曠視數據標注干什麼

『壹』 曠視科技人臉識別門禁系統一般在哪些場所運用比較多

1、景區檢票

使用景區人臉識別門禁檢票系統，景區進出口免去了繁瑣的人工檢票，極大地提升檢票效率，有效緩解遊客排隊擁堵的情況發生，同時有效杜絕了假票和一票多用的情況，保障景區的經濟利益不受侵害。

2、小區安防

小區採用社區人臉識別門禁安防系統的授權方式，居民無需攜帶鑰匙和門禁卡，刷臉即可實現快速通行，同時也防止了閑雜人等進入小區，更加便捷和安全。

3、公司考勤

在企業的日常考勤管理中，企業人臉識別門禁考勤系統由於採用人臉檢測識別的認證方式，能夠有效防止漏打卡和代打卡的情況發生，還可以對來訪人員進行登記管理，進一步提升企業在人員管理方面的水平。

隨著光學、物聯網、人工智慧和電子信息技術的發展，人臉識別門禁系統的應用范圍將不斷擴大，系統也將更加完善和智能，更好地融入到我們的日常生活當中。深圳市捷易科技有限公司作為人臉識別行業的領軍品牌，將始終堅持研發創新，在人臉識別門禁系統的精確度、響應速度和活體識別方面不斷尋求突破，為市場客戶提供更好的人臉識別門禁系統解決方案。

『貳』 幫百度AI干臟活累活的公司，都死了

文 | 李夜

在接觸數據采標行業過程中，黑智聽到一個陸奇和河南標注工廠的故事。

據悉，大部分河南標注工廠用的是網路的標注工具，乾的是網路的活。陸奇掌旗網路時，放出了大量采標需求。當時，活不難（准確率只有90%），標注的利潤空間可以達到60%—70%。有些企業盲目擴張，一下子招了幾百人；陸奇離開後，網路需求恰也減少。2018年下半年，准確率又普遍提高至95%-96%，活難幹了。這些工廠只會網路的標注工具，很難接別家的業務，因此死了一批。沒有死的工廠不得不裁員，目前處於艱難轉型中。

當河南標注工廠艱難轉型時，張三的標注公司卻正式營業。公司初建，百事繁雜，前幾天，黑智才在中午空閑時間，聯繫上他。他告訴黑智，兩個年前的單子需要返工，一直在忙。對於初建公司，忙比閑好。如果有一天空閑下來，張三說他晚上都會睡不著覺，「一天沒活干，幾千塊錢就打水漂了。一個月得支出15萬（註：目前，公司有65名員工）。」

在他看來，標注行業是一個苦行業，「前半年，一定會賠錢的，你要做好一個人賠一萬塊錢的准備。」他笑著告訴黑智，「如果你和誰有仇，就勸他干標注吧。」這是標注圈有名的段子。標注圈說大不大，說小也不小，分了四個梯隊。張三說，他的公司屬於第三梯隊。第一梯隊，比如網路眾測、京東眾智等。第二梯隊，比如龍貓數據、Testin雲測、倍賽 BasicFinder、數據堂等。他將第二梯隊和第三梯隊的關系，比做小房地產開放商和搬磚工人。第三梯隊之下，是數量巨大的小作坊，團隊規模在3-5人之間。

標注行業又是一個有前景的新生行業。

新生意味著不確定與無限可能，「干標注就像將水倒進一個水桶里，每拉一個框就是添一碗水。目前，誰也不知道還能添多久，只有水溢出來時，才知道。」這並不妨礙張三設計未來，「第一步，現階段先服務好第二梯隊，以後搞一個平台，把公司做成第二梯隊。」

300億市場與轉折點

數據採集、標注市場有多大？300億元。

1984年前後，這個市場就出現了。欣博友的公司是眾多公司中的一家。當時，這些公司更像一個「錄入公司」——將紙質內容電子化，而不是標注公司。「錄入」是一個勞動密集型的工作，一家公司需要僱傭很多人來做這件事。智聯招聘顯示，欣博友在公司人數項上，勾選的是「1000—9999」。

和欣博友不同，海天瑞聲成立於1998年，做的是語音標注，自建了很多語音庫，業內人士告訴i黑馬&黑智，重復銷售以前做的語音庫是海天瑞聲比較大一塊業務。數據堂成立於2011年，通常外界對其最深印象是「它是國內最大的數據交易平台」。這和其起家業務相關。

2015年前後，隨著以榜單中的人工智慧公司TOP50的強勢崛起，數據標注和採集需求逐漸多了起來。這個市場才真正意義上形成，也即前面提到的四個梯隊。他們作為乙方，進入到這個日益擴大的市場，為估值超10億美金的AI獨角獸服務，教能夠改變世界的人工智慧產品學習。

1.得數據者得AI的天下

數據是AI公司的必需品。就像人每天需要一日三餐，而AI模型也每天需要數據的喂養。數據和AI模型的關系，倍賽 BasicFinder創始人兼CEO杜霖理解深刻。高中期間，他開始研究計算機視覺，高三發表了論文。大學期間，他也一直在做相關的研究。他知道數據對於AI模型的重要性，並得出「AI建模沒有門檻，數據才是門檻」的結論。

在他看來，現階段的人工智慧是簡單的認知智能。「認知智能就是幫你去識別、分類這個世界。分類器的構造是個數學問題，就是由數據堆起來的。」「深度學習本質上是個數學問題，是由大量的樣本空間數據反向構造分類器的系數空間的過程。你要有很多樣本，什麼叫樣本？知道正確答案的才叫樣本。這跟我們小時候求多樣式、求系數式是一個道理。我們要有很多空間中的已知點，才能擬合成一個多樣式。同理，深度學習也是這個模式，也需要大量樣本，也即標定好的數據。」

於是，杜霖認准了「在現階段工業界的AI應用研發，標數據是一定跳不過去的，可能10年之內都要依賴於標數據。」數據對於AI的重要性如斯，但數據的標注和採集公司並沒有學界、業界、資本甚至是媒體的認可，光環一開始便屬於那些做模型研發的AI公司，比如商湯 科技 、曠視 科技 等。

「一個公司做成了很好的人工智慧產品，大家都會說人工智慧演算法牛或者科學家牛，但從沒見人說數據收集得好的。」Testin雲測VP賈宇航說。賈宇航告訴i黑馬&黑智，不但鎂光燈照不到，數據采標還是個「苦活」。苦到沒有人想去做。它很像移動互聯網，產品好，沒人想到軍功章有APP測試者一份。一旦出了問題，第一個被責備的一定是做測試的部門。

2.300億元數據采標市場

數據對於AI公司的重要性不言而喻。據悉，AI公司投入10%—15%的經費用於數據采標。也有人提到，這一比例為20%—30%。2018年，中國AI公司的總融資規模達到千億元以上，數據采標的市場約為100億元—300億元。其中，有三分之一是AI公司內部的標注部門之間消化的，有一些會被商務流程外包公司瓜分，剩下的25%—33%流向專門做數據采標的第三方公司。目前，AI融資規模約以每年25%的速度在增長。

隨著AI技術門檻的降低，越來越多的公司開源了自己的框架，把數據喂進去就能出來一個模型。越來越多的頭部垂直公司開始建立AI部門，之前它們多會把業務交給做AI模型的公司來做，這兩年，龍貓數據、Testin雲測、倍賽 BasicFinder的很多客戶不是來自AI行業的客戶，而是傳統公司的AI業務部門。龍貓數據創始人兼CEO昝智認為從這個角度來看，市場規模並不好算，BAT、小米、京東、TMD等互聯網公司和傳統行業里的傳統企業，它們會拿出多少預算做AI，不得而知。唯一可以肯定的是，這兩三年，數據采標的市場規模越來越大。

這兩三年，AI模型對數據采標的復雜度和精細度要求也越來越高了。比如說，現在，做一個人臉拉框，人臉的拉框精度要求在五像素以內或者三像素以內；又或是，整批數據精確度需在97%或者99%以上。賈宇航認為，精度的提高是AI行業發展的必然結果。對於AI行業，有一句話叫 Garbage in, Garbage out，低精度的標注數據對於演算法沒有任何意義。只有能持續輸出高精度采標數據，才是一個能持續保持競爭優勢的服務商。

第二，更龐大、更多樣的數據規模。龐大在於數據量會更大，以感測器為例，隨著感測器成本下降，並被大量應用，將有更多大量的數據需要被標記；更多樣指的是更豐富的數據維度，在今年的CES展上，松下推出的智能家居解決方案，不僅僅通過電視上的攝像頭觀測人臉的疲勞度，還通過椅子上的電容感測器，去檢測人的心跳。而之前，疲勞檢測只是通過攝像頭捕捉人臉。將來，更多維度的數據將被收集，不單單是2D的圖象、聲音，3D的激光雷達以及心跳數據等也將被納入到采標的范圍內。

3.轉折點

需求側的變化，不可避免地在供給側引起不小的地震。供給側開始從密集勞動型行業向新產業、新模式——工具+眾包轉型。洗牌開始了，數據采標迎來了下半場。

受負面影響最大的第四梯隊。無論是采標的復雜還是要求愈高的精度，對於它們來說都不是好消息。去年中旬以來，每天十幾、二十幾家小作坊要求掛靠在倍賽 BasicFinder旗下，這說明小作坊已經失去業務的來源。「他們靠低質量數據和低價搶市場的模式，已經不能持續了。因為AI工程師不能接受低質量的數據，也不能接受不靠譜的交期。」杜霖說。

張三認為，第四梯隊壞了規矩。他們先靠低價四處搶單子，而後內測什麼樣的項目能夠在單位時間內產出最多，再去做這個項目。其它項目，則被分包給更小的團隊去做。質量難以保證。「他們不算房租、管理等，只核算人工費用。他們的邏輯是一個人一天50塊錢，高於這個價就是賺的。於是他們就報100元的單價。而第三梯隊需要承擔房租，稅收、管理費用以及每天的喝水吃飯等亂七八糟的消耗，至少報200元的單價，才可以做。」

早期，第四梯隊靠著這種方式，賺了一些錢，回收了硬體成本，並有結余。但2018年初，第二梯隊開始做店測，「看看你有多少人，看看你的場地。你不專業，行業正在慢慢把你淘汰掉。」淘汰，意味著沒有業務來源，那麼多人需要吃飯、拿工資，不專業的第四梯隊危機便出現了。即便能夠找到項目，采標項目的要求提高，比如准確度要達到95%甚至是99%以上，小作坊必須從團隊中抽出一部分人脫產質檢和最後的抽檢，成本也會上升。

壓力，對於行業中的每一個參與者都是同樣的。對於龍貓數據、Testin雲測、倍賽 BasicFinder等第二梯隊公司來說，他們需要創業迭代，他們需要想清楚在這個過程中如何突破自我，不斷創新，走出自己的舒適區。他們找到了一個抓手起步，需要思考的是未來怎麼才能取得全勝。業界認為，第四梯隊危機的出現，有利於實力強大的第二梯隊靠著服務質量與效率搶占退出的小作坊留下的市場空白。

新階段與新競爭

數據標注和採集是一個技術活。

需求來到，采標公司做兩個方面的工作，一，調配和研發模塊，二，進行試標，並嘗試總結規則，並培訓。做完了這兩方面的工作，公司會向需求方報價，報價過程中，采標公司回去准備相關應標材料或者應答材料。

中標之後，采標公司開始傳輸數據，上傳到平台上，並開始配置生產和標注業務。據悉，數據標注業務的配置是一個復雜的數學模型。比如，有些任務需要串並聯的工作流，並聯的工作流是多人協同的工作。串聯的工作流是後一個結果是基於前一個結果進行處理的，串並聯的工作流需要平台來實現業務工作流的配置。比如一些NLP型的文本標注作業，需要多個人來標，最後N選一或者投票。串並聯配置涉及到底層數據流的分發等。

標注過程中，質量的協同管理和績效的統計非常關鍵。平台需及時統計到每個人的准確率、穩定性以及效率。標注完了之後，客戶驗收前，采標公司還需要抽檢。最後，公司按照與客戶約定的格式進行交付，這又涉及到格式轉化的問題。

以上過程包含了整個標注系統所有的技術核心點。標注和採集服務並不是堆人就能夠干出來的。對於依靠人力的第三、第四梯隊來說，賈宇航認為，如果它們想轉型眾包+工具的新生產方式，「局限性比較大」。理由有二：

一，數據行業的領頭者會通過這3年的持續服務，在客戶圈贏得口碑，品牌效應會給其帶來一定的商業積累。一些更在意質量、更在意投入產出比的公司會逐漸向領頭者們傾斜。二，技術優勢。頭部標記公司有資金去優化自己的工具和應對客戶的定製化需求，並通過管理經驗優化對應的服務體系和流程。而對於小團隊想要快速建立已有工具和流程化體系去覆蓋一個或多個行業是有局限性的。有兩條路可供它們選擇，第一，精簡團隊，專營一個或幾個AI公司的業務，做一個小而美的生意；第二，與精英合作，使用精英提供的工具，做平台分配過來的任務。

對於尚未入場的後來者來說，如果後來者一開始便立志做一個眾包+工具的平台，除了克服商務壁壘外，在眾包方面，眾包平台需要強運營能力，需要足夠多的人在平台上。平台方需要考慮如何拉新，如何保留日活、月活等。在工具方面，只有一個可采標的APP也是不夠的，沒有便捷的溝通方式減少誤差的傳遞，也是很難做成的。這就像木桶理論一樣，缺一塊板都裝不了水。換言之，留給新進入者的窗口期逐漸關閉。

業內人士認為，采標市場將進入戰國爭霸期。實力強大的第二梯隊之間不可避免地面臨著一場混戰。數據采標市場開始趨於統一。第一梯隊註定不會成為爭霸期的主角。因為行業競爭等方面的考量，采標需求方不會將數據交給網路、京東的眾包平台來做。做人力資源外包的上市公司會在下半場拿到一定比例的市場份額，會對五家標采公司造成一定的威脅，但該威脅不大。

下半場，第二梯隊將如何競爭？通過與第二梯隊中的三家公司深入交流，黑智發現它們對未來和競爭理解各異，布局也不盡相同。這些差異在它們誕生的那一刻起，便被註定。

1.做輕還是做重？

在回答「做輕還是做重」這個問題上，龍貓數據、Testin雲測、倍賽 BasicFinder給出了不同的答案。Testin雲測、倍賽 BasicFinder都建有自己的標注團隊，而龍貓數據則堅持用眾包的形式來做標注。

不同選擇的背後，是各家不同的基因。Testin雲測成立於2011年，以App兼容性測試作為切入點，進入企業服務，後衍生出功能測試、自動化測試、安全測試、性能測試等服務，成為一站式測試平台。2017年，Testin雲測積累了大量客戶。一些AI公司找到雲測，希望通過雲測的眾測平台做數據採集。這是Testin雲測采標業務的起點。

Testin雲測的采標業務做得很重，比如除了眾包採集外，它還會做定製化場景採集，甚至和橫店影視基地合作，利用橫店群演資源，搭建專屬場景，完成客戶的定製化場景採集。在標注方面，Testin雲測又自建標注基地，與房山市政府合作用於數據標注。賈宇航表示，Testin雲測所做的一切都是為了客戶需求，「通過工具研發驅動保障標注的效率、精度，以及安全性。並通過項目管理、風控管理等方式，確保標注精度達到客戶標准，以滿足客戶對於准確度的要求。」

從倍賽BasicFinder的產品基因上來看，倍賽的工具偏向於團隊模式的管理工具，而不是眾包模式。2018年12月，倍賽並購了欣博友，前面提到欣博友是一家運營了30年的北京數據處理公司。該公司提需求，倍賽做技術支持。「我們迭代了很多次，每個工具、快捷鍵、每個設置的優化，都是我們在數據生產中磨合起來的。倍賽接業務比別的公司都晚，2016年基本沒接業務，2017年才開始接。我們的工具做得很扎實。」

除了欣博友，倍賽BasicFinder一直在積極拓展產能，杜霖說，目前，倍賽BasicFinder又拓展了將近3000多個人的子工廠。「通過拓展自有產能，實現最專業的服務。」2018年9月，倍賽BasicFinder收購丁火智能100%股權。丁火智能旗下「薈萃APP」已積累數十萬活躍眾包用戶。「我們搭建了一套自主採集系統，再搭配薈萃APP實現數據採集，完成更多樣性的任務。」

和Testin雲測、倍賽BasicFinder不同，龍貓數據沒有自己的標注團隊，工具偏向眾包模式。昝智和聯創，出身於互聯網公司，他們更希望用互聯網平台化的方式去做采標，而不是「做一個純的數據工廠」。昝智既往經驗告訴他，應該讓系統做這些復雜的數據處理，而不是靠人對人的管理。因為人對人的管理非常低效。

據昝智介紹，龍貓數據是較早使用眾包模式做數據采標的，「我們用眾包把事情做成了，很多跟進者也開始用眾包去做。」昝智認為，龍貓數據打造出了「倚天劍」。他不覺得學龍貓數據的人能夠做好眾包，「早進入這個行業的玩家，有一把寶刀，他們用這把寶刀獲得了利益，然後看到別人拿了倚天劍獲得了更大利益，為了造倚天劍，他不可能把寶刀丟了。刀丟了，他們可能啥都沒了。但不丟刀，他們又很難造出倚天劍。因為人的精力是有限的，思維是局限的，他們不可能一邊把精力放在寶刀上，又一邊造倚天劍，而且造倚天劍還比我們造得好，這不科學。」

昝智認為，龍貓數據沒有寶刀，「接到客戶需求，我們只能優化系統，才能保證准確產出數據。對於他們來說，接到客戶需求，他們還有退一步的路可以走，那就當場監督大家認真去干。他們是有退路的，我們也沒有退路，我們必須把它搞定。有退路的時候，人一急了，就容易選退路了。」據了解，目前，龍貓眾包平台有400多萬用戶，其中只有一千多是做標注的。龍貓數據的標注業務主要由一千多個渠道商團隊承擔。

2.建模還是不建模？

賈宇航提到數據標注的產業鏈可分為三個部分：人員、工具以及演算法。而Testin雲測堅持做好人員+工具，不做演算法。「數據具有可復制性這一特點，如果採集標注公司會演算法，這有點像一個演算法公司找另一個演算法公司做標注，這一份數據到底是否用於乙方的提升，這中間存在一定的爭議。」「我們是在數據領域服務的企業，而不是賣演算法的公司。我們只負責完成企業的數據采標需求就可以了，完成了交付，我們將徹底清除客戶數據。」

杜霖或許不會同意賈宇航的觀點，因為倍賽 BasicFinder正在打造一款傻瓜式建模系統——用戶只需要輸入數據，便可以得到一個AI模型。「如果客戶想成立AI部門，只需要部署上倍賽的系統上，然後再找兩三個AI工程師調參，就可以自己出模型了。如此，標注、採集、建模就會變成一個大閉環了，因為客戶懂業務，他知道業務數據應該是什麼樣子。」杜霖說。

現在，倍賽BasicFinder避免直接建模，杜霖強調，「我們將我們自主研發的私有化標注系統及主流的深度學習框架，統一封裝進倍賽的AI基礎系統BasicAI，實現AI數據及模型的整個生命周期管理。倍賽不建模，我們只給客戶提供一套底層工具，讓客戶自己去建模。」杜霖解釋說，「Tensorflow、Keras及Pytorch這些深度學習庫的出現，讓建模沒有門檻，未來甚至高中生都能夠建模。」

如果一個 汽車 公司讓倍賽BasicFinder幫忙做一個自動駕駛系統，杜霖表示做不了。但他也說，「我們的BasicAI實現從標注到建模的高效流程管理。客戶在倍賽標數據，數據流到建模平台，客戶在Tensorflow里調點參數，模型就出來了。」 今年，倍賽將推出3.0新版本，同時提供SaaS化標注工具服務，幫助客戶實現數據標注管理。杜霖提到，為團隊打造的采標及建模流程化工具，可以提高倍賽的業務延展性，提高競爭中的優勢。

選擇無優劣，但市場會給所有選擇一個清晰的答案。而戰國混戰，或在接下來的幾年見分曉。不過，客戶並不希望一家獨大，大樹之下，寸草不生的局面。未來，數強並立的局面或將長期存在。

走向終局

一個場景，一個市場，一個產業，一個江湖。

熙熙攘攘被裹挾著進場的人，有的主動選擇，有的則是被動，但一旦進入，市場和資本的邏輯發揮作用，他們你我都變成生產鏈上的生產要素，被挑選，被進步，亦或被淘汰。

各個產業參與者的位置，從誕生起或已被註定。從產生的那一刻起，它按著既有邏輯在走，從不以個人意志轉移。上半場，草根英雄輩出，拼價格，下半場拼品牌、服務與效率。精英開始清場，草根離場或者重新站隊。而資本，加速整個產業迭代。

現在，下半場剛開啟，談終局似乎有些為時過早。有太多的不確定將在接下來幾年的競爭中，變得確定。但更多的不確定性，可能又會出現。城頭變幻大王旗，只在一瞬之間。

黑智認為接下來幾年，不確定性雖是主流，但仍有幾件事是確定的：

1.下半場仍將是性價比之爭。客戶永遠希望用最小的成本獲得更高質量的數據。為了生存和在競爭中脫穎而出，供給側不得不迎合性價比需求，他們不得不通過技術來獲得降價空間和利潤空間。賈宇航覺得，技術永遠是最重要的。「通過技術的方式倒逼自己不要賺太多錢。如此，價格才能降下來，競爭力則提了上去。」

2.不要忽視傳統公司的AI需求。毫無疑問，接下來幾年，傳統企業的AI需求將會出現井噴，如何抓住他們，並服務好他們，這是所有采標公司亟需思考的。當然，也不能忽視AI行業的新數據，比如3D的激光雷達以及心跳數據等。

3.不能忽視商務能力。不強的商務能力，或將成為采標公司的新短板。現階段，它們的產品和商業模式已基本經過市場的驗證。他們需要通過放大商務杠桿擴大產品的覆蓋范圍。

4.建立第二條增長曲線。接下來幾年，有人離開，有人留下。每個人都有所歸屬，在產業鏈上，支配或者被支配。所有留下的公司都應該尋找第二條增長曲線，如此才能突破現有成本收益的限制。另外，張三的夢仍需要做，仍需要努力實現。夢想總是要有的，萬一實現了呢。（註：張三為化名）

『叄』 曠視科技智能安防是干什麼用的

智能安防
就是針對企業工作環境或者
公共區域
的安全配置所開發出了一種
智能服務
。
曠視科技
智能安防目前已經在
智慧城市
的諸多領域裡面發揮重要的作用，例如交通、通行、公共安全等，這個
安防系統
不僅高效，而且安全。

『肆』 曠視科技股票代碼

股票代碼是000652。
曠視科技成立於2011年，是一家人工智慧產品及解決方案公司。其產業領域包括三種物聯網場景:個人聯網、城市物聯網和供應鏈物聯網。匡時專注於智慧城市、建築園區、消費電子、智能物流、工業自動化等核心產業，以深度學習為核心競爭力。
拓展資料
1.公司營業范圍：技術開發、技術咨詢、技術服務和技術轉讓;計算機系統服務;應用軟體服務;基礎軟體服務;自主研發產品、機械設備、電子產品、五金電器設備、計算機、軟體及輔助設備、日用百貨的銷售;業務管理;投資管理;資產管理;貨物進出口、技術進出口、進出口代理。
2.企業依法自主選擇經營項目，開展經營活動;依法應當批準的項目，經有關部門批准後，應當按照批準的內容開展經營活動;不得從事本市產業政策禁止和限制的項目的經營活動。 開放視覺的核心技術是與計算視覺和感測技術相關的人工智慧演算法，包括但不限於人臉識別、人體識別、手勢識別、字元識別、證書識別、圖像識別、物體識別、車牌識別、視頻分析、三維重建、智能感測與控制等。匡時通過構建底層AI演算法引擎和aiot操作系統實現技術商業化。
3.北京曠視科技有限公司的核心客戶包括阿里巴巴、螞蟻金融、新秀網路、富士康、中信銀行、聯想、華為、oppo、vivo、小米、凱德、華潤集團、仙盛等。 核心產品 Face + +人工智慧開放平台 Face + +人工智慧開放平台是匡時面向全球開發者和行業用戶推出的開放平台。它以API或SDK的形式為開發者提供人臉識別、字元識別、圖像識別、物體識別、場景識別等數十種計算機視覺功能，旨在幫助開發者以一種簡單的方式接觸AI技術。
4.Faceid在線人臉識別認證平台：Faceid可以為用戶提供豐富的端雲認證服務，包括客戶端app的活檢SDK、人臉驗證、license驗證、Faceid伺服器的多數據交叉驗證等多種風控認證方式。通過金融人臉識別和證書識別技術，可以方便、安全地實現在線用戶認證和用戶證書驗證，從而達到在線驗證的效果，解決現有在線驗證方法交叉驗證的復雜問題，降低風險控製成本。Faceid可以幫助互聯網金融企業快速安全地完成用戶自身在實名驗證、大額資金周轉、個人借貸等業務中的操作驗證，並可以根據場景和風險進行詳細的參數配置和調整。

『伍』 曠視的「新生意」

作者 | 珍珍

出品 | 虎嗅大商業組

題圖 | 曠視 科技

歷經IPO風波與近期的數據隱私漩渦後，低調已久的曠視終於露面了，在這次露面還首次對外公布了曠視物流的新團隊。

10月15日，在「曠視智慧物流戰略暨『AI+物流產業聯盟』發布會」上，曠視正式宣布了智慧物流業務的定位與戰略布局，並發布包括河圖2.0版本、7款AI+智能物流硬體新品、發起成立人工智慧物流產業聯盟等智慧物流業務的全新進展。

這一系列軟硬體產品的發布，加上人工智慧物流產業聯盟的組建、和重新搭建的新領導班子，都表明了曠視接下來要深耕物流行業的決心。

曠視聯合創始人兼CTO唐文斌稱，過去這段時間里，曠視在一個一個的做項目，「我們也不談什麼「Fancy」、「人工智慧」等詞語，關鍵就是做項目，為每個客戶做好服務，做好價值交付。

簡單來說，就是曠視開始沉下心來專心做生意了，畢竟曠視可對外、對資本講的故事，屈指可數。

目前，AI的發展從資本的追捧已經走向理性，物流作為AI可以賦能的行業，與最佳落地場景，或許是曠視眼前比較好講的故事與賺錢的救命稻草。

一方面，曠視在AI行業商業變現能力弱、並且虧損在不斷加劇；另一方面，國內人工智慧的甲方目前還是以政府機構為主，曠視作為AI企業也不例外，這一塊曠視主攻的是城市物聯網業務，但變現渠道較為狹窄。

據曠視2019年8月提交的招股書顯示，在2016年-2019年上半年，曠視分別實現營收為6780萬元、3.13億元、14.27億元、9.49億元，營利還算不錯。但從凈利潤來看，則虧損比較嚴重，僅2019年上半年就虧損52億元。招股書顯示，2016年-2019年上半年，曠視凈利潤分別為-3.43億元、-7.59億元、-33.51億元、-52億元。

因此，出海與供應鏈物聯網，成為了曠視拓展市場的兩個方向。供應鏈物聯網主攻物流，在出海方面，據悉，曠視未來或將在日本、新加坡、泰國和中東成立合資企業或辦事處，擴大市場佔有率。

變現突破口

在現場，唐文斌自己調侃，很多人會問：曠視，你們不是做計算機視覺的嗎？怎麼做計算機視覺的公司跑來做物流這個方向？大家都很奇怪。

唐文斌認為這並不奇怪，因為曠視整個技術發展路線（曠視現在稱之為CV+（計算機視覺+）），最早是從計算機視覺開始，依賴於深度學習，但曠視現在的計算機技術往計算機視覺層面做了演進。

往前如何讓計算機視覺獲得更好的圖像和視頻（曠視在做計算攝影學），往後計算機視覺之後，又怎麼樣呢？唐文斌說，它要動起來，只有動起來才能改造這個物理世界，創造更大價值，曠視叫這為視覺反饋的控制。

「我們通過賦予AGV設備更多的能力，如賦予設備智能調度能力、視覺能力、眼睛能力，能夠讓它們為場景創造價值，這是曠視從CV開始，通過CV+帶來更多新的可能性。」

其實，在曠視進入物流行業之前，早先也做過幾個不同行業的項目，如：在手機場景下提供人臉識別的服務，通過給攝像頭賦能、給城市的IoT賦能，讓這個城市變得更加智能。

在現在看來，前者屬於個人物聯網業務，後者屬於城市物聯網業務。

到2017年曠視堅定在供應鏈場景里深耕，要先從智慧物流開始，用AI的能力、用自動化的能力、用計算機視覺能力，通過這樣的方式為物流場景帶來降本增效的價值。

經過一段時間醞釀後，在2018年4月曠視公布全資收購艾瑞思機器人，正式進軍智能機器人業務。

那時唐文斌表示，曠視收購機器人公司（艾瑞思），不是一件「突然」的事情，「之前印奇就提出過『4+2+X』。」，「4」是指臉、人、車、文字；「2」是指機器人的手和腿；「X」是指通過Brain++這個平台快速做技術的定製，讓場景真正地形成一個完整的產品鏈。

「4相當於是眼睛，曠視的核心是做視覺感知技術，有了數據之後，我們需要通過眼手聯動、眼腿聯動的方式去做動作，而機器人就是一個重要的行為載體，這是我們收購機器人公司背後的思考邏輯。」唐文斌說。

基於此，2019年1月中旬，曠視在曠視機器人戰略發布會上公布了2大戰略：第一，著重於打造AIoT系統；第二，推出智能機器人網路協作大腦——河圖（Hetu）。

也是在這個時期，曠視將艾瑞思機器人融入內部業務板塊。之後被稱為供應鏈物聯網業務，涵蓋物流與機器人，作為曠視『1+3』戰略的一員，與個人物聯網、城市物聯網業務並驅。

從這也足以看出曠視對物流的重視程度。

所謂1+3戰略指的是Brain++平台與個人物聯網、城市物聯網、供應鏈物聯網。「Brain++」是曠視自主研發的「深度學習框架」，也是曠視最核心的競爭力。

唐文斌稱，「供應鏈物聯網是曠視『1+3』戰略的重要支柱，是支撐曠視實現持續增長的關鍵引擎。曠視將堅定進行長期投入，深耕智慧物流領域」。

曠視方面認為，AI賦能物流，是曠視獨有的，因為這是同行們所不具備，在這個層面可以打出差異化產品、形成差異化服務。

早期曠視的業務並不以物聯網相稱，而為什麼曠視的三大業務：個人物聯網、城市物聯網、供應鏈物聯網，從2019年開始都冠以物聯網後綴呢？

這主要是源於創始人印奇的看好，2019年1月確認戰略升級後，印奇稱，IoT時代來臨，曠視就錨定了AIoT這個目標在努力。他認為，物聯網在未來的5-10年，在中國是最好的發展機遇期。

新領導班子

在物流行業深耕的過程中，唐文斌自己有一個特別大的感受，他覺得這裡面每個行業「水」都很深。

作為物流行業的新兵，雖然曠視團隊的人員都非常擅長演算法、軟體，但對於物流項目的規劃能力、實施能力，對建築了解程度、機械了解程度及電器了解程度，其實遠遠不夠，「我們需要行業經驗」，唐文斌說，這個事情很關鍵，曠視要真正引入有經驗的團隊。

也就是說，要想在物流行業闖盪江湖，光有演算法軟體能力還不行，AI那一套並不頂用，缺乏行業經驗還是空談，就相當於底層邏輯有了，但缺乏上層建築。

物流本身就是一個比較接地氣的行業，空談技術、落地能力不行，走不長久。曠視需要有行業經驗的專家，來將曠視的技術與行業場景落地形成合力，做到技術和經驗雙輪驅動，只有這樣曠視才可以走的更遠。

唐文斌稱，做好這些事，曠視會從兩個維度去做，第一、要充分地尊重行業，一定要抱著卑微的心，堅定地做基本功的修煉；第二、曠視做的每件事，包括新技術、新產品等是在給客戶創造最關鍵的價值，要堅持價值牽引，用技術創新賦能用戶、賦能場景。

在以上背景下，從2019年10月開始至今，曠視陸續引進了3位具有行業經驗的人，組建了新的物流領導班子（艾瑞思機器人創始人彭廣平現在在城市物聯網任職），他們分別是：

徐慶才擔任曠視高級副總裁、物流業務事業部總經理，王宏玉擔任曠視高級副總裁、機器人產品部（RPG）總經理，王銀學擔任曠視副總裁、物流業務事業部戰略和規劃發展中心負責人。他們3人在物流行業，都具備20年以上的行業經驗。

事實上，在曠視內部，供應鏈物聯網板塊被劃分為兩個作戰團隊，一個是徐慶才團隊，主要負責前台業務，在前面打仗；另一個是王宏玉團隊，主要負責做機器人產品，是中台，主要為徐慶才團隊提供「炮彈」。

為什麼這樣劃分？

王宏玉解釋，這主要是因為在以前的行業經驗里，他發現，在前線打仗的作戰團隊，如果做產品，當項目越來越多時，沒辦法專心去做產品的研發、慢慢就擱置了。很多同行企業都有這樣的經歷，一旦前方戰事緊張，後面糧草也就是研發工作就停下來了，從整體來看，對產品研發是不利的。

為了避免這個問題，曠視決定形成兩個團隊：一個是作戰團隊，一個是中台的產品團隊。這樣可以保證，在持續推動新產品落地過程中，不斷給前方輸送炮彈。

在此期間，曠視的7款機器人及智能物流裝備、河圖2.0版本，也是由王宏玉發布。

王宏玉認為，曠視一直在堅持軟硬一體化產品布局，以加快AI商業落地，是最硬的AI公司，「因為曠視主要做的就是AI賦能的智能物流設備，而非在同質化產品上競爭」。

「底層AI演算法是曠視進入物流行業的核心競爭力」徐慶才說，利用曠視底層AI演算法為核心的技術力，打造的是具有差異化的智能機器人軟硬一體的場景。

Brain++在中間起到了銜接作用，是實現技術向產品轉化的連接。一方面，曠視在持續投入，讓它變的更好，「因為這套系統確實是非常非常復雜，需要不斷的迭代」；另外一方面，也會通過更加開放的方式，讓這個場景不僅僅賦能於曠視的裝備與系統。

曠視方面把2020年定義為AI+物流的元年，他們認為，隨著行業技術的快速發展，會引導需求不斷上升，這對整個行業來說是好事。

虎嗅獲悉，目前，曠視基於AI、演算法等核心技術，已經形成了北京、寧波、蘇州三大物流基地，主要用於物流硬體的研發與生產，來加速自身移動機器人產品創新的速度，這也是曠視對於物流行業長期投入的一個決心。

物流AGV（AMR）好賺錢嗎？

講了那麼多，物流行業好賺錢嗎？這是很多人所關心的，但答案顯然是不好賺（不多闡述，有些復雜），AGV移動機器人等智能硬體也同樣如此，它是由這個市場的特點決定。

據《中國智能物流行業市場需求預測與投資戰略規劃分析報告》顯示，2019年中國智能物流市場規模將達4890億元，報告預測2020年市場規模將達5850億元。

而在AGV市場銷量方面，2014年我國AGV市場銷量為0.34萬台，同比增長33.3%。2015年我國AGV市場銷量達到0.45萬台，同比增長34.4%。截止至2017年我國AGV市場銷量增長至1.35萬台，同比增長101.6%。2018年我國AGV市場銷量達1.89萬台左右，同比增長39.5%。

另據中國移動機器人（AGV）產業聯盟、新戰略機器人產業研究所數據統計，2019年移動機器人所有品類產品新增量33400台，比2018年增長約12.8%。2019年中國移動機器人（AGV/AMR）市場規模達到61.75億元，比2018年增長幅度為45.2%，其中營收超億元的企業達到18家。

現在，中國移動機器人產業聯盟中，零部件和整機公司有300多家，其中做整機的大概有80多家，但2019年整體移動機器人產業規模只有61.75億，營收超億元的企業僅18家。

所以從規模來看，這個市場的容量其實沒有那麼大，只是外表看著比較熱鬧，佔2019年中國智能物流市場規模4890億元非常小的一個比例。

在這不大的市場中，除了做AGV機器人的公司外，京東物流、蘇寧物流、亞馬遜、阿里菜鳥等電商巨頭也對AGV等智能硬體進行大幅度加碼布局。

如何實現自動化、如何通過移動機器人等的智能硬體降低物流成本，是眾多企業最急切的需求。曠視也是看準了這一點，認為AI技術及演算法相應軟體可以在降本增效中起到非常關鍵的作用，可以作為物流大腦來去統籌調度倉庫中的機器人等，如：今年迭代的河圖2.0版本。

河圖2.0版本不僅能調度曠視自己的設備，還可以調度第三方的設備，還可實現整個生產全流程的可視化、提前決策、自適應動態調度等，這些功能能更好地實現客戶降低企業管理成本、提升運營的效率。

這個產品、想法出發點很好，包括他們發布的7款新產品與智能硬體等，但實施起來效果如何，能否幫助曠視打開市場、提供競爭力、鞏固市場地位，這還需要一段時間、讓子彈飛一會兒。

曠視認為自己的競對是安防領域出身的海康威視旗下機器人子公司海康機器人，但在移動機器人市場中，Geek+、快倉、國自、靈動 科技 等近5年崛起的新廠商（他們也在加大AI投入力度），以及以新松、昆船、機科等為代表的老牌移動機器人廠商也不可忽視。

在移動機器人領域，Geek+與快倉屬於這個行業的頭部企業，曠視覺得自己處於前10以內的位置。

接下來，物流移動機器人行業可能會迎來一波洗牌，因為當一個產業發展到一定程度時，或者投資人投到一定的程度變得比較理性時，整個行業就會面臨洗牌。

用巴菲特的話說就是：當潮水退去時，才會知道到底誰在裸泳！

本文源自虎嗅網

『陸』 《人工智慧》李開復/王詠剛

我讀該書最大的收獲：

什麼是深度學習？ 李開復舉得例子很通俗易懂、很形象

這一次人工智慧復興的最大特點是，AI在語音識別、機器視覺、數據挖掘等多個領域走進了業界的真實應用場景，與商業模式的緊密結合，開始在產業界發揮出真正的價值。

1 三次人工智慧浪潮：

2 第三次人工浪潮的特點：

語音識別領域的三次跨越：

創新工場管理合夥人、資深投資人汪華認為，人工智慧的商業化分為三個主要階段：

第一階段
AI會率先在那些在線化程度高的行業開始應用，在數據端、媒體端實現自動化。
這一過程會首先從線上「虛擬世界」開始，隨著在線化的發展擴張到各個行業，幫助線上業務實現流程自動化、數據自動化和業務自動化。

擁有高質量線上大數據的行業會最早進入人工智慧時代。
互聯網和移動互聯網的發展已經在許多領域為AI做好了業務流程和數據上的准備。例如：大家常說的金融行業是目前人工智慧應用的熱點，這正是因為金融行業特別是互聯網金融已經做好了使用AI的准備。此外，美團等公司將餐飲服務與線上業務連接了起來，滴滴、摩拜單車等公司將交通出行與線上業務連接了起來。在這些擁有線上業務流程和高質量數據積累的地方，AI同樣開始發揮作用，大幅提高線上業務的自動化程度。

第二階段
隨著感知技術、感測器和機器人技術的發展，AI會延伸到實體世界，並率先在專業領域、行業應用、生產力端實現線下業務的自動化。

可以感知實體世界信息的感測器和相關的感知技術會越來越成熟，越來越便宜。在線下業務中，計算機系統可以通過物理方式接收線下信息或幫助完成線下操作。這個轉變意味著人工智慧從線上的「虛擬世界」走進了線下的實體世界。這個階段，人工智慧的商業化會首先從生產力的角度切入，整個世界的生產製造會逐漸被AI滲透。工業機器人、倉儲機器人、物流機器人等將在這個階段實現大范圍的普及。

第三階段
當成本技術進一步成熟時，AI會延伸到個人場景，全面自動化的時代終將到來。

隨著技術的日趨成熟，相關的智能產品價格大幅下降， AI終將從企業應用進入個人和家庭 。那時，每個人的工作和生活中，大量的應用場景都會因為AI的幫助而更加自動化、更有效率，人類的生活質量終將因AI的普及而大幅提升。這個階段里，AI商業化的核心目標是創建全面自動化的人類生活方式

根據汪華的判斷，我們目前正在進入A商業化的第一個階段，也許只需要3年的時間，AI就可以在各種在線業務中得到普及。AI商業化的第二個階段，要花5~7年的時間才能充分發展起來。而標志全面自動化的第三個階段，需要十幾年的時間。

清晰的領域界限
人工智慧創業，要解決的領域問題一定要非常清晰，有明確的領域邊界，因為這一類問題是今天以深度學習為代表的人工智慧演算法最善於解決的。例如，同樣是做機器人，如果做一個藉助視覺感測器更好地規劃掃地線路、提高清潔效率的掃地機器人，將機器人的需求限定在一個有限的問題邊界內，這樣的解決方案就相對靠譜。
如果上來就要做一個長得像人一樣、可以與人交流的人形機器人，那以今天的技術，做出來的多半不是人工智慧，而是「人工智障」。

閉環的、自動標注的數據
針對要用AI解決的領域問題，最好有在這個領域內，有閉環的、自動標注的數據。例如，基於互聯網平台的廣告系統可以自動根據用戶點擊以及後續操作，收集到第一手轉化率數據，而這個轉化率數據反過來又可以作為關鍵特徵，幫助AI系統進一步學習。 這種從應用本身收集數據，再用數據訓練模型，用模型提高應用性能的閉環模式更加高效。 谷歌、網路等搜索引擎之所以擁有強大的人工智慧潛力，就是因為它們的業務，比如搜索和廣告本身就是一個閉環的系統，系統內部就可以自動完成數據收集、標注、訓練、反饋的會
過程。

千萬級的數據量
今天人工智慧的代表演算法是深度學習。而深度學習通常要求足夠數量的訓練數據。一般而言，擁有千萬級的數據量是保證深度學習質量的前提。當然，這個「千萬級」的定義過於寬泛。事實上，在不同的應用領域，深度學習對數據量的要求也不盡相同。 而且，也不能僅看數據記錄的個數，還要看每個數據記錄的特徵維數，特徵在相應空間中的分布情況，等等。

超大規模的計算能力
深度學習在進行模型訓練時，對電腦的計算能力有著近乎「痴狂」的渴求。創新工場曾經給一個專注於研發深
學習技術的團隊投資了1000萬元人民幣。結果，團隊建設初期才兩三個月時間，僅購買深度學習使用的計算伺服器就花掉了700多萬元，一個類型的深度學習任務，通常都要求在一台或多台安裝有四塊甚至8塊高性能GPU晶元的計算機上運行。涉及圖像、視頻的深度學習任務，則更是需要數百塊、數千塊GPU晶元組成的大型計算群。在安裝了大型計算集群的機房內，大量GPU在模型訓練期間發出比普通伺服器多數十倍的熱量。許多機房的空調系統都不得不重新設計、安裝。在一些空調馬力不足的機房裡，創業圍隊甚至購買了巨大的冰塊來協助降溫。

頂尖的AI科學家
今天的人工智慧研發還相當依賴於演算法工程師甚至是AI科學家的個人經驗積累。水平最高的科學家與普通水平的演算法工程師之間，生產力的差異不啻千百倍。人工智慧創業公司對頂尖AI科學家的渴求直接造成了這個領域科學家、研究員的身價與日俱增。谷歌僱用傑弗里·辛頓、李飛飛，Facebook僱用揚·勒丘恩，據說都開出了教百萬美元的年薪。國內AI創業公司如曠視科技，也用令人瞠目的高薪，將機器視覺領域的頂尖科學家孫劍「挖」了過來，把任公司的首州時科學家。

把握時機對創業和投資至關重要。創新工場根據技術成熟度和未來發展趨勢，將人工智慧各應用領域劃分為現階段已成熟、3到5年成熟、5到10年成熟、10年後成熟等不同類型，並分別設計相應的投資策略。

如圖中所示，創新工場將人工智慧領域的應用劃分為大數據、感知、理解、機器人、自動駕駛等不同門類，每個門類中，按照人工智慧技術的成熟度，將具體應用領域排列在時間維度上。

總體來說，人工智慧在互聯網、移動互聯網領域的應用，如搜索引擎、廣告推薦等方面已經非常成熟。在商業自動化、語音識別、機器視覺、手勢識別、基礎感測器、工業機器人等方面，人工智慧可以立即應用，立即收效。

金融類人工智慧的應用雖然已經起步，但尚需一段時間才能真正普及。智能教育、智能醫療、AR/VR中的人工智慧、量產的感測器、商業用機器人等，預計會在3到5年成熟可用。

可以供普通技術人員乃至非技術人員使用的人工智慧平台(包括計算架構、演算法框架、感測平台、雲服務等），會在3到5年後趨於成熟並擁有足夠大的商業機會。

通用的自然語言對話工具、智能助手、普及型的家用機器人等，則至少需要10年甚至更長的時間，才有可能完成商業化。

另外，在自動駕駛領域，3到5年內，必將是第2級到第3級的輔助駕駛最先大規模商用，而且，鑒於安全考慮，這些自動駕駛應用也會是限定場景、限定道路等級的。真正意義上的「無人駕駛」，即第4級或第5級的自動駕駛，還需要5到10年才能上路運行。

我的理解：
跟著「數據」走，哪裡有質量高的大數據，哪裡就有金子。

『柒』 曠視的數據存到哪裡

雲端存儲。
曠視科技是目前國內人臉識別最大的技術供應商，其人工智慧核心在於數據，演算法的形成最終取決於數據量的大小，可供參考的數據越多，演算法也就越精確。早在2019年，曠視科技的雲端人臉識別身份驗證解決方案占市場份額逾60%，而在中國製造生產的配備身份驗證功能的安卓智能手機中，已經70%使用了曠視科技提供的基於人臉識別的設備解鎖方案。

『捌』 曠視科技的數據處理崗值得去嗎

這種一般是去數據標注，數據清洗，工作比較枯燥

『玖』 規模化學習崛起，2020十大科技趨勢預測，未來我們會與AI共處嗎

12月24日，網路研究院發布2020十大科技趨勢預測，從2019年科技的蓬勃發展中提前展望2020。作為2019年度最受關注的科技熱詞之一，「AI」自然成為了焦點。網路研究院也對AI產業給出了幾點關鍵預測。其中一點就是，AI技術已發展到可大規模生產的工業化階段，2020年將出現多家「AI工廠」。

圖：網路研究院預測AutoML 的快速發展將大大降低機器學習的門檻

基於Brain++，曠視「AI工廠」初現。依託Brain++，曠視實現了雲、端、芯的深度神經網路演算法全面覆蓋，並推出了多種高效的以人工智慧驅動的物聯網解決方案，並成功為個人物聯網、城市物聯網、供應鏈物聯網等垂直領域的客戶賦能，助力創造更多價值。

據IDC統計，2019年全球人工智慧市場規模達到375億美元，中國人工智慧市場預計佔全球的12%，成為了全球第二大人工智慧單一市場，且市場規模保持高速增長。人工智慧產業迭代的力量即將噴涌而出，但就像第一次工業革命的紡織工廠，第二次工業革命的汽車工廠，AI革命也需要打造一個智能時代的「AI工廠」，以應對即將來臨的AI大生產時代的需求。這不僅是AI企業發展的必經之路，更是直接決定著整個國家的產業在這個新時代節點之中參與全球競爭的底氣。以曠視Brain++為代表，它們作為中國AI企業極少數的自主可控的演算法框架，無疑將在中國AI產業發展中留下濃墨重彩的一筆