雲計算

摘要 是的，你没有看错！云助手RunCommand API发布，执行云助手命令从需要先创建命令（CreateCommand）再执行命令（InvokeCommand）的“二点灵”时代，进入了只需一次RunCommand的“一点灵”时代。 背景 用户在使用云助手的时候，经常会遇到以下场景。 场景一 用户：我要通过云助手去部署环境，命令无法复用，必须每次都要创建一个新的命令么？我：是的。需要先创建一条云助手命令，再执行这条云助手命令。用户：这么麻烦。。。 场景二 用户：我通过OpenAPI调用云助手，执行结果为乱码，为什么？？？我：请确认输入的命令是否经过Base64编码，如果没有经过Base64编码的命令内容，云助手无法解析哦。用户：不支持直接明文传递命令内容吗？我：暂时不支持。用户：。。。 场景三 用户：我的命令数量超过了quota，无法创建新的命令，影响了我的线上服务，怎么办？？？我：亲，这边建议把不用的命令清理一下哦。用户：？？？ 这些场景给用户使用云助手带来了极大的不便和困扰，RunCommand的引入将有效缓解以上问题。 功能介绍 行云流水的执行流程 统计发现，超过80%的云助手命令在创建后只执行了一次，所以先创建命令、再去执行命令的方式，不仅使云助手的执行流程异常繁琐，也极大的提高了用户管理云助手命令的成本。 通过调用RunCommand，用户传入必要信息，如命令内容、目标实例ID等，即可创建并执行一条命令。当命令执行完毕、手动停止或执行失败后，命令会被自动清除，不占用用户创建命令的quota。RunCommand淡化“命令”，强调“执行”，每次RunCommand即是一次执行，可以通过DescribeInvocations和DescribeInvocationResults返回执行的结果。用户不需要关心“命令”的概念，命令执行完成后即被删除，通过DescribeCommands查询也不会返回该命令。我们希望用户能够更加简单的执行云助手命令，下图显示了云助手执行命令流程的变化：两步并为一步，而且不必担心创建命令超过限额。 “一招鲜”的通用接口 RunCommand的定位，是提供一个全新的接口，覆盖掉原有逻辑中不合理的部分，所以RunCommand完全覆盖了CreateCommand的全部功能，包括命令支持自定义参数等。也就是说，今后可以用RunCommand完全代替CreateCommand去创建和执行命令。如果在执行RunCommand时，指定KeepCommand参数为true，则会在此次执行之后仍然保留命令。后续仍可以通过命令ID去执行该命令，行为上完全与CreateCommand创建的命令相同。 DefaultProfile profile […]

一、背景 – 边缘智能 人工智能（Artificial intelligence）的迅速发展正在改变世界。以深度学习（Deep learning）为驱动力和代表的第三波AI浪潮，正在变革和赋能金融、制造、农业、交通、医疗、零售、教育等众多行业，同时也极大地影响着我们每个人的生活。当前，在移动设备上各种新的AI应用场景正在不断涌现。大量新的需求对端上的智能能力提出了新的挑战，也带来了新的机遇。今天，得益于AI技术的巨大突破与进步，我们可以与设备像人一样通过语音、手势等方式沟通，扫一下人脸即可确定身份进行支付，穿戴式设备可分析健康状况并给出建议，系统可以根据用户的使用习惯自动优化，汽车会检测识别周围环境给出指引或者自动驾驶。这样的应用还有许许多多。所有这些，背后都离不开AI的助力。 过去几年将智能计算放于云上的方式被广泛采用，即智能强依赖云端。这几年随着移动设备硬件能力飞速提升及智能需求井喷，边缘计算开始兴起。机器学习模型在服务器上训练好后可以被部署到端设备上，执行过程不依赖云端，从而很大程度地改善了用户体验。在不侵犯隐私的前提下，使用过程中产生的数据又可以帮助改善模型的效果，最终构成一个良性的智能闭环。总得来说，端上智能具有以下优点： 降低延迟：避免了与服务器沟通所带来的延迟，可以保证实时性。这在像ADAS等对实时性要求极高的场景下尤为重要，因为如果慢一些可能人就已经凉了。 不依赖网络：计算在本地完成，因此不受网络质量影响。像手机、车等移动设备因环境变化往往不能保证网络一直高质量可用。 保护隐私：数据不需要离开设备。对于像聊天记录、照片等隐私信息能得到充分地保护。 个性化：可以根据个体用户的特性和习惯进行适配，做到千人千面，提高用户粘度。 成本可伸缩性：计算如果放在服务器端，服务器的成本可能会随着用户的增长而同比增长。如果放在移动端上计算则不会有这个问题。 也正是由于边缘智能计算具备这些优点，使它成为业界的热点。但是，在带来机遇的同时，它也带来了巨大的挑战。这些挑战主要来源于边缘设备的资源限制，如计算速度、存储与功耗等。 二、基本问题 – 算力之殇 在过去几年里，深度学习在视觉、自然语言处理、语音识别、推荐、智能控制等领域获得了许多重大的突破，并在很多的专项上超越了人类水平。我们知道，深度学习有三大基石：数据、算法和算力。大数据的兴起为AI提供了契机，深度学习的主要优势之一就是能基于大量数据进行学习。算法则提供了处理数据和从数据中进行学习的有效方法。而要对大量数据和复杂的网络进行计算，需要强大算力的支撑。而某种意义上来说它们之间有一些互补关系。如随着近几年AutoML的火热，人们发现让机器搜索网络架构可以找到比人工设计更优的方案。Google的大神Jeff Dean（对，就是编译器从不给他警告，只有他给编译器警告的那位）就曾经表示：未来谷歌可能会用100倍的计算能力，取代机器学习专业知识。换句话说，如果拥有足够的算力，可以替代很大部分算法设计。 这就引出一个问题，多少的算力是足够的？这个问题估计谁也没法给出一个准确的答案，但我们可以通过一些数据侧面感受下。OpenAI发布的分析表明：自2012年，也就是深度学习爆发以来，人工智能训练任务中使用的算力呈指数级增长，其目前速度为每3.5个月翻一倍。相比之下，摩尔定律中芯片性能翻倍的速度是18个月。2012年来人们对于算力的需求增长了超过30万倍。另外，随之而来的能耗和成本问题也不容小视。据美国马萨诸塞大学研究人员表示，训练一个经典的Transformer网络，碳排放180吨，相当于把三辆汽车从全新用到报废。当然，这里是训练时所需的算力，移动端上因为大多只需要推理，其算力需求会小得多。我们以比较热门的自动驾驶来举例。自动驾驶汽车为了完成周围环境的感知，需要处理从camera、radar、LIDAR等一系列传感器来的数据。Intel CEO

点击查看第二章点击查看第三章金融科技：人工智能与机器学习卷 刘　斌　赵云德　著 第1章 金融变革新时代 从原子到比特：金融契约的演变 在人类漫长的演变过程中，金融的出现对人类文明的发展和整个社会的进步起到了至关重要的作用。可以毫不夸张地说，整个人类文明史就是一部金融史，人类最早的文字就是为了记录人们的金融交易而发明的，人类最早的写作行为就是古代西亚地区的人们为了记录金融契约而发明的，人类社会第一个有关时间和风险的复杂模型也和金融紧密相关。在人类历史上的金融变迁过程中，最关键的是记录各种交易信息的金融契约形式和内容的演变历程。这些金融契约的作用就是把交易相关的协议或合约记录下来。人类历史上记录金融契约的载体包括陶片、有刻痕的木棍和木块、密封的羊皮纸、印制的纸张，以及今天的电子文档。目前已知的人类历史上最早的金融契约是出现在距今3000多年前的美索不达米亚的贷款合约，这些贷款合约登记了借款人的姓名，以及他们所欠大麦的数量，如图1-1所示。 后来，在伊拉克发现的布拉（bulla，陶土球）记录了公元前8世纪的农业交易，如图1-2所示。这种布拉是一种空心陶土球，在布拉表面，合同各方可以写下金融契约的责权细节—包括支付金额、时间等。布拉的内侧则刻有代表交易的符记。陶土球外侧的文字和内侧的符记彼此相互验证。中国古代最早用青铜器来记录交易活动。1975年宝鸡市发现了一处周代的青铜器窖藏，其中的卫盉是周恭王时期铸造的盛酒器，该器盖内有铭文132个字，记述了裘卫与贵族矩伯进行土地交换的全过程，如图1-3所示。因为交换涉及土地转让，裘卫将此事向伯邑父、崇伯、定伯等执政大臣报告，由三有司（司徒、司马、司空）出息公证，主持田地移交仪式。裘卫为了将此事告诉其已经逝世的父亲，便制作了这个青铜器，祈求上苍和先祖保佑子孙能万年永远享用。在中国古代则用竹片、木简片来记载金融交易活动。《战国策·齐策》中记载战国时期孟尝君担任齐国相国时，问门下诸客：“谁习计会，能为文收责于薛者乎？” 冯谖署曰：“能！”孟尝君怪之，曰：“此谁也？”左右曰：“乃歌夫长铗归来者也。”孟尝君笑曰：“客果有能也，吾负之，未尝见也。”请而见之，谢曰：“文倦于事，愦于忧，而性懧愚，沉于国家之事，开罪于先生。先生不羞，乃有意欲为收责于薛乎？”冯谖曰：“愿之。”于是，约车治装，载券契而行。大意是孟尝君问门下门客谁能去薛地收债，其中一个叫冯谖的门客答应前往，并载券契而行，此处的券契就是当时记录借贷活动的金融契约，主要记录在竹片或木简片上，上面记载有放债的款项、利率，以及债权债务人双方的签字等。 中国历史上发明的造纸术则推动了金融契约的革命性进步，此后纸张成为记录金融交易契约的主要载体并流传于世。在我国新疆地区发现的魏晋至唐后期的契约中，我们可以看到很多古代以纸张为载体的金融契约。此外在甘肃敦煌也发现了大量唐宋时期的契约，1960年出版的《敦煌资料》第一辑主要就是关于契约，共120余件，分为买卖、典租、雇佣、借贷和其他契约、文书5个部分。金融契约向纸质载体演变以后，金融契约的类型、内容和形式都得到了极大的丰富，在金融的发展演变过程中发挥了重要作用。1946年，世界上第一台电子数字式计算机在美国宾夕法尼亚大学正式投入运行，这台计算机的名字叫ENIAC，如图1-4所示。电子计算机的出现代表着人类正式从工业时代进入信息时代，相应地人类记录金融交易活动的各种金融契约也从原子时代进入比特时代。此后计算机的出现带来的互联网发展浪潮彻底改变了人们生活的各个方面，尤其是金融，人类第一台计算机改进后的最早使用者是保诚保险公司，1948年美国银行开始使用IBM604型计算机。这一切还只是开始，当金融契约进入比特时代之后，金融业面临的巨大变革才刚刚拉开序幕。 引爆点来临：互联网引发金融数字化 计算机的发明是人类历史上的又一次飞跃，计算机在人类历史上的地位绝不亚于文字、货币、蒸汽机等这些重大发明，计算机应用的普及以及和现代通信技术的结合，推动了互联网技术的发展和移动互联网应用的普及，互联网向各个传统行业的渗透和普及真正带领人类进入了数字时代。在数字时代，人们生活的各个方面都可以在互联网上留下足迹，由此产生了大量的数据。IBM研究显示，目前人类每天产生的数据已经达到大约2.5艾（quintillion，10的18次方）字节，这意味着实际上90%的数据是在过去两年产生的。截至2017年6月，全球移动用户数达到77.2亿，手机超越电脑成为第一大上网终端。移动互联网发展推动脸书、推特、微信等社交媒体快速扩张，截至2017年6月，全球社交媒体活跃用户总数约为30.28亿，移动端活跃用户约为27.8亿。据IDC预测，2025年全球数据量将达到163ZB，比2016年创造出的数据量增加10倍；全球每天每个人与联网设备互动的次数近4800次，平均每18秒产生一次互动；全球数据的数据分析总量将增至5.2ZB，是原来的50倍。人类产生的数据量正以不可思议的速度增长，物联网、自动驾驶汽车、社交媒体、智能家居设备、可穿戴设备等将产生大量有价值的数据，这些数据将成为未来人类社会的重要基础资产。中国互联网经济的发展在过去二十年取得了非常明显的成就。一方面，网民数量规模位居全球首位，截至2017年12月，我国网民规模达7.72亿，超过美国和欧洲网民总和，网络普及率达到55.8%，超过全球平均水平（51.7%）4.1个百分点，超过亚洲平均水平（46.7%）9.1个百分点，如图1-5所示。 中国互联网经济的快速发展催生了百度、阿里巴巴、腾讯、搜狗等一大批互联网企业和平台，每天中国的网民通过这些平台产生大量的数据。微信数据报告显示，2017年9月微信日平均登录次数达9亿次，日发送消息次数达380亿次，语音次数为61亿次；百度积累了万亿量级的互联网网页数据，支持千亿级样本和参数，每天响应几十亿次搜索请求。百度拥有超过60亿的日搜索量，14款亿级用户APP和超过10亿的移动设备，可在底层建立10亿身份要素、数十亿全网设备数据、上千亿全网行为数据，拥有覆盖95%以上的中国网民的大数据能力。搜狗输入法日活用户达到3.3亿，日均语音请求量峰值超过3亿次。中国人每天通过搜狗输入法产生的中文输入达到900亿次。在2017年的双十一活动中，淘宝就产生了大量的数据，销售额达到2539亿，产生包裹13.8亿个，每秒处理交易25.6万笔。可以说，在过去近三十年里，除了改革开放带来的巨大经济成就，我们还搭上了互联网这趟高速列车，产生了一批在国际上具有影响力的互联网平台，加上我国庞大的互联网网民数量和完善的基础设施，产生了大量有价值的数据、音频、视频、图像、文字等数据，为我国大数据产业和人工智能技术的应用发展提供了基础。金融业在利用信息技术、拥抱互联网方面也是非常积极的，同时信息技术和互联网的发展也深刻影响着金融业。麦肯锡全球研究院的研究显示，中国已经成为消费驱动型数字经济的全球领导者。麦肯锡“中国行业数字化指数”揭示了中国存在着五类数字化水平相近的产业集群。在中国，信息和通信技术（ICT）、媒体和金融（产业集群1）等行业的数字化程度最高，如图1-6所示。 另一方面，随着金融业数字化水平的提高，金融机构在开展业务过程中积累了海量的高价值数据，其中包括客户身份、资产负债情况、资金收付交易等。以银行业为例，其数据强度高居各行业之首—银行业每创收100万美元，平均就会产生820GB的数据（波士顿咨询），如图1-7所示。截至“十二五”期末，主要银行业金融机构的网上银行、手机银行账户数达到21.6亿户，主要电子交易笔数替代率平均达到72.1%，累计发行金融IC卡21.1亿张。 因此，总体来看，随着信息技术的发展和互联网经济逐渐向传统产业渗透，我国凭借人口红利和良好的信息基础设施在数字经济时代占据领先优势，在微信、微博、淘宝、百度、搜狗等互联网平台上产生了海量的数据，这些海量数据都为人工智能技术的应用和发展创造了条件。同时，金融业在应用信息技术和数字化转型方面引领传统行业，并且金融业与数据有着天然的联系，我们的交易、转账、消费、购买等行为都会在金融机构后台留下数据，这也为金融业应用大数据和人工智能技术提供了有价值的海量数据。所以，在互联网经济的冲击下，传统经济逐渐向互联网经济转型，金融机构的业务也在从线下转到线上，业务流程也在向数字化转型，这一切都为金融大变革埋下了伏笔。 新兴技术融合：开启金融大变革时代 互联网时代的到来引发了一系列的技术革命，移动互联网、大数据、云计算、物联网、无人驾驶、可穿戴设备、人工智能、区块链等新兴技术的加快融合引领人类社会进入了数字革命时代。世界经济论坛创始人施瓦布在《第四次工业革命》一书中写道，“这次革命刚刚开始，正在彻底颠覆我们的生活、工作和互相关联的方式。无论规模、广度还是复杂程度，第四次工业革命都与人类过去经历的变革截然不同。”第四次工业革命最显著的特点就是多种新兴技术的融合对传统行业带来的变革，而金融业则首当其冲，移动互联网、大数据、云计算、人工智能和区块链等新兴技术的不断融合催生了金融科技的崛起，对传统金融业形成了革命性冲击，也开启了金融大变革时代的大幕。计算机和互联网在一开始就首先对银行业带来了冲击。互联网以其低成本、广覆盖和传播广泛的优势率先在银行业得到了应用，1994年4月，全球第一家通过互联网提供银行服务的银行—美国安全第一网络银行（SFNB，Security First Network Bank）成立。此后，1995年10月美国第一联合国家银行在互联网上开展业务。1996年2月，中国银行开始通过互联网提供银行服务信息。招商银行在1997年推出网上银行—“一网通”，建立起由企业银行、个人银行、网上证券、网上商城、网上支付组成的全方位金融服务体系。此后经过近20年的发展，互联网对金融业的颠覆和冲击进一步显现，PayPal、蚂蚁金服、京东金融、陆金所等新型互联网金融模式的陆续出现将互联网金融带向高潮，也引发了以P2P、股权众筹等互联网金融模式的爆发式增长。2017年，我国网络借贷行业成交量达到了28048.49亿元，网络借贷行业历史累计成交量突破6万亿大关。云计算的出现以全新的计算资源交付和使用方式作为出发点，从根本上颠覆了传统的信息技术，并对传统的金融信息基础设施带来颠覆性的影响，并进而影响金融机构内部资源配置和组织模式。云计算在金融领域的应用主要以金融云的形式出现，金融云通过提供科技支撑，使中小微金融机构更专注于金融业的创新发展，实现集约化、规模化与专业化发展，促进金融业务与信息科技的融合。在中国云计算市场中，阿里云市场优势明显，根据IDC报告显示，2017年上半年阿里云在中国公共云市场占有率为47.6%，为市场追随者的总和，也是市场第二位腾讯云的5倍。同时，根据计世资讯发布的研究报告，2016年中国金融云市场整体规模为43.4亿元，其中IaaS（基础设施即服务）市场占有率中，华为、云宏、九州云等厂商位居前列。在金融云PaaS（平台即服务）市场上，Red Hat

点击查看第一章点击查看第二章 第3章 智能金融的驱动因素互联网经济的发展和普及提升了金融信息化水平，云计算和大数据的应用强化了金融业务自动化水平，人工智能和金融的深度融合则引领了智能金融的发展。对于智能金融是什么，目前国内还没有达成一致意见，埃森哲和百度联合发布的《智能金融行业报告》则认为智能金融是以人工智能为代表的新技术与金融服务深度融合的产物，它依托于无处不在的数据信息和不断增强的计算模型，提前洞察并实时满足客户各类金融需求，真正做到以客户为中心，重塑金融价值链和金融生态。亿欧智库发布的《2017中国智能金融产业研究报告》认为智能金融是人工智能技术与金融服务和产品的动态融合。目前，人们对智能金融的发展已经形成一定共识，智能金融是人工智能技术和金融业务、金融产品、金融流程、金融监管等深度融合形成的新型金融运作模式，在一定程度上改变了传统金融业务的运作模式，对金融机构组织模式、金融细分业态、金融产品、金融业务流程等都会带来冲击和影响。人工智能目前已经广泛应用于金融各个领域，对金融产品和金融服务产生重大影响和冲击，优化了金融业务流程，更重要的是人工智能的应用已经对整个金融价值链和金融生态带来影响。智能金融的发展得益于我国经济发展尤其是互联网经济的快速发展，还得益于我国政策的大力支持，同时我国高科技产业的快速发展推动了云计算、大数据以及人工智能技术的发展，更重要的是我国人民群众对金融服务和产品的深层次需求要求金融业要加快新兴技术应用发展智能金融。所以，我们可以从宏观要素层面、政策支持层面、新兴技术发展层面、金融需求层面以及监管层面来分析智能金融的发展。 宏观层面 经济发展和人均收入增加我国改革开放40年来，经济发展取得举世瞩目的成就，截至2017年，我国国内生产总值达到82.7万亿人民币（12.88万亿美元，如图3-1所示），位列全球第二大经济体，仅次于美国。我国人均GDP水平也快速提高，2017年人均GDP达到8892万美元，达到中等发达国家水平。我国经济发展取得的历史性成就大大提高了我国整体竞争力，经济的发展不仅提高了国民生活水平，也带动了科技、文化、娱乐、消费等各个领域的发展，从而为互联网经济发展乃至互联网金融向智能金融迈进奠定了坚实的基础。 互联网经济的发展中国互联网经济的快速发展也是智能金融发展的重要推动力。中国目前已经成为全球公认的数字化大国，尽管中国行业数字化水平与美国还有较大差距（2016年美国行业数字化水平是中国的3.7倍，2013年是4.9倍），但差距在逐步缩小。截至2017年12月，我国境内外上市互联网企业数量达到102家，总体市值为8.97万亿人民币。其中腾讯、阿里巴巴和百度公司的市值之和占总体市值的73.9%。以BAT（百度、阿里巴巴和腾讯）为代表的中国互联网企业已经在全球形成较强的品牌影响力，并建立了丰富的数字化生态圈。阿里巴巴的支付宝、腾讯的微信等“超级APP”为消费者提供了教育、健康、信息服务、娱乐、电子商务、社交互动等多个领域的一站式购物。中国领先的初创企业有五分之一由BAT或前BAT员工创立，另外还有30%的企业获得过BAT的投资。2017年全球互联网公司市值前20名中，中国有7家公司上榜，分别是腾讯、阿里巴巴、百度、蚂蚁金服、小米、京东和滴滴。2018年3月23日，中国科技部发布《2017年中国独角兽企业发展报告》，公布了全国164家估值超过10亿美元未上市的独角兽企业，其中蚂蚁金服以750亿美元位列第一，互联网金融企业为21家（如表3-1所示），占总数的12.8%，互联网金融企业总估值为1592.7亿美元，占比为25%。互联网群体呈年轻化趋势截至2017年12月，中国互联网网民数量达到7.72亿，全年共计新增网民4074万人。 中国拥有7.53亿的移动互联网用户，移动互联网用户比重由2016年的95.1%提升至97.5%，远超欧盟和美国。我国网络购物用户规模达到5.33亿，占网民总体的69.1%，手机网络购物用户规模达到5.06亿，使用网上支付的用户规模达到5.31亿，手机支付用户规模达到5.27亿。从年龄结构看，截至2017年12月，我国网民以10~39岁群体为主，占整体网民的73.0%，其中20~29岁年龄段的网民占比最高，达30%，如图3-2所示。 从月收入结构看，月收入在中高等水平的网民群体占比最高。截至2017年12月，月收入在2001～3000元、3001～5000元的群体占比分别为16.6%和22.4%，如图3-3所示。 政策支持层面 近年来，在全球范围内人工智能都受到了各个国家的高度重视，其中中国和美国在推动人工智能发展和应用方面都制定了一系列的支持政策。中美两国都把人工智能当做未来重要的主导战略，在顶层设计方面高度重视，并且都是从国家战略层面整体推进。2016 年5 月，白宫成立人工智能和机器学习委员会，协调美国各界在人工智能领域的行动，探讨制定人工智能相关政策和法律；同年10 月，奥巴马政府时期总统办公室发布《为人工智能的未来做好准备》（Preparing for the Future of ArtificialIntelligence）和《美国国家人工智能研究与发展策略规划》（National Artificial IntelligenceResearch

2019年，一个界于SaaS和 PaaS之间的应用平台——PaaS平台的子形式APaaS平台（应用平台即服务，Application Platform as a Service）开始热度上升。它的出现并逐渐成熟，伴随着产业信息化阶段的到来，被业界认为将带来一波全新的浪潮，预示着中国云计算信息技术应用的大规模定制时代来临。 什么是大规模定制？ 大规模定制最早源于制造业。其基本思想是通过对产品结构和制造流程的重构，运用现代化信息技术等，把产品的定制生产问题全部或者部分转化为批量生产，以大规模生产的成本和速度，为客户提供定制化的任意数量的产品。大规模定制的一个核心实现方法，是基于产品零部件和产品结构的相似性、通用性，在利用标准化模块化等方法降低产品的内部多样性的同时，增加用户可以感知的外部多样性。 为什么需要大规模定制？ 随着当今中国市场瞬息万变，竞争空前激烈，创新模式每天都在发生等全新商业环境的到来，使得信息化应用的复杂程度和多变频率日益加深加快。显然，在这个数字化时代，企业对信息化的要求却越来越高，企业主和IT人员都期望用新的信息技术满足企业越来越高的信息化需求。而传统标准软件因功能繁杂且实用少，流程变更复杂，个性化需求满足度低，数据孤岛较多，二次开发周期长、成本高、企业参与度不高等一系列问题逐渐凸显。IT服务商就面临这样一个局面：一边要满足竞争需要的快，一边要满足需求变化的多，那么，信息化领域急需大规模定制的模式出现！ 2019年，信息化领域这种大规模定制需求更加明显。工信部在2017年发布的《云计算发展三年行动计划（2017-2019年）》中明确提出，到2019年国家云计算产业要达到4300亿元的规模。这么大的数据增长从何而来？专家认为那只能是产业信息化。因为从《计划》中可以看出来，2019年的信息化应用趋势将走向产业信息化阶段。《计划》中，100次提到“云计算”，引人注目的是，同时也43次提到了“产业”二字，从战略层面上看，这足见国家期望以云计算带动产业信息化的决心。一个不争的事实，要实现产业信息化，只有大规模定制才能满足。 一种在帮助企业级应用提升行业适配度上存在天然优势的PaaS平台就呼之欲出——这就是APaaS平台。未来，APaaS平台必将成为企业级应用的战略性必要选择。 如何大规模定制？ 因为APaaS平台的以下两大特性，使其能够满足大规模定制的需要。 1、低代码开发，快速实施。APaaS平台开发人员将开发前置，抽取汇集了行业大量具有共性的应用模型，这样在为客户实施时平台服务商调用很少的技术人员通过平台应用工具进行简单配置，组装，就可以快速实现企业新需求应用，大幅度节约时间和成本。这样就可以大规模定制化满足那些需求复杂的企业级应用。阿里云SaaS加速器-低代码搭建平台宜搭相关链接：阿里云SaaS 加速器发布低代码平台“宜搭Plus” ，帮助提升6倍研发效率 2、扩展灵活，互联互通。通过APaaS平台敏捷开发的信息化系统，灵活性更强。可以通过表单功能和流程引擎灵活、快速的搭建符合业务需求的工作流、审批流、数据流，实现日常化的系统功能变更。依托于APaaS平台建立的各业务系统，不同服务之间保持一种相对独立的关系。当组成整个应用程序的服务内部结构持续发生更改时，各个服务所在的系统依然可以继续独立存在，互不影响。因此，也增强了现有的信息化系统功能。平台还配置大量的API接口，方便与其他业务系统互联互通。为行业的大规模应用提供强力平台支撑。

智能系统与技术丛书点击查看第二章点击查看第三章深入理解AutoML和AutoDL：构建自动化机器学习与深度学习平台 王健宗　瞿晓阳　著 第1章 人工智能概述 本章主要是人工智能的基本概述，包括人工智能的起源和发展，以及人工智能的两个重要组成部分：机器学习和深度学习。深度学习一直在持续发展，我们将用两小节来介绍深度学习的崛起和重要应用领域，在最后一节中，我们引出了人工智能未来的重要发展方向—自动化机器学习技术（AutoML）。 1.1　全面了解人工智能 1.1.1　人工智能定义 在计算机科学领域中，人工智能是一种机器表现的行为，这种行为能以与人类智能相似的方式对环境做出反应并尽可能提高自己达成目的的概率。人工智能这个概念最早于1956年8月的达特茅斯会议上由约翰·麦卡锡（John McCarthy）、马文·明斯基（Marvin Minsky）、克劳德·香农（Claude Shannon）、纳撒尼尔·罗切斯特（Nathaniel Rochester）等人提出。在此之前，人工智能有着许多种叫法，如“自动机理论”“复杂数据处理”等。会议召开的两年前，也就是1954年，达特茅斯学院数学系有4位教授退休，这对于达特茅斯学院这样的小学校来说无疑是巨大的损失。刚上任的系主任约翰·克门尼（John Kemeny）赶忙向母校普林斯顿大学求援，从母校数学系带回4位刚毕业的博士来任教，而麦卡锡就是其中之一。1955年夏，麦卡锡应邀参与IBM的一个商业项目，邀请他的人是罗切斯特。罗切斯特是IBM第一代通用机701的主设计师，并且对神经网络表现出极大的兴趣。俩人一拍即合，决定发起一个将于次年夏天举办的研讨会，还说服了香农和在哈佛做研究员的明斯基来共同提议。麦卡锡给这个研讨会起了个别出心裁的名字—“人工智能夏季研讨会”（Summer Research Project on Artificial Intelligence）。同年9月2日，麦卡锡、明斯基、香农和罗切斯特正式发出提案引入“人工智能”一词，该提案的主要内容如下：“我们提议于1956年夏，在新罕布什尔州汉诺威的达特茅斯学院进行一项10人、为期两个月的人工智能研究。这项研究基于这样一个猜想，即原则上，我们可以足够精确地描述学习或智能的任何其他特征的各个方面，从而能够让机器来进行模拟。我们试图找到方法让机器使用语言、形成抽象和概念、解决人类尚未解决的各类问题以及自我改进等。我们认为，一群经过精心挑选的科学家一起努力一个夏天，就可以在上述的一个甚至多个问题上取得重大进展。”会议于1956年6月开始，同年8月结束。会议讨论了人工智能相关问题的各个方面，如自动化计算机、如何通过编程让计算机使用语言、神经网络、计算规模的理论、自我改进、随机性和创见性等。明斯基认为，设计出一种具备某种特定学习能力的机器并非不可能，机器的本质是通过某种转换将输入变成输出的过程。机器的这种反应能力可以通过不断的“试错”过程训练获得。例如我们可以将这样的一台机器放置在某种特定的环境中，不断给予它“成功”和“失败”的判据来训练它达成某种目标的能力。更进一步，如果机器能通过学习使自身形成感知和运动抽象能力，那么它就会进行内部探索找寻解决问题的方案。罗切斯特分享了关于机器性能的独创性话题。在为自动计算器编写程序时，人们通常会向机器提供一套规则，这些规则涵盖了机器可能会面对的各种意外情况。机器遵守这一套规则但不会表现出独创性或常识。此外，只有当机器因为规则矛盾而变得混乱时，人们才会对自己设计出糟糕的规则感到恼火。最后，在编写机器程序时，有时人们必须以非常费力的方式解决问题，然而，如果机器有一点直觉或者可以做出合理的猜测，问题就可以直接被解决。会议进行了两个月，虽然每个人对AI的定义都不尽相同，但它却具有重要的开创意义和深远影响。由于会议上提出了人工智能（Artificial Intelligence）这一概念，因而1956年被称作“人工智能元年”。 1.1.2　弱人工智能、强人工智能与超人工智能

2 回收无效对象的过程 当经可达性算法筛选出失效的对象之后,并不是立即清除,而是再给对象一次重生的机会 判断是否覆盖finalize() 未覆盖该或已调用过该方法,直接释放对象内存 已覆盖该方法且还未被执行,则将finalize()扔到F-Queue队列中 执行F-Queue中的finalize() 虚拟机会以较低的优先级执行这些finalize(),不会确保所有的finalize()都会执行结束 如果finalize()中出现耗时操作,虚拟机就直接停止执行,将该对象清除 对象重生或死亡 如果在执行finalize()方法时,将this赋给了某一个引用,则该对象重生 如果没有,那么就会被垃圾收集器清除 注意:强烈不建议使用finalize()进行任何操作!如果需要释放资源,请用try-finally或者其他方式都能做得更好. 因为finalize()不确定性大,开销大,无法保证各个对象的调用顺序. 以下代码示例看到:一个对象的finalize被执行,但依然可以存活 /** * 演示两点: * 1.对象可以在被GC时自救

ACM（国际计算机学会）刚刚公布2019年度杰出科学家名单，全球共有62名研究人员入选。阿里巴巴集团有两位科学家上榜，他们是达摩院语言技术实验室负责人司罗和蚂蚁金服研究员Alex Liu。 创立于1947 年的ACM是全球最大的计算机领域专业性学术组织，拥有超过10万名会员，著名的图灵奖就是由其设立。ACM 杰出会员评选始于2006 年，意在表彰拥有15 年以上专业经验，并在计算机领域做出杰出贡献的 ACM 会员。 （阿里巴巴达摩院语言技术实验室负责人司罗） 司罗，卡内基梅隆大学博士，曾任普渡大学计算机系终身教授，现任阿里巴巴达摩院语言技术实验室负责人。专注于自然语言处理、机器学习、深度学习等人工智能基础技术研究。获得过美国国家科学基金会成就奖、谷歌研究奖等，发表过150余篇学术论文，先后担任ACM信息系统、ACM 交互信息系统和信息处理与管理编委会副主编。 阿里巴巴人工智能每天调用自然语言5千亿句，司罗团队构建的自然语言处理技术体系提供了主要支持。司罗团队曾在机器阅读理解顶级赛事SQuAD中实现机器精确阅读率超越人类的突破，在国际顶级机器翻译大赛WMT中包揽五项第一。 （蚂蚁金服平台数据技术事业群研究员Alex Liu） Alex Liu，IEEE Fellow，曾任美国密歇根州立大学教授，获得过美国密歇根州立大学Withrow杰出学者奖（两次），美国国家自然科学基金CAREER奖，IEEE和IFIP联合颁发的William C. Carter获，谷歌教授科研奖。出版过三本网络安全的学术专著，在国际顶级学术期刊和会议上发表过论文270余篇，在ICNP,

国外电子与电气工程技术丛书点击查看第二章点击查看第三章射频集成电路及系统设计Radio Frequency Integrated Circuits and Systems ［美］霍曼·达拉比（Hooman Darabi）著吴建辉 陈超 译 第1章 射频元件 本章将讨论射频设计中所涉及的基本元件，对于高频条件下MOS管的详细建模与分析可参考文献［12］。虽然文献中的模型主要是为模拟和高速电路开发的，但也能很好地适用于大多数工作在几吉赫兹（GHz）的射频应用中，尤其适用于当今纳米CMOS工艺。因此，本章中将更加详细地研究电感、电容和LC振荡器的特性。在本章中将对分布式电路和传输线的基本工作进行简要讨论，而在第３章将进行更详细的分析。在第４章和第６章中，将会讨论一些与射频相关的晶体管特性，如更详细的噪声分析、体效应及栅电阻效应。LC电路广泛应用于射频设计中，涵盖调谐放大器、匹配电路和LC振荡器。相比于晶体管，由于电感与电容具有较好的噪声性能和线性度，传统的射频电路大量地采用LC元件，这些元件在射频模块中占据了很大的比例。出于成本考虑，现代无线电通信电路对LC元件的依赖已经减弱，但射频设计者仍旧很频繁地使用集成电感和电容。本章首先简要地介绍电磁场，然后从电磁场方面仔细探讨电容和电感；之后从电路的角度讨论电容、电感和LC振荡器；最后通过介绍集成电感和电容的规则及设计总结本章节。本章涵盖以下主题：●电磁场及电路中电容和电感的定义。●麦克斯韦方程组。●分布式元件和传输线的介绍。●能量、功率及品质因子。●无损和低损的谐振电路。●集成电容和电感。对于课堂教学，建议重点关注1.7节、1.8节和1.9节，而1.1～1.6节可以安排为课后阅读，如果认为有必要，可以做一个简单的总结。 1.1电场和电容 首先简要回顾一下电场和电势，并据此定义电容的概念。 1875年，法国军官查尔斯·库仑首先提出了库仑定律，表述的是真空或自由空间中相隔一段距离的两个点电荷间的作用力与每个电荷的电量成正比，而与它们之间距离的平方成反比（如图11所示）。库仑定律与一百多年前发现的牛顿万有引力公式非常类似。设力（Ft）为某一试探电荷在单位电荷产生的电场强度下受到的力，E通过下式所示的方式，以V/m（伏/米）为单位测量得到： 式中加粗的字体表示三维空间中的向量，ε0=136π×10－9F/m（法拉/米），表示真空介电常数，Q表示以库仑为单位的电量，ar是指向电场方向的单位向量，向量r的方向是从Q出发到空间中的某一兴趣点P，并且r与ar的方向相同（如图1.1所示），图1.1中，Qt是电荷Q产生的电场中的测试电荷。在很多情况下，电场用高斯定律更容易计算，表述为通过任何密封空间的电通量D＝ε0E，等于该空间中包含的总电量，数学表达式如下： 式中∮SD·dS表示对密闭空间进行积分。点（·）表示向量幅值与二者间所夹锐角余弦的乘积。电荷Q可以为一些电荷的总和，即Q=∑Qi，对应于体分布电荷——， 或者面分布等。面积分的本质表明只有D的表面法向向量才对电荷有贡献，反之，对于切向成分，D·dS等于零。例如，考虑一个内圈半径为a、外圈半径为b的长同轴电缆，其内部导体的外表面电荷均匀分布，其密度为ρS（而外部导体的内表面电荷密度为），如图1.2所示，方便起见，图中用柱坐标表示［3］。 通量在ar方向有分量，垂直于同轴电缆表面。对于z轴方向的任意长度L，有：

　　“区块链是一种经典算法，真实细节特别复杂，很难用‘通俗的话’准确描述。”重庆小雨点小额贷款有限公司（以下简称“小雨点”）CTO王凯宁在接受《金融时报》记者采访时说。 　　在近期某权威媒体的一篇区块链报道中，用“张三买牛”来解释何为区块链，其中说到“张三可以直接将自己的1万元记到李四的账本上”，王凯宁在跟学术同行讨论后认为这种说法也不准确，应该是张三告诉全村，我要转1万元给李四，然后全村村民收到消息之后，开始通过竞比工作量的方法争夺记账权，得到权力记账的村民，记账后再把自己的账本同步到其他村民。 　　在王凯宁看来，关于区块链的技术细节以及落地应用都处在进一步探讨阶段，有些企业已经进行了运用，但对很多中小企业来说，学习和使用区块链还有很多困难。 　　中央财经大学中国互联网经济研究院副院长欧阳日辉告诉《金融时报》记者，区块链在企业中的应用落地及产生实际效果尚待时日。 区块链思维提供发展智慧 　　在王凯宁看来，本质上区块链是一种技术革命与创新。传统的数据库，都有一个数据库管理员（DBA），可以把他看作是数据库的“后门”，只要DBA开了“后门”，数据就有可能被篡改，而区块链则彻底关掉了这个“后门”，因为只能通过交易才能使数据发生变化。 　　比如，小雨村的王姐开了一间杂货铺，她从粮油批发商老李头那里拿货，老李头则是从各粮油产品的厂家进货，最后村里的二蛋、二妞等乡里乡亲再从王姐的杂货铺购买商品。每个买卖都被“当时”最勤劳的村民抄在自己的账本上并立刻发送给每个村民。每个村民都有一本自己不可修改的账本。这个“账本”就是区块链。 　　“就应用来说，例如我购买一套二手房，付了钱之后还需要时间去办理过户手续，如果通过区块链技术，在钱到账的同时就能自动完成过户手续的办理，这是不是减少了很多交易风险，同时也提高了办事效率。”王凯宁说，“当然，这种设想的实现需要相关单位的协同，但从技术层面来讲是可以实现的，这就是一种区块链思维。区块链技术衍生出了区块链思维，这不是一种互联网新思维，而是互联网思维所不包含的新思维，我认为这是很重要的。” 　　欧阳日辉表示，区块链的价值在于与实体经济相结合，助推数字化深入到实体经济和商业体系中，低成本解决多主体交易过程中的信任问题和存证问题，所以寻找区块链发挥降本增效的落地场景是当前的关键。同时，区块链技术是战略性技术，存在延展性与互操作性不佳、通用性不强、安全性有待提高等技术问题，在企业中的应用落地及产生实际效果尚待时日。 　　“不必神话区块链技术，而是应将区块链与5G、云计算、大数据、人工智能、物联网、边缘计算等网络信息技术深度融合、集成创新，解决诸多技术问题之后，在金融等细分领域的不同场景落地，实现基于数据确权、共享、有序流动的价值传递。”欧阳日辉说。 推动跨机构新型创新合作 　　王凯宁认为，很多人都把区块链和数字货币划等号，这是不对的，数字货币只是区块链的一种应用，而区块链的溯源、供应链平台，则是更丰富的应用。 　　据介绍，作为互联网小贷公司，小雨点在区块链领域申请专利14件，其中国内9件、专利合作条约（PCT）5件。在供应链金融的运用上，围绕行业内核心企业，通过应收账目、预付账款、存货等融资方式，盘活了供应链上各企业资金，服务其上下游小微企业。现已赋能自由出行、汽车后市场、快消品、家电、餐饮、医美等多个行业，有效推动了区块链和实体经济的深度融合，解决了中小企业贷款融资难等问题。 　　另一家消费金融公司――马上金融也在区块链等技术研发方面持续布局。据了解，马上金融已组建900多人的科技团队，已经报批专利达200项。近期成立了“马上金融区块链平台”，基于区块链技术，针对银行联合贷款的备付金管理及对账管理，设计和研发资金流和信息流的准实时对账机制，把此前需要T+1的对账周期缩短到准实时。合作行之间通过此系统可以准实时查看备付金账户情况及对账结果等信息，进行实时头寸监控，免除依赖日终对账文件进行对账的繁重工作。 　　关于对区块链技术的布局，马上消费金融的首席技术官蒋宁表示，近年来以共享经济与价值链接为主要特征的“生态系”模式的普及，催生了大量的跨机构新型创新合作场景。针对各种场景和资金端的合作，马上消费金融正在主动积极布局区块链技术，综合运用其他各类金融科技和机器学习技术，打造跨领域、多机构产业价值链接的开放平台。据介绍，马上金融对区块链技术的运用还包括以下方面：风控数据黑名单共享、电子数据存证平台、支付渠道及ABS系统中资管账户的替代方案等。 通用性及安全性有待提高 　　结合上述实践以及业内专家观点，金融业被认为是区块链落地的最佳场景之一。欧阳日辉认为，区块链是重要的金融基础设施，在支付清算、数字签名和时间戳等领域可以得到广泛的应用。但金融区块链领域尚未形成通用性的方案，未达成共识的具体的技术和应用标准，缺乏具有绝对优势的应用案例，且应用成本居高不下，没有出现不可替代的金融区块链技术的业务场景。 　　具体到应用，欧阳日辉认为主要有如下几点：在数字金融领域，区块链在供应链金融、跨境支付、保险理赔、证券交易、票据管理、金融监管、普惠金融、资产管理等领域可以提高金融效率与水平。另外，监管沙箱是测试区块链的有效方式，可以用区块链产业沙箱测试区块链底层和区块链应用，实现在线监测。监管沙箱与产业沙箱结合，推动区块链技术发展。 　　欧阳日辉还表示，智能合约的编程错误、运行错误和有效防止恶意入侵等区块链自身安全性还有待提高。金融行业对安全性要求严格，有效防止恶意入侵、保障智能合约安全运行和发现漏洞有效隔离，是金融区块链技术应用的基础。 转自创头条，原文链接：http://www.ctoutiao.com/2431550.html