来源：本文由电姬翻译自nextplatform，作者Nick Tausanovitch，谢谢。
美国投资公司Jefferies 最近一份报告称第四波计算浪潮已经开始，而且正受到物联网和并行处理方案的发展的推动。自 20 世纪 60 年代以来，计算领域的结构性转变一直都是由这一领域的主要力量导致的。
在每次转变中，都会涌现出新的解决方案提供商，并成为主要供应商。在这第四波计算浪潮中，最新的力量是英伟达及其用于高性能计算（HPC）和人工智能（AI）的并行处理平台，即 GPU 和 CUDA 编程平台。英伟达业务中数据中心部分的增长（从 2016 财年的 3.39 亿美元增长到 2017 财年的 8.3 亿美元）是这样的结构性转变的一个证明。人工智能和自动驾驶汽车的技术和产品需求是英伟达增长的关键推动力，而且这在广义上都和物联网有关。但是，物联网还有其它一些同样关键的安全和网络要求，不容忽视。
人工智能和并行处理的增长
让我们先深入了解一下现在正在人工智能领域发生的结构性转变。机器学习训练、推理算法和相关的技术是人工智能的基础，而这些算法已经存在了几十年了。而为英伟达等公司创造了巨量机会的转折点是：
有了跨多个行业的大量有用的训练数据集；
芯片设计和工艺尺寸的进展让与机器学习相关的并行处理的成本和功耗特性达到了可以接受的程度。
随着各种不同行业中许多不同类型的设备都越来越多地与互联网相连（换句话说就是 IoT 现象），生成的有用数据的量以及机器学习使用这些数据来改善这些行业中用户体验的能力都将受到广泛的影响。作为 x86 CPU 的协处理器，GPU 可以为机器学习带来大量所需的并行处理。GPU 原本是为游戏和图形处理应用设计的。配合 CUDA 等多线程编程环境，人们发现 GPU 是最有效执行机器学习算法的最优选择。
第四波计算浪潮是由并行处理和 IoT 驱动的
GPU 中的多线程处理让我们可以并行地执行类似的任务，而这对最有效地执行机器学习算法而言是至关重要的。这种处理方式非常不同于 x86 和 ARM 等通用型 CPU——这些处理器是为常见软件应用所需的单线程处理优化的，比如网页服务器和数据库处理。机器学习算法也需要处理大量训练数据，所以现代 GPU 也提供了高速高效的内存存取。
带有基于 GPU 的多线程处理的英伟达可编程图形适配器，可以加速图形和人工智能计算处理（来自英伟达 2017 年度投资者日的演讲）
尽管通用型 CPU 也可以被用于处理机器学习算法，但却无法提供必需的大规模计算性能。再加上随着硅芯片工艺几何尺寸的演进（也被称为摩尔定律），单位晶体管的成本也在上涨，而 GPU 等为机器学习优化过的协处理器芯片就成了一种必需品。
安全性和 5G 将驱动第四波浪潮
至于物联网和第四波计算浪潮，在使用协处理器的并行处理的重要性上，人工智能和网络安全之间存在很大的相似之处。
我们生活方方面面对普遍安全的需求只会被物联网进一步放大。如果我们看看近来的分布式拒绝服务（DDoS）攻击以及当今的设备（笔记本电脑和平板作为攻击点）可以如何被人侵入从而发动这样的攻击，你就可以想见当使用 IoT 作为攻击点发动攻击时，攻击效果将指数式地猛增。预防 DDoS 攻击的机制将不得不超越以往的范围，并一直延伸到数据中心服务器领域，以便解决转移 DDoS 所需的规模和速度需求。随着数据中心中数据流量的增长，这种需求还会进一步放大。
这一范式中的另一个关键转变是对流量可见性的需求，以便在网络流量上执行远程测量或屏蔽流氓访问流量。我们现在就需要这种东西，而且随着 5G 网络（带宽将增长 10 多倍）向新的行业敞开大门以在电信服务提供商网络上提供创新服务，这种需求还会加剧。比如，各种类型的 IoT 传感器和自动驾驶汽车将会在智能手机等移动设备生成的数据之上增加更多数据。为了确保不同类型的流量得到不同水平的保护，将网络分成“片”的能力将变得至关重要。这将需要高速的流量分类和可见性。
Gartner 预测到 2019 年时所有网络流量中的 80% 都将被加密。用于加密这些网络流量的关键相关技术是安全套接层（Secure Sockets Layer/SSL）和安全传输层（Transport Layer Security /TLS）。当使用这些技术加密流量时，我们就不可能获得所需的流量可见性。NSS Labs 的一项研究称在防火墙设备上解密 SSL 流量（以便实现流量的可见性）会让吞吐量损失 74%，每秒钟的交易量会减少 87.8%。当密钥更长时，SSL 解密引擎所需的工作负载中对复杂流量的处理也将增长。这将对延迟性能和服务水平产生显著的影响。最佳的解决方案是不要在数据中心网络的设备中实现这样的功能（因为流量在这里聚合，它的瓶颈会有很大影响），而是将 SSL 加密引擎工作负载分布到所有服务器上。
使用SmartNIC扩展安全应用
为了让数据中心服务器中的网络安全应用实现规模化、高性能和高效率，SmartNIC 平台使用了一种优化过的协处理器 NFP，即网络流处理器（Network Flow Processor）。和 GPU 类似，NFP 是多线程的——单块芯片上有多达 960 个线程。类似于 GPU 上基于 CUDA 的多线程编程，SmartNIC 中的 NFP 芯片支持使用 C 或更高级的与供应商无关的编程方法（比如 P4 和 eBPF）进行多线程编程。和 GPU 类型，NFP 也可以并行执行多个任务。和 GPU 只能并行执行相似的任务不同，NFP 还能并行执行多个不同的任务——这是网络安全所需要的功能。
带有基于 NFP 的多线程处理的可编程 SmartNIC，可以加速网络数据包和安全性处理
使用多线程内存存取引擎，NFP 可以在大量内存上实现高速且低延迟的存取，从而可实现对大量复杂流量的并行处理。最后，在人工智能领域，Caffe 等深度学习框架可以使用在 GPU 上运行的代码库加速。类似地，在网络安全领域，分布式虚拟交换、路由、防火墙、DOS、负载平衡以及其它安全和可见性框架都可以使用运行在 NFP 上的代码库加速。
数据中心使用协同处理层和多线程编程环境实现的可重配置结构
总而言之，对安全性和可见性的需求将愈发普遍，而且 DDoS 保护和 SSL 或 TLS 解密等技术也需要使用 COTS 和数据中心服务器以分布式的方式实现。在这种范式中，为了确保网络性能相关的服务的水平以及服务器的效率，使用协处理器的并行处理是至关重要的。和人工智能使用 GPU 等优化过的协处理器类似，为网络安全优化的协处理器将会成为实现物联网世界的第四波计算浪潮的一大主要力量。
为了实现可重配置的结构，我们相信未来的数据中心服务器将具有两个协同处理平面——一个用于机器学习和人工智能，另一个用于网络连接和安全。这些协同处理平面将使用协同处理芯片中针对应用优化的功能（这些功能是为实现最佳性价比指标的服务器而设计的），从而为创新的多线程编程环境提供支持。
作者简介
Nick Tausanovitch 是 Netronome 解决方案架构副总裁，负责该公司 SmartNIC 产品的云数据中心应用。Tausanovitch 希望帮助电信和云服务提供商实现软件定义网络（SDN）和网络功能虚拟化（NFV）的愿景，同时实现它们的基础设施的效率的最大化。在加入 Netronome 之前，他负责过博通公司的高端网络处理器产品线，也担任过 IDT 的电子设计总监（在这里开发过网络搜索引擎）和 Nortel 的系统架构师（在这里开发过交换机、路由器和网络处理器）。
原文链接：https://www.nextplatform.com/2017/08/28/rise-fourth-wave-computing/
高通：终端侧人工智能需要异构计算
来源：本文作者Qualcomm Technologies, Inc.工程技术执行副总裁，Matt Grob，谢谢。
在我们预想中的世界里，人工智能将使终端、机器、汽车和万物都变得更加智能，简化并丰富我们的日常生活。它们将能够基于场景认知，进行感知、推理并采取直观行动，改善目前我们提供给用户的所有体验，并解决我们目前更多交给常规算法所去处理的相关问题。
人工智能（AI）正是驱动这次革命的技术。你可能听说过这一愿景，或认为人工智能只和大数据、云端有关，但Qualcomm的解决方案已具备合适的功耗、散热和处理效率，让强大的人工智能算法在实际的终端上运行，而这将带来诸多优势。
得益于现代终端设备对大量数据的掌握，以及在算法和处理能力方面的提升，人工智能成为了快速增长的普遍趋势。新技术似乎总是出其不意地出现，但在时机成熟并取得关键进展之前，研究人员和工程师们通常需要辛苦钻研很多年。
在Qualcomm，创新是我们的企业文化。我们为研发出大规模改变世界的基础技术而深感自豪。在人工智能方面也不例外。我们于十年前就开始了基础研究，目前我们的现有产品支持了许多人工智能用例：从计算机视觉和自然语言处理，到各种终端，如智能手机和汽车上的恶意软件侦测。同时，我们正在研究更广泛的课题，例如面向无线连接、电源管理和摄影的人工智能。
我们在机器学习方面有着深厚积累
我们对机器学习的投入有着悠久的历史。自2007年，Qualcomm开始探索面向计算机视觉和运动控制应用的机器学习脉冲神经方法，随后还将其研究范围从仿生方法拓展到了人工神经网络——主要是深度学习领域（这是机器学习的一个子范畴）。我们多次见证了基于深度学习的网络在模式匹配任务中展现出一流的成果。一个令人瞩目的例子就是，2012年AlexNet利用深度学习技术（而非传统手作计算机视觉）赢得ImageNet比赛。我们自己也在ImageNet挑战赛中利用深度学习技术获得成功，在物体定位、物体侦测和场景分类比赛中名列前三名。
我们还将自主研究和与外界人工智能团体合作的领域扩展到诸如递归神经网络、物体跟踪、自然语言处理和手写识别等其他前景广阔的领域和机器学习应用等。2014年9月，我们在阿姆斯特丹开设了Qualcomm Research荷兰分支，作为机器学习研究的基地。我们通过Qualcomm创新奖学金计划与博士研究生紧密合作，开展前瞻性的理念研究。2015年9月，我们与阿姆斯特丹大学（QUVA）建立联合研究实验室，专注于推动面向移动计算机视觉的、最先进的机器学习技术发展。通过收购位于阿姆斯特丹的领先人工智能公司Scyfer，我们进一步深化与阿姆斯特丹人工智能业界的合作关系。Scyfer的创始人Max Welling是阿姆斯特丹大学知名教授，主攻机器学习、计算统计学和人工智能基础研究。Scyfer专注于应用广泛的机器学习方法以解决实际问题。Scyfer团队将加入Qualcomm Research机器学习团队。
支持终端侧机器学习的出色功耗和性能
为了实现我们的智能终端愿景，我们也意识到基于机器学习的解决方案需要在终端上运行，无论终端是智能手机、汽车、机器人、无人机、机器或是其他设备。与在云端运行的人工智能相比，在终端侧运行人工智能算法——亦称推理，具有诸多优势，例如即时响应、可靠性提升、隐私保护增强，以及高效利用网络带宽。
当然，云端仍然十分重要，并作为终端侧处理的补充而存在。云端对汇集大数据以及在终端上运行的许多人工智能推理算法的训练（现阶段）是必要的。但是，在很多情况下，完全基于云端运行的推理在自动驾驶等时延敏感和关键型任务的实时应用中会遇到问题。此类应用无法负担数据传输往返的时间，或在无线覆盖变化时依靠关键功能运行。进一步讲，终端侧推理从本质来说更加私密。
我们不想把自己仅仅局限在运行终端侧推理。我们也与云端协同合作，面向手势识别、连续认证、个性化用户界面和面向自动驾驶的精密地图构建等使用场景进行终端侧人工智能训练。实际上，得益于高速连接和高性能本地处理，我们有独特的能力去探索未来架构，实现最佳的总体系统性能。
高效运行终端侧人工智能需要异构计算
十多年来，Qualcomm一直专注于在移动终端的功耗、散热和尺寸限制之内，高效地处理多种计算工作负载。Qualcomm骁龙移动平台是最高性能移动终端的首选系统级芯片（SoC）。人工智能工作负载在这方面提出了另一个挑战。通过在适宜的计算引擎上运行各种机器学习任务（如CPU、GPU和DSP等），我们能提供最高效的解决方案。这已经集成在了我们的SoC中。Qualcomm Hexagon DSP就是一个典型范例，它最初是面向其他向量数学密集型工作而设计，但已通过进一步增强用来解决人工智能的工作负载。实际上，在骁龙835上支持Qualcomm Hexagon向量扩展的Hexagon DSP，与Qualcomm Kryo CPU相比，在运行相同工作负载时（GoogleNet Inception网络）能够实现25倍能效提升和8倍性能提升。
架构的多样性是至关重要的，你不能仅依赖某一类引擎处理所有工作。我们将持续演进面向机器学习工作负载的现有引擎，保持我们在性能表现最大化上的领先优势。利用我们对新兴神经网络的研究，我们在专注提升性能表现，以扩展异构计算能力，应对未来人工智能工作负载上已具备了优势。实际上早在2012年，我们已预见了通过专用硬件高效运行人工智能的构想。
我们正大规模普及人工智能
让开发者能简单利用异构计算并非易事，仅有优良硬件还不够。为了弥补这一差距，我们发布了骁龙神经处理引擎（NPE）软件开发包（SDK）。它能缩短终端侧卷积神经网络（CNN）和递归神经网络（RNN）在合适的骁龙引擎（例如Kryo CPU、Qualcomm Adreno GPU和Hexagon DSP）上的运行时间，对图形识别和自然语言处理分别都有着重要作用。相同的开发者API给每个引擎都提供接入口，从而使开发者能够方便地无缝切换人工智能任务。
该神经处理引擎还支持通用深度学习模型框架，例如Caffe/Caffe2和TensorFlow。该SDK是利用骁龙技术提供最佳性能和功耗的轻量灵活平台，旨在帮助从医疗健康到安全的广泛行业内的开发者和OEM厂商，在便携式终端上运行它们自己的专有神经网络模型。例如，今年的F8大会上，Facebook和Qualcomm Technologies宣布合作，支持优化Facebook开源深度学习框架Caffe2，以及NPE框架。
通过持续研究扩展人工智能范围，并带来效率提升
我们正处于机器学习发展征程的最初期，深度学习也仅是具备改变计算潜力的多项机器学习技术之一。
为了实现更复杂的应用，我们在多个领域持续前进：
专门的硬件架构：持续关注低功耗硬件（无论增强型、专用型还是定制型），以处理这些机器学习工作负载；
神经网络技术的提升：针对半监督和无监督训练进行相关研究，如生成式对抗网络（GANs）、分布式学习和隐私保护；
面向终端侧应用的网络优化：进行压缩、层间优化、稀疏优化，以及更好地利用内存和空间/时间复杂度的其他技术的相关研究；
在终端侧完成全部或大部分思考的、“始终开启”的智能终端中蕴藏着巨大的机遇，我们期待通过研究和产品化推动先进机器学习的发展。目前，Qualcomm人工智能平台可通过高效的终端侧机器学习，提供高度响应、高度安全且直观的用户体验。未来还有更多可能。
请关注我们未来发布的关于神经处理架构研究和机器学习应用的博客文章，我们所探讨的话题将包括增强型连接、电源管理和更佳的拍摄。
原文链接：https://www.qualcomm.com/news/onq/2017/08/16/we-are-making-device-ai-ubiquitous
新华社：人工智能需要专门的AI芯片
来源：内容来自新华社，谢谢。
去年“阿尔法狗”战胜韩国棋手李世石，需要耗电数万瓦、依赖体积巨大的云服务器。一年多后，一个小小的人工智能芯片，就可让手机、手表甚至摄像头都能和“阿尔法狗”一样“聪明”。
随着中国企业率先推出市场化的人工智能手机芯片，这样的手机之“芯”正掀起全球热潮。它将带来怎样的影响，传统芯片命运几何？
专“芯”专用
２０１７年柏林国际消费电子展上，华为推出麒麟９７０人工智能手机芯片，内置神经元网络单元（ＮＰＵ），通过人工智能深度学习，让手机的运行更加高效。
芯片又叫集成电路，按照功能可分为很多种，有的负责电源电压输出控制，有的负责音频视频处理，还有的负责复杂运算处理。目前市场上的手机芯片有指纹识别芯片、图像识别芯片、基带芯片、射频芯片等近百种。
现有芯片种类繁多，为何还要人工智能芯片？
随着手机智能应用越来越多，传统芯片要么性能不够，要么效率不足，难以支撑人工智能所需的大规模神经网络运转。
例如，“谷歌大脑”用了上万个通用处理器“跑”了数天来学习如何识别猫脸；“阿尔法狗”和李世石下棋时使用了上千个*处理器（ＣＰＵ）和数百个图形处理器（ＧＰＵ），平均每局电费近３０００美元。对于绝大多数智能需求来说，基于通用处理器的传统计算机成本高、功耗高、体积大、速度慢，难以接受。
与传统的４核芯片相比，在处理同样的人工智能应用任务时，麒麟９７０拥有大约５０倍能效和２５倍性能优势。
术业有专攻。专业人士指出，普通的处理器就好比瑞士军刀，虽然通用，但不专业。厨师要做出像样的菜肴，就必须使用专业的菜刀，而专门的深度学习处理器就是这把更高效、更快捷的“菜刀”。
“芯”够强 才能走得远
目前迅猛发展的人工智能，上层的应用都依赖于底层核心能力，而这个核心能力就是人工智能处理器。如果在芯片上不能突破，人工智能应用就不可能真正成功。可以说核心芯片是人工智能时代的战略制高点。
人工智能目前采用的深度学习算法，有海量的数据运算需求，对传统架构和系统提出了极大挑战。
深度学习，就是通过算法给机器设计一个神经网络。这个网络的基本特点，是模仿大脑神经元之间传递、处理信息的模式，从多个角度和层次来观察、学习、判断、决策。近年来，这种方法已应用于许多领域，比如人脸识别、语音识别等，是人工智能领域的热点研究方向之一。
用于图像处理的ＧＰＵ芯片因海量数据(40.670, -0.95, -2.28%)并行运算能力，被最先引入深度学习。２０１１年，当时在谷歌就职的吴恩达将英伟达的ＧＰＵ应用于“谷歌大脑”中，结果表明１２个ＧＰＵ可达到相当于２０００个ＣＰＵ的深度学习性能。之后多家研究机构都基于ＧＰＵ来加速其深度学习神经网络。
然而，随着近两年人工智能技术的迅速发展，ＧＰＵ在三个方面显露出局限性：无法充分发挥并行计算优势，硬件结构固定不具备可编程性，运行深度学习算法能效不足。
全球科研界和企业于是竞相开发更加适用的人工智能芯片，尤其是适用于移动通信时代的芯片。
华为公司与中国科学院计算技术研究所“寒武纪”项目团队共同开发的麒麟９７０人工智能手机芯片，首次集成ＮＰＵ，将通常由多个芯片完成的传统计算、图形、图像以及数字（数位）信号处理功能集成在一块芯片内，节省空间、节约能耗，同时极大提高了运算效率。
据预测，类脑计算芯片市场将在２０２２年前达到千亿美元规模，其中消费终端将是最大市场，占据９８．１７％，其他需求包括工业检测、航空、军事与国防等领域。
在新的计算时代，核心芯片将决定基础架构和未来生态。因此，谷歌、微软、超威等全球信息技术和通信制造巨头都投入巨资，加速人工智能芯片的研发。
人工智能赛博物理操作系统
AI-CPS OS
“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能）分支用来的今天，企业领导者必须了解如何将“技术”全面渗入整个公司、产品等“商业”场景中，利用AI-CPS OS形成数字化+智能化力量，实现行业的重新布局、企业的重新构建和自我的焕然新生。
AI-CPS OS的真正价值并不来自构成技术或功能，而是要以一种传递独特竞争优势的方式将自动化+信息化、智造+产品+服务和数据+分析一体化，这种整合方式能够释放新的业务和运营模式。如果不能实现跨功能的更大规模融合，没有颠覆现状的意愿，这些将不可能实现。
领导者无法依靠某种单一战略方法来应对多维度的数字化变革。面对新一代技术+商业操作系统AI-CPS OS颠覆性的数字化+智能化力量，领导者必须在行业、企业与个人这三个层面都保持领先地位：
重新行业布局：你的世界观要怎样改变才算足够？你必须对行业典范进行怎样的反思？
重新构建企业：你的企业需要做出什么样的变化？你准备如何重新定义你的公司？
重新打造自己：你需要成为怎样的人？要重塑自己并在数字化+智能化时代保有领先地位，你必须如何去做？
AI-CPS OS是数字化智能化创新平台，设计思路是将大数据、物联网、区块链和人工智能等无缝整合在云端，可以帮助企业将创新成果融入自身业务体系，实现各个前沿技术在云端的优势协同。AI-CPS OS形成的数字化+智能化力量与行业、企业及个人三个层面的交叉，形成了领导力模式，使数字化融入到领导者所在企业与领导方式的核心位置：
精细：这种力量能够使人在更加真实、细致的层面观察与感知现实世界和数字化世界正在发生的一切，进而理解和更加精细地进行产品个性化控制、微观业务场景事件和结果控制。
智能：模型随着时间（数据）的变化而变化，整个系统就具备了智能（自学习）的能力。
高效：企业需要建立实时或者准实时的数据采集传输、模型预测和响应决策能力，这样智能就从批量性、阶段性的行为变成一个可以实时触达的行为。
不确定性：数字化变更颠覆和改变了领导者曾经仰仗的思维方式、结构和实践经验，其结果就是形成了复合不确定性这种颠覆性力量。主要的不确定性蕴含于三个领域：技术、文化、制度。
-
边界模糊：数字世界与现实世界的不断融合成CPS不仅让人们所知行业的核心产品、经济学定理和可能性都产生了变化，还模糊了不同行业间的界限。这种效应正在向生态系统、企业、客户、产品快速蔓延。
AI-CPS OS形成的数字化+智能化力量通过三个方式激发经济增长：
创造虚拟劳动力，承担需要适应性和敏捷性的复杂任务，即“智能自动化”，以区别于传统的自动化解决方案；
对现有劳动力和实物资产进行有利的补充和提升，提高资本效率；
人工智能的普及，将推动多行业的相关创新，开辟崭新的经济增长空间。
给决策制定者和商业领袖的建议：
超越自动化，开启新创新模式：利用具有自主学习和自我控制能力的动态机器智能，为企业创造新商机；
-
迎接新一代信息技术，迎接人工智能：无缝整合人类智慧与机器智能，重新
评估未来的知识和技能类型；
-
制定道德规范：切实为人工智能生态系统制定道德准则，并在智能机器的开
发过程中确定更加明晰的标准和最佳实践；
-
重视再分配效应：对人工智能可能带来的冲击做好准备，制定战略帮助面临
较高失业风险的人群；
开发数字化+智能化企业所需新能力：员工团队需要积极掌握判断、沟通及想象力和创造力等人类所特有的重要能力。对于中国企业来说，创造兼具包容性和多样性的文化也非常重要。
子曰：“君子和而不同，小人同而不和。” 《论语·子路》云计算、大数据、物联网、区块链和 人工智能，像君子一般融合，一起体现科技就是生产力。
如果说上一次哥伦布地理大发现，拓展的是人类的物理空间。那么这一次地理大发现，拓展的就是人们的数字空间。在数学空间，建立新的商业文明，从而发现新的创富模式，为人类社会带来新的财富空间。云计算，大数据、物联网和区块链，是进入这个数字空间的船，而人工智能就是那船上的帆，哥伦布之帆！
新一代技术+商业的人工智能赛博物理操作系统AI-CPS OS作为新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎。重构生产、分配、交换、消费等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态、新模式。引发经济结构重大变革，深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。
产业智能官 AI-CPS
用“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能），在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的认知计算和机器智能；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。
长按上方二维码关注微信公众号：AI-CPS，更多信息回复：
新技术：“云计算”、“大数据”、“物联网”、“区块链”、“人工智能”；新产业：“智能制造”、“智能农业”、“智能金融”、“智能零售”、“智能城市”、“智能驾驶”；新模式：“财富空间”、“特色小镇”、“赛博物理”、“供应链金融”。
点击“阅读原文”，访问AI-CPS OS官网
本文系“产业智能官”（公众号ID：AI-CPS）收集整理，转载请注明出处！
版权声明：由产业智能官（公众号ID：AI-CPS）推荐的文章，除非确实无法确认，我们都会注明作者和来源。部分文章推送时未能与原作者取得联系。若涉及版权问题，烦请原作者联系我们，与您共同协商解决。联系、投稿邮箱：erp_vip@hotmail.com