慧編程求和

『壹』 雲計算的海量數據挖掘工作是怎樣實現的

雲計算屬於新興技術領域，群英雲計算轉一篇關於問題的學術報告吧。對您應該有所幫助。

1引言

目前，人們正處於一個「無處不網、無時不網，人人上網、時時在線」的時代，圖靈獎獲得者吉姆·格雷（Jim Gray）認為，網路環境下每18個月產生的數據量等於過去幾千年的數據量之和。目前互聯網的數據具有海量增長、用戶廣泛、動態變化等特徵。2010年，QQ同時在線的用戶超過1億人，淘寶一年交易次數比上年增長150%，視頻服務Animoto在3天內通過Amazon將其服務能力迅速擴展至75萬用戶。

數據挖掘能夠發現隱含在大規模數據中的知識，提高信息服務的質量。如伊朗事件中twitter快速傳播假消息的識別、Amazon和淘寶網中商品關聯關系分析，以及優酷網中視頻個性化推薦等。海量數據挖掘在國家安全、國民經濟和現代服務業中具有廣泛應用，有助於提升網路環境下信息服務的質量，實現以人為本的信息服務。

從數據挖掘技術的發展歷史看，隨著互聯網的蓬勃發展，數據的規模越來越大，從KB級發展到TB甚至PB級海量數據；數據挖掘的對象也變得越來越復雜，從資料庫、到多媒體數據和復雜社會網路；數據挖掘的需求也從分類、聚類和關聯到復雜的演化和預測分析；挖掘過程中的交互方式從單機的人機交互發展到現在社會網路群體的交互。這種發展給數據挖掘帶來了巨大的挑戰：對於網路環境下產生的TB級和PB級的復雜數據，需要有高效的海量數據挖掘演算法；網路環境下大眾的廣泛參與，需要在數據挖掘演算法中能夠融入群體智慧；同時社會網路的迅速發展使得信息服務的個性化成為必然，要求能夠滿足即時組合的個性化挖掘服務。

雲計算是一種基於互聯網的、大眾參與的計算模式，其計算資源（包括計算能力、存儲能力、交互能力等）是動態、可伸縮、被虛擬化的，並以服務的方式提供 [1] 。具體表現在：雲計算的動態和可伸縮的計算能力為高效海量數據挖掘帶來可能性；雲計算環境下大眾參與的群體智能為研究集群體智慧的新的數據挖掘方法研究提供了環境；雲計算的服務化特徵使面向大眾的數據挖掘成為可能。同時，雲計算發展也離不開數據挖掘的支持，以搜索為例，基於雲計算的搜索包括網頁存儲、搜索處理和前端交互三大部分。數據挖掘在這幾部分中都有廣泛應用，例如網頁存儲中網頁去重、搜索處理中網頁排序和前端交互中的查詢建議，其中每部分都需要數據挖掘技術的支持。

因此，雲計算為海量和復雜數據對象的數據挖掘提供了基礎設施，為網路環境下面向大眾的數據挖掘服務帶來了機遇，同時也為數據挖掘研究提出了新的挑戰性課題。

下面將對並行編程模型、基於並行編程模型高效海量數據挖掘演算法，以及基於雲計算的海量數據挖掘服務相關研究進行綜述。

2並行編程模型相關方法

為了使用戶能夠通過簡單的開發來方便地達到並行計算的效果，研究人員提出了一系列的並行計算模型。並行計算模型在用戶需求和底層的硬體系統之間搭建橋梁使得並行演算法的表示變得更加直觀，對大規模數據的處理更加便捷。根據用戶使用硬體環境的不同，並行編程模型又可以分為在多核機器、GPU計算、大型計算機以及計算機集群上的多種類型。目前比較常用的並行編程介面和模型包括：

pThread介面[2]。pThread是在類Unix系統上進行多線程編程的通用API，為用戶提供了一系列對線程進行創建、管理和各類操作的函數，使用戶能夠方便地編寫多線程程序。

MPI模型[3]。MPI的全稱為消息傳遞介面（Message Passing Interface），它為用戶提供了一系列的介面，使用戶利用消息傳遞的方式來建立進程間的通信機制，從而方便地對各種演算法進行並行實現。

MapRece模型[4]。MapRece模型是由谷歌公司提出的並行編程框架，它首先為用戶提供分布式的文件系統，使用戶能方便地處理大規模數據；然後將所有的程序運算抽象為Map和Rece兩個基本操作，在Map階段模型將問題分解為更小規模的問題，並在集群的不同節點上執行，在Rece階段將結果歸並匯總。MapRece是一個簡單，但是非常有效的並行編程模型。

Pregel模型[5]。Pregel同樣是由谷歌公司提出的專門針對圖演算法的編程模型，能夠為大規模數據的圖演算法提供並行支持。一個典型的Pregel計算過程將在圖上進行一系列的超級步驟（SuperSteps），在每個超級步驟中，所有頂點的計算都並行地執行用戶定義的同一個函數，並通過一個「投票」機制來決定程序是否停止。

CUDA模型①。CUDA是由NVIDIA公司提出的一個基於GPU的並行計算模型。由於GPU在設計需求上與普通CPU不同，GPU通常被設計為能較慢地執行許多並發的線程，而不是較快的連續執行多個線程，這使得GPU在並行計算上有先天的優勢。CUDA為用戶提供了利用GPU計算的各種介面，使程序員能夠像在普通電腦上進行CPU編程那樣進行GPU程序的編寫。

此外還有OpenMP、PVM、OpenCL等各種並行編程模型和方法。這些並行編程和方法一般都提供了主流編程語言的實現，從而使得用戶能根據自身編程習慣來選用。

另一方面，隨著雲計算的不斷推廣，還出現了各種商用的並行計算/雲計算平台，為用戶提供並行計算服務。這其中比較著名的包括微軟的Azure平台、Amazon公司的EC2平台、IBM公司的藍雲平台、谷歌公司的Google App Engine等。各大IT公司也紛紛開發自己的並行計算模型/框架作為自身技術服務的基本平台，這使得並行計算技術得到了更加快速的發展。

3基於並行編程模型高效海量數據挖掘演算法研究

為了實現海量數據上的數據挖掘，大量分布式並行數據挖掘演算法被提出。Bhari et al[6]整理了一個十分詳盡的並行數據挖掘演算法文獻目錄，包含了關聯規則學習、分類、聚類、流數據挖掘四大類分布式數據挖掘演算法，同時還包括分布式系統、隱私保護等相關的研究工作。

MapRece並行編程模型具有強大的處理大規模數據的能力，因而是海量數據挖掘的理想編程平台。數據挖掘演算法通常需要遍歷訓練數據獲得相關的統計信息，用於求解或優化模型參數。在大規模數據上進行頻繁的數據訪問需要耗費大量運算時間。為了提高演算法效率，斯坦福大學Chu et al[7]提出了一種適用於大量機器學習演算法的通用並行編程方法。通過對經典的機器學習演算法進行分析可以發現，演算法學習過程中的運算都能轉化為若干在訓練數據集上的求和操作；求和操作可以獨立地在不同數據子集上進行，因此很容易在MapRece編程平台上實現並行化執行。將大規模的數據集分割為若乾子集分配給多個Mapper節點，在Mapper節點上分別執行各種求和操作得到中間結果，最後通過Rece節點將求和結果合並，實現學習演算法的並行執行。在該框架下，Chu et al實現了十種經典的數據挖掘演算法，包括線性回歸、樸素貝葉斯、神經網路、主成分分析和支持向量機等，相關成果在NIPS 2006會議上發表。

Ranger et al[8]提出了一個基於MapRece的應用程序編程介面Phoenix，支持多核和多處理器系統環境下的並行程序設計。Phoenix能夠進行緩存管理、錯誤恢復和並發管理。他們使用Phoenix實現了K-Means、主成分分析和線性回歸三種數據挖掘演算法。

Gillick et al[9]對單程學習（Single-pass）、迭代學習（Iterative Learning）和基於查詢的學習（Query-based Learning）三類機器學習演算法在MapRece框架下的性能分別做了評測。他們對並行學習演算法涉及到的如何在計算節點之間的共享數據、如何處理分布式存儲數據等問題進行了研究。

Mahout①是APS（Apache Software Foundation）旗下的一個開源數據挖掘項目，通過使用Apache Hadoop庫，可以實現大規模數據上的並行數據挖掘，包括分類、聚類、頻繁模式挖掘、回歸、降維等演算法，目前已經發布了四個版本。

4基於雲計算的海量數據挖掘服務研究

雲計算除了給用戶提供通用的並行編程模型和大規模數據處理能力之外，另一個重要的特點是為用戶提供開放的計算服務平台。在數據挖掘方向，現在也有一系列的系統被開發出來，面向公眾提供數據挖掘服務雲計算平台。

Talia et al[10]提出可以從四個層次提供雲計算數據挖掘服務：底層為組成數據挖掘演算法的基本步驟；第二層為單獨的數據挖掘服務，例如分類、聚類等；第三層為分布式的數據挖掘模式，例如並行分類、聚合式機器學習等；第四層為之前三層元素構成的完整的數據挖掘應用。在此設計基礎上，他們設計了基於雲計算的數據挖掘開放服務框架，並開發了一系列的數據挖掘服務系統，例如Weka4WS、Knowledge Grid、Mobile Data Mining Services、Mining@home等，用戶可以利用圖形界面定義自己的數據挖掘工作流，然後在平台上執行。

PDMiner[11]是由中國科學院計算技術研究所開發的基於Hadoop的並行分布式數據挖掘平台，該系統現在已經用於中國移動通信企業TB級實際數據的挖掘。PDMiner提供了一系列並行挖掘演算法和ETL操作組件，開發的ETL演算法絕大多數達到了線性加速比，同時具有很好的容錯性。PDMiner的開放式架構可以使用戶將演算法組件經過簡單配置方便地封裝載入到系統中。

此外，商業智能領域的各大公司也提供面向企業的大規模數據挖掘服務，例如微策略、IBM、Oracle等公司都擁有自己的基於雲計算的數據挖掘服務平台。

5總結和展望

通過雲計算的海量數據存儲和分布計算，為雲計算環境下的海量數據挖掘提供了新方法和手段，有效解決了海量數據挖掘的分布存儲和高效計算問題。開展基於雲計算特點的數據挖掘方法的研究，可以為更多、更復雜的海量數據挖掘問題提供新的理論與支撐工具。而作為傳統數據挖掘向雲計算的延伸和豐富，基於雲計算的海量數據挖掘將推動互聯網先進技術成果服務於大眾，是促進信息資源的深度分享和可持續利用的新方法、新途徑。

『貳』 有沒有哪個手機應用可以解代數方程

有很多，如手機版的有個名為易歷知食的軟體，其內部的代數計算器就可以解方程和畫函數圖。可以試試。

解一元一次方程如：

『叄』 杭州順其軟體科技有限公司在企業信息化行業內的口碑怎麼樣

2020年的安防圈，彷彿被按下了暫停鍵，項目停滯、融資緩慢、研發縮減，沒有人能預料到，中國安防的新十年，是以這樣的狀態開始，不少企業也以這樣的方式結束。

過去十年裡，近千家安防產業鏈廠商，經過無數次物競與天擇，僅留下數十家企業，擁有充沛的資金和技術儲備，迎接新十年。

站在安防新十年的這個節點之上，9月5日，由雷鋒網 & AI 掘金志主辦的第三屆中國人工智慧安防峰會，在杭州正式召開。

本屆峰會以「洗牌結束，格局重塑」為主題，會上代表未來新十年的15家企業，為現場1000餘位聽眾和線上幾十萬觀眾，分享迎接安防新十年的經營理念與技術應用方法論。

以下是本次大會的精彩回顧：

國際人工智慧聯合會首位華人理事會主席楊強：「聯邦學習下的數據價值與模型安全」

楊強在大會中指出，目前很多行業並沒有真正意義上的大數據，產學兩界都缺乏高質量、有標注、不斷更新的數據。

如何保證各方數據私密不外傳，又能保證數據更新？這就是分布性數據隱私保護、聯合建模的挑戰和需求——把小數據聚合起來成為大數據。

加上現在人們愈發重視隱私，政府紛紛立法，對技術的監管趨嚴，聯邦學習正為保護隱私帶來了技術上的新思路。

如何理解聯邦學習？「邦」是指每個實體參與者地位相同，無論大小，提供的價值才是他們存在的意義；「聯」是用一種方式把它們聯合起來，保護隱私，一起做有意義的事情。

聯邦學習的宗旨是「數據不動模型動」，目標是「數據可用不可見」。數據可以用，但是這些原始數據是合作方彼此之間見不到的，所以一些散亂的小數據就可以成為虛擬的大數據。

楊強教授介紹稱，目前聯邦學習主要有橫向聯邦（樣本不同、特徵重疊）和縱向聯邦（樣本重疊、特徵不同）兩種做法，前者更適用於to C場景，後者適合to B場景。

他強調，聯邦學習和分布式AI、聯邦資料庫的區別在於：過去這二者的數據形態、分布、表徵皆為同類，但在聯邦學習里它們可以是異構的；且過去聯邦資料庫目的是並行計算、增加效率，但現在數據本身屬於不同的屬主，所以需要做加密情況下保護隱私的計算。

隨後，楊強也談到了聯邦學習在安防等領域的應用。此外，楊強團隊還推動制定世界上第一個聯邦學習國際標准，同時也發布了開源平台FATE，並且積極籌措聯邦學習聯盟，共建聯邦學習生態。

海康威視EBG解決方案部總裁李亞亞：「賦能數字轉型，服務千行百業」

李亞亞介紹，海康目前的業務主要分為三塊：綜合安防、大數據服務和智慧業務。

數字經濟和數字化轉型成為必然趨勢下，人工智慧交付問題依然面臨挑戰，難點有三：一是泛在需求，這是場景碎片化、需求差異化必然帶來落地難問題；二是復雜交付，涉及產品、施工、演算法優化、信息系統打通、業務流程轉型等諸多問題。三是成本可控，關注投入產出比非常必要。

李亞亞認為，解決落地難，仍然是要回歸商業本質。要從產品的品質抓起，目的是讓各行業都享受到技術革新的紅利，通過場景化、差異化的問題解決，提升用戶的業務價值回報。

數字化轉型是一個逐步進階的過程，場景化是路徑，因此要通過系統的產品體系去支撐場景化應用。面向企業領域的數字化業務的開展和落地，海康威視從拉近管理距離，提升業務效率，規范作業行為，防範安全隱患四個維度出發為行業賦能。

海康威視秉持開放融合的合作理念，攜手合作夥伴，共同實踐數字化轉型之路；秉善篤行，不斷創新技術和產品賦能千行百業，為社會的安全和發展開拓新視界。

大華股份先進技術研究院院長殷俊：「AI 行業應用，產業升級」

殷俊認為，AI經歷了理論研究的1.0、智能落地的2.0，目前處於行業智能的3.0階段。

AI 1.0時期是「兩耳不聞窗外事，一心只讀聖賢書」，計算力不夠，數據有限，演算法不成熟；2.0階段是「紙上得來終覺淺，絕知此事要躬行」，演算法、算力有了突破，成熟的演算法尋找落地場景；3.0階段是「忽如一夜春風來，千樹萬樹梨花開」，行業最需要的不僅是一套演算法、一套系統，而是企業解決客戶痛點和需求的能力。

在行業智能背景下，人工智慧需要具備的基礎能力包括：一是AI技術泛化、快速遷移新應用的能力；二是應用牽引，快速適配新需求的能力。

殷俊認為在3.0階段是應用主導個性化和AI解決方案的敏捷交付。在這個過程中，首先要構建人工智慧解決方案的端到端體系化能力，大華已經在四個方向做了重點布局：系統架構、數據智能、智能工程化、智能技術。

除了構建以上核心能力，大華還開放全棧能力，賦能行業生態，並在實戰中持續積累人工智慧核心技術，針對全場景理解、小規模數據、泛化能力、多任務學習和AutoML等人工智慧的五大技術挑戰，開展實踐探索，並已取得實戰應用成果。

最後，殷俊強調，AI目前還是依賴人工為主，大華希望未來在行業共同努力下，能夠真正轉向AI的自我智能，推動行業智慧化落地。

西部數據智慧視頻產品首席技術官孫煜：「AI安防與存儲的變革」

孫煜提到人工智慧在監控行業的應用四個主要要素：晶元、軟體、存儲和廠商。

晶元不斷提升算力，並降低成本，軟體提供高效實用的演算法，海量數據需要被存儲才能被利用，廠商集成以上要素並落地。這個生態中，各方要素一起合作才能使得AI真正落地。

AI應用，使得視頻監控的存儲架構從以前的端和邊，變為現在的端、邊、雲，連接方式雲化，其中，存儲器需要更高順序讀寫性能、更大的存儲容量、更高地隨機讀寫性能、更快地響應時間。

西部數據通過提供視頻監控行業從終端到核心的存儲產品組合，協助視頻監控行業的AI落地。

孫煜演示了西部數據專門為整個視頻監控行業打造的從端、邊、雲的各個產品組合，以及專門隨時檢測硬碟監控狀態的軟體WDDA，Western Digital 設備分析 (WDDA) 是 Western Digital 的監控優化存儲產品系列支持的全新設備分析功能。WDDA使管理員能前瞻式地管理存儲設備並保持性能優化，防止意外故障。

孫煜強調AI進入後傳統監控盤力不從心，系統廠商通過合並通道單碼流，順序地寫入，大大減少了硬碟的飛行時間和次數，把飛行機會轉移到資料庫訪問，提升存儲系統的性能。

西部數據認為提高數據利用率的關鍵，是告別簡單粗放模式，進行精細化的分層存儲策略，他們還建立起一套四層存儲架構體系：熱存儲、溫存儲、冷存儲、極冷存儲，分而治之，極大地提高數據利用效率。

商湯科技智慧城市事業群產品副總裁朱鑫：「AI 驅動城市智能化變革」

數字化轉型的核心技術是雲計算、移動互聯網、物聯網以及大數據，更多是在於更高效的信息組織，更順暢的一些信息流動，以及更便捷的信息訪問，從而去改善企業以及行業的效率，生產力是百分比提升。

智能化變革，機器將取代人工，如此會形成一個自主的組織生產，最關鍵的是，隨著數字技術、晶元、摩爾定律以及雲計算能力相關規律影響，機器成本會持續下降，規模化後機器成本會趨向極低的成本。彼時對生產力的提升不是百分比，可能是倍數，甚至是指數級。

大量的城市物聯設備、規劃的城市群，以及城市裡形成的大量人流、物流、車流、金融流、數據流，組成了城市互聯網。

朱鑫總結了城市互聯網市場下，真正推動一個城市智能化變革的三大支柱系統。

一是新一代的聯網匯聚平台。視覺數據是城市最豐富的數據資源，前端設備收集的數據通過聯網匯聚，形成城市動態的數據資源池，動態數據經過AI系統處理後，成為城市數據資產。二是超級計算底座。每個城市需要一個新型的超算中心。三是城市級演算法系統。系統有三大板塊：城市的主演算法系統、城市級場景演算法系統和通過融合、關聯、決策，形成一個完整的城市的演算法系統。

商湯在這幾個支柱下面形成了一整套體系與方案，從最底層的基礎建設開始，從數據中心基礎設施到城市智能的計算中心，再到城市智能雲賦能中心，把整體演算法系統能力都放在雲賦能中心。

宇視副總裁、首席架構師姚華：「AI 如何得到人民的好口碑」

姚華回顧了2018年提出的AI與安防的七座大山，並指出如今視圖數據全鏈路計算邏輯已經形成，AI在安防已經從0跨越過1。宇視的AI部署已經在從城市到郊區、鄉村，解決群眾的小事和瑣事。

業務狀態出現新挑戰，比如動態人口服務和管理難、案件有效線索率低。姚華列舉「宇視追影系統」應用的三個案例：疫情期間24小時找回出走口罩少女，男子沿街威脅案件，合夥扒竊案，以上成功案例中，最關鍵的技術是ReID（跨鏡追蹤）。

姚華指出，ReID應用有七大技術難點：第一，不同姿態、角度、解析度下的人體之間的匹配；第二，復雜場景、有遮擋，密集人群等場景下的匹配；第三，不同交通工具上的人體的匹配；第四，不同時間段以及著裝變化後的行人匹配；第五，跨攝像頭模態行人匹配；第六，目標行人著裝發生變化後的匹配問題；第七，在較小訓練集上匹配演算法訓練較為受限問題。

宇視聯合博觀（擁有國際三大主流ReID數據集、Vehicle ReID等世界紀錄的演算法公司），設計了基於現有樣本的GAN對抗網路，較好地模擬了人體的多角度、多姿態特徵。同時，輔以多種預處理演算法，極大地擴充了原始樣本基數，使得在較小訓練集上匹配演算法訓練受限的問題迎刃而解。

其次，宇視在演算法中採取結合全局特徵和多尺度局部特徵的混合向量提取解決方案，並在訓練中採用遷移學習，再者，對每個人體的局部特徵進行重定位的匹配訓練，通過實現對人體局部位置的精準定位，可將人臉識別與ReID聯動結合，解決跨鏡追蹤應用的諸多難點。

宇視追影系統發布一周年，實戰應用落地中國百餘個城市和地區，實戰案例超1000個，找回走失人口100餘人，小微案件偵破率提升50%。最後，姚華用「好AI，為人民服務」結束：小案件是群眾的「天」，無論鄉村還是城市，AI幫助解決小案件難題，能讓我們尊重每一個微小的個體。

360城市安全集團副總裁、360視覺科技總經理邱召強：「360 以安全為基礎的 AI 技術與應用 」

邱召強表示，當行業在享受技術帶來當先進性時，360通常用逆向思維思考：一個新的技術產生的同時會帶來哪些安全隱患。

邱召強指出了數字時代的四個特徵：第一，一切皆可編程，也造成漏洞無處不在；第二萬物均需互聯，虛擬世界的操作帶來了物理真實世界巨大的災難；第三大數據驅動業務，數據一旦匯總，安全性難以保證；第四軟體定義世界，世界架構在軟體之上，脆弱性前所未有。

360在過去15年，總結和打造出了一套雲端的安全平台。360安全架構是以安全大腦為核心，六大板塊，一個安全大腦，十個安全基礎設施，和一個運營的所發，一個專家的團隊，一個實戰演練機制和一個安全互通的標准。

背靠360城市安全集團，360視覺科技專注於人臉識別產品的開發和應用，打造出以大數據為基礎的視覺安全產品，包括了人臉識別門禁、人臉識別通道閘機、人證核驗設備等智能終端及針對辦公樓宇、酒店、商超、社區、學校，交通樞紐等場景解決方案，構建以安全為核心的智能生態。

360安全賦予了360視覺科技獨特的競爭力。針對人臉識別終端設備的安全，對核心庫和可執行性文件進行核心加固、對代碼加固、對應用程序加固，三重安全加固防護；此外，360視覺科技還獨創密鑰白盒技術，為人臉識別終端、雲平台環境中的數據加密及公私鑰身份認證，全程密鑰無明文。

最後，邱召強展示了360視覺科技人臉識別硬體家族，以及智慧園區、智慧樓宇、社區安全、智慧校園、機場安防、智慧辦事大廳等幾大行業解決方案。

華為機器視覺領域總裁段愛國：「華為 HoloSens ，點亮智能世界」

段愛國提出，一個真正的智能世界有三個非常典型的特徵或者基礎框架技術：一是萬物感知，二是萬物互聯，三是萬物智能。

在華為來看，萬物互聯、5G、光網路是華為的強項，華為機器視覺將成為華為在萬物感知的核心。

段愛國還認為，智能世界向前邁進有三大核心技術：以全息感知為核心的機器視覺，以萬物互聯為基礎的移動無線通信，以及萬物智能的AI技術，2020年這三個技術開始合攏。

所以華為在2020年率先提出，所有的視頻技術應該從人看向給機器看轉移，並正式把產品線更名為「機器視覺」，聚焦打造兩個核心的能力：一是前端的全息感知能力，二是在後端用數據驅動，反作用於物理世界，驅動於智能世界。

4G的時代，以智能手機為核心，出現了各種行業移動互聯網的應用。在華為來看，機器視覺就是5G時代的行業數字化的智能手機。段愛國還提到，過去5年，AI的成本在下降，AI已經進入到普惠的時代，他預測未來兩年智能攝像機一定會超過網路攝像機。

另外，華為將聚焦打造4個核心戰略產品和平台：前端的軟體定義攝像機，後端的智能視頻存儲，類似於智能手機應用市場的智能演算法應用商城，以及華為機器視覺雲服務。

在此基礎上提出四大戰略策略：戰略一，積極投入全棧全場景的AI研究；戰略二，重構產業架構，加速智能化升級；戰略三，平台+生態，賦能千行百業；戰略四：端邊雲協同，深度數據挖掘。

最後他強調， 會將開放進行到底，未來的智能世界很復雜，華為不可能一個人包攬全部的工作，希望大家一同成長。

曠視副總裁那正平：「城市大腦的條與塊」

那正平表示，城市治理數字化、智能化浪潮中，無論是智慧城市、城市大腦還是數字孿生概念，核心思想都是通過物聯網、人工智慧等技術，准確發現城市運行的內在規律，從而進行動態優化調節，解決城市面臨的安全、出行、環境、產業升級等諸多問題，最終提升城市治理水平。

那正平歸納出做好城市大腦和城市大腦的操作系統的幾大要點：深入研究城市發展規律；探尋業務本質；先具象再抽象；腳踏實地，長期主義。

曠視通過分析城市空間和管理對象，指出城市的日常運作管理需要秉持以人為本核心，城市大腦應圍繞條塊結合的方式實現綜合管理，實現條、塊、腦、OS的協同。

城市大腦中的條應用總量少，單體規模大、高並發、數據壁壘強；而塊總量大、IoT種類多，低並發、數據壁壘低，集成聯動潛力大。

基於此，曠視提出：構築城市大腦需要先圍繞「條」和「塊」打造城市級的超級應用，驗證產品、實現單一場景閉環，從而形成具有曠視特色的軟體和硬體產品矩陣，最終逐漸沉澱出城市級和建築級AIoT操作系統，實現城市物聯網的閉環。

曠視認為，人工智慧產業現在處於並將長期處於初級階段，我們必須正視並不能超越這個初級階段。第二，人工智慧產業的主要矛盾是市場日益增長的多樣化需求同落後的演算法生產力之間的矛盾。

雲從科技安防行業部總經理李夏風：「人機協同平台，助推社會治理現代化升級」

雲從認為人機協同有三部分：人機交互、人機融合、人機共創。

人機協同中，各個行業的專家、以機器代表的AI知識服務和用戶，三者形成一個閉環，首先專家把知識賦能給機器，機器轉換成智能化產品並提升客戶的體驗，用戶從中反饋出個性化的需求，後續提升專家的效率並反哺到產品或服務中。

雲從人機協的落地通過三部分實現：智能化終端設備收集數據，同時也是人機交互的入口，雲端大腦是整個數據的匯集、分析、提煉的中樞，當數據大腦經過分析，形成相關的服務後，通過嵌入式的模塊，即AI平台，實現人機協同在各個場景落地。

而AI訓練平台融合數據智能標注、OCR訓練、圖像訓練、NLP訓練、視頻結構化訓練於一體，根據場景數據，生成符合行業需求的AI模型演算法。雲從的智能解析引擎具備軟硬解耦特性，可以適配國有自主晶元，還能實現效率和使用維度的極大地性能提升。

基於雲從的數據分析引擎，提供面向數據全生命周期的分析、挖掘及應用服務，完成數據到知識的價值轉換，賦能各業務場景應用。

具體來說，匯聚感知數據，打造數據挖掘基礎，融合業務數據，靈活定製生成各類標簽，拓展業務對象，並依託認知信息，形成各類專家的決策，為決策提供有力的支撐，最後，依託可視化專家建模，固化專家經驗模型，積累與傳承業務知識。

從數據到知識是數據價值挖掘的必經之路，目前大部分數據資源沒有得到充分利用，雲從的知識生產與服務平台KaaS，通過將標簽、機器學習等知識模型化、在線化，加上AI 引擎， 變數據/經驗為在線知識。

通過數據智能模型為核心的知識體系構建實現從多維數據中挖掘隱形事件背後的關聯關系及規律現象，服務於風險防控、態勢預測、行為畫像、虛擬軌跡等各類實際業務決策。

比特大陸AI業務線CEO王俊：「安防新基建，AI 芯智能」

王俊認為，當市場容量足夠大時，總是會催生出更專注的產品，因為越是專注的產品，越容易獲得更高的效率，隨著AI市場的爆發，AI的計算硬體亦是如此。過去大家用GPU來取代CPU提供AI算力，現在正是從GPU切換至TPU或其他AI專用晶元以獲得更高效率的時代。

比特大陸算豐自研的TPU，覆蓋了雲、邊、端，專注於深度學習計算，相對於CPU和GPU，在獲得更高性能的同時，還具備更高的性價比和更低的功耗。安防行業已經完成了從看得見到看得清，看得清到看得懂的階段，而未來在更多專用AI晶元加持下，可繼續實現看得快、看得起。

王俊還提到，比特大陸算豐業務堅持專注、開放、合作共贏的理念，專注AI晶元及其相關硬體的研發，同時開放各個層次的軟體介面方便各種演算法的接入和優化，力求和各個演算法、應用等合作夥伴緊密合作，共同打造完整的AI解決方案。

同時，他們會打造基於比特大陸算豐晶元的算力平台，提供數據、演算法、應用的統一管理，這樣不同的應用需求，基於不同深度學習框架的不同演算法方案，都可簡單、高效的運行在該算力平台上。用戶可自由選擇最合適的方案，接入數據，並獲得智能分析的結果。如此，在真實的場景中，無論是人臉識別、視頻結構化這樣單一的應用，還是城市大腦這樣的綜合方案，比特大陸都可基於該平台，聯合合作夥伴，提供統一、高效、易用的AI算力服務。

澎思科技副總裁曲瀚：「AIoT 新基建，加速人工智慧進入普惠時代」

澎思科技認為人工智慧新基建的一個核心就是AI的基礎設施化，分為技術基礎設施和融合基礎設施。

在此趨勢下，智慧城市和AI安防將成為新基建的最佳試驗場。另外，AI安防也逐漸發展到了第二階段，AI在To B領域的發展開始從單一的場景向全社會各個領域延伸，每個細分的場景都展現出不同的AI服務需求，未來就是服務為王的時代，誰能夠快速精準地把握住客戶的需求，誰就能夠在未來的競爭中快速勝出。

曲瀚指出，AI普惠的產品有兩個核心要點：一是極致產品體驗，二是場景化的解決方案能力。實現AI普惠的終局在於四個方面：第一，萬物智聯，所有的AI終端實現在線化。第二，推動AI演算法向通用智能演算法演進，降低機器學習的成本，提高泛化能力。第三，構建一個豐富的產品生態。第四，場景的聯動和重塑。AI不是一個孤立的系統，需要和客戶的其他系統做連接和聯動，才能使得場景服務變成一個主動智能的服務。

澎思基於對普惠AI的理解，構建了澎思AIoT生態平台，包括四個關鍵的能力：第一，智能視圖大腦。演算法會從雲、邊、端三個維度全鏈條嵌入。第二，全系列自研的智能邊緣設備。第三，打造雲端智能服務的開放平台。第四，後端建立數據管理平台，使得數據在AI、硬體以及雲服務能夠充分地流動，實現業務和訓練數據的並軌。

曲瀚還表示，普惠AI最核心的是演算法能力，這是整個AIoT業務的底座，澎思的演算法在雲端和邊緣端都走在世界的前列。

最後，曲瀚還重點介紹了在智能城市「新基建」中，澎思在城市公共安全與治理、人居場景智能化兩大場景中的落地情況，以及深度參與新加坡等海外市場智慧城市的建設經驗。

的盧深視CEO戶磊：「大庫時代，落地千萬級刷臉系統的技術剖析與建庫經驗」

戶磊提到，大庫時代，金融支付、交通等眾多場景亟需千萬級精準人臉識別技術方案。目前行業內現有方案為多引擎，多層級，分庫管理模式，系統復雜、軟硬體開銷大、成本高、效率低。

因此理想的大庫識別方案應該具備以下幾點：精準，萬億分之一誤識別率，千萬級別底庫，魯棒性好，高度兼容性，以及價格適宜。而的盧深視是全國首個建立省級規模三維人像資料庫的AI公司。

的盧深視的千萬級精準識別的刷臉系統具有幾大關鍵技術點。

系統架構，分為三個層次，由前端多維智能感知系統、千萬大庫雲端中台和多模態關聯分析與預測組成。

其中高性能三維人臉識別演算法與前端相機深度集成，降低後端計算開銷，中台支撐千萬級大庫人臉的建庫、清洗、檢索，適配度高、效率高，多模態架構的兼容性好，分析預測環節基於大數據的邏輯推理，時空軌跡關聯分析，將2D/3D人臉、人體、物品、時間、地點等多維大數據融合，深度挖掘數據之間的關聯性，實現預測與預警。

其次是技術架構。核心演算法層，其中最重要的是3D演算法層；平台技術層，包括後端的技術，包括通信計算、協同優化等等技術；業務中台，對數據接入、數據管理、數據清洗、優選，而後融到庫裡面進行數據同步，最終支撐各種各樣應用。

再者，的盧深視建立三維數據標准及評價打分體系，這是後續進行三維應用的基礎，的盧深視對於各種數據類別，均提供數據質量要求及評價標准。

戶磊還總結了的盧深視3D識別的優勢：

• 准確率高，保證精度不損失的情況下，突破了三維人臉識別的量化技術，最終可以實現在千萬級庫上面秒級的反饋結果，可以保證萬億大庫下的高准確率 。
  

• 魯棒性好，實現了深度圖和紅外圖的識別，不受光線影響，包括大角度、濃妝識別的准確率，能夠融入15到20度大的角度的差異。

• 安全性高，尤其對於活體檢測，能夠實現2D平面偽裝攻擊方式100%防禦。
  

平安科技副總工程師王健宗：「聯邦智能——智慧城市的突圍之道」

目前，人工智慧在移動互聯網、雲計算、大數據、IOT、5G等新技術的驅動下得以迅猛發展， 不過在AI技術落地時總是有所欠缺，即人工智慧通用演算法在本地化部署過程中所面臨的數據困境，而這一塊恰恰是相關行業或企業所缺乏的。


王健宗認為，其數據困境主要是三點：數據孤島、法律法規監管日趨嚴格，以及傳統AI技術模式下的限制。


聯邦智能是以聯邦學習為龍頭，同時涵蓋聯邦數據部落、聯邦推理、聯邦激勵機制，共由四部分組成。面對目前日益苛刻的數據安全隱私的問題，通過構建聯邦學習的技術內核，建立聯邦數據部落，實現具備隱私保護的聯邦推理，並以聯邦激勵機制為紐帶形成一個完整的AI生態格局，從而打破數據壁壘，使人工智慧發展邁向新階段。


其中，聯邦學習是隱私保護下的分布式機器學習技術，以及「數據孤島問題」的解決方案。聯邦數據部落，在確保數據安全及用戶隱私的前提下，建立基於聯邦智能的大數據部落生態，充分發揮各行業參與方的數據價值，推動垂直領域案例落地。聯邦推理，在一個隱私與安全的鏈路過程中，發揮著引擎模型的聯邦推理作用。聯邦激勵機制，它的核心是一個遵循基本准則的閉環學習機制，通過聯合建模協議達成、貢獻度評估、激勵及資金劃定等環節，吸引外部企業參與，加入聯邦智能生態。


平安的蜂巢聯邦智能平台。在整個平台中，蜂巢依託平安集團這一綜合性集團背景，能夠提供智慧金融、智慧城市、智慧醫療商用級的一站式解決方案，希望能夠以此激活數據價值，這也是整個平台的使命。蜂巢平台的目標是跨企業、跨數據、跨領域，實現整個大數據AI生態。此外，它在營銷、獲客、定價、風控、智慧城市等等方面推出了相關的解決方案。


最後，王健宗總結道，聯邦智能作為樞紐，將會為智慧城市的未來提供更多新的機會。同時，隨著公民隱私安全意識的不斷加深，它將更好地為公眾帶來高品質的個性化服務，並在當前新基建的背景下，立足於數據，依託聯邦智能生態，加速精細化服務時代的到來，這也是聯邦智能的機會。


靈伴科技公共安全事業部總經理劉葉飛：「安防新十年，AR 來主宰」

劉葉飛認為AR在智能安防領域有獨特優勢，比如第一視角顯示，融合現實世界，人機交互自然，信息傳遞准確。AR技術如果運用到智能安防領域，在未來的十年，AR+AI必定推動整個安防市場。


杭州靈伴科技成立於2014年，從做語音識別、語音交互起家，隨後過度到視覺交互，主要體現在AR層面，在2020年，靈伴推出了全球首款光波導形態的AR智能眼鏡。


他還現場展示了靈伴科技在全球首款可量產的光波導智能眼鏡，可折疊，小巧輕便。基於光波導優質的顯示效果，可以不影響正常視線的情況下與外界進行交互。


劉葉飛還介紹，這款智能AR眼鏡具有人臉識別、紅外測溫、車牌識別、執法記錄、信息推送、遠程指揮等等功能，相當於取代三個信息化執法終端所有的功能。除了安防行業，還可在智慧園區、大型安保活動、監獄、海關/邊檢、軌道交通、機場等多種場景使用。此外，靈伴科技在博物館、兩會、疫情防控等場景下的均有落地案例。

安防「新十年」頒獎典禮

大會演講環節結束後，峰會進入到安防「新十年」頒獎環節。

AI與安防的融合，經由2018年的靜水深流、2019年的混沌廝殺，2020年的技術研究與方案落地將會更為清晰、成熟。

身處產業臨界節點，雷鋒網AI掘金志啟動安防「新十年」評選活動。


雷鋒網AI掘金志從商業維度出發，基於對AI安防產業四年的調研和資源積累，並聯合政、企、學、投資四界的評選委員，致力於尋找廣受市場認可的企業、產品，尋找人工智慧在各個行業的最佳應用。

五大城市代表企業榜

五大最佳行業解決方案榜

引領未來十年的五大新基建企業

『肆』 關於編程的書籍

一、Python系列（3本）

如果你之前一點編程經驗都沒有，先看如下兩本：

1、《簡明Python教程》(A Byte of Python)

入門Python的絕佳Tutorial，從書的目錄便可以了解到作者Swaroop C H清晰的行文思路，以及對Python高超的駕馭能力。

2、《集體智慧編程》

以具體實例的方式來展示Python的編程技巧，受益良多。作者用非常直觀的方式向讀者展示了人工智慧和機器學習中的大量經典的演算法。更可貴的是，作者在展示演算法時所使用的例子都是網路中非常有代表性的場景，並且很多情況下還會結合一些實際運營的 Web 站點的數據作更進步闡釋。當然，作為一本實用型的書，少不了的是大量可運行的代碼。

3、《Python Cookbook中文版，第3版》

這本書可謂Python版《代碼大全》。有人說《代碼大全》這類書是字典，其實不盡然《代碼大全》是高手過招。《Cookbook》也如此，閱讀時總能讓你有一種：「哇塞，漂亮！」的感覺。能把 Cookbook 全部讀完，你的Python水平絕對發生質變。

二、Java語言系列（3本）

1、《Java核心技術·卷1：基礎知識（原書第9版）》

Java領域最有影響力和價值的著作之一，擁有20多年教學與研究經驗的資深Java技術專家撰寫，與《Java編程思想》齊名。

2、《演算法 第四版》

Java 語言描述，演算法領域經典的參考書，全面介紹了關於演算法和數據結構的必備知識，並特別針對排序、搜索、圖處理和字元串處理進行了論述。書的內容非常多，可以說是Java程序員的必備書籍之一

3、《數據結構與演算法分析：Java語言描述》

這本書真是非常好！個人感覺很適合給初學者入門看，裡面的分析數學公式恰到好處，沒有演算法導論的令人望而生畏，也沒有國內圖書的草草了事，既學習了數據結構又有剛剛好的演算法分析，很容易使人產生共鳴。

當然，對於Java我們建議進行系統的學習，扎實基礎不能只靠看書。如果你有任何疑問，歡迎你在千鋒武漢官網上留下你的相關情況，我再對號入座幫你解答。
在這里插入圖片描述
三、前端系列（4本）

1、《Java權威指南（第6版）》

淘寶前端團隊翻譯，這本書又叫犀牛書，號稱Java開發者的聖經，網上對此書評價很多，大概意思都是說這本書是一本Java文檔手冊，沒有完整看過一遍此書的都不能算是一名合格的前端工程師。

2、《Java高級程序設計（第3版）》

又稱紅寶書，雅虎首席前端架構師，YUI的作者Zakas出品。雖然書名帶了「高級」二字，但是講得也很基礎，而且行文風格很流暢，每一小節就像是一篇博客，讀起來並不枯燥，個人感覺比上面那本犀牛書可讀性更強。

3、《Java設計模式與開發實踐》

本書是在設計模式上的進一步擴充。一大特點就是結合實操，代碼完整能直接應用到實際開發中。

4、《Web性能權威指南》

本書是谷歌公司高性能團隊核心成員的權威之作，堪稱實戰經驗與規范解讀完美結合的產物。本書目標是涵蓋Web開發者技術體系中應該掌握的所有網路及性能優化知識。