本文转载自：新金融 原文作者：三折人生 谈到区块链，大家会有些陌生。那么我们先谈谈信任的那些事吧。我们不信任一个没有足够信用度的单独个体，但我们会信任一堆个体或者有足够信用度的单独个体。在现实社会中，银行就是这个有足够信用度的个体（中心）。 但以银行等作为信用中介是需要成本的，而我们普通大众就要为这庞大的信用成本买单。所以才会造就金融业是最赚钱的行业。那就可以用我们上面提到过的“一堆个体”，这也是区块链技术的核心。 区块链本质上是解决信任问题、降低信任成本的技术方案，目的就是为了去中心化，去信用中介。区块链是比特币的底层技术。 比特币（BitCoin）的概念最初由中本聪在2009年提出，你把它理解成数字货币即可。 我们以比特币交易为例来看看区块链具体是如何操作的。 1、把每笔交易在全网广播。让全网承认有效，必须广播给每个节点。 2、矿工节点接收到交易信息后，都要拿出账簿本记载该次交易。一旦记录，就不可撤销，不能随意销毁。 矿工节点是通过电脑运行的比特币软件对交易的进行确认的。 为了鼓励矿工的服务，对于其所记录和确认的交易，系统为矿工提供25个比特币作为奖励。（这个奖励数量，系统设定每4年减半） 奖励只有一份，那就看谁记录的快呗。 3、为了减少这种情况，系统会出一道十分钟的运算题，谁能最快解出值，谁就将获得记录入账权利，并赢得奖励。 比如说x2-x-6=0吧，我想这一道一元二次方程对于学工科的童鞋们分分钟就能搞定吧。前述区块链中所运用算法并不是简单的计算题，而是使用哈希散列（Hash）算法。哈希散列是密码学里的经典技术，可以用来验证有没有人篡改数据内容。获得记账权的矿工将向全网广播该笔交易，账簿公开，其他矿工将核对确认这些账目。交易达到6个确认以上就成功记录在案了。 矿工记录的时候，还会将该笔交易盖上时间戳，形成一个完整时间链。 4、当其它矿工对账簿记录都确认无误后，该记录就确认合法，矿工们就进入了下一轮记账权争夺战。 矿工的每个记录，就是一个区块（block），会盖上时间戳，每个新产生的区块严格按照时间线形顺序推进，形成不可逆的链条（chain），所以叫做区块链（Blockchain）。 而且每个区块都含有其上一个区块的哈希值，确保区块按照时间顺序连接的同时没有被篡改。 这时候我们再看对区块链的原始定义就能理解了：区块链是一种分布式数据库，是一串使用密码学方法相关联产生的数据块，每个数据块都包含了一次网络交易信息，用于验证其信息的有效性和生成下一个区块。 若两个人同时上传，虽然这个概率很小，但是若发生，我们就看最后的区块链哪条更长，短的那条就失效。这就是区块链中的“双花问题”（同一笔钱花两次）。对于要制作虚假交易，除非你说服了全网里超过51%的矿工都更改某一笔账目，否则你的篡改都是无效的。 网络中参与人数越多，实现造假可能性越低。这也是集体维护和监督的优越性，伪造成本最大化。说服51%的人造假还是灰常灰常难的。 好了，我们总结下，区块链主要有以下核心内容： 1、去中心化 这是区块链颠覆性特点，不存在任何中心机构和中心服务器，所有交易都发生在每个人电脑或手机上安装的客户端应用程序中。实现点对点直接交互，既节约资源，使交易自主化、简易化，又排除被中心化代理控制的风险。 2、开放性 区块链可以理解为一种公共记账的技术方案，系统是完全开放透明的，账簿对所有人公开，实现数据共享，任何人都可以查账。 3、不可撤销、不可篡改和加密安全性 区块链采取单向哈希算法，每个新产生的区块严格按照时间线形顺序推进，时间的不可逆性、不可撤销导致任何试图入侵篡改区块链内数据信息的行为易被追溯，导致被其他节点的排斥，造假成本极高，从而可以限制相关不法行为。

转载自：中关村在线 原文作者：鲁畅 1大数据从0到1分几步？ 　　大数据有多火？这样的答案可能有千百种，也从反向证明了大数据真的太火，因为所有人都知道。众所周知，在Gartner报告中，常常会看到炒作周期这个词汇。这意味着有很多技术，虽然人人皆知，但是距离实际应用落地还有一段距离，这就是炒作期。 大数据从0到1分几步？ 　　然而，大数据应该过了炒作期，我们更应该关注的是大数据的落地，关注从零到一的过程。正是因为几百TB甚至几PB的数据限制没有任何意义，才让数据的处理过程显得更为重要。 　　首先我们要分清大数据与传统的统计分析的区别，首先，大数据的体量更大，在大数据分析过程中，也采用全体分析，而非抽样形式；其次，在分析过程中，大数据更注重相关性，而非因果关系；最后，在大数据时代，因为数据的更新速度快，人们更注重效率，而非绝对的精确。 　　这些变化让大数据不得不面临处理方法的变化。一般来讲，大数据的处理流程有四步，分别是：采集、导入和预处理、统计和分析，然后是数据挖掘。 　　数据的采集，在大数据处理中一直都是第一步。在生活中可以映射到方方面面，每一次的搜索痕迹、注册信息都是数据，而物联网的发展也将为未来数据的采集提供帮助。而在数据采集过程中，如何处理好峰值将是面临的首要问题，而这就要依靠合理的分流、公有云、两地三中心等IT架构方法来解决问题。 数据传输需要解决峰值过高问题 　　数据的导入和预处理，常常是与第一步数据的采集合在一起进行，通过数据库来对数据进行集中存储。可以将结构性数据和非结构性数据存储，数据导入过程中，最重要的特点是每秒导入的数据量比较大。 2数据处理分四步 　　数据的统计与分析已经成为近年来的一种新兴职业，收到很多企业的青睐。尤其在可视化分析领域，通过对数据的计算将计算结果用图片等形式类进行呈现，得出一个直观的结论。这样的分析方法与用户的交互性较强，数据的显示体现多维性，同时能够最直观的得出数据特点。 　　数据挖掘往往是大数据处理的最后一步，数据挖掘往往是已经设定好一个主体，为了找到某个答案而进行分析和计算，从而达到预测的效果。数据挖掘的定义是从海量数据中找到有意义的模式或知识，数据挖掘也成为数据的终极目的。 数据挖掘 　　大数据实现从“0”到“1”要分几步走？从数据的处理来看，这个过程需要经历四步，当然可能有些数据处理过程中将数据采集和导入集中在一起，或者没有预设一个主体进行数据挖掘，都体现了大数据时代的特点。

转载自：中关村在线 原文作者：贾凯强 1人工智能和机器学习你俩啥关系 　　人工智能和机器学习两项前端技术已经成为了企业和消费者中的热词，但两者间的关系知道的人就要少很多。 　　人工智能和机器学习你俩啥关系 　　人工智能在很多行业都是个热门话题，其应用已经开始深入到生活之中，我们每天都难免会和人工智能打交道。从机器人被用于各种工业制造、到Siri、Cortana等各类语音助手的兴起，再到各种智能设备的使用，人工智能作为一种工具，对生活的影响以及开始。 　　在过去，人工智能的形象并不好，无论是终结者还是霍金的警告，甚至是横扫棋坛的AlphaGo，人工智能都在以会对人类产生威胁的形象存在。但是，人工智能的本质真的如此吗？机器学习是否也是如此呢？ AlphaGo击败柯洁的秘诀在于跟自己下棋 　　机器学习在一些平台和解决方案之中，其表现往往超越了人类。而在广泛领域中的概念，机器学习是使智能设备通过模拟人类的机械运动、推理方式和解决问题的方法，来实现作业目标。 　　而由于机器学习的优秀表现，很多方面已经开始取代人类的表现。比如谷歌深度学习技术部门所推出的AlphaGo，已经成功的击败了我国的围棋世界排名世界第一的选手柯洁；而其他项目中，如无人驾驶和图像识别平台，其看待环境的可靠性和准确性均已经超越了人类在该领域的表现。 　　关系来看，机器学习是人工智能的一种应用，即以统计和数据驱动的方式来创造人工智能，帮助计算机程序改善性能并且完成学习任务。机器学习非常依赖数据，数据的质量或者创建数据的过程对于机器学习的成败至关重要。 2机器学习不简单 　　机器学习不简单 　　机器学习看起来简单，但是其并不容易。比如检测一个图形，在我们看来很容易，可是机器学习就要复杂很多。 　　举例来看，当创建了一个项目之后，需要其去寻找苹果的图片。通过将各种食物的照片进行对比后，我们需要收集苹果的数据特点，例如颜色是绿色或红色、圆的、有柄等。同样重要的是，项目在进行中还需要搜索区别开苹果的食物，比如香蕉是黄色狭长的，梨可能是绿色的，但是形状是瓢形，柄长等，这样可以避免选择了错误的水果。而如果数据出现错误或误差，那就会直接影响最终结果的准确性。 数据是机器学习的老师 　　当得到了需要的数据之后，就可以对这些数据贴标签并且进行分类，这就像进行一个棋盘类游戏一样。机器学习首先会在图形分类中犯很多错误，但是优势在于，机器学习会像圣斗士一样，不会被同一个错误击败两次，然后将其性能提高后再进行下一次尝试。 　　机器学习作为人工智能的一种应用，当其被应用于电脑上的时候，其学习任务的第一件事就是先对过去的历史数据进行检阅。由此，其可以通过自己的不断适应和理解来预测未来可能会出现的一个特定的场景。而当电脑学会了以这种方式来处理历史数据之后，其智能性会比此前更高，就可以当做是一种智能产品。 机器学习依赖数据的正确性 　　从历史数据中学习的方式是目前最成功的一种机器学习方法，其也产生了许多不同类型的人工智能设备。但是这种方法的最大限制就在于其信息必须是已知的，而且必然是来自于人类。 3人工智能不智能 　　人工智能不智能 　　如果只是在模仿人类，那么采用了机器学习的人工智能机器人是不可能超越人类的。但是，真正的人工智能绝非仅仅如此。 模仿人类不能是真真的智能 　　我们目前的人工智能所能够做到的效果有很多，比如在听音乐或者看视频的时候，会被按照个人喜好来推荐节目；通过追踪过去的购物和浏览习惯，购物网站推荐相应的产品或者服务等。这些平台中的应用仅仅只是在进行标准化的推送，其智能程度不过是在人类的教育之后形成的一种程序化进行。 　　而人工智能设备并不一定是像电影里一样，让每个人都有专属的机器人服务。事实上，我们需要的也不是机器，在服务中现如今已经有Siri、Alexa、Cortana等多种产品被认为很聪明，可是其依然不能算上真正的智能。 机器学习还能进步 　　这些平台或者应用的基础都是机器学习，借助机器学习，一些平台可以对大规模的数据集以毫秒为单位进行识别，然后模拟人类迅速评估一个场景，但是这种计算任务在现如今的标准的计算机之中可能会有难度。 　　而对机器学习创建预测规则集和模式识别的行为模式，其可以达到超越机器学习甚至不包括机器学习的方式来实现路线规划、系统调度、生产线掌握或者平台掌控等。这就达到了另一种人工智能的模式。 4人工智能不做第二个谁 　　回归到人工智能和机器学习的本质来看，机器学习正在逐渐的偏离原来模仿人类的方向，却在趋向真正的人工智能方向。人类和人工智能之间的智力差距正在缩小，人工智能正在变得越来越聪明，甚至在特定领域超越人类，因此拒绝模仿人类对人工智能的发展是有利的。 人工智能的发展一定会超越人类 　　当前有观点认为，人类甚至在高端的科研领域会被人工智能超越，因为计算等任务显然是人工智能更优，让人工智能脱离模仿人类的桎梏，让其积累更多的知识，即数据基础，人工智能的创新能力不可忽视，因此如果未来在实验室之中是人工智能为主力，人类只是打下手也不要惊讶。 霍金的警告不能忽视 　　人工智能和机器学习都是当前十分热门的技术，二者相伴相生。但是从模仿人类到超越人类，这一切的前提都需要有着如霍金一般的警觉，前提都是不能伤害人类，必须要以为人类服务为底线，这样才能更好的发展技术。

2017年11月11日下午，在VR+教育分论坛中，中国传媒大学动画与数字艺术学院院长黄心渊进行了主题报告：虚拟现实与数字创意。 报告包含如下三大部分内容： 1.背景 2.数字创意产业 3.相关新的专业逐渐增加 1.背景 2016年3月，《中华人民共和国经济和社会发展第十三个五年规划纲要》第一次提出数字创意的概念。数字创意产业对国家振兴的意义是非常大的，数字创意产业已经成为全球新经济发展的重要引擎。由文化部产业司牵头，在2016年底，数字创意产业被我国正式纳入进《“十三五”国家战略性新兴产业发展规划》，与新一代信息技术、生物、高端制造、绿色低碳产业一起，并列成为五大战略性新兴支柱产业之一。2020年中国数字创意整体产值目标由1万亿增长到8万亿。国家发改委、文化部制定了很多与数字创意板块配套的政策和扶持。 数字创意（虚拟现实）不是一个全新的东西，最早由汪成为院士提出。但当时所处的地位仅限于技术人员和学者的实验室娱乐，社会认可度较差，社会上更认可的是动画产业，但实际上动画也属于虚拟现实的一种形式。 数字创意的发展逻辑：原理与算法、底层技术研发、技术应用、内容制作、内容创作。 2.数字创意产业 数字创意产业分为以下几个板块： 1）创新数字文化创新技术和装备： 核心：计算机技术、装备 提升创作生产的技术装备水平；增强传播服务的技术装备水平；数字文化创意技术装备创新提升工程 2）丰富数字文化创意内容和形式 3）提升设计服务创新水平 4）推进相关产业融合发展 3.相关新的专业逐渐增加 教育部着重关注数字创意与虚拟现实和相关行业的结合发展。吉林动画学院成立了虚拟现实学院；培训机构也加大了针对虚拟现实的培训。但现在虚拟现实整体行业呈现资金流出的状态，投入购置了大量的设备但缺乏良好的体验，离客户越来越远，后期会将重心放在内容上。 近年来教育部新增加了很多专业都是与数字创意相关，数字创意是信工科很重要的一部分内容。 文字：周雪 摄影：周雪 编辑：周雪