随着伺服电机技术的飞速发展，数控机床、工业机器人、自动化生产设备开始广泛使用伺服电机作为运动控制的关键零部件，自然而然对伺服电机的性能要求也越来越高，尤其是其动态特性，此时传统测功机已然无法实现相关测试，于是行业内亟需能够提供高性能伺服电机动态特性、控制器控制性能测试的完整解决方案。 图片1 　　当前针对电机的性能测量、评估的设备主要还是测功机。最初测功机只是针对电机的输入电压、电流、输出转速、扭矩进行测量，计算出电机的输入输出功率和效率。但随着电机行业的飞速发展，电机测试项目越来越多，测功机的功能也随之丰富起来，即便如此，电机的动态测试依然是行业内的技术难题。 　　首先动态测试包含阶跃响应测试，分析转速/转矩控制响应时间，在电机负载在出现阶跃变化，改变电机的输出转速/转矩时，电机驱动器把电机调节回正常工作状态下所用的时间长度，通常进口高性能伺服电机转速阶跃响应时间要能够达到us级别，转矩阶跃响应调整时间也要能够达到ms级别，以安川伺服电机SGM7A-10AFA6C这一型号来说，其转速阶跃响应时间可达790ms，转矩阶跃响应调整时间达28ms（以上数据根据致远电子MPT1000-F电机瞬态控制与测试系统测试结果提供）。 图片2

　　在现代工业控制系统中，4-20 mA电流环路发送器一直是在控制中心和现场传感器/执行器之间进行数据传输最为常用的发送器，主要是因其便于安装、使用和维护。随着气动信号被用于控制执行器，并在早期工业自动化现场作为比例控制之后，4-20 mA电流环路发送器开始被大量应用。典型的压力范围是3 PSI – 15 PSI，其中3 PSI代表零度输入/输出，15 PSI代表满量输入/输出。如果气动管路发生破裂，压力将降至0 PSI，表示出现需要修复的故障。电子化开始普及之后，气动管路逐渐被替代，取而代之的是由放大器、晶体管和其他分立电子元件组成的4-20 mA电流环路。 　　您可能会问“为什么要使用电流环路？”基尔霍夫定律中指出电流在闭合环路中是恒定的。由此便可以在很长的距离内使用4-20 mA电流环路，而且环路中任一点的电流都是恒定的，不受导线电阻的影响。当然，欧姆定律有效性的前提是具备充分的环路电压。类似于气动系统，线路断裂或断开会使环路电流降为0 mA，必须对故障进行修复。另外，电流环路还可以相对简单地防止电气暂态导致的破坏，而且对无线电频率干扰或电磁干扰也具备天然的抵抗能力。 　　最常见的4-20 mA发送器类型是双线拓扑，或双线传感器发送器（见图1）。 图 1 带有双线模拟输入模块的简化双线4-20 mA传感器发送器

　　随着“人工替代”时代的到来，发达国家纷纷将服务机器人产业列为国家的发展战略。在政策的感召和指引下，国内家电企业美的、格力、海尔等也展现出了极大的热情，纷纷进军服务机器人领域。 　　 　　据不完全统计，2014年服务机器人领域的投资超过10笔，其中包括康力电梯、巨星科技、华丽家族、新松等在内的A股公司。值得一提的是，绝大多数融资金额都在1000万人民币以上，且有数笔超过千万美元以上的融资。 　　不过，资本的关注热度仍在持续升温。如果说资本市场的活跃度使得服务机器人被公众频频提及的话，那么阿里巴巴、百度、谷歌等互联网巨头的加持，则成功点燃了市场对于智能服务机器人的热捧。 　　政策东风助推产业 　　随着“人工替代”时代的到来，发达国家纷纷将服务机器人产业列为国家的发展战略。我国陆续出台相关政策，将服务机器人作为未来优先发展的战略技术。《国家中长期科学和技术发展规划纲要（2006-2020年）》把智能服务机器人列为未来15年重点发展的前沿技术，并于2012年制定了《服务机器人科技发展“十二五”专项规划》支持行业发展。“中国制造2025”其中一个积极重要的部分就是机器人产业，预计到2025年，机器人工业产值预期可以达到4.5万亿美元，其中2.6万亿来自提高并延长人类寿命，1.4万亿可能来自工业自动化和商业服务任务;在工业和服务领域使用先进机器人承担的工作量相当于7500万全职职工。 　　在政策的感召和指引下，国内家电企业美的、格力、海尔等也展现出了极大的热情，纷纷进军服务机器人领域。 　　服务机器人发展路线 　　产品聚焦： 　　服务机器人的发展前景是非常大的，大家有一个非常好的共识，是不是凡是进入这个行业的人，都能够成功、都能够分这个市场的一杯羹，这个答案是不一定的，为什么这么讲？因为服务机器人产业虽然说现在这个势是造起来了，但是真正看到在市场上能够真正规模化的产品不多，那是什么原因造成的？是因为这个产品真正的实用性的问题。 　　服务机器人产品是否成功，一个衡量标准是它是否能进入到千家万户，现在聚焦到这个产品本身，并没有聚焦到这个产品是否真的能够给人类的生活带来便利性。这是作为一个行业的每一个参与者、行业的一员应该思考的问题。这里也是国际机器人联合会关于服务机器人产品最终的一个发展路线，最终要发展成什么样，有哪些种类的服务机器人产品。 　　发展路线： 　　第一、家用智能电器，就像现在的扫地机器人、炒菜机器人都会归为这一类。 　　第二，交互伴侣机器人，就像现在的Pepper等等，包括紫光优蓝的小U机器人等等。 　　第三，公众服务机器人，现在比较出名的送餐机器人、导游机器人都可以归为这一类机器人。 　　第四，教育、娱乐机器人。 　　服务机器人最终会发展为两类：一个是工具型，一个是伴侣型。工具型的像扫地机器人，能够简单地替代一些劳动。伴侣型的，比如情感交互、照料方面等等。 　　机器人产业不是一般的产业，拥有超出想象的发展前景。2017年3月9-12日在天津梅江会展中心举办的天津国际机器人展，将增加服务机器人展区，携手国际、国内领军企业，打造品牌展示、技术交流、贸易合作、宣传推广、国际研讨于一体的综合平台。天津国际机器人展组委会先关负责人表示：服务机器人领域，全球同样起跑线，差距很小，相信在未来，中国服务机器人产业在人工智能等技术方面有更多的突破性进展，抓住机遇，成为世界顶尖的服务机器人制造企业。

　　1997年，IBM的深蓝计算机战胜了国际象棋冠军卡斯帕罗夫。在那个人工智能（AI）以绝对统治姿态霸占着各棋类世界冠军的年代，围棋成为了人类最后的阵地。而19年后，谷歌AlphaGo一经出世，这块阵地便被攻破了。 　　但是，人工智能之所以现在如此火热，却不仅仅是因为一块“阵地”的失守，而是来自各大机构的重视。据统计，2014年人工智能领域全球投资总额超过19亿美元，同比增长超50%。其中，风投领域共完成40笔交易，总金额高达3.09亿美元，同比增加302%。受到下游需求倒逼和上游技术成型推动的双重动因，BBC预测，人工智能市场将继续保持高速增长，2020年全球市场规模将达到183亿美元。 　　艾伦人工智能研究院执行主任奥伦·埃齐奥尼在接受采访时说，微软、谷歌和苹果都有专注于人工智能的研究部门。“人工智能已经在语音识别、产品推荐、机器翻译、机器视觉等领域取得了巨大成功。海量数据、强大的计算能力和人工智能算法的综合将产生优秀成果，人工智能还将继续发展。”埃齐奥尼说。随着技术发展，近期消费者将看到更多人工智能创新。但目前尚不清楚的是，哪家公司会在人工智能的哪片领域，赢得最后的人工智能大战。 　　欧美国家从战略层面加紧布局人工智能 　　据了解，人工神经网络从上世纪80年代起步，科学家不断优化和推进算法的研究，同时受益于计算机技术的快速提升，目前科学家可以利用GPU（图形处理器）模拟超大型的人工神经网络;互联网业务的快速发展，又为深度学习提供了上百万的样本进行训练。在这些因素的共同作用下，使语音识别和图像识别技术达到了90%以上的准确率。 　　因此，欧美发达国家充分认识到人工智能的战略意义，纷纷从国家战略层面对人工智能加紧布局，推出了自己的人工智能计划。人工智能技术已经成为发达国家经济体向前继续迈进的动力和标志。 　　2013年4月，美国正式公布“推进创新神经技术脑研究计划”，简称“脑计划”（BRAIN）。该计划第一目标是绘制出一幅囊括大脑所有活动的详图，并最终应用到包括通过直接改变神经回路来诊断以及治疗疾病的临床研究上。据了解，美国总统奥巴马在当年为该计划拨款达到1.1亿美元，覆盖美国国家卫生研究院（HIN）、国防部高级研究项目局和国家科学基金会。2014年HIN工作小组围绕该计划制定出未来十年详细计划，预计每年将投入3亿～5亿美元开发用于监测和映射大脑活动和结构的新工具，十年进程共需花费45亿美元。 　　而2013年年初，欧盟委员会宣布“人脑计划”（HBP）成为欧盟未来十年的“新兴旗舰技术项目”。据悉，该项目汇聚了来自24个国家的112家企业、研究所、高校等机构，总投资预计将达到12亿欧元。欧盟“人脑计划”强调实用性，重点包括对脑结构、功能和机理的研究;对与脑有关疾病的研究，并加大力度研发新的诊断和治疗方法;利用信息技术建立大脑的工作模型等。欧盟计划在2018年前开发出世界上第一个具有意识和智能的人造大脑。欧盟官员认为，HBP如果在人工智能领域始终占据领先席位，则将对保持欧洲在世界经济中的竞争地位起到至关重要的作用。 　　紧随美国和欧盟之后，2014年9月日本宣布启动大脑研究计划“Brain/MINDS”。该计划为期10年，由日本理化学研究所主导实施，旨在理解大脑如何工作以及通过建立动物模型，研究大脑神经回路技术，从而更好地诊断以及治疗大脑疾病。 　　各企业积极布局人工智能基础平台 　　人工智能基础平台代表了人工智能“认知计算”的最高层次，本质上是提供智能服务替代人类脑力劳动的平台，Google大脑、IBM的Watson以及百度大脑均是典型代表。 　　谷歌在2013年完成了8家机器人相关企业的收购后，在机器学习方面也大肆搜罗企业和人才，不但一举收购了DeepMind和计算机视觉领军企业Andrew Zisserman，还聘请了美国先进研究项目局（DARPA）原负责人Regina Dugan颠覆性创新项目的研究，并安排曾构建了Google基础算法和开发平台的著名计算机科学家Jeff Dean转战深度学习领域。 　　据了解，苹果2014年在自动化上的支出预算高达110亿美元。苹果手机中采用的Siri智能助理便是脱胎于DARPA投资1.5亿美元、历时5年的CALO项目。据悉，这是美国首个得到大规模产业化应用的人工智能项目。 　　而IBM的Watson则致力于利用认知计算、机器学习，来解读以及分析海量非结构化数据，并从中为用户整合有价值的数据和信息，最后通过云端向用户提供有效的解决方案。它的核心能力主要表现在能够将自然语言处理、假设生成和评估、依据学习这些技术集合于一身，使其能以更加类似于人类大脑处理信息的方式，做出有价值的分析。据悉，其主要业务包括向医疗、金融、法律、电子通信、客户服务和政府办公等领域的机构提供行业应用解决方案、商业分析以及智慧商务和社会化商务等。其中，医疗是Watson自2014年推出以来首个重点布局的领域，被视为是IBM旗下的“登月项目”，Watson也被称为世界上第一个人工智能癌症专家。 　　另外，Amazon的“Prime Air”在美国联邦航空局（FAA）开了绿灯之后，也进一步加快了开发进程。近日据知情人士消息称，谢菲尔德大学机器学习和计算生物学教授Neil Lawrence近日在Facebook发布状态表示，他将带领其学生团队加入这家西雅图科技巨头。据了解，Herbrich的团队专注于“预测、内容联动、可扩展的机器学习服务和视觉辅助技术”，从这些技术特性以及近期亚马逊的动作来看，他们团队很有可能为Alexa工作。上周，Alexa相继与智能音响公司Sonos、LG、联想商讨合作协议，布局硬件生态平台。 　　此外，韩国和日本的各家公司也纷纷把机器人技术移植到制造业新领域并尝试进入服务业。 　　语音识别和自然语言处理渐成红海 　　当前，基于人工神经网络的深度学习技术是最热的研究领域，无论是Google、Facebook、IBM等海外巨头，还是刚刚将“人工智能”列为未来主攻方向的百度和其他互联网公司，均纷纷开展相应项目，进行图像、语言以及语音方面的识别研究。 　　据国外媒体报道，当下几家大型科技公司正在激战人工智能市场。据路透社报道，苹果计划招聘至少86名全职人工智能专家，苹果此举是科技巨头人工智能人才争夺战的一部分。微软研究院副总经理帕特里斯·西马德向《财富》表示，“未来计算机将具备看、听、说，甚至理解的能力。智能机器将构成所谓无形革命的支柱——技术间无缝沟通，使得它们难以被注意到。这一技术革命将有助于推动人和智能机器之间的交互。”对人的活动进行算法理解并作出回应，将成为科技巨头们纷纷涉足的重点领域。例如苹果的Siri、微软的小冰、Google Now和亚马逊的Alexa Voice Service等。 　　人工智能的专家表示，语音是人类最自然便捷的沟通方式，所有信息设备“能听会说”是必然的趋势。自然语言处理是让机器理解人类的语言，包括对自然语言的分析、理解、生成、检索、变换及翻译等方面，旨在解决计算机与人类语言之间的交互问题。因此，这一领域竞争致胜的法宝便是企业本身的客户资源。而人机交互必然向人类自身最自然的语言沟通发展，业界已经出现了很多基于语音识别和自然语言处理技术的产品，这种产品最普遍的形式就是虚拟助手。虚拟个人助手是在用户允许下，通过观察用户行为和阅读用户数据，预判用户需求，并自主地帮助用户完成任务。 　　业内人士指出，VPA对苹果、Facebook等科技巨头的意义将不仅仅是未来可能植入定向广告的货币化价值，从更深层次来看，它将彻底改变人们使用互联网的方式。不仅交互方式将从键盘鼠标触摸屏变成了自然语言的语音或文字消息，获取信息、接受服务的方式也将从主动寻求转变为相对被动接受智能助手的隐形化服务。目前各大科技巨头硝烟初起的VPA大战，正是在争夺用户，把用户更深入地绑定在自己的生态系统中。 　　由此可见，人工智能领域的先发优势极其重要。谷歌、苹果、Facebook等龙头正是由于在各自的领域起步早，积累了足够的客户资源、行业数据和平台技术，才能在人工智能到来的今天迅速革新、占领市场。因此，选择某一极具爆发潜力的领域进行重点突破，将成为公司未来能否快速发展的关键所在。

　　据报道，由武汉导航与位置服务工业技术研究院牵头，和武汉大学及国内其他相关研究团队合作，正联手制定北斗智能手机高精度定位导航芯片的相关标准，最快有望在今年底问世。该标准经有关国际行业组织认证通过后，将成北斗在智能手机高精度定位导航芯片领域走向市场进而走向世界的“通行证”，其定位精度可高达亚米级。北斗导航手机芯片标准的问世，将使北斗导航成为智能手机新的定位方式。 　　 　　5种手机定位方式综合比较 　我们知道手机定位的方式主要有5种：GPS定位、LBS基站定位、WiFi定位技术、A-GPS定位、GPS-one定位。为了让大家对现有5种手机定位方式优缺点有更直观的认识，下面将对它们进行综合比较： 　　1、混合定位技术A-GPS和GPS-One的比较 　　A-GPS：全称是网络辅助的GPS定位，手机可以接收GPS信号，但要借助基站的辅助才能更快、更准确地定位。理论上说，A-GPS可以用于各种网络，就是说移动、联通、电信的网络都可以。 　　GPS-One：是美国高通公司开发的基于CDMA标准的定位技术，通过在手机芯片上加载支持GPS-One协议的模块实现对手机的定位。目前只有中国电信的手机支持。 　　比较：A-GPS定位的优势主要在其定位精度上。在室外等空旷地区，其精度可达10米左右；其的缺点是在室内的时候，定位精度急剧下降。GPS-One定位技术在室外的时候，其实就是采用A-GPS的技术来定位，而在室内的时候卫星信号弱，则主要靠基站定位或无线网络定位。因此，综合来说，GPS-One比A-GPS要强。 　　2 、几类定位技术的性能对照表 　　 　　3、定位精度比较实例 　　下面是笔者用同一部手机运行百度地图后，先后分别单独打开WLAN、移动网络、GPS设置所得到的不同定位精度结果，包括WiFi定位在街道上和建筑物中的差别： 　　 　　 　　从上面的四个手机截图中不难看出，在城市街道上进行手机定位，定位精度从低到高依次是WiFi定位、基站定位、GPS定位。而在无线AP热点密集的建筑物内，由于手机处于多个无线热点信号的有效辐射距离内，WiFi定位的精度就比在户外街道上高很多，与街道上GPS定位精度不分上下。 　　小结：本文中对GPS定位、LBS基站定位、WiFi定位技术、A-GPS定位、GPS-one定位5大手机定位方式的优缺点进行了综合的比较。

　　北京时间 9 月 8 日凌晨 1 点，苹果将在美国旧金山 Bill Graham Civic Auditorium 举办了今年的秋季发布会。全世界果粉翘首以盼的 iPhone 7/iPhone 7 Plus 正式发布。 　　而除了这些备受期待的硬件产品，苹果在人工智能上的布局似乎更容易让人忽略。事实上，除了众所周知的 Siri，人工智能正在苹果的产品和服务中扮演着无处不在的“大脑”角色。 　　无处不在的“苹果大脑” 　　在去年的谷歌年度媒体会议上，谷歌前 CEO Eric Schmidt 曾表示，谷歌在机器学习上的应用已经在邮件、图片及语音识别上为用户体验带来了极大的提升，其中，Gmail 甚至已经能识别出 99% 的垃圾邮件。但绝大多数用户却感觉不到这种体验提升的存在： 　　“即便有，也只是在搜索服务中能够明显感觉到。” 　　苹果也面临着同样的问题。虽然 iPhone 的用户能明显感觉到手机性能上用户体验的提升，但与绝大多数人认知相反的是，苹果的机器学习远不止应用在 Siri 上。 　　 　　识别陌生来电、在解锁后列出你最常使用的应用，或者在提醒事项中标记了一个约会，以及自动显示附近标记的酒店，这些在苹果全面应用机器学习及神经网络后，都能处理得游刃有余。 　　在某些层面，苹果人工智能有关的发布，很大程度借鉴了微软的Cortana。苹果高管表示，Siri 正走向桌面：不久，用户就可以和苹果电脑对话，就像和手机对话一样。 　　和 Cortana 类似，Siri 也能扫描用户的通讯情况并给出建议。假如系统发现两位用户正在通过文本信息讨论约会事宜，系统会自动弹出一个台历图示，这样，用户就可以在文本线程中实现会面安排。苹果也会推荐相关的对话 emoji，在新的操作系统中，这一功能会变得更加有趣。 　　 　　而和谷歌类似的是，苹果现在可以用面部识别技术扫描你的照片，给相册中的人物分类。假如祖父照片散落在相册各处，面部识别技术可以帮你找出祖父照片，并将它们分组集中起来，如此以来，整理回忆，你无需亲自动手。而脸书的自动面部识别技术已经面世好几年了。 　　值得一提的是，通过让用户在单一应用中尽可能完成更多的任务，苹果也在尽力减轻用户的应用程序疲劳症——无需离开文本信息对话就叫 Uber，在 iMessage 中就可以完成这一任务。想从电脑给某人发文本信息？ 　　现在，你可以告诉 Siri 这么做。公司也试着减轻用户的密码疲劳症，你可以用苹果手表登陆电脑，这样就不用再输入一次密码。而且，苹果支付市场也会进一步得到扩展，现在可以在桌面上使用 Apple Pay，而且对象涉及很多商业网站。这也意味着，那些偏爱使用苹果的用户在面对一大串商户时，不用再费力地进入并保存信息用卡信息。 　　而除了在 Mac 的桌面系统上加入 Siri 外，苹果还允许开发者在自己的 App 中接入 Siri 的语音功能。苹果用户不久后就能通过直接与 Siri 对话，使用 Slack、Uber 或者 Skype 了。 　　此外，苹果也在其新的战略产品 Apple Watch 上深度应用了机器学习，包括在 iPhone 上早已应用的用户行为检测和相机人脸识别功能。 　　总体而言，越来越多的用户正在与技术对话：谷歌最近说，大约 20% 的谷歌询问来自语音，而不是键盘输入。虽然一年多以前，Cortana 已经赋予用户与台式电脑对话的能力，但是，苹果的优势是能够将这一流行移动工具整合到桌面，实现不同设备间的无缝对接。而这些的最终目标是实现用智能助手连接一切服务，这也是谷歌和 Facebook 纷纷开源 bots 平台的原因。 　　在未来，以 Siri 为代表的苹果人工智能技术和可能会成为帮用户连接服务的“大脑”。

　　打开手机摄像头，相机自动识别人脸，并把对焦点所在锁定人脸之上，然后按下快门，“咔嚓”一声一张合焦精准的照片留在相册当中。识别人物是高通（Qualcomm）Zeroth最常见的应用，但Zeroth研发过程，远没有拍照留念那么简单，高通在其中付诸了巨大努力，今天Zeroth应用更不局限于此，Zeroth还欲借骁龙处理器助你安全上路。 　　 　　Zeroth生从何来 　　Zeroth，我们很难用一个中文词语将意义清晰表达出来，它是高通“脑启发计算”研究项目的代号，其核心是深度学习（Deep Learning）。深度学习是机器学习的一个分支，机器学习是通过算法，使得机器能从大量历史数据中学习规律，从而对新的样本做智能识别或对未来做预测，简而言之就是从反复的规律中学习并进行自己的判断。深度学习则要建立在模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，这就包含了更多方面，例如图像、声音和文本。 　　深度学习对计算机运算能力依赖非常高，往往采用大规模并行计算，与人脑特性相符。可人脑的并行运算能力比传统计算机高出5个数量级，因此深度学习依附在云计算或是高性能的CPU/GPU计算集群之上。在Zeroth项目初期高通曾使用GPU与FPGA（Field－Programmable Gate Array，现场可编程门阵列）进行计算，后来采用专门的NPU（Neural Processing Unit，神经处理单元）执行。 　　 　　到了今天Zeroth已经可以在移动处理器上实现，也就是我们熟悉的骁龙820处理器。Kryo CPU、Adreno 530 GPU与Hexagon 680 DSP是骁龙820执行Zeroth计算主力军，尤其是Adreno 530 GPU，它负责大量并行运算。 　　

　　最近英特尔的动作可谓非常频繁：在学术会议上发布各种自己新算法的论文，在商业领域也是连续收购了Nervana、Modivius两家公司，还发布了最新的深度学习处理器Knights Mill，并在一份声明上声称四块Knights芯片的运算能力比四块GPU快2.3倍，剑指自己早在PC时代就已相爱相杀多年的老对手NVIDIA。哪怕在NVIDIA进行了态度坚决，甚至在语气中暗含一丝不屑的回击之后，英特尔仍然在公开声明中坚定的捍卫自己的数据，并表示去年为深度学习而研发的处理器中，使用GPU的还不到3%。 　　事实是怎样的呢？考虑各种因素之后我们其实真的无法明确的说，GPU与英特尔这块最新的深度学习芯片到底谁更适合深度学习开发。但是有一点是确定无疑的：英特尔的声明中所说的GPU，完全不是这块深度学习芯片本应对标的最新GPU Tesla P100，而是NVIDIA早在18个月前就已上市的Maxwell架构GPU，因此2.3倍这个数据应该是有水分的。我们能理解英特尔想要宣传自己产品的心情，但用自己的下一代产品去对标对手已经问世一年有余的上一代架构产品，是不是有点不合适？英特尔自己心里应该也明白这一点，而类似的手段英特尔也不是第一次在宣传中使用（以前英特尔就经常声称自己的集成显卡的运算能力又超过了某某NVIDIA生产的独立显卡），但英特尔祭出这种杀敌一千自损八百的宣传路数可以说明一点：那就是英特尔真的非常重视AI和深度学习这块市场，而更早之前和近期的一系列收购，也从侧面证明了这一点。 　　 　　早在PC时代，两家的图形处理器就经常被拿来比较，图片来源Youtube 　　但是，为什么要这么执着？ 　　深度学习市场目前活跃的主角有四个： CPU、GPU、FPGA和专用处理器，其中FPGA和专用处理器的应用其实仍处于探索阶段，真正使用它们的开发者不多，因此，这个领域市场的竞争主要就集中于GPU和CPU之间，甚至可以说，就是集中于英特尔和NVIDIA之间。但每个深度学习的开发者都心知肚明的一点是：GPU在深度学习开发，尤其是算法训练方面相对CPU确实有着非常大的先天优势，为什么英特尔执意要争夺这个看起来天生就属于对手的战场呢？要知道GPU虽然很好，但是它也是不能独立工作的，至少没有人会这么去做，因为在GPU的特性决定其上无法进行高效的逻辑运算。哪怕是NVIDIA的最新深度学习超级电脑DGX-1中，也含有两颗英特尔至强处理器（嗯，NVIDIA在很多宣传文案中故意弱化甚至忽略了这一点）。看起来，无论NVIDIA的市场做的多大，其中总会有英特尔的一杯羹，那英特尔为什么又如此心急火燎的想要攻下NVIDIA的这块阵地呢？ 　　 　　NVIDIA官网提供的DGX-1配置表的CPU一栏赫然写着Dual Intel Xeon E5-2698 　　繁荣背后的梦想与危机 　　要讲清楚这个问题，我们必须要把视角从人工智能身上拉远，看看英特尔的整体战略布局。实际上这个标题不是很准确。因为英特尔的业务看起来早已没有那么繁荣了。最近几年，英特尔的核心盈利业务CPU同时遭到了三个因素的狙击：PC市场增长放缓和移动市场的爆发、进军移动的尝试失败、摩尔定律逐渐逼近极限，几乎失效。单纯的卖CPU固然也能赚到钱，但只有研发更高端（贵）的芯片，形成自己领导者的形象、然后不停的把它们卖给更多的人，才能赚更多的钱，支撑公司的发展。但这几个因素的同时出现，已经让英特尔发现，如果自己仍然只是安心的守着自己的CPU业务，很快就会面临巨大的危机，事实上在过去的一年里，利润下降、裁员的新闻也一直围绕在英特尔的身边，挥之不去。 　　英特尔曾经是推动计算机技术向前发展的动力之一，很显然，英特尔希望自己的这个地位能一直保持下去，从去年开始，英特尔开始了缓慢痛苦但又坚定的转型。想让自己在 云计算、云存储、物联网等领域继续做一家领先于世界的公司，并在相关领域投入了相当多的注意力，并为其进行了诸多调整。 　　可理想很丰满，现实却总是很骨感。在高调了几年之后，曾经被寄予厚望的物联网却仿佛迷失了方向，一直没有出现真正杀手级的产品，许多曾经被看好的产品和模式都销声匿迹，整个市场都没有发展起来。甚至对未来至关重要，也是英特尔最为重视的云计算，彼时的市场也已经基本结束了初期的厮杀，亚马逊、微软、谷歌、阿里云、IBM等已经在市场站稳脚跟。英特尔要后来居上的机会已经越来越小。 　　2016年伴随着AlphaGo的横空出世，人工智能突然热了起来，这让大家本来在台面下默默进行的AI硬件竞争突然提升到了一个新的高度。眼睁睁的看着老对手NVIDIA由于本身就专注于优化GPU擅长的并行计算而借着这股东风混的风生水起。英特尔怎么甘心放过这个市场呢？更何况，由于目前极火的深度学习需要非常大的数据和计算量，本身就可以是云计算的重要服务对象之一。并且目前在深度学习市场FPGA尚未成气候，谷歌这样的超级大厂又喜欢自己研发专用芯片。因此可以说对于深度学习芯片来说，个人开发者及中小型企业内还有相当大的市场。这个市场内目前几乎只有NVIDIA一家成了气候的公司，英特尔想要强势进入未必没有机会。甚至即使英特尔最终无法超越NVIDIA，也能对后来者形成优势，稳坐老二。当然对于英特尔来说，他们肯定不会甘愿做老二，而一定是奔着老大的位置去的。

　　本文将带你遍历机器学习领域最受欢迎的算法。系统地了解这些算法有助于进一步掌握机器学习。当然，本文收录的算法并不完全，分类的方式也不唯一。不过，看完这篇文章后，下次再有算法提起，你想不起它长处和用处的可能性就很低了。本文还附有两张算法思维导图供学习使用。 　　在本文中，我将提供两种分类机器学习算法的方法。一是根据学习方式分类，二是根据类似的形式或功能分类。这两种方法都很有用，不过，本文将侧重后者，也就是根据类似的形式或功能分类。在阅读完本文以后，你将会对监督学习中最受欢迎的机器学习算法，以及它们彼此之间的关系有一个比较深刻的了解。 　　事先说明一点，我没有涵盖机器学习特殊子领域的算法，比如计算智能（进化算法等）、计算机视觉（CV）、自然语言处理（NLP）、推荐系统、强化学习和图模型。 　　下面是一张算法思维导图。 　　 　　从学习方式分类 　　算法对一个问题建模的方式很多，可以基于经历、环境，或者任何我们称之为输入数据的东西。机器学习和人工智能的教科书通常会让你首先考虑算法能够采用什么方式学习。实际上，算法能够采取的学习方式或者说学习模型只有几种，下面我会一一说明。对机器学习算法进行分类是很有必要的事情，因为这迫使你思考输入数据的作用以及模型准备过程，从而选择一个最适用于你手头问题的算法。 　　监督学习 　　输入数据被称为训练数据，并且每一个都带有标签，比如“广告/非广告”，或者当时的股票价格。通过训练过程建模，模型需要做出预测，如果预测出错会被修正。直到模型输出准确的结果，训练过程会一直持续。常用于解决的问题有分类和回归。常用的算法包括逻辑回归和BP神经网络。 　　无监督学习 　　输入数据没有标签，输出没有标准答案，就是一系列的样本。无监督学习通过推断输入数据中的结构建模。这可能是提取一般规律，可以是通过数学处理系统地减少冗余，或者根据相似性组织数据。常用于解决的问题有聚类、降维和关联规则的学习。常用的算法包括 Apriori 算法和 K 均值算法。 　　半监督学习 　　半监督学习的输入数据包含带标签和不带标签的样本。半监督学习的情形是，有一个预期中的预测，但模型必须通过学习结构整理数据从而做出预测。常用于解决的问题是分类和回归。常用的算法是所有对无标签数据建模进行预测的算法（即无监督学习）的延伸。 　　从功能角度分类 　　研究人员常常通过功能相似对算法进行分类。例如，基于树的方法和基于神经网络的方法。这种方法也是我个人认为最有用的分类方法。不过，这种方法也并非完美，比如学习矢量量化（LVQ），就既可以被归为神经网络方法，也可以被归为基于实例的方法。此外，像回归和聚类，就既可以形容算法，也可以指代问题。 　　为了避免重复，本文将只在最适合的地方列举一次。下面的算法和分类都不齐备，但有助于你了解整个领域大概。（说明：用于分类和回归的算法带有很大的个人主观倾向；欢迎补充我遗漏的条目。）

　　近日，华明高新区与北京科技大学材料科学与工程学院签署合作协议，共建北科大智能装备产业技术研究院。副市长何树山、市政府副秘书长周键、市知识产权局局长齐成喜、市科委副主任戴永康会见了北京科技大学党委书记武贵龙、副校长吴爱祥一行。随后，东丽区区委书记尚斌义、区委副书记、区长杨茂荣、区委副书记白凤祥出席了该项目签约仪式。 　　东丽区近年来围绕京津冀协同发展，将北京科技创新资源和天津先进制造优势紧密结合，打造创新驱动先导区，狠抓科技成果转化产业化。北科大智能装备产业技术研究院重点在传感器芯片设计、传感器开发与制造、信息系统集成、智能装备方面开展核心能力建设，通过深度军民融合，采用引进落户、孵化培育、投资入股等多种形式，孵化高技术企业。 　　据了解，北科大智能装备产业技术研究院选址华明高新区，建筑面积1万平方米，总投资1亿元，将重点围绕核心磁敏技术和智能装备技术形成核心竞争力，服务智能制造产业和国家安全，同时打造磁敏技术及智能装备国家主权专利池，预计到2020年孵化企业30家，年产值达10亿元，年带动产业发展规模100亿，人员规模达到300人以上，IPO或参股具有行业影响力的上市公司2家以上，建成系统、全面的磁敏产业主权专利池，运营管理专利达到200件以上，授权并合作50家企业，建成国家级工程技术中心。此外 ，北科大国家大学科技园天津（磁敏）分园也同时落户华明高新区，将作为北科大科技园有限公司主体业务的延伸，重点保障北科大智能装备产业技术研究院的顺利运营，同时为其提供相关的管理咨询服务。 　　国防科工局协作配套中心、保利国防科技研究中心、保利科技防务投资有限公司、深圳市创新投资集团、浦发银行、国家知识产权局知识产权出版社有限责任公司、中知厚德知识产权投资管理（天津）有限公司等专业机构也将发挥各自优势，共同参与北科大智能装备产业技术研究院和北科大国家大学科技园天津（磁敏）分园的建设，共同打造天津东丽“中国磁”项目。