“Internet of Things（物联网）”，是新一代信息技术的重要组成部分，也是"信息化"时代的重要发展阶段。物联网在之前被定义为通过射频识别(RFID)、红外线感应器、全球定位系统、激光扫描器、气体感应器等信息传感设备按约定的协议把任何物品与互联网连接起来进行信息交换，以实现智能化识别、定位、跟踪、监控和管理的一种网络，简言之物联网就是“物物相连的互联网”。后来被重新定义为当下几乎所有技术与计算机、互联网技术的结合，实现物体与物体之间：环境以及状态信息实时的实时共享以及智能化的收集、传递、处理、执行。广义上说，当下涉及的信息技术的应用，都可以纳入物联网的范畴。 

“The cloud computing（云计算）”——是基于互联网的相关服务的增加、使用和交付模式，通常涉及通过互联网来提供动态易扩展且经常是虚拟化的资源。这个概念并不是指购买应用然后将其安装至你的计算机上，而是根据你的需求租赁应用并使用互联网访问它们。就是这样，这就是“云计算”。你可能听过“software as a service(软件即服务)”这个术语，它有个很酷的缩写“Saas”。本质上是一样的。它是一种集中式托管软件，可以通过订阅来获得服务。如今这条船已经开始为投资者扬帆起航，CRMSaas提供商Salesforce.com表示在10年里返利高达780%。对于投资者而言，“云计算”和“Saas”已经是过时的新闻了，他们正在寻找计算领域中下一个大目标。 

“Big Data（大数据）”——“大数据”，或称巨量资料，指的是需要新处理模式才能具有更强的决策力、洞察力和流程优化能力的海量、高增长率和多样化的信息资产。大数据的5V特点:Volume(大量)、Velocity(高速)、Variety(多样)、Value(价值密度)、Veracity（真实性）。它指的是新技术带来的海量数据，比如“物联网”和基因组学。这些数据集如此之大，如此复杂，以至于我们不能用传统的应用程序对其进行分析。我们需要建立新的应用程序来分析这些“大数据”。在最近一篇文章里，我们看了看5大数据存储公司的收入，寻找“picksand shovels(镐和铲子，指的是那些在特定行业或商品中提供重要工具、产品或服务的公司)”在这个行业中扮演的角色。这些公司做的投资，似乎只有一家可行。也许如今这个领域最大的玩家是PalantirTechnologies，一家估值高达250亿美元的私人企业，这应该更能诠释“大数据”的含义。众所周知，存储数据是一回事，分析它则又是另一回事，因为现在80%的数据都不是结构化数据，如新闻文章，研究报告，和企业数据。

“Machine Lean（机器学习）”，是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习算法可以通过从数据中归纳出如何执行类似任务的方法。在手动编程不适用的情况下，这通常是可行的并且非常划算。随着更多数据的可用，越来越多的问题可以得到解决。因此，机器学习正在被广泛应用于计算机等领域。然而，开发一个成功的机器学习应用程序需要大量难以在教科书中找到的“黑色艺术(blackart)”。

“Deep Learning（深度学习）” - 本质上，我们可以让计算机存储所有非结构化的大数据，然后使用不同的方法，如“人工神经网络”，来模仿人类大脑的工作方式。深度学习在“大数据”中使用算法寻找复杂的关系，然后我们进一步完善这些算法，使它们表现的更加出色。计算机可以在已有经验的基础上随着时间不断学习更多的能力，就像大脑会自然而然地做一些事情，也称作“认知计算”。我们大概都听说过IBM的认知计算平台Watson，它将深度学习技术应用到翻译以及语音和文本的相互转换领域。虽然还没有人纯粹地将“深度学习”应用到我们熟知的股票行业，但如今已有相当多的初创公司正在尝试将深度学习应用到不同行业。深度学习或认知计算是人工智能的一种形式。

“DNN,Deep Neural Networks（深度神经网络）”，最重要的是表示学习的能力。

如果从复杂度这个角度去解释的话，我们就没法说清楚为什么扁平的(flat)，或者宽的网络做不到深度神经网络的性能?实际上我们把网络变宽，虽然它的效率不是那么高，但是它同样也能起到增加复杂度的能力。实际上只要有一个隐层，加无限多的神经元进去，它的复杂度也会变得很大。但是这样的模型在应用里面怎么试，我们都发现它不如深度神经网络好。所以从复杂度的角度可能很难回答这个问题，我们需要一点更深入的思考。所以我们要问这么一个问题：深度神经网络里面最本质的东西到底是什么?今天我们的回答是，表示学习的能力。以往我们用机器学习解决一个问题的时候，首先我们拿到一个数据，比如说这个数据对象是个图像，然后我们就用很多特征把它描述出来，比如说颜色、纹理等等。这些特征都是我们人类专家通过手工来设计的，表达出来之后我们再去进行学习。而今天我们有了深度学习之后，现在不再需要手工去设计特征了。

“Artificial Intelligence（人工智能）”- 在这个领域，计算机开始处理数据，并从中推断复杂的关系，就像人类那样。那么我们应该如何去衡量结果的好坏呢?最常用的方法也就是“图灵测试”，尽管一些研究人员认为这是业余爱好者才会感兴趣的问题。虽然IBM是人工智能专利的领先持有者(500+)，但在人工智能领域仍有许多其它初创公司，比如我们之前强调的Vicarious公司，几乎所有人都支持它。Vicarious公司主要是创建软件代码，然后使用相对小的数据量和计算能力来复制人类大脑。然而现在使用极小的计算能力很有意义，如果我们可以掌握量子计算，那么这将不是一个问题。

“AI云服务平台”也同样成为激烈竞争的战场。与会的许多企业基于各个领域，推出了各自基于云服务的人工智能平台，像著名的Google的TensorFlow；AWS推出构建和部署ML模型的Sagemaker；IBM有Watson；百度自动驾驶领域有Apollo平台，语音技术、视频处理技术领域有DuerOS平台等。既然“AI云服务”成为发展的趋势，那么这些AI的大佬们自然不会错过这个机会，因为平台的竞争就意味着用户的竞争，说到底是意味着数据入口和流量的竞争。

“Quantum Computing（量子计算）”- 我们可以利用奇妙的量子物理，建立一台比我们今天所拥有的任何东西更为强大的计算机。我们可以开始讨论“量子纠缠（quantum entanglement）”以及把东西冻结到绝对零度需要什么，可谁会关心这些呢。量子计算有什么潜力?我们今天又在哪里呢?就在最近，谷歌宣布，他们利用D-Wave 2来解决一个优化问题（有1000个变量），比传统计算机快1亿倍。形象的来说，传统计算机需要处理10000年的事情D-Wave 2只需1秒就能完成。

量子纠缠(Quantum Entanglement)，或称量子缠结，是一种量子力学现象，是1935年由爱因斯坦、波多尔斯基和罗森提出的一种波，其量子态表达式：其中x1，x2分别代表了两个粒子的坐标，这样一个量子态的基本特征是在任何表象下，它都不可以写成两个子系统的量子态的直积的形式。 定义上描述复合系统(具有两个以上的成员系统)之一类特殊的量子态，此量子态无法分解为成员系统各自量子态之张量积(tensor product)。量子纠缠技术是安全的传输信息的加密技术，与超光速传递信息无关。尽管知道这些粒子之间"交流"的速度很快，但我们却无法利用这种联系以如此快的速度控制和传递信息。因此爱因斯坦提出的规则，也即任何信息传递的速度都无法超过光速，仍然成立。 实际上的纠缠作用并不很远，而且一旦干涉其中的一方，纠缠态就会自动消除。