禁止向警察提供人脸识别支持的企业行列

在2012年以后，随着深度学习技术的崛起，图像识别技术的精确率有巨大的提升，这时候我们尝试运用图像识别帮助我们做更多的事情，例如将人脸识别应用在考勤和车站人流检测的场景上，甚至是在畜牧业采用猪脸识别实现农场的智慧管理。

直到2015年，对抗生成网络(GAN)技术将图像识别的精确率在一夜之间推到一个前所未有的高度，短短几年时间，图像识别技术逐渐应用在鉴定、安防以及金融等，对准确度度要求很高的领域，例如假钞验真、名画鉴定等专业场景。

2019年VQ-VAE继续超越GAN，已经做出了以假乱真的照片，从识别、模仿到创造，技术一直在进步。这就是属于以前想做，但是没办法做的场景，随着技术的进步被逐渐解决。

今年的疫情，对全人类来说是一场大考，但也是新技术落地的一次机会。

英国伦敦有一家创业公司叫BenevolentAI，他们研究的方向是检索医学文献的系统。在新冠期间，他们利用人工智能算法搜索已知药物的数据库，在很短的时间内找到类风湿性关节炎药物巴利西尼可能是治疗新冠肺炎的方法。


 

技术的发展推动了新场景的出现。新技术的突破，让人们看到两个希望，一是原有一些应用场景可以被颠覆式优化，二是会创造出全新的应用场景，产生全新的市场。以往“想做但是没办法做”的场景以及“没想到可以这样做”的场景，可能只需要一两年的时间，就出现了更成熟的技术能够满足这个场景的需求。

例如图像识别是一项广泛应用在我们生活中的人工智能技术，在2012年以前，基于机器学习的图像识别技术的精确率并不高，所以在当时，图像识别只能用于车牌识别、符号识别这类简单的场景。


 

发展手段。创新的结果便是促动企业不断设计、生产出符合市场需要的新产品，产品创新是企业经营的延续和深入。

但是关于产品创新，我们看到的局面是：大的创新点越来越少，小的创新点都是给行业大佬打工。如果我们所处的行业已经有一个龙头大哥，你只做些微创新、渐进式创新没有意义，因为龙头大哥的抄袭成本太低了，你想颠覆他基本没有可能。这是目前行业面临的挑战和问题。

面对这样的困境，今天在这里，我想为大家分享一些我对AI创新的看法，帮助大家打破常规创新的思维定式，创造更多的颠覆式创新。

01 为什么我会认为AI让创新更简单了

技术与市场并非一成不变，技术一直在发展，而市场一直在调整，两者都是处于动态演变的过程中，这一点在人工智能领域尤为明显。


 

• 对于表中返回boolean或者Optional的操作（Optional是存放 一个 值的容器）的操作，由于值返回一个值，只需要在对应的Sink中记录这个值，等到执行结束时返回就可以了。
• 对于归约操作，最终结果放在用户调用时指定的容器中（容器类型通过收集器指定）。collect(), reduce(), max(), min()都是归约操作，虽然max()和min()也是返回一个Optional，但事实上底层是通过调用reduce()方法实现的。
• 对于返回是数组的情况，毫无疑问的结果会放在数组当中。这么说当然是对的，但在最终返回数组之前，结果其实是存储在一种叫做Node的数据结构中的。Node是一种多叉树结构，元素存储在树的叶子当中，并且一个叶子节点可以存放多个元素。这样做是为了并行执行方便。关于Node的具体结构，我们会在下一节探究Stream如何并行执行时给出详细说明。

结语

本文详细介绍了Stream流水线的组织方式和执行过程，学习本文将有助于理解原理并写出正确的Stream代码，同时打消你对Stream API效率方面的顾虑。如你所见，Stream API实现如此巧妙，即使我们使用外部迭代手动编写等价代码，也未必更加高效。

（编辑：广元站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!