原西北大学校长郝克刚教授在中服PaaS云平台技术研讨会上的讲话

十年磨一剑,化蛹终成蝶!

在中服PaaS云平台技术研讨会

暨中服战略融资发布会上的讲话

西北大学郝克刚2017317


各位同仁,大家好!

今天非常高兴来参加这次盛会,向中服公司和安贵表示衷心祝贺!

刚才几位年轻人扶着我上台,看来我确实老了,年过八十,己经进入80后了!回顾一生,搞了一辈子计算机和软件,目赌了多半个世纪中,计算机和信息技术的成长和日新月异的飞速发展,同时也历了这里面的各种困难和艰辛。

我很佩服安贵和中服的毅力和坚持精神,多年来在非常困难的条件下一直把握着软件即服务SaaS的方向,坚持不懈地作着PaaS云平台的系统开发和应用实践工作,终于作出了卓越的成果,实属不易。同时,我对永中和华软看准了云平台的方向,决然投资中服的高明决策和睿智眼力高度赞赏。因为这是阳光产业,这代表着先进的产业发展方向,很有发展前途。

大家也许知道。在我们计算机界,最近发生了一个不平凡的事件。去年计算机阿发Go41的战绩战胜了国围棋冠军李世石,曾引起了轰动。今年年初,又传来惊人消息。阿发Go的新版Master,低调测试,同世界顶尖围棋高手对奕60局。参与对奕的我国著名棋手包括聂卫平、柯洁、古力、常昊等。结果竟然是计算机全胜,人类全败(600)。这一事件的意义重大,我们这一代人能上看到这件事,实属有幸。

我下了全部棋谱,用我专门为手机和平板电脑编的软件,放在网上。大家可以直观地观看60盘的每一步,仔细回味整个对弈过程。

这些顶尖的世界围棋高手都是不肯轻易言败的牛人,开始并不把计算机放在眼里。但是最后却不得不败下阵来,个个都佩服得五体投地。后来大家悟出一个道理,输给计算机很正常。正如聂卫平所说,这不是在同仅仅一台计算机下棋,是在同它后面的成千上万个棋手在下棋。因为计算机分析了太多的棋谱,汲取了太多的棋手的经验。这是任何个体的人都无法做到的。也就是说人工智能实际上是人类智能的汇总。从专业的角度来看,这次计算机完胜,并不是人工智能本身的技术有什么重大突破,用的深度学习和神经网络这些都是经典的技术。关键是使用了大量棋谱数据,才使它的功能达到这么高的水平。

关于利用大数据而取得成功的例子有很多。最近有报导说,美国斯坦福大学人工智能实验室主任李飞飞(是位中国女将),在研究计算机视觉的物体识别,她计划识别字典中的所有物体。开始在实验室里一个个地描述,结果进展很慢。后来就是用上了互联网,用了大数据,才最终取得了成功。

想想确是这个道理。一个高级棋手,一生能下几盘棋,能分析多少棋谱。在这方面计算机远远超过了任何个人。一个高水平的医生,一生能看几个病人,能分析多少病历。而计算机利用分析大数据可以做到比任何医生的经验都丰富。一个高级教师,一生能读几本书,他能掌握多少知识。而计算机可以利用互联网大数据,做到比任何教师的知识都渊博。随着无人驾驶的飞机、汽车技术的发展,可以想像它一定会超过所有高级司机的驾驶水平。最近同一位我原来的学生谈机器翻译,感到翻译质量不满意。其实我在想,在互联网上有太多翻译质量很高的文章和作品。如果能把这些大数据都利用起来,机器翻译的水平一定可以做到比任何翻译家的翻译水平都要高。

大数据利用的关键是资源共享。而资源共享则是降纸成本,提高效率的最有效的手段。它代表着一种先进的生产力。先进的生产力总是要替代落后的生产力的,这是不依人的主观意志为转移的客观规律。想想在城市中共享单车的行业为什么发展得这么快?才两三个月,就形成了规模,就是这个道理,方便,便宜,节约成本,优化资源配置。

资源共享正是SaaS云的核心理念。由用户独自拥有的方式转变为多用户租用的共享方式。不仅硬件设备、机房、维护等采用托管、租用的共享方式,而且平台、系统、应用等也都逐次地采用租用的共享方式。由于这种方式节约成本,提高效率,代表先进的生产力。因而有广阔的发展前途,美好的发展前景。

最后,送中服和安贵两句话,表示祝贺:

呕心呖血,十年磨一剑,

天道酬勤,化蛹终成蝶!

祝中服乘永中和华软投资的东风,更上一层楼,像出茧的蝴蝶一样,飞出最美的舞姿,画出绚丽多采的画卷!(完)

2017317下午,由中服软件主办的“PaaS云平台技术架构及发展趋势研讨会暨中服软件战略融资发布会

看三秦网的报导

http://m.sanqin.com/pcarticle/286524?from=singlemessage&isappinstalled=0

           转载自科学网http://blog.sciencenet.cn/blog-506146-1040331.html?from=timeline
内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势与长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度与泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研与工程应用中的实用性。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础和Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习与智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型与贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建与超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块与混合神经网络结构的设计逻辑,通过调整数据集和参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值