一个是Be My Eyes，这款给视障人士使用的app，本来是通过摄像头让远程的社区协助者/志愿者告知视障者视野范围的情况。GPT的应用就是，可以通过CV的分解和分析，生成相应的文本描述，告知视障者，一定程度上降低对志愿者人力的要求。
另一个是可汗学院的教学上，学生和GPT合作写故事、虚拟一个对已故人物的采访、人机对话练习，提高词汇量和使用技巧。
现在流行的悲观观点大多数是*GPT会取代人的工作，但对于教育本身来说，这些对教育手段的增强却是实在的。
标签归档：AI
The book of why
中文名是因果关系。
给的例子都比较容易看懂，是科学家和专业作家合作的书，虽然思想本身都是来自科学家。
因果识别的三个层次：观测，从而发现关联性；干涉，识别因果线条以及量化关系；反事实推测，得到确定的因果。
后面的一两章开始了对AI的期望，能理解为何不喜欢单纯的数据挖掘，因为那只是第一层的内容，做得再好也是关联性的挖掘，AI必须演进到识别因果关系，才能对人类的事情产生本质的帮助。
大数据必须寻找可解释的关系，比如AI需要理解为何（Why）主人熟睡的时候不应该开吸尘器，而不是单纯记住这一个设定。
强人工智能须主动增加更高维度的理解，不要总是在二维影响中分析明暗，而应该提高维度到三维，产生光影的概念。
AI要试图进行反事实的算法化，即对输入信息有违抗的想法。
作者倒是不觉得AI会邪恶化，相反，他认为AI在得到足够好的信息后，可做出比人类更强的道德判断。
看的时间比较长，记录比较零星，有空再看一遍中文版。
AI DJ
AI承担DJ的工作其实是很正常的，比如现在流行的音乐APP里面，其实都有AI选曲播放的频道。
更多的是，AI可以自行根据旋律创作一些背景音乐（鼓点、midi等），如能，也可以配合现场的IoT环境，控制灯光。
AI可以通过观测现场的人群的反应（CV能力），再进行播放的调整。
当然了，作为chatbot，可以接受现场客人的点唱，也可以提供虚拟形象。
传统零售店智能化 或 无人零售
首先是要考虑最小的修改，毕竟大家手里钱都不多，改动太大或者推倒重来的话，一方面是成本高，另一方面智能店真正完全成功的还不多，大多数都是概念店和体验店。
店面大小，不适宜太大，太小也不好，就考虑那种连锁便利店1～3倍的规模好了。形状规范一点。
SKU控制一下，不超过600？有更多的话，请用减法。
尽量使用现有的基础设施，比如网络，电，监控摄像头，收银台。
AI相关：做现在SKU的数据收集和采集，买也可以。训练模型–>生产环境下的重训练（比如增加或删除SKU等）
需要的硬件或基础设施：摄像头、视频处理硬件（如GPU）、QR Scanner（当然，摄像头也可以）、AI模型服务器（边缘计算够便宜也可以）
AI，其实是CV，也该考虑人脸等隐私特征的保护。
无人零售用AI的目的：
识别顾客，绑定到一个实体/虚拟的账号，并100%跟踪其店内行为
产品识别，品类、数量、状态等
前两者的关系，也就是谁拿了什么东西，多少东西
自助结账。
无人零售的退化版本就是自助售卖机、自助餐食等。
联邦学习与大数据隐私专场
这个专场对于我来说，算是一个扫盲性质的，听了几个讲座后，大概知道联邦学习是一个什么样的模式了。
杨强是港科大的教授，微众银行的高管。他对联邦学习的介绍还是很清晰的：https://www.leiphone.com/news/202008/hBACeSbAY8PIOcbh.html
联邦学习的背景是1.数据的来源碎片化，且难以标准化，2.数据的合规性要求限制了中央处理。
继续阅读企业服务专场
选这个来听，本意是希望听到关于企业SaaS怎么做的讨论，但遗憾的是，还是偏少。主要是企业服务如何匹配新基建等大方向和大趋势的。
信通院政策与经济研究所副所长何伟，https://www.leiphone.com/news/202008/PG3C7FP2gUzNXNAd.html
重点在于产业发展的时间和方向，企业服务应该与其保持一致。
阿里巴巴副总裁，郭继军，https://www.leiphone.com/news/202008/wvoatM5VImhgvrGQ.html
企业服务中，数据凌驾一切，打通数据间的障碍，后挖掘及形成新的业务。而对阿里来说，目前则不纠结于具体是哪个云，哪一家的云，只考虑将其打通并组合给应用。
继续阅读疫情全球流行下的技术趋势
机器人前沿专场
次日，选了机器人前沿专场和AIoT专场来听。
开场的报告是加拿大工程院张宏院士作的。他也即将在深圳建立有实验室，但此次是用远程的方式进行演讲。
https://dy.163.com/article/FK6GSE5D0511DPVD.html
讲的范围不多，集中在机器人如何得知自身处在已知地图的何处。包括对视野中的各种物体的标示（全局/全景描述符），Deja vu的时候各种不同的外部环境产生的变化如何识别，二维点云计算即确认，图像粗匹配、精匹配，雷达和视觉的信息融合等等。
不过他说的是已知地图的情况。结合去年有个讲陌生环境下的digital twin构建地图，就可以多机器人联合制作地图并进行相对定位了。
继续阅读人工智能前沿专场
今年看着早鸟票（399）便宜，就又参加了一次CCF-GAIR。但疫情的影响很大，去年的诺奖嘉宾的豪华阵容就没见到。但主题和方向是更加专注。我前后三天，主要听了五个专场：人工智能前沿、机器人前沿、AIoT、企业服务、联邦学习与大数据隐私。
继续阅读通用AI的业态及商业模式
算法团队开始抽象出来，并不集中注意力在某一个固定的领域上。
于是，如何做一个通用的AIaaS，让不同行业不同需求可以运行在一个云AI平台上成了一种趋势。
看到Square收购了Dessa，依稀有一些这种趋势。
AI 2B是一个生存的趋势，因为AI 2C都是一些好看不中用的玩意。但是Big B有点困难，一方面Big B可以养活自己的AI / ML团队，另一方面，Big B的定制化需求太多太复杂，很容易把整个AI团队卷进去，于是就跟平台化无缘了。
注定是Small B。
Small B有数据，缺团队，顶多有一两个data scientist。这样就是AIaaS的机会了。
但AIaaS的考验也不少，需要把AI工程做得通用、可配置，有伸缩性，容易收费。
还要需要提供data cleansing的工具及服务，搞不好，这个数据清洗的工作需要的人力成本远比AI主算法要高。
AIaaS的团队需要补强的是，
1.传统SaaS的架构师，这里可是需要有真材实料，能庖丁解牛的架构师
2.能针对不同行业快速设计AI / ML方案的数据科学家
3.精通data cleansing的脚本工程师