驭势科技亮相“双创周” | 未来三十年,奋斗在北京


今天,第二届全国大众创业万众创新活动周(简称“双创周”)北京会场主题展,在中关村国家自主创新示范区展示中心拉开帷幕。

驭势科技CEO吴甘沙,作为创新创业企业的唯一代表,在”中关村创新创业季“开幕式应邀致辞。这篇题为“未来三十年,奋斗在北京”的演讲,打动了在场很多创业者。

同时,驭势科技经过几个月封闭开发的无人驾驶多功能电动车已经进入测试阶段,这辆国内首个具备商业化能力的纯无人驾驶电动车也现身展区,引来参观者驻足。


驭势科技接受中央电视台新闻频道采访

为什么是驭势科技呢?为什么驭势科技可以改变未来?让我们一探究竟!



下面是吴甘沙的演讲全文:

尊敬的各位领导,各位来宾,早上好!

我是来自于驭势科技的吴甘沙,非常荣幸代表企业来这里发言。驭势科技是刚刚成立8个月的创业公司,能够站在这里,本身就是“双创”精神,在这个时代的回响。

首先跟大家分享一个故事,在2014年底,我当时还是英特尔中国研究院的院长,跟3个其他的外企研究院的院长一起参加了一个创新创业活动,今年年初,我们重聚的时候发现,4个人中3个人都已经开始某种形式的创业。

我们就在想,像我们这种并不是创业典型年龄的人,是“老夫聊发少年狂”的一时冲动吗?并不是,我们创业是看到天下大势起承转合的感悟。古人有一句话“时来天地皆同力,运去英雄不自由”。当天时和大势来的时候,天和地都协助你,天时过去即使英雄也是束手束脚。

今天,我们看到的大势是三大潮流汇聚在了一起。第一股潮流是国家创新驱动发展的战略,我们越来越完善的“双创”的生态环境;第二股潮流是模式创新和效率创新,它的红利即将用尽,科技创新即将崛起;第三股潮流是在世界范围内科技革命进入了人工智能,寒武纪的大爆发。我们有一个大的判断,就是2016年即将开始的人工智能革命,将在市场规模、辐射面、持续的时间尺度上跟1996年的互联网,以及1976年的PC相提并论。

我们看到PC和互联网分别引领了20年数字化的繁荣,以及20年网络化的繁荣,我们相信未来的20年一定是波澜壮阔的、智能化的20年。我们从事的智能驾驶,恰恰在未来10年的尺度上市场规模最大,同时社会效益最好的一种人工智能的产业。所以我就离开了英特尔,跟小伙伴一起创建了驭势科技,我们希望成为趋势的驾驭者,而不是旁观者,或者是随波逐流者。

驭势创业采取了创新的模式,我们发现不同的人群他们创新创业有不同的痛点。比如说高校有很多的研究成果,但是技术成果转化做企业缺乏经验;创业公司有企业家精神,他们敢做敢闯,但是管理上又过于粗放;从大公司出来的人士,他们有技术,有经验,但是在快速执行力,在冒险精神方面又有所欠缺,所以驭势科技采取了积木式组合创新的方式。

大家可以看到PPT左下角的姜岩博士是高校的老师,他在中国智能车未来挑战赛上获得了冠军,代表了高校最前沿的研究成果。赵勇博士是世界级人工智能专家,是Google眼镜的创始成员,又是一个连续创业者。上面几位来自于英特尔中国最好的几位技术专家和具有管理经验的人才,比如说黄波博士。我们通过把各个元素集合起来开始创新,希望用美好的愿景、战斗的情怀把小伙伴们连接起来。未来30年我们在北京奋斗,希望能够用智能驾驶改变这个世界,改变我们的堵车,改变废气排放,改变交通事故,改变物流,希望在提升效率空间的同时,又能够创造新的商业模式。

在北京市政府、中关村管委会、房山区政府、市科委的支持下,驭势科技在中关村新兴技术产业研究院开始了“中国式的车库创业",在这么一个简单而不简陋的车库里面,在过去的8个月时间里,我们首先为高速车开发了辅助驾驶的技术,同时针对低速多功能电动车开发了无人驾驶技术。在今天的会场,停放着一辆我们专门为无人驾驶设计的低速电动车。在未来的3年之内,我们希望能够商业化这两种技术。在未来的5年之内,我们希望成为世界上最顶尖的智能驾驶技术提供商。

最后,用一段富有诗意的文字结束我的发言,“当这个时代来临的时候,锐不可当,万物肆意生长,尘埃与曙光升腾,江河汇聚成川,无名山丘崛起为峰,天地一时无比开阔。”

我们感恩这个时代,一定不辱使命,祝“双创”得到圆满的成功。谢谢大家!


图片摄于驭势科技房山办公室车库


感谢关注,驭势一直在努力!


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