旷视科技上市成功了吗

成功了。
在几度努力后，国内CV巨头旷视科技终于敲定上市。3月12日，上交所官网显示旷视科技首发申请已获受理。据旷视招股书，2019年度其实现营收约126亿元，2020年前三季度实现营收超7亿元。最近三年的年均复合增长率达104%，呈现稳健增长态势。

旷视科技是一家聚焦物联网场景的人工智能独角兽公司。2011年由印奇与其清华同学唐文斌和杨沐创办。作为国内头部的计算机视觉（CV）公司，旷视曾以“Face++”命名，也是CV“四小龙”（包括商汤、云从、依图）中最早创办的一家。起初，专注视觉解决方案的“四小龙”均以安防业务起家，之后又各有侧重。比如商汤致力于打造人工智能的平台型公司，云从主打“人机协同 *** 作系统”，而旷视则走上了“软硬件一体”道路，成为这几家中“最硬”的AI公司。
旷视的战略选择是坚持“AI+IoT”的方向。其中，AI是核心能力，IoT是落地场景。其本质就是将AI的能力注入到IoT场景中，实现智能化。旷视本次发行募集资金扣除发行费用后，拟全部用于公司主营业务相关的项目及主营业务发展所需的营运资金，具体包括：基础研发中心建设项目、AI物联网解决方案及产品升级项目、智能机器人研发与升级建设项目、传感器研究与设计项目以及补充运营资金。
从股东情况来看，印奇、唐文斌和杨沐为旷视前三大股东。三人目前股占发行人已发行总股本的1683%，占全体股东可行使表决权的7028%，对发行人构成共同控制。
创立至今，旷视科技已完成多轮融资，投资方包括蚂蚁金服，阿里、中银集团、鸿海精密等多位投资方。

1、智能网联汽车，即baiICV（全称Intelligent Connected Vehicle），是指车联网du与智能车的有机联合，是搭载先进的zhi车载传感器、控制dao器、执行器等装置，并融合现代通信与网络技术，实现车与人、车、路、后台等智能信息交换共享，实现安全、舒适、节能、高效行驶，并最终可替代人来 *** 作的新一代汽车。
2、这个是未来汽车发展的一个大趋势，在未来，各大牌会不断地将大数据、互联网、人工z能技术应用于汽车，从而实现人车语音互动、能出行、车道偏离预警、手机远程控制等功能，而走在整个行业前列的就是国内最大的车联网博泰，作为国内为数不多拥有硬件、软件和云端能力的单位，在z能网联方面的成果有目共睹，创造出了众多汽车运用。
3、一汽、上汽、长安、北汽等主要整车企业都制定了智能网联汽车发展的系统战略，智能网联汽车行业将开启黄金发展时代。

人工智能涉及的专业非常广，可谓是多多益善，毕竟这是一门技术与艺术相结合的科学。很多大学生都想在本科期间打下一些关于人工智能领域需要的专业技能，下面就给大家介绍一下关于人工智能的大学专业都有哪些？
1、计算机类
计算机科学与技术、软件工程、网络工程、信息安全、物联网工程、数字媒体技术、智能科学与技术、空间信息与数字技术、电子与计算机工程电子信息类：通信工程、信息工程、水声工程、电子信息工程、广播电视工程、医学信息工程、微电子科学与工程、光电信息科学与工程、电子科学与技术、电磁场与无线技术、电子信息科学与技术、电波传播与天线、电信工程及管理、应用电子技术教育、集成电路设计与集成系统
2、自动化类
自动化、轨道交通信号与控制
3、数学类
数学与应用数学、信息与计算科学、数理基础科学、数据科学与大数据技术

计算机视觉与机器视觉，首先是应用场景不一样，就像视远图像赵旭回答的那样：你把摄像头对着人就是CV，对着车间就是MV。
计算机视觉和机器视觉应用场景不同，就像拉货车和载客车是的，侧重点不同而已，一个侧重人工智能分支，一个侧重工业应用！简单说起来的话，计算机视觉偏重于深度学习并且偏向软件，机器视觉偏重于特征识别同时对硬件方面要求也比较高，不过随着对智能识别要求越来越高的发展，这两个方向毕竟会互相渗透互相融合，区别也仅仅限于应用领域不同而已。
其次，我感觉最大的区别，在于技术要求的侧重点不一样，甚至差别很大。
计算机视觉，主要是对质的分析，比如分类识别，这是一个杯子那是一条狗。或者做身份确认，比如人脸识别，车牌识别。或者做行为分析，比如人员入侵，徘徊，遗留物，人群聚集等。
机器视觉，主要侧重对量的分析，比如通过视觉去测量一个零件的直径，一般来说，对准确度要求很高。我记得以前接触过一个需求: 视觉测量铁路道岔缺口。哥刚毕业的时候在铁路上班，做过控制系统，还开过内燃机车，很清楚道岔缺口的重要性，这玩意儿你说要是测不准，呵呵:)
当然，也不能完全按质或量一刀切，有些计算机视觉应用也需要分析量，比如商场的人数统计。有些机器视觉也需要分析质，比如零件自动分拣。但，计算机视觉一般来说对量的要求不会很高，商场人数统计误差个百分之几死不了人的，但机器视觉真的会，比如那个道岔缺口测量。
既然要求这么高，是不是机器视觉就比计算机视觉难呢？也不是的，应该说各有各的难处。
计算机视觉的应用场景相对复杂，要识别的物体类型也多，形状不规则，规律性不强。有些时候甚至很难用客观量作为识别的依据，比如识别年龄，性别。所以深度学习比较适合计算机视觉。而且光线，距离，角度等前提条件，往往是动态的，所以对于准确度要求，一般来说要低一些。
机器视觉则刚好相反，场景相对简单固定，识别的类型少(在同一个应用中)，规则且有规律，但对准确度，处理速度要求都比较高。关于速度，一般机器视觉的分辨率远高于计算机视觉，而且往往要求实时，所以处理速度很关键，目前基本上不适合采用深度学习。
以上讨论的是技术，商业方面，计算机视觉的应用面更广一些，毕竟很多业务是跟人相关，比如人脸识别，行为分析等，很多垂直领域都有计算机视觉潜在需求，相对来说，更适合创业；
而机器视觉顾名思义，业务主要跟机器相关，而且对准确度甚至安全性要求很高，也就在资质品牌方面有较高的门槛，所以寡头垄断严重，一般来说，更适合上班而不是创业。
机器视觉（Machine Vision, MV） & 计算机视觉(Computer Vision, CV)
从学科分类上， 二者都被认为是 Artificial Intelligence 下属科目
有几个分支：
一个是图像处理，主要是信号与系统，统计，优化
一个是求解景物与图像之间的关系，如立体视觉、三维重建，主要是几何
一个是模式识别，例如如何分割图像、识别目标，主要是人工智能
但实际提及时， 主观感觉上
MV 更多注重广义图像信号（激光，摄像头）与自动化控制（生产线）方面的应用。
CV 更多注重（2D, 3D）图像信号本身的研究以及和图像相关的交叉学科研究（医学图像分析，地图导航）。

作者 | 网络大数据

来源 | raincent_com

转眼间，2019年只剩下不到两个月了。人工智能的热度依旧，只是在资本市场，看空的投资人也越来越多了。从当年大数据的发展趋势看，这种情况反而对产业发展是有利的。因为这意味着，进入赛道的野蛮竞争玩家会越来越少。

对于已经拿到赛道入场券的选手来说，如何合理配置手中的资源成为生死存亡的关键，同时细分市场上的领头羊可能在这样焦灼的市场竞争中成长为独角兽。

对于从事大数据与人工智能相关领域多年的人来说，其最终目标还是“从数据中挖掘价值”。在挖掘价值时，具体某类技术只是整个过程中某个阶段的辅助工具，单纯某类技术解决不了所有问题。因此，我们基于“最终目标”划分三大类场景去运用“大数据”和“人工智能”构建整体解决方案：

一、寻找业务增长点：数据建模能力成为核心，当前Fintech/Regtech领域需求广泛

核心要素：帮助企业解决经营决策中遇到的数据支撑问题。无论是营销还是风控，最终都是通过一些报表、模型去辅助业务人员做决策。 解决方案：机器学习类产品已经成为金融行业寻求业务增长点的标配工具，同时越来越多的传统行业也开始使用大数据、人工智能等技术做辅助决策。 解决方案难点：由于跟业务结合紧密，虽然已经在不同行业开始落地，但实际进展缓慢。由于业务的特殊性，往往不能够单单通过算法本身去解决所有业务问题。这同时也意味着，交付目标以及实施周期的不确定性。

二、加深业务壁垒：知识中枢成为重要工具，当前金融/安全等行业试点较多

核心要素：对现有业务实现优化。 解决方案：在这一场景中，知识中枢运用较多。我们将三大块技术：知识图谱、搜索引擎、深度图谱糅合进知识中枢的概念中。首先通过搜索引擎进行行业知识检索，再通过知识图谱进行概念串联，最后通过深度图谱进行行业知识推理。 解决方案难点：如何将行业知识抽象出来，形成公司内部的知识系统，从而有针对性地对现有业务流程、具体业务点进行整体优化。

三、降低业务成本：自动化成为基础要素，当前能源/交通等行业突破开始

核心要素：如何减少人工干预。 解决方案：现有的场景中，偏业务性质的自动化可以通过RPA等技术实现。RPA本身技术门槛不高，但在NLP、OCR、CV等AI技术带领下，已逐步被用在越来越多的场景中。另一方面，由于图像识别以及5G、边缘计算的推动，越来越多的安防监控、无人巡检等AIOT场景开始落地。相对于RPA，AIOT的场景给客户业务带来的颠覆跟价值更大。 解决方案难点：现实场景中的有效样本较少，影响模型的准确率和落地。

下面我们将结合三种不同的场景来阐述六大AI趋势。

趋势一：Fintech/Regtech AI落地过程中，AI平台逐步成为事实标准

AI平台，在很多地方又称为AI中台/数据科学平台/机器学习平台/人工智能平台，主要涵盖的功能除了传统统计分析软件包含的功能以外，还包括大数据、分布式计算平台、NLP、CV等能力。

行业先行者在探索AI落地过程中，逐步意识到AI平台的重要性。从一开始只针对几个小的业务线进行试点，到后续在更多的场景中推动落地，大家达成共识：与数据中台类似，烟囱式的各自为政只会使得后续AI的落地愈加艰难。

AI平台在Fintech市场的爆发，验证了一个基本事实：只要业务领域有足够通用的需求，就会出现足够通用的平台。数据库本身是上一个数据的事实标准，而AI平台则没有一个明确的定位。由于这个想象空间，AI平台便成了各大玩家的必争之地。

趋势二：数据建模开始在非金融行业的龙头企业流行，国产化趋势明显

AI平台在其他行业的试点也如同星星之火。虽然其他传统行业的信息化水平普遍比金融略低，但也在迎头赶上。往往这些行业取得的成果比金融要多，这是因为满地都是顺手可摘的果子，成果落地比金融行业相对容易。

这些企业原本可能使用的是SAS、SPSS或者Matlab等国外产品，现在可能在试用国产AI平台。一方面是因为SAS等产品不足以支撑最新流行的框架算法，另一方面也有国产化层面的考量。

AI平台作为人工智能基础平台，本身需要对各领域专业算法具备深入理解以及实现的能力。同时作为平台，也有通用性、高性能以及安全可靠等各方面的平台需求，对相关研发人员有极高的技术要求。当前，国产平台跟SAS等比较，整体还是略占劣势，但是在某些细分领域已经实现了超越。

趋势三：图谱应用开始在全行业推广，伪需求略多，注意辨别

图谱类的应用，主要对应于上面提到的“知识中枢”。基于“知识中枢”去做特定行业的图谱类应用已经在市场上流行了一段时间。

只是，一方面由于客户对这块有不切实际的要求，另一方面，大多数实施图谱应用的厂商能力参差不齐，实际项目也没办法最终落地。

2020年对大多数图谱类应用，客户会有一个更清醒的认识：做什么它擅长，做什么它不行，应该怎样做，都会有一定的经验。这也对图谱应用有更高的技术层面的要求，同时也对NLP算法以及图谱算法有更多落地层面的考量，包括性能、实施周期、最终效果等。

趋势四：深度图谱在反欺诈、反洗钱、犯罪团伙分析等场景开始落地

由于深度学习自身相关技术的停滞，将深度学习与图谱结合成为了学术界的主攻方向。而在反欺诈、反洗钱、犯罪团队分析等场景下，复杂网络分析已经成为主流的分析手段。通过深度学习与图谱的融合，深度图谱给传统的图谱分析带来了图谱推理的能力，从而将原有的模型精度提升到另一个高度。

然而，一旦涉及到落地，故事并没有那么简单。一方面，同大多数AI应用一样，落地过程是比较曲折和复杂的。本身模型精度需要不断迭代，同时也需要对业务非常熟悉的人员进行及时反馈，这就导致对业务跟算法的要求都非常高，一旦实施过程中出现偏差，容易有挫败感。另外，在一些对实时性要求比较高的场景中，对底层图数据库的性能也有要求。而当前的市场上，图数据库厂商虽然多，但大多数时候没有懂技术的人员去调优，使得真正能同时满足性能要求和算法要求的图数据库凤毛麟角。

趋势五：视频图像类应用的碎片化与场景化成为AI快速落地推广的拦路虎

CV类场景是引爆AI大火的导火索，同时，由于大多图像场景偏识别类，跟业务离得比较远，可以大规模地在市场上扩张。

不过，我们可以惊奇地看到，CV类的需求还在不停地膨胀。这是因为，当前市场的CV巨头在人脸、车辆等通用需求方面进行了大规模落地，而对于一些偏碎片化的场景，比如设备故障识别、异常识别，甚至特殊场景的人脸识别，都缺乏足够的技术支撑与耐心去推动落地。

因此，怎样提升CV场景落地的效率成为大多数CV从业者的主要工作方向，这里面包括多个维度：第一，从科研层面去革新算法，第二，从工具层面去落实标注、训练、部署等的一体化平台，第三，从市场角度定义行业通用化的场景，第四，从技术角度去优化模型，从而降低实施成本。

在这个大背景下，四大CV独角兽也好，互联网巨头也好，都试图去推动平台的落地。然而，在这样的“四维”要求下，要踏踏实实地在细分场景中打磨通用模型、平台，谈何容易。但这也让耕耘细分行业的小CV厂商有足够的空间去摸索。

趋势六：AIOT物联网场景没有大规模的需求爆发，细分行业开始出现落地

我们看到，所谓的AIOT场景，主要还是CV类场景带动，但一些深入需求(如需要传感器数据参与的预测性维护类场景)落地较少。

这跟“智能制造”的特点比较相关。客户在车间现场通常需要一个开箱即用的产品，而大多数AI类场景需要足够多的时间去打磨。另外，大多数工业场景需要的不仅仅是大量有价值的数据，还需要对工业场景有深刻的理解。

首先，“大量有价值”的数据本身不大可能获得。比如，在预测性维护的场景下，所谓“有价值”，就是指相同或者类似的设备历史上出现故障的时候对应的数据，这种数据当然很少。其次，在部分异常数据的加持下，一般的统计分析算法可能分析不出什么。这跟金融类的风控场景不同，风控场景考验的是人性，从人性的角度去做一定深度的分析，并结合算法就可以取得不错的效果。而对于设备，这里需要的是一个深刻理解机械原理的算法专家。

即使面对这样的困境，我们还是看到了一些制造业企业开始摩拳擦掌，虽然深入的AI算法用不上，简单的BI也能提供价值嘛。

只是感叹，Predix还是出来太早了，那2020年会有突破吗还是得看“智能制造”的内生动力多大，期望一些细分场景会有落地。

人工智能的2019年注定是平静的一年，因为技术爆发以及投资引导时期已过，避免不了被冷清。然而，正如大多数技术周期一样，当技术本身有价值且具备落地能力的时候，技术落地的过程逐步展开。

我们相信对于大多数在探索人工智能落地过程的从业人员来说，故事才刚刚开始。而对于参与炒作概念的玩家来说，也找到了新的方向：区块链。

从更宏观的数字化转型的角度来看，还有太多的事情值得大家去落实。抓紧2019年的尾巴好好做几个落地项目吧。

涅槃工作室的cv有哪些？1
张冲:(清朗少年音):十五岁,赵阔裴矩同班高中同学。有点碎嘴。 第二三期也同时开始招募 ----协役---- 周晋卿:慈祥老爷爷音,精神卫生中心主任医师,赵阔的主治医生。
2
秦涛(有点沙哑的少青音):十五岁,赵阔初中同学,超级大学霸,在追杨霁,不喜欢赵阔,因为赵阔总是拉着杨霁玩,没时间给他们单独相处。

在云上时代，开发者亟需更便捷、“轻量级”的工具，降低重复开发的困扰。

6月28日，在首届Techo Day腾讯技术开放日上，腾讯发布了一系列对开发者友好的“轻量级”产品，其中涉及云原生、机器学习、音视频、大数据等多个领域，将腾讯多年自研产品的底层能力释放给开发者。

腾讯公司高级执行副总裁、云与智慧产业事业群CEO汤道生表示：

“我们希望提供一个真正懂程序员需求的交流平台。腾讯云也在过去这几年，不断推出更多的研发工具，期望通过易用、前沿的技术和工具，帮助开发者解决遇到的难题，低门槛实现对数字世界的创想。”

云原生、大数据等基础产品一键配置 助力研发效能提升75%

过去，开发者搭建应用，需要创建服务器、配置网络、安装应用软件、数据库、Web服务器等，再进行各种环境配置，会耗费大量的人力物力资源。

云的出现，为软件开发提供了标准化的基础设施、统一的架构，也让开发工具链统一和开发工程化，有了实现的基础。在云上时代，传统流程可以大幅度缩减，通过“轻量级”工具一键配置完成。

例如，腾讯云的CODING DevOps平台，也在助力研发和运维的自动化，帮助产品发布时间，从过去以“季度”、“年”为单位，缩短到以“天”或者“周”为单位。

在CODING平台上，敏捷项目管理、测试管理、持续集成、制品库、持续部署、应用生命周期管理等功能，在同一个平台上实现，这让团队研发工具建设成本下降827%，研发效能提升75%，产品交付效率提升了68%。

在本届Techo Day上，Orbit云原生应用管理平台全新发布了云原生应用建模、支持数据库变更引擎、多云统一观测平面等多种重磅特性，助力开发者轻松应对云原生应用交付与运维的痛点。

同时，在海量数据需求的场景下，腾讯云重磅发布全新升级的全托管数仓产品——CDW ClickHouse，该版本填补了ClickHouse后续扩容的技术空白，可以为用户提供低成本、高吞吐写入、百亿规模毫秒级的大数据分析服务，提升用户在海量数据实时分析场景下的极速体验。

AI、音视频、物联网、虚拟仿真等能力模块化 服务不同业务场景

数字技术正在发生巨大的变革，AI、音视频、虚拟仿真等技术，越来越多地融入到创新性产品和服务中。但这些技术研发门槛高，从0到1的搭建耗费大量的时间与成本。腾讯云正在在将多年积累的AI、音视频、虚拟仿真等能力模块化，放到云端，让开发者一键调用。

针对AI场景需求，腾讯发布机器学习平台——腾讯云TI平台公有云版本，提供一站式的AI训练和推理能力，并在CV、NLP等模型推理场景中，为算法或者运维工程师提供多种框架的加速能力，加速比可以达到200%+。

在音视频领域，腾讯云视立方·播放器SDK向开发者提供低代码的“腾讯视频”同款内核播放器，相比系统播放器性能提升30%以上，广泛适用于泛 娱乐 、电商、教育等多种点、直播场景 。

同时，云创多媒体创作引擎在视频生产管理、在线审核、运营管理、AI处理等多个维度进行了升级。目前，腾讯云创平台已服务超过500个企业级客户，累计服务用户超过20万。此次，云创打通视频存储数量高达200亿多条的腾讯云VOD（点播）服务，为用户创作带来更多可能性。

在物联网领域，腾讯发布了首个物联网设备洞察分析产品IoT Insight，以轻简流程实现物联网设备资产数字孪生建模、设备资产数据分析、设备告警处理、设备仪表盘可视化等一站式产品服务，可广泛应用于工业、能源、园区、政务、交通、地产等不同行业场景。

在虚拟仿真领域，腾讯发布了自动驾驶虚拟仿真系统TAD Sim（教育版），含有为高校提供的专用软件包，能够弥补院校理论学习与实践的鸿沟。其价格成本低、功能强大，更贴近工业仿真软件，也有更适合科研、教学使用的功能模块、接口。

与小程序深度打通 云开发、低代码成行业趋势

凭借易于使用、高效率、低成本等诸多优势，云开发模式正受到越来越广泛的选择。不管是个人开发者还是组织、机构，都可以借此实现更为高效的开发，充分享受上云带来的高效率和低成本。

腾讯云开发网关，将网络加速、安全风控、流量治理等功能整合起来，让开发者可以更加轻便的接入，帮助泡泡玛特等客户抵御灰产刷限量款牟利，提升用户访问体验，网络请求成功率提升至999%以上。

在本届Techo Day上，一线开发者分享了使用低代码构建企业级应用开发背后的秘密：通过“搭积木”的方式，企业可以构建自己的OA门户和审批管理系统。同时与小程序流程深度打通，方便构建和发布小程序，快速触达客户。

腾讯云微搭低代码平台，通过可视化拖拉拽编辑器和丰富的开发模板，减轻了重复和定制化的工作，开发者可以聚焦在业务逻辑本身，并打通了企业微信、腾讯文档和腾讯会议等丰富的SaaS应用。目前，腾讯云微搭已在政务、教育、交通、工业、金融等多行业落地成熟的项目案例。

“化繁为简，轻而易用”，本次Techo Day发布的更多轻量、好用的工具，将更多助力开发者降低开发门槛，让企业上云更容易。同时，Techo Day将发布《腾讯云工具指南：轻量级云开发与云应用》，为开发者提供打包式的工具使用教程和场景介绍。

---