【平台】为何巨头总是平台？AI产业需要赋能平台
「华映新知」每期以一个核心问题为主线，邀你一起好书共读，温故知新。
早上出门叫一辆滴滴，午饭习惯性点开饿了么，周末出游通过airbnb的民宿体验人情风土……互联网平台融入了我们生活的一呼一吸。
这些企业本身甚至连一辆车、一家餐厅、一间客房都没有，却在过去十年中撬动了难以想象的巨大影响力，常年盘踞全球市值排行榜前列——我们见证了平台的力量。
为何巨头总是平台？无论个体还是企业，在这个平台时代里需要了解什么？通过MIT教授Geoffrey G. Parker等合著的《平台革命》一书，我们试图呈现从管道时代进化至平台时代的企业百态，揭示平台型公司的底层逻辑。
文 | 何丽芯
「平台」从来不是新词。
人类历史上的双边平台原型，最早可以追溯到集市的诞生。从非洲到欧洲，从城市和乡村中的露天市场，再到伦敦纽约的传统股票交易所，都是「平台」一词历经千年的生动实践。
上世纪30年代的股票交易所，是传统平台中的典型代表
而如今的「新」体现在哪里？数字技术的发展，带来了平台从传统向现代的转变。总的来说，平台是促进生产者和消费者进行价值互动的结构，加快和保障彼此间信息、商品&服务和货币的交换。任意一个行业中，只要信息是其重要的组成部分，就早晚会发生平台革命。
管道vs平台
什么在变化？
在平台发挥巨大作用之前，我们曾处于管道时代。
对于传统大型企业而言，资源像在管道中流动、增加价值，最终输送给消费者，过程明确，且单向传递，产生的是线性价值链。这在工业时代体现得尤为明显，大公司依靠供应端的规模经济。
第二次工业革命中的大机器生产，得益于供应端的规模经济
而今天随着互联网的普及，企业经历了从传统的线性价值链向复杂的平台价值矩阵的转变。数字化带来了几何级数增长的信息和日益流动的多边关系，平台占据主导，企业依靠需求规模经济，并进一步呈现为网络效应。
这种平台与数字化对传统的颠覆，主要分为两个阶段逐步达成：
第一步，高效管道淘汰低效管道，例如电视新闻、数字新闻的普及对传统报纸行业的冲击，据皮尤研究中心数据，2018年在美国报纸发行总量下降的同时，数字新闻依然实现了17%的增长。
报纸发行量的持续下滑
图片来源：journalism.org
第二步，平台吞食传统管道，例如微博微信、快手抖音让传播权不再像过去一样只是少部分人和组织的专属，曾经由市场部门和代理机构发布的市场营销信号现在靠消费者群体进行传播，这是平台模式主导下的传播本质的颠覆。
在平台时代，互联网不只扮演销售管道的角色，同时也是创新基础设施和协调机制。具体而言，平台驱动了三种类型的颠覆：资产与价值的脱钩，中介重构和市场集合。平台区别于传统商业的关键特点，就是所有权和控制权的部分分离，大多数活动由用户控制，而非平台的拥有者或管理者。
用一个贴切的比喻来讲，平台是信息工厂，但不控制库存，只提供作业场地；不直接控制生产，但培育一种质量控制的文化——这是它和传统管道商业之间最明显的区别。
进一步追问，这样的区别如何构建了平台企业的护城河？平台为什么能取代管道？
首先是因为，平台借助规模化消除了守门人(gate keeper)， 从而使规模化更加有效。管道经济中，通常是由守门人管理着从供应商到顾客的价值传递，效率很难提高。例如雅虎的最初的人工编辑数据库，和谷歌的网页排名算法模式一经对比，天花板显而易见。
传播学中的守门人理论 图片来源：wordpress
其次，原因还在于平台开发了价值创造的新来源。例如相比重资产的酒店，爱彼迎通过让有闲置房屋的房东注册，迅速增加资产存量，也不用涉及拿地、建造、酒店员工雇佣等成本。
最后一点则是，平台借助数据工具创造了社群反馈回路。当用户达到一定数量，价值判断和平台管理交由以社群判断为驱动的算法来处理，例如大众点评、淘宝等的评价数据会成为其他用户的参考依据；闲鱼上线小法庭制度，综合行为数据将法庭事件针对性地推送至相关用户，较为有效地达成了社群内部的互相监督和治理。
管道和平台的对比
当然，传统企业也并非一尘不变。通过横向和纵向整合，管道利用数据将多个产品和业务进行连接与互动，也有演进成平台的可能，虽然通常不是一帆风顺。耐克和阿迪达斯都曾试图研发智能穿戴设备系统；安德玛也相继收购Myfitness和Endomondo等健身平台。
核心交互的诞生
平台内部如何运行？
让我们回到平台的运转机制本身：平台内部如何运行？有需要注意哪些环节以及关键指标？
平台中的参与者主要交换信息、商品、服务或者某些形式的货币。此时平台的作用主要是为他们提供加入即用的基础设置，包括软件工具和规则等，从而使交换变得方便且互惠互利。
平台的价值创造通过建立核心交互机制来实现，而核心交互有三大要素构成：参与者、价值单元和过滤器。
1、参与者：包括创造价值的生产者和使用价值的消费者。在不同的决策中，参与方身份可以相互转换；
2、价值单元：最难掌控也最重要的要素，每次核心交互的开端都是生产者对价值单元的创造，例如爱奇艺的视频，领英的简历，滴滴的可用车辆列表等都属于核心价值单元；
3、过滤器：有严格算法，以软件为基础的工具，例如搜索请求和算法推荐。
设计平台时，首要任务就是确定核心交互是什么，并定义参与者、价值单元和过滤器来完成核心交互的建立——这一过程需要经历吸引、促进和匹配三个步骤。
当创业者在评估平台战略在自身项目上的可行性时，了解其适应的行业范围必不可少。哪些行业更容易被平台化？信息敏感度、守门人依赖度和行业分散程度是几大重要指标：
1、信息敏感型行业：典型例如媒介和电信行业，通常来讲信息资源的重要性越高，该行业就越容易被平台所转变。
2、不具扩展性的需要人来把关的行业：典型例如零售和出版业。如采购员和编辑等守门人在未来还有很大革新空间。
3、高度分散的行业：典型例如餐饮业，通过平台可以整合成千上万分散的小型供应商信息，从而大大提高市场效率。这是Yelp和大众点评正在做的事。
4、信息极端不对称的行业：典型例如二手车市场。参与者有足够强烈的意愿来获得关于商品、服务和价格等信息，从而建立公平高效的市场环境。
Yelp在极度分散的行业中做整合
而与此同时，平台影响较小的行业集中在严监管、高风险的资源密集型领域，此时规模和数据能发挥的作用有限：
1、高监管行业&高损失成本行业：例如教育、医疗和银行业等信息高度密集化的行业。当前之所以能抵御住平台的颠覆，很大程度上是因为保护性的监管机制，以及由更高的风险敏感度所驱动的消费保守主义。
2、资源密集型行业：例如采矿业、能源业和农业。此类行业中市场竞争更多仍依靠对资源的掌控和大规模的生产管理，信息发挥的作用有限。但仍有玩家入场。
平台五部曲
上线、盈利、合作、竞争、治理
当我们想建立一个网络平台时该做些什么？从上线、盈利到如何处理与合作方关系的开放程度，如何应对竞争，如何针对负面进行内部治理和外部监管，如何在不同阶段关注不同指标……以下是一些方法论。
在平台上线初期，如何吸引第一批用户在平台效应完全不明显时愿意加入？这是经典的先有鸡or先有蛋问题。
在平台中病毒式的前“拉”策略比传统营销的“推”动策略（例如广告和公关）更为重要，病毒式增长能通过影响发送者、价值单元、外部网络以及接受者，大大加快平台扩张速度。
平台的共生特性决定了其开放程度，合作方关系尤为重要。Facebook的开放和其早期竞争者MySpace的封闭、最终衰落就是一组很好的对比。
昔日的社交巨头MySpace，08年流量甚至登顶全美第一。将外部开发者拒之门外拖慢了其更新迭代速度，最终被Facebook反超
平台更像是一种基础设施，一个充满活力和健康的平台依赖于平台外的合作伙伴所创造的价值。关于开放性的决策分别有以下三种：
1、管理者和赞助者参与：平台的管理赞助形式按照属性和开放程度的不同，主要分为四个象限，含专有、授权、合资和共享四大模式；
2、开发者参与：通过核心开发人员，创造平台的核心交互功能；通过API，促使外部的扩展开发者为平台添加强化功能和价值；通过数据整合者，提升平台的数据利用能力，增强匹配和精准推荐；
3、用户参与：特别是赋予生产者自由地将内容添加到平台的权力，通过筛选和反馈制度对平台关键访问点进行策展。
开放和封闭也并非黑与白，并非完全对立的两端，而是一个渐变开放的光谱。并且随着平台日益成熟，总会愈加开放。
传统战略就像传统国际象棋，玩家在同一水平线上排兵布阵，运筹帷幄；而平台战略所面临的竞争，则更类似三维国际象棋。平台领域的竞争通常是颠覆性的，例如电视台的最大对手不是另一家电视台，而是Netflix这样全新的流媒体平台。
并且在立体的生态系统中，平台和平台、平台和合作伙伴、合作伙伴和合作伙伴之间都有涉及竞争的动态制衡，类似于生物学上的相互依赖共生（co-dependence）。关系也更为复杂，合作与共同创造通常与竞争同时存在，且比后者更为重要。
互联网中价值创造的本质是，网上所分销的商品和服务的自然价格都必须是免费的。管道业务通常对所有权或者使用权收费，而平台业务需要在基础服务免费的基础上，从创造的附加值中获取部分收益。
其中最关键的问题是向谁收费，方式有交易费、用户增强型介入费、第三方供应商收取社区准入费，以及收取增强型内容管理的订阅费共四种大类。
“数字商业的规则和伦理正在穿越无人区。”内外部治理尤为值得关注。市场失灵的原因主要有以下四种，信息不对称，外部效应，垄断和风险。平台治理尤其要考虑所有权和控制权分离所产生的信息不对称问题以及外部效应。因为网络对用户产生的溢出效应是平台价值的真正来源。
常用的四大治理工具分别是法律、规范、体系结构（算法）和市场本身。内部透明化和参与度是两大治理关键。
在上述的上线、合作、竞争、盈利、治理的五部曲过程中，企业不同阶段关注不同的重点指标：
1、初创阶段：关注核心交互的特征与强度。用流动性、匹配质和信任度加以衡量。
2、发展阶段：关注增长及价值交互的增强。例如消费者与生产者之比、交互转化率，用生命周期价值模型计算生产者价值，用消费频率、搜索量以及销售转化率计算消费者价值。
3、成熟阶段：关注新功能推动创新和竞争/战略威胁。这一阶段的平台应该符合推动创新、高信噪比以及促进资源分配三项要求。
平台革命的未来
Kevin Kelly在《必然》中曾说，“过去30年已经开创出了不可思议的起跑线——可以建造真正伟大事物的坚固平台。但即将到来的事物将会不同，它们将会超越现在，而最酷的东西尚未发明出来。”
Kevin Kelly
平台和每一个体都息息相关，关于未来还有诸多想象力未曾释放：蓬勃的物联网或将为平台增加一个新的连接层，并提供动力，通过新的价值创造方式将人和设备互相链接；无人驾驶将为Uber等平台插上翅膀；用户注意力争夺日趋激烈，平台成为流量高地;平台进一步完善生态体系，Super platform成为诞生独角兽企业的新土壤……
“谁拥有开放和连接，谁就能抵达场景深处”——平台的未来，依然值得期待。
机械工业出版社《平台革命》
延展阅读：AI产业需要赋能平台
编者按：人工智能已成为国家级的战略目标， 这激发了各行各业的AI热潮。而目前AI人才的稀缺以及开发任务的繁重，限制了深度学习落地，因此AI产业迫切需要赋能平台。中科视拓董事长山世光研究员，在2017钛媒体T-EDGE年度国际盛典上，谈深度学习生产线、以及中科视拓通用深度学习算法平台SeeTaaS。
图像识别或者人脸识别是今年以来AI实现最大爆发的领域。对于这些技术的实现，中科院计算所研究员、中科视拓创始人、董事长兼CTO山世光，将其归结为一个简单的公式，那就是“A+B+C”。A是算法，B是Bigdata，C是Computing。
12月16日，在2017钛媒体T-EDGE年度国际盛典上，山世光提到，2012年之后，因为互联网和物联网的发展，我们有更多机会收集大量数据，再加上GPU等高性能计算设备的普及，我们有机会完成大规模的机器训练。特别的，上面ABC三点中的A，即算法，最主要的就是指深度学习（Deep Learning）。
深度学习在计算机视觉领域，解决了或者推动了一大类非线性的映射函数学习的问题。这样的方式，使AI开发的方法论产生了极大变化。
但与此同时，从落地角度来看，依赖于有标注大数据的深度学习也还存在非常多问题。
首先，个性化需求非常多，可批量复制的“标品”比较少。以巡逻机器人为例，可能需要开发塑料瓶子检测系统，也可能是塑料袋识别，甚至是烂白菜的识别，这么多不同的物体的识别是非常重的开发任务。
其次，从计算角度讲，深度学习的计算成本比较高，端侧的计算能力需求较大。而且AI技术的生产效率现在还比较低。如何加快生产效率，需要大量懂深度学习的专业算法人才，而现在并没有这么多的人才储备。
现阶段，AI人才奇缺。行业的硕士毕业生大概30-50万年薪，博士是50-80万年薪。对比人才数量的稀缺，开发任务却十分繁重，如果每个任务都做要3-5个月才能完成，这是"灾难性"的事情。
以下是中科视拓创始人董事长兼CTO山世光演讲发言：
非常荣幸有机会来到钛媒体今年的年度盛典给大家做一次分享。
如果说创业，我是一个新兵。我在中科院系统工作了20年，从事基础研究和应用技术研发工作。我今天的分享有很多内容跟技术相关。我演讲的题目叫《计算机视觉技术现状展望和产业化》。
首先，我们说计算机视觉是什么样的学科，要做什么的事情？
很多人不了解这件事为什么那么难？如果看一下我们需要处理的对象，就会发现它确实是非常难的任务。
我们所谓的图像是用摄像头来捕捉物体表面反射的不同颜色的光，进行采样，每个点即像素都用红绿蓝三个不同的分量数值表示不同的颜色。所以，到了计算机里面，每幅图像就是很多很多0-255之间的整数值。大家看这些数。相信没有一个人在非常短的时间内，能够通过观察这些数告诉我图像里的内容是什么。计算机视觉要完成的就是这样的任务，通过对这些数的分析完成对图像内容的理解。
这次人工智能的浪潮，首先在语音识别和图像识别领域取得了显著的进步，并进一步引发了AI在更多领域的应用。
从图像识别或计算机视觉角度讲，在2012年，深度学习首次在Imagnet评测数据集上应用，一下子将分类错误率降低了10个百分点。从图像分类的角度来讲，在2011年，图像分类错误率是26%，到了2012年，利用深度学习之后，下降到16%。到了2016年，随着深度学习模型深度不断加深，错误率进一步下降到了2.3%。也就是说，大概在5年时间里，图像识别率的错误率降低了10倍。
下面是其他五个深度学习带来重要进步的典型例子。
在物体检测领域。所谓物体检测就是提供给一张照片，把照片里不同的物体，如车、人等物体框出来。2013年，在Imagnet测试集上检测正确率只有23%，到了2017年，正确率达到了73%，在视频里寻找30类物体也达到80%的精度。
在视频监控领域，我们希望能够对人、车、物进行检测识别，利用深度学习，现在很多系统包括中科视拓的技术都可以实现对人、车、骑行的准确检测、跟踪以及对性别、车型等属性的大致分类。
在图像分割领域，例如为了实现自动驾驶，给一幅图像之后，我们希望算法能够知道哪块是道路、哪块是树木、哪块是建筑，这是一个分割问题。从2013年到2017年，分割的准确率也从50%提高到了86.9%。
还有一个任务从2015年左右才开始逐渐得到重视，即所谓的“看图作文”，就是在提供一幅图像之后，希望计算机能够生成一句或一段文本描述图像里的内容。在过去两三年里，这一技术得到了非常大的进步，有些系统产生的文本描述已经可以和人对这个图像的描述媲美，甚至有些普通人已经不能够判断到底是机器自动生成的一段话，还是真人写出来的一段话。实现这一任务采用的方法也是以深度学习为基础的。
还有一些类似艺术创作的技术进展，比如我们可以通过计算给一幅图像转化风格，把一个人的头发颜色改掉，加上一个刘海，或者加上眼镜，所产生的图像可以以假乱真；我们也可以把一副普通的图像变成莫奈风格的油画，把马变成斑马，把冬天的照片变成夏天的照片。
上个月，iPhone X的发布使我们进一步对人脸识别应用有了更加深刻的认识。其实在人脸识别领域，过去两到三年，也出现了2-4个数量级的错误率下降。苹果声称iPhone X所采用的FaceID错误率大概在百万分之一，意味着如果有一百万个人捡到你的手机，只有一个人可以冒充你解锁成功。因为它采用的传感器是RGBD相机，里面不仅有彩色照片，还有深度信息、近红外信息，同时在注册阶段也会捕捉你的多幅照片，以及在识别阶段也是近距离进场的识别等等，这些方式都使得iPhone X的FaceID识别任务成为人脸识别领域一个相对比较容易的任务。其实三星Note3几年前就已经可以用人脸识别解锁，华为也在去年与我们合作将人脸识别应用到了其荣耀Magic手机上去实现对手机的半解锁。
其实人脸识别有非常多不同的应用场景，手机的应用只是其中之一，即使是一比一验证你是不是你的任务，也有不同的应用场景。比如，在机场、车站等应用场景，用身份证中的卡内人脸照片和持卡人人脸比对，在过去3-4年里错误率大概下降了2-4个数量级，达到了万分之一甚至更低的错误率，即有一万个人试图冒充你，只有一个人可能成功，在这种情况下，本人持自己身份证可以有95%以上的正确识别率。企业员工刷卡后进行人脸验证的正确率则可以高达99%。
对于这些技术背后的AI，如果我们用一个简单的公式来表达，那就是“A+B+C”。A是Algorithm即算法，B是Bigdata大数据，C是算力Computing。我想这样的公式或这样的说法，最近一段时间大家都越来越熟悉了。这三者中，A即算法，最主要的就是指深度学习算法了。
所谓深度学习其实并不是新的技术，在上世纪八十年代中后期的时候，理论、方法就基本成熟，但因为当时没有大量数据，没有足够强的计算能力，这就使在当时我们不可能发挥它的作用。
2012年之后，因为互联网和物联网的发展，使我们有更多机会收集大量数据，再加上有GPU等平民化高性能计算设备的出现，使我们有机会完成大规模的深度学习算法的训练。
深度学习在计算机视觉领域，解决了或者至少推动了一大类非线性的映射函数学习的问题。换句话说，给我们一张照片，这些照片就是一些数值，形成输入x，我们通过深度模型学习一个F函数，用F作用于x，即F(x)得到我们想要得到的Y，这个Y可能是一个标签（比如猫，狗），也可能是我们想要分割的结果。
这样的方式，使我们做AI的方法论产生了极大变化。从过去，我们大量依赖人类专家知识来设计算法，到现在，变成有大监督大数据驱动的方法为主。
以一个具体的应用需求为例（从客户那挖掘出来的案例）。
我们一个客户做了小区巡逻机器人，物业希望这个机器人可以帮助解决小区管理中的一个痛点问题。小区里经常有小狗乱拉屎，所以物业需要一个狗屎检测系统。这样的话，巡逻机器人可以及时发现这样的垃圾，然后“报警”，由保洁及时来清除掉。
在没有深度学习的时候，我们需要做的是：
第一步，收集一定量的包含狗屎的图像数据。
第二步，人工设计或选择一些特征。
第三步，选择某种分类器在收集的数据集合上测试它，看它效果好不好。如果不够好就回到第二步，不断进行反馈和调整。
这是一个人工设计特征的过程，这样的方式非常耗时，非常不高效。我们做人脸检测花了20年，做行人车辆检测大概花了10年，即使狗屎检测相对容易，可能也需要至少一年。深度学习来了之后，整个过程变得很不一样。如果我们采用众包等方式，可能在一个月时间里就可以收集上万张标注了狗屎的照片，然后算法工程师可以根据经验选择一个深度学习算法，并设定一些超参数，然后只需要让机器在收集的数据集上进行训练和学习就可以了，这个过程可以非常快速的完成，大概只需要三个月。从过去的数年到现在的数月，显然大大提高了我们研发一项AI技术的效率。
这样的方法论极大的提高了视觉技术的水平和落地效率。
我认为很多场景下能看的AI才有真的智能。所以，视觉智能会有大量场景化需求，如果我们去细看每一个领域，从公共安全、机器人、自动驾驶、无人机到医疗，每个领域我们都可以非常轻易的发现视觉的用武之地。如果AI有一双眼睛（也就是有摄像头），我们背后有合适的算法，机器就可以更多的替换或者辅助人更好、更高效的做我们想要它做的事情。
但从落地角度来讲，也存在非常多问题。
问题一：个性化需求非常多，可批量复制的“标品”比较少。
以“狗屎”识别机器人为例，可能明天还需要一个塑料瓶子检测，后天是塑料袋识别，再后天是白菜识别，这么多不同的物体，如果我们都采用前面说的那种开发方式，每种东西需要至少三个月，那么我们就会面临非常重的开发任务，关键是现在并没有这么多人才可以去做这么多事。
从落地角度来看，谁来做、谁去买单、谁去开发算法，采用什么样的商业模式和合作模式都是问题。
问题二：从计算力角度讲，深度学习的计算成本相对比较高。最近很多的AI专用芯片市场就是在解决这类问题。
AI技术的生产效率现在是比较低的，我们要加快生产效率，就需要人力，需要高水平的AI算法人才。可是AI的人才奇缺。现在深度学习专业硕士毕业生可以拿到30-50万年薪，博士则可以高达50-80万年薪。在座的女孩们，如果没有男朋友的话，到我们这个领域看一看。
相比可用的人才数量，这么多的视觉处理任务，如果每个任务都要2个硕士博士做3-5个月才能完成，这将是灾难性的事情。
所以，未来我们需要新的方法论，从现在有监督大数据驱动的方法论，变成知识和数据联合驱动的方法论，为了完成这些事情，我们需要更强大的机器学习方法。使得我们在不同数据条件下也可以获得稳定、可靠的识别能力，这就体现在我们可能需要利用小数据、脏数据进行机器学习。
此外，用来学习的数据还可能是半监督的数据、弱监督的数据，比如给你一张照片告诉你其中有狗屎，但并没有明确告诉你这个狗屎在什么位置，如果我们能有可以充分利用这些数据的更好的机器学习方法，我们才可能更加快速的开发AI技术。
这还不够，我们还希望有更快捷的AI开发方法。比如我们希望开发一个安全帽检测的引擎，这是实际需求。我们一旦把这个任务交给机器之后，希望AI生产平台可以全自动完成全部的开发过程。机器完成这个任务的可能流程是：首先，它会理解这是一个检测任务，检测目标是安全帽，然后机器自动在百度上去搜索大量安全帽的图像，然后在百度上搜索一些关于安全帽的知识描述，例如安全帽多数是圆的，颜色各异，经常戴在人头上等等。然后，算法就通过对这样一些数据的自动处理和学习，以及知识的利用完成一个“安全帽检测”AI引擎的开发。
遗憾的是，从算法的角度来讲，以我对该领域学术前沿的了解，要达到这样的目标我们可能还需要5-10年，还不一定100%完全做到那种程度。
在此之前，工业界最靠谱的做法恐怕还是采用“数据暴力”来完成多数类似AI任务的研发。但我们如何解决缺少大量AI算法工程师的问题呢？我认为我们需要一个更强大、更便捷的AI算法生产基础设施。这样的基础设施，就像当年从专业相机到傻瓜相机的历史演变一样。
为了让我们有更多的人才可以开发AI，以满足大量的视觉智能开发任务，我们的AI生产工具要从Caffe，Mxnet和Tensorflow等只能昂贵的高端人才可以使用的开发工具发展到“傻瓜式”的AI开发平台。这样的平台应该使更多的中低端人才，即使不懂AI、不懂深度学习，也可以经过简单的培训，就可以利用自己的私有数据，在这样的软硬建基础设施平台上，方便快捷的开发出自己所需要的AI技术引擎，并便捷的嵌入自己的业务系统中。
我作为主要创始人成立的中科视拓，自去年8月成立以来，不仅做了大量人脸识别、无人机视觉等计算机视觉技术服务项目，开发了多款人脸识别产品和解决方案。与此同时，我们已经研发了一个称为SeeTaaS的深度学习算法开发平台，这个平台不但在我们公司内部逐步得到了应用，也已经开始提供给我们的B端客户，使他们也具备了用自己的私有数据训练自己所需的深度学习算法和引擎的能力。相信这个SeeTaaS平台会越来越好用，最终实现我们“让天下没有难开发的AI”这一梦想！
谢谢大家！
先进制造业+工业互联网
产业智能官 AI-CPS
加入知识星球“产业智能研究院”：先进制造业OT（自动化+机器人+工艺+精益）和工业互联网IT（云计算+大数据+物联网+区块链+人工智能）产业智能化技术深度融合，在场景中构建“状态感知-实时分析-自主决策-精准执行-学习提升”的产业智能化平台；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。
版权声明：产业智能官（ID：AI-CPS）推荐的文章，除非确实无法确认，我们都会注明作者和来源，涉权烦请联系协商解决，联系、投稿邮箱：erp_vip@hotmail.com。
相关内容
微信扫码咨询专知VIP会员