今年年初，由于个人兴趣，我开始研究人工智能。为了更好地理解人工智能与设计之间的关系，我开始学习机器学习，深度学习和Alexa开发。从一开始，我觉得人工智能只能让大多数设计师失业。现在我认为人工智能只是一种设计辅助工具。这也是很大的增长。这次我希望将积累的知识写入电子书。没有别的，因为有太多的话，更重要的是，它太酷了。由于写作时间可能太长，互联网每天都在变化，一些更先进的思想可能会变成现实，因此前四章是相继发布的。前四章主要讨论人工智能的基本知识，基础设计，互联网产品的设计，以及人工智能与设计之间的关系。人工智能对不同行业设计的影响将在后面的第3~4章详细分析。

目前正在考虑的领域是室内设计，公共设计和服务设计。后续工作将更新Github上的现有内容（Github链接将在稍后公布），当所有内容完成后，它将被制作成一本完整的电子书，敬请期待。

这部分是第1-2章。

人工智能的历史

说到人工智能这个术语，我不得不提到人工智能的历史。人工智能的概念主要由Alan Turing提出：机器是否在思考？如果机器可以与人类交谈而无法识别其机器的身份，则该机器具有智能功能。同年，艾伦·图灵还预测，创造具有真实情报的机器有一定的可能性。

说明：阿兰图灵（1912.6.23-1954.6.7）协助英国军队破解着名的德国密码系统Enigma，帮助盟军赢得第二次世界大战。由于提出的判断机器是否智能的测试方法，图灵测试，它被称为计算机之父和人工智能之父。

人工智能诞生了

1956年，在达特茅斯学院举行的一次会议上，数学，心理学，工程学，经济学和政治学等不同领域的科学家正式建立了人工智能作为研究学科。

△达特茅斯会议党派于2006年重新团聚，左起：Trenchard More，John McCarthy，Marvin Minsky，Oliver Selfridge，Ray Solomonoff

第一次发展高潮（1955年— 1974年）

在达特茅斯会议之后是伟大发现的时代。对于许多人来说，在这个阶段开发的程序是神奇的：计算机可以解决代数应用问题，证明几何定理，学习和使用英语。在许多研究中，基于搜索的推理，自然语言和微观世界是当时最具影响力的。

大量成功的人工智能计划和新的研究方向不断涌现。研究人员认为，具有完整智能的机器将在20年内出现并给出以下预测：

1958年，H。A. Simon，Allen Newell：十年内，数字计算机将成为国际象棋的世界冠军。在十年内，数字计算机将发现并证明一个重要的数学定理。

1965年，H。A. Simon：二十年来，机器将能够完成人们可以做的一切。

1967年，马文明斯基：一代又一代; …创造“人工智能”的问题将得到实质性解决。

1970年，Marvin Minsky：在三到八年内，我们将获得具有普通人类智能的机器。

美国政府在这个新兴领域投入了大量资金，每年在麻省理工学院，卡内基梅隆大学，爱丁堡大学和斯坦福大学的四个研究机构投入数百万美元，并允许研究学者做任何有趣的事情。方向。

当时的主要成就：

人工神经网络在30年代和50年代提出，Marvin Minsky于1951年创建了第一台神经网络机器。

提出了Bellman公式（增强学习原型）。

提出了一种感知器（深度学习原型）。

提出了基于搜索的推理。

提出了自然语言。

人工智能第一次具有模仿智能，知道如何使用语言，知道如何形成抽象概念和解决人类问题的特点。

亚瑟·塞缪尔在20世纪50年代中期和60年代初期开发的国际象棋项目已经能够以相当高的水平挑战业余爱好者。

机器人SHAKEY项目得到了大力推广，它可以“推理”它的行为;人们将其视为世界上第一个通用机器人。

微观世界的引入。

第一个冬天（1974年 - 1980年）

在20世纪70年代早期，AI遇到了瓶颈。研究人员逐渐发现，虽然机器具有简单的逻辑推理能力，但遇到了当时无法克服的根本障碍，人工智能仍停留在“玩具”阶段并远离完全智能这是预测的。由于先前的乐观情绪使人们看起来太高，当人工智能研究人员的承诺无法实现时，公众开始激烈地批评人工智能研究人员，许多组织继续减少人工智能研究的资金，直到资金停止。

当时的主要问题是：

计算机计算能力遇到了瓶颈，无法解决指数爆炸的复杂计算问题。

推理需要大量关于世界的信息，而计算机并没有达到“理解和理解”的程度。

无法解决Moravik的悖论。

涉及自动规划的一些逻辑问题无法解决。

神经网络研究学者一直很冷淡。

莫拉维克的悖论——如果机器像数学天才那样下棋，那么模仿婴儿学习有多难？但事实证明这很困难。

第二次发展高潮（1980— 1987）

20世纪80年代初，世界各地的公司开始采用一类称为“专家系统”的人工智能程序，人工智能研究迎来了新一轮的高潮。在此期间，卡内基梅隆大学为DEC设计的XCON专家系统每年可节省数百万美元。经济产业省拨款8.5亿美元用于支持第五代计算机项目。我们的目标是创造能够与人交谈，翻译语言，解读图像和人类理性的机器。其他国家已经回应并为人工智能和信息技术的大型项目提供了大量资金。

专家系统是基于从专业知识导出的一组逻辑规则来回答或解决特定区域中的问题的程序。由于专家系统仅限于小领域，因此避免了常识问题。 “知识处理”也成为主流人工智能研究的焦点。

当时的主要成就：

专家系统的诞生。

人工智能研究人员发现，智能可能需要建立在分类的大量知识的多种方法之上。

BP算法在神经网络训练方面取得了突破，神经网络的研究人员再次受到关注。

人工智能研究人员首次提出，为了获得真正的智能，机器必须拥有一个需要具有感知，移动，生存和与世界互动的能力的机构。感知运动技能对于常识推理等高级技能至关重要，理解事物的能力比抽象能力更重要，这也促进了未来自然语言和机器视觉的发展。

第二个冬天（1987年— 1993年）

1987年，人工智能硬件的市场需求突然下降。科学家们发现，尽管专家系统很有用，但它们的应用领域太窄，而且更新迭代和维护的成本非常高。在同一时期，Apple和I​​BM在美国生产的台式机的性能持续提升，个人电脑的概念继续普及;日本制定的“第五代项目”没有实现。人工智能研究再次遇到财务困难，5亿美元的行业在一夜之间崩溃。

当时的主要问题是：

受台式机和“个人电脑”概念的影响。

商业组织对人工智能的追求和无知已经将人工智能变成了泡沫破裂。

计算机性能瓶颈仍然无法打破。

仍然缺乏大规模的数据培训机器。

第三次发展高潮（1993年至今）

根据摩尔定律，计算机性能将继续突破。云计算，大数据，机器学习，自然语言和机器视觉等领域发展迅速，人工智能迎来了第三个高潮。

摩尔定律始于戈登摩尔在1965年的一次预测，当时他看到了英特尔公司生产的几种芯片，并认为晶体管的数量可以在18到24个月内减少一半，并且这个数字可能翻倍。能力可以加倍。我没想到会有这么简单的预言成真。在接下来的几十年里，我一直在这个节奏上前进，并成为摩尔定律。

主赛事

1997年：IBM的国际象棋机器人Dark Blue击败了国际象棋世界冠军卡斯帕罗夫。

2005年：由斯坦福开发的机器人在沙漠小径上成功航行131英里并赢得了DARPA挑战赛。

2006：

Geoffrey Hinton提出了一种用于多层神经网络的深度学习算法。

Eric Sc​​hmidt在搜索引擎大会上提出了“云计算”的概念。

2010年：塞巴斯蒂安·特伦（Sebastian Thrun）领导的谷歌无人驾驶汽车曝光率超过160,000公里，没有发生事故。

2011：

IBM Waston参与了益智游戏《危险边缘》，击败了最高奖得主Brad Rutter和连胜持有人Ken Jennings。

Apple发布了语音个人助理Siri，3 .Nest Lab发布了第一代智能恒温器Nest。它了解用户的习惯并相应地自动调节温度。

2012年：Google发布个人助理Google Now。

2013年：深度学习算法在语音和视觉识别率方面取得突破。

2014：

微软亚洲研究院发布了人工智能小冰聊天机器人和语音助手Cortana。

百度发布了Deep Speech语音识别系统。

2015年：Facebook发布了基于文本的人工智能助手“M”。

2016：

谷歌AlphaGo以4:的分数击败了九段球员李世石。

Chatbots的概念已经变得流行。

谷歌发布了为机器学习定制的第一代专用芯片TPU。

谷歌发布了语音助手助手。

2017：

在Go网络上，AlphaGO在60连胜中击败了世界顶级球员。

谷歌开源深度学习系统Tensorflow 1.0正式发布。

谷歌AlphaGo以3: 0的成绩击败全球首位Go九段球员柯杰。

Apple深入沉浸在机器学习和机器视觉领域，在WWDC上发布Core ML，ARKit和其他组件。

谷歌发布了ARCore SDK。

百度AI开发者大会正式发布了Dueros语音系统，即无人驾驶平台的Apollo 1.0自动驾驶平台。

华为发布了全球首款AI移动芯片Kirin 970。

iPhone X配备了一个前置3D感应摄像头（TrueDepth），带有3W人脸识别点，用于人脸识别，解锁和支付功能。 A11仿生神经引擎配备双核设计，每秒可达6000亿次操作。

AlphaGo Zero从头开始，不需要任何历史游戏指导。它不需要参考任何先前的人类知识。它只需要4个TPU，花费三天时间来争夺490万场比赛。阿尔法狗完全爆炸100-0。

许多专家学者都肯定了这波人工智能，并认为这波人工智能可以引发第四次工业革命。人工智能逐渐开始渗透到保险和金融领域;未来，医疗保健，运输，销售，金融服务，媒体娱乐，制造业;能源，石油，农业，政府和hellip; …所有垂直行业都将归功于人工智能技术的发展，我们现在谈论的人工智能是什么？

什么是人工智能？

在20世纪60年代，AI研究人员认为人工智能是一种通用机器人。它具有模仿智能的特点，知道如何使用语言，知道如何形成抽象概念，并能够推理自己的行为。它可以解决现有的人类问题。由于思想，技术和数据的限制，人工智能在模式识别，信息表示，问题解决和自然语言处理等不同领域的发展缓慢。

在20世纪80年代，人工智能研究人员改变了方向，并认为人工智能推理事物的能力比抽象能力更重要。为了获得真正的智能，机器必须具有需要感知，移动，生存和与世界交互的身体。为了积累更多的推理技能，AI研究人员开发了专家系统，可以根据一系列源自专业知识的逻辑规则来回答或解决特定领域的问题。

1997年，IBM的超级计算机Deep Blue在国际象棋领域击败了整个人类代表卡斯帕罗夫。 20年后，谷歌的AlphaGo在Go领域击败了整个人类代表科杰。划时代的事件使大多数人工智能研究人员相信人工智能时代已经到来。

也许每个人都认为国际象棋和围棋之间没有区别。事实上，两者的难度并不是同一水平。尽管国际象棋移动有很多种可能性，但是棋盘的大小和每个棋子的规则都极大地限制了获胜的可能性。深蓝色可以通过蛮力看到所有可能性，只有一台计算机基本上可以得到它。与国际象棋相比，Go是非常不同的。 Go布局的可能性可能超过宇宙中原子的数量。数十台计算机的计算能力尚不确定。因此，Go很难获胜，包括Go和人工智能方面的专家。断言：计算机必须击败Go领域的人类玩家，再等100年。结果，机器确实做到了，并且据说AlphaGo的强度超过十个段落（目前的国际象棋选手最多可达9个）。

那么Deep Blue和AlphaGo有什么区别？简单地说，深蓝色代码由研究人员编程，研究人员也教授知识和经验，因此可以认为对卡斯帕罗夫的深蓝色背后是人性。只是它比人类更强大，而且错误更少。 AlphaGo的代码是自我更新，知识和经验是自我训练。与深蓝色不同，AlphaGo有两个大脑，一个负责预测跌落的最佳概率，整个情况由两个大脑判断。它可以确定接下来几步的胜率。 。因此，AlphaGo对抗柯杰的背后是一个人工智能系统，经过大量训练超过100,000个磁盘后具有独立学习能力。

在这个时候，社会中有不同的声音：人工智能会思考和解决所有问题，人工智能会带走大部分人类的工作！人工智能将取代人类？那么人工智能到底是什么？

目前有两种人工智能定义：强大的人工智能和弱人工智能。

普通人认为的人工智能是一种强大的人工智能。它属于通用机器人，这是人工智能研究人员在20世纪60年代提出的想法。它可以像人类一样感知并与世界互动，通过自我学习记忆，推理和解决各个领域的问题。

如此强大的人工智能需要以下功能：

在存在不确定性时，能够推理，使用策略，解决问题并做出决策。

表达知识的能力，包括表达常识知识的能力。

规划能力。

学习能力。

用自然语言进行交流的能力。

能够集成这些功能以实现既定目标。

上述结论来自李开复的书《人工智能》。

这些能力对于普通人来说很简单，因为他们拥有它们。然而，由于技术限制，计算机很难具备上述能力，这就是为什么人工智能难以达到普通人在这个阶段思考的水平。

由于技术不成熟，现阶段的人工智能属于弱人工智能，并没有达到公众所认为的强大的人工智能。弱人工智能，也称为限制域人工智能或应用人工智能，是指专注于并且只能解决特定领域问题的人工智能，如AlphaGo，其自身的数学模型只能解决Go领域的问题，可以说它是一个非常小的领域问题的专家系统，很难扩展到更广泛的知识领域，例如如何通过国际象棋来表达一个人的性格和灵魂。

弱人工智能与强大的人工智能之间存在巨大差距。为了进一步发展弱人工智能，它必须具备以下能力：

跨域推理。

有抽象的能力。

知道了，我知道为什么。

有常识。

有审美能力。

有自我意识和情感。

上述结论来自李开复的书《人工智能》。

在计算机概念中，人工智能用于处理管理决策中的不确定性和不确定性。这意味着通过一些不确定的数据输入做出一些不确定从目前的技术实现来看，人工智能是深度学习的。它是Geoffrey Hinton在2006年提出的一种机器学习算法，它使该程序具备学习和进化的能力。

什么是机器学习和深度学习？

机器学习只是通过数学模型从大量数据挖掘有用数据和关系的问题。机器学习建模使用以下四种方法：

监督学习与数学中的功能有关。它要求研究学者不断标记数据，以提高模型的准确性，挖掘出数据之间的关系并给出结果。

无监督学习与现实生活描述有关（例如哪些动物有四条腿）。它可以从原始数据中提取模式和结构而无需额外的信息，并且与需要标签的监督学习相对立。

半监督学习，可以理解为监督学习和半监督学习的结合。

加强学习，这可能意味着通过联想决定下一步该做什么，并比较接下来几步的好处。

目前，机器学习主导有监督学习。深度学习是机器学习的一个分支。它能够通过多层神经网络自我优化自己的模型，并使用上述四种方法来发现更高质量的数据和连接。

目前的AlphaGo使用深度学习算法来击败人类世界冠军，更重要的是，深度学习促进了人工智能等其他领域的发展，如自然语言和机器视觉。目前人工智能的发展依赖于深度学习，这句话没有问题。

人工智能基本功能

在我们理解人工智能的基础知识之前，让我们先谈谈最底层的事情——数据。有两种类型的计算机数据，结构化数据和非结构化数据。结构化数据是指具有预定义数据模型的数据。其实质是标记和构建所有数据。确定标签后，可以读出数据。该方法易于被计算机理解。非结构化数据是指数据结构不规则或不完整且没有预定义数据模型的数据。非结构化数据格式是多种多样的，包括图像，音频，视频，文本，网页等，这些格式比结构化信息更难以标准化和理解。

音频，图片，文本和视频可以传输来自世界各地的信息。人类对理解这些内容没有任何困难。对于只了解结构化数据的计算机，理解这些非结构化内容比去天堂更好。它仍然很难，这就是人们很难与计算机通信的原因。

世界上80％的数据都是非结构化数据。人工智能想要理解和理解，并且必须分解非结构化数据。学者们借助深度学习在这一领域取得了突破性成就，为其他各种人工智能能力奠定了基础。

如果人工智能就像一个人，那么人工智能应该具备记忆思维，输入视觉，听觉，嗅觉，味觉和触觉等技能的能力，以及语言交流，身体活动等输出能力。上述术语的相应能力是：深度学习，知识地图，移民学习，自然语言处理，机器视觉，语音识别，语音合成（触觉，嗅觉，品味，技术研究没有商业成果，体育活动更多机器人）域名，文章中没有太多内容）

简而言之，知识地图就是一张地图。它从不同来源收集信息并进行组织。每个信息都是一个节点。当信息之间存在关系时，相关节点将建立联系，并且许多信息节点逐渐形成图形。知识地图有助于存储信息，更重要的是，有助于存储搜索信息的速度和质量。

迁移学习将学习的模型参数迁移到新模型，以帮助新模型训练数据集。由于大多数区域没有足够的数据用于模型培训，因此迁移学习可以将大数据模型迁移到小数据，从而实现个性化迁移，例如人类思维中使用的类比推理。迁移学习有助于人工智能获取更多知识。

自然语言处理是一门集语言学，计算机科学和数学于一体的学科。它是人工智能耳语识别和口语合成的基础。计算机能否理解人类思想必须首先理解自然语言，其次，要有广泛的知识和使用它的能力。自然语言处理的主要类别非常广泛，包括语音合成，语音识别，句子分词，词性标注，语法分析，句子分析，机器翻译，自动摘要等，问答系统等等。上。

机器视觉通过相机和计算机而不是人眼识别，跟踪和测量目标，并进一步处理图像。这是一项研究如何使机器“理解”的技术，是人工智能最重要的输入方法之一。如何使用摄像头实现对外部情况的实时准确识别是人工智能的瓶颈之一。深度学习在这方面帮助很大。今天流行的人脸识别，无人驾驶和其他技术依赖于机器视觉技术。

语音识别的目的是将人类语音内容转换为相应的文本。机器是否可以与人性交流的前提是机器可以理解人类在说什么。语音识别也是人工智能最重要的输入方法之一。由于不同地区有不同的方言和口音，这对语音识别来说是一个巨大的挑战。目前，百度，科达迅飞等普通话语音识别技术的准确率已达到97％，但方言准确率有待提高。

目前，大多数语音合成技术都是由数据库中的许多录音语音连接起来的，但由于对语境和情感表达缺乏了解，阅读效果很差。现在百度和科达迅飞等公司在语音合成方面取得了新的成就：16年3月，百度语音合成了张国荣的语音和粉丝互动; 3月17日，奔邦科技利用科达迅飞的语音合成技术成功帮助小米手机。实施了具有“黑色技术”的营销活动H5。他们的主要技巧是提取张国荣和马东语音数据的声纹和语音特征，然后通过自然语言处理来表达内容的情感。合成语音就像你说话中的人。新的语音合成技术不再受数据库中语言和情感表达的限制。

经过多年的人工智能研究，人工智能的主要发展方向分为：计算智能，感知智能和认知智能。这种观点也得到了业界的广泛认可。

计算智能从生物进化的角度识别和模拟智能。一些学者认为，智力是由遗传，变异，生物体的生长和外部环境的自然选择产生的。在使用退却和适者生存的过程中，保留了适应性高的心理结构，提高了智力水平。该机器利用自然的启示来设计结构演化和自适应学习的智能。

计算智能算法主要包括三部分：神经计算，模糊计算和进化计算。神经网络和遗传算法的出现极大地提高了机器的计算能力，并且可以更有效，更快速地处理大量数据。计算智能是人工智能的基础，AlphaGo是计算智能的代表。感知智能帮助机器具有视觉，听觉，触觉和其他感官能力，使机器能够理解我们的语言并理解世界。与人类感知相比，机器可以通过传感器获得更多信息，例如温度传感器，湿度传感器，红外雷达，激光雷达等。感知智能也是人工智能的基础。机器人和自动驾驶车辆是智能感知的代表。

认知智能是指机器积极思考和理解的能力。它可以实现自学，无需人类事先编程，有目的的推理和与人类的自然互动。人类有语言，只有概念和推理，因此概念，意识和概念都是人类认知智能的表现。探索机器以实现这些功能还有很长的路要走。

在认知智能的帮助下，人工智能通过发现世界的有用信息和历史上海数量，不断优化其决策能力，并洞察信息之间的关系，从而具备协助人类做出决策的专业水平。认知智能将加强人与人工智能之间的互动，这是基于每个人的偏好。认知智能通过收集的数据（如地理位置，浏览历史记录，可穿戴设备数据和医疗记录）为不同的个人创建不同的方案。认知系统还根据当前场景以及人与机器之间的关系，使用不同的情绪和情绪进行交流。

如果认知智能可以按照设想实施，那么底层平台必须足够广泛且灵活，以便应用于所有领域甚至跨域。因此，开发人员需要从全球角度构建这个强大的底层平台。它应该包括机器学习，自然语言处理，语音和图像识别以及人机交互等技术，以促进上层应用程序开发人员的开发和使用。

介绍了人工智能的历史和基础。设计师最关心的是人工智能如何下降以及如何处理用户。由于互联网上缺乏相关信息，我试图探索两者之间的联系，探索心态。人工智能如何为人类服务的关键取决于其基础设计和能力。所以在思考过程中，我首先考虑了人工智能的根本问题 - 人工智能如何收集用户数据？用户数据如何完成？以下是对这两个问题的分析和理解。

“分散与ltquo;因特网

互联网的前身，称为APA，属于美国国防部在20世纪60年代部署的中央控制网络。 APA网络存在明显的弱点：如果中央控制系统受到攻击，整个APA网络将陷入瘫痪状态。为了解决这个问题，美国的Paul Baran开发了一种新的通信系统。该系统的主要特征是，如果系统的一部分被破坏，整个通信系统将保持运行。它的工作方式如下：中央控制系统不再简单地将数据直接传输到目的地，而是在网络的不同节点之间传输;如果其中一个节点损坏，其他节点可以立即替换它。 APA的相关实践和研究催生了现代意义上的互联网。

互联网的起源是分散并使信息更安全，更有效。不幸的是，在第一次互联网泡沫之后，人们开始意识到在互联网上创造价值的捷径是建立一个集中的服务，收集信息并通过它货币化。互联网逐渐成为不同领域的巨头，以集中的方式影响数亿用户，如社交网络Facebook，搜索引擎谷歌等。用户使用他们的产品进行社交或搜索，作为服务提供商的巨头通过掌握和分析用户数据来优化他们的产品并获得收益。为了向用户提供更好的服务，存储和分析用户数据没有错，但它也对对他们的隐私和安全敏感的用户造成了一些不满。但更重要的是，如果一个巨人突然停止并停止相关服务，将给人类生活带来巨大麻烦。

互联网似乎已经回到了20世纪60年代。许多老的互联网参与者重新开始讨论分散的互联网。他们认为，互联网权力下放的核心概念是服务运作不再盲目地依赖于单一的垄断，而是服务运营的责任分散。

Tim Berners-Lee（万维网的发明者）提出了自己的见解：将网络设计为分散的，每个人都可以参与，拥有自己的域名和Web服务器，但它尚未实现。目前的个人数据是垄断的。我们的想法是恢复分散网络的创造力。

让我们看看分散网络的三个核心优势：隐私，数据可移植性和安全性。

隐私：权力下放对数据隐私提出了很高的要求。数据分布在网络中，端到端加密技术可以保证授权用户的读写权限。数据采集​​权由算法控制，而集中式网络通常由网络所有者控制，包括消费者描述和广告定位。

数据可移植性：在分散的环境中，用户拥有个人数据并可以选择共享对象。它不受服务提供商的限制（如果仍有服务提供商的概念）。这是非常重要的。如果您想换车，为什么不转移您的个人驾驶记录？聊天平台记录和医疗记录是相同的。

安全性：最终，我们的世界面临越来越多的安全威胁。在集中环境中，精细环境越孤立，驱逐舰越具吸引力。分散环境的性质决定了它的安全性，它可以抵御诸如黑客攻击，渗透，信息窃取和系统崩溃等漏洞，因为它的设计从一开始就确保了公众监督。

近年来，非常热门的HBO《硅谷》以“互联网分散化”的概念开始了最新一季。谣言风险资本家拉斯·汉内曼（Russ Hanneman）问问陷入困境的吹笛者的创始人理查德亨德里克斯，如果他获得无限的时间和资源，他想要建立什么？ Hendricks回答说“一个全新的互联网”，他后来解释说，现在每部手机当人类登陆月球时，计算能力比手机强得多。如果您可以使用所有数十亿部手机构建庞大的网络，请使用压缩算法使所有内容更小，更高效，更便于传输数据。然后我们将能够建立一个完全分散的互联网，没有防火墙，没有收费，没有政府监管，没有监控，信息将完全免费。

有关详细信息，请参阅以下视频：

△视频

在后来的故事中，Pied Piper在Hooli会议上将Dan Melcher的数千TB数据转移到250,000部手机上。虽然在此期间出现了一系列问题，但Dan Melcher的数据对于30,000台智能冰箱的大型网络来说是“神奇的”支持。

互联网档案馆的创始人布鲁斯特•卡勒（Brewster Kahle）表示，互联网权力下放很难在实践中实施，还有很长的路要走。虽然《硅谷》只是一部电视剧，但其中一些技术纯粹是虚构的，但它也证实了除了拨打电话，聊天，玩游戏外，还可以使用每部手机的计算能力和性能。很多东西，比如成为新一代的微服务器和计算中心。

最合适的私人服务器

移动电话成为下一代微服务器，符合Tim Berners-Lee的观点，即每个人都有自己的网络服务器。目前，手机的性能和容量可与台式电脑相媲美。更重要的是，为了减轻CPU的压力，手机有不同的协处理器。每个协处理器都有自己的功能，为手机提供不同的功能。例如，iPhone集成了5s的运动协处理器，可以低功耗监视和记录用户的运动数据。可以使用MotoX的协处理器。确定您的语音/流程动态信息，以便在未唤醒状态下使用Google即时功能。

移动电话上的各种传感器可以监控来自不同维度的用户数据。如果手机成为下一代微服务器，则需要承担存储用户数据的责任。同时，人工智能助手需要以每个用户的海量数据为基础，更好地了解用户并实时提供帮助。它成为“千人”的私人助手，因此用手机存储和分析用户数据是人工智能助手的基础。

分析用户的非结构化数据需要大量计算。为了减轻CPU和电池的压力，手机需要一个分析用户数据的低功耗协处理器。它可以执行机器学习方法，如深度学习和低功耗的迁移学习，并分析，建模和处理用户的大量非结构化数据。

家庭还需要更大容量的服务器来减轻手机容量的压力。例如，24小时长期冰箱，路由器或智能扬声器是数据的良好容器。用户的手机可以定期将数据备份到家庭服务器很长一段时间，具有以下优点：

减少手机中用户数据的使用。

家庭服务器可以稳定地工作24小时，可以进行越来越复杂的计算，并将结果反馈给移动终端。

当更换诸如用户的移动电话之类的设备时，可以无缝地使用现有功能。

2015年，谷歌开始使用自己的研发TPU，比目前的CPU和GPU在深度学习中快15到30倍，性能和功耗比高出约30到80倍。当诸如移动电话或智能扬声器的设备具有类似于TPU的协处理器时，个人人工助理将达到新的峰值。同年9月，华为发布了全球首款AI移动芯片Kirin 970，其AI性能密度明显高于CPU和GPU。在处理相同的AI应用程序任务时，与四个Cortex-A73内核相比，麒麟970的新异构计算架构的能效约为50倍，性能优势是其25倍，这意味着未来在手机上处理AI任务的能力是不再困难。更重要的是，iPhone X的A11生物芯片具有神经引擎，每秒可运行高达6000亿次操作。它是专为机器学习而开发的硬件，不仅可以执行神经网络所需的高速操作，而且还具有出色的能效。

进一步使用数据

人工智能的发展依赖于大数据，高性能计算能力和实现框架，而数据是人工智能的基础。在过去30年中，人类数据经历了两个阶段，即岛屿阶段和集体阶段。

岛屿阶段

在没有因特网和因特网的情况下，人们基本上在独立状态下使用计算机，并且数据只能在本地存储在计算机上。由于计算机性能较差，产品较简单，技术不成熟，人类在计算机上生成的数据价值不大。

集体舞台

在互联网和移动互联网的中后期，计算机行业开始向互联网发展并衍生出更多的领域，如在线社交网络，搜索等，视频音乐等娱乐产业开始被中介化;在移动互联网时代，巨头与传统行业相结合，产生更多游戏玩法。人类的日常活动逐渐产生了大量的数据。

由于数据量庞大且技术有限，个人无法存储和分析自己的数据。个人数据对个人来说仍然没什么价值，但对于巨头来说却并非如此。巨人有资金和技术。即使个人数据具有太多特征，当它们被组合成组数据时，巨人也可以通过数据清理，建模和其他方法分析相关组的共同特征，并绘制相关的用户图像。详细了解您的用户是谁，并设计更具针对性的功能和服务，以探索新的用户需求并生成新产品。

随着近年来技术的成熟，巨头们可以做一些相对简单的个人建议。例如，亚马逊可以根据您的购买历史向您推荐相关产品。其背后的原理是分析通过分析大量用户获得的产品。

由于服务器通常很昂贵且普通用户缺乏处理数据的能力，并且巨头能够使用户数据更有价值，因此谷歌，Facebook，苹果，腾讯，阿里，百度等用户数据已被“接受”。其他巨人。这是可以理解的。每天生成的每个用户的数据包括社交，健康，购物，地理信息等，但巨人的垄断和竞争，导致用户数据被巨人划分和收集，加上巨人更愿意生产更多的竞争对手产品不愿意使用户数据互操作，导致用户数据无法发挥更多价值。在人工智能发展的道路上，这也是一个非常现实和赤裸裸的门槛。

互通阶段

为了使人工智能增长更快，您需要分析和理解更完整的数据;再加上互联网分散的概念，应用程序供应商将“返回”数据给用户将是下一个趋势。术语“返回”数据给用户并不意味着应用程序供应商不应该拥有数据，而是分享数据以获得更有用的数据。

对于人工智能的开发，各种应用程序供应商之间的数据共享不符合竞争和现实，但用户有权“获取”自己的数据，因为这些是用户自己。此时，用户需要一个数据仓库，可以存储和组织不同应用程序供应商的数据，而人工智能可以使用该数据自我优化和分析用户的特征。

例如，在我们的手机中的淘宝和京东，用户在使用时有不同的动机和场景，因此他们获得的用户图像只是用户的一部分，不能完全代表用户。如果淘宝和京东将各自的数据保存到个人数据仓库，人工智能将整理数据，然后导出淘宝和京东的授权全用户肖像，然后淘宝和京东可以为用户提供更多的个性化服务。创造更多收入。这是应用程序供应商为人工智能提供数据的地方，而人工智能则反馈给各种应用程序供应商。

下一代人工智能助理

为了更好地了解您，人工智能需要了解更多数据。在日常生活中，用户的主要信息概括为：身份信息，健康数据，爱好，工作信息，财产数据，信用，消费者信息，社交圈和活动。

身份信息：姓名，性别，年龄，家乡，身份证（身份证包含前4项），帐号，当前居住地址和家庭信息。

健康数据：基本身体状况，医疗记录和运动数据。

爱好：饮食，娱乐，运动等。

工作信息：公司，职位，薪资和同事地址簿。

物业数据：补偿，存款，股票，汽车，房地产和贵重物品。

信用：信用机构提供的信用记录。

消费信息：消费记录（包括产品类型，购买时间，购买价格和送货地址），消费水平和浏览历史记录。

社交圈子：联系人（包括朋友，同事，同学和亲戚）和社交更新（包括离线和在线）。

活动：旅行记录，活动和旅行的主要领域。

以上所有方面都有相关产品提供服务和数据记录，如社交应用微信和莫莫，购物应用京东和淘宝，运动健康保持等。如果数据的各个方面都被打开并提供给人工智能，那么人工智能拥有更多的用户数据和功能，更多的应用程序和智能硬件可以通过将人工智能连接到自学和优化来了解用户信息。一般来说，人工智能可以代表您，也是最了解您的个人助理。

人工智能数据仓库设计

2015年是智能家居的第一年，但最终公众仍然被愚弄。一般来说，智能家居的重点是智能，但人工智能尚未开发，智能家居如何智能化？

如今，大多数智能家电就像一个岛屿。它们只能由手机中的不同应用程序控制。他们之间没有联系，直到小米打破现有局面，这并没有反映智能家居的概念。

小米使用MIUI，路由器和小米生态链来布局智能家居生态。在早期阶段，它通过路由器控制网络功率。小米电视占据家庭娱乐中心，Wifi插座使基本家用电器智能化，各种传感器使建筑物智能化。从中期来看，它与科技公司有关。小米控制的智能家居继续渗透到用户的家中，美国的合作，以及小米生态链的各种产品，如扫地机器人，空气净化器，电饭煲等。最近推出了299元的小米AI扬声器，使小米智能家居达到全新控制智能家居的高潮变得更加轻松，用户可以通过AI扬声器指挥和控制每个产品。到目前为止，中国智能家居布局中最好的是小米。

目前，小米的智能家居布局仍处于起步阶段，只需连接不同的设备和连接一个终端。家庭的智慧不仅仅是通过命令的简单操作，更多的是智能家居与更多的所有者理解之间的联系，这取决于用户数据的积累，理解和共享;但也带来隐私问题，用户担心更多的产品和人工智能会接触到更多的数据，他们的生活每天24小时都受到监控。人工智能将是科学和伦理游戏中最激烈的部分，因此如何实现底层数据仓库是关键。

未来的人工智能和数据仓库应该是一个平台，就像当前的Windows，iOS和Android操作系统一样，但数据仓库不应该由巨头和政府控制，因为它存储的用户私有数据比当前操作系统多。因此，数据仓库需要定制更多的隐私规则以防止用户数据泄露，并定制开放协议以实现多种创新并避免被巨头垄断。

仓库具有以下特征和功能：

数据仓库具有用户的全部特征和数据，可以代表用户。

数据仓库包含至少9个模块的身份信息，健康数据，爱好，工作信息，财产数据，信用，消费信息，社交圈和活动范围。每个模块彼此独立且不耦合。

数据仓库包括用户特征，产品私有数据和共享数据。用户特征仅具有输出行为;私有数据只有输入行为;共享数据具有输入和输出行为。

可以在模块之间交换数据，并且模块具有定义的输入和输出接口格式。

每个模块中的机器学习算法可以升级或替换为其他供应商提供的算法。

每个模块都关闭，算法无法发送用户数据。

每个模块都有强制和非必需的固定数据字段。

产品可以将私有和共享数据导入不同的模块。

产品提供的数据必须符合模块的强制数据字段，并且可以提供附加的可选数据字段。

模块的共享和私有数据由模块内的算法注释和建模，以生成相关的用户特征。

该算法可以申请授权以获取其他模块的共享数据和用户特征。

在授权范围内，产品可以获取相关模块的用户特征和共享数据部分，并且不能访问私有数据。

数据仓库定期将数据加密到个人服务器。

数据仓库定期清理过时的数据。

当数据仓库容量不足时，将自动提醒用户备份数据并清理空间。

数据仓库自动加密用户数据以防止泄漏。

来自不同供应商的数据仓库产品应遵循以下协议：

不同数据仓库的同一模块所需的数据字段需要保持一致。

数据仓库内部算法和数据仓库应相互独立。

数据仓库可以使用过去的数据和用户特征。

数据仓库之间的数据传输需要加密。

不允许设置后门。

数据仓库开发协议的好处：

公司可以根据规范开发数据仓库，以降低被巨头控制的风险。

可以开发数据仓库中不同模块的机器学习算法，并由不同的公司替换。

有利于不同企业数据仓库之间的数据迁移和升级。

此用户名下的数据仓库在数据同步时加密，从而减少了隐私风险和风险。

人工智能需要考虑诸如计算性能，功率，发热，数据采集和人机交互等问题。在移动端，手机仍然是人工智能助手的最佳载体，可穿戴设备更具辅助性;在家中或办公室里，最好的人工智能辅助载体应分为两种：

一个是可以与用户交互的电器，例如流行的智能扬声器，具有大屏幕显示器的电视，甚至是24小时电源路由器。

第二种是具有天然优势的冰箱：它每天24小时供电。其自动冷却功能可以更好地解决复杂计算产生的热量问题。其巨大的尺寸可以容纳更多的硬盘和用于存储数据的计算机组件。

可以推测，冰箱将成为个人智能的计算中心，就像服务器，手机和智能音箱将成为处理用户的人工智能助手。当计算中心处理数据时，它将结果同步到相关的AI，数据仓库成为连接它们的桥梁。只有通过完善基础数据共享，人工智能才能带来最大价值。

« 今天的标题SEO算法原理被揭示 | 谁决定一个品牌的生死？ »