北京加快建设人工智能创新策源地
7月2日，2023全球数字经济大会人工智能高峰论坛在京举办。北京市经济和信息化局党组书记、局长姜广智表示，北京将充分发挥在人工智能领域的资源优势，加快构建要素齐全、技术领先、场景丰富、可有力支撑数字经济高质量发展的通用人工智能产业发展生态。
●本报记者张冉
夯实产业发展基础
姜广智表示，北京市一贯重视人工智能产业发展，是当前国内大模型创新基础最好、人才团队最为集中、研发能力最强、产品迭代最活跃的地区。
近期，北京市出台了《加快建设具有全球影响力的人工智能创新策源地实施方案》《北京市促进通用人工智能创新发展的若干措施》等政策，释放出明确的信号，将聚拢行业资源，助力人工智能技术赋能千行百业数智化转型。
针对夯实人工智能产业的发展基础，北京市将加强政策创新和标准引领。深入贯彻《北京数字经济促进条例》，创造性落实国家“数据二十条”，加快解决数据质量难以保障、采集标注成本高以及合规使用等方面的问题，筹划出台“算力券”政策，支持基于落地应用场景的中小企业获取多元化、低成本优质算力，支持本市人工智能企业与相关行业组织在人工智能国家标准、行业标准制定中发挥引领作用，参与模型性能、数据安全、隐私保护等方面的技术标准制定。
同时，以场景为牵引，以应用为导向，通过开放更多典型场景，促进大模型产业化应用，积累一批可复制、可推广的经验做法，形成一批人工智能与社会经济发展深度融合的典型案例。北京将积极推动政府机关、事业单位、国有企业等具有管理公共事务职能的组织，积极采购和使用安全可靠的大模型相关产品和服务，在政务服务、智慧城市等领域率先落地应用，提升城市治理能力现代化水平。
在论坛现场，首批“北京市人工智能大模型高质量数据集”发布，包括北京车网科技发展有限公司、北京市科学技术研究院等10家单位的18个训练数据集，涵盖经济、文化、社会、生态等不同领域。姜广智表示，10家数据合作伙伴开放18个近500T的高质量数据集，供大模型企业训练使用。北京市将深入发挥市场化对接合作平台的作用，营造大模型创新合作应用落地的良好生态。
推动大模型应用
在论坛现场，北京市通用人工智能大模型应用场景需求榜单发布，涉及智慧金融、智慧生活、智慧物流、智慧农业等领域。其中，北京市政务服务管理局发布智慧政务服务大模型场景需求，包括政务咨询、政府网站智能问答、智能搜索、精准化政策服务、市民热线智能受理、智能派单、交互式智能政务办事等。
北京市政务服务管理局副局长朱琴表示，人工智能大模型技术可提升政务服务的智能化水平，推动政务服务多维度深刻变革。
在政务咨询方面，通过大模型的语义理解、总结推理等能力打通跨业务系统知识库，提升智能问答、智能搜索水平。在政策服务方面，大模型技术将支撑全市一体化政策支撑平台“京策”建设，提升政策规范管理和精准服务能力。此外，通过多模态打造数字人，辅助市民服务热线实现智能对话交流、智能反映记录、智能诉求受理、智能工单派出、智能数据分析。海量市民诉求数据的深度挖掘分析，可为领导决策、基层治理、城市治理提供有力支撑。
朱琴表示，在国家监管政策和全市大模型创新发展大框架下，北京市政务服务管理局将在场景推进、数据供给、模型训练、算力保障等方面积极与各方密切合作，推动大模型技术在政务服务领域落地应用。
人工智能专栏第九讲——目标检测
目标检测，就是指在图像或视频中自动地检测出感兴趣的目标区域，并识别出这个目标的类别。在人工智能的应用领域中，目标检测具有广泛的应用价值。例如，自动驾驶需要识别出道路标志和行驶的车辆、行人等障碍物；智能监控需要识别出异常行为和非法入侵等；医学影像处理需要识别出病变部位等。因此，深度学习领域对于目标检测也是十分关注的。
传统的目标检测方法往往需要手工设计特征提取器并叠加分类器进行目标识别，eg.HOG+SVM需要专家对目标、环境进行特定的先验知识设计，往往收效甚微。
而深度学习作为一种端到端的学习方式，可以直接对输入的图像进行学习和识别，而无需特定的先验知识。因此基于深度学习的目标检测方法成为了当前研究的热点之一。
常用的深度学习目标检测方法主要包括两种：
1.R-CNN（Region-basedConvolutionalNeuralNetworks）系列方法
R-CNN方法是目前业界使用最多的目标检测方法。它采用两个模型：第一个模型是物体区域提取模型，根据图片中的每个区域，生成一个定长的特征向量；第二个模型根据提取出的特征向量进行目标分类。
对于物体区域提取模型，常见的有SelectiveSearch和EdgeBoxes。其原理是通过合并不同的区域，递归生成一个候选区域集合，对于每个候选区域，使用一个预训练好的卷积神经网络（CNN）提取出固定维度的特征向量，这些向量被送到支持向量机（SVM）分类器进行分类。
R-CNN系列方法是准确率最高、效果最好的目标检测方法之一，但是计算速度十分缓慢，因此不适合实时目标检测应用。
2.YOLO（YouOnlyLookOnce）系列方法
YOLO是一种基于深度学习的实时目标检测算法，其主要特点是速度快、模型小、准确率高。
YOLO方法采用单个神经网络对整个图像进行前向传递，并同时预测图像中的感兴趣区域和相应的类别。这个过程称为“全图卷积”（fullyconvolutional），由于只需要一次前向传递，因此速度非常快。
YOLO系列方法采用Darknet框架进行实现，在基于PascalVOC、COCO等数据集进行实验时，其平均正确率(mAP)可以达到80%以上。
总体来说，目标检测是深入学习领域中非常重要的一个应用方向，而R-CNN系列和YOLO系列就是这个领域目前的两个热门方法。随着深度学习和计算硬件技术的不断进步，目标检测的性能和效率将会得到更大的提升，有望为各种智能应用带来更多的可能性。
目标检测适合新手学习吗?
目标检测对于新手学习来说可能有一定的挑战，因为它涉及到很多复杂的概念和算法。目标检测是计算机视觉领域中较为高级的任务，需要对机器学习、深度学习以及图像处理等方面有一定的了解。同时，目标检测也需要掌握相关编程和数学知识。
然而，对于有一定编程和机器学习基础的人来说，入门目标检测是可行的。有很多优秀的教材和在线资源可以帮助新手理解目标检测的概念和实现方法。此外，使用一些流行的深度学习框架（如TensorFlow和PyTorch）可以简化目标检测算法的实现过程。
需要注意的是，对于新手来说，建议从基础的计算机视觉知识学起，例如图像处理、特征提取等。然后，逐步深入学习目标检测的核心概念和算法。通过练习和实践，相信新手也能够掌握目标检测的技能。
推荐书籍10本:
以下是关于目标检测的10本入门书籍推荐，并对每本书进行简要介绍：
1."DeepLearningforComputerVisionwithPython"byAdrianRosebrock这本书通过Python和深度学习技术介绍了计算机视觉领域的基本概念和实践。其中包括目标检测算法的介绍和实现。
2."LearningOpenCV3:ComputerVisioninC++withtheOpenCVLibrary"byAdrianKaehlerandGaryBradski这本书详细介绍了基于OpenCV库的计算机视觉概念和技术，包括目标检测算法的实现。尤其适合对C++编程感兴趣的读者。
3."ComputerVision:AlgorithmsandApplications"byRichardSzeliski该书提供了全面的计算机视觉算法和技术介绍，包括目标检测和物体识别。它强调了基本原理，并提供了实际应用示例和代码。
4."DeepLearningforObjectDetectionandRecognition"byRobertoValenti这本书深入介绍了目标检测和识别的深度学习方法，包括著名的卷积神经网络模型和相关技术。它包含了大量理论解释和实践案例。
5."MultipleViewGeometryinComputerVision"byRichardHartleyandAndrewZisserman这本经典的书籍详细介绍了多视角几何在计算机视觉中的应用。它对目标检测和物体跟踪等问题具有重要的理论基础。
6."PatternRecognitionandMachineLearning"byChristopherBishop该书是模式识别和机器学习领域的经典教材，其中包含了目标检测的相关内容。它涵盖了机器学习算法、模型评估和特征选择等领域。
7."ConvolutionalNeuralNetworksforVisualRecognition"byFei-FeiLi,JustinJohnson,andSerenaYeung这是斯坦福大学的一门深度学习课程的教材，涵盖了卷积神经网络在计算机视觉中的应用。其中包括了目标检测的基本原理和实现方法。
8."DeepLearning"byIanGoodfellow,YoshuaBengio,andAaronCourville这是一本权威的深度学习教材，全面介绍了深度学习的核心理论和技术。其中包含了目标检测的相关内容，尤其是基于卷积神经网络的方法。
9."PythonCrashCourse:AHands-On,Project-BasedIntroductiontoProgramming"byEricMatthes对于初学者来说，这本书提供了基于Python的编程入门指南。这对于学习目标检测算法时编写和理解代码非常有用。
10."PracticalDeepLearningforCloud,Mobile,andEdge:Real-WorldAI&Computer-VisionProjectsUsingPython,Keras&TensorFlow"byAnirudhKoul,SiddhaGanju,andMeherKasam这本书通过实际项目的案例介绍了如何使用Python、Keras和TensorFlow构建实际应用。其中包括目标检测、图像分类和物体识别等领域的内容。
这些书籍涵盖了目标检测算法和计算机视觉的核心理论和实践，从基础到高级都有所涉及，适合不同层次的读者。
人工智能算法：卷1基础算法
链接：https://pan.baidu.com/s/1AaIdUjX1k4BEgSsv7gfatQ?pwd=f03i
提取码：f03i
《人工智能算法卷1基础算法》
算法是人工智能技术的核心。本书介绍了人工智能的基础算法，全
书共10章，涉及维度法、距离度量算法、K均值聚类算法、误差计算、
爬山算法、模拟退火算法、Nelder-Mead算法和线性回归算法等。书中
所有算法均配以具体的数值计算来进行讲解，读者可以自行尝试。每章
都配有程序示例，GitHub上有多种语言版本的示例代码可供下载。
本书适合作为人工智能入门读者以及对人工智能算法感兴趣的读者
阅读参考。
《人工智能算法卷1基础算法》
第1章AI入门1
1.1与人类大脑的联系2
1.2对问题建模6
1.3对输入/输出建模11
1.4理解训练过程21
1.5本章小结23
第2章数据归一化25
2.1计量尺度25
2.2观测值归一化29
2.3其他归一化方法38
2.4本章小结45
第3章距离度量47
3.1理解向量47
3.2计算向量距离49
3.3光学字符识别54
3.4本章小结57
第4章随机数生成59
4.1伪随机数生成算法的概念60
4.2随机数分布类型61
4.3轮盘模拟法64
4.4伪随机数生成算法65
4.5用蒙特卡洛方法估算PI值72
4.6本章小结74
第5章K均值聚类算法75
5.1理解训练集77
5.2理解K均值算法80
5.3K均值算法的初始化84
5.4本章小结90
第6章误差计算91
6.1方差和误差92
6.2均方根误差93
6.3均方误差93
6.4误差计算方法的比较94
6.5本章小结96
第7章迈向机器学习97
7.1多项式系数99
7.2训练入门101
7.3径向基函数网络103
7.4本章小结115
第8章优化训练117
8.1爬山算法117
8.2模拟退火算法121
8.3Nelder-Mead算法128
8.4Nelder-Mead算法的终止条件133
8.5本章小结134
第9章离散优化135
9.1旅行商问题135
9.2环形旅行商问题138
9.3背包问题139
9.4本章小结143
第10章线性回归144
10.1线性回归144
10.2广义线性模型152
10.3本章小结155
附录A示例代码使用说明157
A.1“读懂人工智能”系列书简介157
A.2保持更新157
A.3获取示例代码158
A.4示例代码的内容159
A.5如何为项目做贡献163
参考资料164