机器学习算法太多了，分类、回归、聚类、推荐、图像识别领域等等，要想找到一个合适算法真的不容易，所以在实际应用中，我们一般都是采用启发式学习方式来实验。通常最开始我们都会选择大家普遍认同的算法，诸如SVM，GBDT，Adaboost，现在深度学习很火热，神经网络也是一个不错的选择。假如你在乎精度（accuracy）的话，最好的方法就是通过交叉验证（cross-validation）对各个算法一个个地进行测试，进行比较，然后调整参数确保每个算法达到最优解，最后选择最好的一个。但是如果你只是在寻找一个“足够好”的算法来解决你的问题，或者这里有些技巧可以参考，下面来分析下各个算法的优缺点，基于算法的优缺点，更易于我们去选择它。 　　· 偏差&方差 　　在统计学中，一个模型好坏，是根据偏差和方差来衡量的，所以我们先来普及一下偏差和方差： 　　偏差：描述的是预测值（估计值）的期望E’与真实值Y之间的差距。偏差越大，越偏离真实数据。 　　方差：描述的是预测值P的变化范围，离散程度，是预测值的方差，也就是离其期望值E的距离。方差越大，数据的分布越分散。 　　模型的真实误差是两者之和，如下图： 　　如果是小训练集，高偏差/低方差的分类器（例如，朴素贝叶斯NB）要比低偏差/高方差大分类的优势大（例如，KNN），因为后者会过拟合。但是，随着你训练集的增长，模型对于原数据的预测能力就越好，偏差就会降低，此时低偏差/高方差分类器就会渐渐的表现其优势（因为它们有较低的渐近误差），此时高偏差分类器此时已经不足以提供准确的模型了。 　　当然，你也可以认为这是生成模型（NB）与判别模型（KNN）的一个区别。 　　为什么说朴素贝叶斯是高偏差低方差? 　　以下内容引自知乎： 　　首先，假设你知道训练集和测试集的关系。简单来讲是我们要在训练集上学习一个模型，然后拿到测试集去用，效果好不好要根据测试集的错误率来衡量。但很多时候，我们只能假设测试集和训练集的是符合同一个数据分布的，但却拿不到真正的测试数据。这时候怎么在只看到训练错误率的情况下，去衡量测试错误率呢？ 　　由于训练样本很少（至少不足够多），所以通过训练集得到的模型，总不是真正正确的。（就算在训练集上正确率100%，也不能说明它刻画了真实的数据分布，要知道刻画真实的数据分布才是我们的目的，而不是只刻画训练集的有限的数据点）。而且，实际中，训练样本往往还有一定的噪音误差，所以如果太追求在训练集上的完美而采用一个很复杂的模型，会使得模型把训练集里面的误差都当成了真实的数据分布特征，从而得到错误的数据分布估计。这样的话，到了真正的测试集上就错的一塌糊涂了（这种现象叫过拟合）。但是也不能用太简单的模型，否则在数据分布比较复杂的时候，模型就不足以刻画数据分布了（体现为连在训练集上的错误率都很高，这种现象较欠拟合）。过拟合表明采用的模型比真实的数据分布更复杂，而欠拟合表示采用的模型比真实的数据分布要简单。 　　在统计学习框架下，大家刻画模型复杂度的时候，有这么个观点，认为Error=Bias+Variance。这里的Error大概可以理解为模型的预测错误率，是有两部分组成的，一部分是由于模型太简单而带来的估计不准确的部分（Bias），另一部分是由于模型太复杂而带来的更大的变化空间和不确定性（Variance）。 　　所以，这样就容易分析朴素贝叶斯了。它简单的假设了各个数据之间是无关的，是一个被严重简化了的模型。所以，对于这样一个简单模型，大部分场合都会Bias部分大于Variance部分，也就是说高偏差而低方差。 　　在实际中，为了让Error尽量小，我们在选择模型的时候需要平衡Bias和Variance所占的比例，也就是平衡over-fitting和under-fitting。 　　偏差和方差与模型复杂度的关系使用下图更加明了： 　　当模型复杂度上升的时候，偏差会逐渐变小，而方差会逐渐变大。

　　现在的无人机大多是属于四轴无人机，这样的无人机也是比较的方便。但是你知道为什么四轴无人机会登场吗？按照很多人的想法，翅膀越多消耗的电能也就越多，但是为什么四轴无人机还是成为市场的主流，这就要从它的构造说起了。 　　四旋翼飞行器配备了两只功能强大的眼睛：一只能看清自己的“位置”，知道自己是在黄山还是泰山，这就是自带的GPS定位系统；另一只能看清自己的“姿态”，就是知道自己是“坐着”、“躺着”，还是“倒立”，这就是陀螺仪。这两只眼睛还要和“加速度计”配合使用，才能更准确地知道自己的姿态和位置，以及姿态和位置的改变情况。 　　所谓GPS定位系统即全球定位系统(GlobalPositioningSystem)，是一种以全球24颗定位人造卫星为基础，向全球各地全天候地提供三维位置、三维速度等信息的无线电导航定位系统。它由三部分构成：一是地面控制部分，由主控站、地面天线、监测站及通讯辅助系统组成；二是空间部分，由24颗卫星组成，分布在6个轨道平面；三是用户装置部分，由GPS接收机和卫星天线组成。四旋翼飞行器身上安装的就是用户装置部分。 　　陀螺仪又叫角速度计，就是通过一个不断旋转的陀螺记录“姿态”。它的原理跟小时候玩的抽陀螺一样，陀螺一旦转起来，即使地面是斜的，陀螺还是会保持垂直旋转，具有“定轴性”，我们可以假定这个姿势是“坐姿”。当四旋翼飞行器“躺下”时，便与坐姿产生了一个夹角，但陀螺仪依然会沿着“躺姿”的轴继续高速旋转，具有“进动性”。利用安装在陀螺仪上的传感器就可以知道这个夹角的大小和方向，从而确定“姿态”的变化。 　　认清了自己之后，四旋翼飞行器还需要认识他人。一般的四旋翼飞行器会配备一架高级相机，这台高级相机，其实和咱们日常使用的相机是一个原理，只是多了一个高级的视觉处理系统，犹如人的视神经系统一样，可以感知周边环境。“相机”分辨率越高四旋翼飞行器就“看”得越清楚。 　　四旋翼飞行器拥有对称分布在身体的前后左右的四只“翅膀”，它们在同一高度的平面上，大小完全相同，由四个对称分布在“翅膀”支架端的电机提供动力，支架中间安放着GPS、陀螺仪、加速度计、感应器、视觉感应系统和红外线测距装置等。 　　四旋翼飞行器的四只“翅膀”不停的转动会提供升力，转速的改变可以改变升力的大小，从而改变四旋翼飞行器的位置和姿态。另外，相邻的翅膀要做相反方向的旋转，这样才能产生平衡的力矩防止四旋翼在空中“打转”。

　　飞控系统是无人机的核心控制装置，相当于无人机的大脑，是否装有飞控系统也是无人机区别于普通航空模型的重要标志。 　　在经历了早期的遥控飞行后，目前其导航控制方式已经发展为自主飞行和智能飞行。导航方式的改变对飞行控制计算机的精度提出了更高的要求；随着小型无人机执行任务复杂程度的增加，对飞控计算机运算速度的要求也更高；而小型化的要求对飞控计算机的功耗和体积也提出了很高的要求。高精度不仅要求计算机的控制精度高，而且要求能够运行复杂的控制算法，小型化则要求无人机的体积小，机动性好，进而要求控制计算机的体积越小越好。 　　在众多处理器芯片中，最适合小型飞控计算机CPU的芯片当属TI公司的TMS320LF2407，其运算速度以及众多的外围接口电路很适合用来完成对小型无人机的实时控制功能。 　　它采用哈佛结构、多级流水线操作，对数据和指令同时进行读取，片内自带资源包括16路10位A/D转换器且带自动排序功能，保证最多16路有转换在同一转换期间进行，而不会增加CPU的开销；40路可单独编程或复用的通用输入/输出通道；5个外部中断；集成的串行通信接口（SCI），可使其具备与系统内其他控制器进行异步（RS 485）通信的能力；16位同步串行外围接口（SPI）能方便地用来与其他的外围设备通信；还提供看门狗定时器模块（WDT）和CAN通信模块。 　　飞控系统组成模块 　　飞控系统实时采集各传感器测量的飞行状态数据、接收无线电测控终端传输的由地面测控站上行信道送来的控制命令及数据，经计算处理，输出控制指令给执行机构，实现对无人机中各种飞行模态的控制和对任务设备的管理与控制；同时将无人机的状态数据及发动机、机载电源系统、任务设备的工作状态参数实时传送给机载无线电数据终端，经无线电下行信道发送回地面测控站。

　　中国已连续三年成为全球最大的工业机器人消费国，不过这一行业在国内显得有些过于火热了。 　　在7月6日举行的中国国际机器人产业发展高峰论坛期间，工信部装备司副司长王卫明称，国内机器人产业存在过热隐患，并且已经呈现出高端产业低端化的趋势。“目前国内的机器人企业发展处于风口浪尖，有市场需求以及金融机构助力的原因，也可能有盲目发展的虚火。”这位主管国内机器人产业发展的政府官员表示。 　　自2013年以来，中国已经连续蝉联全球最大的机器人消费市场。根据国际机器人联合会发布的数据，去年中国工业机器人的销量为6.6万台，同比增长16%，这一数字占到全球销量的27.5%。 　　国内快速增长的市场需求，让机器人产业在最近几年迅速成为热词，这从地方政府对于该行业的重视程度可见一斑。 　　根据工信部的统计，有28个省、自治区及直辖市将机器人及关键零部件作为重点发展的行业。截至2015年底，全国已建和在建的产业园超过40个，这一数字还不包括处于筹备中的园区。 　　王卫明称，各地现在都很重视机器人产业，机器人企业无论体量大小都会成为政府的座上宾，并得到资金、土地等各类扶持政策的支持。

　　BackChannel 的一篇来自 Steven Levy 的文章描述了 Google 从培训、雇佣、管理、技术等各个方面的措施和转变，并且介绍了机器学习在 Google 崛起的历史、克服的阻力、以及势不可挡的未来。 　　Google 正在打造机器学习的“忍者团队” 　　Carson Colgate，一名 Google 机器学习队伍的新成员。     　Carson Holgate 正在训练自己成为一名“忍者”。 　　她今年 26 岁，之前已经在跆拳道里拿过一个二级的黑带。 这次，她要做的是在算法上成为一名“忍者”。 她在 Google 的 Android 部门担任工程师，现在则被收录到 Google 内部的一个机器学习“忍者项目”。这个项目只招收了 18 个人，这 18 个人却都是 Google 各个产品部门的精英。他们将要把学习到的人工智能技巧，用于打造他们各自负责的产品。 　　在 Google 负责内部机器学习、管理此“忍者项目”的产品经理 Christine Robson 说：“这个项目邀请 Google 全公司对机器学习感兴趣的工程师， 与机器学习团队一起学习 6 个月，跟导师取取经，做一些项目，然后开展和实施项目，从中学习经验和教训。” 　　很多年来，机器学习被认为是一个只有技术精英才懂的技术

　　GPS经常是我们谈起无人机系统时首先想到的功能模块，而能够按照预先规划的飞行路线进行自动飞行，也是无人机在功能上与航模的主要区别之一。 　　不管是天上飞的，地上跑的，还是海里游的交通工具或仪器设备，如果我们希望能引导它们到期望的目标位置，就需要获得被控对象在某个坐标系中的具体坐标，无人机导航也是如此。我们期望无人机从A点飞到B点，就要不断通过GPS或其它导航仪器获取无人机当下的位置坐标，并根据无人机的位置调整无人机的姿态，最终到达目的地。 　　在无人机导航中，对GPS的数据经常出现一些误解，比如GPS输出的高度坐标是相对于海平面，所以应该像经纬度一样可以直接使用；通过GPS获得的速度信息可以直接使用；IMU输出的飞行器加速度是平面加速度…… 　　中学物理知识告诉我们，当我们描述物体运动时，一定是相对于特定坐标系的，GPS和IMU等设备在输出运动和位置数据时也是如此，这些问题所涉及的正是无人机导航中的基础概念——无人机坐标系——这也是无人机导航中最容易让人混乱的概念之一。 　　无人机导航中常见的坐标系包括： 　　地球中心坐标系（ECEF）（EarthCenteredEarthFixedCoordinateSystem，ECEF） 　　WGS-84大地坐标系（WorldGeodeticCoordinateSystem1984） 　　当地水平坐标系（North-East-DownCoordinateSystem，NED） 　　机体坐标系（BodyFrame） 　　机体水平坐标系（Vehicle-carriedNEDCoordinateSystem） 　　接下来我们就来简单说明一下这些坐标系在无人机导航中的应用。 　　地球中心坐标系（ECEF） 　　ECEF坐标系与地球固联，且随着地球转动。图中O即为坐标原点，位置在地球质心。X轴通过格林尼治线和赤道线的交点，正方向为原点指向交点方向。Z轴通过原点指向北极。Y轴与X、Z轴构成右手坐标系。

　　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。