富士康拟A股上,AI成最大卖点

本文由人工智能观察编译

译者:Sandy

近日,富士康工业互联网股份有限公司在证监会官网披露IPO招股预说明书,外界普遍认为,此次子公司A股上市,或为鸿海精密(即富士康)摆脱苹果代工厂标签,谋求战略转型的重要一步。

根据招股书显示,此次公开发行比例约占富士康工业互联网公司总股本10%左右。此前有媒体报道,富士康工业互联网公司IPO上市后,鸿海精密仍持有子公司股权的85%。

富士康工业互联称,此次在A股上市,所募集资金将投入工业互联网平台构建、云计算平台、5G及物联网解决方案、智能制造等八个部分,总投资额高达272.53亿元。此前鸿海董事长郭台铭亦表示,富士康工业互联IPO募集的资金将用于互联网科技研发,确保鸿海不仅为全球最大的消费电子产品制造服务公司,更成为世界上最稳健强大的工业互联网应用生态系统。

据了解,富士康工业互联成立于2015年3月,其前身为福匠科技(深圳)有限公司,由鸿海精密100%控股的机器人控股公司发起成立,后鸿富锦精密工业(深圳)有限公司增资入股。2017年7月,福匠科技整体变更为富士康工业互联股份有限公司,其法定代表人为陈永正。

富士康工业互联主营业务依托于工业互联网,为全球知名客户提供智能制造和科技服务解决方案,主要产品涵盖通信网络设备、云服务设备、精密工具和工业机器人。

实际上,登陆A股是鸿海精密“掌门人”郭台铭几年前就提出的设想。2015年6月的股东大会上,他表示,考虑未来三到五年分拆中国内地的业务,以期在A股上市。

另外,鸿海精密在召开股东大会时称,在迈向“工业4.0”、“+互联网”、“8K+5G”时代背景下,为让大数据资料收集更关键、精确、效率、微观,公司将针对物联网传感器、超级电脑、5G通讯、智能数据中心、AI应用、机器人等进行大规模的投资。

该公司透露,集团已陆续在日本、美国、中国等主要据点成立“工业互联网AI应用研究院”,以跨厂区、国际化的运作规模,开发工业物联网的实际应用,协助加快集团转型速度。

创新工场创始人李开复曾说道:“今天的富士康正在快速拥抱AI,其反应速度和推进决心甚至超过国内一些科技公司。”

人工智能专家吴恩也表示说,自7月份以来,吴恩达团队已和中国大陆、台湾、日本等地的几家制造企业合作,帮助其推动AI落地。其中,已在和富士康合作开发AI技术,推动人才培训等。

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,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. **生对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组,一个生器和一个判别器,它们相互竞争,生器生数据,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