麦肯锡全球研究院

麦肯锡是全球著名的咨询公司。听我们老师说是按照每小时500美元。其它基本资料在百度上都有的。

（一）规模迅速扩张的人工智能人工智能（Artificial Intelligence），英文缩写为AI，通常是指研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。2017年12月13日，中国工业和信息化部印发《促进新一代人工智能产业发展三年行动计划（2018-2020年）》，明确将人工智能作为新技术经济体系转型的关键推动力。世界经济论坛将人工智能称为第四次工业革命（4IR）的基石。根据艾瑞咨询预计，2020年全球AI市场规模将达到1190亿元，年复合增速约19.7%；同期中国人工智能市场规模将达91亿元，年复合增速有望超过50%。在移动互联网技术发展与应用不断成熟基础上，互联网+人工智能已在大力发展中，成为未来科技革命和产业变革的新引擎，也将带动和促进传统产业的转型升级。从目前的发展趋势看，将来人与物、物与物之间的对话、指令、自动化控制，很有可能大部分将由人工智能程序控制，甚至实现“万物互联”。如今的人工智能应用范围甚广，机器翻译、智能控制、专家系统、机器人学、语言和图像理解、自动程序设计、航天应用等等。可以预计，随着人工智能的不断发展，人工智能对于就业的影响会表现得越来越明显。（二）就业焦虑从何而来：AI影响劳动力市场的途径一是AI技术有可能将实现更大的自动化，造成“技术性失业”，导致就业波动。数十年前，凯恩斯和瓦西里·利昂惕夫（Wassily Leontief）预言人工智能会产生“技术性失业”。他们认为，劳动力将变得不那么重要，工人将被机器所取代。从19世纪初的第一次工业革命以来，已出现多次对技术破坏就业的焦虑。在1820 年至1913 年的两次工业革命期间，雇佣于农业部门的美国劳动力份额从70％下降到27.5％，目前不到2％。许多发展中国家的经历也类似，甚至更快的结构转型。根据国际劳工组织的数据，中国的农业就业比例从1970 年的80.8％下降到2015 年的28.3％。回望历史，反观当下，AI可能会今天的劳动力市场会产生什么样的影响？美国有关研究机构2016年12月发布报告，未来10到20年内，因人工智能技术而被替代的就业岗位数量将由目前的9%上升到47%。根据Daron Acemoglu和Pascual Restrepo的“机器人和工作：来自美国劳动力市场的证据”（国家经济研究局工作文件第23285号，2017年3月），使用工业机器人可能会减少美国经济的就业。麦肯锡全球研究院最新报告显示，预计到2055年，自动化和人工智能将取代全球49%的有薪工作，其中预计印度和中国受影响可能会最大。麦肯锡全球研究院预测中国具备自动化潜力的工作内容达到51%，这将对相当于3.94亿全职人力工时产生冲击。日本经济产业省2016年4月发布报告称，由于人工技能和机器人等技术革新，如不采取任何措施，到2030年将减少736万就业人数。

企业致力于收集和存储大量数据，但通常只分析其中的一小部分。他们发现数据是新的货币，因为数据中隐藏着很多价值。他们正在利用数据科学和大数据分析工具从其“数据宝库”中提取价值。这有助于他们进行数字化转型。一些组织在这方面取得了巨大的成功，并不断创新、获得市场份额、增加价值(例如Amazon、谷歌、Facebook等公司)，而其他公司也在努力效仿。　　麦肯锡全球研究院于2011年5月发表了一篇开创性论文，名为“大数据：创新，竞争和生产力的下一个前沿”，使得大数据和分析开始引起人们的关注。根据谷歌公司的趋势分析(它提高了人们对关键词的搜索兴趣)，大数据和分析热潮在2016年6月达到了顶峰。而云计算一直持续受到人们的高度关注，因为越来越多的企业继续实施云计算技术，以提高业务灵活性、运营弹性、改进性能，以及更高的效率。　　数字化转型需要在组织层面上发挥作用，并将成为一种永久的运营方式。　　人们可能会想知道，在大数据和分析达到发展顶峰之后将会变成什么样子。只要所公布的客户调查、供应商利益、分析师报告、收入来源等资料具有价值，那么企业都将采用大数据和分析来获取。调研机构Gartner公司2016年进行的一项调查报告表明，在过去五年中，企业对大数据和分析的投资一直在不断增长，但对其未来投资的兴趣似乎有所下降。这可能是由于这些投资获得实际收益的一种停顿。而Gartner公司的另一份调查报告显示，只有大约12%的大数据项目取得了可衡量的成果。然而，社交媒体、物联网(IoT)、智能手机、移动设备、游戏装备、可穿戴设备、传感器、无人机、远程监控器、精密医疗、精准农业、智能城市、智能建筑、自动驾驶汽车、远程控制车辆等技术将产生大量需要收集、汇总和分析的数据，以做出有用且有价值的决策。　　而使用传统方法和系统来人工分析数据是不可能的。来自大数据和分析的潜在价值每年达到数十亿美元。这被认为是一个保守的估计。因为麦肯锡公司2011年进行的调查报告仅仅占据了大数据潜在价值的一小部分。只有基于位置的数据的采用率和价值捕获率高达50%-60%，其次是美国零售业，达到30%-40%，制造业占20%-30%，美国医疗保健行业为10%-20%，欧盟公共部门为10%-20%。因此，大数据和分析的兴趣和投资在几乎所有行业都会增加，以捕捉大数据中隐藏的价值。预计在未来几年中企业对云计算的大数据会持续产生兴趣。　　数据安全　　随着越来越多的数据被收集、汇总、分析，并用于做出影响人们生活的决策，数据安全性成为人们最为关切的问题。数据治理需要处理从不同来源收集的数据高峰以及管理这些数据元素所涉及的风险的中心阶段。美国联邦、州、市和地方政府机构以及其他非营利性公共服务组织需要符合严格的保密性、完整性和可用性(CIA)规则，并且还要提供良好的治理、满足合规要求和管理风险(GCR)。　　人们一个常见的误解是，组织需要从不同来源收集的大量结构化和非结构化数据，包括外部来源(需要验证和风险评估)来开始分析。企业不需要大量数据来启动分析项目。可以从已有的“黄金标准数据”开始，并考虑单独使用这些数据或将其与其他内部数据集结合使用，以解决业务问题作为向决策者购买的概念证明的可能性。企业可以尝试和分析以前没有查看的不同变量，以确定相关性、因果关系和预测因素，谨慎发现，并避免重合。这是行业领域知识和专业知识发挥作用的地方。利用可用且经济实惠的计算能力、存储和网络容量，企业可以轻松地分析数据，以查看隐藏在数据中的模式和概率。基于业务需求，分析可用于描述性、诊断性、预测性、规定性的目的。物联网、传感器、操作技术、设备维护、精密医疗、电网、航运、物流、执法和精准农业正在越来越多地利用上述不同类型的分析来处理一个或多个业务问题，或根据需要来提供解决方案。　　大数据的需求　　大数据对不同的人意味着不同的事物。不同的IT分析师、商业领袖、顾问、学术研究人员、标准组织已经根据他们的观点定义了大数据，其中包括数量、速度、品种、准确性、复杂性等因素。虽然在大数据方面没有明确的共识，他们现有的能力在人员、过程和技术方面的处理能力太大了。就大数据和分析而言，人员是最难的部分。存在组织惯性、缺乏决策者的支持，以及难以找到正确理解分析的数据和业务领域的数据科学家等问题。同样，大数据分析师也很缺乏。世界各地的许多高校或认证机构都在提供数据科学和分析方面的新课程，以满足日益增长的需求。　　由于大数据领域是新兴行业，很难找到适合的专家，因此所谓的“大数据专家或数据科学家”被金融交易、银行、信用评级机构，以及信用卡公司等大型金融组织所吸引。此外，谷歌、Facebook、LinkedIn、雅虎、微软、亚马逊等行业巨头也求贤若渴，因为他们为这些人才提供了丰厚的薪酬、股票期权，以及更好的发展前景。在争夺同样的人才方面，美国的联邦、州、市和地方政府以及非营利组织都处于劣势。但是，一些具有深谋远虑的政府组织已经成功招募了一些优秀的大数据科学家。　　克服人才短缺的挑战　　为了克服数据科学家短缺的挑战，许多企业正在建立一个数据科学团队，其中包括具有大数据分析方面知识和专业知识的人员，以及行业专家，例如IT和业务领域。他们可以一起补充彼此的专业知识，互相协作并提出业务问题的解决方案。一个成功的大数据分析团队的一个重要特征是能够用商业术语讲述故事，并实现数据可视化，而这些数据可视化只需要很少的解释。这是一项非常特殊的技能，需要销售技能来完成交易。这些能力有助于建立数据科学团队或大数据和分析团队的可信度，以获得高级管理人员的支持，并将分析从一个业务领域扩展到另一个业务领域，并最终扩展到整个组织或企业。这些人员则是“翻译者”，他们可以从数据分析中获得结果，并将其置于商业术语中，以便企业能够理解和适应。数字化转型需要在组织层面上发挥作用，并成为一种永久的运营方式。大数据和分析是私营或公共企业数字化转型的一个组成部分。因此，许多组织开始了数字化转型之旅，通过分析释放隐藏在大数据中的价值。今后将会有的组织效仿跟随。

个人想法机器人有了自主意识以后，应该不会威胁人类，人类应该会提前做好准备的。有自主意识的机器人一直是人们心中邪恶的代名词，这种感觉来自于对待未知的恐惧。目前，科学家已经证实，机器人已经可以有了非常基础的自我意识，不过幸运的是，这些机器人都非常有礼貌，暂时还不存在对人类的威胁。三个机器人都尝试回答这个问题，但是只有一个喊出我不知道。这个讲话的机器人辨识出自己的声音以后补充到，抱歉，现在我知道了，我不是哑巴！从这个小小的实验中可以发现，目前的机器人已经有了理解和推理，辨识声音的能力，未来能发展成什么样，实在难以想象。以人工智能为引领的机器人流程自动化技术（RPA），正在颠覆全球企业对传统业务流程操作的认知。减少人工操作，大幅提升效率，有效降低成本及错误率，RPA在给人们带来高效快捷工作体验的同时，也引起了“人类能否被机器人取代”这一自带焦虑感的话题。伴随RPA机器人领域变革时机的日臻成熟，今后会有的工作将会自动化。据麦肯锡全球研究院的报告《人机共存的新纪元：自动化、就业和生产力》预测，60%的职业中，有三成以上的工作内容可以利用现有技术实现自动化；而现今的所有工作内容，将有一半会在2055年左右彻底自动化。首先，机器人本身具备一定的局限性。Alphago战胜众多围棋高手，引发了人们对AI的恐慌。实际上，现阶段的AI能做到这些，前提是要满足几个条件（充足的数据、完全的信息、确定性、可预测性、特定领域），只要有任何一个或多个无法满足，“阿法狗”则风光不再。

计算机视觉、机器学习、自然语言处理、机器人和语音识别是人工智能的五大核心技术,它们均会成为独立的子产业。计算机视觉计算机视觉是指计算机从图像中识别出物体、场景和活动的能力。计算机视觉技术运用由图像处理操作及其他技术所组成的序列，来将图像分析任务分解为便于管理的小块任务。比如，一些技术能够从图像中检测到物体的边缘及纹理，分类技术可被用作确定识别到的特征是否能够代表系统已知的一类物体。计算机视觉有着广泛的应用，其中包括：医疗成像分析被用来提高疾病预测、诊断和治疗；人脸识别被Facebook用来自动识别照片里的人物；在安防及监控领域被用来指认嫌疑人；在购物方面，消费者现在可以用智能手机拍摄下产品以获得购买选择。机器视觉作为相关学科，泛指在工业自动化领域的视觉应用。在这些应用里，计算机在高度受限的工厂环境里识别诸如生产零件一类的物体，因此相对于寻求在非受限环境里操作的计算机视觉来说目标更为简单。计算机视觉是一个正在进行中的研究，而机器视觉则是“已经解决的问题”，是系统工程方面的课题而非研究层面的课题。因为应用范围的持续扩大，某些计算机视觉领域的初创公司自2011年起已经吸引了数亿美元的风投资本。机器学习机器学习指的是计算机系统无须遵照显式的程序指令，而只依靠数据来提升自身性能的能力。其核心在于，机器学习是从数据中自动发现模式，模式一旦被发现便可用于预测。比如，给予机器学习系统一个关于交易时间、商家、地点、价格及交易是否正当等信用卡交易信息的数据库，系统就会学习到可用来预测信用卡欺诈的模式。处理的交易数据越多，预测就会越准确。机器学习的应用范围非常广泛，针对那些产生庞大数据的活动，它几乎拥有改进一切性能的潜力。除了欺诈甄别之外，这些活动还包括销售预测、库存管理、石油和天然气勘探，以及公共卫生等。机器学习技术在其他的认知技术领域也扮演着重要角色，比如计算机视觉，它能在海量图像中通过不断训练和改进视觉模型来提高其识别对象的能力。现如今，机器学习已经成为认知技术中最炙手可热的研究领域之一，在2011~2014年这段时间内就已吸引了近10亿美元的风险投资。谷歌也在2014年斥资4亿美元收购Deepmind这家研究机器学习技术的公司。资4亿美元收购Deepmind这家研究机器学习技术的公司。自然语言处理自然语言处理是指计算机拥有的人类般的文本处理的能力。比如，从文本中提取意义，甚至从那些可读的、风格自然、语法正确的文本中自主解读出含义。一个自然语言处理系统并不了解人类处理文本的方式，但是它却可以用非常复杂与成熟的手段巧妙处理文本。例如，自动识别一份文档中所有被提及的人与地点；识别文档的核心议题；在一堆仅人类可读的合同中，将各种条款与条件提取出来并制作成表。以上这些任务通过传统的文本处理软件根本不可能完成，后者仅针对简单的文本匹配与模式就能进行操作。自然语言处理像计算机视觉技术一样，将各种有助于实现目标的多种技术进行了融合。建立语言模型来预测语言表达的概率分布，举例来说，就是某一串给定字符或单词表达某一特定语义的最大可能性。选定的特征可以和文中的某些元素结合来识别一段文字，通过识别这些元素可以把某类文字同其他文字区别开来，比如垃圾邮件同正常邮件。以机器学习为驱动的分类方法将成为筛选的标准，用来决定一封邮件是否属于垃圾邮件。因为语境对于理解“timeflies”（时光飞逝）和“fruitflies”（果蝇）的区别是如此重要，所以自然语言处理技术的实际应用领域相对较窄，这些领域包括分析顾客对某项特定产品和服务的反馈，自动发现民事诉讼或政府调查中的某些含义，自动书写诸如企业营收和体育运动的公式化范文，等等。机器人将机器视觉、自动规划等认知技术整合至极小却高性能的传感器、制动器以及设计巧妙的硬件中，这就催生了新一代的机器人，它有能力与人类一起工作，能在各种未知环境中灵活处理不同的任务。例如，无人机、可以在车间为人类分担工作的“cobots”等。语音识别语音识别主要是关注自动且准确地转录人类的语音技术。该技术必须面对一些与自然语言处理类似的问题，在不同口音的处理、背景噪声、区分同音异形/异义词（“buy”和“by”听起来是一样的）方面存在一些困难，同时还需要具有跟上正常语速的工作速度。语音识别系统使用一些与自然语言处理系统相同的技术，再辅以其他技术，比如描述声音和其出现在特定序列与语言中概率的声学模型等。语音识别的主要应用包括医疗听写、语音书写、电脑系统声控、电话客服等。比如Domino抯Pizza，最近推出了一个允许用户通过语音下单的移动APP。上述5项技术的产业化，是人工智能产业化的要素。人工智能将是一个万亿级的市场，甚至是10万亿级的市场，将会为我们带来一些全新且容量巨大的子产业，比如机器人、智能传感器、可穿戴设备等，其中最令人期待的是机器人子产业。机器人应用的分法有很多种，从应用层面可以粗略地分为以下几个类别。第一个类别是工业级机器人，像富士康这种公司已经运用得很好了，因为劳工成本越来越高，用工风险越来越高，而机器人则可以解决这些问题。第二个类别是监护级机器人，它可以在家里和医院里作为病人、老人或孩子的护理，帮助他们做一定复杂程度的事情。中国对监护级机器人需求其实更迫切一些，因为中国人口红利在下降，同时老龄化又不断地上升，这两个矛盾，机器人都可以帮助解决。因此，这个领域的需求在民用市场占比很大。第三个类别就是探险级机器人，用来采矿或者探险等，大大避免了人所要经历的危险。此外还有用来打仗的军事机器人等。网络媒体Business Insider预测，机器人将在许多岗位上取替人类：电话营销员、校对员、手工裁缝师、数学家、保险核保人、钟表修理师、货运代理商、报税员、图像处理人员、银行开户员、图书馆员、打字员等。因为它们的价格竞争力惊人。麦肯锡全球研究院的研究表明，当中国制造业工资每年增长10%~20%时，全球机器人的价格每年下调10%，一台最便宜的低阶机器人只需花费美国人年平均工资的一半。国际研究机构顾能预测：2020年机器人将导致全球新一波失业潮。同时，人工智能技术的发展还将让许多旧产业获得改头换面式的新生，其中最典型的是汽车产业。汽车产业已存在上百年了，其间的变革也是非常大的，但驾驶汽车的始终是人，可最近几年，随着谷歌等公司的大力投入，机器或者说某种自动化的系统已经有望取代人来驾驶汽车，从而形成一个市场容量巨大的新产业，即无人驾驶汽车产业。这个产业的规模也将是万亿级甚至是10万亿级的。而且，这个产业还将与新能源产业叠加、融合在一起，形成“车联网＋能联网＋互联网＋电动汽车”的复合产业——未来，我们会把插电式汽车和氢燃料汽车作为发电厂使用，从而使新能源汽车成为电网的一部分，成为新能源的供给者，与现在一些装有太阳能发电系统的房屋是太阳能的供给者一样。毫无疑问，与互联网一样，智能技术会向几乎所有旧产业渗透。华泰证券在一份人工智能产业的研究报告中提及了九大行业：生活服务O2O、医疗、零售业、金融业、数字营销业、农业、工业、商业和在线教育。实际上，将获得新生的旧产业还有许多，如军事、传媒、家居、医疗健康业、生命科学、能源、公共部门……甚至包括受VR/AR（虚拟现实与增强现实）技术发展影响而产生的虚拟产业。（内容来自机器人家）望采纳，谢谢

有三个意思：麦肯锡全球研究院(McKinsey Global Institute)；麦肯锡全球研究所；老鼠基因组信息学(Mouse Genome Informatics)Midsnell Group International,缩写MGI 米内尔国际的意思

参考消息网12月8日报道 港媒称，中国近年着力发展人工智能（AI），已成为AI大国，无论在人才数量、企业数量均在全球均占第二位，唯美国在各领域均大幅领先中国。值得注意的是，在有研究AI的高等院校中，美国占了45.7%，中国要追赶美国，一定要加紧在高等院校中开始培养人才。据《香港经济日报》网站12月7日报道，《财富》全球论坛昨在广州开幕，今年论坛以“开放与创新 构建经济新格局”为主题。中央近年推动科技创新，以带动经济转型，人工智能是关键一环。中国龙头科技近年也投放大量资源在AI领域上，目前已见到成绩。报道称，发展AI产业最重人才，《全球人工智能人才白皮书》显示，全球AI领域人才总数约30万，而目前市场的需求则在百万量级，AI人才供应存在很大缺口。截至2017年6月，全球人工智能初创企业共计2617家。美国占据1078家居首，亦即美国企业占全球总数逾40%，中国以592家企业排名第二，其后分别是英国，以色列，加拿大等国家。其中，美国1078家人工智能初创企业约有78700名员工，中国592家公司中约有39200位员工。具体来看，全球30万AI人才中，高校领域约有10万人，产业界约20万人。目前，全球共有367所具有AI研究方向的高校，但每年AI相关领域的硕博毕业生只有约2万名。在这367所高校中，美国拥有168所，占据全球的45.7%，反观中国只有20所。报道称，中美两国AI人才聚集的产业并不相同。在美国，投资者对于基础层面更为看重，而中国投资者对应用层的关注。事实上，近年中国在AI领域发展的确在全球前列，成绩比不少发达国家更佳，但相比于美国，基础仍相对薄弱，要追赶美国仍有一大段距离。特别是美国高等院校研究AI占了全球近半壁江山，每年有大量人才补充，这点是包括中国在内的其他国家难以冀及。报道称，更值得注意的是，美国投资者及企业，更注重基础技术研究，这些成果未必能即时商业化，但对未来科技的影响深远；而中国投资者更着重应用，这在起步之初无可厚非，但切忌急功近利。资料图片：12月2日，第四届世界互联网大会·互联网之光博览会在浙江省桐乡市乌镇拉开帷幕，这是参观者在博览会上了解智能悬浮平台。【延伸阅读】美媒宣称美国用人工智能分析卫星照片 搜寻他国导弹发射场参考消息网11月26日报道 美媒称，在情报机构中，只有为数不多受过训练的分析人员从事从浩如烟海的卫星图像中寻找未公开宣布的核设施或秘密军事场所的工作。但是，使谷歌和脸书公司的人脸和喵星人图片的自动过滤成为可能的那种深度学习人工智能，在针锋相对的间谍世界中也可能被证明是无价之宝。一个早期的例子是：美国研究人员已经训练了发现中国地对空导弹发射场的深度学习算法，其速度要比人工分析快数百倍。据美国连线杂志网站11月21日报道，深度学习算法被证明能够帮助先前不具备图像分析经验的人员，找到散布在中国东南地区近9万平方公里区域内的地对空导弹发射场。这种基于神经网络——即能够对海量数据进行过滤并从中学习的层状人造神经元——的人工智能可媲美人类图像分析专家在定位导弹发射场时取得的90%的总体准确率。也许更加令人叹为观止的是，深度学习软件帮助人类把找出潜在导弹发射场的时间从60个小时缩短至仅42分钟。密苏里大学地理空间智能中心主任、电机工程和计算机科学教授柯特·戴维斯说：“算法被用来寻找据说被高度怀疑存在导弹发射场的位置，然后由人工对搜索结果进行评估以确保准确，并弄清算法节约了多少时间。”报道称，密苏里大学的这项研究于10月6日发表在《应用遥感杂志》上。该研究是在卫星成像分析人员正在被大数据的洪流淹没的背景下展开的。知名商业卫星成像公司DigitalGlobe每天生成大约70兆兆字节的原始卫星成像数据，更不用说来自其他商业卫星和政府间谍卫星的所有成像数据了。戴维斯和同事们证明了现有的深度学习模型——它们经过了针对卫星成像分析的培训和改进——能够如何发现让情报机构和国家安全专家产生极大兴趣的潜在目标。这些深度学习模型——包括GoogleNet和微软研究公司的ResNet——最初建立时的目的是从传统照片和视频信息中发现目标并进行分类。戴维斯和同事们对这些模型进行了调整以使它们适应解读卫星成像数据的难题和局限，例如培训一些能够解读彩色和黑白图像的深度学习模型，以备在只能获得地对空导弹发射基地的黑白图像时使用。事实上，分析人员广泛依赖于卫星成像技术对朝鲜武器计划的发展进行跟踪。人类分析员很可能已经发现了这个幅员相当狭小的国家境内现有的大部分、甚至全部的地对空弹发射场。但是类似的深度学习工具可以帮助自动标记在朝鲜或其他国家境内出现的新的地对空发射场。对已有和新的导弹发射场的了解有时可以引导分析人员发现其他可疑地点，因为各国通常把地对空导弹发射场设置在特定区域以防其附近的宝贵装备遭到空中打击。报道称，研究人员最终只利用了大约90个得到肯定确认的中国导弹发射基地样本来训练人工智能。规模如此小的培训数据集在正常情况下或许无法取得准确的深度学习成果。为了绕过这一问题，戴维斯和同事们通过在不同方向上对原始图像稍作改变，把这90多个培训样本转化成了89.3万个培训样本。报道称，这项研究令人印象深刻的深度学习成绩很可能得益于地对空导弹发射场的规模相当庞大，并且从卫星的俯拍照片上呈现独特的形状。戴维斯提醒说，在试图分析较小的目标如车载导弹发射器、雷达天线、车载雷达系统和军车等的时候，深度学习算法将面临大得多的挑战，因为现有卫星图像在提取识别特征时没有那么多的像素可以使用。资料图片：这张拍摄于2012年12月2日的卫星图像显示的是朝鲜丰溪里核试验场地区的交通线路图。（卫星图像由DigitalGlobe公司拍摄、约翰·霍普金斯大学高级国际研究学院美韩研究所下属网站“38 North”添加注解并于2012年12月28日发表。）【延伸阅读】外媒称中国人工智能5年内比肩美国：解放军将凭此获得优势参考消息网11月29日报道 外媒称，美国情报界的一个研究机构近日举行了一场竞赛，看谁开发出的人脸识别技术最优秀。在所有参赛者中，荣获2.5万美元最高奖的是一家名叫依图科技的中国初创公司。路透社11月28日报道称，美国一家智库的报告举出类似的众多例子证明，中国军方也许会利用该国在人工智能领域的快速进步，推动武装力量现代化并有可能谋求对美军事优势。由新美国安全中心的埃尔莎·卡尼亚撰写的这份报告称：“中国不再处于相对于美国的技术劣势，而是已经成为真正的对手，在人工智能方面也许会有能力超越美国。”卡尼亚写道，未来美中两国在人工智能领域的竞争“可能会改变未来的经济和军事力量对比”。“字母表”公司的执行董事长埃里克·施密特前不久在华盛顿的一次聚会上就中国的潜力发出了类似警告。他指出，中国7月份公布的《新一代人工智能发展规划》要求在未来几年赶上美国，并最终成为全球首要的人工智能创新中心。施密特在这次会议上说：“我认为我们在今后5年里仍会处于领先地位，但中国的赶超速度会非常快。所以，5年后我们可能就会差不多处于同一水平。”今年早些时候，五角大楼的一份未公开文件渲染说，中国企业正在通过购买美国公司的股权来绕开美国的监管，获取有潜在军事用途的美国人工智能敏感技术。针对这种情况，一些美国国会议员本月提出了加强美国外资管理的议案。新美国安全中心的报告指出了中国的收购活动，并表示北京在培育国内人工智能产业与美国竞争方面有一些障碍，包括招聘顶尖人才。然而，施密特说：“如果你们认为他们的制度和教育体系培养不出我所说的那种人，那你们就错了。”人工智能技术促进了自动驾驶汽车的出现，可能会彻底改变交通运输的面貌。此外，这种技术还给医学带来重大进展。据估计，它也有能改变战场形势的军事用途。五角大楼有一个项目，着眼于让计算机帮助筛选无人机拍摄的影像资料，从而减少人类分析师的工作量。这其中已经运用了一些机器学习技术。报道称，报告引述公开文件的内容指出，中国人民解放军正投资于各种和人工智能有关的项目，解放军的研究机构正与中国国防工业合作。报告称：“解放军预计人工智能的出现会从根本上改变战争的性质。”卡尼亚承认，鉴于人工智能的发展尚处于早期，且中国及其他国家有关人工智能的政策尚不完善，她的这一研究结果相当大一部分是推测性的。尽管如此，她在报告中表示，一些解放军思想家预计战场上即将出现“奇特景象”，届时人类在作战过程中会跟不上机器主导决策的速度和节奏。资料图：青少年AI人工智能设计大赛苏州开赛。【延伸阅读】美媒：第四次工业革命来临？人工智能将消灭过时岗位参考消息网11月24日报道 美媒称，无人驾驶汽车和卡车占领公路，机器人“操作”工厂。超级智能手机呼来优步公司直升机，将手机主人送到迅速扩大的城区。机器利用算法自学完成一度需要人类智慧才能掌握的认知任务，消灭了无数管理及工业岗位。据美国《华盛顿邮报》网站11月22日文章，这就是技术进步导致的第四次工业革命重塑世界的愿景——多半会在未来五至十年内实现。今天，这个景象不仅在硅谷初露端倪，而且在巴黎的智库、中国的电动车工厂甚或在撒哈边沙漠周边都能看到。21世纪，技术所带来的影响不同以往。过去，蒸汽机、电力和计算机诞生时，社会有数年时间适应技术带来的变化。今天，变化是随时随地的，瞬间就以数字化形式遍布全球。世界各地各级政府突然认识到社交媒体、其他形式的算法以及人工智能已迅速超出了其掌控范围，甚至令其毫无察觉。文章称，美国人今天的生活受技术影响的范围要远比过去几十年更为广泛。自动驾驶汽车、云（技术）以及送货上门的成群结队的无人机都是众所周知的概念了。但是，这些技术步步紧盯你我，这个现实的确令人措手不及。本月，法国国际关系研究所在摩洛哥召开世界政策年会期间，一位发言者说：“中国不仅是全球工厂，而且正在成为全球实验室。”他指的是北京迅速发展的军用和民用人工智能技术。文章称，美国政府置身事外，任凭市场力量发展具有全球影响的技术公司巨头。中国则选择了正面竞争。欧洲允许美国技术公司进入市场，对其加以管理而不是与其竞争。俄罗斯则把信息技术武器化，为军队、导弹和坦克增添社交媒体。外交官和战略家已经开始探讨技术与国际事务的交集，希望找到办法，将冷战式威慑和军备控制协议原则应用到网络威胁领域。也有人呼吁，政府应当开始想办法解决技术影响对国内劳工市场和日益脆弱的政治体系造成的紧迫问题。文章称，人工智能和自动化在消灭过时岗位的同时也在创造新的岗位，新岗位常常需要持续不断的再培训和多种职业与场所转换。美国用人单位报告目前空缺610万个就业岗位，主要是因为求职者缺乏所需要的技能或就业流动性。人工智能机器人【延伸阅读】外媒称中国在人工智能领域挑大梁：高科技非西方专属游戏参考消息网10月30日报道 英媒称，高科技曾被认为只是美欧日等发达经济体的专属游戏，但如今中国正在颠覆这种偏见，在人工智能研发领域，中国已经令人意外地与美国共挑大梁。据英国《金融时报》网站10月20日报道，“到2018年，中国政府对人工智能的研发支出可望达到150亿美元。”麦肯锡董事长兼全球总裁鲍达民如此预测。鲍达民是一名中国通，在成为麦肯锡掌门人之前曾长期驻扎上海。今年9月底他空降北京，再次呼吁中国加大力度发展人工智能产业。他认为，中国在这方面蕴藏着巨大的潜力，一个最根本的原因是这里拥有海量活生生的数据。他表示，20年前全球范围内曾出现过一次“假曙光”，但是当时没有可匹配的计算能力，如今随着计算技术的提升，加之移动互联网的发展，数据得以采集，人工智能正在从构想变为可应用的现实。此前麦肯锡全球研究院在一份报告中做过三点判断：人工智能投资已进入到世界领先科技公司对专利和知识产权的竞争阶段；早期进入人工智能行业的公司往往更接近数字化前沿；高科技、通信与金融服务三年内将成为人工智能的主导产业。麦肯锡预计，人工智能应用的市场规模将在八年后达到1270亿美元。在2017年3月举行的中国发展高层论坛上，鲍达民在讲演中称，一些中国的互联网企业在自然语言处理、图像和语音识别等技术方面走在了前沿，可整合进诸如私人助理、自动驾驶等新产品中。作为执掌这家全球顶尖合伙人咨询公司近九年的资深人士，鲍达民在每日与各类客户的接触过程中，训练出了非常敏锐的洞察力。一个趣闻是，现在越来越多机构开始认真对待中国2013年提出的“一带一路”倡议，其实早在2010年鲍达民就谈到可能会出现一个“新的贸易轴心”、“这是以前的一条丝绸之路”。鲍达民对中国问题很感兴趣，也懂得如何发挥影响力。跟其他很多行业一样，今天的咨询业也面临着被人工智能大肆改造的命运，在高薪聘请员工与高价引进人工智能技术之间，以做决策为每日工作的鲍达民，此时更需要仔细权衡。他表示，公司要承担起“双重使命”——为满足客户需求而大力引进机器人和自动化程序，另一方面需要培训员工掌握运用人工智能必需的相关技能。以下是鲍达民接受《高端视点》视频访谈的部分文字选编：问：你为什么呼吁中国要加大力度发展人工智能？鲍达民：我定期来中国的一个原因是，如果你不了解现在中国正在发生什么，你就会被边缘化。人工智能是我感兴趣的领域，因为我觉得它是会改变世界的重要技术。我认为中国在人工智能领域将具有重要的地位，主要得益于这里的人才和智力资源。（中国的参与）也会促进世界的发展，我们可以解决诸如医学方面的许多难题，像癌症；还有对孤独症的治疗等很多世界级难题，都是人工智能可以帮助解决的。另外，它还有助于提高生产力水平。因此，出于各个方面的原因，中国需要在人工智能领域扮演重要角色。问：中美都集中发展人工智能，而中国的人口是美国的近五倍，中国仍是发展中国家，中国有什么优势吗？鲍达民：美国在这一领域处于领先地位英国则是在研究领域十分先进，比如有“深层思维”这类公司，聚集了很多神经科学家、生物学家、计算机科学家等。即便是加拿大也在努力推动人工智能的发展，像多伦多和蒙特利尔都在尽力推动相关产业。于我而言，我认为对人才和领导力的把握更重要，人工智能是重要的机遇。中国已经拥有了数据，再次强调，发展人工智能仅仅有技术也不行，还得有数据。你提到了中国拥有美国五倍的人口，这些数据就是发展人工智能的重要材料。问：你非常珍惜人才，注重教育。过去的几年里，中国毕业生留给你的印象有什么变化吗？鲍达民：中国学生的质量一直都很高，也很有才干。我记得在几个大学举行招聘的时候，我说既然这些人都有能力进入这些大学，我们为什么还要费劲去测试他们解决问题的能力？我自己有可能都考不上这些学校。所以，他们都是非常聪明的人。我想我注意到的一个变化就是，我们现在招了很多没有那么多社会经验的人，有一次我在上海招聘了两个学生，他们非常棒，我让他们在肯德基工作了两晚，但他们的父母非常沮丧。一个学生的父母问，他们被招进了麦肯锡，为什么要在快餐连锁店工作？我说，因为你需要看看那些不冲厕所的人、偷东西的人，还有毫不讲理的顾客，这就是生活。如果一直仅身处学术环境中，你没有办法适应那些做奇怪事情的人。我发现如今毕业生拥有此类真实的社会经验，这非常重要，否则你会没办法与人打交道。鲍达民。【延伸阅读】美媒文章：下一场科技竞赛将聚焦人工智能参考消息网11月9日报道 美国《外交政策》双月刊网站11月3日刊发美国布鲁金斯学会主席、前驻阿富汗美军司令约翰·艾伦以及美国人工智能专家阿米尔·侯赛因的文章《下一场太空竞赛目标是人工智能》称，虽然美国历史上是人工智能领域大部分最重要的创新和研究机构的所在地，但国际竞争对手正紧随其后。人工智能成必争之地文章称，约60年前，时任美国参议院多数党领袖林登·约翰逊预测说，谁赢得太空竞赛，谁就将“控制、彻底控制地球”。美国最终赢得了那场竞赛，不仅登上了月球，而且还激发了下一代的科学家、技术人员和乐观主义者。最近，俄罗斯总统弗拉基米尔·普京在预测下一场伟大的科技竞赛——人工智能时，重复了约翰逊的这种表述。文章认为，约翰逊和普京对技术力量的理解中，存在一条跨越时代和地缘政治的真理。不过，现在美国担心的是，它正面临在这场关键竞赛中落后的风险。文章称，很快，在包括工作和娱乐在内的大多数社会经济领域，人工智能将成为给我们带来竞争优势的最具潜力的改变者，其影响将远远超过人们通常有关自动化取代制造业工作岗位的辩论。文章认为，虽然美国是人工智能的诞生地，也是历史上这一领域大部分最重要的创新和研究机构的所在地，但国际竞争对手正紧随其后。文章称，中国最近宣布了一项斥资数十亿美元的人工智能发展计划，到2030年要在这一技术领域领先世界。俄罗斯正在开发具有人工智能的下一代米格-41战机，能够在高达6马赫的极超音速下控制战机。美国或被中俄赶超文章称，美国用肉眼就能看到自己的弱点：高层国家计划中人工智能项目的缺乏、科技经费缩减、限制移民等，这一切都在损害其竞争力。问题在于，美国能否在为时已晚之前纠正错误。文章对美国所面临的问题，以及应该采取什么样的措施，进行了大量思考：首先，鼓励美国研究人员引领世界创新的开放性，同样也在促使他们的研究成果在得到保护前迅速地进入公众视野。虽然美国珍视学术开放文化，但美国企业需要更快的专利程序和政府支持，这样在与海外侵权者发生知识产权纠纷时，它们才能拥有一些优势。其次，监管部门使得在美国生产商品并销往别国变得非常困难，从而为外国竞争者创造了一个他们本来毫无机会的市场。多年来，美国一直禁止出口加密技术和基础处理器。这种做法所带来的仅仅是国际竞争者满足了需求，为它们自己创造出了一个市场。第三，中国在深度学习方面发表的论文数超过了美国，超级计算机数量也超过了美国。美国需要在人工智能方面进行的公共投资。第四，中国正吸引更好的人工智能人才，收购美国技术公司。解决办法很简单：为这一领域的专家提供绿卡；为公立大学的研究实验室提供的联邦资助；向罗兹奖学金这样的教育项目提供投资，以吸引未来的博士。文章称，美国永远不能忘记，人工智能代表了人类创造能力的一个突破。人工智能是人类下一个伟大的跃进。最先登上月球的国家现在必须正确地迈出走向明天的那一步。

大数据技术发展史：大数据的前世今生今天我们常说的大数据技术，其实起源于Google在2004年前后发表的三篇论文，也就是我们经常听到的“三驾马车”，分别是分布式文件系统GFS、大数据分布式计算框架MapRece和NoSQL数据库系统BigTable。你知道，搜索引擎主要就做两件事情，一个是网页抓取，一个是索引构建，而在这个过程中，有大量的数据需要存储和计算。这“三驾马车”其实就是用来解决这个问题的，你从介绍中也能看出来，一个文件系统、一个计算框架、一个数据库系统。现在你听到分布式、大数据之类的词，肯定一点儿也不陌生。但你要知道，在2004年那会儿，整个互联网还处于懵懂时代，Google发布的论文实在是让业界为之一振，大家恍然大悟，原来还可以这么玩。因为那个时间段，大多数公司的关注点其实还是聚焦在单机上，在思考如何提升单机的性能，寻找更贵更好的服务器。而Google的思路是部署一个大规模的服务器集群，通过分布式的方式将海量数据存储在这个集群上，然后利用集群上的所有机器进行数据计算。 这样，Google其实不需要买很多很贵的服务器，它只要把这些普通的机器组织到一起，就非常厉害了。当时的天才程序员，也是Lucene开源项目的创始人Doug Cutting正在开发开源搜索引擎Nutch，阅读了Google的论文后，他非常兴奋，紧接着就根据论文原理初步实现了类似GFS和MapRece的功能。两年后的2006年，Doug Cutting将这些大数据相关的功能从Nutch中分离了出来，然后启动了一个独立的项目专门开发维护大数据技术，这就是后来赫赫有名的Hadoop，主要包括Hadoop分布式文件系统HDFS和大数据计算引擎MapRece。当我们回顾软件开发的历史，包括我们自己开发的软件，你会发现，有的软件在开发出来以后无人问津或者寥寥数人使用，这样的软件其实在所有开发出来的软件中占大多数。而有的软件则可能会开创一个行业，每年创造数百亿美元的价值，创造百万计的就业岗位，这些软件曾经是Windows、Linux、Java，而现在这个名单要加上Hadoop的名字。如果有时间，你可以简单浏览下Hadoop的代码，这个纯用Java编写的软件其实并没有什么高深的技术难点，使用的也都是一些最基础的编程技巧，也没有什么出奇之处，但是它却给社会带来巨大的影响，甚至带动一场深刻的科技革命，推动了人工智能的发展与进步。我觉得，我们在做软件开发的时候，也可以多思考一下，我们所开发软件的价值点在哪里？真正需要使用软件实现价值的地方在哪里？你应该关注业务、理解业务，有价值导向，用自己的技术为公司创造真正的价值，进而实现自己的人生价值。而不是整天埋头在需求说明文档里，做一个没有思考的代码机器人。Hadoop发布之后，Yahoo很快就用了起来。大概又过了一年到了2007年，百度和阿里巴巴也开始使用Hadoop进行大数据存储与计算。2008年，Hadoop正式成为Apache的顶级项目，后来Doug Cutting本人也成为了Apache基金会的主席。自此，Hadoop作为软件开发领域的一颗明星冉冉升起。同年，专门运营Hadoop的商业公司Cloudera成立，Hadoop得到进一步的商业支持。这个时候，Yahoo的一些人觉得用MapRece进行大数据编程太麻烦了，于是便开发了Pig。Pig是一种脚本语言，使用类SQL的语法，开发者可以用Pig脚本描述要对大数据集上进行的操作，Pig经过编译后会生成MapRece程序，然后在Hadoop上运行。编写Pig脚本虽然比直接MapRece编程容易，但是依然需要学习新的脚本语法。于是Facebook又发布了Hive。Hive支持使用SQL语法来进行大数据计算，比如说你可以写个Select语句进行数据查询，然后Hive会把SQL语句转化成MapRece的计算程序。这样，熟悉数据库的数据分析师和工程师便可以无门槛地使用大数据进行数据分析和处理了。Hive出现后极大程度地降低了Hadoop的使用难度，迅速得到开发者和企业的追捧。据说，2011年的时候，Facebook大数据平台上运行的作业90%都来源于Hive。随后，众多Hadoop周边产品开始出现，大数据生态体系逐渐形成，其中包括：专门将关系数据库中的数据导入导出到Hadoop平台的Sqoop；针对大规模日志进行分布式收集、聚合和传输的Flume；MapRece工作流调度引擎Oozie等。在Hadoop早期，MapRece既是一个执行引擎，又是一个资源调度框架，服务器集群的资源调度管理由MapRece自己完成。但是这样不利于资源复用，也使得MapRece非常臃肿。于是一个新项目启动了，将MapRece执行引擎和资源调度分离开来，这就是Yarn。2012年，Yarn成为一个独立的项目开始运营，随后被各类大数据产品支持，成为大数据平台上最主流的资源调度系统。同样是在2012年，UC伯克利AMP实验室（Algorithms、Machine和People的缩写）开发的Spark开始崭露头角。当时AMP实验室的马铁博士发现使用MapRece进行机器学习计算的时候性能非常差，因为机器学习算法通常需要进行很多次的迭代计算，而MapRece每执行一次Map和Rece计算都需要重新启动一次作业，带来大量的无谓消耗。还有一点就是MapRece主要使用磁盘作为存储介质，而2012年的时候，内存已经突破容量和成本限制，成为数据运行过程中主要的存储介质。Spark一经推出，立即受到业界的追捧，并逐步替代MapRece在企业应用中的地位。一般说来，像MapRece、Spark这类计算框架处理的业务场景都被称作批处理计算，因为它们通常针对以“天”为单位产生的数据进行一次计算，然后得到需要的结果，这中间计算需要花费的时间大概是几十分钟甚至更长的时间。因为计算的数据是非在线得到的实时数据，而是历史数据，所以这类计算也被称为大数据离线计算。而在大数据领域，还有另外一类应用场景，它们需要对实时产生的大量数据进行即时计算，比如对于遍布城市的监控摄像头进行人脸识别和嫌犯追踪。这类计算称为大数据流计算，相应地，有Storm、Flink、Spark Streaming等流计算框架来满足此类大数据应用的场景。 流式计算要处理的数据是实时在线产生的数据，所以这类计算也被称为大数据实时计算。在典型的大数据的业务场景下，数据业务最通用的做法是，采用批处理的技术处理历史全量数据，采用流式计算处理实时新增数据。而像Flink这样的计算引擎，可以同时支持流式计算和批处理计算。除了大数据批处理和流处理，NoSQL系统处理的主要也是大规模海量数据的存储与访问，所以也被归为大数据技术。 NoSQL曾经在2011年左右非常火爆，涌现出HBase、Cassandra等许多优秀的产品，其中HBase是从Hadoop中分离出来的、基于HDFS的NoSQL系统。我们回顾软件发展的历史会发现，差不多类似功能的软件，它们出现的时间都非常接近，比如Linux和Windows都是在90年代初出现，Java开发中的各类MVC框架也基本都是同期出现，Android和iOS也是前脚后脚问世。2011年前后，各种NoSQL数据库也是层出不群，我也是在那个时候参与开发了阿里巴巴自己的NoSQL系统。事物发展有自己的潮流和规律，当你身处潮流之中的时候，要紧紧抓住潮流的机会，想办法脱颖而出，即使没有成功，也会更加洞悉时代的脉搏，收获珍贵的知识和经验。而如果潮流已经退去，这个时候再去往这个方向上努力，只会收获迷茫与压抑，对时代、对自己都没有什么帮助。但是时代的浪潮犹如海滩上的浪花，总是一浪接着一浪，只要你站在海边，身处这个行业之中，下一个浪潮很快又会到来。你需要敏感而又深刻地去观察，略去那些浮躁的泡沫，抓住真正潮流的机会，奋力一搏，不管成败，都不会遗憾。正所谓在历史前进的逻辑中前进，在时代发展的潮流中发展。通俗的说，就是要在风口中飞翔。上面我讲的这些基本上都可以归类为大数据引擎或者大数据框架。而大数据处理的主要应用场景包括数据分析、数据挖掘与机器学习。数据分析主要使用Hive、Spark SQL等SQL引擎完成；数据挖掘与机器学习则有专门的机器学习框架TensorFlow、Mahout以及MLlib等，内置了主要的机器学习和数据挖掘算法。此外，大数据要存入分布式文件系统（HDFS），要有序调度MapRece和Spark作业执行，并能把执行结果写入到各个应用系统的数据库中，还需要有一个大数据平台整合所有这些大数据组件和企业应用系统。图中的所有这些框架、平台以及相关的算法共同构成了大数据的技术体系，我将会在专栏后面逐个分析，帮你能够对大数据技术原理和应用算法构建起完整的知识体系，进可以专职从事大数据开发，退可以在自己的应用开发中更好地和大数据集成，掌控自己的项目。希望对您有所帮助！~

麦肯锡：16年后成都将成巨型城市 人口达千万成都拥有巨大的发展潜力，到2025年，将由大型城市扩展为巨型城市，成为中国八大巨型城市之一。在省商务厅委托国际著名咨询公司麦肯锡编写的《家园重建、产业重振、希望重生——四川省灾后重建国际投资、援助需求报告》中，麦肯锡作出了如上预测。 据麦肯锡全球研究院分析，成都作为四川省的省会城市，经济迅速增长，已在西部地区形成了较强的竞争力。从GDP来看，成都GDP从2000年开始以每年14%的高速增长，在2008年全国城市竞争力排行榜位居西部第一，拥有世界500强企业数量居中西部首位。以成都及重庆两大城市为轴心而形成的成渝城市聚集群，是中国11个城市聚集群之一，方圆300公里内拥有29个人口100万以上的卫星城市。 麦肯锡全球研究院认为，作为中枢城市的成都，经济总量高，发展速度快，无疑将进一步吸引其他城市和地区人口迁入。预计到2025年将由大型城市迅速扩展为拥有千万人口的巨型城市，跻身于北京、上海等特大城市之列。 麦肯锡认为，四川在机械冶金、水电、电子信息、医药化工、饮料食品和旅游等方面已形成优势产业。并且在航空航天、汽车制造、生物工程及新材料等潜力产业上具有较大的发展空间。灾后重建将为外资和国际组织、外国政府带来的投资机会和援助契机，在三大产业都有体现： 第一产业的投资机会在于利用和开发先进的种植技术和名优产品，提升农业副产品的档次。可投资的领域包括绿色食品、茶叶种植等。 第二产业的投资机会在于引进国际先进技术，开发高科技含量、高附加值产品；整合产业，协助地方龙头企业恢复重建和发展等。可投资的领域包括电子信息、能源电力、钒钛钢铁、装备制造、油气化工、汽车制造、航空航天、饮料食品（茶加工、猪肉）、现代中药、生物工程。 第三产业的投资机会在于提升旅游资源，吸引高端旅客；协助基础设施，如预警系统、污水处理系统等的重建；开发国际水准的服务产业，可投资的领域包括旅游、金融等。 记者 江玮 链接 麦肯锡是全球领先的智库管理咨询公司。成立于1926年，创始人是芝加哥大学教授杰姆斯麦肯锡。目前，麦肯锡在全球44个国家有80多个分公司。麦肯锡大中华区包括北京、香港、上海与台北四家分公司。过去十年中，麦肯锡在大中华区完成了800多个项目。成立于1993年的上海分公司是其在中国内地的首家分公司。世界排名前100的公司中，70%左右是麦肯锡的客户，包括AT&T、花旗银行、柯达、壳牌、雀巢、奔驰等。在中国有广东今日集团、平安保险等客户。