从实验室到实际应用：谷歌AI推理软件的进化之路与未来趋势分析

非常欢迎大家参与这个置身事内：腾讯的造芯之路问题集合的探讨。我将以开放的心态回答每个问题，并尽量给出多样化的观点和角度，以期能够启发大家的思考。

文章目录列表:

置身事内：腾讯的造芯之路

2.决策智能：从数字化实验室走向现实商业价值

事后想来，芯片验证工程师Lynda觉得进腾讯有点“草率”了。

作为一个在半导体行业工作过多年的 工程师，Lynda 次看到腾讯发布芯片岗位需求时，略感到一丝惊讶。2019年1月她带着好奇加入这家互联网大厂，准备撸起袖子，大干一场。

面试时，主导芯片设计工作的Henry给她打过一剂预防针：“我们是从零开始做芯片。”Lynda试图代入鹅厂一贯的低调来理解这句话，但随即便在 天上班时被跟同事的对话震到了：

-“我们的仿真工具呢？” -“没有，还在谈。”

-“验证环境怎么说？” -“还……没有。”

-“那……验证流程呢？-“这个……也没有。“

对于一个芯片验证工程师来说，仿真工具、验证环境、验证流程就是必备的生产力工具。Lynda想全程参与芯片研发业务，倒不怕从头开始，只不过没想到连这些必备品都能 “三无”。

当一家互联网公司投身半导体时，工具的欠缺还不是最紧要的。“造芯”不仅是业务的简单延伸，它往往意味着更复杂的产业链、更耗时的人才沉淀、以及更迥异的生态文化和技术理念。

比如芯片研发不像软件开发尚可后期不断改bug，设计问题没被前期验证发现，一旦流片就只能沦为一块“砖头”。而Lynda所担任的验证工程师，就是防止前期努力打水漂的守门员。

这个岗位的重要性不言而喻，设计工程师与验证工程师的比例在很多芯片公司会达到1：3。但Lynda入职后环顾四周，发现不仅自己只有一个并肩作战的同事，连验证的代码也一行都没有。

这时候，Lynda才开始明白Henry口中的“从零开始”意味着什么，以及她面临着怎样一场艰难的战役。

01

雄关如铁，出师未捷

在腾讯云副总裁、云架构 部总经理谢明看来，“从零开始”的背后还有更多的曲折故事。

谢明所在的云架构 部，站在腾讯各类前端应用的身后，是腾讯海量业务数据冲刷的前线，有效支撑了QQ、邮箱、微信、微云、流媒体视 等一个又一个的国民级应用。

2013年，QQ相册已经发展成腾讯最大的一个存储类业务。让用户访问相册的速度更快、体验更顺滑，成了一个很急迫的需求。转化成相应的技术问题，就是能否更快地转码？能否在不损画质的情况下压缩？能否以更低的成本存储？

他们反复地追问。

团队深刻地明白底层技术创新对上层应用的放大价值。软件架构上固然要永远不停歇地进行自我超越，但他们敏锐地察觉到，只有在硬件上也作出创新，才能实现更深层次的突破。

问题是：一个做软件出身的团队，怎么去做硬件？

一圈研究之后，他们决定先拿FPGA（可编程阵列逻辑）试水。跟我们平时电脑和手机里的通用芯片相比，FPGA是一种专用集成电路（ASIC），能够实现灵活的“半定制”开发。

FPGA相比起芯片容错率高，但在吞吐率、延迟、功耗和灵活性等维度上都很平衡。尤其是在处理海量数据时，FPGA相比GPU具有超低延时的显著优势，很适合用在特定的业务场景。

事实验证了这种判断。2015年，团队集中力量研发的编码FPGA，取得了比CPU编码和软件编码更高的压缩率和更低的延时，也帮助QQ相册很大程度上降低了存储成本。他们看到了在FPGA方向 探索 和深入的可能性。

2016年前后，由Alpha Go引爆的AI热潮更把FPGA拉入了主流视野。团队通过FPGA对深度学习模型的CNN算法进行加速后，处理性能达到通用CPU的4倍，而单位成本仅为1/3。

FPGA效果虽好，但技术门槛比较高，“如果把FPGA云化，是不是一个能够扩大应用的解决路径？”

带着这样的期待，2017年1月20日，腾讯云推出了国内 FPGA云服务器，希望以云计算的方式，将FPGA能力推广到更多企业。

从效果上来说，在FPGA云服务器上进行FPGA硬件编程的企业，确实能将性能提升至通用CPU服务器的30倍以上，而只需支付相当于通用CPU约40%的费用。以一家 的基因检测公司为例，传统用CPU需要检测一周的基因序列，FPGA可以压缩到数小时完成。

然而云化后的FPGA，没能如预期般迅速席卷整个行业。

一方面，FPGA毕竟是一种“半定制”的电路，许多企业还是无法独立胜任FPGA开发，需要更加上层的服务；另一方面，通用芯片成本的迅速下降，也让FPGA的性价比优势逐渐丧失。

云端商业化的受挫泼来一盆冷水，把团队的热情从 一下子打到了谷底，同时也把两个问题赤裸裸地抛到整个团队的眼前：FPGA对业务的价值究竟有多大？FPGA还能继续做吗？

受此打击，团队在2018年也近乎分崩离析，人员开始集中式地离开。腾讯在“造芯”上的 次 探索 ，画上了一个遗憾的逗号。

02

柳暗花明，“蓬莱”问世

在FPGA云服务器受挫后，腾讯需要重新思考硬件之路要怎么走下去。

在团队几乎解散的2018年，中国芯片行业迎来暖春：中美贸易摩擦给全民普及了芯片的重要性，科创板的设立为半导体企业上市开启大门，而 资金的进场更是让大江南北一片热火朝天。

但是，对于互联网公司来说，做芯片跟做云计算、数据库、存储系统等一样，需要有具体的业务场景支撑，不能“为了做而做”。在经历过一场不算成功的 探索 后，腾讯要等待下一个真实需求带来的机会。

时间进入2019年。那是人工智能规模化应用的元年，内外部业务都提出了对AI芯片的强烈诉求。AI芯片，要不要做？

这个问题被提出来的时候，腾讯的管理层有过反对的声音，担心技术人员只是头脑发热，只是为了追逐热点。但同时，管理层也给了足够的灰度，没有明令禁止小团队级别的 探索 。

以小规模、低成本、特定应用场景的方式先行试水，成了大家的共识。

云架构 部将 款芯片敲定AI推理方向，取名“蓬莱”，希望这款芯片能像中国古代神话里的海外仙山一样，稳固地立于汹涌波涛之上。

这支硬件突围小分队，也被正式命名为“蓬莱实验室”。

有了FPGA 探索 时积攒的经验，蓬莱实验室对硬件编程语言已经相当熟练，也在标准接口、总线等方面积累了一些 化的设计。然而，两者的研发要求，不可同日而语。

如果说做FPGA是搭现成的积木，那么做芯片就是直接从伐木开始来着手来制造积木。FPGA出了问题可以重新编程，而芯片只有一次流片机会，一旦出错，所有的努力便付诸东流。

此外， FPGA的资源是现成固定的，芯片的资源却是由自己定义的。一个字，就是要“抠”：用最小的资源做最大的事。

芯片架构工程师Rick用“装修”改“重建”来形容整个蓬莱项目。一开始，团队以为能把之前FPGA的技术较为简单地转成芯片。做着做着发现，以为终归只是以为——FPGA架构在芯片中能直接复用的并不多，团队只能把原来的架构整个拆掉，重写的代码量高达85%。

像DDR存储器这样的重中之重，芯片厂商通常会有专门的验证人员负责，而刚起步的蓬莱实验室没这个条件，只能靠抢时间把功课补回来。Lynda后来回忆道：“我恨不得一天有48个小时”。

2020年1月，蓬莱芯片流片完成，被合作方快递到深圳。新冠疫情刚刚在全国范围内暴发，公司已经开启集体远程办公。

项目负责人Henry戴着手套取到快递，用酒精仔细消毒后，带到空空荡荡的办公楼，大开着窗户和风扇，在一片消毒水味中，他和几个同事一起开始了至关重要的点亮操作。

所谓点亮，就是给芯片上电，首先看有没有短路冒烟，接着就是测试一些基本功能。是芯片还是“砖头”，成败在此一举。

结果，芯片的时钟 率一直没出来。要知道，时钟 率是芯片的“节拍器”，没有时钟 率，芯片的不同模块等于没对好表，就无法协同工作。

是不是这块芯片的问题？实验人员换了一块芯片，依然没有信号输出。

再换一块，还是没有。现场鸦雀无声。

实验人员已经不敢动手了。有人忍不住开玩笑，是不是该回家改简历了。

但除了沮丧，大家心里更多的是疑惑。因为项目虽然人少、资源少，近乎是白手起家，但蓬莱团队从设计人员到验证人员都有信心说：每一步都做好了。到底是哪里不对呢？

在无比凝重的气氛中，他们继续放板、上电、读取信号……

第四块芯片，亮了。剩下的所有芯片，也都没问题。

真相其实很简单。28纳米工艺的芯片不良率只有3%，但偏偏随机测试的前三片都是坏片，小概率事件就恰好让他们全赶上了。这让他们把“生一胎”的紧张情绪，体验到十足。

在虚惊一场后的拍手相庆中，腾讯 款芯片，宣告问世。

03

更上一层，“紫霄”凌云

量产后的蓬莱芯片，实战表现也不负众望，助力腾讯推出中国 台获准进入医院临床应用的智能显微镜，实现自动识别医学图像、统计细胞数目并直接显示在视野上，性能表现完全符合设计要求。

这一扫当年FPGA云服务器项目的阴霾，说明在制造造出直面应用、性能 的芯片，这条路，腾讯走得通。

终端芯片蓬莱的问世，只是完成了从0到1的任务。团队已经迫不及待向要从1到N，向着大规模云端芯片进军。蓬莱实验室负责人Alex将大芯片申请立项戏称为“A轮融资”。

初试锋芒之后，团队需要向公司说明，为什么需要用更大的投入去做大规模芯片？在短期和长期能否保持 性？如何与内外部业务结合创造价值？

腾讯这次面临的决策，要容易做得多。

首先是蓬莱实验室的成熟。通过一边行军一边成长，蓬莱实验室完成了一次次蜕变，建立起完整、严谨、规范的芯片研发体系和流程。这已经是一支具备硬核气场的“正规军”。

更重要的是，团队证明了腾讯做芯片的优势和站位。

谢明解释说，从行业来看，做芯片除了要考虑技术和工艺，最大的难点在于对芯片的“定义”。传统芯片厂商的优势在于前者，但芯片做出来之后再去匹配需求，在很多场景下真实性能是损失的。Google、腾讯这类 科技 企业的优势在于自身就是需求方，对需求的理解和洞察最深刻、最透彻。

方向没有问题，技术和工艺也没问题，腾讯高级执行副总裁、TEG（技术工程事业部）总裁卢山给予了全面支持，并通过总办争取到了更多的headcount和资金。

有了公司战略的支持，团队志气满满奔赴更大的战场。蓬莱实验室副总监Austin决定兵分两路，在AI推理和视 编解码上并行推进。

AI小分队继续做蓬莱的2.0版“紫霄”。这是《封神演义》里鸿钧老祖所居宫殿的名字。在稳固的仙山上牢筑“紫霄”，代表了新的野心：

这次，他们将目标直接定为业界 。

紫霄所有的架构都围绕着有效算力去做。团队优化片上缓存设计，并摒弃竞品常用的GDDR6内存，采用先进的2.5D封装技术，把HBM2e内存与AI芯片合封在一起，从而把内存带宽提升了近40%。

技术迭代一日千里。紫霄立项后，业内最高性能表现又被竞品刷新。虽然紫霄的设计性能相比这个最高表现还足够“安全”，但团队还打算继续加码。

经过研究，他们在芯片内部增加了计算机视觉CV加速器以及视 编解码加速器，可创新性地大幅减小AI芯片和x86 CPU之间的交互和等待。

即便因此而增加了两个复杂的自研模块，团队仍然在计划的6个月时间里完成了从架构确定到验证以及流片的全部流程。

2021年9月10日，紫霄顺利点亮。

在和视 处理、自然语言处理、搜索推荐等应用场景下，这款芯片打破了制约算力发挥的瓶颈点，最终在实际业务场景性能表现达到了业界标品的2倍。

04

独立自研，“沧海”一笑

AI小分队给自己芯片取名“紫霄”，而视 编解码则取名“沧海”，颇有海天相接之意。

不同于蓬莱和紫霄主打AI，沧海是一款视 转码芯片。如果说当年QQ相册的转码问题是蓬莱团队做硬件的最早契机，那视 编解码小分队在这个方向上的继续 探索 ，正是完成了一次对初心的呼应。

不同的是，“沧海”的应用场景已经远超当年的范畴。

当多媒体业务从时代进化到音视 时代，天量的4K/8K超高清的数字内容如潮水一般持续冲击着云计算基础设施。每增加一个比特的数据，都会带来相应的转码算力和CDN带宽成本。

这是一道直观而严峻的数学题，而沧海小分队的解题目标也非常清晰，那就是要做一款业界最强的视 转码芯片，把压缩率发挥到 。

好在，腾讯丰富的多媒体应用场景，以及腾讯云覆盖的众多 互动头部客户，为沧海的研发提供了得天独厚的分析和验证条件。

团队先是推出了沧海的核心自研模块——硬件视 编码器“瑶池”，并决定在沧海完成研发之前给瑶池一次大考。

这个大考就是2020年的MSU 编解码大赛，该大赛由莫斯科国立大学（MSU）主办，十多年来一直是全球视 压缩领域最具 的顶级赛事，吸引了包括英特尔、英伟达、谷歌、华为、阿里和腾讯在内的国内外 科技 企业参与。

结果是，瑶池实现1080P@60Hz的视 实时编码，力压群雄获得了SSIM (结构相似性)、PSNR(峰值信噪比)和VMAF(视 多方法评估融合)等各项客观指标评测 名，以及人眼主观评价 的好成绩，相比第二名 了一个身位。

经此硬仗，沧海在技术上得到了充分检阅。

2022年3月5日，Derick和他带领的视 编解码小分队收到流片回来的芯片“沧海”，又正逢深圳因疫情而全面远程办公。

他们申请特批进入空空荡荡的办公楼。这情景，和两年前点亮蓬莱时何其相似。

不曾想到，点亮蓬莱时的一波三折，同样重现。克服了一些调试中的意外，在一片欢呼中，腾讯的第三款芯片、同时也是完全自主研发的 款芯片沧海成功点亮。

化沧海为一粟。沧海最终实现以更小的数据量、更小的带宽提供相同质量的视 ，压缩率相比行业最佳表现还提高了30%以上。

从蓬莱到紫霄再到沧海，从28纳米工艺到12纳米工艺，从8个人发展到100多人，从仿真工具一无所有到“天箭验证 ”正式落成，从努力跟上合作伙伴的节奏到独立做完全SOC。

两只小分队胜利会师。蓬莱团队，完成了一场“芯”路进化。

05

“100G”时代，双木参天

躬身跳进造芯大潮的，不是只有云架构 部。

在多媒体、AI处理积极求变的同时，底层的云服务器也面临着相似的问题：当软件优化带来的性能提升无法让产品拥有区别于竞品的明显竞争力时，如何让性能突破现有天花板？

2019年，腾讯迎来云计算业务上的里程碑——云服务器规模突破了100万。腾讯云副总裁、腾讯网络 部总经理邹贤能敏锐地观察到，随着服务器接入带宽不断提升，服务器用于网络处理的CPU资源也越来越多。

能否以更低成本的方式来实现服务器网络处理，同时还提供更高的网络性能？腾讯的网络 部也将目光投向了软硬协同与硬件加速。

面对这样“既要、又要”的挑战，邹贤能决定给服务器做个减法：“把网络数据处理的负担从CPU卸载出来”。

“智能网卡”的想法就这样诞生了。

所谓智能网卡，一方面像普通网卡一样肩负起服务器的对外网络访问，实现不同服务器和数据中心之间的网络互联。另一方面，它额外带有CPU/FPGA/内存等智能单元，能分担一部分服务器的虚拟化计算任务，实现服务器整体网络和存储性能的加速。

换句话说，网络 部要做的事，是要在网卡里新装一个服务器。

一开始，团队希望找到一款现成的商用板卡降低工作量。

网卡硬件负责人Hayden牵头开展方案论证和调研，但商用芯片的加速引擎不支持私有协议成为当时直面的 大挑战，也是最大的障碍。一些 的网卡设备商听了腾讯的要求就摇头：

“现在网卡的功能很简单，你们这个要求太复杂了，很难实现的。”

还有些直白地质疑：“网卡数量这么多，可靠性要求高，你们自己搞得定吗？”

难道智能网卡项目刚起步就要流产？

邹贤能给团队指明了方向：“既然智能网卡是云数据中心追求 性能与成本的关键部件，如果市面上没有满足腾讯需求的产品，那我们就自己造一个。”

方向明确之后，路线也很快清晰起来：先从基于FPGA自研智能网卡起步，再开展智能网卡芯片研发。

2020年9月，腾讯 代基于FPGA的自研智能网卡正式上线，命名为“水杉”，寄寓着团队希望产品可以像这种珍稀乔木一样适应性强、快速生长。

疫情期间各种突发需求砸来，初生的水杉没有被挑战压弯。

Hayden回忆道，一个大客户本身采用了UDP音视 协议，在属性上是“不可靠”、允许丢包的，极大地依赖网络吞吐和稳定性，却要求高并发、高质量的音视 传输效果。

水杉智能网卡迎难而上，通过大幅提升服务器的网络性能，帮助该客户完成了24小时零丢包的极限压力测试，稳定上线运行，交出了一份漂亮的答卷。

水杉投入应用后，第二代智能网卡“银杉”的研发工作也紧锣密鼓地启动，并于2021年10月正式上线。这一代智能网卡的网络端口翻了一番，达到了2*100G。

在又一颗参天大树的支撑下，腾讯云对外推出了业界 自研第六代100G云服务器。它的计算性能提升最大220%、存储性能最大提升100%。单节点接入网络带宽相比上一代最大提升4倍，延时下降50%。

“两棵树”在网络硬件卸载上取得的巨大收益，令团队兴奋不已。

当FPGA路线逐渐逼近性能和功耗的瓶颈，网络 部决定再一次把主动权掌握在自己手里。腾讯的第四款芯片，也是 智能网卡芯片应运而生，它也有一个 “仙气十足”的名字——“玄灵”。

06

“玄灵”乍现，芯事未完

按照计划，这款7纳米工艺的芯片将在2022年底流片。

Hayden受命快速组建起了玄灵芯片研发团队，不断挑战多个“mission impossible”。

从性能指标来看，玄灵支持设备数量将提升到10K以上，相对商业芯片提升6倍。同时，它的性能相对商业芯片也可提升4倍，通过将原来运行在主机CPU上的虚拟化、网络/存储IO等功能卸载到芯片，可实现主机CPU的0占用。

这颗短小精悍的芯片，充分诠释了面向未来 性能的“玄”，与面向各类业务需求灵活加速的“灵”。

目前，玄灵项目正在紧锣密鼓地进行智能网卡流片前的验证和测试，打造腾讯云下一代高性能网络基础设施；

蓬莱实验室的AI推理芯片紫霄和视 转码芯片沧海则将量产，与腾讯业务深度融合应用；

还有一些新的芯片项目也在酝酿成长，继续 探索 有需要的技术方向，丰富这一本“山海经”。

腾讯海量业务面临的全新挑战，以及云计算高速发展的必然要求，“倒逼”腾讯走上了这条造芯之路。这些从业务需求出发的芯片，必定会深入现实应用来证明自身的价值。

“我们不是无中生有、拍脑袋要去做芯片。我们一开始就知道，腾讯的需求足够大，足够我们去做这件事。”卢山说道。

从2010年起，腾讯就开始以云服务的方式对外开放自身的数字技术与连接能力，奔赴这场产业数字化转型升级的时代大潮。躬身入局，腾讯看到深度的数实融合正在引领全真互联的技术趋势。

而在腾讯之外，中国的 科技 公司们正在向创新的深水区挺进，突破瓶颈的努力显得愈发重要。无论是数实融合还是上游创新，硬 科技 的海面上一片百舸争流，它们都在 历史 的浪潮奋楫中流。

在这场大潮中置身事内，腾讯的芯事必然在星辰大海中得到回响。

决策智能：从数字化实验室走向现实商业价值

机器人概述篇

实用上，机器人（Robot）是自动执行工作的机器装置。机器人可接受人类指挥，也可以执行预先编排的程序，也可以根据以人工智能技术制定的原则纲领行动。机器人执行的是取代或是协助人类工作的工作，例如制造业、建筑业，或是危险的工作。

机器人可以是高级整合控制论、机械电子、计算机、材料和仿生学的产物。目前在工业、医学甚至军事等领域中均有重要用途。

欧美 认为：机器人应该是由计算机控制的通过编排程序具有可以变更的多功能的自动机械，但是日本不同意这种说法。日本人认为“机器人就是任何高级的自动机械”，这就把那种尚需一个人操纵的机械手包括进去了。因此，很多日本人概念中的机器人，并不是欧美人所定义的。

现在，国际上对机器人的概念已经逐渐趋近一致。一般说来，人们都可以接受这种说法，即机器人是靠自身动力和控制能力来实现各种功能的一种机器。联合国标准化组织采纳了美国机器人协会给机器人下的定义：“一种可编程和多功能的，用来搬运材料、零件、工具的操作机；或是为了执行不同的任务而具有可改变和可编程动作的专门系统。”

机器人能力的评价标准包括：智能，指感觉和感知，包括记忆、运算、比较、鉴别、判断、决策、学习和逻辑推理等；机能，指变通性、通用性或空间占有性等；物理能，指力、速度、连续运行能力、可靠性、联用性、寿命等。因此，可以说机器人是具有生物功能的空间三维坐标机器。

机器人发展史

1920年 捷克斯洛伐克作家卡雷尔·恰佩克在他的科幻小说《罗萨姆的机器人 公司》中，根据Robota(捷克文，原意为“劳役、苦工”)和Robotnik(波兰文，原意为“工人”)，创造出“机器人”这个词。

1939年 美国纽约世博会上展出了西屋电气公司制造的家用机器人Elektro。它由电缆控制，可以行走，会说77个字，甚至可以抽烟，不过离真正干家务活还差得远。但它让人们对家用机器人的憧憬变得更加具体。

1942年 美国科幻巨匠阿西莫夫提出“机器人三定律”。虽然这只是科幻小说里的创造，但后来成为学术界默认的研发原则。

1948年 诺伯特·维纳出版《控制论》，阐述了机器中的通信和控制机能与人的神经、感觉机能的共同规律，率先提出以计算机为核心的自动化工厂。

1954年 美国人乔治·德沃尔制造出 上 台可编程的机器人，并注册了 。这种机械手能按照不同的程序从事不同的工作，因此具有通用性和灵活性。

1956年 在达特茅斯会议上，马文·明斯基提出了他对智能机器的看法：智能机器“能够创建周围环境的抽象模型，如果遇到问题，能够从抽象模型中寻找解决方法”。这个定义影响到以后30年智能机器人的研究方向。

1959年 德沃尔与美国发明家约瑟夫·英格伯格联手制造出 台工业机器人。随后，成立了 上 家机器人制造工厂——Unimation公司。由于英格伯格对工业机器人的研发和宣传，他也被称为“工业机器人之父”。

1962年 美国AMF公司生产出“VERSTRAN”(意思是 搬运),与Unimation公司生产的Unimate一样成为真正商业化的工业机器人，并出口到 各国，掀起了全 对机器人和机器人研究的热潮。

1962年-1963年传感器的应用提高了机器人的可操作性。人们试着在机器人上安装各种各样的传感器，包括1961年恩斯特采用的触觉传感器，托莫维奇和博尼1962年在 上最早的“灵巧手”上用到了压力传感器，而麦卡锡1963年则开始在机器人中加入视觉传感系统，并在1965年，帮助MIT推出了 上 个带有视觉传感器，能识别并定位积木的机器人系统。

1965年约翰·霍普金斯大学应用物理实验室研制出Beast机器人。Beast已经能通过声纳系统、光电管等装置，根据环境校正自己的位置。20世纪60年代中期开始，美国麻省理工学院、斯坦福大学、英国爱丁堡大学等陆续成立了机器人实验室。美国兴起研究第二代带传感器、“有感觉”的机器人，并向人工智能进发。

1968年 美国斯坦福研究所公布他们研发成功的机器人Shakey。它带有视觉传感器，能根据人的指令发现并抓取积木,不过控制它的计算机有一个房间那么大。Shakey可以算是 台智能机器人，拉开了第三代机器人研发的序幕。

1969年 日本早稻田大学加藤一郎实验室研发出 台以双脚走路的机器人。加藤一郎长期致力于研究仿人机器人，被誉为“仿人机器人之父”。日本 一向以研发仿人机器人和娱乐机器人的技术见长，后来更进一步，催生出本田公司的ASIMO和索尼公司的QRIO。

1973年 上 次机器人和小型计算机携手合作，就诞生了美国Cincinnati Milacron公司的机器人T3。

1978年 美国Unimation公司推出通用工业机器人PUMA，这标志着工业机器人技术已经完全成熟。PUMA至今仍然工作在工厂 线。

1984年 英格伯格再推机器人Helpmate，这种机器人能在医院里为病人送饭、送药、送邮件。同年，他还预言：“我要让机器人擦地板，做饭，出去帮我洗车，检查安全”。

1998年 丹麦乐高公司推出机器人(Mind-storms)套件，让机器人制造变得跟搭积木一样，相对简单又能任意拼装，使机器人开始走入个人 。

1999年 日本索尼公司推出犬型机器人爱宝(AIBO)，当即销售一空，从此娱乐机器人成为目前机器人迈进普通家庭的途径之一。

2002年 丹麦iRobot公司推出了吸尘器机器人Roomba，它能避开障碍，自动设计行进路线，还能在电量不足时，自动驶向充电座。Roomba是目前 上销量最大、最商业化的家用机器人。

2006年 6月，微软公司推出Microsoft Robotics Studio，机器人模块化、 化的趋势越来越明显，比尔·盖茨预言，家用机器人很快将席卷全球。

机器人分类篇

诞生于科幻小说之中一样，人们对机器人充满了幻想。也许正是由于机器人定义的模糊，才给了人们充分的想象和创造空间。

操作型机器人：能自动控制，可重复编程，多功能，有几个自由度，可固定或运动，用于相关自动化系统中。

程控型机器人：按预先要求的顺序及条件，依次控制机器人的机械动作。

示教再现型机器人：通过引导或其它方式，先教会机器人动作，输入工作程序，机器人则自动重复进行作业。

数控型机器人：不必使机器人动作，通过数值、语言等对机器人进行示教，机器人根据示教后的信息进行作业。

感觉控制型机器人：利用传感器获取的信息控制机器人的动作。

适应控制型机器人：机器人能适应环境的变化，控制其自身的行动。

学习控制型机器人：机器人能“体会”工作的经验，具有一定的学习功能，并将所“学”的经验用于工作中。

智能机器人：以人工智能决定其行动的人。

我国的机器人 从应用环境出发，将机器人分为两大类，即工业机器人和特种机器人。所谓工业机器人就是面向工业领域的多关节机械手或多自由度机器人。而特种机器人则是除工业机器人之外的、用于非制造业并服务于人类的各种先进机器人，包括：服务机器人、水下机器人、娱乐机器人、 机器人、农业机器人、机器人化机器等。在特种机器人中，有些分支发展很快，有独立成体系的趋势，如服务机器人、水下机器人、 机器人、微操作机器人等。目前，国际上的机器人学者，从应用环境出发将机器人也分为两类：制造环境下的工业机器人和非制造环境下的服务与仿人型机器人，这和我国的分类是一致的。

空中机器人又叫无人机，近年来在 机器人家族中，无人机是科研活动最活跃、技术进步最大、研究及采购经费投入最多、实战经验最丰富的领域。80多年来， 无人机的发展基本上是以美国为主线向前推进的，无论从技术水平还是无人机的种类和数量来看，美国均居 之 。

机器人品种篇

“别动队”无人机

纵观无人机发展的历史，可以说现代战争是推动无人机发展的动力。而无人机对现代战争的影响也越来越大。一次和二次 大战期间，尽管出现并使用了无人机，但由于技术水平低下，无人机并未发挥重大作用。朝鲜战争中美国使用了无人侦察机和攻击机，不过数量有限。在随后的越南战争、中东战争中无人机已成为必不可少的武器系统。而在海湾战争、波黑战争及科索沃战争中无人机更成了主要的侦察机种。

法国“红隼”无人机

越南战争期间美国空军损失惨重，被击落飞机2500架，飞行员死亡5000多名，美国国内舆论哗然。为此美国空军较多地使用了无人机。如“水牛猎手”无人机在北越上空执行任务2500多次，超低空拍摄照片，损伤率仅4％。AQM-34Q型147火蜂无人机飞行500多次，进行电子 、电台干扰、抛撒金属箔条及为有人飞机开辟通道等。

高空无人侦察机

在1982年的贝卡谷地之战中，以色列军队通过空中侦察发现。叙利亚在贝卡谷地集中了大量部队。6月9日，以军出动美制E-2C“鹰眼”预警飞机对叙军进行监视，同时每天出动“侦察兵”及“猛犬”等无人机70多架次，对叙军的防空阵地、机场进行反复侦察，并将拍摄的图像传送给预警飞机和地面指挥部。这样，以军准确地查明了叙军雷达的位置，接着发射“狼”式反雷达导弹，摧毁了叙军不少的雷达、导弹及自行高炮，迫使叙军的雷达不敢开机，为以军有人飞机攻击目标创造了条件。

鬼怪式无人机

1991年爆发了海湾战争，美军首先面对的一个问题就是要在茫茫的沙海中找到伊拉克隐藏的飞毛腿导弹发射器。如果用有人侦察机，就必须在大漠上空往返飞行，长时间暴露于伊拉克军队的高射火力之下，极其危险。为此，无人机成了美军空中侦察的主力。在整个海湾战争期间，“先锋”无人机是美军使用最多的无人机种，美军在海湾地区共部署了6个先锋无人机连，总共出动了522架次，飞行时间达1640小时。那时，不论白天还是黑夜，每天总有一架先锋无人机在海湾上空飞行。

为了摧毁伊军在沿海修筑的坚固的防御工事，2月4日密苏里号战舰乘夜驶至近海区，先锋号无人机由它的甲板上起飞，用红外侦察仪拍摄了地面目标的图像并传送给指挥中心。几分钟后，战舰上的406毫米的舰炮开始轰击目标，同时无人机不断地为舰炮进行校射。之后威斯康星号战舰接替了密苏里号，如此连续炮轰了三天，使伊军的炮兵阵地、雷达网、指挥通信枢纽遭到彻底破坏。在海湾战争期间，仅从两艘战列舰上起飞的先锋无人机就有151架次，飞行了530多个小时，完成了目标搜索、战场警戒、海上拦截及海军炮火支援等任务。

发射Brevel无人机

在海湾战争中，先锋无人机成了美国陆军部队的开路先锋。它为陆军第7军进行空中侦察，拍摄了大量的伊军坦克、指挥中心、及导弹发射阵地的图像，并传送给直升机部队，接着美军就出动“阿帕奇”攻击型直升机对目标进行攻击，必要时还可呼唤炮兵部队进行火力支援。先锋机的生存能力很强，在319架次的飞行中， 一架被击中，有4～5架由于电磁干扰而失事。

除美军外，英、法、加拿大也都出动了无人机。如法国的“幼鹿”师装备有一个“马尔特”无人机排。当法军深入伊境内作战时，首先派无人机侦察敌情，根据侦察到的情况，法军躲过了伊军的坦克及炮兵阵地。

1995年波黑战争中，因部队急需，“捕食者”无人机很快就被运往前线。在北约空袭塞族部队的补给线、弹药库、指挥中心时，“捕食者”发挥了重要的作用。它首先进行侦察，发现目标后引导有人飞机进行攻击，然后再进行战果评估。它还为联合国维和部队提供波黑境内主要公路上军车移动的情况，以判断各方是否遵守了和平协议。美军因而把“捕食者”称作“战场上的低空卫星”。其实卫星只能提供战场上的瞬间图像，而无人机可以在战场上空长时间盘旋逗留，因而能够提供战场的连续实时图像，无人机还比使用卫星便宜得多。

1999年3月24日，以美国为首的北约打着“维护人权”的幌子对南联盟开始了狂轰滥炸，爆发了震惊 的“科索沃战争”。在持续78天的轰炸过程中，北约共出动飞机3.2万架次，投入舰艇40多艘，扔下炸弹1.3万吨，造成了二战以来欧洲空前的浩劫。

南联盟多山、多森林的地形以及多阴雨天的气候条件，大大影响了北约侦察卫星及高空侦察机的侦察效果，塞军的防空火力又很猛，有人侦察机不敢低飞，致使北约空军无法识别及攻击云层下面的目标。为了减少人员的伤亡，北约大量使用了无人机。科索沃战争是 局部战争中使用无人机数量最多、无人机发挥作用最大的战争。无人机尽管飞得较慢，飞行高度较低，但它体积小，雷达及红外特征较小，隐蔽性好，不易被击中，适于进行中低空侦察，可以看清卫星及有人侦察机看不清的目标。

在科索沃战争中，美国、德国、法国及英国总共出动了6种不同类型的无人机约200多架，它们有：美国空军的“捕食者”（Predator）、陆军的“猎人”（Hunter）及海军的“先锋”（Pioneer）；德国的CL-289；法国的“红隼”（Crecerelles）、 “猎人”，以及英国的“不死鸟”（Phoenix）等无人机。

无人机在科索沃战争中主要完成了以下一些任务：中低空侦察及战场监视，电子干扰，战果评估，目标定位，气象资料搜集，散发传单以及营救飞行员等。

科索沃战争不仅大大提高了无人机在战争中的地位，而且引起了各国政府对无人机的重视。美国参议院武装部队委员会要求，10年内军方应准备足够数量的无人系统，使低空攻击机中有三分之一是无人机；15年内，地面战车中应有三分之一是无人系统。这并不是要用无人系统代替飞行员及有人飞机，而是用它们补充有人飞机的能力，以便在高风险的任务中尽量少用飞行员。无人机的发展必将推动现代战争理论和无人战争体系的发展。

机器警察

所谓地面 机器人是指在地面上使用的机器人系统，它们不仅在和平时期可以帮助民警排除炸弹、完成要地保安任务，在战时还可以代替士兵执行扫雷、侦察和攻击等各种任务，今天美、英、德、法、日等国均已研制出多种型号的地面 机器人。

小米唐沐等大咖精心挑选的100个年度研发案例实践

当AlphaGo在与人类的对弈中布下 手棋，决策智能的时代便按下了不可逆转的启动键。

近年来，决策科学从一个新兴学科一跃成为业内发展最快、应用最广泛的领域。随着云计算和人工智能快速发展，运用数据科学的力量由机器帮助人们做决策成为了可能。

在萨摩耶云首席科学家王明明看来，云计算和人工智能的关系更像是血液与神经系统。他形象地把云计算比喻为动力单元，把人工智能比喻为头脑单元，只有当“动力”与“头脑”充分融合与协调，才会让决策智能的出现成为可能。而决策智能最大的价值，是可以充分调用数据，并利用机器学习的能力，寻找出潜在的模式、隐匿的风险，帮助各个行业快速而 地解决商业问题。

六年前，当王明明作为创始团队成员加入萨摩耶云时，市场上还尚无决策智能的概念。本着“只用最适合的技术，而不盲目追求新技术”的理念，萨摩耶云的技术团队从数据研究起步，围绕业务的发展不断推动技术进化，在成为国内 的智能决策解决方案供应商的道路上马不停蹄。

从Ascore到K3 决策智能的技术进化路线

作为在商业领域率先运用决策智能为客户提供解决方案的公司，经过数年的 探索 ，萨摩耶云所独创的K3智能策略体系不仅帮助客户重构了业务流程从而实现了业务增长，同时，也验证了这一业务体系的可复制性及成长空间。

完成技术进化所坚持的“信仰”是萨摩耶云技术团队对“解决问题的信心和执念”。

“AlphaGo如果只能战胜刚学棋的小朋友，是无法被称之为革命性的决策智能产品的。”在王明明心中，只有将问题解决得“至少跟人一样好”才能被称之为智能。而“跟人一样好”并不是人类的平均水平而是“顶尖水平”。

因此，行业用户所感受到的智能决策解决方案带来的效率与业绩提升的背后，是6年五次的技术迭代。

从最早的源自于银行业的逻辑回归算法Ascore来帮助计算信用风险，到纯粹用数据来拟合训练的DNA，再到使用人工介入辅助对各类业务模型进行仿生训练的Alpha S，彼时，萨摩耶云的决策智能技术已经达到了业内较为 的水平。

随后，K2智能策略体系推出，其在Alpha S的基础上，可对各个业务模型快速迭代，可以根据客户需求快速实现对各类模块的调整。而去年，萨摩耶云将K2升级为K3，K3拥有强大的“模型池”，可以容纳不限数量的模块以供用户随时调用，充分满足各行业用户的智能化决策需求。

一个真正的智能决策解决方案是能够吃透要解决的业务问题，同时具有产品化能力。其中的任何一点没有满足，在萨摩耶云都不能称之为真正的决策智能解决方案。

“有些AI公司会去做一些咨询项目，原因可能就是产品化能力不足，只能通过咨询的方式‘将智能植入到客户的系统中’；或者是没有吃透业务，只能通过咨询的方式，进一步调研和了解业务问题的实质，为产品化做准备。”

拥有真正的智能决策解决方案正是萨摩耶云核心能力和核心优势。从最为复杂的金融行业风控研究起步，使得萨摩耶云的云计算和人工智能技术在机器学习训练、算法优化等方面具有应对复杂环境的能力以及更加丰富的经验。

在这一过程中，也涌现出“欧拉”、“猎户座”、“AMSM”（auto-multiole-samples-mixer）、“3M”（multi-task、multi-modal、multi-evaluation）等多个让王明明及他的团队感到自豪的产品和技术。

更高级的、直接产生价值的智能

通常，人们常把人工智能分为感知智能、分析智能和决策智能。用王明明的话说，从人类发展来看，机器是肢体的延伸，决策智能是大脑的延伸。

新商业学院主编的《数智驱动新增长》一书中这样描述决策智能：基于自动化和设备的智能化构建大数据分析的能力，使“数据”转化为“洞察”，进而由洞察产生行动，不仅在技术上提升洞察分析能力，也能够从组织、管控、能力的角度同步得到提升，真正实现顺利运作“感知-洞察-评估-响应”闭环并且能够循环提升。

相对于其他智能，决策智能是能够直接产生价值的智能。通过构建一套全新的决策机制，能够替代传统的经验决策，提升效率的同时还能够“少走弯路”。据Gartner公司测算，到2030年，决策智能将超过所有其他类型的人工智能活动，占全球人工智能衍生商业价值的44%。

但根据技术运用程度的高低，决策智能又被分为四个阶段：前决策智能、有限决策智能、完全决策智能、超级决策智能。所处的阶段不同，其所构建的商业模式、商业价值也有所差异。

萨摩耶云与目前市场上的一些数据风控公司不同，它并未经历过前决策智能阶段，公司成立伊始，即处于有限决策智能的阶段。公司早期就已然跃过了近似于“计算智能”的阶段，而是将人的经验结合数学模型，将逻辑导入系统，由系统自动化进行分析和判断，给出决策性建议，并自动予以执行，基本实现智能化判断与决策。

随着技术能力的不断提升，2020年开始，萨摩耶云已经进入了完全决策智能阶段。通过任务式学习、机器学习，达到了“由人直接向机器下达目标指令，机器自动给出答案”的效果，并支持机器自我更新迭代，基本摆脱人的经验和逻辑，人只需要赋予机器新的样本、新的学习算子，由机器自我驱动和学习，并直接做出决策和行动，以K3智能策略体系为代表的部分产品已达到“半人格化”属性，在客户中也取得了良好的使用效果与口碑。目前市场上鲜有能与萨摩耶云一较高下的竞争对手。

获得验证的商业模式

一个技术负责人的最大欣慰是看到自己所坚信的技术能够创造出商业价值。王明明是其中的幸运儿。“我们的产品模式选择SaaS、aPaaS模式，从商业上、财务上都证明了我们是正确的。”

萨摩耶云对智能决策科学的 探索 和运用，并非停留在实验室阶段。其智能决策兼顾科研创新与应用创新，在理论研究的基础上，将决策智能 科技 在业务实践中广泛使用，并给公司带来了规模化的客户、收入和盈利。

据介绍，萨摩耶云以云原生数字 科技 为依托，融合机器学习及深度学习等前沿AI技术，从云端提供决策智能服务，让人工智能与SaaS服务实现高度的融合，从而实现通过机器来替代大脑的判断和决策过程，为企业带来数字化、智能化、生态化等多个创新优势。

通过决策智能科学体系以及围绕该体系的一系列具体技术和产品，帮助企业改变过去依靠“经验驱动”的习惯，转而以“智能驱动”来实现快速的、低成本的规模化扩张，进而获得 创新的商业增长机会。

萨摩耶云综合运用前沿技术打造了“商家对商家对顾客”（B2B2C）模式，以帮助客户建立一个完整的价值链闭环生态系统，该闭环系统包括客群生成、流量引导、重复购买、增值服务等 内容。针对不同的业务场景需求，萨摩耶云为客户提供了“决策智能+云服务”的细分服务内容，目前已经形成了金融云解决方案、产业云解决方案、信用云解决方案等三大具体解决方案。

“各类机构要面对的风险很多，萨摩耶云提供的解决方案能够在大数据基础上通过决策智能更 地判别风险，解决风险收益匹配的问题。”

据王明明介绍，萨摩耶云主要是从对抗、社区、环境、稳定四大方向（即：ACES智能决策框架）进行 探索 ，打通智能获客、智能风控等问题，帮助合作机构在承受最低风险情况下，获取更高的收益。

数据最能说明问题。目前，萨摩耶云的相关业务已涉及政府监管、手机制造、电信运营、线下商超等多个领域，“数智萨摩云 ”已与7370万家小微商户及客户、50家金融机构、530家不同行业的企业、1470家互联网 及70家数据供应商展开了深度合作。

决策智能的未来之路

未来的决策智能是什么样子的？会是超级决策智能所描绘的机器具有了“完全人格化属性”吗？那或许是一种现在听上去比较科幻的场景：一个人走在路上，周围的一切都在随着他变动，随时做好为他提供服务的准备，而这些服务全都由一个“大脑”所控制。

王明明认为，决策无处不在，因此决策智能的发展就如同机械化代替纯手工、 汽车 代替马车、手机代替电脑一样，会因为效率的提升而不断进步。“决策智能未来将会非常普遍、无处不在且无感的存在，就像现在各种互联网应用，人们已经习惯于它的便捷。我们人工智能团队在做的，就是将决策智能应用在需要提效的地方”。

但他也表示不需要神化决策智能，因为它离“无所不能”还非常远。一方面，决策智能是有局限的，需要大量的 历史 数据样本，只能处理可以被数字化的决策，而不能理解很多主观的价值判断。此外，决策智能只能在给定的题目中求解，它无法跳出题目，就像AlphaGo无法做饭、理发，甚至不能告诉你是否应该带雨伞。

“围棋AI也还在不断迭代，每次围棋机器人大赛，总会有新AI战胜旧AI，这就证明即便是AI，离围棋上帝也还很远，他只是超越了人类，离围棋上帝更近一些。”

作为主攻决策智能赛道的 科技 公司，事实上，萨摩耶云对于技术的发展规划有着非常明确的目标。王明明透露，未来3-5年，在技术上力争更加精细，利用更多样本，研究和提升算法，将原有问题解决的更好；另外，提升技术应用的广泛性，将已有的“智能”放进更多的问题中应用，加强智能泛化应用的能力。

他同时坦言非常喜欢AlphaGo，希望有朝一日可以做出属于萨摩耶云的“AlphaGo”，用来解决各个领域的商业问题。

2017年，机器学习、大数据、人工智能等词汇成为软件研发行业的主流，大前端、DevOps、区块链等技术方式成为热点方向；2017年，智能硬件开始成为新的焦点，这一年更被称为智能音箱井喷的一年；2017年，互联网更快速地发展，要求一切都变得更快，工程效率、交付速度、创新速度。还有软件重构、云 搭建、多活改造、数据变现、大数据转型……

11月9-12日，北京 会议中心， 第六届TOP100全球软件案例研究峰会 。4天时间，洞察100位技术带头人所思所想的案例实践。

2017年TOP100summit依旧是5个专场同时并行，15个话题方向全面展示软件研发全生命周期各个维度的实践和解决方案。

专场一：体验设计/产品创新/运营驱动

精选案例

●《Balancing Creativity and technology to make innovation product》

Ruthia He ——Facbook Product Designer

案例价值：设计过程就像一场需要在产品目标、技术实现、创意发挥、用户体验之间不断探索寻找平衡的旅程。在紧张的资源中纵横捭阖是一种艺术，举例来说，你需要时刻提醒自己你的产品目标是什么，但实现产品目标的技术实现资源很可能一直不足；又或者设计师的灵感催生了一项 的创意，但是这种创意却不一定能被所有人接受。本案例将以讲师在硅谷的产品设计经验为内容告诉大家如何找到产品设计的「 平衡点」。

●《“一元购画”背后的设计思考》

陈晓畅——腾讯用户研究与体验设计部设计中心总监

案例价值：8月29日，朋友圈被一幅幅出自“小朋友”之手的美丽画作所刷屏。短短半天时间，580万人次参与，筹得善款1500余万。互联网已经在改变我们的公益事业。科技连接信任，为公益做设计，那么怎样做才会有更好的效果，本案例会复盘整个传播事件，带大家去看“一元购画”背后的设计思考，同时结合设计团队在对腾讯公益10年的设计支持中的经验，探讨如何用服务设计为公益创造更多的价值。

●《揭开人工智能终端的时代——天猫精灵的思考和定义》

茹忆——阿里巴巴人工智能实验室（A.I.Labs）智能终端负责人

案例价值：天猫精灵的问世代表着阿里巴巴对人工智能时代下智能终端的思考和探索，智能终端在完善用户体验、降低使用门槛的同时也意味着终端生态的封闭加强。人工智能时代相对封闭的生态意味着厂商想要提供 的服务体验，不通过终端很难完成，而未来云端一体将成为大势所趋的新格局，本案例思考在这样的趋势下如何利用自身优势定义和落地终端产品。

●《用户 --从智能家居终端的战争中脱颖而出》

陈亚——Amazon 工程师

案例价值：智能家居的终端作为智能家居的入口，是各大巨头抢占市场的主要阵地。那什么让亚马逊一个零售业起家的电商从这场战争中脱颖而出，以压倒性的优势，占据终端市场70%的份额? 本案例将以Echo产品为例，从产品设计及开发管理模式两大方面来分析，亚马逊是怎样将Customer Obession深入到产品的各个阶段，压制了以技术见长的Google。同时本案例也对目前国内的智能家居终端做一个探索性的分析。

●《滴滴新业务背后的增长抓手》

李森——滴滴 增长负责人

案例价值：本案例将讲述分享者自2015年加入滴滴后，先后负责的顺风车车主拉新、巴士产品用户增长、小巴产品冷启动、快车重庆区县业务等从0-1的增长型业务的思考和实践，从增长的逻辑展开，通过复盘业务介绍给大家一些屡试不爽的增长抓手，介绍滴滴快车、小巴等业务从0到1冷启动项目如何解决增长问题，如何解决场景内最后一公里的交通问题。

专场二：工程文化/团队增长/绩效考核

精选案例

●《The Science behind Art - Five Years Journey of Data Team at Riot Games》

李仁杰——Riot Games Head of Data

案例价值：本案例以Riot Games数据团队五年的心路历程为主线介绍如何从零到有建立一支国际 的大数据团队, 每年团队的工作和vision如何成长和进化，以及这其中的收获和走过的弯路。以每年精选一个case study为副线，介绍全球最受欢迎的游戏《英雄联盟》是如何用数据来提高玩家的体验，支持和帮助公司每一个部门的商业决策和运营计划，以及如何用机器学习和人工智能来颠覆传统的产品。

●《Google如何利用OKR帮助团队挑战不可能的任务》

Zhouzhou He——Google 产品经理《从传统项目转型敏捷，你只需要两天》

案例价值：Google作为 顶尖的科技公司之一，挑战了许多在之前看来不可能完成的高精尖任务，比如AlphaGo围棋，谷歌翻译，自动驾驶汽车，Tensorflow，TPU等。Google是如何组织和激励团队的？又如何确保团队齐心协力，向同一个方向冲刺？本案例来自于Google现任美国总部产品经理的 手体验。他会从机制、人文、流程、决策方法、产品方针以及公司组织等多方面，分享Google的管理成功之道。

●《华为百人团队精益看板演进变革之路》

陈军——华为敏捷精益

案例价值：面对市场需求的激增及快速变化，研发团队需要灵活应对快速响应，并在有限的人力下提升研发效率，决定引入精益看板能有效帮助提升研发效率。本案例讲述华为百人团队精益看板演进变革的历程，从建立看板（四个实践）到运作看板（四个实践），取得小胜利，再到团队遇到困局，停滞不前甚至倒退，面对困局同团队一起再审视改进，重新走上了正确的道路。

●《从传统项目转型敏捷，你只需要两天》

古月——平安科技高级敏捷教练

案例价值：敏捷转型不仅是应用一套新的流程，而是要改变人的思维方式和工作方式，甚至改变企业的组织架构。转型是否有捷径可走？平安科技两天的Quick Start工作坊又是如何成为从传统轨道切换到敏捷轨道的有力扳手的？本案例将一一为您揭晓。

●《非典型敏捷：10天一个版本》

左杨眉——：中兴通讯 敏捷教练

案例价值：“快”是相对的。传统的电信领域仍然坚持严格的加法规则和安全要求，遵循基本的“需求-实现-发布-升级”的流程。本案例从重新梳理用户价值出发，引入过程交付物的概念，实现了客户的深度参与和快速反馈；重新审视典型敏捷流程的核心实践，基于“快速验证客户的产品假设”这一目标，去掉自动化测试和持续集成等实践，引入以手绘为中心的低保真交付，引入数据模拟和切面功能。某种程度上，本案例是对《设计冲刺》在电信领域的一次加长版交付项目实战。

专场三：架构演进/工程实践/大前端

精选案例

●《618大促网关承载十亿级的调用量背后的架构实践》

王栋 京东 京东商城开放 总架构师

案例价值：每年618大促京东商场开放 在保证近千个不同类型服务接口的海量调用的同时，还要确保服务接口之间的互不干扰，并且能够快速响应任何复杂情况。稳定、快速是一直追求的目标。本案例将分享实践过程中常用的隔离技术、缓存技术、SQL优化、降级限流等方法。学习京东团队如何将这些技术应用到每一次的备战中，确保了每一年的618平稳度过。

●《深圳证券交易所新一代交易系统架构转型之路》

喻华丽——深圳证券交易所 总工程师

案例价值：处于行业核心地位的业务系统对持续平稳运行有着严苛的要求，如何对这些核心业务系统进行升级换代以满足业务发展和技术进步的需要，是很多CIO及其研发团队所面临的难题。本案例分享了深圳证券交易所在核心系统特别是高可用高性能的实时处理系统，实施去IOE、走向开放 开源技术、分布式处理、高可用低时延设计的架构转型、平稳升级的成功经验，分享如何在这种全面重构的架构转型中确保安全平稳升级、并同时带领全市场平稳升级。

●《饿了么整体服务异地多活改造》

李双涛 饿了么 中间件团队首席架构师、异地多活项目总架构师

案例价值：本案例描述了饿了么的异地多活改造，从设计到正式上线的过程中，做的各种取舍，以及如何协调业务团队，和中间件团队的工作，安全而平稳的改造整个业务，使业务从一个单机房的服务，变成多机房多活的服务。当发生机房级故障的时候，服务方可以把用户路由到健康的机房，保证在故障发生时，业务可以正常执行，减小机房级故障带来的巨大损失。

●《Uber for Business, 从0到1健康医疗数字化转型中的微服务创新实践》

时晓宇——Uber Tech Lead

案例价值：本案例将分享如何从0到1实现一个高可用的系统，解决实际的Uber for Business业务问题。通过具体的项目需求和系统架构，包括支付系统，账单系统， Policy系统来分析如何end to end完成这些系统。如何完成从0到1的过程，短短两年成为Uber一个非常重要的业绩增长点。同时，从一个6人的工程师团队发展到近40人。

●《小米直达服务 与移动端服务未来形态探索》

董红光——小米MIUI系统框架负责人团队主管

案例价值：移动端服务目前的承载形式，无论是应用还是网页，都有着一些不足之处，导致用户使用起来不方便，同时对开发者自身也有一定的影响。如何更加 的分发和使用服务，是行业中非常关心的一个话题。小米在这个领域也做了一些探索，推出了直达服务这样的技术 ，旨在解决传统应用和网页承载服务的情况下存在的一些问题，提高用户和开发者各方的效率。本案例主要围绕小米直达服务 ，聊一聊小米在这一块的思考和目前的一些实践成果。

专场四——数据科学/人工智能/数据驱动

精选案例

●《美国NFCU银行如何利用大数据AI开启转型之路》

江晓东——NFCU 金融数据架构师

案例价值：美国NFCU银行是家财富200强企业，到2016年底，已在全球拥有280个分行，资产超过 7千4百亿美元，全美拥有6多万会员（客户）, 全球雇员1万4千人。 如何管理体量如此庞大的全球线下各分行，ATM机每日的现金流，整合总部与分行，分行柜台与顾客，顾客与ATM机间的现金存储，转账，提取等交易额，决定着银行与运钞车，央行以及银行内部的结算和现金流监管管理成果和效率。此案例为大型传统金融企业实施大数据和AI项目开辟了一个非常有意义的案例，将分享NFCU银行运用大数据和人工智能算法解决企业现金流管理的方法和途径。

●《人工智能时代，二手交易 的智能推荐系统如何演进》

孙玄 转转 架构算法部负责人

案例价值：转转的推荐系统从0开始打造，针对业务的不同阶段，一步步发展演进。在发展的过程中经历了全局无个性化推荐阶段、个性化离线推荐阶段、个性化实时推荐阶段、机器学习排序推荐阶段等。本案例会详细讲解不同发展阶段的原因、架构的演进，让听众对二手交易 的智能推荐系统能够深刻认识。

●《先知：人工智能助力Fintech反欺诈让黑产无处遁形——大数据和人工智能如何助力风控防御体系》

王婷——宜人贷 数据科学家

案例价值：先知是基于宜人贷的反欺诈云 ，面向Fintech全行业的一种反欺诈解决方案，以强大的金融数据能力、反欺诈智能和线上客户获取服务能力，帮助Fintech企业解决在信贷申请欺诈、金融中介识别、团伙监控/预警上面临的一系列问题，为金融科技企业提供更强大的信用评估、风险控制和 获客。本案例将分享在反欺诈云 的构建过程中，如何利用人工智能实现以上功能。

●《线上到线下场景中机器学习和统计建模的一些应用》

张健——3M 数据科学技术负责人

案例价值：线上到线下是未来发展的重要趋势， 数据发掘和机器学习已经广泛成熟运用到线上软件开发，推荐匹配， 用户分析等等方面。然而线下和线上的数据融合，优化才刚刚开始。本次分享将从线上到线下零售的具体案例中通过建设线上到线下数据反馈与优化系统，将A/B 测试，深度个性推荐，加强学习等统计与机器学习方法运用其中，达到提高数据分析效率，了解用户行为，增加线下收入等一系列具体的目标。

●《联想大数据助力联想业务转型升级》

于辰涛——联想集团 大数据事业部高级总监、首席研究员

案例价值：以数字化转型为驱动的第四次工业革命已经开始，它开启了一条大数据、云服务与智能技术并行的新航路。企业也赢得机遇的同时也面临很多难题：企业内各个系统数据无法共享，数据区块化现象严重，直接导致企业采购、生产、物流、销售等环节效率降低。本案例分享联想如何在成本可控的前提下，借助大数据、工业互联网4.0、中国制造2025的契机，解决上述问题，借着风势得到一个快速的发展。

专场五——质量管理/智能运维/DevOps 专场

精选案例

●《无人测试如何助力京东提升产品测试效率与质量》

杨瑾——京东 B2B产品质量团队负责人

案例价值：随着业务的发展，系统通常会经历单体式，服务化， 化的过程，在系统持续演进的漫漫长途中，不管是小需求，还是大改动，每一次的上线都伴随着大量的回归工作，即使是经验老道的测试老司机也没有100%不出问题的信心。在迭代周期短，发版 率高的互联网行业，产品质量的如何在 繁的上线中，保证产品质量，提升用户体验是我们一直在努力探索和实践的。本案例讲述了一种 的回归测试方法以及此方法在提升产品测试效率与质量方面的实践。

●《阿里移动DevOps实践》

陆义元 阿里巴巴 产品负责人

案例价值：移动开发模式已经进入两级分化：超大规模 的研发模式偏项目式，研发协同的人员、模块较多，需要完整的构建、测试、发布、运维等DevOps体系；而一些创新、试验类的 在商业模式和业务形态未完全确定的情况下，更适合以较快的方式来测试和验证业务的想法，所以以最低成本快速创建一个 就是当务之急。本案例将分享阿里移动技术在过去几年如何沉淀和解决这些问题。

●《以Kafka为例的大规模有状态集群优化方法探索》

秦江杰 LinkedIn Staff Software Engineer

案例价值：分布式系统的动态负载均衡和自我管理始终是一个不太容易解决的问题。大多数解决方法是迁移整个应用进程来实现硬件资源的负载均衡，这种方法对无状态应用较为适用，但对于有状态集群（如Kafka）并不十分有效。因为迁移应用意味着大量状态的迁移，这是一个漫长又昂贵的过程。LinkedIn为解决这一问题开发了Cruise Control，其主要特点是可以根据应用的特点进行部分状态的迁移。本案例将通过对Cruise Control实践的解读，分享一套大规模有状态集群优化方法。

●《低成本实现系统接口测试--自动化、性能、持续集成&线上监控》

九毫 大疆 测试开发工程师

案例价值：在大多数公司和项目中都存在对系统接口进行自动化测试、性能测试、持续集成、线上监控的需求。但现有方式都存在投入产出比低的问题，工具和技术栈多且杂，维护成本和学习成本居高不下。针对这一普遍存在的痛点，大疆探索出一种低成本的最佳实践方案，并将其沉淀为一款开源的接口测试框架 ApiTestEngine。本案例将拆解这一框架的技术要点和实现原理。

●《运维智能化@Pinterest》

孟晓桥——Pinterest 监控部门经理

案例价值：运维智能化是所有基于云计算的公司未来趋势。PINTEREST作为一个大型分享 ，后台的计算 和软件架构非常庞大而复杂，如何用最少的人力和资源成本保证高质量的运维，是一个巨大的挑战。为此，我们监控部门搭建了一套集成式的监控 ，该监控 高伸缩性、集成式、智能化三大特点，本案例将通过分享该监控 ，提供运维运维智能化方面的实践上的探索。

以上为部分精选案例展示，更多TOP100案例信息及日程请前往 [官网] 查阅。4天时间集中分享2017年最值得学习的100个研发案例实践。本 共送出10张开幕式单天免费体验票，数量有限，先到先得。 免费体验票申请入口。

好了，今天关于“置身事内：腾讯的造芯之路”的话题就讲到这里了。希望大家能够通过我的讲解对“置身事内：腾讯的造芯之路”有更全面、深入的了解，并且能够在今后的学习中更好地运用所学知识。