商业图谱什么意思-读《人工智能——李开复谈AI如何重塑个人、商业与社会的未来图谱》

关于知识图谱的几个问题

1为什么知识图谱对于机器实现人工智能如此重要呢

2自然语言的理解为什么需要知识图谱

3知识图谱为什么商业前景很好

读《人工智能——李开复谈AI如何重塑个人、商业与社会的未来图谱》

时下人工智能是非常热门的话题,尤其是2017年5月围棋程序AlphaGo战胜李世石的事件掀起人工智能的热潮。人工智能的发展,促使我们面对几个问题:人工智能是什么,有什么影响,如何应对作为人工智能领域的专家,产业推动者,思想布道者,李开复先生通过这本书解答了我们的问题。这本书内容丰富,几乎涉及到人工智能的方方面面,但是感觉结构有些松散。总的来说作为一本科普读物,还是给予我很多启发。

一、什么是人工智能

人工智能的概念从计算机发明之初就已经提出,图灵提出的图灵测试,就开始思考人工智能的发展并给出了测试方式。书中列举了历史上对于人工智能定义的演进过程,与定义的抽象相反,人工智能现在已经实实在在的在我们身边,例如智能助理、新闻推荐、机器视觉、AI艺术、新搜索引擎、阿尔法狗等。书中用高德纳技术成熟度曲线论证,现在的人工智能热潮与以往有本质的区别,它实现了语音识别、机器视觉、数据挖掘等多个领域追上甚至超过了正常人类水平,突破了心理阈值,进入真实应用场景,并与商业模式紧密结合,在产业界发挥真正的价值。

深度学习造就了当下的人工智能,是背后的关键技术。2006年,杰弗里辛顿及其合作者用一篇《一种深度置信网络的快速学习算法》的论文宣告了深度学习时代的到来。深度学习算法来自人工神经网络技术,技术灵感来源于对于人类神经节的沿着网状结构传递和处理信息的假说,历史上这个技术因为“异或难题”陷入停滞,直到1975年这个问题被解决,人们又开发出多层神经网络技术,到2010年后逐步成熟。

书中对深度学习这种神秘的算法作了形象且容易理解的介绍。从根本上来说,深度学习和所有机器学习方法一样,是用数学模型对真实世界的特定问题进行建模,以解决该领域内相似问题的过程。用人类小朋友学习认字的过程类比,计算机要总结出文字规律,以后看到类似的图案,按照之前总结的规律知道图案是什么,这个过程叫做“计算机学习”。学习对象叫做“训练数据集”,数据集中的数据通过“特征”区别,计算机“建模”来总结出模型。计算机学习有不同的算法,如决策树。深度学习的特点是在表达能力上灵活多变,同时允许计算机不断尝试,直到逼近目标。从数学的角度,深度学习与传统机器学习方法本质上没有实质差别,都希望在高维空间中,根据对象特征,将不同类别的对象区别开,但是他的表达能力比传统机器学习高明。具体一点来说,可以把学习的对象看成一大堆数据,把数据丢进一个复杂的、包含多个层次的数据处理网络(深度神经网络),然后检查经过这个网络处理得到的结果数据是不是符合要求,如果符合就保留模型,否则就继续调整,直到输出满足要求为止。书中举了水池阀门的例子。这种方式所需要的是计算机用特定的方式近乎疯狂的调节所有流量调节阀,不断试验,摸索,增加层数、变量数量,加大算力、加大数据量,直到凑出最佳模型。所以指导深度学习的基本是一种实用主义。

到这可以看出,深度学习算法有效发挥作用的前提,一是芯片计算性能、处理能力大幅度提升,二是因为互联网长夜发展带来的高质量海量数据。在这两个条件成熟后,基于深度学习的人工智能随之强大起来。

有点玄妙的是,深度学习算法很有效,但做出模型出来后,设计模型的人也无法能够说得清楚为什么,因果关系是什么。有史以来最有效的机器学习方法,在许多人看来是一个“黑盒子”,由此也会引发一个问题:人们开发出自己无法理解的程序,只知道它做了什么,但是不清楚它掌握的是一种什么样的规律,这种学习程序会不会失控

二、人工智能的影响

对于人工智能讨论的最热烈的应该是科幻**吧,《骇客帝国》、《攻壳机动队》、《我,机器人》、《终结者》,这个名单可以很长讨论了无数种可能。简单的归类,分为乐观和悲观两种观点。

人工智能对我们有威胁么**喜欢这种设置,人工智能发展超过了人类的控制,人类被赡养、奴役或者消灭。我觉得的确是杞人忧天了。

书中对人工智能进行分类:弱人工智能、强人工智能、超人工智能。书中观点是,我们现在能够看到的是弱人工智能,就是应用型人工智能,专注于且只能解决特定领域问题的人工智能;强人工智能,又称通用型人工智能,可以胜任人类所有工作的人工智能,具有在不确定环境下推理、策略、解决问题、制定决策、有常识、规划、学习、沟通等,强人工智能可以替代人类。但是这里,强人工智能是否有“意识”这个问题很复杂,如果人工智能有了自我意识,那么跟人类有区别么人和机器的关系,就不是人和工具的关系了;超人工智能,假设人工智能继续发展,可以比世界上最聪明的人,最有天赋的人还聪明,这个定义比较模糊,因为已经超过人类的理解,只能从哲学、科幻的角度去解析了。

书中有个关于是否奇点来临的讨论,前阵子很流行所谓“吓尿指数”,人们发现人类的科技水平是加速发展,且短短百年,人类已经远远超过了历史。因此人们也担心这种加速度趋势,会使得强人工智能和超人工智能快速发展,一旦奇点来临,人类命运是难以预料的,就像美洲土著无法预料科技先进的欧洲殖民者到底会带来什么影响。按照书中的观点,特定的科技如人工智能,在一段时间的加速度发展后,会遇到难以逾越的技术瓶颈,例如芯片性能。他的结论是,在一定时期内,都是人类的工具,很难突破人工智能的门槛。霍金的忧虑是机器与人在进化速度上的不对等,人工智能可以加速度进化,但是人类的进化有限。此外,还有失业问题。

总的来说,我赞同书中观点,在我有生之年可以见到弱人工智能的充分发展,也许可以看到强人工智能的出现,但是超人工智能还是在科幻**里。我们能够看到的,更大的可能是一个人与作为工具的人工智能协作发展的景象。

三、如何应对人工智能时代

人工智能时代到来是无法回避的客观事实,从乐观的角度来看,人工智能可能是人类社会全新的一次大发展,与三次工业革命一样重要,人类因此生活在完全不同的时代,个性和自由可以得到更大的发展。人们的联系的效率,生产的效率提高,引起的社会、经济的变化。顺应时代潮流是理性的选择。

首先面对的问题是工作,我们的工作会被取代么书中给出经验法则:“五秒钟原则”,如果人可以在5秒内对工作中所需要思考和决策的问题作出相应的决策,那么这项工作很有可能被替代。想一想自己的工作真是有点担心。但如果涉及到缜密的思考,周全的推理和复杂的决策,那么久是很难取代的。有专家认为,那些有清晰的评估标准,工作业绩可以被客观的衡量的,人工智能容易取代。在未来,无论什么样的层次工作,都会跟人工智能合作进行,以让高级人才发挥他们的技能特长,着眼于最不容易被自动化的工作。这种趋势已经很明显,各行各业都开始了AI+的过程。既然人工智能在某些领域会做的远远比人类好,我们要考虑的是作为人类的话要如何捍卫自己的价值。做那些人工智能做不好的事情,例如跨界推理、抽象能力、小样本和无监督学习能力、知其然知其所以然的能力、建立整体体系的能力、常识能力、自我意识、审美、情感等。

其次面临的问题是教育,我们需要什么样的教育书中从社会结构的角度来讨论这个问题,传统的社会结构是金字塔型,在人工智能时代,金字塔会更加合理和高效,底层从事基础工作、重复性劳动的人会减少,但金字塔不会坍塌,更多的可能是在现有基础上自我调整。乐观的来说,随着生产力的发展,更多的人从繁重的生计中解脱出来,可以或者说必须投入更加人性化的领域。因此,教育体制需要进行大调整,要培养更多博学、专深、领导、艺术人才,增强人机协作的技能。更多培养如思考、创造、沟通、情感交流、人与人的依恋、归属和协作、综合感悟和对世界的想象力等人所特有的能力。仅靠记忆和练习就能掌握的技能是最没有价值的,几乎一定可以由机器来完成。死记硬背的应试教育和计算能力是最无用的技能了。只有人的个性才是人工智能时代人类的真正价值。从表现形式来看,作者举了两个前沿的例子,一个是密涅瓦大学,一个是清华的的“姚班”,他总结人工智能时代的核心、有效的学习方法是,主动挑战极限,从实践中学习,关注启发式教育,互动式在线教育,主动向机器学习,学习人与机器的协作,学习要追随兴趣。找到一个不容易被机器替代的工作,无论是为了美还是为了好奇心。

书中也对未来产业发展进行了阐述。自动驾驶是人工智能最大的应用场景,充满想象。它会带动新的业态,新的基础设施建设,新的生活方式,这对我来说是个福音。作者还详细的阐述了自动驾驶技术的发展情况,他认为中国发展自动驾驶技术的优势是很大的,可以扮演关键角色。一个是因为法律和道德上宽容度更高,一个是基础设施建设是我们的长项。另一个人工智能目前被看好的是智慧金融。利用深度挖掘大数据,在量化交易,智能投顾,风险防控、安防和客户身份识别、智能客服精准营销等上具有优势;翻译、智慧医疗。智慧医疗是我很看好的,医疗资源紧缺,通过人工智能的辅助,可以提高效率和受众面,顶尖医生可以腾出精力来进行研究真正具有挑战性的科研。书中还对人工智能创业,从国家战略到企业层面进行了阐述,中国政府拥有更强大的执行能力,中国也有优秀的科研人员。此外,也还讨论了人工智能时代的信息安全问题的担忧和建议。

四、给我的启示

生活在这个时代是幸运也是不幸的。说幸运,是因为我们处于变革期,有机会看到未来颠覆性的发展。不幸是要调整自己面对不确定性,而且可能见不到“强人工智能”的充分发展和“超人工智能”。

乐观的来看,未来由于从低端的劳动中解脱出来,人可以投身内心真正渴求的工作,为自己的热爱而工作,生活体验将更加丰富多彩。人工智能将创造出更多的财富,大多数人可以更加自由的生活,将会有更好的新的社会福利体系。由于人工智能的出现,人再次确认自己的独特价值,就是有自主意识,可以解悟生命的意义和死亡的内涵,因为生命有限,才能使得思想和命运如此宝贵。书中引用法国哲学家布莱兹的话:“人只不过是一根芦苇草不过,人知道自己要死亡以及宇宙队他所具有的优势,而宇宙对此一无所知,因而我们的全部尊严在于思想”。不断提高自己,善于利用人类的特长,善于借助机器的能力,将是未来社会里各领域人才的必备特质。

同时,人工智能的发展必然会带来严重的问题,从历史上来看,生产力的发展,尤其是初期,会带来诸多社会问题,给当时的人们带来痛苦,新技术也未必会普惠到大多数人,可能会造成更大的社会不公。即使从目前来看,信息安全问题、接受的信息被过滤操纵(如剑桥分析事件)就非常严重,我们面临的危险更多了。

初识BioNano图谱技术

最近看文献,发现有的文章在组装过程中同时依赖了BioNano图谱和Hi-C技术来进行辅助组装,学习一下BioNano技术。

BioNano图谱也好,Hi-C也好,都是用来将Scaffold来锚定到染色体上,辅助组装。那么先回顾一下在这两个技术之前所用的方法。

1、传统锚定方法

传统的染色体锚定方法有基于物理图谱和遗传图谱的两种方式,前者主要是通过序列的重叠关系来确定Scaffolds在染色体上的位置信息,后者主要是利用减数分裂时期的姐妹染色单体联会后的重组率来判断Scaffolds在染色体的排序和方向。在实际操作过程中,传统的锚定方法存在实验难度大、成本高和实验误差大等问题。__

2、基于染色质构象捕获技术的锚定方法

Hi-C技术的基本原理如下:首先对处于生命状态的细胞使用交联剂将染色质固定,最常使用的交联剂是甲醛;接着利用限制性内切酶如HindIII酶切消化被固定的染色质;随后使用生物素标记的核苷酸填充黏性末端;在稀释环境中进行平末端填平反应,促进交联的染色质片段之间的连接;随后使用超声波对捕获_DNA片段进行打断处理,最后将被生物素标记的DNA片段通Illumina平台进行测序,得到全基因组染色质互作矩阵。将得到的DNA序列比对到参考基因组上,如果一对序列对应于不同位置的酶切片段,那么就认为这两个片段之间有一次染色质互作,从而能够构建基因组中所有酶切片段之间互作频率矩阵。

Hi-C技术产生的染色质互作呈现出随着距离增加而衰减的规律,也就是说染色体内部的相互作用强于染色体之间的相互作用,同一染色体上距离较近的互作强于距离较远的互作。正是基于这一规律,Hi-C技术可以用来锚定Scaffolds,同时可以指Scaffolds在染色体上的排序和定向。参考Hi-C测序及测序数据特征

3、基于光学谱图技术的锚定方法

光学图谱技术最早由Schwartz等(1993)发明,近期BioNanoGenomics公司推出的Irys光学图谱系统,才真正使光学图谱技术得到商业化应用(Lametal,2021)。Irys系统利用特定的限制性内切酶和特殊的荧光标记对长达几百kb的单链DNA分子进行成像,利用高质量图像使基因组结构通过酶切图谱的形式展现。

光学图谱的基本原理如下:

在大量细胞溶液中,DNA分子被随机剪切成为500kb左右的片段,随后通过微孔道DNA片段被拉伸,并且被附着到一个带有正电荷的玻璃支架上,接着利用特定的限制性内切酶在相应酶切位点进行切割DNA。将切割后的DNA分子用荧光染料染色后,在显微镜下拍照(图a-d)。Irys系统特有的超长读长可以轻松地跨越重复序列区域和一些包含复杂元件的DNA片段,这极大地简化了基因组的组装过程,提高基因组的组装效率,并且也很好的解决拼接缺口问题。光学图谱(BioNano)沿着几百kb的DNA分子产生小序列结构的物理图谱(如限制酶识别位点)(Lametal,2021),不仅可以对Scaffolds进行排序和确定方向,并且也可以进行基因组组装质量评估。光学图谱(BioNano)初期主要应用于基因组较小的微生物基因组组装领域,现在已经广泛地应用在植物基因组组装领域。

图a-dBioNano光学图谱构建示意图

Bionano技术简单来说,就是给分子加上荧光标记,然后拍照,所以最原始的下机数据就是TIFF格式,但是我们拿到的一般都是经AutoDetect/IrysView转换过的BNX格式。

Bionano光学图谱展现了天然DNA分子的真实景观。利用SPDNA分离试剂盒获得超长DNA分子,用直接标记染色法(DLS)进行无损荧光标记,通过纳米微流控芯片将每一条DNA分子线性化展开,并进行高分辨率荧光成像,为基因组学下游应用提供原始DNA景观。这一真实的基因组物理图谱,为基因组组装提供了染色体尺度的框架,并能高效检测到大片段纯合子和杂合子结构变异。

白菜参考基因组升级与染色质互作分析,张磊,2018

　　GPT模型的全称为“生成式预训练模型”，它是OpenAI公司的一个研究项目，旨在提高自然语言处理的效率和准确性。它是一种基于深度学习的人工智能模型，可用于各种自然语言处理任务，如文本分类、文本生成和翻译。

　　GPT模型使用了一种称为Transformer的神经网络结构，其中包含了多个编码器和解码器，用于处理输入文本和生成输出文本。该模型使用了大量的预训练数据集来训练模型参数，从而使其能够更好地理解自然语言。此外，GPT模型还使用了一种称为“自回归”的生成方法，这种方法可以保证生成的文本连贯、流畅。

　　由于其高效的处理能力和出色的性能，GPT模型已经在各种自然语言处理任务中被广泛使用。例如，它可以用于生成自然语言文本，如文章摘要、新闻报道和小说章节。此外，GPT模型还可以用于文本分类、情感分析和机器翻译等任务。

　　总之，GPT模型是一种出色的人工智能模型，它为自然语言处理任务提供了高效、准确的解决方案。随着技术的不断发展，GPT模型在未来可能会成为更多自然语言处理任务的首选算法。

清华大学首位人工智能学生“华智冰”形象，她的脸部、声音都通过人工智能模型生成。

华智冰是由清华大学计算机系、北京智源研究院、智谱 AI 和小冰公司联合培养，可以作诗作曲，生成图画，还将具有一定的推理和情感交互的能力，而她来到清华的第一年将通读“天下书”，不断地为其输入各种语料；第二年进入“精读”阶段，引导华智冰对语料背后的逻辑有更深刻的理解；第三年则培养她的创造力，从此有望在多项认知智能上超过人类。

老师唐杰透露，华智冰背后的“数字脑”不仅仅能搭载在实体机器人上，未来还能装在数字人、全息人、手机和电脑上，可以更加方便地进入人们的日常生活。

华智冰或将在物流、金融、陪护等行业中发挥相应作用；在即将到来的北京冬奥会上，华智冰或将以自己丰富的肢体语言为聋哑群体提供相应服务。

“华智冰虚拟数字人”的背后

在这生动的形象、声音背后，包括人工智能小冰的原有框架，也有中国首个超大规模智能模型“悟道20”。以“悟道20”模型为例，唐杰介绍，“悟道”超大模型智能模型旨在打造数据和知识双轮驱动的认知智能，让机器能够像人一样思考，实现超越图灵测试的机器认知能力。

“悟道”团队在大规模预训练模型研发上做了很多基础性工作，形成了自主的超大规模智能模型技术创新体系，拥有从预训练理论技术到预训练工具，再到预训练模型构建和最终模型测评的完整链条，从技术上是完整成熟的。

通过一系列原始创新和技术突破，“悟道20”实现了“大而聪明”，具备大规模、高精度、高效率的特点。据介绍，“悟道20”模型的参数规模达到175万亿，是人工智能模型GPT-3的10倍，打破了之前由Google Switch Transformer预训练模型创造的16万亿参数纪录。

以上内容参考 澎湃新闻－我是华智冰，现在清华"学习"！

业内皆知，作为人工智能领域发展最成熟，历史最悠远的分支之一，人脸识别有包括LFW和MegaFace在内的诸多国际级别赛事，而微软在去年提出的MS-Celeb-1M基准测试则被誉为人脸识别年度“世界杯”。就在最近，最新一届“世界杯”落下帷幕，更像是对“中美两国AI发展并驾齐驱”的某种印证，一家名为猎户星空的中国人工智能公司，在其中一个重要竞赛项目中夺得头魁。

考虑到赛事的权威性，在不少行外人眼中——在人工智能疾风骤雨般渗透进大众生活之前，上述结果委实有些意外。值得一提的是，借助计算机视觉领域顶级会议ICCV2017的平台，本届竞赛既包括大规模人脸识别竞赛（HardSet及RandomSet），还颇具新意地推出了更具挑战的小样本学习（Low-ShotLearning）竞赛，可谓近年来业内公认的含金量最高的同类赛事，这也自然招致全球各地人脸识别团队超强的“夺金”欲望，好在结果令人欣喜，至今不满一岁的猎户星空，获得了这项赛事识别子命题有限制类（只使用竞赛提供数据）第一名。

事实上，最近一周，这家初创企业出了不止一次风头。7月26日，传闻已久的小米AI音箱正式发布，后者采用360度远场语音控制，在提供在线内容的表层应用背后，这款音箱无疑承担了小米“智能家庭中枢”角色，是小米试图将整个生态链产品“连起来”的关键布局。而作为猎豹移动旗下人工智能子公司，猎户星空是小米AI音箱重要合作伙伴，为其提供了一套可以用“这个星球最温柔声音”回复用户的语音交互系统。

将时间轴拨回一个月前，作为猎户星空AI生态链上的第一款产品，他们联合喜马拉雅同样发布了AI音箱“小雅”，其背后技术核心，同样是猎户星空全链路自研的远场语音交互系统——尽管踏上AI音箱“风口”的企业有先后之分，但当他们在寻觅语音交互这块最重要的长板时，猎户星空都是他们最值得仰仗的嫁接对象。

而倘若将人脸识别“世界杯”的夺魁与语音系统放在一起考量，不难发现这家创业公司的迅猛之势。要知道，至少在现阶段，人工智能大概可分为语音识别，图像识别，语言理解和机器人等应用技术，其中语音识别和图像识别是目前相对成熟的领域，普遍准确率都超过90％——这也意味着再想要持续精进的难度，猎户星空能在短时间内一举拿下了人工智能两座已经很高的高地，在创业公司中确实比较罕见。

不久前，《纽约时报》在采访大量美国政府官员和硅谷精英后就得出结论：中国的人工智能将与美国齐头并进，中国已经诞生孕育人工智能温润的社会土壤。如果将这家中国初创企业的“世界杯”夺魁，搁置在中美AI竞赛的宏大背景，仔细分析这家公司，就显得意义非凡。

技术过硬

先从微软的这次比赛谈起。

如前所述，猎户星空获得了这项赛事识别子命题有限制类（只使用竞赛提供数据）第一名。顾名思义，与更偏向于比拼数据的无限制类（无限制使用外部数据，数据越多训练模型当然越好）相比，有限制类别只能在限定的数据集内调用，是比较纯粹的算法比拼，因为在限定数据情况下想达到最高精度非常困难，难度也更大——当然，正是由于这种限制性，有限制类的算法比拼也相对公平。

公平也意味着高门槛。竞赛数据噪声大，无法直接拿来训练，而整个训练数据集也很大，适合人脸模型大规模训练的模型对资源的要求又高，很难做到又快又好。于是经过探讨，猎户星空团队设计了一种鲁棒的去噪算法，可针对各类不同程度的噪声数据进行有效去噪，同时选择采用适合大规模训练的triplet模型，通过一种颇为巧妙的设计在有限资源下加速了triplet网络的训练，大大提升了性能，最终获得075／0606（randomset／hardset）的高分——这一成绩远超以往记录，几乎达到了不使用外部数据的极限。

事实上，尽管成立时间不长，但团队成员过往的技术积淀（官方介绍：猎户星空初创团队拥有来自硅谷，日本，中国台湾地区，北京和深圳等全球一流科技公司的技术精英，博士占比近5成），让他们创立初就开始投身人脸识别的探索。参赛“世界杯”前，他们就在另一项人脸识别国际赛事LFW上取得了前三名。值得一提的是，与在“世界杯”的获胜逻辑相近，LFW上，与只追求精度的团队不同，猎户星空尝试用尽量小的网络，去追求尽量高的精度，令不少其他团队侧目。

而与不少初创团队醉心于“秀技术”不同，依托于猎豹移动强大的产品思维底座，猎户星空深知一点：将技术蜕变为产品，从来都是检验技术成熟的唯一标准。于是，猎户星空上述所有比赛技术，都不会被搁浅在学术报告或者比赛赛场上，而会被运用到在门禁，机器人和移动APP等具体产品。举个例子，目前人脸识别技术就被用于猎豹旗下的直播产品Liveme中，后者每天产生超过20万小时的直播内容，运用图像识别技术可以进行24小时的实时监控，极大提高违规内容的审核效率。

让人温柔以待的音箱

谈及技术落地，猎户星空让人工智能音箱做到“像人类一样沟通”，或许是更好的例子。

事实上，关于语音交互，猎户星空现已掌握麦克风阵列，语音唤醒，语音识别，语义理解和语音合成等全套远场语音技术，且各环节相互补充配合，大幅提升了交互体验。譬如以最关键的语音唤醒举例，基于猎户星空汉字整体建模的CNN唤醒技术，其语音交互系统可以实现高精度唤醒，达到了行业领先的误报水平，且解决了人声回应对识别的干扰——据悉，目前猎户星空的唤醒率达到了95%以上。

再比如，上个月问世的小雅是业内第一个真正做到人声回应的音箱。猎户星空采用大数据情感语音合成技术与汉语语音合成引入重音技术，提升了汉语语音合成自然度，重音层次分明，这让小雅音箱的声音，真的很像一位叫小雅的邻家女孩——这种在声音上的技术精进，即是一种典型的用户思维（而非工程师思维），也因如此，小雅音箱一经推出就获得了市场的回报，预售5万告罄。

一个月之后，猎户星空又将这种用户思维输送到了小米AI音箱——“小爱同学”身上。与小雅相似，由猎户星空提供的人声回应技术，可以让“小爱同学”被唤醒时，回答一声“诶”“我在”等回应；而猎户星空提供的另一个关键技术，语音合成，则让小米AI音箱被赋予“这个星球最温柔”的女声，这项技术可以使得任何一款AI音箱，用亲和平滑的声音曲线回复用户的任何需求。

可以想象，这些技术会让用户由衷地对机器温柔以待（盲测显示，相比同类产品，70%的用户很喜欢运用猎户星空技术产生的语音），并在“机器人成为家庭一份子”的必然之路上起到助推的作用。

体验为王

说到音箱，当前中国智能音箱市场杂乱到近乎失序。

据说前段时间，喜马拉雅副总裁李海波在深圳南山区转了一圈，发现1公里内盘踞着112家做语音智能产品的公司，他走访了其中4家，发现他们无比痛苦：他们无一不在拼模组和方案，却几乎没什么用户；他们知道风口离自己很近，却总是困在原地。

事实上，新技术的来临总让人欢喜，但却有一样东西决定了新技术是夭折还是迅速普及——用户体验。

如上所述，与单纯秀肌肉的人工智能公司不同，猎户星空的最大优势源于它是一家拥有互联网思维的AI公司。它由一群重视产品体验的工程师和尊重技术的产品经理共同组成，这足以造就与大多数语音和人脸识别公司的云泥之别。

举个例子，傅盛曾提到过一个细节：猎户星空把喜马拉雅的内容和音乐曲库，以及各个合作伙伴的音乐曲库，不仅集成在了一起，还做了服务端细节上的优化，譬如标题，音频，歌词和节目的优化，都打印上了喜马拉雅独特的标签，让这些内容更加口语化，最大程度完善用户体验。

嗯，相较于散落在不同技术精英头脑中的需求构想，将AI以最快速度变成体验良好的产品，无疑更为关键，而猎户星空无疑深谙此道。

其实人工智能与当年的电力革命有诸多相似之处：譬如，它们本身都不是一个“行业”，AI的机会在于和应用结合，而不是单纯的技术输出；其次，就像普通人不会关心爱迪生与特斯拉的直流交流电之争，他们只想要更好的“结果”，人工智能亦如此，最后拼的其实是产品，就像傅盛所言：“深度学习的核心是数据驱动，虽然有模型调参，有自己的优势，但别人有更多的数据调参很快拉平优势，很难真的想像一家公司通过提供技术输出就能成功。我甚至认为未来深度学习是基础的技术运用，很多公司都具备深度学习的研发能力。”

所以，无论是技术本身，还是让技术落地的用户体验，今天的猎户星空都已展示出了“与年龄不符的成熟”，而这二者的结合，无疑让他们的未来值得期待。

李北辰/文（知名科技自媒体，致力于用文字优雅的文章，为您提供谈资与见识）

随着人工智能的发展，智能机器人在各行业都得到了广泛的应用。在客服行业，现在许多在线客服系统都自带智能客服机器人功能，一方面是提升了工作效率，另一方面是降低了人力成本。那么，智能客服机器人如何工作？工作原理是什么呢？以下内容来源于火烈云

1、知识库建设

知识库建设是智能客服机器人能够工作的一个基础，知识库中存储的信息越多，涉及的知识面越广泛，智能客服机器人所能回答的问题也就越丰富，也就能够更有效的去解决客户问题。那么，知识库中的信息从何而来？这是需要企业导入行业知识以及相关的问答信息的，或者是通过外部接口来获取其他信息。

2、语义理解

智能客服机器人使用自然语言处理技术和深度网络神经算法模型，通过整句话的结构和内容来理解用户的意思，了解其语句所表达的真正含义。语义理解好比是智能客服机器人的“大脑”，可以说理解能力的强弱直接决定了智能客服机器人的聪明程度。

3、问答匹配

当智能客服机器人通过语义理解了客户所提出的问题后，就会根据理解去知识库里面进行比对，选择最匹配的问题和答案。一般情况下，给出去的答案都是不会有问题的，客户也能看得懂。

4、深度学习

智能客服机器人可以从大量未标注数据中进行学习，从数据中自动总结语言规律，能够处理复杂的语言变化，并对复杂的情感进行建模，随着时间的推移，智能客服的将会变得越来越强大和智能。