腾讯下一步:关注通用AI,加大投入产业互联网,推出医疗新品AI显微镜

安妮 发自 南京
量子位 出品 | 公众号 QbitAI

今年20岁的腾讯,接下来怎么走?

几天前腾讯新调整的组织架构似乎从侧面回答了这个问题:新增的云与智慧产业事业群,2C起家的腾讯,开始放话向2B转型了。

在上午的2018腾讯全球合作伙伴大会的主论坛上,腾讯进一步回答了这个问题:

接下来,腾讯发展的重点就是“两张网”。

640?wx_fmt=png

“两张网”搞事情

网是哪两张?

腾讯高级执行副总裁汤道生表示,现在已经是互联网发展的下半场,腾讯聚焦的,一是如何深耕消费物联网,二是怎样拥抱产业互联网

简单来说,前者为用户提供生动个性化的内容,后者在云平台的支持下,在AI、安全、大数据等方面连接线上与线下、用户与产业。

先说消费互联网。汤道生认为,更生动、个性化和品质的内容是未来消费互联网的趋势,也会在三个方面帮助内容创作者生产更好的内容:鼓励内容精品化、用AI等新技术降低创作门槛、支持社交工具与内容的融合。

640?wx_fmt=png

 新推的短视频应用YOO

消费互联网之外,汤道生更看好2B的产业互联网,认为未来互联网的发展将更多来自产业领域,互联网与产业的融合是大势所趋。

汤道生表示,新成立的云与智慧产业事业群,就在整合医疗、出行、教育等产业平台,集中公司在安全、AI、LBS等领域的技术力量,同时强化腾讯云的平台能力。

腾讯未来也将推出“云启计划”,与北大光学院一起打造产业互联网山学院,在资本、资源、技术、能力和商机方面和伙伴加大投入产业互联网。

640?wx_fmt=png

重新定义ABC

在AI方面,上午的主论坛更多是在展示成绩单。

腾讯副总裁姚星表示,目前,腾讯内部已经形成了四个主要AI实验室:腾讯优图实验室、微信人工智能实验室、AI Lab和西雅图AI实验室。其中,计算机视觉、语音语义是研究的重点。

640?wx_fmt=png

 腾讯副总裁姚星

这些实验室的成果,其实已经先在腾讯内部落地了。

比如计算机视觉的研究,已经在产品“腾讯觅影”上应用,通过识别食管癌、结肠直肠癌等。今后,腾讯将AI局将于病理的诊断方面,也将推出一个全新的产品:AI显微镜。

姚星表示,AI显微镜将利用AI、AR、VR等技术,将汇集诊断、分析、出诊断报告等功能。

主要落地的场景不仅医疗,还有安防。通过人脸识别的“天眼”系统,腾讯优图实验室联合政府部门,近几年一共帮681位走失的小朋友找到了家。

姚星表示,在现阶段,腾讯心目中的“ABC”概念已经不再是AI、Big Data和Cloud概念的组合,而是“AI(人工智能)+Robotics(机器人)+Quantum Computing(量子计算)”

640?wx_fmt=png

这也是构建通用AI的核心,姚星说。

马化腾的新目标

两张网的新规划后,腾讯在移动互联网下半场还有了全新的目标。

在腾讯CEO马化腾昨天发布的公开信中提到,接下来,腾讯要做好“连接器”的角色,为各行业进入“数字世界”提供“数字接口”,还要做好“工具箱”,提供新技术加持的数字工具。

此外,马化腾说还要为合作伙伴提供云计算、大数据和人工智能等新型基础设施,建设数字生态。对了,今年这场大会的主题就是“开放·共生”。

One More Thing

与主论坛同一时间,旁边分论坛同样热闹。

主论坛开始一个小时左右,不断有观众转场去听“未来演讲·国际大咖”分论坛的文创娱乐演讲。

“想去看看《小猪佩奇》的品牌运营,听听《泰坦尼克号》的制作人怎么说,对,金星也来了呢。”离场观众对旁边的朋友说。

今天上午,就酱~

作者系网易新闻·网易号“各有态度”签约作者


加入社群

量子位AI社群开始招募啦,欢迎对AI感兴趣的同学,在量子位公众号(QbitAI)对话界面回复关键字“交流群”,获取入群方式;


此外,量子位专业细分群(自动驾驶、CV、NLP、机器学习等)正在招募,面向正在从事相关领域的工程师及研究人员。


进专业群请在量子位公众号(QbitAI)对话界面回复关键字“专业群”,获取入群方式。(专业群审核较严,敬请谅解)

活动策划招聘

量子位正在招聘活动策划,将负责不同领域维度的线上线下相关活动策划、执行。欢迎聪明靠谱的小伙伴加入,并希望你能有一些活动策划或运营的相关经验。相关细节,请在量子位公众号(QbitAI)对话界面,回复“招聘”两个字。

640?wx_fmt=jpeg

量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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