從無人艦艇變成了無人機艦航母，這個方案大家討論的聽熱烈，有個艦隊參謀：““現在無人技術發展這麼快，我們應該搞點新花樣的吧，比如防空導（彈）價格那麼高，如果打個高強度戰爭，壓力都很大的，我想呢，比如弄個無人機航母，把無人艦載戰鬥機彈射到天上，靠近目標在發生程序格鬥彈，這個技術上應該沒有多大難度，從歷史上來說沒有制空權就沒有制海權，從二戰到馬島海戰說明單純的水面艦隊太危險了，但航母這個價格太貴了，不能大批次裝備的，能不能搞個萬噸級的低造價航母，配屬給054，056支隊用，裝備無人機和直升機就可以了，我是情願少一個054也想弄個無人機航母用用！”
我也來說兩句：“這個想法可以，現在軍艦為了帶一架直升機要佔掉多大空間，效能真的不是太高，5000噸的帶1架，10000噸的才能夠帶2架，不要說實戰，就是演習都覺得這個直升機越多越好，哪怕是無人直升機都行，很多目標不是靠雷達看到就行，很多時候還是要抵近識別的，大型航母也被盯的太緊了，還是讓航母走群眾路線，成為群眾最好了！。”
“無人船應該還要具備個功能就是，在登陸作戰的時候能夠抵近射擊，最好是裝備上105毫米的坦克炮，島嶼作戰及登陸作戰總會有些無法被消滅的目標，這些對登陸部隊往往威脅很大，需要有點勁大的武器來支援，你讓052，055抵近射擊這個任務效能就太低了！”
“無人兵器現在發展很快，我們是無人機艦的製造大國，從現在發展態勢來看，以後會更加深刻的影響未來戰爭，甚至可能會顛覆現有的戰爭方式，在技術層面我們是第一梯隊的，先就是要廣開思路，在開發和應用上都走到前面去。”
“應該開發一類群蜂型別的步兵無人機，該無人攻擊機能執行點面結合的精確打擊；同時還能承擔戰場偵察任務，同時作為通訊中繼節點。為炮群指示目標並且修正彈著點，實時評估打擊效果。該無人機既可以透過專用車輛攜帶，還能由普通戰鬥車輛攜帶，數量可為單架也可以為多架，甚至可以編隊突擊。偵查型無人機已經成為當代數字炮兵的標配。可以完成懸停和複雜的避障動作。複雜地形下的山地叢林作戰，或者類似的近距離激烈巷戰，步兵的裝備再好都會有很大傷亡。這類無人機配上熱成像毫米波雷達，就能夠及時的發現對手。”
……….
會上用上級提出了很多需求，已經超出左冬良的工作範圍，會上就決定把他們團隊升級成為專門的辦公室，左當主任，並提供了相應場地人員，裝置，對於上級裝備要求，左還是決定搞一個無人裝備的開發平臺，分為資訊錄入埠，SaaS應用層級，PaaS基礎層面，Iaas基礎設施層。在這個平臺上整合了無人機，無人艦船人工智慧深度學習演算法，設計數字模型，海洋環境船體等資料庫，形成了初步的基於人工智慧的無人裝備設計平臺，這個平臺有個最大的好處是，可以進行快速的概念驗證設計，比如上級提出的諸多要求，透過平臺很快能概念設計轉變到初步設計，而後面就能進行方案審查了，平臺出的方案也不會出現低階的錯誤，快的好處就是大家對這個還有印象的時候，儘快推進，要是按照老辦法，就是過了幾個月再出東西，很多人會就會沒有當時的那股熱情了，趁熱打鐵，但又要保持嚴謹，這個平臺很好的解決了這個問題，從工程角度來說，創新的東西一般不會超過30%的，其他都是套用以前的東西，在沒有智慧平臺，這些工作都是手工完成這些重複工作，消耗很多開發人員的經歷，在這個平臺後就提高了至少35倍的效率。
他們辦公室合作的人工智慧公司就是星湖智慧科技公司，公司創始人樂天鋒是本來做人工智慧演算法，偶然的機會他們接觸到了一個，船舶識別與跟蹤的專案，船東設想透過人工技術來提高對海面目標的識別與發現機率，避免緊急狀況的發生，在船舶航行中人為失誤佔80%,而導致故障的主要原因就是觀察和判斷失誤,而失誤的原因更多是疲勞和注意力分散,人長時間的注意力高度集中,往往會導致疲勞,而人工智慧最大的優勢就是用機器代替人對海情觀察與資訊收集處理,使得船舶駕駛者可以把有限的精力放到關鍵的場景,做到船舶能夠順利航行.對於船舶駕駛來說人工智慧在複雜水域條件下是作為助航使用,一開始他就是當作一個專案做做，掙點錢，結果後來發現自己掉到了一個很大坑裡。
通常的圖形圖形識別都是基於深度學習的神經網路的演算法，包括CNN，YOLO3這些，而深度學習建立、模擬人腦進行分析學習的神經網路，對於視覺識別來說，CNN分層提取的特徵與人的視覺機理（神經科學）類似，都是進行邊緣>部分>全體的過程。它被引入使其更接近於最初的目標——人工智慧(AI, A
tificial I
tellige
ce。深度學習是學習樣本資料的內在規律和表示層次，這些學習過程中獲得的資訊對諸如文字，影象和聲音等資料的解釋有很大的幫助。它的最終目標是讓機器能夠像人一樣具有分析學習能力，能夠識別文字、影象和聲音等資料。 深度學習是一個複雜的機器學習演算法，在語音和影象識別方面取得的效果，遠遠超過先前相關技術。
簡單點說就是演算法處理數學公式，海量資料學習後建立資料集，還有計算的硬體，就是讓系統能夠識別一艘船，那麼就讓這個系統先錄入1萬張的照片，透過演算法這些特徵記錄下來建立資料集，在實際使用的時候，系統捕捉到船舶透過演算法後與資料集內的引數對比，然後判斷，是不是船舶，那種型別船舶。如果讓船舶能夠學習10萬張圖片，那麼識別準確率會更高！當然對硬體的要求就更高了，就出現了AI晶片！
AI晶片是算力屬於硬體，演算法是透過模擬人類腦部神經結構，進行對物體及態勢的認知，判斷，決策，而常用的神經網路演算法就有30多種，還有很多變異結構
按照部署位置劃分，AI 晶片可以分為雲端晶片和邊緣端晶片。雲端晶片部署位置包括公有云、私有云或者混合雲等基礎設施，主要用於處理海量資料和大規模計算，而且還要能夠支援語音、圖片、影片等非結構化應用的計算和傳輸，一般情況下都是用多個處理器並行完成相關任務；邊緣端 AI 晶片主要應用於嵌入式、移動終端等領域，如攝像頭、智慧手機、邊緣伺服器、工控裝置等，此類晶片一般體積小、耗電低，效能要求略低，一般只需具備一兩種 AI 能力。
按照承擔的任務分，AI 晶片可以劃分為訓練晶片和推理晶片。訓練是指透過大量標記過的資料在平臺上進行“學習”，並形成具備特定功能的神經網路模型；推理則是利用已經訓練好的模型輸入新資料透過計算得到各種結論。訓練晶片對算力、精度要求非常之高，而且還需要具備一定的通用性，以適應多種演算法的訓練；推理晶片更加註重綜合能力，包括算力能耗、時延、成本等因素。