最初大学的目的是培养知识分子的,那时大学入学率很低,而全社会的受教育水平也很低,极度缺乏知识分子。而传统的大学几乎不会培养手艺人,因为传统上认为手艺人只是工匠,不需要什么知识,干些粗活累活,社会地位不高。
但是当知识分子的门槛毕竟是很高的,大部分学生成不了知识分子,也就勉强成了知道分子。而由于大学不教手艺,他们也成不了手艺人。
可是就业市场不怎么需要知识分子,也不满意知道分子,企业需要的是大量知道分子+手艺人的复合体。这就是为什么近几十年总感觉大学教育和市场就业脱节,总感觉高分低能特别多,企业每年招那么多大学生,却感觉他们啥都不会,还要从头培养。
在就业教育方面做得比较好的反而是艺术类院校,比理工科强多了,你很难想象美术学院毕业的拿只笔却画不出东西,音乐学院学器乐毕业的不会弹奏任何乐器,学歌唱的给TA个麦克风却唱跑调,表演系毕业的上了舞台念不出台词,对着镜头一脸懵逼。艺术类院校毕业生一些基本功还是挺扎实的,特别是声乐美术舞蹈这种强调肢体训练的。
而反观理工科,机械系不会用机床的,电子系不会焊电路板的,计算机系不会写程序的,甚至不会安装配置软件系统的都大有人在。他们在学校的时候考试成绩未必差,就是只学了知识但是练习手艺的时间强度都不够。计算机系的同学在编程训练上花的时间跟音乐系同学练琴的时间强度是完全没法比的。
学校其实也意识到这个问题,只是船大掉头慢,这些年也渐渐能感觉到学校重视职业技能培训了,计算机系也要求更多编程训练。
标准的问道于盲。
但这个问题不能总结归纳,不然:如何看待中国计算机编程氛围低迷?
因此,这里仅以计算机科学系为例,看看究竟哪里出了偏差。
这是我搜到的 清华大学计算机科学与技术专业课程表 - 百度文库 ,不知道是不是真的;但课程内容的确是国内计算机相关专业普遍开设的大路货。基于它的分析并不会影响结论。
先看大一课程:
《计算机语言与程序设计》是清华大学信息学院本科生的教材,主要介绍C程序设计语言的基本知识,包括数据类型、选择语句、循环语句、数组、函数、指针、结构体和文件等;同时还介绍程序设计的基本方法、技术和理论。 本书适合作为高等院校计算机、自动化和电子等专业本科生的程序设计教材,也可作为正在学习程序设计的广大科技人员、软件工程师的参考教材。
本书中结合了作者多年讲授相关课程的教学经验以及长期的工程实践经验,也融入了最新的教学改革理念,即从知识型教学向技能型、实用型教学转变。在介绍c语言语法知识的同时,更注重培养学生分析问题、解决问题和程序设计的能力。本书内容详细、语言风趣,采用实例教学。书中附有大量的习题,便于自学。
再看大二课程:
大三课程:
大四课程:
请问,这里有几门课是“面向科研”而不是“面向就业”的?
不“面向就业”的课程的确有;但请问,这里面有哪怕一门是能摸到“面向科研”的边的吗?
我们先看大一课程。
大一主要学了微积分、大学物理、电路原理、几何与代数等“杂学”;但只要你对这个行业稍有了解,就知道这些都是与实际联系极其紧密的几门功课。
哪怕你是“数学能买菜就够了”的支持者;大一也开了《计算机语言与程序设计》这门课。这是专门讲C语言程序设计的。
学了这门课能做什么?
简单说,写一个关了UAC和杀毒软件能到处传播的病毒应该是玩一样了,这是一个合格计科生的基本要求;高一点的,诸如计算器、打字游戏、记账软件、图书管理软件等等也是手到擒来;学有余力者完全可以搞定俄罗斯方块、祖玛、扫雷、连连看之类简单小游戏了——这也是我当年达到的水平。
至于个别我只能仰望的高人,人家已经进军3D,自己写3D渲染器了。
但是,实际情况是什么呢?
实际情况是,这些极端实用的功课,我们的大学生,哪怕到了大四毕业那年,90%甚至99%都还达不到大一合格水平——以至于不得不到培训班恶补“图书管理系统”之类玩具项目。
正常大学的大一水平应该是什么样子呢(只说软件方面)?
在这个基础上,我们来看大二课程。
大二课程主要是微积分、复变函数、大学物理、电子技术、数字电路、工程制图、随机数学方法、概率统计、信号与系统、自动控制、数据结构与算法、微电子、半导体、集成电路等。
大二显然是计算机系统各个侧面的介绍和深化,以及一些工程方面的通用知识(制图等)。
很显然,如果你大一达到了前述理想水平,那么大二知识显然“接”的非常及时。
其一,大一你对计算机是知其然不知其所以然,尤其是机器感知(传感器/信号与系统)方面,你大概能猜到点,但却不知道工程实现会遇到什么问题(无处不在的干扰和漂移、无处不在的滤波与反馈)。那么大二就能帮你补上这块短板。
其二,大一你写程序,基本上就是信马由缰——绞尽脑汁的想,好不容易想通了就一行行的硬凑,凑的乱七八糟毫无章法(所以我才说大一结束应该意识到“写程序前应该有个规划”“程序代码需要合理组织否则就太容易出错了”);而大二的数据结构与算法就是这个章法、这个规划。
有了数据结构与算法这门课的帮助,你终于能写出中等大小的、较为复杂的程序了——游戏不再局限于俄罗斯方块之类小游戏,也可以试试稍微复杂一些、精细一些的赛车模拟之类的“中档货”了(需要游戏物理模拟现实中赛车的漂移、甩尾、推头等现象;嗯,这就是为何要教你大学物理复变函数等课程的原因。没这些东西的帮助,工程实践上遇到的大多数问题就不是你能解决的)。
正常的大二水平应该如何呢(同样只谈软件方面)?
那么,大三功课接的严丝合缝:汇编、计算机原理、形式语言与自动机、信号处理、数据库原理、人工智能、VLSI设计、网络、控制、操作系统、编译原理、计算机系统结构、数值分析、数字系统设计自动化、多媒体技术、模式识别、初等数论、微机技术、计算机图形学、通信电路、软件工程。
你看,多实用。满满当当都是各个门类的干货——树干的干。
重复一遍,干货是树干的干,是你学了之后能自发开枝散叶的“基础思路”“基本原理”;不是晒干了背背上遇到问题泡发泡发现成填进去用的、不新鲜的替代品。
比如说吧,计算机图形学,你掌握了它的基础原理,那么无论GUI还是游戏画面,你原则上就应该知道该怎么做了;然后无论看到了Qt还是WPF,你都应该几天上手。
不仅如此,你还必须能触类旁通。比如一间工厂让你帮他写控制界面,希望能让他们的工程师直观的看到设备内部复杂的状态迁移实况、看出参数变化率是否在正常范围……那么你就应该马上能设计出一套“数据可视化支持库”——基于你的工程经验(算法以及软件工程方面的专业知识),你还应该把这套库做成通用的基础平台,将来无论科研机构还是游戏厂商,只要他们需要基于规整数据生成图表,你这套库都能满足他们的需求。
——需求变更应该这样满足,不应该靠996随波逐流疲于奔命。
类似的,网络、控制、编译、操作系统、多媒体、模式识别、数论……各方面的干货都教给你了。你就不要再写那种硬邦邦死板板的、产品经理说一句你敲一堆代码的低级玩意儿了。
——高级程序员普遍比低级程序员效率高十倍乃至成百上千倍。这靠加班靠打字速度可办不到,必须靠更高的思维质量从根源上碾压。
正常的大三水平应该是什么样子呢?
然后,大四:计算机网络、通信原理、高性能计算、模式识别、数字图像处理、电子商务平台及核心技术、计算机实时图形和动画技术、信息检索、虚拟现实、数据挖掘、软件开发方法、嵌入式系统。
嗯,基本上没什么新内容了,几乎就是赤裸裸的职业培训——尤其“电子商务平台”,太接地气了,哈哈。
可以理解,马上要找工作了,给同学们搞个福利,临时恶补一些马上能用的技术,方便找工作嘛。
好了。我们来看看企业招聘要什么。
如何看待阿里 P8 加面 coding 环节,而 P7 却做不出头条算法题?
不就点算法题吗?尤其那个找祖先节点的、号称hard级的题目,任何一个合格的大一学生、哪怕连一天数据结构与算法都没学过,也应该有能力自发解决的吧?
当然,如果你们只会刷题,那这个题型或许的确见的不多。问题是,骗自己有意思吗?
抱歉,这里是我误解了:找祖先节点那个题目需要考虑树的节点分布极偏的特殊情况;此时树可能退化为链表,那么查询k级祖先就需要k次访问,也就是复杂度达到了O(n)。可以通过分析树、先找出这种长链,然后直接在链上寻址,从而确保树整体复杂度相当于O(log N),否则可能超时。
这个要求的确是一些评论里说的“矫揉造作”“没有意义”(当然对锻炼脑力很有用,我不玩竞赛,业余时间想了两三天才想到可以先找出无分叉的长链、然后沿着数组格式的长链加速查找);但基本的数据结构、常用的算法思路还是必须会的。
感谢@哈哈 指出问题(@不到……)。
自己动脑子、真正理解相关问题并不会死。才多浅点知识。
相反,靠背题型逃课,靠刷题临时抱佛脚,却不肯真正理解相关知识,那么你就要付出更多精力、最终还是一无所获,将来工作了只能疲于奔命——那可真的会过劳死。
总之,你看,P7,都中高层技术人员了,不够大一水平。
这说明什么呢?
说明有些人——绝大数人——从大一(或更早)就掉队了。
因为大一掉队了,简单的程序都不会写;可是大二数据结构需要大一合格水平打底,不然没法学,于是继续掉队;大三呢,又需要合格的大二水平打底,问题是大一都不合格,大二是蒙过去背过去的,数据结构在他们眼里是“天书”级别,大一知识还忘差不多了(本来就没学会当然容易忘),于是大三扭头往高中狂奔(其实高中知识也忘了!)——请问,这能学到点什么?
难怪很多人调侃说“高考是绝大多数人一生知识水平的巅峰”。你看这下坡路走的……
等到了大四,学校也急学生也急,跟着各种“专题训练”以及“社会上的培训班”一通临时抱佛脚,其中少数人总算把大一水平抱回来了——不合格、但勉强能完成增删改查之类简单工作那种。总之离可以学数据结构与算法还差着老大一截呢。
不过,四年学个大一水平,找份增改删查996的工作,这也算大学生中的“佼佼者”了——连增删改查都不会的可是大多数。
包括国外大学,计科科班生都有一半左右学不会编程。这就是为什么社会上各种培训班里科班生比比皆是的根本原因。
一旦好不容易找到工作,这些大一新生水平的家伙就每天忙的脚打后脑勺、在房子票子裙子的巨大压力下时刻面对着“过劳死”的威胁挣扎求存,大学学那点东西早抛九霄云外去了——你说算法?那玩意儿能吃?
于是,就有了题主的这个问题:为什么中国大学大多都以科研为教育目的,而不是引导学生就业?
那么,我的答案是:你大一就掉队了,别怪大学课程设置。
虽然在大一学业未能完成的你眼里很“科研”很“高不可攀”,但大二那点东西离“科研”离“象牙塔”离“不实用”还差十万八千里呢。
至于“为何中国的大学生几乎100%会在大一掉队、然后没几个人能用四年学出大一合格水准”,这个就不可说了。不然知乎就会摆出一副穷凶极恶的嘴脸让改——可我真不知道该改哪。
因为古今中外狭义的大学就不是为了就业存在的。无奈现在社会把大学当成职业教育,更可怕的是还有人把学位当成职业技能等级。
如果从意大利的博洛尼亚大学开始算起,世界上的大学已经诞生了接近一千年,但研究型大学的提法却是相当晚近的事情。近年来,国内大学纷纷提出以高水平的研究型大学为发展建设目标,但对于究竟什么是研究型大学却莫衷一是,由此也造成了一些认识上的误区。我认为,这些认识可能正在损害处于快速发展中的中国大学。
第一个认识误区是,研究型大学的主要任务是科研而非教学,或者说科研是第一位的,教学是第二位的。
据说,这一认识以美国研究型大学为参照物。哈佛大学、斯坦福大学、普林斯顿大学这些蜚声世界的一流学府,无一不是凭借其推动人类文明进程的科研成果而傲视全球。每一所大学所拥有的诺贝尔奖得主,比世界上大多数国家的总和还要多。更深远的思想渊源可以追溯到19世纪的近代德国。在洪堡等人的领导下,以科学研究为首要任务的柏林大学、哥廷根大学等迅速成为世界上的一流学府,并直接影响了美国大学的发展方向。因此,中国大学如果想在21世纪跻身世界一流大学俱乐部,就必须拥有若干项在全球领先的科研成果。为了尽快实现这一目标,就必须把科研置于学校发展战略的首要位置和核心位置。在这一办学思想指引下,教师的聘用、晋升和淘汰,经费的分配和使用,学科的生存与发展,无一不和相应的科研成果相挂钩。特别是物质、金钱和待遇的直接刺激,使中国大学逐步演变成了一个学术论文和科研成果的生产企业,教师在巨大的竞争压力下变成了被体制内在驱动的高度紧张的发文机器。其结果,除了制造出大量无人引用的论文而自我陶醉之外,并不能为大学的学术声誉带来多少正向影响。最极端的例子莫过于前些年某985高校创立的“工分制业绩考核制度”,它将每一位教师的工作量(主要是科研成果)折算成“工分”,以此来衡量教师的工作业绩并决定其收入和待遇。该大学迅速成为中国发表SCI论文最多的大学,在世界上也名列前茅,但并未因此被认为是世界一流大学。
这一政策的直接后果是,伴随着科研成为中心工作,教学被迅速边缘化。教师虽然名为“教”师,但没有人会在教学工作上花费时间和精力。因为教学在决定他生活中所有最重要的事务上不发生作用,只不过是一项不得不完成的工作而已。因此,在课堂上通过朗读教材消耗完必要的50分钟后,教师会立刻离开教室,没有时间再去和学生沟通交流,对他们进行培养指导。一个人的时间是有限的,用在学生身上的时间越多,被占用掉的用于“挣工分”的时间相应就越少。为了最大化“挣工分”的时间,就必须最小化指导学生的时间。这和教师的责任、良心和职业道德毫无关系,完全是人在某种制度下的理性选择。教学由此变成了科研的附庸。
然而,大学之所以成为大学,是因为这里有教师和学生,有教学活动。如果没有了学生和教学,就不需要大学,只需要有科研机构就可以了。如果只是追求科研成果的产出,它们同样可以做出第一流的成果。大学存在的根本价值在于教育,在于培养人才。大学里的科研之所以有价值,不是因为别的,主要是因为它们对人才培养有价值,同时,教学反过来又促进了科研的发展。因此,对于大学来说,不是教学要为科研服务,而是科研要为教学服务。
第二个认识误区是,研究型大学主要以培养研究生为主,或者说,研究生数量要超过本科生数量。
这个认识同样以美国的研究型大学,特别是私立研究型大学为参照物。的确,哈佛大学、斯坦福大学、芝加哥大学这些蜚声世界的一流学府,无不拥有强大的研究生院,其研究生数量也普遍多于本科生。然而,这只是一个结果,而且是仅就私立研究型大学而言,公立研究型大学就不是这样。
为什么会出现这种现象呢?主要原因是私立大学的教授在科研工作中需要大量的助手,研究生由于使用成本低廉的优势成为不二选择。再加上美国私立大学研究生院的声誉,吸引了全世界最优秀的学生。成本低,效益好,由此诞生了世界上最富有效率的科研生产机制。同时,美国私立大学的本科教育是高度精英化的教育,其规模必然是小的。事实上,美国最好的本科学院的规模都很小,但是培养质量很高。这是私立研究型大学研究生数量超过本科生数量的根本原因。但公立大学恰好与此相反。它的使命首先是为州内的纳税人服务,提高本州人民的素质,因此,它必须要招收足够规模的本科生以满足本州人民对本科教育的需求,研究生的数量反而不一定大。例如,加州大学伯克利分校是世界上最好的研究型大学之一,但由于它是公立大学,因此本科生有25000多人,但研究生只有10000多人,不到本科生的一半。与之相比,哈佛大学的研究生有14000多人,而本科生只有6000多人,研究生是本科生的两倍多。
目前,中国大学普遍形成了一个公式:研究型大学=强大的研究生院=研究生数量多于本科生数量。在经历了多年的本科生扩招之后,开始大规模扩招研究生。在很短的时间里,研究生数量远远超过了本科生数量。之所以出现这种现象,缓解本科生就业压力固然是一个方面,但上述认识上的误区恐怕也是原因之一。
这一办学思想的直接后果是,中国大学的本科教育质量出现严重下滑,从而损害了中国本土人才培养的竞争力。大学是一个统一体,其资源是有限的。研究生规模过大,必然会占用本科生本来应该享有的教育资源,导致本科生教育投入不足。另一方面,由于本科生教学被边缘化,使得教师更加不重视本科生教学。如果要排序的话,在教师心目中,科研是第一位的;因为科研工作需要大量的助手,教师不得不对研究生进行悉心指导,否则会直接损害科研工作的质量和效率,因此,研究生教学又排在本科生教学之前。在这种逻辑下,本科生教学被置于最次要的地位,学生实际上处于放养状态。今天,当人们在不断抱怨本科生就业压力大,无法满足社会需求,研究生相当于过去的本科生时,却忘记了一个基本的事实:20世纪80年代的教师因为没有科研的压力,研究生数量极少,因此可以把主要精力都放在本科生教学上,从而保证了本科生的培养质量。
对于本科生来说,一方面,高考前的大规模重复性训练严重损害了学生的学习兴趣,导致学生进入大学后普遍处于放松状态;另一方面,因为整个社会不重视本科生教育而重视研究生学历,导致学生进入大学后考虑的主要不是如何去接受更好的教育,而是怎样努力去找到一个好工作,或者从一开始就准备考研或出国。由于不受重视的本科课程并不能适应社会和学生自我成长的需求,再加上本科课程的成绩在报考研究生中并不起作用——保送研究生是一个例外,但能够获得保送的毕竟是少数——考研分数才是最关键的,学生对课程的态度自然也不认真,只要修满学分,考试及格即可。至于一门课程究竟在学生的教育中起到了什么作用,能够给学生带来多少有益的帮助,并没有人去认真关心。我们常常看到一些并不知名的学校的学生可以在研究生入学考试中获得很高的分数,却不具备实际的研究能力,原因就在于此。
因此,和人们的预期相反,大规模扩招研究生的结果并没有相应提高研究型大学的研究质量,反而降低了研究生学历的含金量。一方面,规模扩大以后,教授实际上无力指导如此规模的研究生,导致质量下滑;另一方面,研究生教育是高度专业化的教育,适应性相对较弱,社会实际上也吸收不了如此规模的专业化人员,导致人们对研究生的评价进一步降低。教育是一个统一的、相互影响的整体。片面强调了某一方面,将会产生一系列连锁反应。社会过于强调研究生学历的结果,使得教育过程变成了一个不断为更高阶段的考试进行准备的过程,却丧失了教育本应具有的基本功能。当教育变成了考试的时候,每个人都在经历考试的过程,却没有因此而受到更好的教育,实现更大的进步,这也许是当前中国教育面临的最严峻的挑战之一。
上述两种认识的效应交织在一起,正在损害中国大学的长远竞争力。实际上,中国大学之所以特别重视科研和研究生教育而忽视本科生教育的根本原因在于,前者最容易在短期内显现标志性成果,可以用显著增长的数字变化来展示发展成果,但本科生教学是最费力不讨好的工作。费了很大的劲儿,投入了很多资源,却看不出有什么新的思想、创新之处和标志性成果,学生还不见得一定会赞同——因为他们可能需要相应付出更多的努力。然而,正如洪堡所预言的那样,大学的伟大功效须在25年后方能看到。办大学本来就不是当官。当官可以追求短期的政绩,办大学只能依靠良心,去扎扎实实地做应该做的事情。
和中国大学恰恰相反,综观世界一流大学,无不对本科生教育给予高度重视。在芝加哥大学一百多年的发展过程中,也曾经出现过科研和教学之间,本科生和研究生之间的关系的争论,但最终形成的结论都是教学是第一位的;本科生是第一位的,二者统一起来,就是本科生教学是第一位的。
为什么美国研究型大学反而把本科生教学摆在第一位呢?因为他们认为,本科生教育是博雅教育,是培养、塑造一个人价值观的重要时期。他们必须在这一阶段把自己的价值观植入本科生的内心,使之成为学生终身不弃的宝贵财富。只有这样,当他(她)们毕业取得成就之后,才会感谢大学的培养,也才可能反过来对母校给予捐赠——这是私立大学的财政来源。而研究生教育更多地体现为技术性的专门化教育,虽然也要重视,但地位毕竟不如本科生重要。打一个比方来说,本科生好比亲儿子,研究生好比干儿子。同样是儿子,感情却大不一样。
深入研究美国顶尖研究型大学的发展历程,可以看到,在对研究型大学的理解上,我们可能把结果当成了原因。研究型大学之所以称之为研究型大学,只是因为它主要以研究问题、探求真理为目标。研究是它的存在方式。既不表明它有多么高贵,也不表明它是所有大学都要效仿的目标。对于大学来说,本科人才培养才始终是它的核心使命。
很简单,你逼格比他高就行了
中途岛战役……
事故已经定则了,说明已经过了执法机关了,这时候还扯个屁?
如果事故定则你没有责任,那你咋办都可以,别说三不一没有了,你全部都没有都行。
如果事故定则你有责任的话,你三不一没有只能让执法机关认为你在抗法。
谢谢邀请。
北京冬奥会开幕好几天了,精彩绝伦的开幕式还时常浮现在我的脑海中……
大家心里都清楚,奥运会这种国际盛会,意义远远超出体育比赛本身。举办一次奥运会,本质上是大国综合实力的全方位体现,其中很重要的一部分就是科技实力。本次北京冬奥会确实出现了不少有趣的新技术,我感兴趣的则是云上全息通信技术让光学相关的“黑科技”得以更好发挥,比如昨天一个叫做Cloud ME(云聚)的“全息显示仓”,让国际奥委会主席巴赫出现在了2022北京新闻中心给全国观众拜年。
这个“全息显示仓”要实现的目标非常简单:让远隔千山万水(国际奥委会主席巴赫在北京、阿里巴巴CEO张勇在上海)的两个(或多个)人仿佛处于同一空间中进行交流。而且从实际的观看、拍摄与交流方面来看,对记者们来说,虽然两人都不在眼前,但效果上与他们俩站在面前几乎别无二致。
当然了,虽然新闻中名称叫“全息显示仓”,但实际上这是生活中广义上的全息,并不是物理意义上的。物理意义上狭义的“全息”是衍射成像的技术,但目前的技术还远远做不到理想的动态全息显示,这是整个光学领域圣杯级别的高难度挑战。
此次堪称黑科技的“全息显示仓”虽然不是严格的物理全息,但在立体感与真实感方面远远超出了目前普通显示屏所能呈现的显示效果。可能还有小伙伴没看现场的视频,可以看一下:
https://www.zhihu.com/video/1473958962386739200明明这是一个显示技术,官方的名称为什么叫“阿里云聚”呢?其实这是因为,之所以能取得如此惊艳的效果,最重要的核心技术不仅仅是我们看得见的面前的这款显示屏本身,还包括我们看不到的、尤其是云端的大量黑科技。
要能够实现我们看到的这么棒的发布会效果,至少有三个方面的“黑科技”:
(1)拍摄与显示的硬件设备
从现场的情况来看,发布会现场的“全息显示仓”是一块一人多高的高清大屏幕,用于显示参加新闻发布会的两位嘉宾的实时影像,仿佛两个人都同时站在大家面前。
从官方透露的消息来看,拍摄端的硬件布置大概是这样的:
拍摄端在摄影棚内,有常规的灯光、交互提示用的电视屏。除此之外,还有一块不太常规的屏幕,那就是用于显示另外一个人的“显示仓”。而且这个显示仓的位置和角度是特意设计过的,使得望向屏幕中的人时,拍摄出来的视线恰好符合两人站在一起时的视线。如此一来,物品的交接才会显得如此自然。
(2)符合广播级稳定要求的实时通信网络
很多小伙伴可能会觉得,本质上这不就是个复杂一些的视频会议嘛,只不过级别更高、屏幕更大、清晰度更高、稳定性要求更高。非要这么说倒也没错,但是要注意的是,无论是什么技术,随着从量变到质变的过程,要解决的技术问题的数量和难度可都是非线性陡增的。要想实现类似高规格发布会的万无一失,网络传输环节要实现的保障度是远远超出大多数时候的。
比如为了能够实现发丝级的“全息复刻”,拍摄的原始画面清晰度是非常高的,如果按照传统方式传输,将挤占大量带宽,极有可能遇到网络拥堵问题。阿里云聚这次采用了一种叫作“窄带高清”的技术,能够在节省50%带宽的情况下,仍然保障画面的清晰度。
另外,即便我们使用的是运营商最高带宽的宽带套餐,日常生活中还是难免会遇到网络信号不好的情况,造成视频会议时的画面卡顿。平时会议稍微等一等倒也问题不大,但是对新闻发布会这种高级别会议,卡顿显然是无法接受的。为了能够在网络信号不好的情况下依然保持画面流程,阿里云聚开发了“弱网抗丢包”技术,能够在80% 丢包下可提供流畅通话,同等丢包环境弱网传输效率提升65%,实现良好的实施传输效果。
(3)强大的云端算法与算力
不知道大家有没有注意到,记者会现场的全息显示仓中,张勇与巴赫所处的似乎是一个封闭的空间,两个人的身后似乎有一定的纵深,墙上也有很自然的阴影效果,使得图像出现了较强的空间感。其实这种光影效果是计算机实时渲染出来的,起到了以假乱真的效果。这是需要强大的算法与计算力的。
其实需要算法与算力的远不止视频的实时渲染。比如音频的处理,我们都有过在嘈杂环境下开会的经历,要想听清对方讲话是非常困难的。阿里云聚通过亿次通话数据验证和海量历史数据回归,实现了持续进步的多场景智能降噪能力。而这同样需要算法与算力的加持。
根据研究,要想实现流畅舒适的交互效果,延时必须控制在200ms以内。
也就是说,端到端的实时传输和处理,比如音视频转码、光影渲染、音频智能降噪等等功能,都需要在200ms以内实现,这需要高效的算法与强大的算力,靠拍摄或发布会现场的端侧计算机是无法做到的。阿里云聚解决这个问题的方法是“云处理+端渲染”技术,即通过实时通信与云上处理的技术结合,解决因端侧算力受限的难题。
其实可以看得出,这次的高级别新闻发布会算是阿里云聚的一次“亮剑”:连如此高要求的场景都能hold住,其他的应用场景更不在话下。很明显,这种“宛若就在面前”的显示与交互技术,还可以应用在很多其他的应用场合,比如远程教育、虚拟社交、远程VR操控等等。而在新冠疫情的大背景下,甚至只用它来开个远程视频会,都让会议显得更温暖了呢……