共享經濟

1978年的論文裡面第一次就有提到

小豬短租，最近拿到3億融資

Ofo傳言要倒閉，ofo與魔拜要合併，拖欠富士康工資的傳言；那麼該如何看待這個行情呢？

   大體趨勢是會擴張的，但是會遇到問題也是很自然的現象，需要解決很多痛點問題。他們只注重技術，並沒有注重投資，融資能不能到位，財務和風控。資本能不能得到支援。資本也是惹火了的。需要對資本進行細分。創業者需要對資本好好利用，把財務結構調整好，能夠始終使得資本是良性的，要能夠活下去。

滴滴事件連續2件事件，滴滴到底做錯了嗎？

   優步在歐洲均被追究刑事責任，包括香港和臺灣，日本。（因為優步的無牌照服務），由此可見，中國的環境比較寬容。創業者要倍加珍惜國家的寬容政策。但若是監管過嚴，那麼是不是會導致計程車數量不夠。計程車的定位其實並不是必須部分，可以沒有計程車，但是不能沒有公共汽車，不可能滿足所有人都需求。若是做網約車被撞了，可能保險公司不會進行賠償。

著重監管、技術。

對於企業投資，好像並不是受影響。但是事情發生後能不能把問題解決，或者完善。這樣後期企業就不會進行投資了。

滴滴司機一鍵報警，甚至司機不能被察覺。

平臺需要承擔社會責任和對客戶負責任的責任，並且需要明確的態度。而且事情不能把所有的事情都推給監管方，例如一鍵報警。企業自身也需要做些科技創新的措施。

電子商務平臺責任法最近也有更新。

Block chain（區塊鏈）

共享創業公司出事，雖然投資公司從法律層面沒有責任，但是從道德層面來看，其實還是還有很多問題。

共享經濟的資料歸屬權？

例如小豬短租，現在沒有一個標準的答案。現在在歐洲開始有人在界定。目前小豬短租就是不明確，現在還是模糊狀態。說明未來的隱私保護還是會很吃香的。合作伙伴其實還有合作伙伴，這種說法還是很模糊的。也可以說屬於消費者。但是目前在中國還是很模糊。共享經濟還是得靠政府出一份力的。

2018年2月國家開始出臺最近類似的法律。

 

 

數字經濟

演講者：CCF名譽理事長：李國傑工程院院士

中心點：需要排除左右的干擾，就是不能偏左，也不能偏右。

2017年電子資訊產業收入18萬億，2017年全國GDP才82萬億。大資料相關收入僅為4700億。佔比如此之小，那國家還如此重視？

本質上是認知技術，決策技術。

大資料：規模大、影響大。大資料的作用不能只看GDP統計。更多在思想觀念、還有認知方面的觀點，這些並不好統計的，並不適合數字經濟的統計。更多是對經濟效率，使用者體驗這類有巨大提升。

2018.7時的統計資料

蘋果（9360億美元）

亞馬遜 8800億美元

Alphabet 8250億美元

微軟 8077億美元

Facebook 6033億美元

阿里巴巴 4872億美元

 

公司市值越大，跟公司盈利，不就相當於母雞和下單的關係。

看到這裡，突然想到華為的市值，百度一下居然沒有上市。還真的是悶聲發大財啊。

數字智慧僅僅是使能作用，還不能成為一項通用技術（類似電氣）。並沒有產生什麼新的產業，只是提高效率，提升生產力。

我國現在人口紅利逐漸消失，需要提升效率。目前只是吹的比較大，其實大資料和人工智慧做的貢獻並不大。目前TPF並不大，可以參考這個指數。其實表現挺差的。

2001-2003年中國技術效率的年均變化率是-0.02%，2008-2013年，中國大資料企業的技術效率平均變化率為5.9%，效率低是明顯的短板。

大資料比高效能運算差了4，5個級別。比如Spark和Hadoop能效極低。目前噱頭太大了而已。

目前人工智慧僅僅處在資訊時代，遠遠沒有進入智慧時代。只是人們對他期待太高了。

20世紀最偉大的工程技術成就：計算機僅僅排在第8名。而影響人類數千年的發明是油燈。

我國服務業的比重仍然偏低。僅僅百分之50，低於平均GDP的其他國家的水平。

全球上市2000強企業，美國有14家晶片公司和14家軟體公司，中國沒有一家。華為大概排5，6名，但是沒有上市。我國人工智慧基礎層、技術層、應用層的人才數量：3.3%，34.9%，61.8%，後者是美國的資料（22.7%，37.4%，39.4%）。我國大多還是在應用人家的技術。

 

 

 

 

北京大學經濟學院院長：孫祁詳

 

1978年時，全中國共計有359萬臺電話，電話普及率0.38，不及世界水平的十分之一。2017年，行動電話每百人擁有102部電話，不包括座機。孫教授曾經是話務員，對這些資料比較清楚。

稿子一直在修改，可以看出他們都是一些很優秀的人。

經濟學是研究資源的有效配置的一門學科。對供求關係進行了詳細的剖析，講的還是聽深度的，有點不是很懂（對經濟學的專業素養較高）。

從點對點變更為空間格局。提升了供需雙方的能力和水平。

農業社會、工業社會、資訊社會調整起來更加靈活和快捷。

資訊不對稱：bat、華為等類似大公司是否會濫用市場勢力，其實也是一種壟斷，是否會影響消費者的利益。市場的邊界越來越模糊。

資訊保安、網路安全，雙刃劍（帶來問題、和解決問題從來都是伴隨著人類社會發展的）

現代經濟學之父的亞當.斯密的《國富論》

人與技術、人與社會，人與自然，人的全面發展。不能光談經濟，也不能光談技術，需要結合在一起。（需要努力）

 

CPU和XPU的未來之路

 

摩爾定律（18個月效能翻一倍）正在ending，but轉化為多核，but，but，but it is not scalable（數量不能太多），why not Scale up the number of Cores?

因為儲存受限理論

1ZB什麼概念呢？

邊緣側（部署起來靈活）、雲端（有延遲）

人工智慧的過程：感知&建模&預測&決策

目前cpu的速度夠用，也能提升。只是因為記憶體和儲存的問題，導致目前速度難提升。若記憶體若優化後，速度很快地會上去。

端處理的原因：1.拿到資料第一時間需要處理；2.資料的隱私性，不能上傳3.資料和雲之間的連線不可靠的，不穩定的，有限的4.端需要有自己的決策，不能完全依靠雲端。

不同家公司生產的晶片，例如GPU，這樣對開發者開發難度太大了。該如何處理目前寒武紀cpu呢？

可能還是得需要一個過程吧。趨勢應該是往更通用的過程發展。會有更通用的程式語言，程式設計正規化會出現。

Cpu主要以64位的浮點運算，而xPU是專用晶片，通用性沒有那麼好。

演算法好，在cpu上面跑的好。但是在GPU不一定好，想想自己的研究還是很淺。不要畏難，演算法好不僅是技術好，而且還要服務架構好。（有一個人談技術談到太深了，被梅巨集院士噴了，哈哈。華中科技大學的金海老師學乖了，說課後談。迷之尷尬）

到底是軟體定義一切還是硬體定義一切呢？

Xpu很難成功，GPU是一個例外。（這是一位老師的看法，具體技術細節沒太聽懂），就算你做出來了，而且還得有一個生態。GPU就是因為英特爾有個影象的生態，所以成功。

大部分還是更加支援軟體定義一切。

應用驅動發展，軟體定義一切，硬體改變未來。

GPU僅僅目前只是一個加速器，並沒有說不要cpu。

未來xpu是作為協處理器呢還是乾脆不要cpu呢？

生態環境有了之後，可以直接用僅僅用xpu。

Cpu會永生。

加速晶片僅僅是輔助的功能。

技術需求角度去看，通用部分和特定計算（計算極致），這樣就出現了cpu和xpu。

產品形態，另外去看，產品定義的必要性。

Cpu+gpu，cpu+npu（手機裡面），從技術需求和產品形態去看。（我個人也更加認同最後一個觀點）

Xpu僅僅是一個加速器，不要聽炒作，吹噓的太大了。

 

 

軟體工程50週年2018年

1.AI和可靠性工程的問題

軟體定義一切

日誌資料也可以做資料分析

AI真的可能會有危險？倒不是因為AI有情感，只是程式碼可能會有問題，也即是可靠性的問題。

可能裝置上面貼上膠帶，那麼自動駕駛可能就會出問題。之前所設定的模型就會出問題。也即是軟體測試（AI軟體除錯），李世石贏了阿爾法狗的那一局，也是有一步棋故意走的比較奇怪，模型的行為覆蓋率非常難覆蓋。

資料不同、網路不通、random去測試錯誤率

Software is eating the world, and AI is eating the Software.

1. 未來5到10年，軟體工程會出現什麼問題，比較重要，有可能會被解決？

理論和實踐結合可能會更多。

軟體執行時間、使用者體驗、運維方面（三個方面都需要資料進行驅動）

微軟：data driving 的企業文化（運用到軟體開發裡面去）

程式語義的深度理解

AI可以取代人工勞動力暫時還不能，因為軟體可靠性的問題還很大。未來5到10年必須要有突破。更需要有規格化。可是自動駕駛又需要上路，所以還有很多問題需要解決。

 

哪一種是機器最可能可以取代人的？

 

測試是最容易被取代，但也不是完全取代，把測試人員一些瑣碎而不復雜的工作可以作自動化。軟體工程中越後面的東西越容易被取代。因為新的環境和新的工具出現時。

 

2000年之前，關注是需求較為穩定的大規模軟體開發。  那個時候編碼可以被取代。

2000年以後，關注是需求相對不確定的大規模軟體開發。  這個時候需要採用敏捷、迭代式的，這個時候編碼需要由人來做。

開發、部署、運維。

軟體工程最想造出銀帶（銀蛋）？

越是可定製的就是可替代的，越是與現實世界的則不可被替代。

機器還是和人工存還是比較好，這樣可以更好提高生產力。

架構設計比較難取代。區域性的好解決，系統性的不好解決。

開原始碼的複用性會提高，而私有程式碼會減少

 

低時延資料中心作業系統

上海交通大學：陳海波教授

100ms amazon 10億美元損失

500ms google 35億美元損失

時延包括系統時延和網路時延

遷移資料>>遷移計算

 

SDN—SDX(發展到如今的SDX)

大資料人工智慧：熱點炒=》入門甜=》變革痛=》成功難

轉型期=》需要去浮躁+去功利 知止而後有定，定而後能靜，靜而後能安，安而後能慮，慮而後能得。