2020年12月29日

李开复「预见2021」：自动化成企业升级转型刚需

12月28日，在创新工场北京总部举行的媒体趋势分享会上，创新工场董事长兼CEO李开复博士，便给出了他对于2021年的预见：

新冠疫情触发了全社会的线上化、数字化、AI化，而在中国独特的经济环境下，更掀起了硬科技自主创新、企业降本提效的自动化需求、线上化加速消费结构变化、逆周期行业整合等六大结构性变化。

自动化、国产替代、线上化、医疗产业重塑，这四大领域将迎来空前发展机遇。

趋势一：自动化成企业升级转型刚需 热点领域是：无接触物流、自动化仓储、快速反应供应链、智能制造等。

趋势二：国产替代是自力更生的必然之路 中国硬科技要崛起，国产替代是必然之路。

趋势三：线上化加速，教育OMO成为主流 新冠疫情加速了医疗、办公、娱乐线上化，办公协同等工具类公司。其中，在线化对教育行业影响深远，不仅越来越多家庭接受线上教育，B端传统线下机构也加速转为线上，OMO（online-merge-offline，线上线下融合）成为主流。

趋势四：产业重塑，医疗是最大机会

产业重塑即是指通过创新商业模式和先进技术，推动整个产业转型升级。

阅读原文

《中国智能语音产业发展白皮书》之十大观点发布， 科大讯飞市占率国内第一

12月27日下午，由国家工业信息安全发展研究中心主办的「2020中国语音创新发展高峰论坛暨中国语音产业联盟年会」在天津滨海召开。会上，由国家工业信息安全发展研究中心发布了《中国智能语音产业发展白皮书》之十大观点摘要，为我们全面展示了语音行业的现状和未来。

《白皮书》之十大观点摘要指出，全球智能语音及人工智能产业发展方兴未艾，进入规模化发展并保持快速发展态势。在深度学习、云计算、大数据和5G等四大基础技术的加持下，智能语音技术及应用不断向人工智能产业延伸。

据预测，2020年全球智能语音及人工智能市场规模将超过200亿美元，谷歌、苹果、微软、科大讯飞等头部企业占有80%以上市场份额。全球智能语音头部企业优势明显，持续发力产业生态构建，市场发展潜力巨大。

据IDC报告预计，在语音语义市场，科大讯飞市场占有率稳居国内第一，而后是百度、阿里云、思必驰等。

阅读原文

CWI Bohté组在类脑计算SNN的训练算法上取得突破

ACM News报道，荷兰研究人员在SNN（脉冲神经网络）研究上取得突破，有望解决之前SNN训练困难、实际落地不便的难题，在达到传统神经网络的性能的同时，发挥SNN节能100~1000倍的优势，非常顺应目前边缘AI的大趋势。

这项研究是CWI（荷兰数学和计算机科学研究中心，Centrum Wiskunde＆Informatica）和荷兰imec研究员共同完成的。论文 Effective and Efficient Computation with Multiple-timescale Spiking Recurrent Neural Networks 发表于今年7月 International Conference on Neuromorphic Systems会议上。代码已经在GitHub上开源。

论文一作是来自中国的Boyan Yin，本科唐山师范学院，硕士华北电力大学和荷兰自由大学，目前在CWI博士就读。

项目负责人Sander M. Bohté教授是经典算法SpikeProp的开发者。他介绍说，论文为SNN开发了一种新算法，其中包含两个突破，一个是SNN的训练，另一个是使SNN能自适应任务。因此网络中的神经元彼此之间的通信要少得多，每个神经元也只需较少的计算。能量效率比传统神经网络高出1 000倍，比目前最好的神经网络高100倍。

论文信息：https://dl.acm.org/doi/10.1145/3407197.3407225 代码地址：https://github.com/byin-cwi/SRNN-ICONs2020

阅读原文

大众汽车推出带眼睛的电动汽车充电机器人

大众汽车近日表示，该公司已研制出电动汽车充电机器人概念的原型，该概念于 2019 年底首次以概念证明的形式展示出来，并且计划继续发展这一想法。这一德国汽车制造商显然非常喜欢这个概念，以至于原型充电机器人看上去几乎与概念版本相同，并带有闪烁的数字眼睛和 R2-D2 噪音。

根据公布的演示视频，当用户将电动汽车停放在停车场时，用户（或其汽车）可以要求将电池装满。机器人从其停放站上解开，将最多约十个移动电池之一钩住，然后将其拖到用户的汽车中。机器人将电池插入用户的汽车，然后返回其工作台，准备提出其他任何充电请求。当用户的汽车完成充电时（或用户从差事中回来），机器人将收集电池并带回充电架，停下来让其他汽车和行人沿途经过。

阅读原文

智源月旦评：万能 Transformer，你应该知道的一切 Transformer 概 述

Transformer模型由Google在2017年在 Attention Is All You Need[1] 中提出。该文使用 Attention 替换了原先Seq2Seq模型中的循环结构，给自然语言处理（NLP）领域带来极大震动。

随着研究的推进，Transformer 等相关技术也逐渐由 NLP 流向其他领域，例如计算机视觉（CV）、语音、生物、化学等。

因此，我们希望能通过此文盘点 Transformer 的基本架构，分析其优劣，并对近年来其在诸多领域的应用趋势进行梳理，希望这些工作能够给其他学科提供有益的借鉴。

在这篇文章中，我们先介绍 Transformer 的基本知识，以及其在 NLP 领域的研究进展；后续我们将介绍 Transformer 在其他领域（CV、语音、生物、化学等）中的应用进展。

阅读原文

内容中包含的图片若涉及版权问题，请及时与我们联系删除