阿里达摩院自主研发求解器MindOpt在国际顶级测评再次刷新世界纪录 将向全社会开放

逸雪霁蓝

       近日，阿里达摩院自主研发的求解器MindOpt二度刷新世界纪录，在国际权威测评中再获线性规划·单纯形法第一。今年8月，MindOpt便已首次夺冠，相比上次夺冠，此次MindOpt不仅将原有算法性能提升超过100%，还上线了新的算法模块。12月底，MindOpt将通过阿里云向全社会开放，让有需要的企业、高校、个人用户便捷地接入和部署求解器，成为国内首个免费开放的商用求解器。

       设立已有20余年、由美国亚利桑那州立大学Hans Mittelmann教授维护的榜单，一直是国际求解器技术的风向标。达摩院这次参与了榜单中两项测试，在单纯形法测试中，以每题40秒的平均速度，成功求解40个线性规划问题，求解速度比8月夺冠时（84.3 秒）提升超过100%。同时，MindOpt还新增了内点法模块。

       求解器是求解数学规划问题的软件，广泛应用于云计算、零售、金融、制造、交通、能源等领域，是深埋于智能决策场景底层的“终极利器”。求解器技术壁垒高、研发难度大，几十年来，高性能商用求解器的核心技术始终由欧美企业主导。MindOpt由达摩院决策智能实验室研发，是具备线性规划等多种功能的求解器，单纯形算法和内点法都是求解线性规划问题的通用算法。MindOpt能够实现单纯形法和内点法并发处理，求解线性规划问题时，同时激活两种算法，将求解速度提升1.2到3.5倍。达摩院是国内最早投入求解器研发的机构之一，最初的需求来自云计算资源调度。如今，达摩院求解器已被应用于新零售、新制造、智能物流等多个场景。      

逸雪霁蓝

       数学规划，也就是将复杂的现实问题建模成数学问题，并用数学方法进行求解的过程。在人们常说的智能决策之中，“智能”引擎的其中一个就是数学规划。小到商铺选址、仓库调货，大到物流网络车辆调度和路径规划、金融行业的信贷风控和资产配置，都可建成数学规划模型，求取最优解。人们常说的智能决策，其 “智能”引擎之一就是数学规划。

       高性能科学计算软件的开发，一直是工业界和学术界关心的问题，MindOpt登上国际第三方测评的单纯形求解算法榜首并连续刷新世界纪录，是中国企业近些年来在优化计算软件领域取得的重要成功之一。求解器则是求解数学规划问题的软件，求解器的技术壁垒高、研发难度大，国内具备研发能力的团队屈指可数。

       目前，MindOpt已应用于云计算等多项阿里业务，包括云计算资源调度、金融资金分配、新零售智能营销等。达摩院求解器技术即将通过阿里云对外输出，达摩院团队正在研发更多种类的数学规划求解器，为社会提供稳定快速的智能决策求解能力。

hzwll

zhizun12

赞！！！！！！！！

绍兴长生

达摩院，确实牛

逸雪霁蓝

       4月22日，阿里达摩院发布了全球首个自动驾驶“混合式仿真测试平台”，采用虚拟与现实结合的仿真技术，引进真实路测场景和云端训练师，能够提供最贴近实际道路状况的模拟测试，并且模拟一次极端场景仅需30秒，系统每天虚拟测试里程可超过800万公里，将大幅度提升自动驾驶AI模型训练效率，加速迈进自动驾驶L5阶段。

       想了解这套平台的意义，首先要弄明白自动驾驶的实现方式。简单理解来说可以分为：感知道路环境、处理数据并给出结果、控制车辆，其中最简单的是控制车辆方面，因为如今绝大部分车辆的方向、油门、刹车都是电子化控制，所以想要执行明确命令并不难，而真正难点在于感知道路环境和基于这些信息做出正确的决策。专业说法为：感知、融合、决策、控制。即通过传感器将道路信息记录下来、把信息整合分类送入计算单元、处理数据后做出抉择、根据给出的决策控制车辆行驶。难点即是感知、融合、决策阶段。

       近两年，自动驾驶经常被媒体所报道，但几乎所有人争执的焦点都在“激光雷达”“5G技术”“V2X（车联网，Vehicle to Everything）”这几个问题上，似乎大多数认为只要解决了“激光雷达成本”“5G技术普及”“V2X落地”等问题，完全自动驾驶就能迎刃而解。无论是5G还是V2X，本质上也只是能够解决感知层面问题，并且由于目前车载算力已经足够（如今Mobileye、英伟达、特斯拉等公司的车载自动驾驶芯片，从算力角度应对自动驾驶需求已经绰绰有余），其实云计算的收益也不高，所以这些仍然不是自动驾驶的核心痛点。

        业界实现自动驾驶基本分为两种方式：“强感知、强智能”和“弱感知、强智能”，后一种方式目前只有少数企业在采用，也就是以视觉方案为主的策略，代表是特斯拉；前一种则是绝大部分企业采用，拥有激光雷达、高精地图等额外感知手段，提升“强感知”。

       所谓的智能，即是聪明程度，抛开硬件的算力不谈（自动驾驶Tier1级别的处理器算力相差不大，且除了特斯拉之外都是采购第三方的芯片），各家厂商真正角逐的赛场，其实在学习方法（思维、习惯）的提高方面，换句话说，也就是软件层面的问题。这其实就是为什么现如今自动驾驶行业的发展，愈发偏向软件研发公司，例如华为、达摩院等企业的入场。

       自动驾驶，需要应对的道路情况极为复杂，因为除了固定的道路信息之外，每个人、车都具有极强的不确定性，可能发生的情况接近于“无限”。如果由程序员来界定车辆在何种情况下进行某种操作，那么就是以“有限”对“无限”，根本没有胜算。所以业界无一例外，在对信息的整合处理阶段，都是采用人工智能的方式，对神经网络进行训练，通过深度学习（Deep Learning，机器学习的一种）的方式提高“智力”。所以整个自动驾驶行业，从之前的硬件竞争，逐渐转变为了机器学习竞争。也就是说，谁能更好更快地训练自动驾驶AI，谁就具有真正的优势和技术壁垒。达摩院发布的自动驾驶仿真路测平台，就是为此服务的。

       达摩院“混合式仿真测试平台”平台能够将现实的路况信息通过其他手段收集，并融合进模拟器环境中，也就是说神经网络系统能够得到比一般模拟器更加真实的训练，能够接近路测数据级别。该平台甚至通过算法模拟人类的不确定，对车辆进行随机干预，模拟各种现实中奇怪的驾驶习惯以及场景。并且由于性能强劲，传统极为复杂的场景需要仅1个月时间，而在达摩院这套平台中，仅需30秒即可完成复杂场景的构建和测试准备，每天可支持场景构建数量达百万级别。整体训练效率相比普通模拟器将提升百万倍。自动驾驶发展道路上，硬件技术虽然重要，但只是门槛，真正的技术壁垒和难点，集中在自动驾驶神经网络的训练上。

逸雪霁蓝

       4月8日，阿里达摩院宣布推出自研ISP图像处理器，并且在夜间等具有挑战性的环境下图像识别精准率比业界主流产品有10%以上的提升。ISP处理器是摄像头的关键组件，阿里达摩院进入这个领域的逻辑是什么？ISP是图像信号处理器（Image Signal Processor）的简称，目前已经被广泛应用于我们每个人的智能手机当中。大家都知道现在有海量的嵌入式设备都带摄像头，近至我们的智能手机、很多的大众消费级的显示器，当然也包含正在研发当中的智能驾驶系统，以及各种公共场所上的监控设备，远至在近地轨道上运行的众多微型卫星，可以说图像信号的获取和处理是一个极为广泛存在的需求。图像信号处理器能够对摄像头拍摄到的画面做不同程度的分析，并对画面做不同程序的增强和改善。

       为什么自动驾驶需要ISP？在当前流行的在自动驾驶系统构架设计中，总的来说一般都会有一个很强的人工智能系统，去判断拍照系统传回的当前场景信息，例如当前场景存在哪些车辆，行人，障碍物，估计速度，估计距离等等。让这个人工智能系统要想实现高度准确判断的前提，是拍照系统传回的当前场景信息尽可能准确无误。可以说相比手机这样的大众消费品，自动驾驶更加需要ISP。因为对于手机来说，ISP只是决定照片质量的好坏，无非是一个观感问题，而在高速运动的车辆上，如果ISP不能准确地将场景特征暴露给后继系统部件，导致的结果就可能会是灾难性的。

       达摩院为什么要自研ISP？经过20年的发展，阿里从一家电商公司发展成为一家科技巨头公司，并且今天已经开始扮演全社会数字经济的基础设施。今天的阿里不仅在业务范围上进行横向扩张，同时在业务深度上也在进行纵向扩张。所以我们看到过去几年里，阿里进入了芯片等基础研研究领域，成立了达摩院，设立了平头哥半导体公司，并且在量子计算等很多前沿的领域展开研究。自动驾驶毫无疑问是未来十年中可能带来颠覆性变化的赛道，阿里没有理由缺席，更不要说阿里的很多业务场景也需要自动化升级。而顶级的自动驾驶系统，必然是软件-硬件的配合（人工智能算法 + 传感器），同样也有硬件-硬件间的配合（多传感器融合）。

       理想的自动驾驶系统需要在复杂的道路光线环境/恶劣天气环境下仍然可以得到满足深度学习算法所需要的图像数据，这需要算法设计和硬件设计之间的相互配合，与此同时，预知图像传感器的曝光时间极其重要，可以保证雷达扫描到某一位置时刻同时触发图像传感器曝光，这需要硬件与硬件之间的相互配合。因此达摩院选择了自研ISP去追求这一极致。

       达摩院的自研ISP已经毫无疑问地跻身业界一流水平，经过自研ISP与深度学习算法的互相配合，夜间场景的识别准确率提升了十个百分点。十个百分点的提升，对于提升自动驾驶设备的感知能力有着巨大的提升作用。阿里自研ISP处理器，是阿里“芯”战略的关键一步。阿里已经先后发布了自研RISCV CPU，自研AI加速芯片，再加上自研ISP处理器的面世，一颗片上系统芯片（SoC）需要的几大件都摆到了台面上。所以，现在这几个大件已经可以很明显地拼出阿里在芯片战略领域的初步轮廓：阿里将会拿出自研的AliSoC，进一步地与同样正在深耕硬件领域的Google，Amazon等国际顶级厂商展开更多竞争。




      

kjz35

希望阿里的科技实力能尽快体现在股价上

逸雪霁蓝

阿里巴巴发布阿里云量子开发平台ACQDP 开源支持从业人员设计量子硬件等领域应用

       12月23日，阿里巴巴发布阿里云量子开发平台(Alibaba Cloud Quantum Development Platform，ACQDP)，开源自研量子计算模拟器“太章2.0”及一系列量子应用案例，支持从业人员设计量子硬件，测试量子算法，并探索其在材料、分子发现，优化问题和机器学习等领域内的应用。

       过去几年，量子芯片的进步使得量子计算通向实用之路的不确定性进一步减小。而随着系统规模的增大，对量子系统及量子算法的测试与验证变得越来越有挑战性。基于经典模拟的方法是一个基本工具，但有其内在的瓶颈。比如，目前的存储技术最高能存储不到60量子比特的量子态。阿里云量子开发平台提出原创性的分布式张量网络收缩算法，开辟了量子电路模拟新方向，可实现比其他方法更大规模的模拟。

       达摩院量子实验室在量子计算的经典模拟方向有着长期的研究。此前，其自研的“太章1.0”提出了独创的张量网络收缩的动态拆分办法，大幅减少量子电路模拟的代价，为学界与业界采用。此次开源的内核量子引擎“太章2.0”通过进一步的算法创新，再次大幅度降低资源消耗。今年5月，达摩院量子实验室用“太章2.0”模拟了2019年 “谷歌量子霸权”宣称用的量子电路，将其设计的经典计算耗时超一万年的任务，压缩至20天内完成，比其它最好的方案改进了四个数量级。业界人士估计，若通过硬件资源的进一步优化，特别是提升GPU使用效率，该算法有望将模拟时间压缩到2天以内。这一系列工作引起学术界对量子计算与经典计算边界的重新思考。

       ACQDP还包括达摩院量子实验室自研的支持上万量子比特（4-层，3度）的量子近似优化算法模拟，以及基于实验噪声模型的纠错码性能模拟等量子算法和应用。这可以解决仅靠理论分析无法解决的实验和评估问题。基于ACQDP开放平台，量子计算的研究人员可对不同的场景自定制算法，以进一步提高模拟效率；而发展出来的方案和算法，有望推动量子计算机的实现，催生量子计算的实用优势。达摩院量子实验室未来将会有更多的成果开源和对开放研究合作者的无偿输出。该团队聚焦研究的不同于主流的量子比特fluxonium ，在不久的将来也会有最新成果与各界分享。

逸雪霁蓝

阿里巴巴达摩院发布2021十大科技趋势

       12月28日，阿里巴巴达摩院发布2021十大科技趋势，这是达摩院成立三年以来第三次发布年度科技趋势。

       趋势一  以氮化镓、碳化硅为代表的第三代半导体迎来应用大爆发。以氮化镓（GaN）和碳化硅（SiC）为代表的第三代半导体，具备耐高温、耐高压、高频率、大功率、抗辐射等优异特性，但受工艺、成本等因素限制，多年来仅限于小范围应用。近年来，随着材料生长、器件制备等技术的不断突破，第三代半导体的性价比优势逐渐显现，并正在打开应用市场：SiC元件已用作汽车逆变器，GaN快速充电器也大量上市。未来五年，基于第三代半导体材料的电子器件将广泛应用于5G基站、新能源汽车、特高压、数据中心等场景。

       趋势二  后“量子霸权”时代，量子纠错和实用优势成核心命题。2020年为后“量子霸权”元年，世界对量子计算的投入持续上涨，技术和生态蓬勃发展，多个平台异彩缤纷。这一潮流将在2021年继续推高社会的关注和期待，量子计算的研究需要证明自身的实用价值；业界需要聚焦“后霸权”时代的使命：协同创新，解决众多的科学和工程难题，为早日到达量子纠错和实用优势两座里程碑铺路奠基。

       趋势三  碳基技术突破 加速柔性电子发展。柔性电子是指经扭曲、折叠、拉伸等形状变化后仍保持原有性能的电子设备，可用作可穿戴设备、电子皮肤、柔性显示屏等。柔性电子发展的主要瓶颈在于材料——目前的柔性材料，或者“柔性”不足容易失效，或者电性能远不如“硬质”硅基电子。近年来，碳基材料的技术突破为柔性电子提供了更好的材料选择：碳纳米管这一碳基柔性材料的质量已可满足大规模集成电路的制备要求，且在此材料上制备的电路性能超过同尺寸下的硅基电路；而另一碳基柔性材料石墨烯的大面积制备也已实现。

       趋势四  AI提升药物及疫苗研发效率。AI已广泛应用于医疗影像、病历管理等辅助诊断场景，但AI在疫苗研发及药物临床研究的应用依旧处于探索阶段。随着新型AI算法的迭代及算力的突破，AI将有效解决疫苗/药物研发周期长、成本高等难题，例如提升化合物筛选、建立疾病模型、发现新靶点、先导化合物发现及先导药物优化等环节的效率。AI与疫苗、药物临床研究的结合可以减少重复劳动与时间消耗，提升研发效率，极大地推动医疗服务和药物的普惠化。

       趋势五  脑机接口帮助人类超越生物学极限。脑机接口是新一代人机交互和人机混合智能的关键核心技术。脑机接口对神经工程的发展起到了重要支撑与推动作用，帮助人类从更高维度空间进一步解析人类大脑的工作原理。脑机接口这一新技术领域，探索性地将大脑与外部设备进行通信，并借由脑力意念控制机器。例如在控制机械臂等方面帮助提升应用精度，将为神智清醒、思维健全，但口不能言、手不能动的患者提供精准康复服务。

逸雪霁蓝

       趋势六  数据处理实现“自治与自我进化”。随着云计算的发展、数据规模持续指数级增长，传统数据处理面临存储成本高、集群管理复杂、计算任务多样性等巨大挑战；面对海量暴增的数据规模以及复杂多元的处理场景，人工管理和系统调优捉襟见肘。因此，通过智能化方法实现数据管理系统的自动优化，成为未来数据处理发展的必然选择。人工智能和机器学习手段逐渐被广泛应用于智能化的冷热数据分层、异常检测、智能建模、资源调动、参数调优、压测生成、索引推荐等领域，有效降低数据计算、处理、存储、运维的管理成本，实现数据管理系统的“自治与自我进化”。

       趋势七  云原生重塑IT技术体系。在传统IT开发环境里，产品开发上线周期长、研发效能不高，云原生架构充分利用了云计算的分布式、可扩展和灵活的特性，更高效地应用和管理异构硬件和环境下的各类云计算资源。通过方法论工具集、最佳实践和产品技术，开发人员可专注于应用开发过程本身。未来，芯片、开发平台、应用软件乃至计算机等将诞生于云上，可将网络、服务器、操作系统等基础架构层高度抽象化，降低计算成本、提升迭代效率，大幅降低云计算使用门槛、拓展技术应用边界。

       趋势八  农业迈入数据智能时代。传统农业产业发展存在土地资源利用率低和从生产到零售链路脱节等瓶颈问题。以物联网、人工智能、云计算等为代表的数字技术正在与农业产业深度融合，打通农业产业的全链路流程。结合新一代传感器技术，农田地面数据信息得以实时获取和感知，并依靠大数据分析与人工智能技术快速处理海量领域农业数据，实现农作物监测、精细化育种和环境资源按需分配。同时，通过5G、物联网、区块链等技术的应用，确保农产品物流运输中的可控和可追溯，保障农产品整体供应链流程的安全可靠。农业将告别“靠天”吃饭，进入智慧农业时代。

       趋势九  工业互联网从单点智能走向全局智能。受实施成本和复杂度较高、供给侧数据难以打通、整体生态不够完善等因素限制，目前的工业智能仍以解决碎片化需求为主。疫情中数字经济所展现出来的韧性，让企业更加重视工业智能的价值，加之数字技术的进步普及、新基建的投资拉动，这些因素将共同推动工业智能从单点智能快速跃迁到全局智能。特别是汽车、消费电子、品牌服饰、钢铁、水泥、化工等具备良好信息化基础的制造业，贯穿供应链、生产、资产、物流、销售等各环节在内的企业生产决策闭环的全局智能化应用，将大规模涌现。

       趋势十  智慧运营中心成为未来城市标配。在过去十年时间里，智慧城市借助数字化手段切实提升了城市治理水平。但在新冠疫情防控中，一些所谓的智慧城市集中暴露问题，特别是由于“重建设轻运营”所导致的业务应用不足。在此背景下，城市管理者希望通过运营中心盘活数据资源，推动治理与服务的全局化、精细化和实时化。而AIoT技术的日渐成熟和普及、空间计算技术的进步，将进一步提升运营中心的智慧化水平，在数字孪生基础上把城市作为统一系统并提供整体智慧治理能力，进而成为未来城市的数字基础设施。

长风万里

支持阿里健康发展壮大

haochi

不懂，很高大上

静电静电

研发未来科技，达摩院牛，希望能尽快出一些可以利用的成果。

hz413

希望阿里相关企业，多研发一些硬核科技，这才是真正贡献。电商的护城河太低了