精华内容
下载资源
问答
  • 怎样通过历史数据预测未来

    万次阅读 2019-01-08 10:51:46
    如果我们在现实生活中也能预测未来该有多好,每天坐等买彩票就可以致富了(笑醒)。当然彩票因为其随机性,肯定是不能预测的,不过有些事情倒是可以预测,只是现有的技术还做不到百分百正确。那么哪些事情是可以预测...

    很多人或许都看过火影忍者,你是否对蛤蟆丸口中的预言之子感到很神奇,这个老蛤蟆预言了很多事情,他在梦里可以预见未来。如果我们在现实生活中也能预测未来该有多好,每天坐等买彩票就可以致富了(笑醒)。当然彩票因为其随机性,肯定是不能预测的,不过有些事情倒是可以预测,只是现有的技术还做不到百分百正确。那么哪些事情是可以预测的呢,比如预测天气、预测股票,预测世界杯或NBA,预测疾病,事故,公司明年的销量,未来的房价走向等等。其实预测可以用于几乎每个行业,通过预测可以对一些决策提供客观参考。那么怎么做到预测呢?下面我们通过一个简单的示例来理解预测。

    假设有这样一个场景,每天上下班的时候,我们乘坐的电梯有时候会出故障,有的电梯一下掉十几楼,我每天坐电梯的时候心都是提着的。那么我们是否可以对某部电梯的故障进行预测,来减少未来发生故障的次数?当然可以的。

    选用较为主流的一些工具来搭建我们的预测环境。

    jupyter安装:https://www.cnblogs.com/bxyan/p/7203966.html可以参照该文章进行安装

    hadoop安装:https://blog.csdn.net/hliq5399/article/details/78193113安装本地模式就可以了

    spark安装:https://www.cnblogs.com/tijun/p/7561718.html 由于spark是运行在hdfs上,所以需要先安装好hadoop

    以上环境搭建好了后,我们就以hadoop为数据源,来计算预测模型,再以该模型实时预测电梯故障。

    我们采集到电梯正常运行和故障发生前的一些数据:

     

     

     

    运行时长

    200 370 130 245 360 365 345 361 112 190 234 564 670 200 240 490 785 280 150 530 489 389
    载重 500 100 900 300 700 900 555 233 1000 1100 234 600 300 1100 900 400 1000 1200 1189 999 100 1009
    是否高峰期 1 0 1 0 1 1 0 0 1 1 0 1 0 1 1 0 0 1 1 1 0 1
    是否故障 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1

    我们将其中的70%作为训练数据,30%作为测试数据。首先利用训练数据训练出预测模型。我们用pyspark从hadoop中提取出数据:

    import findspark
    import os
    #初始化pyspark的依赖
    findspark.init()
    %matplotlib inline
    # 实例化sparksession
    from pyspark.sql import SparkSession
    spark = SparkSession.builder \
        .master("local") \
        .appName("Python Spark SQL basic example") \
        .config("spark.some.config.option", "some-value") \
        .enableHiveSupport() \
        .getOrCreate()

    spark实例已经初始化成功,接下来从hadoop中提取数据到spark中,

    #提取hadoop数据到DataFram
    df_train = spark.read.format("csv").option("header","true")\
    .option("inferSchema","true").load("hdfs://bigdata:8020/hive/warehousedir/db.db/lift/lift_train.txt")
    df_train.show()

    接下来需要将这些数据构造成特征矩阵,其中feature列就是转换后的特征矩阵

    from pyspark.ml.feature import *
    vectorizer = VectorAssembler()
    vectorizer.setInputCols(["runtime", "weight", "ishight"])
    vectorizer.setOutputCol("features")
    #特征矩阵
    df_vect = vectorizer.transform(df_train)
    df_vect.show()

    我们这里选用的是逻辑回归算法来生成模型,因为我们预测的目标属性是一个二元数值。生成模型的算法还有很多,按模型的训练方式分为:有监督训练、无监督训练和半监督训练。逻辑回归是监督训练中的一种,决策树算法,神经网络,多元线性回归等也都属于监督训练。

    #构建逻辑回归模型
    from pyspark.ml.classification import LogisticRegression
    mlor = LogisticRegression(regParam=0.1, elasticNetParam=0, family="binomial")
    #设置目标属性和特征矩阵
    mlor.setLabelCol("isbroken")
    mlor.setFeaturesCol("features")
    #生成模型
    model = mlor.fit(df_vect)

    pyspark.ml库给我们提供了多种分类算法,我们可以根据业务场景选择合适的算法来生成模型。根据该模型,对测试数据进行预测

    df_test = spark.read.format("csv").option("header","true")\
    .option("inferSchema","true").load("hdfs://bigdata:8020/hive/warehousedir/db.db/lift/lift_test.txt")
    #构建测试数据的特征矩阵
    df_vtest = vectorizer.transform(df_test)
    #预测
    transformed = model.transform(df_vtest)
    transformed.show()

    其中prediction这列就是我们对测试数据预测的结果,当然,用于训练的数据越多,最后预测的结果就越准确。一个模型只要预测正确的概率大于随机概率,都是有意义的。

    展开全文
  • 我们所在的城市,会以怎样的方式发展呢?最近,两位数据科学家用数据科学和机器学习,预测了 2100 年全球城市扩张趋势。前段时间,一段利用 AI 修复民国北京街景的视频火遍全网,全民穿越回 100 年前,感受了一下...

    以下文章来源于HyperAI超神经

    你有想象过 2100 年,这个世界是什么样子的吗?我们所在的城市,会以怎样的方式发展呢?最近,两位数据科学家用数据科学和机器学习,预测了 2100 年全球城市扩张趋势。

    前段时间,一段利用 AI 修复民国北京街景的视频火遍全网,全民穿越回 100 年前,感受了一下当年的京城生活。

    看着画面里的砖瓦房、马车、集市上摆摊的商贩,大家纷纷感慨,100 年的变化是如此之大。

    的确,一个世纪的时间里,很多城市都经历了翻天覆地的变化。建筑越来越高、交通越来越便捷、城市面积越来越大……

    152ccf85fcdc81847efe7a7cebb12ab0.png

    研究人员利用卫星图像绘制了 1985 年至 2015 年间城市增长的地图。研究表明,过去 30 年里,全球城市面积扩张了 80%,城市人口增长率远远高于全球人口增长率。

    而 100 年后,甚至更久之后,世界各地的城市将会发展成什么样子?

    现在,利用数据科学与模拟模型,就能够根据历史数据与国情、社会,预测出城市的发展模式。

    大多数人没有意识到诸如建筑物和道路之类的景观变化,可能会影响他们的生活。

    比如,在特拉华州,在海岸附近建造的房屋通常以牺牲农田为代价。

    虽然这些开发项目可能会帮助地区的经济繁荣,但它们也可能会带来其他意想不到的后果,比如增加沿海洪灾和海平面上升的可能性。

    如果真的发生了这些极小概率的事件,别说城市继续发展,可能某些城市还会不可避免成为历史。

    而且,无论选择哪种社会经济模型,模拟结果都表明,到本世纪末,全球的大多数国家都将实现城市化。

    那么问题来了,你觉得八十年后,你在哪个城市?又在城市的哪里?

    展开全文
  • By 超神经内容提要:你有想象过 2100 年,这个世界是什么样子的吗?我们所在的城市,会以怎样的方式发展呢?最近,两位数据科学家用数据科学和机器学习,预测了 2100 年全球城市扩张趋...

    By 超神经

    内容提要:你有想象过 2100 年,这个世界是什么样子的吗?我们所在的城市,会以怎样的方式发展呢?最近,两位数据科学家用数据科学和机器学习,预测了 2100 年全球城市扩张趋势。

    关键词:城市化 预测 机器学习 数据科学

    前段时间,一段利用 AI 修复民国北京街景的视频火遍全网,全民穿越回 100 年前,感受了一下当年的京城生活。

    看着画面里的砖瓦房、马车、集市上摆摊的商贩,大家纷纷感慨,100 年的变化是如此之大

    的确,一个世纪的时间里,很多城市都经历了翻天覆地的变化。建筑越来越高、交通越来越便捷、城市面积越来越大……

    上海(左)与首尔(右)的城市化对比图

    研究人员利用卫星图像绘制了 1985 年至 2015 年间城市增长的地图。研究表明,过去 30 年里,全球城市面积扩张了 80%,城市人口增长率远远高于全球人口增长率。

    而 100 年后,甚至更久之后,世界各地的城市将会发展成什么样子?

    现在,利用数据科学与模拟模型,就能够根据历史数据与国情、社会,预测出城市的发展模式。

     学习历史,预测未来

    近期,美国特拉华大学数据科学家 Jing Gao与丹佛大学的校友兼教授 Brian O'Neill,发布了一个全球模拟模型,利用数据科学和机器学习,观察城市将如何变化。

    作者 Jing Gao 目前为特拉华大学

    地理空间数据科学助理教授

    Jing Gao 表示,她对城镇发展的方式格外着迷。放眼全球,从印度新德里到法国巴黎,全球范围内的城市发展都不尽相同。

    以芝加哥,洛杉矶和纽约为例,这些城市就其土地面积的扩展而言,增长方式就各不相同。

    于是,为了解释城市化在未来长期的不确定性,Jing Gao 和 O'Neill 使用建模框架结合蒙特卡罗方法,开发了符合共享社会经济路径 (SSPs)的五个场景。

    模型利用数据科学和机器学习技术,对城市化的发展趋势,进行了每十年一次的长期观察,可预测在不同的社会和经济条件下,城市土地在未来 100 年将如何变化。

    研究人员论文于 5 月 8 日发表在《自然通讯》

    为了了解这种变化是如何发生的,Jing Gao 和 O'Neill 使用数据科学分析了 15 组全球卫星遥感数据集,了解过去 40 年来的城市土地变化。

    这些遥感数据集的精度大约 125 英尺(38 米)左右,这一精度能够展现出城市每一区域的大致外观。

    Jing Gao 说:「通过挖掘历史数据,显示出三种不同的城市化风格:城市化,稳定城市化和快速城市化。」随着时间的推移,各国会从快速城市化向稳定城市化、再到城市化发展。

    众所周知,美国和大多数西欧国家已经实现了城市化,印度和中国之前经历了快速发展,现在已经过渡到稳定城市化。目前包括许多非洲国家还正处于快速城市化阶段。

     城市总面积将超过 2.25 亿个足球场

    但是,仅通过遥感数据了解宽泛的区域发展,还不足以从全球角度了解城市化是如何在地方进行的。

    为此,研究人员将世界划分为 375 个小区域,并针对每个区域同时运行一个定制的发展模型,然后将所有模型结果拼凑在一起,以绘制一张全球地图。

    建模框架示意图,其中包括两个新的

    数据驱动的城市仿真模型

    比如,美国大陆被建模为 28 个独立的区域,中国被建模为 26 个区域。不同区域的模型,使用不同的发展模型参数来进行估计。

    研究小组的预测显示,到 2100 年,地球上城市总面积将增长 1.8 倍到 5.9 倍。

    十年间城市建设更新流程图

    白色为输入数据和中间输出,橙色为输出

    根据预测结果,本世纪全球将新建约 618,000 平方英里(160 万平方公里)的城区。这个面积大约是 4.5 倍个德国,或者说,它超过 2.25 亿个足球场的面积。

    这是根据过去几十年的城市发展规律,总结评估而来,假设如果不发生大规模的战争、疾病、革命等变革性事件。

    另外,如果这一百年间,我们有幸见证外星文明等重大事件,也会影响模型结果。

     环保意识越强,城市扩张速度越慢

    但是,城市扩张的方式,在很大程度上取决于未来几年的社会趋势。这包括经济增长、人口变化和生活方式习惯的趋势,以及我们对人类环保的态度。

    在五种共享的社会经济路径下

    21 世纪全球城市土地总量变化曲线

    浅蓝色:可持续发展;深蓝色:道路中部

    黄色:区域竞争;橙色:不平等;红色:化石燃料开发

    在美国,如果人们关注可持续发展,例如绿色发展和环保意识,那么城市扩张的可能性最少。

    在这种情况下,到 2100 年,城市土地预计将增长 1.3 倍。

    但是,如果人们在同一时间范围内倾向于高度物质主义发展,大量消耗化石燃料。比如,预测中亚洲各国,城市的扩张速度会非常高,甚至比本世纪初美国城市扩张速度还要高四倍。

    美国东北部在不同发展模式下的城市扩张趋势预测

    颜色越深表示城市化程度更高

    大多数人没有意识到诸如建筑物和道路之类的景观变化,可能会影响他们的生活。

    比如,在特拉华州,在海岸附近建造的房屋通常以牺牲农田为代价。

    虽然这些开发项目可能会帮助地区的经济繁荣,但它们也可能会带来其他意想不到的后果,比如增加沿海洪灾和海平面上升的可能性。

    如果真的发生了这些极小概率的事件,别说城市继续发展,可能某些城市还会不可避免成为历史。

    而且,无论选择哪种社会经济模型,模拟结果都表明,到本世纪末,全球的大多数国家都将实现城市化。

    那么问题来了,你觉得八十年后,你在哪个城市?又在城市的哪里?

    论文地址:

    https://www.nature.com/articles/s41467-020-15788-7.pdf

    —— 完 ——

    扫描二维码,加入讨论群

    获得更多优质数据集

    了解人工智能落地应用

    关注顶会&论文

    回复「读者」了解详情

    更多精彩内容(点击图片阅读)

    展开全文
  • 凯文·凯利来华再谈人工智能,并预测未来 25 年的技术发展趋势 近日,凯文·凯利在成都进行了一个名为《回到未来》的 主题演讲。主要分享了对 AI 等前沿科技的看法。 KK 提到:“要预测未来是非常困难的。但是我们...

    凯文·凯利来华再谈人工智能,并预测未来 25 年的技术发展趋势

    凯文·凯利来华再谈人工智能,并预测未来 25 年的技术发展趋势

    近日,凯文·凯利在成都进行了一个名为《回到未来》的 主题演讲。主要分享了对 AI 等前沿科技的看法。

    KK 提到:“要预测未来是非常困难的。但是我们有我们的优势,因为技术都是有偏见的。通过技术的物理的特性,我们能够预见、能了解未来技术会到哪里去,未来技术很长一段时间会是怎样……”

    以下是凯文·凯利的演讲内容:

    今天我想预测一下未来25年的技术发展趋势:什么即将到来,哪些是不可阻挡之势。很多未来会出现的事物其实无法预测,因为技术是一种趋势,会侧重某些方向,任何一门科学的发展都有其规律,包括数字技术。技术又会随着实际情况的变化而发生趋势性的变化,所以我的兴趣在于探讨技术发展趋势变化的方向。

    电线发明之后,人们希望寻找它的工作模式,而无论在什么国家,甚至什么星球,其实它的模式都是一样的,这种反复出现的工作模式会为技术发展指明方向。

    这些趋势都是25年内的趋势,具体的技术发明没有办法预测,因为具体的预测是不可能的,我们不知道未来 苹果 是否仍然是一家成功的公司,iPhone是不是还会继续受消费者喜爱,也不知道BAT会不会继续存在。

    这里谈的都是长期趋势的预测,技术将走向何方。我们理解事物的形态是没有办法改变的,比如四个轮子的车,四只脚的动物,这是都是事物自身规律决定的,这种形态也就必然的,但是就某种物种或者产品而言,比如斑马或者某种机器人,就是偶然出现的,是我们可能没有预料到的,我这里要讨论的是关于技术的大方向。

    想象一下,山谷里飘来一阵雨,每一个雨滴的路径是不可预测的,但是他们运动的方向是可以预测的,都是向下的。像数字技术行业中哪家公司会赢,哪家公司会输的问题,我在这里不做讨论,我要讨论的是不可逆转的大方向。电话的出现是必然,而iPhone不是,互联网的出现是必然的,而 Twitter 不是。我会讨论电话,互联网领域的发展趋势。

    人工智能早已来临,只是你没有感受到

    最为重要的技术发展趋势之一是人工智能,感知并让产品更为智能的技术。大家可能对人工智能都不陌生,但是我想从一个不一样的角度解释它,让大家对未来的智能制造业有所了解。

    首先,人工智能的时代已经来临,只是很多时候扮演幕后的角色,我们并没有直接的了解。人工智能系统解读X光片的本领已经比医生更高;查阅法律证据的能力也比律师要高;我来中国坐的飞机大部分时间也是由人工智能系统,而不是飞行员在控制;开车的时候,带有人工智能技术的刹车系统比人的判断更好。 百度 和 谷歌 的人工智能技术可以分析照片,告诉你照片里面正在发生什么事情。

    最近谷歌的人工智能系统战胜了顶级的围棋人类选手,这个系统甚至还可以不断地学习如何下棋。过去十多年的电脑游戏,都是在和人工智能系统对战,现在的系统不过知道如何对战,还知道如何学习新的对战本领,这有很大的不同,机器学习也是当今人工智能系统的最重要功能。

    其实人工智慧(artificial smartness)要比人工智能(artificial intelligence)可能更适合来形容这种技术,因为现在应用这种技术的产品已经比人更聪明。比如,计算器要比人脑的算数能力高很多,GPS导航设备要比人对空间的认知好很多,百度可以记住6万亿个网页,这远远超出人脑的记忆能力。

    我们在汽车上采用人工智能系统,是因为它没有人的那些不良驾驶习惯,去年死于交通肇事的人数有100万,人类本就不应该开车,所以我们希望用人工智能技术来代替人,人工智能系统不会因为其他事情分心,也不会像人一样想问题。

    人工智能总在某方面超过人类,但不可能和人类一模一样

    人类对智力和智能的理解是错误的,单一维度的,片面的,只是认为老鼠的智力水平没有猴子高,一般人的智力没有天才高,这种理解可能并不正确。智力其实是一套思考方式,知识体系和工具,而这些方式,体系和工具构成了我们的思考和学习能力,每个人都不同,数量有几百种,比如演绎推理,归纳推理,符号推理,逻辑,空间导航,记忆等等。

    动物的智力也是由很多思维方式构成的,有的时候他们看待人类的方式也是它们所独有的。一只松鼠或者其他啮齿类动物的记忆能力超过人类,因为即使过了好多年,它们还可以记得当初在什么地方埋下了成千上万颗橡果,这一点没有人可以做到,所以某些动物的智力在某些方面下是超出人类的。

    在设计人工智能系统的时候,我们遵循同样的原则,让它们可以以某一种特定的方式看待人类,而不是像人类一样思考,其中有一条设计理念所有的工程师都会铭记心中,那就是产品不可能每一方面都能做到最优,总需要做出权衡。

    各种人工智能系统产品总会在某一方面超出人类智力,但不可能做得跟人类一样。在看待人类智能的时候,我们可能会将自己视为中心,其他智能围着我们转,就像宇宙学的地心说理论,而其实我们并不是什么中心。

    我们对人类智能的理解会随着人工智能技术提高而改变,而开发人工智能系统的过程就是不断发现不同智力和思考模式的过程,而每一种模式对于研究人工智能都有用。很多时候,人类智能无法或者有相当大的难度去理解一些问题,无论是科学上的还是商业上的。

    我们可以通过两步法来解决这些问题,第一是开发一套异与人类思考方式的人工智能系统,第二是利用这些系统加上人类智能来共同解决这些问题。这个过程就是证明我们不是智能中心的过程,思维方式真的是多种多样。

    新经济的财富引擎就是在接触社会的同时拥有创造性思考的能力。一个人如果不接触社会,可能会有异于常人的想法,但是如果他一直接收各方面信息,很难有创造性的想法。有些人工智能系统可能没有人类聪明或者反应更快,但可能拥有不一样的想法,这就是价值所在。

    人工智能带来的优势不在于用不用,而在于怎么用

    我还想介绍一下关于人工智能另一方面的观点,人工智能还是第二次工业革命。第一次工业革命是从自然能源到人造能源的变革,那之前的农业时代都是靠人或者牲畜的肌肉力量,比如马,驴等等的畜力:想修路就只能靠人力,而那之后有了蒸汽机,电动机等等设备;日用品,工业品都是用这些设备制造出来,人类也有了驾驭自然力的能力。比如驾驶一辆汽车,你就拥有了250马力的功率,也可以使用机械设备建起摩天大厦,铺设贯通全国的铁路系统,建设生产鞋和椅子的工厂。

    我们之所以有现在的生活,都是因为我们将人造能源作为一种商品进行交换,这些商品通过电力形式在全国范围内流通,所有人都可以购买人造能源。农民不需要创造人造能源,而只需要购买就可以得到。

    人造能源的流通是创新和创业精神的巨大引擎,比如一个农民有一套人力水泵,有了人造能源之后,他可能就会产生将其改造为自动水泵的想法,因为有了电和水泵,就可以制造电动泵。而将电动泵的例子放大几万倍,也就有了我们的城市,这就是我们所说的第一次工业革命。

    现在人工智能的研制也要达到同样目的,我们会在电动泵中加入人工智能系统,让它变成一款智能水泵。而将智能水泵的例子在城市建设中放大,就是第二次工业革命,也就是让电能驱动的设备具有认知功能,变得智能。这个进程不只包括制造业,而是整个经济的升级。而如果没有公司经营的智能升级和消费者的智能升级,制造业的智能升级也是不可能实现的。

    第二次工业革命将实现整体经济的智能化。在250马力的汽车上匹配250种思维方式,不是人类的思维方式,而是人工智能的算法。问题是,如果你的企业有1000种思维方式24小时为你服务,你会用它们来做些什么?

    未来,人工智能系统将部署在云端,作为一种商业资源,所有公司都可以购买这些资源来为商业拓展提供动力,人工智能将成为像电一样的能源和人人可以购买使用的服务,这就是第二次工业革命的结果,让人工智能的资源自由流动。

    未来一万家的新创企业所采用的模式可能非常相似,就是将他们的业务加入人工智能系统。正如第一次工业革命,将一种工具自动化一样,第二次工业革命令自动化设备具有感知能力。谷歌认为人工智能就是下一次浪潮,所以它抓住这个机遇,从移动优先战略过渡到人工智能优先战略。现在,一些公司,比如谷歌, 微软 , 亚马逊 和Facebook ,已经开始出售云端人工智能系统的服务,价格大概是每100次查询6美分。

    未来制造业的竞争优势不在于使用人工智能,因为所有人都会使用人工智能,竞争优势在于用人工智能系统做什么事情,和别人有什么不同。真正实现将人工智能技术应用于自动可移动机器人,可能还有很长很长的路要走,因为功耗是一个很大的问题。人体的能效是非常高的,功率只有四分之一马力,大脑的功耗也很小。

    追求效率的工作归于机器,不追求效率的工作归于人类

    虽然将人工智能技术应用于自动可移动机器人有困难,我们可以制造其他类型的机器人,比如那些并不用编程,只需要观察你是怎么做一件事情的,然后就可以学会的那种机器人。这种机器人也有试错的能力,在不断的尝试中,逐渐学会并掌握技能,这些已经实实在在地发生了。

    有人担心这些机器人会夺走工人的工作。是的,机器人可以帮人们完成某些任务,任何一份工作都需要完成许多任务,而人工智能和机器人所创造的任务数量要比他们拿走的任务数量多很多。

    对于那些追求生产效率的工作,机器人最合适不过,反过来说,人类对于那些追求效率的工作并不重要。不追求效率的工作也有很多,创新这件事情本身就是不追求效率的,因为在创新的过程中,必然会有很多失败;科学工作也是不追求效率的,因为实验室的工作就是不断试错的过程,如果不犯错误,就不可能学到东西;艺术也是不追求效率的;人际关系也是不追求效率的。

    很多我们认为重要的事情都是不追求效率的,这些就是需要人适合去完成的工作,也是需要我们付出更高代价得到的东西。所以,追求效率的工作归机器人,不追求效率的工作让人去做。创造,探索,实验的工作,人可以比人工智能做得更好。

    国际象棋世界冠军加里·卡斯帕罗夫20年前输给了超级电脑“深蓝”,卡斯帕罗夫跟组织者抱怨说比赛不公平,因为IBM的深蓝把所有与它交战棋手的记录都存储在数据库里面,如果卡斯帕罗夫也能使用这样的数据库,他也能取得胜利。

    卡斯帕罗夫于是就发起了一项全新的国际象棋赛事,参赛者可以以拥有人工智能数据库的人类身份参赛,参赛者也可以是人类“辅助”的人工智能。他把这个合成人工智能和人脑智能的“团队”比喻成“人头马(centour)”,一半是人工智能,一半是人脑智能。过去四年,世界上最强的棋手还是这样的“人头马”,有人类智慧的人工智能系统,它比单纯的人脑智慧或者单纯的人工智能都要聪明许多,因为它的思维方式与他们都不相同。

    美国军方也在利用人工智能来装备部队,让人工智能和士兵共同完成任务。未来工人工资的高低也要视他们与人工智能,与机器人合作的情况而定,所以人类与人工智能的关系不是对立的,而是合作关系。人与人工智能的沟通交流方式采取的也应该是对话,而非打字的方式,而互联网就是对话的途径;未来,使用互联网本身就是与人工智能系统对话。

    这就是我们会看到的根本转变,人工智能将对制造业产生影响,也会影响机构和公司。没有智能的公司就没有智能的制造业,这些准备拥抱人工智能的公司需要知道自己利用人工智能可以干什么,需要有敏锐的决策能力,需要分权管理。对于制造业企业而言,最大的挑战是建立与人工智能相适应的生产流程和企业文化。

    虚拟现实带来的不是知识,是体验

    我在这里想讨论的另外一个趋势就是,人类需要与产品进行更多交流。斯蒂芬·斯皮尔伯格执导,汤姆·克鲁斯主演的电影《少数派报告》就描绘了2050年的时候,汤姆·克鲁斯所扮演的角色用各种方式,身体各个部位夸张的肢体运动与电脑的交流,抑或是手指,眼睛和面部表情细腻的姿态被智能设备,雷达所捕捉。而与电脑互动的最终途径就是进入电脑,这就是我们称为人工智能的技术。

    杰伦·拉尼尔(Jaron Lanier)在1989年提出了虚拟现实的概念,通过一个头戴式眼镜打开了通向虚拟世界的大门。那时候很多人认为只要5年时间就可以实现,但其实花了25年的时间。为什么没能马上实现?因为那时候拉尼尔发明的头戴式设备,按照现在美元的币值要100万美元,这个价格根本没有办法创造消费市场。

    20多年以来,科技业发生了一些变化,其一就是智能手机的出现,智能手机研发的技术正是将虚拟现实推向市场所需要的,头戴式设备的价格也因此大大降低。目前市面上有两种虚拟现实技术,当然这两种技术也是会演进的,一种沉浸式虚拟现实,一种是混合虚拟现实(MR)。

    沉浸式虚拟现实可以让人感觉置身从未到过的地方,比如山巅或者火星;混合虚拟现实让人在真实的体验房间中看到虚拟物体就像真实存在的东西一样,体验者甚至可以操控这些物体。

    混合虚拟技术的研制更有挑战性,但是如果开发混合虚拟技术不是问题,那么纯虚拟现实的技术就也不是问题。

    沉浸式虚拟现实可以带人到去那些平时到不了的地方,或者因为这些地方不能去,或者太危险。而混合虚拟技术的用途其实更多,可以用于教学和训练,比如去探索星系,从事设计工作,在虚拟情境中试用产品;也可以有虚拟多屏,想要多少有多少,微软就有这样一个系统,可以在头戴式设备中创造虚拟的办公室,可以读书,看高清电影,视觉效果非常不错,也可以有虚拟的同事。将现实和虚拟世界结合会产生非常有力的效果,比如Pokémon Go将虚拟物体和现实世界结合,造就了非常流行的游戏。

    虚拟效果的产生需要用到手指和听力,更重要的是虚拟现实得到了大脑的配合。一个很著名的虚拟现实技术试验,就是让体验者站在一个房间里,戴上虚拟现实设备,虚拟世界当中的地突然塌陷出一个洞,并出现一个窄板横跨在坑的两端,需要实验者配合从上面走过去。对于大脑不同部位,这个虚拟现实实验有不同作用,对于阅读区域和感受区域的作用是不同的;可能实验者感觉要掉落下去,但其实他们知道并不会出现这种情况。

    虚拟现实技术给人们带来的不是知识或者信息,而是体验。未来我们通过互联网获得的不只是知识,还有体验,我们购买的是头戴式设备体验,下载的是体验,分享的还是体验。通过虚拟现实技术,我们可以体验坐在别人旁边,参加游行等等,而摘下设备之后,我们可能不记得看到了什么,但是那种经验可能是难以忘怀的,这就是虚拟现实的力量。

    虚拟现实技术在社交属性方面,超过一切社交媒体,因为我的感受是,最令人惊叹的不是虚拟世界,而是这个虚拟世界之中的人,我与他们分享经验,我知道这些人并不真的存在,但是我真真切切地感受到他们的存在;我不会离他们太近,要保持距离,但可以和这些虚拟的人有情感上的联结。虚拟现实技术创造的这种感觉和现实世界非常不同,可以帮助社交媒体提高社交属性。

    所有权本身是一种负累,不如思考产品怎样向服务转化

    未来技术发展的另外一个趋势是财产所有权的淡化,Uber是世界上最大的出租车公司,但是它本身不拥有出租车,Facebook是世界上最大的媒体公司,但是它本身没有内容的所有权, 阿里巴巴 是世界上最大的零售公司,但是它没有库存,Airbnb是世界上最大的住宿服务提供商,但是它没有地产。

    所有权已经没有以前那么重要,如果你随时都可以使用到各种各样的商品或者服务,那么所有权就没有太大意义,因为所有权本身也是一种责任和负累。这种转变对于制造业而言有非常重大意义,比如消费者只是使用而不是拥有车,对市场会产生很大影响,有计算表明,城市的汽车只有六分之一是真正必需的。

    在数字领域也一样,我已经不会去买电影碟片,因为如果随时随地可以看到电影的话,有什么必要买碟片呢?音乐和图书也是一个道理。我可以通过订阅的方式的看书,看电影,玩游戏,我也可以用同样方式来预订车辆来解决我的交通需要,或者预订其他什么东西。

    这种趋势在交通领域非常明显,Uber就是一个很好的例子。这种按需服务的模式还可能在其他领域不断出现,比如3D打印,一小时递送,其实就等于即时服务。

    目前整个经济中出现一个趋势就是产品向服务的转化,比如汽车是产品,但是在交通领域,可能人们并不买车,而是用其他方式获取车辆带来的便利,这会对汽车厂商的生产造成影响,对他们制造的车型造成影响。还有什么事情可以做?现在硅谷有超过9千家新创企业正在从事产品转化为服务的业务,比如帮助食品,家具,酒店,医院,医疗测试,玩具等等行业实现产品向服务的转化。

    分享经济正在增长,这个毋庸赘言,而这个经济形态还仅仅处于初期,还有很多待开发的领域,可以通过分享经济增加他们的价值。

    我所说的分享不仅是指汽车,还有许多可以通过协同合作,去共享那些可以共享但还没有共享的东西,比如衣服,任务。我们正在开发这方面工具来帮助不同国家,不同大洲之间的人们合作完成共同的任务。比如维基百科就是技术发展的成果,很多互相不认识的人可以通过这个平台分享知识;阿里巴巴和eBay也是一样,互不认识的人在进行买卖。这个行业还处于初期,未来需要找到和100万,500万人协作的方式。

    区块链是另外一种分享经济,一个基于信任的分布式计费协作系统;技术的进步让我们可以使用加密系统来构建信任,有办法与陌生人共同完成复杂的任务。分享,协作,追踪,消息传播,都可以实现商业变现。

    流动、短暂的屏幕阅读未来趋势,所以真实性将成为稀缺资源

    另一个行业趋势与屏幕有关,屏幕无处不在,在中国,很多楼宇里有屏幕,甚至有些屏幕和纸一样薄,可以弯曲。电子书不必只是一块屏幕,可以是很多屏幕的合成。屏幕也不是单一的,可能会有多屏,第二张屏,第三张屏。

    我们在使用屏幕浏览信息的同时,屏幕也在审视我们,软件会监测,分析用户的浏览内容,哪些内容吸引用户的注意,甚至感知用户的情绪。现在有软件可以识别用户的28种情绪,比如用户是否是困惑的,心烦意乱的,不知所措的,感兴趣的或者不喜欢的,软件可以进而根据用户的反应对内容做出相应改变。就像有人和你说话,会根据你脸上的表情变化来调整谈话方式内容。

    无论是东方还是西方,书籍都是文化的核心,法律具有权威,发生的事情都会记录下来,几千年来都是如此,而现在屏幕成了文化传播的媒介,并且拥有和书籍完全不同的属性。

    书籍的内容是固定的,有权威的,而屏幕的内容是一直变化的,流动性很大,短暂存在的和开放的。所以我想从屏幕上得到真实性的东西会更难,更具挑战性,但这就是屏幕文化的特点,数据流更大。

    所有业务都是数据业务,业务的开展就是数据的流动

    产品是静止的,而加工处理和服务是流动的。流媒体,标签和云计算都是流动的,不是一成不变的,因为数据是一直变化的,无论从事什么行业,比如钢铁业,制造业或者运输业,所有行业的业务都和数据有关,业务的开展就是数据的流动。

    智能制造业意味着无论你生产什么产品,你都必须成为一家软件公司,和数据打交道,追踪数据,了解客户数据,以数据为中心。很多大的互联网公司都意识到,数据其实比客户本身更为有价值。所有能够被跟踪的数据都会得到跟踪,这是不可避免的。比如经营一家店需要跟踪顾客的数据,来分析购物时间,选择商品类别,这样就可以对经营策略做出调整。

    虚拟现实技术也是对数据跟踪的技术,所有的数据都被追踪。《阿凡达》的制作就是通过追踪人身体,手和脸部肌肉的运动完成的动效,角色的创造就是通过数据跟踪完成的。

    在虚拟世界中,我们对彼此的数据跟踪要远比在现实世界中对彼此的关注更多,我的预测是未来最大的公司一定是虚拟现实技术公司,因为虚拟现实公司会掌握更多的数据,更多的个人数据。

    比如我们的运动轨迹,浏览内容和大脑活动,无所不在的数据追踪帮助那些虚拟现实技术公司建筑他们的基础设施。有很多像苹果公司,Fitbit一样追踪我们的健康数据,我们其实也在通过这些技术追踪自己的健康数据,以前可能每年进行一次的体检,通过这些技术,其实时时刻刻都在发生,贯穿整个生命过程。

    你的身体是否正常将会是可见的,我的身体是否正常的标准可能和你的不一样,因为年龄和季节的不同;这些情况只有通过数据追踪我们才能了解,也只有在数据完整的情况下才能做出个性化的诊断和药物使用。

    你的历史数据很重要,同样这种个性化的诊断也会随着新数据的出现和分析发生变化。别人也在追踪我们的数据,我们的朋友在追踪我们的数据,这也是微信的功能之一。还是在那部《少数派报告》的电影里,连广告都在追踪汤姆克鲁斯。

    这些数据追踪可能让人感到不舒服,所以我们要考虑如何摆脱这种不舒服的感觉,对称追踪可能是一个解决办法,也就是我需要知道谁在追踪我的数据,他们要对我的数据负责任,并且我需要从这种追踪中获益。

    如果这些都可以实现,那么这种数据追踪就是没有问题的。另外,数据追踪和隐私是相关联的。如果你想得到个性化的服务,无论是来自政府或者企业,抑或是交朋友,他们必须对你有所了解,你需要介绍自己。所以完全的个性化就意味着完全的透明,你需要对数据追踪持开放的态度,反之,你就不可能得到个性化的产品和服务,这都是每个人可以做出选择的,是否愿意接受这种数据追踪意味着会得到个性化的服务。

    我感觉比较吃惊的是,人们更倾向于选择保持透明,接受数据追踪来获得某种技术带来的便利,而不是相反。

    未来25年最伟大的产品还没被发明,你还没迟到

    这仅仅是一个开始,未来是难以预测的,如果时间倒退20年,我们不可能预料到会有现在的技术,在线地图,数码相机,信息技术等等。过去这三十年电脑和人工智能设备越来越小,未来可以将每个设备装上一个芯片,就可以连接到物联网,比如在灯泡上装芯片,在椅子上,在鞋上,在门上,这些在以前都会被认为是不切实际的想法,可是现在,酒店的每扇门上都有一个计算设备。

    对于未来不可知的世界,我们要保持开放的心态。我们目前只是出于虚拟现实技术发展的早期,我们对这个领域知之甚少,没有在虚拟现实或者人工智能领域的专家。这是人工智能发展的最好时代,去放手创造些什么吧。开发工具比以往都更加优化,价格更加便宜。

    未来25年的科技趋势可能难以预测,不过有一件事是确定的,那就是我未来25年中,最伟大的产品今天还没有被发明出来。

    也就是说,你没迟到。


    原网站:http://www.toutiao.com/i6362996548858544641/

    展开全文
  • ​你相信比特币的价值未来可能会飙升250倍吗?经过10年不间断的良好运作,比特币拥有6000多万持有者,每月新增100多万持有者,每天在全球范围内转移超过10亿美元……最大的加密货币托管解决方案之一Xapo的首席执行官...
  • 据国外媒体报道,我们正进入的互联网时代,...资深网络专家Alex Iskold立足今天发生的重大网络变革,预测未来网络发展的十大趋势。 1.语义网络 正如Alex Iskold在《语义网之路》一书中所写的那样,语义网的核心...
  • 到了2030年AI会变成怎样呢?这里有一份专家的预测,一起来看看。 改变物体的观感 如果想装修客厅,你只能抛弃旧家具,买很多新东西。 未来,你也许可以改变沙发的外观,甚至连坐在上面的感觉也能改变,只需要按...
  •  菲尔-韦恩赖特(Phil Wainewright)近期发表了自己对于云计算未来五年的预测,大致内容如下:  1、云计算技术将向移动通讯领域(包含社交)转移:随着云技术的发展,“云”这个词汇将不再仅仅是一个流行的技术用语,...
  • 未来十年Python的前景会怎样? 以下观点是在基于理性分析后做出的预测! 至2027年: 自动驾驶已相当成熟,大街上超过30%的汽车是无人驾驶的,很多私家车主在上班期间就把车开启自动架驶模式,让它自己接单挣外快 ...
  • 就在过去的几年里,人们引入了先进的分析工具、自动化、人工智能、机器学习等等,那么数据中心未来方向是怎样的呢?香港服务器托管客服为大家介绍: 1.人工智能将继续增长和占主导地位 由于很多组织都在投入时间和...
  • 中兴之智能视觉大数据报道:预测未来最好的方式是去创造未来。今天与其我们来预测未来的技术,不如根据我们今天已经开始的创新,来谈谈未来的技术。套一句时髦的话,叫作未来已来。IT的未来是人工智能-中兴智能视觉...
  • 作为程序员,我们总是身处于如万花筒般变化无常的技术世界里。...让我们打开脑洞,预测一下未来10年,程序员这个职业可能发生的变化。 程序员将变得更加全能 许多文章或艺术作品中将程序员的未来描绘得过于科...
  • 阳春三月,万象更新,2020年注定是不平凡的一年!有激荡就会遇见变革,有挑战就会迎来机遇。今天总会过去,未来将会怎样?香港科大商学院内地办事处重磅推出全新升级的《袁老师访谈录》全新系列【...
  • 倾听客户的心声能够激发无穷的灵感,从而令我们设计和制造出帮助他们应对眼前挑战及促进长远发展的产品,满足客户当下和未来的需求。 尽管2017年制造业经历了种种,比如采用近岸外包模式、技术对就业和效率的...
  • 根据我们的经验, 社交媒体的普遍共识通常可以用来预测中国A股未来2-3天内的表现 。因此。我们准备研究一下: 社交媒体对股票市场的预测能力。 中国A股股票数据: 日权益类数据包括:日期、最高价、最低价、开盘价...
  • 以下观点是在基于理性分析后做出的预测! 至2027年: 自动驾驶已相当成熟,大街上超过30%的汽车是无人驾驶的,很多私家车主在上班期间就把车开启自动架驶模式,让它自己接单挣外快 电动汽车续航可达到1000公里,...
  • 近年来,人工智能的进化速度让人惊讶。在日本的早稻田大学,担任研究院助教的EdgarSimoSerra研究的是...不仅如此,它还能够推定怎样搭配来提高时尚度,并由此发现世界各国的时装特性。智搜(Giiso)信息成立于2013...
  • 转自:一位非常优秀的Python倡导者 作者:alex ...来源:知乎 ...以下观点是在基于理性分析后做出的预测! 至2027年: 自动驾驶已相当成熟,大街上超过30%的汽车是无人驾驶的,很多私家车主在上班...
  • 蛋花花介绍什么是人工智能,人工智能未来怎样!人工智能大家肯定听说过,但是真正了解的人很少。今天蛋花花就来介绍一下什么是人工智能? 什么是人工智能?蛋花花认为大家可以理解人工智能为机器智能,由人制造...
  • 2008年是SOA最好的年代,也是最糟的年代。...下面将对即将来临的事情的轮廓进行一些大胆预测: 1.经济动荡将使得SOA回源,以自下而上、渐进的方式。2009年经济的不确定性仍将贯穿全年,但将进入复苏阶...
  • 综合报道从能够帮助城市疏导交通的...未来真的会有能像人一样思考和对话的机器人吗?量子计算机的出现,会不会重构世界科技、经济、政治格局?2018年伊始,阿里巴巴12位来自不同领域的科学家,对IoT、量子计算、边缘...
  • 前言上周我写了一篇MPAndroidChart的使用技巧 ,得到了不少人的响应。至少自己写的文章还是有人去看,很是激励。...当掌握了一个技术点之后,怎样在项目中运用到这个技术点,还需要自己好好琢磨琢磨一下的。上次在MPAndr
  • 现在,几乎每个技术预测故事都以同样的方式开始:人工智能AI正在开辟新的可能性。这种趋势同样发生在CRM领域中。 人工智能正在通过访问和分析来改变CRM。它正在通过添加语音助手、同时改善工作流程并简化与CRM的...
  • Python时序预测

    2019-11-26 11:47:47
    怎样才能确保现投资这些硬币未来一定能带来稳定的收益呢?我们不能确定,但肯定能根据以前的价格产生一个近似值。时序模型是预测的一种方法。 除了加密货币,还有许多重要的应用时序预测的领域,例如:销售预测,...

空空如也

空空如也

1 2 3 4 5 ... 12
收藏数 230
精华内容 92
关键字:

怎样预测未来