站在科技潮头的各位，周五好。
虎嗅精选前沿科技专栏的第一期周报终于与大家见面了。
接下来，我们会在每周五准时为大家总结一周的前沿科技行业大事，做出专业解读，帮你快速整合一周内最有价值的相关资讯。
如果你关注前沿科技领域，想紧跟科技和产业的融合趋势，这会是一份不容你错过的决策参考。
除了每周对一个重点领域进行深度解析之外，我们还将为大家呈现“前沿领域深度解析”、“最新学术研究成果”、“前沿技术公司新动向”、“前沿技术领域投融资”、“专家观点”、“前沿知识点”，无死角覆盖行业情报。
本周我们先来深入聊一聊卡车自动驾驶行业的现状，再听听吴恩达怎么预测AI在2019年会发生哪些进展吧。
一．卡车自动驾驶领域深度解析
最近，河北邢台货车司机倪万辉夫妇在前往西藏送货途中去世，引发了广泛关注。货车司机风餐露宿，工作十分辛苦，过程也充满险境。货车司机走了，留了了两个未成年的孩子，以及每月需还款上万元的贷款，人生艰辛，让人唏嘘。
技术是人类改善福祉的重要工具，如今前沿技术能否为艰辛的卡车运输之旅带来福音呢？目前在卡车领域，最受关注的技术就是卡车自动驾驶。将来卡车自动驾驶技术如果能越来越成熟，将能够在很大程度上减少卡车驾驶过程中的劳累与枯燥，增加长距离卡车驾驶的安全性。
行业纵览
相比于更受关注的轿车自动驾驶，卡车自动驾驶虽然关注度略逊，但一样是玩家众多。在国外，从戴姆勒、沃尔沃、特斯拉这样的汽车厂商，到Uber、Embark这样的技术类公司，都在做卡车自动驾驶。国内也是如此，包括了北汽、陕汽等卡车公司，阿里、苏宁这样的互联网公司，以及图森未来、西井科技、智加科技等自动驾驶创业公司，都在研究卡车的自动驾驶。
卡车自动驾驶技术路线与乘用车差不多，就发展现状来看，现在主要也还是半自动驾驶，处在L2、L3级别，可以在特定的路况情况下解放司机的手和脚，但都还离不开司机，需要配备司机处理复杂情况。更高级别的自动驾驶目前还无法实现，L4级别的卡车自动驾驶大多还在研发或者路测阶段。真正大规模使用的产品还不多，主要应用场景在封闭或半封闭环境下，如港口、矿山等。
国外卡车自动驾驶技术现状
国外主要的卡车厂商基本都有自动驾驶技术方面的技术布局，开发自动驾驶技术运用到自身的汽车产品上，辅助司机驾驶，多数处在工程化、产品化阶段，完善产品，进行实际路测。
沃尔沃在该行业中比较有代表性。从九十年代开始，沃尔沃集团就开始研发ADAS系统。目前路上在跑的Volvo卡车已经配备了多项ADAS的功能，比如LCW、AEB、ACC、BSD等等。2017年11月，沃尔沃推出了一款自动概念卡车，用于在半封闭区域（如港口和高速公路上的专用车道）进行枢纽到枢纽的运输。沃尔沃表示，该卡车基于其现有的FH平台，并使用激光雷达和GPS自主导航。
目前，沃尔沃自动驾驶卡车已经在封闭场景中使用，主要在深矿开采、垃圾回收、农作物收割、特定长途运输等场景，实现了初步的卡车自动驾驶商业化。但在日常的普通公路和高速公路上，还没有大规模使用自动驾驶的案例。
戴姆勒卡车也于2014年推出了具有自动驾驶功能的梅赛德斯奔驰未来卡车2025。在德国汉诺威举行的IAA商用车展上，梅赛德斯·奔驰发布了新款Actros卡车，加入主动驾驶辅助系统，能够提供低级别的半自动驾驶功能。
特斯拉于2017年11月发布了一款半挂卡车Semi Truck，配置了增强版Autopilot，拥有自动紧急制动、自动车道规避及前方车辆碰撞预警等功能。当AutoPilot探测到驾驶员健康出现问题时，会选择靠边停车。若驾驶员无响应，则或拨打紧急求助电话。此外，Semi Truck还可以实现远程故障诊断、预见性维修、定位追踪及与调度中心间的车载通信等功能。该车型预计在2019年上市，目前已经拿到沃尔玛、UPS、Anheuser-Busch、运输公司TCI等公司的少量订单。
另外，港口、矿山类公司也在探索将货运列车自动化，以提高运营效率。如矿业巨头力拓公司的自动货运列车已经全面投入运营，机器控制货运过程中的加速减速等动作，单次运送时间得到小幅缩短，效率更加优化。
技术公司开发的卡车自动驾驶技术，多家已在路测阶段。如明星公司Embark于2017年2月推出了自驾驶卡车技术，并于其后完成了从洛杉矶到佛罗里达州杰克逊维尔的5天2,400英里的运载车程。绝大多数时间的驾驶是机器自主的，Embark的系统使用雷达，摄像头和激光雷达组合来收集数据，然后由深度神经网络（DNN）处理，以便卡车学习如何驾驶。但整个行程中卡车内部都有人工安全驾驶员来处理复杂情况。
打车应用Uber也在开发卡车自动驾驶。Uber于2016年10月首次推出自动驾驶卡车商业交付，在科罗拉多州行驶120英里，交付2,000箱啤酒。Uber在2018年3月初宣布其自动驾驶卡车已在亚利桑那州的高速公路上运输货物几个月，不过也是L3级别的，需要有一个人类驾驶员作为备用。另外Uber也并未公布其自动驾驶卡车的已行驶里程，应该是实际应用还不多。
Alphabet旗下的Waymo也正在研发自动驾驶卡车，并且开始了初步的测试。
国内卡车自动驾驶技术现状
在国内，自动驾驶卡车的赛道上包括了商用车公司、大型电商企业以及自动驾驶创业公司。
福田汽车、陕汽控股都在2018年的路测中展示了L3级别的重卡自动驾驶技术。一汽解放、中国重汽和北奔重汽等车企均表示正在研发各自的自动驾驶技术。这些企业多数是与技术公司合作来开发自动驾驶技术，如陕汽与图森未来进行技术合作。
大型电商企业涉及到物流配送环节，因此也在卡车的自动驾驶方面有所布局。阿里旗下菜鸟网络成立的ET 物流实验室正在研发自动驾驶物流车，采用了激光雷达、GPS、视觉的融合方案，并在阿里巴巴西溪园区和菜鸟西溪首座之间 10 公里的路段进行路测。此外，2018年，苏宁的首款无人重卡“行龙一号”在苏宁物流上海奉贤园区完成测试，京东在618 JD CUBE大会上发布了自动驾驶重型卡车。
创业公司方面，图森未来、智加科技等公司的自动驾驶技术也都在路测中。图森未来在2018年10月中旬获得国内首张自动驾驶卡车路测牌照，智加科技获得首张营运货车自动驾驶路测牌照。
图森未来以港口物流为切入点，提供解决方案，技术主要是基于摄像头，而不是激光雷达。目前使用由10个摄像头组成的阵列，同时使用雷达作为辅助传感器。摄像头的特点在于价格便宜，而且安装上更加坚固。
图森的无人驾驶产品中硬件是主要成本，其中包括传感器、雷达、计算单元等。相比于昂贵的激光雷达方案，图森是以计算机视觉为主要解决方案：10个摄像头和3个毫米波雷达，每个雷达的成本在2000块左右，所有成本控制在10万元左右。但摄像头的劣势在于，其受环境光、恶劣天气影响比较大。
图森未来于2017年底完成总额5500万美元的C轮融资，本轮融资由复合资本领投，新浪、治平资本跟投。
智加科技主要做高速物流场景下L4级自动驾驶技术的研发，在中美两地都有实验车队进行测试开发。智加科技则在2018年11月宣布获得来自红杉的A+轮融资，并于此前获得满帮集团、金沙江创投、光速中国、华创资本等投资方投资。
智加科技与一汽重卡进行了合作，图森未来则与陕汽集团合作开发无人驾驶技术。
行业解析
目前，无人驾驶卡车的发展还有很大瓶颈。
首先，技术不成熟，无人驾驶卡车能进矿山港口，进不了高速公路。总体来说自动驾驶卡车的产品化商业化进度要高于乘用车领域，尤其是在港口、矿山等封闭与半封闭环境下，环境相对来说并不复杂，机器要学习和应对的环境有限，技术难度更低一些，自动驾驶更容易实现。由于可以提高效率，并在未来可能降低人工成本，所以即使是雷达等硬件成本较高，港口、矿山企业也有意愿为此买单。
但在高速公路环境下的自动驾驶卡车大规模商用，可能也是未来五年甚至十年以后才能实现，在更复杂的交通环境下，无论是乘用车还是商用车，技术难度都很大，目前还没有真正成熟的解决方案。
现在自动驾驶卡车局限性还很大，还需要经历更多的复杂环境，获取更多复杂环境下的数据，用深度学习算法去训练模型，从而让机器更加聪明。商用车有矿山、港口、工厂、高速公路等不同的驾驶场景，需要处理不同的环境，因此需要一定程度的定制化，让卡车适应相应的环境。
至少在未来十年内，无人驾驶卡车不是司机的威胁。无人驾驶技术现在配备的基本都是高级辅助驾驶系统，包括车道偏离预警系统、疲劳驾驶监控、自适应巡航系统、电子驻车制动系统、预先紧急制动系统、电子控制制动系统、环境监控LED灯光系统和弯道辅助照明系统，以及货物监控和轮胎气压报警系统等，都是解放人的手和脚的，减轻卡车操作的难度，增加舒适度，但离开人还无法在复杂路况下正常行驶。而要真正实现无人驾驶的大规模普及，实现较高程度的商业化，需要技术、法律环境、成本等多方面的配合才行。技术上要求传感器更大范围内的更精准感知，数据要更充分，深度学习算法更精准，安全性上要有充分保障，政策上才会得到全面放开。而在成本方面，雷达、摄像头等硬件成本有效下降，才能获得终端客户的认可。这决定了自动驾驶卡车在高速公路甚至普通城乡道路上大规模使用，要有相当长的时间。
未来货运行业的组织形态可能有重大变化。现在从事卡车货运的个体与家庭，从事卡车货运挣的是信息差和辛苦钱。如果未来实现了无人驾驶卡车的大规模商用，卡车货运不需要付出那么多的体力和时间，而货运供需信息又充分透明的话，货运个体户可能利润更加微薄，再加上购买配备雷达与摄像头的自动驾驶卡车，成本更高。因此未来货运个体户可能会越来越少，自动驾驶卡车厂商可能会成为货运服务商，市场上也有会出现重资产运营的货运企业，通过购买或者租赁自动驾驶卡车，做货运业务。
二．最新学术研究成果
在这个栏目里，我们来了解一下近期国内外具有代表性和创新性的前沿技术研究成果。
1.以色列研究用机器学习算法判断阅读障碍者
以色列理工学院临床神经生理学实验室和海法大学计算机科学系的研究人员称，已开发出一种人工智能模型，可以自动识别阅读困难的症状，无需人工干预，并具有很高的精确度。
在这篇名为《脑区和阅读障碍之间关联和分类的特征和机器学习》的论文中，研究人员称，他们开发了一种处理收集信号的方法，并使用机器学习技术进行多变量分析，来分析阅读障碍和熟练读者之间的差异。
为了收集他们提出的AI驱动的阅读障碍分类系统的数据，该团队招募了32名来自两所学校的6至7年级的希伯来语母语儿童。 该组的17名成员之前曾诊断为阅读障碍。 在24次试验过程中，他们被要求执行词汇决策任务（LDT），在此期间他们必须判断屏幕上的192个字母串是否有意义或无意义。 当受试者提交他们的答案时，放置在他们的头皮上的电极连续记录脑电图（EEG），测量脑中电活动和眼睛运动。经过数据预处理，在从ERP中提取特征的过程中，他们将它们分成几个部分，再用算法进行分析。
他们解释说，研究人员选择的算法是ReliefF，一种“根据他们消除类似样本消除歧义的能力来分配特征的模型”。它的架构使他们能够识别大脑中对分类产生不成比例影响的感兴趣区域。
在向ReliefF提供他们的数据集（来自64个电极，每个电极有27个精心挑选的特征）之后，他们评估了结果。机器学习模型训练了最好的60个功能，设法将接近80％的非诵读困难测试对象与诵读困难的受试者区分开来。仅在10项功能方面接受过培训，它就在大约70％的时间内对诵读困难进行了分类。
论文发现，大脑的左前部分在整体分类中具有更高的重要性。由此可见，阅读障碍和“常规”读者之间的大多数差异都位于左半球。
2.韩国研究人员用神经网络更改图片中的内容
韩国高等科学技术研究院和浦项科技大学的研究人员在摄取大量图像数据后，设计出了机器学习算法，可以实现图像到图像转换系统，即学习从输入图像到输出图像的映射的系统，使使用者可以将图片中的牛仔裤换成裙子，但不影响图片的真实度。
在本月早些时候，Google AI研究人员开发了一种模型，可以通过预测图片中的比例，在存在遮挡、姿势、不同形状等的情况下，实际插入照片中的对象。
研究人员表示，由于生成对抗网络（GAN）的令人印象深刻的进展，无监督的图像到图像翻译已经引起了相当大的关注，对于没有经验的人来说，GAN是由生成样本和鉴别器的生成器组成的两部分神经网络，试图区分生成的样本和现实样本。然而，以前的方法经常在具有挑战性的情况下失败，特别是在图像具有多个目标实例，以及转换任务涉及形状的重大变化。
研究人员的解决方案是一个系统，即InstaGAN，包含多个目标对象的实例信息。在这种情况下，这是对象分割掩模（属于同一对象的像素组），它有用地包含对象的边界，同时忽略诸如颜色之类的细节。
创新之处在于，InstaGAN翻译图像和相应的实例属性集，同时旨在保留背景上下文。 当与允许其在传统硬件上处理大量实例属性的创新技术相结合时，它可以概括为具有许多实例的图像。
研究人员写道，与以前在简单设置中的结果不同，我们关注的是与背景自然渲染的实例的和谐。
研究人员为InstaGAN提供了来自各种数据集的两个类，包括多人解析，MS COCO和服装协同解析。 与CycleGAN（两个图像之间转换的可接受基线）相比，InstaGAN在保持原始上下文的同时更成功地生成目标实例的“合理形状”。
在一个例子中，InstaGAN生成长颈鹿，它令人信服地用绵羊代替。研究人员写道，在不同数据集上的实验已经展示了在多实例变形的挑战性任务中，成功实现图像到图像的转换，包括新的任务，例如，在时尚图像中将牛仔裤翻译成裙子。
3.美国研究人员用强化学习教导四足机器人跨过障碍物
加州大学伯克利分校和谷歌人工智能研究部门Google Brain的科学家近日在发表的一篇论文中，描述了一个人工智能系统，教导一个四足机器人来穿越熟悉和不熟悉的地形。
论文作者表示，深度强化学习可用于自动化控制器的采集，用于一系列机器人任务，实现将感官输入映射到低级别动作的端到端学习策略，如果我们可以直接在现实世界中从头开始学习运动步态，原则上可以获得理想地适应每个机器人甚至个别地形的控制器，可能实现更好的灵活性，能效和稳健性。
挑战是双重的。 强化学习需要大量数据，在某些情况下需要数万个样本才能获得良好的结果。 并且微调机器人系统的超参数，即确定其结构的参数，通常需要多次训练，这可能会随着时间的推移，损坏四足机器人。
作者表示，深度强化学习已被广泛用于学习模拟中的运动策略，甚至将它们转移到现实世界的机器人中，但由于模拟中的差异，这不可避免地导致性能损失，并且需要大量的手动建模。
研究人员选择了一种称为“最大熵RL”的强化学习框架（RL）。 最大熵RL优化学习策略以最大化预期回报和预期熵，或者正在处理的数据中的随机性度量。 在RL中，AI通过从策略中采样动作并接收奖励，不断寻找最佳的行动路径。最大熵RL激励更广泛地探索不同参数，确定熵对奖励的相对重要性，从而确定其随机性。
熵和奖励之间的权衡直接受到奖励函数规模的影响，而奖励函数的规模又影响学习速率，所以通常必须针对每个环境调整缩放因子。研究人员的解决方案是通过两个阶段之间的交替来自动化温度和奖励规模调整：数据收集阶段和优化阶段。
在真实世界的测试中，研究人员将他们的模型应用于四足Minitaur，一个带八个执行器的机器人，机器人带有测量电机角度的电机编码器，以及一个测量方向和角速度的惯性测量单元（IMU）。
他们开发了一个系统，包括（1）计算机工作站，更新神经网络，从Minitaur下载数据，并上传最新政策; （2）机器人上的Nvidia Jetson TX2执行上述策略，收集数据，并通过以太网将数据上传到工作站。 经过两个小时的160,000步后，一个奖励前进速度和惩罚“大角加速度”和俯仰角的算法，他们成功地训练Minitaur在平坦的地形上行走，在木块等障碍物上行走，以及上坡和台阶。
4.日本科学家研究可高效识别不同类型癌细胞的人工智能系统
来自日本大阪大学的科学家们通过研究，揭示了如何通过一种基于人工智能的系统来识别癌症患者机体中存在的特殊细胞类型。研究者指出，这种基于人工智能的系统能通过扫描显微图像并获得比人类判断更高的准确率，来有效识别不同类型的癌细胞。
这种系统基于一种卷积神经网络，卷积神经网络就是一种以人类视觉系统为模型的人工智能模式，这项研究中，研究人员能利用这种人工智能系统有效区分小鼠和人类机体中的癌细胞，同时还能区分出对放疗产生耐受性的癌细胞。研究者Hideshi Ishii说道，我们首先利用从相差显微镜上获得的8000张细胞图像来对这种人工智能系统进行训练，同时利用另外2000张图像来检测该系统的准确性，从而观察是否该系统能够学会图像的特征并有效地将小鼠机体的癌细胞与人类机体的癌细胞相区分，以及将对放疗耐受的细胞与对放疗敏感的细胞相区分。
在创建被该系统获得的二维图谱时，每种细胞类型的结果都会被聚集在一起，同时也能与其它细胞明显分离，研究者表示，当被训练后，该系统就能够根据细胞单独的显微图像来有效识别出不同类型的细胞。研究者Masayasu Toratani说道，这种人工智能系统在识别不同细胞类型上的自动化和高准确率或能用来确定肿瘤中存在的细胞类型或癌症患者机体中循环的癌细胞类型；比如，在决定放疗是否有效时了解是否存在对放疗耐受的细胞是至关重要的，而同样的方法也适用于患者治疗后，来观察其治疗是否达到了预期的效果。
未来，研究人员希望能训练这种人工智能系统识别出更多的癌细胞类型，最终建立一种通用全面性的系统，来帮助科学家们自动高效化地识别不同类型的癌细胞。
三．前沿技术公司新动向
在这个栏目里，我们来看看国内外公司在前沿技术工程化、产品化、商业化过程中的新进展。
1.亚马逊Alexa语音应用程序数量大幅增长
亚马逊Alexa开发平台的语音应用程序数量大幅增长，使其技能不断增多。根据Voicebot发布的最新数据，亚太地区的亚马逊Alexa技能数量在2018年翻了一番多，而Alexa在英国和德国的技能数量分别增长了233％和152％。
Voicebot表示，亚马逊今年开始在美国拥有25,784个Alexa技能，到2018年底技能增长到56,750个。 这意味着120％的增长率，低于去年同期的266％，但仍显示开发商对Alexa平台的持续兴趣。
按照这种增长速度，这意味着开发人员在2018年每天平均发布约85种技能。
该公司还指出，对于第三方技能的增长是否重要存在争议，因为其中许多技术实际上是不可见的，最终用户从未发现或大量安装这些程序。
亚马逊最近也发布了Alexa“顶级”技能的年终清单，这些技能是根据客户评价、参与度、创新等多种因素选出的。许多顶级技能都是游戏。非游戏技能专注于日常习惯、健康。
2.华为率先完成5G核心网安全技术测试
1月3日，IMT-2020(5G)推进组（5G推进组）组织发布消息称：由5G推进组组织的中国5G技术研发试验第三阶段测试中，华为率先于2018年12月27日以100%通过率完成5G核心网安全技术测试。
3.谷歌获批部署可进行虚拟触控的Soli传感器
据路透社1月2日援引FCC（美国联邦通信委员会）消息，该委员会在周一晚些时候的一项命令中表示，将允许谷歌部署一款基于雷达的动作感应设备。据悉，该Soli传感器使用雷达波束来捕获三维空间中的运动，从而实现无触摸控制，能够使移动或语音障碍的用户受益。该传感器也可以在飞机上运行。美国联邦通信委员会表示，该决定“将通过使用非接触式手势技术提供创新的设备控制功能来满足公众利益。”对此，谷歌方面表示不予置评。
Soli项目于2015年提出，目标是在芯片上构建一个微型雷达系统，可用于检测设备上方的手势。 Soli目前只处于试验阶段，但谷歌通常会将Soli作为智能手表、扬声器、媒体播放器和智能手机的概念控制方案。通常所显示的手势是将拇指和食指轻敲在一起以进行虚拟按钮按压或将两个手指摩擦在一起以滚动或转动拨盘。对于像智能手表这样的小型设备来说，这个想法最有意义，因为智能手表不一定具有可观的触摸屏和大量按钮的空间。 它还可以为行动不便的用户带来好处。
4.Waymo受到部分人士抵制
谷歌旗下的自动驾驶技术公司Waymo一直是自动驾驶领域的一面旗帜，可以说是集赞誉和抵制于一身。最近，据《纽约时报》报道，Waymo无人驾驶汽车在过去两年中经历了近二十二次来自愤怒的当地人的袭击，包括轮胎掠夺和投掷石块。37岁的袭击者埃里克·奥波尔卡表示，多次尝试驾驶车辆干扰Waymo车辆，包括正面朝Waymo车辆行驶。奥波尔卡表示，他们反对Waymo，因为该公司的一辆车几乎撞到了他10岁的儿子，当时他的儿子正在一条死胡同里玩耍。
5.力拓公司自动货运列车网络全面投入运营
矿业公司力拓公司宣布，其位于西澳大利亚的AutoHaul自动列车系统，自2018年7月起已运行超过100万公里（620,000英里）。列车系统为14个矿井提供四个港口码头。 列车系统用了十年的时间来建设，并花费13亿澳元（9.16亿美元）来实施。火车由位于珀斯1,500公里（932米）外的雇员远程监控。
根据矿业公司的说法，自动驾驶列车确保前方轨道清晰，并监控内部系统，检查车轮或耦合器是否有故障，如果出现问题，就将列车停下来。
自动列车系统将使力拓减少铁矿石运输中司机的来回奔波。在自动驾驶系统运行之前，采矿公司每年运送火车司机150万公里。这些列车的平均返回距离约为800公里，平均行程周期，包括装载和倾卸，大约需要40个小时。
列车还能够“通过消除由人类驾驶员引起的加速度和制动变化”来快速运行6％。力拓预计其AutoHaul系统将使该地区的铁矿石产能增加2000万吨。
四．前沿技术领域投融资
来看一下最近国内外比较有代表性和创新性的前沿技术公司的投融资情况。
1.AI传感器厂商驭光科技完成亿元融资
三维传感系统供应商驭光科技已于近日完成新一轮亿元融资。本轮融资由清控银杏领投，凯辉汽车、联想创投、启迪之星创投、中关村启航基金及老股东顺为资本、BV百度风投等跟投。
三维传感系统是各类智能设备的“眼睛”，系人工智能的核心传感器，在安防监控、消费电子、车载感知、以及工业检测领域都有广泛的应用。iPhone X的Face ID人脸识别功能，便是基于三维传统系统。也因此，苹果公司曾于2013年，收购结构光三维传统器公司PrimeSense。
本轮融资后，驭光科技将继续扩大在三维传感领域的投入，尤其是微纳光学器件和深度算法这两个“高性能”和“强定制”的支柱。
与此同时，驭光科技将加强核心微纳光学器件在手机以及其他领域的量产，加强三维传感系统在消费电子、安防监控、和车载系统等领域的落地，并增强其在光学芯片和传感系统领域的研发和技术壁垒。
公开资料显示，驭光科技成立于2016年。此前已完成两轮融资：2016年完成由真格基金和联想之星领投的天使轮融资；2017年，获得由顺为资本和百度风投领投的千万级美元的A轮融资。
2.红杉中国战略投资远景AESC动力电池项目
智能物联企业远景集团与红杉资本中国基金签署战略合作协议，红杉中国将战略投资远景AESC动力电池项目，支持远景在动力电池领域的产能落地，共同搭建电池产业链的生态体系。
2018年8月，远景收购日产汽车旗下AESC电池业务后，已宣布在无锡建设世界先进的NCM811电池生产线，计划产能规模将达到20GWh，生产高安全性、高能量密度、高耐久性的动力电池，产能将规模达到20GWh。
3.声智科技完成2亿人民币B轮融资
声智科技已于近期完成2亿人民币B轮融资，本轮投资由毅达资本领投，峰瑞资本、正居资本、中关村银行、InnoVen Capital跟投。
声智科技成立于2016年4月，其核心团队来自于中国科学院，公司聚焦声学技术、人工智能交互领域。声智科技主要提供基于SoundAI Azero的智能交互系统和服务，以及包括芯片、模组、开发板和整机产品的智能交互解决方案。
声智科技研发了融合远场语音交互和远场实时通话技术的智能交互系统SoundAI Azero，并拥有智能声学传感、远场声学处理（回声抵消、噪声抑制、声源定位、混响消除、波束形成等）、远场语音唤醒、远场声纹识别、远场语音识别、远场双工通话、场景语义理解、自然语音合成、超远场声学监控、局部场语音识别、分布场语音交互、深度学习与小样本学习、声学芯片设计等自主核心技术。
目前，声智科技自主研发的融合远场语音交互和远场实时通话技术的智能交互系统SoundAI Azero已落地于智能家居、智能汽车、智能安防、智能金融、智能教育、智能医疗、智能法院、智能交通和机器人等行业。
4.商汤科技领投教育机器人公司物灵科技A轮
融资机器商汤科技也在通过投资做大生态。最近物灵科技宣布即将完成A轮融资，此轮融资由商汤科技领投。
物灵科技是一个生活服务类机器人研发商，基于计算机视觉和自然语言理解，提供包括面向家庭使用的社交机器人Jibo，家庭助理机器人Wavebot，以及专为儿童准备的寓教于乐的机器人玩伴等产品，目前已上线三款绘本阅读机器人Luka、Luka Hero 和 Luka Baby。截至2018年7月，Luka总销量已超过10万台。
5.谷歌旗下生命科学部门Verily获10亿美元融资
近日，谷歌母公司Alphabet旗下的生命科学部门Verily在新一轮融资中获得10亿美元资金，领投方为融资由私募股权公司银湖资本（Silver Lake），安大略教师养老金计划及其他多家全球投资管理公司也参与了投资。Alphabet首席财务官鲁斯·波拉特将与银湖资本的伊根·德班一起加入Verily董事会。
Verily的前身为谷歌生命科学，从糖尿病管理到手术机器人等领域，有比较广泛的研究，如曾发布研究成果，用AI检测心脏病，还曾发布健康跟踪智能手表。Verily在医疗和生命健康这一块拥有多个合作伙伴关系。公司提供技术人才，而其在医疗健康领域的同行则带来临床研究和监管方面的专业知识。公司的合作伙伴包括强生、戴克斯康姆与沃尔格林等知名公司。Verily曾与知名的糖尿病制药商法国赛诺菲（Sanofi）合资成立一家新公司Onduo，共同研发针对2型糖尿病产品。
除此之外，本周前沿技术领域的投融资事件还有以下一些：
五．专家观点
本周内，前沿技术领域的大咖们有哪些高论呢？
吴恩达：希望2019年小数据和机器视觉领域能有新进展
前百度首席科学家吴恩达对 2019 年AI领域有如下预测：AI 最大的待开发潜力在软件行业之外，在行业中，我们已经帮助谷歌、百度、Facebook、微软等企业做了很多工作，而 Square、Airbnb、Pinterest 这样的公司也开始利用 AI。我认为下一波创造价值的浪潮将出现在制造业公司、农业设备公司或医疗企业，这些企业可能会利用 AI 来开发多项解决方案帮助其发展业务。
对于 2019 年，吴恩达希望看到 AI/ML 研究中两个特定领域的进展。一个是 AI 能在数据量少的情况下获得较高的准确率，即few shot learning。深度学习发展的第一波浪潮是拥有海量数据的大公司训练非常大的神经网络。如果你想要构建语音识别系统，在 10 万小时的数据上进行训练。想要训练机器翻译系统的话，就在大量平行语料库的句对上进行训练，从而创造出大量突破性的结果。现在看到在小数据集上出现越来越多的成果，即使你只有 1000 张图像，你也可以尝试做出点什么。
另一个是计算机视觉领域的进展，即generalized visibility。一个计算机视觉系统可能在使用斯坦福大学的高端 X 光机拍摄图像时效果很好。很多该领域的先进企业和研究人员已经创造出超过人类放射科医生的系统，但它们并不是很灵活。但是如果你将训练好的模型应用到低端 X 光机或不同医院拍摄的 X 光片上（图像比较模糊，或者角度有偏差），那么人类放射科医生的表现会比现在的学习算法泛化性能好得多。因此有趣的研究是尝试改善学习算法在新场景中的泛化性。
腾讯优图吴永坚：深度学习平台从单机到多机趋势明显
关于AI技术同质化的问题，腾讯优图实验室总监吴永坚在最近的一次活动上表示，当前说不上是技术同质化，技术差异化不只体现在竞赛榜单上，算法差异可能没有本质区别，但当数据规模增大，算法实力的差距也会体现出来。另外，工程交付的效率、方案的完整度等相互配合，也会拉大实力的差距。
吴永坚认为，深度学习平台呈现从单机到多机的趋势，随着数据越来越庞大，需要多机之间的整合，在量化方面，深度学习需要更少的比特位数来表达信息，剪枝、压缩也是技术领域很明确的趋势。他还提到，边缘计算加云端是一大趋势，但随着从4G过渡到5G，网络量级将有很大提升，为云端计算的传输等带来更多优化，未来硬件底层可能有多种方案。
腾讯优图实验室总监任博在同一场合表示，看到深度学习几个方向开始相互交叉，比较明显的特点是NLP领域的技术进步更快，因此可能在NLP技术上要给予更多的关注。另外，过去如GAN等技术的理念很好，但实用性较差，今年的技术实用性明显得到很大改善，很可能明年GAN在应用结合方面会有很多创新。GCN研究也很有意义，任博预测这项研究在2019年会火。
任博还谈到了数据问题，现在一些容易获得数据的场景已经被广泛布局，但对于余下场景来说，可能收集数据本身就是一大难题。因此，如何减少对数据的依赖，使之在数据缺失的场景有更多的应用，是非常有意义的事情。
除此之外，任博认为现在的AI算法被预期过高，它的通用性和标准性没那么强，需要根据客户需求进行改善和优化。
李彦宏：AI可能让手机退出历史舞台
1月1日晚，在央视2019元旦晚会上，百度创始人李彦宏表示，人工智能将会逐渐替代手机满足人们的需求，在很多情况下，手机将不再被需要。因为人工智能技术的发展，会使得在人们在生活和工作的各类场景里遍布传感器，它们可以很好地感知人类的需求。
六．前沿知识点
前沿知识点栏目每周为读者解析一个前沿技术领域的名词。本周为大家解读数字孪生的概念。
数字孪生
时下腾讯和百度等公司都在寻求新增长点的时候，提出了toB战略，服务工业互联网，这使得数字孪生等工业互联网领域的技术再次受到人们的关注。
所谓数字孪生，就是把产品物理实体在信息空间中集成出仿真模型所达成的数字孪生体，以及利用数字孪生体实现产品生命周期档案化管理的相关技术。
说白了，就是把一个实体产品在虚拟空间里建立一个完整的映射，模拟实体产品的运行，将一些实体产品的研发、测试（如碰撞）等，在虚拟空间中完成，从而降低实体产品的运行成本。
数字孪生实际上是多个技术的集合，包括工业仿真、传感系统、大数据、沉浸技术、虚拟现实、物联网数据可视化技术等。
2002年，密歇根大学教授Dr. Michael Grieves第一次公开提到数字孪生概念，理念听上去具有非凡的意义，但这么多年来，一直被看好，却还从未在工业界发挥应有的作用。
究其原因，能够完整全能勾勒出一个产品的虚拟映射，把所有表征都模拟出来，是非常困难的。而且实体产品往往处在一个复杂环境中，环境对产品运行产品重要影响，而这个环境却很难模拟。例如汽车，很难模拟出复杂多变的路面情况，来增强汽车的设计。
随着技术的演进，数字孪生正在变得可行。云服务商和企业数字化服务商，基于数据采集，可以提供数据层面的系统孪生服务。而机器学习算法则有望充分发掘各个环节的工业数据的价值，为很多以往的难题来提供解决方案，如预测能耗与废料，预测受损点与检修时间等。
评论