嘉兴网站建设运营,青岛网站制作,软件技术课程,中企动力z云邮登录来源#xff1a;AI科技评论作者#xff1a;陈彩娴编辑#xff1a;岑峰2020年年初疫情刚开始时#xff0c;清华大学的官方号曾祭出一篇题为《清华教师升级「十大神器」#xff0c;上课力满格》的推文#xff0c;讲述了软件学院某老师如何居家办公、探索出一套防止学生偷懒… 来源AI科技评论作者陈彩娴编辑岑峰2020年年初疫情刚开始时清华大学的官方号曾祭出一篇题为《清华教师升级「十大神器」上课力满格》的推文讲述了软件学院某老师如何居家办公、探索出一套防止学生偷懒帮助学生远程上课的云端设备的故事。据当时的官方报道该老师信誓旦旦「不能说万无一失但有10大『神器』护法无论是断电、断网、硬件崩溃、软件崩溃都不能阻挡我一颗上课的心」真·学生听者伤心、闻者落泪。这位老师就是后来入选2022年IEEE Fellow的最年轻华人学者杨铮年仅38岁。他也是迄今为止国内为数不多的、入选IEEE Fellow时职称仅为副教授的高校学者。抛去自带搞笑BGM的行事风格杨铮对科研探讨的认真与严谨也同样令人印象深刻。杨铮师从国内物联网先驱刘云浩看似与人工智能无关但巧合的是他所研究的方向正是物联网与人工智能的交叉一支——智能无线感知。2021年他被IEEE选为Fellow的原因也正是其在智能无线感知上的贡献。围绕着「智能无线感知」AI科技评论与杨铮教授进行了深入探讨发现了该方向的许多有趣的点。比如同样是「识别」与「检测」人工智能中应用最广泛的莫过于计算机视觉但该方向主要是通过视觉捕捉环境信息而后分析而杨铮所研究的智能无线感知技术却可以仅靠无线射频信号如WiFi、5G就能掌握环境内的信息。后者去掉了对视觉的依赖也就能很好地消除了当前计算机视觉在落地应用中所面临的隐私、遮挡、弱光等问题。换言之无线感知为人工智能带来了视觉以外的新「感官」。此外无线感知的许多研究也是当前火热的「元宇宙」的技术基础。比如杨铮团队近期提出的工作FollowUpAR就将无线感知技术与混合现实技术进行深度融合帮助AR应用在移动目标上渲染连续、流畅的立体特效堪称智能无线感知赋能元宇宙的一个典型案例。基于射频信号的无线感知究竟是「何方神圣」下文为你揭晓。1「知」与「智」从古至今人类对「真理」的追求都可以概括为从对物理世界的「知」到掌握万物规律的「智」。然而基于有限的认知条件人在实现「智」的过程中常常遇到挑战。在《理想国》一书中柏拉图就曾用「洞穴寓言」形容人类认识世界的局限性一束光照进洞穴将外界的事物投影在洞壁上洞穴里的人只能通过投影去观察外面的世界。图注柏拉图的「洞穴寓言」实验后来随着现代文明的推进尽管人类对物理世界的感知方式有了科技的辅助得以打破主观认识的局限性经历了传感器、无线传感器与传感网等多个阶段的演变但要实现一个万物智联的「泛在智能」时代也仍有漫漫长路。而这正是智能无线感知的目标。「事实上早在两千多年前我国思想家荀子就已在《正名篇》中讨论过人类感知与智能之间的关系——『知之在人者谓之知知有所合者谓之智』。但荀子他老人家肯定没预料到有一天『知』与『智』会结合起来并且从『人』延伸到『物』。」杨铮布道。简单来说无线感知是一种利用泛在无线信号来实现场景感知的技术。这些「泛在无线信号」来自于我们身边所部署的各种无线设备包括Wi-Fi热点、蓝牙、RFID等不仅可以传输数据、完成本职任务如通信还可以「额外」用来感知环境因为信号发射机产生的无线电波经由直射、反射、散射等多条路径传播在信号接收机处形成的多径叠加信号携带了反映环境特征的信息。尽管这些无线射频信号无法被眼睛直接感受到但却可以被无线通信收发机捕捉成为视觉之外感知物联世界的「新器官」。以基于射频信号的跌倒检测为例。人们在跌倒的时候会引起无线信号传播路径的变化从而影响到接收的无线信号。无线感知技术通过提取相应的特征分析无线信号在传播过程中的变化借助分类算法总结出跌倒与其它活动所导致的无线信号变化的差异判断环境中是否有跌倒动作发生从而实现跌倒检测。图注Wi-Fi信号可视化也就是说无线感知就是现代科学家「隔空打牛」的秘密武器。「所以大家以后在密谋坏事时除了关好门、拉好窗帘检查桌子底下有没有窃听器也不要忘记把Wi-Fi关掉哈哈。」杨铮笑道。通过分析接收信号特征获得信号传播空间的特性无线感知技术无需部署专用的传感器就可以实现对人与环境的感知具备感知范围广、维护易、普适性强等优势已成为过去几年物联网领域的研究热点涌现出大批研究成果。但事实上利用专用的无线射频信号进行环境的探测和探知并不是一个特别新鲜的概念。早在二战之前、雷达出现后人们就已经开始在军事领域利用声呐、射频信号对待测区域内的目标进行感知。战后数十年来雷达也逐渐从军用走向民用出现了气象雷达、测速雷达、地形跟踪雷达等多种不同功能的雷达。那么无线感知技术在今天为何仍能吸引国内外的一众科学家投身其中呢近年来全球研究者在无线感知领域陆续提出了一系列瞩目的新成果如UW的WiSee、MIIT的WiTrack、UCL的Phaser等等。包括美国、英国在内的多个发达国家也都将无线感知列为重点支持的方向。杨铮的观点是尽管利用无线信号来实现感知的概念并不新鲜但从「泛在性」与「普适性」这两个维度来看利用商用通信技术实现泛在智能感知仍处于起步阶段给许多研究者提供了更多的可能性。2000年是一个分水岭。彼时各式各样的无线通信技术蓬勃发展。就拿Wi-Fi来说从21世纪初开始Wi-Fi接入点的数量可以称得上是「爆炸式增长」如今几乎各家各户、各类室内场所都部署了Wi-Fi接入点。「我认为这是对『泛在无线感知』的最大利好也是最坚实的研究基础。」杨铮谈道「特别是随着 802.11n/ac/ax 这一众标准的演进商用设备的天线数量越来越多频谱宽度越来越大这也让我们对泛在无线感知以及通信感知一体化的前景抱有更大的信心。」在某个意义上物联网是解决「泛在感知」的问题而人工智能是解决「普适智能」的问题2019年风靡一时的概念「AIoT」便是两者的结合。人们普遍相信物联网与人工智能技术将共同推动人类社会从「万物互联」走向「万物智联」。只是不同于以往这一潮流由工业界率先预见并引领比如华为提出「构建万物互联的智能世界」小米将「AIoT」作为核心战略BAT等互联网公司也列出相似愿景。作为物联网与人工智能的交叉领域无线感知正反映了这一趋势成为当前学术界研究和工业界追寻的热点。2智能无线感知的发展当前国内无线感知的发展呈现出两大特征与趋势1感知粒度逐渐细化。例如从人员感知应用来说从发展初期的人员入侵检测到人员的被动式定位追踪再到现在的手势识别感知的粒度从人员是否存在到人员的位置再到各个身体部位的活动粒度越来越细致。2落地化趋势越来越明显无线感知正从实验室理论研究走向家庭的日常应用。据杨铮观察近段时间工业界对非传感器感知也越来越重视各种基于非传感器感知的应用平台在逐渐开发呈现出各类相关应用正迈向「千家万户」的特征。智能无线感知的应用场景非常广泛覆盖安防、医疗、人机交互甚至元宇宙等领域。其中医疗监护是杨铮最看好的应用方向包括非接触性心跳、呼吸监测以及跌倒检测等。尤其是跌倒检测如苹果的Apple Watch 4增加该功能「随着人口老龄化的现象越来越严重很多老年人独自生活。日常调查发现跌倒是导致老年人受伤的主要原因之一严重时跌倒甚至能够危及生命。所以说研究一套可靠的跌倒检测机制对于老年人来说显得非常重要。」智能感知的学者们如杨铮对该方向的应用前景都十分乐观。然而杨铮也明确指出当前国内智能无线感知的发展仍存在三大挑战即有效特征湮没、识别模型粗陋、数据集缺失。图注非传感器感知的三大挑战从特征部分来说由于无线信号包含了信道传播空间的信息已有的大部分工作提取的信号特征均依赖于系统部署的具体环境。因此不同的使用环境、不同的用户甚至同一用户的不同位置和不同朝向等都会降低感知的准确率。针对新的场景大部分工作需要重新采集数据进行训练使得无线感知普适性差、学习训练成本高系统的泛化能力受到较大的影响。从模型部分来说已有的大多数模型基于对无线信号传播的以及硬件条件的完美假设但在实际部署场景中无线信号的实际传播包含有衍射、散射、非镜面反射等多种情况商用的网卡通常也包含有大量噪声不同网卡之间的特性有着较大的差别。对无线信号的传播模式、误差消除等系统性建模的缺失使得无线感知系统的运行结果与理论预期之间仍存在着一定的差异。从数据集方面来说由于无线感知方面的数据集采集费时费力不同的团队采集的数据存在着采集硬件、场景等多方面的差异这也阻碍了本领域基础数据集的公开与共享研究的数据量不足、应用场景较少影响了本领域的技术分析与进步。要解决上述问题任重道远。3杨铮的研究之旅作为国内少数率先研究无线感知结合的青年学者之一杨铮的研究之旅始于2012。彼时他刚从香港科技大学取得计算机博士学位不到两年回到清华大学任教是一名资历不深的「青椒」。从博士开始杨铮就一直从事物联网方面的研究包括智能感知、工业互联网、边缘计算与区块链等。当时他的博士导师是国内物联网的先驱学者刘云浩。刘云浩是ACM与IEEE双Fellow、ACM主席奖首位华人获得者2020年暑假他曾万字答复清华学子2000个关于人工智能的问题被清华官方「点名」走红网络。图注2007年博士期间杨铮左与博士导师刘云浩右合影「在我刚开始博士生涯2006年时业界研究的一个热点其实是无线传感网。」杨铮对AI科技评论回忆道。无线传感网可以被理解为如今物联网的雏形它通过无线通信技术如蓝牙、ZigBee等等来实现传感器节点之间的信息交互但是感知的任务需要交给各类专用的传感器设备来完成。显然这必然就限制了无线传感网的灵活性。「部署无线传感网其实是一个特别费时费力的过程不仅要保障传感器节点本身的感知功能还要保障它们点对点之间的通信性能。所以我在博士研究期间每次做实验仅仅是部署实验设备就要下很大一番功夫。」在当时他就希望探索一种更加泛在、普适的感知方式降低系统部署的人力成本与设备开销。大约在2010年前后他开始关注一些使用无线信号进行定位的工作。这种「非传感器感知」的模式不依赖任何专用的传感设备只使用收发机设备通过解析信号特征就能进行室内的设备定位。相比无线传感网部署成本更低、普适性更强更容易推广吸引了杨铮继续研究下去。图注杨铮刚到清华任教时从2012年至今杨铮与团队经过不懈的努力已经逐步实现了基于无线信号的定位、追踪、导航再到人员手势识别、心跳呼吸检测等等一系列工作。针对上述这三大挑战特征、算法与数据杨铮团队在Widar系列尤其是Widar3.0中提出了自己的解决方案。据杨铮介绍Widar是Wi-Fi Radar的缩写Widar系列工作在保证Wi-Fi原有通信功能的基础上赋予了商用Wi-Fi设备强大的环境感知能力。从第一代的多设备人员定位到第二代的单设备人员追踪再到第三代的手势识别Widar系列工作对环境的感知粒度也在不断细化充分探索了通信感知一体化的技术可行性。对于无线信号特征杨铮团队的研究思路集中在两点多维特征融合与提取环境无依赖的信号特征。「多维特征融合指的是综合使用信号衰减、到达角度AoA、飞行时间ToF、多普勒频偏DFS等多种信号特性更加准确地完成无线定位与感知的任务。环境无依赖的信号特征就是要建模出一种不依赖于环境特性的泛化性强、鲁棒性强的特征比如我们在 WiDar3.0 中提出的人体坐标系下的速度谱BVP就能够以人体坐标为基准更加全面而准确地描述不同环境与朝向下人体的动作特征从而实现适用于各类场景下的高精度手势识别任务。」Widar3.0 论文地址http://tns.thss.tsinghua.edu.cn/~yangzheng/papers/Zheng-Widar3-MobiSys2019.pdf模型方面杨铮主要在 Widar3.0 中借鉴了深度神经网络DNN模型的方法。「深度学习浪潮的兴起给无线感知领域也带来了很大启发。近几年来不少工作都尝试将无线信号以矩阵或张量的形式输入到现有的一些分类模型中来尝试获得更好的结果但是并没有针对无线信号独有的特性对模型进行更加合理的设计。」因此杨铮与团队在Widar3.0中提出了经过一定设计的、能够充分挖掘无线的空间与时间维度特征的卷积与循环结构。目前他们团队也在致力于通过结合时频变换与经典的信号采样原理设计一种适用于无线感知的特征提取与判别网络能够更加有效地挖掘出无线信号中的隐含信息从而简化训练与学习的过程并突破识别精度的瓶颈。这项工作目前正在投稿中。作为Widar系列的第三代工作Widar3.0的主要贡献在于实现了环境无依赖的手势识别。具体来讲先前的基于无线信号的各种识别系统只能够在采集训练数据的特定几个环境下保持较高的准确率而缺乏在其他场景下使用的可能性这是因为现有的方案采用的特征质量低、模型设计粗陋从而会导致一定的泛化性问题。杨铮团队结合对人体动作方向性的观察提出了人体坐标系下的速度谱BVP在特征的层面上解决了系统的域适应domain adaptation问题。此外在Widar3.0中基于信号时间相关性与时频变换原理设计的网络结构也有助于提升模型的训练速度与精度。总之Widar3.0在特征与模型这两个层面上有效改良了智能无线感知系统的设计。图注Widar数据集手势识别最后是数据集。杨铮认为近年来计算机视觉和深度学习的蓬勃发展离不开 ImageNet 等诸多公开的海量数据集。因此他们也希望构建一个专门面向智能无线感知的数据集。从2017年提出Widar1.0开始之后的2.0、3.0中所有的原始 CSI 数据与信号特征数据都是开源的。这些数据涵盖75个场景下采集的26万组动作采集总时长144个小时数据总规模大约是325 GB。目前该数据集在手势识别的基础上扩充了跌倒检测等新数据。Widar3.0的数据集地址http://tns.thss.tsinghua.edu.cn/widar3.0「我们希望能够通过开源这种方式来支持研究者们在无线感知领域做出更多创新性的工作为无线感知领域的发展贡献一点绵薄之力。」杨铮谈道。构建数据集是一个大工程。杨铮清醒地认识到在大数据时代仅靠自己一个团队人工采集数据是无法支撑庞大的感知应用的。因此研究者仍需调动更多的力量使用更多技术手段来扩充感知数据集。在这方面杨铮有「三把斧」首先他们基于统计电磁场模型与射线追踪模型开发了一个物理层级别的无线信号仿真器将仿真数据作为真实数据的补充以期解决训练数据不足、特定环境中数据难采集的问题。在此基础上他们也正在尝试采用生成式对抗网络GAN的架构使用已采集的真实数据训练一个鉴别器并基于上述仿真器开发一个无线信号生成器通过对抗学习生成「以假乱真」的感知数据以有效扩充数据量。最后他们还准备参考数据挖掘等领域的采集方式采用「众包」等策略鼓励用户们使用家庭中的网络设备实际采集大量的无线信号数据以供研究使用。在此过程中用户可以获取一定的资金作为激励。但个人的力量总是有限的。众人拾柴火焰高杨铮呼吁大家能够积极参与感知数据集的开源工作通过开放共享的形式推动感知数据集的规模扩充。4人工智能与感知的「联姻」在物联网上杨铮的两大研究方向分别是智能感知与工业互联。他解释「智能感知是通过分析视觉、射频、声光等信号的特征应用人工智能技术来挖掘物理世界的状态或发生的事情实现泛在感知与泛在智能。而工业互联针对工业生产场景提出控制即服务的工业网络架构研发具有确定性、低时延的时间敏感网络将信息IT网络与生产OT网络合二为一实现控制任务的服务化支撑未来智能柔性生产。」那么在智能无线感知中基于机器学习、深度学习与对抗学习的算法能够扮演什么角色研究者又是如何将 AI 算法与无线感知结合在一起的「这个问题特别好这也是我们团队近年来一直在思考的问题。首先无线感知拓展了人工智能的『视野』增加了多一个维度的感知信息。」杨铮谈道。在过去的十年里杨铮与团队尝试了很多机器学习模型来帮助构建更加智能、鲁棒的无线感知系统。例如在荣获人机交互顶会 CHI 2017 最佳论文荣誉提名奖的工作 WiDance 中杨铮就尝试了使用经典的隐马尔可夫模型HMM在2019年发布的 WiDar3.0 中他们又基于卷积神经网络CNN和长短时间记忆网络LSTM设计了一种高精度的动作识别网络模型此外他们也尝试在无线指纹定位的工作中引入了域对抗domain adversarial等一系列机制来保证系统在不同环境中的鲁棒性实现环境无依赖的定位与感知。WiDance论文链接http://tns.thss.tsinghua.edu.cn/~yangzheng/papers/Qian-WiDance-CHI2017.pdf「所以我一直以来的感受就是感知、智能本来就应该是一体的。包括机器学习在内的各类智能算法负责分析数据、给出结果而物联网中的各类传感设备既包括视觉感知也包括无线感知则为智能算法提供基础的数据支持它们从物理世界中实时地获取数据并将处理后的结果反作用回物理世界之中。」杨铮对AI科技评论评论道。一方面无线感知向人工智能在视觉中的应用来「取经」另一方面无线感知也对神经网络的设计起到一定的启发作用。比如杨铮就提到在无线感知中一些针对信号处理的经验也能够指导我们进行更加高效、合理的神经网络设计「无线射频信号有着不同于视觉信号的独有的特征这些特征对于特定感知识别任务来说是非常有益的。如何深入挖掘这些无线射频信号独有的特征也是设计人工智能模型时应该特别考虑的。」由于感知与智能的紧密关系将人工智能尤其是深度学习与物联网领域的研究相结合已成为主流的研究方式。近年来发表在顶级会议的无线感知论文结合了深度学习技术的工作占据了「半壁江山」。尽管身处物联网圈但杨铮时刻关注人工智能尤其是深度学习的最近进展寻找它们和自己工作之间的共性也多次从中找到了新的科研机会。杨铮坦言「挑战当然也是有的。大多数模型一开始被提出都是被用于计算机视觉或自然语言处理领域因此将这些方案灵活地迁移应用到自己的研究领域不仅需要我们对自己的研究领域有深刻的理解也需要吃透各类神经网络设计哲学才能避免『生搬硬套』。」「更大的机会在于无线感知作为视觉之外的感知方式目前还没有得到人工智能方向的重视。」在同一类应用上与视觉相比无线感知有时会取得更出色的表现。就拿跌倒检测来说。目前常见的跌倒检测技术包括计算机视觉、可穿戴传感器以及专用的雷达硬件。杨铮指出这些技术都存在一定的缺陷计算机视觉容易涉及用户隐私并且通常只能在光照条件良好的情况下才能工作可穿戴的传感器需要佩戴特定的设备对于老年人来说使用起来十分不方便而大规模部署特定的硬件又需要较高的成本。在这类场景中与计算机视觉等技术相比基于非传感器的感知就体现出了自己的独特优势例如Wi-Fi 感知便不受上述条件的限制为跌倒检测提供了一个新的思路。目前几乎家家户户都部署了Wi-Fi设备无需部署新的硬件设备基于Wi-Fi的感知不需要用户佩戴特定的设备在无光照的条件下也可正常工作它采集的无线信号信息也不会干扰用户的隐私。而问及未来智能无线感知的技术发展更多取决于人工智能还是4G/5G等通信技术的进步杨铮的回答是「两类技术都十分重要它们会在两个不同的方面影响未来智能无线感知技术的发展」。具体来讲新一代的无线通信技术对于MIMO和Beamforming等新型技术的支持在客观上为我们提供了更多的天线、更加细粒度的角度探测方法同时新的通信技术一般都会通过更宽的频带以支持更高的通信速率这也为距离分辨率的提升提供了一个最基础支持。以深度学习为代表的人工智能技术则充分挖掘了无线信号中更多的隐藏特征对于系统的感知能力同样有着很大的提升。所以说4G/5G等通信技术的演进提供了更多有效的信息而人工智能技术的演进则为信息的挖掘和处理提供了更多更有力的手段二者的进步共同推动了智能无线感知领域的繁荣。5无线感知的未来在于「泛化」2021年基于其在无线感知与定位方面的贡献杨铮当选2022年IEEE Fellow是同年入选的华人学者中最年轻的一位年仅38岁。在智能感知上杨铮的科研规划集中在两大块一是基于无线信号的神经网络算法设计二是推动无线感知商用化。尽管人工智能对无线感知的研究起到了重大的启发作用但要将面向机器视觉的人工智能模型迁移到无线感知也是极其困难的。当前的深度学习模型大多是基于图像数据、语言数据而定制的模型如CNN、RNN。然而无线感知中的射频信号相比于图像、语言有自己的特点其包含有时间、空间、频率等多维度的信息数据大多为复数类型。正是由于射频数据与已有的网络模型之间的差异使得目前深度学习模型在无线感知领域仍然没有发挥出它最大的作用。所以杨铮的想法是针对无线信号的特点设计专用于无线信号的深度网络使无线信号和深度模型实现更深层次的耦合这样才能充分利用人工智能工具。此外目前的无线感知技术大多还停留在实验阶段真正实现商用化的技术并不多。目前工业界对医疗健康的关注在上升无线感知应用于跌倒检测的潜力也进入产学研三界的视线。杨铮与团队也希望为此作出贡献设计出可靠的跌倒检测系统提高系统的鲁棒性与泛化能力。「我个人认为智能无线感知进一步发展的关键正是在于其场景泛化能力。更通俗地讲我们设计的无线感知系统是否真的能够像设想的一样可以被直接应用到千家万户中支持各类的无线设备、适应不同的复杂环境呢目前看来我们是面临着一些挑战的。」杨铮分析要提高无线感知技术的泛化性研究者仍需解决以下几个问题首先现有的 CSI 模型假设是否完美地符合实际场景尚未可知。过去很多年间大多数研究者们都基于射线追踪模型将墙壁、障碍物等视为一个理想的反射面电磁波信号会被墙壁完美地镜面反射。这类假设虽然有一定的道理但是在实际的复杂室内空间无线信号更趋向于散射而非镜面反射此外无线信号的透射、衍射等效应均被不同程度上忽略了。所以在某种意义上无线感知的精度限制正是来自于过于完美的假设。一个更加符合实际的、通用的信号传播模型亟待构建。另一方面一部分研究者习惯于借助高灵活度的软件定义无线电SDR设备进行研究和实验然而当感知系统落地用户们实际只能使用商用网卡。商用网卡的非线性误差、载波频偏、包检测延迟等实际因素不被解决的话再好的感知系统设计也将成为「空中楼阁」。此外不同网卡型号的误差模式、误差系数也有着非常大的差别因此针对不同类型的无线设备我们需要制定智能化、自动化的误差校正和消除策略才能保证智能感知系统的运行结果和我们预期当中一致。最重要的是科研人员在进行实验时往往只能在有限的几类室内环境中采集数据进行训练和测试。然而实际使用环境的复杂性和多样性往往大大超出训练环境。这也是为什么杨铮强调研究要从特征、模型、数据等多个层次上增强系统的泛化性特征层面上可以设计环境无依赖的鲁棒特征模型层面上可以尝试使用域适应domain adaptation策略借鉴域对抗domain adversarial网络的思想完成多类场景的快速迁移数据层面上就要想方设法扩充数据集的多样性。「不过目前已经有很多研究者意识到这些问题了并提出了不少可行的解决方案所以我对我们智能无线感知领域的发展仍然是抱有十足的信心相信在不久的将来我们就能够亲眼见证智能无线感知系统的落地与应用。」杨铮笑道。最后杨铮老师正在招收博士后与博士生对物联网有兴趣的同学可以给杨铮老师发邮件yangzhengtsinghua.edu.cn。参考链接1.http://tns.thss.tsinghua.edu.cn/~yangzheng/2.https://scholar.google.com/citations?userExRe-64AAAAJ3.https://www.nwnu.edu.cn/2020/0708/c3842a145368/page.htm4.https://cs.bit.edu.cn/xyxw/fc530c4af4c84ef8abb128c59966b6f1.htm5.https://baijiahao.baidu.com/s?id1658509271522706294wfrspiderforpc未来智能实验室的主要工作包括建立AI智能系统智商评测体系开展世界人工智能智商评测开展互联网城市大脑研究计划构建互联网城市大脑技术和企业图谱为提升企业行业与城市的智能水平服务。每日推荐范围未来科技发展趋势的学习型文章。目前线上平台已收藏上千篇精华前沿科技文章和报告。 如果您对实验室的研究感兴趣欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”
