智慧校园包括哪些方面的内容？

一、智慧管理
以前进出学校都要登记，繁琐的工作增加了学校保安的负担。在智慧校园中，保安的工作轻松了很多，智能访客系统代替了学校保安登记出入等一系列繁琐的程序，前来学校的人员只要拿着身份z，在电子识别器上一按，访客信息就能自动获得，并可以出具访客单，为学校的治安管理提供了极大的便利。
二、智慧环境
在智慧校园无处不在的网络和物联网技术的支持下，教室、图书馆、实验室等学习场所的温度和湿度能自动感知、自动调整，让学生们一年四季都能在温度适宜、湿度适宜的环境下学习，这既有利于学生的学习又能避免不必要的资源浪费。另外，教室灯光亮度能够自动调节，还能够自动通风，自动进行噪音检测，自动降低噪音。
三、智慧学习
在智慧校园中，学生的学习方式更加多样化，未来教育将彻底颠覆学生、家长对传统教室的想象。由于有线和无线网络的全面覆盖，学生可以选择利用手机连接WLAN在线学习，也可以选择使用计算机进行学习。教室里没有黑板，也没有粉笔，只有一个超大屏的电子白板，教师不用板书，学生也不用背着沉重的书包，只需拎一个电子书包，电子书包里有生动有趣的互动教材，极大地提高了学生自主学习的积极性，只要有网络，学生在任何地方都可以和教师互动、交流，可以提交作业，教师也可以现场批阅，现场评讲。学习情景辨别技术能够按照得到的情景信息辨别学习情景种类，判断学生的问题，推测学生的需要，从而使学生可以得到更加个性化的学习材料，找到可以合作的学习对象，同时也能接收科学的学习活动建议。
四、智慧生活
在智慧校园中，每人都配备一张独一无二的校园卡，除了具备普通的一卡通集餐厅消费、超市购物、热开水功能外，还能在学生日常上课签到、请假销假时用，根据该功能教师可以对上课的学生进行全方位的管理。此外，校园卡还可以与智能手机绑定，如果出去忘带钥匙，用手机在门禁读卡器前一晃，就可以打开宿舍门；可以用手机去借书，借助物联网，智慧校园系统全面对接图书管理系统，将用户借阅信息读入手机卡中，轻松实现图书的借阅、归还，可以通过短信完成查询、预约、到期提醒、续借等增值服务；还可以利用手机记录上课考勤。另外，把课程表导入手机中，每天都可以短信提醒学生明天有几节课，哪个教室没有课，极大地方便了学生。

2017-11-30请点蓝字＞慎思行慎思行

文章来源中国人工智能学会，罗兰贝格公司

个人微信 helloSSX

人工智能概念介绍

人工智能是什么？人工智能是一门利用计算机模拟人类智能行为科学的统称，它涵盖了训练计算机使其能够完成自主学习、判断、决策等人类行为的范畴。人工智能、机器学习、深度学习是我们经常听到的三个热词。关于三者的关系，简单来说：机器学习是实现人工智能的一种方法，深度学习是实现机器学习的一种技术。机器学习使计算机能够自动解析数据、从中学习，然后对真实世界中的事件做出决策和预测；深度学习是利用一系列“深层次”的神经网络模型来解决更复杂问题的技术。

人工智能从其应用范围上又可分为专用人工智能(ANI)与通用人工智能(AGI)。专用人工智能，即在某一个特定领域应用的人工智能，比如会下围棋并且也仅仅会下围棋的AlphaGo；通用人工智能是指具备知识技能迁移能力，可以快速学习，充分利用已掌握的技能来解决新问题、达到甚至超过人类智慧的人工智能。

通用人工智能是众多科幻作品中颠覆人类社会的人工智能形象，但在理论领域，通用人工智能算法还没有真正的突破，在可见的未来，通用人工智能既非人工智能讨论的主流，也还看不到其成为现实的技术路径。专用人工智能才是真正在这次人工智能浪潮中起到影响的主角。我们的讨论范围将聚焦在更具有现实应用意义的专用人工智能技术，具体讨论现有专用人工智能技术能带来的商业价值。

人工智能发展历史与现状

人工智能的发展历史

人工智能的概念形成于20世纪50年代，其发展阶段经历了三次大的浪潮。第一次是50-60年代注重逻辑推理的机器翻译时代；第二次是70-80年代依托知识积累构建模型的专家系统时代；这一次是2006年起开始的重视数据、自主学习的认知智能时代。在数据、算法和计算力条件成熟的条件下，本次浪潮中的人工智能开始真正解决问题，切实创造经济效果。

本次人工智能浪潮的驱动因素

近年来，人工智能应用领域市场规模、人工智能领域的资金投入都迅速增长，反映了社会与市场整体对其认知程度与信心的高涨。驱动认知程度提高的一方面因素是技术本身的提高，包括数据、算法、算力，使得人工智能技术真正为商业应用创造了价值；另一方面，大数据、物联网、云计算等技术为人工智能的发展打下了良好基础。

高质量、大规模的大数据成为可能。1986—2007年，全球单日信息交换量增长了约220倍，全球信息储存能力增加了约120倍。海量数据为人工智能技术的发展提供了充足的原材料。

计算力提升突破瓶颈：以GPU为代表的新一代计算芯片提供了更强大的计算力，使得运算更快，同时在集群上实现的分布式计算帮助人工智能模型可以在更大的数据集上运行。

机器学习算法取得重大突破：以多层神经网络模型为基础的算法，使得机器学习算法在图像识别等领域的准确性取得了飞跃性的提高。

社会理解与接受程度广泛提升：随着社会信息化及互联网/移动互联网的普及，以及受AlphaGo等大量热点舆论事件影响，全社会对人工智能的态度已逐渐从怀疑、恐惧转变为好奇、接受和认同。

物联网、大数据、云计算技术提供了人工智能的发展基础

物联网、大数据、云计算技术为人工智能技术的发展提供了其所需要的关键要素。物联网为人工智能的感知层提供了基础设施环境，同时带来了多维度、及时全面的海量训练数据。大数据技术为输入数据在储存、清洗、整合方面做出了贡献，帮助提升了深度学习算法的性能。云计算的大规模并行和分布式计算能力带来了低成本、高效率的计算力，并降低了计算成本。

人工智能产业发展状况

技术方向方面

人工智能方向的企业目前主要分为两类：专注于技术研发的通用型人工智能企业，如DeepMind、 Facebook AI Research、Google Brain与Baidu AI等，以及专注于人工智能技术应用的专用型人工智能企业。通用型人工智能由于研发技术难度大，目前多由巨头互联网公司在进行布局，短期内没有明确的技术突破前景。专用型人工智能企业数量众多，但其发展仍然受制于需要人工标注的数据限制。

应用方向方面

从应用方向上来看，金融、医疗、汽车、零售等数据基础较好的行业方向应用场景目前相对成熟，相关方向企业的融资热度也较高。以自动驾驶领域为例，谷歌、百度、特斯拉、奥迪等科技和传统巨头纷纷加入；人工智能在金融领域的智能风控、智能投顾、市场预测、信用评级等领域都有了成功的应用；在医疗领域，人工智能算法被应用到新药研制，提供辅助诊疗、癌症检测等方面都有突破性进展，凡此种种，不一而足。

地域发展方面

纵观全球人工智能产业的发展，我们可以发现：全球领先的创新高点散落在各个国家，如美国纽约与硅谷、英国伦敦、以色列，以及中国的北京、上海与深圳。人工智能技术本身具有高流通、易传导的性质，在全球信息流通开放的大环境下，人工智能的发展不再受限于国家或地域。

借助于良好的人才基础、巨大的应用市场、强有力的风投基金支持，中国人工智能企业的发展势头良好，在全球处在优势领先地位。中国的人工智能企业数量、专利申请数量以及融资规模均仅次于美国，位列全球第二。在国内，计算机视觉、服务机器人、自然语言处理方向的人工智能企业占据了人工智能企业个数的一半以上。北京、上海、深圳作为国内人工智能创新的高地，其相关企业数量占据了国内企业总数的近80%。

人工智能未来发展的预测

我们认为，短期内构建大型的数据集将会是各企业与研究机构发展的重要方向。同时，机器学习技术会更注重迁移学习与小样本学习等方向，近期AlphaGo Zero在无监督模式下取得的惊人进步充分体现了此方向的热度。长期来看，通用型人工智能的发展将依赖于对人脑认知机制的科学研究，其发展前景目前尚处于无法预测的状态。

在商业应用方面，短期内，专用型人工智能将会在数据丰富的行业、应用场景成熟的业务前端(如营销、服务等)取得广泛的应用。长期来看，正如国际人工智能领域著名学者Michael IJordan所说，人工智能技术将能在边际成本不递增的情况下将个性化服务普及到更多的消费者与企业，从细分行业的特定应用场景应用到更加普世化的情景。

编辑 YibinP

推荐阅读

数据分析、机器学习与物联网
我们当前所处的世界，联网程度不断上升，低成本传感器和分布式智能也在不断普及，产业即将面临这一切带来的革命性的冲击；同时，在此过程中还会产生大量的数据，其规模将庞大到远远超过人类所能处理的范畴。对此，企业是否能足够迅速地适应并演进自身的业务，以维持在竞争格局中所处的位置？面对我们栖身的环境中植入的这些全新的信息来源和智能设备，人类应当如何掌握它们并从中获益？利用不断演进的技术组织机构将需要建立起内部数据仓库，以便能够利用新的数据源和数据流。智能接入设备亦将在某些情况下取代人的角色，它们将能够自行决策、执行自我调整，或是根据需要引发对自身的纠正和修复。在另一些情景中，众多设备的集合将聚集在一起成为完整的系统，这样的系统可以采用新的方法进行优化；而由系统聚集成的系统，将会彼此共享数据，并成为由数据和设备组成的生态系统。机器学习（指从数据中推导出意义的众多方法）注定将成为这个生态系统中的一部分；此外，随着企业着手为物联网（IoT）做准备，传统业务和数据分析技术也同样将被纳入到该生态系统之中物联网——某些人更愿意称之为“万物互联”（Internet of Everything）——正处于不断上升的轨道上。一项Gartner研究指出，在2020年IoT单元的数量将达到260亿，而IoT产品和服务的市值将达到3000亿美元1。另外，GE在工业互联网（Industrial Internet）——这一概念包含用于监控和优化工业设备（例如喷气式引擎、铁路机车、动力涡轮机和制造工艺）性能的机制和应用——领域已经活跃了很长时间。根据GE的估算和预测，在接下来20年中，工业互联网将帮助全球GDP产值提高10到15万亿美元（没错，万亿量级）。当然，围绕着已问世的全新技术和正在逐步浮现的技术概念，市场中充斥着大量炒作。例如，Gartner备受争议的 “成熟度曲线”（注：也有些人使用“炒作周期”这一贬义说法）报告就把IoT摆在了“翘首以望的顶峰”的位置上（而大数据作为之前的热点，已经进入了“理想幻灭的低谷” 3）。然而，哪怕企业家们为之表现出群情激昂的兴奋，或是记者们在笔下展现出了对未来的狂热展望，在现实中依旧存在着大量的挑战，组织机构必须克服它们，才能够真正乘上这次技术演进的东风。挑战组织机构必须聚焦于：了解产品技术和IT领域中，企业能力的相对成熟度；了解可以纳入哪些类型的IoT功能，以及新能力将会在哪些方面对客户价值带来影响；了解机器学习和预测分析模型的角色；基于市场变化的迅捷程度和竞争对手的相对敏捷度，重新思考业务模型和价值链。接下来，让我们对这些挑战逐一进行更详细地分析。理解产品和IT成熟度可以从产品和IT两个维度分别进行分析。首先，产品组合的成熟度如何？它是属于变更较缓慢且逐步演进的传统类型的产品，还是属于前进速度更快，同时具有更复杂生态系统的产品？矿产设备在技术上非常复杂。并且，与科学研究仪器相比，它拥有更为漫长的设备生命周期，和相对更缓慢的演进速度。然而，这并不意味着科研仪器的公司，在利用IoT产品进行系统优化方面更具优势。另一个需要考虑的因素是IT流程的成熟度。各种类型的组织机构都可能会因采用IoT而获益；然而，要想达成这一目标，它们所需采用的模型却各不相同。让我们进一步分析一下IT成熟度水平这个因素。举例来说，科学研究仪器供应商或许拥有先进技术，但却可能缺乏强有力的IT架构、流程和IT治理能力。与之相反，矿业设备制造商或许拥有非常成熟的内部IT流程。对科学研究仪器公司而言，IoT将让它们能够对安置在现场的仪器设备进行功能升级；但面对由多种类型设备组成的实验室信息生态系统库，公司并不一定愿意尝试去进行优化。（当然，以IT作为成本中心——例如内部IT管理——方面的成熟度不足，并不等于以IT作为利润中心——例如IT产品——方面成熟度的缺失；但当开发或拓展IT服务的时候，许多组织机构都选择在现有的基础IT能力之上构建。）在去年的哈佛商业评论（Harvard Business Review）中，讨论了一个矿业设备领域的例子：Joy Global是一家矿业设备制造商，其专家团队横跨与采矿作业相关的多种系统和流程。Joy Global以此为依托，针对来自多家供货商的一系列设备，提供监控、维护和优化的服务4。了解IoT能力接下来，应该考虑一下使用智能联网设备中的哪些能力。刚刚提到的哈佛商业评论刊登的文章4指出，IoT包含四种类型的能力：监视——传感器提供关于运行环境、产品使用和性能方面的数据；控制——可以控制并定制个性化产品功能；优化——来自监视与控制的反馈回路，能够提供更高的效率、更好的性能、预防性维护，以及诊断和修复；自治——监视、控制和优化将支持独立运行、不同系统间的协作、与环境交互、个性化、补给，以及自我诊断和修复。这四个层级的能力，将为重新定义供应链并重新配置价值链提供支持。我们不应该抱有产品的功能应固定不变的观点；相反，我们应该认为它们将更具灵活性和适应性。那些智能联网设备和产品将具有可变特性，并能够随着用户需求的变化而改变。在数年以前，软件制造商就已经认识到了这一点。而现在，物理对象也正在逐渐转变为软件驱动功能的载体或容器。上述这些层级的能力要求越来越精密的数据分析方法——从收集和应用数据，到支持算法自身运用数据并在同时进行学习。第一个层级的能力——监视——将成为一套实时的机制，我们可以运用它更好地了解现场情况和用户需求，并提供新的能力。这意味着组织机构的传统产品和服务将不再泾渭分明，而且二者的边界将彼此渗透。在过去，现场设备的维护由某个现场服务承包公司承担，设备制造商的业务并不涉及此环节。而在智能设备与监视能力结合后，设备可以在故障发生前将所需的服务提前告知制造商。同时，设备制造商也可以将常规维护纳入自己的服务范畴。不过，如果利润和物流对组织机构而言是个问题的话，那么复杂的维修工作将依旧由专业承包商完成。这一“去中介化”(disintermediation)的模式也可以运用到分发链中。设备可以自动发起补充供应的请求，从而降低甚至消除供应链中的物流和库存压力。控制是建立在监视之上的更复杂的应用。我们可以监视设备运行情况，并通过控制设备的多个部分或多个系统，来扩展人工干预的边界。想象一下，在 *** 作大部分功能都是自动化执行的系统或机器时，人类所扮演的角色：人类指导机器运转，并寻找系统设计的时候没有预料到（或是基于经济划算的角度未设计应对预设）的边界条件、异常和例外。接下来，人类使用自己的判断做出变更、纠正或调整。我们并不需要（在空间上）与设备在一起，或许我们也无需实时监视它们（这取决于流程）。我们通过监视层面采集数据并进行处理（某些数据处理必须在特定时刻完成），并通过控制层面将这些数据实时（或准实时）地运用到设备或装置的运行上。需要组织机构做出的战略决策是，是否以及何时在产品中提供更多的控制能力，以及是将其作为一种服务向客户开放，还是让客户拥有这些功能。第三个层级的能力——优化——可以拓展到某个单体对象、一系列对象，或是一套由来自多家制造商、使用不同技术的对象组成的生态系统的表现方面。是否将提供的服务拓展到这一领域，取决于围绕着价值链和流程边界的知识和经验的水平。前面提到的矿业的例子，反映出Joy Global与供应商相比的优势，主要在于拥有在流程生态系统中更加聚焦的视角。以卡车制造商为例，它无法很好地优化复杂的矿业设备，但却会凭借对自己的一系列卡车（以及潜在的一系列其他制造商生产的卡车）进行优化而获益——如果行业动态确实具有商业意义的话。要将优化的范围延伸到独立运行，还需要对这三个层级的能力进行一些拓展，以支持与环境及其他系统进行受限程度更低的交互。自治要求围绕着算法提供更多的智能，以便应对计划外的情况——程序员和系统工程师未能明确设计这些情况下的方案。自主运行需要整合具有适应性的机器学习方法，以应对新出现的情况，并将之纳入到用于监视、控制和优化的核心算法中。了解分析和机器学习2014年11月，施乐公司帕洛阿尔托研究中心的Mike Kuniavsky在IDTechEx上进行了一场名为“IoT领域中预测分析方面的用户体验”的演讲。在演讲中他表示，我们应该将几乎所有功能都存放（或是在不久的将来存放）在云上。数据和功能可以从任何位置、通过任何设备访问。而专业设备则提供用户访问数据的环境。健康手环可以通过iPhone或笔记本电脑，在特定的锻炼环境中访问用户的身体健康数据。在这种情况下，健康手环扮演了IoT传感器的角色，同时也提供了访问和使用数据的一种途径，而且它还通过软件功能包含了其他一些设备（例如计步器）的能力。设备上产生的数据可以为厂家提供额外的洞见，帮助其了解消费者的使用情况和喜好，并藉此升级功能或开发新特性。如果汇聚来自用户群的数据并结合其他数据集，那么新的洞见可以阐明流行病方面的数据、人群活动水平、生活方式和人口统计数据。对市场人员、健康服务提供者、保险公司和政府机构来说，这些信息具有宝贵的价值。（当然，我们必须认真对待隐私和数据使用许可方面的责任。）我们可以使用机器学习算法，基于这些数据模式作出预测。例如，在一份来自Mayo Clinic的研究中，发掘出了活动数据与心脏病人恢复速度的相关性5。同样的机器学习和预测算法也是许多联网智能消费设备的基础。例如，Nest恒温器是一套能够使用数据模式的设备，它预测消费者对于某个特定房间、在一天中的某个特定时刻的温度要求。（另一个控制和优化的例子体现在聚居区的层面。在获得了业主许可的情况下，电力设施可以通过远程调节的方式，控制成百上千的Nest设备，将室温调高或调低几度，从而完成高峰期的用能负载调度）。这类消费设备涵盖了从声音模式（例如亚马逊的个人助理输入设备Echo6）到更复杂的行为和活动模式（例如捷豹的路虎监视系统，它依赖于一套复杂的软件系统，该系统让汽车能够学习、预测和检查，并提醒车上的乘客帮助驾驶员自动委派次要任务，以便驾驶员将更多的注意力集中在驾驶上7）进行学习的范围。优化算法通过使用机器学习机制，来利用从动态环境下交互的传感器和智能设备传回的数据。算法不能基于特定的参数，精确地预测这些多变的情况，而是需要不断地感知、响应并适应。例如，随着汽车从驾驶员身上分担了更多的责任，它们需要与周边环境中更多的数据来源进行交互（传感器、灯光、其他车辆等等）。在工业自动化、物流和交通运输、电力网络与能源系统、交通管理、安全系统以及其他“系统的系统”等领域中的各类应用，都将让机器直接与其他机器进行交流。此外，这些应用还将基于能够演进和自适应的算法，帮助机器翻译数据流，从而使机器能够依据给定的运行参数达到要求的最终状态。反思业务模型和价值链智能联网设备要求组织机构重新检视，它们处在市场中的什么位置、以什么方式创造价值，以及这些价值将如何随着竞争环境和信息生态系统的演进而增加或减少。分析将帮助验证某些决策（例如，在对特性进行变更或是增加服务和功能后，获得实时使用数据）；不过，市场新进入者和新的价值链结构或许会对业务模式带来巨大的转变，而基于公司传统业务模式做出的分析将不再具有相关性。因此，产品或服务的基础，或许会转变为来自传统产品的数据流，而不是来自产品本身的收入。新的业务模式将得以延展，甚至有可能远远超出产品本身的范畴，覆盖上游供应商或下游消费者。最重要的是，所有这些可能性，都会要求组织机构拥有围绕着其内部数据健康度和用于分析的基础设施的基础能力：数据“打捞”（curation）、所有制和质量标准、具有一致性的企业架构、干净整洁地集成在一起的系统、自动化的数据载入流程，以及成熟的分析专家。如果欠缺或未能有效管理这些基础条件，组织机构将很难进行快速反应，并演化出新的分析和数据管理功能与能力。IoT将基于数据流和复杂的方法，从信息中获取洞见，并通过与企业知识整合，将之运用到价值创造方面。而不具备这些能力的组织机构将在市场上落后，或是降级到低价值、低利润的层次。数据被称为“新的石油”——我们可以拓展这一比喻，这意味着通过分析能力中的知识提炼环节，数据将被精炼为高价值产品。组织机构现在就需要在构建此类基础设施的方面投入资源，以便为接下来数年中应对供应链和价值创造环节的转型、扰动和颠覆做好准备。信息敏捷性将成为必备的核心能力。

---