关心前沿科技动向的各位，周五好！
新一期虎嗅精选前沿技术专栏周报又与大家见面了。再次介绍一下，在周报里，我们每周为大家解读一个正在被AI等前沿技术改变的细分领域，看看AI等前沿技术在各个领域都有怎样的势能。
此外我们还将为大家总结一周以来国内外前沿技术领域的最新研究成果、工程化与产品化商业化的最新动向，以及行业里的投融资状况、大佬们的最新观点，以“前沿领域深度解析”、“最新学术研究成果”、“前沿技术公司新动向”、“前沿技术领域投融资”、“专家观点”、“前沿知识点”等栏目来呈现，通过持续的周报，沉淀知识的精华。
本周我们深入聊一聊乘用车自动驾驶行业的现状，将整个产业上下游的重要玩家都梳理一遍。再了解一下，为什么院士会说，人工智能在医疗领域的落地尤其困难。
一．前沿领域深度解析
本周最让人关注的事莫过于在拉斯维加斯举行的CES了。今年的CES，自动驾驶无疑是最大热点，今年的CES至少有几十家不同厂商展示了自己的新技术新产品。此外是一些相对比较小的热点，如5G、8K电视、智能助手、智能家居产品等。
在上期周报，我们为大家呈现了商用车领域的自动驾驶，相比之下，乘用车领域自动驾驶更加激动人心，当然，难度也不在一个量级。本期周报迎合消费电子展，为大家解读乘用车领域的自动驾驶。
行业纵览
1）先来系统了解一下自动驾驶技术。
自动驾驶涉及到硬件与软件。硬件里面，大家比较熟悉的是摄像头、激光显示器、雷达显示器，这是汽车感知外界环境的重要手段，也是近些年来出现明星公司（如Mobileye、Velodyne等）比较多的领域。
除了这些，自动驾驶涉及到的硬件还包括控制器（控制汽车的启动、运行、进退、速度、停止其它电子器件）、CAN卡（起通信协议转换的作用，使设备之间传输无障碍）、定位系统、惯性测量单元（测量角速率及加速度的装置）等。
软件层面，关键技术包括感知融合、行为决策、路径规划、运动控制等部分。
感知融合的典型就是多传感器融合技术，把分布在不同位置的多个同类或不同类传感器所提供的局部数据资源加以综合，采用计算机技术对其进行分析，消除多传感器信息之间可能存在的冗余和矛盾，加以互补，降低其不确实性；
决策技术是依据上一步感知系统获取的信息来进行决策判断，确定适当工作模型，制定相应控制策略。决策理论包括模糊推理、强化学习、神经网络和贝叶斯网络技术等；
路径规划是在进行环境信息感知并确定车辆在环境中位置的基础上，按照一定的搜索算法，找出一条可通行的路径，进而实现智能车辆的自主导航。路径规划包括基于完整环境信息的全局路径规划方法，以及基于传感器实时获取环境信息的局部路径规划方法，方法之下又有很多复杂的具体算法。
运动控制是控制车辆沿着期望的轨迹行驶，包括转向控制和速度控制，
2）乘用车领域的自动驾驶生态较之商用车领域，要庞大许多。
自动驾驶商用车车的赛道上包括了商用车公司、大型电商企业以及自动驾驶创业公司。而在乘用车领域，因为市场更为庞大，也就形成了非常复杂的市场构成，从汽车厂商，到零部件厂商，芯片厂商，再到互联网公司以及自动驾驶领域众多的创业公司、新兴公司，
从自动驾驶相关专利的角度来评判，日本Nikkei日经新闻委托专利分析公司Patent Result进行的调查显示，目前在自动驾驶领域位于头部的公司，主要是大型汽车公司、汽车零部件一级供应商(Tier 1)，以及少量新兴技术公司。
大型汽车公司包括丰田、通用、福特、日产、本田、奥迪等，零部件公司包括麦格纳、电装株式会社、博世等。
这些公司在汽车领域有深厚底蕴，在自动驾驶方面也有深厚积累。
少量新兴技术公司主要是谷歌旗下的waymo，以及地图数据服务商HERE，被英特尔收购的Mobileye等。
国内开发乘用车自动驾驶公司如百度、滴滴等，专利数量与质量都还有待提高，排名比较靠后。
自动驾驶专利排名
当然，日本公司入选比较多，这不意味着日本自动驾驶比美国强，根据日本专利厅的数据，日本企业虽然申请自动驾驶专利最多，但有一半都是最低等级Level1，美国企业有一半以上都是较高等级Level3。
而根据Navigant Research自动驾驶竞争力排行榜，排名比较靠前的包括通用汽车、谷歌Waymo、
戴姆勒-奔驰-博世联盟、福特汽车、大众集团、宝马-英特尔-菲克联盟、安波福、雷诺日产联盟、
沃尔沃-Autoliv-爱立信-Zenuity联盟、标致雪铁龙集团。
Navigant Research对自动驾驶汽车大批量生产和产品可靠性的要求很高，因此一些风头正劲的硅谷自动驾驶创业公司没法入围。
2017年Navigant Research自动驾驶竞争力排行榜
这个排名中将公司分为领导者、竞争者、挑战者和追随者。
排名中欧美系更高，日系公司排名较低，中国则只有百度入围，处在第二档的竞争中角色。这个排名中特斯拉得分很低，仅在第三档，这也引发了一些争议，也表明目前还没有很权威的自动驾驶技术能力排名，能让所有人信服，也说明如何科学评价自动驾驶这个前沿领域的技术实力，是个难题。
将榜单综合一下，简要看看领先公司的技术成就。
汽车厂商
美系车中，通用在自动驾驶业务上的实力非常强，一方面是自身的深厚积累，另一方面也是因为收购了waymo的主要竞争对手、自动驾驶创业公司 Cruise，使其实力大增，另外通用还收购了激光雷达公司 Strobe。通用宣布2019年全球首款无驾驶员、方向盘和踏板的Cruise AV就将量产，接近实现L5级的无人驾驶。
德系车中，奥迪排名较高。在2013年，奥迪A7就首次在美国拉斯维加斯的公共交通车流中进行无人驾驶的演示，并于次年在佛罗里达州和加利福尼亚州进行了公共高速公路的试驾。2017年，奥迪实现了量产车第三阶段自动驾驶技术，在时速低于60公里时，汽车可完成启动、加速、转向、制动等一系列自主操控。2018年9月、10月，奥迪中国先后在无锡市和北京市获得L4级自动驾驶车辆道路测试牌照。
日系车中，丰田在自动驾驶领域研发的系统有Chauffeur和Guardian两种自动驾驶模块。其中，Guardian模块包括适用于限定路段的4级自动驾驶技术，Chauffeur模块则是一套提供车辆环境检测与应急自动处置功能的驾驶辅助系统，两大版块是互存的。丰田2018年年初表示，全年自动驾驶汽车开发方面投资超过220亿美元。
特斯拉有自动驾驶系统Autopilot，出售过Autopilot（自动辅助驾驶）、Enhanced Autopilot（增强自动辅助驾驶）和Full Self-Driving Capability（全自动驾驶）三款选装包，初期自动辅助驾驶版本只是提升舒适性和安全性的辅助功能。目前在硬件上包括8个摄像头、1个毫米波雷达、12个超声波雷达以及NVIDIA Drive PX2计算平台，软件上使用自主研发的图像处理系统以及机器学习技术 “Tesla Vision”。特斯拉自动驾驶出过一些车祸，包括最近在CES前一辆特斯拉没有识别出路上的机器人而将其撞坏，不过其使用率相对更高，出事故多也算正常。
技术公司
汽车厂商的实力非常强，技术公司也不逊色。首屈一指的当然是谷歌旗下的waymo，发展近十年，公路上的行驶里程达到了1000万英里（约合1600万公里），这一点无人能及，专利数量与质量也领先。2018年12月，Waymo启动了商业化自动驾驶出租车服务Waymo One。当然，目前车上还有安全监督员。Waymo的估值已经达到2000亿美元。
除此之外，不能不提Mobileye。成立于1999年的Mobileye为一家以色列技术公司。2007年，搭载Mobileye产品的车型上市。2017年3月13日，英特尔将以153亿美元收购Mobileye。作为ADAS计算机视觉技术开发领域的一线品牌，Mobileye能在系统集成芯片的支持下，能为L0、L1和L2的汽车提供前防撞警告、自动紧急制动和车道偏离修正等被动安全功能。Mobileye介绍，该这项技术目前已在全球25家汽车制造商的数百万辆汽车中得到应用。
Tier 1
Tier 1中，博世的自动驾驶实力比较有代表性。在感知端，博世已经建立起摄像头、毫米波、激光雷达三大传感器的体系。在规划、决策方面，博世底盘控制系统已经在2017年新成立团队专门研发域控制器。高精地图方面，博世推出了一套与高精地图相关的技术解决方案——博世道路特征。
国内自动驾驶技术公司中，除了百度，滴滴获得了路测牌照，正在研发车载系统。还有一系列的创业公司，很多已经获得多轮融资，如文远知行（原景驰科技）、驭势科技、小马智行、初速度、纵目科技、激光传感器厂商禾赛科技等。
3）主流厂商在2019年CES上发布的新产品、新技术，主要是L4甚至L5级别的概念车，以及重要的模块更新。
从趋势看，自动驾驶技术在深入到更加细微的环节，如座椅，以及车内的交互与娱乐等。
汽车厂商
丰田推出了旗下第四代、基于第五代雷克萨斯LS旗舰轿车打造的自动驾驶原型车TRI-P4，该测试车最快将于今年春季上路。
奥迪发布了首款实现L5阶段全自动驾驶的概念车奥迪Aicon，去掉了方向盘和脚踏板。
奔驰展示了CLA Coupé，搭载智能驾驶系统MBUX，支持手势控制、语音控制等智能驾驶辅助功能。
日产展示了“无形可视化（Invisible-to-Visible，I2V）”技术，通过将车辆外部传感器信息与来自云端的车辆内部信息相结合，辅助驾驶者操纵车辆。
零部件厂商
博世推出一台无人驾驶电动巴士概念车，安装了多个传感器，通过预诊断功能来检测车辆及零部件状态。
大陆集团展出了旗下全新的自动驾驶概念车CUbE。
法雷奥展示首款自动驾驶汽车Drive4U、Voyage XR虚拟感知技术、Drive4U Remote远程控制技术。
电装推出了带自动驾驶功能的概念车Urban Moves。
英伟达推出了全球首款商用L2+自动驾驶系统DRIVEAutoPilot，德国汽车零部件和技术供应商大陆集团、采埃孚都已经宣布采用，基于该系统的解决方案将于2020年开始投产。
麦格纳展示了自动驾驶状态下的座椅布置。
IT技术公司
高通展示了C-V2X（Cellular-V2X），一种能够让智能汽车连接到到车、人、路、网等不同物品的通信技术，
Mobileye与北京公交集团合作，将在中国合作开发并部署一个商业化的公共交通自动驾驶解决方案。此外，Mobileye还提出自动预防性制动技术。
百度阿波罗推出了3.5版本，并发布了收费的企业版。
4）从需求端来看，主要国家中，中国在接受自动驾驶汽车方面准备不足，荷兰、新加坡、美国等接受度更高。
毕马威分析了主要国家在自动驾驶技术方面面临的挑战，以及各国的准备情况，并从政策法规、科技与创新、基础设施以及用户的接受度4个方面对这些国家进行了排名。排名显示我国在自动驾驶接受度方面并不高。
行业解析
1）虽然乘用车的自动驾驶远未到终局，但现在马太效应已经开始显现，表现为竞争者和追随者要进入领跑者阶层，越来越难，尤其是在自动驾驶系统方面，更是如此。
领跑者一方面起步很早，已经形成了良好的研发基础设施，长期路测积累了更加丰富的数据，产业链上的话语权与品牌号召力也更强，技术的完整性与成熟度都相对更高，团队也比较稳定；另一方面也有更充沛的资金支持，包括waymo、通用等都是如此。
而竞争者和追随者想要弯道超车存在很大难度，自动驾驶系统是个庞杂的技术体系，国内自动驾驶技术公司本身起步较晚，无论数据还是技术上都不具备明显优势，在一个不进则退的市场，压力可想而知。而且waymo发展近十年后才开始尝试商业化，百度阿波罗在不到两年的时候就开始商业化，背后可能感受到了财务上的压力。自动驾驶系统的开发是个相当长的过程，可谓烧钱的游戏，有充足的财务支持也是一个必不可少的基础。
2）从Waymo到百度阿波罗，最近都小心翼翼地迈出了商业化的第一步。
对于商业化的时点是否合适其实不必过多讨论，厂商本身对于最近两三年的商业化成果也不会有预期，现在商业化，更多的是继续为产品工程化服务，在市场上验证技术和产品，在复杂环境中训练算法，提升系统的准确性与鲁棒性，增强用户与客户对自动驾驶的认识，为将来真正的较大规模商业化铺路。
就Waymo而言，直接建立车队开始了L4级别的商业化，客户接受需要一个过程，商业化范围目前也局限在少数城市，因此不太容易有商业化数据上的优异表现。如果出现事故，还会经历比较大的反复。
就百度来说，更多可能是L2、L3级别的商业化，L4级别的客户需求可能是更远的事情。其采用为B端厂商定制系统或者模块的形式开始商业化，面临的首要问题是如何获得更多客户，特别是在大厂都有自己的自动驾驶系统的情况下，需要合作更多的中小厂商，可能不太容易获得规模化需求。在开发定制方面，又要有比较费时费力的开发交付过程，较大规模的商业化还很远。
3）自动驾驶领域有着比较复杂的竞和关系，可能一个自动驾驶厂商需要采购一家零部件厂商的设备，但零部件厂商同时也在推自己的自动驾驶系统，竞争合作关系比较微妙。
一个在某项关键领域如雷达、高精地图等方面有技术优势的公司，可能接受了几家自动驾驶厂商的投资。这在目前市场还在产品化阶段的时候不会存在多大问题，但随着各家都逐渐把商业化摆上议题，竞争关系逐渐凸现，技术上缺乏不可替代性或者在某些关键领域对外依存度高的公司会比较被动。
二．最新学术研究成果
在这个栏目里，我们来了解一下近期国内外具有代表性和创新性的前沿技术研究成果。
中科大量子密码安全领域研究获重要突破
国际著名学术期刊Physical Review Applied近日刊发的科研成果显示，中国科学技术大学郭光灿院士团队在量子密码安全领域——量子密钥分发实际安全性研究中获得重要突破，利用探测器雪崩时的漏洞，量子黑客可有效控制该探测器的响应，并获取全部密钥信息而不被感知。
这里对量子密码术（Quantum Cryptography）稍加解释，它与传统的密码系统不同，依赖于物理学而非数学，作为安全模式。是一套用我们当前的物理学知识来开发、不能被破获的密码系统，即如果不了解发送者所使用的密钥，接受者几乎无法破解并得到内容。实质上，量子密码术是基于单个光子的应用和它们固有的量子属性开发的不可破解的密码系统，因为在不干扰系统的情况下无法测定该系统的量子状态。理论上其他微粒也可以用，只是光子具有所有需要的品质，它们的行为相对较好理解，同时又是最有前途的高带宽通讯介质光纤电缆的信息载体。
郭光灿院士研究的这套攻击方法为实际系统的安全性测评和标准化提供了技术储备。
随着量子密钥分发系统速率不断提高，单光子探测器的后脉冲效应将显著增强。后脉冲是指探测器中的雪崩光电二极管在发生雪崩之后，一段时间内随机产生二次雪崩的现象，其非完美性会带来安全性漏洞，是实际系统安全性测评的重要内容。过去忽略后脉冲效应的模型需要修正。
鉴于此，科研人员基于自身多年来对探测器的深入研究，针对量子密钥分发系统中单光子探测器实际特性提出了新的模型。该模型将高阶后脉冲考虑在内，给出了新的计数率和误码率的计算方法，显著提升了高速实用化系统的核心性能指标。
雪崩光电二极管探测器的非完美性会带来安全性漏洞，是实际系统安全性测评的重要内容。科研人员发现了门控模式单光子探测器的一种潜在漏洞，提出并实现了雪崩过渡区攻击方法。在门控信号从开启到关闭的过渡阶段，探测输出具有很强的非线性特性。通过控制攻击信号的光强和在过渡区的位置，量子黑客可以有效控制该探测器的响应，获取全部密钥信息而不被感知。
相关论文信息：https://doi.org/10.1103/PhysRevApplied.10.064032
商汤ICLR 2019论文提出随机架构搜索
在 ICLR 2019 论文SNAS : Stochastic Neural Architecture Search中，商汤科技提出随机神经网络结构搜索（SNAS)。SNAS是一种端到端神经架构搜索（NAS）解决方案，可在同一轮反向传播中训练神经操作参数和架构分布参数，同时保持其完整性和可分性。在这项工作中，NAS被重新表述为关于单元中搜索空间的联合分布参数的优化问题。
据介绍，与基于强化学习的方法（ENAS）相比，SNAS 的搜索优化可微分，搜索效率更高。与其他可微分的方法（DARTS）相比，SNAS 直接优化 NAS 任务的目标函数，搜索结果偏差更小。此外，基于 SNAS 保持了随机性（stochasticity）的优势，该论文进一步提出同时优化网络损失函数的期望和网络正向时延的期望，自动生成硬件友好的稀疏网络。
研究还表明，SNAS的子网可以保持搜索的验证准确性，基于特征的NAS需要参数再训练才能参与竞争，展现出在大数据集上迈向高效NAS的潜力。
论文地址：https://openreview.net/pdf?id=rylqooRqK7
机器视觉识别物体的方法与人类视觉大相径庭
加州大学洛杉矶分校认知心理学家团队在PLOS计算生物学杂志发布的论文显示，他们进行的的五个研究实验的结果表明，深度学习是非常容易被欺骗的，并且计算机视觉识别物体的方法与人类视觉大相径庭。
加州大学洛杉矶分校的顶尖心理学教授，同时也是该研究报告的第一作者Philip Kellman表示，机器视觉的缺点显而易见。在第一个实验中，他们向最好的深度学习网络之一，VGG-19，展示了动物和物体的彩色图像。但实际上，图片经过了一些修改，例如，高尔夫球的表面和茶壶组合在一起，斑马条纹和骆驼组合，甚至把大象和红蓝相间的菱形袜子图案结合在一起。在40个对象中，VGG-19只选对了5个。
研究报告的作者，加州大学洛杉矶分校心理学教授Lujing Lu表示，欺骗这些人工智能系统简直小菜一碟，他们的学习机制远没有人类思维复杂。
在第二个实验中，研究员向VGG-19展示了玻璃雕像的图像，并加入了第二个深度学习网络AlexNet作为对比。两个网络都表现不佳，无法识别玻璃雕像。VGG-19和AlexNet都没有正确地识别雕像，一个大象雕像被两个智能网络评为大象的几率为0％。
在第三个实验中，研究人员向VGG-19和AlexNet展示了40幅黑色与白色图像，这三个实验旨在发现设备是否通过其形状识别物体。在实验中，这些系统在识别诸如蝴蝶，飞机和香蕉等物品方面做得很差。
在第四个实验中，研究人员向两个网络展示了40个纯黑色的图像。对于黑色图像，这两个神经网络做得更好，正确率大约有50％。例如，VGG-19认为算盘图案是算盘的概率为99.99％，大炮的概率为61％。相比之下，VGG-19和AlexNet各自认为黑色轮廓的白色锤子是锤子的可能性不到1％。
在第五个实验中，研究人员对图像进行了干扰，使其难以识别，但它们保留了一些物体的形状。研究人员选择了VGG-19最初识别的六张图像，并对它们进行了处理。人类都很难辨认这些图案，但 VGG-19识别出了六张图片中的五张，并且第六张的答案非常接近正确答案。
作为第五个实验的一部分，除了VGG-19之外，研究人员还测试了加州大学洛杉矶分校的本科学生。他们向十名学生展示了黑色轮廓的物体，他们之中一些人无法辨认这些物体，还有些人只花了一秒就辨认出了这些物体。通过这些实验，研究人员得出结论，人类看到整个物体，而人工智能网络识别物品的一些细节。对于人类而言，整体形状是物体识别的主要形式，但是根据整体形状识别图像似乎根本不在这些深度学习系统中。
运动可以通过输送鸢尾素保护大脑免受老年痴呆症的伤害
自然科学杂志发布的新研究论文表明，运动通过向大脑输送鸢尾素来缓解阿尔茨海默病（AD）并减缓记忆力减退。
在锻炼期间，鸢尾素从肌肉被送到全身的各种组织。它最初被发现促进脂肪代谢，将白色脂肪细胞变成棕色脂肪细胞，燃烧更多能量。后来才意识到它也在大脑中发挥作用。
这项新研究提出了一个非常引人注目的案例，即通过虹膜蛋白进行锻炼可以保护记忆免受神经变性的影响，这种神经变性会对阿尔茨海默病患者的思想和生活造成严重破坏。研究人员首次表明，患有AD的人和小鼠的大脑中的鸢尾素水平低于年龄匹配的健康对照，这种相关性表明需要仔细观察。
淀粉样蛋白β寡聚体是有毒的蛋白质聚集体，在阿尔茨海默氏症的大脑中积累并与记忆丧失有关。用培养的大鼠脑细胞，人脑切片和活小鼠进行的实验表明，这些淀粉样蛋白β寡聚体也与脑中鸢尾素水平的这种降低有关。
接下来，研究人员表明，鸢尾素对于保护记忆免于退化是必要和充分的。为了证明这是必要的，科学家人为地将其击倒在小鼠的大脑中。老鼠再也无法识别熟悉的物体了。为了证明这是足够的，科学家们将额外的鸢尾素添加到小鼠的大脑中，然后添加淀粉样蛋白β聚集体。鸢尾素阻断了由β淀粉样蛋白聚集体引起的记忆丧失。
所以鸢尾素可以减少退化的记忆，而运动可以诱导鸢尾素。为了填补缺失的步骤，并证明锻炼通过鸢尾素来挽救记忆，研究人员将他们的老鼠放在严格的锻炼方案上：每天游泳一小时。
正如预期的那样，锻炼的小鼠脑中的鸢尾素水平高于久坐不动的对照，并且当他们的淀粉样蛋白β寡聚体注入大脑时，它们的记忆被保护免于降解。但真正的问题是，运动并没有帮助那些注入了特异性阻断鸢尾素的抗体的老鼠的记忆。将该抗体施用于循环系统，表明鸢尾素可以通过在运动期间前往大脑来发挥其作用。
三．前沿技术公司新动向
在这个栏目里，我们来看看国内外公司在前沿技术工程化、产品化、商业化过程中的新进展。
高通推新款智能座舱芯片
高通在今年CES的主题是汽车出行，推出了第三代骁龙智能座舱芯片平台，包括入门级、中级、高级三款产品。该平台搭载高通新一代AI引擎、搭载Hexagon DSP、第四代Kryo CPU、Spectra ISP、以及第六代Adreno GPU。
第三代骁龙智能座舱芯片平台还搭载保护数据安全的SPU安全处理模块、支持多模蜂窝连接，Wi-Fi 6以及增强型蓝牙技术。第三代骁龙智能座舱芯片的样品已经上市。发布会现场，高通还专门拖来了一辆搭载该新品的演示车。这款新平台支持Alexa等AI助手的车载虚拟驾驶辅助，用户能够用声音来控制车辆的导航、娱乐等系统。同时，它能够支持座舱内的多台高分辨率显示器同时运行、支持基于增强现实的导航系、同时能够为用户提供定制化音频区域，具有引擎噪音抑制及回声消除功能。
在DSP中，高通同样用上了HTA张量加速器和HVX向量扩展内核，能够大幅提高AI计算力。
此外，高通还简单介绍了其在汽车C-V2X、5G RF射频前端、Wi-Fi 6等方面的进展。高通的C-V2X（Cellular-V2X）是一种能够让智能汽车连接到到车、人、路、网等不同物品的通信技术，是自动驾驶相关技术之一。几个C-V2X应用的关键场景包括：在拐角等视线受阻的情况下，提前预警行人与车辆，避免交通事故；前车出现故障或变道时后车提前预警，防止追尾事故等等。到2022年初，福特将在所有在美国发布的新车上部署C-V2X技术。
IBM发布全球首台商用量子计算机IBM Q，发布高精度天气模型
IBM在本届 CES 上宣布推出 IBM Q System One，号称世界首个专为科学和商业用途设计的集成通用近似量子计算系统。搭乘这一系统的量子计算机是IBM Q，是目前全球唯一的独立商用量子计算机。IBM Q高 2.74 米，宽 2.74 米，有一个 15 厘米厚的硼硅酸盐玻璃外壳，可以通过电机驱动把它打开，方便进行维护。
IBM 表示，目前IBM Q拥有超过 10 万名用户，而且开源的量子计算开发套件 Qiskit 下载超过 14 万次。此外，IBM 推出的 Q Network，旨在通过与学术机构、大型企业等合作来推进量子计算研究。
媒体The Verge 的评价比较尖锐：“像 Q System One 这样的量子计算系统仍然是实验性的。在涉及到现实生活的计算时，你的笔记本电脑可能更强大”。Tech Crunch 评论称，对于大多数商业应用来说，一台 20-Bit 的机器还远远不够。
此外，IBM该推出了高精度天气预测模型。IBM表示，新模型正在通过计算能力的进步和数据收集物联网设备（包括个人气象站，飞机上的大气传感器和智能手机）的激增而成为可能。 基于IBM Power9的PC，一种针对AI工作负载量身定制的14nm高度对称多处理器，每天处理10TB的天气数据，提供每小时天气预报，其分辨率是以前最先进系统的五倍。
英特尔推出一种用于基于推理的工作负载的神经网络芯片Nervana
在2019年消费电子展的新闻发布会上，英特尔发布了Nervana神经网络处理器（NNP-I），这是一种基于推理的工作负载的AI芯片，适合类似GPU的外形。
NNP-I基于10纳米英特尔工艺制造，将通过Ice Lake cores处理一般操作以及神经网络加速。Nervana针对图像识别进行了优化。它的架构与其他芯片截然不同：它缺乏标准的缓存层次结构，而片上存储器则由软件直接管理。此外，由于其高速的片上和片外互连，它能够在多个芯片上分配神经网络参数，实现非常高的并行性。
Nervana还使用了一种新的数字格式--Flexpoint，它允许将神经网络推理中心的标量计算实现为定点乘法和加法，从而在提高功效的同时实现并行性的更大增加。
起亚发布情感自适应驾驶系统
起亚2019 CES上正式发布了情感自适应驾驶系统。这套系统可以检测驾驶员心情，并对驾驶室环境进行针对性的调整。
实时情绪自适应驾驶系统是起亚与麻省理工学院媒体实验室的情感计算小组共同开发的。这套系统基于人工智能的生物信号识别技术来检测驾驶员的心情，改变驾驶室环境，创造“更愉悦的移动体验”。
现代起亚新近任命的研究开发负责人阿尔伯特·比尔曼声称，READ系统将使驾驶员和车辆之间通过情感感受这种不言而喻的语言进行持续交流，从而为驾驶员实时提供一个优化的以人类感官为导向的空间。实时情绪自适应驾驶系统仅在CES展上发布并进行展示，其短期内并不会有量产计划。
苹果供应商AMS与旷视科技合作开发3D面部识别
奥地利传感器厂商AMS将与中国软件开发商旷视合作，为智能手机开发新的3D面部识别功能。旷视将提供软件，用于处理AMS传感器提供的光数据。AMS执行副总裁兼光传感器解决方案总经理乌瑞奇·胡维斯(Ulrich Huewels)称，通过将3D传感系统与旷视技术相结合，手机厂商能快速、平滑地将这些受欢迎的功能添加到其产品中。
AMS与旷视的合作表明，3D传感解决方案渐成主流，已做好进军各个领域的准备，包括消费、汽车、医疗和工业电子等。
当前，AMS是iPhone手机的光传感器供应商。AMS的光传感器能让智能手机识别手机与用户之间的距离，也是iPhone Face ID面部识别系统的关键组件之一。但由于新一代iPhone市场需求低于预期，尤其是在中国市场，AMS近期面临着巨大压力。
Mobileye提出自动预防性制动，并与北京公交合作推公共交通自动驾驶解决方案
在2019美国CES上，英特尔子公司Mobileye、北京公交集团和北太智能宣布达成合作，将基于自动驾驶套件，在中国对自动驾驶公共交通服务进行商业部署。三家公司将在中国合作开发并部署一个商业化的公共交通自动驾驶解决方案。
此外，Mobileye还提出自动预防性制动（APB），以消除“几乎所有”后端碰撞。这是一种增强形式的自动紧急制动，它使用公式来确定汽车何时进入危险情况。
这个想法是通过在潜在危险进入视野时使车辆缓慢，逐渐停止来防止碰撞。正如Mobileye首席执行官Amnon Shashua在一篇博客文章中所解释的那样：“APB将通过应用小的、几乎不会引人注意的预防性制动，而不是突然制动来防止碰撞而帮助车辆恢复到更安全的位置。APB将主动调整车辆的速度，以便在必要时保持安全，从而在不牺牲交通流量的情况下提高安全性。如果APB在每辆车上安装了一个前置摄像头，它将消除由于粗心驾驶导致的前后碰撞的“大部分”。 此外，他认为具有环绕声相机感应和位置感知功能的APB系统可以消除“几乎所有”后端挡泥板弯曲机。
Mobileye首席执行官Amnon Shashua曾表示，到2019年底，预计安装Mobileye的第3级自动驾驶技术的汽车将超过100,000辆。目前，全球有超过25家汽车制造商配置了Mobileye技术；与Mobileye联手开发自动驾驶的汽车制造商有13家；约3200万辆车配备了Mobileye技术；其中包括宝马、奥迪、大众、沃尔沃、尼桑、福特、本田、通用在内的数百款车型。在应用场景的选择方面，Mobileye大中华区总经理童立丰表示公共交通服务领域是不可或缺的组成部分，公交车或将成为Mobileye首选落地的场景之一。
Mobileye所推出的L4自动驾驶套件是一个由硬件、驾驶策略、安全软件和地图数据所组成的一站式自动驾驶解决方案。该端到端自动驾驶技术解决方案能够为车辆提供自动驾驶能力，从而有效减少汽车事故的发生。
硬件方面，包括摄像头、电缆、调制解调器、GPS和其他机械部件，所有这些部件均由第五代EyeQ SoC（系统集成芯片）驱动。驾驶策略方面，Mobileye、强化学习算法，使车辆系统具备类似于人类的驾驶技能，通过该技术的感应和计算平台，可以拥有超越人类的视觉能力和反应速度。Mobileye的驾驶策略还采用了责任敏感安全模型（RSS），该模型能够确保自动驾驶汽车做出可进行形式验证的安全决策。
苏宁与商汤合作，微软与克罗格合作，探索智能零售
美国老牌零售连锁公司克罗格（Kroger）宣布，将利用微软云计算平台和物联网传感器，开发一套智能零售系统。
双方首个合作成果是数字货架系统，采用的数字标签可以展示实时价格更新和产品信息。数字货架系统能够提供指引，让员工快速找到商品，提升取货的效率。另外，也能协助员工识别和解决商品缺货的问题，确保消费者能够在货架上找到商品。
克罗格还使用店内的摄像头与传感器同时追踪着商品与顾客，进行数据收集。数据将有助于克罗格更好地了解其客户的消费习惯和实时追踪各个门店的运营状态。
微软扮演的角色是提供后台的数据处理技术和AI能力，其云计算系统Azure将处理绝大部分数据。
无独有偶，国内公司苏宁也与商汤进行战略合作，苏宁科技集团COO荆伟表示，商汤将帮苏宁了解消费者、分辨消费者特征，然后与零售实践结合，为消费者提供更加有针对性的商品和服务。
Healbe声称其GoBe 3可穿戴设备可以通过皮肤追踪卡路里
Healbe是一个名不见经传的创业公司，其产品为可穿戴设备GoBe，在SEC上，这家公司展示了该产品，并说它可以通过皮肤单独追踪卡路里摄入量。
Healbe引用了戴维斯食品卫生研究所的研究，该研究发现GoBe 3的算法在两周的时间内跟踪卡路里和水合物的准确度为89％。 但该研究只涉及27名志愿者，并未进行同行评审。
除了卡路里和水合作用外，它还能够测量睡眠模式，压力水平和“情绪状态”。
GoBe的基础技术源于现已解散的俄罗斯公司Algorithm，该公司于1999年开始开发一种可以监测血糖水平而无需抽血的监护仪。经过四年500次测试，HealBe表示，算法的四人团队已经开发出首创的葡萄糖追踪算法。
Healbe说它在2012年获得了Algorithm的技术，之后改编它，以计算燃烧和吸收的卡路里。 具体来说，Healbe设计了一个压电阻抗传感器，通过佩戴者的手腕推动高频和低频信号，当细胞吸收葡萄糖时，信号被水释放。在消化后的几个小时内，Healbe传感器可以追踪一定范围内的卡路里。
Google智能助理可获得航班登机功能和地图集成功能
智能助手也是今年CES的一个热点。谷歌宣布，GoogleAssistant智能助理即将集成谷歌地图，帮助用户计划下一次旅行。Android智能手机用户可以使用他们的语音和自然语言语音命令来执行诸如搜索旅游路线停留的地点，或为旅程添加新的停靠点等操作。
使用Android智能手机的Google地图用户还可以要求Google智能助理阅读他们的消息，并使用WhatsApp，SMS，Facebook Messenger和其他热门聊天应用启用免提回复消息。
Google Home扬声器可以向手机发送路线或在智能显示屏上分享路线。随着时间的推移，Google地图助理可以根据偏好提供对附近商家的建议，也意味着Google Home扬声器很快就能告诉用户下一班巴士何时到来。
谷歌还宣布了对智能助手的一系列其他升级，包括帮助用户办理下一班航班的登机手续并获得登机牌。 在用户的航班起飞之前，Google智能助理会向用户发送提醒，只需说“嗨谷歌，办理登机手续”，无需提供确认号码或更多信息。
这项服务将在未来几天内提供，并从美国联合航空公司的航班开始。
四．前沿技术领域投融资
来看一下最近国内外比较有代表性和创新性的前沿技术公司的投融资情况。
ClearMotion为“数字底盘”融资1.15亿美元，使汽车乘坐更加顺畅
ClearMotion是一家马萨诸塞州公司，希望用一种结合了软件和专用硬件的系统取代标准汽车减震技术，已经完成了由富兰克林邓普顿领投的1.15亿美元D轮融资。 微软、普利司通、高通、世界创新实验室、NewView Capital、Eileses Capital以及“J.P.摩根资产管理公司建议的客户”也参加了此轮融资。
ClearMotion成立于2009年，一直在开发所谓的“世界上第一个主动驾驶系统”，它基本上重新考虑了传统的汽车悬架。 这家公司表示，它可以预测道路状况，使汽车能够在几分之一秒内作出反应，以确保最顺畅的行驶。
这种“数字底盘”由安装在每个车轮的减震器上的四个电液“活动”组成，它收集并存储云中的道路数据，以便日后进行分析和检索。 ClearMotion表示，除了使用来自驾驶员行为的实时输入提示之外，它还使用高清地图，算法和大数据库，不断学习和适应道路的配置文件。
文远知行获商汤科技投资
文远知行WeRide（即之前的景驰科技）A轮融资再获两家重要机构跟投，分别是商汤科技SenseTime和农银国际ABC International，本次跟投的融资金额达数千万美元。
文远知行计划在2019年完成500辆无人驾驶车的改装，积累500万公里的无人驾驶行驶里程，并逐步在广州、安庆等城市与合作伙伴进行试运营和商业化落地的尝试。
IDG资本领投AI安防公司澎思科技
AI安防公司澎思科技宣布完成数千万元Pre-A轮融资，该轮融资由IDG资本领投，高捷资本、上古资本、洪泰基金跟投。澎思科技是一家成立于2016年的AI安防公司，专注于计算机视觉和物联网技术，提供AI+IoT全产业链的技术和软硬件产品解决方案。
澎思科技聚焦在AI+安防赛道上，已经完成从端到端、软硬件到算法的全系列自研产品体系搭建，其软件系统包括动静态人脸识别、人像大数据研判分析平台、多维大数据实战应用平台和商业智能化管理平台等；硬件产品包括面向公安各实战场景的人像专用设备，以及面向行业及商用领域的双屏人证机、智能门禁、立式广告机、人脸识别闸机等。
金沙江创投领投图鸭科技A轮融资
图鸭科技宣布完成数千万元A轮融资，本轮融资由金沙江创投领投，新进资本跟投，老股东淡马锡集团祥峰投资、魔量资本、拉尔夫创投、天使湾创投持续加码。
图鸭科技成立于2016年8月，专注于通过人工智能算法来提升图像视频的压缩效率，使用人工智能算法为企业节约视频的存储成本、带宽成本，让视频每一帧变得更小更智能（Make video smaller and smarter），致力于打造新一代图像视频压缩解决方案。
图鸭科技将视线聚焦到视频压缩上，并瞄准到安防、交通、环保等细分领域。据悉，此轮融资资金将主要用于产品升级和商务拓展等方面。
产品方面，图鸭科技将涉及AI芯片领域，与合作伙伴共同推出AI芯片的解决方案，从而降低整套设施的效率和成本。除此之外，图鸭科技还将继续完善针对电视、监控的解决方案，并拓展至汽车、手机等其他多个领域。
机器人公司博信科技Pre-A轮获数千万融资
重载桁架搬运的机器人公司博信科技宣布获得数千万pre A轮融资，本轮融资由清控银杏领投，梅花创投和科鑫资本跟投。博信创始人兼董事长吴跃新表示，此次融资将主要用于建立和升级产品的标准化体系，推进其在汽车、机床、建筑和交通、智能仓储等领域的服务能力。
五．专家观点
本周内，前沿技术领域的大咖们有哪些高论呢？
胡盛寿院士：人工智能在医疗领域的落地尤其困难
医疗一直被认为是AI的理想落地领域，不过有专家对此持不同看法。
据新京报报道，中国工程院院士、中国医学科学院阜外医院院长胡盛寿在第十一届健康中国论坛（2018年度）期间表示，尽管医疗人工智能的热度持续高涨，但人工智能在医疗领域的落地尤其困难，我国目前尚无一款智能医疗产品正式提交审批。
在胡盛寿看来，社会各界对人工智能的期望值过高，实际上人工智能只是一种赋能技术，而不是独立产业；人类生命数据的复杂性很高，人命关天；人工智能的开发需要医学专家的主导和深度参与。
从研发的角度来讲，数据是核心，对数据的筛选和标注是研发智慧医疗产品的基础。根据全国的调查来看，中国医疗机构数据的结构化和电子化没有统一标准，数据真实性和有效性有待商榷。
胡盛寿表示，如果是用不真实数据研发出来的产品，不仅会贻笑大方，更可能会谋财害命。人体生命数据差异太大，变量极多，充满不确定因素，这是医学数据本身的特殊性，而人工智能本身是通过大量的逻辑运算来提出相关性的，有一点点小小的变化都有极大的变化，容易产生误导。此外，智慧医疗产业链条上各方缺乏有效沟通，研发人员不熟悉临床场景，医生缺乏对新技术的理解，面对新的产品类型，监管部门无法迅速制定评价标准等，也是阻碍智慧医疗发展的绊脚石。
胡盛寿认为，大医院人满为患，基层医院床位闲置，传统全科医师培养周期长、效率低、留不住人，发展智慧医疗，我们有巨大的需求“动力”，可以此作为改变我国医疗资源配置不合理的突破点，但必须扎扎实实把核心问题解决，才能离真正的智慧医疗越来越近。
六．前沿知识点
前沿知识点栏目每周为读者解析一个前沿技术领域的名词，本周为大家解读迁移学习的概念。
迁移学习
我们知道，机器学习分为监督学习、弱监督学习、无监督学习三种，每种之下又有不同的机器学习算法。我们今天要介绍的迁移学习，是弱监督学习的一种。
在传统分类学习中，为了保证训练得到的分类模型具有准确性和高可靠性，须有足够可用的训练样本才能学习得到一个好的分类模型，用于学习的训练样本与新的测试样本满足独立同分布。
但是，在实际应用中我们发现这条件往往很难满足。首先，随着时间的推移，原先可利用的有标签样本数据可能变得不可用，与新来的测试样本的分布产生语义、分布上的缺口。另外，有标签样本数据往往很缺乏，而且很难获得。
迁移学习因此引起了广泛的关注和研究。迁移学习是运用已存有的知识对不同但相关领域问题进行求解的新的一种机器学习方法。它放宽了传统机器学习中的两个基本假设，目的是迁移已有的知识来解决目标领域中仅有少量有标签样本数据甚至没有的学习问题。
迁移学习广泛存在于人类的活动中，两个不同的领域共享的因素越多，迁移学习就越容易，否则就越困难。
按照方法来分类，迁移学习可以分为样本迁移、特征迁移、模型迁移三种。
样本迁移是指，在源域中找到与目标域相似的数据，把这个数据的权值进行调整，使得新的数据与目标域的数据进行匹配。优点是方法简单，实现容易。缺点在于权重的选择与相似度的度量依赖经验，且源域与目标域的数据分布往往不同。
特征迁移是指，假设源域和目标域含有一些共同的交叉特征，通过特征变换，将源域和目标域的特征变换到相同空间，使得该空间中源域数据与目标域数据具有相同分布的数据分布，然后进行传统的机器学习。优点是对大多数方法适用，效果较好。缺点在于难于求解，容易发生过适配。
模型迁移是指，假设源域和目标域共享模型参数，将之前在源域中通过大量数据训练好的模型应用到目标域上进行预测，比如利用上千万的图像来训练好一个图象识别的系统，当我们遇到一个新的图像领域问题的时候，就不用再去找几千万个图像来训练了，只需把原来训练好的模型迁移到新的领域，在新的领域往往只需几万张图片就够，同样可以得到很高的精度。优点是可以充分利用模型之间存在的相似性。缺点在于模型参数不易收敛。
迁移学习已在文本分类、文本聚类、情感分类、图像分类、协同过滤等方面进行了应用研究。
迁移学习是个非常复杂的技术问题，限于篇幅，这里只能介绍概念与作用，如果想更深入了解，可以移步新网址做进一步了解。
评论