伴游一单一结,伴游单绿色是什么
内容导航：
一、体检有害健康猪瘟传染人十大中老年人易感谣言
近日，人民网舆情数据中心、腾讯政务舆情部和腾讯较真平台联合课题组公布了8月份中老年人易感谣言。
“求真”栏目依据关注人数排行榜，盘点出影响较大的前十大谣言，并邀请重庆大学新闻学院教授郭小安进行点评，和您一起撕开谣言假面。
相较7月份来看，食品安全与医疗健康类谣言量占比上升，而社会、科学及其他类谣言数量占比有所下降，据中国社会科学院研究报告统计，当前，食品安全谣言占我国各类网络谣言的45%，位居第一。
这些食品类谣言的传播以微信、微博为主，两者的传播量已经超过90%，成为传播食品谣言的主要渠道。
1.“体检有害健康，是骗钱的”
中老年人关注人数估计：140.8万 舆情热度：
【传言】有微信公号发表文章《我为什么从不体检，一位医生如是说》称“体检有害”、“医学骗人”。
文章观点有：过去没体检，人们反而健康长寿；只要不体检，不查出问题，人就是健康的；西医的新技术手段，是为了赚钱想办法给人找病。
【真相】该文章的论据和观点都经不起推敲，不足为信。
医学博士胡远东在“全名较真”上辟谣，根据医疗数据，接受肿瘤筛查的女性平均期望寿命比未接受筛查者多1.7至2.1年；不检查不意味着身体没问题，事实上，先进技术在降低疾病对人类的危害上是极为有效的，体检是健康管理的重要一环；体检发现异常及时治疗比病情恶化后的治疗费用低。
因此，“体检有害健康”的言论是站不住脚的。
2.“有羊携带炭疽病，传给人”
中老年人关注人数估计：94.9万 舆情热度：
【传言】近期吉林、黑龙江的确出现了人感染炭疽疫情，但已得到有效控制。
造谣者通过截取部分信息，加上不同地名编造谣言进行传播，还加上“一旦感染，无法医治”等恐吓性的话语，获得大量转发。
【真相】畜牧部门提醒：炭疽是一种自然疫源性疾病，牛羊等草食动物易感，人接触了感染牲畜的肉类、毛皮、血液或土壤等其他污染物可能感染。
炭疽病属细菌性传染病，该病可防可控可治。
民众只要不接触病死畜及产品，从正规渠道购买检疫合格产品，烹饪时煮熟煮透就不会造成传染。
3.“女孩充电时玩手机被电死”
中老年人关注人数估计：67.1万 舆情热度：
【传言】8月份，朋友圈、微信群热传一段“8岁女孩在手机充电时玩手机触电身亡”的视频，视频中一身着红衣的女子坐在地上大哭，另一名男子抱着该女子安慰，一旁的病床上，躺着一个穿着粉色衣服的小女孩，其家人不断地抹眼泪。
配文称：“父母把手机给小孩玩，小孩边玩手机边充电，手机发生爆炸，小孩经抢救无效死亡。
悲剧！让小孩远离手机！”
【真相】这段视频在近期流传天津、湖北、广西、河北等多地，所附视频相同，配文相似，在流传过程中，还被添加了“手机爆炸身亡”“医院抢救无效”等情节。
据天津网警官方微博通报，经调查，该传言最早于7月30日晚出现在网络中，发送人为武清区居民魏某某。
警方随即将魏某某传唤到派出所，魏某某随后供述了事情的经过。
她在一个微信群中看到了这个视频，在对视频事实真相并不了解的情况下，为制造热点，提高自己在网络社交媒体中的被关注度，便故意虚构事实，编造出该视频中儿童是因玩手机触电身亡的谣言，并通过网络大肆传播。
目前，魏某某因虚构事实扰乱公共秩序被武清警方依法行政拘留。
案件正在进一步审理中。
4.“脂肪肝不是病”
中老年人关注人数估计：53.6万 舆情热度：6377
【传言】有传言称，病理科医生说脂肪肝不是病，不会导致肝硬化，控制好体重就没事。
解决脂肪肝唯一有效的办法就是减肥。
【真相】中国人民解放军总医院肝胆外科专家王宏光表示，在医生眼中，脂肪肝只是一个笼统的诊断，需要通过进一步检查判定是以下哪种类型：单纯性脂肪肝、脂肪性肝炎、脂肪性肝硬化、脂肪肝合并肝癌等。
这些疾病的严重程度逐步加重，也反映了脂肪肝的一个疾病发展过程，在欧美国家肝脏恶性肿瘤的第一大病因就是脂肪肝。
因此对于脂肪肝，绝不可掉以轻心。
5.“非洲猪瘟传人，禁吃猪肉”
中老年人关注人数估计：53.4万 舆情热度：
【传言】近期国内发现了非洲猪瘟疫情，有不少地区就流传谣言：昨天凌晨二点二十三分，十三名男女生感染猪病毒死亡，有的猪场猪，大批被埋葬，已经死亡人数13人，最大的67岁，最小的9岁，参与抢救的医生已被隔离，河北一台电视新闻己播出，暂时别吃猪肉、家禽，特别是猪肉，目前河北已有167个已感染，正定县朱河村的猪肉就有病毒，收到马上发给你关心的人，最好是群友。
【真相】近日沈阳的确发生非洲猪瘟疫情，但已被及时控制。
辽宁省畜牧兽医局表示，非洲猪瘟不是人畜共患病，不感染人。
近年来，非洲猪瘟在俄罗斯和东欧国家持续流行，之前国内尚未有病例报告。
消费者只要是从正规渠道购买猪肉，再加热烹调食用，就用不着担心非洲猪瘟。
6. “X光有辐射会致癌”
中老年人关注人数估计：53.1万 舆情热度：4709
【传言】有传言称，X光有辐射会致癌，甲状腺癌患者数量上升或与X光检查有关。
【真相】瑞金医院放射科医师蒋佳祺指出，接受正常医用X光检查不会致癌。
有些患者在认识上有些误区，听到“电离辐射”就心生害怕。
另外，医生给接受牙科等项目X光检查的患者戴上甲状腺护罩，有人也会据此认为，接受X光检查会增加癌症风险或者得癌症。
其实，这个问题还得从剂量上来看，医用X光检查产生的辐射量极小，与X光检查的作用相比，其副作用完全可以忽略不计。
7.“喝咖啡的人更长寿”
中老年人关注人数估计：39.1万 舆情热度：7719
【传言】有人称：科学研究表明，喝咖啡对健康有益，经常喝咖啡的人患糖尿病的风险更低，中风和心脏病的几率更低，某些癌症的发病率也更低。
因此喝咖啡的人比不喝咖啡的人寿命更长。
【真相】一位东京大学外科博士在较真平台辟谣，这个研究只是一个回顾性观察，只提供相关性数据，没有因果分析和回顾分析，未能证实咖啡因或者咖啡就是降低死亡率的根源。
因为目前为止，多喝咖啡更加有益，或者应该成为日常饮食习惯的研究证据还很缺乏。
单靠几个观察性的研究，并不能得出每个人都该喝8杯咖啡的结论，“越多越好”还缺乏强证据。
如果你有喝咖啡的习惯，保持下去，如果你没有喝咖啡的习惯，也没必要强求自己喝咖啡，因为饮食多样化，保证果蔬摄入量，坚持规律锻炼，比任何单一饮食成分带来的益处都大。
8.“吃冰西瓜致急性肠坏死”
中老年人关注人数估计：34.4万 舆情热度：
【传言】据媒体报道，一位老人吃了一块冷冻在冰箱的隔夜西瓜，两个小时以后就出现了腹痛症状，送到医院以后被诊断为肠坏死。
新闻引用专家的解释称：是冰西瓜导致了肠坏死。
【真相】医学博士胡远东在较真平台上辟谣，实际上，急性肠坏死和冰西瓜并无因果关系。
从病理生理学的角度，就算西瓜的细菌再多，进入肠道后也不可能马上导致肠坏死。
从流行病学的角度看，西瓜导致肠坏死的可能性也非常小。
胡远东还表示，隔夜的冰西瓜能少吃就尽量少吃，老年人出现持续腹痛时要警惕有肠坏死的可能性，及时就医进行相关的检查，但不能两件事先后发生就认为它们之间一定存在着因果关系，比起宣传“吃冰西瓜导致肠坏死”，还是多宣传肠坏死的病因和早期就诊的必要性更靠谱一些。
9.“玉米煮水能治病”
中老年人关注人数估计：32.3万 舆情热度：6256
【传言】有传言称，煮完玉米的水千万别倒掉了！留在家里特别值钱，还能治多种疾病，能除湿疹护心脏。
【真相】玉米是一个好食品，但把它当做治病的药物，却是无稽之谈。
作为治病的药物必须具备两个基本条件：有效成分和有效剂量。
玉米中不含任何药用成分，即使有，煮水也析不出有效的剂量。
10.“食盐添加亚铁氰化钾堪比毒药”
中老年人关注人数估计：25.6万 舆情热度：6138
【传言】有传言称，国产食盐里面有种可怕的添加剂——亚铁氰化钾。
在生活中，烹饪食物的时候，食用盐遇高温有可能会使亚铁氰化钾分解成氰化钾这种剧毒物质，在10秒钟内能使人丧失意志，几分钟内可以毒死一人。
奥运会、世博会特供食盐及出口食盐均不含亚铁氰化钾。
【真相】据央视记者采访中华预防医学会健康传播分会常务委员钟凯，他表示，亚铁氰化钾是一种合法的食品添加剂，国产食盐中的亚铁氰化钾长期食用并不会给人体带来伤害。
亚铁氰化钾是低毒物质，按照中国国家标准的规定，食盐中的抗结计以亚铁氰根计含量不得超过每公斤10毫克。
同时，中国盐业总公司盐品营销中心副主任崔静表示，特供盐的概念是根本不存在的，在国家一些大型活动上使用的盐都是市面上随处可见的含有亚铁氰化钾的普通食盐。
【专家点评】
“求真”栏目记者联系到了重庆大学新闻学院教授、博士生导师郭小安教授进行点评。
1.易感谣言反映了中老年人共同关切和焦虑
郭小安教授表示，谣言有一个经典公示：谣言强度=重要性*模糊性。
这意味着，越是和我们生活息息相关的、又存在知识盲区的地带，越容易产生谣言。
这就不难理解，为什么朋友圈总是充斥着形形色色的食品致癌、食物相克、迷药割肾、拐卖儿童等谣言，尤其是在老年人朋友圈，更是如此。
对于老年人来说，他们接受互联网的时间短，媒介素养相对欠缺，辨别能力相对薄弱，很多谣言其实都是多年前都已存在，只不过换个马甲在不同平台反复传播而已。
相比较而言，从BBS、论坛、博客、QQ空间、贴吧、豆瓣、人人网、微博等一路玩到微信朋友圈的年轻一族，对这些“新瓶装旧酒”的谣言早已形成了一定的”免疫力“，但很多老年人是直接从广播、电视、报纸，一步跨越到微信朋友圈的，自然是看什么都觉得新鲜，看什么都觉得是科学，很容易成为谣言的传声筒。
另外，步入老年后，他们会更注重健康养生，当遇到重要又无法判断的信息时，容易抱着宁信其有不信其无的心态。
而老年人大多已经处于退休状态，接触社会和知识更新的机会在减少，交流沟通的圈子相对单一，所以一些健康养生类谣言容易引发老年人的共同关注，引发情感共鸣。
某种意义上，谣言的传播其实反映了老年人的共同关切和焦虑。
2.不能一味指责，应加强沟通、普及常识
谣言止于智者，谣言的防范首先是要提高受众的科学素养和媒介素养，这需要国家、社会、家庭层面共同作用。
老年人误传谣言，有时是一种特殊的交流方式和对子女关爱的手段，甚至很多时候，他们转发谣言并不是担心自己的健康，而是他们想尝试去保护他们所关爱的对象。
对于此现象，不能一味去责怪老年群体的知识欠缺，而应该在平时生活中多与和他们交流沟通，给他们普及一些常识，增加他们的信息免疫力。
二、苏轼的一首词以华美艳丽的形象婉曲缠绵的情韵而冠绝古今搜
苏轼认为“诗词一体”“词为诗之苗裔”，作词应像写诗一样，抒发自我的真实性情和独特的人生感受，因为只有这样才能“其文如其为人”。
苏轼词冲破了晚唐五代专写男女艳情和离愁别绪的狭窄题材，将个人际遇，人生感慨等题材入词，改变了词作原有的柔软情调，开豪放派词人之先河。
在苏轼现存的三百多首词中，虽然有不少的豪迈奔放之作，但也有很多词的风格与传统的婉约柔美之风比较接近。
《贺新郎·夏景》宋代：苏轼乳燕飞华屋。
悄无人、桐阴转午，晚凉新浴。
手弄生绡白团扇，扇手一时似玉。
渐困倚、孤眠清熟。
帘外谁来推绣户，枉教人、梦断瑶台曲。
又却是，风敲竹。
石榴半吐红巾蹙。
待浮花、浪蕊都尽，伴君幽独。
秾艳一枝细看取，芳心千重似束。
又恐被、秋风惊绿。
若待得君来向此，花前对酒不忍触。
共粉泪，两簌簌。
这首《贺新郎》是一首抒写闺怨的双调词，咏人兼咏志。
据沈雄《古今词话》记载，苏轼任职杭州时，曾在西湖宴会。
群妓毕集，而秀兰迟到，一府僚为此发怒。
东坡即席写《贺新郎》为秀兰解围。
起调“乳燕飞华屋。
悄无人、桐阴转午，晚凉新浴”，点明时间和环境，雏燕飞进雕梁画栋，屋内却空无一人，院落里梧桐树阴凉，正是午后时分，佳人新出浴。
“手弄生绡白团扇，扇手一时似玉”，词人没有正面描写佳人容貌，反而将重点放在了佳人的手及手中的团扇上。
汉代班婕妤作《团扇歌》云“新制齐纨素，皎洁如霜雪。
裁作合欢扇，团圆似明月。
”团扇在古代文人笔下，常是红颜薄命，佳人失时的象征，而在这首词中，洁白的团扇还暗中象征着佳人孤高傲洁之秉性。
下文接“渐困倚、孤眠清熟”一“渐”一“孤”，契合了上文所营造的寂静冷清之氛围：浴后独坐乘凉，不知不觉竟然孤单入眠，足见佳人内心之落落寡欢，寂寞无聊。
帘外似乎有人推门而入，惊醒了好梦，佳人误认为有人进门，内心乍起风波，惊喜不已，然而侧耳倾听，却发现原来是风吹动竹子发出的声音，她仍然是孤孤单单一个人，便愈发感到失落寂寞。
此句出自唐代诗人李益的诗句“开门复动竹，疑是有人来。
”词人化用了这种清幽意境，以“枉教人”“又却是”两个转折连用，将佳人起伏心情刻画得细微有致，入木三分，更突显全词惆怅惘然、落寞孤寂之感。
下阕转而写院中的石榴花。
半开的石榴花如同红巾叠簇，等到那桃李杏花尽数谢去，它才会独吐幽艳，独立于群芳之外，实际上也是以石榴花比美人，褒扬其不与“浮花浪蕊”为伍的孤高傲世。
“秾艳一枝细看取”写出了石榴花明丽艳泽的外貌，如此热烈美艳的花，唯有细细欣赏才能体味得出它那与众不同的美傲。
“芳心千重似束”用碧绝妙，一方面写石榴花重重叠叠的花瓣，一方面写佳人心事千重万叠，与“心似双丝网，中有千千结”有异曲同工之妙。
下接“又恐被、秋风惊绿。
若待得君来向此，花前对酒不忍触”三句，由花及人，花儿只怕那秋风无情，吹落花满地，只余绿肥红瘦，佳人却担心有朝一日容颜迟暮，无人怜惜。
他日赏花人归来，看到满地残花，美人迟暮，如何畅怀对饮两相欢呢？只有佳人和残花，惺惺相惜，泪珠与花瓣双双落下。
苏轼在新旧两派当权时，均不愿屈身附言，取媚求进，因而或遭到新党排挤，或为旧党不容，屡遭贬谪，仕途不顺，词中以石榴花托佳人，赋予两者孤芳高洁，自伤自怜而又独立于世的情感，很可能也是以此自比，表达自己绝不随波逐流，与朝中官僚同流合污的坚贞品质。
三、谋杀微信者无名之辈
编者按：80后、90后、00后——比起按照年代生硬划分人群，并从这些数字代际中寻找他们各自的特征，我们更喜欢用“年轻人”来形容一个群体。
他们也许才刚上大学，也许已经年近30，特征包含但不仅限于中二、追星、爱看动漫、成天埋首社交网络。
这不是因为他们是90后或00后，而是因为他们正年轻。
36氪“年轻人啊”系列致力于发现时下年轻人们最关心的娱乐及消费趋势，欢迎继续关注本专辑。
“天下苦微信久矣。
”
这是每个想要挑战微信社交地位的创业者的立论。
每天发圈的就剩微商和广告，承载工作、学习、家庭以及陌生人关系的微信，越来越重，越来越杂了，于是人们揣起手，谨言慎行，朋友圈只剩下只展示三天内容的一条线。
而微信7年，也足以见证一个人从血气方刚到棱角圆润。
不少人都在期待社交产品的新鲜感。
但是社交平台创业从来是门一将功成万骨枯的生意，而且成功者还能享受很长一段时间增长的惯性。
沉淀了十个亿用户的微信，拔一根毫毛都变现可观。
比如拼多多在财报中，就郑而重之地将微信入口5年的“租约”计入无形资产。
微信的疲惫和成功的诱惑，都被创业者看在眼里。
创投圈对社交平台创业的讨论也多了起来。
前有子弹短信打破沉寂，让夜空一亮。
子弹曾3天拿到1.5亿融资，来敲门的投资者太多，一度给罗永浩带来了甜蜜的烦恼。
2018年4月成立的微脸WeFace，高喊“这一次，Facebook真的来了”的口号，并于今年11月在应用商店上线。
创始人吴昌澍并不避讳谈论微脸和脸书的高相似度，他直言微脸就是中国的移动版Facebook，但区别在于，微脸完全基于移动端。
摩拳擦掌的敌人，还有微信的前高管们。
黄天晴——前微信开放平台基础部基础产品中心总监，开发了echo瞬间。
echo瞬间偏向图文视频社交。
前腾讯微信公众平台产品经理杨茂巍也是echo瞬间的股东之一。
目前echo瞬间还在内测中。
微信海外版的前产品负责人岳中琦创建了硬核app，硬核最有冲击力的特色是只能加11个好友，因为岳中琦认为“重要的人没那么多”，直击微信好友关系臃肿冗杂。
这四款被创投业关注得较多的产品，使用起来到底如何呢？36氪的一群小伙伴们用一周的时间（11月21日—11月27日）对子弹短信、微脸、echo、硬核，进行了体验，试图从普通用户的视角，探讨我们到底需要什么样的社交新形态。
一个显而易见的结论是，能够冲击微信的大概率不是锤子这样仍然主打文字的社交产品，而是图片，或者声音为主的产品。
总而言之，需要给用户来点好玩的。
ZEPETO目前还远远没有形成社交氛围，但它起码已经体现了好玩的特色，让用户愿意自发传播，自发产出内容。
至于视频社交，现阶段也许太超前了。
总体评价：
1、子弹短信——越大而全，越担心它做不好
子弹成名早，但一直没什么社交沉淀。
从陈旧的手机通讯录挖来好友，即使加了也不会想聊天。
所以产品团队想用优质内容——话题广场和锤子阅读，辅助客群沉淀。
但现在话题不多，内容更新慢，前一天的话题，第二天依旧在最前面。
锤子阅读在模仿头条的聚合上，对信息来源做了一道筛选，自媒体少，偏向权威可信的专业媒体。
但大搞内容，成本不小，摆在锤子面前的问题是，用户来子弹短信的动力是什么，难道仅仅注册一下，diss一下微信就走？
虽然子弹自夸自己比微信好用，但在它弹出使用教程的那一刻，我觉得我宁愿用微信。
子弹短信有微信式的聊天，微博式的话题广场，头条式的锤子阅读——即时通讯+内容，子弹短信锚定了要做比微信更优秀的微信，然而市场需要第二个微信吗？哪怕子弹真比微信发语音、看短信方便一点点，但它远远没有好到让用户放弃几百个微信好友，挪步到空荡荡的子弹上。
子弹短信真如子弹，一瞬间的惊艳，从最初的App Store社交榜第一名，到如今鲜少被谈论起，话题之后，仍然要回归产品。
2、微脸：中国移动端的Facebook？
微脸直接套用了Facebook的模板。
加好友、发布状态、设置状态等界面都很雷同。
在体验的一周里，微脸是唯一一款更容易让用户加到弱关系好友的App，通过验证几乎毫无障碍。
虽然系统推荐的大概率是一群种子用户，并非真正的潜在好友，但也不失为一种激活策略。
微脸瞅准了现代人的“认亲”需求。
人人网的谢幕，并没有抹杀“人以群分”的结网需求，人们依然想沿着关系链，找隔壁班的同学，找校友和同事。
但是在这一周的时间里，微脸在app社交榜的排名，从发布之初的60多名，一直跌到400名外。
所以，摆在创始人吴昌澍眼前的头等大任，就是激活高校、公司的社交关系链。
不久前，微脸还上线了给北大学生寄明信片的活动，也像当年的人人网那样，先主攻几所头部高校，再促进扩张。
3、Echo：想要做微信的后花园？
Echo是微信前产品经理的创业作品。
echo即为回声、共鸣，echo这个app也是想做一个基于小众共鸣的平台，设想了三五好友建个圈子，真诚互赞的场景。
再看老气横秋的微信，好友庞杂，让人不想随便发状态，点赞也让人感到负担和疲惫，身边不少朋友的朋友圈都渐渐成了只显示三天内容。
所以Echo定位就是，分流一部分对微信产生疲惫感的用户，让他们重新集群。
不过三四天之后，我们的小圈子就完全销声匿迹了。
echo小圈子场景很站不住脚，支撑三五好友迁移的动力是什么？是建一个微信群方便，还是换一个平台？
图像化社交永远偏向一个秀场。
没有修好图，都不好意思发，尤其对于精致的一二线年轻人。
既然是舞台般的秀场，就需要观众，而在这光秃秃的平台里，放声歌唱却无人鼓掌，好比大R玩家没有众多不充钱的玩家环绕，就没有氪金打怪升级的动力。
echo用了一周，仍然只有我们5个人，它虽然背靠微信，大家的moment消失后，再也没有新的出现，新鲜感过了，大家不来了。
不过在我就要得出“echo就是一方孤寂的小花园”的结论时，发现参与实验的好友中有人首页刷出了信息流，可以看到echo好友之外的别人的动态——这似乎是个内测中的功能，也许echo的产品团队终于发现：如果不能和真正的陌生人产生联系，这放弃了互联网最大的魅力——窥见牢固的小圈子之外，别人的生活。
左为作者的echo首页，右为某好友首页出现的信息流
4、硬核——创始人可能还在思考方向，11个人的社交到底怎么做。
这是被弃用最早的app，加好友难，聊天难，使用中一头雾水。
但是它还在内测中，未正式上线。
一周体验报告
Day1：充满新鲜感
微脸：
虽然号称真实信息、真实姓名，但是我用了甄嬛的照片当头像，居然顺利通过了。
选择生日的时候，我选择了假信息，1994年，没有被抓包。
说到与用户打招呼的第一个界面——登录界面，不少中国社交平台创业的一大败笔就是，要求访问通讯录。
产品经理你好，这已经是8102了啊！要么不存手机号，要么就往微信存了。
这是微脸、子弹短信落入的第一个俗套。
“安卓机上的微脸，强制访问了通讯录，但是通讯录中没有一个人用，有点想卸载了。
”
微脸刚开始给每位用户推荐的人都是一样的，这些好友带着俊男美女的头像，不少带有教育和工作履历背景。
加了其中一个后，推荐的潜在好友，都会自动和你有一个共同好友。
可以理解，在用户体量不大的情况下，需要给单个用户多推好友，这样才能让用户的页面多刷出来一点信息。
子弹短信
子弹刚诞生，激起水花的时候，有些人注册了，还在朋友圈晒子弹二维码。
但是这些人也离开得最早。
“关联通讯录之后发现已注册的朋友有不少。
但是申请好友都没有通过，应该都卸载了。
”
“用子弹短信加通讯录中唯一一个使用子弹短信的好友，但是她没理我，微信询问得知早就弃用了。
”
不过子弹短信不愧是明星app。
虽然没有几个好友，但是有话题广场、锤子阅读的内容撑腰，依旧可以在没有几个熟人的情况下，带动起部分粘性。
话题广场下有很多##频道。
在#我有一个群#的话题下，很多用户贴了群的二维码。
比如“喜欢历史的朋友进群交流”、“英语阅读群”、“厨艺群”、“水族花鸟群”等，颇似qq群，连接了较弱的关系。
用户进自己感兴趣的频道浏览或发帖，比如#深夜发吃报复社会#，就是大家晒吃。
在#内容引起极度舒适#下，有一些有趣图片。
整体来看，子弹短信的图文质量挺高，且很丰富。
“看到比微信好友还陌生的通讯录好友，被加到子弹短信上，我对这种社交毫无兴趣，因为这些人躺在我的通讯录里好多年，要联系，我老早加微信了，倒是有点期待子弹短信怎么做内容。
”
但是做内容是费力的，子弹的新闻分类还不多，关键问题在于，看不到这是啥时候的新闻，今天都11月21号了，首页还是王思聪庆祝IG夺冠。
Echo瞬间
Echo瞬间是微信前产品经理创业的软件。
所以登录就有惊喜：登录界面就是单一的微信登录入口。
摆明了要把微信的水，分流一部分到自己的田里。
界面简洁到没有前进、后退关闭按钮，变成左滑、右滑。
可以随手拍照or上传图片，可以在图片上加文字，变换字体，也能保存到本地。
灵机一动，隐隐觉得它可以是我制作表情包的软件。
echo发布内容，可以同步到微信，或者把微信好友拉过来建个小圈子。
但小圈子并不是传统的文字和语音聊天，而是发图。
图片上每个人都可以打标签评论，有点像站在图片上聊天？
除了图片，视频上也可以打标签。
Echo似乎想做成一个图片or动图版弹幕，所有好友都能在一张图片上标记。
图片上可以发表情，表情显示后会消失，但是这些表情并非表情包，而是系统自带的，苹果风的中规中矩的表情，这点很限制网民的创造力。
硬核
硬核还没上线app store ，所以跟朋友要的邀请码：手机号注册，网名，不需要真名。
硬核的名字很形象生动，开屏界面一个核桃下面写道：重要的人没那么多。
所以，硬核只能加11个好友。
界面光秃秃，发了一条动态，觉得很寂寞。
就到处找跟别人互动的入口。
翻来翻去，终于通过问别人找到了——“找仁”。
找人要输入对方的名字，这也就意味着你得先去微信问别人，“你的用户名是什么”，才能够找到对方。
比如好友名是iuxxx，你就必须手动输入这一串，而且硬核也没有二维码名片。
搜到iuxxx后，点击对ta感兴趣，但被感兴趣的对方也没有收到任何提示。
还需要你再在微信上提醒一下对方，“我关注你了，我的用户名是iuxxx，你去加下我。
”然后，对方去搜索一下你的名字，点击对你感兴趣。
终于，你们成为好友了——不得不说这是一种极其累赘的路径。
虽然重要的人不多，但也不能这么麻烦啊。
这要多么强烈亲密的关系，才让人坚持翻山越岭、克服重重阻碍，加上好友。
但辛辛苦苦加了好友，也不能聊天。
“我觉得这款软件还没成熟。
它还没想好自己要做什么。
”
Day2：继续摸索
微脸。
发了几条动态，原理跟人人网一模一样。
开始在微脸上加好友，虽然推荐的“可能认识的人”一个都不认识，但既然推荐了就来者不拒。
加了也没有聊天。
子弹短信。
没用子弹聊天，但是瞅了瞅话题广场，感觉跟前一天没有什么变化，也没啥人气。
在子弹短信的话题广场，加了不少群。
Echo。
惊喜之二来了。
微信的“服务通知”提示我，echo上好友给我留言，分享新瞬间了。
觉得echo和微信关系果然非同一般。
但其他人一直试不出来这个提醒。
硬核。
不想用硬核的第二天。
但还是上去发了条状态，“站在世界中心呼唤爱，搞不懂这个玩意儿。
”想到一个场景：要是我删了一个人，对方岂不是很尬，但不方便删，就只能弃用这个app了。
创始人咋想的，为了11个人专门建一个app？
Day3：硬核出局了
微脸。
一口气加了不少好友。
也有一两个用户主动来搭讪。
发现一些微脸用户的个性签名就是自己的微信号。
子弹短信。
因为加了几个子弹短信的群，感到非常吵，上去专门一个个设置了免打扰。
感觉话题广场还是没啥变化。
Echo。
发的状态24小时消失后，保存在我的回忆里，这相当于阅后即焚的理念。
继续发了几条状态。
不过已经没有第一天的热闹感了。
其他人还是试不出来我昨天的微信通知提醒。
硬核。
已经从我们的名单中划出去了。
Day4：归于平淡
微脸。
虽然好友多了一些，但是页面能刷出来的信息流还是太少了。
看到了一个卖鞋的微商。
哪里有人，哪里就是微商的战场。
子弹。
把子弹的群退了一半。
特意再删了几个通讯录加的好友，感觉完全没有联系的欲望。
Echo。
发的moment都消失了，有种落寞感。
特别是翻我的回忆的时候。
今天只有我一个人发了新动态。
Day 5：放弃子弹
微脸。
零星收到好友请求。
盘点了一下微脸好友，发现有一些投资人、腾讯阿里工作的人——这大概可以成为我的工作工具？但也未必比脉脉好用。
有人主动来跟我聊天要微信。
子弹。
不想再用子弹。
Echo。
在“我”的页面上，无内容，不想邀请好友，不想建圈子。
Day 6：有点无聊
微脸。
虽然已经有三十几个好友了，但是页面刷出来的信息流太有限了。
今天看到的还是昨天的状态。
Echo。
孤独的一个我。
不想用了。
Day 7：尾声
微脸。
搜了一下创始人吴昌澍的名字，并通过了！互动热情大涨。
但是当时一起体验其他好友早已不用微脸了。
虽然这四款产品都有各种各样的产品逻辑，或是破解微信的冗余关系，化繁为简，或是从社会网络的角度，让人沿着关系结网，但是它们都统一地缺乏一个引爆点。
即使子弹短信话题度不减，排名维持在百名左右，不温不火，近期完善了用支付宝扫码、能点开抖音、微博等链接分享，但是，它只不过更像现在的微信，而且还是比微信差太大。
也统一地缺乏一点想象力。
谁引爆了？
1、基于虚拟人物和图片的Zepeto
迈入12月，捏脸图让朋友圈变得有点热闹。
这些图片分享自这款韩国Snow公司开发的3D虚拟形象社交软件Zepeto。
用户在上面可以捏脸，像QQ秀一样从商城买漂亮皮肤，买道具装饰自己的卧室。
提到捏脸，Zepeto可不是当年稚嫩的脸萌。
脸萌的创始人郭列，当年仅是一名大学在校学生，凭借兴趣做出了脸萌。
而韩国Snow公司则在美颜自拍领域深耕多年，旗下还有snow、B612、looks、Line Camera等app。
韩国是一个以追逐颜值著称的国家，Zepeto的母公司Snow，显然在揣摩人们比美，以及自我展示的心理上有很深的洞察。
12月2号，Zepeto在维修升级，但大量用户依然在源源不断涌入，app变得异常卡顿、不断黑屏和白屏，但依旧没能阻止Zepeto的排名迅速超越今日头条，蹿升为app
store免费榜的第一名，并全天霸榜。
目前，Zepeto用户数已经达到百万级。
在商业模式上，Zepeto是个一出生就能赚钱的app。
用图像社交，并打通微信脸书Twitter，迅速获客；并树立“红人”（也不会受红人牵制），引导用户预期，“我也想这么时尚！”，促进皮肤销售，用户要么充钱，要么看广告
or 玩游戏赚钱。
但是Zepeto服务器不稳定，持续败坏用户体验。
就在刚刚我打开Zepeto时，发现自己的账号被清空了，而昨天我刚买了一套圣诞装。
而且，Zepeto还面临的一个尴尬境地是，人们在软件里捏脸合影，但最终还是回到微信朋友圈和群里分享。
2、用歌声交友的音遇
另一款上升很快的交软件是音遇，这是一款以歌会友的产品，但你很难把它当成一款音乐软件。
它的logo也是一个音符，看上去跟抖音很像，在音遇上，声音才是硬通货，可以不用看脸。
只不过，跟全民K歌这种以唱歌特好听的大牛为中心不同，在音遇上，侧重的是“抢麦”，每个人能抢到的歌词事实上只有一句，听到唱歌好的大神你当然会赞美，但非要在情歌里加进自由发挥的rap，或者是真真假假走调破音的用户会更让你想关注。
观察音遇在微博大V那里投放的软广也可以发现，在启动期，音遇自己也是更推崇以各种搞怪的UGC来吸引新用户。
对年轻人来说，无论是展示图片和声音，都比文字更有意思更有信息量；比起围观各种身怀绝技的人在秀，用自己的创意来参与其中更有意思；比起好不好听，好不好看的攀比，好不好笑，好不好玩变得越来越重要。
目前App Store社交榜排名第二的音遇碰到的问题是，如何让那些日常对唱歌一点儿兴趣都没有的用户进来。
毕竟，以音乐为门槛，已经足够筛掉一大批人，如果只是为了看段子的话，抖音上就已经有足够多。
我们体验报告中测试的软件，并非是完美的。
但它们是改变萌发的端倪，青萍之末的微风。
它们背后是想要改变格局的创业者，也连接着一群想要一点改变的用户。
再来看微信，我们感激微信对社会连接方式的改变，但是我们也期待有想象力的社交产品继续问世。
交织流动的网络，每一节点的相遇，都闪烁着不一样的微光。
四、清华AI芯片报告人才技术趋势都在这里
2010 年以来， 由于大数据产业的发展， 数据量呈现爆炸性增长态势，而传统的计算架构又无法支撑深度学习的大规模并行计算需求， 于是研究界对 AI
芯片进行了新一轮的技术研发与应用研究。
AI 芯片是人工智能时代的技术核心之一，决定了平台的基础架构和发展生态。
AI芯片基本知识及现状
从广义上讲只要能够运行人工智能算法的芯片都叫作 AI 芯片。
但是通常意义上的 AI 芯片指的是针对人工智能算法做了特殊加速设计的芯片， 现阶段， 这些人工智能算法一般以深度学习算法为主，也可以包括其它机器学习算法。
人工智能与深度学习的关系如图所示。
▲人工智能与深度学习
深度学习算法，通常是基于接收到的连续数值， 通过学习处理， 并输出连续数值的过程，实质上并不能完全模仿生物大脑的运作机制。
基于这一现实， 研究界还提出了SNN（Spiking Neural Network，脉冲神经网络） 模型。
作为第三代神经网络模型， SNN 更贴近生物神经网络——除了神经元和突触模型更贴近生物神经元与突触之外， SNN 还将时域信息引入了计算模型。
目前基于 SNN 的 AI 芯片主要以 IBM 的 TrueNorth、 Intel 的 Loihi 以及国内的清华大学天机芯为代表。
1、AI 芯片发展历程
从图灵的论文《计算机器与智能》 和图灵测试， 到最初级的神经元模拟单元——感知机， 再到现在多达上百层的深度神经网络，人类对人工智能的探索从来就没有停止过。
上世纪八十年代，多层神经网络和反向传播算法的出现给人工智能行业点燃了新的火花。
反向传播的主要创新在于能将信息输出和目标输出之间的误差通过多层网络往前一级迭代反馈，将最终的输出收敛到某一个目标范围之内。
1989 年贝尔实验室成功利用反向传播算法，在多层神经网络开发了一个手写邮编识别器。
1998 年 Yann LeCun 和 Yoshua Bengio 发表了手写识别神经网络和反向传播优化相关的论文《Gradient-based
learning applied to documentrecognition》，开创了卷积神经网络的时代。
此后， 人工智能陷入了长时间的发展沉寂阶段，直到 1997年 IBM的深蓝战胜国际象棋大师和 2011年 IBM的沃森智能系统在
Jeopardy节目中胜出，人工智能才又一次为人们所关注。
2016 年 Alpha Go 击败韩国围棋九段职业选手，则标志着人工智能的又一波高潮。
从基础算法、 底层硬件、 工具框架到实际应用场景， 现阶段的人工智能领域已经全面开花。
作为人工智能核心的底层硬件 AI 芯片，也同样经历了多次的起伏和波折，总体看来，AI 芯片的发展前后经历了四次大的变化，其发展历程如图所示。
▲AI 芯片发展历程
（1） 2007 年以前， AI 芯片产业一直没有发展成为成熟的产业； 同时由于当时算法、数据量等因素， 这个阶段 AI
芯片并没有特别强烈的市场需求，通用的 CPU 芯片即可满足应用需要。
（2） 随着高清视频、 VR、 AR游戏等行业的发展， GPU产品取得快速的突破； 同时人们发现 GPU
的并行计算特性恰好适应人工智能算法及大数据并行计算的需求，如 GPU 比之前传统的 CPU在深度学习算法的运算上可以提高几十倍的效率，因此开始尝试使用
GPU进行人工智能计算。
（3） 进入 2010 年后，云计算广泛推广，人工智能的研究人员可以通过云计算借助大量 CPU 和 GPU 进行混合运算，进一步推进了 AI
芯片的深入应用，从而催生了各类 AI 芯片的研发与应用。
（4） 人工智能对于计算能力的要求不断快速地提升，进入 2015 年后， GPU 性能功耗比不高的特点使其在工作适用场合受到多种限制，
业界开始研发针对人工智能的专用芯片，以期通过更好的硬件和芯片架构，在计算效率、能耗比等性能上得到进一步提升。
2、我国 AI 芯片发展情况
目前，我国的人工智能芯片行业发展尚处于起步阶段。
长期以来，中国在 CPU、 GPU、DSP 处理器设计上一直处于追赶地位，绝大部分芯片设计企业依靠国外的 IP 核设计芯片，在自主创新上受到了极大的限制。
然而，人工智能的兴起，无疑为中国在处理器领域实现弯道超车提供了绝佳的机遇。
人工智能领域的应用目前还处于面向行业应用阶段，生态上尚未形成垄断，国产处理器厂商与国外竞争对手在人工智能这一全新赛场上处在同一起跑线上，因此，
基于新兴技术和应用市场，中国在建立人工智能生态圈方面将大有可为。
由于我国特殊的环境和市场，国内 AI 芯片的发展目前呈现出百花齐放、百家争鸣的态势， AI
芯片的应用领域也遍布股票交易、金融、商品推荐、安防、早教机器人以及无人驾驶等众多领域，催生了大量的人工智能芯片创业公司，如地平线、深鉴科技、中科寒武纪等。
尽管如此， 国内公司却并未如国外大公司一样形成市场规模， 反而出现各自为政的散裂发展现状。
除了新兴创业公司，国内研究机构如北京大学、清华大学、中国科学院等在AI 芯片领域都有深入研究；而其他公司如百度和比特大陆等， 2017 年也有一些成果发布。
可以预见，未来谁先在人工智能领域掌握了生态系统，谁就掌握住了这个产业的主动权。
3、AI学者概况
基于来自清华大学AMiner人才库数据，全球人工智能芯片领域学者分布如图所示，从图中可以看到， 人工智能芯片领域的学者主要分布在北美洲，其次是欧洲。
中国对人工智能芯片的研究紧跟其后，南美洲、非洲和大洋洲人才相对比较匮乏。
▲ 人工智能芯片领域研究学者全球分布
按国家进行统计来看美国是人工智能芯片领域科技发展的核心。
英国的人数紧排在美国之后。
其他的专家主要分布在中国、 德国、 加拿大、意大利和日本。
▲人工智能芯片领域研究学者全球分布
对全球人工智能芯片领域最具影响力的 1000 人的迁徙路径进行了统计分析，得出下图所示的各国人才逆顺差对比。
▲各国人才逆顺差
可以看出，各国人才的流失和引进是相对比较均衡的，其中美国为人才流动大国，人才输入和输出幅度都大幅度领先。
英国、 中国、 德国和瑞士等国次于美国，但各国之间人才流动相差并不明显。
AI 芯片的分类及技术
人工智能芯片目前有两种发展路径：一种是延续传统计算架构，加速硬件计算能力，主要以 3 种类型的芯片为代表，即 GPU、 FPGA、 ASIC，但
CPU依旧发挥着不可替代的作用；另一种是颠覆经典的冯·诺依曼计算架构，采用类脑神经结构来提升计算能力， 以 IBM TrueNorth 芯片为代表。
1、传统 CPU
计算机工业从 1960 年代早期开始使用 CPU 这个术语。
迄今为止， CPU 从形态、设计到实现都已发生了巨大的变化，但是其基本工作原理却一直没有大的改变。
通常 CPU 由控制器和运算器这两个主要部件组成。
传统的 CPU 内部结构图如图 3 所示， 从图中我们可以看到：实质上仅单独的 ALU
模块（逻辑运算单元）是用来完成数据计算的，其他各个模块的存在都是为了保证指令能够一条接一条的有序执行。
这种通用性结构对于传统的编程计算模式非常适合，同时可以通过提升 CPU 主频（提升单位时间内执行指令的条数）来提升计算速度。
但对于深度学习中的并不需要太多的程序指令、 却需要海量数据运算的计算需求， 这种结构就显得有些力不从心。
尤其是在功耗限制下， 无法通过无限制的提升 CPU 和内存的工作频率来加快指令执行速度， 这种情况导致 CPU 系统的发展遇到不可逾越的瓶颈。
▲传统 CPU 内部结构图（仅 ALU 为主要计算模块）
2、并行加速计算的 GPU
GPU 作为最早从事并行加速计算的处理器，相比 CPU 速度快， 同时比其他加速器芯片编程灵活简单。
传统的 CPU 之所以不适合人工智能算法的执行，主要原因在于其计算指令遵循串行执行的方式，没能发挥出芯片的全部潜力。
与之不同的是， GPU 具有高并行结构，在处理图形数据和复杂算法方面拥有比 CPU 更高的效率。
对比 GPU 和 CPU 在结构上的差异， CPU大部分面积为控制器和寄存器，而 GPU 拥有更ALU(ARITHMETIC LOGIC
UNIT，逻辑运算单元)用于数据处理，这样的结构适合对密集型数据进行并行处理， CPU 与 GPU 的结构对比如图 所示。
程序在 GPU系统上的运行速度相较于单核 CPU往往提升几十倍乃至上千倍。
随着英伟达、 AMD 等公司不断推进其对 GPU 大规模并行架构的支持，面向通用计算的 GPU(即GPGPU， GENERAL PURPOSE
GPU，通用计算图形处理器)已成为加速可并行应用程序的重要手段。
▲CPU 及 GPU 结构对比图（引用自 NVIDIA CUDA 文档）
GPU 的发展历程可分为 3 个阶段， 发展历程如图所示：
第 一 代 GPU(1999 年 以 前 ) ， 部 分 功 能 从 CPU 分 离 ， 实 现 硬 件 加 速 ， 以GE(GEOMETRY
ENGINE)为代表，只能起到 3D 图像处理的加速作用，不具有软件编程特性。
第二代 GPU(1999-2005 年)， 实现进一步的硬件加速和有限的编程性。
1999 年，英伟达发布了“专为执行复杂的数学和几何计算的” GeForce256 图像处理芯片，将更多的晶体管用作执行单元， 而不是像 CPU
那样用作复杂的控制单元和缓存，将 T&L;(TRANSFORM AND LIGHTING)等功能从 CPU 分离出来，实现了快速变换，这成为 GPU
真正出现的标志。
之后几年， GPU 技术快速发展，运算速度迅速超过 CPU。
2001 年英伟达和 ATI 分别推出的GEFORCE3 和 RADEON
8500，图形硬件的流水线被定义为流处理器，出现了顶点级可编程性，同时像素级也具有有限的编程性，但 GPU 的整体编程性仍然比较有限。
第三代 GPU(2006年以后)， GPU实现方便的编程环境创建， 可以直接编写程序。
2006年英伟达与 ATI分别推出了 CUDA(Compute United Device Architecture，计算统一设备架构)编程环境和
CTM(CLOSE TO THE METAL)编程环境， 使得 GPU 打破图形语言的局限成为真正的并行数据处理超级加速器。
2008 年，苹果公司提出一个通用的并行计算编程平台 OPENCL（OPEN COMPUTING LANGUAGE，开放运算语言），与 CUDA
绑定在英伟达的显卡上不同，OPENCL 和具体的计算设备无关。
▲GPU 芯片的发展阶段
目前， GPU 已经发展到较为成熟的阶段。
谷歌、 FACEBOOK、微软、 TWITTER 和百度等公司都在使用 GPU 分析图片、视频和音频文件，以改进搜索和图像标签等应用功能。
此外，很多汽车生产商也在使用 GPU 芯片发展无人驾驶。
不仅如此， GPU 也被应用于VR/AR 相关的产业。
但是 GPU也有一定的局限性。
深度学习算法分为训练和推断两部分， GPU 平台在算法训练上非常高效。
但在推断中对于单项输入进行处理的时候，并行计算的优势不能完全发挥出来。
3、半定制化的 FPGA
FPGA 是在 PAL、 GAL、 CPLD 等可编程器件基础上进一步发展的产物。
用户可以通过烧入 FPGA 配置文件来定义这些门电路以及存储器之间的连线。
这种烧入不是一次性的，比如用户可以把 FPGA 配置成一个微控制器 MCU，使用完毕后可以编辑配置文件把同一个FPGA 配置成一个音频编解码器。
因此， 它既解决了定制电路灵活性的不足，又克服了原有可编程器件门电路数有限的缺点。
FPGA 可同时进行数据并行和任务并行计算，在处理特定应用时有更加明显的效率提升。
对于某个特定运算，通用 CPU 可能需要多个时钟周期； 而 FPGA 可以通过编程重组电路，直接生成专用电路，仅消耗少量甚至一次时钟周期就可完成运算。
此外，由于 FPGA的灵活性，很多使用通用处理器或 ASIC难以实现的底层硬件控制操作技术， 利用 FPGA 可以很方便的实现。
这个特性为算法的功能实现和优化留出了更大空间。
同时 FPGA 一次性成本(光刻掩模制作成本)远低于 ASIC，在芯片需求还未成规模、深度学习算法暂未稳定， 需要不断迭代改进的情况下，利用 FPGA
芯片具备可重构的特性来实现半定制的人工智能芯片是最佳选择之一。
功耗方面，从体系结构而言， FPGA 也具有天生的优势。
传统的冯氏结构中，执行单元（如 CPU 核）执行任意指令，都需要有指令存储器、译码器、各种指令的运算器及分支跳转处理逻辑参与运行， 而 FPGA
每个逻辑单元的功能在重编程（即烧入）时就已经确定，不需要指令，无需共享内存，从而可以极大的降低单位执行的功耗，提高整体的能耗比。
由于 FPGA 具备灵活快速的特点， 因此在众多领域都有替代 ASIC 的趋势。
FPGA 在人工智能领域的应用如图所示。
▲FPGA 在人工智能领域的应用
4、全定制化的 ASIC
目前以深度学习为代表的人工智能计算需求，主要采用 GPU、 FPGA 等已有的适合并行计算的通用芯片来实现加速。
在产业应用没有大规模兴起之时，使用这类已有的通用芯片可以避免专门研发定制芯片（ASIC） 的高投入和高风险。
但是，由于这类通用芯片设计初衷并非专门针对深度学习，因而天然存在性能、 功耗等方面的局限性。
随着人工智能应用规模的扩大，这类问题日益突显。
GPU 作为图像处理器， 设计初衷是为了应对图像处理中的大规模并行计算。
因此，在应用于深度学习算法时，有三个方面的局限性：第一，应用过程中无法充分发挥并行计算优势。
深度学习包含训练和推断两个计算环节， GPU 在深度学习算法训练上非常高效， 但对于单一输入进行推断的场合， 并行度的优势不能完全发挥。
第二， 无法灵活配置硬件结构。
GPU 采用 SIMT 计算模式， 硬件结构相对固定。
目前深度学习算法还未完全稳定，若深度学习算法发生大的变化， GPU 无法像 FPGA 一样可以灵活的配制硬件结构。
第三，运行深度学习算法能效低于 FPGA。
尽管 FPGA 倍受看好，甚至新一代百度大脑也是基于 FPGA
平台研发，但其毕竟不是专门为了适用深度学习算法而研发，实际应用中也存在诸多局限：第一，基本单元的计算能力有限。
为了实现可重构特性， FPGA 内部有大量极细粒度的基本单元，但是每个单元的计算能力(主要依靠 LUT 查找表)都远远低于 CPU 和 GPU 中的 ALU
模块； 第二、 计算资源占比相对较低。
为实现可重构特性， FPGA 内部大量资源被用于可配置的片上路由与连线； 第三，速度和功耗相对专用定制芯片(ASIC)仍然存在不小差距； 第四， FPGA
价格较为昂贵，在规模放量的情况下单块 FPGA 的成本要远高于专用定制芯片。
因此，随着人工智能算法和应用技术的日益发展，以及人工智能专用芯片 ASIC产业环境的逐渐成熟， 全定制化人工智能
ASIC也逐步体现出自身的优势，从事此类芯片研发与应用的国内外比较有代表性的公司如图所示。
▲人工智能专用芯片（包括类脑芯片） 研发情况一览
深度学习算法稳定后， AI 芯片可采用 ASIC 设计方法进行全定制， 使性能、功耗和面积等指标面向深度学习算法做到最优。
5、类脑芯片
类脑芯片不采用经典的冯·诺依曼架构， 而是基于神经形态架构设计，以 IBM Truenorth为代表。
IBM 研究人员将存储单元作为突触、计算单元作为神经元、传输单元作为轴突搭建了神经芯片的原型。
目前， Truenorth 用三星 28nm 功耗工艺技术，由 54 亿个晶体管组成的芯片构成的片上网络有 4096 个神经突触核心，实时作业功耗仅为
70mW。
由于神经突触要求权重可变且要有记忆功能， IBM 采用与 CMOS 工艺兼容的相变非挥发存储器（PCM）的技术实验性的实现了新型突触，加快了商业化进程。
AI芯片产业及趋势
1、AI芯片应用领域
随着人工智能芯片的持续发展，应用领域会随时间推移而不断向多维方向发展，这里我们选择目前发展比较集中的几个行业做相关的介绍。
▲AI芯片目前比较集中的应用领域
（1）智能手机
2017 年 9 月，华为在德国柏林消费电子展发布了麒麟 970 芯片，该芯片搭载了寒武纪的 NPU，成为“全球首款智能手机移动端 AI 芯片” ；
2017 年 10 月中旬 Mate10 系列新品（该系列手机的处理器为麒麟 970）上市。
搭载了 NPU 的华为 Mate10
系列智能手机具备了较强的深度学习、本地端推断能力，让各类基于深度神经网络的摄影、图像处理应用能够为用户提供更加完美的体验。
而苹果发布以 iPhone X 为代表的手机及它们内置的 A11 Bionic 芯片。
A11 Bionic 中自主研发的双核架构 Neural Engine（神经网络处理引擎），它每秒处理相应神经网络计算需求的次数可达 6000 亿次。
这个 Neural Engine 的出现，让 A11 Bionic 成为一块真正的 AI 芯片。
A11 Bionic 大大提升了 iPhone X 在拍照方面的使用体验，并提供了一些富有创意的新用法。
（2）ADAS（高级辅助驾驶系统）
ADAS 是最吸引大众眼球的人工智能应用之一， 它需要处理海量的由激光雷达、毫米波雷达、摄像头等传感器采集的实时数据。
相对于传统的车辆控制方法，智能控制方法主要体现在对控制对象模型的运用和综合信息学习运用上，包括神经网络控制和深度学习方法等，得益于 AI 芯片的飞速发展，
这些算法已逐步在车辆控制中得到应用。
（3）CV（计算机视觉（Computer Vision） 设备
需要使用计算机视觉技术的设备，如智能摄像头、无人机、 行车记录仪、人脸识别迎宾机器人以及智能手写板等设备，
往往都具有本地端推断的需要，如果仅能在联网下工作，无疑将带来糟糕的体验。
而计算机视觉技术目前看来将会成为人工智能应用的沃土之一，计算机视觉芯片将拥有广阔的市场前景。
（4） VR 设备
VR 设备芯片的代表为 HPU 芯片， 是微软为自身 VR 设备 Hololens 研发定制的。
这颗由台积电代工的芯片能同时处理来自 5个摄像头、 1个深度传感器以及运动传感器的数据，并具备计算机视觉的矩阵运算和 CNN 运算的加速功能。
这使得 VR 设备可重建高质量的人像 3D 影像，并实时传送到任何地方。
（5）语音交互设备
语音交互设备芯片方面，国内有启英泰伦以及云知声两家公司，其提供的芯片方案均内置了为语音识别而优化的深度神经网络加速方案，实现设备的语音离线识别。
稳定的识别能力为语音技术的落地提供了可能； 与此同时，语音交互的核心环节也取得重大突破。
语音识别环节突破了单点能力，从远场识别，到语音分析和语义理解有了重大突破，呈现出一种整体的交互方案。
（6）机器人
无论是家居机器人还是商用服务机器人均需要专用软件+芯片的人工智能解决方案，这方面典型公司有由前百度深度学习实验室负责人余凯创办的地平线机器人，当然地平线机器人除此之外，还提供
ADAS、智能家居等其他嵌入式人工智能解决方案。
2、AI芯片国内外代表性企业
本篇将介绍目前人工智能芯片技术领域的国内外代表性企业。
文中排名不分先后。
人工智能芯片技术领域的国内代表性企业包括中科寒武纪、中星微、地平线机器人、深鉴科技、 灵汐科技、 启英泰伦、百度、华为等，国外包括英伟达、 AMD、
Google、高通、Nervana Systems、 Movidius、 IBM、 ARM、 CEVA、 MIT/Eyeriss、苹果、三星等。
中科寒武纪。
寒武纪科技成立于 2016
年，总部在北京，创始人是中科院计算所的陈天石、陈云霁兄弟，公司致力于打造各类智能云服务器、智能终端以及智能机器人的核心处理器芯片。
阿里巴巴创投、联想创投、国科投资、中科图灵、元禾原点、涌铧投资联合投资，为全球 AI芯片领域第一个独角兽初创公司。
寒武纪是全球第一个成功流片并拥有成熟产品的 AI 芯片公司，拥有终端 AI 处理器 IP和云端高性能 AI 芯片两条产品线。
2016 年发布的寒武纪 1A 处理器（Cambricon-1A）
是世界首款商用深度学习专用处理器，面向智能手机、安防监控、无人机、可穿戴设备以及智能驾驶等各类终端设备，在运行主流智能算法时性能功耗比全面超越传统处理器。
中星微。
1999 年， 由多位来自硅谷的博士企业家在北京中关村科技园区创建了中星微电子有限公司，
启动并承担了国家战略项目——“星光中国芯工程”,致力于数字多媒体芯片的开发、设计和产业化。
2016 年初，中星微推出了全球首款集成了神经网络处理器（NPU）的 SVAC 视频编解码
SoC，使得智能分析结果可以与视频数据同时编码，形成结构化的视频码流。
该技术被广泛应用于视频监控摄像头，开启了安防监控智能化的新时代。
自主设计的嵌入式神经网络处理器（NPU）采用了“数据驱动并行计算”
架构，专门针对深度学习算法进行了优化，具备高性能、低功耗、高集成度、小尺寸等特点，特别适合物联网前端智能的需求。
▲集成了 NPU 的神经网络处理器 VC0616 的内部结构
地平线机器人（Horizon Robotics）。
地平线机器人成立于 2015 年，总部在北京，创始人是前百度深度学习研究院负责人余凯。
BPU（BrainProcessing Unit） 是地平线机器人自主设计研发的高效人工智能处理器架构IP，支持 ARM/GPU/FPGA/ASIC
实现，专注于自动驾驶、人脸图像辨识等专用领域。
2017年，地平线发布基于高斯架构的嵌入式人工智能解决方案，将在智能驾驶、智能生活、公共安防三个领域进行应用，第一代 BPU芯片“盘古”
目前已进入流片阶段，预计在 2018年下半年推出，能支持 1080P 的高清图像输入，每秒钟处理 30 帧，检测跟踪数百个目标。
地平线的第一代 BPU 采用 TSMC 的 40nm工艺，相对于传统 CPU/GPU， 能效可以提升 2~3 个数量级（100~1,000 倍左右）。
深鉴科技。
深鉴科技成立于 2016 年，总部在北京。
由清华大学与斯坦福大学的世界顶尖深度学习硬件研究者创立。
深鉴科技于 2018 年 7 月被赛灵思收购。
深鉴科技将其开发的基于 FPGA 的神经网络处理器称为 DPU。
到目前为止，深鉴公开发布了两款 DPU：亚里士多德架构和笛卡尔架构，其中，亚里士多德架构是针对卷积神经网络 CNN 而设计；笛卡尔架构专为处理
DNN/RNN 网络而设计，可对经过结构压缩后的稀疏神经网络进行极致高效的硬件加速。
相对于 Intel XeonCPU 与 Nvidia TitanX GPU，应用笛卡尔架构的处理器在计算速度上分别提高 189 倍与 13 倍，具有
24,000 倍与 3,000 倍的更高能效。
灵汐科技。
灵汐科技于 2018 年 1 月在北京成立，联合创始人包括清华大学的世界顶尖类脑计算研究者。
公司致力于新一代神经网络处理器（Tianjic） 开发， 特点在于既能够高效支撑现有流行的机器学习算法（包括 CNN， MLP， LSTM
等网络架构），也能够支撑更仿脑的、更具成长潜力的脉冲神经网络算法； 使芯片具有高计算力、高多任务并行度和较低功耗等优点。
软件工具链方面支持由 Caffe、 TensorFlow 等算法平台直接进行神经网络的映射编译，开发友善的用户交互界面。
Tianjic 可用于云端计算和终端应用场景，助力人工智能的落地和推广。
启英泰伦。
启英泰伦于2015年 11月在成都成立，是一家语音识别芯片研发商。
启英泰伦的 CI1006是基于 ASIC 架构的人工智能语音识别芯片，包含了脑神经网络处理硬件单元，能够完美支持 DNN
运算架构，进行高性能的数据并行计算，可极大的提高人工智能深度学习语音技术对大量数据的处理效率。
百度。
百度 2017 年 8 月 Hot Chips 大会上发布了 XPU，这是一款 256 核、基于 FPGA 的云计算加速芯片。
合作伙伴是赛思灵（Xilinx）。
XPU 采用新一代 AI 处理架构，拥有 GPU 的通用性和 FPGA 的高效率和低能耗，对百度的深度学习平台 PaplePaple 做了高度的优化和加速。
据介绍， XPU 关注计算密集型、基于规则的多样化计算任务，希望提高效率和性能，并带来类似 CPU 的灵活性。
华为。
麒麟 970 搭载的神经网络处理器 NPU 采用了寒武纪 IP，如图 12 所示。
麒麟 970 采用了 TSMC 10nm 工艺制程，拥有 55 亿个晶体管，功耗相比上一代芯片降低 20%。
CPU 架构方面为 4 核 A73+4 核 A53 组成 8 核心，能耗同比上一代芯片得到 20%的提升； GPU 方面采用了 12 核 Mali G72
MP12GPU，在图形处理以及能效两项关键指标方面分别提升 20%和50%； NPU 采用 HiAI移动计算架构，在 FP16 下提供的运算性能可以达到
1.92 TFLOPs，相比四个 Cortex-A73 核心，处理同样的 AI 任务，有大约具备 50 倍能效和 25 倍性能优势。
英伟达（Nvidia）。
英伟达创立于 1993 年，总部位于美国加利福尼亚州圣克拉拉市。
早在 1999 年， 英伟达发明了 GPU，重新定义了现代计算机图形技术，彻底改变了并行计算。
深度学习对计算速度有非常苛刻的要求， 而英伟达的 GPU 芯片可以让大量处理器并行运算，速度比 CPU
快十倍甚至几十倍，因而成为绝大部分人工智能研究者和开发者的首选。
自从 Google Brain 采用 1.6 万个 GPU 核训练 DNN 模型， 并在语音和图像识别等领域获得巨大成功以来， 英伟达已成为 AI
芯片市场中无可争议的领导者。
AMD。
美国 AMD 半导体公司专门为计算机、 通信和消费电子行业设计和制造各种创新的微处理器（CPU、 GPU、 APU、 主板芯片组、
电视卡芯片等），以及提供闪存和低功率处理器解决方案， 公司成立于 1969 年。
AMD 致力为技术用户——从企业、 政府机构到个人消费者——提供基于标准的、 以客户为中心的解决方案。
2017 年 12 月 Intel 和 AMD 宣布将联手推出一款结合英特尔处理器和 AMD 图形单元的笔记本电脑芯片。
目前 AMD 拥有针对 AI 和机器学习的高性能 Radeon Instinc 加速卡，开放式软件平台 ROCm 等。
Google。
Google 在 2016 年宣布独立开发一种名为 TPU 的全新的处理系统。
TPU 是专门为机器学习应用而设计的专用芯片。
通过降低芯片的计算精度，减少实现每个计算操作所需晶体管数量的方式，让芯片的每秒运行的操作个数更高，这样经过精细调优的机器学习模型就能在芯片上运行得更快，进而更快地让用户得到更智能的结果。
在 2016 年 3 月打败了李世石和 2017 年 5 月打败了柯杰的阿尔法狗，就是采用了谷歌的 TPU 系列芯片。
Google I/O-2018 开发者大会期间，正式发布了第三代人工智能学习专用处理器 TPU 3.0。
TPU3.0 采用 8 位低精度计算以节省晶体管数量， 对精度影响很小但可以大幅节约功耗、加快速度，同时还有脉动阵列设计，优化矩阵乘法与卷积运算，
并使用更大的片上内存，减少对系统内存的依赖。
速度能加快到最高 100PFlops（每秒 1000 万亿次浮点计算）。
高通。
在智能手机芯片市场占据绝对优势的高通公司，也在人工智能芯片方面积极布局。
据高通提供的资料显示，其在人工智能方面已投资了 Clarifai 公司和中国“专注于物联网人工智能服务” 的云知声。
而早在 2015 年 CES 上，高通就已推出了一款搭载骁龙 SoC 的飞行机器人——Snapdragon Cargo。
高通认为在工业、农业的监测以及航拍对拍照、摄像以及视频新需求上，公司恰好可以发挥其在计算机视觉领域的能力。
此外，高通的骁龙 820 芯片也被应用于 VR头盔中。
事实上，高通已经在研发可以在本地完成深度学习的移动端设备芯片。
Nervana Systems。
Nervana 创立于 2014 年， 公司推出的 The Nervana Engine 是一个为深度学习专门定制和优化的 ASIC 芯片。
这个方案的实现得益于一项叫做 High Bandwidth Memory 的新型内存技术， 这项技术同时拥有高容量和高速度，提供 32GB 的片上储存和
8TB 每秒的内存访问速度。
该公司目前提供一个人工智能服务“in the cloud” ，他们声称这是世界上最快的且目前已被金融服务机构、医疗保健提供者和政府机构所使用的服务。
他们的新型芯片将会保证 Nervana 云平台在未来的几年内仍保持最快的速度。
Movidius（被 Intel 收购）。
2016 年 9 月， Intel 发表声明收购了 Movidius。
Movidius 专注于研发高性能视觉处理芯片。
其最新一代的 Myriad2 视觉处理器主要由 SPARC 处理器作为主控制器，加上专门的DSP 处理器和硬件加速电路来处理专门的视觉和图像信号。
这是一款以 DSP 架构为基础的视觉处理器，在视觉相关的应用领域有极高的能耗比，可以将视觉计算普及到几乎所有的嵌入式系统中。
该芯片已被大量应用在 Google 3D 项目的 Tango 手机、大疆无人机、 FLIR 智能红外摄像机、海康深眸系列摄像机、华睿智能工业相机等产品中。
IBM。
IBM 很早以前就发布过 watson，投入了很多的实际应用。
除此之外，还启动了类脑芯片的研发， 即 TrueNorth。
TrueNorth 是 IBM 参与 DARPA 的研究项目 SyNapse 的最新成果。
SyNapse 全称是Systems of Neuromorphic Adaptive Plastic Scalable
Electronics（自适应可塑可伸缩电子神经系统，而 SyNapse 正好是突触的意思），其终极目标是开发出打破冯·诺依曼体系结构的计算机体系结构。
ARM。
ARM 推出全新芯片架构 DynamIQ，通过这项技术， AI 芯片的性能有望在未来三到五年内提升 50 倍。
ARM的新CPU架构将会通过为不同部分配置软件的方式将多个处理核心集聚在一起，这其中包括一个专门为 AI 算法设计的处理器。
芯片厂商将可以为新处理器配置最多 8 个核心。
同时为了能让主流 AI 在自己的处理器上更好地运行， ARM 还将推出一系列软件库。
CEVA。
CEVA 是专注于 DSP 的 IP 供应商，拥有众多的产品线。
其中，图像和计算机视觉 DSP产品 CEVA-XM4是第一个支持深度学习的可编程 DSP，而其发布的新一代型号 CEVA-
XM6，具有更优的性能、更强大的计算能力以及更低的能耗。
CEVA 指出，智能手机、汽车、安全和商业应用，如无人机、自动化将是其业务开展的主要目标。
MIT/Eyeriss。
Eyeriss 事实上是 MIT 的一个项目，还不是一个公司， 从长远来看，如果进展顺利，很可能孵化出一个新的公司。
Eyeriss 是一个高效能的深度卷积神经网络（CNN）加速器硬件，该芯片内建 168 个核心，专门用来部署神经网路（neural
network），效能为一般 GPU 的 10 倍。
其技术关键在于最小化 GPU 核心和记忆体之间交换数据的频率（此运作过程通常会消耗大量的时间与能量）：一般 GPU 内的核心通常共享单一记忆体，但
Eyeriss 的每个核心拥有属于自己的记忆体。
目前， Eyeriss 主要定位在人脸识别和语音识别，可应用在智能手机、穿戴式设备、机器人、自动驾驶车与其他物联网应用装置上。
苹果。
在 iPhone 8 和 iPhone X 的发布会上，苹果明确表示其中所使用的 A11
处理器集成了一个专用于机器学习的硬件——“神经网络引擎（Neural Engine） ”， 每秒运算次数最高可达6000 亿次。
这块芯片将能够改进苹果设备在处理需要人工智能的任务时的表现，比如面部识别和语音识别等。
三星。
2017 年，华为海思推出了麒麟 970 芯片，据知情人士透露，为了对标华为，三星已经研发了许多种类的人工智能芯片。
三星计划在未来三年内新上市的智能手机中都采用人工智能芯片，并且他们还将为人工智能设备建立新的组件业务。
三星还投资了Graphcore、深鉴科技等人工智能芯片企业。
3、技术趋势
目前主流 AI 芯片的核心主要是利用 MAC（Multiplier and Accumulation， 乘加计算） 加速阵列来实现对
CNN（卷积神经网络）中最主要的卷积运算的加速。
这一代 AI 芯片主要有如下 3 个方面的问题。
（1）深度学习计算所需数据量巨大，造成内存带宽成为整个系统的瓶颈，即所谓“memory wall” 问题。
（2）与第一个问题相关， 内存大量访问和 MAC阵列的大量运算，造成 AI芯片整体功耗的增加。
（3）深度学习对算力要求很高，要提升算力，最好的方法是做硬件加速，但是同时深度学习算法的发展也是日新月异，新的算法可能在已经固化的硬件加速器上无法得到很好的支持，即性能和灵活度之间的平衡问题。
因此可以预见下一代 AI 芯片将有如下的五个发展趋势。
（1）、更高效的大卷积解构/复用
在标准 SIMD 的基础上， CNN 由于其特殊的复用机制，可以进一步减少总线上的数据通信。
而复用这一概念，在超大型神经网络中就显得格外重要。
如何合理地分解、 映射这些超大卷积到有效的硬件上成为了一个值得研究的方向，
（2）、更低的 Inference 计算/存储位宽
AI 芯片最大的演进方向之一可能就是神经网络参数/计算位宽的迅速减少——从 32 位浮点到 16 位浮点/定点、 8 位定点，甚至是 4 位定点。
在理论计算领域， 2 位甚至 1 位参数位宽，都已经逐渐进入实践领域。
（3）、更多样的存储器定制设计
当计算部件不再成为神经网络加速器的设计瓶颈时，如何减少存储器的访问延时将会成为下一个研究方向。
通常，离计算越近的存储器速度越快，每字节的成本也越高，同时容量也越受限，因此新型的存储结构也将应运而生。
（4）、更稀疏的大规模向量实现
神经网络虽然大，但是，实际上有很多以零为输入的情况， 此时稀疏计算可以高效的减少无用能效。
来自哈佛大学的团队就该问题提出了优化的五级流水线结，在最后一级输出了触发信号。
在 Activation层后对下一次计算的必要性进行预先判断，如果发现这是一个稀疏节点，则触发 SKIP
信号，避免乘法运算的功耗，以达到减少无用功耗的目的。
（5）、计算和存储一体化
计算和存储一体化（process-in-memory）技术，其要点是通过使用新型非易失性存储（如
ReRAM）器件，在存储阵列里面加上神经网络计算功能，从而省去数据搬移操作，即实现了计算存储一体化的神经网络处理，在功耗性能方面可以获得显著提升。
智东西认为，近几年，AI技术不断取得突破性进展。
作为AI技术的重要物理基础，AI芯片拥有巨大的产业价值和战略地位。
但从大趋势来看，目前尚处于AI芯片发展的初级阶段，无论是科研还是产业应用都有巨大的创新空间。
现在不仅英伟达、谷歌等国际巨头相继推出新产品，国内百度、阿里等纷纷布局这一领域，也诞生了寒武纪等AI芯片创业公司。
在CPU、GPU等传统芯片领域与国际相差较多的情况下，中国AI芯片被寄望能实现弯道超车。
