科技熱詞

[智慧城市]

“智慧城市”是一個非?；馃岬脑~。但在很多人看來，這一高大上的話題顯得既陌生又遙遠。其實，智慧城市建設早已通過各種不同的展現方式滲入到了我們的日常生活中，并從眾多方面來改變我們的生活，比如智能家居、智能可穿戴設備以及工業4.0等。智慧城市實際上就是運用信息和通信技術手段感測、分析、整合城市運行核心系統的各項關鍵信息，從而對包括民生、環保、公共安全、城市服務、工商業活動在內的各種需求做出智能響應。其實質是利用先進的信息技術，實現城市智慧式管理和運行，進而為城市中的人創造更美好的生活，促進城市的和諧、可持續成長。

智慧城市經常與數字城市、感知城市、無線城市、智能城市、生態城市、低碳城市等區域發展概念相交叉，甚至與電子政務、智能交通、智能電網等行業信息化概念發生混雜。對智慧城市概念的解讀也經常各有側重，有的觀點認為關鍵在于技術應用，有的觀點認為關鍵在于網絡建設，有的觀點認為關鍵在人的參與，有的觀點認為關鍵在于智慧效果，一些城市信息化建設的先行城市則強調以人為本和可持續創新?？傊腔鄄粌H僅是智能。智慧城市絕不僅僅是智能城市的另外一個說法，或者說是信息技術的智能化應用，還包括人的智慧參與、以人為本、可持續發展等內涵。綜合這一理念的發展源流以及對世界范圍內區域信息化實踐的總結，《創新2.0視野下的智慧城市》一文從技術發展和經濟社會發展兩個層面的創新對智慧城市進行了解析，強調智慧城市不僅僅是物聯網、云計算等新一代信息技術的應用，更重要的是通過面向知識社會的創新2.0的方法論應用。

智慧城市通過物聯網基礎設施、云計算基礎設施、地理空間基礎設施等新一代信息技術以及維基、社交網絡、Fab Lab、Living Lab、綜合集成法、網動全媒體融合通信終端等工具和方法的應用，實現全面透徹的感知、寬帶泛在的互聯、智能融合的應用以及以用戶創新、開放創新、大眾創新、協同創新為特征的可持續創新。

[認知計算]

認知計算出自于IBM人工智能超級計算機“沃森”的稱謂，而現在，它更多的代表著一種全新的大數據分析方式。隨著信息的增加，計算機可在已有經驗的基礎上隨著時間推移，以學習的、交互的方式，隨著數據的進一步增長逐步提高認知的分析行為，就像大腦會自然而然地做事情，“認知計算”是人工智能和大數據的“聯姻”。

認知計算源自模擬人腦的計算機系統的人工智能，20世紀90年代后，研究人員開始用認知計算一詞，以表明該學科用于教計算機像人腦一樣思考，而不只是開發一種人工系統。傳統的計算技術是定量的，并著重于精度和序列等級，而認知計算則試圖解決生物系統中的不精確、不確定和部分真實的問題，以實現不同程度的感知、記憶、學習、語言、思維和問題解決等過程。

目前，隨著科學技術的發展以及大數據時代的到來，如何實現類似人腦的認知與判斷，發現新的關聯和模式，從而做出正確的決策，顯得尤為重要，這給認知計算技術的發展帶來了新的機遇和挑戰。另據IDC預測，到2018年，超過一半的消費者將獲取到基于認知計算開發的服務。

[量子計算]

量子計算是一種依照量子力學理論進行的新型計算。量子計算的基礎和原理以及重要量子算法為在計算速度上超越圖靈機模型提供了可能。量子計算是當前熱門的研究領域。相對于普通計算機，基于量子力學特性的量子計算機，擁有超乎想象的并行計算與存儲能力，求解一個億億億變量的方程組，具有億億次計算能力的“天河2號”需要100年，而萬億次的量子計算機理論上只需要0.01秒就可解出。當量子計算機應用之時，現在的密碼破譯、基因測序等科學難題，將可迎刃而解。

量子計算（quantum computation）的概念最早由IBM的科學家R.Landauer及c.Bennett于20世紀70年代提出。他們主要探討的是計算過程中諸如自由能、信息與可逆性之間的關系。80年代初期，阿崗國家實驗室的P.Benioff首先提出二能階的量子系統可以用來仿真數字計算；稍后費因曼也對這個問題產生興趣而著手研究，并在1981年于麻省理工學院舉行的First Conference on Physics of Computation中給了一場演講，勾勒出以量子現象實現計算的愿景。1985年，牛津大學的D.Deutsch提出量子圖靈機（quantum Turing machine）的概念，量子計算才開始具備了數學的基本型式。

[深度學習]

深度學習的概念源于人工神經網絡的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發現數據的分布式特征表示。深度學習的概念由Hinton等人于2006年提出。基于深度置信網絡（DBN）提出非監督貪心逐層訓練算法，為解決深層結構相關的優化難題帶來希望，隨后提出多層自動編碼器深層結構。此外Lecun等人提出的卷積神經網絡是第一個真正多層結構學習算法，它利用空間相對關系減少參數數目以提高訓練性能。

深度學習是機器學習研究中的一個新的領域，其動機在于建立、模擬人腦進行分析學習的神經網絡，它模仿人腦的機制來解釋數據，例如圖像，聲音和文本。同機器學習方法一樣，深度機器學習方法也有監督學習與無監督學習之分.不同的學習框架下建立的學習模型很是不同.例如，卷積神經網絡（Convolutional neural networks，簡稱CNNs）就是一種深度的監督學習下的機器學習模型，而深度置信網（Deep Belief Nets，簡稱DBNs）就是一種無監督學習下的機器學習模型。

把學習結構看作一個網絡，則深度學習的核心思路如下：無監督學習用于每一層網絡的pre—train；每次用無監督學習只訓練一層，將其訓練結果作為其高一層的輸入；用自頂而下的監督算法去調整所有層。endprint