从无人舰艇变成了无人机舰航母，这个方案大家讨论的听热烈，有个舰队参谋：““现在无人技术发展这么快，我们应该搞点新花样的吧，比如防空导（弹）价格那么高，如果打个高强度战争，压力都很大的，我想呢，比如弄个无人机航母，把无人舰载战斗机弹射到天上，靠近目标在发生进程格斗弹，这个技术上应该没有多大难度，从历史上来说没有制空权就没有制海权，从二战到马岛海战说明单纯的水面舰队太危险了，但航母这个价格太贵了，不能大批量装备的，能不能搞个万吨级的低造价航母，配属给054，056支队用，装备无人机和直升机就可以了，我是情愿少一个054也想弄个无人机航母用用！”
我也来说两句：“这个想法可以，现在军舰为了带一架直升机要占掉多大空间，效能真的不是太高，5000吨的带1架，10000吨的才能够带2架，不要说实战，就是演习都觉得这个直升机越多越好，哪怕是无人直升机都行，很多目标不是靠雷达看到就行，很多时候还是要抵近识别的，大型航母也被盯的太紧了，还是让航母走群众路线，成为群众最好了！。”
“无人船应该还要具备个功能就是，在登陆作战的时候能够抵近射击，最好是装备上105毫米的坦克炮，岛屿作战及登陆作战总会有些无法被消灭的目标，这些对登陆部队往往威胁很大，需要有点劲大的武器来支援，你让052，055抵近射击这个任务效能就太低了！”
“无人兵器现在发展很快，我们是无人机舰的制造大国，从现在发展态势来看，以后会更加深刻的影响未来战争，甚至可能会颠覆现有的战争方式，在技术层面我们是第一梯队的，先就是要广开思路，在开发和应用上都走到前面去。”
“应该开发一类群蜂类型的步兵无人机，该无人攻击机能执行点面结合的精确打击；同时还能承担战场侦察任务，同时作为通讯中继节点。为炮群指示目标并且修正弹着点，实时评估打击效果。该无人机既可以通过专用车辆携带，还能由普通战斗车辆携带，数量可为单架也可以为多架，甚至可以编队突击。侦查型无人机已经成为当代数字炮兵的标配。可以完成悬停和复杂的避障动作。复杂地形下的山地丛林作战，或者类似的近距离激烈巷战，步兵的装备再好都会有很大伤亡。这类无人机配上热成像毫米波雷达，就能够及时的发现对手。”
……….
会上用上级提出了很多需求，已经超出左冬良的工作范围，会上就决定把他们团队升级成为专门的办公室，左当主任，并提供了相应场地人员，设备，对于上级装备要求，左还是决定搞一个无人装备的开发平台，分为信息录入端口，SaaS应用层级，PaaS基础层面，Iaas基础设施层。在这个平台上整合了无人机，无人舰船人工智能深度学习算法，设计数字模型，海洋环境船体等数据库，形成了初步的基于人工智能的无人装备设计平台，这个平台有个最大的好处是，可以进行快速的概念验证设计，比如上级提出的诸多要求，通过平台很快能概念设计转变到初步设计，而后面就能进行方案审查了，平台出的方案也不会出现低级的错误，快的好处就是大家对这个还有印象的时候，尽快推进，要是按照老办法，就是过了几个月再出东西，很多人会就会没有当时的那股热情了，趁热打铁，但又要保持严谨，这个平台很好的解决了这个问题，从工程角度来说，创新的东西一般不会超过30%的，其他都是套用以前的东西，在没有智能平台，这些工作都是手工完成这些重复工作，消耗很多开发人员的经历，在这个平台后就提高了至少3-5倍的效率。
他们办公室合作的人工智能公司就是星湖智能科技公司，公司创始人乐天锋是本来做人工智能算法，偶然的机会他们接触到了一个，船舶识别与跟踪的项目，船东设想通过人工技术来提高对海面目标的识别与发现概率，避免紧急状况的发生，在船舶航行中人为失误占80%,而导致故障的主要原因就是观察和判断失误,而失误的原因更多是疲劳和注意力分散,人长时间的注意力高度集中,往往会导致疲劳,而人工智能最大的优势就是用机器代替人对海情观察与信息收集处理,使得船舶驾驶者可以把有限的精力放到关键的场景,做到船舶能够顺利航行.对于船舶驾驶来说人工智能在复杂水域条件下是作为助航使用,一开始他就是当作一个项目做做，挣点钱，结果后来发现自己掉到了一个很大坑里。
通常的图形图形识别都是基于深度学习的神经网络的算法，包括CNN，YOLO3这些，而深度学习建立、模拟人脑进行分析学习的神经网络，对于视觉识别来说，CNN分层提取的特征与人的视觉机理（神经科学）类似，都是进行边缘->部分->全体的过程。它被引入使其更接近于最初的目标——人工智能(AI, A
tificial I
tellige
ce)。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。 深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。
简单点说就是算法处理数学公式，海量数据学习后建立数据集，还有计算的硬件，就是让系统能够识别一艘船，那么就让这个系统先录入1万张的照片，通过算法这些特征记录下来建立数据集，在实际使用的时候，系统捕捉到船舶通过算法后与数据集内的参数对比，然后判断，是不是船舶，那种类型船舶。如果让船舶能够学习10万张图片，那么识别准确率会更高！当然对硬件的要求就更高了，就出现了AI芯片！
AI芯片是算力属于硬件，算法是通过模拟人类脑部神经结构，进行对物体及态势的认知，判断，决策，而常用的神经网络算法就有30多种，还有很多变异结构
按照部署位置划分，AI 芯片可以分为云端芯片和边缘端芯片。云端芯片部署位置包括公有云、私有云或者混合云等基础设施，主要用于处理海量数据和大规模计算，而且还要能够支持语音、图片、视频等非结构化应用的计算和传输，一般情况下都是用多个处理器并行完成相关任务；边缘端 AI 芯片主要应用于嵌入式、移动终端等领域，如摄像头、智能手机、边缘服务器、工控设备等，此类芯片一般体积小、耗电低，性能要求略低，一般只需具备一两种 AI 能力。
按照承担的任务分，AI 芯片可以划分为训练芯片和推理芯片。训练是指通过大量标记过的数据在平台上进行“学习”，并形成具备特定功能的神经网络模型；推理则是利用已经训练好的模型输入新数据通过计算得到各种结论。训练芯片对算力、精度要求非常之高，而且还需要具备一定的通用性，以适应多种算法的训练；推理芯片更加注重综合能力，包括算力能耗、时延、成本等因素。
我也来说两句：“这个想法可以，现在军舰为了带一架直升机要占掉多大空间，效能真的不是太高，5000吨的带1架，10000吨的才能够带2架，不要说实战，就是演习都觉得这个直升机越多越好，哪怕是无人直升机都行，很多目标不是靠雷达看到就行，很多时候还是要抵近识别的，大型航母也被盯的太紧了，还是让航母走群众路线，成为群众最好了！。”
“无人船应该还要具备个功能就是，在登陆作战的时候能够抵近射击，最好是装备上105毫米的坦克炮，岛屿作战及登陆作战总会有些无法被消灭的目标，这些对登陆部队往往威胁很大，需要有点劲大的武器来支援，你让052，055抵近射击这个任务效能就太低了！”
“无人兵器现在发展很快，我们是无人机舰的制造大国，从现在发展态势来看，以后会更加深刻的影响未来战争，甚至可能会颠覆现有的战争方式，在技术层面我们是第一梯队的，先就是要广开思路，在开发和应用上都走到前面去。”
“应该开发一类群蜂类型的步兵无人机，该无人攻击机能执行点面结合的精确打击；同时还能承担战场侦察任务，同时作为通讯中继节点。为炮群指示目标并且修正弹着点，实时评估打击效果。该无人机既可以通过专用车辆携带，还能由普通战斗车辆携带，数量可为单架也可以为多架，甚至可以编队突击。侦查型无人机已经成为当代数字炮兵的标配。可以完成悬停和复杂的避障动作。复杂地形下的山地丛林作战，或者类似的近距离激烈巷战，步兵的装备再好都会有很大伤亡。这类无人机配上热成像毫米波雷达，就能够及时的发现对手。”
……….
会上用上级提出了很多需求，已经超出左冬良的工作范围，会上就决定把他们团队升级成为专门的办公室，左当主任，并提供了相应场地人员，设备，对于上级装备要求，左还是决定搞一个无人装备的开发平台，分为信息录入端口，SaaS应用层级，PaaS基础层面，Iaas基础设施层。在这个平台上整合了无人机，无人舰船人工智能深度学习算法，设计数字模型，海洋环境船体等数据库，形成了初步的基于人工智能的无人装备设计平台，这个平台有个最大的好处是，可以进行快速的概念验证设计，比如上级提出的诸多要求，通过平台很快能概念设计转变到初步设计，而后面就能进行方案审查了，平台出的方案也不会出现低级的错误，快的好处就是大家对这个还有印象的时候，尽快推进，要是按照老办法，就是过了几个月再出东西，很多人会就会没有当时的那股热情了，趁热打铁，但又要保持严谨，这个平台很好的解决了这个问题，从工程角度来说，创新的东西一般不会超过30%的，其他都是套用以前的东西，在没有智能平台，这些工作都是手工完成这些重复工作，消耗很多开发人员的经历，在这个平台后就提高了至少3-5倍的效率。
他们办公室合作的人工智能公司就是星湖智能科技公司，公司创始人乐天锋是本来做人工智能算法，偶然的机会他们接触到了一个，船舶识别与跟踪的项目，船东设想通过人工技术来提高对海面目标的识别与发现概率，避免紧急状况的发生，在船舶航行中人为失误占80%,而导致故障的主要原因就是观察和判断失误,而失误的原因更多是疲劳和注意力分散,人长时间的注意力高度集中,往往会导致疲劳,而人工智能最大的优势就是用机器代替人对海情观察与信息收集处理,使得船舶驾驶者可以把有限的精力放到关键的场景,做到船舶能够顺利航行.对于船舶驾驶来说人工智能在复杂水域条件下是作为助航使用,一开始他就是当作一个项目做做，挣点钱，结果后来发现自己掉到了一个很大坑里。
通常的图形图形识别都是基于深度学习的神经网络的算法，包括CNN，YOLO3这些，而深度学习建立、模拟人脑进行分析学习的神经网络，对于视觉识别来说，CNN分层提取的特征与人的视觉机理（神经科学）类似，都是进行边缘->部分->全体的过程。它被引入使其更接近于最初的目标——人工智能(AI, A
tificial I
tellige
ce)。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。 深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。
简单点说就是算法处理数学公式，海量数据学习后建立数据集，还有计算的硬件，就是让系统能够识别一艘船，那么就让这个系统先录入1万张的照片，通过算法这些特征记录下来建立数据集，在实际使用的时候，系统捕捉到船舶通过算法后与数据集内的参数对比，然后判断，是不是船舶，那种类型船舶。如果让船舶能够学习10万张图片，那么识别准确率会更高！当然对硬件的要求就更高了，就出现了AI芯片！
AI芯片是算力属于硬件，算法是通过模拟人类脑部神经结构，进行对物体及态势的认知，判断，决策，而常用的神经网络算法就有30多种，还有很多变异结构
按照部署位置划分，AI 芯片可以分为云端芯片和边缘端芯片。云端芯片部署位置包括公有云、私有云或者混合云等基础设施，主要用于处理海量数据和大规模计算，而且还要能够支持语音、图片、视频等非结构化应用的计算和传输，一般情况下都是用多个处理器并行完成相关任务；边缘端 AI 芯片主要应用于嵌入式、移动终端等领域，如摄像头、智能手机、边缘服务器、工控设备等，此类芯片一般体积小、耗电低，性能要求略低，一般只需具备一两种 AI 能力。
按照承担的任务分，AI 芯片可以划分为训练芯片和推理芯片。训练是指通过大量标记过的数据在平台上进行“学习”，并形成具备特定功能的神经网络模型；推理则是利用已经训练好的模型输入新数据通过计算得到各种结论。训练芯片对算力、精度要求非常之高，而且还需要具备一定的通用性，以适应多种算法的训练；推理芯片更加注重综合能力，包括算力能耗、时延、成本等因素。