1. VR與AR的發展前景，VR設備多少錢一套

虛擬現實行業發展前景分析 市場規模增長空間極大
虛擬現實技術(VR)定義
虛擬現實技術(Virtual
Reality，簡稱VR)是指結合多領域前沿技術(計算機圖形技術、人機交互技術、感測器技術、人機介面技術、人工智慧技術等)，藉助專業設備，讓用戶進入虛擬空間，實時感知和操作，從而獲得身臨其境的真實感受。簡單地說，虛擬現實技術就是用計算機創造以假亂真的世界，其最重要的特徵是具有沉浸感，當置身其中時，接受視覺、聲音、觸覺乃至嗅覺的多重虛擬信號令人難辨虛實，產生身臨其境的錯覺，從而大大提升了人類的感知體驗。
VR設備傾向走娛樂化路線，佔比日益提升的文娛消費是巨大的市場藍海。
在我國，VR技術真正現實商品化的開始是2015年，因此，2015年被很多人士看作中國虛擬現實的「元年」。
行業市場規模開始爆發式增長
據前瞻產業研究院發布的《虛擬現實(VR)行業發展前景預測與投資戰略規劃分析報告》數據顯示，2017年中國虛擬現實市場規模將達到52.8億元，隨著虛擬現實技術的逐漸成熟，資本逐漸進入，市場規模將進一步擴大，預計2018年中國虛擬現實市場規模將突破百億元大關，達到105.8億元。到2020年中國虛擬現實市場規模將突破300億元。
VR企業體量不斷提高
目前，中國虛擬現實行業的產品研發以基於應用場景開發的硬體和體驗開發為主，且行業中的企業處於初創期。在中國做虛擬現實的大公司可粗略分為兩大類別：一類是成熟行業依據老業務的軟硬體優勢向VR復制;二類是新型VR產業公司，包括生態型平台型公司和初創型公司。
從數量上看，2007年以來我國市場上新設立的VR的公司數量呈現出強勁的增長趨勢，2007年僅5家，2014年突破60家;2016年突破100家，2017年達到了142家左右，隨著中國在VR技術、軟硬體以及內容方面逐漸取得突破，VR公司的體量也將不斷提高。
消費端市場表現較為冷淡
目前中國VR用戶分為三類：對VR產品感興趣的潛在用戶、體驗過VR設備的淺度用戶和已經購買過VR產品的重度用戶。我國VR潛在用戶為2.86億，體驗過虛擬現實設備的VR淺度用戶約為1700萬人，其中重度用戶約為96萬人。
整體上來看，國內VR市場尚處於起步階段，概念普及率不高，消費市場還較為冷淡。據網路指數對「VR」這一關鍵詞的監測，其搜索熱度明顯低於Xbox
One和PS4。騰訊研究院將VR消費人群分為深入了解型、保持關注型、有所耳聞型三類，其潛在消費金額分別僅有2392萬元、9647萬元和2.23億元。總的來說，目前我國虛擬現實市場規模總體體量較小，增長空間極大。
增強現實行業發展前景分析 內容產業快速普及
AR基本概況
ARKit 是一個全新的增強現實框架，它允許開發者通過整合iOS 設備的攝像頭和運動感測功能，創建能夠提供增強現實體驗的App
應用。通過將虛擬對象和虛擬信息同用戶周圍的環境相互融合，使得App 跳出了屏幕的限制，以全新的方式與現實世界進行交互。ARKit 運行的條件是：系統為iOS
11 及以上，並且處理器為A9 或者更高(即iphone6s 機型及以上)。使用者體驗在iPad 上，通過AR 技術在實體的桌面上放置虛擬物件，並且可以360
度觀察放置的虛擬物體。
AR和VR同屬於下一代新媒介平台，兩者最直觀的區別在於使用者視野中是否有現實場景出現：AR=現實+虛擬，VR=100%虛擬。
根據增強現實的技術路徑可將增強現實的整體產業鏈拆分為硬體設備和軟體應用兩大分類。其中硬體設備類可以
分為通用型設備(電子元器件)和非通用型(電子元器件)。軟體應用也可以分為基礎數據開發和場景型應用。
應用軟體:主要包括AR設備、觸覺設備、3D鏡片、動作感測器等。 該類電子元器件廠商的核心競爭力主要體現在細分技術方向上,而AR 設備類廠商,如微軟
Hololens、Magic Leap 等更需要系統設備 整合性,場景應用型等幾個方面。
AR硬體由於在整個產業鏈中存在先發的規模優勢, 所以在初期,能夠迅速的打開市場。
從應用領域來看
AR側重的是現實世界和虛擬世界完美結合，從而提高工作、交流、娛樂的效率，未來有望深度滲透生活方方面面;而VR側重深度沉浸感的打造，其核心應用將集中在娛樂如游戲、影視等領域，VR的普及對內容質量要求較高。VR設備是全封閉式的，搭建一個完全虛擬的環境，使用戶完全沉浸在該環境中。AR在設備屏幕上，將虛擬世界和現實世界進行交融，使用戶能夠進行虛實互動。
全球AR頭顯銷量
日前，2017年全球AR/VR頭顯銷量情況，據前瞻產業研究院發布的《增強現實(AR)行業發展前景預測與投資戰略規劃分析報告》數據顯示，2017年全球AR/VR頭顯銷量達到約836萬台，其中系留VR設備銷量約279萬台，一體機VR設備約30萬台，無屏VR設備約467萬台，系留AR設備銷量約3萬台，一體機AR設備約12萬台，無屏AR設備約45萬台。包括了系留設備(連PC電腦/主機)、一體機設備和無屏設備(插手機盒子)。
AR內容產業快速普及
新內容形態普及需要巨頭在硬體和軟體底層技術上鋪路，內容迎來爆發。內容產業的爆發都要滯後硬體2-3年，但巨頭鋪路是往往是內容產業爆發的起點。從蘋果硬體+軟體平台生態來看，iPhone2007年發布，其單個App下載量在2011年達到最快。從手游市場發展來看，我國手機普及增速最快的時期是在2010年，但手游的增速最高峰出現在2013年。
AR應用之社交
嶄新的互動方式，全新的富媒體社交平台：ARKit在社交領域的應用魅力在於：基於一種嶄新媒介，催生諸多新的互動的方式，從而提高用戶的參與度和粘性，提高社交平台的經濟價值。同時AR與LBS等相結合，將催生更加新奇的社交體驗。社交巨頭Snapchat和Facebook已經將AR融入社交功能當中，預計隨著ARKit的推出，將真正實現富媒體社交的全面升級，給用戶帶來更加完美，更加豐富的全方位社交新體驗。
AR應用之游戲
虛實之間行業迎來新機遇：游戲是娛樂產品中最重交互的產品，ARKit帶來的是全新的交互形式，游戲行業將迎來發展新機遇。以Pokemon
Go為例，新的玩法極易獲取新用戶，從而成為現象級產品。當前大多數AR游戲仍然處於Demo狀態，游戲玩法和功能比較簡單，但是基於iPhone強大的硬體和系統配置，游戲呈現的效果逼真，與現實的結合度較高，預計未來多元化AR游戲的推出將能夠極大地豐富玩家的游戲需求和體驗。
AR價格分析
據前瞻產業研究院了解，目前VR線下體驗店多以小規模經營為主，面積在10 平米左右，不超過100 平米。目前以蛋椅為主要產品形態，單店投入成本在8萬元左右(
10平米)，正常情況下3-5個月收回成本。部分店面有虧損，主要原因是人流量不夠;部分店面盈利能力很強，月營收在20-30萬以上(人流量充足)。初期以單店為主，很快發展成連鎖經營模式，通過規模化方式快速復制，提升收益率。

2. 如何搭建一個類似小愛同學的人工智慧

如果想要搭建一個類似小愛同學的人工智慧，必須要強大的軟體建設方面的技術作為支撐，另外在軟體設計程序設計方面也要有非常高的水平。

3. 人工智慧如何入門

人工智慧入門可以分為三步：
第一步：學好數學知識
人工智慧就是計算機科學的一個分支，不過也有藉助其他計算機技術的時候，它和計算機的主要組成部分非常相似，差異的地方主要就是形態。它們都是硬體和軟體相配合，硬體就是實實在在可以看見，可以觸碰到的物品，而軟體則是在內部運行的，是一種可以對硬體進行控制，實現「智能」的程序。而軟體主要是經由程序設計來完成的。
程序設計就是一大堆的英文字母，被組合在一起，表達一種獨有的信息，不過除了這些還會需要到數學知識，雖然在一些比較基礎的或者是簡單的程序上用的數學知識很少，不過隨著程序越復雜，用到的數學知識就會越多，比如邏輯思維、數據結構、演算法等等。
第二步：學習編程語言

人工智慧編程語言有一個共同的特點，那就是這些語言都是面向所要解決的問題、結合知識表示、完全脫離當代計算機的諾依曼結構特性而獨立設計的；它們又處於比面向過程的高級編程語言更高的抽象層次。因此，用這些語言編寫的程序，在現代計算機環境中，無論是解釋或編譯執行，往往效率很低。尤其當程序規模很大、很復雜時，將浪費大量系統資源(主要指處理機佔用時間和存儲空間佔用量)，使系統性能下降到難以容忍的地步。
第三步實戰
理論知識只是理論知識和實際運用是兩回事，擁有再好的理論，不能實現在現實中，也是沒有用的，所以基礎知識學完後就需要進行實習了，把學來的知識在實際的案例中慢慢吸收一遍，會得到不一樣的理解。

4. 如何構建一個像""紅後""那樣的人工智慧

首先，我們來解釋一下什麼是「災難性忘卻」（catastrophicforgetting）。現有人工智慧技術的底層是機器學習技術，也就是利用很多層神經網路來對問題進行量化分析。最終得到一個相對靠譜的神經網路，知道如何分解問題最合理，卻不知道網路參數數值與最終結果除了正確率之外的其他邏輯意義。那麼我們假設現在有兩個需要學習的新生事物A和B，而我們先後用一套神經網路去學習，就會出現一個非常尷尬的局面：讓人工智慧學習完A之後學習B，之前為完成A任務所建立的神經網路就變得無用，需要再次從0開始積累。當神經網路學會如何解決B問題之後，A問題的解決方法卻又已經被覆蓋，等於「忘記」了。那種想說一件事，但是因為被打斷突然忘掉了，有多郁悶你肯定懂。通俗點來說，雖然這套神經網路能夠同時學習A、B兩種事物，但他們從本質上來說卻不是一個神經網路，因為它並不能同時完成兩項事務。這個特性就好比一堵「高牆」，攔住了人工智慧往通用化的方向前進。也正因為不能通用化，所以我們目前看到的人工智慧還久久停留在「弱人工智慧（只能完成一個或者一類實際問題）」階段。為了解決這個問題，DeepMind此次引入了一套全新的演算法體系EWC（彈性權重鞏固），原理並不復雜。A、B兩個任務，以及分別對應的兩個神經網路依舊是A、B兩個需要學習的事物，但在學習完A之後EWC演算法中多出來了一步：根據神經網路中每一個神經元與結果的關系強弱，分別給他們加上一個對應的時間保護設置。當再次學習全新事物B時，A事物最關鍵的神經網路結構會被保留，即便少部分被覆蓋，也能快速通過再次學習獲得。袁行遠特別指出：「這次DeepMind進展的關鍵，在於19個游戲用的是同一個神經網路。」單從這個成績來看，DeepMind這次的實驗已經算成功了。不得不說，這的確很像人腦的工作方式。因為人類大腦也會左右分工、大腦皮層的不同位置也會負責不同任務。處理具體問題的時候，大腦對應區域自然會運轉起來。而EWC的出現，就是去衡量這些無法同時工作的神經網路應該如何分別留存。實際上，DeepMind這套演算法的參考對象就是人類和哺乳動物大腦，因為他們都有鞏固先前獲得技能和記憶的能力。根據神經科學目前的研究成果，大腦中主要有兩種鞏固知識的方式系統鞏固（systemsconsolidation）與突觸鞏固（synapticconsolidation）。系統鞏固的過程中，人類大腦將快速學習部分獲得的記憶轉印進了緩慢學習的部分。這一轉印過程有有意識的回憶參與，也有無意識回憶的參與，人類做夢時就能完成這一轉印過程。而在突觸鞏固中，如果一種技能在此前的學習中非常重要，神經元之間連接就不會被覆蓋。而這次DeepMind公布的EWC演算法，實際就模擬了突觸鞏固。但毫無疑問，即便裝備了EWC演算法，人工智慧目前的記憶復雜程度還遠遠比不上人類。是騾子是馬？拉出來玩幾把游戲再說既然演算法有了，自然要測試一下。DeepMind選擇了一個自己熟悉的項目：19款ATARI2600（一款1977年發布的經典像素游戲主機，之上有數款最經典的游戲）游戲。早在2015年，DeepMind就通過自行研發的神經網路DeepQ，在這些游戲上得分超過了人類。還是熟悉的項目，但DeepMind這回在DeepQ基礎上加上了EWC演算法。同時為了驗證EWC演算法的有效性，他們添加了一個考核條件：每種游戲只能學習2000萬次，然後就切換到下一個游戲。當19個游戲全部被學習一次之後，再從第一個游戲重新開始學習。最終他們得到了下面的結果：註：SGD（藍色）為沒有加上EWC的學習結果，紅色是加上EWC演算法之後，singlegame（黑色）為持續對單個游戲進行學習的結果。需要額外解釋一下的是，這些圖表中橫向坐標是學習次數，同時EWC並不是連續學習的結果。EWC每兩個峰谷之間實際上已經學習了另外18個游戲。對結果做一個簡單統計：在19個游戲中，總共有11個EWC成績達到或者接近（以80%計算）singlegame的成績。另外一方面，EWC與SGD成績對比也能顯現出很有趣的趨勢：在絕大多數游戲中，兩者都會在「重新學習」之後發生較明顯的成績下滑，但是EWC的成績通常比SGD高，而且整體波動幅度會越來越小。而這恰恰證明，EWC的確記住了這個游戲怎麼玩。但與此同時，我們還能發現另外一些有趣的結果：1、breakout、stargunner、Asterix這幾款游戲中，數據的積累非常重要，singlegame也是在學習量積累到一定程度之後才找到其中的規律，而每個游戲只能學習2000次的限制讓EWC、SGD都無法取得進展（即便我們繼續增加回合數，希望也很渺茫）。2、在kangaroo這款游戲中，不同的學習嘗試似乎反而促進了分數，EWC在數個回個之後曾取得多個超過singlegame的成績（這跟人類玩游戲需要狀態、靈感有點類似）。3、在demonattack、defender、spaceinvaders這幾款游戲中，EWC在幾個回合之後出現成績下滑。即便後面多個回合繼續研究也沒有起色。這可能是由於學習次數不夠，同時也有可能是因為EWC網路沒有正確選擇應該保留的神經網路組件的結果。這次實驗證明了EWC的確能夠工作。但不同游戲下表現差異比較大。如何選擇需要「記憶」的神經網路，每次學習的次數如何決定？這些硬性條件同樣需要演算法來平衡，我們甚至可以說現在的EWC演算法是殘缺的。袁行遠對這部分實驗也指出了自己的幾個看法：1、DeepMind選擇ATARI2600游戲作為測試樣本有其原因所在，雖然游戲種類、玩法、成績不同，但輸入都是一致的，這在一定程度上保證了神經網路的通用性質。2、這次記憶體系的構建並不會直接打通強人工智慧之路，這還是一個非常漫長的道路。3、神經科學目前的積累基本已經被人工智慧所「掏空」，接下來人工智慧的進展還需要不斷靠嘗試推進。記憶鋪路，讓強人工智慧早日來臨正如上文所提到的那樣，引入「記憶」最終是為了前往人工智慧的終極目標——強人工智慧，這也是最理想的道路之一。袁行遠就此分享了一下目前他所理解的兩條前往強人工智慧的道路——語言與記憶：「就比如AlphaGo，它現在的確很厲害，未來肯定能超過人類。但它目前還不能做到我最希望的一件事，把它下棋的經驗寫出來。這樣雖然它能下過人類，但是人類並不能理解它的思考，那就等於對人類沒有意義。」那麼怎麼才能讓AlphaGo學會寫書呢？首先就是能夠將AlphaGo的下棋經驗記錄下來，也就是記憶；其次還需要將這些記憶變成人類所能理解的代碼、語言。當然，此次DeepMind所嘗試的演算法還非常有限，並不能算作一個完整的記憶體系。究竟怎麼樣的記憶才是人工智慧最需要的？袁行遠表示：「記住東西是必須的，關鍵是要能夠變成一本一本的書，也就是能夠輸出一個外部可以接受的成果。這樣不同的人工智慧能夠交換知識，人類也可以進行學習。」從時間長度來看，這些書本實際可以定義為一個個長期記憶，能夠永久保存、更新就最好了。至於語言方面，彩雲AI最新產品「彩雲小譯」就是一款人工智慧驅動的翻譯產品。在之前接受Xtecher采訪的時候他也曾強調過：「我們目前在做的是人與人之間語言的翻譯，未來實際上同樣也可以作為機器與人溝通的橋梁。」

5. 人工智慧建站系統開發一套要多少錢

主要是人工成本，建議您找個專業的技術咨詢，在這里給出的回答不一樣，它涉及您的內容和功能需求，而且後期技術維護，功能更新升級等都是一個不小的費用

6. 如何設計一套智能家居系統

你說你是一個理工科的，而且是學人工智慧的，這樣才能自己去設計一套，不然的話很難

7. 如何在家裡搭建一套個人的私有雲系統

如今自己和家人都有了不少的電子設備，而散布於這些設備中的影音、文檔等數據也越來越多，經常遇到旅遊回來的照片放在某台電腦里、想在平板上看硬碟里的電影、要共享點資料給朋友等等問題，迫切需要有一個數據的存儲管理中心，將各設備中的數據統一管理，並能夠通過互聯網操作，而家用 NAS 恰好提供了這個解決方案，它可將不同設備存儲於其中的數據分類管理，並支持本地與互聯網的多種訪問途徑，提供用戶訪問許可權設定，還可以隨時隨地的備份數據，擴容也很方便，更重要的是系統可通過安裝 APP 來擴展各種新功能，形象的說，家用 NAS 就是一朵自己的私有

8. 現在公司想搭建一套視頻會議設備，都需要做什麼准備呢

其實搭建視頻會議系統並不是一件很麻煩的事情，首先你要先了解自己的需求，需要的畫面質量，有標清和高清的，然後就是自己的預算問題，這點很重要，最後找個專業的做視頻會議的企業幫您安裝、培訓一下。

9. 需要搭建一套很簡單的家庭監控

不使用電腦的話可以買帶內存卡的攝像點，錄像會存到卡里，這樣也不需要布線，只要有電源就可以了，至於布置規劃要看你的面積和角度，你可以自己更具實際情況再布置，別人沒看見無法給你提供，購買的話可以到你附近賣監控設備的店裡，也可以到淘寶里看一下！

10. 如何用tensorflow搭建一套圖像識別模塊

http://blog.csdn.net/xiangz_csdn/article/details/68060321你參考下