天宫二号已经顺利升空多日，现在都在忙什么呢？除了为未来空间站建设打下基础，它还会进行大量科学试验，其中不少都是突破性的，比如说世界首套在轨脑-机交互及脑力负荷测试系统。 　　等到神舟十一号和航天员到来对接后，天宫二号就将开启人类史上首次太空脑-机交互实验，可将航天员的思维活动转化为操作指令，并监测航天员的脑力负荷等状态。 　　航天员在太空中“动动脑子”就能“指挥”各种操作，这种科幻片中才能见到的情景或将成为现实。 　　这套在轨脑-机交互及脑力负荷、视功能等神经工效测试系统由天津大学神经工程团队负责设计研发，拥有64项授权国家发明专利、1项软件着作权，是天大“智”造的自主知识产权技术集群。 　　项目主要负责人、天津大学精仪学院教授明东介绍，脑-机交互一直被列为美国最优先支持发展的颠覆性创新技术之一，“脑-机交互将是未来人-机通信交互的最高形态，这将是中国人领先欧美开启的一次太空脑-机交互实验征程”。 　　为何要在太空中率先开展脑-机交互研究？“从宏观来说，人类的大脑因其复杂神秘而被称为‘三磅宇宙’，探索宇宙与探索大脑存在着天然的关联。” 　　明东介绍，航天员在太空环境中，完成复杂作业任务受到极大的限制，脑-机交互可以不依赖外周神经和运动系统，将航天员的思维活动转化为操作指令，同时又能监测航天员的脑力负荷等神经功能状态，实现人机互适应，减轻作业负荷，是最为理想的人机交互方式。

　　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。

　　随着神经网络和深度学习研究的不断深入——尤其是语音识别和自然语言处理、图像与模式识别、文本和数据分析，以及其他复杂领域——研究者们不断在寻找新的更好的方法来延伸和扩展计算能力。 　　几十年来，这一领域的黄金标准一直是高性能计算（HCP）集群，它解决了大量处理能力的问题，虽然成本有点过高。但这种方法已经帮助推动了多个领域的进步，包括天气预测、金融服务，以及能源勘探。 　　然而，2012 年，一种新的方法出现了。伊利诺伊大学的研究者之前已经研究过在台式超级计算机中使用 GPUs 来加速处理任务（如图像重建）的可能性，现在多伦多大学的一组计算机科学家和工程师证明了一种在 GPUs 上运行深度神经网络来极大推进计算机视觉技术的方法。插上 GPUs（之前主要用在图形中）后，计算神经网络的性能会立即获得巨大提升，这种提升反映在了计算机视觉效果的明显改善上。 　　这是一次革命性进步 　　“仅仅在几年之后，GPUs 已经出现在深度学习的核心位置，”加州大学伯克利分校电子工程和计算机科学系教授 Kurt Keutzer 说到。“GPUs 的使用正在成为主流，通过在一个应用程序中使用几十到数百个处理器，GUP 正在从根本上改变计算。” 　　伊利诺伊大学厄巴纳-香槟分校电子与计算机工程 Walter J. Sanders III–Advanced Micro Device 的名誉主席 Wen-Mei W. Hwu 也说过，“GPU 是卓越的吞吐量计算设备。如果你只有一项任务，就没必要用到 GPUs，因为速度也快不到哪去。但是，如果你有大量的相互之间独立的任务，用 GPUs 就对了。” 　　一个深度视角 　　GPU 架构起源于基础的图形渲染操作，比如给图形加阴影。1999 年，Nvida 推出了 GeForce 256，这是世界上第一个 GPU。简单来说，这个专用的电路——-可内置在视频卡或主板中——主导并优化了计算机内存以加快显示器的渲染速度。今天，GPUs 用在更加广泛的设备中，包括个人计算机、平板电脑、手机、工作站、电子标示、游戏机，以及嵌入式系统。 　　然而，“计算机视觉和深度学习中很多新应用的内存都是有限带宽，”Keutzer 解释道，“在这些应用中，应用程序的速度往往最终取决于它从内存中提取数据以及流入和通过处理器要花多少时间。” 　　部署 GPU 的一个常常被忽视的巨大优势是其 processor-to-memory 的超级带宽。Keutzer points 指出，这样的结果是，“在带宽有限的应用中，这个 processor-to-memory 带宽的相对优势直接转化成超级应用性能。”关键是 GPUs 用更少的电力提供了更快的浮点运算（FLOPs，每秒浮点运算次数）通过支持 16 位的浮点数扩大了能效优势，比单精度（32 位）或双精度（64 位）浮点数的能效更高。 　　多核 GPU 要依赖更大量的 32 位到 64 位这样更简单的处理器内核的大量部署。相比之下，使用更小的传统的微处理器，通常是 2 位到 4 位到 8 位时，效果如何会呢？ 　　“使用微处理器的 GPUs 实现了更优越的性能，并为深度神经网络提供了更好的架构支持。GPUs 在深度神经网络上表现出的性能优势逐渐被转化到更多种类的应用中。”Keutzer 说。 　　今天，一个典型的 GPU 集群包含了 8 到 16 个 GPU，而像 Keutzer 这样的研究人员正在尝试使用数百个 GPU 在超大数据集上同时训练多个深度神经网络，否则将需要几周的训练时间。这个训练需要运行大量数据通过该系统以让它达到能解决问题的状态。那时，它或许就可以在一个 GPU 或者混合处理器中运行了。“这不是一次学术训练。”Keutzer 指出。“我们训练用于像自动驾驶汽车这种新应用的神经网络时，就需要这样的速度。” 　　使用 GPU 正在成为主流，通过在单个应用中使用多个处理器，能从根本上改变计算。 　　GPU 技术现在的进展速度远比传统的 CPU 快，凭借强劲的浮点马力和较低的能耗，GPU 的可扩展性能让深度学习和机器学习任务的效率得到飞速提升，效果堪比给汽车装上涡轮增压发动机，百度高级研究员 Bryan Catanzaro 说到。“深度学习不是新鲜事物。GPUs 也不是。但是这个领域在计算能力得到极大提升和有丰富数据可供使用之后，才开始真正起航。” 　　大部分进展来自 Nvidia，这家公司不断推出更加复杂的 GPUs，包括刚推出的专为解决训练和推理这类特殊任务的 Pascal 架构。在这款最新的 GPU 系统中，Tesla P100 芯片实现了在一片硅片上封包 150 亿个晶体管，数量是之前处理器的两倍。 　　另一个例子，百度正在推进语言识别研究的新前沿。它的“Deep Speech”项目，依赖一个端到端的神经网络，在英语和汉语的短音频剪辑中使语音识别的精确度达到了人类水平。这家公司还在探索自动驾驶汽车中的 GPU 技术；它一直在研发能在北京大街上自动导航的自动驾驶汽车，并做了改变车道、超车、停车和启动的演习。 　　同时，微软亚洲的研究员使用…

　　很多的发明创造都是人类身体的延伸，通俗点说就是由于人们的“懒”所促成的，因为懒得走路就有了汽车、火车、飞机；因为懒得站就发明了椅子；因为懒得逛街就发明了网购和某宝某东；因为懒得看书就有了电视剧的出现；还有现在的各种IT产品也是致力于不需要用户用智商，当在火车站机场人们不想提行李的时候呢？成功就是针对一个简单的问题提出一个实际性的解决方案，AGV搬运机器人正需要向这些方面做延伸。 　　随着我国自动化生产技术在这几年里的快速发展，在工业机器人行业里面，需求和应用越发的增多，企业想靠人口红利作为优势的时代已经慢慢消失，面对劳动力唯一的解决方法就是提高自动化生产的程度。中国现正处于转型时刻，越来越多的企业在生产制造过程中使用工业机器人。相关数据的分析，在未来AGV机器人市场有望发展巨大。 　　针对机器人产业的发展热潮，市场的序幕已拉开需求进入喷发期，工业机器人不仅代替越来越高昂的劳动力，同时也能提升工作效率和产品的品质，是替代部分非技术工人的最好途经。可以说使用AGV机器人可以降低产品DE 成本，一定程度上提高设备的利用率，降低了由于工人的误操作所带来的残次零件风险等，总的来说其带来一系列的效益都是十分明显的，例如减少人工用量、提高企业竞争力等，机器人具有执行各种任务特别是高危任务的能力，比传统的自动化工艺更加先进。 　　作为工业机器人其中重要的一部分，AGV机器人也显现越来越重要战略地位，AGV工业机器人的使用作为推动支柱产业发展升级的重要举措。AGV机器人实现了技术持续进步控制系统的智能化、外围配套设备协作能力的提升，为AGV工业机器人大规模的应用创造了必要的技术经济条件，目前AGV工业机器人大规模应用的趋势已经非常明显。AGV工业机器人在使用的过程中具有明显的产业特征，从国际经验看，AGV工业机器人应用最多的是汽车产业，其次为电器电子产业。更为重要的是，工业机器人将推动中国制造业走向机械自动化、无人化、更高附加值、更创新的制造业。 　　中国能否在工业机器人的浪潮中能够把握好机遇，乘势而上，从而推动我国工业机器人产业化发展，这将是我们企业未来长远努力的方向。

　　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。）

　　AlphaGo的胜利，无人驾驶的成功，模式识别的突破性进展，人工智能的的飞速发展一次又一次地挑动着我们的神经。作为人工智能的核心，机器学习也在人工智能的大步发展中备受瞩目，光辉无限。 　　如今，机器学习的应用已遍及人工智能的各个分支，如专家系统、自动推理、自然语言理解、模式识别、计算机视觉、智能机器人等领域。 　　但也许我们不曾想到的事机器学习乃至人工智能的起源，是对人本身的意识、自我、心灵等哲学问题的探索。而在发展的过程中，更是融合了统计学、神经科学、信息论、控制论、计算复杂性理论等学科的知识。 　　 　　总的来说，机器学习的发展是整个人工智能发展史上颇为重要的一个分支。其中故事一波三折，令人惊讶叹服，颇为荡气回肠。 　　其中穿插了无数牛人的故事，在下面的介绍中，你将会看到以下神级人物的均有出场，我们顺着ML的进展时间轴娓娓道来： 　　 　　|基础奠定的热烈时期 　　20世纪50年代初到60年代中叶 　　Hebb于1949年基于神经心理学的学习机制开启机器学习的第一步。此后被称为 Hebb学习规则。Hebb学习规则是一个无监督学习规则，这种学习的结果是使网络能够提取训练集的统计特性，从而把输入信息按照它们的相似性程度划分为若干类。这一点与人类观察和认识世界的过程非常吻合，人类观察和认识世界在相当程度上就是在根据事物的统计特征进行分类。 　　从上面的公式可以看出，权值调整量与输入输出的乘积成正比，显然经常出现的模式将对权向量有较大的影响。在这种情况下，Hebb学习规则需预先定置权饱和值，以防止输入和输出正负始终一致时出现权值无约束增长。 　　Hebb学习规则与“条件反射”机理一致，并且已经得到了神经细胞学说的证实。比如巴甫洛夫的条件反射实验：每次给狗喂食前都先响铃，时间一长，狗就会将铃声和食物联系起来。以后如果响铃但是不给食物，狗也会流口水。 　　1950年， 阿兰·图灵创造了 图灵测试来判定计算机是否智能。图灵测试认为，如果一台机器能够与人类展开对话（通过电传设备）而不能被辨别出其机器身份，那么称这台机器具有智能。这一简化使得图灵能够令人信服地说明“思考的机器”是可能的。 　　 　　2014年6月8日，一台计算机（计算机尤金·古斯特曼是一个聊天机器人，一个电脑程序）成功让人类相信它是一个13岁的男孩，成为有史以来首台通过图灵测试的计算机。这被认为是人工智能发展的一个里程碑事件。 　　1952，IBM科学家 亚瑟·塞缪尔开发了一个 跳棋程序。该程序能够通过观察当前位置，并学习一个隐含的模型，从而为后续动作提供更好的指导。塞缪尔发现，伴随着该游戏程序运行时间的增加，其可以实现越来越好的后续指导。 　　通过这个程序，塞缪尔驳倒了普罗维登斯提出的机器无法超越人类，像人类一样写代码和学习的模式。他创造了“机器学习”，并将它定义为“可以提供计算机能力而无需显式编程的研究领域”。 　　1957年， 罗森·布拉特基于神经感知科学背景提出了第二模型，非常的类似于今天的机器学习模型。这在当时是一个非常令人兴奋的发现，它比Hebb的想法更适用。基于这个模型罗森·布拉特设计出了第一个计算机神经网络—— 感知机（the perceptron），它模拟了人脑的运作方式。 　　3年后， 维德罗首次使用Delta学习规则用于感知器的训练步骤。这种方法后来被称为 最小二乘方法。这两者的结合创造了一个良好的线性分类器。 　　 　　1967年， 最近邻算法（The nearest neighbor algorithm）出现，由此计算机可以进行简单的模式识别。kNN算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。 　　 　　kNN的优点在于易于理解和实现，无需估计参数，无需训练，适合对稀有事件进行分类，特别适合于多分类问题（multi-modal，对象具有多个类别标签）， 甚至比SVM的表现要好。 　　Han等人于2002年尝试利用贪心法，针对文件分类实做可调整权重的k最近邻居法WAkNN （weighted adjusted k nearest neighbor），以促进分类效果；而Li等人于2004年提出由于不同分类的文件本身有数量上有差异，因此也应该依照训练集合中各种分类的文件数量，选取不同数目的最近邻居，来参与分类。 　　1969年 马文·明斯基将感知器兴奋推到最高顶峰。他提出了著名的XOR问题和感知器数据线性不可分的情形。 　　明斯基还把人工智能技术和机器人技术结合起来，开发出了世界上最早的能够模拟人活动的机器人Robot C，使机器人技术跃上了一个新台阶。明斯基的另一个大举措是创建了著名的“思维机公司”（Thinking Machines，Inc．），开发具有智能的计算机。 　　此后，神经网络的研究将处于休眠状态，直到上世纪80年代。尽管BP神经的想法由林纳因马在1970年提出，并将其称为“自动分化反向模式”，但是并未引起足够的关注。

　　某杂志报道称，惠普、戴尔、EMC、英特尔都是计算机硬件巨头，但是和10年前相比，它们已经大不一样了。事实上，和5年前相比它们也有了很大的变化，与几个月之前都不同了。 　　硬件巨头们清楚知道，技术版图正在快速改变。智能手机、平板崛起，PC不再那么重要了。谷歌、亚马逊、微软及其它企业提供了云计算服务，许多企业即使不购买数据中心硬件设备，也可以制作网站、开发软件。当客户真的需要硬件时，它们会寻找一些不同的产品，这些产品来自大型互联网公司，比如Facebook和大型云计算提供商。惠普、戴尔、EMC和英特尔虽然看到了趋势的转变，但是它们仍然没有搞明白应该如何应对。 　　曾经，硬件企业认为要改变自己，最好的办法就是变成软件企业。2010年，世界最大的计算机芯片商英特尔收购安全软件商McAfee，价格高达76.8亿美元。一年之后PC与服务巨头惠普收购大数据公司Autonomy，价格111亿美元。在过去几年里，PC服务器巨头戴尔也花了几十亿美元收购软件公司。可惜的是没有一宗收购真正成功。今年夏天，戴尔放弃了软件子公司，上周，惠普企业（HP Enterprise）向Autonomy说“再见”，它将软件部门卖给了Micro Focus。同样的，英特尔也剥离了McAfee。 　　戴尔与惠普仍然认为它们可以变成云企业，但是这种策略没有成功。无奈之下，它们只好再一次重组。惠普一分为二，本周，惠普又从三星手中收购了打印机业务。戴尔与EMC合并。与此同时，英特尔收购了许多企业，这些企业开发各种类型的芯片。既然无法变成软件公司，硬件公司只好回到老路：继续搞硬件。简单来讲，硬件企业不知道如何做才能追赶未来的技术浪潮。英特尔知道自己应该怎么做，其它企业呢？不清楚它们是否已经找到答案。 　　收购狂潮 　　当市场转变时，一些企业可以改变自己。大约15年前，IBM将自己变成了完全不同的企业。2002年，IBM收购IT顾问公司Pricewaterhouse Coopers，3年之后，它出售了PC业务。在随后的几年里，IBM专心向大企业提供硬件、软件和顾问服务，这招居然管用。 　　PC越来越商品化，PC市场也日渐没落，企业IT成为一项高利润业务。 　　当市场从PC向手机和平板转移，其它计算机巨头也采取了相同的策略。戴尔疯狂收购，例如，它买下了数据库软件开发商Quest、网络安全企业SonicWall、云管理公司Enstratius。英特尔吞下了McAfee。惠普的做法最激进。2011年，惠普CEO李艾科（Leo Apotheker）宣称公司会分拆并出售PC业务。一个月之后，李艾科被炒，惠普拿出新方案，准备分拆PC部门。一夜之间让公司改头换面，投资者吓倒了，惠普的确需要改变，形势越来越紧急。 　　从2010年开始，云计算改变了企业IT领域，所有企业都需要改变——再一次改变。英特尔做得比较成功，它成为互联网企业的主要芯片供应商，谷歌、亚马逊、微软、Facebook都是它的客户。英特尔为云计算提供“计算力”。大型互联网企业将英特尔芯片装入服务器、数据存储设备，抛弃了惠普、戴尔、存储巨头EMC。 　　最终惠普一分为二，一家是HP Enterprise，专注于企业硬件和软件，一家是HP Inc.，专注于PC和打印机，可惜的是两家公司都发展不好。亚马逊统治了云计算产业，其它领域被谷歌和微软掌控。微软也在改变，只为适应新时代，虽然惠普与微软都存在许多的问题，但是微软要比惠普、戴尔健康得多。惠普不只犯了错，还付出了昂贵的代价，收购Autonomy就是最大的错误。 　　寻找新方向 　　最近几年，戴尔、EMC、惠普、英特尔汲取了教训，它们知道要变成软件公司绝非易事。我们应该宽容一些，毕竟其它企业也犯了同样的错。谷歌与微软曾经尝试变成硬件公司，结果失败了。例如，谷歌收购了摩托罗拉移动，但最终却将它出售给联想。微软收购诺基亚，结果白白烧掉了许多钞票。 　　对于戴尔、EMC、惠普和英特尔来说，不清楚未来的发展方向是最大的问题。英特尔不应该收购McAfee，它真正应该关注的是手机。惠普不应该收购Autonomy，它应该重视的是云计算。 　　幸运的是英特尔看到了未来的方向：AI（人工智能）。就在剥离McAfee的同时，英行尔收购了Movidius，这家公司开发AI芯片，用于无人机、智能手机及其它产品。通过本次收购，英特尔在移动产业找到了立足之地。上个月，英特尔收购了一家名叫Nervena的公司，它为服务器开发AI芯片。去年，英特尔花费167亿美元收购Altera，它的芯片也具有AI元素。一连串的收购还是有意义的，因为这些企业的业务很接近英特尔的核心业务。惠普呢，它向打印机业务投入资源，而打印机并没有光明的前途。

　　最近一段时间数码圈大事件不少，可能大部分看客都被苹果吸引走了目光，对iPhone 7毫无期待的我却一直在观察NVIDIA和英特尔的口水战和他们背后的缠斗。 　　大数据、人工智能成巨头争抢的香饽饽 　　随着智能硬件设备爆炸式的增长，数据的激增速度超乎你的想象。这些数据用来干什么？每个智能硬件设备的公司都期待产品数据能够得到最大化利用，对用户使用习惯进行分析处理，进而帮助产品进一步提升智能程度。这一系列的需求不仅仅是智能手环手表所需要的，智能家居、无人驾驶、机器人未来这将成为生活当中的方方面面。 　　那么作为人工智能、深度学习等方面的基础，处理器、GPU和算法究竟如何布局如何搭配才能获得市场主动权从而提前赢得未来，这是英特尔和NVIDIA都在掂量的事儿。 　　在上个月刚刚举行的IDF上面，英特尔更是直接把会议主题完全导向大数据、人工智能、深度学习这几个热点上面。接连几次大手笔收购也看出英特尔的决心。问题是NVIDIA不会让英特尔舒舒服服，频频在这一领域有所动作，NVIDIA把英特尔搞得着实很紧张。 　　NVIDIA大肆宣扬GPU在深度学习上碾压CPU 　　 　　为什么以往做GPU的NVIDIA和做CPU英特尔能够井水不犯河水，还能愉快合作，如今却愈发针锋相对。这主要还是因为大数据处理、人工智能、深度学习这块领域所依赖的硬件相比较传统电脑有所区别。 　　根据NVIDIA的说法，GPU在深度学习方面的处理效率是CPU的数倍，甚至是秒杀英特尔引以为豪的至强处理器。在人工智能领域，芯片处理效能和算法优化的作用可以说是各占50%，但在芯片的层面上，业界比较普遍的认识是GPU在人工智能、深度学习算法上的优势远高于CPU。正是因为这个原因NVIDIA才能够在人工智能和深度学习上面势头强劲。 　　总的来说GPU面对CPU，主要存在4个优势：1、GPU天生为并行运算优化，而CPU天生为串行指令优化，人工智能恰恰更需要强大的并行能力。2、相同的芯片面积下，GPU上可以集成更多运算单元。3、GPU的能耗远低于CPU。4、GPU拥有更大容量的存储结构，对于大量数据有缓存优势。 　　上半年，NVIDIA刚刚为深度神经网络推出了Tesla P100 GPU，并基于此开发了深度学习超级计算机NVIDIA DGX-1。从媒体曝光的照片来看，黄仁勋亲自把DGX-1超极计算机签上名字交付给了马斯克。钢铁侠的原型、Tesla和SpaceX的CEO这是我们熟悉马斯克的标签，实际上他也是OpenAI项目的团队领导人，这个团队正在致力于人工智能开发，但马斯克究竟用这台NVIDIA全新的超级计算机干嘛这我们不得而知。 　　NVIDIA与IBM联手对付英特尔 　　 　　在服务器领域英特尔一直是一家独大，这毋庸置疑，IBM Power和ARM两家阵营只有微乎其微的份额。但是到了人工智能和深度学习这块，似乎英特尔的优势立刻消失了。而且IBM已经与NVIDIA推出几款新的服务器！这几款产品都针对人工智能领域，据IBM官方宣称，其在数据处理速度上比其他平台快5倍，与英特尔的x86服务器相比，每美元的平均性能可以高出80%。 　　除了Power处理器本身并行原理在支持大数据运算的时候有助于数据的分割多进程处理，这点比英特尔x86架构处理器有一些优势。另外就是Power在与NVIDIA的Tesla P100之间的协同工作上的效率格外高，多的技术细节我就不再这里阐述了，主要一个原因Power处理器能够对NVLink端口进行良好支持，这个端口的带宽达到40GB/s，比目前x86在用的PCI-E（仅16GB/s）更高效，从而让Power处理器与NVIDIA的GPU之间交换数据更高效。单单是接口从PCI-E迁移到NVLink，性能提升就可以达到14%。 　　说得白一点，鼓捣来鼓捣去很可能两家联手将英特尔在新市场中斩落。所以英特尔不能不急，不可能不紧张。 　　英特尔说深度学习只是一方面 　　 　　面对NVIDIA和IBM等巨头的步步紧逼，英特尔也不能不作声。不管是从最近的IDF上，还是从媒体沟通环节上，英特尔都一再表态，深度学习只是人工智能的一环，一个方面，那不能代表全部。 　　在深度学习上，英特尔的确遇到了NVIDIA这个劲敌，那么英特尔的优势在什么地方？全面的技术沉淀！是的，致力于端到端的全面解决方案，这是英特尔反击的底气。 　　目前英特尔从数据感知源头（RealSense实感技术等）、数据的存储（Xpoint非易失性存储技术）、数据的传输（下一代5G网络）、云服务再到后端的数据分析处理（服务器、至强处理器等），这是一个完整的闭环，是能够给用户提供端到端的全面服务，这是仅仅在深度学习领域刚有建树的NVIDIA难以短期实现的。那么英特尔一定会利用好全面的端到端服务布局，更多为相对被动的深度学习一块慢慢补齐不足。

　　《福布斯》网站日前发表文章，介绍了美国无人机公司3D Robotics失败的前因后果。不到两年之前，这家公司的前景还一片光明，但现在它已经彻底退出了无人机制造领域，在与中国无人机厂商大疆创新的竞争中败下阵来，沦为一家挣扎求生的软件公司。以下为原文内容： 　　去年3月晴朗的一天，克里斯·安德森（Chris Anderson）带着美国记者赴加州伯克利3D Robotics总部的户外场地，谈论飞行机器人的未来。 　　3D Robotics当时是北美最大的消费级无人机制造商，而安德森是《连线》杂志的前主编，也是《纽约时报》畅销书《长尾理论》的作者。 　　他自信地对记者说，无人机市场的规模可达数十亿美元级别，3D Robotics已经做好了抓住这个机会的准备。 　　如今，无人机或许仍然是一种极富价值的消费级技术，就像个人计算机或智能手机，但3D Robotics的前景却已经变得混浊而黯淡。过去12个月里，该公司已经从美国无人机初创领域的领军者沦落到挣扎求生的地步。3D Robotics已经裁员150余人，烧钱烧掉差不多1亿美元，还彻底转变了经营策略，这一切都是不良的管理、失败的策略，和莽撞的预测造成的。 　　硅谷狂妄自大症 　　《福布斯》采访了10名3D Robotics前员工，希望了解该公司陷入困境的始末。很多人说，直到今年年初，他们才发现公司遇到了困难。圣诞购物季期间销售状况不佳，而竞争对手却在迅速崛起，这让安德森和他的管理团队不得不撤离消费级无人机领域。还有人说，差不多去年这个时候，他们就觉得3D Robotics注定会失败，当时公司的第一款大众市场无人机在生产环节中问题重重。 　　“这就是典型的硅谷狂妄自大症。由于无能，公司犯下了价值1亿美元的错误。”一位前雇员说。他仍然在无人机行业工作，因此不愿具名。 　　在鼎盛时期，3D Robotics曾在湾区、奥斯汀、圣地亚哥和蒂华纳设有办事处，共有员工350余人；高通风投、理查德·布兰森和True Ventures等投资者给该公司的估值是3.6亿美元。安德森认为消费级无人机空间竞争较少，希望开发能够吸引普通消费者以及公司的飞行机器人。他离开《连线》杂志，全力投入到3D Robotics公司的时候，勾勒了这样一幅图画：孩子们在公园里玩飞行机器人，农民和建筑工人则使用它们来巡视玉米田，查看施工现场。 　　3D Robotics打算研发的Solo就是这样的无人机。它是一架黑色的四轴飞行器，其开源软件平台可供外部开发者开发应用。但2015年4月首次亮相的Solo最终却成了失败者。它失败的原因包括生产延期、组件问题较多，以及来自中国无人机公司大疆的竞争。大疆公司不仅产品价格更低，而且开发新产品的速度也更快。

　　据英国《每日快报》报道，最有希望的美国总统候选人Zoltan Istvan警告称，人工智能（AI）的研发将对人类产生最大的影响。全球的科学家们都在疯狂的研发着人工智能技术，这项技术意味着机器或者软件能够表现出与人类相当的智慧。 　　许多专家都对于研发人工智能提出了警告，因为它事实上能够让人类遭到淘汰，因为它们能够取代我们的工作，而且最终把我们视作一种障碍。作为超人类主义者，Istvan先生希望能够通过科技将人体与机器融合，彻底改变人类和人类的体验。他声称人工智能将被用于军事领域，而且比核弹的研发更值得注意。 　　Istvan先生对《每日快报》记者称：“如果我明天成为了总统，我会投入大量的资源进行人工智能的研发，因为我发现无论谁最早控制人工智能或者控制最聪明的人工智能，或许都将很快在全球军事领域占据领先地位。” 　　他声称：“如果你的机器能够编写病毒或者黑入其它任何机器，那么你就比其它任何政府都拥有明显的优势。无论谁首先获得人工智能，都将最终成为世界领袖。当美国在日本投下原子弹的时候就改变了军事格局。而第一个批人工智能将是日本核弹爆炸的五到十倍威力。” 　　他认为全世界政府应当成立一个联盟来研发人工智能，因为这项技术需要小心翼翼的进行监控。Istvan先生称：“对我来说，一个民主国家首先研发人工智能是非常重要的，因为我们需要让它成为一种民主力量，而非一种军事力量。” 　　当问及人工智能是否有可能反叛人类时，Istvan先生回应称：“这就是为何我认为成立一个国际联盟来研发人工智能才是最佳选择的原因。我并不清楚未来会发生什么，人工智能能够一晚上自我升级十次，那样就会比我们人类还要聪明。它会给军方甚至是全人类都带来巨大的问题。”