【菜科解读】

11月28日消息，据 深圳工信 公众号消息，日前，深圳市工业和信息化局、深圳市发展和改革委员会等8部门联合发布《深圳市促进新能源汽车和智能网联汽车产业高质量发展的若干措施》。

其中提到，围绕车规级芯片、车用操作系统、中央计算平台、新体系动力电池等产业核心领域和重要环节，支持针对重大技术系统、重大工程、重大装备等进行重点攻关，按项目总投资的一定比例予以不超过3000万元资助。

采用 赛马制 揭榜挂帅 等方式，鼓励高端微控制器 MCU 、功率器件、电源控制模拟芯片、车内/车间通信芯片、高算力主控芯片、计算芯片、系统级芯片 SOC 等汽车芯片实现自主突破。

同时，支持围绕先进动力电池、电机电控系统等电动化领域，激光雷达、毫米波雷达、车载摄像头、高精度地图与定位、域控制器等智能化领域，车用无线通信、云服务终端等网联化领域，操作系统、智能驾舱、电动化平台等共性基础技术领域。

另外还有汽车功能安全、信息安全等领域开展关键技术及关键零部件攻关，根据项目评审结果予以不超过1000万元资助。

据了解，汽车芯片在实现汽车智能化、电动化过程中发挥着重要作用，近年来，我国汽车产销持续增长，对汽车芯片需求也在不断增加。

深圳此次发布的 促进新能源汽车和智能网联汽车产业高质量发展的若干措施 将增强汽车芯片设计能力等核心技术，减少与国外企业差距，加速汽车芯片国产化。

研究称无人驾驶技术负面效益更大:加速环境污染

尽管这项科技创新为人类带来无限希望，但近日有研究指出，无人驾驶技术将会对地球环境造成的影响远超人们想象。

　　据台湾中时电子报3月1日援引外国媒体《Mic》报道，这项研究由华盛顿大学、英国里兹大学和美国橡树岭国家实验室合作进行。

研究发现，若未来世界路上挤满自动驾驶车，过量的碳排放将会加重地球现正面临的暖化问题。

华盛顿大学运输工程学研究助理教授麦肯基表示："若缺乏政策规范，自动化不仅无法为人类带来更美好的生活，甚至可能会让事情变得更糟"。

　　报道称，科学界稍早针对自驾车进行的研究时，多半关注这项科技能带来的正面效益。

其中包含了减少交通阻塞问题、增加安全性、减少燃油消耗和降低停车费用等。

但麦肯基的研究团队却认为，正是因为自驾车具备高效性、可接近性的优点，未来路面上行驶的车辆将比现在更多。

　　一些本来无法开车的族群，例如年长者或残疾人士，将能广泛地使用自驾车通勤。

除此之外，自驾车燃油消耗较低的特性，能给予企业足够诱因将运输方式从传统的火车等运输工具，改成使用自动驾驶车。

而自驾技术也会让本来在美国就不太盛行的大众运输方式大受影响。

麦肯基说："目前拥车人口过多造成的污染问题尚未解决，就算我们有自动驾驶技术，若未来汽车数量仍持续增加，问题只会恶化不会变好"。

　　报道称，除了汽车的数量变多之外，自驾车的出现也将无可避免地让长途驾驶的机会大幅增加。

在风景单调的公路上行驶，时常让人感到无聊和疲倦，自驾技术让驾驶可以选择在这段期间内工作或看部电影，提升人们长途驾驶的意愿。

但更多的驾驶时数和频率，同时也代表更多的碳排放和环境污染。

此外，自驾车通常内建许多耗能的影音器材，这些器材会增加自驾车的耗能。

　　麦肯锡说："其实自驾技术究竟是否会对环境造成负面影响端看各国政府对这项新科技的法律规范而定。

举例来说，若各国政府鼓励发展电动车或氢气车等能源汽车，自驾技术对环境造成的影响将比预期来的低；

鼓励市民选择以共享经济概念经营的自驾车租赁服务也是另一种方法"。

　　麦肯基表示，使用在共享经济理念下经营的自驾车租赁服务，能大幅减少资源的消耗。

举例来说，依据不同乘客人数搭配不同的车辆体型，将能大幅减少空间资源和能源的消耗。

因此在自动驾驶技术呼声高涨的年代，人们应该注意的不仅是技术的革新，公家单位和私人企业如何在这议题上合作，降低科技可能造成的环境风险也是相当重要的。

2017年八大智能技术 围绕AI产业生态加速形成

人脑仿生也不再是想想而已，随着科技技术发展，人脑仿生发生了两个重大的事件。

人脑仿生是再造人类的打造，通过明确大脑的结构组成和工作原理，可以建立小的神经元组成大的人脑神经网络，实现人类大脑的再造。

我们的大脑不是孤立的，我们需要与机器进行互联，人脑仿生的利益另外一个方向是人机接口。

从2013年开始，人脑仿生发生了两个重大的事件。

2013年欧盟、中国和美国都提出大的计划，美国和英国的研究机构在人机接口方面也有重大的技术进展，使我们可以通过大脑来连接航天飞行器。

2014-2016年，IBM公司作为重大的技术公司发布类脑微处理芯片，类脑计算机等人造神经元一系列的人脑仿生重要产品，标志着人脑仿生技术有一系列的前沿性进展。

2016年，人机接口方面可以使得身体障碍的人士获得视觉和触觉的功能延伸，这是人脑仿生技术的重大发展。

2017年，类脑芯片和类脑计算机都将会有小规模的商业化运行和适用。

机器学习将在数据量大、需求迫切的领域深入应用 机器学习的发展有三架马车，硬件、算法、数据。

硬件是支撑的骨干，算法是机器思考的灵魂，数据是机器运行的养料。

就像人类在学习一系列知识的教材或资料一样，这三架马车标志着机器学习不断地向前发展，也形成了机器学习目前最重要的范式。

面向大规模数据的采集、标注、分析和处理，这是一种统计学的算法。

可以说目前机器学习的最重要特征是无数据、不智能。

我们可以看看机器学习可以在哪些领域进行应用，如在数据大规模集中的特定领域，在此基础上我们才能找到行业的痛点，它最需要在哪一些方面运用技术。

IBM公司沃森机器学习平台，突破了以前医生进行癌症诊断的重要方式。

利用沃森平台对癌症病人进行诊断，沃森平台学习了大规模的癌症医学教材、癌症的病例，通过对这些数据和资料进行学习，从而提供精准化的诊疗手段，这是智慧医疗的最重要应用。

目前IBM公司沃森平台已经进入国内医院。