8月1日，阿里云发布“ET工业大脑”两年来的“内测”成绩单，并宣布向国内所有制造企业开放“ET工业大脑“平台。ET工业大脑是基于阿里云大数据一体化计算平台，通过工业数据集成套件对多方工业企业数据进行汇集，借助语音交互、图像/视频识别、机器学习和人工智能算法，激活海量数据价值，为解决工业制作业的核心问题而打造的数据智能产品。ET工业大脑也是集数据工厂、算法工厂、AI创作间以及行业应用于一体的总体架构。

1、数据工厂为用户提供一站式数据资源管理服务

数据工厂提供的各项功能可支撑数据管理的全部能力域和能力项，为用户提供一站式数据资源管理服务，方便用户完成数据架构、数据标准、数据质量、数据应用、数据生命周期管理等多项数据管理应用，为工业大脑的上层数据应用提供全量、标准、干净、智能的数据。

2、 算法工厂面向工业提供一体化管理

算法工厂是一个面向工业的算法综合管理平台。通过对算法部署、接入、调试、调用等过程的一体化管理，实现算法与应用的解耦、算法复用。应用可以基于标准化产品的统一接口快速封装解决方案，提高算法工程化效率。

3、AI创作间操作简单

工业大脑AI创作间是所见即所得的可视化业务编排工具，开发者可以使用拖拽的方式对业务流程、业务数据字典、业务规则、行业算法组件进行任意的组装，从而实现特定业务场景下人工智能的诉求。

4、行业应用场景丰富

ET工业大脑的应用场景为：供应链智能、研发智能、产线智能、营销智能、设备智能等等。提供“供、研、产、销、能、环”多维度、全链路的智能应用服务。以供应链智能为例，ET工业大脑供应链优化套件通过历史销量数据、订单数据、车辆数据、高德数据的智能挖掘，能够对库存进行分析和优化，合理控制库存，建立订单和车辆的特征体系和评估体系，最大程度实现最低库存积压，提升物流配送效率。

浙大网新：全资子公司网新系统收到中标通知书，中标金额9,901.69万元

浙大网新8月7日发布公告，全资子公司浙大网新系统工程有限公司于近日收到招标人武九铁路客运专线湖北有限责任公司的《中标通知书》，网新系统已被确认为新建郑州至万州铁路湖北段“强电”、“弱电”、“客服信息”系统集成及相关工程-DJKF标段的中标单位，中标金额9,901.69万元。

新智认知：发布2018年半年度报告，营业收入119,747.96万元，同比增长33.37%；归母净利润13,501.09万元，同比增长54.79%

新智认知8月9日发布2018年半年度报告，营业收入119,747.96万元，同比增长33.37%；归母净利润13,501.09万元，同比增长54.79%。

GQY视讯：持股0.6544%的股东陈云华女士拟减持不超过600,000股，占公司总股本的0.1415%

GQY视讯8月12日发布公告，持股0.6544%的股东陈云华女士拟减持不超过600,000股，占公司总股本的0.1415%。

科大讯飞：发布2018年半年报，营业收入320,998.92万元，同比增长52.68%；归母净利润13,060.26万元，同比增长21.74%

科大讯飞8月13日发布2018年半年报，营业收入320,998.92万元，同比增长52.68%；归母净利润13,060.26万元，同比增长21.74%。

新智认知：持股5%以下股东万丰锦源计划减持公司股份不超过8,109,000股，不超过总股本的2.32%

新智认知8月13日发布公告，公司股东万丰锦源计划在本公告公布之日起三个交易日后的12个月内，根据市场情况，通过集中竞价、大宗交易的方式减持合计不超过8,109,000股，不超过总股本的2.32%。万丰锦源持有公司无限售流通股8,109,000股，占公司股本总数的2.32%。

远方信息：因原股东违反收购协议改选董事会及监事会成员，失去慧景科技控制权

远方信息8月14日发布公告，公司2017年通过子公司收购慧景科技，合计控制1,058.35万股股份，占慧景科技总股本的45.62%。8月13日，在慧景科技召开的临时股东大会上慧景科技股东、总经理兼法定代表人陈伟等股东违反《收购协议》的相关约定，强行将董事会成员及两名非职工代表监事全部改选为陈伟提名人员。公司实际已无法控制慧景科技，公司存在根据相关会计准则无法将慧景科技纳入公司合并报表的风险。

行业新闻

巨头新动向

谷歌大脑提出对抗正则化方法，显著改善自编码器的泛化和表征学习能力

自编码器因其优越的降维和无监督表征学习能力而知名，而过去的研究表明自编码器具备一定程度的插值能力。来自谷歌大脑的 Ian Goodfellow 等研究者从这一角度提出了一种新方法，显著改善了自编码器的平滑插值能力，这不仅能提高自编码器的泛化能力，对于后续任务的表征学习也会大有帮助。文章主要在自编码器的规范化以及插值改进方面做出了以下贡献：1.提出了一种对抗正则化策略，该策略明确鼓励自编码器中的高质量插值；2.开发了一个简单的基准，其中插值定义明确且可以量化；3.定量地评估了常见的自编码器模型实施有效插值的能力；4.证明了正则化项有利于后续任务的表征学习。

Nature Medicine论文展示DeepMind眼疾诊断里程碑：临床专家级、「解决」黑箱问题

DeepMind 于8月14日发布博客宣布其与伦敦摩尔菲尔兹眼科医院联合研究的第一阶段成果，他们将深度学习应用到眼部疾病的诊断，并为患者与医师提供可解释性的分析图。目前，眼部护理专家使用光学相干断层扫描（OCT）来帮助诊断眼睛状况。这些 3D 图像能够为眼睛后部提供详细的图像，但是它们很难阅读，需要专家分析才能判别眼睛状况。DeepMind 开发的系统致力于解决这一挑战。它不仅能够在数秒内自动检测出眼疾的特征，还能够分析特征图，为临床医生提供诊断意见和转诊推荐。该神经网络会将这种推荐表示为百分比，因此临床医生能了解系统对其分析的置信度。这一即时归类过程大幅降低扫描和治疗之间的时间间隔，帮助患有因糖尿病引起的眼疾和老年黄斑变性的病人避免丧失视力。

OpenAI人工智能5v5击败超凡5玩家（6600水平）

Dota2 大赛「TI8」即将于 8 月 20 日在加拿大温哥华开战，人工智能也在做着自己的比赛准备。8月6日，OpenAI 的人工智能与人类准职业选手进行了三场 5v5 对决，并以 2 比 1 的比分取胜。人类仅仅依靠阵容优势在最后一场比赛中「挽尊」获胜。今年 6 月份，OpenAI 宣布人工智能 5V5 模式击败人类玩家之后，很多玩家表示比赛有过多的游戏限制。而在这场比赛中，研究者取消了 OpenAI Five 游戏中最重要的限制，即奖励、肉山和固定英雄的镜像匹配，并将通过「Top 99.95% 玩家」来测试该研究的进展，此外，OpenAI 还把 OpenAI Five 的反应时间从 80 毫秒增到了 200 毫秒，这一反应时间已经非常接近人类水平，最终人类 1:2 输给了人工智能。

使用神经网络模型来实现量子态分类

8月13日，来自清华大学交叉信息研究院量子信息中心、南方科技大学量子科学与工程研究所的马悦驰、翁文康所著论文「利用机器学习将贝尔不等式转变为神经网络」正式发表在 NPJ Quantum Information上。论文的核心思想是用神经网络模型来实现量子态分类。在量子信息领域中，确定一个量子态是纠缠态还是可分态的计算量是十分巨大的，而论文中提出的方法能高效率和高精度地执行此类任务。该成果对于量子力学与机器学习如何进行交叉融合富有启迪，而纠缠态判定对于量子计算机的有效性判定也是重要的依据。该机器学习模型的物理背景为：根据量子力学，当两个粒子纠缠在一起时，测量其中一个，那么另一个粒子的状态会在同一瞬间发生改变，即使二者相隔非常远。换言之，测量这一操作的「影响」传递速度是无穷大。该研究能够更高效精确的确定量子态的状态。

墨尔本大学：运用人工智根据面部特征分析性格

墨尔本大学的研究人员近来设计了一种AI“魔镜”，运用人工智能根据人们的面部特征来分析他们的性格。这面镜子可以测试出人们的幸福程度、内向程度以及侵略性。这面镜子实际是把照镜子的人的面部和一个面部数据库进行对比。这个数据库目前开放给公众，可以对人脸的14项特征指标进行评估。生物识别镜是一种可视化的交互手段。它展示了将人工智能和面部分析用于公共空间的可能。该项目使用了一个公开且可自由访问的众包人格属性数据集。33,430人评定了2,222张面部照片的面部特征，可以帮助了解公众如何看待一些面部特征。这个简单的模型提供了一个用来评估人的性格特征的动态的工具包，评测的对象包括人的攻击性，情绪稳定性，吸引力和怪异程度。当一张人的照片由生物识别镜拍摄时，该照片将与收集的2,222张独特面部照片进行比较。被捕获的人脸特征主要与被分析人的照片相对应，可以了解参与者的某些面部特征。

GANimation让图片秒变GIF表情包

近期生成对抗网络（GAN）在人脸表情合成任务中取得了惊人的表现，其中最成功的架构是 StarGAN，但该架构只能生成不连续的表情。为突破这一局限，ECCV 2018中一篇 Oral 论文提出了一种基于动作单元（AU）标注的新型 GAN 条件化方法，可以从单张图像和表情编码生成连续的表情动画，生成的图像具备连贯性、真实性、广泛性、鲁棒性。该方法以完全无监督的方式进行训练，使用符合人类解剖结构的面部动作编码系统来编码面部表情。StarGAN 这样的架构能够合成新表情，还能更改面部的其它属性，如年龄、发色、性别等。尽管 StarGAN 很通用，但它只能在由数据集的注释粒度定义的离散属性中改变面部一个特定的部分。然而，面部表情是面部肌肉组合和协调运动的结果，不能被归为离散的、数量较少的类别。该文构建了一个自动化的连贯人脸表情合成方法，可以在连续域中渲染图像，并且可以处理包含复杂背景和光照条件的自然图像。

UC Berkeley提出高度逼真的物体组合网络Compositional GAN

生成对抗网络（GAN）可以产生复杂且逼真到令人惊讶的图像，但它会忽略可能存在于场景中的多个实体间的显式空间交互。UC Berkeley的文章提出以 GAN 为框架、将目标组合建模为自洽的组合-分解网络。该模型以其边缘分布的目标图像为条件，通过明确学习可能的交互，在联合分布中产生逼真的图像。实验结果表明，训练后的模型可以在作为输入的两个给定的目标域间捕获潜在的交互关系，并以合理的方式在测试时输出组合场景的新的实例。该文章的工作重点是将两个目标组合的问题重构为先组合好给定的目标图像以生成可以对目标交互关系建模的联合图像，再将联合图像分解，以获得单个目标。这样的重构可以通过组合-分解网络加强自洽约束 。下图为使用配对或未配对数据训练桌椅组合任务的测试结果。

AI以假乱真怎么办？TequilaGAN辨真伪

GAN 生成的样本在视觉方面已经达到与真实样本很相近的程度了，有的生成样本甚至可以在视觉上欺骗人类的眼睛。区分生成样本和真实样本当然不能简单的从视觉上去分析，TequilaGAN 从图像的像素值和图像规范上区分真假样本，证明了真假样本具有在视觉上几乎不会被注意到的属性差异从而可以将它们区分开。TequilaGA主要集中在三点：第一点表明，假样本具有视觉检查难以察觉的特性，此特性与可微分的要求密切相关；第二个表明，从可用于识别数据的真实和假样本中提取的特征计算的统计矩之间存在数值差异；第三个表明假样本违反了从真实数据中学到的正式规范。 TequilaGAN 研究了用对抗方法生成的样本的数值特性，特别是生成对抗网络。实验发现假样本在视觉具有与真实样本几乎无法注意到的特性，即由于随机梯度下降和可微分性的要求，假样本平滑地接近分布的主导模式。

免责声明

本订阅号为安信证券股份有限公司（下称“安信证券”）研究中心胡又文团队的官方订阅号。本订阅号推送内容仅供安信证券客户中的专业投资者参考。为避免订阅号推送内容的风险等级与您的风险承受能力不匹配，若您并非安信证券的客户中的专业投资者，请勿使用本信息。安信证券不会因为任何机构或个人订阅本订阅号或者收到、阅读本订阅号推送内容而视为本公司的当然客户。

本订阅号推送内容版权归安信证券所有，未经安信证券事先书面许可，任何机构或个人不得以任何形式删节、修改、复制、引用和转载，否则应承担相应责任。