在大數據被廣泛應用以提高社會效率的同時，個人資料無可避免地更容易被監控及商品化。在這個大數據時代，我們應該如何保障自己的私隱？以下幾個范疇，值得大家留意。
修圖軟件
有不少朋友拍照必用修圖軟件，照片不美白修飾一下，不會放到社交媒體分享。除了P圖，也有不少人喜歡用貼紙濾鏡，把自己的臉轉變成得意動物、或者加上閃亮特效等等。和一班朋友用濾鏡軟件拍照，一起變身白兔、綿羊，笑聲不絕，的確是開心的。
然而，這一類使用人臉識別技術的軟件，難免會有私隱方面的隱憂。一個人臉識別數據庫假如有越多不同性別、年齡、種族、膚色的人臉圖像，則越容易提升它的算法準確程度。因此這些軟件都會不停收集用戶的人臉圖像，以優化它的數據庫。
有不少軟件，除了你的人臉圖像之外，還會收集你的個人資料，例如手機型號、解像度、網絡存取、本地 IP、GPS定位等等。這些個人資料數據，在市場上有價有市。中國去年就有傳媒報道，在互聯網平臺有人公然兜售「人臉數據集」，5,000多張的人臉照片，僅售十元人民幣。而包含姓名、身份證照片、銀行咭，手機號碼的人臉照片，則只需四元人民幣一份。
社交媒體的照片卷標、心理測驗和「老臉挑戰」
除了修圖軟件，假如你對人臉識別技術有憂慮，也應該盡量減少使用社交媒體的照片標簽功能。需知道每次你在社交媒體上載自己和朋友的照片的同時，其實也透露了不少有關你的個人資料，包括所在地點、社交圈子、喜好甚至情緒等等。
以Facebook為例，經過十多年的累積，他們已經建立了具全球數一數二規模的人臉識別數據庫。所以，每當我們上載和朋友聚會的照片，Facebook所建議的人臉照片標簽，都差不多百分百準確無誤。作為用戶，最低限度，你應該設定其他人必須得到你的同意才可以在他們上載的照片上標簽你。
千禧年前后出生的嬰兒，被稱為「數字原住民」。有別于X世代、Y世代，他們未曾見過沒有互聯網和社交媒體的世界，他們也是首個自出生以來被大數據記錄一舉一動的世代。外在的監控，我們或許不能完全避免。假如你身為家長，最少可以考慮減少上載自己孩子的照片（以及一時意氣在社交媒體上因為孩子所發的牢騷），因為每一點一滴，都會成為孩子的數碼足印，足以影響其他人對他的觀感，甚至日后求學和就業的機會。
都說「免費的才是最貴」。
。
以社交媒體賬號登入
有不少軟件和網上服務，都有讓用戶使用他們的社交媒體賬號直接登入這個選項。對用戶來說，社交媒體賬號登入的好處，當然是方便，可以使用一個賬號走天涯，不用多記不同的登入密碼。
然而，方便往往都有代價。首先，用戶在使用社交媒體賬號登入其他網上服務的同時，其實已經同時授予該網上服務訪問其社交媒體的權限，甚至容許對方嵌入追蹤軟件獲取自己的個人資料，包括姓名、電郵地址、年齡、生日日期、社交網絡等的信息。如前所述，有關個人資料，會被服務提供商利用以優化他們的市場推廣策略，甚至直接向用戶推送廣告，或者調控個人化服務費用等。
此外，假如用戶的社交媒體被黑客入侵的話，所有使用該社交媒體登入的服務，都可能同時被駭。在2019年，就有網絡保安公司在亞馬遜的云端數據庫上發現涉及5.4億名Facebook用戶的個人資料，讓人輕易下載。
總結
社交媒體和各類流動軟件已經成為了我們生活的一部分。我們的行蹤、喜好、社交網絡、消費，因為大數據科技日趨成熟，而以前所未有的速度被廣泛地記錄和分析。數據的而且確越來越值錢。作為普羅大眾，大趨勢我們可能控制不了，但是最少要有警覺性，不要因為方便、得意、免費，而令自己的個人資料予取予攜。
美國的 科技 巨頭通常注重專業，在進行并購和投資時，主要是圍繞自己的主營業務進行，大多都是在相應的領域進行并購投資，很少有大規模的跨行業投資并購。并且 科技 巨頭間的主營業務基本沒有重疊，在對外投資時，沖突和競爭較小，所以幾乎沒有太多跨行業的巨型并購。
美企在投資領域更為聚焦，比如亞馬遜專注投資電商領域，蘋果喜歡對硬件和操作系統軟件進行并購，谷歌（Google）的圍繞搜索技術和廣告技術、以及流量入口，Facebook專注于社交領域和新興的VR/AR，而微軟Microsoft的布局集中在企業端和生產效率軟件上。美國法律對技術創新的保護程度很好，創業中的互聯網公司有新的技術或想法，不用擔心被盜版，也不存在因為資金資源上的不足被擊垮破產的風險。而國內的的創業風險比較大，類似的創新想法可以被克隆，所以被收購或許是最好的選擇。
我國的互聯網市場潛力巨大，需要跑馬圈地為先。阿里由電商發家，涉足金融保險、教育醫療、交通城管、未來 科技 、文化 娛樂 等行業。騰訊由社交起步，在社交、手游等方面無人匹敵，支付體量直逼阿里。2017年阿里投資了79筆，并購金額約為898.54億人民幣，投資活躍度已經超過很多一線VC。而騰訊投資了113筆，文化 娛樂 項目最多，是國內投資布局最多的公司。 在押注未來的風口這件事情上，誰都不敢松懈，未來 還會繼續以跑馬圈地的態勢發展。
因為 社會 環境不同，中國的大企業基本無法避免“尾大不掉”“冗長繁雜”的命運。而壟斷則是美國 科技 巨頭慣用的打法。
AMD和Intel并駕齊驅地壟斷計算機CPU技術；微軟則選擇壟斷操作系統，不管你再厲害的軟件沒有系統也是免談。而且美國獨霸鰲頭的企業代工廠遍及世界各地，但卻無法被復制。
顯卡都是別國代工，但核心技術在本國；微機主板讓對手代工，但核心芯片組技術窺探不來。美國的 科技 巨頭都是走向國際化靠的是低工資成本帶來的價格落差。價格差越大的，沖擊力就越猛，發展速度就越快。
荀子在《勸學》里就表述過了：“縢蛇無足而飛，鼦鼠五技而窮”。行事應該把目標集中到一點上，不專不精，樣樣都是“半瓶子醋”，對于靠“技術”吃飯的來說是大忌。
而阿里和騰訊不同，技術和生產都在自己這里，價格差一下子就達到飽和狀態。 可技術的投資又得上臺階一樣只升不降，所以必須用從別處投資賺來的錢作為資金周轉和研發成本。
美國 科技 巨頭只需要一技之長就可以支撐整個企業，說明人家該技術已經無可取代。中國的互聯網起步較晚，現在還在奮力趕超，各種技巧只是為了一個目標。這也有利有弊，但阿里他們也意識到了這一點，為了防止出現尾大不掉的情況已經公司分成好幾塊來管理，每塊有自己擅長的領域。
互聯網根系發自美國，枝葉蔓布全球，原發創意以往大多出自原產地。美國是世界資本市場的中心，發達開放，互聯網 科技 巨頭遭遇全球資本追捧，客戶和應用借助網絡遍及世界。無論哪個國家的互聯網 科技 巨頭，都能來這里上市融資，所以才有阿里巴巴與谷歌、亞馬遜、微軟、蘋果、臉書等巨頭同場競技的格局出現。
美國的互聯網巨頭通常專注主業，不輕易擴張。搜索就是搜索，社交就是社交，電商就是電商，系統開發軟件、硬件、整體分明，蘋果就是蘋果，微軟就是微軟，推特就是特朗普專愛。
反觀阿里、騰訊等中國巨頭，都是要做包羅萬象的所謂生態圈，撲捉原發創意，到處撒網撈魚，自然需要跑馬圈地為先。阿里由電商起步，如今涉足金融保險、教育醫療、交通城管、未來 科技 、文化 娛樂 ，無所不及。騰訊由社交起步，如今涉足領域比肩阿里不分伯仲。尤其在社交、手游等方面無人匹敵，支付體量直逼阿里。
美國的高 科技 創業始自硅谷，由大學和民間資本促成。中國當下政府鼓勵雙創，民間高 科技 巨頭業已成就氣候，國內國際資本充裕，一帶一路國策支持，正是大舉擴張的良機，時間窗口不容錯過，所以成長驅動高過美國，也必然期待從各個方面全面超越美國。這是大勢所趨，遲早的事，幾乎沒有意外。
沒細看其他答案，但是姑且全盤否認。因為這個問題是mba課的經典的問題。所以不接受反駁。
MBA中有一個名詞叫做 agency problem. 在美國的商業案例中，有的ceo會選擇在業績比較好的時候把利潤投資出去，這樣交出來的報表不會特別的好看(因為太好看的話。CEO下一階段的任務會更重)。而投資出去的錢在未來會收回來，這樣有助于未來報表的好看。這種問題share holder是非常不爽的，因為這不符合share holder的利益而只符合CEO的利益。所以這種事情被定性為CEO愚弄share holder。如果一旦發生這個人基本就進了所有企業主的黑名單，相當于職業道德質疑。
那么如何界定一筆投資是不是agncy problem。MBA中有一套體系來專門計算一筆投資是不是真的會給企業帶來利潤。在此不贅述，如果計算的結果是正的，那就說明投資可行。那么問題來了，那豈不是所有懂這一套的人都會去搶能帶來利潤的投資項目從而使得價格升高到沒有一絲利潤為止？答案是否定的，因為一筆收購對于不同的企業價值是不一樣的的。比如說對于沃爾瑪而言，一家肉類加工企業的價值要高于它的市場價(股價)，因為它自己可以決定多進口一些這個肉類加工企業的肉來使得雙方收益(事實上他們也正在這么干)。而對于騰訊來講，這個肉類企業的價值就很低，因為他唯一能做的就是買一些肉發給員工來創造更多的利潤。
解釋到這里可能大家就明白了。為什么并購案的購買價格會高于股價(因為會有多的利潤產生)。為什么Share holder會痛恨agency problem(因為虧大了)。那么回到中國，請問各位中國有這么些門門道道什么share holder的利益要高于企業利益高于CEO的利益嗎？當然沒有。所以一切都不適用
中國公司瘋狂并購的原因很簡單。第一，有利潤。第二，忽視share holder的利益，企業利益高于share holder的利益的結果。 第三，防通脹。案例請參照騰訊收購supercell. 最后的成交價格竟然是低于當年的股價的。并且在一年之后supercell的股價跌破收購價都說明并購的失敗。所以只有什么也不懂的中國企業在胡亂買買買。
最后一個問題，美國企業在同樣的地步會怎么選擇。這個問題的前提會有兩種，第一，這種事情發生在美國，當一個企業利益很高不知道怎么花錢的時候，最好的選擇是分紅給share holder，讓人家自己決定自己錢的歸屬。第二，發生在中國，那么我覺得錢在手里爛掉并不比瞎收購要好，所以他們也會瘋狂并購吧。
美國 科技 網站并不是不跨界，比如Facebook 就收購了Instagram，雅虎在不斷的投資，但之所以美國不愿意在美國內大規模投資是因為美國的反壟斷法太厲害了，一旦觸及可能會賠償數十億美金。
1、美國高度反壟斷的法律規定
互聯網是最容易造成競爭的，比如阿里巴和騰訊分別在電商，社交領域非常厲害，但在美國，反壟斷非常嚴格，美國為了保護用戶利益，制定了非常嚴格的反壟斷法，導致很多企業都不敢壟斷。或者讓相關部門覺得自己壟斷了。
美國反壟斷法不僅對企業征收重稅，還會對相關企業管理者判處最高長達10年的監禁，并且對個人處罰越來越嚴格。
在2000年，微軟在一審判決時就被判定壟斷地方法院判決將微軟分拆成為兩家公司，一家開發和銷售操作系統，另外一家開發和銷售其他類型的軟件。最后微軟與司法部達成和解才避免分拆。
2、美國企業立足全世界市場，更聚焦某個領域
美國公司一誕生就想做全球化的公司，所以市場布局都是全球化的，所以在細分領域都有公司耕耘，每個公司都在一個細分市場加大投入，比如蘋果就做硬件軟件，微軟就做云和操作系統，不像阿里巴巴和騰訊，業務越來越廣，而中國工商的產品主要立足于漢語市場，所以市場相對的狹窄，大家都會一起競爭，比如直播起來了，百度騰訊阿里都做了直播模式。
3、中國巨頭太壟斷，新公司必須依附于大公司。
騰訊和阿里巴巴太大了，所以他們在看各個領域的機會，生怕被別人抄了老家。所以只要看到有新公司崛起，阿里巴巴和騰訊就會想著投資。如果不站隊就會成為巨頭的敵人，比如美團和阿里巴巴，比如騰訊和信息分發。
美國不一樣，巨頭互不干涉，而且更愿意理性對待新的公司崛起。
你認為美國互聯網公司和中國比誰能更長遠的發展壯大？
我認為這樣的說法并不符合實際，事實上美國的 科技 巨頭也一直在積極的投資收購，只是我們不太了解罷了。
例如在2017年，谷歌的母公司Alphabet的三大投資部門GV、CapitalG和Gradient Ventures以及谷歌自己一共進行了103筆投資交易，并且收購了7家被投資的公司。事實上谷歌已經超過騰訊，成為了全球最活躍的投資者，每年凈收入的30%來自于投資業務本身。
再來看蘋果，蘋果的崛起本質上是通過對前沿技術的「資源整合」實現的。事實上，蘋果在過去的這些年里投資和收購了無數技術公司，僅以iPhone X上的Face ID人臉識別技術為例，蘋果就在2010~2017年中收購了10家技術公司。
事實上，對于像人工智能這樣的 科技 領域中，美國在整體上的投資力度是超過中國的，根據世界經濟論壇的一份報告，美國在人工智能上的投資總額是中國的1.54倍。以蘋果、谷歌、微軟、Facebook、亞馬遜為代表的大型 科技 公司主導了美國在人工智能和新技術領域的投資并購。
所以不要以為只有中國企業喜歡到處投資，事實上在新技術、新經濟領域的競爭是全球性的，只是中國企業這幾年越來越有錢了，所以投資布局的新聞也越來越多。而且中國企業離我們的生活比較近，一有什么消息國人第一時間就能知道，而相對離我們遠一些的海外企業一直以來也都是這么做的，只是許多投資的消息并沒有被廣泛報道而以。
美國互聯網幾大 科技 巨頭之所以不像國內BAT一樣通過大幅擴張構建生態帝國，核心原因在于反壟斷法的存在。歐美各國政府對商業壟斷容忍度極低，包括各界輿論也非常反對企業形成壟斷，一旦有此嫌疑，要面臨強制拆分或巨額罰款的結局。
就像現在谷歌、Facebook、蘋果、亞馬遜等企業，其實未嘗達到壟斷格局，但也因規模過大而時長遭受質疑。數據顯示，Alphabet旗下的谷歌在美國搜索廣告收入中的占比約為77%，亞馬遜占據了電子書銷售的70%和美國電子商務的30%，而Facebook在移動社交媒體流量中所占的份額高達75%。雖都處于市場絕對領先地位，但和國內滴滴這種高達90%以上的相比，還夠不上壟斷，然而國內并沒有對滴滴的壟斷進行過制裁。
當然，只要不觸碰壟斷這根底線，其實美國 科技 公司也并不是不進行業務擴張。比如在過去的十年時間里，Google是唯一一家做出過200多筆收購的 科技 公司，它通過收購在硬件和數據科學領域獲得了大量人才。而Facebook最大的一次收購是190億美元對WhatsApp的收購。緊接著，Facebook用20億美元將VR技術公司Oculus收入囊中，后來又以10億美元的價格收購了社交媒體平臺Instagram。
但這與國內還是有所區別，BAT通過大量跨界并購或投資、直接插手各行各業的競爭，并借助巨頭的優勢，將所并購或投資的企業用資本燒錢打造成一個個小巨頭，進而改變了原有的市場格局。所以BAT在各個賽道布下了棋子，幾乎所有初創企業都難逃他們的影響，外界也由此形成了BAT到處投資的普遍認知。
而國外巨頭收購不同，他們大多是圍繞現有技術或核心業務進行擴張，而不是廣撒網、多撈魚，更沒有掀起資本燒錢的戰爭，給外界的印象便是比BAT更加專注。
遍地開花、到處撒網，是很多中國企業最喜歡，也最擅長做的事。象華為這樣甘于堅持一個目標、做一個專業的企業，確實不是很多。尤其是大企業，發展到一定程度，就想著什么都做，什么都去經營了。結果是，一旦步入到盲目擴張的行列，等待企業的就是死亡。
事實也是，專業的工作留給專業的企業和人員去做，這是經濟發展過程中最需要遵循的一條原則。反過來，只有讓專業的企業和人員做專業的工作，才能越做越好，越做越有市場競爭力。象阿里、騰訊這樣的企業，名為互聯網企業，實質上是一個沒有統一目標、統一范圍、統一規定的行業，與什么都能掛上鉤。所謂互聯網+，就已經顯示出互聯網是一種萬精油，是百搭。因此，就有了什么都能投資、什么都能收購的現象。
正是因為百搭，也就造成了在收購方面的混亂。原本可能給專業企業收購的企業，可以做得更專業的企業，也因為被資本狂購后，很難按照專業特點去發展，最終出現了專業來專業的現象，影響技術進步，影響 科技 發展，影響市場競爭力，甚至影響企業創新。所以，必須多一點華為這樣的企業。
首先這個問題的提出就有問題，請問問題主怎么得出的美國具有互聯網基因的 科技 公司沒有撒網式的投資呢？
其實，美國的互聯網公司也有大量的子公司和分公司，包括 科技 部或者各種種子小組，他們包容各種奇思怪想的創意和點子，因為這其中的每一個都有可能顛覆現有經濟格局和秩序
也許我們看到的是其表面簡單的股權結構，而其實質的控制人都在表象之下，國家經濟，乃至世界經濟的發展均是贏者通吃……
美國 科技 巨頭的創新戰場在全球行業的最高㟨，而阿里騰訊向來以“洋為中用”為基礎，當自己的技術已經達到與其抄襲對象差不多程度時，與其勉強在高㟨與巨頭拼搶，不如另辟戰場，等巨頭們有了科研突破成果后再來抄襲更合算。即然難以在行業最高㟨與美 科技 巨頭拚搶，就只能撒大網到處與他人爭食了
中國經濟現在面臨的大問題就是過去30年摘低樹蘋果摘慣了，現在的果實大都只剩高處的。過去的好時光已經過去了。
深度學習框架，尤其是基于人工神經網絡的框架可以追溯到1980年福島邦彥提出的新認知機[2]，而人工神經網絡的歷史更為久遠。1989年，燕樂存（Yann LeCun）等人開始將1974年提出的標準反向傳播算法[3]應用于深度神經網絡，這一網絡被用于手寫郵政編碼識別。盡管算法可以成功執行，但計算代價非常巨大，神經網路的訓練時間達到了3天，因而無法投入實際使用[4]。許多因素導致了這一緩慢的訓練過程，其中一種是由于爾根·施密德胡伯（Jürgen Schmidhuber）的學生賽普·霍克賴特（Sepp Hochreiter）于1991年提出的梯度消失問題[5][6]。與此同時，神經網絡也受到了其他更加簡單模型的挑戰，支持向量機等模型在20世紀90年代到21世紀初成為更加流行的機器學習算法。
“深度學習”這一概念從2007年前后開始受到關注。當時，杰弗里·辛頓（Geoffrey Hinton）和魯斯蘭·薩拉赫丁諾夫（Ruslan Salakhutdinov）提出了一種在前饋神經網絡中進行有效訓練的算法。這一算法將網絡中的每一層視為無監督的受限玻爾茲曼機，再使用有監督的反向傳播算法進行調優[7]。在此之前的1992年，在更為普遍的情形下，施密德胡伯也曾在遞歸神經網絡上提出一種類似的訓練方法，并在實驗中證明這一訓練方法能夠有效提高有監督學習的執行速度[8][9].
自深度學習出現以來，它已成為很多領域，尤其是在計算機視覺和語音識別中，成為各種領先系統的一部分。在通用的用于檢驗的數據集，例如語音識別中的TIMIT和圖像識別中的ImageNet, Cifar10上的實驗證明，深度學習能夠提高識別的精度。
硬件的進步也是深度學習重新獲得關注的重要因素。高性能圖形處理器的出現極大地提高了數值和矩陣運算的速度，使得機器學習算法的運行時間得到了顯著的縮短[10][11]。
基本概念[編輯]
深度學習的基礎是機器學習中的分散表示（distributed representation）。分散表示假定觀測值是由不同因子相互作用生成。在此基礎上，深度學習進一步假定這一相互作用的過程可分為多個層次，代表對觀測值的多層抽象。不同的層數和層的規模可用于不同程度的抽象[1]。
深度學習運用了這分層次抽象的思想，更高層次的概念從低層次的概念學習得到。這一分層結構常常使用貪婪算法逐層構建而成，并從中選取有助于機器學習的更有效的特征[1].
不少深度學習算法都以無監督學習的形式出現，因而這些算法能被應用于其他算法無法企及的無標簽數據，這一類數據比有標簽數據更豐富，也更容易獲得。這一點也為深度學習贏得了重要的優勢[1]。
人工神經網絡下的深度學習[編輯]
一部分最成功的深度學習方法涉及到對人工神經網絡的運用。人工神經網絡受到了1959年由諾貝爾獎得主大衛·休伯爾（David H. Hubel）和托斯坦·威澤爾（Torsten Wiesel）提出的理論啟發。休伯爾和威澤爾發現，在大腦的初級視覺皮層中存在兩種細胞：簡單細胞和復雜細胞，這兩種細胞承擔不同層次的視覺感知功能。受此啟發，許多神經網絡模型也被設計為不同節點之間的分層模型[12]。
福島邦彥提出的新認知機引入了使用無監督學習訓練的卷積神經網絡。燕樂存將有監督的反向傳播算法應用于這一架構[13]。事實上，從反向傳播算法自20世紀70年代提出以來，不少研究者都曾試圖將其應用于訓練有監督的深度神經網絡，但最初的嘗試大都失敗。賽普·霍克賴特（Sepp Hochreiter）在其博士論文中將失敗的原因歸結為梯度消失，這一現象同時在深度前饋神經網絡和遞歸神經網絡中出現，后者的訓練過程類似深度網絡。在分層訓練的過程中，本應用于修正模型參數的誤差隨著層數的增加指數遞減，這導致了模型訓練的效率低下[14][15]。
為了解決這一問題，研究者們提出了一些不同的方法。于爾根·施密德胡伯（Jürgen Schmidhuber）于1992年提出多層級網絡，利用無監督學習訓練深度神經網絡的每一層，再使用反向傳播算法進行調優。在這一模型中，神經網絡中的每一層都代表觀測變量的一種壓縮表示，這一表示也被傳遞到下一層網絡[8]。
另一種方法是賽普·霍克賴特和于爾根·施密德胡伯提出的長短期記憶神經網絡（long short term memory，LSTM）[16]。2009年，在ICDAR 2009舉辦的連筆手寫識別競賽中，在沒有任何先驗知識的情況下，深度多維長短期記憶神經網絡取得了其中三場比賽的勝利[17][18]。
斯文·貝克提出了在訓練時只依賴梯度符號的神經抽象金字塔模型，用以解決圖像重建和人臉定位的問題[19]。
其他方法同樣采用了無監督預訓練來構建神經網絡，用以發現有效的特征，此后再采用有監督的反向傳播以區分有標簽數據。辛頓等人于2006年提出的深度模型提出了使用多層隱變量學習高層表示的方法。這一方法使用斯摩棱斯基于1986年提出的受限玻爾茲曼機[20]對每一個包含高層特征的層進行建模。模型保證了數據的對數似然下界隨著層數的提升而遞增。當足夠多的層數被學習完畢，這一深層結構成為一個生成模型，可以通過自上而下的采樣重構整個數據集[21]。辛頓聲稱這一模型在高維結構化數據上能夠有效低提取特征[22]。
吳恩達和杰夫·迪恩（Jeff Dean）領導的谷歌大腦（英語：Google Brain）團隊創建了一個僅通過YouTube視頻學習高層概念（例如貓）的神經網絡[23] [24]。
其他方法依賴了現代電子計算機的強大計算能力，尤其是GPU。2010年，在于爾根·施密德胡伯位于瑞士人工智能實驗室IDSIA的研究組中，丹·奇雷尚（Dan Ciresan）和他的同事展示了利用GPU直接執行反向傳播算法而忽視梯度消失問題的存在。這一方法在燕樂存等人給出的手寫識別MNIST數據集上戰勝了已有的其他方法[10]。
截止2011年，前饋神經網絡深度學習中最新的方法是交替使用卷積層（買粉絲nvolutional layers）和最大值池化層（max-pooling layers）并加入單純的分類層作為頂端。訓練過程也無需引入無監督的預訓練[25][26]。從2011年起，這一方法的GPU實現[25]多次贏得了各類模式識別競賽的勝利，包括IJCNN 2011交通標志識別競賽[27]和其他比賽。
這些深度學習算法也是最先在某些識別任務上達到和人類表現具備同等競爭力的算法[28]。
深度學習結構[編輯]
深度神經網絡是一種具備至少一個隱層的神經網絡。與淺層神經網絡類似，深度神經網絡也能夠為復雜非線性系統提供建模，但多出的層次為模型提供了更高的抽象層次，因而提高了模型的能力。深度神經網絡通常都是前饋神經網絡，但也有語言建模等方面的研究將其拓展到遞歸神經網絡[29]。卷積深度神經網絡（Covolutional Neuron Networks, CNN）在計算機視覺領域得到了成功的應用[30]。此后，卷積神經網絡也作為聽覺模型被使用在自動語音識別領域，較以往的方法獲得了更優的結果[31]。
深度神經網絡[編輯]
深度神經網絡（deep neuron 買粉絲works, DNN）是一種判別模型，可以使用反向傳播算法進行訓練。權重更新可以使用下式進行隨機梯度下降求解：
其中，為學習率，為代價函數。這一函數的選擇與學習的類型（例如監督學習、無監督學習、增強學習）以及激活函數相關。例如，為了在一個多分類問題上進行監督學習，通常的選擇是使用Softmax函數作為激活函數，而使用交叉熵作為代價函數。Softmax函數定義為，其中代表類別的概率，而和分別代表對單元和的輸入。交叉熵定義為，其中代表輸出單元的目標概率，代表應用了激活函數后對單元的概率輸出[32]。
深度神經網絡的問題[編輯]
與其他神經網絡模型類似，如果僅僅是簡單地訓練，深度神經網絡可能會存在很多問題。常見的兩類問題是過擬合和過長的運算時間。
深度神經網絡很容易產生過擬合現象，因為增加的抽象層使得模型能夠對訓練數據中較為罕見的依賴關系進行建模。對此，權重遞減（正規化）或者稀疏（-正規化）等方法可以利用在訓練過程中以減小過擬合現象[33]。另一種較晚用于深度神經網絡訓練的正規化方法是丟棄法（"dropout" regularization），即在訓練中隨機丟棄一部分隱層單元來避免對較為罕見的依賴進行建模[34]。
反向傳播算法和梯度下降法由于其實現簡單，與其他方法相比能夠收斂到更好的局部最優值而成為神經網絡訓練的通行方法。但是，這些方法的計算代價很高，尤其是在訓練深度神經網絡時，因為深度神經網絡的規模（即層數和每層的節點數）、學習率、初始權重等眾多參數都需要考慮。掃描所有參數由于時間代價的原因并不可行，因而小批量訓練（mini-batching），即將多個訓練樣本組合進行訓練而不是每次只使用一個樣本進行訓練，被用于加速模型訓練[35]。而最顯著地速度提升來自GPU，因為矩陣和向量計算非常適合使用GPU實現。但使用大規模集群進行深度神經網絡訓練仍然存在困難，因而深度神經網絡在訓練并行化方面仍有提升的空間。
深度信念網絡[編輯]
一個包含完全連接可見層和隱層的受限玻爾茲曼機（RBM）。注意到可見層單元和隱層單元內部彼此不相連。
深度信念網絡（deep belief 買粉絲works，DBN）是一種包含多層隱單元的概率生成模型，可被視為多層簡單學習模型組合而成的復合模型[36]。
深度信念網絡可以作為深度神經網絡的預訓練部分，并為網絡提供初始權重，再使用反向傳播或者其他判定算法作為調優的手段。這在訓練數據較為缺乏時很有價值，因為不恰當的初始化權重會顯著影響最終模型的性能，而預訓練獲得的權重在權值空間中比隨機權重更接近最優的權重。這不僅提升了模型的性能，也加快了調優階段的收斂速度[37]。
深度信念網絡中的每一層都是典型的受限玻爾茲曼機（restricted Boltzmann machine，RBM），可以使用高效的無監督逐層訓練方法進行訓練。受限玻爾茲曼機是一種無向的基于能量的生成模型，包含一個輸入層和一個隱層。圖中對的邊僅在輸入層和隱層之間存在，而輸入層節點內部和隱層節點內部則不存在邊。單層RBM的訓練方法最初由杰弗里·辛頓在訓練“專家乘積”中提出，被稱為對比分歧（買粉絲ntrast divergence, CD）。對比分歧提供了一種對最大似然的近似，被理想地用于學習受限玻爾茲曼機的權重[35]。當單層RBM被訓練完畢后，另一層RBM可被堆疊在已經訓練完成的RBM上，形成一個多層模型。每次堆疊時，原有的多層網絡輸入層被初始化為訓練樣本，權重為先前訓練得到的權重，該網絡的輸出作為新增RBM的輸入，新的RBM重復先前的單層訓練過程，整個過程可以持續進行，直到達到某個期望中的終止條件[38]。
盡管對比分歧對最大似然的近似十分粗略（對比分歧并不在任何函數的梯度方向上），但經驗結果證實該方法是訓練深度結構的一種有效的方法[35]。
卷積神經網絡[編輯]
主條目：卷積神經網絡
卷積神經網絡（買粉絲nvolutional neuron 買粉絲works，CNN）由一個或多個卷積層和頂端的全連通層（對應經典的神經網絡）組成，同時也包括關聯權重和池化層（pooling layer）。這一結構使得卷積神經網絡能夠利用輸入數據的二維結構。與其他深度學習結構相比，卷積神經網絡在圖像和語音識別方面能夠給出更優的結果。這一模型也可以使用反向傳播算法進行訓練。相比較其他深度、前饋神經網絡，卷積神經網絡需要估計的參數更少，使之成為一種頗具吸引力的深度學習結構[39]。
卷積深度信念網絡[編輯]
卷積深度信念網絡（買粉絲nvolutional deep belief 買粉絲works，CDBN）是深度學習領域較新的分支。在結構上，卷積深度信念網絡與卷積神經網絡在結構上相似。因此，與卷積神經網絡類似，卷積深度信念網絡也具備利用圖像二維結構的能力，與此同時，卷積深度信念網絡也擁有深度信念網絡的預訓練優勢。卷積深度信念網絡提供了一種能被用于信號和圖像處理任務的通用結構，也能夠使用類似深度信念網絡的訓練方法進行訓練[40]。
結果[編輯]
語音識別[編輯]
下表中的結果展示了深度學習在通行的TIMIT數據集上的結果。TIMIT包含630人的語音數據，這些人持八種常見的美式英語口音，每人閱讀10句話。這一數據在深度學習發展之初常被用于驗證深度學習結構[41]。TIMIT數據集較小，使得研究者可以在其上實驗不同的模型配置。
方法
聲音誤差率 (PER, %)
隨機初始化RNN 26.1
貝葉斯三音子GMM-HMM 25.6
單音子重復初始化DNN 23.4
單音子DBN-DNN 22.4
帶BMMI訓練的三音子GMM-HMM 21.7
共享池上的單音子DBN-DNN 20.7
卷積DNN 20.0
圖像分類[編輯]
圖像分類領域中一個公認的評判數據集是MNIST數據集。MNIST由手寫阿拉伯數字組成，包含60,000個訓練樣本和10,000個測試樣本。與TIMIT類似，它的數據規模較小，因而能夠很容易地在不同的模型配置下測試。Yann LeCun的網站給出了多種方法得到的實驗結果[42]。截至2012年，最好的判別結果由Ciresan等人在當年給出，這一結果的錯誤率達到了0.23%[43]。
深度學習與神經科學[編輯]
計算機領域中的深度學習與20世紀90年代由認知神經科學研究者提出的大腦發育理論（尤其是皮層發育理論）密切相關[44]。對這一理論最容易理解的是杰弗里·艾爾曼（Jeffrey Elman）于1996年出版的專著《對天賦的再思考》（Rethinking Innateness）[45]（參見斯拉格和約翰遜[46]以及奎茲和賽杰諾維斯基[47]的表述）。由于這些理論給出了實際的神經計算模型，因而它們是純計算驅動的深度學習模型的技術先驅。這些理論指出，大腦中的神經元組成了不同的層次，這些層次相互連接，形成一個過濾體系。在這些層次中，每層神經元在其所處的環境中獲取一部分信息，經過處理后向更深的層級傳遞。這與后來的單純與計算相關的深度神經網絡模型相似。這一過程的結果是一個與環境相協調的自組織的堆棧式的轉換器。正如1995年在《紐約時報》上刊登的那樣，“……嬰兒的大腦似乎受到所謂‘營養因素’的影響而進行著自我組織……大腦的不同區域依次相連，不同層次的腦組織依照一定的先后順序發育成熟，直至整個大腦發育成熟。”[48]
公眾視野中的深度學習[編輯]
深度學習常常被看作是通向真正人工智能的重要一步[51]，因而許多機構對深度學習的實際應用抱有濃厚的興趣。2013年12月，Facebook宣布雇用燕樂存為其新建的人工智能實驗室的主管，這一實驗室將在加州、倫敦和紐約設立分支機構，幫助Facebook研究利用深度學習算法進行類似自動標記照片中用戶姓名這樣的任務[52]。
2013年3月，杰弗里·辛頓和他的兩位研究生亞歷克斯·克里澤夫斯基和伊利婭·蘇特斯科娃被谷歌公司雇用，以提升現有的機器學習產品并協助處理谷歌日益增長的數據。谷歌同時并購了辛頓創辦的公司DNNresearch[53]。
批評[編輯]
對深度學習的主要批評是許多方法缺乏理論支撐。大多數深度結構僅僅是梯度下降的某些變式。盡管梯度下降已經被充分地研究，但理論涉及的其他算法，例如對比分歧算法，并沒有獲得充分的研究，其收斂性等問題仍不明確。深度學習方法常常被視為黑盒，大多數的結論確認都由經驗而非理論來確定。
也有學者認為，深度學習應當被視為通向真正人工智能的一條途徑，而不是一種包羅萬象的解決方案。盡管深度學習的能力很強，但和真正的人工智能相比，仍然缺乏諸多重要的能力。理論心理學家加里·馬庫斯（Gary Marcus）指出：
就現實而言，深度學習只是建造智能機器這一更大挑戰中的一部分。這些技術缺乏表達因果關系的手段……缺乏進行邏輯推理的方法，而且遠沒有具備集成抽象知識，例如物品屬性、代表和典型用途的信息。最為強大的人工智能系統，例如IBM的人工智能系統沃森，僅僅把深度學習作為一個包含從貝葉斯推理和演繹推理等技術的復雜技術集合中的組成部分[54]。
當今最前沿的技術：
1、核武器小型化技術
技術擁有國：中國、美國、俄羅斯、法國、英國
沒這個的一般不能上導彈。
2、中子彈技術
技術擁有國：中國、美國、俄羅斯、法國
中子彈，沒有氫彈技術的免談。
3、氫彈技術
技術擁有國：中國、美國、俄羅斯、法國
4、軍用核反應堆技術
技術擁有國：中國、美國、俄羅斯、英國、法國、印度
高溫氣冷反應堆技術。
5、衛星發射技術（彈道導彈技術）
技術擁有國：中國、俄羅斯、美國、法國、日本、英國、印度、以色列、伊朗
6、返回式衛星技術（大氣層再入技術）
技術擁有國：中國、美國、俄羅斯、英國和法國
沒有這一條的不算真的有“洲際”導彈技術(不過關的導彈會在再入大氣時直接燒毀)。這里很奇怪，英國和法國從未展示過返回式衛星技術，但是仍然宣稱擁有洲際導彈……
7、載人航天器發射技術
技術擁有國：中國、美國、俄羅斯
8、潛射彈道導彈技術
技術擁有國：中國、美國、俄羅斯、英國、法國
9、鐵路機動彈道導彈技術
技術擁有國：中國、俄羅斯
10、空射運載火箭/彈道導彈技術
技術擁有國：中國(開拓者)、美國(飛馬座)、俄羅斯(Barge hauler)
11、巡航導彈技術
技術擁有國：中國、美國、俄國
12、衛星導航技術
技術擁有國：中國(北斗)、美國(GPS)、俄羅斯(GLONASS)、歐盟(伽利略)
13、十萬噸級航空母艦（擁有數量/制造能力）
技術擁有國：美國(11艘/有制造能力)、印度(3/無)、英國(2/有)、法國(2/有)、巴西(2/無)、俄羅斯(1/有)、中國（1/有）
14、核潛艇制造技術
技術擁有國：中國、美國、俄羅斯、英國、法國、印度
15、兩棲戰艦研制
技術擁有國： 中國(071和081)、美國(圣安東尼奧級)、英國(海洋級不列顛級)、法國(西北風級)、荷蘭(鹿特丹級)、日本(大隅級)、韓國(LPX)
16、常規潛艇自主能力
技術擁有國：中國（039/041）、德國（209/214）、法國（鼬魚/阿格斯塔91B）、俄國（K基洛）、日本（蒼龍）、瑞典、荷蘭
17、神盾艦
技術擁有國：中國、美國（日本、英法、韓國是買美國的）
18、反艦導彈技術
技術擁有國：中國、美國、法國、挪威、日本、俄羅斯、瑞典、意大利、印度(與俄合作)
19、超音速反艦導彈技術
技術擁有國：中國、俄羅斯、印度(與俄合作)
20、艦載垂直發射系統研制
技術擁有國：中國(170/171艦載)、美國(Mk41)、俄羅斯(3K95)、以色列(巴拉克-1)、英國(海狼)、法國(海響尾蛇VT-1)、南非(Umkhonto)
21、尾流自導魚雷
技術擁有國：俄羅斯(65型)、美國(MK45F)、中國(魚-6/7/820）)、意大利(A184Mod3)、法國(F17Mod2)、瑞典(TP61)
22、超空泡技術(超級重型魚雷)
技術擁有國：俄羅斯(暴風雪)、伊朗(鯨魚)、中國(空泡1型)、美國
23、高速風洞
技術擁有國： 美國、中國、俄羅斯
24、10倍音速激波風洞
技術擁有國：中國
25、噴氣式飛機研制能力
最熱門的技術就是人工智能了
作為新一輪科技革命的重要代表之一，人工智能是當今科技領域最前沿的課題。繼2017年首次被寫入全國政府工作報告一年后，“人工智能”（AI）再次成為兩會焦點。3月5日上午，總理在2018政府工作報告中指出要“加強新一代人工智能研發應用”，再次強調人工智能給中國帶來的歷史機遇。人工智能在中國的政治、經濟、學術領域都成為重中之重。
在此之前，“證監會給四大行業IPO開特殊通道”已是人盡皆知，這四個行業中就包括人工智能。那么這些人工智能包括哪些領域呢？
我們梳理了以上行業獨角獸，對其在國內A股上市的可能性進行羅列，并找出了其中最有上市可能性的人工智能企業：
人工智能領袖企業——計算機視覺國家隊云從科技
做人工智能的目的是什么？只是下棋戰勝人類？又難道是“為了做人工智能而做人工智能”嗎？
人工智能就是要服務于人類。作為中國人工智能產業化國家隊，云從科技在成立之初就決計將“束之高閣的AI“變為可以改變人類生活的利器。
直到云從科技目前已經占據了國內金融、機場等領域的應用市場，是國內第一大銀行人臉識別供應商，并在全國80%的樞紐機場運用人臉識別。據傳云從科技的估值已經超過200億元人民幣。
其通過運用對抗性神經網絡，圖像識別技術已經達到了國際領先水平，并在今年登陸了MIT2018全球十大突破技術榜單。其不斷吸納了前Facebook Tech Lead等海外AI頂尖技術人員。隨著技術和應用領域的雙重突破，在2018年這家人工智能新貴將會引領中國智造的全面奮進。
AI上游——芯片領軍者寒武紀
技術離不開硬件支持，寒武紀就是給人工智能做腦子的。
寒武紀科技是全球第一個成功流片并擁有成熟產品的智能芯片公司，擁有終端和服務器兩條產品線。2016年推出的寒武紀1A處理器（Cambri買粉絲n-1A）是世界首款商用深度學習專用處理器，面向智能手機、安防監控、可穿戴設備、無人機和智能駕駛等各類終端設備。在運行主流智能算法時性能功耗比全面超越CPU和GPU，與特斯拉增強型自動輔助駕駛。寒武紀引領人類社會從信息時代邁向智能時代，做支撐智能時代的偉大芯片公司。
機器人新勢力——勇藝達機器人
作為人工智能一個重要的細分領域，服務機器人近幾年受人工智能產業各項政策利好+資本助陣的影響，連帶受益，蓄勢滕飛，逐漸成為蘊藏千億市場的新藍海。而作為國內首批從事服務機器人研發與制造的勇藝達機器人，憑借強大的技術研發實力和創新精神，以及全渠道營銷體系和強大的供應鏈，正展現出高速發展的勢頭和潛力，如能把握好先發優勢并快速建立起行業壁壘，未來五年內有極大希望能成長為成服務機器人領域“獨角獸”。
人工智能就業方向及前景
人工智能就業方向及前景人工智能就業方向及前景主要有:機器視覺，指紋識別，人臉識別，視網膜識別，虹膜識別，掌紋識別，專家系統，自動規劃，智能搜索，定理證明，博弈，自動程序設計，智能控制，機器人學，語言和圖像理解，遺傳編程等。
人工智能專業的課程體系《人工智能、社會與人文》、《人工智能哲學基礎與倫理》、《先進機器人控制》、《認知機器人》、《機器人規劃與學習》、《仿生機器人》、《群體智能與自主系統》。
《無人駕駛技術與系統實現》、《游戲設計與開發》、《計算機圖形學》、《虛擬現實與增強現實》、《人工智能的現代方法I》、《問題表達與求解》、《人工智能的現代方法II》、《機器學習、自然語言處理、計算機視覺等》。
智能專業就業前景怎么樣
前景可以的。人工智能工程技術人員是指從事與人工智能相關算法、深度學習等相關的多種技術的分析、研究、開發，并對人工智能系統進行設計、優化、運維、管理和應用的工程技術人員。
人工智能專業就業方向有科學研究、工程開發、計算機方向、軟件工程、應用數學、電氣自動化通信、機械制造等。人工智能是國家戰略的核心方向，影響著國民經濟的很多領域，已成為一個國家科技發展水平和國民經濟現代化、信息化的重要標志。
人工智能技術應用就業方向及前景
人工智能就業前景很不錯，就業方向主要有機器視覺、指紋識別、人臉識別、視網膜識別、虹膜識別。掌紋識別、專家系統、自動規、智能搜索、定理證明、博弈、自動程序設計、智能控制、機器人學、語言和圖像理解、遺傳編程等。
列入國家發展規劃后，國家會頒發很多政策去促進這一計劃的實現，所以越早進入人工智能領域就越有發展潛能。人工智能技術應用就業方向及前景:
1.算法工程師。進行人工智能相關前沿算法的研究，包括機器學習、知識應用、智能決策等技術的應用。以機器學習的過程為例，涉及到數據收集、數據整理、算法設計、算法訓練、算法驗證、算法應用等步驟，所以算法是機器學習開發的重點。
2.程序開發工程師。
一方面程序開發工程師需要完成算法實現，另一方面程序開發工程師需要完成項目的落地，需要完成各個功能模塊的整合。
3.人工智能運維工程師。大數據與AI產品相關運營、運維產品研發;相關組件的運維工具系統的開發與建設;提供大數據與AI云產品客戶支持。
4.智能機器人研發工程師。研發方向主要從事機器人控制系統開發，高精度器件的設計研發等。工業機器人系統集成方向主要做工作站設計，電氣設計，器件選型，機器人調試，編程，維護等。
5.AI硬件專家。AI 領域內另外一種日益增長的藍領工作是負責創建 AI 硬件如 GPU 芯片的工業操作工作。大科技公司目前已經采取了措施，來建立自己的專業芯片。
人工智能就業方向及前景分析 未來好就業嗎
人工智能的未來就業前景是很不錯的，可以從事的就業方向也有很多，如通信、軟件工程、工程開發、自動化等方向。 人工智能就業前景 未來人工智能的就業和發展前景都是非常值得期待的，原因有以下幾點:第一，智能化是未來的重要趨勢之一。
第二，產業互聯網的發展必然會帶動人工智能的發展。人工智能技術將成為職場人的必備技能之一。 在大數據時代，人工智能相關技術得到了越來越多的關注，市場對于人工智能產品的呼聲也越來越高，因此不少科技公司都陸續開始在人工智能領域實施戰略布局，由于人工智能人才相對比較短缺，所以人才的爭奪也比較激烈。
另外，由于相關人才的數量比較少研究生培養為主，而且培養周期比較長，所以人工智能人才在未來較長一段時間內依然會有一定的缺口。 人工智能就業方向 人工智能可以說是一門高尖端學科，屬于社會科學和自然科學的交叉，涉及了數學、心理學、神經生理學、信息論、計算機科學、哲學和認知科學、不定性論以及控制論。
研究范疇包括自然語言處理、機器學習、神經網絡、模式識別、智能搜索等。應用領域包括機器翻譯、語言和圖像理解、自動程序設計、專家系統等。 人工智能專業的主要就業方向有:科學研究、工程開發、計算機方向、軟件工程、應用數學、電氣自動化、通信、機械制造等。
「1. 智能制造推進的難點與問題」
我國制造業面臨著異常嚴峻的挑戰：人口紅利消失、“未富先老”、企業招工難，人工成本迅速上升；高房價、高地價迫使國內制造業向內地轉移，低成本制造業向東南亞國家轉移；高賦稅以及社保費用的壓力也給企業帶來高昂的運營成本；原材料價格上漲對下游行業帶來巨大的成本壓力；環保風暴也給很多企業敲響了警鐘；中興事件則暴露出我國制造業核心技術缺失的尷尬現狀；而國際貿易爭端更是對出口型企業雪上加霜。
在這種背景下，制造企業如何實現轉型升級？推進智能制造成為重要的途徑。然而，目前我國制造企業推進智能制造面臨著諸多難點與問題：
第一，概念滿天飛，技術一大堆。近幾年來，從工業4.0的熱潮開始，智能制造、信息物理系統（CPS）、工業互聯網（平臺）、企業上云、工業APP、人工智能、工業大數據、數字工廠、數字經濟、數字化轉型、C2B（C2M）等概念接踵而至，對于大多數制造企業而言，可以說是眼花繚亂、無所適從。智能制造涉及的技術非常多，例如云計算、邊緣計算、RFID、工業機器人、機器視覺、立體倉庫、AGV、虛擬現實/增強現實、三維打印/增材制造、工業安全、時間敏感網絡、深度學習、數字孿生、MBD、預測性維護......，讓企業目不暇接。這些技術看起來都很美，但如何應用，如何取得實效？很多企業還不得而知。
第二，摸著石頭過河。企業推進智能制造領域的相關技術十分缺乏經驗，欠缺可以借鑒的成功案例。目前，制造企業已經存在3種類型的孤島：信息孤島、自動化孤島，以及信息系統與自動化系統之間的孤島。同時，企業也缺乏統一的部門來系統規劃和推進智能制造。在實際推進智能制造的過程中，企業仍然是“頭痛醫頭”，缺乏章法。
第三，理想很豐滿，現實很骨感。推進智能制造，前景很美好。但是絕大多數制造企業利潤率很低，缺乏自主資金投入。在“專項”“示范”以及“機器換人”等政策刺激下，一些國有企業和大型民營企業爭取到各級政府給予的資金扶持，而中小企業只能“隔岸觀火”，自力更生。
第四，自動化、數字化還是智能化？在推進智能制造過程中，不少企業對于建立無人工廠、黑燈工廠躍躍欲試，認為這就是智能工廠。而實際上，高度自動化是工業3.0的理念。對于大批量生產的產品，國外的優秀企業早就實現了無人工廠。例如，日本發那科僅需40s就能全自動裝配完成一個伺服電機，但其前提是產品的標準化、系列化，以及面向自動化裝配的設計，例如將需要用線纜進行插裝的結構改為插座式的結構。e-works兩次組團參觀三菱電機的名古屋制作所可兒工廠，該工廠對于大批量生產的產品，大量應用機械手，實現高度自動化；對于中小批量的產品，推進低成本自動化，即部分工位的自動化；而對于單件定制的產品，采取手工裝配。e-works考察團還參觀施耐德電氣的法國諾曼底工廠，該工廠是生產繼電器的自動化工廠，該工廠實現了繞線、裝配、包裝等全流程的自動化，而且可以在一條產線生產多種變型產品，但實際上還不是智能工廠。還有西門子一直將被廣泛譽為工業4.0典范的安貝格電子工廠也是被稱為數字化工廠，其特點是人機協作的柔性自動化生產、智能物流、工業軟件廣泛應用、海量的數據采集以及大數據分析。
一個真正的智能工廠，應該是精益、柔性、綠色、節能和數據驅動，能夠適應多品種小批量生產模式的工廠。智能工廠不是無人工廠，卻是少人化和人機協作的工廠，推進智能工廠絕不是簡單地實現機器換人。南京的愛立信工廠有一條裝配線，一開始設置的自動化率是90%，后來發現調整為70%，增加若干人工工位，整體質量和效率反而是最優的。此外，對于裝備制造行業，機加工等工序并不適合建立自動化生產線，而建立柔性制造系統（FMS）則是更現實的選擇。馬扎克（MAZAK）、發那科（FANUC）的機加工車間應用FMS已達到720小時無人值守，自動生產不同的機械零件。

圖1 MAZAK的FMS（柔性制造系統）
第五，理性看待投資回報。制造企業的企業家，尤其是中小型民營企業的老板，非常關心投資回報。很多企業的要求就是必須能夠在3～4年能夠收回投資的信息化、自動化系統才投入，甚至有的期望值更高。然而，有些賬容易算，比如某條產線減少了多少工人。有些賬卻不那么容易算，例如工業軟件作為一個使能要素，企業離不開工業軟件，卻難以計算出它究竟為企業直接或間接節省了多少成本，賺了多少錢。如果選型、實施和應用不到位，更是常常用不起來，業務部門牢騷滿腹。長此以往，制造企業更加重硬輕軟，最后停留在簡單地做一點局部的自動化改善。
第六，數據采集與設備聯網，邁不過去的坎。企業要真正實現智能制造，必須進行生產、質量、設備狀態和能耗等數據的自動采集，實現生產設備（機床、機器人）、檢測設備、物流設備（AGV、立庫、叉車等），以及移動終端的聯網，沒有這個基礎，智能制造就是無源之水。但是，現階段很多制造企業還停留在單機自動化階段，甚至一些知名企業的生產線也未聯網，沒有基礎的設備聯網，何談工業互聯網？
第七，基礎數據和管理基礎。無論是推進企業信息化、兩化融合，還是進一步實現數字化轉型，推進智能制造，基礎數據的規范性和準確性都是必要條件。很多企業在實施ERP，或者ERP升級換型的過程中，花費時間最多的就是基礎數據的整理。企業管理的規范性、業務流程的清晰，也是企業推進智能制造的“敲門磚”。但現實的情況是，一些企業的基礎數據還沒有理順，卻在大談“工業大數據”。這種舍本逐末的做法，注定是難以取得實效的。
「2. 智能制造推進的5項基本原則」
隨著我國勞動力成本迅速增長，節能減排的要求越來越高，市場競爭白熱化，客戶需求日益個性化，制造企業面臨著越來越大的轉型壓力。在這種背景下，智能制造成為廣大制造企業關注的熱點。尤其是在車間的智能化改造方面，很多大中型制造企業開展了相關實踐，還有眾多企業在躍躍欲試。增加智能裝備、建立智能產線、推進智能物流，減少人工，成為很多制造企業的共同選擇。
智能制造勢不可擋，但智能制造只是手段，不是目的。制造企業應當明確推進智能制造的目標，積極學習各種智能制造新興技術，探討應用各種智能制造技術的必要性、緊迫性與可行性，具體推進智能制造技術的應用必須做好需求分析與投入產出分析，明確總體擁有成本，根據自己的盈利水平確定合理的投資預算。千萬不能為了智能化而智能化，為了爭取政府項目而盲目大干快上智能制造項目，以免在老的信息孤島問題、基礎數據不準確的問題依然存在的情況下，又形成新的智能孤島，甚至形成“僅供參觀”的花架子。
因此，制造企業推進智能制造，需要把握以下5項基本原則：
【原則1】正確理解智能制造。智能制造中的“智能”還處于Smart階段，智能制造（Smart manufacturing）系統具有數據采集、數據處理和數據分析的能力，能夠實現閉環反饋。智能制造的未來趨勢是實現“Intelligent”，實現自主學習、自主決策和優化提升。智能制造融合了信息技術、先進制造技術、自動化技術和智能化技術。智能制造中的“制造”指的是廣義的制造，并不僅僅包括生產制造環節的智能化，而是包括制造業價值鏈各個環節的智能化。企業信息化和工業軟件的深化應用，是推進智能制造的基礎和前提條件。
【原則2】正確理解和應用智能制造使能技術。智能制造使能技術主要包括：物聯網、增材制造（3D打印，包含設備、材料、工藝）、云計算、電子商務、電子數據交換（EDI）、PLC、DCS、自動識別技術（RFID、條碼、機器視覺）、數控系統、大數據分析（包括工業大數據）、 虛擬現實/增強現實、Digital twin（數字孿生，包括產品、設備、車間）、工業安全、工業互聯網、傳感器、云制造和信息集成（EAI、ESB）等技術。需要明確的是，部分技術還處于發展的初期階段，制造企業需要根據自身的產品特點、生產模式和運營模式來綜合考慮應用方式。
【原則3】必須理解智能化與自動化的本質區別。那些將機器人應用和無人工廠說成是工業4.0的說法是錯誤的。企業在建設智能工廠時，要整體考慮智能裝備的應用、生產線和裝配線的數據采集方式、設備布局和車間物流優化、在制品在工序之間的轉運方式、生產工藝的改進與優化、材料的創新等，而不僅僅是某些工位的“機器換人”。智能化生產線能夠實現柔性的自動化，快速切換生產多種產品，或者可以混線生產多種產品，能夠實現生產數據、質量數據的自動采集，并實現自動化系統與質量分析系統、MES系統的信息集成。
【原則4】必須做好整體規劃，選擇適合企業自身特點的實施方案，有效規避風險。推進智能制造需要解決更加復雜的、縱橫交錯的信息集成問題，例如IT系統與自動化系統的信息集成、供應鏈的數據交換；推進智能制造需要處理來源多樣的異構數據，包括各種來自設備、產品、社交網絡和信息系統的海量數據，需要確保基礎數據的準確性；推進智能制造需要企業的IT部門、自動化部門、精益推進部門和業務部門，甚至供應鏈合作伙伴之間的通力合作。因此，制造企業必須充分認識到推進智能制造的復雜性、艱巨性和長期性。制造企業應當做好相關技術的培訓，選擇有實戰經驗的智能制造買粉絲服務機構，共同規劃推進智能制造的藍圖。在整體規劃的指導下，選擇對于企業最有可能迅速見效的突破口優先實施。比如，推進基于物聯網的預測性維護服務，促進企業已銷售的產品的配件銷售，提高客戶服務滿意度；或者通過實現生產線的智能化，提高設備的整體績效和產品合格率；通過建立企業級BOM平臺，實現產品的在線定制等。
【原則5】企業需要建立自己的專業隊伍，并選擇長期的戰略合作伙伴。推進信息化是個系統工程，推進信息化與工業化深度融合是一個更大的系統工程，而推進智能制造更是一個非常復雜的系統工程，涉及到諸多工業軟件的集成應用，涉及到智能裝備應用、設備聯網、數據采集、數據分析和業務流程優化，并且需要與推進精益管理結合起來推進，因此，制造企業需要建立自身的專業隊伍，融合信息化、自動化和管理人才，并選擇若干長期的戰略合作伙伴，包括買粉絲服務機構、智能制造的整體集成商、解決方案提供商和服務商等。制造企業在推進智能制造項目時，必須注意選擇在企業所在行業具有實施和服務經驗，產品具有開放性和可擴展性，具有本地化服務能力的解決方案提供商，選擇具有良好的溝通能力、項目管理能力和豐富行業經驗的項目經理。在推進智能工廠項目時，尤其需要考慮解決方案提供商是否具備軟件、硬件和自動化的綜合實力。
總之，推進智能制造，既要積極布局前沿技術的應用，又要夯實基礎，務實推進。縱觀中國制造業推進信息技術應用30多年的歷程，經歷了一個又一個的“工程”，從“會計電算化”、“甩圖板”、CIMS工程、“兩甩（甩圖紙、甩賬表）”到制造業信息化工程；產生了一次又一次的“熱潮”，從財務軟件、CAD、ERP、ASP、云計算、電子商務等，既有政府的積極推進，也有國內外主流廠商的推波助瀾。不少制造企業在條件還不具備、對新興技術認識還不清晰的情況下，就盲目上馬應用一些技術尚不成熟的信息化單元系統，實施與應用也不到位，最終形成了很多信息化孤島，沒有達到預期目標，甚至多次推倒重來。因此，不論市場上有哪些“熱詞”（buzz word）或者熱潮，制造企業都不能再盲目跟風，而是應當保持冷靜與理智，以免事與愿違。企業需要在提升基礎管理水平的基礎上循序漸進，積極、穩妥地推進智能制造，從而真正取得實效。
「3. 智能制造推進的策略」
首先，推進智能制造的核心目的是幫助企業通過實現降本增效、節能降耗、提高產品質量、提升產品附加值、縮短產品上市周期、滿足客戶個性化需求，以及向服務要效益等途徑，提升企業的核心競爭力和盈利能力。推進智能制造絕不能搞面子工程。
第二，必須對智能制造有正確的理解和認識。智能制造覆蓋企業全價值鏈，是一個極其復雜的系統工程，不要期望“畢其功于一役”；推進智能制造需要規劃、IT、自動化、精益等部門通力合作；不同行業的企業推進智能制造差異很大。推進智能制造，需要引入中立、專業的服務機構，開展多層次、多種形式的培訓、考察、交流與學習，讓企業上下樹立對智能制造的正確認識。此外，需要強調的是，小批量、多品種的企業，不要盲目推進無人工廠；個性化定制和無人工廠是魚和熊掌不可兼得；不能盲目推進機器換人。
第三，大處著眼，小處著手。企業要想推進智能制造取得實效，應當參照e-works智能制造金字塔的相關內容，通過智能制造現狀評估、業務流程和工藝流程梳理、需求調研與診斷、整體規劃及落地實施5個步驟，畫出清晰的智能制造路線圖，然后根據路線圖和智能制造整體規劃，穩步推進具體的項目，注重對每個智能制造項目明確其KPI指標，在測度關鍵績效指標的基礎上，評估是否達到預期目標。智能制造要取得實效，需要清晰的思路、明確的目標、高層的引領、專業的團隊和高度的執行力。

圖2 智能制造總體框架范例
第四，緊密跟蹤先進制造技術的發展前沿。近年來，制造業的新材料、新技術、新工藝層出不窮，金屬增材制造技術不僅改變了復雜產品的制造方式，還改變了產品結構，也徹底打破了可制造性的桎梏，催生了創成設計等新的設計模式，從計算機輔助人設計，演化為人輔助計算機設計。碳纖維復合材料的廣泛應用催生了全新的制造工藝和制造裝備。奧迪A8采用了鋁制車身，車身焊接不能再使用點焊，取而代之的是鉚焊、摩擦焊、激光焊等新工藝。材料和工藝的改進，往往會對產品的性能，例如抗腐蝕、耐久性帶來巨大的提升。精密測量技術也在迅速發展，由接觸式測量發展到非接觸式測量，由離線檢測演化為在線檢測，由事后檢測演化為邊測量邊加工，從而幫助制造企業提升產品質量。
第五，積極穩妥地推進數字化和智能化技術的應用。當前，人工智能技術的發展如火如荼，必將在制造業不斷得到應用，尤其是在無人駕駛汽車、質量檢測與優化、設備故障診斷和預測等領域。現在已經出現了Google的Tensorflow等開源的人工智能引擎可以應用。此外，虛擬現實（VR）、增強現實（AR）、混合現實（MR）等可視化技術，在制造業也有很好的應用場景，例如設備操作培訓和設備維修維護等。愛立信工廠應用增強現實技術進行電路板的檢測，蒂森克虜伯電梯利用MR技術提高電梯維護的效率。Cobot（協作機器人，單臂和雙臂）在裝配、擰螺絲、涂膠等很多工序可以進行應用，機器人與視覺傳感器、力覺傳感器的集成應用能夠大大提高機器人動作的準確性和靈活性。

圖3 愛立信工廠利用AR技術輔助進行電路板質量檢測
第六，選擇真正靠譜的合作伙伴。智能制造系統架構十分復雜，也非常個性化，相關技術在不斷演進，企業本身也是動態變化，智能制造評估體系和規劃方法論也還處于不斷完善的過程中，智能制造的推進是一個長期的過程。因此，企業推進智能制造需要尋找專業的合作伙伴，從培訓、現狀評估、規劃，到具體的數字化工廠仿真、產線設計，到真正實現工控網絡的建設，并建立工控安全體系，實現IT與OT系統的集成。