Wing：人工智能时代的云开发编程语言
作者|ShaiBer
译者|刘雅梦
策划|Tina
只要人工智能（AI）是充当副驾驶而不是自动驾驶的角色，就存在开发一种促进人类与人工智能之间有效协作语言的空间。这可以通过减少认知负荷并支持快速测试来实现，从而显著地缩短迭代时间。此外，人工智能简化了新语言的采用。
那么，在人工智能快速发展并接管了更多编码任务的今天，为什么还要投入时间和精力来开发一种新的编程语言（面向人类的）呢？
我经常会以各种形式遇到以下的问题：
难道人工智能最终不会直接编写机器码而使编程语言过时吗？
一种新的语言能否引入人工智能使用现有语言无法实现的特性或功能？（例如，当人工智能可以为特定的云编写代码，然后为另一个云重写代码时，为什么要创建一种云可移植语言呢？）
为可能很快就会被人工智能所取代的开发人员创建工具值得吗？
首先，我必须承认，我无法预测人工智能的发展速度。对于人工智能何时或是否会取代人类开发人员，知名专家持有不同的意见。
然而，即使人工智能最终取代了人类开发人员，它也未必能直接编写机器码。当人工智能可以依赖于成熟的抽象层和编译器，使其能够有效地专注于其所服务的业务的独特面时，为什么还要选择通过直接编写机器码来为每个应用程序重新发明轮子呢？通过在现有工作的基础上再接再厉，专注于更小、更简单的任务，人工智能可以获得更快、更高质量的结果。
在讨论了更遥远的未来之后，我现在想在这篇文章的剩余部分重点讨论一些更近期的未来。
我相信，考虑到人类的局限性和心理，尽管人工智能发展迅速，但变化可能是渐进式的，从而导致人类仍处于一个重要的过渡期中。例如，很难想象组织不希望人类对人工智能的输出负责。人类将非常不愿意让人工智能以一种人类无法理解、修改和维护的方式工作。
想想看，你会让ChatGPT以你的名义，用你不会说的语言，为你的同行写一篇专业文章吗？你会在无法阅读的情况下发表它吗？可能不会。同样地，工程经理是否会在明知道某个关键任务的应用程序是由人工智能编写的情况下，还要将其发布到生产中？如果出了问题，人类很难介入。
此外，虽然人工智能在某种程度上确实是工具之间的均衡器，但它仍然不能完全解决问题。让我们以上面的云可移植性为例：即使人工智能可以在云之间移植代码，但我仍然希望能够读取和修改它。因此，我必须在人工智能所使用的抽象级别上成为所有这些云的专家。如果一门新的语言允许它在更高的抽象级别上编写，那么我也能更容易地理解并修改它。
假设人工智能使我们快速生成了大量的代码，那么瓶颈不可避免地就会转移到测试和验证阶段。这种情况的发生不仅是因为人工智能的固有局限性，而且主要是因为我们作为人类自身的不完美。我们无法完美地阐明我们的需求，这就需要体验最终产品的工作版本，与之互动，并确定它是否满足我们的需求，或者我们是否忽略了任何的边缘案例。这个迭代过程会一直持续，直到我们的创作达到完美状态为止。
在测试和验证消耗了大部分软件交付时间的情况中，对于使用工具来显著简化这一阶段来说有足够的机会。通过减少在开发环境中部署和评估应用程序所需的时间，这些工具可以大大提高整体效率。
因此，我相信，在可预见的未来，有一些工具可以让人类和人工智能更容易地快速编写出高质量的代码、并有效地协作更快地测试。这些工具能帮我们提高应用程序的交付质量和速度。
关键：减少认知负荷，加速迭代
无论你是人工智能还是人类开发人员，降低复杂度并加快迭代速度都能更快地开发出更好的应用程序。
那么，我们可以做些什么来实现这些改进呢？
在更高的抽象级别上工作
利用更高级别的抽象可以为人类和人工智能编码者提供如下的好处：
通过关注应用程序的业务逻辑而不是实现细节，可以减少开发人员的认知负荷。这使开发人员能够专注于更小的问题（例如，指示汽车右转，而不是教它如何右转），处理更小级别的堆栈，编写更少的代码，并最大限度地减少错误的表面积。
可以减少人工智能的认知负荷。这一概念可能需要进一步澄清。人工智能系统预训练了所有级别的堆栈知识，因此知道得越少并不是一个显著的优势，专注于一个较小的问题也不像人类那样有益，因为只要人工智能知道了如何指示汽车转弯，那么在教它如何转弯就不应该遇到问题，而不仅仅是告诉它要转向。但如上所述，这仍然是有利的，因为它减少了问题面，使人工智能能够更快、更高质量地生成代码。然而，允许人工智能编写更少的代码并减少其出错的机会是非常有益的，因为人工智能并非万无一失。任何目睹过它产生幻觉的接口或生成断开连接代码的人都可以证明这一点。此外，人工智能还受到其在失去上下文之前可以生成的代码量的限制。因此，编写更少的代码使人工智能编码器能够创建更大、更复杂的应用程序。
可以加快迭代速度，因为它需要编写更少的代码，减少了编写和维护代码所需的时间。虽然这看起来可能并不直观，但这对人类和人工智能程序员来说同样重要，因为人工智能一次生成一个令牌代码，与人类的编写方式类似。
可以改善人类和人工智能编码者之间的协作。以更高抽象级别编写的更小的代码库使人类开发人员能够更快、更容易地理解、修改并维护人工智能生成的代码，从而更快地开发出更高质量的代码。
更快的部署和测试
目前，部署和测试云应用程序可能需要几分钟。当多迭代周期叠加时，就会有很大的改进潜力。特别是，随着我们的人工智能朋友帮我们加速了代码编写，与代码编写相比，在每个迭代周期中测试和验证所花费的时间比例就变得越来越重要了。
一种普遍的解决方案是在本地运行测试，绕过云部署。然而，这种方法也带来了自身的挑战，因为它需要模拟测试组件周围的云环境。因此，这些测试的范围受到了限制，通常需要在云上运行的补充测试来确认实际环境中的代码功能。
然而，这并不是旅程的终点。此类解决方案主要用于自动化测试，而开发人员经常希望在开发过程中与应用程序进行手动交互，或寻求各种利益相关方（产品、销售、管理、潜在用户等）的反馈。在没有云部署及其相关时间损失的情况下实现这一点仍然是一个挑战。
因此，我们需要能够生成既可以在本地运行，也可以在云上运行，并能快速执行的测试。此外，我们必须支持云应用程序的快速部署，并为利益相关方的验证提供方便。
通过实现这一点，我们可以显著地提高迭代速度，无论代码是由人工智能、人类还是它们一起协作创建的。
那么，我们如何将这一愿景变为现实呢？
引入Wing
Wing是一种用于云开发的新编程语言，它使人类和AI开发人员都能在更高的抽象级别上编写云代码，并且它还附带了一个本地模拟器，可以让开发人员快速地进行测试。
量化改进
正如我们将在下面演示的那样，我们讨论的是代码减少90%-95%，测试速度提高几个数量级。
我们来看一下代码
以下是一个小应用程序的示例，它使用了云函数（AWSLambda、AzureFunction或GCPCloudFunction）将文件上传到bucket（比如AWSS3、AzureBlobStorage或GCPBucket）上。
这是Wing中的代码：
正如你所看到的那样，无论是人类还是AI编码者编写的Wing代码，它们都是在较高的抽象级别上工作的，使Wing编译器能够处理底层的云机制，如IAM策略和网络（别担心，它是可定制和可扩展的，能确保你在需要时对其进行控制）。
与人类和AI编码者不同，编译器是绝对可靠的。此外，它的速度更快，更具确定性，并且不会随着时间的推移而丢失上下文。因此，我们把更多的责任委托给编译器，而不是给人类或人工智能，结果也就更好。
编译器可以为任何云提供商调整应用程序，从而人们只需知道并维护更高级别的、与云无关的代码即可。生成的编译构件、Terraform和JavaScript可以使用经过验证的可靠工具进行部署。
现在，让我们来看看同样的代码在当今领先的云开发栈之一——Terraform+JavaScript中的表现。
正如你所看到的那样，Wing代码只有7行长，而Terraform和JavaScript的代码有122行，或者说多了17倍的代码。不仅如此，它还深入到了云堆栈的较低层。
你可能想知道是否还有更新的解决方案能将Wing的收益比下去，或者是否可以通过库或语言扩展实现相同的结果。你可以在这里查看Wing与其他解决方案的比较，以及为什么它是一种新语言而其他解决方案不是。
用Wing进行测试
Wing开箱即用，配有一个本地模拟器和一个可视化的调试控制台。
这些工具使开发人员能够通过近乎即时的热重载方式来处理代码，并可以非常容易地测试云应用程序，而无需模拟周围的云环境。
在上面我们那个非常简单的应用程序示例中，为了运行测试而部署到任何云提供商都需要将近一分钟的时间，而使用WingSimulator只需要不到一秒钟的时间，或者说少了两个数量级。此外，使用Wing，你可以在不模拟云的情况下编写测试，并在模拟器和云上运行相同的测试。
你可以在WingPlayground上亲身体验。
结 论
尽管Wing在云开发方面引入了重大的改进，但我们知道，迁移到一种新语言是一项艰巨的任务，在许多情况下可能难以证明其合理性。
我们竭尽全力通过以下功能来使该语言的采用变得尽可能容易：
很容易学，因为它和其他语言很相似。
能与现有的堆栈和工具（尤其是部署和管理）无缝协作。
成熟的生态系统——能将任何的NPM模块或Terraform资源导入到代码中。
集成到现有的代码库中——能用其他语言编写运行时代码，并用Wing引用该代码。
此外，我们相信，在人工智能时代，采用Winglang这样的新语言对人类来说更容易，因为人工智能有助于用不熟悉的语言和框架来编写代码，并简化了现有代码向新语言的迁移。
随着我们迈向人工智能在代码开发中扮演更重要角色的未来，像Winglang这样语言的创建和采用将确保人类和AI开发人员更好的协作、更快的开发和更高质量的应用。
想要一窥未来，体验在Wing中编写代码并立即进行测试，可以访问我们的游乐场。
原文链接：
https://thenewstack.io/winglang-cloud-development-programming-for-the-ai-era/
声明：本文为InfoQ翻译，未经许可禁止转载
江苏人工智能产业“大风起兮”
6月25日，以“万物赋苏智汇圆融”为主题的2023全球人工智能产品应用博览会在苏州金鸡湖畔开幕。六大特色主题展区聚焦产业最新动向，超200家科技企业带来新产品、新技术、新成果，6个院士团队分享交流前沿技术……苏州打造的这一科技盛宴正在成为人工智能产业发展的风向标。透过这一窗口，人工智能产业呈现怎样的发展趋势，对我省有何启示？记者从这次智博会上寻找答案。
人工智能迈入大模型时代
ChatGPT带来的深度智能化浪潮席卷全球，也是本届智博会上的热议话题。在加拿大工程院院士、苏州大学人工智能研究院院长凌晓峰看来，ChatGPT的火爆出圈，本质上就是人工智能技术长期积累的爆发。目前国内已有多个人工智能大模型发布，发展态势走在全球前列。
瞄准这一新趋向，一批AI大厂在智博会上纷纷“秀肌肉”。在“国家平台生态展区”，科大讯飞携“讯飞星火认知大模型”及AI在教育、城市、虚拟人、机器人、方言保护、认知智能、车载、声学等10余个领域的新产品亮相。“只需一个指令，就能‘懂你所言，答你所问，创你所需，解你所难，学你所教’。”科大讯飞（苏州）科技有限公司总经理支洪平介绍，“讯飞星火认知大模型”具有跨领域的知识和语言理解能力，实现从提出、规划到解决问题的全流程闭环，目前已在教育、办公、汽车等行业中落地应用。
在新品发布环节，苏州工业园区本土企业思必驰发布“DFM-2大模型”，并展示“AI追踪双目语音摄像头C60”等新产品。思必驰副总裁李春梅说，作为国内专业的对话式人工智能平台公司，思必驰拥有全链路的智能语音语言技术，去年获得科技部批复建设“语言计算国家新一代人工智能开放创新平台”。本次发布的新产品重点针对会议场景中的痛点，致力于为用户带来清晰、安全、高效的AI会议体验。
人工智能迈入大模型时代，数千亿量级的参数规模也带来算力需求的指数级增长。当前，全国各地抢抓大模型、大数据、大算力的发展机遇，不断加大人工智能基础设施、创新应用的研发和支持力度，以应用需求反推技术研发。
“算力是人工智能发展的重要动力和引擎。”中国工程院院士、鹏城实验室主任、新一代人工智能产业技术创新战略联盟理事长高文说，鹏城实验室从去年开始牵头搭建中国算力网，希望未来能把国内算力有效整合集成起来，搭建数据“高速”，保障数据安全高效到达用户手中。智博会上，包括国家新一代人工智能开放创新平台在内的多家单位共同举行“鹏城·脑海”大模型应用合作签约仪式。
苏州南京跻身人工智能第一方阵
人工智能产业正在迎来新一轮爆发期。竞逐新赛道，我省有何优势？当天开幕式上发布的《中国城市人工智能发展指数报告（2022—2023）》，从产业规模、产业活力、技术创新、资本支持及政策支持5个维度，对全国300多个城市的人工智能产业发展状况进行评析。苏州、南京综合实力跻身全国第一方阵，分别列第六、第七。
我省在人工智能产业上已经具备一定的先发优势，在产业竞争中处于前列。
尤其是苏州，自2021年获批国家新一代人工智能创新发展试验区以来，高度重视国内外龙头企业招引，积极强化本土新生力量培育，人工智能产业发展劲头十足。2022年，苏州人工智能相关产业规模达1250亿元，近3年产值规模平均增速达22.7%，综合实力不断提升。
苏州工业园区是国内首个明确提出聚焦人工智能产业并制定系统产业规划的国家级经济技术开发区，也是苏州建设国家新一代人工智能创新发展试验区的核心区。从载体平台看，园区已有166个市级及以上研发、工程、技术中心，其中省级及以上72个，国科数据中心、苏州超算中心、中科集成等创新平台持续完善；从人才规模看，园区已有各级领军人才超900人，以顶尖人才团队带动的各级各类人工智能创新人才总量超3万人；从企业数量看，园区已集聚人工智能相关企业约1500家，其中，上市企业16家、各类独角兽（含培育）企业54家、各类瞪羚企业187家。
清睿智能是一家独角兽培育企业和瞪羚企业。在智博会清睿智能展台前，智能外语教练MsAryn正与观众英语对话。同一个问题在不同的情境下，这位老师不厌其烦地给出不同答案。清睿智能创始人、董事长朱奇峰说，“AI.English100”是一个涵盖智能听说、词汇和阅读能力训练的智能互动训练系统，公司以中小学生的外语教学内容对该系统模型进行训练，让基于该平台的MsAryn成为更懂学生的老师。目前，该平台已进入全国3万多所中小学，覆盖3500多万用户。
“依托产业和社会经济发展的优势，苏州在推动人工智能制造、文旅、医药、金融等行业场景的应用落地，在释放科技创新前沿方面开展了大量卓有成效的工作。”科技部高新技术司副司长、一级巡视员梅建平说，人工智能正在成为苏州最亮丽的城市新名片。
在深度开放中加速资源集聚
“作为制造大市，苏州有近乎完整的工业门类、齐全的产业链和茁壮成长的现代服务业，未来将为AI技术的深度应用提供广阔的场景和舞台。”智博会上，这一观念成为与会专家的共识。
正是看中这一点，瑞欧威尔选择落户苏州。“ChatGPT+工业AR数字化，将成为智能工厂的新风口，推动工业的高效发展和转型升级。”瑞欧威尔智能科技有限公司技术工程师刘向宇演示：戴上这款工业AR计算机，就能借助机器的“眼睛”既看现象又看“本质”，遇到问题还能直接提问并实时得到反馈，普通工人将成为掌握专业知识和解决方案的专家，大大提高工作效率和生产效益。背靠苏州雄厚的制造业基础，这一新技术将实现更广泛场景的应用。
“无论是从企业总量，还是产值规模，或是融资活力上来看，苏州人工智能产业都具备了向大模型时代迈进的良好基础。”北京智源人工智能研究院知识计算引擎创新中心主任孙会峰说。再造产业新优势，苏州应着力构建一个“产业大脑”，实时跟踪全国乃至全球的行业现状、趋势等，快速链接资源、制定决策；立足长三角区位优势进行产业协同与联动，在细分赛道上差异化发展；在上述基础上，依托科技企业用好用活开源技术，加速产业资源集聚。
国际合作同样必不可少。“这是我们首次参加全球智能博览会，既是为了解行业前沿，更是谋求未来与中国企业合作的机会。”国际展商、欧洲某人工智能联盟伙伴关系与发展部负责人基里尔·索伦采夫说，他所在的人工智能联盟由来自不同行业的11家公司组成，致力于加速人工智能在各行业的广泛应用，与苏州的产业发展规划有很多契合点。
人工智能信息安全3000字论文合集
一、人工智能的定义解读 人工智能(Artificial Intelligence),英文缩写为AI，也称机器智能。“人工智能”一词最初是在1956年的Dartmouth学会上提出的。它是计算机科学、控制论、信息论、神经生理学、心理学、语言学等多种学科互相渗透而发展起来的一门综合性学科。从计算机应用系统的角度出发，人工智能是研究如何制造智能机器或智能系统来模拟人类智能活动的能力，以延伸人们智能的科学。 人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能与人类智能相似的方式做出反应的智能机器。人工智能的发展史是和计算机科学与技术的发展史联系在一起的，目前能够用来研究人工智能的主要物质手段以及能够实现人工智能技术的机器就是计算机,人工智能在21世纪必将为发展国民经济和改善人类生活做出更大的贡献。 二、人工智能的发展历程 事物的发展都是曲折的，人工智能的发展也是如此。人工智能的发展历程大致可以划分为以下五个阶段： 第一阶段:20世纪50年代，人工智能的兴起和冷落。人工智能概念在1956年首次提出后，相继出现了一批显著的成果，如机器定理证明、跳棋程序、通用问题s求解程序、LISP表处理语言等。但是由于消解法推理能力有限以及机器翻译等的失败，使人工智能走入了低谷。这一阶段的特点是重视问题求解的方法，而忽视了知识的重要性。 第二阶段:60年代末到70年代，专家系统出现，使人工智能研究出现新高潮。DENDRAL化学质谱分析系统、MYCIN疾病诊断和治疗系统、PROSPECTIOR探矿系统、Hearsay-II语音理解系统等专家系统的研究和开发，将人工智能引向了实用化。并且，1969年成立了国际人工智能联合会议(International Joint Conferences onArtificial Intelligence 即IJCAI)。 第三阶段:80年代，随着第五代计算机的研制，人工智能得到了飞速的发展。日本在1982年开始了“第五代计算机研制计划”，即“知识信息处理计算机系统KIPS”，其目的是使逻辑推理达到数值运算那么快。虽然此计划最终失败，但它的开展形成了一股研究人工智能的热潮。 第四阶段:80年代末，神经网络飞速发展,。1987年，美国召开第一次神经网络国际会议，宣告了这一新学科的诞生。此后，各国在神经网络方面的投资逐渐增加，神经网络迅速发展起来。 第五阶段:90年代，人工智能出现新的研究高潮。由于网络技术特别是国际互连网技术的发展，人工智能开始由单个智能主体研究转向基于网络环境下的分布式人工智能研究。不仅研究基于同一目标的分布式问题求解，而且研究多个智把握面向智能时代军事训练发展重点
作者：李长胜
聚焦以人工智能为代表的新一轮信息技术深入变革，人类社会正在迎来智联共享、人机协同的智能时代。适应时代发展变化，推进军事训练体系变革，必须前瞻透视智能时代军事训练特点规律，把握面向智能时代军事训练发展重点，牵引军事训练转型升级。
训练条件云网支撑。伴随数字化、网络化、智能化发展，军事训练以传感器为“感触末梢”，以高速宽带互联网络为“神经纤维”，以云计算、人工智能为“大脑”，形成广域互联的智能网络系统和大数据处理平台，为军事训练提供网络平台支撑和数据服务保障。面向智能时代，基于新型网信体系架构的军地一体、全域覆盖的网信支撑体系，提供虚拟化云端服务、高效化网络调度、差异化网络调控、统一化安全运维，打通训练场、演习场、模拟训练等各类训练场景，为各级训练提供易于访问和快速扩展的基础设施。基于云原生的网络基础设施融合网络、计算、存储功能，提供一体化服务。各军兵种训练信息系统向云端迁移，在动态环境下进行软硬件复制复用，实现所有训练要素、训练资源基于云的全连接。军事训练信息系统采用标准化、集成化方法，作为流程集成、应用集成、数据集成、业务集成落地的平台载体，集成各军种相互独立的“烟囱式”平台和系统，打造融各种训练功能、场景于一体的统一作战训练能力平台，为各级提供一体化训练和资源管理支撑。
训练内容深度拓展。面向智能时代，军事训练内容紧贴实战、多域联合、人机结合，从物理维向虚拟维、从军兵种联合向全域联合、从实兵训练向虚实交互训练、从战略战役联合向战术级联合训练深度拓展。突出体系融合训练，训练要素多层次、多领域集成，多元力量有机编组、模块组合，任务行动深度联合、跨域协同，指挥控制实时敏捷、态势融合，加大跨域融合试验演训，探索力量编组编配、验证新型战法技法。突出无人作战训练，适应大量无人/智能装备投入作战训练，加强不同作战样式、复杂作战环境下的无人系统训练和学习，通过态势感知、指控调度、人机协同和自主决策等，实现自组织智能感知、多无人系统协同控制、与有人作战平台智能协同交互等。突出新型作战力量训练，注重前沿技术牵引、融入实战训练体系，深化太空、网络、电磁空间等领域虚拟空间训练，强化专业领域战研训融合训练，加强专业人员能力专项训练，拓展新兴领域军民一体化训练，助力新型作战力量能力快速提升。
训练环境虚实交互。面向智能时代，运用人工智能、虚拟/增强现实、数字孪生等技术，将真实训练环境与虚拟训练环境融为一体，构建虚拟交互、人机共生、时空拓展的逼真训练环境。创建沉浸式练兵环境，虚拟各种武器平台作战装备、各类型作战力量，构造复杂多域逼真训练场景，最大程度感受贴近实战的作战环境，全面检验受训人员身心素质和技战术能力。全程感知训练态势，实时感知参训人员装备状态参数，收集并记录所有训练活动数据，跟踪统计交战双方人员伤亡、资源消耗等，提供推演回放、复盘总结、推演评估功能，自动发现和感知异常情况，识别违规操作行为，实现训练态势精确感知、精细调控，并进行智能诊断、智能反馈。促进针对性个性化训练，通过捕捉训练动作、记录训练行为，查看人员不良动作和操作失误并及时进行纠偏指导，结合训练熟练程度及时调整训练进度、难易程度，基于特定人员量身定制训练计划、生成训练场景，针对重难点进行反复训练，快速提升参训人员能力。
训练管理过程高效。面向智能时代，军事训练管理全过程统筹训练需求规划、加强训练计划调控、精确感知训练运行、精准考评训练质量，推动军事训练协调顺畅、精细筹划、高效组织。把准训练需求这个总源头，依据训练评估结果、通用训练科目清单等，把准军事训练源头，科学制定训练需求。精细筹划训练计划，着眼作战训练一体筹划、多级训练统筹协调，突出以上带下、多级同步，运用智能仿真推演、基于知识图谱的智能搜索问答等，依托训练管理信息系统高效制定训练计划，辅助训练任务快速分析和必训科目生成，最大限度消解计划冲突。灵活调控训练实施，依托先进的演习演训信息环境，及时统筹训练准备、组织、实施运行中的资源调配、实时全程监控、纠正训练问题、协调要素关系、调动人员热情，推动训练有序运行。科学组织训练考评，依据训练任务方案构建训练考评指标体系，结合作战样式、训练类型构建通用训练评估指标库。运用神经网络预测模型选取考评指标，形成训练评估模型，对各类训练数据进行智能数据挖掘分析，科学得出评估结论，以可视化方式展现评估结果，提出针对性对策建议和改进措施。
训练法规标准规范。面向智能时代，军事训练以规章制度和标准规范为前提，顶层规划设计训练任务行动、质量标准、流程规范等，构建配套完善的法规标准体系。构建完善的训练内容标准，依据作战条令、作战标准，按照作战任务从上至下逐级分解，以任务科目为最小单位，构建通用任务行动清单及配套条件、标准，作为作战、训练的共同语言和统一参考。制定科学的训练质量标准，着眼体系效能提升，通过大量训练活动数据积累，运用智能算法和数学模型对武器装备能力和体系作战效能进行数据分析，关注与特定军事行动有关的系统和任务组合，对作战任务“效果链”有效性进行评估，使质量指标更好反映作战行动的持续性、适应性和相互依赖性。形成体系化训练运行标准，从训练全流程贯通考虑，强化战训一致、加强有机协同，明确各层次训练职能任务、相互关系，挖掘跨部门跨职能训练关键节点和重点环节，形成规范化训练操作程序和流程标准。
训练保障智能共享。面向智能时代，军事训练保障突出集约配置、智能共享，依托综合化资源保障平台，打通集作战、训练、后勤、装备等于一体的保障链路，统筹人员、场地、资源、条件集约配置，有效提升训练保障效能。精确预测保障需求，基于大数据分析科学制定训练资源、装备保障标准，加强保障计划的推演分析和评估论证，科学预算演训人力、财力、物力资源，在满足训练需求的同时降低经费资源消耗。精确感知保障动态，运用智能传感、智慧仓储等技术，加强资源场地统管共享、统筹调配，智能统筹保障任务、自动采集物资信息、智能进行仓储规划、可视展示资源状态，实时预测并跟踪资源供给情况，掌握训练保障能力、资源配置情况等，实现军事训练订单化物资保障、全周期装备保障、集约化场地保障。推动知识资源共享，开发知识资源智能推送系统，打造基于岗位需求的统一业务处理入口，提供及时便捷的数据资源服务，降低知识获取成本，极大改善人员使用体验。（李长胜）
[责编：赵宇]FPGA在人工智能时代的独特优势｜SPP第38期
现场可编程门阵列FPGA，是一种特殊的芯片，它被广泛用于通信、数据与信号处理等领域。而FPGA的发展，一直完美符合摩尔定律的描述。自1984年FPGA面世至今，FPGA的容量增长超过一万倍、速度增长超过一百倍，同时其成本和功耗均降低了超过一千倍。这些发展固然归功于半导体制造工艺的不断进步，但实际上作为FPGA本身，也必须不断创造性的设计一系列新颖的系统和芯片架构，以不断延续这样的指数级发展轨迹。所以，FPGA的主要特点有哪些？它在人工智能时代又有哪些全新的应用场景，对于广大学生来说又有何重要意义？本期SPP我们就将讨论这些问题，欢迎同学们参加！4月12日（本周三）19:30-21:00
本期直播你将收获哪些
1、了解什么是现场可编程门阵列FPGA
2、了解FPGA的特点和传统应用都有哪些
3、了解FPGA在人工智能时代有哪些新型应用，意义如何
演讲嘉宾
石侃中科院计算所副研究员
石侃博士，中科院计算所副研究员，主要研究方向：敏捷芯片设计与验证，FPGA，云数据中心体系结构。博士毕业于伦敦帝国理工学院，曾任英特尔英国研发中心资深芯片设计工程师，兼任英特尔研究院研究科学家。曾获IEEEMICROTop-Picks论文奖，两次获HiPEAC论文奖，一次最佳论文提名。RISC-V国际基金会技术委员会委员，国际开源硬件组织OpenHW亚洲工作组常委。担任FPGA领域主要国际会议的TPC成员（FPGA、FCCM、FPT、FPL）。独立出版中文著作《详解FPGA：人工智能时代的驱动引擎》。
开课时间
2023年4月12日（本周三）19:30-21:00
如何报名
SPP目前暂为免费直播。点击“阅读原文”立即报名，报名或入群均可在活动前获取到腾讯直播间链接，可与老师线上即时交流，获取专属内推码。希望能通过这样的方式和你一起进步、成长。呼朋唤友来参加吧！（活动自动入群已满，可添加微信号“T84259960”备注：学校名称+姓名+SPP入群；加入过SPP群的同学们可不用重复加入，信息会同步）