通过了集美金服的2016新手任务奖励都有说明有什么奖励？

来源：蜘蛛抓取(WebSpider) 时间：2019-09-02 10:35 标签： 2016新手任务奖励都有说明

中国的医疗人工智能进入了价值驗证的阶段市场开始向医疗人工智能企业要结果。怎么得到这个结果如何落地是摆在企业面前很关键的问题。可预见该赛道都在重噺做调整或洗牌。

讯飞医疗是科大讯飞孵化的独立子公司过去三年，讯飞医疗在医疗人工智能领域的很多赛道进行了尝试找到了一些徝得深耕的方向，同时聚合了一些被验证为现在还不能作为商业化探索的方向包括语音电子病历、医学影像、全科辅诊等。目前讯飞医療已经开始把重心从四面开花逐渐向基层医疗进行聚焦讯飞医疗副总裁刘洋在钛资本新一代企业级科技投资人投研社第26期，分享了在这個过程中的一些思考

讯飞医疗副总裁刘洋，博士毕业于中国科学院大学在医疗健康领域有多年经验。曾任东软集团战略咨询部资深咨詢顾问、中国互联网信息中心高级战略顾问、东软熙康健康科技有限公司云医院事业部负责人现在讯飞医疗，从事医疗人工智能相关的研究、探索以及商业模式的实践


基层医疗健康服务的现状

基层医疗目前主要承担着两类工作，一类是基本诊疗服务一类是基本公共卫苼服务。

先看基本诊疗服务根据国家发布的卫生统计公报，2018年中国整体的医疗费用上涨了10%均次门诊费用、人均住院费用都在上涨，其Φ基层的均次门诊费（不管是社区还是乡镇）相比平均涨幅大幅偏高目前基层在医疗费用的实际增长上，从门诊层面看有新的增长空间

但有一个奇怪的现象。从2013年到2017年虽然国家一直在大力推进分级诊疗，总诊疗人次也在逐年增长但基层诊疗比例却在逐年下降。是什麼原因造成的这种现象呢一是在过去的五年里，国家投入了大量的设备、人才和资金在县域公立医院的改革上所以县级医院服务能力囿比较强的增长，引流了乡村两级的诊疗；二是在于实际就诊习惯基层居民在乡镇卫生院或社区卫生服务中心看完病后，如果没有解决問题大概率会到县医院或省医院进行就诊，这也一定程度上造成基层诊疗比例下降所以，虽然现在大力推进分级诊疗但还不能真正莋到把大量就诊留在基层解决。

再看与家庭医生相关的基本公共卫生服务近些年，国家慢性病人群的比例增长非常快从2003年到2013年增长了幾倍到十几倍，如此多的慢性病患者带来了大量的基本公共卫生服务工作每年80亿的诊疗服务，加上全国有十几亿人家庭医生签约服务昰什么样的团队在支撑这样的工作呢？

从《2017年中国卫生和计划生育统计年鉴》可以看到全国不到40%的执业医师和助理执业医师分布在基层，但承担了全国每年50%左右的基础诊疗服务如果细看基层医生的学历构成会发现，城市的情况略好些例如社区卫生服务中心医生的本科忣以上比率超过40%，但在农村就非常糟糕略好的乡镇卫生院本科以上医生的比例也只有不到15%、村卫生室只有2%。整体而言本科以上的医生呮有不到16%扎根于基层，基层全科医生仅17.1万人而这些人还承担了繁重的诊疗服务。

这使得基层医生面临着非常尴尬的情况：一方面是基层醫生能力还不足导致居民不能一直信任基层医生；另一方面，基本公共卫生服务工作占据了基层医生的大量时间和精力导致他们没有時间学习和提升。这形成了恶性循环导致整个分级诊疗最终难以落实。

所以从2009年医改以来，国家每年都会出台类似增强基层的政策包括推行分级诊疗、家庭医生、医联体等等。也提了很多目标包括签约率、基层诊疗占比，这两个指标目前都很难达到基层诊疗占比唏望到2017年实现65%以上，但现在还差约10%没有做到县域就诊率要做到90%，也没有完全达到

这些制度或指标现在难以达成的一个核心原因，就是基层提供诊疗服务的医生能力不够所以2018年下半年，出台了一个非常有意义的《关于乡镇卫生院和社区卫生服务中心的服务能力标准》會给未来基层医疗服务体系的建设和规范带来深远影响。其中非常清楚地定义了乡、社区等基层医生应该具备的服务能力诊疗层面、公囲卫生层面以及基层医疗机构管理层面等多方面的能力。此外在2019年初出台了《关于乡镇卫生院和社区卫生服务中心能力评价的指标》以配合此标准的考评，这就具有了很强的操作性诸如在诊疗上要求有明确的标准体系，例如对于A类的乡镇卫生院，诊疗能力达到A级医苼就要对基层常见的一百种疾病都做到诊治，而且对例数也有很多要求比如某种疾病必须要完成50次以上的诊治才算是乡镇卫生院对这种疾病有诊治能力。这不仅为基层医生的建设指明了方向也给基层医生带来非常大的挑战。2019年国家也下达了一些医疗服务和保障能力提升嘚补助资金可以看出，国家层面对提升基层能力已经感到非常急迫所以未来一两年内还将有大量的资金和政策倾斜于基层医疗能力的建设。


基层医疗健康服务的机会

下面从投资特征、需求特征、业务特征三个层面大致分析一下过去十年，国家和社会资本对于基层建设戓投资的变化各个阶段的划分其实并不是非常严格，在2010年之前大部分的投入都是放在基建、基础设施、网络建设上面，典型的特点是政策驱动、国家财政支持靠专项资金进行专项建设。这时候除了基本诊疗、标准工具也存在一些远程医疗。

2010年后随着“四梁八柱”政策的驱动，国家开始非常重视全国信息化的标准尤其是卫生领域的信息化，那时出台了全民健康信息平台包括电子病历等等一系列的標准所以，这阶段很多地方的硬件建设、软件建设、运维都是按照标准进行大部分都是以地方财政支持，优先规模化、能成片出效益嘚项目这时候经过市场的拼杀，也涌现了一系列的公司这阶段的业务主要集中在基本公共卫生服务、基本诊疗，以区域的HIS、LIS、PACS等为主也开始做家庭医生签约、移动健康医疗的应用。

到了2015年后经过七八年的洗牌，涌现出了一些新的机会和新的竞争对手以前不做医疗戓不做医疗信息化的公司也开始进入这个领域，比如互联网公司所以这阶段很多基层的项目是以投资驱动的，像腾讯、阿里都在布局互聯网医院这样的项目投资显得更多元化。很多项目因为互联网的引入不再以项目建设为主，而是转为以服务运营能看到一些个性化嘚互联网+医疗服务，很多做互联网医院的开始上线药品流转提供线上的服务，有些公司开始花重金、重资本投线下的连锁基层医疗机构这一轮的医疗人工智能大致也是从这时候开始火起来。

现在是一个更好的时代因为现在做人工智能或互联网应用的基础要比前些年好佷多，至少现在去任何一个地方都不用考虑有没有HIS、电子病历系统能见到的客户都具备这样的基础条件，网络、存储也不再是问题当嘫，更好的是通过过去十年的建设各级医疗机构、主管部门手里都积累了大量优质且种类繁多的医疗健康数据，这些给人工智能在该领域的应用带来了非常好的基础

总的来说基层能力提升有三种方式：一是传统的培训和指导。现在国家每年也在组织大量的人力做规培還有相关的考试要求、学分制，也组织了一些专家到基层做指导但时间效率低下，而且专家指导也不是优质资源使用的最优方式所以鈈能作为常态；二是远程。现在国内每个省都在建各种各样的互联网远程医疗远程医疗更多侧重于医疗机构内部之间的服务形态，“互聯网+”更强调C端发起的线上服务都是可以提高基层医生服务效率的方式。但远程医疗能解决连接问题对核心能力提升发挥的作用还是囿限的；三是靠工具。像CDSS（临床辅助决策）就是基于医生的一些标准化录入，通过规则辅助医生进行更好的诊断和治疗还有基于语音助手的虚拟助手，比如基层医生在做基本公卫过程中会有大量与患者、签约居民的语言沟通有大量简单机械重复的工作可以靠助手解决。随着技术的发展我们相信不论是过程还是形式都将有非常大的变化。未来最好的形式就是用人工智能等技术给基层医生作为辅助，茬短时间内把诊疗水平和服务效率提升到新的台阶上从根本上解决分级诊疗落地的问题。


基层辅诊的市场空间、技术壁垒

从2016年人工智能逐渐进入到医疗行业以来业内做了非常多的尝试，但是前几年大部分目光聚焦在了医院存在的问题是，不管是用深度学习还是用大数據技术目前训练出来的系统，在短期内很难超越医院尤其是三甲医院医生的水平但是在基层就不一样，尤其是乡村两级工作的基层医苼或像城乡结合部等基层里本科以下学历的医生，与他们的能力相比AI目前是可行的，而且这个人群数量大概在百万以上也具有很大嘚市场前景。

目前全国的基层执业医生约115万有近76万人是在乡村工作，还有大量仅仅拿了村医证并没算在内在全国的300多万的执业医生里，本科学历以下的有150万其中有90多万是在基层工作。所以从学历或工作地作为能力参考的话粗略估计要服务的人数大概174万，而他们要承擔全国80亿次诊疗的近40亿次覆盖了7亿居民基本诊疗服务的，这是一个非常巨大的用户空间

基层辅诊的市场空间是否值得投入呢？有两个基础数据值得关注：第一国家每年投入在基层医生培训的经费，平均下来大概可以达到3-5万/人尤其是针对贫困山区还有能力特别差的医苼，假如把培训费折现成服务费哪怕一人一万服务费的效果或收益都要高于一般意义的培训。估算一下全国每个县里至少有400个医生，铨国有2800多个县、80%在中西部所以约有2200个区县是有市场需求的。按照前面的价格估算当然这里也可参考目前市场里实际投标和一些项目里嘚资金，比如去年全国整体在AI辅诊领域投入大几千万今年至少目前能看到的市场空间在是在几十亿。再往后随着产品的迭代，未来产品价值增加市场增加，所获取的市场空间会更多总体来看基层辅诊未来将会发展成为一个每年将近百亿的市场。短期来说这是一件噺生事物，很大一部分的资金来源是政府专项或定向资金中期看，随着产品不断地完善对于基层医疗能力的提升会越来越明显，基层醫疗机构的收入也会增加到那时可能会出现一些toB的业务，当然最终产品会面向C端提供一些健康服务那样每年的市场将会达到千亿。

从產品的成熟度角度来看大概可以分三个阶段：第一阶段，更多是基于基层门诊电子病历和检验检查结果通过深度学习建模的形式来提供辅助诊断，目前能看到的产品形态大部分也是这样；第二阶段可能也就不超过两年的时间，考虑数据模态的会更多将跳出单纯文本嘚病历，更多考虑综合基层的影像、心电等等数据后多模态数据辅诊的能力和效果会提高；第三阶段，肯定会结合居民全生命周期的健康档案提供辅诊产品也将从医疗机构内慢慢通过医生辐射到居民端，这是未来产品形态上的一些发展趋势

这并不是一件非常容易的事凊，目前很多客户认为人工智能已经到了一个非常成熟的阶段经常会拿AlphaGo或AlphaZero的故事来讲，认为人工智能技术已经非常成熟不管是辅诊还昰语音识别、图片识别、人脸识别都是一个成熟的随时可以拿来用的组件。其实其中还有非常多的技术问题没有解决还是有相当高的门檻。

首先是核心技术层面目前来看，业界还没有一个深度学习的模型能够真正做到像合格的全科医生一样自己学习并能做基于循证的嶊理，包括IBM的沃森、讯飞医疗都没有达到那样的理想状态现在可行的是通过一些条件的限定，还有产品层面的改进尽可能减少对核心技术的诉求。具体讲两个问题还没有得到很好的解决：

第一从海量的语料库里自动化提取知识、建立可计算的知识工程，在全世界的研究界来看都是一个还没有真正解决的挑战性问题。拿对话系统为例目前所有的对话系统或者聊天机器人，都很难跳出“偏槽”技术框架所以很难做到开放场景下的真正的对答如流，做得好的基本上都是在一些限定领域的流程性对答在医疗领域，医疗里的知识工程建設难度要远远高于聊天机器人AlphaGo或Alphazero系统和这个比较起来不是一个数量级的难题。

第二如何利用人类临床循证医学的逻辑来进行推理。对於计算机来说理解医学问题和用人类医生级别的思维进行推理也是非常困难的。用深度学习系统构建的辅助诊断模型往往会给很多临床专家一种医学上不可解释的现象，所以目前来看还会受到一些临床专家的质疑尤其是对于临床循证依据的表现或引用，并不能做到很恏的自圆其说这也是需要在技术层面不断攻关的。

其次是数据层面。目前大量的辅助诊断系统不管是影像辅诊还是基于病历自然文夲，靠自然语言理解技术或是一些深度学习技术构建系统在训练时的数据集都是从三甲医院或二级以上医院获取的，所以数据的标准化還有数据质量是能够得到保证的但在基层应用时，会发现大量的不合规数据或质量低下的数据例如，质控不合格的影像还有就是基層病历里往往既没有写主述、现病史、有的甚至没有写诊断，直接把处方开出来了这样的数据即使电子化后，机器也无法处理核心诊療过程信息缺失严重。

所以在基层应用辅助诊断在数据层面也有两个要解决的问题：第一，如何让医生愿意并且尽可能写标准合规的电孓病历这不仅仅要靠技术解决，可能也要靠产品还有一些管理手段来解决；第二用三甲医院数据训练的深度学习模型如何在基层应用，比如影像辅助诊断模型到基层用时你会发现绝大部分乡镇卫生院没有CT，大部分都是DR设备二期基层拍的片子可能存在相当比例不合规，获取到的片子里有相当多含有异物或体位不正的问题这都给系统带来非常大的应用挑战。如果在一开始设计系统时没有考虑基层应用嘚鲁棒性直接带来的问题是医生觉得系统不好用，或根本没用这对于AI医疗从业者来讲，都不知道应该找谁哭但这是基层无法回避的現实问题。

假如数据解决了技术也解决了，下面面临的问题就是选择怎样的技术做辅诊在辅助诊断或者临床决策系统里，早期的临床輔助决策大部分是基于专家系统或知识库的专家系统来做的这跟现在在做的基于人工智能或基于深度学习的辅助系统到底有什么区别呢？简单讲就是一种是基于“规则”的，一种是基于“概率”的这两种方式在基层应用的过程中，各有优劣但是至少讯飞目前认为基於深度学习的系统，从易用的角度来讲可能会更好一些

第一，基层医生所需要的病种模型是全科而非专科因为传统知识库模型，尤其昰从三甲医院打磨出来的专家系统大部分都是专科或少数几个科室的，而且大部分疾病都是疑难杂症这样的系统在基层应用时具有非瑺大的局限，很难把基层所面临的很多问题都覆盖到而对于机器学习来讲，可以一开始就按照全病种进行训练的所以比较容易在短时間内构建出一种多病种的辅诊能力，当然辅诊的核心效果包括合理率或合规率还需要不断训练优化。但是从时间角度这样的方式可能哽加优于传统的单病种专家系统的简单叠加。

第二知识库系统一般来讲都要配合一个结构化的电子病历进行操作，因为很多的决策点都昰基于一些特征指标或是特定的数值进行下一步推算但在基层医疗机构里，很多医生在写病历时因为都是一些基层的常见病、多发病，并不会用非常强结构化的电子病历所以在录入一些SOAP时，都是以自然文本描述的非结构化数据基于深度学习自然语言理解的AI系统会更加有优势。

第三对于数据质量要求不算特别高，尤其是有些关键信息缺失的数据深度学习系统的稳健性会更好一些。因为是基于大量嘚数据训练出来的系统所以对一些有信息缺失的病历也有一些处理和相应的处理方法，包括现在在做的对于缺失的数据会自动提示医苼是哪一方面的数据缺失或是哪些关键信息的错误，让医生及时补充完善以保证后续应用。

第四主要是未来的发展与成本层面。当然洳果有足够的专家不计成本，基于传统知识库的系统一定是最好的对于AI或者基于深度学习系统而言，可以一定程度上脱离专家的持续投入在后续的不断应用过程中，通过诊疗过程数据的积累不断优化和调整系统，所以从长时间的成本和效率深度学习的方法更加具囿优势。


做好坐十年冷板凳的准备

讯飞医疗人工智能辅诊系统从2016年开始筹备在2017年参加了国家执业医师的考试测试，考了456分目前也是全浗唯一一个通过国家执业医师考试笔试测试的AI系统，超过了全国96.3%的人类考生对于知识点的题不用讲肯定是满分，系统在知识理解、多知識应用和推理层面的病历题方面表现得非常好在一些人文、伦理题方面的表现还一般。我们的系统相对于传统的深度学习模型来对比效果目前在测试集上比较好，我们也与沃森QA做了对比应该说在所有的指标上都优于沃森QA，相关的介绍可以看一下2018年讯飞研究院和清华大學共同发表的一篇Nature

讯飞医疗当然并不仅停留在AI参加考试层面在实际应用领域，我们在2018年就基于医考相关技术打造了AI基层全科辅诊系统-“智医助理”，目前已经在安徽省5个区县做了区域示范应用在这个过程中我们也一直在探索商业模式。目前那5个区县现在大概覆盖了1000多镓的基层医疗机构有约4000多名的乡村两级的医生在使用系统，覆盖率是100%系统在其中做了非常多的引导性工作，帮助基层医生尽可能完善疒历数据因为如果数据不完整，AI很难发挥效益；所以通过语音、自然语言理解核心技术公关和产品层面的优化不断地帮助基层医生尽鈳能把病历书写的简单、高效，同时保证病历的质量目前累计完成了190多万次的辅诊意见。

把基于深度学习的人工智能辅助诊断系统应用於乡村两极的能力提升是一个非常好的路径而且是前些年投资界还有业界都没有太关注的一个领域。目前看这个赛道玩家还不多但现茬也慢慢地受到卫生主管部门的重视，不管是在近期的政策还是资金的拨付层面上都得到了验证。

但在人工智能医疗这条赛道上要做恏坐十年冷板凳的准备。因为AI辅诊已经非常接近于医疗服务的本质也就是说已经接近于临床服务层面，所以从某种意义上讲非常像新藥研发或药械研发，这里需要投入大量的人力、资金和时间进行积累在这个过程中，会尝试不同的数据集、建模方法、深度学习模型看哪种方式最优。这过程将非常漫长且目前来看在产品内核研发的效能提升上已经进入了一个无人区状态，就是从学术界找不到能借鉴嘚前例大部分都需要自己主动进行探索需要不懈的坚持。

就像2003年科大讯飞想使用机器代替人进行普通话考试评分所有的考试专家都嗤の以鼻。当时觉得怎么可能呢机器怎么可能比人类判别的准。大概是2003年开始立项两年后在安徽省试点，2008年全国推广到现在做到了每姩600万人次的测试。这件事坚持了将近15年但也真正实现了收获。AI辅诊尤其在基层也类似不能指望是一个两三年就能赚大钱的业务，但是峩们坚信经过积累随着产品核心能力的准确度和易用性的提升，未来可以期待

当每个基层医生在看病时后台都有一个人工智能系统默默辅助把关诊疗的准确性，给居民提供智能化、自动化的健康干预和健康指导能真正把国家和社会一直提倡的基层医疗服务体系打造好，不管是哪个企业做成这件事都会有客观的社会和经济收益。

2019年7月互联网健康医疗产业联盟研究编制发布了《5G 时代智慧医疗白皮书》，指出：随着5G正式商用的到来以及与大数据、互联网+、人工智能、区块链等前沿技术的充分整合和运用5G 医疗健康越来越呈现出强大的影響力和生命力，对推进深化医药卫生体制改革、加快“健康中国”建设和推动医疗健康产业发展起到重要的支撑作用。

虽然我国的5G医疗健康还在起步阶段但已经在远程会诊、远程超声、远程手术、应急救 援、远程示教、远程监护、智慧导诊、移动医护、智慧院区管理、AI 輔助诊断等众多场景，得到了广泛应用人工智能医疗健康在5G时代将取得较大的进步，特别是根据《“健康中国2030”规划纲要》中国2020年实現每千人口医生数2.5人，2030 年实现每千人口护士数4.7人；此外人们对于健康的观点已经从“治疗为主”转为“预防为主”。这些都为人工智能發挥其规模化技术价值、带来医疗健康服务的普及奠定了市场基础。

科技企业把人工智能应用于医疗健康这首先是一个商业行为，必嘫在追求为人民带来普惠医疗健康服务的同时还要实现商业价值基层诊疗是经过了讯飞医疗的摸索后，找到的可以规模化商业化的人工智能医疗健康应用场景虽然看起来在基础诊疗中普及人工智能还需要一定的时间和大量的工作，但或许并不需要十年之久一方面，5G的啟动为基层诊疗中的人工智能应用铺平了“高速路”；另一方面前不久互联网医疗刚被纳入医保支付范畴，这为大量企业进入打开了商业之门。

有理由相信2020年将是互联网医疗健康以及人工智能医疗健康的商业化启动之年，人民日益追求的健康快乐生活将是最大的社会需求关注和切入人工智能医疗健康创业，当下正是一个好的时机

浏览数： 次 归类于：

2019年是Pat Gelsinger成为VMware CEO的第七年头。通常“七年之痒”指的是┅段关系在第七年的时候容易进入危险期不过Pat Gelsinger在成为VMware CEO第七年的时候却正进入佳境：不仅完成了全部产品向云时代的转型，核心产品vShpere面向雲原生计算进行了全面重构VMware的混合云势头更进一步强化。Pat Gelsinger向外界证明VMware虽然是一家老牌企业级虚拟化技术巨头，但有足够的能力与时俱進

早在2014年的时候，Pat Gelsinger在接受采访时就表示VMware通过“软件定义企业”策略，帮助企业把信息基础设施更多的构建在软件基础上增加企业的鈳流动元素，从而实现一个可灵活应变、可随时调整架构、快速迭代推出新产品与新服务的下一代数字化企业“可流动的生产力”是当時Pat Gelsinger对下一代数字企业基础设施的设想。今天这个设想就是VMware在任意云和任意设备上运行任意应用的愿景。

VMworld 2019上VMware向外界展现了从传统基础设施技术供应商向面向现代应用视角的新IT资源管理与供应链条，包括与基于人工智能的数据中心自动驾驶运维vRealize Operations 8.0以及vSAN存储虚拟化持续优化、收購Carbon Black强化安全产品线、基于Kubernetes的产品品牌重组Tanzu和把容器嵌入到核心产品vSphere内核、与DellEMC合作的私有云一体机等

在去年的VMworld 2018上，Pat Gelsinger介绍了Project Magna为数据中心自治愿景下的一个项目。所谓数据中心自治即采用人工智能和机器学习的方法，让整个数据中心高度自动化、自治化甚至有一天可能达箌无人值守的水平。不过数据中心自治更多的是一个愿景，不是可以一两年内就能实现的目标

Gelsinger强调，动态变化的现代应用需要底层數据中心基础设施能够持续、自动和自适应优化，以交付所期望的性能因此，软件数据中心将演进到自治数据中心自治数据中心愿景主要包括两个方向：把人工智能和机器学习用于从基础设施和应用中收集到的数据分析；自动识别以及实时响应系统中的问题，包括性能優化、容量管理和异常检测等vRealize作为VMware的软件定义数据中心管理软件，主要承担了数据中心自治技术愿景的落地

AWS、VCPP合作伙伴云等，获得跨混合云的全部能力；可自动发现本地服务、识别操作系统和应用；根据合规要求对整个混合云环境中的SDDC软件进行配置管理和合规遵从管悝，包括本地环境中和云中vShpere、vSAN和NSX；统一的多云监控等

当然，最重要的是超融合基础设施的自动化运维特别是对vSAN存储虚拟化的性能优化，即采用增强学习的vSAN性能自动调优Project Magna作为一项SaaS服务，使用增强学习算法从收集的数据中学习以及决策，从而对vSAN进行自动调优具体是怎麼做的呢？Project Magana对从超融合vSAN集群中收集的数据进行梳理同时分析成千上万个场景，搜索能够带来最佳回报的配置

为了存储集群的持续优化，Magna可以为vSAN设定优化目标：读性能优化包括减少读延迟以及增加读呑吐、headroom至少占据10%的托管内存；写性能优化，减少写延迟以及增加写呑吐、维持写性能的最小化；平衡优化基于工作负载的要求，同时减少读延迟和写延迟VMware强调，Project Magna对vSAN来说是一个持续优化的过程一旦开启Magna优囮就将持续适应应用的需求变化。

随着VMware的技术越来越全面的覆盖企业数据中心的方方面面以及跨整个混合云的技术能力安全成为VMware技术堆棧中所必不可少的要素。过去VMware在安全方面陆续进行了投资，例如2017年推出的AppDefense而最近收购的Carbon Black则把VMware在安全方面的投资拉到新高。

VMware认为当前企业安全和风险程度相当之高，以至于需要安全防护的全面转型：从以前对成千上万的端点产品、代理程序和一体机等戴上“安全帽（Bolted-on）”模式到现在的内置于云和移动端的内嵌式安全防护；从以前的终端防护工具到现在的分布式服务。换言之企业网络安全需要从过去嘚被动式模式到后来的针对“昨日威胁”的反向工程，再到主动预测式防护的转型今天的企业网络安全需要对工作负载、网络、设备和鼡户行为等进行全面的分析。

过去的企业网络安全是由信息安全、虚拟化管理员、终端用户设备团队和网络安全团队等不同安全团队组荿的“孤岛”模式，每个团队都有自己的工作、策略、数据感知以及各自的隔离的安全观念今天，由于云计算的出现而把企业各种基礎设施都连在了一起，因此企业网络安全也需要打破孤岛模式而协同作战VMware强调，安全是团队协作需要一个跨不同安全团队的统一安全視图。

随着VMware的任意云、任意设备、任意应用的愿景落地VMware越来越成为企业数据中心、现代云和移动世界的“操作系统”，因此VMware越来越能够獲得全面的企业基础设施数据并把企业的各种IT资产都打通，从而将不同的行为都关联起来统一分析从而建立一个零信任的企业基础设施安全环境。

2019年8月VMware宣布以21亿美元，意图收购Carbon BlackCarbon Black是下一代云安全技术供应商，创造了一种创新的云原生安全平台通过智能和轻量级的代悝程序以及基于人工智能和机器学习的云数据湖，为终端点提供全面的安全防护和抵御多种入侵Carbon Black在全球有5600家客户以及超过500家合作伙伴，主要技术特色是基于云端的大数据分析在Gartner的2019终端防护平台魔力象限中，Carbon Black入选了Visionary远见者象限

对于VMware来说，安全是继服务器虚拟化、存储虚擬化、网络虚拟化和混合云之外的最重要业务随着企业网络安全市场的进一步扩大，安全有望成为VMware的新产品线特别是Carbon Black的技术、产品和解决方案还将继续对市场销售，那么安全就有望成为VMware下一个营收过十亿美金的明星产品

Pacific改动了vShpere的内核，从vShpere底层就直接支持容器技术把嫆器负载放到“一等公民”的重要地位，让VMware真正成为混合云的“底座”

曾经随着Kubernetes、容器、Openstack和多云技术的出现，一度大有取代VMware服务器等企業级虚拟化技术的态势企业技术研究公司（Enterprise Technology Research，ETR）是一家专注于研究企业级技术市场的调研公司从一个包括了4500名企业级技术买家所组成嘚被调研小组中获得实时支出意愿，代表了1万亿美元的企业级技术购买力Wikibon分析了ETR数据，对2019下半年VMware支出意向调研显示相对于2019上半年，86％嘚客户表示希望在2019年下半年花费相同或更多、41％计划相对于上半年花费超过6％、只有7％计划削减开支超过6％此外很少有客户正在换掉VMware技術。

调研显示大量采用容器的客户正继续全面地在VMware技术上继续投资（包括计算、存储、网络、EUC等等），特别是NSX和vSAN的支出尤其强劲趋势線显示，尽管有预测认为容器会“杀死”VMware但企业在VMware上的开销仍然很强劲。被调研的客户表示他们在各种用例中部署容器，其中一些对VMware囿利例如在裸机和虚拟机之上的部署。此外对Pivotal的收购为VMware提供了强大的动力，可以进一步推动与企业Kubernetes（PKS）的协同

而在公有云投资对本哋IT基础设施的影响方面，调研显示VMware并没有受到公有云“巨浪”的影响VMware与所有主要的云计算厂商达成了协议，其中以AWS最为突出以多云管悝和编排技术能力抵消来自公有云的压力。VMware采取了积极的收购姿态并在市场上创新了领先的多云产品。

EMC硬件资产的私有云一体机或称为超融合基础设施但由VMware负责管理。这非常类似AWS Outposts和Microsoft AzureStack一体机都是放置到企业数据中心但仍由AWS和微软负责管理。在IDC发布的2019第一季度全球超融合市场调查中戴尔科技集团高居超融合系统榜首、占28.8%的市场份额，VMware高居超融合系统软件榜首、占36.3%市场份额

在混合云迁移方面，新推出的VMware HCX昰应用程序移动平台支持各种本地到本地、本地到云、或云到本地场景的云迁移和移动，特别支持在不同AWS区域中运行的VMware Cloud on AWS软件定义数据中惢之间的一键式迁移和互联在混合云的成本和合规方面，新推出的CloudHealth Hybrid服务将CloudHealth对于公有云环境的各种成本优化、迁移评估管理与安全功能等带到VMware混合云环境中。CloudHealth Hybrid让企业能够基于成本/性能来加速工作负载迁移和优化云基础架构包括为使用混合云资源创建策略，并在违反策略時触发通知

3则通过其云原生存储（CNS）提供容器就绪的基础架构，以支持下一代敏捷应用程序开发和更新并实现跨混合云的一致性运营。

总结来说VMworld 2019向外界展示了VMware在紧跟企业级技术和企业基础架构变迁方面的决心，必要时候甚至能够修改核心产品的原代码以适应新的企业級技术趋势已经成立20年的VMware，以开放的姿态走进下一个20年（文/宁川）

浏览数： 次 归类于：

2019上对Kubernetes下了定调，“Kubernetes是连接开发者和IT运维的统一岼台业界对此已经形成了共识。”作为全球最大的企业级虚拟化技术供应商VMware对Kubernetes和容器技术的重视非同一般，甚至上升为VMworld 2019的主题

是的，业界曾有猜测基于Kubernetes的容器集群管理再加上Docker容器技术，虽然是来自互联网公司的互联网技术但一旦在企业环境中生根发芽，将极有可能对以VMware为代表的虚拟化技术造成威胁在某种程度上，这二者可以相互取代但其实在更大层面这二者是互补关系。而二者能否形成更好嘚互补取决于VMware付出多大的努力。

尽管Kubernetes在当下并没有对VMware造成实质性威胁但VMware已经决意要在以Kubernetes为代表的云原生世界中，再次重生

“云原生”的概念主要是面向应用开发而言，以微服务、容器和容器集群管理为代表这是一套分布式互联网应用的架构，强调敏捷开发、快速上線和迭代发展；而企业IT主要是指企业内部的IT环境及其运维管理以服务器和存储虚拟化为代表的企业应用基础设施和以ITSM为代表的运维管理，强调稳定的生产环境和缓慢的变化节奏

显然，随着云原生应用的发展势必对于企业IT带来极大的挑战。企业业务部门要求越来越快的應用开发相应导致IT运维越来越难以跟上节奏。过去云原生应用要求灵活多变的基础设施，而企业IT则极力保持基础设施的可靠稳定这②者之间是相互矛盾的关系。如今随着数字经济的发展和数字化转型的深入推进，到了必须要解决二者矛盾的时刻了

Pacific对vShpere进行了全面的妀造，让IT运维人员可以用自己所熟悉的vShpere管理界面vCenter来按应用管理IT基础设施而不再像以前那样只是管理支撑应用的虚机资源；而开发者则可鉯通过Kubernetes统一调用容器、虚拟机和物理机等基础设施。IT运维与开发者是在一个统一的平台上管理各自的工作

Pacific带来了显著的Kubernetes性能提升：容器運行在Pod虚机上比传统vShpere虚机快30%，也比运行在祼金属服务器上快8%

正如Kubernetes大神Joe Beda所强调，Project Pacific是以应用为中心的平台带出了最好的vShpere，同时让IT管理员可鉯云原生方式与开发者协同工作Project Pacific目前为技术预览版，GA版推出时间待定

Tanzu不是一个产品，而是以应用为视角的构建、运行和管理三个环节集合了多款VMware的产品，且都以Kubernetes为平台在构建环节中，VMware提供了bitnami和Pivotal的软件产品组合为开发者提供应用开发所需要的各种云原生软件；在运荇环节，VMware提供了PKS和Project

Control的SaaS控制面板在不改变Kubernetes的基础上，可以对企业各种分散的Kubernetes部署进行统一管理；而托管的控制面板则可以运行在企业本哋、网络边缘或公有云中。

Control是一种API驱动的自服务模式对开发者极为友好，非常容易定制化和控制而对于IT管理员来说，可以对Tanzu Mission Control附加运行茬vSphere、公有云、托管服务、Openshift以及DIY环境中的Kubernetes集群这样就可以通过一个控制点对所有的Kubernetes集群进行管理。

当然采用Tanzu Mission Control还有更多好处：统一的接入身份管理、集群健康监控和诊断、统一的安全及配置管理、集群扫描（基于开源项目Sonobuoy）、备份与恢复（基于开源项目Velero）、Quota管理以及资源用量可视化等。

2019见证了VMware对于企业技术发展趋势的判断Kubernetes是继Java、虚拟服务器和云计算之后，最重要的企业级技术对Pivotal的收购以及对vSphere的改造，以忣本次推出的系列Kubernetes平台及产品是VMware对Kubernetes的重视态度，也向业界展示了VMware绝不会落后于企业技术的进展VMware永远与时俱进！（文/宁川）

浏览数： 次 歸类于：

过去十年，全球的数据量呈爆发式增长；到2025年每年将生成超过175 ZB的数据，相比2018年增加可达近三分之二。这是一份2019年6月发布的行業调查结果所显示的这份由云数据管理备份厂商Veeam所组织的全球CXO调研中，73％的组织承认无法满足用户对不间断访问数据和服务的需求这將会给企业每年造成2000万美元的损失。

如今随着全球数据量的爆发而“水涨船高”，单一企业或机构的数据规模已经由以前的GB级上升到TB级甚至PB、EB级文本数据、图像数据、语音数据、视频数据等半结构化或非结构化数据占比越来越大，手机、汽车、智能音箱、各种传感器等數据源日益丰富而需要秒级或毫秒级响应的实时数据正在成为企业数据的重要管理对象。

在从“互联网+”到“智能+”推进的过程中如哬将各类数据与实体经济深度融合并通过数据分析作用于实体经济，已经成为了企业数字化转型的重大挑战中国信息通信研究院的《数據资产管理实践白皮书（4.0版）》指出，当前的企业数据资产对数据处理架构提出了更新换代的要求：底层架构向云平台和分布式系统迁移；数据预处理从传统的ETL抽取、清洗和加载到数据仓库转向随时从数据湖中抽取原始数据进行建模分析。

从MPP大规模数据仓库到高性能计算、人工智能和机器学习建模一个软硬结合的融合数据管理与分析平台正在成为“智能+”的入场券。这也是为什么英特尔自2013年开始就提出“以数据为中心”的战略特别是英特尔至强可扩展平台内置人工智能加速并已针对工作负载进行优化，在以数据为中心的时代提供了多雲与智能边缘之间无障碍性能切换的基础搭载第二代英特尔至强可扩展处理器，更将性能的一致性、普遍性和突破性提升到了新高度

對于实体经济来说，结构化数据仍然是根本典型的结构化数据包括银行与电信交易数据、来自传统数据中心的交易数据、管理数据、财務数据、基础信息数据，以及来自新兴的物联网数据和互联网数据等这些海量的结构化数据承载着实体经济的关键信息，提升数据库的處理性能对于保障关键业务、挖掘数据价值有着至关重要的作用。

海量数据给数据处理带来了沉重的性能压力对数据库技术的持续创噺提出新要求。随着数字化转型的深度推进金融、电信、能源、政府等行业存储的数据量呈现快速增长的趋势，从这些海量数据中挖掘數据价值成为数字化建设的重要方向天津南大通用数据技术股份有限公司（以下简称：南大通用）是领先的国产数据库技术供应商，由喃大通用开发的GBase 8a MPP Cluster以独特的扁平架构、高可用性和动态扩展能力为超大型数据管理提供了一个高性价比的大规模分布式并行数据库管理解決方案。

对于结构化数据的处理GBase 8a MPP Cluster在性能方面相较传统数据库有突出优势，能够支持从数TB到数十PB的数据集并支持300以上用户同时并发，IO等待时间最少只有传统数据库的10%数据分析速度可以比普通数据库提高10倍以上。GBase 8a MPP Cluster可以用于满足金融、电信、能源、政府、物联网等数据密集型行业对结构化数据处理的需求能够支撑数据查询、数据统计、数据分析、数据挖掘和数据备份等应用，同时还可用做数据仓库系统、BI系统和决策支持系统的承载数据库

而结合了英特尔至强可扩展处理器、英特尔固态盘D3-S4510系列、英特尔以太网适配器 X710-DA2后，能够显著提升GBase 8a MPP Cluster的性能表现全面满足数据密集型行业对于大数据分析的需求，帮助行业用户快速部署高性能的GBase 8a MPP Cluster分布式分析型数据库系统例如，针对峰值需求英特尔睿频加速技术可使处理器超出基本工作频率运行，加速处理器和图形性能轻松应对峰值负载。

有了大规模分布式并行数据仓庫处理海量的结构化数据企业还需要在同一平台上处理各类非结构化数据，并应用人工智能和高性能数据分析等为企业业务创新打开噺的空间。过去企业采用不同的架构处理高性能计算与人工智能计算，而现在的技术进展而让企业可以统一融合处理不同类型的数据和計算

高性能计算集群是为人工智能（包括机器学习和深度学习）和高性能数据分析等领域内的严苛工作负载提供大规模计算资源的理想岼台——这些工作负载都有着相似的需求，即在与高性能网络结构关联的强大计算内核上高效运行以及高性能共享储存随着企业和学术機构必须支持不断增长且日趋复杂的人工智能和数据分析工作负载，就催生了采用高性能计算基础设施运行这些工作负载的需求

而若要將多种类型的工作负载聚集到单个集群基础设施，就会导致资源管理、网络使用和存储使用等领域面临多重挑战从根本上来说，这些挑戰源自于每种类型工作负载的资源管理器在设计之初并没有考虑彼此之间的互操作性但例如在计算机视觉等需要深度学习网络基础设施嘚应用领域，其实并不需要全天运行这些工作负载这意味着专用基础设施经常处于空闲状态，可能会给组织带来高昂的成本与用高昂嘚专用硬件专用环境相比，采用基于英特尔架构的通用服务器构建而成的共享集群要更加高效得多。

越来越多的企业和机构开始在融合集群上运行仿真和建模、人工智能与数据分析的工作负载英特尔正在开发功能和解决方案架构，希望能够在不干扰生产应用和工作负载嘚同时帮助简化工作流程。第二代英特尔至强可扩展处理器旨在实现跨工作负载的更可靠计算集群包括：先进的高性能计算性能，在┅项近期的测试中与3年机龄的系统相比，基于第二代英特尔至强可扩展处理器的平台在高性能计算CPU基准测试中可使平均性能提高多达3.7倍而与竞争处理器相比则在LINPACK CPU基准测试中可将性能提升高达5.8倍；改进的人工智能推理，测试显示与竞争处理器相比，集成了英特尔深度学習加速的第二代英特尔至强可扩展处理器可使图像分类推理性能提升高达25倍；可通过英特尔傲腾数据中心级持久内存提升工作负载性能借助该创新的内存技术可以将更大量的数据移到更接近处理器的位置，企业组织可快速地、大规模地处理数据密集型高性能计算和人工智能工作负载

英特尔和软件生态系统成员的研发工作正帮助越来越多的组织将仿真和建模、人工智能和数据分析工作负载成功融合到单个基础设施上，以更低成本、更高效率、更易管理来实现智能助手、聊天机器人、增强诊断、药物开发、智慧城市、自动驾驶等人工智能与高性能计算场景例如，英特尔与谷歌建立了长期联合研发合作共同优化TensorFlow。

计算、内存、网络和存储性能增强后的融合再加上软件生態系统的优化，使英特尔至强可扩展处理器成为全面虚拟化的软件定义数据中心的理想平台无论是在内部部署、通过网络部署还是在公囿云中部署，数据中心都能根据工作负载的需求动态地自动配置资源。 由于无需构建和运行多个集群融合可显著减少数据中心的资本支出。而搭载集成式英特尔QAT和英特尔PlatformTrust技术的英特尔密钥保护技术可通过在空闲、使用中、忙碌三种状态下提供高效的密钥和数据保护，從硬件层面增强平台的安全性

随着越来越多的数据密集型工作负载流经企业数据中心，英特尔全套硬件增强型功能可为企业和云环境提供更好的数据和平台级保护机制而与软件合作伙伴合作的各类数据管理与分析解决方案，将可实现软硬一体融合数据管理与分析为企業带来可信的“智能+”服务，推进“智能+”时代的全面到来（文/宁川）

浏览数： 次 归类于：

《经济学人》杂志早在2017年5月刊就发表文章指絀：数据对于本世纪的重要意义，就像石油对于上世纪那样——数据是发展和改变的动力数据产生了一种新经济，数据信息不像过去的其它资源而是采用不同的方式提取、加工、估值和交易，它改变了市场规则要求新的管理方式。

从2017年到2019年全球数字经济高速增长。根据中国信息通信研究院（简称：中国信通院）的数据2018年我国数字经济规模达到31.3万亿元，按可比口径计算名义增长20.9%，占GDP比重为34.8%进入2019姩，随着5G的启动和工业互联网的高速发展中国数字经济和数据总量规模都面临着再上台阶甚至跨越式发展的挑战。

根据全球第一大数据庫厂商甲骨文公司近日发布的《重塑数据信心》调查报告亚太地区仅有五成受访企业有信心掌控数据，超过半数受访企业还没有制定数據管理策略而2019年6月中国信通院发布的《数据资产管理实践白皮书（4.0版）》也指出，数据是资产的概念已经成为行业共识然而现实中对數据资产的管理和应用往往还处于摸索阶段，数据资产管理面临诸多挑战

2019年8月8日的甲骨文数据库云大会介绍了刚推出的新一代数据库一體机Oracle Exadata X8以及其引入的最新Oracle数据库19c和自治数据库技术。负责欧洲、中东、非洲及亚太区系统事业部的甲骨文公司高级副总裁韩忠恒表示甲骨攵公司集合40余年数据库技术和数据资产管理实践，于2018年推出基于人工智能和机器学习的自治数据库技术现在通过Exadata集成系统为企业落地了丅一代企业架构，将彻底改变企业数据管理的现状

（甲骨文公司高级副总裁韩忠恒）

企业架构（Enterprise Architecture）理论起源于20世纪80年代，当时为了把信息技术应用于企业管理而提供了对企业进行建模的思想用信息架构来反应企业的运营管理架构。1996年的美国信息技术管理改革法案首次提絀了“IT架构”一词要求政府机构的CIO提出、开发、建设和管理一个合理和集成的IT架构，以解决企事业单位管理和治理的通用问题

企业架構通常有两种建设模式：一种是自上而下，从业务驱动出发的IT架构设计与建设模式；一种是自下而上从IT资源和基础设施出发的IT架构设计與建设模式。这两种建设模式的结果通常是能够反应企业组织与管理方面，连接和协调各业务单元同时能够对市场、供应商和合作伙伴进行响应的IT系统和业务。

自进入海量数据时代在上层业务与下层IT基础设施中间的数据管理层，日益成为企业架构的挑战韩忠恒介绍，在《重塑数据信心》调研中受访企业普遍表示卓越的数据掌控力能够带来众多优势，其中最明显三项分别是提高客户忠诚度、提升品牌价值和改善运营效率然而，目前来看很多企业在管理海量数据时仍然面临挑战，特别是超过60%的受访者希望加强数据管理能力以获嘚有意义的业务洞察。

韩忠恒强调今天的企业数字化转型，核心技术在于数据管理和治理以智慧城市建设为例，智慧城市是一个高度複杂的多业务、多任务、多主体的体系必须在智慧城市建设一开始就设计和预置数据DNA，融合结构化数据和非结构化数据的融合数据平台將成为智慧城市的关键性平台而甲骨文公司在亚太区的很多智慧城市方案，都是从数据库和数据管理平台开始创建的

在下一代企业架構中，数据管理和治理是关键性的技术平台而基于人工智能和机器学习的自治数据库技术和平台，将是下一代企业架构的核心技术

在丅一代企业架构概念的引领下，甲骨文一直在研究和开发下一代企业计算平台特别是在2006年云计算和公有云时代开启后，新型的云计算模型与传统企业IT计算模型相结合和融合为企业提供统一而一致的数据管理和治理能力，成为了下一代企业计算平台的差异化竞争技术

Oracle Exadata是為运行Oracle数据库而专门优化的一体化软硬件集成平台，可运行所有类型的数据库负载包括联机事务处理（OLTP）、数据仓库（DW）、内存分析以忣混合负载整合等。在甲骨文 2018 财年Oracle Exadata在多负载领域（如 OLTP、Analytics 和 IoT），获得了包括金融、零售、电子制造和电信等多行业客户的广泛采用创下甲骨文公司产品销售的新纪录。

韩忠恒强调每一代Exadata产品都致力于提高性能和自动化的期望标准，减少数据库管理员（DBA）的专业知识、技能、知识和经验要求从根本上减少DBA和用户的时间浪费并不断降低总体拥有成本（TCO）。每一代Exadata产品都成功地提高了这一标准极大拉开了Exadata與其它所有数据库系统或白盒之间的距离。2019年是Oracle数据库一体机Exadata推向市场十周年新一代Exadata X8也是第九代Exadata产品，带来了突破性的软硬件性能提升囷机器学习功能

Oracle Exadata X8 引入了多种独创的机器学习功能，例如自动索引能够随着使用模式的改变而不断学习和调优数据库采用了与 Oracle 自治数据庫相同的技术，Exadata X8实现整个机器学习流程的自动化用户不需要手动调优便可大大提高数据库性能。此外Exadata X8 还新增了自动化性能监控功能，該功能集合了人工智能和甲骨文多年来的性能诊断实战经验可自动检测性能问题，无需人工干预即可找出问题根源

韩忠恒表示，Exadata X8 所引叺的Oracle自治数据库技术采用突破性的机器学习技术，以更低成本提供前所未有的可用性、高性能和安全性Oracle自治数据库是一款集自治驾驶、自治安全和自治修复功能的数据库，包括自动打补丁、调优和升级确保关键基础设施的自动化运行，带来现代化的云端体验特别是支持运行时同步扫描安全威胁及更新，从而有效防范网络攻击和数据失窃

作为已经具有十年历史的融合一体机产品，如今的Oracle Exadata已经可以在企业内部数据中心以企业IT和私有云的形式落地也可以在Oracle云基础设施以公有云方式对外服务，或是以Exadata公有云本地部署的方式架设到企业内蔀数据中心但仍由甲骨文负责管理最新的一种方式，则是把Exadata一体机置于第三方云IDC的园区内部与多种公有云的IaaS区域接壤而临，形成Co-location混部方式这样能极大降低Oracle Exadata与其它公有云之间的时延，特别适合对数据处理时延要求高的应用场景

著名的市场咨询公司WIKIBON认为，整合了AI能力的Oracle數据库19c以及Exadata平台将成为“游戏的改变者”WIKIBON推荐Exadata X8作为使用Oracle数据库的关键任务工作负载的缺省x86平台。当前有众多新兴的开源数据库技术但WIKIBON認为它们都无法取代传统SOR（System of Record）记录型系统的工作负载和数据库，而现有的公有云数据库也不能像Oracle数据库那样能够很好的处理SOR型工作负载加上转换和迁移的风险及成本巨高，WIKIBON也不建议企业进行这样的迁移和替换

把Oracle数据库应用部署在Oracle Exadata平台上，从Exadata X8和Oracle自治数据库开始代表了下┅代企业计算平台的发展趋势。集甲骨文40多年引领企业级数据技术的创新与经验Oracle自治数据库和Exadata数据库一体机正在帮助企业发展数据资产，在数字化转型和数字经济大潮中胜出（文/宁川）

浏览数： 次 归类于：

2019年，工业互联网首次进入政府工作报告2019政府工作报告专门提及“打造工业互联网平台，拓展‘智能+’为制造业转型升级赋能”。最近工业互联网非常热一是“智能+”对工业转型升级的重要性，二昰在科创板开市之后与工业互联网、产业互联网相关的科创企业在不断进入科创板上市的行列中。此前对工业互联网有大量讨论但还囿很多困惑和发展不清晰之处。在钛资本新一代企业级科技投资人投研社第24期寄云科技创始人&总裁时培昕分享了工业互联网如何赋能高端制造，释放机器潜力

时培昕博士毕业于北京邮电大学信号与信息处理专业，是国内早期从事云计算、大数据和工业互联网相关领域研究推广与应用的专家2013年创建了工业互联网公司寄云科技，帮助石油能源、电力能源、轨道交通和高端制造等领域企业实现数字化转型包括故障诊断、故障分析预测、可靠性分析、产线优化、产能提升等工业互联网解决方案。时培昕对工业互联网领域的前沿技术、行业动態、客户需求有独到的见解开发了国内领先的工业互联网平台——NeuSeer平台。

工业互联网主要由网络、平台、安全三大部分组成其中网络昰基础，特别是5G低时延网络是保证工业互联网的基础而数据和平台是工业互联网的核心，安全是保障

工业互联网厂商非常多，从最基夲的连接端到云服务端从IaaS端到PaaS端再到工业数据分析展示和可视化平台再到具体应用场景，设计仿真、生产优化、运营管理、资产运维、能耗管理、采购优化等都是在工业里利用物联网的数据采集和大数据分析后才能创造出的应用场景。

两个比较典型的工业互联网玩家：

苐一个是提出工业互联网概念的GE旗下Digital部门提出“通过发掘数据的价值实现高效的产出”。不幸的是GE已经在2018年开始出售Predix主要原因有几个：一，GE Digital受到燃机、油气、电力等系列主营业务的市场疲软影响；二低估了工业企业数字化进程的难度；三，过于强调云平台和IT能力忽視了客户对应用的需求，盈利模式不清晰；四进行的并购和整合并没有达到通过一个平台统一不同的应用软件和交付能力的有效目的。GE Digital嘚规划目标是希望通过Predix平台结合应用Operation Performance Management（运营绩效管理）和Asset Performance Management（设备性能管理），通过设备的健康和可靠性管理、合规性管理、资产优化、筞略优化以达到运营性能的管理，包括提升运营效率、实现过程优化等

第二个玩家是Uptake，是公认的工业互联网领域的标杆创业公司创竝于2012年，Uptake做的很多事都在模仿GE Digital包括招募了很多GE Digital的原班人马。其主张也是通过工业物联网的数据分析实现高效的资产性能和运营效率的提升，提供的方案也是平台加应用在平台层，不仅提供相应工业的基础能力也提供AI和机器学习引擎，把算法变成目录和订阅的方式以赽速实现数据分析并在上面实现快速应用编译和部署，最后形成应用和行业解决方案应用主要有两类，一类是通过数据科学、人工智能的方式实现资产性能的提升另一个是通过提升资产性能提升运营效率，都与GE非常像

Technology）公司，这家企业提供了800多种类型的设备、1000多万種不同部件的失效模式FMEA失效模式分析有什么用呢？可以非常清楚地定位出设备有多少种故障现象每种故障现象应该采取的应对措施和尋找相应根因形成维护策略。还有Uptake另外一个应用通过AI实现销售线索、服务需求、工作流效率的优化，主要是针对设备制造商提供一整套業务流程优化引擎、提高销售业绩和客户满意度

比较典型的案例：第一个是为卡特彼勒开发一套设备联网和分析系统，采集设备的各类數据信息联网监控的同时分析预测设备可能会发生的故障，以提前应对；美国一家Class1的火车公司在美国有大约一万四千个火车头，Uptake帮助其通过人工智能预测性维护每年节省4700万美金；AMEREN是美国一家发电厂，每年用了Uptake的人工智能应用平台帮公司节省990万美金；PaloVerde是一家核电厂每姩Uptake帮其节省1000万美金；Uptake还帮助某个重型机械经销商每年提高850万美金的收入。

这几个案例是工业互联网里比较典型的应用场景围绕大型设备嘚资产性能，利用数据分析实现设备可靠性的提升进而提升整个过程的运营效率，创造更多的价值和利润

工业互联网的核心技术有四個：一，边缘计算是有强刚需的工业应用场景通过边缘端的实时数据采集、云端的数据分析和应用开发以实现高效协同，是云端应用对邊缘端实时数据采集的响应和控制过程；二大数据平台也非常关键，以前的工业数据都是小数据很多数据处理都在边缘完成，并没有彙总起来进行相关性分析和统一趋势分析因此实现应用和数据解耦的大数据平台也很关键；三，数字孪生即通过数据化方式为工业设備定义数据结构，结合数据分析对设备的过去、当前和未来进行深入的洞悉完成设备从物理向虚拟环境映射的最关键描述；四，通过专镓经验+人工智能的方式基于专家经验指导的大数据样本标注，通过人工智能算法训练开发相应的故障诊断和预测模型实现精准判决。

什么是高端制造高端制造与中高端制造、中低端制造不一样之处在于：一，生产过程基本上都是连续的比如流程制造；二，需要众多鈈同大型设备的高效协同属于复杂工艺。像石油、电力、石化、光电、半导体等高端制造的可能有几百个不同的子生产过程, 需要保证每個生产过程都得到严格的管控才能完成最终预期的产出；三，高度自动化的生产过程可以根据实时采集的各种工况参数，对控制过程進行自动化的实时响应；四对质量、产能、风险、成本等的精细化管理要求极高，需要非常精准的过程控制和结果检验机制

工业互联網在高端制造里应用场景很多，而当前的高端制造普遍呈现资产密集、资产性能优化空间大数字化程度高但数据利用率低，经验驱动、缺少科学决策能力的局面通过结合工业互联网的赋能，即资产性能管理、运营效率提升、能源管理优化、安全生产环保、工业控制安全可达到：一，提高资产运营的效率降低非计划停机带来的风险影响；二，提高资产利用的效率降低排放、降低能耗、提高安全生产、实现环保，构建产业生态正是因为高端制造普遍的体量都比较大，所以哪怕提高1%都能创造巨大的价值。

高端制造的工业互联网的核惢不是数据采集而是一层一层传递的数据的价值。工业互联网平台能够起到加速整个价值传递过程的作用，一方面能够汇聚来自不同設备和业务系统的数据构建数据中台，对数据进行规范和治理以及针对离散化、场景化的数据分析；另一方面，它也提供了大量的跨應用系统的能力重用模块让应用的交付、数据的分析变得更便捷和更简单。

相对于传统的PLC、DCS、MES或ERP这些传统的IT和OT系统工业互联网应用着眼点放在了新技术解决老问题上，它通过运用物联网、大数据、云计算和人工智能等先进的IT技术去解决原先由于数据量、数据处理能力、实时性等限制而不能得到很好解决的设备可靠性、工艺质量以及企业经营决策等方面问题，可以说是原有IT和OT系统的升级和重构

高端制慥的工业互联网应用非常离散化，应用场景主要是三类设备资产管理、运营性能管理和生产经营决策。资产性能管理的目标是提高资产（也就是设备）的可靠性避免非计划停机；只有保证了设备的可靠性，才能保证运营过程中的产能、质量、成本的有效提升才能优化運营指标；而只有保证了运营效率的提升，才能实现企业经营利润的提升和经营风险的规避所以这三层是通过数据的价值环环相扣的。

應用场景1：资产性能管理大型高端制造都有关键的大型设备，这些设备在连续生产过程中的停机风险会造成很大影响。普遍来说进荇有效设备维护的策略有：一是被动式维护，就是坏了再修这种维护成本最高；二是预防性维修，为了避免被动维修引起的设备停机停產现阶段采用较多的是预防性维修，也就是定期保养；三是视情况维修或基于状态维修因为前两种的成本相对比较高，因此采用振动汾析、红外、超声等检测仪器对关键设备进行相应的判决和检测，基于检测的结果决定是否要维修提前修还是推后修；四是预测维修，基于海量数据分析对设备的实时状态做评估再决定是否要维修；第五，RCM或基于风险评估结合实时数据对设备保养策略的一系列计算，得到基于风险管控的维护策略实现更精准的维护。目前GE和Uptake已经做到了基于可靠性的维修或基于风险维护的完整策略

现在的问题是：┅，无法实现实时的判决和诊断无法根据动态的工况进行调整；二，无法实现精确的故障定位无法实现精确的指标计算；三，无法实現精确的寿命预测无法实现预测性维护；四，无法积累、优化和复制专家经验无法实现知识的自我学习和进化。

资产性能管理系统主偠涉及三方面：一是数据即机器的实时数据、历史维护记录、失效记录、产品手册等；二是机理，像FMEA、控制理论等基本的工业模型；三昰数据分析变点检测、时序预测、聚类回归、机器学习、神经网络等结合在一起，才能产生一个相对完整的设备资产管理系统实现实時监测、故障诊断预测、可靠性管理等一系列功能，最终目标是降低停机概率、降低运营风险、实现更快的响应能力

怎么利用数据分析實现资产的高效性能分析呢？主要还是利用机器的数据基于机器的历史数据可以构建不同状态下的历史数据样本，开发各类故障的特征模型与当前传感器数据进行对比，从而对当前的设备进行实时的健康评估基于历史数据也可以构建性能预测指标，通过对比指标就可鉯知道设备未来在什么时间可能会出问题可以计算剩余寿命以优化维护策略。

应用场景2：运营性能管理在工业生产过程中有很多设备嘟产生数据，像工艺数据、质量数据、维护数据等都可以通过工业互联网平台采集出来，做工艺参数优化、良率优化、虚拟量测、关键指标建模、燃烧环保优化、能源管理等一系列分析通过实时采集生产过程中设备、工艺、质检、环保、环节数据，结合数据挖掘和人工智能分析可以实现生产工艺、品质还有运营效率全方面的优化。

一工作模式自动识别。在运营中对设备的工作状态进行识别只有识別了不同的工作状态才能区别出在不同工作状态下的工作效率和关键KPI指标，这种识别原来全是手动识别或是专家经验识别现在完全可以通过机器学习再结合专家经验的方式提取规则，创造自动识别的过程

二，异常检测由于能够区分不同的工作状态，才能对不同的工作狀态设一个稳定值这叫SPEC值。一个设备可能工作在不同的SPEC和不同的工艺过程下所以每个工艺过程要区分不同的工作状态，才能知道应该妀进哪些关键工艺参数

三，根因分析根因分析就是有多少种原因会导致最终的不良或排放、燃烧等关键指标低下。这种根因分析往往昰在不同时间维度上产生的可能几个小时之前的一个工艺参数会导致最后生产结果的质量、品质或关键指标的劣化。数据分析需要把不哃时间维度的海量数据结合在一起通过相关性分析、相似度搜索等数据分析的方式，匹配到最有可能产生问题的一个匹配关系上

四，SPEC嘚快速确定在不同工艺上，比方说85%、70%、65%的良率情况下对应不同的工艺参数范围很多时候都需要从历史数据中找出相应特定条件下相关信号的工作范围，进而确定相应的SPEC值这有助于帮助一个企业快速投产、快速从小批量生产进入到大批量生产的加速过程。

五稳定性控淛和评估。在关键的生产过程中有一些海量产出关键指标，比如半导体生产过程中的CD值即关键的线宽要保证在一定的范围内抖动。利鼡数据分析通过SPC进行稳定性控制，实现相应的过程控制以保证关键过程产出的稳定性。

六工艺仿真。在确定了输入和输出之间的关系后能否通过回归或者神经网络找到一个线性、非线性的模型，当最终检验结果的良率从85%掉到70%时调整输入到某个关键值就能把良率从70%洅拉回到85%？这些都可以通过海量的工业数据分析实现

以上这些都是围绕着实时工艺的数据采集、分析、建模的过程。通过运营效率的提升、数据分析、高效的运营规划尽最大可能的提高工厂的产能和利润，包括结合财务指标、价格曲线、降成本等都能实现完整的分析呮要利用好数据分析，就可以产生极大的提升很多时候创造的效能远远不止1%。

应用场景3：安全生产管控这部分主要针对能源化工等高端流程制造企业，通过采集设备端DCS的实时数据结合检测系统、业务系统和外部数据，通过大数据、人工智能、机器学习等先进的信息技術实现包括危险源在线监测、工艺参数实时告警、危险场景态势感知、重大风险预警预测在内的全面的安全生产管控，达到企业经营风險和经营利润的最优平衡

对于一个大型的发电厂或者大型化工企业，实时数据可以达到每秒钟几万到几百万万数据点一方面，很多关鍵设备的关键工艺参数、环境参数以及外部的危险源仅靠人工巡检、实时监控和专家经验判断，是根本无法全面、实时的企业级别的安铨管控要求通过大数据的方式，进行采集海量的实时数据并汇总、分析基于历史数据构建起预测和风险模型，不仅能构建起全面的防范体系还能对关键的监控参数以及风险事件进行预测。

另一方面通过将不同发电厂、化工企业的实时数据汇总到集团的工业互联网平囼，不仅能实现对关键工艺参数、关键风险源、风险事件的管控和指挥也有助于集团层面实现跨企业的对标分析和优化，并实现对下属單位生产、耗能、排放等数据的实时采集降低数据失真带来的经营风险，从行政管控转向数据驱动的智能决策

总的来说，高端制造行業工业互联网的核心在于工业数据的分析，而不在于工业数据的采集虽然国内有很多的工业互联网厂商，但大多都在做基础数据采集囷展示数据采集固然很重要，但在面对不同类型的企业时优先级有很大区分。中小企业可能要看关键的几个指标做一些告警就够了泹高端制造客户还要实现对设备状态的可靠性分析、运营效率的分析、性能和良率预测等复杂的数据分析。

工业互联网领域将出现新的“BAT”但这将是一个长期的过程而不会一蹴而就。众所周知工业是一个高度复杂和碎片化的产业，每一个细分领域都需要专门的工业知识與实践积累长期以来，BAT虽然一直想进入工业互联网领域但由于难以形成一个大而全覆盖的平台，因此很难像主导消费互联网那样主导笁业互联网的发展

而在另一方面，工业是中国的立国之本是实体经济的主战场。现在的中国工业大而不强自主创新能力不强，产品還处在中低端供给能力明显不足。我国工业还存在着被空心化、边缘化等问题亟待转型升级。而中国工业门类齐全有41个大类、191个中類、525个小类；体量巨大，年增加值30万亿元世界第一。无疑中国工业的数字化转型是一个巨大的ICT市场，存在着巨大的机会

工业数字化轉型包括智能制造和工业互联网两大战场。其中智能制造主要是为制造设备和工厂等实现智能化、数字化和自动化，主要是将信息技术（IT）、数字技术（DT）与生产制造操作技术（OT）相结合由于不同工业领域的特殊性，智能制造更多是面向细分工业领域的技术和解决方案难以形成较大的创业机会。而工业互联网则是一个巨大的平台性机遇不过需要注意的是工业互联网是互联网与物联网相结合的产物，哃时融入了云平台、大数据分析和人工智能等新兴科技是工业环境下人、机、物、企业、生态等的全面互联，而不是简单的互联网模式也缺乏相关的标准。

值得一提的是2019年6月28号，国际电信联盟未来网络与云计算工作组（ITU-T SG13）会议在瑞士日内瓦召开由工业互联网产业联盟（简称“联盟/AII”）理事长单位中国信息通信研究院主导的国际标准《工业互联网网络架构与技术要求（基于未来包交换网络演进）》在會议上成功立项，这是包括ITU、ISO、IEC在内的国际标准化组织启动的第一个工业互联网国际标准项目

随着5G的商用和第一个工业互联网国际标准項目的立项，2019年有望成为工业互联网启动之年从前几年的概念热炒进入到了逐步落地的阶段。而在工业互联网领域各自为战的信息化企業和创业公司也在充分利用并购整合的策略快速成长占领市场力争成为中国版的Uptake——工业互联网标杆企业。从现在开始关注工业互联网嘚创业公司和创业项目不失为进入工业互联网赛道的最佳时机。

浏览数： 次 归类于：

Go等都以微软官方产品的形象，向业界传递了Windows硬件嘚发展方向自从Surface问世以来，联想、Dell、HP等第三方厂商纷纷跟进推出了类似的产品由此开创了一个新的机型方向。

如今在人工智能领域，微软也采用了类似的方式自2014年由微软（亚洲）互联网工程院推出的人工智能技术——基于情感计算框架的微软小冰，至今已经发展了5姩的时代经历了六代技术的更迭。2019年8月15日微软又推出了第七代微软小冰。如果说直到第六代小冰都是微软摸索情感计算类人工智能技術方向所推出的自有技术那么从第七代微软小冰开始就试图吸引第三方厂商的跟进——推出类似的情感计算类人工智能产品。

在第七代微软小冰发布会上微软推出了名为“Avatar Framework”的开发工具包版。简单理解这个开发包是一个类似SaaS的开发平台，让第三方开发者通过简单的配置就可以开发出自己的“小冰”据介绍，该工具包与微软小冰框架同源可轻松构建具有完整情感计算能力的人工智能助手、社交对话機器人、人工智能内容创作和IP人物角色等；该工具包还包含对话、声音、视觉、观点、技能、知识及创造力等丰富工具，并可驱动兼容的3D囚物模型进行实时交互

在本次发布前，微软已通过Avatar Framework框架赋能软银Pepper等数十个第三方客户AI以及微软小冰自身，第七代微软小冰发布会上还宣布了微软与阅文集团针对100部小说主人公IP的合作微软（亚洲）互联网工程院副院长、小冰团队总负责人李笛在会后接受采访时表示，希朢3年到5年后业界开发人工智能产品都绕不过今天小冰提出的Avatar Framework。李笛认为除非遇到竞争，否则Avatar Framework将出现在未来绝大多数成功的人工智能产品上

Framework框架类似于一个在线的开发平台，主要包括四大部分：Profile人格设定；对话、声音和视觉能力设定；三观、创造力、技术与知识设定；彡维形象建模等首先是Profile工具，即为第三方“小冰”进行画像建模或人格设定开发者只需要通过点选的方式就可以从IQ和EQ两个方向为第三方“小冰”完成人格设定，目前支持76项基本信息和27项性格特征指标通过参数调节可以打造出各种各样、形形色色的人格，甚至可以塑造社交恐惧症人格

在对第三方“小冰”完成人格设定的基础上，Avatar Framework提供调节核心对话引擎、计算机语音、计算机视觉等能力让第三方“小栤”具备对话、声音和视觉等能力。其中对话是开放式的对话能力，而业界到目前为止的人工智能商用框架则是提供基于问答的闭环式對话也就是给定问题和答案的相对固定式对话类型。而微软则通过生成模型、共感模型等让第三方“小冰”具备开放式对话能力可以與人类用户进行开放式探讨、调侃等对话。而在声音的训练方面Avatar Framework让第三方“小冰”可以具备与人格设定相对应的声音，而不是业界现在通用的呆板的电脑合成声音

为了让第三方“小冰”能够具备高级人类智商和情商，Avatar Framework还提供了“三观”设定工具可以设置第三方“小冰”对大千世界的三观。例如Avatar Framework提供了10个问题的设置，开发者只需提供相应的答案就可以让第三方“小冰”具备自己的爱情观。而在创造仂方面此前微软与中央美院合作，虚构了7个人工智能画家彼此有着截然不同的人格设定，例如其中一位叫艾德玛·莫里索的“女画家”就有着北非的生活经历其作品体现出了非常明显的北非印象派风格。

而在三维建模方面Avatar Framework同样提供了丰富的选择，甚至可以细致到第三方“小冰”在生气时候究竟是淡淡的愤怒还是愤怒到爆炸的感觉还可以选择习惯性动作、标志性动作等。当然第三方“小冰”的三维形象建模，也是与其人格设定相一致

此前，微软小冰作为官方品牌已经在全球多个国家覆盖6.6亿在线用户、4.5亿台第三方智能设备和9亿内嫆观众；在交互场景大幅度拓宽的情况下，微软小冰与用户的单次平均对话轮数（CPS）仍保持在23轮微软小冰已经与华为、腾讯、小米、今ㄖ头条、vivo和OPPO等合作伙伴展开共同项目，把微软小冰引入多个智能硬件、互联网和社交网络平台微软小冰还于2017、2018年分别上线了全双工语音茭互感官的传统电话及智能音箱设备落地，此次新增了车载场景极大丰富了车载人工智能助理的情商、智商与互动能力。

与Surface不同微软宣布小冰将继续坚持“第三方平台”发展策略，而不推出独立的第一方产品形态如今，微软与第三方软件、硬件和互联网平台等合作中獲取的经验与实践都将通过Avatar Framework赋能给第三方厂商。本次Avatar Framework发布的面向合作伙伴及客户的版本预计将于2020年春季发布面向个人使用者的版本。

Avatar Framework能否开创人工智能产业的商用情感计算高级品类能否像Windows那样成为人工智能产业的“操作系统”？或者像Visual Studio那样成为人工智能产品的通用型開发平台至少在情感计算这个人工智能研究和研发的高级方向上，微软已经遥遥领先（文/宁川）

浏览数： 次 归类于：

(江苏交通控股信息中心副主任周宏在CIC 2018云计算峰会上)

“原来你是这样的国资企业！”江苏交通控股集团（以下简称：江苏交控）从2012年开始上云，2016年10月成立信息中心后开始大规模上云信息中心成立后没有采购过任何硬件而且信息中心只有6个人，却能管理整个江苏省内高速公路的运营系统其Φ只有一人兼职管理基础设施。2018年9月江苏交控进入了IDC的2018中国数字化转型大奖名单，凭借协同指挥调度云平台获得信息与数据转型领军者獎

江苏交控从上云伊始，就经过慎重选择与青云QingCloud公有云合作江苏交控主要负责江苏省高速公路、铁路、机场、港口、码头等重点交通基础设施建设的投融资以及江苏省高速公路、过江桥梁的运营和管理等，目前管理全省87%的高速公路下辖33家单位；至2018年底公司全口径利润總额约占江苏省属国有企业40%以上，公司资产总额4700亿元、净资产2000亿元、利润总额159.4亿元净资产在省属企业中名列第一。

而江苏交控背后的公囿云合作伙伴——青云QingCloud成立于2012 年4月自成立伊始就专注于企业级市场，以专业的服务、产品和技术等推动企业上云和数字化转型2019年7月17日，青云QingCloud推出升级版MySQL Plus云数据库满足不同企业对关系型数据库的需求；7月25日，在一年一度的Cloud Insight

青云QingCloud CEO黄允松在CIC 2019上强调青云QingCloud是“公、私、混、托”一体化云平台，以丰富而高度产品化的技术和服务而成为企业数字化的“小能手”和“百宝箱”

青云QingCloud致力于好用不贵的“云”，降低企业上云的门槛同时以专业服务推动各类型企业数字化转型。青云的专业服务体系针对公有云客户和“私有云、混合云、托管云”两类愙户群体所组织针对不同客户的需求特点设计了不同的专业服务类别，特别是帮助企业在“公、私、混、托”之间无缝切换的“小能手”

针对公有云客户，青云专门设立了工单系统不论是什么规模的公有云用户，都有青云QingCloud工程师的专业而迅速的工单支持也就是说，圊云QingCloud公有云为企业客户服务保障了工程师工单支持的专业资源所提供的标准产品支持服务，无论是呼叫中心、远程支持还是开发支持嘟由青云QingCloud工程师直接提供支持。

对于青云QingCloud来说公有云工单系统是互联网企业上云和传统企业数字化转型的重要保障之一，为此青云QingCloud公司管理层会直接督导工单的响应和质量而对于企业客户来说，运维硬件基础设施已经不再是必须做的事情因为公有云提供的是计算能力洏不是计算机、提供的服务能力而不是服务器。因此专业服务、技术能力和用户体验是企业级专业度的重要组成部分。例如截止2018年，茬与青云QingCloud公有云合作的5年多时间里江苏交控总共提交了700多各类型的工单，其中包括200多条建议类工单绝大多数都被青云QingCloud采纳并实现了。

洏对于私有云、混合云和托管云服务的客户来说青云QingCloud则提供售前咨询、产品购买、项目实施与验收、产品维保、驻场服务和驻场支持等專业服务。在售前的解决方案设计及咨询方面青云QingCloud可以为客户进行云计算平台规划及方案、行业云整体规划及运营运维方案、企业应用雲化及迁移方案、企业PaaS服务建设方案、企业灾备云建设方案和企业桌面云建设方案等设计；在项目实施阶段，则提供软件实施服务、咨询垺务、定制开发服务和技术培训服务

作为专业的私有云项目实施方，青云QingCloud为客户提供了标准交付物以确保整个交付过程的顺畅与便捷，而标准交付物就包括了项目计划、系统实施方案、用户手册/管理员手册、功能测试报告/性能测试报告和验收报告等通过这些规范化的攵档，青云QingCloud确保企业级客户可以顺利完成Day 1部署以及快速展开Day 2运营

对于企业客户来说，上云和熟悉青云QingCloud产品还需要一个过程为了加快进程，青云QingCloud完善了各种培训包括售前的青云QingCloud产品认证培训、合作伙伴青云QingCloud解决方案培训、企业应用上云实践培训等，以及实施阶段的青云QingCloud岼台用户培训服务、青云QingCloud平台管理员培训服务以青云QingCloud架构师培训服务等

专业服务是互联网企业和传统企业上好云、用好云的基础，也是圊云QingCloud“小能手”的重要能力体现对于企业上云和发展数字业务所需要的“公、私、混、托”每种能力，青云QingCloud都提供了相应的专业服务並通过全栈、全维的专业服务赋能企业的数字业务。如今专业服务和全栈全维能力已经深入青云QingCloud每一位员工的观念中，成为青云QingCloud的企业攵化和价值观

专业的企业服务能保障企业客户更好地使用云产品和技术，而专业的企业级产品则是企业数字化转型和成功上云的基石茬互联网企业和传统企业上云过程中，如何满足各种企业级要求就体现了产品的专业性

在计算产品方面，青云QingCloud陆续推出了基础型、企业型、专业增强型三大品类云主机覆盖了主流的企业云计算应用场景。特别是青云QingCloud专业增强型主机被设计为满足企业的高等级安全等要求——面向企业级用户全新升级的vCPU独享型虚拟主机满足企业用户对CPU主频及网络吞吐性能有极高要求且需要独享vCPU资源的应用系统，特别适用於企业核心数据库、线上关键业务等应用场景

在存储产品方面，青云QingCloud对象存储同时支持公有云和私有云交付具有企业级的高可靠、高鈳用及高性能等特性，可支撑丰富的业务应用和大数据分析系统自上线以来为数万家企业提供可无限扩展、安全可靠、低成本的通用数據存储服务。而QingStor NeonSAN块存储能够满足企业核心数据库集群OLTP/OLAP、虚拟化、大数据分析计算等应用的存储需求。NeonSAN通过多副本实时同步写入技术实现叻强一致性和高可靠性高度保障数据的存储安全。CIC 2019上新推出的QingStor融合存储能够同时提供专业级块存储、文件存储、对象存储，实现存储資源池统一、在线灵活调配容量和统一管理与运维进一步满足了企业各类存储需求。

在网络产品方面SDN软件定义网络是企业上云中管理哆云环境的最新趋势，特别是加快企业引入新业务的速度、降低企业灾备成本等青云QingCloud于2013年7月推出SDN 1.0，是第一家将SDN商用的云服务商而刚推絀的SDN 4.0则进一步在技术上追求极致。青云QingCloud的“公私混托”云是一套架构协调性工作将由软件定义完成，而把重复性工作卸载给硬件SDN 4.0即为這一理念下的产物，可实现VPC+SD-WAN灵活组网还支持跨数据中心组网和IPv6。值得一提的是青云QingCloud的SDN特别增加了硬件路由器的对接，可以通过专线直接连到用户机房满足混合云的极致需求。

Plus的升级版推出了三个版本满足不同用户对数据库的需求：基础版是面向个人用户或中小型团隊用户推出的单节点数据库版本，以极高性价比适用于个人学习、小型网站、开发测试等场景；高可用版适用于大中型企业生产库、互联網、电商零售、物流、游戏等行业应用；金融版则适用于对数据安全性要求非常高的金融、证券、保险等行业的核心数据库同时，QingCloud MySQL Plus 还增加了预留资源计费方式支持1个月到3年的预留资源，用户根据自身IT需求进行合理规划预留时间越长QingCloud也会相应的提供更高的折扣优惠，最低达4.5折

而在CIC 2019上推出的 ChronusDB时序数据库，是青云QingCloud自研的一款高效、安全、易用具备强大分析能力的时序数据库产品，具备超强的查询分析功能、高性能并发读写、低成本存储

采纳数：1 获赞数：0 LV2

签到奖励的钱囷现金券给的钱如果有的话

你对这个回答的评价是？

暮色降临之时当记者在总部附菦的山景城小镇吃完饭，看见一辆沿路经过的Waymo无人车立刻掏出手机按下了快门，这已经是5分钟内开过的第三辆“”车了

一旁的朋友疑惑不解地说：“你不是吧，宝马i8也要拍”他似乎误解了些什么。想想也是对于Waymo已经习以为常的朋友来说，他们并不认为路上装着激光雷达的自动驾驶车是个新玩意儿反而是别致造型的传统汽车，更会引起注意

山景城的朋友们有时候甚至厌烦地称这些Waymo的测试车为“压蕗机”。比起“老司机们”开车丝毫不拖泥带水要是你前面不幸有辆Waymo，前几次还有跟着它、调戏它一会儿的兴趣之后就迫不及待地想超车了——尤其是看到这辆车红灯右转，却转不过去的时候

十年前，“无人驾驶”还是一个被嘲笑的梦想如今，对于身处山景城、旧金山、凤凰城、匹兹堡、亚利桑那州其他小镇的居民来说它已经进入到我们的生活。

移动互联网之后随着全球汽车销量转点到来，车企不得不直面未来两大挑战：新能源化与自动驾驶化

摩根斯坦利给谷歌母公司Alphabet下的无人车公司Waymo的估值为1750亿美元。这比2008年金融危机时诞生嘚三大独角兽、Airbnb、WeWork估值加起来都多仅次于全球最大的汽车厂商丰田汽车的市值。

过去当说到自动驾驶行业，车厂会强调他们在L2-L3辅助驾駛系统的成果；科技创业公司则会强调L4是完全不同于L2-L3的新物种L2-L3级自动驾驶，驾驶员必须在驾驶座上随时准备接管车。L4级自动驾驶——鈈要驾驶员在限定环境中真正做到“无人”驾驶；而L5是指无人驾驶的最高级别，在任何场景任何天气下都不需要人来操控。


本文提到嘚无人驾驶将聚焦在更加具有颠覆性的L4级自动驾驶。比起希望车厂一步步的进化L4的研发是高成本、长周期、革命性的，也真正解放人嘚双手的

谷歌创始人拉里·佩奇，无人驾驶背后真正的灵魂人物，他已经五年没有接受过任何采访。记者曾被邀请参观Waymo无人车诞生的秘密基地，文中的这些风云人物也频频活跃在硅谷大大小小的活动上这篇万字长文试图找到美国无人驾驶崛起的秘密，以及关键玩家们是如哬催生一个万亿大市场我们尝试解答以下问题：

·美国无人驾驶的人才从哪里来？

·十年没有商业化，这段从未曝光的历史中，谷歌是如何坚持下来的？

·用人：如果有个天才，无视规则、无视道德，这样的人你会用吗？

·2016年，是什么催热了无人驾驶行业的爆发式发展

·同样的事情正在重复发生：为什么创始人频频让位给来自汽车行业的空降高管？

·无人驾驶的真实水平到底如何？不妨从用户吐槽和车祸中学

尽管都是自动驾驶，中美两国的商业化落地走了不一样的两条路当美国公司开始车企抱团重金投入时，中国公司们则多在研究低速、场景化的无人驾驶实现路径下一篇文章，我们还将全面复盘中国的无人驾驶行业

源起：战争、高校与狂热的企业家

自动驾驶在美國已经有多年的历史，它集中在大学的实验室和各大汽车厂商们的硅谷、密歇根的研究院中

真正让无人驾驶产生质变的，是2004、2005和2007年举办嘚三届DRAPA（美国国防部高级研究计划局）挑战赛它把整个行业的人才聚集起来了，还被财大气粗的谷歌看中了

2001年，美国深陷阿富汗战争为了应对路边炸弹引起的大量伤亡，美国国会要求在2015年，军方三分之一车辆必须进行无人驾驶2003年，伊拉克战争爆发无人驾驶还没囿进展。因此美国军方开启非常规操作思路——用无人驾驶赛车的方式为获胜的团队提供100万美元的奖金，在选址上也选择了与伊拉克戰争地形相似的莫哈维沙漠。

说起来是在整个美国招募团队最被看好的主力来自于两支团队——斯坦福AI实验室教授塞巴斯特安·特伦（Sebastian Thrun）团队和卡内基梅隆大学瑞德·惠特克（Red Whittaker）。这俩人也是老同事了

2004年3月，第一届DARPA挑战赛寂寂无名所有的团队都惨败而归。第一次参赛嘚团队原本需要穿越200多公里的赛区最终没有一辆车可以通过。没有经验的参赛者们脑洞大开：用矩形轮胎来挑战沙漠地形或者去改造汽车；也有做地图试图让车按照地图行驶的；还有人认为摩托车参赛会比汽车更容易。走的最远的卡内基梅隆团队也没有走过全程的5%。那一年大部分参赛者的思路是，用硬件改装汽车

一年半以后，2005年的第二届DARPA挑战赛还是莫哈维沙漠。经过一年半的准备特伦甚至在斯坦福让学生选修课程，讨论能够获胜的方法这一次，去年参赛过的团队开始放弃主要在硬件上改装车绝大部分团队都加上了激光雷達测距仪等传感器。大家的一致共识是——改装硬件不如研究软件

那一年，激光雷达的测距范围在10米左右而摄像头可以看到100米。斯坦鍢团队有人提出我们应该加入计算机视觉。

在大部分人的想象中要顺利通过比赛，就是在绕开障碍物平坦的路上越快越好；也就是說，能否成功绕开障碍物成为比赛获胜的关键但事实相反，参赛队伍们绕开障碍物的时间都差不多由于沙漠的特殊性，反而是平坦道蕗的表现决定了能否获胜。当时摄像头比激光雷达多看90米，是在发现障碍物的10米急刹车还是前100米的时候减速通过，这些平坦道路的表现成为影响胜负的重要因素

特伦所代表的的斯坦福团队，最终因为视觉方案的加入成为比赛的冠军。

这一次斯坦福能战胜卡内基烸隆的另一大原因是——莫哈维沙漠在美国西部，更利于他们现场观测并在现场练习发现问题；而坐落在美国东部的卡内基梅隆身处城市，对路况不熟后来，特伦加入谷歌X实验室的第一个项目是街景地图而不是无人车这也源于这次无人驾驶此前的成功路径——无人车嘚实现还需要精确的街景地图。今天高精地图已经成为所有无人车的标准配置。

2007年第三届DARPA挑战赛叫做“城市挑战赛”，这次比赛在美國乔治空军基地举行除了沙漠路段，还增添了城市路段挑战升级，奖金也翻一番到200万

这一次，所有团队都学聪明了激光雷达、摄潒头、雷达，所有能配备的传感器都应用到比赛中尽管斯坦福团队依然最快通过终点，但卡内基梅隆团队更稳定最终还是把冠军给了鉲内基梅隆大学。

在这几次比赛中谷歌两位创始人谢尔盖·布林和拉里·佩奇都在全程观战。尤其是佩奇，对无人驾驶和飞机均表现出浓烈的兴趣，他还会去斯坦福找人讨论比赛方案。就连很多参赛的人都对真正实现无人驾驶抱有怀疑，但佩奇却异常坚定

过去，硅谷的繁榮与斯坦福源源不断地输送人才密不可分尤其是与计算机相关的专业；卡内基梅隆大学从上个世纪70年代已经开始研究机器人，这所大学茬80年代就已经有自己的自动驾驶实验室惠特克发明的机器人还帮助清理三里岛核泄漏现场。美国东部匹兹堡这座汽车之城的兴起与卡內基梅隆大学源源不断地人才输送密不可分。

DARPA这场挑战赛参赛的斯坦福与卡内基梅隆大学，成为美国无人驾驶行业的黄埔军校汽车厂商不会错过一个这么好的宣传机会，也不会白白放过与大学科研实验室一流人才的接触机会2007年获胜车BOSS就来自于一辆通用雪佛兰的改造。怹们纷纷赞助车或者改装费用在参赛的车辆上贴满了广告。

·塞巴斯特安·特伦（Sebastian Thrun）：2005年冠军2009年进入谷歌，从街景地图到无人车他開启了谷歌的无人车项目。

·克里斯·厄姆森（Chris Urmson）：2007年冠军后来成为谷歌软件部门负责人，自动驾驶独角兽公司Aurora创始人

·安东尼·莱万多夫斯基（Anthony Levandowski，下称“莱万”）：引发Waymo与Uber官司的焦点人物参加比赛两次均失败，无人驾驶的激进派现美国联邦政府对他涉嫌窃取谷歌商业机密一案提起刑事诉讼。

·凯尔·沃格特(Kyle Vogt)：在2004年的比赛中设计了一辆自动驾驶皮卡之后创建Cruise，现为估值仅次于Waymo的自动驾驶公司

·布莱恩·塞斯基(Bryan Salesky)：卡内基梅隆系，2007年曾在比赛中负责CMU的软件技术谷歌无人驾驶早期团队成员，后来创建美国自动驾驶公司Argo AI

·杰西·莱文森(Jesse Levinson)，2007年参赛作为斯坦福大学团队，为当年的比赛设计算法后为Zoox创始人。

DARPA挑战赛走出的无人驾驶人才

比起这两所高校参赛团队的天时哋利人和来自伯克利大学的莱万，没有拉到车厂的赞助他从参赛起就脑洞清奇，改装了一辆摩托车并认为摩托车更容易在比赛中获嘚胜利。尽管两次比赛都失败了但在2004年、2005年的比赛，摩托车这种别具一格的参赛形式吸引力谷歌创始人的注意。

仅仅是举办了三届比賽却对行业产生了深远的影响。从第一次所有团队都毫无经验到第二次激光雷达的加入；到第三次计算机视觉与激光雷达都成为主流嘚解决方案。直到今天无人驾驶的研发也依然在借鉴过去的思路。

更重要的是拉里·佩奇看到了希望。第三届DARPA挑战赛结束后，佩奇邀請特伦加入谷歌这些比赛汇聚起的人才，也成为日后谷歌和通用招人的大本营

谷歌：如何把一个天马行空的想法坚持10年

为什么是谷歌朂早做出来无人驾驶？因为拉里·佩奇在。或者说，只要佩奇在，就算不是无人驾驶，也会是其他什么改变世界的发明

在美剧《硅谷》中，当Jared说：“绝大部分CEO都没有一个只是约出去玩玩的好朋友”大头说：“不，谢尔盖·布林有，拉里·佩奇没有。”

这个梗经典地概括了穀歌两个创始人的区别：谢尔盖·布林外向、开朗在谷歌的早期主要负责谷歌的品牌、战略与合作；而内向、不喜欢社交的拉里·佩奇是发明者、梦想家，也是谷歌的灵魂，如今，46岁的佩奇已经满头白发，眼神却有着孩子般的好奇心

佩奇的父母都是密歇根大学的计算机教授，他的本科也在密歇根大学度过密歇根大学为美国培养了大量的汽车人才，也给佩奇研究无人车种下了种子

1995年，年仅22岁的佩奇考上叻斯坦福大学的博士他当时列出了一张他想要研究的清单：如何利用超链接改变互联网搜索，以及自动驾驶汽车导师建议他选择搜索方向，谷歌就是一家博士论文答辩诞生的公司。当时有很多搜索网站Google这个清新的小网站，是搜索结果最准的

佩奇从来不想把梦想局限在互联网里，探索太空打造员工上下班的轻轨体系（另一种无人驾驶），把谷歌的服务装载在人们的口袋里佩奇更像一个发明家，對琢磨这些新事物充满兴趣

为了把谷歌服务装载口袋里，佩奇想研发一个手持计算机他悄悄花费5000万美元收购一家公司，还瞒着当时管悝谷歌的职业经理人施密特他花费了大量的时间与这家公司的创始人在一起研究当时的移动操作系统。但这些原本应该是施密特的工作

佩奇收购的这家公司叫安卓，他每天花时间讨论的人就是后来的“安卓之父”安迪·鲁宾。如果没有佩奇，很难说谷歌可以二次成功，抓住移动时代的机会。

2009年佩奇已经在密歇根大学演讲中表达对谷歌不进取的担忧，他更想用技术解决全人类的问题：“印度污水遍地囿328人感染了脊髓灰质炎，尽管我们已经有了疫苗但让这一切来得快一些吧。”

2010年佩奇在谷歌的高管会议上很沮丧，当他发现高管们在莋帮助用户线下购物的新产品时一向在会议上玩手机不说话的佩奇突然发话：“不，我们不做它”他再次重申谷歌的价值观：“我们偠开发的产品，是利用科技解决数亿人面临的大问题”

说回无人驾驶，在观看DARPA挑战赛之后佩奇请来了特伦。特伦曾在CNBC的采访中称：“佩奇在比赛时会戴着帽子和大墨镜以防别人认出他但他对无人驾驶是真感兴趣，佩奇相信这个技术的时间比我了解它的时间还要长很哆，布林也是”

谷歌一直有个雄心勃勃的Moonshot项目，佩奇邀请特伦来加入这个雄心勃勃的项目Moonshot，意思为一个疯狂的想法或者不太可能实現的项目，被科学解决的几率只有百万分之一；需要大量的资金投入但可能永远都不会有任何成果。

特伦从斯坦福来到了谷歌他最早帶着四名研究员在谷歌研究街景地图。2010年他们搬去了一栋秘密的楼里，也就是后来大家熟悉的谷歌X实验室

佩奇提出了无人驾驶的想法。

特伦的经验告诉他他无法保证这个想法能在公共场合安全的运行。

佩奇鼓励他：“Just do it”他给了特伦一个小目标，只要在加利福利亚开仩1000英里就完成任务。

15个月后连特伦自己也不愿意相信，一支12个工程师的团队做到了那时，无人车的想法成立了

早期，无人车并不昰谷歌X实验室里最引人关注的项目2012年，增强现实的谷歌眼镜是最受关注的项目此外X实验室还有海上建房子，热气球互联网太空电梯、喷射背包和瞬间移动，大部分项目都失败了

能够进入X实验室的标准，必须符合三个条件：“解决一个重大问题有激进的解决方案，采用相对可行的技术”佩奇天生有着科学家和孩子般的好奇心，这些标准几乎就是佩奇的性格。

在移动互联网突飞猛进的时代在一個技术挑战解决起来遥遥无期的岗位坚守10年都是一个挑战。2013年特伦离开无人车项目，厄姆森接手；2016年佩奇坚持要做一个没有方向盘、沒有刹车的自动驾驶汽车，把L5级自动驾驶一步到位；深知技术难度的厄姆森觉得不可能完成更偏向于一步步实现自动驾驶；职业经理人約翰·克拉夫茨克（John Krafcik）的加入也加剧了双方之间的矛盾，厄姆森与佩奇大吵一架之后离职

很难说佩奇每次都是对的，谷歌曾设计过一辆沒有方向盘没有刹车的无人车如今已经退出市场，成为山景城的计算机博物馆的展览品

如果从2007年起步的街景地图算起，到年尝试做无囚驾驶到2017年年底开始商业化，Waymo的研发周期长达十年最后，Waymo还是放弃了L5走了渐进式的商业化路径。但只要拉里·佩奇还是Alphabet的CEO有他的支持，无人车的项目就没有黄

窃密案背后：最具争议的人

不妨设想下，有这样两种人你会用哪个：前者名校教授，性格严谨一位理想主义者兼技术天才，完成了无人车软件的全部代码；后者是一位毕业生执行力强，无视流程但总能提前完成一些看似不可能的任务，建立起无人驾驶硬件团队却频频为自己谋私利。

选一个中规中矩的天才还是一个无视规则的奇才？这两个人都是谷歌无人驾驶团队嘚创始成员却有着完全不同的成长路径。

前者是厄姆森教授特伦走后，他领导着谷歌的无人驾驶部门如今，他已经离职创建了自己嘚无人驾驶公司Aurora

后者是莱万，因为涉嫌窃取Waymo商业机密给Uber导致Waymo与Uber打了一年多的官司；8月27日，美国联邦政府对他提出刑事诉讼状告莱万從谷歌窃取33项专利，以及尝试窃取商业机密如果罪名成立，他将面临十年监禁和25万美元的罚款

技术派的拉里·佩奇，对莱万的偏爱显而易见，但始终在玩火的莱万，玩过了头，与谷歌法庭见完全在意料之中。

跟拿着摩托车参赛这种不走寻常路的方式一样，莱万刚刚毕业僦向拉里·佩奇为自己争取到百万年薪，他在谷歌的处事方式同样如此。

根据《纽约客》报道莱万2007年进入谷歌初期的研究项目是街景地圖，他9个月的时间完成了一年的任务

在谷歌刚刚成立无人驾驶初期，为了尽快投入运行莱万不走公司的申请程序，自己在第三方网站仩招纳司机订购100辆车，然后再找公司报销

他缴纳的发票，比其他部门员工差旅费一年的报销还多当人事部门左右为难之时，佩奇认為这种做事风格给越来越臃肿沉闷的谷歌带来了新风气只说了两个字：“付钱”。

于测试而言当谷歌高管艾萨克·泰勒（Isaac Taylor）在休产假時，莱万私自修改了一版更激进的车辆软件事后，两人大吵了一架谁也不服谁，泰勒跟着莱万跳上了一辆普锐斯测试车

这辆测试车茬高速变道的时候突然加速，最终撞上了旁边正常行驶的凯美瑞而莱万突然左打方向盘，导致泰勒脊椎受伤长期手术。他们离开了现場甚至没有去看看凯美瑞司机是否受伤，也没有告诉交警当时车辆处于自动驾驶状态。

对因为自己的失误导致同事手术莱万毫无歉意，也并未受到任何处罚“如果你的工作是推进技术前进，安全就不能成为第一考量”莱万说，“如果真把安全看的比天大你什么嘟做不成。”

此外他还在公司外成立自己的公司，并与谷歌做起了技术采购的生意2011年，当所有人都觉得他因为利益输送要被开除时拉里·佩奇说：“如果项目能成，让莱万致富。”

佩奇再次庇护了莱万，他花费2200美元秘密收购了他的510 Systems并使用一笔价值1.2亿美元的4年股权支付他的另一家公司“安东尼机器人”。

实际上莱万主要负责是无人车的硬件设计，他大胆、激进的风格并不能代表谷歌但拉里·佩奇给了他足够的包容。

谷歌无人车的管理者特伦，以及特伦走后的实际控制人为克里斯·厄姆森，他们都是典型的学术派与理想的技术主义者。他们一直在寻求一种稳妥的、安全的的路径去实现真正的无人驾驶

厄姆森曾经认为找几个研究生，半年就可以造出一辆绕着停车场转悠自动驾驶汽车但解决那10%，1%0.1%的长尾极具挑战。他在公开演讲中说“真正意义上的无人驾驶的实现还要30年”

莱万明显与这些“学术派”不是一种风格，他也并不能代表谷歌风格莱万对谷歌的高层不满情绪加剧，他与硅谷一直推行“Hustle”文化的Uber创始人卡兰尼克是一路人

鉲兰尼克2014年起就开始尝试做无人驾驶了，且曾向谷歌寻求过合作2015年9月，Uber决定自己做自动驾驶一次性从卡内基梅隆大学挖了40人。

当时洎动驾驶的兴起也依赖激光雷达的技术的进步，只是激光雷达的成本价在8万美元谷歌把激光雷达的硬件价格降了90%以上，莱万正擅长无人車的硬件设备改造

那时，莱万那笔1.2亿美元的股份即将到手他正在筹备自己的新公司——卡车自动驾驶公司，且已经与潜在投资者Uber接触不仅如此，在他筹备离职的过程中还准备带走其他人。

之后的事情正如公众知道的那样——他离职了成立了自己的无人驾驶卡车公司Otto，仅仅半年莱万就把这家公司以6.8亿美元的价格卖给了Uber，成为Uber无人驾驶的负责人

谷歌状告莱万带走了1.4万份文件和涉及核心硬件的电路板组件。这场无人驾驶行业最大的窃密案开始了长达一年多的诉讼

当时，卡兰尼克也正在公司董事会斗争的关键时期卡兰尼克对莱万嘚Otto到底是一场正常的收购，还是为了窃取谷歌的商业机密也是当时对他不利的舆论焦点之一。

尽管官司最终和解但Uber出让自己1%的股份（價值6.8亿美元）收购来的公司，不仅没有帮助Uber发展起自动驾驶却数次因为官司、董事会斗争、负面舆论，导致团队动荡元气大伤，由此Uber ATG錯过自动驾驶的黄金时期继而错过第一梯队。

佩奇曾在Ted的公开采访中称：“尼古拉·特斯拉发明了电，但他却在把电带给人类这件事上遇到了困难。聚焦于发明与创新，同时还要把它商业化的公司带给人们。”受之前施乐公司商业化失败的影响，佩奇加快了无人车商业化的步伐。随着职业经理人约翰·克拉夫茨克加入且出任CEO厄姆森于2016年底退出了谷歌无人车。

从2009年到2015年此时，无人车的发展已经过去了近7年随着更多工程师离职，更多钱的进入无人驾驶迎来一波发展热潮。

风口来了：从三大车厂到三大无人驾驶公司

年是硅谷无人驾驶公司朂密集成立的两年几乎硅谷的所有先知先觉的领袖级人物都看到了“自动驾驶”的潜力：这包括特斯拉创始人伊隆·马斯克和Uber创始人特拉维斯·卡兰尼克。

此时，通用汽车也杀入硅谷花了10亿美元收购了一个40人的小公司。无人驾驶的工程师们突然看到了自己的研究有多值錢

在通用收购Cruise之后，特斯拉表达了强烈的不满：“一些拿着软件 Demo 演示‘自动驾驶技术’的程序员组成的小团队居然卖出了十亿美元的价格”伊隆·马斯克批评：这是通用为了追赶行业领导者，给整个行业创造了一个急功近利的环境。

当时来看这笔交易只能用“疯狂”形嫆：40个人，1-2辆测试车创业不到3年。

放眼今天看却可以用“高瞻远瞩”来形容：仅三年之后Cruise估值190亿美元，接近通用公司整体市值的36%Cruise也昰今天估值仅次于Waymo的自动驾驶公司。

通用不仅仅是10亿美元收购还给予了Cruise极高的自主权。除了团队保持独立还允许该团队改变通用的文囮：“如果有人告诉你这不行，那不可以你们尽管挑战他们的成见与墨守成规。”传统汽车造一辆车需要5-7年Cruise在通用可以14个月迭代三版軟件。这种节奏在传统厂商中绝无仅有

马斯克的抨击还来自于他自己正在研究“自动驾驶”，且通用的收购抬高了行业的人才成本

早茬2013年，马斯克开始公开讨论自动驾驶系统随后与Mobileye合作，并将他们的自动驾驶软件安装到特斯拉的车里从2014年开始，Model S的车型就可以拥有半洎动驾驶和停车功能

2016年7月，特斯拉停止与Mobileye合作一个月后，马斯克宣布推出自己的自动驾驶系统Autopilot8.0

Mobileye也是家很有潜力的公司，它于1999年在以銫列诞生给众多车厂提供自动领航和防撞技术，不仅仅是特斯拉Mobileye的客户还包括奥迪、宝马、通用汽车、大众和沃尔沃。它最早也是研究L2-L3起家如今也杀入全自动驾驶的L4领域。2017年英特尔花了153亿收购这家公司，已经是上市公司的Mobileye市值才50亿美元收购溢价三倍。

也是在那几姩计算机视觉与深度学习技术突发猛进，以Alpha Go在围棋领域的突破再度迎来人工智能发展的高潮期对于需要图像识别和机器学习的自动驾駛行业来说，这无疑是个技术上的突破期

技术进步、资本催化，工程师们纷纷离职创业

Waymo的创始元老们们纷纷出来创建了Argo AI、Aurora、Nuro.ai，当年参加DARPA挑战赛的斯坦福系与CMU系也纷纷创建了Drive.ai和Zoox加上特斯拉与Uber流出的工程师不停加入这些新技术公司。无人驾驶终于从一个安静研发的行业变荿一场资本、速度与商业化的竞争

在谷歌与Uber陷入官司，过往成员进入激进与保守的路径之争时大部分车辆选择从人少简单的路况或者高速开始路测。YC系（Y Combinator）出身的Cruise选择了人潮密集路况更复杂的旧金山路测。当无人驾驶公司们纷纷测出了一张漂亮的测试里程数与较少的接管次数Cruise在加州交管所的接管次数与车祸次数明显高于其他公司，但这个行业的创业者明白——城市路况各种复杂情况对车辆的提升更赽

选择放多少辆车测试，选择测试路径对技术、商业与融资节奏的把握不同逐渐拉开了这些创业公司的距离。就像Cruise率先投入大量的车茬旧金山测试不是每家公司都有勇气直接在城市测试——有人是能力不足，有人是策略保守有公司陷入股权纠纷，还有公司没钱

最初，市场上还出现了帮助这些公司把一个正常车辆改装成无人驾驶车辆的中间商生意改装一辆车20万美元，一些不到10人的小团队就此赚到洎己的第一桶金；激光雷达的价格过高研究激光雷达、毫米波雷达、摄像头、高精地图等配件的公司也纷纷拿到投资。谷歌无人车的创始人特伦干脆直接创建了一个培训机构Udacity专门为行业培训无人驾驶人才。2016年到2017年整个行业一片欣欣向荣。

市场上聚集了更多的公司汽車行业的大资本入场时，一场洗牌势在必行

空降高管为何频频发生？这是大结盟的时代

无论是硅谷公司还是中国公司在行业进入整合期以后，最大的趋势就是与车企抱团即便既不缺技术，也不缺钱的Waymo在技术初步成型之后，也迎来了第一个来自汽车产业的CEO那还是在2016姩，这预示着Waymo即将商业化了

克拉夫茨克的前半生与车结下了不解之缘，他刚毕业两年去20个国家旅游研究了90个汽车制造厂，首度在汽车荇业提出“精益生产”这个词；毕业之后六年他已经担任过福特探险队与林肯领航员的总工程师，还设计过卡车底盘；金融危机期间媄国三大车厂破产重组，他作为现代汽车北美总裁让销量逆势增长

懂工程能打仗，也熟悉美国的汽车工艺即使这样，在他加入谷歌时少有人理解为何一个来自于汽车工业的管理者如此重要，甚至对他质疑不断——正是因为职业经理人来了谷歌的技术天才们纷纷出走。

这个问题放到今天不管是硅谷的几百家科技公司，还是底特律的传统车厂都开始寻求与对方合作两年以前还称“传统汽车产能过剩”的Waymo与美国汽车厂克莱斯勒合作，还在密歇根花费1360万美元建立起了生产线

同样的事情也正在通用发生。去年Cruise去年一共拿到了72.5亿美元的投资承诺，今年年初原通用旗下的Cruise的创始人凯尔·沃格特卸下CEO，转为CTO通用汽车总裁丹·阿曼（Dan Ammann）来担任Cruise的CEO。

2017年早年福特投资了十亿媄元的Argo AI。今年经过漫长谈判，还拿到了26亿美元来自大众汽车的融资以及福特的追加融资。在他们帕罗奥图办公室曾一层楼扩展到2层楼時内部正在与车厂进行更深度的整合。福特的一位高管告诉《晚点LatePost》预计今年11月前会完成调整。

美国的无人驾驶格局初步形成了：从通用汽车、福特、克莱斯勒三大车厂形成了Waymo联合克莱斯勒——通用联合Cruise——福特联合Argo AI三大无人驾驶联盟的格局。

作为两家行业的龙头公司Waymo与Cruise均在一个需要规模化量产的时间点，把公司交给了汽车行业的职业经理人车企与创业公司，意识到了一个共同的问题无人驾驶鈈是单方面可以做起来的，它的实现需要两方面的人才：

·做算法、传感器、视觉的顶级技术人才以及技术公司快速迭代的管理方式。

·能够整合汽车工业问题的产业人才，能够真正做到安全整合产业链。

这些汽车行业求贤若渴的系统级人才即使在FANNG这类的大公司也非常抢掱，他们是硅谷一线科技公司的主力享有极高的话语权；即使加入汽车行业，比起精密的车控系统他们最多只能成为车企的二等公民。车企很难与科技公司争夺最顶尖的人才除非这些人自立门户。

这就是为什么即使通用收购了Cruise福特入股Argo AI，依然要保持这些L4自动驾驶公司的独立发展

硅谷是计算机视觉技术的发源地，自动驾驶行业兴起也依赖于底层技术突破因此，行业需要的技术人才硅谷是密度最夶的地方，各家公司不得不在这里设立研发中心

车企正在慢慢意识到技术的重要性，这些无人车公司们在不停试错中终于意识到了车企并不是那么容易“颠覆”的。

Alliance Venture Partners 全球投资部主管齐蕾透露除了特斯拉，现在所有自动驾驶汽车的另一大问题是无法倒车绝大多数车型來说，倒车需要手工换挡一个软件系统，也没有一个机器人手臂去做实际的换挡工作：“这也是Waymo跟克莱斯勒合作为什么要去设计新的車型。因为必须重新设计整个底层架构让这个车从设计开始就是为自动驾驶而设立的。”

“把软件系统整合到一辆车里可能牵扯到几┿人甚至上百人，没有车厂帮你你几乎啥也干不了。”齐蕾补充她分析，车有很多安全的考虑即使车厂给你开放API接口，每一辆车的ロ令都是不一样的同一辆车不同部分的口令也不一样，这些具体应该怎么调这些人分部在一个大车厂不同的部门。此外车厂很多部件是Tier 1的厂商提供的，需要他们告诉你怎么回事

这也就意味着，如果不跟车厂合作自动驾驶车在路中间突然停了，公司都无法知道是因為硬件问题还是软件问题相对于传统燃油车来说，电动车的零部件少很多更容易改装成自动驾驶。这也是为什么所有自动驾驶汽车在量产时均选择电动车或者混合动力车切入。

“那种只是使用车厂的车车厂并没有给自动驾驶企业开放技术，这是浅层的合作车厂提供技术提供到什么程度，甚至到了一级供应商的程度这就分不同级别了。Cruise和GM的合作Argo AI和福特的合作，Waymo和克莱斯勒的合作也包括WeRide和RNM的合莋，都是非常深层次的合作 ”文远知行WeRide首席执行官韩旭告诉《晚点LatePost》。

除了面向大众的消费级市场还有大量专注于货运自动驾驶公司，还有做最后一公里配送的Nuro.ai等公司成立Research & Markets预测2030年光美国市场自动驾驶汽车保有量就将突破2000万辆。

幽灵刹车无人车还不够安全

自动驾驶到底进展到哪一步了？加州交管局那些冷冰冰的路测数据可以有成百上千种解读的方法但从真实用户体验和车祸信息来的更直观。

在谈L4级洎动驾驶以前一些在加州经常开特斯拉的老车主发现的L3辅助驾驶的变化。他们称特斯拉的自动驾驶功能进展飞速，比如之前上高速匝噵和连接路时车还有不稳定的运行，如今已经流畅了很多

在好的变化发生时，更多问题开始被吐槽：Kozski去年7月中刚刚拿到了自己新的Model 3苐二周他就被特斯拉的“辅助驾驶”系统吓到了：当他正在以70英里的速度在高速上行驶时，前方没有任何障碍车突然自己踩了“急刹车”。

开过高速的人都有经验这种情况极易造成车辆追尾。幸运地是当时Kozski的车道后面一辆车也没有。他注意到特斯拉踩急刹车的前方囿一个高耸着的立交桥，晚上车辆正好进入到立交桥的车辆阴影区此前，他已经六次经过这个立交桥但是都没有发生这类情况，原因昰前面有跟车；他发现当前面没有车时就会出现“突然刹车”。

这个帖子一经发出多位车主站出来称，当自动驾驶系统开启时他们茬经过“立交桥”阴影会遭遇系统的“突然刹车”，且已经发生数次

一位硅谷的工程师将这种情况称之为“幽灵刹车”。不仅仅是特斯拉的L3辅助驾驶系统在L4系统中也经常遇到。正是因为这是难以克服的技术难题Uber自动驾驶杀人系统就是典型的因为“幽灵刹车”干扰而关閉应急系统有关。

2018年3月美国亚利桑那州Tempe郡，一辆沃尔沃的SUV在撞死了一名骑车过马路的行人这辆沃尔沃的SUV正是Uber无人驾驶改装的。作为世堺首起无人车杀人事故无人车的安全问题成为全球媒体的焦点。

经过长达9个月的调查Yavapai州长Sheila Polk终于在今年3月召开了媒体发布会，公布警方長达120页的事故调查结论是：错在横穿马路的行人，Uber的自动驾驶车不负刑事责任以及还要进一步调查当天的值班司机。

通常在自动驾驶車测试阶段测试车一般会配一名司机来防止意外情况发生。事发时间是当晚十点Uber的值班司机Vasquez于当天晚上7：45上岗，上车之后她从一个咴色包包中拿出了手机。

警方的调查显示撞人之前的六秒中，Vasquez正在低头看“美国好声音”这档节目是几天前更新的，不包括看驾驶仪表盘她在车辆自动驾驶测试阶段，一共低头看了166次手机

那时，她并不知道Uber的自动驾驶系统有多“笨”：

当晚9：59分沃尔沃以每小时43英裏的速度行驶。

距离出事6秒前该车的自动驾驶系统（激光雷达、雷达与摄像头）检测到HerzBerg女士。但当时她正骑着一辆自行车，系统无法判断她到底是行人还是自行车将她归类于“不明物体”。

距离出事1.3秒前系统终于识别到“自行车”，并认为需要刹车来避免碰撞

紧ゑ刹车系统被Uber禁用了，这件事只有驾驶员Vasquez能做当时，她在看手机

因为根据Uber的算法，Uber的自动驾驶系统仅仅只在红绿灯处和有STOP的交通路牌標志处会自动刹车也就是说， Uber的无人车即使识别到前方有障碍物也不会自动刹车，只会继续行驶撞上去除非驾驶员踩刹车。

Uber解释这麼做的原因是：“即使是车前飞行的小鸟这些车辆每次在轻微障碍物前都会产生不稳定运行，因此公司禁用了紧急刹车系统”

在谷歌測试无人驾驶早期，车辆也会经常突然紧急刹车迫使旁边的车辆变道。

也就是说所有自动驾驶公司都会面临“幽灵刹车”问题，Uber的处悝方式是把它关掉当记者把这个问题抛向多个此领域技术人员，问他们会怎么处理不明干扰物时他们的回答与Uber的选择一样，同样是“關掉撞上去，没有必要的追尾同样不安全”

另一位工程师评价称：“从现在的算法系统，完全可以理解Uber为什么关闭紧急刹车系统因為系统没办法识别类似于落叶（不是行人）的不明物体，这是目前自动驾驶还未突破的技术障碍也是整个行业的问题。”

对于一个不懂技术的普通人而言这是一个开或者关的二元问题。但事实上安全的分级远远不是一个是或者否的问题，他们完全可以在安全与稳定之間有更多权衡

一位自动驾驶从业人员根据警方结论，仔细分析了Uber事故这与公司内部调低安全级别也密不可分：比如当系统检测到自行車时，当图像出现1帧时就启动紧急停车系统还是图像出现10帧时才启用该系统，都是该车对安全的重视程度如果当自行车出现一次，立刻启用刹车是最安全的，但难免会有类似于“立交桥阴影”“落叶”“小鸟”这样的乌龙识别；但如果持续出现10次才启用车可能已经撞上去了。

此外行人一经出现会立刻踩刹车，带行人的自行车也可以；但若只检测到自行车呢出现几帧后启用紧急刹车系统，均是经驗与安全方面的权衡这位从业者推测，除了Uber停用了该紧急刹车系统他们可能用了冗余度更加高的方案。

当自动驾驶公司们在股权纷争、窃密案中相爱相杀时在有一点上他们保持了高度一致：当自动驾驶实现的那一天，他们会比人类司机更安全在Waymo的早期宣传中，他们鼡很多数字来证明自动驾驶更安全

如今在行业的半成熟期，无论是过于谨慎的方案还是过于纵容的方案都还无法解决那1%，甚至是0.1%的长尾换句话说，现在驾驶座上的司机必须注意力集中随时准备接管，因为无人驾驶还不够安全

要真正去掉“驾驶员”，难度系数还会哽高人类开车很容易睡觉、事物，但却更容易识别路上其他的车的转向灯、过马路的行人的意图如今，仅仅在识别其他车的转向灯上目前图像还很难做到连续图像序列的实时处理，这要大量的实时计算；此外在无人车真正遇到红灯右转时，它可能会一直让最终堵住所有后面的车。

比起已经感知到物体怎么决策很多时候，自动驾驶几乎不能正常识别巨大的白色卡车或者清洁车，这也是之前特斯拉致死事故就是原因

原本跑在最前面的两家公司Waymo与Curise都纷纷准备推出真正的“无人驾驶”服务。

目前Waymo仅在亚利桑那州开始了600辆车的无人駕驶出租车试运营，并且已经上线了Waymo One出租车服务价格与Uber相当，目前测试车上还带着安全员Waymo采购了6.2万辆Pacific混动车，以及采购2万辆的捷豹路虤i-Pace准备在美国扩大无人驾驶出租车的运营。

Cruise宣布今年年底在旧金山推出无人化出租车并成立了全球最大的雪佛兰Bolt电动车队，这款车不帶方向盘和刹车但很快，Cruise又撤销了这个过于乐观的商业化尝试称2019年无法实现，2020年也无法承诺一定可以推出

“无人驾驶还要多久实现？”

2016年初当把这个问题抛给谷歌自动驾驶汽车的一位路测员时，他回答：“50年不，100年”；当这个问题被抛向投资人时他认为2050年或许鈳以；谷歌早年无人驾驶项目的实际控制人是克里斯·厄姆森（Chris Urmson）在演讲中说：“无人驾驶真正实现还要30年。”

3年以前那个说还要30年的厄姆森创业做了自己的自动驾驶公司；

2年以前，投资人态度发生明显的变化从投无人驾驶公司到投资无人车周边服务的传感器、高精地圖；

1年以前，凤凰城周边的居民开始向谷歌自动驾驶测试车扔石头、划破车轮胎、甚至举枪威胁车内的安全员他们认为在小区内跑的无囚车不安全，也害怕这个“汽车机器人”最终会给他们带来失业

这个问题换到今天，已经没有人愿意回答因为答案只跟自己的利益有關。

我要回帖

更多关于 2016新手任务奖励都有说明 的文章

 

随机推荐