2019手机厂商普遍“996”强推这三大技术

发布时间: 2019-04-20 14:46:13

  2018年手机市场杀成了血海,总体出货量的下降让各家都有压力,2019年Q1在不经意之间就过去了,手机新品有什么看点,市场趋势又指向何方?跟随这篇文章,一探究竟。

  从今年的OPPO在MWC上推出的10倍混合光学变焦技术,到华为P30 Pro的5倍光学、10倍混变、50倍数码变焦,都能看出手机厂商在把超广角、AI拍照玩得溜溜之后,开始转向更高阶摄影爱好者的诉求——长焦。似乎有了高倍长焦手机,这个星球上没有什么距离是搞不定的。

  要实现长焦,在越来越薄的手机里非常困难,这就需要一个突破性的方案了,这就是潜望式设计。通过棱镜的光路折射,使镜头横置于机身,这样不需要很厚,就能实现长焦拍摄,相当于把厚度的问题在机身内部从过横置消化了。

  多摄、IP68级防水之后,19年厂商们开始出来用“折叠屏”来秀肌肉了,2月三星、华为已经拿出了成形产品,一个向内翻、一个向外翻,三星Galaxy Fold、华为Mate X在互联网快速收割技术流量。

  供应链层面,柔性屏将走向多元化进程,随着各家产品的出现、不断成熟,对柔性屏的需求将会增多。有分析指出OLED供应链目前最大的痛点在于生产制造成本,包括前道TFT制程半导体设备,中道蒸馏和封装设备,每年需要往里投100亿美元,这个支出对任何企业来说无疑是巨大的,且未来的订单量目前还不容易估算。

  随着华为(京东方)、努比亚(维信诺)、小米(维信诺)等终端开始部署,A股柔性屏概念股大幅上涨。

  近日,华为副董事长胡厚崑今日在华为分析师大会上表示,5G来得比想象中快得多,只需要3年就可以实现达到5亿用户。同时,胡厚崑还提到,截至目前华为已经有40个5G商用合同。

  此时,广州作为全国首批5G试点城市之一,已经成功拨出第一通5G电线G示范网络”正式宣布开通,广州高新区、开发区、黄埔区正加快网络布局,预计2019年建成3500座5G基站。

  手机终端品牌从去年开始,在5G技术研发、5G终端产品方面开始逐渐加快脚步。联想集团副总裁、联想手机负责人常程在微博上爆料,联想Z6 Pro将会支持5G网络。

  华为方面除了5G芯片相关业务在快速推进,终端方面也在上半年有不小的动作。华为消费者业务CEO余承东表示,华为首款5G手机为Mate X折叠屏手机,将在今年6月上市。

  更早以前,OPPO携Reno 5G版成为了瑞士电信5G商用首批合作伙伴之一。在国内,OPPO的5G星火计划针对OPPO老用户展开,让老朋友率先体验OPPO Reno 5G版本。

  OPPO沈义人曾表示,OPPO将围绕5G、AI、影像、云、新材料这5大技术主航道,进行研发投入,总规模超过100亿元。

  这个月,中兴官方放出消息,Axon 10 Pro 5G版本将会在5月上市。

  Axon 10 Pro 5G在今年的MWC2019大展上已经亮相,该机采用了6.47英寸全曲面屏,3D深弯四曲面玻璃,搭载Axon Vision独立视效引擎,支持屏下指纹识别。

  三星方面,有爆料称Galaxy Note 10的产品主型号为SM-N970和SM-N975,此外还会有有两款5G版推出,时间点应该在8月或9月。

  除了以上提到的品牌,还有不少中国手机品牌都在积极部署5G终端,抢先很大程度上就是领先

  高倍拍摄、柔性屏、5G,2019年第一季度智能手机主旋律已然奏响,供应链、终端、渠道、消费开始活跃,新的换机潮到来之前,厂商们的这些快速行动成为最近三年同期市场最佳状态。

AI新贵上位记:图网络是怎么火起来的?
  你的困惑,来自于无路贴近未知。我们在技术、思想、传播的异界,贩来极限脑量下的TMT。

  这顶“桂冠”只有两位候选人:俗话说,前端能打看BERT,底层深度看图网络。

  其实并没有这句俗话……但是BERT和图网络在今天的AI界并驾齐驱,堪称被讨论最多的两种技术,这一点是毫无疑问的。

  谷歌的BERT作为一种算法模型,在语言任务上展现出了不讲道理的应用效果,熠熠夺目自然很容易理解。

  但另一个最近大家听到很多次的词,图网络,可能就没那么容易理解了。相比某种算法,图网络更像是一个学术思考下若干种技术解决思路的集合,非常抽象和底层。它的价值到底在哪?为什么甚至能被抬高到“深度学习的救星”这种程度?

  我们发现,目前关于图网络的解释,大多都是从论文出发。非技术背景的读者可能会看得有点晕。所以这里想用一些“大白话”,来描述一下:风口浪尖上的图网络,究竟有什么秘密?

  所谓图网络,并不是指有图片的网站……而是指基于图(Graph)数据进行工作的神经网络。

  Graph,翻译成“图”,或者“图谱”。这是一个数学概念,指由顶点(nodes)和边(edges)构成的一种数学关系。后来这个概念引申到了计算机科学中,成为了一种重要的数据形式,用来表示单元间相互有联系的数据网络。

  此外,这个概念还引申到了生物学、社会科学和历史学等无数学科,甚至变成了我们生活中的常见概念。在警匪片里,警局或者侦探办公室的墙上,往往挂着罪犯的关系网络图,这大概是我们生活中最常见的Graph。

  回到计算机科学领域,图数据和基于图的分析,广泛应用于各种分类、链路、聚类任务里。人工智能领域有个重要的分支,叫做知识图谱。基本逻辑就是将知识进行Graph化,从而在我们寻找知识时,可以依据图谱关系进行追踪和定位。比如我们在搜索引擎中搜某个名人时,相关推荐会跳出来跟这个人字面意义上无关的其他人。这就是知识图谱在起作用。

  大家可能知道这样一个“唱衰AI”的小故事:用机器视觉技术,AI今天可以很轻松识别出来一张照片上的几张人脸。但它无法像真人一样,一眼看出来图上是朋友、恋人还是家庭聚会。

  换句话说,一般意义上AI无法获得和增强用人类常识去进行逻辑推理的能力。很多人以此判断,今天的AI并不怎么智能。

  如果把图/图谱作为AI的一部分,将深度学习带来的学习能力,和图谱代表的逻辑关系结合起来,是不是就好很多?

  事实上,Graph+Deeplearning并不是一个全新概念。最早在2009年,就有研究提出了二者的结合。近几年这个领域陆续在有研究出来。对于这个组合产物,学术界有人称之为图卷积网络(GCN),也有人称呼其为图神经网络(GNN)或者图网络(GN,Graph Networks),其技术内涵和命名思路也各不相同。这里暂且使用图网络这个笼统称呼。

  图网络作为一种新的AI研究思路,之所以能够在2018年被点燃,很大程度还是号称AI扛把子的DeepMind的功劳。

  在火种抛出、全球跟进以及反复争论之后,图网络变成了AI学术圈最靓仔的那个关键词。今天大有一种,聊深度学习不说图网络就很low的感觉……

  这句话怎么琢磨都有问题。因为从图网络在去年被“翻新”出来那一刻,它在本质上还是对流行的多层神经网络的一种补充。

  举个例子,假如我们想让教育我们的孩子,让他认识新来的邻居一家人。我们应该怎么办呢?可以选择给他讲,隔壁新来了某个小朋友,他爸爸是谁妈妈是谁。但是这样不直观,孩子很容易记不住。而更快的方式或许是拿着照片给他看,告诉他照片上的人都是什么关系。而在这个工作之前,其实我们已经完成了一个先觉条件:我们已经告诉过孩子,爸爸妈妈爷爷奶奶这些称呼,分别指代的是什么意思。他理解这些“边”,然后再代入新邻居一家人具体的样貌性格交谈作为“顶点”,最终构成了对邻居一家这个“图”的网络化认识。

  而我们在用深度学习教导AI时,往往是省略掉第一步。直接给出大量照片和语音文字资料进行训练,强迫AI去“记住”这一家人的关系。然而在AI缺乏对家庭关系的基本常识情况下,它到底能不能记住,是怎么记住的,会不会出现偏差,其实我们都是不知道的。

  所以图网络的思路是,首先让AI构建一个“图”数据,先理解爸爸妈妈这一类关系的含义,再去学习具体的家庭数据。这样AI就可以依靠已经积累的节点间的消息传递性,来自己推理下一个要认识的家庭究竟谁是爸爸谁是儿子。

  这也就意味着,图网络某种程度上有了自己推理的能力。如果将这种能力推而广之,AI就将可能在非常复杂的联系和推理中完成智能工作。

  前面说了,这个领域的工作其实一直没有停止。但是之所以没有广泛流行,一方面是因为这个领域相对小众,缺少重磅研究来引发大家的关注;另一方面也是因为看不见摸不着,缺少开源模型来检验理论的正误。

  这篇文章中,DeepMind不仅提出了新的算法模型,希望能用图网络实现端到端的学习;同时也总结归纳了此前图网络各个流派的研究方法,并将其在新算法上进行了融合。

  在这个有点承上启下意味的研究出来后,大量关于图网络的综述、应用检验,以及新算法的探讨开始在学术界萌生。随着全球AI圈的共同发力,这门AI技术新贵正在尝试走向台前。

  近的方面,有一些AI要面对的任务,天然就属于图结构数据。因此用图网络来学习和处理可谓事半功倍。比如说社交网络、智能推荐、化学分子预测、知识图谱等领域,都被证明可以广泛应用图网络技术来提升智能化效率,降低算力消耗。

  而在非结构化数据,比如语音、文本、图片等场景,图网络可以用来提取结构化信息。比如在图片中更好地识别家庭成员关系,认识图片中正在发生的行为等等。此外,图网络还能为数据的优化组合提供更加智能化的应用。

  而从长远方面看,图网络是对图谱技术和深度学习技术两个技术领域的融合与再拓展。这不仅让沉睡已久的,AI中的知识表示流派具备了复活的潜力。更重要的因素在于,图网络可能让深度学习打开因果推理这扇大门。

  具体一点,作为一种底层逻辑上的更新,图网络似乎可以起到对深度学习几个原生缺点的弥补:

  “臭名昭著”的深度学习黑箱,来自于大量非结构数据输入之后,算法进行归纳的逻辑无从掌握。而图网络可以操作知识的归纳逻辑,看出行为的因果关系,显然对是黑箱性的一次突破。

  在机器视觉领域,AI另一个广为人知的问题,就是对对抗攻击的低抵抗力。比如AI本来已经认识这是鸟了,结果照片上沾一个黑点,它又不认识了。这个问题来自于AI本身识别的是像素,而不是物体概念本身。图网络如果将物体关系带入其中,或许会让AI的视觉判断力更像人类。

  深度学习的另一个问题,就是很多算法必须经历超大规模训练来提升精度。而这也是对算力和数据的暴力消耗。如果能让AI具备逻辑上的迁移可能,那么具备人类常识的AI,将可以在很小的数据样本中完成相对复杂的工作。

  我们知道,AI今天的主要能力是识别和理解,而推理是其若想。假如图网络弥补了这一弱势,是否意味着AI将从单体智能向通用智能走上一步呢?

  这么多价值的图网络,显然想不火都难。2019年,或许将是图网络放出更多光芒的一年。

  然而也别太乐观,这个更多光芒完全是个相对值!虽然今天很多声音高调吹捧图网络的价值,但要看到,图网络并不是AI的万能 钥匙。

  虽然今天产业端对于图网络的应用还没有怎么被提及,但就我所接触过的AI学术界人士,确实普遍对图网络报以非常强烈的兴趣。

  当然了,对图网络的争议今天也普遍存在。整体而言,对它的整体评价分为了三个流派:

  1、悲观派。有一种观点认为,图网络无非是对深度学习劣根性打的一个补丁,属于深度学习走不下去了,打算绕绕路。而且这个补丁并没有被证明有效。今天还只是停留在概念和浅层实验阶段。

  2、客观派认为,图网络是深度学习发展的必然趋势和重要补充,恰恰证明了AI作为一种底层技术正在不断发展成长,拓展自己的边界。不管图网络是不是真的能做到畅想的一切,至少证明了深度学习体系在今天是有发展能力的。

  3乐观派则提出,图网络的关键意义,是让AI能够获取常识和推理能力,这种能力显然是人类智能的一个重要代表。我们一直期待的AI走向通用化的强人工智能,会不会就从图网络开始呢?在他们看来,图网络是关乎于AI去往下一个时代的关键开关。

  总体而言,图网络是一种对今天流行的AI体系,从技术思想,到技术逻辑的一次重要修补和升级。它在某种程度上是一个未来,但今天还缺乏实践检验和有效工作。

  在实践中,图网络的限制还非常多。比如其表示能力不足,无法承担太复杂的图结构数据。并且对计算复杂度要求很高,对今天的计算架构又提出了新的挑战。

  而且图网络主要解决的是AI对结构化数据的处理,而在动态数据、大规模数据、非结构化数据等领域,图网络的作为依旧有限。

  再一个,虽然AI是一个高度产学一体化的学科,从前瞻性研究到技术实践的周期已经被大大缩短。然而要客观看到,二者并不是无缝对接的,从算法理论提出到实际应用,还是会有一个比较长的蛰伏期。我们不能指望去年的AI学术明星,今年就走进千家万户。

  总之呢,这是个让人动心的技术,但今天还仅仅是发现了藏宝图。真正的宝藏,大概还在千山万水之外。

  本文系脑极体授权世界经理人发布,并经世界经理人编辑。文章内容仅代表作者独立观点,不代表世界经理人立场,如需转载请联系原作者获取授权,并请附上出处(世界经理人)及本页链接,推荐关注微信公众号(ID:CEC_GLOBALSOURCES)

  © 世界经理人:自1999年创立以来,世界经理人网站(致力于引导职业经理人实现卓越管理,以专业的形象为经理人用户全方位提供最佳管理资讯服务和互动平台。

谷歌AI道德委员会解散如何让人工智能明辨是非?
  据外媒报道,3月26日,Google全球事务高级副总裁Kent Walker在Google博客中发文宣布,为了贯彻落实Google AI七原则,完善相关的内部治理结构和流程,成立ATEAC委员会,用来处理人工智能中的棘手问题。

  委员会设置8名成员,有经济学家、有心理学家、有美国前副国务卿,但成立不到一周,一位专家自愿退出。在本周,谷歌员工发起了一项请愿,要求该公司撤换另一名委员会成员,因为他反对保障同性恋和变性人同等权利的法律。

  为了回应抗议,谷歌决定完全解散这个名为先进技术外部咨询委员会(ATEAC)的团队,并在声明中称:“很明显,在当前的环境中,ATEAC不能按我们所希望的方式运行,所以我们要解散它,并回到原计划上来,我们将继续在AI带来的重要问题上进行我们的工作,并将找到不同的方式来获取外部对这些问题的意见。”

  虽然谷歌的AI道德委员会成立一周就土崩瓦解,但这并不意味着人工智能道德委员会的失败和无意义。实际上,人工智能道德委员会的存在尤为必要。AI伦理问题究竟何去何从依然值得深思。

  早到艾萨克·阿西莫夫(Isaac Asimov)提出“机器人三定律”,再到《西部世界》、《机械姬》、《黑客帝国》、《终结者》等影视剧都对人工智能伦理问题做出了思考,人工智能可以解放人类劳动力,但也有可能损害人类的利益,将大众引向深渊。

  人工智能的算法来自于数据,当数据里带有潜在的价值观倾向,隐含着偏见等问题,被系统学习吸收,谁来维持民众的共识,保证社会的公平?当机器自我进化拥有了自主意识,脱离人的控制,人类作为其生产创作者,是否依旧能够稳稳地掌握全局?当不成熟的人工智能技术陷入异常,造成失误,甚至非法入侵而伤害人类,谁该为此承担责任?

  像谷歌自动驾驶汽车造成人员伤亡、机器人伤人事件、保险公司利用脸书数据预测事故发生率涉嫌存在偏见等都现实中的失败案例,也是人工智能存在伦理和道德风险的例证。

  面对人工智能引发的伦理问题,科技巨头们纷纷成立伦理委员会应对挑战。2016年,亚马逊、微软、谷歌、IBM和Facebook联合成立了一家非营利性的人工智能合作组织(Partnership on AI),而苹果于2017年1月加入该组织。

  在科技巨头们的共识里,与其靠外界强加约束AI发展,不如先成立伦理委员会自主监督。AI道德委员会是一种监督保障,更是风险评估标准。它能够帮助人工智能公司做出道德决策,使社会受益。

  就像麻省理工学院情感计算研究组主任罗萨琳德·皮卡德教授所言,“机器越自由,就越需要道德准则。”而学者们也给出了让人工智能规避风险的新思考。

  《道德机器:如何让机器人明辨是非》中美国认知科学哲学家科林·艾伦和技术伦理专家温德尔·瓦拉赫强调了两个维度——针对道德相关事实的自主性维度和敏感性维度,给出了一个关于日趋复杂的AMAs(人工道德智能体)轨迹的理解框架,以“评估它们面对的选项的伦理可接受性”。他们认为“自上而下”和“自下而上”相混合的模式是机器道德发展模式的最佳选择。即将从数据当中学习经验的自下向上和用确定的规则进行预编程自上向下结合起来。

  美国机器智能研究院奠基人尤德科夫斯基提出了“友好人工智能”的概念,认为“友善”从设计伊始就应当被注入机器的智能系统中。

  2017年12月12日,电气电子工程师学会(IEEE)发布了《人工智能设计的伦理准则》(第2版),提出合乎伦理地设计、开发和应用人工智能技术应该遵循以下一般原则:人权——确保它们不侵犯国际公认的人权;福祉——在它们的设计和使用中优先考虑人类福祉的指标;问责——确保它们的设计者和操作者负责任且可问责;透明——确保它们以透明的方式运行。

  各国的学者、专家不断提出关于人工智能的新伦理原则,但以人为本的理念始不曾改变。欧盟在近日也提交了他们对于人工智能伦理的答卷。

  4月9日,欧盟发布了AI伦理指导方针,作为公司和政府机构未来开发AI时应遵循7大原则,呼吁“值得信赖的人工智能”。“可信赖 AI”是对人工智能时代的道德重建,为AI的发展指明了一条合乎伦理的方向。

  欧盟 AI 道德准则草案指出,可信赖的 AI 有两个组成要素:一、应尊重基本权利,适用法规、核心原则和价值观,以确保“道德目的”(ethical purpose),二、兼具技术鲁棒性(robust)和可靠性,因为即使有良好的意图,缺乏技术掌握也会造成无意的伤害。

  人类作用和监督:人工智能不应该践踏人类的自主性。人们不应该被AI系统操纵或胁迫,而且,人类应该能够干预或监督软件做出的每一个决定。

  技术的稳健性和安全性:人工智能应该是安全的、准确的。它不应该易于受到外部攻击(例如对抗性实例)的影响,而且,应该是相当可靠的。

  隐私和数据管理:人工智能系统收集的个人数据应该是安全的、私有的。它不应该让任何人接触,也不应该轻易被盗。

  透明性:用于创建人工智能系统的数据和算法应该是可访问的,软件所做的决定应“由人类理解和跟踪”。换句话说,操作员应该能够解释AI系统所做的决定。

  多样性、非歧视和公平性:人工智能提供的服务应面向所有人,无论年龄、性别、种族或其他特征。同样地,系统不应该在这些方面存在偏见。

  环境和社会福祉:人工智能系统应该是可持续的(即它们应该对生态负责)并“促进积极的社会变革”。

  问责制:人工智能系统应该是可审计的,并被纳入企业可举报范畴,以便受到现有规则的保护。应事先告知和报告系统可能产生的负面影响。

  有数据显示,美国人工智能企业数量2039家位列全球第一,中国(不含港澳台地区)有1040家,占全球人工智能企业数的一半以上,《2019年全球AI人才报告》则展示了全球36524位顶尖AI人才,一半以上在中美。中国与美国在AI领域的人才和企业上占尽了优势,可谓你追我赶,难分高低,欧盟从伦理角度切入,率先对人工智能的发展伦理做出规范,或许不失为一大良策。

相关热词搜索: