日本的70余家银行正在研发一种名为“J币”（J Coin）的电子货币，预计在2020年面世。J币与日元等价，所以不会像比特币一样剧烈波动。

参与“J币”开发的，是日本三大巨型银行之一的瑞穗银行，全世界拥有存款最多的银行日本邮政银行，以及数十家地方银行。

这些银行希望以这种“J币”来实现电子支付，而且J币也能用于跨行的无手续费汇款。日本金融服务局对这一创想持开放态度，当地银行已经开始接触大型零售商，准备敲定具体细节。

热衷现金交易的日本人

日本比世界上任何一个发达国家都喜欢现金。现金交易占据了日本70%的交易额，而其他发达国家的现金利用率，只有30%。

德勤今年4月发布的报告显示，去年的金融科技交易规模达到174亿美元，但日本仅仅贡献了不到1%的8700万美元。有80%的交易来自在中美。

“我们喜欢现金，因为日本是一个非常安全的国家，”瑞穗金融集团总裁佐藤康博对英国金融时报表示，“但现金效率不高，所以我们必须转向电子货币。”

更重要的是，Apple Pay和支付宝已经进驻了日本。在这个金融科技创新依旧大有可为的国家，海外的成熟技术已经开始抢夺市场份额。

J币转账无需手续费

在目前的设想中，日本银行界希望用户可以把银行账户里的日元，在手机的APP上转换为J币。之后，J币可以在便利店、饭店或是其他地方通过扫描二维码支付。

那么，为什么不直接用支付宝那样的现金电子支付，而要不辞劳苦把现金换成J币，再用J币去支付？

好处在于免除手续费。以J币的形式，个人或公司都可以在银行账户之间无手续费地汇款，而且转账到海外也会更便宜。

日经新闻提到，其他的大型银行也有可能加入J币，形成一个大型联盟。这意味着，J币能实现跨行的无手续费转账——支付宝曾经的功能。

本土银行联手对抗支付宝

对用户来说，J币可以实现跨行免佣金转账；那么，对于银行业来说，没有了手续费，J币对他们有什么好处呢？

把国内的大数据，从海外竞争者的手中夺回来，是这些日本本土的竞争对手站到了一起的最重要原因。

最重要的海外对手，就是支付宝。支付宝在2015年就已进入日本，目前日本可以使用支付宝的地区和行业正在快速扩大。今年7月开始，支付宝的“奖励金”促销功能也登陆日本。这是支付宝首次在海外推出这一功能。

英国金融时报称，日本的几家大银行一直在游说政府和监管机构，警示支付宝进入日本的风险。

日本银行业希望通过J币，夺回消费者的消费数据。这些数据会匿名地分享于银行与公司间，令企业能更为精准地确定营销策略和定价机制。

类似的合作已经出现。同为三大巨型银行之一的三井住友银行，即将与雅虎日本设立合资企业。雅虎收集三井住友的客户数据，确定潜在的融资需求。

瑞银称，最近十年来，中国创造力大爆发，在人工智能和金融科技等领域，中国企业创新水平都位居世界前列。这主要得益于进步的教育水平，加大的研发力度，政府支持政策以及大量的可用资金。

日本、韩国和台湾等依靠科技创新跨越中等陷阱收入。面对中国的崛起，这些国家和地区也不甘示弱，都加大了研发投入。

据瑞银，中国目前的研发投入已经超过欧洲国家，并预计将于2018年超过美国。瑞银预计，亚洲国家的研发投入总和将于2020年超过欧洲和美国之和。

从“中国制造”到“中国创造”

瑞银以教育、研发、融资和专利等指标为度量，设计了一个国家创新水平评分系统，并以此衡量了14个亚太地区国家以及美国、英国、德国和以色列等先进创新国家的创新水平的变化：

据瑞银，评分系统显示亚洲在教育方面还落后于欧盟，但在研发支出方面遥遥领先。

韩国是显著的创新佼佼者，总体得分排名仅次于美国，自2005年以来上升了3个名次。中国在得分和整体排名上也大幅提升。

基于各国政府的目标以及创新指标的变化，瑞银预计中国和韩国未来几年将在创新方面取得更大进展。

“我们认为中国正在从‘中国制造’转向‘中国创造’，未来10年将发展成为一个主要创新国家和高附加值的经济体，”瑞银在报告中写道。

瑞银还通过分析美国专利局数据，专利发放变化情况，研发支出数据占全球行业份额以及一些学术指标来判断亚洲各国在13个行业类别中的所处地位。

如图所示，中国在土木工程领域已经建立了领导地位，而在家电、材料、通讯等领域属于行业挑战者的角色，而在化工、电脑科技、工业器械、半导体等行业，中国正在迎头赶上。

知识资本决定利润

亚洲多数经济体是出口驱动型增长模式，在为外国投资者提供廉价劳动力的同时，亚洲企业吸收知识、复制技术，并加以创新，最终实现在价值链上的提升，制造能力也变得越来越高端和复杂。

麻省理工学院研究显示，一个国家的制造业基础越复杂，其未来增长前景就越好。

但瑞银认为，对于投资者来说，利润的增长比GDP增长更为重要，这取决于一个国家是否掌握了制造业背后的知识产权。

例如，泰国也具备复杂的制造能力，但其中大部分来自日本的外来投资，知识产权和利润都掌握在日本手中；相比之下，韩国在制造的过程中积累了资本和知识产权，因为当劳动力变得昂贵，它也能保持竞争力。

瑞银指出，在过去30年来，一些亚洲国家和地区已经在部分行业的知识资本中占据了市场份额，最早是日本，然后是韩国和台湾，目前中国正在加入这一趋势。

对中国的价值重估

瑞银指出，目前投资者对中国的看法依然是一个债务高企，过度依赖“浓烟工业”的国家，瑞银称中国很有可能在未来几年内成为在多个领域具有领先技术的国家，在5年内改变外界对中国经济模式的看法。

在2005年左右，市场对中国的估值反映了投资者对经济奇迹的乐观情绪，但近年来的估值主要反映了对过度投资的担忧。瑞银认为，这两者都过于极端，真相可能介于这两者之间。

如图所示，反映在市场中对中国股票（除互联网外)的风险溢价远远高出亚洲其它区域：

瑞银表示，市场忽略了中国正在发生的变化，中国在价值链上的地位正在提升，5年后市场对中国的看法将变得非常不同，而随着市场情绪的变化，对中国的估值也将发生变化。实际上，这个过程已经开始了，随着中国在人工智能和金融科技领域的崛起，市场正在重新评定中国股票的价值。

在自然语言处理领域，深度学习的承诺是：给新模型带来更好的性能，这些新模型可能需要更多数据，但不再需要那么多的语言学专业知识。

关于深度学习方法有很多炒作和大话，但除了炒作之外，深度学习方法正在为挑战性问题取得最先进的结果，特别是在自然语言处理领域。

在这篇文章中，您将看到深度学习方法应对自然语言处理问题的具体前景。看完这篇文章后，你会知道：

1. 自然语言处理深度学习的承诺。

2. 深度学习从业人员和研究科学家对自然语言处理深度学习的承诺有什么说法。

3. 自然语言处理的重要深度学习方法和应用。

让我们开始吧。

深度学习的方法很受欢迎，主要是因为它们兑现了当初的承诺。

这并不是说在技术上没有任何炒作，而是说，这种炒作是基于非常真实的成果。这些成果正在从计算机视觉和自然语言处理的一系列极具挑战性的人工智能问题中得到证实。

深度学习力量的第一次大型展现，就是在自然语言处理领域，特别是在语音识别方面。 最近的进展则是在机器翻译方面。

在这篇文章中，我们将看到，自然语言处理领域的深度学习方法的五个具体承诺。这些承诺是这个领域的研究人员和从业人者最近所强调的，而这些人面对这些承诺的态度比一般的新闻报道要克制得多。

总而言之，这些承诺是：

1. 深度学习插入替换现有模型 。深度学习方法可以插入现有的自然语言系统，由此产生的新模型可以实现同等或更好的性能。

2. 新NLP模型 。深度学习方法提供了新的建模方法以挑战自然语言问题（如序列-序列预测）。

3. 特征学习 。深度学习方法可以从模型所需的自然语言中学习特征，而不需要专家指定、提取特征。、

4. 持续改进。自然语言处理中的深度学习的表现是基于真实世界的结果，并且所带来的改进正在持续，还可能加速。

5. 端对端模型 。大型端对端深度学习模型可以适应自然语言问题，提供更一般和更好的方法。

我们现在将仔细看看这些承诺中的每一个。其实自然语言处理深度学习还有一些其他承诺;，这些只是我从中选择的最突出的五个。

自然语言处理中的深度学习的第一个承诺是，能够用具有更好性能的模型替代现有的线性模型，能够学习和利用非线性关系。

Yoav Goldberg在他的《NLP研究人员神经网络入门》中强调，深度学习方法取得了令人印象深刻的成果，他说在此文中说：“最近，神经网络模型也开始应用于文本自然语言信号，并再次带来了非常有希望的结果。”

他还继续强调，这些方法易于使用，有时可用于批量地替代现有的线性方法。他说：“最近，该领域在从稀疏输入的线性模型切换到稠密数据的非线性神经网络模型方面取得了一些成功。大多数神经网络技术都很容易应用，有时候几乎可以替代旧的线性分类器；不过，在许多情况下仍存在着使用神经网络的障碍。”

另一个承诺是，深度学习方法有助于开发全新的模型。

一个很好的例子是，使用能够学习和判断超长序列输出的循环神经网络。 这种方法与从前的完全不同，因为它们允许NLP从业者摆脱传统的建模假设，并实现最先进的结果。

Yoav Goldberg在其NLP深度学习的专著《自然语言处理的神经网络方法》第xvii页指出，像循环神经网络这样复杂神经网络模型可以带来全新的NLP建模机会。他说，“在2014年左右，该领域已经开始看到，在从稀疏输入的线性模型到稠密输入的非线性神经网络模型的转换方面，已取得了一些成功。 .……其他的变化更高级，需要研究者改变思维，并能带来新的建模机会。特别是，基于循环神经网络（RNNs）的一系列方法减轻了对序列模型中普遍存在的马尔可夫假设的依赖，允许以任意长序列为条件，并产生了有效的特征提取器。 这些进步导致了语言建模、自动机器翻译和其他应用的突破。”

深度学习方法具有学习特征表示的能力，不必要求专家从自然语言中人工指定和提取特征。

NLP研究员Chris Manning在自然语言处理深度学习课程的第一次讲座中突出了这方面的观点。

他描述了人工定义输入特征的局限性：按照这种方法，在之前的应用中，机器学习只是在统计NLP中证明人类事先定义的特征，并且计算机几乎没有学习。

Chris 认为，深度学习方法带来的承诺是自动特征学习。 他强调，特征学习是自动的，而不是人工；它易于适应，不脆弱，并可以不断自动地改善。

Chris Mining 在2017年的《自然语言处理与深度学习》讲座第一讲幻灯片中说，“一般来说，我们人工设计的特征往往被过度地指定，它们不完整，需要很长时间才能设计和验证，会让你忙活一天后只能达到有限的性能水平。而深度学习到的特征易于适应，能快速训练，它们可以持续学习，以便达到以前未能实现的、更好的性能水平。

NLP的深度学习的另一个承诺是，在挑战性问题上持续快速改进。

在《自然语言处理与深度学习》讲座第一讲中，Chris Manning表示，深度学习的方法很受欢迎，因为它们很管用。他说，“深度学习对大多数人来说如此令人兴奋的真正原因是，它确实管用。“

他强调，深度学习的初步结果令人印象深刻。深度学习在语音领域的表现比过去30年中任何其他方法的表现都更好。

Chris 提到，深度学习带来的不仅是最先进的成果，而且是不断改进的进步速度。他说，”……在过去的六七年中，非常令人惊叹的是，深度学习方法一直在不断改进，并以惊人的速度变得更好。 我其实想说，这是前所未有的，我看到这个领域飞速地进展，每个月都会推出更好的方法。“

深度学习的最终承诺是，开发和训练自然语言问题的端对端模型能力，而不是为专门模型开发流程。

端对端模型不仅能改进模型的性能，也能带来更好的开发速度和简洁性。

神经机器翻译（简称NMT）是指，尝试学习将一种语言翻译成另一种语言的大型神经网络。 传统上，这是由一系列手工调整的模型组成的流程来处理的，而流程中的每个模型都需要专业语言知识。

Chris Manning 在斯坦福大学NLP深度学习课程第十讲《神经机器翻译和注意模型》中描述了这一点。他说：”神经机器翻译是指，我们想要做的是构建一个大型神经网络，在这个网络中我们可以对训练整个端到端机器翻译过程并进行优化。……这种远离人工定制模型、朝向端到端、序列到序列预测模型的趋势，一直是语音识别的趋势。 这样做的系统被称为NMT （神经机器翻译）系统。

设计端到端模型，而非为专门系统设计流程，这也是语音识别的一个趋势。

在斯坦福NLP课程第十二讲《语音处理的端到端模型》中，目前就职于Nvidia的 NLP研究员Navdeep Jaitly强调，语音识别的每个组成部分都可以用神经网络来代替。自动语音识别流程中的几大组块是语音处理，声学模型，发音模型和语言模型。问题是，每个组块的属性和错误类型是不同的。这激发了开发一个神经网络来端到端地学习整个问题的需要。

他说，“随着时间的推移，人们开始注意到，如果我们使用神经网络，这些组件中的每一个都可以做得更好。 ……但是，仍然有一个问题。 每个组件都有各自的神经网络，但是每个组件中的错误都是不同的，所以它们可能无法很好地协同工作。 所以这让我们拥有动机，尝试去把整个语音识别当作一个大模型来训练。”

深度学习是一个很大的学习领域，并不是它的所有内容都与自然语言处理相关。

哪些类型的深度学习模型能提升性能？学习者在具体优化方法上很容易陷入泥沼。

从较高层次看，深度学习中有5种方法在自然语言处理中应用最为广泛。

他们是：

• 嵌入图层

• 多层感知器（MLP）

• 卷积神经网络（CNN）

• 循环神经网络（RNNs）

• 递归神经网络（ReNNs）

深度学习不会彻底解决自然语言处理问题或人工智能问题。

迄今为止，在自然语言处理的一系列广泛问题中，已经对深度学习方法进行了评估，并在其中一些问题上取得了成功。这些成功表明，使用深度学习能获得高于以往的表现或能力。

重要的是，深度学习方法取得最大成功的领域，恰恰是一些更加面对终端用户、更具挑战性也更有趣的问题。

深度学习取得成功的5个例子包括： 

• 词表示和词含义

• 文本分类

• 语言建模

• 机器翻译

• 语音识别

如果您想深入学习，下面是更多的相关资源：

• A Primer on Neural Network Models for Natural Language Processing, 2015.

• Neural Network Methods in Natural Language Processing, 2017.

• Stanford CS224n: Natural Language Processing with Deep Learning, 2017

继上周宣布完成3000万美元的天使轮融资后，9月26日新智元消息称，景驰科技已完成Pre-A轮5200万美元融资，本轮融资由启明创投领投，投资方包括英伟达GPU Ventures以及其他机构与个人。

王劲上周曾表示，景驰目前正在推进总额1亿美元的A轮融资，公司不久前完成的3000万美元天使轮融资中，华创资本参投。

英伟达对景驰科技十分看好，据新智元，英伟达商务拓展副总裁Jeff Herbst今日表示：

人工智能正在重塑整个交通运输行业，我们为景驰运用深度学习研发无人驾驶技术的愿景感到兴奋。他们取得了令人瞩目的进展，我们将全力支持他们所做的工作。

景驰计划利用最新一轮融资的资金支持在中国的测试项目。景驰还计划将业务运营搬迁回中国，并在小城市部署一些自动驾驶汽车，提供打车服务。景驰创始人兼CEO王劲向上述媒体指出：

我们致力于打造一个具有创新性的智能出行生态系统，让大众出行更安全，更高效，更经济，更舒适。我们期待在2020年把全自动无人驾驶汽车带进中国的城市，成为全世界第一批能够规模化商业应用无人驾驶技术的企业。本次投资让我们离梦想又近了一步。

今年4月，王劲离开百度创立了景驰科技，公司总部位于硅谷，专注于开发自动驾驶汽车。景驰已获得加州公共道路自动驾驶汽车测试许可，今年6月，该公司在加州完成了一次测试。

王劲曾在2010年至今年4月期间供职于百度，任百度高级副总裁、百度技术战略委员会主席、自动驾驶事业部总经理，负责大数据、云计算、百度大脑、自动驾驶汽车和语音识别技术的研发。在百度之前，王劲还曾在甲骨文、阿里巴巴、EBay、谷歌等多家科技公司任职。

证监会官网显示，万达商业在A股IPO的最新排名为第59位，而9月14日公布的IPO排名信息显示，万达商业的排名在第56位。证监会网站在9月7日和8月31日公布的信息显示，万达商业IPO排名连续两周都在第55位。

市场分析人士表示，万达商业2015年9月提交的招股说明书发现，万达商业IPO文件中募资需求的包括万达电商、万达酒店等。2017年7月10日，万达集团在官网宣布，融创房地产分别以295.75亿元和335.9526亿元收购大连万达商业13个文化旅游项目及76家城市酒店，这笔交易总代价为631.7亿元。这部分资产本应该在万达商业A股上市的资产包里，如今已经不再其中，万达商业的募资主体发生重大变化，IPO排名退后或许相关。

据路透报道，当地时间周一，德国无人机开发公司Volocopter在迪拜王储哈曼丹（Sheikh Hamdan bin Mohammed）举行的庆祝仪式上，进行了一场载客无人机飞行测试，该公司的无人驾驶飞行器在200米的高度飞行了五分钟。

从外观看，Volocopter的载客无人机形似一架小型直升机，不同点在于它的顶部安装了18个螺旋桨。根据介绍，该无人机最长可飞行30分钟，采用无人驾驶飞行，遇到突发故障时可紧急启动多项保护措施，包括机上的多个降落伞会自动打开，防止机身坠毁。

Volocopter目标是在2020年将无人驾驶“飞的”投放市场。Volocopter公司CEO Florian向路透表示，

等到Volocopter公司的无人‘飞的’投放市场后，你可以在自己手机上通过一款App来预订服务，无人‘飞的’将会飞到你的身边，自动接起你并把你接送到目的地。这架飞机已经能够按照GPS轨迹飞行，完全实现了感知能力操控，同时能够处理未知障碍。

迪拜希望成为全球首个推出“飞的”服务的城市。阿联酋向来注重对高科技的研发运用，迪拜目前已引入了无人驾驶地铁、机器人警察。迪拜王储哈曼丹在一份声明中表示：“鼓励创新，采用最新技术，不但推动了国家的发展，还架起了通向未来的桥梁。”

研发“飞行出租车”的并不止Volocopter一家，近年来全球已有多家公司向这一领域进军，并获得了资本青睐。

传统航空工业巨头——空中客车公司提出要在2020年之前开发出空中自动驾驶“出租车”；谷歌联合创始人佩奇（Larry Page）投资的“小鹰”（Kitty Hawk）公司、共享出行巨头Uber也都在实施自己的飞行出租车战略。

本月初，全天候科技文章提到，研制电动“飞行出租车”的德国初创公司Lillium完成了新一轮9000万美元融资，牵头注资的是中国互联网巨头腾讯控股。去年，Lillium公司已完成了一轮1140万美元的融资。

Lillium创办于2015年，该公司今年4月宣布，其飞行器原型Lilium jet已完成首次测试飞行。这款飞行器有两个座位，在起飞和着陆和直升机一样，不需要依赖滑行跑道。在空中飞行时，最高时速可达300公里。

目前，Lillium正在开发一款5座“飞行出租车”，计划于2019年左右进行载人试飞。在获得监管批准的情况下，该公司计划在未来10年内推出“飞行出租车”通勤服务。

图片来源：福布斯

周一，标普500指数的信息科技股创下今年8月17日以来的最差单日表现。其中，FANG四只股票盘中创近四个月最大跌幅。

Facebook创始人扎克伯格一日之内身价就缩水了32亿美元，成为缩水幅度最大的科技大佬。受一系列负面消息影响，周一Facebook股价大幅跳水，大跌4.53%至162.82美元，创去年11月以来最大日内跌幅。

华尔街见闻文章指出，此前Facebook向监管提交的文件显示，创始人扎克伯格计划在未来18个月里出售3500至7500万Facebook股票用于慈善。同时Facebook公司放弃了发行不具有投票权的C类股票的计划，该计划原本能让扎克伯格在出手了自己几乎所有的持股后依然能保证对公司的控制。

此外，Facebook近期深陷丑闻，包括其声称的美国广告受众竟比人口普查数据还高、承认在2016年美国大选期间俄罗斯曾大量购买政治广告、卷入广告歧视丑闻等。

阿里巴巴创始人马云身价缩水幅度紧随其后，一天之内身价缩水近13亿美元。当日，阿里股价一度跌近6%，最终收盘下跌4.77%。

亚马逊创始人贝佐斯则以12亿美元的缩水幅度排名第三，当日亚马逊股价下跌1.6%。

除了身价缩水超过10亿美元的科技大佬之外，微软创始人比尔·盖茨的资产也因股价下跌缩水8300万美元，当日微软股价下跌1.55%。

根据福布斯实时统计，Alphabet两位创始人拉里·佩奇和、谢尔盖·布林的身价分别缩水3.3亿美元和3.2亿美元。

此外，Netflix股价下跌4.7%,苹果公司股票则连续第四天下跌，周一收跌0.88%。上周，苹果股价一共下跌5%，成为一年多以来表现最差的一周。

受科技股下挫影响，当日标普500收跌0.22%；道琼斯跌幅0.24%，纳斯达克跌幅0.88%。

今年以来标普500的科技股表现出色，截至目前已经上涨了23%，涨幅是整个标普500的2倍。不过科技股股价涨幅有多高，就意味着他们的股价有多贵。

Manulife Asset Management高级投资组合经理Nate Thooft接受ABC采访时表示，投资者们现在希望在别人之前出售他们的科技股。