AI進入寒冬期？史丹佛年度AI報告來揭秘

肖漫 / 何渝婷編譯 2019-12-16 13:50

2019年已進入倒數計時，這一年裡，關於AI發展的討論，一直時有出現。AI的發展究竟是處於黃金時代，還是進入了寒冬期，或許能夠從史丹佛最新發布的《史丹佛2019全球AI報告》中窺見一二。

自2017年以來，全球AI指數報告已成為業界重要參考。在2019年，史丹佛聯合MIT、哈佛、OpenAI等院校和機構，從研發、學術會議、技術性能、經濟、教育、自動駕駛與自動武器、公眾認知、社會考量、國家戰略與全球AI活力九個方面，對全球發展現狀進行了盤點。

值得一提的是，史丹佛大學此次還發布了兩個工具，一個是可以在學術論文預印網站arXiv上，檢索人工智慧論文的「人工智慧指數arXiv監測器」 (arxiv.aiindex.org)；另一個是「全球人工智慧活力工具」 (vibrancy.aiindex.org) ，公眾可以通過34個指標，比較28個國家/地區的表現。

《史丹佛2019全球AI報告》中，涵蓋了從AI技術到社會影響的各個方面，雷鋒網主要聚焦全球AI發展狀況，以及中國的AI發展，選取部分要點進行不改變原意的整理。

全球投資額成長，自動駕駛為先

報告顯示，2019年，全球民間投資總額超過700億美元，與人工智慧相關的創業投資超過370億美元。在全球範圍內，對人工智慧初創企業的投資繼續穩步上升，從2010年的13億美元到2018年的404億美元，年均成長率超過48%。

那麼，投資者青睞的是哪些方向？

縱觀全球，自動駕駛汽車獲得的投資最多，達77億美元，佔總金額的9.9%。其次分別是藥物、癌症與醫療（47億美元，6.1%）、人臉辨識（47億美元，6.0%）、影片內容（36億美元，4.5％）和詐欺檢測與金融（31億美元，3.9％）。

在2015年至2018年期間，加州行駛的里程總數和測試自動駕駛汽車公司總數已成長了七倍。2018年，加州為50多家公司和500多個自動駕駛汽車，提供了測試許可，行駛了200萬英里（約320萬公里）。

AI論文佔比增加

從論文總數來看，AI論文佔全球論文3%。據Elsevier Scopus統計，在1998到2018年間，來自5000多家國際出版商的22800多種學術出版物，發表的AI論文，在所有論文中的比例成長了兩倍。而在上世紀90年代後期，AI論文只佔不到1％。

值得一提的是，AI的工業界與學術界合作研究變得越來越普遍。一篇論文中，作者既有來自學校也有來自公司的情況越來越常見。這種合作在美國、中國、日本、法國、德國和英國普遍存在。

那麼，在全球 AI 論文的影響力又是如何？

需要說明的是，在報告中，論文影響力的主要是通過FWCI來體現的。所謂FWCI，是指該地區AI論文收到的平均引用次數，除以同一年全球所有出版AI論文的平均引用次數。

其中，美國AI論文的引用數仍遙遙領先，被引用率比全球平均水平高出40％。歐洲地區的FWCI相對穩定，與世界平均水平持平。另外，近年來，中國的FWCI也有了大幅提高。

此外，值得注意的是，報告還指出，在全世界的國會記錄、議員報告和立法記錄中，與人工智慧有關的立法有了顯著增加。

AI學術會議增多

報告指出，2019年，AI學術會議無論是在規模上，還是在聲望方面都有所提升。

數據顯示，2019年，NeurIPS約有1.35萬人，CVPR大約有9227人參會，ICML有6400人，IJCAI-19有3015人。其中，NeurIPS、CVPR和 ICML，仍然是參加人數最多的AI會議。並且，NeurIPS和ICML的成長速度最快，與2012年相比，成長了八倍多。

除了頂級學術會議，小型AI會議的出席人數，也呈現逐年成長的趨勢。比如說，ICLR的2019年出席人數是2014年的15倍以上。

AI專業受熱捧

報告指出，人工智慧是電腦科學博士學位專業領域中，最受歡迎的領域。在全球大學中，人工智慧和相關學科的入學率繼續快速成長，其中，清華大學AI相關課程註冊人數3年成長了4倍。

除了博士學位專業領域，在研究生教育中，人工智慧也成為備受熱捧的專業。在北美地區，人工智慧專業的學生人數，是第二大最受歡迎的專業（安全/資訊保障）的兩倍。

事實上，AI專業受熱捧與社會崗位需求不無關係。據瞭解，人工智慧的勞動力需求正在成長，尤其是在高科技服務和製造業領域。數據顯示，在美國，與人工智慧相關的工作比例，已從2012年的0.3％成長至2019年發布的總工作量的0.8％。

中國論文數量升至世界首位

根據Scopus文獻資料庫的數據，在2006年，中國每年發表的論文數量，就已經超過了美國。而在今年，中國的論文數量更是超過了歐洲，居於全球領先地位；要知道，在過去十年裡，歐洲一直是「論文發表大戶」。

值得注意的是，在中國和歐洲，政府附屬機構對論文的貢獻佔了大多數；而在美國地區，論文的主要來源則是企業。2018年，中國的政府機構，生產的AI論文數量是公司的近三倍。自1998年以來，政府附屬的AI論文數量成長了300倍，而企業AI論文同期成長了66倍。

另外，報告還以AAAI （Association for the Advancement of Artificial Intelligence，人工智慧促進協會，簡稱AAAI）接收的論文為考量標準。在2019年，中國被接收的論文數量最多。

中國新創企業投資

其中，中國新創企業獲得的投資金額比西方更高。從2018年7月到2019年7月，486家新創企業的投資總額為166億美元。平均每家新創公司約為3410萬美元，比美國高201％，比全球平均水平高296％。

從領域分布來看，中國新創企業的重點領域包括自動化/石油和天然氣（12％）、人臉辨識（8.8％）、教育科技（8％）、自動駕駛（6.4％）和心理健康/健康（5％）。而美國和歐洲新創企業的分布重點，則主要是時尚和零售技術、醫療、文本分析等。

總體來看，AI的發展是否居於黃金期尚未能夠立下定論。但從報告中可以看出的是，當下的AI，未入寒冬。

附圖：（圖為中美歐的論文數量）

資料來源：https://news.knowing.asia/news/49997cdc-0043-4ca1-b238-6b15db0943b9?fbclid=IwAR1t84NAQU9_u5ypbaeHPhErly0gmZxHF6L2RU72AtRIFEEhvAUJSGwDnz8

創新工場“AI蒙汗藥”入選NeurIPS 2019，3年VC+AI佈局進入科研收穫季

本文來自量子位微信公眾號
……………………………………………………………………

NeurIPS 2019放榜，創新工場AI工程院論文在列。

名為“Learning to Confuse: Generating Training Time Adversarial Data with Auto-Encoder”。

一作是創新工場南京國際AI研究院執行院長馮霽，二作是創新工場南京國際人工智慧研究院研究員蔡其志，南京大學AI大牛周志華教授也在作者列。

論文提出了一種高效生成對抗訓練樣本的方法DeepConfuse，通過微弱擾動資料庫的方式，徹底破壞對應的學習系統的性能，達到“資料下毒”的目的。

創新工場介紹稱，這一研究就並不單單是為了揭示類似的AI入侵或攻擊技術對系統安全的威脅，還能協助針對性地制定防範“AI駭客”的完善方案，推動AI安全攻防領域的發展。

NeurIPS，全稱神經資訊處理系統大會(Conference and Workshop on Neural Information Processing Systems)，自1987年誕生至今已有32年的歷史，一直以來備受學術界和產業界的高度關注，是AI學術領域的“華山論劍”。

作為AI領域頂會，NeurIPS也是最火爆的那個，去年會議門票在數分鐘內被搶光，而且在論文的投稿錄取上，競爭同樣激烈。

今年，NeurIPS會議的論文投稿量再創新高，共收到6743篇投稿，最終錄取1428篇論文,錄取率為21.2%。

▌“資料下毒”論文入選頂會NeurIPS

那這次創新工場AI工程院這篇入選論文，核心議題是什麼？

我們先拆解說說。

近年來，機器學習熱度不斷攀升，並逐漸在不同應用領域解決各式各樣的問題。不過，卻很少有人意識到，其實機器學習本身也很容易受到攻擊，模型並非想像中堅不可摧。

例如，在訓練(學習階段)或是預測(推理階段)這兩個過程中，機器學習模型就都有可能被對手攻擊，而攻擊的手段也是多種多樣。

創新工場AI工程院為此專門成立了AI安全實驗室，針對人工智慧系統的安全性進行了深入對評估和研究。

在被NeurIPS收錄的論文中，核心貢獻就是提出了高效生成對抗訓練資料的最先進方法之一——DeepConfuse。

▌給數據下毒

通過劫持神經網路的訓練過程，教會雜訊生成器為訓練樣本添加一個有界的擾動，使得該訓練樣本訓練得到的機器學習模型在面對測試樣本時的泛化能力盡可能地差，非常巧妙地實現了“資料下毒”。

顧名思義，“資料下毒”即讓訓練資料“中毒”，具體的攻擊策略是通過干擾模型的訓練過程，對其完整性造成影響，進而讓模型的後續預測過程出現偏差。

“資料下毒”與常見的“對抗樣本攻擊”是不同的攻擊手段，存在於不同的威脅場景：前者通過修改訓練資料讓模型“中毒”，後者通過修改待測試的樣本讓模型“受騙”。

舉例來說，假如一家從事機器人視覺技術開發的公司希望訓練機器人識別現實場景中的器物、人員、車輛等，卻不慎被入侵者利用論文中提及的方法篡改了訓練資料。

研發人員在目視檢查訓練資料時，通常不會感知到異常（因為使資料“中毒”的噪音資料在圖像層面很難被肉眼識別），訓練過程也一如既往地順利。

但這時訓練出來的深度學習模型在泛化能力上會大幅退化，用這樣的模型驅動的機器人在真實場景中會徹底“懵圈”，陷入什麼也認不出的尷尬境地。

更有甚者，攻擊者還可以精心調整“下毒”時所用的噪音資料，使得訓練出來的機器人視覺模型“故意認錯”某些東西，比如將障礙認成是通路，或將危險場景標記成安全場景等。

為了達成這一目的，這篇論文設計了一種可以生成對抗雜訊的自編碼器神經網路DeepConfuse。

通過觀察一個假想分類器的訓練過程更新自己的權重，產生“有毒性”的雜訊，從而為“受害的”分類器帶來最低下的泛化效率，而這個過程可以被歸結為一個具有非線性等式約束的非凸優化問題。

▌下毒無痕，毒性不小

從實驗資料可以發現，在MNIST、CIFAR-10以及縮減版的IMAGENET這些不同資料集上，使用“未被下毒”的訓練資料集和“中毒”的訓練資料集所訓練的系統模型在分類精度上存在較大的差異，效果非常可觀。

與此同時，從實驗結果來看，該方法生成的對抗雜訊具有通用性，即便是在隨機森林和支援向量機這些非神經網路上也有較好表現。

其中，藍色為使用“未被下毒”的訓練資料訓練出的模型在泛化能力上的測試表現，橙色為使用“中毒”訓練資料訓練出的模型的在泛化能力上的測試表現。

在CIFAR和IMAGENET資料集上的表現也具有相似效果，證明該方法所產生的對抗訓練樣本在不同的網路結構上具有很高的遷移能力。

此外，論文中提出的方法還能有效擴展至針對特定標籤的情形下，即攻擊者希望通過一些預先指定的規則使模型分類錯誤，例如將“貓”錯誤分類成“狗”，讓模型按照攻擊者計畫，定向發生錯誤。

例如，下圖為MINIST資料集上，不同場景下測試集上混淆矩陣的表現，分別為乾淨訓練資料集、無特定標籤的訓練資料集、以及有特定標籤的訓練資料集。

實驗結果有力證明，為有特定標籤的訓練資料集做相應設置的有效性，未來有機會通過修改設置以實現更多特定的任務。

對資料“下毒”技術的研究並不單單是為了揭示類似的AI入侵或攻擊技術對系統安全的威脅，更重要的是，只有深入研究相關的入侵或攻擊技術，才能有針對性地制定防範“AI駭客”的完善方案。

隨著AI演算法、AI系統在國計民生相關的領域逐漸得到普及與推廣，科研人員必須透徹地掌握AI安全攻防的前沿技術，並有針對性地為自動駕駛、AI輔助醫療、AI輔助投資等涉及生命安全、財富安全的領域研發最有效的防護手段。

▌還關注聯邦學習

除了安全問題之外，人工智慧應用的資料隱私問題，也是創新工場AI安全實驗室重點關注的議題之一。

近年來，隨著人工智慧技術的高速發展，社會各界對隱私保護及資料安全的需求加強，聯邦學習技術應運而生，並開始越來越多地受到學術界和工業界的關注。

具體而言，聯邦學習系統是一個分散式的具有多個參與者的機器學習框架，每一個聯邦學習的參與者不需要與其餘幾方共用自己的訓練資料，但仍然能利用其餘幾方參與者提供的資訊更好的訓練聯合模型。

換言之，各方可以在在不共用資料的情況下，共用資料產生的知識，達到共贏。

創新工場AI工程院也十分看好聯邦學習技術的巨大應用潛力。

今年3月，“Learning to Confuse: Generating Training Time Adversarial Data with Auto-Encoder”論文的作者、創新工場南京國際人工智慧研究院執行院長馮霽代表創新工場當選為IEEE聯邦學習標準制定委員會副主席，著手推進制定AI協同及大資料安全領域首個國際標準。

創新工場也將成為聯邦學習這一技術“立法”的直接參與者。

▌創新工場AI工程院科研成績單

創新工場憑藉獨特的VC+AI（風險投資與AI研發相結合）的架構，致力於扮演前沿科研與AI商業化之間的橋樑角色。

創新工場2019年廣泛開展科研合作，與其他國際科研機構合作的論文，入選多項國際頂級會議，除上述介紹的“資料下毒”論文入選NeurlPS之外，還有8篇收錄至五大學術頂會，涉及影像處理、自動駕駛、自然語言處理、金融AI和區塊鏈等方向。

┃兩篇論文入選ICCV

Disentangling Propagation and Generation for Video Prediction
https://arxiv.org/abs/1812.00452

這篇論文的主要工作圍繞一個視頻預測的任務展開，即在一個視頻中，給定前幾幀的圖片預測接下來的一幀或多幀的圖片。

Joint Monocular 3D Vehicle Detection and Tracking
https://arxiv.org/abs/1811.10742

這篇論文提出了一種全新的線上三維車輛檢測與跟蹤的聯合框架，不僅能隨著時間關聯車輛的檢測結果，同時可以利用單目攝像機獲取的二維移動資訊估計三維的車輛資訊。

┃一篇論文入選IROS

Monocular Plan View Networks for Autonomous Driving
http://arxiv.org/abs/1905.06937

針對端到端的控制學習問題提出了一個對當前觀察的視角轉換，將其稱之為規劃視角，它把將當前的觀察視角轉化至一個鳥瞰視角。具體的，在自動駕駛的問題下，在第一人稱視角中檢測行人和車輛並將其投影至一個俯瞰視角。

┃三篇論文入選EMNLP

Multiplex Word Embeddings for Selectional Preference Acquisition

提出了一種multiplex詞向量模型。在該模型中，對於每個詞而言，其向量包含兩部分，主向量和關係向量，其中主向量代表總體語義，關係向量用於表達這個詞在不同關係上的特徵，每個詞的最終向量由這兩種向量融合得到。

What You See is What You Get: Visual Pronoun Coreference Resolution in Dialogues
https://assert.pub/papers/1909.00421

提出了一個新模型（VisCoref）及一個配套資料集（VisPro），用以研究如何將代詞指代與視覺資訊進行整合。

Reading Like HER: Human Reading Inspired Extractive Summarization

人類通過閱讀進行文本語義的摘要總結大體上可以分為兩個階段：1）通過粗略地閱讀獲取文本的概要資訊，2）進而進行細緻的閱讀選取關鍵句子形成摘要。

本文提出一種新的抽取式摘要方法來模擬以上兩個階段，該方法將文檔抽取式摘要形式化為一個帶有上下文的多臂老虎機問題，並採用策略梯度方法來求解。

┃一篇論文入選IEEE TVCG

sPortfolio: Stratified Visual Analysis of Stock Portfolios
https://www.ncbi.nlm.nih.gov/pubmed/31443006

主要是對於金融市場中的投資組合和多因數模型進行可視分析的研究。通過三個方面的分析任務來幫助投資者進行日常分析並升決策準確性。

並提出了一個全新的視覺化分析系統sPortfolio，它允許使用者根據持倉，因數和歷史策略來觀察投資組合的市場。sPortfolio提供了四個良好協調的視圖。

┃一篇論文入選NSDI

Monoxide: Scale Out Blockchain with Asynchronized Consensus Zones
https://www.usenix.org/system/files/nsdi19-wang-jiaping.pdf

提出了一種名為非同步共識組 Monoxide 的區塊鏈擴容方案，可以在由 4.8 萬個全球節點組成的測試環境中，實現比比特幣網路高出 1000 倍的每秒交易處理量，以及 2000 倍的狀態記憶體容量，有望打破“不可能三角”這個長期困擾區塊鏈性能的瓶頸。

▌獨特的“科研助推商業”思路

國內VC，發表論文都很少見，為什麼創新工場如此做？

這背後在於其“VC+AI”模式。

最獨特之處在于，創新工場的AI工程院可以通過廣泛的科研合作以及自身的科研團隊，密切跟蹤前沿科研領域裡最有可能轉變為未來商業價值的科研方向。

這種“科研助推商業”的思路力圖儘早發現有未來商業價值的學術研究，然後在保護各方智慧財產權和商業利益的前提下積極與相關科研方開展合作。

同時，由AI工程院的產品研發團隊嘗試該項技術在不同商業場景裡可能的產品方向、研發產品原型，並由商務拓展團隊推動產品在真實商業領域的落地測試，繼而可以為創新工場的風險投資團隊帶來早期識別、投資高價值賽道的寶貴機會。

“科研助推商業”並不是簡單地尋找有前景的科研專案，而是將技術跟蹤、人才跟蹤、實驗室合作、智慧財產權合作、技術轉化、原型產品快速反覆運算、商務拓展、財務投資等多維度的工作整合在一個統一的資源體系內，用市場價值為導向，有計劃地銜接學術科研與商業實踐。

以AI為代表的高新技術目前正進入商業落地優先的深入發展期，產業大環境亟需前沿科研技術與實際商業場景的有機結合。

創新工場憑藉在風險投資領域積累的豐富經驗，以及在創辦AI工程院的過程中積累的技術人才優勢，特別適合扮演科研與商業化之間的橋樑角色。

於是，創新工場AI工程院也就順勢而生。

創新工場人工智慧工程院成立於2016年9月，以“科研+工程實驗室”模式，規劃研發方向，組建研發團隊。

目前已經設有醫療AI、機器人、機器學習理論、計算金融、電腦感知等面向前沿科技與應用方向的研發實驗室，還先後設立了創新工場南京國際人工智慧研究院、創新工場大灣區人工智慧研究院。

目標是培養人工智慧高端科研與工程人才，研發以機器學習為核心的前沿人工智慧技術，並同各行業領域相結合，為行業場景提供一流的產品和解決方案。

而且， 創新工場還與國內外著名的科研機構廣泛開展科研合作。

例如，今年3月20日，香港科技大學和創新工場宣佈成立電腦感知與智慧控制聯合實驗室（Computer Perception and Intelligent Control Lab）。

此外，創新工場也積極參與了國際相關的技術標準制定工作。例如，今年8月，第28屆國際人工智慧聯合會議（IJCAI）在中國澳門隆重舉辦，期間召開了IEEE P3652.1（聯邦學習基礎架構與應用）標準工作組第三次會議。

IEEE聯邦學習標準由微眾銀行發起，創新工場等數十家國際和國內科技公司參與，是國際上首個針對人工智慧協同技術框架訂立標準的專案。

創新工場表示，自身的科研團隊將深度參與到聯邦學習標準的制定過程中，希望為AI技術在真實場景下的安全性、可用性以及保護資料安全、保護使用者隱私貢獻自己的力量。

台灣最擅長的，
還是解決有問題的人，
不是解決問題⋯

在台灣寫計畫書，審計畫書久了，來日本參訪會有一種錯覺；
反向是這樣說的：如果你生活在日本沒來實際待過台灣，而你看到台灣寫的一些計畫書，你應該覺得這個國家經濟強過美國，到處都是諾貝爾獎得主，是個很恐怖的強國。絕對是個AI大國！每年都有幾千幾萬位高階人工智慧人才被培養出來。NIPS/ICML/IJCAI等頂尖大會幾年後應該10%以上論文來自台灣。

你說多拉Ａ夢是日本做的我才不相信，應該是台灣先做出來才對。

說實在的，感觸很深。你說交流下來，日方有多少讓我感到驚奇的論點？還真的沒有～
整場就是平淡無奇...

但震撼連連～～

震撼的是，他們講出來的數字是這麼的＂平實＂，但＂做出來了，實際在用＂。
而在台灣如果寫的數字是這麼的平淡，你就會被笑死，然後說你的計畫太差，不能超英趕美，不值給你通過。

舉個實例，有一次參與到一個數位人才培育計畫，其中要設計一門課程，預計會有Ｘ個學生可以參與。結果審查回來，批評意見不是說課程設計有問題，沒有人才培育意義，而是說X太小...。
後來改為2X或5X就通過了...。

你問那另外的幾個X要去那裡生出來？嘿,你如果會問這個問題,你應該就不是台灣人才對...台灣人都很知道怎麼"實現"這個數字 XDD

而你如果看過更多計畫書，你就會發現我國的經濟總產值，應該是日本的10倍；或者以上面的例子來說，每一個大學部學生都要上很多新的課程，應該一天要28個小時，一年500天在上課,課程才上得完...。

最有趣的就是,最後每一個計畫都會驗收過關...我看過的結案報告還沒有沒飛天的!

我這次去看了日本最先進的系統，有一個能源管理的數字，平淡的說了他們的現況到達18%(未來十年可以再努力撐到30%??我猜～)，而台灣這個數字的要求，寫的是100%，應該選舉前要做出來？（而我們真的有廠商敢就這樣接案，真的超神的，長官要什麼，我們就生得出什麼！到底是會生出什麼東西啊ＸＤＤ）。

問我最大的心得就是...我們務虛太久了....。

而為什麼我們會一直務虛？我淺短而自私的視野所理解的是，我們不肯看長期的累積跟長期合作力。
這點很致命。而為什麼這樣？我覺得是我們的對立文化，政治的不長久性，影響所致～

如果上層看的成果是四年結果，你一定會發現shortest path就是導致對務虛者有利。
第一年寫計畫書,第二年立院開會跟溝通,第三年法人/學界/廠商臨時接案做demo,第四年選舉看demo...。

四年結束後就沒人在管了...。

你只會有一年在做事，你覺得能做出什麼殼？更不用論如果是部會長官級的來來去去,看得更短...要在自己任內看到成果,可能只有三個月能用來做事了 XD
反正換了個頭頭,就沒人在管了...最後都可以驗收的,don't worry~大不了前朝遺毒...
(我認同目前的制度有其優點,但缺點也伴隨~)

我不能說每一件事都應該看長期，但如果我正在從事的這件事，看的成果如果是10年...你會發現很多事情會改觀。

看長期，很多競爭，就有機會變合作。因為有的企業可以大到5年不賺錢,將短期的利益讓出給其它想爭取短期獲利的團隊;而且跨領域團隊的磨合充滿衝突，彼此為了長期的效益，會比較容易忍受短期的衝突，磨得有一點心得了，速度就可能加速，實現1+1>2的可能性。

相反的，全部的人只能看到短期的政府補助，大家自已就只會想短期資源全拿。讓利或長短期利益分配的行為變成沒有誘因，這樣久了就是劣幣驅逐良幣。
過去我常被找去參加一些＂大計畫＂，因為計畫裡頭有一個很重要的名稱叫大數據人工智慧，由我來負責這個部分。最後經費分到了兩個碩士生的兼任助理quota...你知道的,如果只有兩個碩士生的quota,就會只有兩個碩士生的成果...。

這寫出來的code...你覺得能有什麼期待? (還是是我的碩士生太差,其它人的碩士生都能生出百萬年薪工程師的水準的code > < 或者...根本一開始就不期待做出什麼??)

當然還有很多祕辛，就不講了。總之，久了你都會發現，拿政府的錢出發的專案，失敗是正常，成功會變奇蹟。
因為來自政府主導的短線資源分配思維，是務虛的引火線。

我很少論政治,頂多酸民酸文,但真的是有這樣的感觸~

＂做出來了，實際在用＂，說得容易，卻這麼的難達到。

後記: 此次主要是參觀柏之葉的能源管理系統...
https://www.youtube.com/watch?v=2-uinWKa6Dk&feature=youtu.be
謝謝 朱拉面 （Lman Chu）分享此聯結

Kashiwa-no-ha Smart City:
https://www.kashiwanoha-smartcity.com/en/