韩锋:孙正义投资阿里巴巴的回报是2000多倍,我希望能在区块链领域打破这个记录

Watson

渡鸦区块链专栏记者




日前在小蚁新品牌“NEO”发布会上,韩锋作为演讲嘉宾出席了此次活动,发表了《智能经济与区块链》的主题演讲。


韩老师表示“智能经济”的概念是他与阿里研究院的周子衡经过几次讨论后产生,这很可能会是下一个非常主流的经济学概念。



我们未来所谓的智能经济,能不能期待一个全自动化的过程呢?我们经过讨论是有可能的。在那个时代,消费者会变成投资人,最简单的就是,比如说滴滴打车,原来买车纯粹了消费行为,但是因为现在交易大爆炸,现在可以投资出去。”韩老师认为,我们之前把自己定位为一个消费者,但是现在会发现,数字货币带来的大量的机会是投资,甚至比特币广泛应用于支付,我认为它跟支付宝也完全不可能同日而语,不是用来消费功能更像是一个投资的工具。


韩老师还提出一个观点,思想和人脉未来是可以变现,因为有了区块链、有了经济自动化以后,经济摩擦系数极大地下降,电影的IP,当然一个IP最后变成电影这个工业体系,现在的体系实际上是一个几乎没法自动化的过程,大家知道,是一个运转缓慢而且摩擦力的很大的过程,但是设想一下未来的在经济全自动化这样一个IP,就像现在多的ICO运转起来是非常迅捷的。


而智能经济发展的瓶颈在于“中心化”,“我们需要去中心化的ID,需要去中心的存储、数字资产、合约,而“去中心化”是区块链为代表的,只有区块链才有可能实现,否则这个经济就全自动化不起来,永远被一部分人拥有控制权。”韩老师认为未来我们需要一个全新的区块链操作系统,因为未来的智能经济主要是靠城市运营的,而这个系统最核心的特点是必须安全。





韩老师透露了他参与合作的项目“亦来云”——区块链上的操作系统,目标是为了实现经济全自动化。


“阿里做到了经济半自动化,但还是存在中心的,通过区块链可以实现去中心化ID、去中心化存储、去中心化交易、去中心化数字资产。”韩老师解释到当经济可以在人不干预的情况下自动运行,经济效率可以得到极大的提高,成本极大降低,而最根本的优点是安全。


“互联网是裸露型的,可以轻易地被攻击,我们最颠覆的改变是:互联网原来是操作系统一个应用,但是现在互联网是新操作系统的底层,它就是互联网的一个基础的设施,在这种基础上加上操作系统,第一是安全,给所有的应用加上数据保护,通俗一点就叫数据信息安全套。所有的应用之间联络是不能直接通讯,一定要通过操作系统。未来亦来云是通过区块链的安全系统为我们带来智能经济。”韩锋认为区块链技术在其中提供了一个合适解决方案。



目前该项目在研发当中,“‘亦来云’是我和吴忌寒,陈榕,徐刚等共同发起,每人投资100比特币作为天使启动资金。”


陈榕是清华大学计算机系七七级白硕老师的同班同学后赴美国伊利诺伊大学研究了七年操作系统在微软工作的十几年中参与了windows操作系统的一些底层模块开发。


陈榕在这些研究和开发工作中深刻认识到现在的操作系统在当初设计时都没有考虑互联网后来互联网突然兴起操作系统就只好把它当成一项应用这引发的根本问题是:不安全。也就是前面提到过的问题:几乎所有的应用和网站都是暴露在网络攻击下面的也几乎都可以发起网络攻击所以陈榕十年如一日的思索怎样把互联网作为底层开发一个安全的操作系统。


当他把这个设想首先披露给郭台铭,得到了相当大的激励和赞赏,得到了近两个亿的投资,陈榕也带领团队开发出四百万行开源代码,但是陈榕团队后来苦于找不到窗口期。直到遇上韩锋和徐刚,大家讨论分析了几次,终于明白加上区块链的智能经济才是窗口期,一方面解决了去中性化全自动问题,一方面解决了至关重要的安全问题。


韩老师对这个项目十分有信心,中国正在启动一个全自动化经济的阶段,未来中国很有可能弯道超车美国。





而活动前一天韩老师捐款成立“张礼量子前沿研究基金”的新闻在朋友圈被热传。

 

“一下子投资回报这么多是我没有预料到的,本来参与投资就想挣个生活费而已,一年几十万就很满意了,现在的情况反而让我束手无策了”韩老师表示这个举动并不想被标榜为多么有意义,多么高尚,是一件顺理成章的事。

 

“首先我的内心反而觉得不安,虽然物质上富余了,但是内心却缺少了一些平静,那种安心做研究的生活被打扰,这违背了我回清华的初衷,扪心自问这不是我想要的生活,每年讲讲课,写写书是我理想中的样子。”

 

为什么成立这个基金会,韩锋表示清华大学给他提供了这么好的环境和资源,由衷地想感谢杨振宁先生及两位导师。(韩锋自从2013年9月创业失败,走投无路之际,投靠到自己清华高等研究院(杨振宁先生创办)的导师张礼、顾秉林门下,继续做量子信息问题的学习和研究。)


“既然下决心要处理这笔钱,首当其冲就想到了捐给导师做研究,跟导师那边谈及此事也是一拍即合。”韩老师说。

谈到投资心得韩锋认为“币圈现在这个气氛过于浮躁,同一个人2-3个月就可以换一个别的项目来找我谈ICO,这样的项目我是不会去参与。如果你能坚持个一年,我觉得才值得探讨。不管怎么说你得执着于此,而不是盲目逐利。

 

所以在韩锋看来,重要的还是价值投资,“看中项目以及创始人的价值,真正花时间地去了解这个项目并坚持住。十倍、几十倍不会是回报的最高点,但凡我所了解的能坚持的都是好几百倍的收益。像孙正义投资马云这才是最让人佩服的,回报是2000多倍。希望我能在区块链领域里打破这个记录,当然还需要等待很多年,不可否认的是区块链是值得期待的。”


对于目前的ICO热潮,韩锋认为熊市很快会来,市面上的项目鱼龙混杂,泡沫高起,“包括以太坊上面的应用已经非常多了,它本身能不能拉动这辆‘车’还难说。”

 




而韩锋的新书《区块链:量子财富观》讲到的就是:区块链的产生给我们带来了一个新的财富时代。


在这个新的时代,区块链颠覆了我们现在人类传统的财富观,我们以前所认知的财富都是实物,最多到资产证券化,以前人们忽略的是大量经济活动中那些看不见且占主导的因素,比如人脉关系,情感,Idea,思想……传统的账户系统描述不能覆盖这块,而区块链的出现成功地解决了确权的问题


“有了大数据就可以显影,数据一旦大了以后,就可以把原子世界所不能体现的数据关联体现出来,这就需要解决大数据的确权问题,未来的财富首先要确权,接下来就要考虑某种合约,并且不能被轻易破坏,现在这个也逐步实现了。数字世界的财富以后很可能几十倍于你的原子资产,那么区块链技术的作用显得尤其重要。”






(点击蓝字查看更多项目)


底层技术:

布比   趣链  井通  智链  信和云 


项目应用:

众签  食物优  钱香金控   金丘股份  善粮味道   达闼

众托帮   原本   魔橙



加入渡鸦

(全职记者∕实习生):cx@jqblockchain.com


  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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