原创《算法演化摩尔定律》：此文是一篇摩尔定律论文范文,为你的毕业论文写作提供有价值的参考。
AlphaGo击败柯洁,令人工智能的商业化命题再度引发热议.计算机视觉作为国内人工智能最先成熟的工业级赛道,更被外界长期视为坐拥“四个独角兽”的巨型角斗场.其中,商汤科技并非最早成立的一家,却后发制人,先后获得来自IDG资本、Star VC、鼎晖投资、万达投资、赛领资本在内的多轮投资,估值超过10亿美元.商汤科技联合创始人、CEO徐立博士告诉《21CBR》记者,公司已经在多个行业实现规模变现.
徐立有着典型的人工智能科学家背景,在香港中文大学就读博士期间,其与导师贾佳亚教授研发的图像去模糊技术将图像清晰度提升了100倍,被视为是全球图像处理的一大突破.以研发实力闻名的商汤也一度被“学术气息”所标签化.徐立认为,人工智能还远未走向技术同质化的时代,若技术上不构成领先性和差异化,将难以跟上行业变化.对于人工智能的商业落地,商汤则自有一套驱动行业的经营哲学.
21CBR：智能视频目前是“人工智能+安防”的行业热点,你在去年也提过类似观点,这块的市场存量有多大?
徐立：安防一直是国家大力发展的领域,也是十三五规划的重点行业.从政府投入来看,今年也要投入2000-3000亿.传统安防领域的最大厂商,去年营业额在300多亿.所以,这块目前有足够的市场空间.
今年的视频业务和去年的人脸识别有些类似.去年,业内都在尝试和落地人脸识别的具体应用,到今年进入相对成熟期,业务增长很快.今年,智能视频业务也在各地展开试点,整体发展正处在一个大的行业机会点上.
视频业务何时落地,核心问题在于明确产品的商用标准.工业界的一个标准红线是评估产品是否超过所谓人眼的准确率,这也是人脸识别逐渐商用化的原因.但是视频内容的分析和人相比效果上还有差距.目前全球每天有2.5亿只安防摄像头在记录,视频数据输入达到一定规模,但在智能处理上还很欠缺,而核心算法的突破将成为最关键的落地因素之一.
21CBR：商汤切入安防领域有哪些布局,如何构建自己的智能视频生态链?
徐立：商汤在安防领域的产品体系分为两类：一类是成熟的业务系统,需要基于客户方的具体业务逻辑进行设计,比如怎样做多视频协调,如何做人像处理等,代表产品是SenseFace人脸布控系统和SenseVideo视频结构化系统,另一类是业务系统中的核心算法模块,包括动静态比对服务器、人群分析服务器和结构化服务器等,屬于相对标准化的产品.
举例来说,我们在视频结构化系统上做了很大突破.以往的视频结构化系统只能通过身高、性别等属性来查询视频信息,SenseVideo实现了自然语言的信息查询.我们做了1.3万人的案例测试,总共生成了9000多个自然语言构成的关键词.对于办案人员来说,通过自然语言来描述罪犯、完成案件信息的视频检索是更常见的业务逻辑,也比根据属性搜索来得更加精准,未来将是一个新的业务形态.
目前商汤在安防市场相较领先,前十大安防厂商一半以上是我们客户,商汤为其提供标准化模块和业务子系统.同时,我们也在国内重点城市建立本地化业务.去年,商汤的智能视频业务（Intelligent Video Analytics）已占公司整体业务的40%,今年这一势头依旧良好.
21CBR：比起发展客户,商汤似乎更擅长行业联盟,商汤的市场开拓逻辑怎样的?
徐立：首先,无论卖什么产品,最后都要接触到甲方.但是,我一直认为,B2B企业如果要起量、要规模化,产品一定是相对标准化的.如果每次销售的方案都是*化服务,企业的ROI（投资回报率）就会比较低.相反,集成商则可以将商汤与电信方、施工方等等连接起来,在各地做出标杆性的项目,再用标准化的形式去铺开.
这里的标准化不是一蹴而就的,而是来自产品和项目的逐次迭代.比如前面提到的比对服务器,再往上可能是一套带着摄像头的子系统,最后则是一整套的训练部署平台.通过深入行业、做细项目,商汤不断把标准化的范围扩大,并聚合客户的需求从而形成共有需求,最终完成标准化产品的打磨过程.
因此,商汤一直把自己定位成一个技术公司,而不是集成商公司.商汤能做的是集中力量攻破核心算法和技术.这个技术不是单点的、闭门造车的技术,而是以打通上下游的客户需求、构建产业链条来实现的.就像英特尔不直接向终端用户销售芯片,而是通过上下游的合作伙伴,比如主板厂商、主机厂商等实现笔记本电脑的销售,但用户仍然了解产品背后有英特尔领先的芯片技术,这也是商汤所追求的：做行业的赋能者.
21CBR：业界普遍在谈AI同行业的深度结合,各家公司从技术表现来看也大致相当.对此你怎么看?
徐立：很多人觉得,深度学习已经形成开源生态,技术没那么重要了,打通行业才是关键.这里面有一个重要前提：深度学习是否已经成熟、不会再变化了.然而,学术界目前有关深度学习的文章大部分都是工程实践型的,新的实验结果不断推翻前人做出的理论解释,指导下一代工业级应用的技术原理有待被归纳总结,人工智能距离成熟的“黑盒”还差得很远.
例如,从近年来物体识别竞赛的结果看,识别准确率在2013-2017年之间提升了300%,基本与摩尔定律吻合.也就是说,在某些垂直领域,算法的演进已经进入摩尔定律时代,不是既有算法的变化,本质上是重新设计出一套新的引擎算法,从而形成巨大的提升空间.未来三五年间,深度学习还将迎来革命性的变化,现有的算法如果不赶上,就会被淘汰.
至于人脸识别技术的同质化,也是有待商榷的.以抓逃为例,1：1的人像比对准确率已经远远超出人眼,但如果要在全国14亿人像库中进行1：N的实时动态比对,目前没有一家公司能够做到,更多只能在细分场景中使用,比如在某个小区里识别出外来可疑人员.而这不能算做是最优化的应用.
因此,怎样拓展技术边界、把精度推向下一个极限,是人工智能算法迭代的核心关键.我觉得技术创业有两种可能性：第一类是通过技术上大的领先性和差异化,带来时间窗口和强壁垒.第二类则是对技术的应用看得非常准,知道在什么地方能够快速落地变现,从而走在行业前面.这两方面商汤都在努力,也有信心,最终能够在市场上形成比较大的差异化.
摩尔定律论文参考资料：
结论：算法演化摩尔定律为关于本文可作为摩尔定律方面的大学硕士与本科毕业论文高中摩尔定律论文开题报告范文和职称论文论文写作参考文献下载。
