8月1日，阿里雲發佈“ET工業大腦”兩年來的“內測”成績單，並宣佈向國內所有制造企業開放“ET工業大腦“平臺。ET工業大腦是基於阿里雲大數據一體化計算平臺，通過工業數據集成套件對多方工業企業數據進行彙集，藉助語音交互、圖像/視頻識別、機器學習和人工智能算法，激活海量數據價值，爲解決工業製作業的核心問題而打造的數據智能產品。ET工業大腦也是集數據工廠、算法工廠、AI創作間以及行業應用於一體的總體架構。

1、數據工廠爲用戶提供一站式數據資源管理服務

數據工廠提供的各項功能可支撐數據管理的全部能力域和能力項，爲用戶提供一站式數據資源管理服務，方便用戶完成數據架構、數據標準、數據質量、數據應用、數據生命週期管理等多項數據管理應用，爲工業大腦的上層數據應用提供全量、標準、乾淨、智能的數據。

2、 算法工廠面向工業提供一體化管理

算法工廠是一個面向工業的算法綜合管理平臺。通過對算法部署、接入、調試、調用等過程的一體化管理，實現算法與應用的解耦、算法複用。應用可以基於標準化產品的統一接口快速封裝解決方案，提高算法工程化效率。

3、AI創作間操作簡單

工業大腦AI創作間是所見即所得的可視化業務編排工具，開發者可以使用拖拽的方式對業務流程、業務數據字典、業務規則、行業算法組件進行任意的組裝，從而實現特定業務場景下人工智能的訴求。

4、行業應用場景豐富

ET工業大腦的應用場景爲：供應鏈智能、研發智能、產線智能、營銷智能、設備智能等等。提供“供、研、產、銷、能、環”多維度、全鏈路的智能應用服務。以供應鏈智能爲例，ET工業大腦供應鏈優化套件通過歷史銷量數據、訂單數據、車輛數據、高德數據的智能挖掘，能夠對庫存進行分析和優化，合理控制庫存，建立訂單和車輛的特徵體系和評估體系，最大程度實現最低庫存積壓，提升物流配送效率。

浙大網新：全資子公司網新系統收到中標通知書，中標金額9,901.69萬元

浙大網新8月7日發佈公告，全資子公司浙大網新系統工程有限公司於近日收到招標人武九鐵路客運專線湖北有限責任公司的《中標通知書》，網新系統已被確認爲新建鄭州至萬州鐵路湖北段“強電”、“弱電”、“客服信息”系統集成及相關工程-DJKF標段的中標單位，中標金額9,901.69萬元。

新智認知：發佈2018年半年度報告，營業收入119,747.96萬元，同比增長33.37%；歸母淨利潤13,501.09萬元，同比增長54.79%

新智認知8月9日發佈2018年半年度報告，營業收入119,747.96萬元，同比增長33.37%；歸母淨利潤13,501.09萬元，同比增長54.79%。

GQY視訊：持股0.6544%的股東陳雲華女士擬減持不超過600,000股，佔公司總股本的0.1415%

GQY視訊8月12日發佈公告，持股0.6544%的股東陳雲華女士擬減持不超過600,000股，佔公司總股本的0.1415%。

科大訊飛：發佈2018年半年報，營業收入320,998.92萬元，同比增長52.68%；歸母淨利潤13,060.26萬元，同比增長21.74%

科大訊飛8月13日發佈2018年半年報，營業收入320,998.92萬元，同比增長52.68%；歸母淨利潤13,060.26萬元，同比增長21.74%。

新智認知：持股5%以下股東萬豐錦源計劃減持公司股份不超過8,109,000股，不超過總股本的2.32%

新智認知8月13日發佈公告，公司股東萬豐錦源計劃在本公告公佈之日起三個交易日後的12個月內，根據市場情況，通過集中競價、大宗交易的方式減持合計不超過8,109,000股，不超過總股本的2.32%。萬豐錦源持有公司無限售流通股8,109,000股，佔公司股本總數的2.32%。

遠方信息：因原股東違反收購協議改選董事會及監事會成員，失去慧景科技控制權

遠方信息8月14日發佈公告，公司2017年通過子公司收購慧景科技，合計控制1,058.35萬股股份，佔慧景科技總股本的45.62%。8月13日，在慧景科技召開的臨時股東大會上慧景科技股東、總經理兼法定代表人陳偉等股東違反《收購協議》的相關約定，強行將董事會成員及兩名非職工代表監事全部改選爲陳偉提名人員。公司實際已無法控制慧景科技，公司存在根據相關會計準則無法將慧景科技納入公司合併報表的風險。

行業新聞

巨頭新動向

谷歌大腦提出對抗正則化方法，顯著改善自編碼器的泛化和表徵學習能力

自編碼器因其優越的降維和無監督表徵學習能力而知名，而過去的研究表明自編碼器具備一定程度的插值能力。來自谷歌大腦的 Ian Goodfellow 等研究者從這一角度提出了一種新方法，顯著改善了自編碼器的平滑插值能力，這不僅能提高自編碼器的泛化能力，對於後續任務的表徵學習也會大有幫助。文章主要在自編碼器的規範化以及插值改進方面做出了以下貢獻：1.提出了一種對抗正則化策略，該策略明確鼓勵自編碼器中的高質量插值；2.開發了一個簡單的基準，其中插值定義明確且可以量化；3.定量地評估了常見的自編碼器模型實施有效插值的能力；4.證明了正則化項有利於後續任務的表徵學習。

Nature Medicine論文展示DeepMind眼疾診斷里程碑：臨牀專家級、「解決」黑箱問題

DeepMind 於8月14日發佈博客宣佈其與倫敦摩爾菲爾茲眼科醫院聯合研究的第一階段成果，他們將深度學習應用到眼部疾病的診斷，併爲患者與醫師提供可解釋性的分析圖。目前，眼部護理專家使用光學相干斷層掃描（OCT）來幫助診斷眼睛狀況。這些 3D 圖像能夠爲眼睛後部提供詳細的圖像，但是它們很難閱讀，需要專家分析才能判別眼睛狀況。DeepMind 開發的系統致力於解決這一挑戰。它不僅能夠在數秒內自動檢測出眼疾的特徵，還能夠分析特徵圖，爲臨牀醫生提供診斷意見和轉診推薦。該神經網絡會將這種推薦表示爲百分比，因此臨牀醫生能瞭解系統對其分析的置信度。這一即時歸類過程大幅降低掃描和治療之間的時間間隔，幫助患有因糖尿病引起的眼疾和老年黃斑變性的病人避免喪失視力。

OpenAI人工智能5v5擊敗超凡5玩家（6600水平）

Dota2 大賽「TI8」即將於 8 月 20 日在加拿大溫哥華開戰，人工智能也在做着自己的比賽準備。8月6日，OpenAI 的人工智能與人類準職業選手進行了三場 5v5 對決，並以 2 比 1 的比分取勝。人類僅僅依靠陣容優勢在最後一場比賽中「挽尊」獲勝。今年 6 月份，OpenAI 宣佈人工智能 5V5 模式擊敗人類玩家之後，很多玩家表示比賽有過多的遊戲限制。而在這場比賽中，研究者取消了 OpenAI Five 遊戲中最重要的限制，即獎勵、肉山和固定英雄的鏡像匹配，並將通過「Top 99.95% 玩家」來測試該研究的進展，此外，OpenAI 還把 OpenAI Five 的反應時間從 80 毫秒增到了 200 毫秒，這一反應時間已經非常接近人類水平，最終人類 1:2 輸給了人工智能。

使用神經網絡模型來實現量子態分類

8月13日，來自清華大學交叉信息研究院量子信息中心、南方科技大學量子科學與工程研究所的馬悅馳、翁文康所著論文「利用機器學習將貝爾不等式轉變爲神經網絡」正式發表在 NPJ Quantum Information上。論文的核心思想是用神經網絡模型來實現量子態分類。在量子信息領域中，確定一個量子態是糾纏態還是可分態的計算量是十分巨大的，而論文中提出的方法能高效率和高精度地執行此類任務。該成果對於量子力學與機器學習如何進行交叉融合富有啓迪，而糾纏態判定對於量子計算機的有效性判定也是重要的依據。該機器學習模型的物理背景爲：根據量子力學，當兩個粒子糾纏在一起時，測量其中一個，那麼另一個粒子的狀態會在同一瞬間發生改變，即使二者相隔非常遠。換言之，測量這一操作的「影響」傳遞速度是無窮大。該研究能夠更高效精確的確定量子態的狀態。

墨爾本大學：運用人工智根據面部特徵分析性格

墨爾本大學的研究人員近來設計了一種AI“魔鏡”，運用人工智能根據人們的面部特徵來分析他們的性格。這面鏡子可以測試出人們的幸福程度、內向程度以及侵略性。這面鏡子實際是把照鏡子的人的面部和一個面部數據庫進行對比。這個數據庫目前開放給公衆，可以對人臉的14項特徵指標進行評估。生物識別鏡是一種可視化的交互手段。它展示了將人工智能和麪部分析用於公共空間的可能。該項目使用了一個公開且可自由訪問的衆包人格屬性數據集。33,430人評定了2,222張面部照片的面部特徵，可以幫助瞭解公衆如何看待一些面部特徵。這個簡單的模型提供了一個用來評估人的性格特徵的動態的工具包，評測的對象包括人的攻擊性，情緒穩定性，吸引力和怪異程度。當一張人的照片由生物識別鏡拍攝時，該照片將與收集的2,222張獨特面部照片進行比較。被捕獲的人臉特徵主要與被分析人的照片相對應，可以瞭解參與者的某些面部特徵。

GANimation讓圖片秒變GIF表情包

近期生成對抗網絡（GAN）在人臉表情合成任務中取得了驚人的表現，其中最成功的架構是 StarGAN，但該架構只能生成不連續的表情。爲突破這一侷限，ECCV 2018中一篇 Oral 論文提出了一種基於動作單元（AU）標註的新型 GAN 條件化方法，可以從單張圖像和表情編碼生成連續的表情動畫，生成的圖像具備連貫性、真實性、廣泛性、魯棒性。該方法以完全無監督的方式進行訓練，使用符合人類解剖結構的面部動作編碼系統來編碼面部表情。StarGAN 這樣的架構能夠合成新表情，還能更改面部的其它屬性，如年齡、髮色、性別等。儘管 StarGAN 很通用，但它只能在由數據集的註釋粒度定義的離散屬性中改變面部一個特定的部分。然而，面部表情是面部肌肉組合和協調運動的結果，不能被歸爲離散的、數量較少的類別。該文構建了一個自動化的連貫人臉表情合成方法，可以在連續域中渲染圖像，並且可以處理包含複雜背景和光照條件的自然圖像。

UC Berkeley提出高度逼真的物體組合網絡Compositional GAN

生成對抗網絡（GAN）可以產生複雜且逼真到令人驚訝的圖像，但它會忽略可能存在於場景中的多個實體間的顯式空間交互。UC Berkeley的文章提出以 GAN 爲框架、將目標組合建模爲自洽的組合-分解網絡。該模型以其邊緣分佈的目標圖像爲條件，通過明確學習可能的交互，在聯合分佈中產生逼真的圖像。實驗結果表明，訓練後的模型可以在作爲輸入的兩個給定的目標域間捕獲潛在的交互關係，並以合理的方式在測試時輸出組合場景的新的實例。該文章的工作重點是將兩個目標組合的問題重構爲先組合好給定的目標圖像以生成可以對目標交互關係建模的聯合圖像，再將聯合圖像分解，以獲得單個目標。這樣的重構可以通過組合-分解網絡加強自洽約束 。下圖爲使用配對或未配對數據訓練桌椅組合任務的測試結果。

AI以假亂真怎麼辦？TequilaGAN辨真僞

GAN 生成的樣本在視覺方面已經達到與真實樣本很相近的程度了，有的生成樣本甚至可以在視覺上欺騙人類的眼睛。區分生成樣本和真實樣本當然不能簡單的從視覺上去分析，TequilaGAN 從圖像的像素值和圖像規範上區分真假樣本，證明了真假樣本具有在視覺上幾乎不會被注意到的屬性差異從而可以將它們區分開。TequilaGA主要集中在三點：第一點表明，假樣本具有視覺檢查難以察覺的特性，此特性與可微分的要求密切相關；第二個表明，從可用於識別數據的真實和假樣本中提取的特徵計算的統計矩之間存在數值差異；第三個表明假樣本違反了從真實數據中學到的正式規範。 TequilaGAN 研究了用對抗方法生成的樣本的數值特性，特別是生成對抗網絡。實驗發現假樣本在視覺具有與真實樣本幾乎無法注意到的特性，即由於隨機梯度下降和可微分性的要求，假樣本平滑地接近分佈的主導模式。

免責聲明

本訂閱號爲安信證券股份有限公司（下稱“安信證券”）研究中心胡又文團隊的官方訂閱號。本訂閱號推送內容僅供安信證券客戶中的專業投資者參考。爲避免訂閱號推送內容的風險等級與您的風險承受能力不匹配，若您並非安信證券的客戶中的專業投資者，請勿使用本信息。安信證券不會因爲任何機構或個人訂閱本訂閱號或者收到、閱讀本訂閱號推送內容而視爲本公司的當然客戶。

本訂閱號推送內容版權歸安信證券所有，未經安信證券事先書面許可，任何機構或個人不得以任何形式刪節、修改、複製、引用和轉載，否則應承擔相應責任。