石基集团成为首批通义千问伙伴，将与阿里云共建酒旅大模型，如何看待两企业合作？

通义千问是什么

通义千问是什么介绍如下：

通义千问，是阿里云推出的一个超大规模的语言模型，功能包括多轮对话、文案创作、逻辑推理、多模态理解、多语言支持。能够跟人类进行多轮的交互，也融入了多模态的知识理解，且有文案创作能力，能够续写小说，编写邮件等。

2023年4月7日，“通义千问”开始邀请测试 ，4月11日，“通义千问”在2023阿里云峰会上揭晓。

发展历程：

2023年4月7日，“通义千问”开始邀请测试。

2023年4月11日，阿里巴巴集团董事会主席兼CEO、阿里云智能集团CEO张勇在云峰会上表示，阿里巴巴所有产品未来将接入“通义千问”大模型，进行全面改造，包括天猫、钉钉、高德地图、淘宝、优酷、盒马等。

2023年4月，阿里巴巴达摩院（杭州）科技有限公司申请注册“通义千问”商标，国际分类为网站服务，当前商标状态为申请中。

主要功能：

现阶段该模型主要定向邀请企业用户进行体验测试，用户可通过官网申请，符合条件的用户可参与体验。

AI大模型扎堆上线，你觉得谁能强势出圈？

撰文 / 涂彦平编辑 / 黄大路设计 / 赵昊然

ChatGPT在这个春天霸占了中文互联网，普通人面对它多生出兴奋和焦虑交织的复杂情绪，而大公司不甘落后，纷纷宣布自己也在做类似的AI大模型。

继3月16日百度发布文心一言之后，4月7日，阿里云官宣大模型通义千问开始邀请测试。

4月8日，在人工智能大模型技术高峰论坛上，华为云人工智能领域首席科学家田奇分享了盘古大模型的进展及应用。他透露，华为盘古大模型正在推动人工智能开发从“作坊式”到“工业化”升级。

接下来，有多场大模型相关发布会扎堆举办。

4月10日，商汤“日日新SenseNova”大模型体系问世；4月11日，毫末智行自动驾驶生成式大模型DriveGPT雪湖·海若发布；由昆仑万维和奇点智源合作研发的天工大模型3.5发布在即，并将于4月17日启动邀请测试；5月6日，科大讯飞“1+N认知智能大模型”即将发布……

互联网巨头、人工智能公司、智能硬件公司、自动驾驶公司等各方力量，都积极参与到大模型这一场盛宴中来。

行业监管也迅速出手。4月11日，国家网信办发布通知，就《生成式人工智能服务管理办法（征求意见稿）》面向社会公开征求意见。

根据计算机科学家、自然语言模型专家吴军的说法，ChatGPT背后是一个叫做语言模型的数学模型在发挥作用，这项语言模型技术早在1972年就已经有了，是由他的导师弗莱德里克·贾里尼克(Fred Jelinek)在IBM期间带领团队研发出来的。

只是到了今天，由于算力不断提升，语言模型已经从最初基于概率预测的模型发展到基于Transformer架构的预训练语言模型，并逐步走向大模型的时代。

复旦大学计算机学院教授、MOSS系统负责人邱锡鹏曾这样描述大模型的能力飞跃：“当模型规模较小时，模型的性能和参数大致符合比例定律，即模型的性能提升和参数增长基本呈线性关系。然而，当 GPT-3/ChatGPT 这种千亿级别的大规模模型被提出后，人们发现其可以打破比例定律，实现模型能力质的飞跃。这些能力也被称为大模型的‘涌现能力’（如理解人类指令等）。”

每当有革命性的技术诞生，无一不是由其在具体行业的商用化应用来实质性地推动行业进步。作为连接技术生态和商业生态的桥梁，大模型也将在很多行业应用落地。

只是，这波来势凶猛的大模型热，究竟会催生万物生长改变万千业态，还是继区块链、元宇宙之后又一个看上去很美的泡沫？

无限想象空间？

特斯拉将Transformer大模型引入自动驾驶领域中，拉开了AI大模型在自动驾驶领域应用的开端。大模型在自动驾驶行业的应用将提升系统的感知和决策能力，已经被视为自动驾驶能力提升的核心驱动力。

4月2日，百度正式发布百度自动驾驶云Apollo Cloud2.0。百度智能驾驶事业群副总裁、智能网联业务总经理高果荣表示，Apollo Cloud2.0基于大模型实现了自动驾驶数据智能的搜索引擎，大模型的能力积累了自动驾驶数据智能的搜索引擎，从海量数据中能够精准找到自动驾驶面向不同场景的数据。

“在自动驾驶领域，BEV(Bird''s Eye View，鸟瞰视图)是当前主流的技术路线，未来可以朝着多模态、通用智能的方向发展。”商汤科技联合创始人、首席科学家、绝影智能汽车事业群总裁王晓刚表示。

他认为，在通用人工智能时代，输入提示词和多模态内容，就可以生成多模态的数据，更重要的是，可以用自然语言生成对任务的描述，用非常灵活的方式覆盖大量的长尾问题和开放性的任务，甚至是一些主观描述。

王晓刚举了一个例子来说明AI和AGI处理任务的不同。给定一张图片，判断是否需要减速，AI和AGI的反应有什么不一样呢？

现有的AI系统，会首先做物体检测，然后再物体框里做文字识别，最后做决策。整个过程中每一个模块都是事先定义好的任务。

而在通用人工智能下，给定图像，人们只需要用自然语言去问问题，比如，“这个图标是什么意思？我们应该做什么？”模型本身不会发生变化，它会通过自然语言的方式给出一系列逻辑推理，最后得出结论。比如，它会说，“前面限速30公里/小时”“前面100米是学校区域”“有小孩”“应该小心驾驶”“将车速降到30公里/小时以下”等。

王晓刚还指出，智能驾驶汽车领域有“数据飞轮”的说法，通用人工智能时代则会产生“智慧飞轮”，人和模型之间可以互动，通过人的反馈，模型能更好地理解人需要它展示什么样的能力，而去解锁更多技能。从数据飞轮升级到智慧飞轮，可以实现人机共智。

商汤基于多模态大模型，可做到数据的感知闭环和决策闭环。从前端自动采集高质量的数据，到利用大模型进行自动化的数据标注和产品检测，“能够几百倍地提升模型迭代的效率并降低成本”。

华为云EI服务产品部总裁尤鹏也表示，“整个数据标注是整个自动驾驶领域准确率、效率、成本最高的一部分”，这部分的效率直接影响到自动驾驶算法和驾驶等级的提升。他透露，华为云正在做预训练标注大模型，支撑后续的自动驾驶算法的训练，可能会在几个月后会发布。

除了自动驾驶，很多行业人士相信，智能座舱也将在大模型的赋能下有着质的提升，尤其将为人机交互打开新的大门。

百度集团资深副总裁、智能驾驶事业群组总裁李震宇认为人工智能将重塑汽车空间，人与汽车的关系将会截然不同。“未来，我们相信每辆汽车都会搭载一个数字虚拟人。未来的数字虚拟人不仅可以模拟人的外形，还可以注入灵魂，真正拥有对人类意图的理解……同时也不再是单一以前场景的车机助理的身份，而会转化成全能助理。”

他相信，随着通用人工智能的发展，智能座舱将成为汽车创新的新焦点，将会重塑其空间，届时用户和车企之间的距离将缩短，用户和品牌之间的关系将更为紧密。“拥有自然语言交流能力的智能车可以让车企与用户直接进行一对一的对话。当汽车成为全能助理后，车企将面对用户需求爆发式的增长。”

王晓刚称，在智能座舱板块，通用人工智能可以使基模型具备对空间环境的理解、用户状态的感知、多模态指令解析及多轮逻辑对话、内容生成等一系列能力，进而赋能包括情绪感知、智能助手、基于情感的对话、创意内容生成、个性交互等一系列功能，不断地提升个性化体验，进一步拓展应用场景。

“智能汽车是通用人工智能实现闭环的一个非常好的场景，我们已经有人机共驾。”王晓刚表示，“未来我们希望车和模型之间能够产生更有效的互动，那就完成了从人到车到模型这样一个互动闭环，能够让通用人工智能为我们提供更好的驾乘体验，解锁无限的想象空间。”

只是，消费者距离这种有着“无限的想象空间”的汽车生活还有多远，没有人说得出答案。

希望在于将来

想象是美好的，不过，挑战也随之而来。

“过去我们一年要做大概1000万帧的自动驾驶图像的人工标定，请外包公司进行标定，大概6到8元钱一张，一年的成本接近一个亿。但是当我们使用软件2.0的大模型通过训练的方式进行自动化标定，效果会非常可怕——过去需要用一年做的事情基本上三个小时就能完成，效率是人的1000倍。”理想汽车创始人、董事长兼CEO李想OK表示，“对于员工来说，他们会感觉用拳头打架遇到了拿枪的。”

他认为，在这样的状况下，如何能够让软件2.0和现有人才进行融合，为他们提供怎样的全新工作流程、激励机制，如何去选用任用人才，给全行业提出了挑战。

更大的挑战可能还在于中外大模型技术的差距。

3月25日，在2023中国发展高层论坛上，360创始人、董事长兼CEO周鸿祎表示，目前来看，中国大语言模型和GPT-4的差距在两到三年时间，GPT的技术方向已经明确，不存在难以逾越的技术障碍，中国在场景化、工程化、产品化、商业化方面拥有巨大优势，应当坚持长期主义精神，迎头赶上。

4月9日，由中国人工智能学会主办的人工智能大模型技术高峰论坛上，融汇金信CTO李长亮认为，未来做通用大模型的和做场景的分层很清晰，没有中间态。做通用大模型需要大量的算力、数据、人员、资源等，只有有很强技术储备和资源调配能力的大公司才能做，中小创业公司在这条赛道上会很难；在垂直应用上，基于大模型的发展，结合场景的know-how做一些创新应用，则会有无数的企业诞生。

他还认为，中国在大模型这个产业赛道上是很有机会的，因为在中文场景下，我们更懂我们自己的语言，沉淀了大量的中文知识，会迅速追赶并超越。

我们也注意到，计算机科学家、自然语言模型专家吴军在4月3日晚得到的一场直播中则给当下的ChatGPT热泼了盆冷水。他直言ChatGPT在中国被过度炒作了，中国的大部分研究机构是做不了的。

在他看来，ChatGPT的原理很简单，但是在工程上要想做到，其实蛮困难，因为ChatGPT太耗资源，光硬件的成本就要差不多10亿美元，这还没算电钱。ChatGPT训练一次要耗多少电？吴军的说法是，大概是3000辆特斯拉的电动汽车，每辆跑到20万英里，把它跑死，这么大的耗电量，才够训练一次。这是非常花钱的一件事。

他的结论是，ChatGPT不算是一项新的技术革命，带不来什么新机会，最后可能的一个结果就是给几家大的做云计算的公司交钱。

由ChatGPT带起的大模型热，最终会在各行各业开花结果，还是盛名之下其实难副？不妨把这个问题交给时间。

本文由汽车商业评论原创出品

转载或内容合作请联系说明

违规转载必究

【本文来自易车号作者汽车商业评论，版权归作者所有,任何形式转载请联系作者。内容仅代表作者观点，与易车无关】

企业为什么要做数字化转型，如何进行数字化转型？

由社交媒体、移动设备、物联网和大数据引发的数字化趋势不仅改变了人们的生活方式也要求企业重新思考设计原来的运作模式。在现实生活中，数字化是可以感知的，比如，我们上网浏览新闻时，就是媒体内容的数字化。数字化进程的演进使得“数字化”已经跳脱了二进制化的概念，成为一种人类与世界互动的新方式。如今我们生活在一个数据驱动发展的时代，不能顺应时代发展进步的企业就会落后和淘汰。一个新技术时代应运而生，一个数据主导的数字企业时代也必将应声而至。 数字化转型是企业顺应时代的必然要求 早在1996年Nicholas Negroponte就在被誉为二十世纪信息技术及理念发展圣经的《数字化生存》中预言到了今天的数字化时

如何快速成为数据分析师

诚然，任何一门技术都不可能一蹴而就，更不可能一夜成才。这世上，没有什么牛逼的事情是能够速成的，越是专业、越是基层、收益周期越长的技能越是这样，数据分析师也不例外。但这并不代表，我们不能通过一些有效的方法，把学习的过程变得高效而有趣，让自己的数据分析师学成之旅起到事半功倍的作用。倘若真的想一口吃成一个胖子，到时去面试去工作，你会被自己的好不扎实的专业基底伤害得遍体鳞伤。

学习数据分析师之前，你必须清楚自己想要达成什么目标。也就是说，你想通过这门技术来解决哪些问题或实现什么计划。有了这个目标，你才能清晰地开展自己的学习规划，并且明确它的知识体系。只有明确的目标导向，学习必备也是最有用的那部分，才能避免无效信息降低学习效率。

1、明确知识框架和学习路径

数据分析这件事，如果你要成为数据分析师，那么你可以去招聘网站看看，对应的职位的需求是什么，一般来说你就会对应该掌握的知识架构有初步的了解。你可以去看看数据分析师职位，企业对技能需求可总结如下：

SQL数据库的基本操作，会基本的数据管理；

会用Excel/SQL做基本的数据提取、分析和展示；

会用脚本语言进行数据分析，Python or R；

有获取外部数据的能力加分，如爬虫或熟悉公开数据集；

会基本的数据可视化技能，能撰写数据报告；

熟悉常用的数据挖掘算法：回归分析、决策树、分类、聚类方法；

高效的学习路径是什么？就是数据分析的流程。一般大致可以按“数据获取-数据存储与提取-数据预处理-数据建模与分析-数据可视化”这样的步骤来实现一个数据分析师的学成之旅。按这样的顺序循序渐进，你会知道每个部分需要完成的目标是什么，需要学习哪些知识点，哪些知识是暂时不必要的。然后每学习一个部分，你就能够有一些实际的成果输出，有正向的反馈和成就感，你才会愿意花更多的时间投入进去。以解决问题为目标，效率自然不会低。

按照上面的流程，我们分需要获取外部数据和不需要获取外部数据两类分析师，总结学习路径如下：

1.需要获取外部数据分析师：

python基础知识

python爬虫

SQL语言

python科学计算包：pandas、numpy、scipy、scikit-learn

统计学基础

回归分析方法

数据挖掘基本算法：分类、聚类

模型优化：特征提取

数据可视化：seaborn、matplotlib

2.不需要获取外部数据分析师：

SQL语言

python基础知识

python科学计算包：pandas、numpy、scipy、scikit-learn

统计学基础

回归分析方法

数据挖掘基本算法：分类、聚类

模型优化：特征提取

数据可视化：seaborn、matplotlib

接下来我们分别从每一个部分讲讲具体应该学什么、怎么学。

数据获取：公开数据、Python爬虫

如果接触的只是企业数据库里的数据，不需要要获取外部数据的，这个部分可以忽略。

外部数据的获取方式主要有以下两种。

第一种是获取外部的公开数据集，一些科研机构、企业、政府会开放一些数据，你需要到特定的网站去下载这些数据。这些数据集通常比较完善、质量相对较高。

另一种获取外部数据费的方式就是爬虫。

比如你可以通过爬虫获取招聘网站某一职位的招聘信息，爬取租房网站上某城市的租房信息，爬取豆瓣评分评分最高的电影列表，获取知乎点赞排行、网易云音乐评论排行列表。基于互联网爬取的数据，你可以对某个行业、某种人群进行分析。

在爬虫之前你需要先了解一些 Python 的基础知识：元素（列表、字典、元组等）、变量、循环、函数（链接的菜鸟教程非常好）……以及如何用成熟的 Python 库（urllib、BeautifulSoup、requests、scrapy）实现网页爬虫。如果是初学，建议从 urllib 和 BeautifulSoup 开始。（PS：后续的数据分析也需要 Python 的知识，以后遇到的问题也可以在这个教程查看）

网上的爬虫教程不要太多，爬虫上手推荐豆瓣的网页爬取，一方面是网页结构比较简单，二是豆瓣对爬虫相对比较友好。

掌握基础的爬虫之后，你还需要一些高级技巧，比如正则表达式、模拟用户登录、使用代理、设置爬取频率、使用cookie信息等等，来应对不同网站的反爬虫限制。

除此之外，常用的的电商网站、问答网站、点评网站、二手交易网站、婚恋网站、招聘网站的数据，都是很好的练手方式。这些网站可以获得很有分析意义的数据，最关键的是，有很多成熟的代码，可以参考。

数据存取：SQL语言

你可能有一个疑惑，为什么没有讲到Excel。在应对万以内的数据的时候，Excel对于一般的分析没有问题，一旦数据量大，就会力不从心，数据库就能够很好地解决这个问题。而且大多数的企业，都会以SQL的形式来存储数据，如果你是一个分析师，也需要懂得SQL的操作，能够查询、提取数据。

SQL作为最经典的数据库工具，为海量数据的存储与管理提供可能，并且使数据的提取的效率大大提升。你需要掌握以下技能：

提取特定情况下的数据：企业数据库里的数据一定是大而繁复的，你需要提取你需要的那一部分。比如你可以根据你的需要提取2018年所有的销售数据、提取今年销量最大的50件商品的数据、提取上海、广东地区用户的消费数据……，SQL可以通过简单的命令帮你完成这些工作。

数据库的增、删、查、改：这些是数据库最基本的操作，但只要用简单的命令就能够实现，所以你只需要记住命令就好。

数据的分组聚合、如何建立多个表之间的联系：这个部分是SQL的进阶操作，多个表之间的关联，在你处理多维度、多个数据集的时候非常有用，这也让你可以去处理更复杂的数据。

数据预处理：Python（pandas）

很多时候我们拿到的数据是不干净的，数据的重复、缺失、异常值等等，这时候就需要进行数据的清洗，把这些影响分析的数据处理好，才能获得更加精确地分析结果。

比如空气质量的数据，其中有很多天的数据由于设备的原因是没有监测到的，有一些数据是记录重复的，还有一些数据是设备故障时监测无效的。比如用户行为数据，有很多无效的操作对分析没有意义，就需要进行删除。

那么我们需要用相应的方法去处理，比如残缺数据，我们是直接去掉这条数据，还是用临近的值去补全，这些都是需要考虑的问题。

对于数据预处理，学会 pandas 的用法，应对一般的数据清洗就完全没问题了。需要掌握的知识点如下：

选择：数据访问（标签、特定值、布尔索引等）

缺失值处理：对缺失数据行进行删除或填充

重复值处理：重复值的判断与删除

空格和异常值处理：清楚不必要的空格和极端、异常数据

相关操作：描述性统计、Apply、直方图等

合并：符合各种逻辑关系的合并操作

分组：数据划分、分别执行函数、数据重组

Reshaping：快速生成数据透视表

概率论及统计学知识

数据整体分布是怎样的？什么是总体和样本？中位数、众数、均值、方差等基本的统计量如何应用？如果有时间维度的话随着时间的变化是怎样的？如何在不同的场景中做假设检验？数据分析方法大多源于统计学的概念，所以统计学的知识也是必不可少的。需要掌握的知识点如下：

基本统计量：均值、中位数、众数、百分位数、极值等

其他描述性统计量：偏度、方差、标准差、显著性等

其他统计知识：总体和样本、参数和统计量、ErrorBar

概率分布与假设检验：各种分布、假设检验流程

其他概率论知识：条件概率、贝叶斯等

有了统计学的基本知识，你就可以用这些统计量做基本的分析了。通过可视化的方式来描述数据的指标，其实可以得出很多结论了，比如排名前100的是哪些，平均水平是怎样的，近几年的变化趋势如何……

你可以使用python的包 Seaborn（python包）在做这些可视化的分析，你会轻松地画出各种可视化图形，并得出具有指导意义的结果。了解假设检验之后，可以对样本指标与假设的总体指标之间是否存在差别作出判断，已验证结果是否在可接受的范围。

python数据分析

如果你有一些了解的话，就知道目前市面上其实有很多 Python 数据分析的书籍，但每一本都很厚，学习阻力非常大。但其实真正最有用的那部分信息，只是这些书里很少的一部分。比如用 Python 实现不同案例的假设检验，其实你就可以对数据进行很好的验证。

比如掌握回归分析的方法，通过线性回归和逻辑回归，其实你就可以对大多数的数据进行回归分析，并得出相对精确地结论。比如DataCastle的训练竞赛“房价预测”和“职位预测”，都可以通过回归分析实现。这部分需要掌握的知识点如下：

回归分析：线性回归、逻辑回归

基本的分类算法：决策树、随机森林……

基本的聚类算法：k-means……

特征工程基础：如何用特征选择优化模型

调参方法：如何调节参数优化模型

Python 数据分析包：scipy、numpy、scikit-learn等

在数据分析的这个阶段，重点了解回归分析的方法，大多数的问题可以得以解决，利用描述性的统计分析和回归分析，你完全可以得到一个不错的分析结论。

当然，随着你实践量的增多，可能会遇到一些复杂的问题，你就可能需要去了解一些更高级的算法：分类、聚类，然后你会知道面对不同类型的问题的时候更适合用哪种算法模型，对于模型的优化，你需要去学习如何通过特征提取、参数调节来提升预测的精度。这就有点数据挖掘和机器学习的味道了，其实一个好的数据分析师，应该算是一个初级的数据挖掘工程师了。

系统实战

这个时候，你就已经具备了数据分析的基本能力了。但是还要根据不同的案例、不同的业务场景进行实战。能够独立完成分析任务，那么你就已经打败市面上大部分的数据分析师了。

如何进行实战呢？

上面提到的公开数据集，可以找一些自己感兴趣的方向的数据，尝试从不同的角度来分析，看看能够得到哪些有价值的结论。

另一个角度是，你可以从生活、工作中去发现一些可用于分析的问题，比如上面说到的电商、招聘、社交等平台等方向都有着很多可以挖掘的问题。

开始的时候，你可能考虑的问题不是很周全，但随着你经验的积累，慢慢就会找到分析的方向，有哪些一般分析的维度，比如top榜单、平均水平、区域分布、年龄分布、相关性分析、未来趋势预测等等。随着经验的增加，你会有一些自己对于数据的感觉，这就是我们通常说的数据思维了。

你也可以看看行业的分析报告，看看优秀的分析师看待问题的角度和分析问题的维度，其实这并不是一件困难的事情。

在掌握了初级的分析方法之后，也可以尝试做一些数据分析的竞赛，比如 DataCastle 为数据分析师专门定制的三个竞赛，提交答案即可获取评分和排名：

员工离职预测训练赛

美国King County房价预测训练赛

北京PM2.5浓度分析训练赛

种一棵树最好的时间是十年前，其次是现在。现在就去，找一个数据集开始吧！！

如何看待互联网公司的人工智能争夺战？

9月3日，高盛集团最新发布的研究报告显示，中国正快速追赶美国在AI领域的领导地位，并有可能在未来几年内创造一个由人工智能和机器学习驱动的智能经济。

高盛预计，在中国人工智能技术发展的初始阶段，因BAT拥有庞大独特的数据集，并有足够资源利用AI，BAT将会成为这一阶段的受益者。

此外，高盛对其他多家科技公司在人工智能方面的成就也都给予肯定。其中包括美团点评、滴滴出行等知名企业。

科技互联网是当下中国潮头尖端的行业之一，科技公司在资本的助推下风起云涌，近几年科技领域的新热点“人工智能”风头无两，从最初的智能助手、智能硬件、智能家居，到智能机器人，无人驾驶，人工智能日益成为资本的宠儿、科技巨头争相布局的焦点，也成了新一轮产业变革的重要驱动力。知名科技公司无一例外地，将人工智能视为自身布局未来的首选战略。

与此同时，全国高校注重培养互联网行业相关的人才，并为各大互联网公司源源不断输送着程序员。不过，即便如此，互联网优秀人才在全国范围内依然紧缺，很多热门岗位和方向的人才，成为互联网公司争夺的重点。

脉脉数据研究院的《中国互联网公司人才争夺战》数据报告，在互联网行业的技术细分领域和方向中，向您展示国内互联网公司对人才的吸引力和争夺战，进而反应各家互联网公司的技术实力。

人工智能包括机器人、语言识别、图像识别、自然语言处理和专家系统等分支领域。而百度基本上覆盖了人工智能所有主流的分支领域和流派。从产品层面，无人车、DuerOS、小度机器人、医疗大脑、AR等全力出击。

今年7月，百度在AI开发者大会上，发布了Apollo和DuerOS两大开放平台，第一次向行业展示完整、开放、前沿、具有活力的AI生态。

一方面，百度发布Apollo 1.0和Apollo开放平台的整体战略与开放路线图，推出国内首个可量产的车载自动驾驶计算平台BCU（Baidu Computing Unit），并和福特、戴姆勒、微软、博世、大陆、奇瑞、一汽等50家合作伙伴构建起全球自动驾驶生态。

另一方面，DuerOS开放平台作为下一代基于自然语言的人类计算平台，目前已具备10大类目、100+功能，为手机、智能家居、智能穿戴、车载等多个行业赋能。对人工智能创业公司KITT.AI的全资收购，将进一步增强我们的语音唤醒能力和自然语言理解技术深度。

同时，百度也在让AI与传统业务深入结合，以AI为基础来大幅度的提升核心业务——搜索、信息流、手机百度，是首要的战略重点。同时百度还将利用AI打造一系列的新的业务，比如金融业务、智能云业务、自动驾驶汽车等。

连腾讯CEO马化腾都在公开场合对百度的人工智能自愧不如，坦言李彦宏的人工智能走得更前，腾讯还是落后不少。

• 阿里巴巴的AI布局

在阿里的战略体系之中，云计算一直都是电商、物联网的核心驱动力。近年来，阿里巴巴已开始在人工智能领域逐渐发力。去年8月的云栖大会北京峰会上，阿里云正式推出人工智能ET。随着阿里商业人工智能引擎“电商大脑”的不断进化，人工智能正越来越多被应用于服务业。

阿里在人工智能领域的布局几乎都和自家业务有非常紧密的结合，尤其是在去年双十一，人工智能在菜鸟网络上的运用非常典型，人工智能通过对区域订单量的预判，提前布局仓储，提升了物流效率。

今年，马云宣布开始推动“NASA”计划，着重发力机器学习、芯片、IoT、操作系统和生物识别。阿里云总裁胡晓明在在深圳云栖大会上就曾提到“万物智能”概念。IoT正在逐渐影响着生产、制造、生活的方方面面。

• 腾讯人工智能奋起直追

腾讯手握微信这张移动互联网时代的船票，日子相对安逸，对人工智能的迫切需求不像百度和阿里一样大，对未来有着非常紧迫的危机感。随着人工智能的浪潮来临，腾讯也在逐渐布局人工智能。不过，腾讯人工智能目前尚处起步阶段，相对于百度和阿里的人工智能布局，它只能奋起直追。

未来腾讯的人工智能服务将紧密围绕内容、社交、游戏三个核心应用场景展开，并将人工智能工具以API形式开放出去，推动行业健康发展。

腾讯在AI上面的考虑主要基于四个垂直领域：计算机视觉、语音识别、专注机器学习、和自然语言处理这四个方向的基础研究。具体来说，在计算机视觉领域，除了传统的图像处理，腾讯还会引入AR，也会引入空间定位技术；语音识别会引入自动翻译方面的一些技术；自然语言处理，除了人的认知行为的一些研究，还会做对聊天机器人这类的应用做一些研究。

今年6月，马化腾公开最新消息，腾讯内部超过四个团队都会在各自的业务领域开始进行人工智能的研发，他们分开各自做各自的，针对自己的场景做研发。

美团点评是国内最大的生活服务电商平台，一直以来，这家公司都在做同样的事情，即利用技术提高服务业的生产效率，帮助用户吃得更好活得更好。 从业务方面出发，美团点评一直努力通过技术去改造升级传统服务产业。

美团点评的酒旅、外卖、金融、到餐综合等业务，都是基于AI开展。 以餐饮行业为例，如今通过人工智能、大数据和云计算等技术，美团点评已经形成从商家选址、引流、外卖/配送、经营管理、供应链金融、营销推广等一整套服务体系。

高盛集团发布的最新报告就点赞了美团点评的智能调度系统。实际上，这套系统应用如今已经能在50毫秒生产最优送货路线，并将外卖配送时间缩短至28分钟。美团外卖的这套智能调度系统，可以综合考虑订单结构、骑手习惯、区域路况、天气、出餐时间、配送范围等多类复杂因素，并进行精准刻画，进而实时追踪骑手行进的方向和当前位置，结合当前运单和新运单的服务要求进行计算，按照系统效率最高的方式分派和优化订单的执行过程。

与此同时，美团还在攻坚无人配送。无人配送，即以机器人为核心，自动进行物流配送的软硬件结合以及相配套的管理运营系统。和传统的配送方式相比，无人配送不仅能够大幅降低配送成本，而且有效提高配送效率，在物流、外卖、医院、酒店、仓储等人力密集型行业有着广阔的应用前景。作为一种基于位置服务的前沿技术，无人配送的核心是地图、定位、现实感知和人工智能。地图为无人配送规划配送路线，定位能够让机器人知道所处的位置，现实感知为机器人提供规避障碍物的能力，人工智能则能够让机器人更好地适应复杂环境。

这些背后都是依靠人工智能、云计算等先进技术来实现。美团云打造的人工智能版图主要包含三大类产品：主机类、平台类和服务类。美团云以底层高性能云主机为依托，中层深度学习平台为支撑，上层场景服务为应用组合布局人工智能版图，用云与AI技术让用户体验智能化。

• 大数据成就滴滴的人工智能战略

滴滴出行在人工智能的布局上也是紧锣密鼓。滴滴出行CEO程维公开表示，滴滴的发展已经积累了大量的数据，在大数据收集处理计算方面已经有了相当的经验。接下来，滴滴要取得长足发展必须依靠人工智能。从大的趋势来说，互联网下半场核心是人工智能。2015年滴滴成立“机器学习研究院”（后更名为滴滴研究院），促使滴滴出行平台拥有超大规模数据智能分析能力，以便为用户设计最合理的出行方案。

在滴滴内部，滴滴研究院被看做是滴滴出行的“大脑”，一切有助于提高移动出行效率的技术创新，都会在这里孵化出来。滴滴研究院的研究方向包括：机器学习、计算机视觉、人工智能、数据挖掘、最优化理论、分布式计算等。滴滴研究院与业务线紧密结合，每一项研究成果都能以更快的速度应用到相应的产品上，给用户带去便捷。

滴滴平台上每天产生超过70TB数据（相当于7万部电影），超过90亿次路径规划次数，背后的支撑则是大数据计算能力。滴滴根据成交率和应答率来进行智能激励，增加用户的叫车意愿；通过大数据计算，让订单匹配更加智能，实现了智能派单。比如以前司机需要开3公里才能接到1个客人，现在0.5公里就能接到客人，提升效率。

未来滴滴的研究团队希望通过AI和AR技术结合，提供更精确的导航，最终提升道路行驶安全。

• 人工智能筛选推送的今日头条

尽管今日头条发布内容，但并不生成内容。它坚称自己有一个关键卖点：“智能新闻推送”，即由人工智能与机器学习软件对内容进行个性化定制。

人工智能机器学习在用户端的成功应用需要满足三个条件：首先是使用频率高；其次使用成本低；最重要的是，AI应用辅助的决策本身要比较轻并且低风险。今日头条之所以能通过AI技术颠覆传统的信息分发行业，就是因为符合以上三个特点——当下信息获取需求旺盛；面对海量信息，机器或者算法进行分发的成本要远低于人力；推送信息的决策本身比较简单，即使偶尔推送的内容用户不感兴趣，也不会对生活有非常大的影响。

同时，头条也在利用人工智能进行对低质、低俗内容的审核。持续探索如何用人工智能更好地进行内容识别，包括识别文章是不是虚假内容、有没有广告信息、文章的质量包括文章内的配图是不是合适。对短视频内容审核，今日头条网络安全委员会采取动态关键帧技术、图像建模识别技术和OCR识别技术三项举措。

通过人工智能进行内容识别的难点其实就是自然语言理解的难点。其中，很大的困难是语言中充满了歧义，也就是语义的复杂性，包含因果关系和逻辑推理的上下文等。另外图文是否相符这个问题上，目前包括学术界也都还没有明确方法和研究模型，今日头条在做一些探索。

腾讯的AI部门，目前有50位世界知院校及机构的AI科学家、及200多位经验丰富的工程师，这些工程师90%以上的人都是博士学历以上，来自哈佛、麻省理工、哥伦比亚大学等高校。

今年腾讯在人工智能上加码，一方面，进行大规模招聘，挖人工智能领域的技术牛人；另一方面，启动AI加速器，从上千个AI创业项目挑选出优秀项目，对其进行专家导师团的辅导、注资和孵化。

与此同时，腾讯设立了美国西雅图人工智能实验室，并邀请前微软研究院首席研究员俞栋博士负责该实验室的运营及管理。