速围观!上千款“AI黑科技”在此集结

尬舞机器人、AI虚拟主播、自动驾驶车、5G无人机、仿生人形机器人,在 AIExpo 展会上可谓吸足了眼球。

 

 

8月14日,全球人工智能产品博览会(AIExpo 2020)在苏州国际博览中心盛大启幕。

为期3天的智博会以“万物复苏,智启未来”为主题,在2万余平的展馆设置了12大重磅展区,集结了华为、微软、百度、滴滴、科大讯飞、浪潮、商汤等200多家人工智能行业一线参展商,他们带来的1000余款AI黑科技产品和创新解决方案,为AI爱好者们上演了一场视觉的智能盛宴。

接下来,小编为大家盘点今年AIExpo 2020有哪些亮眼的AI产品。

全球AI黑科技云集

初入会场,最抓人眼球的要属这款“仿生人形机器人”,远处乍一看,就有一种科幻电影女主的即视感。而且,周围聚集了很多人,小编就没忍住过去凑了凑热闹。

近距离一看,黑色短发、标准瓜子脸,一身银白色铠甲,周围还有炫酷的蓝色灯光加持,仿佛……一个未来战士!

就在小编沉浸在电想想象中的时候,机器人突然伸出了灵活的双臂,开始自言自语……(没在怕的)。原来,这款机器人内置了语音交互系统,可以与人类对话交流。仔细一看,它的语言自然流畅,口型与音调匹配度非常高。当然,与人类的灵活度相比还是有些差距。

工作人员告诉小编,这款仿生机器人名叫“小柒”,是根据真人模特的数据仿制而来。它的外观形象、机械颜色、发音特色以及性格特征等都可以根据特殊需求提供定制化服务。

另外,目前小柒的语音交互功能已经非常成熟,被广泛用于政府机关、新闻综艺、服装零售等行业提供引导、接待、咨询等服务。

还没看过瘾,小编就被同事拉到了另一个展台,这次展台上的主角是几款小型机器人。

左一拳,右一拳,它们这是在…..打太极?,出拳动作缓慢、自如、卡顿的同时又有力度, 应该没错!

听旁边观众说,这些机器人代号“宙斯”。除了打太极,踢足球也是他们的业余爱好之一。

 

 

还有中国戏曲,虽然不会唱,但是pose还是摆得有模有样,精致的戏服和妆容,颇有京剧名角的架势。

随后,我们又开始奔赴下一个展台,最后脚步停在了一个大型叉车(Automated Guided Vehicle,AGV)面前。

它正在忙着把一些庞大的货物从一边搬到另一边,看起来很轻松的样子。

是一款工业机器人,主要用来代替工人搬运一些危险、沉重的货物。工作人员介绍,他们的机器人分为一个系列,主打不同的功能,比如有的负责高空位置的搬运,有的负责狭窄空间的搬运。

相同的是,它们都有精准的定位导航功能,可以在15分钟内建好一张地图,类似于建立一个室内GPS站,轻松定位到任何地方。这是它在AGV领域区别于其他叉车的特技。

一转身,我们又来到了科技感满满的滴滴展示专区,这已经是滴滴第N+1次参加 AIExpo 大会了。

今天他们展出的是最新科技成果——无人驾驶车。这款车除了顶部的人工智能装置外,与普通车型无异。工作人员介绍,车的顶部设备分别为激光雷达、摄像头、惯性测量系统和定位系统等,可以保证无人车在交通道路上安全行进。

滴滴自动驾驶在去年8月开始升级为独立公司,专注于L4及以上的自动驾驶技术研究,目前这款自动驾驶车已经获得了智能网联车汽车示范应用牌照,现在可以通过滴滴App免费呼叫预约体验,不过目前还仅限上海的朋友,酸了~

小编采访了现场的观众,有人认为这可是5G最有价值的应用,优化出行效率,解决头疼的交通堵塞问题。大部分人表示期待大规模落地应用。

随后,小编逛了一圈下来,发现还有中国电信5G无人机、科大讯飞虚拟主播、机械狗等等,今年展会的硬核AI简直不要太多。当然除了这些硬件智能产品,还有华为、科大讯飞等一线AI企业发布的全栈式创新解决方案。

AI创新解决方案重磅发布

展会进行到下午14时,期待已久的人工智能新品发布会终于开始了。正式开始前,Robosen机器人们上演了一场开场热舞,吸引了大批观众前来围观。

当然对于观众而言,更吸引人的接下来名企们的新品/创新解决方案发布,据了解,部分产品还是全球首发。

第一个上场的是阿里达摩院城市大脑实验室&人工智能中心主任华先胜,他发布的是——阿里云视觉智能开放平台。

 

据华先胜介绍,视觉智能平台最近一次的出色表现是在AI抗疫中。首先在医学诊断方面,基于该平台的新冠肺炎CT影像分析,可实现20s出结果,且准确率达99%。

另外,它可以部署在大型综合商场等人流密集场所,为公共场所口罩佩戴合规性识别提供解决方案,最后是用于疫情态势分析中,为不同省份、不同场景计算和评估不同的开放策略及风险。

华先胜介绍,视觉智能平台具有以下特点:

  • 同时段、多渠道,高并发的数据承接
  • 多维度,多类型的海量数据处理
  • 实时感知、动态反馈

它已服务过2000多位行业客户,被调用约1900亿次,可稳定覆盖人脸、OCR、图像、视频等140多项AI能力,为企业、开发者提供综合性视觉AI能力平台。

接下来,科大讯飞咨询总监麻晓波为我们呈现了讯飞在智能安检方面的解决方案。

这套解决方案分为五个模块:

  • X光安检机:负责物品扫描与检测,输出A光安检机视频信号
  • 值机员模块:呈现带有识别结果的视频信号,通过屏显传递给值机员
  • 开包台模块:开包台确认并录入违禁品系统
  • 考试系统模块:根据业务视频/图像,自主学习、模拟考试,强化业务水平
  • 云平台模块: 试题模拟真实场景准确反馈安检员业务水平。

以上所有数据可通过安检大数据平台实时监控。麻晓波表示,他们的安检系统解决方案在刁钻角度、强干扰的环境下都可以准确识别。目前,这款系统已经被各地区的高铁站、政府法院广泛使用,根据用户真实数据反馈,系统在刀具压力容器罐的识别率可达到85%,液体类识别率达90%以上,人机耦合识别率较人工智能提升30%

同时,麻晓波表示,系统已经达到了人工智能辅助安检的目标,同时也减轻了值机人员的工作强度,未来他们会在智能终端、开包台系统、云平台系统、考试系统和数据接口方面深入研究,致力于打造公共安全领域的高级智能安防专家。

最后小编要跟大家分享的是中国电信(苏州分公司)AI智慧社区的平台应用。

随着市民居住生活水平的提高,社区管理也逐渐暴露出更多的问题。一位街道主任称,社区基层工作人员精力有限,很多琐碎的事情耗时耗力,每天都要加班,希望能有一些辅助手段,帮助我们减轻压力。智慧社区基地解决方案葛周敏在发布会上表示,除此之外,基础数据缺失、信息采集滞后、小区管理困难等同时是社区管理存在的问题。智慧社区解决方案经理葛周敏表示,

针对当前社区管理存在的诸多困境,我们提出了人、车、房、物、事全连链接的管理思路,通过图像网数据、物联网数据、公安网数据、政务网数据实现公共全、管理、服务三大目标。

具体如何实现,麻晓波举了一个实例,一般来说,孤寡、残疾老人是社区重点服务和保障的对象,如果一位老人长时间未出门,房屋可视化管理会自动发出警报,同样,如果老师长时间外出未归,系统也会自动提醒,并能够查询出所有与老人相关的信息。其中所涉及到的时间长短问题,都可以手动调控。

除了以上智慧解决方案外,浪潮集团、云从科技、阿里云计算、博云视觉等企业均重磅发了最新AI成果,涉及智慧医疗、智慧城市、智能交通等多个领域。

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。
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