邬贺铨:“物超人”具有里程碑意义,五方面仍需发力

f62d8e7800dd7077802ba2ef148163e3.jpeg

来源:人民邮电报

作者:邬贺铨

我国正式迈入“物超人”时代。据工业和信息化部最新数据显示,截至8月末,我国三家基础电信企业发展移动物联网终端用户16.98亿户,成为全球主要经济体中率先实现“物超人”的国家。“物超人”将带来什么?我国移动物联网发展现状如何?带着这些问题,《人民邮电》报记者日前采访了中国工程院院士、中国互联网协会咨询委员会主任邬贺铨。邬贺铨表示,“物超人”具有里程碑意义,开启网络技术发展新征程。下一步,我国移动物联网产业在芯片、操作系统、安全、应用、数据五方面仍需进一步突破。

“物超人”是里程碑

    9403f187c95ef0e844ccca16f31b863c.jpeg   

“‘物超人’是物联网发展历程上的一个重要里程碑。”邬贺铨表示,物联网是互联网发展新阶段的表现形式。2017年,全球物联网连接数超过了网民数。今年8月,我国移动物联网连接数首次超出移动电话用户数,是物联网发展的里程碑。“过去,互联网和移动互联网的发展主要依靠人口红利;今天,物联网的应用打开了另外一个维度,工业互联网、智慧城市、智慧家居等应用将带来爆发式增长,网络技术发展开启新的里程碑。”

“物超人”时代的到来,将更好地发挥数据要素作用。邬贺铨认为,数据是重要的生产要素。移动物联网和大数据紧密关联,物联网的第一环是感知数据,然后是传输和分析数据,最终支撑智能决策。“物超人”意味着数据的大增长,也意味着可以更好地发挥数据的生产要素作用。

“物超人”时代的到来,还将激发算力需求。邬贺铨表示,随着数字经济时代全面开启,数据处理有了更强大的算力支撑。目前,我国已启动“东数西算”工程,移动物联网的发展,可以与我国的新基建“结合”起来。

邬贺铨指出,物联网推动信息技术的发展,包括工业互联网的发展到达一个新的“起点”。“物超人”是信息化、数字化、网络化“再出发”的重要标志。

我国移动物联网发展领先

    eb34a91512669d7fabc21a40eaa9518d.jpeg   

近年来,我国移动物联网快速发展,连接规模不断增长,应用种类日渐丰富。目前,我国成为全球主要经济体中率先实现“物超人”的国家。

“在蜂窝物联网上,中国处于领先水平。”邬贺铨介绍,我国的物联网发展与全球基本同步。国外统计显示,我国蜂窝物联网连接数逐年快速增长,这得益于我国移动通信用户数全球最多,目前,我国5G用户数占全球总用户数的60%,蜂窝物联网连接数占全球蜂窝物联网总连接数的75%。

“这意味着,我国的蜂窝物联网无论是在网络规模上,还是应用规模上,都领先于全球其他国家。”邬贺铨补充道。

五方面亟待进一步突破

    d88ea9531322ebfcaa8a7b88e742bdac.jpeg   

“目前,我国在移动物联网芯片方面和国外还有差距。”邬贺铨表示,移动物联网的产业链较长,不仅涉及芯片、软件、操作系统、边缘计算,后端还有大数据分析、云计算、人工智能等技术。在这其中,芯片是最基础、最重要的“底座”。目前,虽然我国移动物联网芯片技术实现了一些突破,但是和国外相比,仍然存在差距。

“我国移动物联网生态尚未形成。”邬贺铨表示,移动物联网需要操作系统,尽管目前我国开发了移动物联网操作系统,但尚未形成生态。“移动物联网操作系统需要与各类应用关联,目前尚未形成大规模应用,所以这是产业界需要重视和开发的地方。”他强调道。

安全是移动物联网发展的重中之重。物联网和互联网有所不同,物联网终端(如传感器、摄像头等)并没有很高的安全防护能力,因而,物联网的网络安全问题比互联网更值得关注。“物联网与重要基础设施关联,其安全风险更大,也意味着物联网安全面临更大挑战。”邬贺铨说道。

尽管我国移动物联网连接数已超过代表个人连接的移动电话用户数,但移动物联网应用依然有待开发。“移动物联网的发展中,我们往往会重建设、轻应用,重采集、轻分析。”邬贺铨认为,“移动物联网只是简单的数据感知是不够的,还要分析数据,因而业界还要开发更多的物联网应用。”

“移动物联网的发展还需要重视数据。”邬贺铨指出,虽然我国目前有很多的物联网企业,但是其中的很多企业并不拥有数据,而政府和城市拥有大量物联网数据。如何在保证数据安全、保护个人隐私的情况下,把政府掌握的可以开放的数据开放出来,开发物联网应用场景,扶持更多物联网创新企业的成长,更需要重视。

未来智能实验室的主要工作包括:建立AI智能系统智商评测体系,开展世界人工智能智商评测;开展互联网(城市)大脑研究计划,构建互联网(城市)大脑技术和企业图谱,为提升企业,行业与城市的智能水平服务。每日推荐范围未来科技发展趋势的学习型文章。目前线上平台已收藏上千篇精华前沿科技文章和报告。

  如果您对实验室的研究感兴趣,欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”

078a3419da67109c91446c4cd228b9e2.jpeg

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/481540.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

深度:计算机的本质到底是什么?

来源:图灵人工智能来源:www.cnblogs.com/jackyfei/p/13862607.html作者:张飞洪 01 抽象模型庄子说过吾生有崖,知无涯。以有限的生命去学习无尽的知识是很愚蠢的。所以,学习的终极目标一定不是知识本身,因为…

中科大郭光灿院士团队发PRL,量子力学基础研究取得重要进展

来源:FUTURE | 远见选编:FUTURE | 远见 闵青云 中国科学技术大学郭光灿院士团队在量子力学基础研究方面取得重要进展。该团队李传锋、黄运锋等人与西班牙理论物理学家合作,实验验证了基于局域操作和共享随机性(LOSR, Local operat…

论文阅读课2-Inter-sentence Relation Extraction with Document-level (GCNN,句间关系抽取,ACL2019

文章目录abstract1.introduction2.model2.1输入层2.2构造图2.3 GCNN层2.4MIL-based Relation Classification3.实验设置3.1 数据集3.2 数据预处理3.3 基线模型3.4 训练3.5结果4.相关工作4.1 句子间关系抽取4.2 GCNN5. 结论相关博客Sahu, S. K., et al. (2019). Inter-sentence …

量子并不总意味着小尺度,量子物理学家用它探索系外行星生命

来源:机器之心除了量子计算,量子物理学的应用范畴还很广。近日,美国东北大学物理学教授 Gregory Fiete 探讨了量子研究的广泛应用。量子物理学家研究的世界与普通人每天生活的世界是同一个,唯一的区别是它被科学家「缩放」到了无法…

论文阅读课3-GraphRel: Modeling Text as Relational Graphs for(实体关系联合抽取,重叠关系,关系之间的关系,自动提取特征)

文章目录abstract1.Introduction2.相关工作3.回顾GCN4.方法4.1第一阶段4.1.1 Bi-LSTM4.1.2 Bi_GCN4.1.3 实体关系抽取4.2 第二阶段4.2.1 构建关系权图4.3训练4.4 inference5.实验5.1 settings5.1.1数据集5.2 baseline and evaluation metrics5.3 Quantitative Results5.4 细节分…

大脑是如何编码外界各种信息的?

来源:知乎链接:https://www.zhihu.com/question/532956044/answer/2494267009大脑将外部信息编码成心智模型。编码方式分为三种神经链接、语言逻辑和数学。心智模型理论是成型于上世纪九十年代的认知科学理论,代表人物就是著名学者史蒂芬平克…

论文阅读课4-Long-tail Relation Extraction via Knowledge Graph Embeddings(GCN,关系抽取,2019,远程监督,少样本不平衡,2注意

文章目录abstract1.introduction2.相关工作2.1 关系提取2.2 KG embedding2.3 GCNN3. 方法3.1符号3.2框架3.2.1 Instance Encoder3.4 Relational Knowledge Learning through KG Embeddings and GCNs.3.5 knowledge-aware attention4.实验4.1 数据集4.3 result4.4 长尾关系的处理…

用机器学习建立的数字「鼻子」表明,我们的嗅觉既反映了芳香分子的结构,也反映了产生它们的代谢过程...

来源:ScienceAI编辑:萝卜皮Alex Wiltschko 十几岁时就开始收集香水。他的第一瓶是 Azzaro Pour Homme,这是他在 T.J. Maxx百货的货架上发现的一款永恒的古龙水。他从《Perfumes: The Guide》中认出了这个名字,这本书对香气的诗意描…

论文阅读课5-DocRED: A Large-Scale Document-Level Relation Extraction Dataset(大规模文档集关系提取数据集

文章目录abstract1.Introduction2.数据收集3.数据分析4.基线设置5.实验Yao, Y., et al. (2019). DocRED A Large-Scale Document-Level Relation Extraction Dataset. Proceedings of the 57th Annual Meeting ofthe Association for Computational Linguistics.基线docRED数据…

74位图灵奖得主背景显示:大多数没有主修计算机专业,也并非高引用计算机科学家...

来源:中小学信息学竞赛计算机科学是世界上发展最快的学科之一,计算机科学的发展直接影响着人们的生活,并有可能从根本上改变传统的生活方式。图灵奖作为计算机领域的最高奖项,一直被誉为“计算机界的诺贝尔奖”,截止20…

Meta最新款VR头显体验者亲述:Quest Pro更漂亮、更有趣,但戴久了,脑袋疼!

来源:AI前线作者:Rachel Metz编译:核子可乐、冬梅价值一万多块的 VR 头显设备,你会买吗?声明:本文为 InfoQ 翻译,未经许可禁止转载。当地时间 10 月 11 日,元宇宙公司 Meta 召开了一…

文献阅读6-Entity-Relation Extraction as Multi-turn Question Answering(实体关系联合抽取,层次标签依赖关系,multi-turn QA)

文章目录abstract1.Introduction3.相关工作2.2MRC(机器阅读理解)2.3 非QA->QA3.数据集和任务3.1别人的数据集3.2我们建立的数据集RESUME4.Model4.1概述4.2生成问题4.3通过MRC来获取答案范围4.4 强化学习5.实验5.1RESUME结果5.2 其他结果6 Ablation Studies6.2问题…

论文阅读课7-使用句子级注意力机制结合实体描述的远程监督关系抽取(APCNN+D)2017

文章目录abstract1. Introduction2.方法3.训练4.实验4.1数据集4.2 评价指标4.3实验结果和分析4.3.1参数设置4.3.2 baseline4.3.3 conclusion5.相关工作5.1监督学习5.2远程监督学习Ji, G., et al. (2017). Distant Supervision for Relation Extraction with Sentence-Level Att…

Cell经典回顾:机器学习模型揭示大脑怎样整合空间记忆与关系记忆

导语人类等高等动物能够做出复杂推理、整合新知识以控制行为,其神经机制离不开海马-内嗅系统对于空间记忆和关系记忆的调控。来自牛津大学的学者于2020年在Cell杂志发表文章,通过分解和重组的方法构建了一套框架(TEM模型)&#xf…

论文阅读课8-Chinese Relation Extraction with Multi-Grained Information and External Linguistic Knowledge

文章目录Abstract1.Introduction2.相关工作3. 方法3.1 输入3.1.1 字符级别表示3.1.2单词级表示3.2encoder3.2.1 base lattice LSTM encoder3.2.2 MG lattice LSTM encoder3.3 关系分类器4.实验4.1数据集4.1.2 评估4.1.2 超参数设置4.2lattice的作用4.3词义表示的影响4.4最终结果…

黑客帝国「缸中之脑」真的可以,这100万个「活体人脑细胞」5分钟学会打游戏...

来源:FUTURE | 远见 闵青云 选编既然生物神经元如此高效,为什么不拿来用呢?最新版本的《黑客帝国》还有两天才会上映,但最近的一些科技进展总让我们觉得,导演描述的世界似乎离我们越来越近了。其中一个进展来自前段时间…

Nature发布迄今为止规模最大的全基因组关联研究,揭示了基因与身高的关系

来源:生物通一个国际研究团队已经确定了超过12000个影响一个人身高的基因变异。这项发表在10月12日《自然》杂志上的研究是迄今为止最大规模的全基因组关联研究,使用了来自281项贡献研究的500多万人的DNA。它填补了我们在理解基因差异如何导致身高差异方…

论文阅读9-Fine-tuning Pre-Trained Transformer Language Models to(远程监督关系抽取,ACL2019,GPT,长尾关系,DISTRE)

文章目录abstrac1.Introduction2 Transformer Language Model2.1 Transformer-Decoder2.2 Unsupervised Pre-training of Language Representations3 Multi-Instance Learning with the Transformer3.1 Distantly Supervised Fine-tuning on Relation Extraction3.2input repre…

Meta半年亏损57.7亿美元也要搞元宇宙,听听扎克伯格自己是怎么说的

来源:科技智谷编辑:Light"这可能是世界上最烧钱的梦。元宇宙就是未来,VR就是下一代PC。2022年10月12日,全球VR巨头Meta召开一年一度的Meta Connect大会2022。本次大会, Meta发布了旗下最新的虚拟现实头显——Ques…

文献阅读课10-Neural Relation Extraction for Knowledge Base Enrichment(提取+嵌入+消歧+规范化联合模型,实体已知,仅关系抽取,多词实体)

文章目录Abstract1.Introduction2. 相关工作2.2 Entity-aware Relation Extraction3.提出的模型3.1 Solution Framework3.1 data collection module3.3 Joint Learning of Word and Entity Embeddings3.4 N-gram Based Attention Model训练3.5 Triple Generation4.实验4.1 超参…