科技热词

[智慧城市]

“智慧城市”是一个非常火热的词。但在很多人看来，这一高大上的话题显得既陌生又遥远。其实，智慧城市建设早已通过各种不同的展现方式渗入到了我们的日常生活中，并从众多方面来改变我们的生活，比如智能家居、智能可穿戴设备以及工业4.0等。智慧城市实际上就是运用信息和通信技术手段感测、分析、整合城市运行核心系统的各项关键信息，从而对包括民生、环保、公共安全、城市服务、工商业活动在内的各种需求做出智能响应。其实质是利用先进的信息技术，实现城市智慧式管理和运行，进而为城市中的人创造更美好的生活，促进城市的和谐、可持续成长。

智慧城市经常与数字城市、感知城市、无线城市、智能城市、生态城市、低碳城市等区域发展概念相交叉，甚至与电子政务、智能交通、智能电网等行业信息化概念发生混杂。对智慧城市概念的解读也经常各有侧重，有的观点认为关键在于技术应用，有的观点认为关键在于网络建设，有的观点认为关键在人的参与，有的观点认为关键在于智慧效果，一些城市信息化建设的先行城市则强调以人为本和可持续创新。总之，智慧不仅仅是智能。智慧城市绝不仅仅是智能城市的另外一个说法，或者说是信息技术的智能化应用，还包括人的智慧参与、以人为本、可持续发展等内涵。综合这一理念的发展源流以及对世界范围内区域信息化实践的总结，《创新2.0视野下的智慧城市》一文从技术发展和经济社会发展两个层面的创新对智慧城市进行了解析，强调智慧城市不仅仅是物联网、云计算等新一代信息技术的应用，更重要的是通过面向知识社会的创新2.0的方法论应用。

智慧城市通过物联网基础设施、云计算基础设施、地理空间基础设施等新一代信息技术以及维基、社交网络、Fab Lab、Living Lab、综合集成法、网动全媒体融合通信终端等工具和方法的应用，实现全面透彻的感知、宽带泛在的互联、智能融合的应用以及以用户创新、开放创新、大眾创新、协同创新为特征的可持续创新。

[认知计算]

认知计算出自于IBM人工智能超级计算机“沃森”的称谓，而现在，它更多的代表着一种全新的大数据分析方式。随着信息的增加，计算机可在已有经验的基础上随着时间推移，以学习的、交互的方式，随着数据的进一步增长逐步提高认知的分析行为，就像大脑会自然而然地做事情，“认知计算”是人工智能和大数据的“联姻”。

认知计算源自模拟人脑的计算机系统的人工智能，20世纪90年代后，研究人员开始用认知计算一词，以表明该学科用于教计算机像人脑一样思考，而不只是开发一种人工系统。传统的计算技术是定量的，并着重于精度和序列等级，而认知计算则试图解决生物系统中的不精确、不确定和部分真实的问题，以实现不同程度的感知、记忆、学习、语言、思维和问题解决等过程。

目前，随着科学技术的发展以及大数据时代的到来，如何实现类似人脑的认知与判断，发现新的关联和模式，从而做出正确的决策，显得尤为重要，这给认知计算技术的发展带来了新的机遇和挑战。另据IDC预测，到2018年，超过一半的消费者将获取到基于认知计算开发的服务。

[量子计算]

量子计算是一种依照量子力学理论进行的新型计算。量子计算的基础和原理以及重要量子算法为在计算速度上超越图灵机模型提供了可能。量子计算是当前热门的研究领域。相对于普通计算机，基于量子力学特性的量子计算机，拥有超乎想象的并行计算与存储能力，求解一个亿亿亿变量的方程组，具有亿亿次计算能力的“天河2号”需要100年，而万亿次的量子计算机理论上只需要0.01秒就可解出。当量子计算机应用之时，现在的密码破译、基因测序等科学难题，将可迎刃而解。

量子计算（quantum computation）的概念最早由IBM的科学家R.Landauer及c.Bennett于20世纪70年代提出。他们主要探讨的是计算过程中诸如自由能、信息与可逆性之间的关系。80年代初期，阿岗国家实验室的P.Benioff首先提出二能阶的量子系统可以用来仿真数字计算；稍后费因曼也对这个问题产生兴趣而着手研究，并在1981年于麻省理工学院举行的First Conference on Physics of Computation中给了一场演讲，勾勒出以量子现象实现计算的愿景。1985年，牛津大学的D.Deutsch提出量子图灵机（quantum Turing machine）的概念，量子计算才开始具备了数学的基本型式。

[深度学习]

深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习的概念由Hinton等人于2006年提出。基于深度置信网络（DBN）提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。

深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分.不同的学习框架下建立的学习模型很是不同.例如，卷积神经网络（Convolutional neural networks，简称CNNs）就是一种深度的监督学习下的机器学习模型，而深度置信网（Deep Belief Nets，简称DBNs）就是一种无监督学习下的机器学习模型。

把学习结构看作一个网络，则深度学习的核心思路如下：无监督学习用于每一层网络的pre—train；每次用无监督学习只训练一层，将其训练结果作为其高一层的输入；用自顶而下的监督算法去调整所有层。endprint