腾讯算法高级研究员陈松坚：智能问答技术及其应用

随着人工智能的飞速发展以及广泛落地应用，越来越多的设备将会被植入智能问答技术，人机交互场景随处可见，智能问答在未来将会成为一个非常重要的入口。

腾讯小知凭借着业界领先的智能AI引擎算法和海量大数据仓库，已将智能问答技术落地实施，并且经过大量的业务考验和优化，知识点匹配度和准确率都已达到90%以上，在2018 年 GITC 全球互联网技术大会上，腾讯小知荣获年度互联网最具价值产品奖。

腾讯小知算法负责人陈松坚也在会场发表了关于智能问答技术原理及其在To B场景下的应用的专题演讲，从自己的角度为我们展现智能问答技术的最新成果。

他首先从智能问答是什么，为什么和怎么做的三个问题出发，阐明了他对当前智能问答技术的定位和价值，首先，现阶段的智能问答是信息检索技术的升级，是量变而未达到质变。但是无论在To B还是To C的场景下，当前的技术都能够切实解决一些用户的痛点，提升用户体验，是亟待推进和充满想象的方向。

在回答怎么做这个问题时，他详细介绍了几种不同的问答机器人的实现路径，包括单轮问答机器人，多轮问答机器人及阅读理解机器人。其中重点阐述了单轮问答机器人的实现原理，包括字面匹配，词向量匹配，深度语义匹配，迁移学习等技术。

此后他还分享了小知团队将上述技术产品化的经验，包括智能客服机器人和电话机器人两大块，主要分享了当前产品的形态，亮点和实际项目中取得的一些成果。

最后，他简单总结了小知目前完成的工作以及就智能问答的发展提出了自己的几点看法。

--------------------------------------------------------------

以下是演讲稿全文：

各位下午好，很高兴今天能在这里给大家做分享报告。先介绍一下，我们腾讯小知是致力于为政府和各行业提供一揽子智能问答解决方案的团队，目前已经落地的包括基于文本的智能客服机器人和基于语音的电话机器人等。

在大多数人的认知里，智能问答很可能是以上的3个印象，2011年打败了人类取得问答竞赛冠军的waston;2017年被沙特授予公民身份的机器人sofia;更为大家熟知的钢铁侠中的机器人管家jarvis。在大家心目中，智能就意味着能够像真人一样交流。然而作为从业者，很遗憾地告诉大家，目前的技术还远没有达到这个目标，我认为本质上目前的智能问答技术是对信息检索技术的一次升级，是量变而未到质变。这个皇冠上的明珠还等待我们去摘取。

既然问答技术还不成熟，那为什么还要投身到这个领域呢。我想从To B和To C两个角度去回答。对企业来讲，当前的问答技术虽然无法解答复杂的咨询，但是大部分的简单的头部问题是可以比较好的解答的。从本轮AI大潮NLP赛道的几名种子选手都从智能客服这个方向切入就可以看出企业是确实存在对智能问答的刚性需求。而对普通用户来讲，一方面siri等语音助手每天都在为用户提供便捷的交互界面，另一方面像amazon echo这一类的智能家居产品也逐步进入千家万户，成为物联网生态的中心入口之一，这便是智能问答的价值所在。

那如何实现智能问答机器人呢我们先来看最基本的单轮问答机器人的实现原理。

熟悉搜索引擎的朋友会发现这个架构跟搜索引擎的很类似。单轮问答一般来说就是FAQ问答，是基于业务问答对组成的问答库进行检索匹配。其中FAQ问题集包含多个相似问法供用户问题去匹配。预处理阶段一般会进行文本纠错，标准化和底层NLP特征提取;召回阶段会在倒排索引中召回若干个候选问题(粗排)，而最后的匹配阶段会基于各种模型进行匹配打分并返回得分最高的结果(精排)。匹配阶段还会引入其他模块，如知识图谱和拒识模型，目的是辅助提升匹配的最终准确率。

retrieval中的匹配可以看做是naive solution，词袋+VSM, 筛选候选够用了，但是精排需要更精致的策略，第一，要利用监督信息做拟合，我们构建基于问题对的训练语料，拟合是否匹配这个二分类目标。第二，特征上抛弃稀疏的词袋模型，而是构造各种相似度来做base scorer，然后利用非线性的抗噪能力强的xgboost来做融合，比如我们用到词bigram, 字bigram, 核心词，名词等特征集合的相似度。这种方法的优缺点是一体的，由于模型只学习字面相似的特征，因此不受领域影响，通用性强，适合用在冷启动阶段;但也因为只考虑字面相似，无法处理更深层的语义匹配。

那如何度量语义的相似呢。词向量技术的兴起是语义匹配的前提，所谓词向量，是将孤立的传统的token表示映射到相互关联的向量空间中，这种关联性，或者说是相似性，是通过词语的上下文的来描述的。也就是说，上下文越相似的词语，他们的语义就越相似，词向量的欧式距离就越近。这是很容易理解的，更妙的是，通过对向量进行简单加减运算，能够呈现出概念的关系，比如king-man+woman的结果非常接近于queen, 因此说明词向量能够一定程度刻画语义。那对句子如何做向量表示呢一个简单的想法是直接求和平均，WMD是另一个比较有意思且有效的做法，他将计算句子到句子的相似度建模成一个运输的问题，把句子p的各个词，运输到q的各个词上，也可以说是变换;运输成本是词向量的cosine相似度，而要运输的是各个词在句子中的权重，用线性规划求解一个最优解，即为p到q的距离。另外还有个有效的方法是SIF，思路是做词向量加权求和，但是突显出句子中非通用的部分，即权重用词频倒数来计算权重，实验效果也很不错。

上面的方法有一个问题就是没有利用有监督信息，所以效果有明显的天花板。下面介绍这个工作是基于深层网络做有监督学习的匹配的，做法也比较简单，首先把句子文本用one-hot编码，假如词典大小是500K，那编码完长度就是500K维，其实等于是词袋模型，然后输入到一个多层的神经网络去学习，最终得到一个128维的向量作为句子的语义表示，然后用cosine计算两个句子与文档的相似度作为模型输出。这个方法其实是将高维稀疏的token特征映射到低维语义空间，跟词向量的思路很类似，只不过训练目标不同，并且这里使用了深层网络结构。

但是CNN对上下文的处理能力依赖于窗口大小，远距离就没办法处理了，因此要考虑另一种网络单元RNN，这种单元是专门为时序模型量身打造的，简单来说，每一时刻t上的隐藏状态，或者说第t个词上的语义编码，都由两个输入共同决定，即上一时刻的隐藏状态和当前时刻的原始输入，而为了解决远距离传递导致的梯度消失和梯度爆炸等问题，RNN有一些变种结构来应对，比如 LSTM和GRU等。

CNN和RNN都是对原始输入进行语义编码的基本单元，编码后的向量就可以接入多层感知机进行相似度计算，如果是直接计算cosine相似度，那就是dssm的升级版，而更常见的做法是把两个句子的编码向量拼接在一起，再经过一个多层感知机计算相似度，而这种方法统称为表达式建模;

另一种方案考虑到两个句子之间的交互信息对学习他们是否匹配显然更为重要，这一类方案被称为交互式建模，右边是一个典型的例子，他最大的不同是首先对两个句子的所有窗口组合进行拼接和卷积，得到交互信息。然后再进行多次卷积和池化得到表示。其他的交互方式还包括编码之后，进行交互 *** 作，如作差，点乘等，还有计算attention表示，也是常见的交互方式。

下面介绍我们的方案，跟上面介绍的模型相比，我们的方案主要做了两处改动，一个是使用了稠密连接的网络结构，让rnn层的输入和输出拼接在一起做为下一层的输入，第二个是混合注意力机制，即在计算attention向量进行交互式建模的基础上，增加self-attention向量计算，然后把两个attention向量经过门机制进行融合，这样做一方面引入了问句间的交互信息，同时又增强了对自身的表达建模。

上面的模型是比较复杂的模型，参数量有58M。在实际中应用中训练语料会严重不足，为了解决这个问题，我们引入了迁移学习的策略。首先第一种是多任务联合学习，比如在拟合两个问句是否匹配的同时，也对问句进行分类预测;另外还可以同时对匹配的问题对做seq2seq的翻译模型训练。这两个策略都证明能有效提升准确率。

而另一个思路更加直观，即引入其他领域的语料，所谓多语料迁移。Fine-tune即参数微调是其中一种做法，即先用通用语料训练网络，固定底层表达层的参数，然后再使用领域语料调整上层参数;另一种思路参考了对抗学习的思想，即引入一个新的任务“混淆分类器”去判别当前样本是来自源语料还是目标语料，通过在损失函数中增加反向的混淆分类损失项，让混淆分类器尽可能地无法区分样本的来源，从而保证共享了参数的表达网络能够学习到两部分语料中共性的部分。

以上的介绍都是为了完成一个基本的单轮对话机器人，而实际应用中，往往存在需要需要交互的场景，比如查询社保余额，就需要用户提供指定信息，如姓名，身份z号，手机号等。这种是所谓任务导向型机器人，而另一种，基于知识图谱的机器人也往往会涉及到多轮交互。这里简单介绍一下多轮对话机器人的架构，整体上是一个对话管理系统，总的来说是管理会话状态，包含4个模块，分别是输入部分：自然语言理解模块NLU，负责意图识别和抽取槽位实体，比如这里匹配到了意图是查询社保余额，抽取到了社保号1234。得到的意图和槽位值会送入到对话状态追踪模块，DST，他负责会话状态的更新，形式化来说是一个函数，输入是当前状态s和当前的query经过NLU处理过得到的意图和槽位值q, 输出新的状态s‘，下一步是把s’送入DPL，对话策略模块，这个模块是根据新的状态s‘输出行动a，通常这个决策选择会依赖于一个外部数据库或知识图谱，最后，由输出部分，自然语言生成模块NLG负责将行动转换为自然语言文本，返回给用户。

前面提到的单轮FAQ机器人，有一个问题是问答准确率依赖于问答库的质量，而问答库的构建耗时费力，所以针对数据较大的非结构化文档，如果可以直接从中抽取答案，是非常理想的做法。比如斯坦佛大学开源的drQA，就是基于wikipedia的语料做的一个开放域上的问答机器人，我们来看看这种阅读理解机器人的架构示意，他也是基于检索重排的思路，首先把可能的文段从语料库中摘取出来，然后送入阅读理解模型进行答案定位，打分，排序和选择得分最高的答案。阅读理解模型与匹配模型是类似的，需要先对问题和候选文段进行编码表示，不同之处在于最终预测的目标是答案的起始和结束位置。我所在的团队在去年，在阅读理解的权威公开测评Squad v1中取得过第一的成绩，同时参加这个测评的包括了google, facebook, 微软，阿里idst, 科大讯飞等国内外同行。说明业界对这种技术还是非常看重的。

下面分享小知在把以上技术落地产品化的经验。首先我们来看看小知的整体架构图，核心引擎有两部分，一块是上面重点阐述的深度语义匹配模型，另一块是本次分享没有展开的知识图谱引擎，在此之上，我们构建了FAQ机器人，多轮会话机器人(任务机器人)，闲聊机器人等。以下是我们单轮和多轮机器人的示例。

在我们实际的落地项目中，得益于深度迁移模型的语义匹配能力和行业知识图谱的的精准匹配和辅助追问，小知机器人能够做到95%左右的问答准确率，并且节省了50%以上的服务人力，切实为政府和企业提升效率和降低成本。

在智能客服的基础上，我们又打造了基于语音的电话机器人，力主融合智能客服，人工在线客服，工单系统和电话机器人，为客户打造从售前售中售后的整体解决方案。

以下是电话机器人的整体架构图，核心是自然语言理解NLU模块，负责识别用户提问意图

提取相关实体。根据NLU输出的结果，内置的对话管理引擎会进行流程状态流转和跟踪。

另外，ASR语音识别和TTS语音合成是不可或缺的重要服务，这三个模块相互协作，共同完成与用户的交互。

最后对智能问答的未来发展提几点我的看法。目前学术界比较公认的一个方向是，需要更有机地结合模型和规则，而在问答领域，规则的一大组成部分就是知识图谱，包括开放领域的知识图谱和专业领域知识图谱。而更进一步地，我们需要研究带有推理性质的事理型知识图谱去描述领域内的规则和知识，让机器人能够处理带有复杂条件的问题，提供更智能的回复。在我看来，智能问答的一个突破口就在于解决以上三个问题。以上就是今天分享的内容，谢谢大家。

主讲人介绍：

陈松坚，腾讯数据平台部算法高级研究员，有着8 年的 NLP 研发经验，2017 年加入腾讯 TEG 数据平台部，负责智能客服产品腾讯小知的算法规划和落地。负责过多个智能客服项目，对封闭领域的智能问答有丰富的实战经验。

这麼发送。键呼出控制台，回车(Enter)执行。没有安装BaseMod的且不是legacy版输入指令前面要加“rimi ”代码中的a为数字。 b为字符。 c为异想体序号(收容顺序)。 d为员工编号(雇佣顺序)。 e为boss名字Malkut、Yesod、Hod、Netzach、Tiphereth1、Tiphereth2、Geburah、Chesed、Binah、Chokhmah、Kether、Daat、Dummy。 f为伤害类型r,w,b,p。 g为装备编号。 h为语言编号bg,cn,cn_tr,en,es,jp,kr,ru,vn。i为任务编号。j为异想体编号。creature addfeeling c/b a (输入c a时增加c异想体a心情,输入b a时增加所有异想体a心情)creature subfeeling c/b a (输入c a时设置c异想体为a心情,输入b a时设置所有异想体为a心情)creature setobservable c/b (输入c时开启/关闭c异想体的观察,输入b时开启/关闭所有异想体的观察)creature takephysicaldamage c a (对c异想体造成a物理伤害)creature cakeislie a/ b a (只输入a时所有异想体增加a pebox，输入b a时所有异想体增加a pebox并使逆卡巴拉计数器减一)creature yannokakora c/ c a(a<=0) （只输入c时c异想体逆卡巴拉计数器减一，输入c a(a<=0)时c异想体逆卡巴拉计数器加一)creature cryofbanshee (秒杀所有非多个体异想体，除了考验和boss。原版可能会变为加血，打了basemod的除外)standard addsystemlog (再次~键后输入的指令无效，打出的字会显示在左下角的列表里)standard expectopatronum a (增加a能量)standard angela (再次~键后输入的指令无效，安吉拉会读出其内容)standard agentlist e (作用未知)standard salmonsushi a (增加a lob)standard jarvis (调出egolist)standard dragons a (currentScore增加a，currentScore达到50/80/100时播放1/2/3级警报)standard bang f a1 (0-5) a (特效，对角色编号为1的员工造成a点f伤害，a1为增伤减伤公式中对应等级)
standard forge g (获取g装备)standard ordeal a(0-3) (召唤随机考验,等级为a只能从低到高召唤且不超过当日最大考验)standard sniperelite (填充所有子d)standard overload a (增加a格逆卡巴拉计量表)standard bossiscoming e (开启e抑制核心，要在开始管理前用)standard blahblah b (像boss一样说话，抑制核心时才能用)standard mission a (完成e顺序的任务，例如Malkut为0，Chesed为7)
standard allinone (填充四项属性为1级的员工到未部署满员工的部门，hod抑制核心后变3级)standard raBBitprotocol (调出兔子页面)standard merrychristmas (圣诞快乐)standard clearoverload (清除所有逆卡巴拉能量熔毁)standard checkmate (清除抑制核心boss)standard alldone (解锁所有部门研究)standard iamfire (撤离所有部门第一名员工，要在开始管理前用)standard missionimpossible i (增加i任务，要求该部门开启且此任务未完成)agent takephysicaldamage d a (对d员工造成a物理伤害,可以为负数)agent takementaldamage d a (对d员工造成a精神伤害,可以为负数)
agent captainlobotomy d a (设定d员工生命和精神为a,只存在一天)agent iamyourfather d a(0-4) (特效，使员工受到a级恐惧)agent present d g (给d员工g饰品)agent theft d g (移除d员工g饰品)agent damage f d a (对d员工造成a点f类型伤害)officer crusio a (使所有文职发疯)officer takephysicaldamage a (对所有文职造成a点物理伤害)beta energy a (获得a%最大能量)beta meltdown (逆卡巴拉熔毁等级加一)beta lob a (获得a点lob)beta pebox a (所有异想体获得a点pebox)
beta equip (获得两件屌爆的装备！你还在等什么？赶快带上它去单挑白夜吧！)beta equip等同于standard forge 177777 standard forge 277777以下是有风险的指令standard fifo j (添加j异想体，容易毁档且成功率低！！效果不如mod，不推荐使用)具体使用方法：在天数更新前使用，无法添加阴，白夜这类异想体，添加异想体数量达到当天数量上限后不会出现选异想体的页面(20天-24天 45天-49天为2，其余时候为1)，添加过多可能出现异想体无法管理的状况，添加重复、无效的异想体会用空位占异想体格子，导致直接少一个可以获得异想体的机会。一般存档位置：user\AppData\LocalLow\Project_Moonbeta storytester (进入故事模式，管理中使用直接白干)root language h (切换语言为h，要在标题画面使用，管理中使用直接白干)

我很喜欢玩剧本杀，基本上有利于提高社交能力和思维能力。

“剧本杀”，一词起源于西方宴会实况角色扮演“谋杀之谜”，是玩家到实景场馆，体验推理性质的项目。剧本杀的规则是，玩家先选择人物，阅读人物对应剧本，搜集线索后找出活动里隐藏的真凶。

“剧本杀”有线上和线下“打本”两种方式。
线上App提供的剧本大部分免费，少数精品剧本需要付费，玩家在同一个网络“房间”中以声音展开角色扮演游戏；
线下实体店通常根据剧本设定布置场景，玩家同处一室，通过语言、表情、谈吐、肢体动作等表演故事。
这样的游戏过程也被玩家们称为“打本”“玩本”“盘本”。

剧本杀的红火不仅引来众多文创从业者的参与，也吸引平台方纷纷入局，推出剧本杀综艺节目。去年，《奇异剧本鲨》《萌探探探案》《最后的赢家》《明星大侦探第六季》接连上线；今年，《大侦探》完结后，《开始推理吧》《萌探探探案第二季》无缝续上剧本杀综艺的热度。这些剧本杀综艺各有侧重：《萌探探探案》是一档“IP+”沉浸式推理真人秀，偏重在游戏中制造笑果。《潜伏》《庆余年》《还珠格格》等经典IP均被改编成了剧本杀游戏。《奇异剧本鲨》则是一档明星社交体验真人秀，主打沉浸式剧本杀，让玩家在游戏中完成社交。

前不久，谷歌停止了在亚马逊 Echo Show 上提供 Youtube 视频，而亚马逊也一直在其商店里封杀谷歌的多款智能硬件（包括 Google Home）。
然而无论是苹果的 HomePod、谷歌的 Google Home、亚马逊的 Echo，还是三星传言将在明年上半年发布的 Bixby 智能音箱、阿里在双十一砸钱赚吆喝的天猫精灵，抑或是生态链完整的小米推出的小爱同学，大佬们意欲通过智能音箱作为抢占未来物联网流量入口的野心已是昭然若揭。
▲从左至右：苹果 HomePod、谷歌 Google Home、亚马逊 Echo
当然，物联网的概念被业界大佬如此看重是有原因的。
据美国 IT 研究与顾问咨询公司 Gartner 发布的数据预测，到 2020 年，全球联网设备数量将达到 260 亿台
而在普通大众的眼中，今天的物联网可能是这样的：
▲扎克伯格展示他开发的人工智能家居系统 Jarvis
这样的：
▲苹果的 Apple TV 和智能家居互联
或者是这样的：
▲手机 *** 控室内的灯光
虽然看上去很酷，但是相比将来庞大的市场规模，从上面一系列的产品不难看出当今物联网产品的发展还都停留在较为简单的手机/智能音箱与智能家居产品之间的互联上，无论是距离人本身与物的联接还是未来物联网的终极形态——「万物互联」都还比较遥远。
比如这个自动跟随行李箱，自己「长了腿」会跑，使用者就能很轻松地腾出两只手做别的事；
近来越来越成为热点的自动驾驶技术自然也离不开物联网技术的应用，人们开车时享有的自由度将得到极大地提升；
能自动跟踪、自动感应开关的电风扇、水龙头瞬间就将现在的产品化为古董；
在图书馆找书的时候，书能自己跳出来的感觉不要太好；
想当辣妈？自动跟随的婴儿车足够满足这个愿望；
感应式的路灯不仅关心你的路途，同样关心节能环保的路途。
当然，物联网的应用不仅能让个人的生活变得简单、自由、舒适，城市的管理同样将变得更加高效可控。
当你没有在规定位置停车，会被及时告知，城市也将不会有偏差，变得更加规范；
当路面出现障碍物，车主同样会受到提醒，城市将不会有危险；
当出现走失儿童，位置信息同样也会被捕捉到，城市将不会有意外。
从以上的例子不难看出，相比目前在几乎都位于室内的物联网智能家居这种单一形态，未来的物联网时代将实现更多人与人、人与物、物与物之间的联接，并在提供更多使用场景的同时简化人们的生活，消灭「不确定性」。
而要想实现上述的确定及可靠的转型升级，高精度的位置服务将成为其中一个关键的变量。
具体来说，如果未来物联网仍采用 GPS 十米级别的定位精度，那就意味着上述的电风扇和水龙头将不能精准地「找到」用户所在的位置，水乱流、风乱吹将成为常态；无人驾驶汽车在某些路况下也许就不能一直沿着既定道路行驶，更别提去精准躲避马路上的玻璃渣了。
▲无人驾驶汽车在没有道路标线的情况下大概只能依靠高精度导航了
同样地，今天我们或许都不会去想身边出去旅行能有一个自动跟随的旅行箱，这是因为定位的精度达不到要求，与其带着一个「不认主人」还「满地乱跑」的旅行箱，还不如老老实实自己拉着。
以上由物联传媒提供，如有侵权联系删除

这使得世界各地的人们，通过匿名聊天室和网上论坛等方式进行互动。而现在随着社交网络的普及，匿名正在慢慢消失。这是在社交方面的计算。在商业方面，另一个模式已经越来越流行。由于在全球经济动荡的环境下，每个企业都在争先恐后地寻找解决方案，这将有助于他们利用自己的长处，在全球打开更广阔的市场。云计算正在促使这个目标慢慢实现，它使企业能够实现更好的服务，通过低成本和可扩展的IT能力，更好地管理其内部业务。 云计算革的命性不仅仅是针对企业，同时也影响着我们的日常生活。这是因为在我们的日常生活因为与互联网的交互，使我们一定会遇到云计算，无论我们是否知道那就是云计算。因此云计算正在改善着我们的生活，或至少在某些方面改变着我们的生活。下面就一起来看看： 1电源提供不中断的速度和运算能力。 当一个人想成为一个“真正的玩家”,需要硬件来支持，或者至少是支持这个游戏的硬件，在以一种正确的方式运作。当然，那需要大量的资金投入。但是，云计算正在改变这一切。想象一下，在平板电脑上玩对硬件要求苛刻的游戏。是的，这是完全有可能的，因为游戏本身将运行在硬件能力很强的服务器上，当这名球员在移动设备上或弱简单的流媒体视频服务器，并上传实时控制的计算机。所有你需要的是一个互联网连接的媒体视频的流畅。例如OnLive的服务。 2可以做到及时改正。 计算通过全面的信息和警报将真正地使生活变得更轻松，并通过特定的信息交流。例如，你的车运行状况都可以得到计算机的监控，如果你不能达到最近的加油站，它可以及时发送警报，从而避免意外的发生。如果您的车坏了，如果可以弥补，电脑可以简单地给出一些关于如何解决它的方案。如果不能，则会通知最近的拖车公司。 3计算将成为无形的。 很快，计算机和软件将成为“隐形的”,他们从视图中隐藏。我们可以通过手势或者照相机来证明这些存在并为我们提供者帮助，或者我们根本没有办法捕捉到。例如JARVIS铁人里，你只需问什么，信息便会从云投影到显示器。大多数时候，它甚至可以根据你过去的行为和个人行为的发展趋势预测你最需要的。 4可见性和可靠性的库存记录。 有时候，我们在网上看到目录，我们发现一个有希望的项目，但后来发现它无法直接购买或者参与，只有当我们到达那里才可以。而有了云计算，这些存货可以自动更新，可以防止这种状况的发生。你可能会问，为什么不能直接在线购买？但是，如果你买衣服之类的，亲自做的当然始终是最好的。 5公司将成为值得信赖的顾问。 随着我们的活动习惯被记录在网上，不会很长，公司将确切地知道我们什么时候需要或需要什么。当发生这种情况时，广告将不再需要引起我们的关注，之所以我们买他们，而是他们会知道谁需要他们的产品，并立即通知那些人。 6提供了一个独特的销售方式。 正如上一点讲，企业就已经知道我们想要什么和需要什么样的服务，所以他们能够立即面对真正的顾客。在其他方面，我们的采购正在慢慢地从零售商店转移到在线商店。在软件方面，可以通过云计算提供免费版本，最终当这些人需要该软件的其他功能的软件，他们会购买它。 7小规模企业的全球化。 由于非常低的门槛，云计算按次付费的使用模式，即使是小企业也有比拟大型跨国公司的IT能力，从而使他们能够参与全球竞争。例如，一个发展中国家小的图形工作室也可以通过各种云计算解决方案，面向全球出售自己的在线服务，例如菲律宾，这在十年前是不可想象的。 8安全的数据存储在笔记本电脑中。 通过工业间谍活动窃取企业的笔记本电脑，是获取敏感信息最简单的方式。而存储在云上的重要文件和数据，它是安全的，因为可以从世界上任何地方访问到他，而不是被束缚在一个特定的地方。也就是说，可以及时更改或者删除被数据。 9云计算助力发展中国家发展。 在发展中国家，可能没有足够的IT设备提供给大型企业。所以组织和企业为提升发展速度将拥抱云计算，以保持竞争力，这甚至可能使自身企业成为市场的领导者。 10请大家自力更生。 由于云计算可以整合利用现有大量的资源，这就使得企业完全可以通过自身的实力来充分挖掘利用这些资源。它可以用于产品开发、测试，通过协作来降低我们的发展成本。 结论 有了云计算，企业的性质正在迅速发生变化，让中小企业也有了与大的企业集团竞争的机会。也正因为如此，消费者将大大受益，因为从长远来看，竞争会促进市场产生更好的服务和产品，消费者也将因此受益。

合格的数独是有解，而解是唯一解
一般是运用回溯演算法，这是试误法，通常是以电脑程序检查。
以人去检查不如程序检查快！
著名的程序是 爱尔兰数学教授麦盖尔 博士（Gary McGuire）的无偿程序 SOLVEREXE ，计算机专业的学生都可以写的出这个程序，但是程序的执行速度仍有优劣之分。
>