小旋风柴进
TA的个人档案
◆ ◆ ◆ 费尔德曼的百吉饼，和一场经济学实验 费尔德曼曾是个有着鸿鹄之志的人，20多年里一直在华盛顿从事分析工作。他职位很高，收入颇丰，但他受到认可却不一定是因为其兢兢业业的工作。在办公室的圣诞派对上，同事在向妻子介绍他时，对他的称呼不是“公共研究组组长”（这确实是他当时的职位），而是“带百吉饼来的人”。 送百吉饼最初只是偶一为之的奖励措施：员工拉到研究合同就会得到老板的犒赏。接着，这成了他的习惯，每周五他都会带百吉饼、一把锯齿刀和奶油乳酪到单位。上下楼的同事听说了百吉饼的事后，也纷纷表示想要。到最后，他每周要带上15打百吉饼，为收回成本，他摆了一个投币篮，贴了一张价签。结果，其成本回收率约为95%，他认为，没给钱的人是因为一时疏忽，而非有意占他便宜。 1984年，他就职的研究机构经历了管理层更迭，费尔德曼对未来做了一番斟酌之后，觉得前景堪忧，他决定辞职卖百吉饼。他的经济学家朋友觉得他丧失了理智，但他的妻子却支持他。毕竟，他们最年幼的三个孩子即将大学毕业，而且房贷也供完了。 他开车挨个绕遍环绕华盛顿的办公园区，用极其简单的推销手段拉拢客户：每天一早，他会将百吉饼和一个投币篮放在各家公司的餐室，然后中午再回来收走钱和剩余的百吉饼。这是一种全凭自觉的生意方式，而且确实行得通，仅仅几年间，费尔德曼的周送货量就达到了8400块百吉饼，业务遍及140家公司，收入恢复到了他做研究分析员时的水平。他摆脱了方寸隔间的拘束生活，可以活得逍遥自在了。 他同时还—在无意之中—设计了一场巧妙的经济学实验，费尔德曼从一开始就在一丝不苟地记录百吉饼生意的数据。因此，通过对比回收所得与百吉饼缺失数量，他发现他可以衡量客户的诚信度，且精确到分。他们是否占了他的便宜？如果存在此种行为，好占便宜的公司相比不占便宜的公司有何特点？什么情况会助长人们小偷小摸的行为？什么又会减少此类行为？ 因为缺乏有效数据。白领犯罪的关键一点是，白领犯罪者何其多，我们所听说的骗局被拆穿的案例只是沧海一粟。多数侵占公款之徒不为人知，理论上仍然过着逍遥自在的生活，因为盗用公司财产的员工很少被发现。 与之相反，街头犯罪却非如此，因为无论罪犯是否归案，行凶抢劫、入室盗窃、谋杀通常都会被记录在案，且街头犯罪有着明确的受害者，而受害者通常会向警方报案，数据随即生成，进而又会有犯罪学家、社会学家和经济学家据此发表不计其数的学术论文。但白领犯罪并无明显的受害者，既然不知道犯罪对象、案发率或损失程度，罪行又如何定量呢？ 然而，保罗·费尔德曼的百吉饼生意则不同，因为整件事确有一名受害者，就是他自己保罗·费尔德曼。 大量的心理学及经济学研究表明，对同一种商品，若出售者不同，人们愿意支付的价格也有所差异。经济学家理查德·塞勒在其1985年的研究《沙滩上的啤酒》中证明，同样一瓶啤酒，若是在度假酒店内出售，口渴的日光浴游客愿意支付2.65美元，而若是在一家破破烂烂的杂货店出售，他们只愿意支付1.50美元。 面对现实情况，费尔德曼逐渐总结出，付款率只要超过90%就算是“诚实守信”的公司了：80%~90%的付款率“可气但还过得去”；如果一家公司的付款率长期低于80%，费尔德曼则会张贴一张警告标语，如： 今年以来，百吉饼成本大幅上涨。遗憾的是，也有越来越多的百吉饼无故消失却无人付款。切勿继续此种行为，我猜想，你不会教自己的孩子行偷窃之事，那为何自己却明知故犯呢？ ◆ ◆ ◆ 百吉饼的数据究竟说明了什么？ 1.公众的同情心影响诚信度 近几年，总体付款率经历了两次值得注意的变化。其一是1992年起出现的长期而缓慢的下降。至2001年夏，总体付款率已经下滑到了87%左右。但当年的“9·11”事件发生之后，付款率立即上涨了整整2%，且此后再未出现明显回落。（假如付款率上涨2%听起来不算多，那换个角度想：未付率从13%下降到了11%，即盗窃数量下滑了15%。）由于费尔德曼的不少客户均在国安部门工作，这种“9·11”效应或许有些许爱国主义色彩，这也有可能表明公众的同情心有了普遍的提高。 2.小办公室比大办公室更守信用 数据还显示，只有几十名员工的办公室付款率要比几百人的办公室高出3%~5%，这似乎有违常识。在大办公室，百吉饼桌旁理应常有许多人在场，众目睽睽之下，你不得不投币进钱箱。但大小办公室的对比说明，百吉饼盗窃与街头犯罪类似。农村地区的人均街头犯罪率远低于城市，主要原因是农村地区的罪犯被发现（进而被抓获）的概率更高。此外，在规模较小的社群，预防犯罪的社会因素更加强大，其中一大因素就是羞耻心。 3.个人情绪对守信程度的影响 例如，天气就是一大影响因素：反常的好天气能提高人们的付款率；而与之相对，遇到反常的寒冷天气，则会出现大量未付款的现象。暴雨或强风天气也有同样的影响，影响最恶劣的是节假日：在圣诞周，付款率会下降2%，即盗窃数量上升15%，这与“9·11”造成的影响程度相同，但效果相反；感恩节半斤八两；情人节当周也非常糟糕；4月15日所在周也不外乎如是。但也有好的节日：7月4日、劳动节和哥伦布纪念日所在周。两种节日差别何在？欺诈率较低的节日仅仅是放假一天而已，别无他意，而欺诈率较高的节日则充满了各种各样的烦心事和来自亲人的种种期许。 4.关于守信，费尔德曼有他自己的看法，这些看法多是从生活经验总结而来 他逐渐相信，工作士气是一大因素—如员工爱戴自己的老板、热爱本职工作，这样的办公室更加守信。他同时还相信，在公司内地位较高的员工欺诈率要高于底层员工。他多年来一直在为一家办公室占用了三层楼的公司送百吉饼，从中得出了这一观点—该公司顶层为主管办公室，较低的两层为销售、服务和行政员工的办公室。费尔德曼猜测，这些主管有欺诈行为是因为特权思想膨胀。他所没有考虑的因素是，欺诈或许原本就是他们坐上主管之位的手段。 ◆ ◆ ◆ 如明知自己的所作所为无人目睹 会有人能抵制住诱惑，不去作恶吗？ 如果说道德代表着在人类心目中，这个世界应该如何运转，而经济学代表着其实际的运转方式，那么费尔德曼的百吉饼生意则恰好处于二者相交的范畴。没错，很多人占他的便宜，但绝大多数人，即便是无人在场的情况下，也没有越界。这一结果或许出乎某些人的意料，包括费尔德曼的经济学家朋友，他们在20年前劝阻他，说他这种全凭自觉的生意方式完全行不通，但这却没有出乎亚当·斯密的意料。实际上，亚当·斯密第一部著作《道德情操论》的主旨就是人类生性诚实。 “无论人类被描写得有多么自私，”亚当·斯密写道，“其本性之中显然有某些原则，令其关注他人的命运，让他人的幸福成为对其来说不可缺少的东西，尽管除了眼见此种情景所获得的满足之外，他从中一无所得。” 费尔德曼有时会向自己的经济学家朋友讲述《裘格斯戒指》的故事，故事出自柏拉图的《理想国》： 在苏格拉底的一堂课上，一位名叫格劳孔的学生讲述了这个故事。苏格拉底同亚当·斯密一样，认为即使没有外力强制，人类一般而言也是生性善良的。格劳孔则同费尔德曼的经济学家朋友一样，不以为然，他讲述道，一位名叫裘格斯的牧羊人偶然间在一处隐蔽的山洞里发现了一具尸体，尸体上带着一枚戒指，裘格斯将戒指戴在自己手上后，发现戒指令他隐身了。在无人监控其所作所为的情况下，裘格斯干尽了坏事—引诱王后、弑杀国王，等等。 格劳孔的故事提出了一个道德问题：如明知自己的所作所为无人目睹，会有人能抵制住诱惑，不去作恶吗？格劳孔似乎认为答案是否定的，但保罗·费尔德曼则和苏格拉底及亚当·斯密同属一个阵营，因为他知道，在至少87%的情况下，答案是肯定的。 原文发布时间为：2016-09-03 本文来自云栖社区合作伙伴“大数据文摘”，了解相关信息可以关注“BigDataDigest”微信公众号
如何优雅地测量一只猫的体积，而不使其感到惊恐或受到伤害？ ◆ ◆ ◆ 前情提要 Monte Carlo 测猫法： 把猫装进已知体积为V_box的盒子，在盒子内均匀取N个随机点，其中M个在猫体内，猫体积近似为V_box*M/N。 推理及讨论见supplemental materials. 要实现这一测猫法，需要一种瞬时确定某点是猫还是非猫的方法，否则在猫运动的情况下，会测得猫扫过的体积而不是猫体积。 我决定用下图所示的方法。。。 盒子壁上装尽量多的激光灯，盒子壁用感光材料。若要确定某点是猫还是非猫，则让所有激光灯射向目标点。若目标点是猫，则激光会被猫挡住因此盒子壁上任何一点都不会检测到激光。因此我们用以下原则判断目标点是猫非猫： 若有盒子壁上任何一点检测到激光，说明目标点非猫。 否则认为该点是猫。 测量可以在很短的时间内完成，足以快到忽略猫的运动。 ============================ 当然这种方法是有缺陷的，猫身上一些凹陷部位可能会成为激光无法穿过的死角，因此被算入猫体积。 一个充分不必要的解决方法是让猫变成凸猫(convex cat), 即任取两点属于猫，两点之间的线段上的点都属于猫，满足这一条件的猫叫做凸猫，如下图所示。 下图是一个现实生活中凸猫的例子。。（图片来自网络） 对于凸猫，该方法测得的猫体积即为真猫体积，证明见supplemental materials中的夹逼测猫法。 但是这种方法是不猫道的，因为猫咪宣言中有这样的话： We hold these truths to be self-evident, that all cats are created equal （大雾）, and they are endowed by their Creator with certain unalienable rights, that among these are the rights to stand up, lie down, turn around, groom themselves and stretch their limbs ... Five freedoms[ARCHIVED CONTENT] Farm Animal Welfare Council 而凸猫显然（至少）剥夺了猫咪 stretch their limbs 的自由。。。 好在对于非凸猫，该方法也不是那么糟糕。 下面我将展示给大家，即使对于非凸猫，用该方法测出来的猫体积 首先本身就是一种很合理的猫体积定义 其次实际操作中与一般意义上的猫体积差别不大 ============================ 要测量猫体积，首先要定义猫体积。 然而“猫有毛兮毛有枝，本喵在哪你不知。” 猫的体积定义并非显而易见的，主要有两个困难： 猫的表面是凹凸不平的，那些凹陷和缝隙怎么算？客观标准是什么呢？ 喵是测不准的。理论上来讲喵的电子云可以想你时你在天边，想你时你在眼前，哪里算边界？ 嗯。。化学家出场了。。。 化学家测猫大法： 把一个直径一定的毛线球用一定力量按在喵体表滚一遍，把毛线球与喵接触的内表面轨迹包括的空间的体积视为猫的体积，并称之为Van de Waals cat volume .（好吧。。。我知道这不叫Van de Waals体积。。但是这个体积的实际名字土掉渣了。。哪有Van de Waals高大上。。。） 如下图。 这一体积定义包含两个要素。毛线球的直径和按在猫身上的力量，前者决定了凹陷和缝隙算与不算的体积和形状标准——毛线球放得进就算，否则不算；后者决定了猫边界的标准——和毛线球之间的作用力达到某一值为准，啥啥电子云都不好使，就看力的大小。通过改变毛线球和力量的大小，可以控制猫体积的精细程度。究竟多精细不重要，重要的是可以定义一个体积的客观标准。 ============================= 仿照这一定义，我将我测得的猫体积定义为 Van de Bars cat volume。。。如下图。。。 准确来说，是一个直径相当于激光束粗度，无限长的bar在猫表面滚过定义的猫体积。。。你看。。。我测的体积也是有一个很有道理的定义的嘛。。。。 同时我想强调，相对于其他回答，该方法对猫毛可以有很严格的处理，详见supplemental materials中对猫毛的讨论。 =============================== 我认为实际测量中Van de Bars 猫体积和我们一般认为的猫体积差异并不大。 比如看下图 E为克莱因猫，虚线部分在猫体内。。 对于碗状猫(bowl cat)，Van de Bars 猫体积确实会把猫肚子下面那块空间误算做猫体积的一部分。但是对弓状猫(bow cat)、椅状猫(chair cat)的测量都是准确的，因为光线可以从图上箭头的角度穿过。甚至小昭猫(shaw zhao cat)这个我本来觉得挺奇葩的形状下其实并没有任何问题。这样一来，Van de Bars 猫体积在多数情况下和我们一般认为的猫体积的区别也就仅限于耳廓内的空间、个别身体缝隙之类的光穿不过的死角。。。我觉得还是能接受的。。。 为了尽量避免碗状猫对测量的影响，我们要大力鼓励猫咪充分 stretch their limbs. 这也提示我们，爱护猫咪对我们蓝星人也是有益的。。。所以爱护猫咪，人人有责，no cats should be convex!!!============================= 综上，我设计了一种测量Van de Bars 猫体积的Monte Carlo测猫法。我觉得这是目前回答里最猫道最优雅的。。。因为它保障了猫咪伸展身体、弄干身体、不受恐吓、自由站起、躺下、翻身的权利。。。而且对猫体积有严谨而实用的定义。。。 =============================Supplemental materials: Monte carlo 测猫法的推理： 把猫装进体积为V的盒子，在盒子内 uniform randomly 取N个 independent and identically distributed (i.i.d.) 的点组成样本，记为 SAMPLE = {(xi, yi, zi) | i in range(0, N)}。 定义如下 function: I(x, y, z) = 1 if (x, y, z) in CAT else 0 （即确定一个点是猫还是非猫） 假设猫体积(V_cat)不变，且猫的运动与取点不相关（即猫既不接飞镖也不躲飞镖，见评论区知友讨论），则I(x, y, z)具有如下分布： I(x, y, z) = 0 with a probability of 1-V_cat/V_box I(x, y, z) = 1 with a probability of V_cat/V_box 与猫运动与否不相关。 根据这一分布I(x, y, z)的期望值是V_cat/V_box. {I(xi, yi, zi) | (xi, yi, zi) in SAMPLE} 是一个服从上述分布的 i.i.d. 的sample。 根据大数定理(law of large numbers), sample mean almost surely converges to expected value. 所以可以用 sample mean 估计期望值，即： V_cat/V_box ～= sum(I(xi, yi, zi))/N 记M为在猫体内的样本点数量，则 V_cat/V_box ～= sum(I(xi, yi, zi))/N = M/N 所以V_cat ~= V_box * M/N 关于猫毛的讨论 上述方法等价于把猫边界定义为猫体表透光率显著不同于空气以至于足以使得sensor检测到差异的位置。可以想象这应该包括了猫毛，而且是不受压迫不变形的猫毛。 我认为这也是该方法的一大优势——这是真正的无损测真猫，而不是测 a rat-like creature that lives inside a cat （见 @苍原雪在本问题下的回答）。。。其他方法，包括彩虹糖，都是有压迫的。实际上彩虹糖法测的是彩虹糖的形状和大小、彩虹糖与猫接触处的压强定义的Van de Waals cat volume. 因为这一压强，长毛猫的测量可能和我们预想的含猫毛体积有较大区别。 Van de Bars 猫体积和其他猫体积的对比 （不适用于克莱因猫） VS 真 猫体积 这里真猫体积指刨除一切空隙的猫体积。显然，Van de Bars 猫体积 >= 真猫体积。所以Van de Bars 猫体积是真猫体积的一个upper bound. 可惜的是它们之间的差是没有任何保证的，比如口袋猫。 VS Van de 毛线球 猫体积 我觉得Van de Bars 猫体积应该是与bar同样直径的毛线球定义出的Van de 毛线球猫体积的upper bound，但是我没仔细证。。。因为比如bowl cat这样的存在，它们的差同样是没upper limit的。。。 VS Convex Hull （附夹逼测猫法） 一个set的convex hull 是包含这个set且convex的最小的set。如图3和下图。 易知Convex hull 猫体积 >= Van de Bars 猫体积 >= Van de 毛线球猫体积 >= 真猫体积。对于convex猫，因为猫本身就是convex的，所以猫和猫的convex hull是同一集合，所以Convex hull猫体积 = 真猫体积，所以convex cat 的真体积 = Van de 毛线球体积 = Van de Bars体积 = Convex hull 体积。。。。。。夹逼测猫法。。。。convex 猫真好测。。。各种体积都一样。。。all cats should be convex。。。 关于克莱因猫 准确讲克莱因猫应该是克莱因猫皮(Klein Cat Skin)，因为这是一个曲面而不是实体，而且这个曲面不能把空间分为内、外互不连通的两部分，所以也无法把克莱因猫体积定义为克莱因猫皮围成的空间的体积。仔细看Fig. 6 E 的话，克莱因猫“体内”的空间可以通过尾巴－食道－口和外界相通。所以严格讲，克莱因猫无体积。 但是这并不妨碍我们继续强测克莱因猫的 Van de 毛线球体积和 Van de Bars 体积，只是不同于之前可以把这作为真猫体积的近似，现在我们必须将其作为一种独立的体积定义使用。 在克莱因猫上 Van de Bars 猫体积比 Van de 毛线球猫体积鲁棒。因为当毛线球小到克莱因猫可以吞下去的时候，毛线球会沿着口－食道－尾巴通路把喵“体内”滚个遍，然后 Van de 毛线球体积为零。。。而 Van de Bars 体积因为使用的是无限长的bar, 所以即使bar直径再小也无法access喵“体内”的空间。这允许我们用较细的bar来提高测量准确度而不必担心体积忽然降为0. =========下面是原答案=============== 物理学家测猫法：取一只半径为r的真空中的球形猫，体积等于4/3*πr^3数学家测猫法：把猫装进已知体积为V的盒子，在盒子内均匀取N个随机点，其中M个在猫体内，猫体积近似为VM/N。生物学家测猫法：把control猫装盒子，塞了10次都塞进去了，把实验猫装同一个盒子，塞了10次只进去两次，所以，猫多大我不知道，反正显著大于control猫。 原文发布时间为：2016-09-04 本文来自云栖社区合作伙伴“大数据文摘”，了解相关信息可以关注“BigDataDigest”微信公众号
◆ ◆ ◆ 前言 人工智能和新一代信息技术正在重塑机器人产业，机器人应用不仅会在工业领域高速扩张，还将向生活服务领域蔓延，产业变革之际，正是后来者的机会之窗。 ◆ ◆ ◆ 机器人：后来者的机会之窗 机器人既是高端制造业的基础装备，也是人类社会的生活服务设施，随着人工智能等技术的发展，机器人正在从工业应用向生活服务应用蔓延，产业变革之际，正是后来者的机会之窗。 2010年，中国成为世界第一制造业大国。2013年，中国成为世界工业机器人的最大市场。2015年，中国市场共售出6.6万台工业机器人，连续三年位居全球市场首位。 国际机器人联合会（IFR）预测，2018年中国工业机器人的销量将达到15万台，占全球销量超过三分之一，规模是第二大市场日本（4万台）的近四倍。中国机器人产业联盟预测，未来十年，中国工业机器人市场的总规模将达6000亿元。 2012年之前，中国工业机器人市场由外资品牌统治。之后，在政策和市场的双重刺激下，国产品牌爆发，到2015年，已经占据了32.5％的国内市场。 2015年5月，国务院发布《中国制造2025行动纲领》，高档数控机床和机器人被列为十大重点之一。2016年4月，工信部、发改委、财政部三部委联合发布了《机器人产业发展规划（2016-2020年）》，提出“到2020年，自主品牌工业机器人年产量达到10万台”。 不仅中央政府，各级地方政府也将机器人产业作为重点扶持对象。提出产业发展目标，给出从财政补贴到用地、立项等各方面的支持政策。 天时地利之下，中国机器人公司能否抓住机遇更上层楼？ 当前，中国工业机器人应用市场正快速从汽车行业向一般工业拓展，这意味着新兴公司可以避开巨头公司在汽车行业难以撼动的优势，在新兴市场获得自己的一席之地。 随着人工智能技术和以物联网、大数据、云计算为代表的新一代信息技术与机器人的深度融合，机器人产业正在进入技术爆发期。机器人未来将越来越智能化，应用范围也将拓展到工业之外的服务领域，将给机器人产业带来更大的想象空间。而那些拥有独特技术的公司，无疑也将站在浪潮之巅。 据工信部统计，中国已有大大小小的机器人公司800余家。按照工信部的规划，到2020年，中国要形成较为完善的工业机器人产业体系，培育3家以上具有国际竞争力的龙头企业，打造5个以上机器人配套产业集群，在高端市场的产品占有率达到50％以上。 谁能脱颖而出成为龙头企业？《财经》接触的业界多数意见认为，结合市场表现和创新潜力，新松机器人自动化有限公司（300024.SZ）、广州数控设备有限公司、安徽埃夫特智能装备有限公司、南京埃斯顿自动化股份有限公司、上海新时达机器人有限公司（002527.SZ）等公司是强有力的候选者。但与此同时，随着竞争加剧，将有数以百计的机器人公司被淘汰出局。 ◆ ◆ ◆ 中国市场爆发 市场规模已是世界最大并仍在高速增长，市场格局正在从汽车行业应用为主快速向量大面广的一般制造业应用拓展 中国工业机器人市场的增长与汽车行业相关。不论在世界还是在中国，汽车行业始终是工业机器人最大的应用市场。上世纪70年代，日本川崎重工从美国引进工业机器人技术，并将其产业化，首先应用在自家的摩托车生产线上，后来大规模在汽车行业推广应用。 中国工业机器人市场2008年后增速开始加快，2010年迎来了首个爆发式增长，该年中国市场销售工业机器人14978台，销量同比增加171％。 这一年中国工业机器人增长主要得益于汽车行业投资的增加。2009年中国汽车销量跃居世界第一，同时政策鼓励提高市场集中度的刺激下，2009年－2010年，中国合资品牌和自主品牌汽车厂商都大规模扩张了汽车产能。 IFR数据显示，2010年的工业机器人应用市场中，用于焊接、喷涂及各种装配操作的机器人所占比例约为55％，主要用于汽车行业。从增速来看，增长最快的是用于汽车整车制造焊接工艺中的弧焊机器人，同比增长了186％，占当年工业机器人总安装量的39％。 中国工业机器人市场另一个增长动力，来自一般工业的升级换代需求，并替代成本日益增长的劳动力。 据中智人力资本调研与数据服务中心发布的《2016年一线用工管理调研报告》，2015年一二线城市制造型企业普通一线员工普通年收入约5.8万元。这一收入水平相比2000年制造业平均工资，增长了约6倍。同时，2009年往后，长三角、珠三角等制造业密集地区，开始大规模出现“用工荒”现象。 中国当下的产业转型，类似日本在上世纪七八十年代的情景。彼时日本产业结构从重化工业向半导体、汽车等资金、技术密集型行业倾斜，这导致制造业占GDP比例降低，但对工业机器人的需求却持续增长。 2008年，中国第一经济大省广东率先推动产业转型，转移和限制劳动密集型企业，推动产业向先进制造业、战略新兴产业等转型。到2012年，产业转型风潮波及浙江等地。2015年，国务院印发了《中国制造2025》，中国制造业转型升级成为国策。 反映到工业机器人应用市场，是一般工业市场需求的快速增长。中国机器人产业联盟的数据显示，2013年，中国市场销售工业机器人约3.7万台，成为世界第一大工业机器人市场。2015年，中国销售工业机器人约6.6万台，占全球工业机器人市场比例超过四分之一。 从应用行业看，中国工业机器人市场正在快速从汽车行业向一般工业拓展。2015年，汽车行业占工业机器人市场的比例已经降到了36.8％，工业机器人应用拓展到更多行业。从应用领域看，2015年销售比例最高的是搬运及上下料机器人，占总销量的43.8％，这类机器人可广泛运用于各门类的一般工业。 中国工业机器人仍有巨大增长空间。业内常用机器人密度来衡量一国制造业自动化水平，根据工信部的数据，2015年，中国制造业每万名工人使用工业机器人数量为36台，而同期全球平均水平为66台，发达国家平均水平超过200台。日本、韩国、德国的机器人密度均在中国10倍以上。 2013年12月，工信部制定《关于推进工业机器人产业发展的指导意见》，首次提出到2020年“机器人密度（每万名员工使用机器人台数）达到100以上”的目标。 2016年4月，工信部副部长怀进鹏在第四届中国电子信息博览会上表示，2020年中国工业机器人年销量将达到15万台，中国机器人产业产值将突破1000亿元人民币，到2025年工业机器人年销产量将达到26万台。 ◆ ◆ ◆ 汽车业希望不大 中国汽车市场由外资汽车巨头主导，它们与欧日的机器人四大家族紧密合作，中国公司机会不大 工业机器人最初是为了满足汽车制造工艺要求而被设计出来的。德国库卡、瑞士ABB、日本安川电机和发那科是世界最大的四家工业机器人公司（下称“四大家族”），它们也是最早进入汽车行业的工业机器人公司。日本的安川、发那科与日本的汽车工业密不可分，德国的库卡、瑞士的ABB则与欧洲的汽车工业紧密相连。在日本、德国，其汽车行业的机器人密度是该国平均水平的5倍左右。 而美国通用汽车公司尽管在1961年就引入了机器人产品，但到了机器人技术逐渐发展成熟的上世纪90年代，全球汽车制造业中心已经从美国转移到日本、德国，有受访的国内机器人公司认为，这是美国没有诞生机器人巨头公司的原因。 改革开放后，中国汽车工业采用“用市场换技术”，引进外资品牌，建立合资工厂，四大家族随之进入并统治了中国汽车制造业。 汽车制造业是工业机器人应用的第一市场，具体到中国，国产工业机器人增速加快，但在汽车行业进展缓慢。中国机器人产业联盟统计数据显示，2015年国产机器人市场份额上升至32.5％。但在汽车制造业，国产工业机器人占比仅为12.3％。 中国工业机器人起步并不晚。早在上世纪80年代，中央政府即出资支持工业机器人研发。1997年还在一汽大众运行了第一条国产的冲压自动化线。可惜的是，这些项目停留在科研层面，并没有商业化。 中国汽车产业的发展历程，对工业机器人的使用偏好产生了决定性的影响。改革开放后，中国汽车工业发展战略改变，变自主研发为“用市场换技术”，随后引进系列外资品牌，在国内设立合资工厂。 《财经》记者了解到，合资工厂从国外引进成套汽车生产线，连同引进了生产线上的工业机器人。外资汽车厂商在发展过程中，已经与四大家族结成紧密合作关系，国内工业机器人公司难以介入。比如发那科是通用汽车全球指定的唯一工业机器人供应商。 这与韩国对比鲜明。韩国坚持发展本国自主汽车品牌，国产工业机器人也随之发展起来。韩国现代重工工业机器人在韩国汽车业大量使用，在中国长城、江淮等汽车生产线上也有应用。 但国产汽车品牌，也鲜少采用国产工业机器人。 新松机器人自动化有限公司中央研究院院长徐方在接受《财经》记者采访时认为，国内一些自主品牌很难说有自主技术，“技术上受制于人，生产装备自然也听别人的”。 另外，国产工业机器人与外资品牌相比存在技术差距。汽车行业在工业机器人应用市场中属于高端行业，对工业机器人性能要求苛刻。 以可靠性为例。北京航空航天大学机器人研究所所长王田苗曾公开表示，国产工业机器人故障率高，寿命只有8000小时，国外产品寿命可达5万-10万小时。 对汽车厂商来说，一条30万辆的汽车自动化生产线，平均一分多钟就产出一辆汽车，因机器人故障影响生产线正常运行，将得不偿失。 徐方对《财经》记者说，国产工业机器人与国外品牌存在技术差距，但并没有传说中那么大。新松的工业机器人无故障运行时间已经达到4万小时，关键是没有市场机会。 新松是国内最大的工业机器人公司之一，其移动机器人产品广泛运用在汽车总装生产线上。新松在移动机器人上的突破源于一次偶然机遇。1992年，因为受美国制裁，华晨金杯的移动机器人供货中断，于是委托新松前身沈阳自动化所研制开发。以此为契机，新松打开了汽车业移动机器人市场，如今已经是国内移动机器人最大的供货商。 除了这个机会，新松能发展起来的另一个重要原因，是移动机器人一般批量较小，国产工业机器人有比较优势。 2012年，新松承接发改委、工信部、财政部联合主导的“智能制造示范项目”。为一汽集团提供一条焊接生产线，使用新松28台通用型工业机器人。彼时新松将其视为战略转型的标志性事件——从为客户提供系统化解决方案到批量生产工业机器人。 “这条生产线现在还在运行。”徐方说。但汽车行业已经很成熟，市场机会少，同时汽车业对机器人性能非常敏感，国产机器人口碑不佳，汽车厂商不愿冒险采用。“除非国家支持，否则很难获得市场机会。” 业内公认，在汽车制造业，四大家族的竞争优势是全方位的。 工业机器人产业链分上游零部件、中游机器人本体及下游系统集成。四大家族中，仅库卡是单纯的机器人本体制造商。其他三家业务均覆盖从上游零部件到下游系统集成的全产业链，从而构建了全方位的竞争优势。 工业机器人三大核心零部件是控制器、伺服电机、减速器。这三者占到机器人本体成本七成以上。以日系的安川电机和发那科为例，除减速器外采，其他均为自己生产。国内绝大多数工业机器人公司，这些部件都需要从外面采购。 “这导致四大家族成本反而更低。”中国机器人产业联盟秘书长宋晓刚在接受《财经》记者采访时指出。即使在同为外采的减速器部分，四大家族销售量大，采购价格也更低。 四大家族是最早进入汽车行业的工业机器人公司，市场占比也最大，在强调对行业工艺了解的系统集成部分，四大家族浸淫多年，同样具有技术优势。 “汽车制造业的机会很小。”徐方对《财经》记者说，围绕汽车厂家会有一些国内的系统集成商，但普遍规模很小，“它们要么掌握客户资源，要么做四大家族不愿做的部分”。 徐方称，新松是工业机器人领域的“国家队”，会保持在汽车制造业的技术能力，从市场前景看，“更看好新能源汽车的发展机遇”。 ◆ ◆ ◆ 争夺蓝海市场 在汽车行业之外的一般制造业，四大家族统治力减弱，这为国内工业机器人公司带来了机会 2014年是国产工业机器人的元年，“就像到了一个临界点，一般制造业的需求突然涌现出来”。埃夫特智能装备公司副总经理张帷对《财经》记者说。幸运的是，汽车行业里令人望而生畏的四大家族“对这些行业也不了解”。 埃夫特是国内工业机器人公司中的佼佼者，前身是奇瑞汽车下属的汽车设备部，改制后引入美的集团，奇瑞股份降低至1.5％，成为美的、埃夫特管理层及芜湖国资委三方共同持股的混合所有制企业。 但随一般制造业机会涌动，四大家族也开始行动起来，尤其是在需求量潜力较大的3C、家电制造业迅速进行了布局。 2015年8月，安川电机与美的集团合资成立两家机器人公司。其中，“广东美的安川服务机器人有限公司”由美的控股60.1％、安川参股39.9％;“广东安川美的工业机器人有限公司”则由安川控股51％、美的参股49％。 “我们的重心在家电行业。”安川电机中国公司机器人事业部部长西川清吾对《财经》记者表示。他指出，3C领域最大市场是苹果的iPhone生产线，但很难进入。“苹果最大代工商富士康有自己的工业机器人产品。” ABB也在与国内家电巨头合作。2015年4月，上海ABB工程有限公司与格力电器结成了战略合作关系。当年8月，ABB在广东珠海设立子公司，以重点开拓3C与家电领域。8月16日，ABB与长虹签订战略合作协议，宣布双方将在工业机器人的应用开发、系统集成方面开展深度合作。 发那科策略略有不同。发那科是全球最大的工业机器人公司。上海发那科机器人有限公司总经理钱晖接受《财经》记者采访时表示，发那科的策略是寻找并进入需求量较大的市场。“我们持一个开放的态度，不会特别寻找一个战略合作伙伴。” 钱晖对《财经》记者介绍说，发那科在中国销售的工业机器人中，55％来自一般制造业，排名前三的分别为家电、物流和电子电气行业。 因为中国市场的增长潜力，发那科计划在日本新设工业机器人工厂，将产能由月产5000台增长至1万台。 尽管在这些新兴行业，四大家族在系统集成方面的优势减弱，但其面对国内工业机器人公司仍然拥有技术和价格优势。 四大家族的价格优势体现在其核心零部件能够自己生产，以及规模化生产带来的成本降低和采购的价格优势。比如减速器占到工业机器人本体成本的三分之一，四大家族的规模优势，导致其采购价格要比国内企业便宜一半。 “我们的策略是避开四大家族重点关注的领域。”张帷对《财经》记者说。据他介绍，埃夫特在一般制造业的策略，是重点开拓和培育一些边缘市场，在四大家族进入之前就建立起市场地位和品牌优势。 埃夫特的策略至少已经在卫陶行业取得了成功。埃夫特进入卫陶行业的杀手级应用是喷釉机器人，抓住了卫陶行业的市场痛点——卫陶行业的喷釉工作环境恶劣，工人易染上尘肺病。 进入卫陶行业后，埃夫特联合合作伙伴将应用拓展到坯料打磨、喷漆等环节，现在埃夫特已经拓展到这个行业所有的工业机器人应用。“从喷釉切入后，我们又向生产线前端、后端延伸，目前已是卫陶行业当之无愧的领先者。”张帷称。 张帷希望埃夫特利用时间差，建立起自己的独特竞争力。“等四大家族进来时，我会比它们对行业更了解，而且有品牌优势。” 通过复制卫陶行业的经验，埃夫特又将业务拓展到酿酒、金属加工、家具等细分市场。 在技术能力构建上，埃夫特倾向于通过收购来加快节奏。2014年11月，埃夫特收购意大利CMA喷涂机器人公司，为自己的产品库增添了喷涂机器人品类；今年3月，埃夫特收购意大利EVOLUT公司，完善自己在金属加工领域的系统集成能力。 张帷称，埃夫特技术突破的关键在于上游核心零部件，希望能继续获得好的并购机会。他认为要超过四大家族很难，能生存下去就是成功。而因为中国市场的机遇，“我们肯定能生存下去”。 不仅埃夫特在利用并购突破技术瓶颈，美的对库卡的收购也进入新阶段，8月4日，美的收购库卡的额外要约期结束，持有81.04％股份的库卡股东接受了美的的收购要约，而美的此前已持有库卡13.51％的股权，交割之后，美的将持有库卡94.55％的股份。 中国公司拿下四大家族之一的控制权，是国内机器人热潮中最引人注目的事件。库卡的营收中，来自汽车行业的收入占到一半，是四大家族中比例最高的，对库卡而言，与美的联姻既能帮助开拓全球最大的工业机器人市场，也有助于其业务从汽车为主迈向多元化。 对美的而言，收购库卡是其企业转型的双重缩影，一方面是企业内部的制造升级，另一方面是主营业务的转型。2012年以来，美的已经累计投入了上千台机器人来提高生产效率，美的在收购要约中表示，“美的可凭借库卡在工业机器人和自动化生产领域的技术优势，提升公司生产效率，推动公司制造升级。” 美的集团董事长方洪波7月曾针对此次收购表示，“不能为了喜欢吃火锅就把海底捞买了”，美的收购库卡“还是把它（机器人）当作一个产业来发展”。言下之意，除了满足自身需求，美的还会借此进入机器人产业，将其打造为公司新的业务增长点。 ◆ ◆ ◆ 技术变革契机 机器人产业正处在技术拐点，随着新技术的应用，将带来新的市场和颠覆性的力量 2015年初，北京航空航天大学机器人研究所教授魏洪兴和另两名合伙人联合创立了遨博智能科技公司。他感觉时机已到，机不可失。 遨博将自己的产品方向定位为人机协作机器人。所谓人机协作机器人，指的是可以与人在生产线上协同作业，而传统机器人如应用在汽车制造业的工业机器人，必须置于隔离区域使用。 “人机协同作业，意味着可以应用在不能完全自动化的生产线上。”魏洪兴对《财经》记者表示。据他介绍，因为人机协同的特点，协作机器人还可以超出工业领域，拓展至服务机器人范畴，比如应用在医疗行业，与医生一起工作。 魏洪兴告诉《财经》记者，遨博的特点是能够自主生产除减速器外的其他核心零部件，从而为未来的价格竞争打下基础。遨博正在与一家国内减速器厂商商谈合作，未来将把机器人关节内部件模块化，进一步降低成本，这些模块化零部件也可以外售给其他机器人公司。 但徐方认为，协作机器人是一个技术定义的机器人，而不是市场定义的机器人。目前协作机器人市场才刚刚起步，应用还有待培养。 不过，业内普遍看好协作机器人未来的市场前景。英国巴克莱银行研报认为，2015年往后的五年内，全球协作机器人的需求量将达到25万台。而传统工业机器人历经40余年的发展，去年销量才达到24.8万台。 四大家族对协作机器人的布局迥异。西川清吾表示，安川电机未来的技术布局仍然将围绕传统应用市场客户的需求，来进行工业机器人的技术改进。比如，适应汽车制造轻量化的技术要求等，并持续改良精度、负载、可靠性等技术指标。 ABB是四大家中在协作机器人动作较大的。2015年4月，ABB在德国汉诺威工业博览会上推出了其首款协作机器人——双臂机器人YUMI。 ABB机器人事业部中国区总裁李刚向《财经》记者介绍，YUMI的设想始于2006年智能手机革命兴起，当时普遍认为智能手机市场会迎来爆发式增长。ABB就研究以智能手机为代表的小型移动电子设备生产线的自动化解决方案。 李刚表示，移动电子设备生产线是一个复杂庞大的小件装配体系。解决方案要适应生产线，还要确保附近的工人的安全，于是YUMI应运而生。YUMI的产生是为了满足电子消费品行业需求，未来会在更多领域使用。 李刚认为，未来传统工业机器人和人机协作机器人会长期并存，传统工业正在向柔性、高效、协作、数字化的“未来工厂”演进，这个过程中需要大量使用传统工业机器人和协作机器人。另外，传统工业机器人结合各类视觉及环境监测系统，在安全控制上也可以更趋近人机协同。 张帷对《财经》记者表示，埃夫特将未来翻盘的点押注在智能工业机器人方面。埃夫特所称的智能机器人，是指将工业机器人与大数据结合起来，将每台工业机器人的数据上传至云平台，分析处理后，为工业机器人的运行和定制化生产提供支持。 北航机器人研究所所长王田苗告诉《财经》记者，目前工业机器人智能化的一个趋势是“体感示教”，即改变用工程师编程来控制机器人的传统模式，转为用视觉、语言对机器人进行调控，使机器人更为易用。 着眼未来，相比作为工业设备，智能机器人更广泛的应用前景是作为服务机器人。工业机器人应用于工业生产领域，服务机器人应用于生活娱乐等服务领域，业内又将服务机器人分为专业服务机器人与个人/家用服务机器人两类。 IFR预计，到2017年，全球服务机器人市场规模将达到461.8亿美元。具体到中国市场，工信部等三部委的《机器人产业规划（2016-2020）》预计，到2020年，国内服务机器人市场规模将达300亿元。 第三方咨询机构易观智库认为，人工智能是实现智能机器人的核心。人工智能与机器人的结合分为三个层次；首先是计算智能，即云计算技术大规模应用，具备处理海量数据的能力；其次是感知智能，通过传感器和物联网技术为机器人感知环节和自动检测进行支撑；最高层次是认知智能，通过运用深度学习技术和神经元芯片，机器人可以实现自主学习。 随着机器人智能化的发展，在部分领域，服务机器人已经实现了产业化应用，比如清洁机器人。国内的科沃斯机器人科技公司自1998年成立以来，陆续推出了扫地机器人地宝、擦窗机器人窗宝、空气净化机器人沁宝等系列清洁机器人产品。 传统工业机器人公司也逐渐向服务机器人领域渗透。典型如新松，早在数年前就布局服务机器人领域，将公司战略转为工业机器人及服务机器人并重。目前已形成展示、送餐、讲解、井下探测等多种功能类型的服务机器人。 由于人工智能与机器人的亲缘关系，布局人工智能的科技巨头也正将触角伸向机器人领域。 阿里巴巴集团正在以机器人为载体进行人工智能的应用试验。近日，阿里巴巴推出依托阿里云的人工智能ET，已经具备智能语音交互、图像/视频识别、交通预测、情感分析等技能。与此同时，阿里巴巴直接投资具有市场前景的机器人公司。去年6月，阿里巴巴宣布战略入股日本软银集团旗下机器人控股子公司，持股20％，该公司生产的人形情感机器人“pepper”已经实现量产并公开销售。 业内普遍认为，随着智能化持续向前发展，服务机器人的应用领域将不断拓展；另一方面，随着材料领域的突破，机器人将更上一个台阶，软体机器人、仿生机器人等科幻片中的物件将成为现实。 ◆ ◆ ◆ 淘汰赛将开场 中国制造业转型升级，带来了工业机器人旺盛需求。市场发展初期，在政策的刺激下，所有人都有机会，当市场趋于成熟，能够继续生存的只是极少数 从四大家族的经验看，有上游零部件较为完整的安川电机、发那科模式，也有单纯做机器人本体的库卡模式。但即便库卡模式，被称为工业机器人“大脑”的控制器及其中的控制软件，也是必须自主开发的环节。 减速器、伺服电机与控制器被认为是三大核心零部件，这三大核心零部件构成了机器人成本的七成以上，也是影响机器人本体性能的关键因素。库卡是四大家族中唯一不具备上游零部件供应能力的公司，其净利率为2.91％，是四大家族中最低的，其余三家都涉足了上游核心零部件产业。 广州启帆机器人公司总经理周玮对《财经》记者表示，如果不解决核心零部件的问题，国内的机器人就难以发展壮大。“安川自己做伺服电机，也做机器人，你觉得安川会容忍你买它的伺服电机去抢它的机器人市场吗？”他问道。 周玮介绍说，低成本的机器人主要是卡在减速器上，高性能的机器人主要是卡在伺服与运动控制上。启帆计划先突破低成本机器人，目前已经研发出减速器产品，应用在自己的机器人产品上。 国内机器人公司中，广州数控是在三大核心零部件上均有所涉足的公司之一，并且开始向自家和其他国内机器人公司供货。 国内的核心零部件供应商正在成长之中。目前，在减速器、电机与控制技术上，国内企业已经开始提供产品，但与国际一流水平都存在差距。伺服电机与控制技术的市场竞争相对充分，而减速器主要在机器人产品中使用，国内供应商的差距更大。 零部件的下游是机器人本体。库卡中国区前CEO、现上海德梅柯汽车装备制造公司总经理孔兵认为，机器人本体的核心技术，一是路径的规划，二是精度和速率。 本体技术过关并不意味着赢得市场，孔兵认为，机器人公司还要把应用做好、建立并维护用户市场，另外还要与渠道商和集成商紧密合作。 在机器人市场中，本体只占很少的一部分。安川首钢机器人公司总工程师曾孔庚向《财经》记者介绍说，在一条典型的汽车生产线中，机器人本体只占整条生产线售价的三分之一左右。而在3C、食品等其他领域，机器人本体可能只占到10％。 四大家族的发展历程提供了一条工业机器人的成功路径。机器人本体并非最终产品，客户需要的始终是一整套解决方案，这意味着系统集成对机器人公司来说至关重要。 四大家族在汽车行业的多年经历，使其自身发展出了强大的系统集成能力，这种能力进一步变成了它的护城河。在新兴行业，四大家族选择与下游客户结盟，或培育第三方系统集成商，来发展自己的系统集成能力。 工业机器人属于装备制造业，它最终要应用到各个行业，它要成为各行业各应用的自动化解决方案，前提是了解行业工艺，这是工业机器人系统集成公司必须解决的环节，也因为这个特性，在汽车行业之外的新兴市场，国内公司面对四大家族，竞争压力稍有减弱。 连硕科技是深圳一家系统集成商，其客户覆盖光电显示、食品、3C等领域的制造企业。其董事长杨娅告诉《财经》记者，集成商的核心竞争力首先体现在对客户制造工艺的充分理解上；其次，掌握生产线上特殊要求的单点技术，比如精确定位技术等。此外，连硕科技也有自己的仿真和控制软件技术，下一步计划接入物流信息。在杨娅看来，连硕的定位已经不是集成商，而是智慧工厂的解决方案商。 上游的核心零部件没有掌握，下游终端用户侧的利润主要被集成商赚取，如果不具备核心技术，位于产业链中间的本体制造商就会活的很危险。不过，机器人本身是一种通用产品，可以通过渠道和集成商对接到无数应用场景，而集成商的生意却是需要一笔一笔来谈，本体制造商一旦掌握了核心技术，又能很好地与用户衔接，也可以活的很滋润。 张帷有个很有意思的观点。他对《财经》记者分析，机器人产业链分四个环节，上游核心零部件、中游机器人本体、下游系统集成，以及最终的客户。“这四个环节，掌握两个就可以生存下去。” 比如，富士康本身是机器人公司的客户，又发展了自己的机器人本体和系统集成业务；国内美的、格力等，也遵循相同的逻辑。对它们来说，因为自己有市场，所以生存不是问题，挑战是如何将机器人业务扩展至母体市场之外。 再比如，埃夫特既掌握机器人本体，又拓展下游系统集成，它的壁垒建立在对行业的深入理解上。 控制系统、伺服驱动系统等核心零部件则是机器人公司的核心技术。有了这些技术，成本就会大幅下降，竞争力则大幅提升。对国内新兴机器人公司而言，要想克服成本劣势，就需要利用新兴市场的机会尽快形成规模效应，同时尽快实现上游零部件的国产化。 “关键有没有独特的竞争优势。”张帷说，任何公司进入这个领域都要想一想，如果什么都没有，也许在市场爆发期会有一些商机，但市场一旦趋于成熟，主流厂商就会把它们挤出去。 这番话对埃夫特同样适用。一般制造业带来了新的市场，埃夫特通过开发市场应用切入，扮演了一个开拓者的角色，但如果不能利用先发优势尽快提升技术水平，未来就难以应对四大家族这样实力雄厚的后来者的竞争。 今年初，工信部对机器人行业进行摸底调研，初步统计，涉及机器人生产及集成应用的企业有800余家，其中200多家是机器人本体制造企业。分地区看，有28个省、自治区及直辖市将机器人及关键零部件作为重点发展的行业。截至2015年底，全国已建和在建的产业园超过40个，这一数字还不包括处于筹备中的园区。 工信部装备司副司长王卫明认为，各地都很重视机器人产业，机器人企业无论体量大小都会成为政府的座上宾，并得到资金、土地等各类扶持政策的支持。这导致机器人产业存在过热隐患，并呈现出高端产业低端化的趋势。 赛迪顾问装备产业研究中心总经理张凌燕曾对机器人产业园做过调研，她告诉《财经》记者，部分地区盲目发展机器人产业园。 张凌燕去过一个县级市的机器人产业园，当地既没有产业基础，也没有应用市场，就号称要打造百亿元产值的产业园。“实际园里什么都没有，就有一些伺服电机企业，还不是卖给机器人公司的。” 在中国机器人产业联盟秘书长宋晓刚看来，成功的机器人产业园一定要围绕当地制造业转型升级，围绕机器人的应用市场来发展。 宋晓刚对《财经》记者说，一些地方完全没有本地应用市场，只凭一些优惠条件就想吸引机器人企业进来，把产值做到500亿元、1000亿元，这完全是空中楼阁。“那些没有实力的企业躺在政府的补贴上，政府的补贴变成了一个盈利点，这是我们非常担心的。” 宋晓刚表示，200多家本体制造企业中，有一些是纯粹的组装企业，没有自己的控制系统、电机、减速机，甚至连机械臂都是通过外协生产的。 “如果有足够的资金，它们也许能发展起来。”宋晓刚说，但市场上的钱是有限的，它们中的绝大多数很快会被淘汰出局。 原文发布时间为：2016-09-05 本文来自云栖社区合作伙伴“大数据文摘”，了解相关信息可以关注“BigDataDigest”微信公众号
◆ ◆ ◆ 导读 有关数据和数据分析的高谈阔论比比皆是。不断有人告诫各大公司要规划恰当战略来收集分析大数据，并警告不这么做可能带来的不良后果。像《华尔街日报》近日就提到公司享有客户数据这样一个大宝藏，却大都不知道该如何利用。本文将探讨其中缘由。有公司尝试从巨大的数据中获取实际可用的信息，通过与他们合作，我们归纳了管理者在数据应用上的四个常规错误。 ◆ ◆ ◆ 错误一：没有理解融合的概念 阻碍大数据发挥价值的第一大挑战就是兼容性和融合性。大数据的一个主要特点是其来源多样。然而，如果数据形式不相同，或难以整合，则其来源的多样性将使公司难以削减开支，也无法为客户创造价值。例如，在我们和一个合作项目中，该公司拥有丰富的数据，记录客户的交易量和忠诚度，以及专门的在线浏览行为数据，但是鲜少交叉检索这两类数据来判断某种浏览行为即为交易达成的前兆。面对这种挑战，公司创建了“数据湖”来容纳大量非结构性数据。但是，这些公司能够加以利用的数据目前都显得杂乱无章，只不过是一些以文本，也就是说，当这些数据只是普通的二进制数字时，要将它们井然有序地存储起来非常困难。要将来源不同的它们整合起来更是难上加难。 ◆ ◆ ◆ 错误二：没有认识到非结构化数据的局限性 阻碍大数据发挥价值的第二大挑战是其非结构化的特性。对文本数据的挖掘已经有了特别的进展，其语境和技术所带来的认识与结构化数据类似，只是其它形式的数据如视频仍不易于分析。举个例子，虽然拥有最先进的人脸识别软件，有关当局仍然无法从大量视频中识别出波士顿马拉松爆炸案中的两名嫌疑人，因为该软件尚在处理从不同角度拍摄的嫌疑人的照片。 虽然从非结构性数据获取信息面临挑战，但是各公司在利用这些数据初步提升分析已有数据的速度和精确度上取得了显著成绩。比如，在石油和天然气勘探中，人们就用大数据来优化正在进行的操作，以及针对地震钻井的数据分析。尽管他们所使用的数据在速度、种类和体积上都有可能增加，最终这些数据还是用于同一个目的。总之，一开始就希望通过利用非结构性数据形成新的研究假设是站不住脚的，除非各公司通过“实践”有了这种专业能力，能利用非结构性数据优化某个问题答案。 ◆ ◆ ◆ 错误三：以为关联分析意义重大 第三大挑战——我们认为是阻碍大数据价值的最重要的影响因素——是观测数据的大量重叠使其因果关系难以明确。大规模数据集往往包含众多相似或完全一致的信息，直接导致错误的关联分析，误导管理者的决策。近日《经济学人》指出“在大数据时代，相互关系往往是自己浮现出来的”，《斯隆管理评论》在博客中强调虽然很多公司都能接触到大数据，但是这些数据并不“客观”，因为问题在于要从中提炼出值得采取行动的信息。同样，典型的用于分析数据的机器学习算法所进行的关联分析并不一定会提供原因分析，因而不会给出可执行的管理意见。也就是说，让大数据有利可图的技巧在于能够从仅仅观测到相互关系转变为正确鉴别何种关联为因果形式，可以作为战略举措的基础。要做到这一点就必须超越大数据。 谷歌趋势是大数据的经典范例，它利用谷歌搜索词条整合记录。然而，它也说明了仅仅用于关联分析的数据是毫无意义的。起初，研究人员称数据可以用于反映流感的传播。然而后来，研究人员发现因为数据体现的是过去，使用这些数据只能在现状与过去模式相关的情况下，稍微改善应对行为。 举个更具体的例子，假设一个鞋业销售商向曾浏览其网站的消费者投放广告。原始数据分析认为消费者看到这些广告会更愿意购买鞋子。可是，这些消费者在看到广告之前就已经对该销售商表现出了兴趣，因而比普通人更愿意进行交易。这个广告有效吗?很难说。实际上，这里的大数据并没有考虑营销传播有效性的因果推论。要知道该广告是否有效，销售商需要进行随机检测或试验，选取一部分消费者不接触这个广告。通过比较看了广告和没看广告的消费者之间的购买率，公司才能确定是否看到广告能让消费者更愿意消费。这个案例中，价值主要不是通过数据创造的，而是通过设计、执行以及阐释重要的试验来创造的。 这是个试验，不是分析观测到的大数据集来帮助公司了解一段联系到底是仅仅相关还是因为反应潜在的因果关系而变得可以赖以作出判断。虽然对于管理者来说，哪怕仅利用记录消费者行为一拍字节的数据来提升效益都很困难，但是比较参与了营销活动的客户和没有参与的客户——根据试验结果——能够让营销人员推论这个活动是否有利可图。 开展实地试验，得出正确的结论，采取恰当的应对措施，都不是轻而易举的事。但是成功的公司已经有能力来设计、开展重要的实地试验，并对其结果评估，采取针对性措施。正是这种“试验加学习”的环境，以及对其能否加以推广的理解和认识之上采取行动的能力，才让大数据有价值。 只是，由于越来越多的数据样本收益递减，这样的试验并不一定需要大数据。比如：谷歌透露说其往往用有效数据的0.1%中的随机样本来进行数据分析。确实，近日刊登的一篇文章显示大数据的大实际上是不利的，因为“数据库越大，就越容易支持你提出的假设。”换句话说，因为大数据提供重叠的信息，公司能从整个数据集，也能从其千分之一的数据集中获取同样的信息。 ◆ ◆ ◆ 错误四：低估了劳动力技术需求 开展试验不是公司从大数据推测有价值信息的唯一途径。另一个可行的方法是公司可以培养算法技能，来更好的处理数据。推荐系统便是此类算法的一个范例。推荐系统通过针对关联数据的算法向客户推荐最相关的产品。只是，它不是依靠背后规模庞大的数据，而是依赖识别关键信息碎片来预测客户偏好的能力。的确，往往不是数据的规模，而是计算机学习的算法来确定结果的质量。尽管预测能力可能增加可用数据的规模，但是在大多数情况中，预测的提升说明规模收益随着数据集增加而递减不过，要建立好的算法就需要好的数据分析师。一些公司以为不同聘请员工来分析数据中的因果联系就能将大量的数据转化为信息，他们可能要失望了。 数据本身是没有价值的。只有与管理、构建和分析技能结合来，明确对其进行试验和算法，才能对公司有用。当你把价格信息看做是对价格信息处理的技能时就清楚了。很多情况下，相对于数据成本，留住数据处理人才成本更高。这说明对于一个公司而言，数据处理能力比数据本身更重要。 原文发布时间为：2016-09-06 本文来自云栖社区合作伙伴“大数据文摘”，了解相关信息可以关注“BigDataDigest”微信公众号
◆ ◆ ◆ 导读 现在说机器学习和深度学习的应用只受限于人们的想象力并不夸张。不仅全世界的数据科学家们为之着迷，甚至在日本的农场，一位小哥为了减轻妈妈的工作负担，也开始尝试采用深度学习和Tensor Flow种黄瓜。 大约一年前，曾为日本汽车业内一名嵌入式系统设计师的MakotoKoike开始在父母的黄瓜种植园帮工。根据大小形状颜色和其他属性来分选黄瓜这件事所需的工作量令他吃惊。 Makoto Koike那一生致力于提供鲜脆黄瓜的父亲就很为他那些仍带有细刺的扎手黄瓜感到自豪。颜色鲜艳又直又粗并且有许多刺的黄瓜被认为是高档的，可在市场上要价更高。 但是MakotoKoike很快就了解到分选黄瓜就如把它们种出来一样难。“每只黄瓜的颜色、形状、质量、新鲜度都不同”，Makato说。 零售店里和Makoto Koike家农场的黄瓜 在日本，每家农场都有自己的分类方法，并且没有行业标准。MakotoKoike家农场把黄瓜分为9个不同的等级，由他妈妈亲自分选所有黄瓜，——这在收获的峰季是最高每天8小时的工作量。 “分选工作不是一项简单易学的任务。你不只要看它的大小粗细，还要看颜色质地，有没有小的划痕，是不是奇形怪状，有没有刺。这些需要好几个月才能学会，所以在最忙的时节雇临时工行不通。我自己也是最近才学得能把这些黄瓜分选好”，Makoto说到。 歪歪扭扭的黄瓜被评为次品 市面上也有（黄瓜）自动分选机，但在性能和费用方面都有局限，所以小型农场不大会用它们。 Makoto认为分选黄瓜不是瓜农的一项重要任务。“瓜农希望把注意力和功夫花在培养可口蔬菜上。我想在接手父母的农场生意之前把分选工作自动化。” Makoto Koike（中间）和他的父母在自家黄瓜农场 ◆ ◆ ◆ 深度学习的众多用途 Makoto试用机器学习来分选黄瓜的创意最初来自一个完全不同的应用实例：谷歌阿尔法狗与世界顶尖职业围棋手对弈。 “当我看到谷歌的阿尔法狗，我意识到这里确实在发生一些很严肃的事情，”Makoto说，“这触发我开始开发带有深度学习技术的黄瓜分选机。” 深度学习用于图像识别，允许电脑从训练数据集中学习到什么是图像的重要“特征”。使用大量的人工神经元分层，深度学习可以高精度地自动分类图像。因此神经网络可以从图像中识别出不同种类的猫，或是不同型号的汽车和飞机。神经网络有时会在特定应用中超过人眼的表现。（如需更多信息，请看我过去的博客文章Understanding neuralnetworks with TensorFlow Playground.） ◆ ◆ ◆ TensorFlow将深度学习的权力民主化 但是计算机是否真能学会妈妈的黄瓜分选技艺？Makoto开始着手使用谷歌的开源机器学习库TensorFlow来看看自己能不能用深度学习技术来进行分选。 “谷歌刚刚开源了TensorFlow，所以我就开始把它试用于我的黄瓜图像上，”Makoto说。“这是我第一次尝试机器学习或是深度学习技术，马上就得到高过预期的准确度。那给了我信心：它能解决我的问题。” 有了TensorFlow，你不需要知道施用深度神经网络所需的高阶数学模型和优化算法。只要下载示例代码并阅读教程，你可以马上就可以开始用它。TensorFlow显著降低了机器学习的门槛，自从谷歌于去年11月开源了这个程序库，许多“非机器学习”的工程师已经开始通过他们自有的数据和应用来摆弄这项技术。 ◆ ◆ ◆ 黄瓜分选系统的设计 下图是Makoto设计的黄瓜分选机的系统图解。该系统以Raspberry Pi 3为主控制器用一架相机为每根黄瓜拍照。在最初阶段，系统在TensorFlow上运行小规模的神经网络来检测这是否是黄瓜的照片。系统接下来将这张照片转发至Linux服务器上的一个更大的TensorFlow神经网络执行更加精细的分类。 黄瓜分选机的系统图解 Makoto 采用了名为DeepMNIST for Experts的TensorFlow示例代码，经过一些对卷积层，池化层和最后一层的微调后，改变网络设计以适应黄瓜图像的像素格式和黄瓜分选的等级数。 下图是Makoto的黄瓜分选机，已于七月投入使用。 下图是分选臂以及相机接口的特写镜头。 ◆ ◆ ◆ 挑战深度学习的极限 深度学习目前面临的挑战之一是它需要大量的训练数据。为了训练模型，Makoto花了大约三个月时间，拍摄了7000张他母亲所分选的黄瓜的照片，但这恐怕还是不够。 “当我用测试图像进行验证时，识别准确度超过95%。但如果在实际操作中运用这个系统，准确度就会下降到70%左右。我怀疑神经网络模型由于训练图像的数量不够，存在“过度拟合”的问题（神经网络中的现象：模型被训练得只适于少量的训练数据）。” 深度学习的第二个挑战是它消耗大量的运算容量。现在这架分选机用一台普通的Windows台式电脑来训练神经网络模型。尽管它将黄瓜的照片转成80*80像素的低分辨率图像，但对基于7000张照片的模型，它仍需2-3天时间来完成训练。 “即使处理这样低像素的图像，这个系统也只能根据黄瓜的形状、长度和弯度来将其分类。它不能识别色泽、纹理、划痕和刺”，Makoto解释道。提高像素来放大黄瓜的图像可以提高准确度，但训练所需时间也将大大增加。 为了改进深度学习，一些大公司已经开始进行大规模分布式训练，但那些服务器往往需要巨额成本。谷歌推出了云机器学习（CloudML）这个用于训练和预测的低成本云平台，它可以投入数以百计的云服务器来使用TensorFlow训练神经网络。在Could ML平台上，谷歌会来搭建用于分布式训练的大规模集群，而你只需购买你要用到的，这让开发者们可以更容易地试用深度学习而无需大量资本投资。 这些专用服务器曾被用于阿尔法狗的比赛 Makoto对CloudML充满期待。“我可以在Cloud ML上使用更高分辨率的图像和更多的训练数据来训练模型。我还可以试着改变神经网络的各种设置、参数和算法来看看这些如何提高准确度。我已经迫不及待地想试用了。” 原文发布时间为：2016-09-06 本文来自云栖社区合作伙伴“大数据文摘”，了解相关信息可以关注“BigDataDigest”微信公众号
发表了文章
2017-05-02
发表了文章
2017-05-18
发表了文章
2017-05-18
发表了文章
2017-05-18
发表了文章
2017-05-18
发表了文章
2017-06-06
发表了文章
2017-05-18
发表了文章
2017-06-06
发表了文章
2017-06-06
发表了文章
2017-05-18
发表了文章
2017-06-06
发表了文章
2017-06-06
发表了文章
2017-06-06
发表了文章
2017-06-06
发表了文章
2017-06-06
发表了文章
2017-06-06
发表了文章
2017-06-06
发表了文章
2017-06-06
发表了文章
2017-06-06
发表了文章
2017-06-05
回答了问题
2019-07-17
回答了问题
2019-07-17
回答了问题
2019-07-17
回答了问题
2019-07-17
回答了问题
2019-07-17
回答了问题
2019-07-17
回答了问题
2019-07-17
回答了问题
2019-07-17
回答了问题
2019-07-17
回答了问题
2019-07-17
回答了问题
2019-07-17
回答了问题
2019-07-17
int main()
{int i,j,k,a[5]={5,8,9,12,16},b[9]={1,3,5,5,7,8,9,12,16},c[14];
for(i=j=k=0;i<5&&j<9;)
if(a[i]<b[j])c[k++]=a[i++];
else c[k++]=b[j++];
for(;i<5;)c[k++]=a[i++];
for(;j<9;)c[k++]=b[j++];
for(k=0;k<14;k++)printf("%d ",c[k]);
return 0;
}
回答了问题
2019-07-17
回答了问题
2019-07-17
回答了问题
2019-07-17
回答了问题
2019-07-17
回答了问题
2019-07-17
回答了问题
2019-07-17
回答了问题
2019-07-17
回答了问题
2019-07-17
排序法可分为简单排序法和交替排序法。
简单排序法
简单排序法也称序列评定法，是指管理者把本部门的所有员工从绩效最高者到绩效最低者(或从最好者到最差者)进行排序，即对一批考核对象按照一定标准排出“1、2、3、4……”的顺序。
该方法也应用也工作评价上，由负责工作评价的人员，根据其对企业各项工作的经验认识和主观判断，对各项工作在企业中的相对价值进行整体的比较，并加以排队。在对各项工作进行比较排序时，一般要求工作评价人员综合考虑以下各项因素:工作职责、工作权限、岗位资格、工作条件、工作环境等。权衡各项工作在各项因素上的轻重程度并排定秩序后，将其划入不同的工资等级内。
简单排序法的优点：该方法的优点是简便易行，具有一定的可信性，可以完全避免趋中倾向或宽严误差。
缺点是考核的人数不能过多，以5—15人为宜，而且只适用于考核同类职务的人员，应用范围受限，不适合在跨部门人事调整方面应用。
交替排序法
交替排序法则是指管理者对被评估员工的名单进行审查后，从中找出工作绩效最好的员工列为第一名，并将其的名字从名单上划去。然后从剩下的名单中找出工作绩效最差的员工排为最后一名，也把其名字从名单中划去。随后，在剩下的员工中管理者再找出一名工作绩效最好的员工将其排为第二名，找出一名最差的员工列为倒数第二名，以此类推，直到将所有的员工排序完。
