demi的博客

物联网(IOT)是一项科技革命，目标在于将短距离移动资料收发器嵌入到日常生活中的小工具或事物中，为信息通讯的技术领域带来新的发展面向。

Frost & Sullivan的研究报告提出物联网的八大发展趋势：

一、物联网将演变为认知工具

2017年物联网的发展将从IoT 0.0版的连接装置演变成IoT 2.0版的使用认知运算(cognitive computing)及预测运算(predictive computing)。

(一)、IoT 0.0即是机器对机器(Machine-to-Machine, M2M)特性包括：联机装置是透过手机或与其他网络、极少的数据数据有整合企业或消费者的应用程序、且重点放在嵌入式硬件和手机网络的“管道(plumbing)”方面。

(二)、IoT 1.0特性包括：云端运算、整合企业管理、支持新的商业模式，如产品即服务、装置与网络安全、大数据分析、聚焦于整合软件功能和应用程序。

(三)、IoT 2.0特性：指物联网将从数据运用至事件响应，再转变为使用知觉工具和认知运算(或预测运算)。

Gartner公司昨天列出了企业组织在2019年需要探究的几大战略性技术趋势。分析师在Gartner研讨会/ ITxpo大会期间介绍了他们的调查结果。

Gartner对战略性技术趋势的定义是：具有巨大颠覆性潜力的趋势，开始从新兴状态蜕变为更广泛的影响和使用，或者是快速发展的趋势，很大的波动性有望在未来五年达到临界点。

某种程度上，下一阶段的全球市场竞争或将是“得电池者得天下”的局面。至少在未来汽车工业的发展轨迹来看，这将是大概率事件。因而，无论是汽车生产商还是电池供应商，都十分紧张各自的电池产业布局。

雷诺日产三菱CEO卡洛斯·戈恩（Carlos Ghosn）在上周日（10月14日）刚刚结束的巴黎车展上表示，除非行业能建立自己的电池产能，否则就不可能获得持续的繁荣。

电动汽车来了。目前，全世界有约250万辆电动汽车在使用中。国际能源署(IEA)预计，到2025年，鉴于传统内燃机汽车的使用受到监管以及电池费用下降可能促使未来全球电动汽车出现强劲增长，电动汽车数量将上升到4000万至7000万辆。目前几乎所有的欧洲主要汽车品牌都计划在未来18个月内大规模推广电动车，以满足2020年开始生效的更严格的二氧化碳排放标准。

紧跟着汽车电动化发展脚步的是电池产业，而电池也无疑是发展电动汽车的核心一环。

全球电池行业格局演变中

本文认为，2019年智能家居的发展趋势为：①智能家具；②智能车库门；③智能卫浴技术；④智能车库门；⑤出租公寓将配备智能家居；⑥出租公寓将配备智能家居；⑦智能家居可穿戴设备。

2015年，全球智能家居市场已达485亿美元。2018年，全球智能家居市场规模预计将达到710亿美元。

在越来越注重个人体验的时代里，智能家居已经成为居家必备品，传统家居已经无法满足当代年轻人对生活品质的需求。现代科技推动时代的发展，在一定程度上改变着人类生活和消费的习惯。随着新产品的的出现，智能家居市场会出现很多新的发展趋势。

趋势一：智能家具

目前，大多数人拥有的智能家居产品都是智能音箱和智能摄像机等配件。然而，分析人士认为，不久之后，我们看到具有智能功能的整体家具将是很平常的事。事实上，英国的一些公司已经开始提供诸如内置无线电话充电器的桌子，或带有喇叭的沙发，以及其它内置苹果产品和应用的家具。

趋势二：智能车库门

卷积神经网络（CNN）

卷积神经网络和前几次介绍的神经网络非常相似：它们都是由神经元组成，神经元中有具有学习能力的权重和偏差。每个神经元都得到一些输入数据，进行内积运算后再进行激活函数运算。整个网络依旧是一个可导的评分函数：该函数的输入是原始的图像像素，输出是不同类别的评分。在最后一层（往往是全连接层），网络依旧有一个损失函数（比如SVM或Softmax），并且在神经网络中我们实现的各种技巧和要点依旧适用于卷积神经网络。

那么有哪些地方变化了呢？卷积神经网络的结构基于一个假设，即输入数据是图像，基于该假设，我们就向结构中添加了一些特有的性质。这些特有属性使得前向传播函数实现起来更高效，并且大幅度降低了网络中参数的数量。

用来构建卷积网络的各种层

一个简单的卷积神经网络是由各种层按照顺序排列组成，网络中的每个层使用一个可以微分的函数将激活数据从一个层传递到另一个层。卷积神经网络主要由三种类型的层构成：卷积层，池化（Pooling）层和全连接层（全连接层和常规神经网络中的一样）。通过将这些层叠加起来，就可以构建一个完整的卷积神经网络。

灰度图像上每个像素的颜色值又称为灰度，指黑白图像中点的颜色深度，范围一般从0到255，白色为255，黑色为0。所谓灰度值是指色彩的浓淡程度，灰度直方图是指一幅数字图像中，对应每一个灰度值统计出具有该灰度值的象素数。

灰度就是没有色彩，RGB色彩分量全部相等。如果是一个二值灰度图象，它的象素值只能为0或1，我们说它的灰度级为2。用个例子来说明吧：一个256级灰度的图象，如果RGB三个量相同时，如：RGB(100,100,100)就代表灰度为100，RGB(50,50,50)代表灰度为50。

现在大部分的彩色图像都是采用RGB颜色模式，处理图像的时候，要分别对RGB三种分量进行处理，实际上RGB并不能反映图像的形态特征，只是从光学的原理上进行颜色的调配。

图像灰度化处理可以作为图像处理的预处理步骤，为之后的图像分割、图像识别和图像分析等上层操作做准备。

图像灰度化处理有以下几种方式：

1. 分量法

将彩色图像中的三分量的亮度作为三个灰度图像的灰度值，可根据应用需要选取一种灰度图像。

作者：蔡恒进

我们也许不会马上遭遇机器具有自我意识、反叛人类的危险，但是很可能制造了一个很偏执的机器。我们即使是想让机器为人服务，也有可能会出错，这并不是机器有意识造反，只需要某一个方面失控就能对人造成很深的伤害，因为它的速度和力量比人类强大太多，这才是很快就会来临的危险]

摩尔定律描述硬件发展是18个月芯片的能力翻一倍，现在AI的计算力，有统计表明是3.5个月翻一倍。虽然计算力本身不意味着AI的能力，但仍然能够说明AI进化的速度多么恐怖。

进入智能时代，当人类的能力一项一项地被机器超越，我们必然将重新面对一个哲学上的终极命题：人生存的意义到底是什么？现在的计算机可谓是大脑的延伸，对人类的脑力劳动产生了取代的可能，那我们还有哪些不可替代的价值呢？

形势虽严峻，答案并不悲观，区块链技术为人类提供了一个可能的应对方案。我们不能禁止人们去创造人工智能，但是我们可以通过区块链技术对发展的进度进行追踪与评估。

人类的独特性与面临的挑战

据SingularityHub报道，太空探索中的人工智能(AI)正在蓄势待发。在未来几年里，当我们前往彗星、卫星和行星，并探索在小行星上采矿的可能性时，新的任务看起来可能会得到AI的巨大帮助。

欧洲航天局(ESA)高级概念和研究办公室主任利奥波德·萨默斯(Leopold Summerer)在接受采访时说:“AI已经改变了游戏规则，使科学研究和探索更加高效。AI不仅让这种效率翻倍，而是提高了10倍。”

例证比比皆是

AI在太空探索中应用的历史比许多人想象的要久远得多。AI已经在研究我们的星球、太阳系和宇宙方面发挥了重要作用。随着计算机系统和软件的发展，AI的潜在用例也在不断增加。

地球观察者1号(EO-1)卫星就是个很好的例子。自本世纪初发射以来，其机载AI系统帮助优化了对自然灾害(如洪水和火山爆发)的分析和响应。在某些情况下，AI甚至能够让地球观察者1号卫星在地勤人员意识到事故发生之前就开始拍摄图像。

作者：吴郦军、罗人千

编者按：如果你是刚入门机器学习的AI探索者，你知道什么是胶囊网络吗？AutoML和元学习又是什么？为了帮大家节省查阅晦涩难懂的论文的时间，我们邀请微软亚洲研究院机器学习组实习生吴郦军、罗人千帮大家用最通俗的语言解释了这三个机器学习领域的热门词汇，赶紧收藏吧！

胶囊网络Capsule Networks

胶囊网络（Capsule Networks）是深度学习三巨头之一的Geoffrey Hinton提出的一种全新的神经网络。最初发表在2017年的NIPS会议上：Dynamic Routing Between Capsules。胶囊网络基于一种新的结构——胶囊（Capsule），通过与现有的卷积神经网络（CNN）相结合，从而在一些图像分类的数据上取得了非常优越的性能。

何谓胶囊？简单来说，胶囊就是将原有大家熟知的神经网络中的个体神经元替换成了一组神经元组成的向量，这些神经元被包裹在一起，组成了一个胶囊。因此，胶囊网络中的每层神经网络都包含了多个胶囊基本单元，这些胶囊与上层网络中的胶囊进行交互传递。

作者：王学宽

深度学习到底有多热，这里我就不再强调了，也因此有很多人关心这样的几个问题，“适不适合转行深度学习（机器学习）”，“怎么样转行深度学习（机器学习）”，“转行深度学习需要哪些入门材料？”等等。

而网上相应问题的回答也比较杂乱，存在不走心、不够基础等等问题。

考虑到太多的人没有一定的专业基础，又恰恰对转行、学习的问题比较关心，因此，本文希望从一个小白的角度出来，真正从零基础的角度来为大家提供一些专业的建议和指导.

避免大家看很多无用的信息，少走弯路。接下来，本文从以下几个方向出发，来展开叙述：
1. 什么样的人适合入行深度学习？
2. 怎样学习深度学习？
3. 有哪些入门深度学习的材料推荐？

哪些人适合入行深度学习

深度学习存在一定的门槛，这是必然的，并不是网上说的仅仅成为一个“调包狭”。你可能是结合一些实际的业务场景，需要复现一些模型，甚至自己设计一些模型，所以需要具备一定的数学、英语、编程等等能力。

1. 初中毕业、高中毕业是否适合学习深度学习？