原西北大学校长郝克刚教授在中服PaaS云平台技术研讨会上的讲话

十年磨一剑,化蛹终成蝶!

在中服PaaS云平台技术研讨会

暨中服战略融资发布会上的讲话

西北大学郝克刚2017317


各位同仁,大家好!

今天非常高兴来参加这次盛会,向中服公司和安贵表示衷心祝贺!

刚才几位年轻人扶着我上台,看来我确实老了,年过八十,己经进入80后了!回顾一生,搞了一辈子计算机和软件,目赌了多半个世纪中,计算机和信息技术的成长和日新月异的飞速发展,同时也历了这里面的各种困难和艰辛。

我很佩服安贵和中服的毅力和坚持精神,多年来在非常困难的条件下一直把握着软件即服务SaaS的方向,坚持不懈地作着PaaS云平台的系统开发和应用实践工作,终于作出了卓越的成果,实属不易。同时,我对永中和华软看准了云平台的方向,决然投资中服的高明决策和睿智眼力高度赞赏。因为这是阳光产业,这代表着先进的产业发展方向,很有发展前途。

大家也许知道。在我们计算机界,最近发生了一个不平凡的事件。去年计算机阿发Go41的战绩战胜了国围棋冠军李世石,曾引起了轰动。今年年初,又传来惊人消息。阿发Go的新版Master,低调测试,同世界顶尖围棋高手对奕60局。参与对奕的我国著名棋手包括聂卫平、柯洁、古力、常昊等。结果竟然是计算机全胜,人类全败(600)。这一事件的意义重大,我们这一代人能上看到这件事,实属有幸。

我下了全部棋谱,用我专门为手机和平板电脑编的软件,放在网上。大家可以直观地观看60盘的每一步,仔细回味整个对弈过程。

这些顶尖的世界围棋高手都是不肯轻易言败的牛人,开始并不把计算机放在眼里。但是最后却不得不败下阵来,个个都佩服得五体投地。后来大家悟出一个道理,输给计算机很正常。正如聂卫平所说,这不是在同仅仅一台计算机下棋,是在同它后面的成千上万个棋手在下棋。因为计算机分析了太多的棋谱,汲取了太多的棋手的经验。这是任何个体的人都无法做到的。也就是说人工智能实际上是人类智能的汇总。从专业的角度来看,这次计算机完胜,并不是人工智能本身的技术有什么重大突破,用的深度学习和神经网络这些都是经典的技术。关键是使用了大量棋谱数据,才使它的功能达到这么高的水平。

关于利用大数据而取得成功的例子有很多。最近有报导说,美国斯坦福大学人工智能实验室主任李飞飞(是位中国女将),在研究计算机视觉的物体识别,她计划识别字典中的所有物体。开始在实验室里一个个地描述,结果进展很慢。后来就是用上了互联网,用了大数据,才最终取得了成功。

想想确是这个道理。一个高级棋手,一生能下几盘棋,能分析多少棋谱。在这方面计算机远远超过了任何个人。一个高水平的医生,一生能看几个病人,能分析多少病历。而计算机利用分析大数据可以做到比任何医生的经验都丰富。一个高级教师,一生能读几本书,他能掌握多少知识。而计算机可以利用互联网大数据,做到比任何教师的知识都渊博。随着无人驾驶的飞机、汽车技术的发展,可以想像它一定会超过所有高级司机的驾驶水平。最近同一位我原来的学生谈机器翻译,感到翻译质量不满意。其实我在想,在互联网上有太多翻译质量很高的文章和作品。如果能把这些大数据都利用起来,机器翻译的水平一定可以做到比任何翻译家的翻译水平都要高。

大数据利用的关键是资源共享。而资源共享则是降纸成本,提高效率的最有效的手段。它代表着一种先进的生产力。先进的生产力总是要替代落后的生产力的,这是不依人的主观意志为转移的客观规律。想想在城市中共享单车的行业为什么发展得这么快?才两三个月,就形成了规模,就是这个道理,方便,便宜,节约成本,优化资源配置。

资源共享正是SaaS云的核心理念。由用户独自拥有的方式转变为多用户租用的共享方式。不仅硬件设备、机房、维护等采用托管、租用的共享方式,而且平台、系统、应用等也都逐次地采用租用的共享方式。由于这种方式节约成本,提高效率,代表先进的生产力。因而有广阔的发展前途,美好的发展前景。

最后,送中服和安贵两句话,表示祝贺:

呕心呖血,十年磨一剑,

天道酬勤,化蛹终成蝶!

祝中服乘永中和华软投资的东风,更上一层楼,像出茧的蝴蝶一样,飞出最美的舞姿,画出绚丽多采的画卷!(完)

2017317下午,由中服软件主办的“PaaS云平台技术架构及发展趋势研讨会暨中服软件战略融资发布会

看三秦网的报导

http://m.sanqin.com/pcarticle/286524?from=singlemessage&isappinstalled=0

           转载自科学网http://blog.sciencenet.cn/blog-506146-1040331.html?from=timeline
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值