《神經科學》上面,來自美國加州大學舊金山分校的研究人員發表了一項新的研究,他們利用機器學習的方法,可以把腦電波信號直接翻譯成了有意義的語音和文字,翻譯準確度得到大幅提高  錯誤率只有3%。

這一結果是如何實現的,這一研究意味着什麼,距離實現“意念交流”還有多遠?這些正是我們接下來要討論的內容。

人腦語言翻譯規律,機器學習很有一套

我們先來還原一下這項實驗的過程:研究人員找到四名患有癲癇的受試者,事先在其大腦的控制發音的腦區植入電極裝置。在實驗中,受試者需要先在一個有限的詞語庫里,反覆地朗讀一些句子。電極裝置就可以在過程中捕捉朗讀瞬間活躍的腦電波信號。

(記錄大腦活動的顱內ECoG電極陣列)

然後,研究人員就可以在在收集到的信號和語句庫之間找規律,把跟控制發聲動作相關的腦電波信息提取出來。接着就可以通過機器學習對這些數據進行訓練,使得AI可以在腦電波信號和語句庫之間建立起映射關係的模型。

最後,你只要在大腦中想象自己說出詞語庫內的某一句話,AI程序就可以根據訓練后的映射關係,來識別你的內心獨白了。

(通過聲波動作的腦電波信號識別語音)

由此可知,實驗得以成功的前提就是複雜的腦電波信號和明確的語詞之間,可以建立一套準確的映射關係。那麼基於數據標記的有監督的機器學習就很容易在訓練中“找到規律”。

論文中還表明,AI在學習識別人類腦電波的速度非常快。實驗結果显示,只要經過大概40分鐘語音數據的簡單訓練,語音相關的腦電波的AI翻譯,就可以達到比較高的準確率了。其中效果  的一名受試者,在僅僅經過9次數據訓練之後,詞錯率就降到只有3%了。這個詞錯率已經接近於迄今為止AI讀取人的想法的  表現。研究人員認為,如果再經過更多的訓練,識別的效果還會進一步上升。

當然,這套映射規則是限定語種、限定語句庫和限定測試者的基礎上完成的。

首先,在這次的研究中所使用的語句庫,只包含100多個詞彙,50-60個句子,比我們日常交流的語句庫少很多。

其次,腦電波的識別是在同一個人的人腦中完成的,也就是還不能證明,不同人之間,腦電波信號的識別規律是否具有遷移性。

很顯然同樣的一句話,受到不同語言背景、不同理解能力,甚至更為複雜的生理因素的影響,在不同的人腦中,形成的腦電波可能是完全不同的。

這可能就需要針對每個人的腦電波信號的特點,分別建立完全不同的AI識別模型。這也意味着大腦信號之間的直接交流幾乎很難實現,仍然需要具有公共涵義的共同語言作為中介來實現思想的交流。這也是哲學家維特根斯坦提出的“沒有私人語言”的一種現實困境吧。

那麼,如果AI對於腦電波的文本翻譯能夠達到實際應用的程度,這項技術對於我們意味着什麼呢?

讓失語者重新“說話”,

腦機語言翻譯大有作為

我們先來理解下這項腦機語言翻譯的真正意義。在人類的漫長進化史中,大腦的複雜和語言的出現成為一對互為因果的因素,幫助人類從嚴酷的自然環境中勝出,建立起複雜的文明和文化形態。也就是從人之為人的數萬年時間里,我們人類的  交互方式就是語言,以及在語言基礎上衍生出的文字、信號等溝通方式。

而這次腦機語言翻譯的出現,意味着人類的交互方式出現了新的形式,也就是由大腦信號直接轉化為語言信號。儘管如我們所說,這一方式離三體人的“意念交流”還有很大距離,但已經是在向這一“意念交流”的方向前進了一大步。

至於現實意義呢?對於普通人而言,無論是誰也不會輕易嘗試在大腦中植入一塊電極裝置,再是日常語言交流仍然是最廉價  效地表達信息的方式。短期內,我們還是會習慣語音和手指作為信息輸入的主要手段。

那麼,這項技術最靠譜的實際應用場景就是針對那些失去語言能力或寫字能力的患病人群了。事實上研究者的出發點正是幫助因為中風偏癱、漸凍症或者其他因神經系統疾病而喪失語言功能和溝通能力的人們,恢復語言溝通能力。而AI腦機語言翻譯,就成為他們重新獲得與世界溝通的工具。

(腦控打字)

在這項技術實現之前,幫助失語者溝通的主要腦機接口技術就是“腦控打字”,也就是通過採集腦信號,控制光標選擇字母,然後組成單詞后輸出。這個領域做到  效果的Facebook也只能做到每分鐘最多打8個單詞。

在腦控打字難以突破效率難關的情況下,AI腦機語言翻譯可以直接完成腦電波信號到語言轉化,效率一下子提高到了正常人的語速水平。這讓失語者進行語言輸出產生了飛躍的進步。

但現實問題仍然存在,因為這些測試者都是可以正常說話的,那麼從他們身上採集數據訓練而成的AI算法,是否可以應用到中風病人或者漸凍人身上呢?

正如我們上面所述,每個人的腦電波的信號採集可能存在一些差異,那麼AI算法可能會因人而異,因此很難進行不同人之間的遷移。

那麼就目前來說,只能是在有中風或漸凍症發作前或嚴重前,提前採集他們的腦電波信號,形成專屬的AI翻譯模型,才可能真正幫助患者。

腦機語言翻譯都來了,

那“意念交流”還有多遠?

相較於我們習以為常的AI語音識別技術,AI腦機語言翻譯看起來就已經非常令人驚嘆了,那麼要是達到用“意念交流”的腦腦交互的水平,那就有點天方夜譚的感覺了。

所謂的腦腦交互,那就是不再藉助語言而直接依靠腦電波信號進行人際之間的溝通。這種就類似於三體人的思想共享,《阿凡達》里的人獸聯機的技術。

一般來說,我們通過語言傳輸大腦信息,必然就存在着信息缺失、傳輸損耗以及效率低下的問題。翻譯成人話就是,我們經常詞不達意、左耳朵進右耳朵出,寫篇文章好幾天,聊個天就大半天過去。

腦腦交互則可以大幅提升人們之間交流的速度和信息量,能夠保留和傳輸真實無損的大腦信息,避免誤會,從而根本改變人類的協作方式。

腦腦交互並非完全的空想,現在也有一些基礎的實驗證實了這一可能性。比如2018年華盛頓大學,通過以下實驗,讓三個相互隔離的人帶上了腦電圖頭盔這種非侵入式腦機設備,純靠看和想,共同協作,來完成俄羅斯方塊遊戲。其中2個人負責觀察底部情況和下落的方塊形狀,操控手柄的人則完全不知道狀況,只能讓這兩個人產生腦電波信號,通過一種叫TMS的磁刺激方式來傳遞信息給操控者的大腦,讓其大腦產生操作的指令。

經過5組不同的實驗中,這種腦腦交互傳達信息的準確率達到了81.25%。雖然還遠遠達不到人類之間傳輸信息需要的準確率和複雜度,但是這一實驗帶來腦腦交互的一種可能性。

但是可能性並不意味着現實性。這一點可能性之後仍然要面對大腦這個神秘黑箱製造的無盡難題。

(大腦皮層的語言分區)

目前,神經科學家已經知道人類的認知功能跟大腦的分區有關。研究人員可以通過對大腦神經活動的空間和時間信號進行高分辨率的數據採集,並配合機器學習算法將各種感知覺、運動、語言等高級認知功能所對應的神經信號互相分離出來。然後,可以實現像一些基本的腦機語言翻譯這樣的功能。

但是真正實現語言的解碼翻譯其實還要面臨眾多的困難。除了上面提到的聲波信號對於每個人的腦區的刺激會因人而異之外,由於世界上有上萬種的語言及方言,同一個語義在不同語言和方言下可能對應着不同的腦電波信號。甚至於不同年齡、不同成長環境,不同的情緒狀態都有可能導致完全不同的腦電波信號。

此外,我們閱讀文字也可以引發語言相關的腦電波活動,這肯定與語音刺激的反應又不相同。同樣,不同的文字形態又會帶來不同的腦電波信號模式。

也就是實驗室狀態下的無干擾的測試結果,極難應用到現實場景當中。要實現如此多複雜的腦電波語言翻譯,其難度可能比全世界統一語言和文字的難度還大。那麼想要實現後者,你們認為其可能性有多大呢?

那麼,對於腦腦交互呢?我們是否可以先繞開語言翻譯的這座大山,先去實現一些非語言化或者先於語言化的腦信號交互呢?比如,找到人類共同的一些辨識方向、情緒以及一些本能應激反應的腦電波信號,通過AI學習,實現信號的解碼和共享。

這確實是有可能的,比如上面俄羅斯方塊遊戲的方向測試,以及在一些大鼠身上做的一些頭部預期運動的信號的測試。但是,再複雜一些,就可能會必須要從腦電波信號轉碼為語言(語音或文字)來進行交互了,不然,這些探測到的腦電波數據就僅僅是一些物理信號,而不能具有任何的信息價值。

這可能還是應了那個哲學命題,如果意識不通過語言來表達,我們怎麼意識到這個意識呢?

在一個需要靠講故事來撐市值的新型產業,腦機語言翻譯的實現,確實再一次給腦機接口的技術發展和商業化注入了一劑強心針。當然,我們也要冷靜地看到這一技術仍然只具有“實驗室”的成功價值,其用於商業化方面還需要腦機接入的材料成本、安全性,信號檢測的準確度,翻譯模型的遷移性和普適性等各個方面走向成熟。

至於我們試圖去回答的“意念交流”的腦腦交互,大家其實也看到了,前途茫茫,困難依舊重重,甚至還有一座語言的大山橫亘在人類面前。

畢竟,上帝也是靠“說”才創造了世界,而不是靠“想”創造的世界。

read more

二號站app下載_深度揭秘AI換臉原理,為啥最先進分類器也認不出?

智東西4月20日消息,AI換臉已不是新鮮事,手機應用市場中有多款換臉app,此前也曾曝出有網絡IP用明星的面孔偽造色情影片、在大選期間用競選者的臉製作  影像信息等。

為了規避Deepfake濫用帶來的惡性後果,許多研究者嘗試用AI技術開發鑒定分類器。

然而,谷歌公司和加州大學伯克利分校的研究人員最近的研究显示,現在的鑒定技術水平還不足以100%甄別出AI換臉作品。另一項由加州大學聖地亞哥分校主導的研究也得出了相同結論。

這些研究結果為我們敲響了警鐘,要警惕AI換臉製作的  信息。

目前谷歌和加州大學伯克利分校的研究已經發表在學術網站arXiv上,論文標題為《用白盒、黑盒攻擊繞過Deepfake圖像鑒別工具(Evading Deepfake-Image Detectors with White- and Black-Box Attacks)》

論文鏈接:https://arxiv.org/pdf/2004.00622.pdf

實驗準備:訓練3種分類器,設置對照組

實現AI換臉的技術被稱為Deepfake,原理是基於生成對抗網絡(generative adversarial networks,GAN)合成  圖片。GAN由一個生成網絡和一個判別網絡組成。

GAN模型的學習過程就是生成網絡和判別網絡的相互博弈的過程:生成網絡隨機合成一張圖片,讓判別網絡判斷這張圖片的真假,繼而根據判別網絡給出的反饋不斷提高“造假”能力,最終做到以假亂真。

研究人員共對3個分類器做了測試,其中兩個為第三方分類器,一個為研究人員訓練出的用於對照的分類器。

選用的第三方分類器分別採用兩種不同訓練方式。

第一個分類器模型基於深度殘差網絡ResNet-50(Deep residual network)。

用到的ResNet-50預先經過大型視覺數據庫ImageNet訓練,接下來再被訓練用於辨別真假圖像。採用包含720000個訓練圖像、4000個驗證圖像的訓練集,其中一半為真實圖像,另一半是用ProGAN生成的合成圖像。合成圖像採用空間模糊和JEPG壓縮方法增強。

經過訓練后,這個分類器能準確識別出ProGAN生成的圖像,而且還能分類其他未被發現的圖像。

第二個鑒定分類器採用的是基於相似性學習(similar learning-based)的方法。經過訓練后這款分類器可以準確辨認出由不同生成器合成的圖像。

研究團隊還自己搭建了一個鑒定分類器模型,作為前述兩個鑒定分類器的對照示例。這個分類器採用100萬個ProGAN生成的圖像進行訓練,其中真假圖像各佔一半。論文中指出,這個分類器的訓練管道比前述兩種簡單很多,因此錯誤率也更高。

研究人員根據分類器是否開放了訪問權限,選用了不同的攻擊方式。對開發訪問權限的分類器採用白盒攻擊;對不開放訪問權限的分類器採用黑盒攻擊。

另外,研究人員用接收者操作特徵曲線(ROC曲線)評估分類器的正確率。評估標準是曲線下面積(AUC)的大小。AUC的取值範圍為0~1,一般來說AUC>0.5即代表分類器有預測價值,AUC值越大代表分類器準確率越高。

4種白盒攻擊方法,AUC  被降至0.085

對於開放了訪問權限的分類器,研究人員用白盒攻擊評估其穩健性。

白盒攻擊即攻擊者能夠獲知分類器所使用的算法以及算法使用的參數。在產生對抗性攻擊數據的過程中,攻擊者能夠與分類器系統產生交互。

攻擊過程中用到的所有圖像都來自一個包含94036張圖像的視覺數據庫。

開始白盒攻擊之前,基於這個數據庫的分類器的AUC數值為0.97。即使在執行典型的清洗策略隱藏圖像合成痕迹后,分類器的AUC數值仍保持在0.94以上。

接下來研究人員使用了4種白盒攻擊方法。這4種攻擊在之前的對抗性示例中已有過研究。攻擊的具體方式是對圖像進行修改,使分類器誤認為它們是真實的。

▲四種攻擊前後,分類器的ROC曲線圖。藍色實線代表JPEG格式的合成圖像,藍色虛線代表PNG格式的合成圖像

第一種是失真最小化攻擊(Distortion-minimizing Attack),即對合成圖像添加一個較小的加法擾動δ。假設一個合成圖像x先被分類器判定為假,施加擾動后,(x+δ)就會被判定為真。

結果显示,像素翻轉2%,就會有71.3%的假圖像被誤判為真;像素翻轉4%,會有89.7%的假圖像被誤判為真;像素翻轉4~11%,所有的假圖像都會被誤判為真。

▲a:分類器把假圖像識別為真;b:分類器把真圖像識別為假。把像素翻轉1%,就會有一半的假圖像被判定為真;把像素翻轉7%,就會有一半的真圖像被判定為假。

第二種是損失  攻擊(Loss-Maximizing Attack),即定義一個更簡單的目標函數,更大限度地提升合成圖像被判定為真的概率。

結果显示把未壓縮圖像的像素翻轉40%,AUC值就會從0.966降到0.27。

第三種是通用對抗性補丁攻擊(Universal Adversarial-Patch Attack)。失真最小化攻擊方法有有一個局限性:攻擊者需要花費0.1秒為每個圖像定製攻擊方式。為了彌補這一局限性,研究人員創建了一個單一的可視噪聲模板補丁。這個補丁可以疊加在任何假圖像上,有效增加了假圖像的迷惑性。

疊加補丁后,分類器的AUC值從0.966降到0.085。

不同於之前三種方法通過對假圖像施加擾動來影響分類結果,第四種攻擊方法是通用潛空間攻擊(Universal Latent-Space Attack),即對圖像的潛在空間進行攻擊。最終把分類器的AUC值從0.99降到0.17。

▲a為通用對抗性補丁攻擊效果,b~d為通用潛空間攻擊效果。圖中所有假圖像都被分類器誤判為真

限制條件進行黑盒攻擊,AUC值降至0.22以下

論文指出,現實中的社交網站、約會網站等,並不會公開其鑒定分類器的算法,因此很難進行前面所說的白盒攻擊。

面對這種情況,研究人員進行了黑盒攻擊。黑盒攻擊假設對方知道攻擊的存在,並且掌握了一般的防禦策略。

研究結果显示,即使在這種限制性較強的黑盒攻擊條件下,鑒定分類器也很容易受到對抗性因素影響。經過黑盒攻擊,分類器的AUC數值下降到0.22以下。

結語:現有分類器有局限性,仍需深入研究

谷歌公司和加州大學伯克利分校研究團隊證明,只要對  圖片適當加以處理,就能使其“騙”過分類器。

這種現象令人擔憂,論文中寫道:“部署這樣的分類器會比不部署還糟糕,不僅  圖像本身顯得十分真實,分類器的誤判還會賦予它額外的可信度”。

因此,研究人員建議開創新的檢測方法,研究出可以識別經過再壓縮、調整大小、降低分辨率等擾動手段處理的假圖像。

據悉,目前有許多機構正在從事這一工作,如臉書、亞馬遜網絡服務及其他機構聯合發起了“Deepfake鑒別挑戰”,期待能探索出更好的解決方案。

read more

二號站網址_12個數據讓你了解物聯網的下一個十年

在過去的幾年裡,物聯網(IoT)從一個理論概念發展成為許多組織的  方向,隨着企業越來越多地將物聯網設備集成到其網絡基礎設施中,他們正在尋找新的方法來利用這些設備並管理所收集的數據。本文列出了2020年值得關注的12個物聯網統計數據。

什麼是物聯網

在普遍意義上,物聯網即“萬物相連的互聯網”,是互聯網基礎上的延伸和擴展的網絡,將各種信息傳感設備與互聯網結合起來而形成的一個巨大網絡  於收集信息和執行特定操作。

有多少個聯網設備

1.到2027年,物聯網設備將達到410億部

乍一看這個数字,我們很容易忽視它的實際大小,我們可以把它換算成時間單位來類比一下:

一百萬秒大約等於11.5天。

10億秒大約等於31.75年。

由此可見,數百萬個IoT設備和數十億個IoT設備之間的差異是非常驚人的。另外還有研究機構發布的物聯網預測数字更為驚人,預測到2030年將有1,250億個IoT設備。

2.到2023年,70%的汽車將接入互聯網

無論大家對於自動駕駛的前景持什麼樣的態度,以目前的形勢來看,自動駕駛技術依舊在不斷向前發展。這些年來,各方投資者在自動駕駛領域花費了不少人力財力,儘管很難確定確切的数字,但僅在過去的五年中,僅汽車行業就在自動駕駛汽車的研发上投入了超過1000億美元。雖然無人駕駛汽車可能不會那麼快就在路上普及,但它們收集和分析大量數據的需求,將需要更先進的邊緣數據中心,能夠指揮由此產生的数字流量。

即使自動駕駛汽車尚未問世,現有的汽車也越來越多地加入了物聯網功能。從僅將使用情況和机械狀態數據傳輸到製造商和調度員的傳感器,到可以改善GPS和駕駛員舒適度的互聯網連接,其中的計算能力將使支持IoT的車輛成為邊緣計算框架中的寶貴工具。

3.每過1秒鐘,就有另外127台設備連接到互聯網

物聯網設備越來越多地出現在各個地方。前思科研究員David Evans估算了一下每秒鐘有多少設備被添加進來,讓我們得以一窺這些設備的普及程度:

“物”不再只是電腦和電話。如今,幾乎任何東西都可以連接起來,包括網球拍、尿布、衣服、車輛,當然,還有家。甚至開始包含生物方面的東西:寵物、農作物、家畜等等。

隨着設備的激增,IT人員需要更多地關注潛在的安全威脅。對於  來說,每台設備都是一個可以攻擊的載體,公司也必須花費更多精力管理設備的接入安全。

4.到2024年,5G手機用戶將達到19億

在一份2019年的移動行業報告中,愛立信預測5G的快速發展將推動物聯網的持續增長。預計北美63%的移動用戶將使用5G服務,東亞地區這一比例為47%。短距離物聯網設備有望從這些連接中獲得最大的收益。廣域網和移動互聯網連接設備也對移動數據流量做出了極大貢獻,僅在2019年第一季度就增加了82%。這種物聯網增長很大程度將歸功於芯片組價格的下降,以及NB-IoT和Cat-M1等蜂窩技術的擴張。

物聯網市場規模有多大

5.到2023年,企業將在物聯網領域投資1.1萬億美元

許多公司已經將物聯網設備確定為其業務增值產品。不僅僅是科技領域,世界各地的服裝製造商、醫療保健提供商和市政當局都在投資,以利用互聯設備的潛力。

隨着大量資金投入到研發中,可以肯定地說,未來十年的物聯網市場規模將與今天大不相同。但是,有一件事是不會改變的,那就是邊緣數據中心在物聯網網絡中的重要性。這也許可以解釋,為什麼託管數據中心仍然是至關重要的IT解決方案,組織希望迅速擴大其業務規模,使物聯網設備發揮最大的作用。

6. 到2025年,物聯網的總經濟影響可能在每年4萬億到11萬億美元之間

麥肯錫全球研究所(McKinsey Global Institute)的研究表明,儘管許多物聯網應用尚未完全展開,但物聯網的增長仍將繼續。許多已經在使用物聯網技術的公司都在增加物聯網方面的應用,比如使用智能傳感器來跟蹤供應鏈中的產品。雲技術和邊緣計算的發展也有可能推動物聯網應用快速擴展。5G技術的擴展和硬件成本的降低預計也將有助於互聯網連接設備的廣泛採用。

7.到2022年,家庭物聯網市場預計將增長至534.5億美元

自動化照明、智能控溫、家電、娛樂或家庭安全系統等智能家居設備,已經以破紀錄的數量進入家庭中。舉例來說,截至2019年第一季度,像Amazon Echo這樣的“智能揚聲器”設備已經有31%的美國寬帶家庭開始使用,而2017年這一份額僅為7%。

8.到2024年,全球物聯網醫療市場有望達到1400億美元

醫療是物聯網技術最激動人心的應用案例之一,這就是為什麼該領域的市場從2017年到2023年預計將以每年12%的速度增長。遠程醫療和可穿戴傳感器的發展使醫療人員能夠更好地對患者進行監測和治療,尤其是在一些醫療團隊難以到達的地區。物聯網安全性的提高還將有助於該技術在未來幾年中得到更廣泛的應用。

如何投資物聯網

9.超過80%的工業製造公司正在使用或計劃使用IoT設備

關於物聯網人們大多了解的是無人駕駛汽車和智能廚房等,但在製造業方面還有一些令人興奮的創新。從能夠執行自動化任務的智能機器,到可以使人們更高效、更安全工作的增強型可穿戴設備,企業正在嘗試不斷使用創新的方法去工作。

好的數據分析還可以實現可預測性的維護、更好的能源效率和更高的生產效率。對於那些之前因帶寬不足而導致數據基礎架構面臨挑戰的地方,工業物聯網設備與邊緣計算架構的結合將變得更有價值。智能機器將能夠在更多的地方運行,從而有助於提高產量、創造就業機會並促進經濟增長。

10.90%的技術和電信公司高管表示,物聯網的增長對其業務至關重要

科技、媒體和電信等行業中的許多公司可能已經獲得了物聯網的早期投資回報,所以其中大多數企業  對全面物聯網戰略投資的價值都有一定了解。現如今擴展物聯網用例還意味着改善端點基礎設施,這將使願意支持物聯網計劃的公司在未來擁有一定的優勢和靈活性。

11.美國超過60%的城市正在投資智慧城市物聯網技術

世界各地的城市都在競相制定新的戰略,以利用物聯網技術簡化市政運營和服務。雖然美國大多數城市已經在實施這些解決方案,但還有25%的城市正在探索物聯網的潛在應用。到2025年,在全球範圍內,結合了IoT和AI 的智慧城市計劃的市場價值預計將超過2萬億美元,其中排名前600位的智慧城市將佔全球GDP的60%。

12.近90%的零售商正在使用或計劃使用物聯網來定製商店訪問

得益於數據分析技術,在線購物者已經開始期待定製化的購物體驗,這些數據分析使在線零售商可以利用過去的購買記錄和瀏覽歷史來推廣顧客可能會感興趣的產品類型。藉助物聯網技術,實體店很快也能做到這一點。有了RFID和信標技術,公司將能夠在顧客進入商店的那一刻积極地塑造客戶體驗。來自智能價格標籤的實時數據將使商店對購買趨勢做出更及時的反應,並進行調整以實現銷售  。根據PWC研究,58%的零售商已經將物聯網應用於各種活動項目,另有30%的零售商計劃在未來兩年內使用IoT。

應對物聯網數據

物聯網設備到底能產生多少數據?思科預計總數將超過800ZB,要知道一個ZB約等於1萬億千兆字節,因此這是一個相當大的数字。

數據中心將在管理這些信息和利用其潛力方面發揮巨大作用。考慮到約90%的數據將是非結構化的,對於數據中心而言,繼續推進存儲容量和預測分析的界限以跟上IoT的需求將比以往任何時候都更為重要。

read more

二號站測速官網_押注AI穿搭,淘寶是在賭未來?

 

隨着互聯網的發展,電商平台拓寬了購衣消費的渠道,“新零售”的興起也對服裝行業的轉型提出了更高的要求,電商平台都希望能夠通過技術手段豐富服裝的消費場景,升級購物體驗,實現數據互通。對此,阿里巴巴早有布局。

阿里巴巴在2016年提出“新零售”概念之初,就已經把AI技術與服裝行業的發展聯繫到一起,打算利用自身的平台優勢和技術優勢為線下門店賦能,打造服裝智慧門店。

直到2018年,阿里巴巴在香港開創了  家人工智能服裝概念店“FashionAI”,以“AI+服裝”的概念重新定義了服裝行業的未來。

今年3月,淘寶真人“AI試衣”正式上線。“AI+服裝”是線下和線上深度融合的概念,阿里巴巴智慧門店的布局還需要依靠電商平台的配合,淘寶作為阿里巴巴的核心平台,離不開AI技術的支持,面對如今消費者越來越個性化的消費需求,以及電商平台差異化戰略的需要,淘寶推出AI試衣功能正是時候。

AI技術為穿搭賦能

隨着AI技術的發展,AI技術的應用邊界也得到拓展,為了解決網購時人和衣服不匹配的問題,AI穿搭技術應運而生。相比傳統的試衣場景,AI穿搭技術更具有優勢。

1、AI穿搭為軟件賦能,目前的AI穿搭技術通過長時間的探索,已經能夠通過算法對圖像進行自動識別,從而獲得3D的人體模型圖像,通過動態還原或者靜態展示的方式呈現穿衣效果。

2、AI穿搭雖然是高科技,但是操作十分簡單,用戶只需要輸入基本的  ,如:身高、三維等,定製符合自己模特,便可以進行試穿,如果對服裝不滿意,還可以隨意更換搭配。

3、AI穿搭能夠節省用戶線下購物時繁瑣的試穿步驟,還能一定程度上減少網購用戶買到不合適衣服的退換貨問題,從而優化用戶的購物體驗,減少商家的附加成本。

淘寶作為國內電商平台的“一哥”,手握7.55億的月活躍用戶,單是2019年雙十二當天的服裝類目GMV銷售額就達169億,銷出1.05億件。面對如此龐大的服裝市場,淘寶需要把服務做好,離不開AI技術的支持。

淘寶必須做AI試衣

2020年一場突如其來的疫情改變打破了人們正常的生活,也為線下購物場景按下了暫停按鈕。雖然宅在家裡,但是很多人還是忍不住網上剁手,不受限的網上購物獲得  的增長。實體店熄火的服裝行業則是需要通過線上發力盡量挽回損失,淘寶作為  大的電商平台,自然不會放過疫情帶來的“紅利”,AI技術的應用讓淘寶更具有競爭力。

淘寶發布的真人AI試衣功能下,用戶可以根據需求自由組合,隨意搭配衣服,通過定製不同身材的模特,呈現不一樣的穿衣效果。

電商平台之間的競爭越來越激烈,淘寶為了守住自己的龐大服裝市場,利用AI技術實現消費升級,讓購物更加智能化和數據化,將是淘寶下一步的布局,AI試衣的優勢也是顯而易見。

其一,AI試衣最大的亮點在於滿足用戶對於穿搭的想象,通過參照與自己身材一致的模特的穿衣效果,解決淘寶用戶在網購衣服時無法試穿的痛點。

傳統的線上購物,看到的只是單一的商品展示或者標準身材模特的照片,無法準確判斷衣服是否合身,這導致線上購衣體驗可能還不如線下。AI試衣技術為消費者在淘寶購衣的時候提供可靠的參考,或許能幫助淘寶的線上服裝銷售發生改變,以獲得更大的成交量。

其二,淘寶擁有超過10萬家的服裝類店鋪,對於商家而言,AI試衣不需要開發成本,只需要提供衣服的立體圖片,系統就可以為顧客呈現真實的效果,不僅能夠解決尺碼不匹配的問題,還能減少退換貨、以及試穿過程的折舊成本。有利於提高淘寶店鋪的銷售轉化率,吸引更多的商家入駐淘寶。

其三,阿里作為電商巨頭,淘寶平台的發展是其構建“新零售”生態的重要一環,隨着5G浪潮的到來,線上的購物方式逐漸發生各種改變,電商平台未來競爭的焦點在於“消費升級”,博弈之間看的還是哪家的技術強。AI試衣的應用開創了淘寶購物“新玩法”,強化了平台與用戶之間的互動性,也為5G時代下淘寶重新定義消費場景打好了一定的技術基礎。

淘寶AI試衣的尷尬處境

目前來看,AI試衣是淘寶布局下一代購物體驗的一次優先嘗試,其背後依靠的是強大的技術支持和電商平台,為新零售提供解決方案的同時,也有部分問題等待解決。

其一,AI試衣未必能對用戶的購買行為起決定作用,雖然說目前網購簡化了傳統購衣“穿”“脫”的步驟,但是用戶對衣服的購買標準基本沒變化,除了需要判斷尺寸是否合身,還需要穿在身上感受衣服的舒適度,通過體感的反饋來決定是否最終成交,這是淘寶AI試衣無法提供體驗。

其二,AI試衣目前只是淘寶的輔助工具,尚未在淘寶平台全面推行,只有部分商家的商品能夠提供試穿,無法全面滿足消費者的需求,在AI試衣沒有被普遍應用之前,用戶的消費習慣難以發生實質性改變。

其三,雖然AI試衣技術的發展完善了阿里“新零售”戰略布局的技術版圖,但是AI技術對消費場景的升級還需要一定時間,AI試衣的消費市場尚未形成可觀的規模。目前線上的AI試衣技術能提供的服務還過於單一,無法為淘寶提供更多的增值服務,導致阿里依靠AI試衣技術變現的空間有限。

AI穿搭前途未卜

淘寶在AI穿搭優先布局,看中的不僅是服裝市場巨大的潛力,希望以此吸引更多的商家和用戶,也可能是為阿里系未來的AI產品在線下服裝行業落地做準備,在“新零售”概念的風口下,通過AI技術來豐富消費場景,有利於阿里拓展增收渠道。

淘寶推出AI試衣的野心可能不僅僅是把它當做一個輔助工具去應用,一方面,隨着線上消費體驗升級,淘寶希望能通過AI技術賦予平台與用戶之間更多的互動性,通過沉浸式的消費場景構建類似“雲逛街”的新體驗。

另一方面,阿里希望通過AI試衣摸索關於AI技術變現的商業可能性,也許未來AI穿搭技術成熟之後,“AI+硬件”的產品落地將會在服裝零售業形成一定規模的市場,作為  先一批“吃螃蟹”的電商平台,未來一旦線下硬件與線上電商平台形成數據互通,互相綁定,那麼淘寶將  受益。可以說,AI試衣也許是淘寶在賭未來。

由於AI技術的探索需要雄厚的資本和強大的技術團隊作為後盾,做AI技術開發的企業多集中在頭部,能做AI穿搭的就更少了。AI穿搭本質上是電商的獲客入口,沒有電商平台支持的企業想涉足AI穿搭如果自營電商,反而會面臨較大的成本壓力。所以,未來AI穿搭可能依舊只是淘寶、京東這樣的電商巨頭角力的  ,但是目前來看,淘寶想要依靠AI穿搭技術實現消費升級,還需要花更多時間和資源去培養市場和用戶。

read more

二號站需要登錄嗎?_各地吹響新基建“集結號”,智能安防應用落地早拔頭籌

 各地吹響新基建“集結號”

從3月初,中央頻繁提及“加快5G網絡、數據中心、人工智能等新型基礎設施建設進度”,隨着“新基建”政策不斷落地,各地吹響新基建開工“集結號”。

進入4月份以來,重慶、貴州、湖南等地紛紛集中開工一批新基建項目。安徽、廣東、浙江、山東等地新基建項目庫或投資計劃也相繼出爐,5G、大數據中心、人工智能等領域成為投資重點。

4月3日,重慶市2020年首輪新型基礎設施建設項目集中開工。此次集中開工的項目共28個,新基建重大項目佔比達八成,涵蓋5G網絡、數據中心、人工智能等領域,總投資815億元。

4月8日,湖南省長沙市106個新基建項目集中開工,涵蓋5G建設、大數據、人工智能、工業物聯網、特高壓、新能源充電樁等領域,總投資近30億元。

安徽省日前下達2020年重點項目投資計劃,今年重點項目投資計劃安排項目6878個,年度計劃投資1.3萬億元。突出5G基建、大數據中心、人工智能等新型基礎設施建設。此外,為應對新冠肺炎疫情,還新增開工一批公共衛生類項目。

人工智能顯實力

“新基建”不同於“鐵公基”傳統思路,其本質是信息数字化的基礎設施建設,用於支撐傳統產業向網絡化、数字化、智能化方向發展。人工智能作為“新基建”七大版塊中的重要一項,其技術地位逐漸显示其重要性,以此次“疫情防控”為例,人工智能可謂顯神通,以智能服務機器人、大數據分析系統和智能識別產品為例,計算機視覺、語音、大數據等人工智能技術紛紛落地助力疫情防控。

近日,新華網攜手賽迪顧問發布的《2020中國人工智能產業創新與投資趨勢報告》認為,未來三年中國人工智能市場將穩步向前,人工智能的場景落地以及市場開拓將在各行各業中穩定展開。預計到2022年,中國人工智能市場規模將超過千億元。

從“新基建”的角度看人工智能主要包含了硬件、AI能力多個層面的支持。其中在硬件層面,AI芯片不僅涉及到邊緣加速、雲端推理、邊緣計算、端側加速等,還包括相關的傳感器,激光雷達、毫米波雷達攝像機和紅外芯片等;在通用AI能力中,計算機的視覺能力為常見,如人臉人形識別檢測、檢測車牌,在此基礎上,還包含軟硬件平台的服務,包括物聯網雲平台、雲端數據標註和雲端訓練平台、邊雲協同平台等。

接下來,新技術的應用將加速對產業的滲透和效率的提升。以互聯網、金融、安防、消費电子等領域為例,這些領域擁有較高的信息化水平和數據素材,在未來幾年發展中,這些領域在人工智能技術應用落地探索過程中市場份額佔比將會顯著提升,並迎來新一輪行業升級和變革。

智能安防應用落地早 拔頭籌

雖然從“新基建”角度來看,提供人工智能技術的科技企業將是收益企業,但未來人工智能落地垂直行業,帶給行業智能化變革將是核心內容,人工智能的生態主體也將逐漸變成人工智能技術的使用者,即各個垂直行業的傳統企業。

在當下,人工智能領域真正在商業中應用落地的技術主要是深度學習在圖像及語音方面的識別分析。由於藉助機器視覺及深度學習能夠迅速對視頻進行結構化處理、對人、車、物進行快速識別比對,這也與目前安防對智能化的需求不謀而合。

目前,安防已經進入了AI時代,不但激發潛在的安全需求,促進安防新技術、新產品的開發,實現新的應用模式和市場。同時帶來更多企業參与。眾多傳統安防製造企業,通過藉助AI賦能,實現傳統安防產業智能化升級外;以擁有優異算法的AI創業企業,持續湧入安防領域,實現安防應用場景的不斷落地。並且可以發現人工智能在安防行業已不僅僅存在於計算機視覺領域,ISP、傳輸、存儲、運維等單個環節,越來越多的企業推出集成AI技術的系列化、平台類產品。

因此在新基建的背景下,人工智能將通過基礎設施的完善,持續撬動整個安防行業,繼續推進安防為生活、企業生產和社會協作方式帶來巨大的變化,也推動着智能安防從傳統的“安全防範”向更多的應用領域邁進。

read more