阿里云，新变化！

11月26日，阿里巴巴集团对旗下组织体系进行战略升级和调整。在一系列的调整中，针对云计算部门的调整惹人注目。

组织和业务方面，阿里云事业群升级为阿里云智能事业群, 包括机器智能的计算平台、算法能力、数据库、基础技术架构平台、调度平台等核心能力，将全面和阿里云相结合;人事方面，阿里巴巴集团CTO张建锋将兼任阿里云智能事业群总裁，直接向阿里巴巴集团CEO张勇汇报。

阿里云是中国排名第一的云计算厂商，跟亚马逊AWS、微软Azure并称为全球”3A”云计算厂商。过去18个季度以来，营收保持着指数级增长。

它的最新变化，不会是简单的一次调整，肯定跟阿里巴巴集团对于未来云计算产业发展趋势的战略思考和判断有直接关联。战略先变，然后才有组织和人事之变。

对于本次调整，我觉得可以从三个层面来进行解读：

第一，先来看本次战略升级对于阿里云自身的影响。

最直观的是，阿里云事业群升级为阿里云智能事业群。虽然名字多了“智能”一词，但是背后的深意却非常重要。

先来看一下阿里巴巴集团CEO张勇在内部邮件中的阐述：

“集团过去几年在实施中台战略过程中构建的智能化能力，包括机器智能的计算平台、算法能力、数据库、基础技术架构平台、调度平台等核心能力，将全面和阿里云相结合，向全社会开放，为全社会服务。阿里云智能平台是阿里巴巴集团中台战略的延伸和发展，目标是构建数字经济时代面向全社会基于云计算的智能化技术基础设施。”

在我看来，上述文字向外界传达出这样的信号：阿里巴巴集团将会大力投资云计算业务，尤其要加大技术方面的投入，通过整合阿里全集团的技术实力来升级阿里云平台，使其变成“云+智能”的智能化技术基础设施。

当然，这个智能化技术基础设施的打造，其实更大的战略目的是助力实现“阿里巴巴商业操作系统”的落地和全社会普及。

2018年投资者日上，张勇首次对外提出“阿里巴巴商业操作系统”，认为它是数字经济时代独特的商业基础设施。张勇认为，在阿里巴巴经济体中，包括购物、娱乐、本地生活等多元化的商业场景及其形成的数据资产，与阿里巴巴正在高速推进的云计算一经结合，共同形成了独特的阿里巴巴商业操作系统。

经过这样的调整之后，一方面，阿里云智能平台将是阿里巴巴商业操作系统对外落地的出口;另外一方面，阿里云拥有了参与中国和全球云计算市场竞争的最明显“差异化”能力，成功的阿里巴巴全球只有一家，它的能力也是全球唯一，承载这种能力的智能技术基础设施也只有一家，它就是阿里云。

2、阿里巴巴集团对于云计算业务面向未来的新思考。

一家企业进行组织架构调整的目的一定是重新归类和分配公司的资源，让公司拥有区别于竞争对手的特色，或者更加突出自己的特色。

这种调整通常都是企业根据客户需求、市场变化、产业变革、技术革新、组织活力等内外环境而做出的。

2007年，阿里巴巴集团萌生了做云计算的想法。2009年春节，工程师敲下“飞天”系统的第一行代码，正式掀开了阿里巴巴做云计算的序幕。

在近10年里，阿里云经历了几任领导：王坚、三丰、菲青、孙权。王坚博士完成了阿里云的从0到1的技术突破，三丰和菲青推进了阿里云的技术成熟，而孙权则成功实现了阿里云的技术商业化以及业务国际化。

从阿里云几任领导的成绩之中，我们可以看到阿里云战略的一个清晰的战略递进节奏——先实现技术，再打磨技术，最后商业化技术。

10年前，阿里集团高层根据当时对云计算的理解和判断制定了这样一个发展战略。但是，到了今天，产业环境，客户需求，技术变革等等因素都有了很大的改变。

阿里云最初瞄准互联网行业的客户，但现在客户已经遍布各行各业;阿里云当时只是为了提供计算、存储等技术产品，但现在还提供中台、大数据、物联网等解决方案;10年前智能手机还没有热起来，但是今天人工智能、芯片、数字化转型等早已经成为科技领域的热点。

正是预见到技术的重要性，阿里巴巴集团去年10月成立达摩院，立足基础科学、颠覆性技术和应用技术的研究。

成立不到一年时间，达摩院落地了多项研究成果。比如城市治理方面，达摩院与阿里云城市大脑一起，将杭州试点区域通行时间减少15.3%，救护车抵达现场时间减少一半;赋能工业方面，ET工业大脑帮助解决良品率提升、故障率预测等制造业难题，帮助协鑫光伏、中策橡胶等大型企业创造利润数十亿元。

从上面的案例，可以看出技术在各行各业转型升级中展现的重要性愈发明显。面对产业环境的重大改变，阿里集团本次针对云计算业务的调整，显然不是简单的战略升级，而是面向未来5-10年，保持阿里云持续的产业竞争力，而作出的重要战略革新。

3、阿里云带来更大价值，也有更大可能性。

今年双11前夕，张勇在接受美国CNBC采访时曾表达过这样一个意思：云计算业务未来将成为阿里的“主营业务”。而要实现这个目标，阿里集团制定新的云计算业务发展战略显然是必要的，而调整组织架构，重新分配公司资源也就在情理之中。

实际上，从张勇的邮件里，我们可以看到，阿里巴巴集团正把集团过去几年在实施中台战略过程中构建的智能化能力全都整合到阿里云智能平台，这显然能够给企业客户带来更多价值。

阿里巴巴集团通过实施中台战略，实现了业务的多层次创新和发展，不但一切业务数据化，反过来也通过一切数据业务化，孵化出更多新的业务，为企业未来的增长打好基础。

这样成功的数字化转型经验，如果能够不断输出给其他行业客户，对于完成企业的数字化转型肯定很有帮助。反过来，客户的成功也一定助推阿里云实现更大的可能性。

华尔街投行高盛前段时间发布最新的云计算行业报告，称随着全球云计算市场规模的持续增长，行业的集中度也将进一步提升，越来越多的市场份额将流向亚马逊、微软和阿里巴巴等少数几家头部云计算公司，云计算市场将进入寡头竞争时代。

与全球巨头竞争，阿里巴巴集团需要让云计算业务不断变化。

2019年即将到来，人工智能将往什么方向发展？机器学习将如何演变为人工智能？在神经网络领域具有20年的技术经验Eugenio Culerciello，在硬件和软件两方面都有经验积累。他预测，在硬件和应用两方面，2019年的人工智能都值得我们期待。

目标

一句话概括，人工智能领域的目标就是制造超越人类能力的机器：自动驾驶汽车、智能家居、人工助理和安防摄像头是首要的目标，接下来是智能厨房、清洁机器人以及安防无人机和机器人。其他应用包括永远在线的个人助理，和能够看见、听见用户生活经历的生活伴侣。人工智能的终极目标则是完全自动的人工个体，能在日常任务中达到、甚至超越人类的工作表现。

软件

通常，软件是指在最佳化算法训练之下，能够解决某一具体任务的神经网络架构。不过，这并不能等同于人工智能。人工智能必须能够在真实环境中进行无监督学习，从新的经验中学习，结合在各种环境中学到的知识、解决当下的问题。那么，目前的神经网络，如何能演变为人工智能呢？

神经网络架构神经网络的优势在于从数据中自动学习，但我们忘记了一点：训练的基础是手动设计的神经网络架构，这无法从数据中习得。这是目前这个领域的重大限制因素。问题在于，从数据中学习神经网络架构目前必须从零训练多个架构，然后选择一个最佳架构，这需要太长时间。

目前神经网络的限制无法预测、基于内容推理和暂时性不稳定都是目前的限制。我们需要一种新的神经网络。神经网络正在演变为编码器和解码器的结合。编码器将数据编码为一种代码表征，解码器则扩展表征，生成一系列更大的表征，例如图像生成、心理模拟、图像标亮等。

无监督学习人类无法永远守在机器旁，一步步指导它们的“人生经历”。我们可忙得很！可是目前，对于监督学习我们还得给机器反馈，改正它们的错误。而人类只需要学习几个例子，就能自动改正，并持续学会更多、更复杂的数据。预测型神经网络目前神经网络的主要限制之一是，它们无法像人类大脑一样进行预测。预测听起来很玄乎，但其实我们每天都在预测。如果桌子上有一小团棉花，你自然会预测棉花团会很轻，不需要花很大力气就能拿动。通过预测，我们的大脑能理解我们的身体和环境，还能知道我们是否需要学习新信息。如果你拿起桌上的棉花团，发现由于里面藏着铅块其实很重，大脑的认知能力能让你学会判断，第二次拿起棉花团的时候就不会惊讶了。预测性神经网络是与复杂的外在世界互动的核心。

持续性学习“终生学习”对于神经网络来说是一件大事。目前的神经网络要想学习新数据，必须每次都从头开始重新训练。它们必须能意识到自己的“无知”，并自动评估是否需要进行新的训练。同时，在真实世界中，我们希望机器可以学会新技能，同时不忘记原本的知识。持续性学习也与迁移学习有关，这需要用到所有上述提到的技能，对增强型学习也很重要。增强型学习增强型学习可谓是深度神经网络的领域的圣杯。这需要自动学习、持续学习、预测能力和很多我们还未知的能力。目前，解决增强型学习的问题，我们使用标准的神经网络，例如可以处理视频或音频等大容量数据输入的深度神经网络，并将其压缩为表征，或者RNN等序列学习神经网络。它们可以从零开始、甚至一夜之间学会下围棋，但是与人类在真实世界中的能力相比，还相差很远。循环神经网络（RNN）Out了RNN很难进行并行化训练，由于使用超高的容量带宽，即便在特殊的定制机器上也运行很慢。基于注意力机制的神经网络—尤其是卷积神经网络—训练和配置起来更快、更高效，并且更容易规模化。它们已经逐渐补充语音识别，并在增强学习架构和AI的广阔天地间寻找更多的应用。

硬件

由于硬件的支持，深度学习在2008至2012年间实现了突飞猛进式的进展：每一部手机上都配有便宜的图像传感器，能够收集大量的数据库，同时GPU加速了深度学习的训练。在最近两年，机器学习硬件飞速发展。许多公司都在这个领域：NVIDIA、Intel、Nervana、Movidius、Bitmain、Huawei、ARM、Wave等等，所有公司都在开发定制的高性能芯片，用来训练和运行深度神经网络。这场开发竞赛的关键是， 在处理最近的神经网络运作时，提供最低的能力和最高的可测量性能。不过，只有少数人知道硬件对机器学习、神经网络和人工智能的影响，或者微型芯片的重要性以及如何开发微型芯片。例如：

架构：很多人觉得计算机架构不过是加法器和乘法器，但是有一些架构能够最小化记忆带宽，一直同时使用所有单元。编译器：很多人觉得硬件不重要，神经网络编译器才是关键。但是在自己设计架构的时候，编译器只不过是通过机器代码，解读神经网络的计算图像。开源编译器的作用有限，因为最难的一步得依靠未知的架构。开源编译器可以作为前端，在硬件架构和神经网络图像之间还有很多值得探讨的领域。微型芯片：对于重要的算法，优化性能的最佳办法就是定制微型芯片，或者ASIC或SoC。FPGA现在已经含有深度神经网络加速器，预计将在2019至2020年实现，但是微型芯片总是更好的。进步：即便微型芯片的规模化还未被使用，还有一些技术进步能让深度神经网络加速器轻松获得10至20倍的提升。值得关注的的进展包括系统级封装和升级记忆等。

应用

现在，我们来详细讨论在哪些应用领域，AI和神经网络将改变我们的生活：

分类图像和视频：云服务已经包含了这项应用，接下来也会来到智能视频传送中。神经网络硬件不通过云端，在本地处理越来越多的数据，不仅保护了隐私，也节省了互联网带宽使用。语音助理：语音助理已经进入我们的生活，在智能家居中起到重要作用。不过，我们经常忽视聊天的难度，对人类来说是一项基本活动，而对机器来说则是一项伟大的革新。语音助理正在进步，但还是不能完全移动化。Alexa、Cortana和Siri会永远在线，手机将很快成为未来的智能家居。这是智能手机的又一次进步。除了手机，语音助理也需要进入汽车，随着用户移动。我们需要更多的本地语音处理、更强的隐私保护和更少的带宽要求。随着硬件的进步，1至2年之内这些都能实现。人工助理：语音挺好，但是未来我们真正想要的人工助理还能见我们所见，跟随着我们移动的脚步分析周围的环境。神经网络硬件会帮助我们实现这个美梦，但是分析视频传输要求很高的计算能力，已达到了目前硬件能力的理论边缘，比语音助理要困难得多。AiPoly等创业公司已经提出了解决方案，但是缺乏强大的硬件，使其能在手机上运行。另外值得关注的还有，如果把手机屏幕换成类似眼镜的可穿戴设备，我们的助理将成为我们的一部分。家务机器人：另一项重要应用是可以做饭和清洁的家务机器人。我们也许很快就能实现硬件，但是还缺乏软件。我们需要迁移学习、持续学习和增强型学习。每一个食谱都不一样，食谱里的每一种食材都不一样。我们无法把这部分写死，必须开发一个善于学习和总结的机器人。这还是一个遥远的理想。

标签：

版权申明：本站文章部分自网络，如有侵权，请联系：west999com@outlook.com
特别注意：本站所有转载文章言论不代表本站观点，本站所提供的摄影照片，插画，设计作品，如需使用，请与原作者联系，版权归原作者所有