manfukeji的博客

一方面，部分美国消费者认为自动驾驶技术非常适合用于点对点的商业物流等领域，但对私家车而言，这种技术可能会让驾驶变得毫无乐趣，私家车仿佛变成了公共交通，人们在其中就如同货物一样，失去了个性和独特性。另一方面，对于自动驾驶在安全方面的提升能力，大众是非常认可的，因为它能显著降低事故发生的可能性。根据AAA的数据，有68%的受访者表示他们害怕乘坐自动驾驶车辆，相较去年的数据增加了13%。相比之下，群众对完全自动驾驶汽车的渴望仅获得了61%的支持率，位于偏好列表的后段。

在深入探讨了生成式人工智能的各种技术类型之后，不难发现，这些技术已不仅仅是理论上的概念，而是真正进入了商业应用的现实场景中。从生成对抗网络（GANs）的创新性数据生成到变分自编码器（VAEs）在图像处理中的应用，从大模型如Transformer的语言处理能力到递归神经网络（RNNs）在序列数据中的应用，再到大型语言模型（LLMs）在内容创作和自动化编程中的突破，这些技术正在逐步塑造出全新的商业生态和用户体验。

近日，由极客网和极客智库发起评选的《2023自动驾驶数据标注公司排行》榜单正式揭晓，曼孚科技凭借行业领先的产品技术方案以及良好的用户口碑极客榜单是由极客网和极客智库根据市场数据、用户口碑、经营财报等公开资料，基于大数据统计及相关领域专家、分析师意见综合评测而出，是业内最具公信力与含金量的榜单之一。此次登顶榜首，既体现了行业内外对曼孚科技产品服务的肯定与认可，也彰显了，在自动驾驶领域的应用价值与商业潜力。

本文旨在从自动驾驶角度剖析数据标注工作内容，帮助读者对自动驾驶标注有更清晰的认知。深耕数据标注行业多年的伙伴可能都知道，仅依靠自动驾驶的相关项目，就能撑起数据标注半边天。作为人工智能的“时代宠儿”，自动驾驶因关乎生命安全的特殊性质，技术容错率趋近于零。因此除数量外，自动驾驶对数据质量也有极高要求。

自动驾驶将在未来3年大规模落地，那么现在的自动驾驶还有哪些制约因素？数据将是各大车企“头疼”的一大难关。

简单来说，在图像中锁定目标便是物体检测。物体检测是一种图像分类技术，该技术不仅能对图像内物体进行分类，也可以从自然图像中的大量类别中识别出目标实例的位置，即目标定位。物体检测通过对目标周围绘制边界框，帮助机器在给定场景中识别分类。物体检测与图像识别：同为计算机视觉技术的典型，物体检测与图像识别都在围绕图像中的目标识别展开。值得注意的是，图像识别通过分类器提取重要特征，排除多余信息来完成图像分类，该技术无法完成目标定位。

举个例子，小A与小B一同要参加高考，A在做题过程中积极总结思路，活学活用，而B则大量刷题，没有总结思考的过程，高考分数下来，A超出B一百多分，同样的学习时间，为什么差距这么大?原来高考是全新的题目，A总结了大量题型规律，利用举一反三的技能，出色完成了考试。这种摸清本质规律的过程便是泛化，总结得越好，泛化也就越高。机器学习中的泛化用于衡量模型对未见过数据样本的分类能力。如果一个模型可以从不同的集合中预测数据样本，便是具备良好的泛化性。所以，上述例子中，A的泛化能力好，而B的泛化力差。

通俗讲，自动泊车就是指车子不需要人工控制，系统能够自动将车子停入车位的功能。利用车载传感器、处理器和控制系统的帮助，自动泊车成为了小白驾驶员的福音。自动驾驶通过遍布全身的传感器，车子可测量自身与周边物体之间的相对距离、角度、速度等，并将信息传递至车载计算平台或云计算平台计算出操作流程，最后控制车辆转向与加减速，以实现自动泊入、泊出及部分行驶功能。自动泊车发展至今，已形成完善的理论体系，整个自动泊车过程大致分为五个步骤丨环境感知丨停车位检测与识别丨泊车路径规划丨泊车路径跟随控制丨模拟显示。......

第一次看到“超自动化”这个词汇是在咨询公司Gartner发布的报告中，Gartner将超级自动化定义为一个以交付工作为目的的集合体，该集合体由机器人流程自动化、流程挖掘、智能业务流程管理等多种技术能力与软件工具组合而成，是实现智能流程自动化、集成自动化等技术的根基。但随着Gartner对超自动化理解的进一步延伸，最终于2022年又将其归纳成新型的**“业务驱动法”**，并指出超自动化将成为全球企业数字化转型的战略趋势，任何可以实现自动化的东西如今都可以采用超自动化。...

在自动驾驶环境感知系统中，如何获取高精度实时路况数据，是决定自动驾驶系统行车安全的关键。目前主流的两种感知技术路径“纯视觉”与“高精地图+激光雷达”中，由于激光雷达采集的3D点云路况数据更为密集、准确且具备三维地理信息，因此以3D点云数据为基础的感知算法即成为部分自动驾驶企业的核心技术路径，并诞生了规模庞大的3D点云数据标注需求。...

智能汽车现在卷到什么程度了?据获悉，在进入大规模量产“元年”后，各大车企都在全力升级自身的硬件配置，并进行一系列复杂场景的路测数据积累，拉开围绕高阶自动驾驶的量产“排位赛”。这其中，作为核心传感器之一的传统毫米波雷达也跟随步入升级换代与突破创新的关键阶段。作为高阶自动驾驶的三大核心传感器，摄像头正经历高像素、3D深度信息以及环绕感知力的提升阶段。与此同时，激光雷达和毫米波雷达之间也进行了一场角力战。激光雷达厂商正加快推动车规级量产进程，同时挑战更低成本和更高的可靠性，充分发挥激光雷达可以提供精准度更高的数据

“我觉得数据标注一直被世人误解，数据标注不是人工智能界的‘富士康’。”数据标注到底是怎样的工作？作为人工智能服务行业的一员，为什么被扣上“劳动密集型”的帽子?推本溯源，这还要从7年前说起。2015年百度AlphaGo的横空出世，像丢进水里的炸弹一样，掀起AI界的惊涛骇浪。此后的日子，人工智能行业在聚光灯下飞奔，跑出实验室、实现”AI+产业“落地，成为新基建的重要一员。AI行业也经历了资本的冰与火，逐渐走向理性。但作为AI产业链的最上游，数据标注行业却一直游离在聚光灯外，被人用有色眼镜看待。就连大佬刘慈欣都直

“自动驾驶就像被困在瓶中的一艘船，隔着玻璃瓶与大海相望，但迟迟无法落地…”自动驾驶的疯狂始于人类对未知技术的渴望。2012年，谷歌创始人谢尔盖. 布林称：“距离实现全自动驾驶的年数一只手就数得过来。”人们估算，自动驾驶会在2020～2021年实现。于是从四五年前开始，一大批自动驾驶创业公司破土而出。它们宣称将软硬通吃，铺开robotaxi、自动驾驶卡车、无人配送多项业务，有的甚至还要造车。一向以语不惊人死不休的埃隆·马斯克更是在2015年宣称：“特斯拉将在2年之内实现全自动驾驶。”但时至今日，大佬们当年立下

过去十年，信息技术探索带来的红利“喂饱”了大批新型产业，人工智能、云计算、5G等核心科技力量已成为推动产业升级的重大突破口，尤其AI产业的发展更已成为经济高质量增长的重要引擎。许多传统企业像大鱼入海一样涌入AI浪潮，AI产业链愈加大众化。而与此同时，数字化、智能化进程加快，使得AI训练数据本身的复杂度和种类不断提升。据估，所需数据中难度较大的非结构化数据已占总体八成以上。面对AI领域愈加专业化、定制化、可控化的数据需求，越来越多的企业开始选择与AI训练服务提供商合作，以曼孚科技为首的智能数据服务商正成为AI

自2020年开始，汽车行业便陷入了各种“缺”的怪圈。目前，国内汽车行业正经历着缺芯、缺电，甚至各类零部件缺乏的状况。而除相关物料的缺乏外，人才的短缺已成为汽车行业发展的重灾区。这其中，被资本市场视为风口的自动驾驶更是已上演多场激烈的“人才争夺战”，招聘手段可谓“八仙过海，各显神通”。随着造车新势力、传统车企对自动驾驶人才需求日益疯涨，一名普通的算法工程师年薪就已突破百万。各大车企打破原有秩序，重金狂挖，内卷严重。造车这件事上，人变得比钱还难找…而当钱也无法解决问题时，只能另辟新径。许多传统车企颁布严苛的竞业

2022年上半年，自动驾驶商业化在政策端与市场端均迎来新的发展阶段。政策方面，4月份北京正式对外发放无人化载人示范应用通知书，并允许Robotaxi主驾去掉安全员;5月份，云南省工业和信息化厅发布了《关于“十四五”推进云南省车路协同自动驾驶试点示范建设的指导意见》，明确到2025年，逐步实现高级别自动驾驶商业应用，L4级别智能车辆在特定领域开始试运行，力争建设成为国家级车路协同自动驾驶产业集聚区。而在厂商方面，IDC最新发布的《中国自动驾驶汽车市场数据追踪报告》中显示，2022年一季度，中国自动驾驶汽

点，作为人类感知与认知最原始的概念，是打开人类思维世界的新窗口。欧氏几何学中最简单的图形就是由点构成，点的云集掀开了人类观测世界的新篇章，重构了我们的世界。以地图和影像为代表的二维空间数据表达已经走过了漫长的历史，但远远不能满足人们对现实三维空间认知和地学研究的需求。而随着激光扫描、摄影测量等技术的开创，现实世界的三维数字化逐渐成为新时代标志产物，具有三维空间位置和属性信息的稠密点云也成为这场浪潮下的主流。点云基本特性点云可以理解为坐标系下的点的集合，是目标表面结构三维数字化表达，点云由一个个散乱的

有这样一类人，他们是AI行业的赋能者，是智能时代的奠基人，他们就是人工智能背后的“人工”——数据标注员。数据标注员的职责是帮助机器习得“知识”，或者换一种说法，他们的想法决定了AI的想法。AI繁荣的这些年，有数以亿兆级的数据信息传递到标注师的电脑前，被他们手动“智能化”。而如今，随着数据标注不断迭代升级，很多人担心数据标注师或许很快就会离开时代舞台…… 原因背后，无疑是数据标注员的工作特点导致，首先让我们来了解一下数据标注员都做些什么。如何成为一名数据标注员数据标注发展到现在，“数据标注员就是AI的

在AI科技爆发的年代，智能已逐渐遍布各大行业，随着愈来愈多的产品都被赋上“AI＋”文化，人工智能发展的浪潮已成为各企业新的探索目标，人工智能必将在支柱产业中占据一席之位，而这一方向愈加明确，愈会带动相关产业的发展，数据标注产业将迎来黄金时期。其实，早在人工智能时代未完全到来之时，数据标注产业就已悄然兴起，作为朝阳企业，许多从业人员都为数据标注奉献了大量精力，基础数据服务作为人工智能领域的一支也成为少数已实现盈利的行业之一，那么数据标注行业是如何不断发展壮大、独撑一片天呢？每个行业要想不被淘汰必然要不断调

在国家政策和市场的积极引导下，自动驾驶技术逐渐在矿山、港口等特定场景实现规模化商业运营。与有人驾驶汽车方式类似，自动驾驶核心系统由三部分构成：感知系统、决策系统与执行系统。其中感知系统类似于驾驶员的“眼睛”与“耳朵”，通过各种传感器对驾驶过程中的路况信息进行捕获，以解决自动驾驶最为关键的“行车安全”问题，因此感知系统也是自动驾驶的重要基础与先决条件。目前，自动驾驶感知技术大致存在两种路径：一种是以机器视觉为核心，毫米波雷达+摄像头解决方案，典型代表企业特斯拉、Mobileye、百度Apollo等，另.

伴随数字经济发展，人工智能已渗透进人们生活、工作中，市场对数据需求正呈现出指数级增长，基础数据服务行业的重要性愈发凸显。在这种科技与产业深度融合的时代下，为AI行业提供优质的数据服务，是数据服务企业的首要目标。正所谓“刀快不怕颈硬，锯快不怕树粗”，面对市场与日俱增的数据需求，借助优秀的辅助工具便能最大化提升训练数据产出效率，缓解市场供需平衡。新一代智能标注平台的诞生谈到数据标注工具，市面普遍用到的是开源标注工具，但这种工具模式较单一，缺乏管理，且存在数据泄露风险，并不算是数据处理的最佳辅助工具，因此

在深度学习技术进步的支持下，自动驾驶汽车正成为未来出行的核心。自 2010 年初以来，围绕自动驾驶系统的研究随之兴起且经过多年实践迅速发展，在众多技术中，3D点云技术的突破已成为自动驾驶前行的推进器，保证自动驾驶车辆的正常行驶。传感器的推动力自动驾驶系统的性能高度依赖于感知任务的质量。为保证自动驾驶车辆的正常行驶，自动驾驶首先应具备一套完整的感知系统，替代驾驶员操控汽车。自动驾驶中人为干预程度越小，感知系统获取自身及周围环境信息的准确性、高效性和全面性要求就会越高，而这其中传感器技术的进步为自动驾驶

2021年可谓是自动驾驶的商业化元年，进入2022年，随着国家自动驾驶示范区数量增加，自动驾驶技术已应用至多个场景，规模化商用开始成为行业主旋律。在这样的持续热度下，自动驾驶科技企业、主机厂与场景方多方协同，使得自动驾驶摆脱浅层概念，真正走进大众生活。而面对日益增长的市场需求，如何打磨自身竞争力，进入最后的决赛圈也成为自动驾驶产业中每个参与主体都需要思考的问题。自动驾驶商业化落地，车路协同或将成为主流车路协同即车联网，是以行驶中的车辆为信息感知对象，借助新一代信息通信技术，实现车与车、人、路、服务平台

过去的一年，是自动驾驶商业化取得卓有成效进展的一年。以“Robotaxi”场景为代表的商业化试点率先在北京开启，自动驾驶由此迈过产业化“奇点”，正式进入量产应用的快车道。值得注意的是，相较于开放道路下的乘用车场景，矿区、港口、物流园区、机场等封闭场景下的自动驾驶商业化进展则更为迅速而稳定，尤其是矿区场景，更是近些年自动驾驶下的热门细分赛道。为什么是矿区场景提及自动驾驶，很多人脑海中的印象会停留在开放道路下的乘用车驾驶场景，而以矿区为代表的封闭自动驾驶场景却往往为人所忽略。但这是一个规模超千亿的庞大

众所周知，机器处理和存储知识的速度比人类快很多，且对“知识”的需求量也远超过人类，对于机器学习模型，通过数十甚至数百张图像可能仍无法准确识别一种物体。因此如何最大限度利用机器处理一些“智能任务”?答案是用和这些智能任务相关的数据来“喂养”机器，让机器从这些数据中学习，这些相关数据也称训练数据。机器能从提供的训练数据中学习。训练数据通过为算法模型提供养料，确保机器吸收高质量样本集，因此训练数据的质量会对机器学习算法模型的成败产生重大影响。训练数据与测试数据：为什么要拆分数据?训练数据与测试数据对于教授机

过马路是参与交通路权的重要交通场景之一。车辆驾驶员和行人之前通常使用非语言交流来相互判断协商人行横道是否可以通行，而没有驾驶员的自动驾驶汽车很难将车辆的驾驶意图传达给十字路口的行人，这可能会使行人和其他道路使用者的安全性降低。解决自动驾驶汽车准确识别红绿灯的问题对于所有车辆安全都至关重要，与人类驾驶的汽车不同，自动驾驶汽车仅依靠其计算机视觉系统及导航数据来识别红绿灯。目前，最好的自动驾驶辅助系统每隔数万小时就会出现对环境感知的偏差，如果对红绿灯感知错误，乘客与行人都将处于危险中。下面从三个角度来看自动驾

过去的2021年，对于数据标注行业而言，是略显“矛盾”的一年。一方面以自动驾驶场景为核心的数据处理需求持续激增，数据标注行业迎来发展的沃土;另一方面，行业融资事件寥寥，且依然没有诞生独角兽企业。与前十年野蛮增长不同，迈入下半场的数据标注行业急需的不仅是思考，更是改变。自动驾驶进入商业化运营阶段2021年，国内自动驾驶行业迎来新一轮发展高峰。相关统计数据显示，过去一年国内自动驾驶行业披露的融资事件高达94起，融资总金额超435亿，同比历史最高。与之相对应，美国加州交通管理局DMV发布的2021年自动

自动驾驶堪称这个春节的顶流。大年初二，来自百度的 " 汽车机器人 " 实力出境，参与了北京冬奥会50-51棒的火炬传递，中国的自动驾驶企业秀足了肌肉，展示出了自动驾驶技术在不同场景下的落地应用。引擎盖下的数据要求自动驾驶已从共识走向常识。据OMDIA汽车研究部门Ward Intelligence统计数据显示，2019年约有1.5亿辆联网乘用车，到2022年这一数字将翻一番。对于整个汽车产业链而言，自动驾驶既是红海，亦是蓝海。自动驾驶技术需要大规模的数据训练其自动驾驶能力，教会汽车认知驾驶环境，正确驾

近年来，数字经济迅猛发展，互联网技术更迭的步伐不断加速，新基建带来的数字技术已成为继农业经济、工业经济之后又一重要经济形态，以移动互联网、大数据、云计算和物联网为代表的数字技术已成为经济社会高质量发展的新引擎和新动能。数据带动数字经济转型毫无疑问，“数字经济”已成为“十四五”发展的主旋律。今年初国务院颁布的《“十四五”数字经济发展规划》将高质量数据纳入重点生产要素。该规划指出，作为重点发展对象，要充分发挥数据要素作用，强化高质量数据要素供给，加快数据要素市场化流通，创新数据要素开发利用机制，全面建设.

人工智能行业有句话：有多少智能，背后就有多少人工。随着大数据、云计算和人工智能等技术飞速发展，数据标注服务逐渐走入人们视野，成为新形势下商业价值凸显的重要抓手。数据标注就是机器学习的过程，数据标注员使用自动化的工具从互联网上抓取、收集数据包括文本、图片、语音等等，并对抓取的数据进行整理与标注， 他们的工作是教会AI认识数据，依据这些大量而有效的数据总结规律，教导AI像人一样去感知、思考和决策，最终形成自己的工作模式，更好地为人类服务。行业背景一个算法经过越多数据的训练，它的精确度就越高，换言之，AI

谈及数据,绕不开的一个话题就是数据隐私与数据安全。随着数字化进程加快，数据安全事件频发,据Risk Based Security统计，去年国际数据泄露事件近5000起，被泄露数据近41亿条，数据造成的潜在重大危害和巨额损失迫使国家、行业、企业等各层面更加重视数据安全。数据安全已成为国家社会发展面临的重要议题之一。2021年7月4日，“某知名出行App”因存在严重违法违规收集使用个人信息问题，被国家互联网信息办公室依据《中华人民共和国网络安全法》相关规定下架。针对数据滥用、盗用、泄露等问题，国家陆续出台相关

在如今科技高速发展的时代，人工智能正快速跻身于人们的生产生活中，不断为经济社会的发展注入新动力，而自动驾驶(AV)作为近几年的黑科技，已然成为人工智能领域里最重要的方向之一。自动驾驶系统根据其智能程度可分为多个等级。目前，业界主要采用美国国家公路交通安全管理局和美国高速公路安全管理局对分级标准的定义，将其从低到高依次分为L0、L1、L2、L3、L4与L5，即从无自动化到完全自动化。说到底自动驾驶是秉承着安全高效的理念为人类服务的。但就目前来看，自动驾驶的等级普遍停留在L2至L3阶段，无人驾驶技术的普及.

一个多世纪以来，汽车作为最伟大的发明之一为人类的出行带来了极大便利，其在舒适性、安全性及资源消耗等方面都有显著提升。但亘古不变的是，作为驾驶员在行进过程中必须时刻专注于路况环境信息。伴随计算机与自动化进程的加快，汽车逐渐成为驾驶员的数字伴侣，为驾驶员提供安全警示，如对车辆碰撞前与异常变道的警报等。然而尽管有这些帮助，全球每年因交通事故造成的经济损失仍达6000亿美金，多数交通事故的主要责任在于驾驶员本身。随着人工智能逐步向前迈进，自动驾驶作为AI落地的沃土，其蕴含的潜力十分庞大。尤其对于中国，自动驾驶.

人工智能(AI)是一个相对简单的概念，却有着非同寻常的含义。这个词是由美国计算机科学家约翰·麦卡锡在1956年创造的，他被公认为人工智能之父。相对于人类和其他动物所表现出的“自然”智能，它被用来描述机器所表现出的一种智能形式。随着人工智能深度学习算法的突破及海量数据的支撑，人工智能已在自动驾驶、金融科技及医疗等领域迎来了黄金发展期。虽然直至今日基于意向性的人工智能还没有任何可行性，但面向特定领域的专用人工智能技术已取得突破性进展，甚至可以在单点突破、局部智能水平的单项测试中超越人类。人工智能发展带动.

近日，由人社部、工信部等单位共同参与制定的新一批“国家职业技能标准目录”正式对外公布。其中，人工智能训练师作为一门新兴职业被纳入此次公布的标准中，并在《人工智能训练师国家职业技能标准(2021年版)》(下文简称为《标准》)中对该职业的活动内容进行了明确的规定，同时也对各等级从业者的技能水平和理论知识水平进行了规范细致的描述。一.人工智能训练师职业定义2020年2月，人工智能训练师这份新职业首次出现在国家人力资源社会保障部的新闻公告中。在2月25日人社部推出的新职业名单中，人工智能训练师被正式定义为

3D点云连续帧标注是自动驾驶场景中应用较为广泛的一种数据处理类型，对三维空间感知能力以及多帧协同处理能力要求较高。​传统逐帧标注模式下，无论采用手动复制对象方式还是自动复制对象方式，标注效率均无质的提升。曼孚科技SEED数据服务平台在总结传统标注模式利弊的基础上，创新性的大量引入算法辅助，以人机协同的方式推出了专门针对点云连续帧标注的“自动关键帧”模式，在保持数据准确率的基础上，标注效率可以提升10倍有余。如上图所示，点云自动关键帧标注模式下，用户只需完成该连续帧中“起始帧”与“结束帧”标注，平台算

人工智能本质上是一门研究如何用机器代替人类的学科，工程师们尝试用各种算法模型来赋予机器像人类一样的思考与联想能力。在当下所属的弱人工智能时代，实现人工智能的方式主要以有监督的深度学习方法为主，是基于已知变量和因变量推导函数关系的算法模型。而作为深度学习的重要基础，神经网络技术无疑是行业内最热门的研究方向之一。探寻神经网络技术原理、优化神经网络算法模型、规避算法调优过程中遇到的各种问题，一直是学界关注的焦点与热议的话题。一.神经网络概述广义的神经网络包含生物神经网络与人工神经网络。在人工智能领域，神经

​深夜11点，赵明在提交最后一个数据包后，终于长舒了一口气。作为一名普通的数据标注员，这是他一周以来第一次早于午夜12前点下班。十几天以前，他所在的团队接到了一个“大项目”：在发了无数封邮件、打了无数次电话后，某甲方终于答应分拨给他们团队一个新任务。时至今日，赵明依然清晰地记得当时老板脸上那掩饰不住的喜悦表情以及激动的呐喊声。毕竟，他所在的这个小团队已经有半个月没有开工了，这是他们重振旗鼓的一个好机会。然而，这份喜悦却并没有维持多久，当大家看到任务需求详情后，所有人都沉默了。这次争取得到的任务是一

​近日，由上海市人工智能技术协会主办的“2021长三角计算机视觉技术和应用创新论坛”，在上海成功落下帷幕。来自政府、长三角人工智能相关协会、人工智能相关企业、科研院所等众多嘉宾代表以线下和线上直播的形式参与了本次会议，共同探讨人工智能核心技术突破与市场应用开拓等核心话题，把脉行业未来发展趋势，共谋人工智能产业创新发展。作为上海市人工智能技术协会理事会员单位，曼孚科技受邀参与了本次会议，并由创始人赵剑先生做了题为《产教融合，驱动AI产业人才培养供给侧变革》的主旨演讲。赵剑先生提到：“近年来，人工智能与.

20世纪50年代，人类开启了对机器语音识别的探索历程。60年后的2016年，在深度神经网络技术的帮助下，机器语音识别的准确率第一次达到了与人类相近的水准，智能语音产品进入大规模商业化应用阶段。目前，语音识别技术已深入日常生活的方方面面，语音助手、智能音箱、智能客服等都是较为典型的应用场景。未来随着IoT设备的逐渐普及，人机语音交互场景将向更多方向延伸，在识别精度、场景优化等层面，对语音识别技术提出了更高要求。一.语音识别技术语音识别技术又被称为“机器的听觉系统”，即通过特定方式将语音信号转换成相应的