腾讯「AI In All」的背后，是开放AI技术能力，探索腾讯内外的应用场景

「过去一年中，我们听到不少公司在谈到未来的时候都会谈到一个词，叫做「All In AI」，腾讯在 AI 方面的战略也用一个词概括，那就是「AI In All」，希望我们研发的 AI 技术并不是关起门来服务自己的产品，而是开放出来，分享给全行业，真正和各行各业的实际应用结合，从而让 AI 得到实际价值的发挥。」11 月 8 日，腾讯 2017 年全球合作伙伴大会在成都举办，腾讯 COO 任宇昕在演讲中提到。   那么，腾讯如何 AI In All？ 答案是：以「基础研究、场景共建、AI 开放」为战略层层递进。在基础研究方面，据腾讯 AI Lab 主任、杰出科学家张潼介绍，腾讯将着重于语音识别、自然语言处理、计算机视觉、机器学习这四大领域。而 AI Lab 自成立以来，至今为止共发表论文 81 篇，目前在 CVPR、ACL、ICML 共入选论文量 21 篇，NIPS 发表 1 篇。 场景共建 在场景共建层面上，游戏、社交和内容作为腾讯的三大核心优势，自然会首先使用到 AI 技术。   1. 游戏场景   在此前的演讲中，张潼曾经提到游戏与 AI 的结合，他认为，游戏场景能够积累决策系统、增强学习等一系列基础技术，而这些基础技术的积累，除了能在游戏场景中发挥作用之外，也可以在无人车等领域得以使用。 在腾讯合作伙伴大会 11 月 8 日的「创想·人工智能」论坛中，腾讯 AI Lab 机器学习中心负责人刘晗发表《游戏 AI：虚拟世界对物理世界的赋能》演讲时表示，游戏 AI 是人工智能与博弈论的一个交叉领域。从小的方面来说，游戏 AI 研究如何用人工智能技术来提升人类玩游戏的体验。从大的方面来说，游戏 AI 研究人，智能体，以及环境之间的复杂交互关系，而这远不止于游戏本身。 对于腾讯来说，则对游戏研究的三个核心能力感兴趣。第一是感知的能力，第二是对话的能力，第三是决策的能力。刘晗认为，这相当于人类大脑的三个不同区域。比如说，决策相当于左脑，对话能力相当于右脑，而感知相当于人类大脑的后脑那一部分。 具体来说，涉及对外界环境的感知，根据状态做出的决策，人与智能体之间的对话。比如，围棋中的游戏场景，可以通过感知棋盘的全局表达状态决定在哪里落子。现实中的无人车，同样可以通过视觉，激光雷达的感知对方向盘，刹车等动作做出决策。 「这是一个富有挑战而令人振奋的研究课题，研究当中累积的经验、方法与结论，能在更广大深远的范围被利用。」刘晗认为，首先能够打通虚拟与现实世界的藩篱，从而赋能物理世界，比如无人车和机器人的发展；其次，游戏中对话智能的研究，或能成为通向强人工智能的重要路径；第三，研究游戏中人、智能体和环境的交互，能让智慧城市这样复杂而意义深远的项目受益。 但是，刘晗认为，研究游戏 AI 挑战很大。 一，游戏的状态空间过大。比如很多战略型游戏的状态空间是无穷维，远大于围棋空间。因此，腾讯研发了机器人大脑，这是整合了模型、算法与计算体系结构的解决方案，整个系统的核心是使用深度神经网络来建模超大规模的状态空间。 二，大量复杂的多玩家游戏需要多个智能体协调操作。然而，刘晗指出，目前还缺乏这方面的理论支持。而要设计出一个完善的多智能体 AI，将强化学习的价值网络与描述宏观战略的行为树进行互操作，并使其融合是核心问题所在。 三，绝大部分游戏 AI 是用模拟器在一个理想化的虚拟世界中开发。如何打通虚拟与现实，同样是一个核心挑战。腾讯的解决方案结合反向强化学习及动态探索机制，对游戏 AI 中的参数进行贝叶斯升级。以此保证在现实世界花最小的成本来成功部署。 「这一套感知、对话与决策模块，形成了一套通用系统，未来有望在现实中被应用到更多场景中，这就是我们说的虚拟对现实的赋能。」刘晗在演讲中总结道。   2. 社交场景   社交方面，张潼在此前曾表示，他们主要关注对自然语言的理解、语音识别、智能家居的交互，例如语音识别和机器翻译，还有智能助手、聊天机器人、人机对话的开发。 同样是在「创想·人工智能」论坛中，腾讯 AI Lab 机器翻译平台侧负责人杨月奎则带来了他们在机器翻译中的最新进展，而在现场，他的演讲内容同样进行了实时翻译。 然而，杨月奎认为实时翻译，并不容易。尽管因为神经网络机器翻译（NMT）的出现，错误率大幅下降，但杨月奎认为，依然面临众多挑战。比如，会面临译文忠实度的问题，很有可能译文丢失或跑飞。对此，他们则使用交互式的 Attention 模型来增强 Attention 机制，利用重构模型加强翻译完整性的学习，利用 Rerank 模型选取更优的译文。 而有一些低频词，训练难度也更大，有些实体词很可能翻译不出来。为了加强对低频词的训练，引入子词模型。 此外，对训练数据的规模，也有着更高的要求。因此，为了提升训练效率，他们采取并行训练框架，支持多机多卡并行训练。除此之外，还加入了深层网络、残差网络和模型融合等技术。 据介绍，目前他们已支持中文、英语、粤语、日语、韩语、法语、德语、西班牙、越南语等多种语言。 对于社交 AI 的研究，张潼则表示，下一个社交是基于人机对话的涉及，语音识别，会持续下去。会跟业务部分合作，也会有一些新的产品推出。 3. 内容场景 「分析内容、理解内容、理解用户，更好的匹配，更好的搜索推荐是我们在研究的重点。」张潼说。 多媒体则是其中重要的部分。「我们正在进入一个「多媒体内容消费」的时代，每个中国人每天都在消费大量的多媒体内容，也在提供大量的多媒体数据。在 AI 领域，多媒体 AI 将赋予计算机处理、识别、理解内容的综合能力。从图像到多媒体，数据维度大大提升，我们希望走出一条自主的创新之路，因此发展了三个基础 AI 能力：处理、识别、理解。」腾讯 AI Lab 计算机视觉中心负责人刘威在「创想·人工智能」论坛中发表以《多媒体 AI：睁开机器之眼》为主题的演讲时说。 刘威介绍，在这些方面，他们取得了一些科研成果。比如在 OCR（Optical Character Recognition，译为光学字符识别）任务中取得六个第一，其中三项是针对网络图片文本，另外三项是针对聚焦场景文本。 另外，由于视频人脸检测和识别需要克服视频中人脸的低分辨率、姿态、遮挡、表情、妆容、光照等挑战。在这方面，他们也取得了比较好的结果。 此外，还有图像描述生成技术。「图像识别，是计算机识别目前最有挑战的课题之一。因为要进行图像到文本之间的有机过度。要全局和局部表示，图像和文本之间用原创的机制连接它们，整个架构进行端对端的训练，最后才能得到一个很好的模型。」刘威说。 「我们对整个深度学习架构（包括卷积神经网、长短时记忆网、多阶段注意力）进行端对端的训练，实现图像到文本的有机过渡，得到一个很好的模型。这项技术目前在最权威的 MS COCO 数据集上排名第一。」刘威表示。 基于这项技术，他们开发出了一个中文图标生成的系统，「每个人上传一张图片到 QQ 空间，我们都知道这些图片在说什么。同时可以对图像文本进行一个对话，对于可视的内容进行交互。如果残障人士看不到这个图像，这个系统可以告诉他图像里面是什么。」刘威介绍道。 而在 7 月，腾讯 QQ 上线了视频滤镜的功能。据刘威介绍，这个需要深度网络保持时空的一致性，高效实现渲染后的视频。 「这里面有很多层技术，我们有一系列 3D 图象算法，这个定位都是实时运行，当你的手机动的时候，我的算法仍然在跑，能够永远的知道你这个 3D 的东西在什么地方？我们的视觉算法是实时的运行。有很多运营的场景。包括我们的游戏娱乐，包括场景呈现与机器人识别都有。」刘威表示，他们的目标是打造最高级的技术，最好的技术，希望建立一个非常好的技术矩阵，涵盖多种处理视频分发，最后能够覆盖整个 AI，并将这些技术持续开发输出给合作伙伴。 作为一个 AI 实验室，张潼表示，在跟腾讯内部的应用场景合作时，AI Lab 会把自己的成果展示给业务部门，比如在人脸识别技术上，腾讯在评测的数据上拿到了两项第一，而人脸识别的多处研究就是如何把模型做得更强以便提升人脸识别效果，而有了这个模型之后，业务部门就会找上门来，比如视频部门，会来咨询如何识别观众关心的明星，以提高用户体验。 探索AI与传统行业   除了将 AI 技术应用于内部的产品之外，腾讯还积极探索 AI 与传统行业的结合，「腾讯觅影」就在这样的背景下推出。它由腾讯互联网+合作事业部牵头，聚合了 AI Lab、优图实验室、架构平台部，融合了图像识别、深度学习等技术的医疗应用。 据介绍，「腾讯觅影」每个月能够处理上百万张医学影像，而食管癌、肺癌、糖尿病三个病种的筛查，已经进入临床预试验。「腾讯觅影」对食管癌早筛的准确率超过 90%，肺结节早筛系统准确率超过 95%，可检测 3 毫米及以上的微小结节，糖网病变识别准确率更高达 97%。 除了食管癌、肺结节和糖网病变外，「腾讯觅影」还将进军乳腺癌、宫颈癌等病种的筛查。 除了医疗之外，据介绍，腾讯 AI 在金融、零售、其他商业方面还将有大量应用案例，接下来腾讯将借助腾讯云和 AI 开放平台，为「AI in all」战略服务。   开放AI能力 「过去一年多公司在全世界请了很多科学家，提高 AI 研发能力，腾讯有很多游戏音乐等场景可以 AI 化，外界的很多传统行业需要 AI 改造，要打造生态平台。」腾讯开放平台副总经理王兰在演讲中表示。 在平台层上，则将以腾讯开放平台为载体，从扶持合作伙伴、AI 人才引进、项目打造，降低 AI 创新创业门槛，使腾讯 AI 与行业协同发展，「下一年要开放腾讯的 AI 能力，比如腾讯开放平台，但是明年希望给大家更多的服务。这里面会做一系列平台型的工作，对于开发者中小企业自己做不了的事情，可以利用开放平台增加自己的能力。」张潼说。 腾讯AI Lab除了研究AI基础能力和探索应用场景之外，跟高校合作培养AI人才，也是他们的一个计划 目前，在腾讯 AI 能力对外开放上，腾讯开放平台已推出了人工智能站点 AI.QQ.COM 和腾讯 AI 加速器。前者会接入腾讯的情感分析、智能闲聊、机器翻译、自然语言处理、语音识别、语音合成、声纹识别等 AI 能力。而后者自 2017 年腾讯发布 AI 加速器计划之后，从全球 1000 个项目中挑选了 25 家进行合作，入驻腾讯 AI 加速器的公司不仅可以获得资源等方面的支持，AI.QQ.COM 的 AI 能力也正在向他们开放。 ]]> 原文： http://ift.tt/2AnwI50 机器知心

GitHub上的五大开源机器学习项目

想提高机器学习技能？何不看看 GitHub 上最流行的开源机器学习项目呢？本文介绍了 GitHub 上最流行的 5 个开源机器学习项目。 机器学习是当前最热的技能。今年早些时候，Stack Overflow 发布了一项涉及大量开发者的调查结果，机器学习专家的收入仅次于 DevOps 专家。 机器学习正处于鼎盛时期，但对新手来说，开源通常有点让人疑惑。因此，今天，我们就来了解一下 GitHub 上最顶尖的五个开源项目，看看该领域的发展情况以及你能够帮助做些什么。毕竟，开源项目的成功取决于全世界开发者和程序员的协作！ 说明：该列表指特定项目，而非库或框架的集合。因此，几个排序结果是比较随意的，全凭个人爱好。 让我们开始吧！ 1. TensorFlow – ★ 76.2K TensorFlow 排在首位丝毫不会让人惊讶。它是目前 GitHub 上最流行和杰出的机器学习项目。 TensorFlow 最初是谷歌机器智能研究组织中的谷歌大脑团队的一部分，它是一个开源的软件库，可使用数据流图进行数值计算。它具备易用的 Python 接口和简单直接的其他语言接口，来构建和执行计算图。 「我们开源 TensorFlow 是希望为世界上每个人构建一个机器学习平台。」Jeff Dean 今年早些时候说道。TensorFlow 1.0 快速、灵活，且在初始的设计中TensorFlow就是面向产品应用部署的。它还包括适合 Java 和 Go 的实验性 API、用于目标检测和定位的新型安卓 demo，以及基于相机的图像风格化。 近日，谷歌发布了 TensorFlow 1.4.0 版本。GitHub 地址：http://ift.tt/2hlkTs6 2. scikit-learn –★ 22.7K 第二个是 scikit-learn，机器学习 Python 模块。scikit 包括大量简单高效的数据挖掘和数据分析工具。scikit 的基本动机是「为了科学」（For Science）！它对不同的环境（context）都有高度的可使用性和可复用性。此外，它内建了著名的数据科学工具，如 NumPy、SciPy 和 matplotlib。 今年早些时候，我们和 Groupon 公司软件工程主管 Adam Geitgey 进行了交谈，话题关于开发者如何涉足机器学习领域。 Geitgey 说：「肯定要先学 Python。Python 是目前最流行的机器学习编程语言，适合解决大部分机器学习问题（不包含深度学习）。你只需要安装几个 Python 库：scikit-learn、NumPy 和 pandas。这些工具都是免费的，且可以很好地协同运行。」 3. PredictionIO –★ 10.6K PredictionIO 是这个列表中的新来者，这就使得其高排名更加令人印象深刻。上个月，阿帕奇软件基金会发布了 PredictionIO。PredictionIO 建立在一个当前最佳的开源堆栈上。这个机器学习服务器的设计目的是让开发者和数据科学家可以在任何机器学习任务中创建有预测能力的引擎。 开发者可以通过全栈和可用模板创建可部署的应用，而不需要将各种底层技术拼凑起来。 PredictionIO 是直接建立在 Spark 和 Hadoop 上的，因此它允许开发者使用自定义模板快速建立和部署一个引擎作为生产就绪网页服务。它是用 Scala 编写的。 PredictionIO 专注于简化数据基础架构管理。你可以无缝地将你实现的机器学习模型纳入自己的引擎。PredictionIO 还能通过系统式处理和预制评估方法对机器学习建模进行加速。 4. SWIFT AI – ★5K Swift AI 在 GitHub 长期备受好评。Swift AI 是一个完全用 Swift 编写的高性能深度学习库，支持所有苹果平台。这对 MacBook 用户来说是个好消息！ 无可否认，Swift 的 repo 有点少，特别是跟 TensorFlow 相比。然而，Swift AI 确实为喜欢使用 Swift 编写神经网络的用户提供了引以为豪的工具。其中，NeuralNet 类包含一个全连接前馈神经网络。NeuralNet 支持深度学习，具备灵活性，并可用于性能关键应用程序。 5. GoLearn – ★4.7K 进入前 5 名的还有 GoLearn，这是一个 Go 语言的相当齐全的机器学习库。这个项目仍然处于活跃的开发状态，正在寻求对用户反馈感兴趣的开发者。如果你用过 SciPy、WEPA 或 R，GoLearn 的机器学习模型对你来说不会陌生。它的数据使用平面表表示（和电子表格类似），用于训练和预测。在开始一个新项目的时候，想要的工具总是比实际拥有的多得多。如果你希望拥有一个更好的项目，GoLearn 是一个不错的选择。 结论 不管你想要加入知名项目或还只是个新手，GitHub 上总有一个适合你的开源机器学习项目。这不仅能够丰富你的简历，对整个社区来说也是好事。所以，赶快行动吧！ 原文链接：http://ift.tt/2hlkTZ8 ]]> 原文： http://ift.tt/2jcKVyc 机器知心

斯坦福大学秋季课程《深度学习理论》STATS 385开讲

今年 8 月份，机器之心推荐了斯坦福 2017 CS231n 春季课程。近日，斯坦福公开了 STATS 385 秋季课程（还未结课，10.11-12.16)，主题为《深度学习理论》，相关的课件资源也已放出（部分视频公开），希望能为大家寻求课程资源提供帮助。 课程地址：http://ift.tt/2zokyf4 (http://ift.tt/2zokyf4) 视频地址：http://ift.tt/2ygkQRw B站地址：http://ift.tt/2hTFnFz 课程介绍 深度学习最近的成就很大程度上基于经验，不过，学者们总是在试图在理论层面上解释发展背后的原因。在斯坦福大学新推出的课程《Theories of Deep Learning》中，我们将从讲师 Bruna、Mallat、Mhaskar、Poggio、Papyan等人那里，试图建立神经网络背后的理论体系。在最初的背景介绍课程之后，几个论文作者将对自己的工作进行专门讲解。本课程共有 10 讲，每周上一次课。 该课程主要可以分为四部分，即回顾深度学习的概念、复习深度学习的理论方法、然后再讨论具体的理论贡献和最后三个课程的理论分析。 课程结构图 从上图可以看出，该课程主要围绕五个主题讨论，即统计机器学习、最优化理论、逼近理论和 Harmonic 分析和神经科学。可能我们比较熟悉的就是统计机器学习和最优化方法，他们确实能解释深度学习具体算法到底是如何工作的，但并不足以构建深度学习的理论基石。 该课程开篇先讨论了深度学习的挑战，即它到底是不是有理论依据。当然这里并不是说深度学习算法没有理论推导与分析，而是说该领域是不是存在一个普遍的理论基础，它应该拥有逻辑自洽和可解释性。这一部分的课程先解释了深度学习目前所出现的问题，例如它的黑箱问题、理论可解释性问题等等。随后介绍了试图构建相关理论的方法，如神经科学、谐波分析（Harmonic analysis）、逼近理论、统计机器学习。 尝试使用神经科学的观点解释视觉与卷积神经网络 前面既然已经了解到了深度学习的局限性，那么第二课就具体讨论了深度学习（主要以 CNN 为例）所涉及的概念与理论。这一部分从最基本的感知机单元（现在已有另外一个基本单元 Capsule）开始，详细介绍了各主流 CNN 框架与常用的训练技巧，如正则化、批量归一化（BN）和最优化方法等。 下面我们简要地展示了这一部分课程的内容。我们知道感知机是深度神经网络的基本构成单元，它是构成目前所有架构的基础，包括最近 Hinton 开放的 Capsule 单元也只是利用一组神经元以表征向量。而组织这些基本单元的架构就是整个神经网络的结构，一般这些神经元会有正向和反向传播两种路径，正向传播以给定输入数据做出推断，而反向传播误差以更新网络。以下是该课程给出的定义： 而基于这两种传播方式的 CNN 也有不同的架构以实现不同的功能。本课程以 AlexNet 为例详细介绍了深度卷积网络的架构与概念，包括 ReLU 激活函数、最大池化和 Dropout 机制等，当然训练过程中常见的最优化方法、批量大小和权重衰减策略也都有介绍。下面展示了近来各深度卷积网络的准确度与网络运算规模： 除了模型的构建，深度学习比较重要的就是模型的训练了，但模型的训练是一个非常工程的问题，我们会有很多的训练技巧。该课程简要介绍了正则化或批归一化等技术，这对于理解如何训练深度神经网络十分重要。总的来说，这一部分课程重点介绍了目前深度学习的主要架构与方法。 第三课主要讨论如何使用 Harmonic 分析方法解析深度卷积神经网络，这一部分从非线性特征提取器的重要地位开始，讲述了特征的位置不变性，即同一个特征在不同位置出现应该都能检测到并正确识别出来。这一部分如下做了大量的理论性分析： 此外，这一部分还讨论了许多 Topology reduction 方面的知识。 前面第三课主要从谐波分析的角度介绍了卷积网络，而后面第四课主要讨论了将 CNN 解释为生成模型的推断，通过动态规划解释卷积网络的推断和使用 EM 算法解释学习的过程。 下面是从动态规划的角度理解卷积网络，即 CNN 可以解释为一种通过最大化输入相似度而寻找概念记忆的动态规划方法。这种方法虽然在数学上是和 CNN 等价的，但直观经验上并不太等价。 此外，通过反向传播学习也可以根据 Hard EM 方法而做出解释。如下所示，EM 和 EG 算法的 E 步和 M/G 步可以分别等价解释为前馈传播卷积操作和反向传播误差以更新权重。 我们现在不仅已经了解了深度学习的基本原理与概念，同时对于理论性的解释也有所涉猎。但深度学习中还会存在很多问题，例如维度灾难、高度非凸函数优化等。这一部分课程主要从逼近理论、最优化理论和学习理论三个角度讨论深度学习令人疑惑的问题。 从逼近理论来说，我们需要清楚什么时候及为什么深层网络要比浅层网络更好。 而从最优化理论来说，我们是否能够探知经验风险的整体趋势，而不是只能像 SGD 甚至是二阶牛顿法那样只能探测到损失函数的局部变化特征。而对于深度神经网络那样的高度非凸函数，寻找经验风险函数的整体趋势对于避免陷入局部最优解极其重要。 最后从学习理论来说，深度学习如何才能不至于过拟合是非常重要的一个问题。 总的来说，该课件的前两个是组织者对人工智能发展的总结以及对该课程的介绍。从第三课开始，讲师开始对深度学习的一些概念做详细介绍：从卷积神经网络到生成模型、动态规划&EM 等等。 邀请的客座讲师如下： ]]> 原文： http://ift.tt/2Avv0PK 机器知心

腾讯225页报告：AI正取代互联网成为新引擎，马化腾提七个关键词

问耕 假装发自 成都量子位 出品 | 公众号 QbitAI 这是一份腾讯长达225页的报告。 报告的标题是《2017互联网科技创新白皮书》。这份报告从AI技术社会的崛起、席卷全球的AI浪潮、中国AI的发展情况、AI时代的腾讯使命等几个章节，阐释了腾讯如何看待人工智能，以及自身未来的使命。 腾讯在这份报告的前言部分写道： 从经济社会跨入技术社会，这是摆在我们当前的一个重要历史机遇；一个全新的AI世界即将到来；一场大融合的序幕正在缓缓拉开。 技术社会发展的引擎正由互联网逐步转换为AI。 从技术创新来看，在可预见的未来的智能IOT时代，所有的智能终端都将植入智能芯片，未来的不再有云计算一统天下，而智能计算、认知计算、网络计算、边缘计算将大行其道。 从技术文化来看，AI技术也将成为一种新的文化力量，按照自己的逻辑前进，支配并决定着人类社会的发展。 从技术商业来看，如何利用资本市场等要素的力量，培养我们商业运作乃至产业化落地的意识对于技术商业化至关重要。中国正在进入技术商业化的加速推进时代。 马化腾的七个关键词 在这份报告的开头部分，还有一封马化腾写给合作伙伴的一封信。在这封信里，马化腾用七个关键词，描述了他最近一年来的观察与思考。 深度融合：以互联网为代表的数字信息技术，开始由表及里地融入各行各业的全流程，线上线下开始打通成为一体。 云化分享：云在数字时代的重要性，不亚于电在工业时代。作为重要的数字创新模式，"云化"程度体现着互联网与各行业的融合深度。 我们还处在数字时代的初始阶段，很多跟云相关的重要事物都还没有被发明出来。比如，电气时代后期出现了计算机，数字时代与之匹敌的发明是什么?我觉得，也许是未来的强人工智能。云、大数据与人工智能三者不离彼此。我曾用这样一句话来描述数字时代的图景：各行各业在云端用人工智能处理大数据。 智慧连接：连接，是所有智慧解决方案的基础。在不同的场景中，连接匹配着不同的智慧解决方案，它依赖生态合作才能实现。 全用户：以互联网为基础的数字平台，正在从"多用户"平台，变成"全用户"平台，它像水电设施一样，成为今天人类社会所有个人和组织的基本需求。 大内容：无论是消息、短视频等数字资讯产品，还是网络文学、动漫、影视、游戏和音乐等数字文化产品，海量数字内容的生成与分发正在促成"大内容"战略。 新科技：无论是互联网企业还是传统企业，今天都在强调自己的科技属性。这不仅仅是口号，因为颠覆性技术的出现将可能改变现有的行业格局。 过去一年，腾讯在新技术领域加码投入，并取得了一些成果。我们在各业务研发团队之外，成立了公司级的AI Lab，并在美国西雅图设立首个海外实验室。同时我们的众创空间和AI加速器也开始走向海外，希望携手海外高科技创业企业共同成长。 宽平台：如果说"窄平台"遵从零和博弈，那么"宽平台"会坚持共生共赢。在"数字生态共同体"中，大家的命运越来越紧密地交织在一起，倡导共生共赢才能可持续发展。 报告主要内容 第一章 技术社会的崛起 2010年后，以算法为核心的AI时代来临。人工智能是当前人类所面临的最为重要的技术社会变革，是互联网诞生以来的第二次技术社会形态在全球的萌芽。 技术社会的三要素主要包括技术创新、技术文化和技术商业。 十八大以来的五年，创新创业对中国社会的影响已经超越了工具主义，AI双创虽然刚刚萌芽，但人们对此的期许已经贯穿了顶层设计和产业实践，这种期许表现为三重强大动力，第一重动力来源于国家战略积极推动，第二重动力来源于资本市场积极参与。第三重动力来自于积极的技术创新。 三重动力的叠加，为AI创业浪潮提供了有史以来最强大的推动力。 在技术文化的精神和物质产品这一层面上，AI技术文化率先在内容产业实现突破。AI技术从根本上改变了内容生产、分发和变现的一系列过程，AI时代下内容产业出现了全新的生态系统。 在内容生产上，生产者由用户变为机器，最后将变成人机协同生产；生产工具也由人脑变为算法学习；生产方式由UGC转换为MGC，最终将是人机协作的IGC模式，即智能化内容生产模式。 AI时代下内容产业将走向C2M(单用户沟通)之路，从传统的机器学习走向深度学习过程中不断迭代算法的过程，就是跳出大众传播/分众传播窠臼站在单个用户的角度来进行个体化沟通的过程。 第二章 席卷全球的人工智能浪潮 整体上看，2016年全球创业风险投资较2015年出现明显下降。但在人工智能领域全球融资逆势增长，并在2016年第二季度创出融资16.9亿美元的单季新高。 以Apple、Google、Microsoft、Facebook、Amazon等为代表的大型科技公司主导美国在人工智能领域的投资和研发。过去一年，这些公司都推出了基于机器学习、自然语言处理等人工智能技术的新型产品，如Google推出的个人助手、Amazon的Alexa等。除了内部研发，这些科技巨头还四处出击，热衷投资具备核心技术的初创型人工智能企业。 报告还对比了美国、英国、加拿大、以列色、日本、印度等国的人工智能发展和政策情况。 第三章 中国技术社会的发展 人工智能产业情况 截止到2017年6月，全球人工智能企业总数达到2617家，其中美国拥有1078家，占据41%；中国其次，拥有592家，占据23%。 中国人工智能公司主要集中在北上广地区。北京的企业数量占据全国总量的42.87%。 截止至目前，美国人工智能融资金额为978亿元，占据全球总融资50.10%；中国人工智能融资金额为635亿元，占据全球33.18%；其他国家合计占15.73%。 据统计，在中国人工智能创业公司中排名前三的领域为：计算机视觉与图像，有146家公司；智能机器人，有125家公司；自然语言处理，有92家公司。 从融资情况看，中国投资者在应用层关注的更多。中国人工智能企业中，融资占比排名前三的领域为：计算机视觉与图像，融资额为143亿元，占23%；自然语言处理，融资额为122亿元，占19%；自动驾驶/辅助驾驶，融资额为107亿元，占18%。 其中，我们看到，中国的自动驾驶/辅助驾驶企业虽然数量不多(只有31家)，但融资额却排名第三，表明中国投资者非常看好这一领域。 第四章 AI时代腾讯的使命 报告中表示，腾讯在人工智能的战略方向上提出了一个较为平实的愿望："Make AI Everywhere"(让AI无处不在)。与互联网、移动互联网一样，人工智能是基础能力。腾讯正在从技术、场景和平台三个层面打造这项基础能力。 人工智能的能力正在渗透到各个领域，成为商业经济社会的新引擎及核心驱动力。随着技术、算法、场景和人才的不断充实，我们正在见证腾讯从"互联网+"阶段进入以AI为首的技术驱动时代，并且引领全社会进入数字化、网络化之后的最高阶段，即智能化社会。一个新时代正在拉开序幕。 组建技术研发共同体，加速AI技术积累。 腾讯的AI布局在游戏、内容、社交、金融、医疗等方面正在快速展开。腾讯还在构建产业共同体，准备以AI技术赋能全行业，建立开源生态。 腾讯AI Lab是腾讯企业级AI实验室，于2016年四月成立。专注于四大基础研究和四大应用探索的结合。四大基础研究为计算机视觉、语音识别、自然语言处理和机器学习。四大应用探索是内容、游戏、社交和平台工具型AI。 微信AI团队(//ai.weixin.qq.com)是由微信团队内部孵化且专注于人工智能技术探索与应用的研究团队。 腾讯的AI布局在游戏、内容、社交、金融、医疗等方面正在快速展开。 报告中写道： 我们现在正处于本轮AI革命的初始阶段，基于各种背景调查和分析后，我们非常有信心地认为我们现在正处在一个重大的转折点上——和工业革命所带来的深刻变革几乎相同的重大转折阶段。腾讯在人工智能的人才、场景、数据、计算力的布局也逐渐清晰。人工智能对未来社会的影响不仅仅存于经济领域，而是全方位的。技术革命将再一次带来经济社会结构转型与一系列挑战，甚至新的文明。我们在享受AI所带来的红利的同时，也将准备好面对未来的不确定性及挑战。让我们一起见证这个伟大时代的到来。 第五章 腾讯开放能力矩阵 经过多年发展，腾讯从涵盖丰富场景的多维度产品到匹配资源的平台型商业进而演变成多个产业生态的集群，形成目前的产业森林雏形。 这一章节，详细介绍了腾讯各个主要业务和开放的情况。涉及的内容如下图所示。 第六章 中国创新创业先锋指数 报告中发布了2017中国创新创业先锋城市排行榜。其中可以将Top50城市划分为三大梯队。 第一梯队：头部城市例如北京、上海、深圳 第二梯队：广州、杭州、成都、南京、重庆、武汉、天津 与2016年相比，创新创业先锋城市Top50的排名整体变化不大，但也涌现出了增速较快的黑马城市身影。例如温州和唐山，首次进入全国TOP50，排名分别上升20位+。 报告下载 想获得这份报告的全文，可以在量子位公众号（QbitAI）对话界面，回复："腾讯2017"几个字即可。 —完— 欢迎大家关注我们的专栏：量子位 - 知乎专栏 诚挚招聘 量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复"招聘"两个字。 量子位 QbitAI · 头条号签约作者 վ'ᴗ' ի 追踪AI技术和产品新动态 via 量子位 - 知乎专栏 http://ift.tt/2iGgxIJ RSS5