过程如下所示，攻击者在目标机器学习模型未知的情况下，通过询问黑盒子系统所得结果，得到一 系列训练样本。 1.攻击者任意选取了某机器学习算法并使用训练样本训练得到已知机器学习模型。 2.攻击者针对训练出来的已知机器学习模型构建对抗数据。 图4 对抗性图像黑盒攻击流程 这一攻击基于对抗性图像的欺骗传递性，即针对机器学习模型A 构造的对抗性图 像，也会有很大的比例能欺骗机器学习模型B。表1 展示了使用单网络优化方法时，针 对不同元模型构造的非定向对抗性图像，被不同目标模型识别的成功率。每一个格子(i,j) 代表针对算法模型i 产生的对抗图片，在其他算法模型j 上验证的结果，百分比表示所 有对抗性图片中被识别成原图片类型的比例。可以看出，当同一个图像识别系统被用来 构造和验证对抗性图像时(白盒攻击模型)，百分比为0。这说明在白盒攻击模型中， 构建对抗性图像的效果非常好，全部不能正确识别。当验证模型和构造模型并不一致时， 大部分对抗性图像的百分比也在10%-40%之间浮动，该结果有效证明了对抗数据在 不同算法之间有一定的传递性。

谈到最后再附赠一些个人观点，随机想的，只写论点不写论证过程了： 1.现在搭建和使用AI环境很难，但软件会进步和解决这个问题；三年前云计算平台很难部署和维护，现在遍地都是一键部署和UI维护的云平台方案。 2.深度学习这个技术领域太吃数据和算力了，人脑不会像AI这么笨，可能以后会有新技术出现取代深度学习在AI领域的地位。 3.因为需要数据和算力，搞个AI公司比其他创业企业更难；现在有名的AI创业企业都是单一领域深耕三年以上，让用户提供数据他们只做单一典型模型。同样巨头企业搞AI也不容易，即使挖到人AI项目也要花时间冷起动，清洗数据不仅消耗体力同样消耗时间。 4.深度学习的计算过程不受控制，计算结果需要人来验证，所以它不能当做法务上的证据。当AI发现嫌疑人时警察会立刻采取行动，但它的创造者都无法描述AI下一步会如何下围棋。一个婴儿能尿出来世界地图，某人随手乱输能碰对银行卡的密码，AI会告诉你股市99.99%要暴涨，但这些都不能当做独立单责的证据。

我的蜀韵文学网 m.sanwenzx.cn 在所有除百度外的浏览器都能正常使用评论功能。而这个百度就是不让网站显示评论。广告屏蔽功能关闭就正常了。

更广、更快、更精的AI技术 深度学习是AI发展的燃料。百度在深度学习领域深耕已久，2016年，百度开源了深度学习框架PaddlePaddle。此次，PaddlePaddle迎来两方面重大更新，核心框架Paddle Fluid v1.3新增发布业界首个视频分类模型库，新增支持NLP语义表示BERT模型，分布式训练性能大幅提升，大规模稀疏参数服务器Benchmark发布；同时，基于PaddlePaddle的深度强化学习框架PARL，夺冠NeurIPS 2018。具有高灵活性和可扩展性，支持可定制的并行扩展，覆盖DQN、DDPG、PPO、A3C等主流强化学习算法. 目前，百度PaddlePaddle已对外开放超过50种经过工业场景验证的官方模型，例如，领邦利用PaddlePaddle，通过ICNet语义分割模型识别精密零件瑕疵，实现零件自动分拣。 在深度学习基础之上，百度大脑通用AI能力开放涵盖语音、视觉、自然语言处理、知识图谱等全面AI技术。

“提供总计1亿元免费算力，助力开发者成功”——百度大脑AI Studio 大数据、大模型、大算力是深度学习发展的必备因素，算力的重要性不言而喻。4月23日，首届 WAVE SUMMIT 2019深度学习开发者峰会，百度一站式开发平台 AI Studio 重磅推出算力支持计划：豪掷1亿元免费算力，为普通开发者破除算力桎梏。 百度大脑AI Studio 百度大脑AI Studio是集合AI教程、代码环境、算法算力、数据集和比赛的一站式学习、开发、交流平台。该平台旨在帮助开发者迅速掌握AI开发知识，并熟悉模型创建，训练及部署的全过程。 百度大脑AI Studio中，项目有两个模式:：一人一卡（单机）和远程集群模式。 其中一人一卡模式的配置此前以CPU为主。为了解决该模式下性能不足的问题，百度大脑AI Studio准备了大量的Tesla V100训练卡和相关资源，总价值1亿人民币。 Tesla V100训练卡是当前性能最好的工业级训练卡之一。根据英伟达的说明, 该GPU的性能是单核CPU的47倍。此举将普惠百度大脑AI Studio用户，破除用户的算力困境。

在针对运维的场景中，会覆盖运维相关的服务管理、监控、变更、流量调度等相关平台。 这部分平台是运维的基础，在AIOps时代仍然需要依赖于这些平台的建设。 同时在AIOps场景中，数据成为了中心，运维各种状态信息转换为大数据，机器学习则作用在大数据上进行分析。在百度AIOps的实践中，运维开发框架、运维知识库、运维策略框架共同组成了完整的智能运维平台，三大平台的建设和实施离不开大数据、机器学习架构的引入。这就要求平台研发工程师具备大数据、机器学习平台架构师的多重身份，具备流式计算、分布式存储、机器学习平台、算法策略平台等一系列大数据和机器学习平台架构能力。 运维研发工程师 基于多个业务线场景抽象出的单机房故障自愈解决方案，能够满足大部分场景需求，但并不意味着可以直接提供给各个业务线来使用。原因如下： 策略和参数需要进行调整 流量调度、容灾策略等策略，针对不同的业务线，配置并不相同。例如某些业务对响应时间敏感，跨地域的调度会带来较大的延迟，影响用户体验，这时就需要根据业务情况配置机房之间的跨机房流量调度延迟系数，来实现流量优先调度到延迟系数最低的机房。

太差了，还是哪个百度吗？好山寨的车机软件

干货概览 在大型互联网公司中，单机房故障因为其故障时间长、影响范围大，一直是互联网公司运维人员的心头之痛。在传统的运维方式中，由于故障感知判断、流量调度决策的复杂性，通常需要人工止损，但人工处理的时效性会影响服务的恢复速度，同时人的不可靠性也可能导致问题扩大。 为了解决这类问题，我们针对百度内外部网络环境建设了基于智能流量调度的单机房故障自愈能力。结合外网运营商链路监测、内网链路质量监测与业务指标监控构建了全方位故障发现能力，基于百度统一前端(BFE)与百度名字服务(BNS)实现了智能流量调度与自动止损能力。同时，基于实时容量与实时流量调度自动止损策略与管控风险，实现了任意单机房故障时业务均可快速自愈的效果。当前此解决方案已覆盖搜索、广告、信息流、贴吧、地图等众多核心产品的单机房故障自愈场景。 单机房故障频发影响业务可用性 回顾近2年来各大互联网公司被披露的故障事件，单机房故障层出不穷。

单机房故障止损流程 一个完整的故障处理生命周期包括感知、止损、定位、分析四个阶段。 单机房故障止损覆盖从感知到止损阶段，其中感知阶段依赖监控系统的故障发现能力，止损阶段依赖流量调度系统的调度能力。我们来具体看下百度的监控系统与流量调度系统是如何在单机房故障止损场景中起作用。 故障发现：百度监控平台 百度监控平台，针对单机房止损过程中的可用性场景，覆盖故障发现、止损决策、问题定位各阶段的监控。同时针对单机房止损依赖的容量管理场景，提供资源类监控采集，为容量规划、扩缩容提供数据支持。实现从运营商外网链路、百度内部网络设备/链路、服务/实例、机器/容器的全方位数据采集与监控。满足网络类单机房故障、业务类单机房故障的监控覆盖需求。 同时提供一系列数据分析方法。如智能异常检测、趋势预测、多维度分析、关联分析、服务和链路拓扑分析，实现故障的精准发现和定位。 故障止损：百度流量调度平台 针对百度的网络架构和业务架构，我们将流量调度拆分为三层：接入层、服务层、依赖层。 接入层：从外网用户发起请求经过运营商网络到百度统一前端（BFE）的过程，使用DNS实现外网流量调度。

现在深度学习的概念火到鸡犬升天的地步，前同事H哥拿个基于深度学习做XX助手的BP让我帮分析一下技术可行性和技术壁垒高度。 我用一个周末琢磨出来点门道，我根本识别不出这个演示程序是不是AI，更无法确认这是不是深度学习程序。这就引出了今天的议题，图灵测试指的是人类能否区别是不是和AI在聊天，那反过来看，我们怎么识别“这个东西”是不是个AI？ 首先我为什么说“这个东西”而不是“这个程序”？因为某些大堂机器人确实背后是人类操控的，相当于你用一个安卓平板和我视频聊天，特别聪明还必须联网的机器人可能就是真人。但有些真AI如Siri也要联网，通过联网断网判别不了AI。 网上有个笑话，我把QQ自动回复设置成“呵呵”，你可以和我的电脑就任何话题聊上一夜。很多智能客服只是简单的关键字匹配，和呼叫中心搜索知识库差不多，编辑回复模板远比写程序更重要。只有支持多层级对话的才是AI智能客服，但现在网店客服也可以混在AI的回答里回答客户啊，熟练客服回信息效率极高，顾客以为面对的是AI程序反而会少提需求。 虽然深度学习常拿自然语言处理举例，但成熟的翻译软件也不用AI。

面对企业应用AI的这几大难点，百度推出了EasyDL定制化训练及服务平台，开放给有需求的用户。它的目标，是让零算法基础的用户，也可以基于自身业务需求和数据，快速训练专属的定制化AI模型，并且快速落地应用。 开发者只需创建模型、上传并标注数据、训练模型并验证效果、上线模型获取API或离线SDK四个可视化步骤操作，就能快速获得定制化服务接口或者离线SDK。百度EasyDL实现零深度学习基础、零代码获得定制化深度学习模型及接口服务。 从技术实现方面来看，百度EasyDL采用全球领先的AI Workflow引擎，底层基于PaddlePaddle高性能分布式深度学习训练框架、以百度自有大规模数据集预训练模型为基础，利用深度优化后的transfer learning算法，并通过Auto Model Search和Early Stopping等策略，能获得高精度模型，超过2/3的模型准确率大于90%。训练起来，可能比专业人士还快。

最后，用一句话来总结下工程架构对于智能运维的意义： 框架在手，AI我有：智能时代，框架会越来越重要，从机器学习框架TensorFlow到自动驾驶框架Apollo，概莫能外。

测试了下，目前无损音乐能播的有wav和flac，ape格式的仍然无法播放，我的手机是“mate30 5G”版，手机上装的app是应用市场里最新的“百度CarLife+”。

从六月开始就突然连不上了，然后重新连也提示联网失败，后来有时候能连上，但是过几分钟又掉线了，什么情况，能解决么，这像是百度做的东西吗，别说我的网有问题，我其他包括空气净化器手机智能台灯等都没有问题，快点解决吧，太失望了

啥时候同百度账号的情况下，百度carlife和百度地图历史轨迹数据同步到一起