【深度學習】深度學習之道：如何選擇深度學習算法架構

時間 2021-08-15

谷歌大腦的Geoffrey E. Hinton的膠囊(Capsule)論文在2017年10月26號發表後深度學習架構似乎又有個新的變革。到底一些傳統的深度學習架構是否仍然有用？怎麼用？這是不少深度學習科學家們不斷在思索的問題，也是不少接地氣的科技產業化先鋒們不斷探索的迷思。這裏我們綜合幾位在數據分析、人工智能領域平均20年左右的傑出科學家與架構師們的想法給的一些思路導引。

深度學習之‘道’？

當我們是位以使用深度學習爲主的從業者時，利用深度學習功能的最佳方法是將輸入數據與適當的深層網絡架構相匹配！！如果我們能夠在這一點上做得好，那我們就可以用創新的和有趣的方式成功應用深度學習。如果不這樣做，我們建的模將除了基本邏輯迴歸技術外，並不會有其它更強而有力的功能。

做深度學習時面對那麼多不同算法：機率分類、決策樹、實例爲基礎的（Instance-Based Methods) 、規則學習（Rule Learners) 、迴歸、類神經網絡。。。已經讓執行者、決策者一個頭兩個大，再看看裏面深度學習相關的算法架構：DBN、GAN、Autoencoders（AES）、CNN、DBM、RNN （Recurrent Neural Networks、Recursive Neural Networks）、SAE、DSN、CHDM、DQN、UPN SDA、RBM、。。。，再加上分支、算法的結合、不斷推出的新算法與架構，等等，等等，。。。面對着一堆眼花繚亂的深度學習架構與算法着實讓不僅人工智能初學者，即便是多年的機器學習研究專家也常無所適從，到底哪些架構、哪些算法我們的工作、我們的業務、我們的應用是需要的？怎麼用？

這是個至少幾千頁才說的清楚的話題，欲消化吸收更是得要經年累月的研究與實踐。與其將網上大家都搜得到的算法一個一個拿出來說明（或複製？），不如我們對一些較常用的架構與算法說明他們的適用性，而算法本身只是做個粗略的說明，對於每個深度學習算法有興趣瞭解的更深入的可以在很多網上搜索得到。

深度學習在應用上最多人提到的是CNN和RNN（含LSTM、BPTT、GRU等）兩種架構。第一種CNN（Convolutional Neural Network) 主要是應用到圖像、影像等領域，RNN（Recurrent Neural Network) 則比較適合序列建模的應用，比如語言處理（語音合成、語言建模、文本生成模型）、音樂生成、視頻遊戲等。當然，非常流行的CNN不只有在圖像的應用，MRI、3D立體事物、甚至NLP（自然語言處理）等應用也常可以看到它的影子。而RNN也可以在視頻分析、音樂信息分析、機器人控制等更深入的領域應用。另外，若RNN 和CNN結合也可應用到如區域影像信息、影像字幕(文字說明) 等更多的領域。我們先將這兩種架構做個說明：

卷積神經網絡（CNN）：

CNN的目的是通過卷積學習數據中的高階特徵。它非常適合用於圖像中進行物體識別。此算法架構時常贏得國際頂級的圖像分類比賽。他們可以識別面部，個人，街頭標誌，鴨嘴獸和視覺數據的許多其他方面。 CNN將光學字符識別與文本分析方法重疊，但在將字元中分析離散文本單元時也是很有用的。 CNN在分析聲音方面也很擅長。

如下圖所示，CNN架構主要分三部分：輸入層、特徵提取（學習）層、和分類層。

1）輸入層：通常以圖像的尺寸（寬×高）空間形式接受三維輸入，並且具有表示顏色通道的深度（通常爲RGB顏色通道三個）。

2）特徵提取層：

具有序列的一般重複樣式，還包含卷積層和彙集層。這些層在圖像中發現了許多特徵，並逐漸構建了更高階的特徵。這直接對應於深度學習中正在進行的主題，通過該主題特徵可以被自動學習，而不是經由傳統的手工設計的方式。

3）分類層：

我們有一個或多個完全連接的層來獲取更高階的特徵併產生類概率或分數。這些層完全連接到上一層的所有神經元，而它們的輸出通常會產生[b×N]的二維輸出，其中b是小批量中的示例數，N是我們感興趣的類的數量。

一些比較受歡迎的CNN實際算法架構有LeNet、AlexNet、ZF Net、GoogLeNet、VRRNet、ResNet等實際存在的架構。

卷積神經網絡（CNN）通過插入卷積層顯着增強了如MLP（Multilayer Perceptrons)之類的前饋網絡的能力。它們特別適用於使用多維神經元結構的空間數據、目標對象識別、圖像分析等應用。其實CNN架構是最近深度學習能夠獲得重視並且流行起來的主要原因之一。我們日常生活裏一些常見CNN應用是自動駕駛汽車、無人機、電腦視覺、文字分析等。

循環神經網絡（Recurrent Neural Network）：

一位從事計算機科學與人工智能三十年左右的知名AI科學家Juergen Schmidhuber對循環神經網絡的一個有趣的解釋：

循環神經網絡]允許並行和順序計算，原則上可以計算傳統計算機可以計算的任何內容。然而，與傳統計算機不同，循環神經網絡與人類大腦相似，人類大腦是連接神經元的大型反饋網絡，以某種方式學習將終身感覺輸入流轉化爲有用的運動輸出序列。大腦是一個顯着的典範，因爲它可以解決當前機器無法解決的許多問題。

RNN也是一種前饋網絡，然而具有從先前和/或相同層或狀態獲取輸入的循環存儲器循環。這給了他們獨特的能力，沿時間維度和任意順序的事件和輸入進行建模。 RNN模型中最常見的類型之一是長時間內存（Long Short Term Memory，LSTM）網絡。

RNN被認爲是圖靈完整（Turing complete)的，可以模擬任意（具有權重）的程序。如果我們將神經網絡視爲對功能的優化，我們可以將循環神經網絡視爲「優化程序」。循環神經網絡非常適合於輸入和/或輸出由時間相關的向量值組成的功能建模。循環神經網絡通過在網絡中創建週期來建立時間相關數據的模型。

RNN適用於排序數據分析、如時間序列、情緒分析、NLP（自然語言處理）、語言翻譯、語音識別、視頻分析、視頻遊戲、對話交流、機器人控制、圖像字幕和腳本識別等, 在電影情感分析也是不少的實際應用。

除了上述最流行的深度學習算法架構外，我們再探討兩個也很流行，比較基礎的架構：

多層感知器（Multilayer Perceptrons ，MLP）

這是最基本的深度學習網絡架構，提供輸入來直接創建輸出。它們由輸入層和輸出層以及輸入層和輸出層之間的許多互連的隱藏層和神經元組成。它們通常使用一些非線性**函數，如Relu或Tanh，並計算均方誤差（Mean Square Error，MSE）或Logloss等損失（真實輸出與計算輸出之間的差異）。這種損失可以迴向傳播，以調整權重和訓練，以最大限度地減少損失或使模型更準確。

基本算法邏輯：

這個網絡通常是構建其他更復雜的深度網絡的開始階段，可以用於任何監督迴歸或分類問題，如預測銷售，違約者，響應概率等等。

Autoencoders（自動編碼器？）

我們使用AES（Autoencoders)來學習數據集的壓縮表示。通常，我們使用它們來減少數據集的維度。自動編碼器網絡的輸出是以最有效的形式重建輸入數據。

AES與MLP (多層感知器神經網絡) 具有很強的相似性，因爲它們一樣具有輸入層，隱藏的神經元層，然後是輸出層。它倆的關鍵區別是AES的輸出層具有與輸入層相同數量的單位。另外兩個區別是：他們在無監督學習中使用未標記的數據，並且它們構建的輸入數據是壓縮形式的。

變體自動編碼器（Variational Autoencoders，VAE）：

構建一個模型來表示輸入數據集可能聽起來不太有用。然而，我們感興趣的並不是輸出本身，而是對輸入和輸出表示之間的差異更感興趣。如果我們可以訓練神經網絡來學習通常「看到」的數據，那麼這個網絡也可以讓我們知道什麼時候「看到」不尋常的或異常的數據。

堆疊autoencoders爲特徵的學習無監督學習算法，降維的離羣點檢測。聲發射的概念非常簡單，這裏輸入向量用來計算輸出向量，但輸出向量與輸入向量相同。計算了重建誤差，認爲重建誤差較大的數據點爲離羣點。AES也用於語音和圖像識別，工業上也有應用於金融、信用卡駭客、反詐欺等領域。

Autoencoders的基本結構除了可以是自成一體的獨立網絡外，它也時常被用作其它較大深度學習網絡架構的一部分。

最後我們再來看看剛新發布Geoffrey E. Hinton科學家的：

動態路由膠囊架構

這個動態路由膠囊算法架構最大的特色就是採用一個比較有效的「協議路由」（routing-by-agreement)。這協議路由比之前通過允許一層中的神經元只接受下面層級中的當地池中檢測器的最活躍的特徵，但卻忽略其它特徵的max-pooling邏輯所實現的非常原始的路由形式有效許多。

下面是這動態路由膠囊算法的核心邏輯：

卷積神經網絡（CNN）使用學習特徵檢測器的轉換副本允許他們轉換在圖像中的一個位置獲得的良好權重值的知識到其他位置。這已經證明在圖像解釋方面非常有幫助。即使我們是用矢量輸出膠囊替代CNN的標量輸出特徵檢測器和最大容量通過協議路由，我們仍然希望跨越空間複製學習的知識，所以我們除了最後一層膠囊外所有曾都還是卷積的。與CNN算法架構一樣，我們製作更高級別的膠囊覆蓋較大區域的圖像，但不同於最大池，它不會丟棄該地區內實體確切位置的信息。對於低級膠囊，位置信息是膠囊是活動的「位置編碼」。隨着越來越多的位置上升，信息在膠囊的輸出向量的實值分量中被「速率編碼」（rate-coded)。這個從位置編碼轉換到速率編碼的邏輯，加上高層膠囊具有更復雜、更多自由度的實體的現象，表明膠囊的維度應該隨着層級的升高而增加。

所以，我們清楚知道膠囊系統其實不是個全新的架構，也不若很多刊物的危言聳聽說將顛覆CNN架構，他是加強了現有的算法邏輯，CNN先鋒Hinton科學家發表的動態路由膠囊邏輯是在現有的CNN算法架構上補強，有其是在目標對象的辨識相關的應用。在膠囊邏輯能夠真正獲得接受並且有大規模的應用前還有很多‘小’問題需要清楚解析，並且需要更多差異性實驗的證明。

讓我們對上面提到的目前比較流行的架構與算法做個簡單的總結：

要生成數據（例如，圖像，音頻或文本），我們將使用：

GAN、VAE、RNN、

要圖像建模，我們可能會使用：

CNN、DBN

要序列數據的建模，我們可能會使用：

RNN/ LSTM

作者建議目前先將這些比較常用的流行算法先熟悉，稍後還會和讀者分享不同算法與架構的適用性，並且分享更多的業界實例來說明人工智能、機器學習的不同架構與算法。

所謂選擇比努力重要，如果一個AI架構師或資深技術人員在組織的目標下沒有一個（或多個）正確適宜的架構與算法，那可以預期的是即便是團隊很努力的經過多時開發出來的產品或項目它的品質與價值一定大打折扣的，，，與其一個錯誤的抉擇造成公司目標的偏差、人員的抱怨、甚至客戶的流失、經營管理的衝擊，那不如在事先就能徹底瞭解需求，設計方案時採用適當的架構與算法。

機器學習，深度學習的迷思與不適用性？

人工智能家一AI加

這陣子人工智能機器學習領域變得越來越火熱，其中的深度學習也漸漸獲得重視與採用，尤其在生物醫學領域。儘管深度學習到目前爲止在不少包含生物醫療方面的領域取得了一些成功，但是在不少情況下卻是非常難運用，本文爲大家**其中一些疑點並列舉幾種不適合深度學習的情況。

經常存在採用與不採用深度學習的科學家之間最大的爭議就是有些科學家做了不少實驗證明在採集數據量不大時線性模式比少量層級的神經網絡與隱藏單元（hidden units)的深度學習模式來得簡單有效。但是一些頂級實驗室的科學家也舉了不少反證，說明了適當訓練後的深度網絡比線性模組更精準有效。當人工智能領域裏此類爭論不休的議題不斷出現時，作者根據和一些頂級科學家的交流與自己的經驗心得提供一些情況其實是很不適合深度學習的。

做一個科學的突破與技術的推廣首先一定是從此科學的目的與適用性着手。所以作者不是從個人多年研究的各種算法去和廣大讀者討論那個算法好，而是從一些想進入這個科學領域，或想實際運用此科學造福廣大人羣、進而突破人工智能科學的角度着手，先討論一般人對深度學習的疑惑、誤區、與適用性。

誤區一：小樣本、少數據的情況下不適合深度學習?

深度學習剛開始的名聲是在大量數據的背景下進行的（還記得第一個谷歌大腦項目是向深層網絡提供大量YouTube視頻吧），並且自那時候開始深度學習就一直被渲染成在大量數據中作爲複雜算法運行。不幸的是，這個大數據與深層次的學習就被綁定，並且被解釋成了相反的意思：在小樣本制度中不能使用。如果您只有幾個樣本，可以採用一個具有高參數每採樣率的神經網絡可能表面上看起來像是殺雞用牛刀。然而，無論是監督還是無監督式學習，僅僅考慮樣本大小和維度，都像是在空氣中沒有內容的對數據進行建模。很多情況下，尤其在一些垂直領域的數據建模方式，它對於提供給類神經網絡的數據是有不同方式的，比如圖形或圖像編碼等等。

其實在這些情況下，深度學習可以作爲一種有意義的選擇 - 例如，你可以編碼較大的相關數據集的有用表示，並在您的問題中使用這些表示。在自然語言處理領域裏可以常常看到這種經典的例證：你可以在維基百科等大型語料庫中學習嵌入詞彙，然後將其作爲嵌入式語言，用於較小，較窄的語料庫進行監督任務（supervised task)。在極端情況下，您可以擁有一個神經網絡，共同學習一種表示方式，並設計在小樣本集中重新使用該表示的有效方式。這被稱爲一次性學習（one-shot learning），並且已經在包括計算機視覺和新制藥物在內的高維數據的許多領域成功應用。

Altae-Tran等科學家2017年用於藥物發現的單次學習網絡

誤區二：深度學習是個萬靈丹?

聽到最多的第二個誤解基本上就是炒作。許多「未來的」實踐者因爲在其他領域深度學習起作用，就期望深層網絡給他們一個神話般的性能提升。也有很多人的靈感來自於建模和操縱圖像，音樂和語言的成功表現，就像倉促的進入這個領域，想訓練他們的最新生成對抗網絡（GAN）‘憑空’捏造結果來解決他們的問題。炒作在許多方面是真實的。深入學習已經成爲機器學習中不可否認的力量，也是任何數據建模者的一個重要工具。它的普及帶來了諸如TensorFlow和PyTorch之類的基本框架，即便在深入學習之外也是非常有用的。超級巨星發跡的故事激發了研究人員重新審視其他以前不是很清楚的方法，如進化策略和強化學習。但這不是萬能的。深度學習不是免費的午餐，它的模型可以非常細微，需要仔細，有時候還是非常昂貴的超參數搜索，調整和測試。此外，有很多情況下，使用深度學習從實踐的角度來看是沒有意義的，而更簡單的模型工作得更好。

哪時候不適合使用深度學習?

那麼，什麼時候深度學習不是一項任務的理想選擇呢？從我們的角度來看，下面幾種主要的情況下，深度學習更多的是一種阻礙而非福音：

·低預算或低承諾問題

深層網絡是非常靈活的模型，具有多種架構和節點類型，優化機制和規則化策略。根據應用的不同，你的模型可能具有卷積層（多大？使用什麼樣的聯營操作？）或循環結構（帶或不帶門控）？它可能真的很深（沙漏，暹羅或其他架構）？還是隻有幾層隱藏層（有多少單位？）;它可能使用整流線性單元或其他**功能;它可能有也可能沒有漏失信息（dropout)（在什麼層次上？用什麼分數？）和權重應該是正則化的（l1，l2，或者是某些東西？）。這裏只是列舉部分考量，還有很多其他類型的節點，連接，甚至丟失的功能都可以嘗試。這些對於調整和架構探索都是大量的參數，就算要訓練一個大型網絡的實例可能都非常耗時。

訓練深度網絡在計算和調試時都會帶來很大的代價。這種消耗對於許多日常預測問題並沒有太大的意義，即使在調整小型網絡時，調整網絡的投資回報率也可能太低。即使有大量的預算和承諾，也沒有理由不嘗試替代方法。很多時候您可能會驚喜地發現，線性SVM就能滿足你的需要的。

·當對一般觀衆解釋和溝通模型參數很重要時

深層網絡常因像一個黑匣子一樣具有很高的預測能力，但解釋力低而臭名昭着。儘管最近有很多工具，如顯着圖（saliency maps）和**差異 (activation differences)，對某些領域而言是非常有用的，但它們不能會完全轉移到其它所有應用領域的。主要是這些工具，當你想確保網絡不會通過記住數據集或專注於特定的虛假特徵來欺騙你時，你仍然難以解釋每個特徵對深層整體決策的重要性。在這個領域，因爲學習的係數與響應有直接的關係，線性模型是最理想的。欲將一些解釋傳達給需要根據它們作出決定的一般觀衆時，這是至關重要的。比如醫生，他們例如需要考量各種不同的數據來給予診斷，將變量和結果之間用更簡單和更直接的方式關聯起來，而不是低估/高估估值。此外，有些情況下，模型的準確性（通常在深度學習中表現優異）並不像解釋性那麼重要。例如，策略制定者可能對一些人口統計變量對死亡率的大概關係而非準確性更有興趣。在這些情況下，與更簡單，更易滲透的方法相比，深度學習處於劣勢。

·建立因果機制

模型解釋的極端情況是當我們試圖建立一個機理模型，即一個實際捕獲數據背後的現象的模型。好的例子包括嘗試猜測特定細胞環境中兩個分子（例如藥物，蛋白質，核酸等）是否相互作用，或假設某個特定的營銷策略對銷售具有實際影響。在這個領域，沒有什麼能比老式的貝葉斯方法（Bayesian methods）更受專家意見的影響，它們是我們最好的（如果不完美的）方法，我們必須表現和推斷因果關係。另外，在視頻遊戲任務裏更原則的方法也比深度學習更好。

·從「非結構化」特性學習

這點可能是會引起爭論的。我發現深度學習擅長的一個領域是爲特定任務找到有用的數據表示。一個非常好的例子是上述的詞語嵌入。自然語言具有豐富而複雜的結構，可以用「上下文感知」網絡來近似：每個單詞都可以在編碼其主要使用的上下文的向量中表示。在大型語料庫中學習的NLP任務中使用單詞嵌入有時可以在另一個語料庫中的特定任務中提升。然而，如果所討論的語料庫是完全非結構化的，則可能沒有任何用處。例如，假設您正在通過查看非結構化關鍵字列表來對對象進行分類。由於關鍵字在任何特定的結構中都不被使用（如在一個句子中），所以字嵌入不太可能會有所幫助。在這種情況下，數據是真正的一個單詞，這種表示可能足以滿足任務。對此的反駁可能是，如果您使用預先訓練的字詞嵌入並不是那麼昂貴，並且可以更好地捕獲關鍵字相似度。但是，我仍然希望從一個單詞的表示開始，看看是否可以得到很好的預測。畢竟，這個詞包的每個維度比相應的詞嵌入槽更容易解釋。

將概率編程和Tensorflow 結合後的模型既可以深度學習又可以貝葉斯，取材自ICLR

未來是深的

深入學習領域熱門，資金充足，發展快速。當你閱讀在會議上發表的論文時，可能有兩到三次迭代已經不贊成那論文了。這給我以上提出的幾點提出了很大的警告：深度學習在不久的將來可能對這些情景來說還是非常有用的。用於解釋圖像和離散序列的深度學習模型的工具會越來越好。最近的軟件，如愛德華（Edward) 結合貝葉斯建模和深層框架，允許通過概率編程和自動變分推理量化神經網絡參數的不確定性和容易的貝葉斯推理。從長遠來看，可能會有一個減少的建模詞彙表，指出深層網絡可以具有的顯着屬性，從而減少需要嘗試的內容的參數空間。所以請保持更新你的相關科學進展，很多理論可能會在一兩個月內被廢棄掉了。

本文爲作者前幾天從目前在加州大學做人工智能研究的科學家的觀點整理出

人工智能賽博物理操作系統

AI-CPS OS

「人工智能賽博物理操作系統」（新一代技術+商業操作系統「AI-CPS OS」：雲計算+大數據+物聯網+區塊鏈+人工智能）分支用來的今天，企業領導者必須瞭解如何將「技術」全面滲入整個公司、產品等「商業」場景中，利用AI-CPS OS形成數字化+智能化力量，實現行業的重新佈局、企業的重新構建和自我的煥然新生。

AI-CPS OS的真正價值並不來自構成技術或功能，而是要以一種傳遞獨特競爭優勢的方式將自動化+信息化、智造+產品+服務和數據+分析一體化，這種整合方式能夠釋放新的業務和運營模式。如果不能實現跨功能的更大規模融合，沒有顛覆現狀的意願，這些將不可能實現。

領導者無法依靠某種單一戰略方法來應對多維度的數字化變革。面對新一代技術+商業操作系統AI-CPS OS顛覆性的數字化+智能化力量，領導者必須在行業、企業與個人這三個層面都保持領先地位：

重新行業佈局：你的世界觀要怎樣改變纔算足夠？你必須對行業典範進行怎樣的反思？
重新構建企業：你的企業需要做出什麼樣的變化？你準備如何重新定義你的公司？
重新打造自己：你需要成爲怎樣的人？要重塑自己並在數字化+智能化時代保有領先地位，你必須如何去做？

AI-CPS OS是數字化智能化創新平臺，設計思路是將大數據、物聯網、區塊鏈和人工智能等無縫整合在雲端，可以幫助企業將創新成果融入自身業務體系，實現各個前沿技術在雲端的優勢協同。AI-CPS OS形成的數字化+智能化力量與行業、企業及個人三個層面的交叉，形成了領導力模式，使數字化融入到領導者所在企業與領導方式的核心位置：

精細：這種力量能夠使人在更加真實、細緻的層面觀察與感知現實世界和數字化世界正在發生的一切，進而理解和更加精細地進行產品個性化控制、微觀業務場景事件和結果控制。
智能：模型隨着時間（數據）的變化而變化，整個系統就具備了智能（自學習）的能力。
高效：企業需要建立實時或者準實時的數據採集傳輸、模型預測和響應決策能力，這樣智能就從批量性、階段性的行爲變成一個可以實時觸達的行爲。
不確定性：數字化變更顛覆和改變了領導者曾經仰仗的思維方式、結構和實踐經驗，其結果就是形成了複合不確定性這種顛覆性力量。主要的不確定性蘊含於三個領域：技術、文化、制度。
邊界模糊：數字世界與現實世界的不斷融合成CPS不僅讓人們所知行業的核心產品、經濟學定理和可能性都產生了變化，還模糊了不同行業間的界限。這種效應正在向生態系統、企業、客戶、產品快速蔓延。

AI-CPS OS形成的數字化+智能化力量通過三個方式激發經濟增長：

創造虛擬勞動力，承擔需要適應性和敏捷性的複雜任務，即「智能自動化」，以區別於傳統的自動化解決方案；
對現有勞動力和實物資產進行有利的補充和提升，提高資本效率；
人工智能的普及，將推動多行業的相關創新，開闢嶄新的經濟增長空間。

給決策制定者和商業領袖的建議：

超越自動化，開啓新創新模式：利用具有自主學習和自我控制能力的動態機器智能，爲企業創造新商機；
迎接新一代信息技術，迎接人工智能：無縫整合人類智慧與機器智能，重新

評估未來的知識和技能類型；
制定道德規範：切實爲人工智能生態系統制定道德準則，並在智能機器的開

發過程中確定更加明晰的標準和最佳實踐；
重視再分配效應：對人工智能可能帶來的衝擊做好準備，制定戰略幫助面臨

較高失業風險的人羣；
開發數字化+智能化企業所需新能力：員工團隊需要積極掌握判斷、溝通及想象力和創造力等人類所特有的重要能力。對於中國企業來說，創造兼具包容性和多樣性的文化也非常重要。

子曰：「君子和而不同，小人同而不和。」《論語·子路》雲計算、大數據、物聯網、區塊鏈和人工智能，像君子一般融合，一起體現科技就是生產力。

如果說上一次哥倫布地理大發現，拓展的是人類的物理空間。那麼這一次地理大發現，拓展的就是人們的數字空間。在數學空間，建立新的商業文明，從而發現新的創富模式，爲人類社會帶來新的財富空間。雲計算，大數據、物聯網和區塊鏈，是進入這個數字空間的船，而人工智能就是那船上的帆，哥倫布之帆！

新一代技術+商業的人工智能賽博物理操作系統AI-CPS OS作爲新一輪產業變革的核心驅動力，將進一步釋放歷次科技革命和產業變革積蓄的巨大能量，並創造新的強大引擎。重構生產、分配、交換、消費等經濟活動各環節，形成從宏觀到微觀各領域的智能化新需求，催生新技術、新產品、新產業、新業態、新模式。引發經濟結構重大變革，深刻改變人類生產生活方式和思維模式，實現社會生產力的整體躍升。

產業智能官 AI-CPS

用「人工智能賽博物理操作系統」（新一代技術+商業操作系統「AI-CPS OS」：雲計算+大數據+物聯網+區塊鏈+人工智能），在場景中構建狀態感知-實時分析-自主決策-精準執行-學習提升的認知計算和機器智能；實現產業轉型升級、DT驅動業務、價值創新創造的產業互聯生態鏈。

長按上方二維碼關注微信公衆號： AI-CPS，更多信息回覆：

新技術：「雲計算」、「大數據」、「物聯網」、「區塊鏈」、「人工智能」；新產業：「智能製造」、「智能農業」、「智能金融」、「智能零售」、「智能城市」、「智能駕駛」；新模式：「財富空間」、「特色小鎮」、「賽博物理」、「供應鏈金融」。

點擊「閱讀原文」，訪問AI-CPS OS官網

本文系「產業智能官」（公衆號ID：AI-CPS）收集整理，轉載請註明出處！