当前位置:主页 > 黑河 >

好人好事新闻稿

联想和腾讯“CP感”十足 打造软硬件一体化解决方案

    12月24日联想和腾讯在联想总部举办“极速计划”SIoT云服务战略合作签约仪式,共同加码布局SIoT生态,探索5G时代新未来。联想集团中国区战略副总裁/联想SIoT Cloud&内容服务运营部总经理阿木、联想集团中国区SIoT Cloud&内容服务运营部智慧联想应用高级总监白刚、腾讯公司平台与内容事业群渠道合作部总经理李致峰、腾讯公司移动浏览产品副总裁叶骏出席了签约仪式。下载APP 阅读本文更深度报道  在联想SIoT 2.0、智能PC的深化推进下,联想将加速平台和内容建设,提供软硬一体、AI使能、跨设备的用户体验,而且从腾讯近期组织架构的调整来看,也从另一维度突出了此次“极速计划”对于双方未来商业布局的重要性,这次联想和腾讯签约云服务战略合作协议,是双方战略契合、资源和能力互补、共同创造新用户价值和体验的一次集中体现,联想与腾讯开始从局部合作探索,进入跨设备产品与技术、服务、内容、权益等全方位的战略合作。  资源优势互补 打造软硬件一体化的极致用户体验  从SIoT发展至今,销售硬件已经不再是单独的卖设备,销售软件也不再是单独地让用户扫码下载。随着5G和AI技术的进步和完善,用户对于终端设备的要求越来越高,未来的趋势必然是SIoT设备为用户提供一个完整的软硬件解决方案,之所以称之为极速计划,一方面代表了双方合作第一阶段,在浏览器、游戏等方面为用户加速,从而凸显快速而智能的产品属性;另一方面,让硬件为软件加速发展,让软件为硬件极速革新,彻底消除软硬件之间的隔阂,从而打破软硬件彼此寻找、适应的过程,也为用户直接获取软硬件整体解决方案提速。  在阿木看来,今天把这个签约仪式叫极速计划,是在价值观,能力,战略上高度互补。希望能够让硬件设备和软件服务连接,让用户的互联网体验能够极速更新极速加速。同时,通过腾讯丰富的内容储备,非常领先的互联网产品的创新和运营经验,跟联想以计算见长的设备经验相互借鉴,使设备用户的体验能够以更快的速度进化和迭代。希望未来不再有纯粹的设备或者硬件体验,而是综合体验,能够创新产品并且给用户不断的创造新价值。  释放商业价值 构建“用户+设备+服务”智慧物联新生态  对于此次的合作,腾讯把对用户的理解、把握,注入到联想设备里,实现真正的设备硬件级的产品定义和优化,不仅仅是简单的联调,而是真正的优化,这样才能真正把用户价值落到实处。而且在内容市场,利用联想与腾讯的用户大数据及AI算法,将会把更为精准的内容推送到用户端,通过用户运营获取更大的价值,而且未来随着联想和腾讯软硬协同效应的不断扩散,SIoT平台将更极速地满足用户的实时需求,抹平服务与用户之间的反应时间,让互动实时到达,让内容更快速地下沉到终端用户市场,让用户感知到软硬件协同一体化解决方案的完整新体验。  在李致峰看来,整个中国大盘的用户体验,光靠软件层已经解决不了,所以腾讯选择和国内非常有实力的硬件厂商联想合作,希望通过合作触达硬件的底层,进而让用户行为能够跟硬件系统性的做一些整合,所以可以看到腾讯跟联想的合作,第一是技术的提升,然后是内容方面的合作,腾讯希望给互联网,不管是PC还是手机,给用户提供全方位的合作,全方位的体验。  开放共振 助推SIoT战略加速落地  今年9月份联想在TW期间曾提出了五大赋能,魅影计划、丽影计划、幻影计划也已经落地实施,让联想构建起一个开放的智能物联生态雏形,正在与设备生态伙伴、平台生态伙伴、内容服务生态伙伴加速发展、协同共赢。腾讯合作无疑为SIoT平台合作生态添加了新的活力,未来结合联想在PC、平板及智能硬件等年均上亿新增的全设备上提供智能信息服务的优势能力,以及腾讯在互联网领域提供的综合智能服务的优势能力,联想和腾讯将构建起一张继人联网和物联网之后的第三张网——智联网,针对设备与内容、互联网、移动互联网、以及物联网等相关领域的共同研究和开发,在不断加深合作模式的同时,让联想和腾讯可以沿着人与虚拟世界交互发展的方向不断探索,进而以更好的姿态迎接5G新时代的到来。  所以,在资本寒冬的当下,没人知道春天躲到什么时候才出现,与其哀嚎,不如思考,联想和腾讯已经在行动的路上。  转载请注明出处。  关键字: 厂商通稿

    

     (责任编辑:赵艳萍 HF094)

当前文章:http://www.pxjz.net/ppfy9/859299-1125086-49160.html

发布时间:02:24:12

广州设计公司  喜中网报码  二四天天正版好彩免费资枓1  特码神偷大特围  喜中网  正版免费大全资料  正版免费大全资料  二四天天正版好彩免费资枓1  特码神偷大特围  喜中网  二四天天正版好彩免费资枓1  

{相关文章}

深度强化学习中的好奇心

    本文是AI研究所编写的一个技术博客。最初的标题是《深层强化中的好奇心》。

    本文是AI研究所编写的一个技术博客。最初的标题是:

    深度强化学习的好奇心

    作者|迈克尔克莱尔

    翻译|缩写2018

    校对|酱梨涂饰|菠萝女孩

    链接到原始文本:

    Http://towardsdata..com/holio.-in-.-.ment-.-.-.-network-.llation-747b322e2403

    深度强化学习中的好奇心

    早期密集学习的困难任务之一,Montezuma的复仇,在探索随机网络蒸馏方面取得了重大突破(来源:Parker兄弟博客)。

    Atari游戏是深层强化学习(RL)算法的一个流行的基准任务。Atari很好地平衡了简单性和复杂性:一些游戏(如Pong)是如此简单,以至于它们可以通过基本算法(如一般策略梯度)来解决,而其他游戏则足够复杂以至于可以击败甚至最先进的算法。

    在最简单和最复杂的游戏之间的一系列有用的任务已经成为许多深入加强学习研究论文的核心。

    来自OpenAI博客。

    前者“未解决”的阿塔里游戏,蒙提祖马的复仇,最近已经解决了一个算法(在某种程度上),可以在得分上超过人类表现。研究人员可以鼓励代理人在1级探索不同的房间,这是赢得游戏积分的好方法。

    通过好奇心探索

    人类在玩冒险游戏时有一种内在的探索欲望,比如蒙提祖玛的复仇。游戏设计者构建这样的游戏来鼓励这种行为,通常需要玩家在继续游戏之前进行探索。这就是为什么冒险游戏很有趣。(问任何喜欢玩天空游戏的人。)

    像Montezuma的《复仇》或《天空》这样的冒险游戏充分利用了玩家探索的自然欲望,使得探索成为游戏任务的关键部分。

    深度强化学习算法执行“探索”的典型方法是通过随机策略:从神经网络提供的动作似然分布中随机采样动作。因此,特别是在早期阶段(当策略没有时间收敛时),它是随机行动的明显选择。

    这种方法在某些情况下是有效的。例如,Pong的解决方案是随机旋转桨并观察结果。幸运的是,球偏转可以启动优化。

    在像蒙特祖马的复仇游戏中,这种方法是不可行的。想象一下,从游戏的开始,化身随机地左右移动,随机地跳跃。结果,化身掉进熔岩中或直接进入敌人而没有获得点数。没有积分或奖励,算法无法得到优化的信号。

    那你会随便甩一甩吗?祝你好运。

    好奇

    重点放在寻找更好的探索方法上。基于好奇心的探索可以看作是激发人类玩家好奇心的一种尝试。

    但是,我们如何创建一个好奇的代理呢?

    有很多方法可以实现这个想法。其中之一,甚至使用下一个状态预测,由于其简单性和可伸缩性而很有趣。

    其基本思想是同时培养独立的预测模型和策略模型。预测模型输入所观测到的当前状态和所选择的动作,并对下一次观测进行预测。

    为了探索足够的轨迹,我们假设损失很小(因为我们通过监督学习不断开发预测模型);对于探索不足的轨迹,我们假设损失很大。

    那么,我们能做的就是创建一个新的奖励函数(称为“内在奖励”),它提供与预测模型的损失成比例的奖励。因此,当探索新的轨迹时,代理接收到强烈的奖励信号。

    (a)一级学习探索(b)二级快速探索

    使用马里奥模拟器任务(来源)中的下一个预测,学习探索从第一级的好奇心转移到第二级的快速探索。

    这项技术在超级马里奥模拟器中产生了一些令人鼓舞的结果。

    拖延症代理人:电视问题

    这项技术并不完美。一个已知的问题是代理被环境中的随机或噪声元素所吸引。这种时钟情况有时被称为“白噪声”问题或“电视问题”;也称为“拖延”。

    为了证明这种效果,设想一个代理人通过观察他所看到的像素来学习在迷宫中导航。

    下一状态预测引起代理人学习成功导航迷宫的好奇心。

    代理人很好地完成了任务;他开始寻找迷宫中未被探索的部分,因为他有能力在探险丰富的地区做出好的预测(或者换句话说,他不能在未开发地嘉泰激光_平顺新闻网区做出好的预测)。

    现在在迷宫的墙上放一个“电视”,快速连续地显示随机选择的图像。由于图像的随机来源,代理不能准确预测接下来会出现什么图像。该预测模型将产生高损耗,从丁凯乐李瑞_融资资讯网而为代理商提供高“内在”回报。最终的结果是,特工们倾向于停止看电视,而不是继续探索迷宫。

    在环境(源)中,当代理人面对电视或随机噪声源时,下一个状态预测引起代理人的好奇心,最终导致“拖延”。

    为了避免延误,采用随机网络蒸馏。

    OpenAI的一些优秀人员最近发表了一篇论文,提出了噪声电视问题的解决方案,探讨了随机网络蒸馏(RND)。

    这里的新思想是将类似的技术应用到下一个状态预测方法,但是消除对先前状态的依赖。

    下一状态预测相对于RND(源)的概述。

    RND并不预测下一个状态,而是观察下一个状态并试图预测下一个状态。这是一个非常微不足道的预测,不是吗?

    RND随机网络的目的是采用这种小的预测任务,并将其转化为硬预测任务。

    使用随机网络

    这是一个聪明但违反直觉的解决方案。

    其思想是我们使用随机初始化神经网络将观测值映射到潜在的观测向量。函数本身的输出并不重要;重要的是,我们有一些未知的确定性函数(随机初始化的神经网络),以某种方式转换观测值。

    因此,我们的预测模型的任务不是预测下一个状态,而是预测给定观测状态的未知随机模型的输出。我们训练该模型使用随机网络输出标签。

    当代理处于熟悉的状态时,预测模型应该能够很好地预测随机网络的期望输出。当智能体对状态不熟悉时,预测模型会对随机网络的输出做出较差的预测。

    通过这种方式,我们可以定义一个内在的奖励函数,它再次与预测模型的损失成比例。

    内部报酬计算的概念概述。只使用下一个观察状态。

    这可以解释为“新奇性检测”方案,其中当进行新的观测或不熟悉的观测时,预测模型具有较高的计算损失。

    作者使用MNIST作为这个概念的证明。在本实验中,他们通过随机初始化神经网络提供MNIST样字符。然后,在给定的输入条件下,它们训练并行网络来预测随机网络的输入。如预期,当目标类的训练样本数量增加时,它们将看到目标类被并行网络丢失。

    数据2:MNIST上的新奇性检测:预测器网络模拟随机初始化的目标网络。训练数据包括不同比例的图像和目标类别与“0”类别。每个曲线都表示MSE测试显示的目标类的训练用例的数量(对数)。

    论文对MNIST概念进行了验证。

    这样,当代理看到随机噪声源时,它不会被卡住。它不需要试图预测屏幕上下一个不可预测的帧,只需要知道这些帧是如何通过随机网络转换的。

    探寻蒙太祖玛的复仇

    由于解决方法不佳,以往的状态预测的好奇机制并不能解决蒙台梭玛的复仇问题,但RND似乎已经克服了这些问题。

    好奇心驱使的代理人探索房间,学习收集钥匙,这样他们就可以打开新房间。

    尽管取得了这样的成功,但是代理仅“偶尔”通过了一ca1331_旅行社资讯网网级。这是因为通过最后一道门来完成检查点,需要严格管理密钥的使用。需要内部状态模型(如LSTM)来克服这一障碍。

    因此,虽然RND已经允许代理人在得分上超过一般人的表现,但是在掌握游戏之前还有很长的路要走。

    这是关于深度强化学习算法的实验的一系列文章的一部分。查看本系列以前的一些帖子:

    理解演进的战略梯度。

    感谢卢多维奇本尼斯坦特。

    要继续查看本文的链接和参考资料吗?

    长时间点击链接打开或点击底部[好奇心在深度强化学习]:

    Http://ai.yanxishe.com/page/Text./1363

    AI协会每天更新精彩内容,观看更多精疯狂驾驶_海淀工商网彩内容:雷锋网、雷锋网和雷锋网。

    五大CNN架构

    深度强化学习中的好奇心

    使用Pytorch进行深度学习(第一部分)手柄:使用PyTorch实现图像分类器(第二部分)

    等待您翻译:

    如何为初学者聚类混沌数据以使用Keras陈奕迅济南演唱会_袁和平电影网进行迁移学习增强学小区设计_冬阳童年骆驼队ppt网习:对于情绪行为系统,如果你想学习数据科学,这七个资源不能错过

Copyright @ 2016-2017 龟息法网 版权所有

http://4xx9.com/articlelist-383.htmlhttp://4xx9.com/articlelist-377.htmlhttp://4xx9.com/articlelist-375.htmlhttp://4xx9.com/articlelist-366.htmlhttp://4xx9.com/articlelist-400.htmlhttp://4xx9.com/articlelist-341.htmlhttp://4xx9.com/articlelist-363.htmlhttp://4xx9.com/articlelist-364.htmlhttp://4xx9.com/articlelist-421.htmlhttp://4xx9.com/articlelist-372.htmlhttp://4xx9.com/articlelist-333.htmlhttp://4xx9.com/articlelist-431.htmlhttp://4xx9.com/articlelist-426.htmlhttp://4xx9.com/articlelist-403.htmlhttp://4xx9.com/articlelist-406.htmlhttp://www.4xx9.com/articlelist-398.htmlhttp://www.4xx9.com/articlelist-378.htmlhttp://www.4xx9.com/articlelist-348.htmlhttp://www.4xx9.com/articlelist-341.htmlhttp://www.4xx9.com/articlelist-363.htmlhttp://www.4xx9.com/articlelist-350.htmlhttp://www.4xx9.com/articlelist-349.htmlhttp://www.4xx9.com/articlelist-421.htmlhttp://www.4xx9.com/articlelist-352.htmlhttp://www.4xx9.com/articlelist-444.htmlhttp://www.4xx9.com/articlelist-333.htmlhttp://www.4xx9.com/articlelist-433.htmlhttp://www.4xx9.com/articlelist-432.htmlhttp://www.4xx9.com/articlelist-431.htmlhttp://www.4xx9.com/articlelist-426.htmlhttps://www.4xx9.com/articlelist-401.htmlhttps://www.4xx9.com/articlelist-384.htmlhttps://www.4xx9.com/articlelist-366.htmlhttps://www.4xx9.com/articlelist-378.htmlhttps://www.4xx9.com/articlelist-361.htmlhttps://www.4xx9.com/articlelist-362.htmlhttps://www.4xx9.com/articlelist-421.htmlhttps://www.4xx9.com/articlelist-444.htmlhttps://www.4xx9.com/articlelist-439.htmlhttps://4xx9.com/articlelist-398.htmlhttps://4xx9.com/articlelist-381.htmlhttps://4xx9.com/articlelist-379.htmlhttps://4xx9.com/articlelist-343.htmlhttps://4xx9.com/articlelist-400.htmlhttps://4xx9.com/articlelist-342.htmlhttps://4xx9.com/articlelist-361.htmlhttps://4xx9.com/articlelist-444.htmlhttps://4xx9.com/articlelist-399.htmlhttp://4xx9.com/articlelist-403.htmlhttps://www.4xx9.com/articlelist-439.html