聲音採集（錄音），重新取樣生成標準波形聲音格式的wav檔案，把時間能量圖轉換成頻譜圖，按照卷積網路模型 —LeNet通過TensorFlow進行訓練，實施，部署，進行影象識別與比對。
採用app和服務進行互動進行許可權控制。採用聲音採集和控制盒進行聲音採集，讓後由這個盒子把採集的聲音檔案傳送到伺服器，伺服器處理完畢下發訊息給這個盒子，它通過自身的電池繼電器進行開門操作。影象對比可以使用開源的open cv庫，app使用TensorFlow Lit。說幾個字取樣次數1000個足夠了。
現在實現的產品是聲控燈，說三聲開燈或關燈就可以開開關房間的燈，這個控制的程式碼在電腦或手機的一個開啟網頁上（相當與一個簡單伺服器）。這樣做的好處是方便，缺點是無法許可權控制，無法做到有的人能開門，其它人不能開門。
這個網頁是javascript寫的，整合在goole chrome瀏覽器的網頁中。頻譜影象對比是他們自己寫的一個影象對比控制元件。
聲音的時間能量圖不能識別一個人說話的特徵，每個人說話的頻率都不相同，特別是每個人說相同的開門，語速停頓都有自己的特點，所以用頻譜圖能識別出是那個具體的人。
從實際實踐上證明，時間能量圖確實不能識別出是誰說的話，但是頻譜圖可以識別出具體人的開門聲音。

時間能量圖

頻譜圖



卷積網路模型 —LeNet。聲控燈的訓練次數是三次。
人工智慧（Artificial Intelligence），英文縮寫為AI。它是研究、開發用於模擬、延伸和擴充套件人的智慧的理論、方法、技術及應用系統的一門新的技術科學。
人工智慧包括四個過程：演算法建模、訓練、實施及部署。大部分AI開發大都不是框架的設計者，而是框架的使用者或改進者。
特朗普政府表態 必須保住美國在人工智慧領域的優勢。
人工智慧是什麼：就是想電影中終結者，像阿爾法狗這類的具有一定的和人類智慧同樣本質的一類智慧的物體。
人工智慧和機器學習的關係：機器學習是實現人工智慧的方法。
機器學習和深度學習的關係：深度學習是機器學習演算法中的一種演算法，一種實現機器學習的技術和學習方法。
人工智慧（AI）、機器學習（ML）、深度學習（DL）之間的關係。

我覺得機器學習有一個顯著的特點，也是最機器學習最基本的做法，就是使用一個演算法從大量的資料中解析並得到有用的資訊，並從中學習，然後對之後真實世界中會發生的事情進行預測或作出判斷。
機器學習需要海量的資料來進行訓練，並從這些資料中得到要用的資訊，然後反饋到真實世界的使用者中。我們傳統的軟體開發都是為了實現自動化，被稱為演算法工程師。
TensorFlow是一個基於資料流程式設計（dataflow programming）的符號數學系統，被廣泛應用於各類機器學習（machine learning）演算法的程式設計實現，其前身是谷歌的神經網路演算法庫DistBelief 。
Tensorflow擁有多層級結構，可部署於各類伺服器、PC終端和網頁並支援GPU和TPU高效能數值計算，被廣泛應用於谷歌內部的產品開發和各領域的科學研究 。
TensorFlow由谷歌人工智慧團隊谷歌大腦（Google Brain）開發和維護，擁有包括TensorFlow Hub、TensorFlow Lit使用e、TensorFlow Research Cloud在內的多個專案以及各類應用程式介面（Application Programming Interface, API）。
自2015年11月9日起，TensorFlow依據阿帕奇授權協議（Apache 2.0 open source license）開放原始碼 。TensorFlow是一個單機版的庫，它不支援分散式系統，阿里巴巴把它進行改進，讓它可以
可以在分散式系統上執行，由於進行大資料的訓練，伺服器之間進行萬兆以上的資料傳輸，就是現在的5g技術都不能完全解決，需要6g技術才能實現這麼大的資料互動，還好這些資料交換可以進行局域控制。
今天人工智慧取得的成就很大程度上要歸功於2010年“深度學習”技術取得的歷史性突破，但由於大部分學術界人才還在學校或者科研院所中，所以真正能夠投入業界的人才非常少。這也是造成目前人工智慧人才如此稀缺的原因之一。
在未來10年內，50%以上的人類工作將被取代，而人工智慧的應用，更將在網際網路、金融、醫療等領域率先實現商業化落地，取得極大的發展。
與美國相比，中國的AI技術人才在地域分佈上高度集中，67.8%的人分佈在北京、上海兩地，兩者旗鼓相當，深圳、廣州則分別聚集了10%和5%的AI人才。相比之下，美國的AI人才東西海岸與南部各州分佈均勻。舊金山灣區與紐約呈領先之勢。

中國的本土科技及透正在不斷提升對AI人才的吸引力，AI領域TOP10僱主中，本土企業佔據半壁江山，前三位分別是華為、百度和阿里巴巴。
對比中美AI領域TOP10僱主我們發現，美國有兩家金融機構（美國銀行、美國富國銀行）上榜，這說明在美國Fin-Tech已經成為趨勢並形成規模。相比之下，中國的Fin-Tech浪潮尚未到來。
現在有實力的公司已經開始使用人工智慧，像阿里的商品搜尋，銀行的遠端開戶。
人工智慧將引起工業4.0的興起。工業1.0:18世紀末期始於英國的第一次工業革命，19世紀中葉結束。這次工業革命的結果是機械生產代替了手工勞動，經濟社會從以農業、手工業為基礎轉型到了以工業以及機械製造帶動經濟發展的模式。
工業2.0:第二次工業領域大變革發生在19世紀後期，形成生產線生產的方式。工業1.0和工業2.0這兩次工業革命中，機械化替代傳統手工作業，曾經造成大規模的“農民失業”。
工業3.0:第三次工業革命始於第二次工業革命過程中發生的生產過程的高度自動化。始於20世紀60年代並一直延續到現在，隨著電子與資訊科技的廣泛應用，使得製造過程不斷實現自動化。自此，機械能夠逐步替代人類作業，也造成了一定程度的“工人失業”。
工業4.0:未來幾十年，第四次工業革命將步入“智慧化”生產的新時代。“工業4.0”通過決定生產製造過程等的網路技術，實現智慧製造，進行實時管理。智慧製造中的生產裝置具有感知、分析、決策、控制等功能，是先進製造技術、資訊科技的整合和深度融合。智慧生產過程中，感測器、智慧診斷和管理系統通過網路互聯，使得由程式控制上升到智慧控制，從而製造工藝能夠根據製造環境和製造過程的變化，進行實時優化，提升產品的質量和生產效率。由此而來的“智慧”會否引發第三波失業潮，造成“腦力勞動者失業”呢?

機器學習和深度學習是一個很複雜的過程，這個技術積累，建模，機器學習（人工智慧專用語叫訓練）的速度。現在一個機器人想讓它學習一個新的操作流程需要幾個月，顯然以後這種大大資料和長時間的學習隨著人工智慧的發展會不斷優化和減少。但是這個改進的過程不可能是隻幾年就能實現的。