谁能做到：谁可以选择，做对，跑得快，谁能赢得未来。
未来的平台和平台：
1.网络连接：Internet服务连接平台，物联网连接平台，SaaS服务连接平台，ERP集成平台
2，数据：台湾数据，大数据技术平台
3.智能：人工智能技术平台，人工智能应用
未来的技术堆栈是：
用户交互层：传感器，人工智能，视觉识别/语音交互
逻辑层：Open API Mesh，人工智能关联推荐算法
数据层：精确搜索人工智能/关系图，区块链
未来的商业模式：
1. IT服务：云订阅服务，智能硬件。
2.金融服务：由人工智能驱动的大数据+金融信贷服务，由人工智能驱动的大数据+金融技术服务（总支付服务，反欺诈服务，信贷服务，风险控制服务及时实）
3.商业服务：大数据+由人工智能提供支持：社会化税收和财政自动化服务，社会化工作规划服务，社会化数字营销服务，供应链社会化资源规划
从客户的需求，到产品，技术，商业模式，一切都是不同的。展望未来，无论是中国的BAT互联网公司，中国的企业软件公司，巨型的外国商业软件公司还是企业的企业技术公司，他们都在同一起跑线上，他们都需要探索，看谁是研究，战略合作，资本融资和并购投资，组织和人才，激励和多方组合，谁能做到：选择，做好，跑得快，谁能赢得未来。
下
人工智能专业已经发展了60年，已经折叠了两次。一旦开发出来，我想解决一般的问题，过于乐观，当然还有拍打。在20世纪90年代，我吸收了第一课，并没有参与泛化。我专注于细分专业领域的专业系统，但过分依赖专业领域的知识处理或无法开展业务。
如何不在专业领域的知识中相互信任？嘿，这是这个时代的焦点：深度学习。这将提高视觉识别，语音交互和自然语言处理的前三个级别的性能。
在深学习领域，DeepMind在英国被谷歌收购在这方面有两大进步：神经网络（质量），变压器（收益率）。因此，几个CNN（卷积神经网络），MTCNN（卷积神经网络的多任务），RNN（神经网络环），DNN（深神经网络），RESNET（残留网络深度），LSTM（临时的长和短系列术语）网络内存），GAN（针对网络的生成）。
模型的改进：像没有大规模监督的GPT-2模型，结合注意机制，它足以优化图像生成的质量。算法的改进：像BERT算法一样，非常适合优化NLP训练的质量。
当然，这些网络结构，算法，模型和机制已经在深度学习平台中开放，这使得先进的人工智能可以进入常见的IT公司：
1.谷歌：Tensorflow/Koras
2. Facebook：Caffe/Pytorch
3.微软：CNTK/DMTK
4，AWS：MXNet
5，OpenAI：打开AI（目前尚未完全开源）
6，Apache：OpenNLP
7，百度：PaddlePaddle
8，Salesforce：TransmogrifAI
除了算法模型的平台层中的开放代码之外，它还结合在其他几个方面：
1.计算机芯片层：NVIDIA借助bitchain区块链开发专用芯片GPU，也可用于人工智能。谷歌推出了TPU。
2，计算资源层：AWS，Azure云计算提供商提供了人工智能培训所需的IaaS服务，仅用于人工智能培训，如高峰工作。
3，数据存储层：AWS，Azure云计算提供商在云端提供分布式对象存储服务，大数据存储平台，大数据计算平台
4，数据集层：4G，智能手机/高清摄像头，相册云盘，三种流行，允许图像数据的快速扩展积累。
因此，这是智能手机学院（算法模型），工程（开源），云计算和移动互联网重叠的结果。因此，这个学术界人士加入了这个行业。正是由于这个原因，没有数据，电源或应用场景，并且没有办法改进算法模型。
开源
开源是件好事。
我在这里列出了一些大型和一般的面孔。至于更详细的，你可以参考：paperwithcode这个网站，庞大的文件和代码，你想要的一切都在这里。
首先，愿景
1，OpenCV（英特尔），DeepDream（谷歌）
2，面部识别：InSightFace
3，物体检测：Detectron（Facebook）
第二，声音
1，语音到文字：wav2Letter（Facebook）
2，语音识别：kaldi（约翰霍普金斯）
3.文本到语音：VoiceLoop（Facebook），Merlin（英国爱丁堡大学）
第三，NLP
1.搜索：Apache的Nutch，Luence，ElasticSearch
2，相关建议：PredictionIO（Salesforce），相关推荐算法库LibRec（东北大学，中国）3，对话系统：作为DeepPavlov（莫斯科物理研究所），ParlAI（Facebook），Texar（卡内基梅隆大学）
4.通用PNL：pytext的（脸谱），OpenNLP（阿帕奇），Spacy，AllenNLP，NLTK（宾夕法尼亚大学），CoreNLP（斯坦福大学），HaNLP（哈尔滨工业大学的中国研究所），FastNLP（复旦大学，中国）
第四，深度学习
1.深层学习：Tensorflow/Koras（谷歌），咖啡/Pytorch（脸谱），微软CNTK/DMTK，AWS MXNet，百度PaddlePaddle。 Salesforce还为Tensorflow提供了优化的TransmogrifAI软件包。
2.改善学习：多巴胺（谷歌）
五，机器学习/数据挖掘
1，算法库：Spark MLlib，Numpy，Pandas
差距
我们编写的第一个应用程序是UI，逻辑和数据集成，例如DBaseIII。
后来，出现了一个大的关系数据库，我们有一个C/S结构，数据和应用程序的分离。这是VB，PB和Delphi的辉煌时期。
后来，中间件组件和容器具有三个层次的UI层的结构，业务逻辑层和数据层在物理上分离，并且由三个层中使用的技术也不同。特别是当有很长一段时间的程序员万金油终于无法忍受它，并开始分离额专业程序员（Web应用程序/移动/小程序）。在数据层中还有几个对象存储对象的组合，SQL，NOSQL，数据仓库，大数据计算平台，还有专门的数据层程序员。相反，业务逻辑层的技术变化不大，编程语言基本上是JAVA。
但随着人工智能的出现，业务逻辑层开始发生巨大变化。如何将新技术从研究转向研发？如何使新技术吸收从原型到创新产品到基础产品的应用？
对于最先进的技术，研发组织的最佳分工必须是：
1.战略合作：云计算提供商，开源社区合作和学术合作之间的合作。从云计算提供商的角度来看，微软Azure非常乐观，谷歌的开源社区非常乐观。学术界对香港非常乐观。香港大学，香港理工大学，香港科技大学，香港中文大学及香港城市大学都很有名。似乎大湾区的布局是必要的。
2，科研实验室：战略合作，纸上阅读理解，技术平台选择，原型算法模型原型快速原型应用进度验证3，技术平台研发中心：正式开发人工智能技术平台，与科研实验室合作开发技术算法模型。简化的API暴露于人工智能应用程序的平台。
4.应用平台研发中心：开发人工智能应用平台，与亚龙中心应用程序合作开发应用程序算法模型，并通过Open API平台公开简化的API。
5，应用研发中心：微调应用模型，调用API Open API平台直接应用人工智能功能
6，大客户定制研发中心：微调应用模型
最好的开发过程应该是：
第一步：科研实验室（公司特种部队的锋利刀片）：建立快速和肮脏的原型设计，快速的技术+应用验证的价值情况下，技术的实用性和成熟技术的应用和然后将结果转移到创新产品开发中心
第2步：研发创新产品的开发：研究中心和创新产品开发接收结果，进行产品分析的最佳实践情况，然后形式化设计microservicio根据管理流程新技术模块和新产品模块的产品和质量保证。 （例如，可扩展，可定制，高性能，高可用性，可实现，可操作）
第3步：研究和商品开发：每年推广商业产品，研制和重大产品的发展后吸收和运用新技术，主要产品和更新的主要产品。
中文
电话咨询
微信咨询
公众号
