推荐这篇日记的豆列
&&&&&&&&&&&&
&(1人关注)第四范式戴文渊：商业公司构建AI能力的五大核心要素5 months ago3收藏分享举报{&debug&:false,&apiRoot&:&&,&paySDK&:&https:\u002F\\u002Fapi\u002Fjs&,&wechatConfigAPI&:&\u002Fapi\u002Fwechat\u002Fjssdkconfig&,&name&:&production&,&instance&:&column&,&tokens&:{&X-XSRF-TOKEN&:null,&X-UDID&:null,&Authorization&:&oauth c3cef7c66aa9e6a1e3160e20&}}{&database&:{&Post&:{&&:{&isPending&:false,&contributes&:[],&title&:&第四范式戴文渊：商业公司构建AI能力的五大核心要素&,&author&:&hua-xing-zi-ben&,&content&:&\u003Cp\u003E以下文章根据第四范式创始人戴文渊在「华兴·湃」论坛的主题演讲整理而成。他用统计学的VC维理论阐释了AI能力的构建，认为一家商业公司构建AI能力需具备五个核心要素，并结合实战经验对各个要素逐一拆解。\u003C\u002Fp\u003E\u003Cp\u003E精华观点：\u003C\u002Fp\u003E\u003Cblockquote\u003E一个垂直领域，如果能用机器基于数据写出超过1000万条业务规则，那么一个资深的业务专家，基本上没有办法比机器强。\u003Cbr\u003E对于一家商业公司来说，构建AI的能力有5个核心的要素,分别是Big data（大数据）、Response（持续的反馈）、Algorithm（算法）、Infrastructure（计算能力）和Needs（明确的需求），合在一起就叫做Brain。\u003Cbr\u003E有意义的大数据叫过程数据，一个优秀的AI模型需要约1000万以上过程数据的样本。模型越大，需要的数据量越大。\u003Cbr\u003E反馈最关键要做到两点：第一点：数字化反馈，即反馈是可被度量的。第二点：持续不断的反馈。\u003C\u002Fblockquote\u003E\u003Cp\u003E以下是演讲实录：\u003C\u002Fp\u003E\u003Ch2\u003E\u003Cb\u003E用VC维理论构建AI方法论\u003C\u002Fb\u003E\u003C\u002Fh2\u003E\u003Cp\u003E我们在学术领域研究机器智能，是基于统计学来构筑AI整个方法论。统计学里最重要的理论叫VC维理论，为什么叫VC维？是因为这两个科学家提的，一个姓V一个姓C，各取一个首字母，叫VC维。\u003C\u002Fp\u003E\u003Cp\u003EVC维反映的是什么？结论就是，如果一个机器模型，他的VC维越高，这个机器的模型会越强。VC维不只能刻画机器的智能，还能刻画生物的智能。人脑的VC维也能算出来，大概是多少、约等于大脑脑细胞个数，前面可能只差一个常数项。\u003C\u002Fp\u003E\u003Cp\u003E未来无论人的智能还是机器智能，都可以套在VC维理论的框架下解决。\u003Cb\u003E企业构建AI能力，就是要不断把VC维做大。\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Ch2\u003E\u003Cb\u003E机器和人谁更强？1000万条规则是个门槛\u003C\u002Fb\u003E\u003C\u002Fh2\u003E\u003Cp\u003E以牛顿三大定律为例，牛顿是物理学专家，他看了很多物理的自然现象，最后总结出三条规则。如果机器做牛顿的事，他会把整个自然现象按照速度分成3000万个区间，然后在每个区间里总结出三条定律。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E目前的人工智能的应用，都是由机器来总结规律，由于机器不知疲倦，所以能够做得更细、达到更好的效果。\u003C\u002Fb\u003E现在我们也在思考如何把这样的技术应用到各行各业，用机器替代原来的业务专家，基于数据去写业务规则。比如在内容分发的领域，当机器把规则写到1000万、几十亿甚至几千亿的时候，可以显著地实现原来传统业务专家达不到的效果。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E我们有一个经验，在一个垂直领域，如果能用机器基于数据写出超过1000万条业务规则，那么一个资深的业务专家，基本上没有办法比机器强。\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E但是其实也不是所有领域都能写出1000万条业务规则，因为你能写出业务规则的数量，或者模型VC维的数量和数据量几乎成正比，而在一些垂直细分领域样本数是不够的。比如医疗领域，一些罕见病只能找到100个病人，这时候用机器只能写出100条业务规则。在这个场景下，机器就远不如人。\u003C\u002Fp\u003E\u003Ch2\u003E\u003Cb\u003E商业公司构建AI能力的五大核心要素\u003C\u002Fb\u003E\u003C\u002Fh2\u003E\u003Cp\u003E人工智能在不同领域所面临的环境是不一样的\u003Cb\u003E。对于一个商业公司来说，构建AI的能力有5个核心的要素,分别是Big data（大数据）、Response（持续的反馈）、Algorithm（算法）、Infrastructure（计算能力）和Needs（明确的需求），合在一起就叫做Brain。\u003C\u002Fb\u003E如果这5个核心要素是齐备的，机器就非常有可能超过人。但是如果暂时还有局限，我们就要思考如何弥补目前的局限，来达到比较高水平的人工智能，未来各行各业都需要走这样一条路。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E1、数据\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E人工智能需要收集有意义的过程数据\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E前几年我们对大数据的误解体现在只去比较数据量的大小，其实\u003Cb\u003E大数据还分有意义的大数据和没有意义的大数据，有意义的大数据叫做过程数据。\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E以围棋为例，什么叫有意义的数据？棋谱、下棋的过程。什么是没有意义的数据？比如那些棋手或者等级、排名。好比说两个人下棋，我在旁边看，看着看着我自己也会下棋了。但我每天听新闻说柯洁又输给AlphaGo了等等，听得再多也不会下棋。所以\u003Cb\u003E一定要喂给机器他能学会的那些数据。\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E回到商业上看过程数据的收集，以一个抽象的Model为例，用户会对公司有一个请求，公司会提供一个服务，完成后会收集到用户正向或负向的反馈。具体到一些场景，比如在线广告，用户通过搜索看到一个广告，会选择点或者不点，点击就是正反馈，没有点击就是负反馈。又比如对于个性化推荐来说，我访问了你这个APP，你给我推荐了很多内容，如果我接受了这个推荐，就是正反馈，没有接受就是负反馈。\u003C\u002Fp\u003E\u003Cp\u003E我们经验来说，\u003Cb\u003E一个优秀的AI模型需要约1000万以上过程数据的样本。VC维理论也是一样，我们把VC维做到1000万以上，人就做不过机器了。\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E如何支撑1000万的VC维？其实需要1000万以上的样本，这里面实际有一个统计学的原理来支撑。这个公式稍微有点复杂，但只要记着这个科学家就行了，他叫Valiant，是2011年的图灵奖的获得者。他得奖的这条公式，简单说就是\u003Cb\u003E规则数或者模型的维度要和数据量相匹配，所以我们要收集大量的过程数据，就是为了支撑我们做出更大的模型。\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E2、反馈\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E两个关键：一是要数据化，二是要持续反馈\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E反馈（Response），就是说我提供服务以后，要能得到一个正向或者负向的结果，告诉我提供的服务到底好还是不好。比如在广告里的点击和非点击，比如在推荐里的接受和拒绝。反馈一定得是能数字化的，因为计算机只听得懂0和1，比如点击是1，没点击是0。现实情况是，我们经常会告诉机器你要推荐一个好的结果，或者你要推荐一个相关的结果，但好和相关是计算机听不懂的语言。\u003C\u002Fp\u003E\u003Cp\u003E过去我们认为推荐系统要推荐相关的内容，很强调相关性，但机器根本不知道相关是什么意思，机器只知道，叫0还是1，所以过去的推荐其实很不合理。\u003C\u002Fp\u003E\u003Cp\u003E最近几年的推荐系统和过去相比提升了很多，现在今日头条、快手都有各种个性化的内容分发，他们采用了先进的推荐系统，改变了过去强调相关性思路，转而优化一些可被度量的指标，比如推荐的内容用户有没有点击，点击后看了多久，或有没有转发、收藏、投诉。虽然这些指标并不都能反映所谓的相关性，但它们可被度量，进而可被优化，最后达到一个比过去优化相关性更好的效果。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E反馈最关键要做到两点：第一点：数字化反馈。第二点：持续不断的反馈。\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E任何一个机器都会犯错，犯错不怕，怕得是永远犯同样的错误。比如最早AlphaGo的模型只有30万盘棋，就是通过自己和自己下，赢了得到一个正反馈，输了得到一个负反馈，持续不断又下了8000万盘棋，达到一个可以打败棋手的效果。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E3、算法\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E改变算法受众，降低AI能力构建的门槛\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E算法（Algorithm）是现在被比较关注的。一家公司构建AI能力的瓶颈是很难招到科学家，因为科学家永远是相对小众的一群人，最后发现空有一堆数据却用不起来。\u003C\u002Fp\u003E\u003Cp\u003E我们的受众人群实是开发者，互联网、移动互联网都是开发者在做应用。而\u003Cb\u003E现在AI处在一个不太正常的状态，所有的应用基本上都是科学家做的。\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E第四范式希望改变这个状态，我们把科学家的能力封装到一个平台里，让业务人员能够完成AI科学家团队做的事情。第四范式正在致力于研究一些新的算法，比如两个独特的算法：第一个：线性分形算法。第二个：He-Treenet算法，是一个树和网络结合的模型。这些事情能够让过去一些门槛高的事情变简化。比方说过去为什么使用算法的门槛高？因为要做大量的数据清洗、特征变换、归一化、特征组合、离散化这样的一些事情。学习这些需要很长的时间，当我们把这些东西全都由机器自动完成，这样才能让机器完成学习的过程，就是数据进来，跑一个算法，出来一个模型就可以用。如果只是这么简单，其实绝大多数人都是可以使用的。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E4、计算能力\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E大数据下没有简单的架构问题\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E第四个叫计算能力（Infrastructure），机器学习没有简单的问题， 其实\u003Cb\u003E管理机器和管理人是一样的，\u003C\u002Fb\u003E当你管理20团队的时候，会出现一些问题，超过100人的时候又会出现一些问题，可能每天都会有员工请假等等。同样的道理，超过100台机器去跑一个任务，每次跑任务都会有机器宕机。超过1000台机器的时候，会出现各种分配任务的不均衡，有的机器可能在跑，做了很多的事，有的机器闲着没事干，这都是很复杂的。当数据量大的时候就有架构问题，这甚至是不亚于算法的难题。\u003C\u002Fp\u003E\u003Cp\u003E所以我们也在设计一些门槛很高的架构，比如支持万亿级机器学习的架构。举个例子，做机器学习和原来做分布式计算有什么区别？大家都知道，像Hadoop、Spark这样的架构其实已经相对成熟了。他们做这样一件事情：我有一本书，我要让10个人抄这本书，能做得比一个人抄得更快。而机器学习，是让10个人学一本书，学得比一个人更快。\u003C\u002Fp\u003E\u003Cp\u003E抄书只要撕成10份，抄完之后订起来就行。机器学就不行，各自学完之后，可能还要交流，还要互通有无。所以整个设计理念会不一样，我们和Spark做过这样的对比。随着数据量的增加，我们速度会比Spark有平方级速度的差别。比如在5万太（Terabyte, 1T=1024G）数据的时候，提升并没有那么多，只有28%。如果再有600多万的话，提升了86倍，在3000多万，提升了400多倍。更大的情况下，Spark已经没法跑了，就没有数据了。\u003C\u002Fp\u003E\u003Cp\u003E所以需要把这些门槛很高的技术，都屏蔽并封装到这样一个平台上，让大家感觉不到这叫分布式，只是一个简单的学习。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E5、需求\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E边界清晰的问题定义\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E最后，机器学习还需要一个清晰的问题定义，也就是所谓的需求（Needs）。目前机器学习没有通用之门，只能解决一个单一的目标，存在边界问题。其实所谓通用的人工智能，都是一大堆单一目标的人工智能的组合。能到当我们解决的问题极大的时候，才会产生通用的人工智能。\u003C\u002Fp\u003E\u003Cp\u003E像AlphaGo是一个清晰目标的问题，就是赢和输。当然大家会说，单一目标可能不能解决业务问题，比如推荐就单一目标来说是不能解决的。所以我们可以将多个模型和目标做组合优化，就可以达到多目标优化的结果。\u003C\u002Fp\u003E&,&updated&:new Date(&T01:57:22.000Z&),&canComment&:false,&commentPermission&:&review&,&commentCount&:0,&collapsedCount&:0,&likeCount&:3,&state&:&published&,&isLiked&:false,&slug&:&&,&isTitleImageFullScreen&:false,&rating&:&none&,&titleImage&:&https:\u002F\\u002Fv2-c1a4e7b5f20cbcaba657_r.jpg&,&links&:{&comments&:&\u002Fapi\u002Fposts\u002F2Fcomments&},&reviewers&:[],&topics&:[{&url&:&https:\u002F\\u002Ftopic\u002F&,&id&:&&,&name&:&人工智能&}],&adminClosedComment&:false,&titleImageSize&:{&width&:900,&height&:500},&href&:&\u002Fapi\u002Fposts\u002F&,&excerptTitle&:&&,&tipjarState&:&closed&,&annotationAction&:[],&sourceUrl&:&&,&pageCommentsCount&:0,&hasPublishingDraft&:false,&snapshotUrl&:&&,&publishedTime&:&T09:57:22+08:00&,&url&:&\u002Fp\u002F&,&lastestLikers&:[{&bio&:&PKU, IPE, Alex&,&isFollowing&:false,&hash&:&b9dca91dcd71f9676821ddf&,&uid&:047300,&isOrg&:false,&slug&:&chen-jing-shuo-1&,&isFollowed&:false,&description&:&&,&name&:&陈劲硕&,&profileUrl&:&https:\u002F\\u002Fpeople\u002Fchen-jing-shuo-1&,&avatar&:{&id&:&v2-5b8ffc630024fff5c6616913acb8cde4&,&template&:&https:\u002F\\u002F50\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false},{&bio&:&产品&,&isFollowing&:false,&hash&:&2e3be5baa48e&,&uid&:300000,&isOrg&:false,&slug&:&xu-di-33-19&,&isFollowed&:false,&description&:&&,&name&:&笛声&,&profileUrl&:&https:\u002F\\u002Fpeople\u002Fxu-di-33-19&,&avatar&:{&id&:&ec3a7ca9ebc&,&template&:&https:\u002F\\u002F50\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false},{&bio&:null,&isFollowing&:false,&hash&:&ff6c5b6c9f8bc9f7bfcbdd&,&uid&:96,&isOrg&:false,&slug&:&whocare-95&,&isFollowed&:false,&description&:&&,&name&:&哈哈哈&,&profileUrl&:&https:\u002F\\u002Fpeople\u002Fwhocare-95&,&avatar&:{&id&:&da8e974dc&,&template&:&https:\u002F\\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false}],&summary&:&以下文章根据第四范式创始人戴文渊在「华兴·湃」论坛的主题演讲整理而成。他用统计学的VC维理论阐释了AI能力的构建，认为一家商业公司构建AI能力需具备五个核心要素，并结合实战经验对各个要素逐一拆解。精华观点：一个垂直领域，如果能用机器基于数据写出…&,&reviewingCommentsCount&:0,&meta&:{&previous&:null,&next&:null},&annotationDetail&:null,&commentsCount&:0,&likesCount&:3,&FULLINFO&:true}},&User&:{&hua-xing-zi-ben&:{&isFollowed&:false,&name&:&华兴资本&,&headline&:&华兴资本集团是中国领先的服务新经济的金融机构，公司业务包括私募融资、兼并收购、证券承销及发行、证券销售与交易、私募股权投资、券商资产管理及其他服务，致力于为中国新经济创业家、投资人提供横跨大陆、香港、美国三地的一站式金融服务。&,&avatarUrl&:&https:\u002F\\u002F50\u002Fv2-79fd263f8f0c24f570b7b40fee30e515_s.jpg&,&isFollowing&:false,&type&:&org&,&slug&:&hua-xing-zi-ben&,&bio&:&中国领先的服务新经济的金融机构&,&hash&:&10f34a467e41a2f39a92c&,&uid&:573900,&isOrg&:true,&description&:&华兴资本集团是中国领先的服务新经济的金融机构，公司业务包括私募融资、兼并收购、证券承销及发行、证券销售与交易、私募股权投资、券商资产管理及其他服务，致力于为中国新经济创业家、投资人提供横跨大陆、香港、美国三地的一站式金融服务。&,&badge&:{&identity&:null,&bestAnswerer&:null},&profileUrl&:&https:\u002F\\u002Forg\u002Fhua-xing-zi-ben&,&avatar&:{&id&:&v2-79fd263f8f0c24f570b7b40fee30e515&,&template&:&https:\u002F\\u002F50\u002F{id}_{size}.jpg&},&isOrgWhiteList&:false,&isBanned&:false}},&Comment&:{},&favlists&:{}},&me&:{},&global&:{&experimentFeatures&:{&ge3&:&ge3_9&,&ge2&:&ge2_1&,&nwebStickySidebar&:&sticky&,&androidPassThroughPush&:&getui&,&newMore&:&new&,&liveReviewBuyBar&:&live_review_buy_bar_2&,&liveStore&:&ls_a2_b2_c1_f2&,&searchHybridTabs&:&without-tabs&,&isOffice&:&false&,&homeUi2&:&default&,&answerRelatedReadings&:&qa_recommend_with_ads_and_article&,&remixOneKeyPlayButton&:&headerButton&,&asdfadsf&:&asdfad&,&qrcodeLogin&:&qrcode&,&newBuyBar&:&livenewbuy3&,&isShowUnicomFreeEntry&:&unicom_free_entry_off&,&newMobileColumnAppheader&:&new_header&,&zcmLighting&:&zcm&,&favAct&:&default&,&appStoreRateDialog&:&close&,&mobileQaPageProxyHeifetz&:&m_qa_page_nweb&,&iOSNewestVersion&:&4.2.0&,&default&:&None&,&wechatShareModal&:&wechat_share_modal_show&,&qaStickySidebar&:&sticky_sidebar&,&androidProfilePanel&:&panel_b&,&nwebWriteAnswer&:&default&}},&columns&:{&next&:{}},&columnPosts&:{},&columnSettings&:{&colomnAuthor&:[],&uploadAvatarDetails&:&&,&contributeRequests&:[],&contributeRequestsTotalCount&:0,&inviteAuthor&:&&},&postComments&:{},&postReviewComments&:{&comments&:[],&newComments&:[],&hasMore&:true},&favlistsByUser&:{},&favlistRelations&:{},&promotions&:{},&draft&:{&titleImage&:&&,&titleImageSize&:{},&isTitleImageFullScreen&:false,&canTitleImageFullScreen&:false,&title&:&&,&titleImageUploading&:false,&error&:&&,&content&:&&,&draftLoading&:false,&globalLoading&:false,&pendingVideo&:{&resource&:null,&error&:null}},&drafts&:{&draftsList&:[],&next&:{}},&config&:{&userNotBindPhoneTipString&:{}},&recommendPosts&:{&articleRecommendations&:[],&columnRecommendations&:[]},&env&:{&edition&:{},&isAppView&:false,&appViewConfig&:{&content_padding_top&:128,&content_padding_bottom&:56,&content_padding_left&:16,&content_padding_right&:16,&title_font_size&:22,&body_font_size&:16,&is_dark_theme&:false,&can_auto_load_image&:true,&app_info&:&OS=iOS&},&isApp&:false},&message&:{&newCount&:0},&pushNotification&:{&newCount&:0}}五大重点领域产业集群 四个以湖北武汉为核心
&&当前位置&&
五大重点领域产业集群 四个以湖北武汉为核心
08:50:16&&&&华夏经纬网
　　《长江经济带创新驱动产业转型升级方案》27次提及武汉
人口和经济总量超过全国40%
　　昨日，国家发改委、科技部、工业和信息化部联合发布《长江经济带创新驱动产业转型升级方案》。
　　长江日报记者梳理发现，这一关乎长江经济带11省市发展的重要文件中，29次提到湖北，27次提到武汉。提及次数在长江中游省份和城市中均居首位。尤其是培育世界级产业集群方面，在新型平板显示、集成电路、先进轨道交通装备、汽车制造、电子商务五大重点领域中，四个以湖北武汉为核心;十大新兴产业集群中，七个以湖北武汉为核心。
　　推动长江经济带发展是党中央、国务院做出的重大战略部署，以创新驱动促进产业转型升级是长江经济带实现经济提质增效和绿色发展的重要任务。方案也是落实国务院《关于依托黄金水道推动长江经济带发展的指导意见》的具体体现。
　　方案评价长江经济带产业优势突出、是我国创新驱动的重要策源地，具备良好发展基础，区域互动合作前景广阔，未来发展空间巨大。
　　方案将长江经济带定位为创新驱动的引领带，产业融合的先行带，区域协同的示范带，开放合作的共赢带。
　　为此，方案提出到2020年，长江经济带在创新能力、产业结构、经济发展等方面取得突破性进展。到2030年，创新驱动型产业体系和经济格局全面建成，创新能力进入世界前列，区域协同合作一体化发展成效显著，成为引领我国经济转型升级、支撑全国统筹发展的重要引擎。
　　方案明确了5个方面重点任务：增强创新能力、打造工业新优势、壮大现代服务业、促进农业现代化、优化产业布局。
　　方案以表格形式列出了各项任务中的重点区域、重点工程或重点产业。长江日报记者发现，每一项任务中都提及湖北、武汉，或有与武汉相关的表述。
　　为保障落实，方案还提出了加强统筹协调、推动改革创新、完善市场环境、拓宽融资渠道、优化人才环境等具体措施。
　　长江经济带横贯我国东中西三大区域
　　覆盖11个省市
　　地域面积约205万平方公里　50%
　　产业规模占全国比重均超过　43.9%
　　研发经费支出占全国比重　50%
　　新产品销售收入占全国比重 50%
&&& (记者朱艳琳)
&&&&相关链接:
&&&&促进农业现代化
&&&&打造工业新优势
&&&&长江中下游地区着重增强宽带网络服务能力提升，提升固定网络基础设施和移动网络设施的同步互通，提升农业各领域的专用信息基础设施建设。
&&&&推进农村一二三产业融合发展，加快农村信息化建设，完善现代农业服务体系。
&&&&增强创新能力
&&&&五大重点任务均提及湖北武汉
&&&&创建具有国际竞争力的创新资源集聚区，系统推进上海、安徽(合芜蚌)、武汉、四川(成德绵)的全面创新改革试验，研究推动国家自主创新示范区布局。
&&&&在上海张江、苏南、武汉东湖、长株潭、合芜蚌、成都等国家自主创新示范区和绵阳科技城，开展科技金融、科技成果产权管理、人才评价、知识产权管理、运用和保护等改革试验。
&&&&完善区域创新体系，推动产业技术创新平台建设，加快科技创新成果转移转化，激发社会创新创业活力。
&&&&大力发展战略性新兴产业，加快改造提升传统产业，积极夯实信息化发展基础。
&&&&在上海、四川、江西、贵州、重庆、安徽、湖北、湖南，发展飞机设计与制造、动力系统、机载系统、服务系统等航空专用装备，以及卫星导航、通信、遥感设备等航天专用装备。
&&&&在浙江、安徽、湖南、重庆、湖北、四川、云南，发展高档数控机床、工业机器人、3D 打印、智能仪器仪表等智能制造装备。
&&&&在上海、浙江、江苏、湖北、四川、重庆、湖南，发展海洋油气勘探开发设备、系统、平台等海洋工程装备。
&&&&在上海、江苏、安徽、湖北、重庆、四川，发展以芯片设计与制造、设备与材料、封装测试为主的高性能集成电路产业。
&&&&在安徽、湖北、重庆、四川，发展以高世代面板为主的新型平板显示产业。
&&&&依托上海、南京、武汉、成都、长沙、杭州、重庆等国家软件产业基地和中国软件名城，支持具有自主知识产权的软件产品产业化，重点发展行业应用软件、嵌入式软件、软件技术服务。
&&&&依托上海、杭州、武汉、长沙、成都、昆明、重庆、南昌等国家生物产业基地，发展以生物制药、医疗器械为主的生物医药产业。
&&&&在浙江、江西、湖南、湖北、四川、贵州、重庆、安徽、云南，发展以生物育种、生物农药、生物肥料、生物循环农业、生物质能源等为主的生物农业产业。
&&&&在贵州、四川、云南、江西、重庆、安徽、湖北，发展食品工业精深加工，推广生物发酵新产品、生物基材料和微生物制造工艺应用，加快培育以替代石油化工原料、化学工艺和推动大宗发酵产业升级为主的生物制造产业。
&&&&发挥浙江、江西、四川、云南、贵州、安徽、湖北、湖南、重庆中药材资源丰富的优势，发展现代中药产业。
&&&&在上海、浙江、湖北、四川、云南、湖南、江西、重庆，发展以信息材料、储能材料、生物医用和环保材料为主的新型功能材料。
&&&&在浙江、江西、湖南、湖北、云南、贵州、安徽、四川、重庆，发展以高强度合金等新型金属材料、工程塑料等新型化工材料为主的先进结构材料。
&&&&在上海、浙江、湖北、云南、重庆，发展纳米、超导等前沿新材料。
&&&&在四川、上海、江苏、浙江、湖南、湖北、重庆、云南，推进风电产业规模化发展，提高风电技术水平。
&&&&在江苏、浙江、湖南、湖北、四川、重庆，开展智能电网输变电研发及应用工程。
&&&&在四川、云南、贵州、重庆、湖南、安徽、江西、湖北，开展页岩气勘探开发及产业化，推动页岩气资源合理开发应用。
&&&&在上海、江苏、安徽、湖北、重庆、四川，推动插电式混合动力汽车和纯电动汽车产业化，重点支持驱动电机及控制系统、储能系统、整车控制和信息系统、快速充电等关键技术研发。
&&&&依托上海、湖北、四川、重庆等地的大型龙头钢铁企业，加大兼并重组力度，淘汰沿江各省产能过剩、高污染高能耗的小型、低端钢铁制造企业。
&&&&依托上海、湖北、重庆、四川、湖南大型钢铁生产企业，部署物联网、工业互联网、云计算等新一代信息技术应用，加快企业能源管理中心建设，实现能耗实时监控、过程智能管控。
&&&&依托安徽、江西、湖北建设铜深加工基地。
&&&&推动上海、浙江、江西、湖南、安徽、湖北、重庆、云南等地现有石化企业挖潜改造，加快炼化一体化进程，建设千万吨级智慧炼厂，扩大炼油和乙烯生产能力，延伸发展合成树脂、合成橡胶、聚酯、聚氨酯、特种纤维、聚碳酸酯等高端产品。
&&&&依托江西、重庆、四川、安徽、湖北等地资源优势，重点提升精细化工产品、化工新材料、基础化工材料、农用化学产品。
&&&&依托四川、云南、贵州、重庆、湖南、安徽、湖北等页岩气蕴藏丰富的地区，推动信息技术在页岩气勘探开发中的应用。
&&&&在沿江中西部地区，完善与东部地区以及中西部地区内部的光缆连接，提升骨干网络容量，推动南京、武汉、重庆、成都等新增骨干直联点建设，持续扩大光纤到户和4G 网络覆盖范围。
&&&&在湖南、湖北、重庆、四川、贵州、云南、江西等长江中上游省份选择20 个中小型城市开展宽带提速网络升级改造，城镇家庭用户宽带接入能力普遍达到20Mbps 以上，并具备平滑升级至100Mbps 的能力。
&&&&在上海、江苏、浙江、湖北、四川、重庆等省市选择10 个城市开展下一代高速光纤示范网络建设，引入先进的高速光纤通信技术，实现用户千兆接入，推动智慧社区等新业态发展。
&&&&沿长江两岸构建2条信息传输大通道：昆明-贵阳-长沙-南昌-杭州-上海和昆明-成都-重庆-武汉-合肥-南京-上海，加快东西向信息流通。
&&&&加快推进上海、南京、苏州、无锡、杭州、武汉、长株潭、成都、重庆下一代互联网示范城市(城市群)建设，加快提升下一代互联网覆盖率。
&&&&壮大现代服务业
&&&&以浙江、上海、湖北、四川、湖南、江苏、重庆为重点，发展基于移动互联网、云计算、物联网等新技术、新模式、新业态的信息服务。
&&&&以上海、武汉、杭州、长沙、重庆、成都为重点，建立开放共享的关键共性研发设计公共服务平台，建设研发设计交易市场
&&&&以上海、江苏、浙江、四川、重庆、湖北、湖南、安徽为重点，培育知识产权服务市场，构建服务主体多元化的知识产权服务体系，创新知识产权服务模式，形成一批品牌服务机构。
&&&&重点发展高技术服务业和科技服务业，优先发展生产性服务业，大力发展生活性服务业。
&&&&加强物流信息平台和口岸大通关建设，推进上海国际航运中心、重庆长江上游航运中心和武汉长江中游航运中心建设，加快南京、武汉、成都、昆明、杭州、南昌、岳阳、贵阳等全国性和区域性物流节点城市物流业发展。
&&&&加快推进融资、租赁、理财、创业投资等金融服务。充分发挥上海国际金融中心的优势，建设重庆、武汉、成都、昆明、长沙、杭州、南京等区域性金融中心，打造金融综合改革试验区。
&&&&依托上海、南京、杭州、武汉、重庆、成都等示范城市，重点发展物流与供应链服务外包;依托上海、重庆、武汉等示范城市，重点发展工业技术服务外包;依托上海、杭州、武汉、南京、重庆等示范城市，重点发展金融服务外包;依托上海、杭州、苏州、成都、武汉、重庆等示范城市，重点打造数据分析外包产业集聚区。
&&&&推进江南智造创意产业集聚区、上海国际时尚中心、张江文化科技创意产业基地、无锡国家数字产业园、中国光谷创意产业基地、重庆两江国际文化创意产业带等文化创意产业集聚区发展。
&&&&优化产业布局
&&&&推动产业协同发展，培育世界级产业集群。
&&&&推动武汉城市圈、长株潭城市群、鄱阳湖城市群和皖江城市带建设。提升钢铁、有色金属、建材等原材料工业发展水平，壮大汽车、装备制造及高技术产业实力，提升轻工、纺织服装业的国际竞争能力。强化综合交通运输枢纽地位，完善物流体系建设。
来源：&长江日报& 转自：新华网
&&相关文章
主办单位：湖北省人民政府台湾事务办公室
华夏经纬网版权所有}