【人工智能】云边融合的AI Cloud 不是简单的“云+边”

3月30日，“智涌钱塘”2018 AI Cloud生态国际峰会在杭州国际博览中心隆重举行。会上，海康威视宣布全面开放AI Cloud架构，与各方共建AI产业生态体系。

作为行业龙头企业，海康威视提出的AI Cloud架构的概念究竟是什么，对行业应用带来什么样的影响?峰会上，海康威视高级副总裁毕会娟博士对此做了深入阐释。

▲海康威视高级副总裁毕会娟博士

云边融合是物联网智能应用的趋势

人类对人工智能的探索已历经了60余年，近年来，随着深度学习技术的突破，人工智能开始进入产业化应用与深耕阶段，一场新的工业革命已然开启大幕，各行各业都在推出不同的AI产品和解决方案。

AI Cloud是针对物联网产业智能化升级推出的全新架构，旨在解决当前物联网所面临的诸多问题。

由于物联网设备类型复杂多样、数量庞大且分布广泛，带来网络、计算存储、运维管理等诸多挑战，而云计算在物联网领域并非万能。边缘计算和云计算融合才能更好解决物联网的现实问题。以视频监控为例，既需要边缘设备的灵活响应，又需要就近汇聚边缘设备的数据、视频调看控制，还要管理复杂的采、存、算等设备——就像人体这样的复杂系统，连接感知末梢与大脑有序运作的，是非常复杂的经络体系，而不是简单的信息通道。

在AI Cloud架构中，边缘节点侧重多维感知数据采集和前端智能处理;边缘域侧重感知数据汇聚、存储、处理和智能应用;云中心侧重业务数据融合及大数据多维分析应用。数据从边缘节点到边缘域，实现“聚边到域”;从边缘域到云中心，实现 “数据入云”。域和云中心可多级多类，根据不同应用，边缘域汇聚的数据和传到云端的数据在模型和内容上也会不同。边缘域所发挥的作用就像足球“中场”，负责决定在什么时候、将什么类型、处理到什么程度的数据发送到云中心，实现“按需汇聚”。

综上所述，海康威视AI Cloud的云边融合，不是简单的云+边，更不是简单地分成若干个所谓的“小云”再汇聚到更大规模的云，而是切实解决从边到云所带来的应用、数据处理、管理等一系列问题。海康威视AI Cloud遵循“边缘感知、按需汇聚、多层认知、分级应用”的核心理念，设计构建了一个立体化的智能服务架构。简言之，AI Cloud不是Cloud Computing，而是基础设施、数据资源、平台服务和应用软件的总和。

AI Cloud宗旨：四大能力+一个生态目标

在物联网领域，AI Cloud将提供四大能力：AI资源的可调度、数据的按需汇聚、应用的场景化响应、运维的一体化建设;实现一个生态目标：可成长的AI Cloud生态圈。

能力一：AI资源的可调度。让AI像电力，成为信息系统的可调度资源。海康威视在边缘域和云中心分别研发了资源管理平台。以“边缘域管理调度平台”为例，该平台可以管理、调度域内计算存储资源池、数据资源池和算法仓库的资源，即“两池一库”。同时，通过建立算法模型规范，支持多厂家的算法在同一个算法仓库中进行管理调度。

能力二：数据的按需汇聚。让数据像水源，受控地流向需要的地方。要做到精准传送和存储，无用无效的数据不应混杂其间，否则数据就成了浪费资源的“洪水猛兽”。以视频为例，从边缘节点前端设备采集进来大量的原始数据，通过数据资源管理平台，就近清洗处理无用无效数据、产生可用有效数据，通过数据资源管理平台，让可用有效数据精准流向应用所需的地方，既能减少对网络和存储资源的无谓占用，又有助于实现高效的数据挖掘计算。

能力三：应用的场景化响应。让应用像阳光，照亮业务场景的每个角落。如果说AI和数据是原料，那么应用就是产品。根据应用场景的不同，相同的原料可以组合出不同的产品，产品之间也可以实现彼此的兼容和协同。边缘域提供物联智能应用平台，云中心提供大数据综合应用平台，既支持“多数同用”也支持“同数多用”。对用户来说，更多合作伙伴开发的不同应用基于同一平台运行，满足行业不同需求，是关键诉求，用户也可在这个架构下得到很多单一应用以外的收获。这种应用开发模式将是未来AI和大数据驱动下的行业应用开发的主要模式。

能力四：运维的一体化建设。让运维像空气，不刷存在感却无处不在。海康威视研发了统一的运维服务平台，可将边缘节点、边缘域和云中心的各类设备、软件、应用系统全部管起来。该平台为用户提供日常设备资产管理的功能;为运维团队提供电话接报、自动巡检以及故障定位、处置的功能;为维修人员提供移动端应用的功能;为设备厂商和用户提供相应的统计分析功能等。

目标：建立可成长的生态。让生态像大树，扎根合作沃土不断成长。以公有云萤石云为例，它连接了数千万终端设备，全球有千万级活跃用户，每天过亿次报警推送，每天过千万视频预览。目前萤石云有2万多家开发用户、4000多个活跃应用。海康威视为合作伙伴搭建合作共赢的舞台，提供AI Cloud能力开放平台，在这个平台上，设备厂商、基础软件厂商、算法厂商、数据提供商、应用开放商将找到用武之地;安全服务商、运维服务商和技术规范制定团队，将找到合作机会。通过合作，打造面向产品和服务的两类生态圈，让更多的算法在统一平台中为用户效力，让更多的团队便捷开发出满足用户业务需求的应用。

良好的生态是海康威视与合作伙伴的发展之路，也是行业的发展之路。为此，海康威视全力做好搭台工作，不仅提供能力开放平台，还将提供开放式体验环境和兼容性验证环境，为生态打下扎实基础，为合作共赢保驾护航。

深耕人工智能十余年 AI应用广泛落地

海康威视对人工智能的探索已经有十余年的积累，从成立之初就关注计算机视觉领域智能化技术的发展，2006年开启公司智能分析技术的研发，2013年开始深度学习的技术布局，2014年正式成立海康威视研究院，专注于感知、智能分析、云存储、云计算及视频大数据研究。近两年，海康威视研究院深度学习技术研究团队在全球顶尖竞技比赛中屡获佳绩，表明在计算机视觉领域，海康威视的技术能力已经达到国际一流水平。

凭借对视频技术的行业应用经验以及产品和系统集成能力，公司将深度学习和视频大数据技术优势快速产品化。2015年，推出基于GPU和深度学习技术的“猎鹰”视频结构化服务器和“刀锋”车辆图片结构化服务器。2016年，公司推出了基于GPU/VPU和深度学习技术的“深眸”系列智能摄像机、“超脑”系列NVR、“神捕”系列智能交通产品、“脸谱”人脸分析服务器，形成了全系列的智能产品家族，并在解决方案中整合应用这些产品。2017年，公司发布海康威视AI Cloud架构，陆续提供可视化大屏系统，智能应用平台，综合应用平台，物联网数据资源平台，大数据资源平台，边缘域管理调度平台，云中心管理调度平台，运维服务平台，AI能力开放平台等软件产品，构建智能物联网核心能力。

海康威视已经在人工智能领域深度布局，并应用于公共安全、智能家居、工业制造、汽车智能化等领域。在公共安全领域，人工智能助力打击犯罪，维护安定生活;在公共服务领域，人工智能服务公众出行、打造绿色和谐生态环境;在商业领域，人工智能帮助业主优化产品和服务，提升经营效率;在制造领域，人工智能帮助企业提高生产效率，节省劳动成本，提升产品质量。

如今，海康威视又将共建AI产业生态付诸行动。峰会上，海康威视携手AI产业知名企业微软、Intel、NVIDIA、滴滴出行、浪潮集团、新华三集团、西部数据、希捷科技、华尊科技、安恒信息十家企业率先启动了AI Cloud生态，开启共建、共享的生态圈建设。AI Cloud生态致力于为合作伙伴搭建合作共赢的舞台，将以开放的姿态迎接更多合作伙伴的加入，共享AI成果，携手推动AI的落地应用。

从入门到高阶，读懂机器学习需要哪些数学知识

转自公众号：运筹OR帷幄（ID：ORycww) 作者：留德华叫兽、王源

本篇文章是由留德华叫兽在知乎的优秀回答改编扩展而成的，作者留德华叫兽有着应用数学和硕士运筹学、优化理论的背景转到德国海德堡大学读博，主要从事机器学习、计算机视觉的研究，希望自己的一些经验可以对想入门机器学习的朋友们有点借鉴作用。作者王源对数学优化和机器学习都有涉及，在原回答的框架下加入了自己学习过程的经验和理解，并收集了相关优秀课程的资源链接供大家参考。同时文末还给出了本文所述的全套优秀课程的网盘链接资源（包括视频，英文字幕，课件，参考书籍等等）。

本篇文章想要说明的是数学并非认识世界的唯一途径，即使数学水平不高的你同样也可以开展机器学习方面的工作和研究。但是不可否认数学是自然科学领域探究真理的有效工具，有了强大的数学背景知识会让你看待问题更加深刻，这就是我们经常会看到很多大牛们都是出身数学专业。另外本文所列举的课程比较多，要想一下子去穷尽所有课程显然也不现实，大可不必打好所有的数学基础再去学机器学习，最好的做法是当你对机器学习本身的理解达到一定瓶颈的时候，你可以补一补一些相关的数学基础之后再回去看机器学习的问题也许会更快的有所突破。所以本文针对不同学习基础的朋友们，划分初，中，高三个学习阶段，供大家在学习中进一步去取舍。

首先对人工智能、机器学习一个综述：

大话“人工智能、数据科学、机器学习”--综述 - 知乎专栏（https://zhuanlan.zhihu.com/p/26645993）

笼统地说，原理和基础都在数学这边，当然有很多偏应用和软件使用的技术，例如“深度学习调参”等，这些报个培训速成班就能学会的技术含量不那么高的东西，不在讨论范围内。

这里要讨论的，是如何系统的学习，然后自己能编出这机器学习或深度学习的程序或软件－－我想，这才能称为一个合格的机器学习、数据科学家。

1.入门基础

1, 微积分（求导，极限，极值）例如传统的BP神经网络的训练算法实际上是基于复合函数求导的链式法则，又比如目前多数的监督学习训练算法都基于极大似然估计，而极大似然估计的求解往往涉及求导，求极值的内容。

微积分是最基础的数学内容了，平时我们接触的用的也是最多的，微积分的教材和课程也是多如牛毛，我也就不推荐特别正式的课程了，仅仅推荐一个 Essence of calculus（https://goo.gl/sfHext），作者以拉风的动画，深入的理解带你回顾一下微积分的关键概念。

2, 线性代数（矩阵表示、矩阵运算、特征根、特征向量）是基础中的基础，主成分分析（PCA）、奇异值分解（SVD）、矩阵的特征分解、LU 分解、QR 分解、对称矩阵、正交化和正交归一化、矩阵运算、投影、特征值和特征向量、向量空间和范数（Norms），这些都是理解机器学习中基本概念的基础。某篇图像分割1w+引用的神文核心思想便就求解构造矩阵的特征向量。

国内的线性代数教材偏重于计算而忽视了线性空间，特征值等基本概念阐述。我个人也是在接触机器学习的内容后发现自己的线性代数基础并不牢固，下决心恶补线性代数，下面我推荐几个课程。

线性代数课程首推 MIT的 Gilbert Strang老爷子的课程。第一次听老爷子的课程，看到矩阵乘法竟然有四种理解方式的时候着实是惊呆了，原来线性代数可以这么美。看到SVD分解的时候马上就能感觉到SVD分解能在很多场景排上大用场。同时该课程深入浅出，相信一般本科生都可以看懂。课程链接如下：Video Lectures | Linear Algebra | Mathematics | MIT OpenCourseWare（http://t.cn/RmyqB2v）
3Blue1Brown的Essence of linear algebra（https://goo.gl/ZuwgNK）以非常直观的角度审视了线性代数的重要概念，直观但不失深刻，配合上高大上的动画效果，让人体会到了大道至简的感觉。一共15个视频，每段视频大约十分钟左右，花费不了多少时间就能看完。

3, 数据处理当然需要编程了，因此C/C++/Python任选一门（推荐Python，因为目前很多库和Library都是用Python封装），数据结构可以学学，让你编程更顺手更高效，但是编程不是数据处理的核心。熟练使用Matlab或者Python调用opencv库是必要条件，但是again他们只是工具，业余时间自学，多练练就没问题。有同学问用R行不行，补充一点，用什么编程语言很大部分取决于你的核心算法会调用什么已有的库函数，比如楼主的科研里面核心算法往往是MIP（混合整数规划）问题需要调用Cplex或Gurobi库函数，因此C/C++/Python/Java这些和Cplex接口良好的语言都可以拿来用，这时候R就别想了。(更新：最新Gurobi版本支持R)

另外虽然图像处理界一些open-source的code都用C++写的，但是鉴于使用方便都会提供Python的接口，因此需要用到这些code的话，用Python调用比较方便；但是，如果是高阶骨灰级玩家，需要修改甚至自己写源代码，那么还是推荐C/C++，因为他们的速度最快。

我个人用的比较多的是C++和Python，因此下面推荐二个课程，

C++我觉得coursera上的 C++程序设计（https://goo.gl/eAGvSz） 就很好，适合有C语言基础的人去进一步学习。国内多数工科出身的非计算机软件专业的学生一般都只学过C语言，而C语言本身的风格比较“硬”，从C语言转到面向对象的程序设计，需要有一个思想上的适应过程。
优达学城上的计算机科学导论(https://goo.gl/Lp3YjJ )是一门零基础的Python入门课程。该课程的特点是深入浅出的授课方式，在讲解Python语法的同时背后潜移默化的传递着程序设计的思想，包括数据结构，代码风格，Debug的小技巧。课程中间还穿插入一些对大牛的采访，大大提高了课程丰富性。
最后说一下C++的经典教材C++ prime plus，该书的厚度达到了一个很厚的境界，初学者基本不可能从头看到尾，更倾向于本书是一个字典式的查询式的书籍，需要的时候读其中1-2章节。套用一句经典语：不要想着一下子掌握一门编程语言的所有特性。

4, 算法（算法复杂度）。通常高校都会有算法类的课程，会概述各类算法的基础和应用，其中包括：精确算法、近似算法、启发式算法、演化算法、递归算法、贪婪算法等待，还有各类优化算法。这部分内容很多会和数据结构相互关联。算法非常核心，想必大家都听说过算法工程师这个职位。关于数学模型和算法的区别、联系，参见：

【学界】整数规划精确算法/近似算法/(元)启发算法/神经网络方反向传播等算法的区别与关联

算法类的课程我推荐coursera上面的 Algorithms(https://goo.gl/at64Gz), 这个课程分为part1 和 part2两部分。该课程基于Java语言，个人觉得熟悉任何一门面向对象的语言（例如：C++)也不妨碍对该课程的学习。对于非CS出身的同学，该课程有相当的难度，课件的动画非常赞能够帮助你很形象的去理解各种算法，同时对算法的理论分析也有相当的深度（如果对理论的推导不感兴趣可以跳过，先暂时直接记住结论也行）。

5, 矩阵求导，这里把矩阵求导单独拎出来貌似是有点突兀了，因为矩阵求导和前四块内容比起来根本不是一个层次上的。我个人在开始学习机器学习的过程对矩阵求导产生了极大的疑惑，后来发现有类似疑惑的同学也不少，同时由于矩阵求导貌似是一个三不管的地带，微积分里的多元函数求导貌似是讲了点，矩阵分析可能也有涉及到的，但是缺乏一个统一的理论。很多监督学习的问题多半是一个极大似然估计问题，而这个极大似然估计问题多半是一个优化问题，而这个优化问题的求解多半依赖于矩阵求导得到最优解，最典型的例子就是逻辑回归了。下面推荐两个矩阵求导的材料供大家参考

矩阵求导(http://t.cn/RmyKx2s)
The Matrix Cookbook.(http://t.cn/RmyK6Od)

2.中级教程

1，概率论+统计（很多数据分析建模基于统计模型）、统计推断、随机过程。可以毫不夸张的说，概率论+统计是机器学习的核心数学理论，前面提到的微积分和线性代数实际上是扮演打工仔的角色。进一步说大多数情况下，我们会依据概率论+统计推到出一个机器学习模型或者算法，而最终的计算过程往往要依赖微积分和线性代数。所以如果你仅仅是实现一个机器学习算法，那么掌握初级教程里边提到的微积分和线性代数就足够了，如果你想进一步探究机器学习算法为什么是这样的，你想解释机器学习模型为什么好用或者不好用，就需要概率论+统计的知识。

实话说概率统计的课程和教材看过不少，至今对概率统计的理解仍然不够。相信绝大多数工科生在本科都学过概率论与数理统计这门课，但是很多教材未能体现出概率真正的思想，名为概率论实际上改名叫做“各种概率分布的介绍”更为妥当，基本上这类教材的节奏都一样先介绍一种分布，然后开始求期望，求方差，求条件分布，各种微积分或组合数的运算啊。经过多年的摸爬滚打的经验，我推荐下面两门课程。
一个是MIT的概率系统分析与应用概率Probabilistic Systems Analysis and Applied Probability(https://goo.gl/stzNFZ)，这个是课程主页，课程视频相关资料和教材都有。这门课的主要教材是introduction to probability(https://goo.gl/qWeZzM)，作者是Dimitri P. Bertsekas，作者以幽默的语言去诠释概率论，这一点是非吸引人的。
国内也有一个不错的教材，就是陈希儒的概率论与数理统计，该教材最经典的莫过于，用一个时间段内某个路口发生交通事故的实例去解释泊松分布为啥是这个长这个样子，力图告诉你分布背后的故事，而不是拘泥于计算。该课程也有网络视频课程不熟悉英文课程的同学也可参考 中科大概率论与数理统计(http://t.cn/RmyKd8W)

2，线性规划+凸优化（或者只学一门叫Numerical optimization，统计、机器学习到最后就是求解一个优化问题）、非线性规划等。个人觉得机器学习里边最常用到的优化内容都是属于Numerical optimization 和凸优化的，所以各推荐一门课程学习。

凸优化自然是首推Stephen Boyd 和 Lieven Vandenberghe的教材Convex optimization(http://t.cn/Rmy9Z9w) 与该教材对应的斯坦福的课程为 Convex optimization(https://goo.gl/inJExJ)。该书分为三部分，理论（主要介绍凸集，凸函数，凸优化等等概念），应用（凸优化在各种问题上的应用，只有真正的做过这些应用问题才能对这一章感悟很深），算法（这部分相对来说比较普通）。本人在博士一年级的时候购买了该书的纸质版，目前这本书已经快被翻烂了，每次看这本书都有新的感悟，尤其是应用这个部分。初学者建议先可以放一放应用这个部分，把理论部分啃下来，然后看看算法这部分。
Numerical optimization 的主要内容是基于梯度的优化算法，线搜索方法，线性规划，可微的非线性规划问题。这里推荐Jorge Nocedal和Stephen J.Wright的 Numerical optimization 与该教材对应的课程为 Numerical optimization(http://t.cn/Rmy9eQV)。该教材的特点是基本上把最常见的优化问题都覆盖了，同时完全可以感受到虽然是优化教材但是其思想很计算机，作者总是会用一些小技巧来千方百计的降低算法的计算量（就像数据结构里边的算法一样）。不同于上面那本凸优化书理论气息过于严重，本书的作者基本上是以算法为核心（虽然数学理论证明也一点不少），算法伪代码很多，如果会一门编程语言的同学马上就可以去实践了。初学者可以适当抛开部分数学理论证明，更多的放到理解算法Motivation上去，同时亲自去实践这些算法会更好一些。

3，数值计算、数值线代等

当年我是在数学系学的这门课，主要是偏微分方程的数值解。但我觉得其开篇讲的数值计算的一些numerical issue更为重要，会颠覆一个数学系出身小朋友的三观。(原来理论和现实差距可以这么大！) Conditional number, ill-conditioned problem，会让你以后的编程多留个心眼。

@留德华叫兽

这里提到了偏微分方程数值解，偏微分方程的理论一般是数学系才会学的课程，而且我们一般人的感受是偏微分方程和机器学习啊这些东西很遥远很遥远。其实也并非如此，一些研究者把偏微分方程和Deep neural networks 结合在一起了，用偏微分方程对SGD进行建模进而进行一些分析。文章发表在arx上 DEEP RELAXATION: PARTIAL DIFFERENTIAL EQUATIONS FOR OPTIMIZING DEEP NEURAL NETWORKS(http://bit.ly/2uLzBOY)，不得不说作者的脑洞还是比较大的。

恭喜你，到这里，你就可以无压力地学习Machine Learning这门课了（其实机器学习，通篇都是在讲用一些统计和优化来做clustering 和 classification这俩个人工智能最常见的应用）。并且你就会发现，ML课中间会穿插着很多其他课的内容。恩，知识总是相通的嘛，特别是这些跨专业的新兴学科，都是在以往学科的基础上由社会需求发展而来。

到这里，其实你已经能看懂并且自己可以编写机器学习里面很多经典案例的算法了，比如regression，clustering，outlier detection。

关于优化类课程的综述，欢迎关注我的专栏：

[运筹帷幄]大数据和人工智能时代下的运筹学 - 知乎专栏（https://zhuanlan.zhihu.com/operations-research）

运筹学（最优化理论）如何入门？ - 知乎（http://t.cn/RlNoHiM）

学到Mid-level，就已经具备绝大部分理论基础了。然后做几个实际项目，就能上手然后就可以“吹嘘”自己是搞机器学习的，就能找到一份工作了。

但是要读Phd搞机器学习的科研，那么高阶课程必不可少，而且同一个topic你需要上好几门课，并且你博士的课题，很可能只是一本书中一个章节里面一小节里讲的算法，去改进他。

比如，楼主的博士课题就是mixed linear programming + discrete graphical models + markov random fields +regression + clustering + segmentation。

3.高阶课程

再高阶的课程，就是比较specific的课程了，可以看你做的项目或者以后的concentration再选择选修，比如：Probabilistic Graphical Models（概率图模型）， Integer Programming（整数规划），计算机视觉，模式识别，视频追踪，医学图像处理，增强学习，深度学习, 神经网络，自然语言处理，网络信息安全，等等等等。

深度学习：目前非常火，打败了非常多几十年积累起来的经典方法。

增强学习：也很火，游戏AI、自动驾驶、机器人等等，它都是核心。

概率图模型：深度学习之前非常popular的“学习”方法，有严格的数学模型和优美的算法，虽然目前被前俩者盖过了风头，但是依然有它的立足之处。什么？你不知道最近用PGM发了篇Nature，打败了CNN？快看下面：

Robin Shen：如何评价 Vicarious 在 Science 上提出基于概率图模型（PGM）的 RCN 模型？（http://t.cn/RlNoFhH）

再比如有用偏微分方程做图像处理的（比较小众），那么这时候你肯定要去学一下偏微分方程了，大都是以科研为主导的。

科研嘛，为了发文章，就是要尝试前人没尝试过的方法，万一效果不错呢，就是一篇好paper了，对吧。

附上顶尖会议排名，共勉：

国际“顶尖”计算机视觉、机器学习会议大搜罗--附排名&接收率（https://zhuanlan.zhihu.com/p/28037164）

互联网教学资源

书目没有特别推荐的，但是建议看英文原版。

楼主推荐海德堡大学历史上最年轻的教授 Fred的机器学习视频（我基本都看过）：(https://goo.gl/umwQEg)另外一个教授给你上课的时候，开头一般是会推荐书给你的（如果你确实喜欢看书的话）。当然了，翻墙是楼主suppose你们需要拥有的基本生存技能。

（注：以下再推荐一些视频，仅受之以渔，多为graduate course）

1，Machine Learning by Prof. Nando de Freitas(https://goo.gl/WGLRp7)，此视频是其在UBC时13年所录，后来跳槽去牛津计算机系了。(https://goo.gl/a8avcx)

2，Deep learning at Oxford 2015 by Prof. Nando de Freitas(https://goo.gl/WGLRp7)，跳槽到牛津所录。

(https://goo.gl/I5abw8)

3，Probabilistic Graphical Models by Daphne Koller, 斯坦福大学计算机系教授(https://goo.gl/WL1ZrQ)

4.总结

经过楼主殚精竭虑的整理，以上优秀课程的全套网盘链接资源（包括视频，英文字幕，课件，参考书籍等等），您可以轻松获得。配合本人上面所述的亲身学习经历，相信您可以选择出合适自己的课程开始学习的征途。

需在「运筹OR帷幄」公众号回复关键字 “机器学习 "，获取网盘链接

下图是网盘资源预览：

作者简介：

留德华叫兽 系美国克莱姆森大学运筹学硕士，Ph.D. Candidate，师从整数规划大师W. Adams，后跳槽至欧盟玛丽居里博士项目，期间前往意大利IBM Cplex实习半年，巴黎综合理工学术访问一季，现任德国海德堡大学交叉学科计算中心、组合优化实验室研究员，师从组合优化大师G. Reinelt，主攻计算机视觉、（医学）图像处理。

王源系流程工业综合自动化国家重点实验室，东北大学系统工程专业博士在读。研究方向为工业领域调度问题和运行优化问题。博士初期主要学习Numerical optimization， Convex optimization，Nonlinear programming相关知识，用以解决实际工业过程中的优化问题。因近年人工智能机器学习大火，因而研究重心逐渐从数学优化转至机器学习相关领域。探索新领域，不忘老本行，希望能从优化角度看待机器学习问题。

人工智能赛博物理操作系统

AI-CPS OS

“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能）分支用来的今天，企业领导者必须了解如何将“技术”全面渗入整个公司、产品等“商业”场景中，利用AI-CPS OS形成数字化+智能化力量，实现行业的重新布局、企业的重新构建和自我的焕然新生。

AI-CPS OS的真正价值并不来自构成技术或功能，而是要以一种传递独特竞争优势的方式将自动化+信息化、智造+产品+服务和数据+分析一体化，这种整合方式能够释放新的业务和运营模式。如果不能实现跨功能的更大规模融合，没有颠覆现状的意愿，这些将不可能实现。

领导者无法依靠某种单一战略方法来应对多维度的数字化变革。面对新一代技术+商业操作系统AI-CPS OS颠覆性的数字化+智能化力量，领导者必须在行业、企业与个人这三个层面都保持领先地位：

重新行业布局：你的世界观要怎样改变才算足够？你必须对行业典范进行怎样的反思？
重新构建企业：你的企业需要做出什么样的变化？你准备如何重新定义你的公司？
重新打造自己：你需要成为怎样的人？要重塑自己并在数字化+智能化时代保有领先地位，你必须如何去做？

AI-CPS OS是数字化智能化创新平台，设计思路是将大数据、物联网、区块链和人工智能等无缝整合在云端，可以帮助企业将创新成果融入自身业务体系，实现各个前沿技术在云端的优势协同。AI-CPS OS形成的数字化+智能化力量与行业、企业及个人三个层面的交叉，形成了领导力模式，使数字化融入到领导者所在企业与领导方式的核心位置：

精细：这种力量能够使人在更加真实、细致的层面观察与感知现实世界和数字化世界正在发生的一切，进而理解和更加精细地进行产品个性化控制、微观业务场景事件和结果控制。
智能：模型随着时间（数据）的变化而变化，整个系统就具备了智能（自学习）的能力。
高效：企业需要建立实时或者准实时的数据采集传输、模型预测和响应决策能力，这样智能就从批量性、阶段性的行为变成一个可以实时触达的行为。
不确定性：数字化变更颠覆和改变了领导者曾经仰仗的思维方式、结构和实践经验，其结果就是形成了复合不确定性这种颠覆性力量。主要的不确定性蕴含于三个领域：技术、文化、制度。
边界模糊：数字世界与现实世界的不断融合成CPS不仅让人们所知行业的核心产品、经济学定理和可能性都产生了变化，还模糊了不同行业间的界限。这种效应正在向生态系统、企业、客户、产品快速蔓延。

AI-CPS OS形成的数字化+智能化力量通过三个方式激发经济增长：

创造虚拟劳动力，承担需要适应性和敏捷性的复杂任务，即“智能自动化”，以区别于传统的自动化解决方案；
对现有劳动力和实物资产进行有利的补充和提升，提高资本效率；
人工智能的普及，将推动多行业的相关创新，开辟崭新的经济增长空间。

给决策制定者和商业领袖的建议：

超越自动化，开启新创新模式：利用具有自主学习和自我控制能力的动态机器智能，为企业创造新商机；
迎接新一代信息技术，迎接人工智能：无缝整合人类智慧与机器智能，重新
评估未来的知识和技能类型；
制定道德规范：切实为人工智能生态系统制定道德准则，并在智能机器的开
发过程中确定更加明晰的标准和最佳实践；
重视再分配效应：对人工智能可能带来的冲击做好准备，制定战略帮助面临
较高失业风险的人群；
开发数字化+智能化企业所需新能力：员工团队需要积极掌握判断、沟通及想象力和创造力等人类所特有的重要能力。对于中国企业来说，创造兼具包容性和多样性的文化也非常重要。

子曰：“君子和而不同，小人同而不和。” 《论语·子路》云计算、大数据、物联网、区块链和人工智能，像君子一般融合，一起体现科技就是生产力。

如果说上一次哥伦布地理大发现，拓展的是人类的物理空间。那么这一次地理大发现，拓展的就是人们的数字空间。在数学空间，建立新的商业文明，从而发现新的创富模式，为人类社会带来新的财富空间。云计算，大数据、物联网和区块链，是进入这个数字空间的船，而人工智能就是那船上的帆，哥伦布之帆！

新一代技术+商业的人工智能赛博物理操作系统AI-CPS OS作为新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎。重构生产、分配、交换、消费等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态、新模式。引发经济结构重大变革，深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。

产业智能官 AI-CPS

用“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能），在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的认知计算和机器智能；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。

长按上方二维码关注微信公众号： AI-CPS，更多信息回复：

新技术：“云计算”、“大数据”、“物联网”、“区块链”、“人工智能”；新产业：“智能制造”、“智能金融”、“智能零售”、“智能驾驶”、“智能城市”；新模式：“财富空间”、“工业互联网”、“数据科学家”、“赛博物理系统CPS”、“供应链金融”。

官方网站：AI-CPS.NET

本文系“产业智能官”（公众号ID：AI-CPS）收集整理，转载请注明出处！