未来
咱们想想未来。
未来的企业应用特征是：社会化商业、网络连接、数据智能
未来的信息化场景是：企业互联网-产业互联网-社会化商业
未来的信息化产品体系是：产业互联网云服务、中台与平台、企业级云ERP
未来的数字化场景是：智能零售、智能仓储物流运输、智能车间、智能办公、智能城市
未来的数字化产品体系是：智能硬件芯片、智能OS、IoT物联网接入平台、可视屏音箱助手
未来的中台与平台：
1、网络连接：互联网服务连接平台、物联网连接平台、SaaS服务连接平台、ERP集成平台
2、数据：数据中台、大数据技术平台
3、智能：人工智能技术平台、人工智能应用中台
未来的技术栈是：
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：人工智能精准搜索/关系图谱、区块链
未来商业模式：
1、IT服务：云订阅服务、智能硬件
2、金融服务：大数据+AI驱动的金融信贷服务、大数据+AI驱动的金融科技服务（聚合支付服务、反欺诈服务、信用服务、实时风控服务）
3、业务服务：大数据+AI驱动的：社会化财税自动化服务、社会化用工调度服务、社会化营销数字化服务、社会化供应链资源调度服务
看，从客户需求，到产品，到技术，到商业模式，全不一样了。面对未来，不管是中国BAT互联网公司，还是中国企业软件公司，还是国外的企业软件巨头公司，还是实业企业的科技公司，大家全都同一个起跑线，全都懵逼探索，就看谁从研究、战略合作、资本融资与投资并购、组织与人才、激励多方组合，谁能做到：选准、做对、跑得快，谁就能赢得未来。
筑底
人工智能专业发展了60年，一共折翼两次。一次是刚刚发展起来，想通用解决问题，太乐观，当然折翼。一次是90年代，吸收了第一次的经验教训不搞通用了，专门做细分专业领域的专业系统，但太依赖专业领域知识加工，还是没法做成商业。
如何不强依赖专业领域知识呢？嘿嘿嘿，这就是这一次的发力重点：深度学习。这会对上层视觉识别、语音交互、自然语言处理三大应用领域都有加持助推效能。
而在深度学习领域，Google收购的英国DeepMind公司在这块有两个重大突破：神经网络（质量）、TransFormer（性能）。所以，各种CNN（卷积神经网络）、MTCNN（多任务卷积神经网络）、RNN（循环神经网络）、DNN（深度神经网络）、ResNet（深度残差网络）、LSTM（时间序列长短期记忆网络）、GAN（生成式对抗网络）。
模型改进：如大规模无监督模型GPT-2，并且结合了Attention机制，颇适合图像生成质量优化。
算法改进：如BERT算法，颇适合NLP训练质量优化。
当然，这些网络结构、算法、模型、机制都已经被开源成深度学习平台，这让高深的人工智能走入普通IT公司：
1、Google：Tensorflow/Koras
2、Facebook：Caffe/Pytorch
3、微软：CNTK/DMTK
4、AWS：MXNet
5、OpenAI：Open AI（目前尚无完全开源）
6、Apache：OpenNLP
7、百度：PaddlePaddle
8、Salesforce：TransmogrifAI
除了在算法模型平台层有开源外，在其他几个方面也凑在了一起：
1、算力芯片层：英伟达借助区块链比特币大风发展起来专用芯片GPU，也可用于人工智能。Google发布了TPU。
2、算力资源层：AWS、Azure云计算厂商都提供了人工智能训练所需的IaaS服务，正好适合人工智能训练这种波峰波谷的工作。
3、数据存储层：AWS、Azure云计算厂商都提供了云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、照片相册云盘这三样的普及，让图像数据积累快速膨胀。
所以说，这是学术界（算法模型）、工程界（开源）、云计算、智能手机移动互联网四者叠加的效果。所以，为啥这次学术界的人纷纷加入产业界，就是因为这个原因，没有数据没有算力没有应用场景，就没法改进算法模型。
开源
开源是个好东西。
我这里就是列了一些通用的、大面的。至于更详细的，大家可以看：paperswithcode这个网站，浩如烟海的论文和代码，你想要的都在这里。
一、视觉
1、OpenCV（Intel）、DeepDream（Google）
2、人脸识别：InSightFace
3、物体检测：Detectron（Facebook）
二、语音
1、语音到文字：wav2Letter（Facebook）
2、语音识别：kaldi（约翰霍普金斯大）
3、文字到语音：VoiceLoop（Facebook）、Merlin（英国爱丁堡大学）
三、NLP
1、搜索：Apache的Nutch、Luence、ElasticSearch
2、关联推荐：PredictionIO（Salesforce）、关联推荐算法库LibRec（中国东北大学）
3、对话系统：如DeepPavlov（莫斯科物理学院）、ParlAI（Facebook）、Texar（卡耐基梅隆大学）
4、通用NLP：Pytext（Facebook）、OpenNLP（Apache）、Spacy、AllenNLP、NLTK（宾夕法尼亚大学）、CoreNLP（斯坦福大学）、HaNLP（中国哈工大）、FastNLP（中国复旦大学）
四、深度学习
1、深度学习：Tensorflow/Koras（Google）、Coffe/Pytorch（Facebook）、微软CNTK/DMTK、AWS的MXNet、百度的PaddlePaddle。Salesforce还针对Tensorflow出了一套简化封装的流水线TransmogrifAI
2、增强学习：Dopamine（Google）
五、机器学习/数据挖掘
1、算法库：Spark MLlib、Numpy、Pandas
鸿沟
最早我们写应用，是UI、逻辑、数据一体化，如DBaseIII。
后来出现了大型关系数据库，我们才有了C/S结构，数据和应用分离。这是VB、PB、Delphi的辉煌时期。
后来又有了组件、容器中间件，所以我们才有了三层结构：UI层、业务逻辑层、数据层三者物理分离，而且三个层使用的技术也都不一样。尤其是出现了多端的时候，万金油程序员终于顶不住了，开始分离出专门的前端程序员（Web/移动App/小程序）。在数据层也是对象存储、SQL、NOSQL、数据仓库、大数据计算平台各种技术组合，就出现了数据层的专门程序员。反而业务逻辑层的技术变化并不大，编程语言也基本就是JAVA了。
但人工智能的出现，让业务逻辑层开始发生翻天覆地变化。如何让新技术从研究到研发逐环节培育转移？如何让新技术从原型到创新产品到核心产品逐层吸收应用？
对于前沿技术，最佳的研发组织分工应该是：
1、战略合作：云计算厂商合作、开源社区界合作、学术界合作。从云计算厂商来看，微软Azure很牛，开源社区Google很牛，学术界看了看香港很牛，港大、香港理工大、香港科技大、香港中文大学、香港城市大学都是榜上有名的。看来布局大湾区很有必要。
2、科学家研究实验室：战略合作、论文阅读理解、技术平台选择、原型算法原型模型原型应用快速突破验证
3、技术平台研发中心：人工智能技术平台正式研发、与科学家研究实验室合作开发技术算法模型、对人工智能应用平台暴露简化后的API
4、应用平台研发中心：开发人工智能应用平台、与应用雅畈中心合作开发应用算法模型、通过Open API平台对外暴露简化后的API
5、应用研发中心：微调节应用模型、调用Open API平台的一个API就直接应用了人工智能能力
6、大客户定制研发中心：微调节应用模型
最佳的研发流程应该是：
第一步：科学家研究实验室（特种部队尖刀连）：搭建快而脏的原型，快速技术+应用验证应用价值场景、技术使用性和技术成熟度，然后把成果转移给创新产品研发中心
第二步：创新产品研发中心：创新产品研发中心接到成果，当做最佳实践案例进行产品分析，然后对新技术模块、新产品模块，按照产品管理流程与质量保证进行正式的微服务化设计（如可扩展、可定制、高性能、高可用、可实施、可运维）
第三步：核心产品研发中心：在创新产品商业推广一年后，核心产品研发中心对核心产品进行新技术的吸收与利用，升级核心产品
【凡本网注明来源非中国IDC圈的作品，均转载自其它媒体，目的在于传递更多信息，并不代表本网赞同其观点和对其真实性负责。】
热门专题
