当前位置： &
3,544 次阅读 -
出处：微博@
主持人雷鸣：首先，我们现在人工智能到底在什么阶段？从科研来看，从商业化来看？比如自然语言对话，图像识别，推荐系统，机器人等。请几位都从自己的角度回答一下。
杨克：very early stage， far far from what you see in movies，but enough progress to make useful products and sometimes impressive ones。
余凯：推荐系统目前已经广泛商业化，在商品推荐，个性化广告等，但是推荐系统虽然在互联网公司广泛运用，但是似乎很难依靠推荐系统做出一个独立的服务商业模式，这点和搜索以及广告不同。图像识别和语音识别最近的进展，主要得益于深度学习，目前语音识别在从90%向97%~98%冲刺。而图像识别，要相对滞后，但是最近几年发展迅速，将会看到一些成熟的商业应用。
李飞飞：从历史看AI的基础科学走过了两个阶段：expert system 的研究发展和应用，和machine learning的研究发展和应用（虽然后者的潜力还远没开发完）。每一次基础科研的进步，一定会带动科技工程和产业的发展。我认为我们现在看到的，就是机器学习这三十年积累下来的果实。从视觉来看，视觉分几个层面：perception, cognition, and action.
perception主要是指的基本识别，如shape, color, motion, objects, etc. 在这方面，因为机器学习的进步，尤其是软硬件的飞跃，我们开始看到接近应用层面的结果了，虽然object识别还有待提高。但是，我们离cognition还很远。
沙飞：人工智能近来的发展确实振奋人心，这主要是得益基于大数据的机器学习进展。一些well-defined benchmark问题得到很大的进展。
李飞飞：这里指的cognition,包括了类似人类的知识acquisition, abstraction and creation的能力，分析能力，情感和情绪能力，推理能力，等等。
雷鸣：说一下当前最热的人脸识别，现在识别准确率真的超过人了吗？如果没有，那么在最近的一段时间里，会超过吗？
漆远：但是同时一些关键问题，比如逻辑和知识的表达，仍未很好地解决。
沙飞：但是有很多问题，还不能很好地归结在现有的机器学习的框架下。
余凯：关于机器人，我认为大的发展刚刚开始，目前在perception （感知）, control方面会有很大的进展，但是cognition（认知）等方面，涉及高层语义以及世界知识，还有巨大距离。所以，如果说现在机器人，想实现阿猫阿狗等宠物的智能水平，我觉得是有现实意义的，但是离人的智能，还不现实。所以在考虑商业模式的的时候，这点要考虑。
李飞飞：特定情况下超过了人，或者说普通人。这也不奇怪呀，人的基本计算能力很差劲的。
杨克：我看过一段Andrew N的视频。他提到现在的深度学习有很大的发展，因为有很好的Rocket Engine (faster computes and esp. GPUs) and Rocket Fuel (big data)。 我觉得很有道理。人脸识别的确机器可以比人做得更好。我自己的人脸识别能力就非常弱。
沙飞：我同意Andrew的说法，但想补充一点：这些问题解决好的有well-specified performance metric and optimization criteria, so they will benefit more from big data and fast computation.
漆远：哈哈，人脸识别上机器可能更好。但在变形物体上人一般比机器强。
李飞飞：AI的各个分支会在不久的将来在PERCEPTION方面大大超过普通人。但是就像今天的人造飞机比小鸟飞的又快又高，到现在也做不到小鸟的灵活、起落和其他各种飞行能力。
沙飞：IBM Research 在做语音识别时，很早就提出了superhuman recognition (of speech).
余凯：人脸识别的能力，应该是和人相近，或者在有的方面超过人了。比如关于对于身份证件照的人脸验证，在误认率为0.01%时，拒识率可以达到10%，对于百万级别的人脸库，这个能力已经超过人类。人类的人脸识别水平，没有我们想象的高。大家对于高中同年级的同学，可能除了同班的，大部分都记不住人脸，尽管在校园里打过多次照面。
余凯：人脸识别的能力，应该是和人相近，或者在有的方面超过人了。比如关于对于身份证件照的人脸验证，在误认率为0.01%时，拒识率可以达到10%，对于百万级别的人脸库，这个能力已经超过人类。人类的人脸识别水平，没有我们想象的高。大家对于高中同年级的同学，可能除了同班的，大部分都记不住人脸，尽管在校园里打过多次照面。
余凯：是的，飞飞说的有道理
杨克：完全同意飞飞的观点。目前的人工智能可以在某些特定的应用上超过人类。但是这和造出一个像电影里面的机器人还是有很大的差距。
雷鸣：就这个问题，我们先聊到这里？
漆远：关于沙飞说的现有框架的有限性，一个例子是目前人工智能系统在因果关系上的推理能力也很有限。
雷鸣：我们接着谈一下当前在人工智能领域最火的名词“深度学习”。当前特别火的深度学习，为什么这么火，能够解决什么问题，有什么优势？有什么局限吗？
余凯：深度学习的基本思想和方法，其实在80年代末就提出。今天之所以受到重视，更多的是因为大数据和计算能力，以及互联网应用需求的拉动。
余凯：目前深度学习的巨大优势，主要体现在感知，比如语音识别，图像识别。
沙飞：Alan的例子很好 可能也是深度学习现在还没解决好的一个问题: causality inference, does not necessarily depend on the amount of data one needs to see.
李飞飞：深度学习是80年代的一支机器学习神经网络的新名字。数学框架没有变得。但是硬件和数据的支持使得这种有high capacity的计算结构发挥的优势。
漆远：能够解决什么问题： 语音和图像是深度学习的经典应用。 在NLP上大家也看到希望。
杨克：从数学上讲，所谓机器学习就是用一堆的数据去fit在一个model in a sparse model space. if your model space is bigger, you can potentially find a better fit.
余凯：深度学习在最近针对序列数据，比如使用RNN, LSTM, 有非常激动人心的发展，这些进展很可能推动语音识别和自然语言处理向前大踏步前进。
李飞飞：深度学习在工业和产业界的大量应用是machine learning既regression和support vector machine之后的又一激动人心的应用。在perception的问题上会让我们看到很多有用的产品。
漆远：或者客服应用里的Q&A上。
沙飞：: 问题是how to prevent overfitting. 深度学习主要是通过大数据来实现。
李飞飞：但是想大家所说的，今天的深度学习是“浅层思考”, Deep Learning but Shallow Reasoning。
杨克：深度学习无非是把这个model space增大了很多 — RNNs are proven to be Turing complete. 所以他的potential很大。传统上来大家不知道有什么好的方法来train.但是现在的rocket fuel and rocket engine makes it possible
漆远：，是的，causal inference has been there for a while but largely ignored by machine learning and AI people. I don’t see how deep learning can help here.
余凯：深度学习还有一个激动人心的应用，就是learning to control. 我认为机器人的控制，会因为DNN reinforcement learnign的方法而发生改变。现在的机器人跳舞，只是邯郸学步，很笨，很傻。基于深度学习的机器人，会听着音乐节奏，自己跳舞。
雷鸣：听起来深度学习是当前最有突破点的技术，有很多可能。除了深度学习之外，最近还有什么在机器学习领域令人振奋的点吗。
杨克：从数学上看，深度学习是机器学习的非常自然的下一步: you move to a more complicated model with bigger model space so that you can fit better without outfitting
漆远：是的，learning to control echoes neural dynamic programming
余凯：所以，在从感知到控制，DNN是rocket engine. 在认知层面，DNN刚开始，但我相信是正确方向。
余凯：从数学上看，深度学习是机器学习的非常自然的下一步:
— agree Ke Yang
李飞飞：深度学习急需解决的一个问题是knowledge representation。不能什么都靠大数据，即使是shallow的transfer learning也解决不了这个问题。
漆远：and has tons of potential applications.
沙飞：agree with Fei-fei
杨克：在google有人开玩笑说 60% of the time, google brain works all the time.我觉得很有道理。深度学习在一些领域非常成功，但并不是万能药。
漆远：我觉得深度学习是机器学习的一个重要方向，但未必是唯一方向。
余凯：关于飞飞提到的knowlege representation, 需要顺着目前深度学习distributed representation的思路进一步发展，但是我认为需要有新的创新
漆远：agree with Feifei
沙飞：Let me give an example of “shallow reasoning”:
I am traveling in Germany. I do not speak German but I need to take subways to go between places.
余凯：just to make the discussion more interesting — 我认为深度学习是机器学习的唯一方向
沙飞：An important “skill” I need to do is to infer from subway announcements of arriving stations whether I have reached the right destination.
雷鸣： 自己找靶子啊
余凯：哈哈，我3年前是这么认为的，现在更加坚定了
雷鸣：各位同意余凯的观点吗？
李飞飞： 主要是现在什么都叫深度学习，所以当然是“所有方向就是唯一方向”嘛
漆远：哈哈，now it is more interesting
我爱余凯但更爱真理
沙飞：This requires me to figure out (1) how to determine the prounancing
of the destinations in German (2) how to segment the sounds in a language that I do not know, in a noisy environment (3) how to match robustly.
All those require “deep reasoning”
杨克：我觉得作研究的人也喜欢跟风。现在深度学习热了，什么人都在作深度学习。所以放眼望过去，深度学习真的是唯一的方向 — for now.
余凯： 主要是现在什么都叫深度学习，所以当然是“所有方向就是唯一方向”嘛 —
李飞飞：但是我觉得讨论所谓的深度学习是不是“唯一方向”意义不大，尤其是如果这只是一个文字游戏的话。
雷鸣：我虽然相对各位外行一些，不过确实满眼都是“深度学习”
沙飞：取决于怎么定义深度学习 。
杨克；但是我相信以后会有更多的理论和技术出来，那时候他们还叫不叫深度学习，真的只是一个文字游戏
余凯：在三年前，或者六年前，其实不是这样的。90%的机器学者是怀疑的。
漆远：要知道机器学习领域像是时装界，最时髦的词汇一直在变。
李飞飞：深度学习的思路结合机器学习这三、四十年的很多精髓：optimization theory, hierarchical architecture, and supervised learning. 如果这些叫深度学习的话，也就是文字游戏而已。
漆远：是的，这个争论可能更多的是文字游戏。
余凯：深度学习其实本身的确是一张方法论，一种框架，不是几个具体的模型。
雷鸣：哈哈，此事我们讨论到这里？
余凯：其实不是文字游戏。我举一点： end-to-end training, 这是深度学习带来的思想。
沙飞： 那也不是新的 －－ LeCun et al’s gradient-based modular learning system has been around for a long while.
雷鸣：不过看来从广义角度来讲，深度学习当前确实代表一个大方向。
余凯：但是我同意飞飞讲的，深度学习的确吸取了几十年来机器学习的很多精髓， 比如: structured output, latent-variable models
余凯：沙飞， LeCun恰恰是一直以来深度学习思想的鼓吹者。
雷鸣：我们转向稍微实用一些的问题。。。
沙飞：That is why he says “What is wrong with deep learning?”
漆远：深度学习也不能刻画uncertainty,在金融应用中往往不确定性和风险联系在一起。
余凯；end-to-end training对深度学习hard core的人来讲，是一种宗教信仰
漆远：这是一个实用的例子。
雷鸣；最后，从未来5年来看，大家可以看到在什么领域或则方面，人工智能会进入人们的生活，哪些产品或者服务会大有机会，比如智能家居？自动驾驶？智能监控？机器人？，在更宏观的领域，会对医疗，金融，教育，工业等，带来什么深远的影响。
余凯：深度学习也不能刻画uncertainty — 当然可以，你可以给weights加上prior
雷鸣：注意关键词：5年，实际影响到人的生活
李飞飞：其实end to end是很多machine learning algorithm的理念，但是目前确实深度学习应用的最好！
沙飞：事实上，uncertainty quantification is a big problem for just about any learning models
李飞飞：只要有数据的地方就会有数据分析，只要有数据分析的需要就有人工智能。
雷鸣：其实是给企业家，投资者，创业者看的，从我们专家的眼里，看到的未来几年的热工智能产业机会在哪里？
余凯：只要有数据的地方就会有数据分析，只要有数据分析的需要就有人工智能 — 是的
漆远：同意目前深度学习实用性最好，更general 的深度学习观念可以更广的实用。
余凯：更general 的深度学习观念可以更广的实用 — 是的。
漆远：不过，对实用的深度学习，加了prior 就没法算了。
雷鸣：我们的社会正转型为数据时代，那么人工智能就是数据时代的王者了
漆远：所以，uncertainty还是搞不定的，在大规模实用系统里。
余凯：我们不应该过多的看过去，深度学习已经做了什么，更应该看未来，我觉得漆远说的对，更general的深度学习可以更广泛更实用。其实刚才几位也说到了，其实叫不叫深度学习，并不重要，重要的是什么思想。
漆远：完全同意
杨克：人工智能早已进入你的生活了。语音识别又是一根很好的例子。搜索引擎里也用到很多人工智能的东西。这一方面百度好像还走在谷歌前面。现代的汽车一般都有几十个电脑－－都不需要自动驾驶车。
李飞飞：但是广大老百姓心目中的人工智能是带有情感、情绪和像人一样的灵活分析纠错和行动能力的东东。
雷鸣： Yang 同意。但看起来还是早期。我觉得现在的人工智能应用，跟94-96年互联网那样
余凯：我觉得，在线教育，是深度学习大规模应用的一个垂直领域
杨克：实话实说。其是谷歌里面还是有很多深度学习的应用。很多我们也没有说。但是我们总体会慢一些事真的。
雷鸣：非常早期，一切都有可能，但是都没有真正大规模的用起来，到用户非常满意的程度
李飞飞：但是人工智能的产业应用还是更低层，更实际。
余凯：实话实说，百度过去在机器学习方面的积累少，所以可以更大胆的应用深度学习，这有历史原因。我也爱阿里的alan qi, 哈哈
杨克：我们的社会正转型为数据时代，那么人工智能就是数据时代的王者了 －－ 这句话我不一定赞同。就想说大家都用电脑了，做CPU才是王道。
雷鸣：任何一个事情都需要多方面的积累，但是CPU是关键的一环。
余凯：语音识别，图像识别，自然语音理解，我觉得会持续推进。这三个领域，应该会诞生3个500亿美金市值的公司，在今后的10年里。大家拭目以待
杨克：我觉得人工智能会慢慢变成一种commodity，所有人都会用到。就像多核处理器一样，原来觉得很玄妙的东东，现在手机里都变的士。关键是要找到好的killer app
漆远：同意杨克的说法，不过在人工智能变成一种commodity前，确实会很可能有人工智能公司的rising
雷鸣：我同意杨克的观点，技术本身会慢慢变成不是最关键的，关键的是使用这些技术，真正解决实际问题
余凯：教育，金融，医疗，交通，智能家居，娱乐，等领域，都会有大的机会。
雷鸣：教育，金融，医疗，交通，智能家居，娱乐，等领域，都会有大的机会。
漆远：5年可能太快了吧。
李飞飞：首先从辅助诊断开始。
雷鸣：到达到医生水平需要多久？你觉得？5年，10年
雷鸣：，确实，现在机器学习工程师确实一人难求啊！各位搞这个方面的，可是生逢其时啊！
李飞飞：说实话，要是数据不是问题，我认为今天的人工智能已经能在80%的病症方面达到普通医生水平。
漆远：这得看是哪一个科目的医生
雷鸣：哈哈，看来医疗这个方面，未来大有可为啊。教育方面呢？大家如何看？
余凯：医疗是人工智能的大战场
雷鸣：人工智能如何提升教育，老师会被替代吗？
余凯：不会，再好的老师，也需要助教不是
雷鸣：，那就是人工智能做好老师和家长的教学助理？对吧
余凯：是的，我觉得是
沙飞：more precisely,
“data-driven personalized education monitoring/tutoring systems”
雷鸣：机器人方向呢？你们觉得服务机器人未来5年会大行其道吗？
李飞飞：传教，授业，解惑。人工智能可以做一小部分。
雷鸣：阿里巴巴也投资了
漆远：follow 前面的话题：大部分人大部分时间得的病都是小病，所以人工智能在医疗上可能会很有实际用处的。
漆远：在中国，服务机器人没准也很有用处的；银行的服务窗前队伍太长。
余凯：比如Nest的平台，本身就在朝着智能机器人的方向走，虽然不是人形机器人
雷鸣：那就是智能硬件，智能家居这个方向？传统的东西，更有智慧
李飞飞：这些家用的物联网上的东西，会最早应用到底层的人工智能，形成智能物联网。
杨克：人工智能会从最琐碎的事情开始代替人。现在的电梯都是无人的。现在的车的cruise control越来越好，都是典型
雷鸣：各位觉得，在人工智能方向，创业公司和大公司相比有什么优势劣势？小公司有机会翻盘吗？
杨克：所以我觉得医疗上会是从边缘的地方开始，比如说 triage, screening, etc. 取代医生还需要一段时间
李飞飞：纵观人类上下五千年，小公司永远有机会翻盘，然后变成大公司被淘汰
漆远：大公司有机器有技术有数据，但可能少了些craziness和不同的角度。
漆远：还少了些灵活度。大象跳舞不太容易的。所以小公司总有机会。但大公司，也许尤其在中国，确实是有天时地利人和的优势。
杨克：同意。余凯同学刚刚离开百度，所以我可以猜到他是怎么想的。我前天刚刚从谷歌离职，也要加入一家小公司。smaller companies distrupt bigger ones
余凯：大公司会在自己的核心领域不断加力，但是在核心领域之外有所作为，会比较难。
雷鸣：要么对话部分先到这里，我们进入群友提问时间，如何？大家有什么问题希望和嘉宾探讨，请开始提出。
注：转载文章均来自于公开网络，仅供学习使用，不会用于任何商业用途，如果侵犯到原作者的权益，请您与我们联系删除或者授权事宜，联系邮箱：contact@dataunion.org。转载数盟网站文章请注明原文章作者，否则产生的任何版权纠纷与数盟无关。
相关文章！
不用想啦，马上 发表自已的想法.
做最棒的数据科学社区
扫描二维码,加微信公众号
联系我们：IT领袖峰会马化腾与李彦宏同台对话：人工智能他们怎么看|界面新闻 · JMedia 作者：origin
4月2日，2017中国（深圳）IT领袖峰会召开。数字中国联合会主席吴鹰作为主持人，百度董事长兼CEO李彦宏、腾讯董事会主席兼首席执行官马化腾、神州控股董事局主席郭为和微软全球执行副总裁沈向洋作为对话嘉宾，进行了主题为&人工智能：中国机遇与挑战&的高端对话。
智东西作为合作媒体对该轮对话进行了现场报道，以下是智东西整理的各嘉宾发言要点：
1、腾讯马化腾：场景、数据、计算力、人才，发展AI的四大要素
马化腾一开头便比较谦虚地表示，人工智能这方面还是百度走在前面，腾讯从去年才成立相关部门，在人脸识别、后台数据分析、广告匹配上使用人工智能。
对于研究最近声名大作的围棋AI绝艺的初衷，马化腾透露是通过绝艺探索建立一种模拟器的形式，今后让人工智能通过模拟器学习具体的技能。
谈及腾讯在人工智能战略上的布局思路，马化腾总结了四个方面：
一是场景，找到人工智能的落地之处。没有场景支持人工智能的研究很难进行。
二是大数据，数据是人工智能学习的源泉。腾讯有大量的数据，但其中也有许多垃圾数据，需要靠人力来进行数据提纯。
三是计算力，腾讯手中拥有大量的计算资源，包括云和大规模的计算核心。
四是人才，腾讯在一年时间内招徕了大量人才，还在微软旁边设置了实验室，方面&挖墙脚&。
2、百度李彦宏：人工智能是下一次技术革命
李彦宏作为BAT中最早投注人工智能的百度的CEO，此次着力强调互联网其实只是开胃菜，人工智能才是主菜。人工智能不是互联网的第三阶段，是堪比工业革命一次新技术革命。
不过李彦宏对人工智能的发展也作了相对保守的预测。他认为人工智能现在所处的阶段还比较初级，即使发展到了超人工智能阶段，也并不能通过仿照人类大脑的方式来超过人类。
对百度很早投入人工智能的原因，李彦宏也作了介绍：百度的搜索业务，包括百度图片，都和深度学习等高度相关，所以对其应用较早。
3、微软沈向洋：人工智能将颠覆每一个商业应用
沈向阳称人工智能今日的爆发是三个因素促成的结果：一是互联网的发展，互联网+互联网提供了大量的数据；二是运算能力的进步；三是深度学习方法的突破。
对人工智能的两个不同发展阶段，沈向洋认为人工智能的感知能力&&具体为计算机视觉和计算机语音，会在今后5-10年快速发展，超过人类。而在认知能力上&&包括自然语言处理和知识获取，沈向洋对人工智能的预期相对保守，认为需要更多的时间。
关于人工智能对商业模式的革新，沈向洋称，今后五年AI将大规模投入应用，最大的商机是每一个商业应用都会被颠覆。
此外，沈向洋还强调了微软7000人的人工智能团队，还在不断招人，调笑称因为李彦宏、马化腾一直在从微软挖人。
4、神州郭为：数据对人工智能极重要
郭为首先指出了当下人工智能的一大短板：成本太高。同时他认为人工智能对人类的价值在于部分功能性的替代。
同时，郭为举出英特尔收购Mobileye的例子，强调了数据对人工智能的重要性。他表示将繁杂的数据转化为人工智能可用的数据也是很有价值的工作。他还谈及了神州控股最近推广的智慧城市项目，讲到了农业、医疗方面的应用。
以下为各嘉宾演讲实录：
这次IT领袖峰会主题叫做迈进智能新时代。我们上台的几位嘉宾，李彦宏先生、马化腾先生大家都很了解了，我不再介绍了。郭为先生是神州数码，当年的联想二少帅之一，沈向洋现在大家不一定很熟悉，他是我们著名的微软公司的执行副总裁，全球研究院的院长，人工智能部门的总负责人。同时也是美国工程院外籍院士。这个外籍要强调一下。这几位嘉宾都是这些领域和行业里的领头人。
先从马化腾开始。刚才朱民演讲中特别举了你们这个团队的例子，我也看了这篇报道，他们13个人真的是没有一个人是会下围棋的，腾讯有一个700多人，成立了大概一年多，人工智能团队专门研究人工智能，他们在很短时间内聚集了很厉害的一些专家，能不能跟我们大家分享一下腾讯为什么在人工智能上这么重视，你对人工智能的看法和行业的看法，刚才马云讲你们都是很有技术实力的公司，能不能分享一些你们的干货。谢谢！
马化腾：其实李彦宏是人工智能走得更前了，对腾讯来说我们还是落后不少。只是去年刚开始成立的部门。当然在我们所有BG内部结合它的业务形态，像我们微信里面，超过上百亿条消息，包括我们图片、特别是做社交网络，里面有人脸数据图片绝对是天文数字，每天高达上十亿张有人脸照片。这方面的技术研究在各个BG有相当长时间研究。包括后台数据分析、广告匹配都用了人工智能技术，只是大家感受不到。因为他在后端。我们在前端也希望做出一些产品，刚好一年前Alpha Go它的paper出来，通过人机对战让全世界对人工智能认知到了一个新的高潮。我们团队本着练兵的心态也做了尝试。
谷歌收购了deepmind团队发表的论文，原来做计算机围棋的团队都纷纷采用深度学习方法来融入原有的似乎已经走进瓶颈的计算机围棋软件开发中，大家不约而同在这一年中起步。我们内部团队有三个团队也在做，只是分在不同部门。这个部门刚好是它能够突破这个瓶颈，也动用了公司相当的大的后端的计算机资源，更大的特点是它和Alpha Go不同的是我们的绝艺AI的成长，全程得到了国家级围棋世界冠军从一开始的陪练，然后找出它为什么不同。我们十几位研发人员不懂围棋的，一开始连黑先下还是白先下的规则都不懂，我们从计算机原理、工程实现以及结合中国包括很多的专家来去训练，这里面给我们最深刻的理解就是，我们觉得这算是小小的成功吧，但是也不能过于欣喜，毕竟是站在前人肩膀上，因为你没有发布这个paper，我们也不可能做出来。但是也不能说这是毫无疑义的事情，这里面给我们最大的思考。过去我们对AI很多是从一些规则、从简单的训练得出来的能够改善我们计算处理的这样一种能力，最终我们发现其实还有一个更恐怖、更深层的意义在于他能够在计算机的后台能够用云计算、大数据方式能够高速的自学习，能够自己跟自己对奕。所以AlphaGo出来后，它的下一代master，经历了数十亿盘自我对弈，已经超越过去所有人类交战的盘数，然后它自己寻找规律，找到的已经远远超过人类过去在围棋领域认知的范围，是极大的扩展，这是给我们一个很大的启示。
在很多的领域&&围棋以外的领域，不管是医疗（刚才讲的病理的检测），以后的金融，现实中的每个行业，如果能用计算机后台做出一个模拟器，能够让它充分尝试，就像开车一样，你可能不用教自动驾驶怎么开车，就模拟一个现实环境，给它一个规则，让它驾驶，它去撞，有各种反馈，自然会琢磨出一套理论和经验，这是给我们带来巨大思考。在很多领域如果能做出模拟器，定义出很多参数，自己学习，他能找到规律可能远超我们现在想象的。这是我们最大的启示。
吴鹰：谢谢Pony。沈向洋先生作为微软人工智能事业部的负责人，你讲讲为什么人工智能这几年能有突破性发展，能不能预测一下最可能在哪些领域具有颠覆性的应用出现？
沈向洋：谢谢吴鹰。我每次听完马云讲话以后都没有话可以讲，马云基本上把大家想讲的都已经讲完了。再次感谢Jack精彩的演讲。谢谢吴鹰问我这样一个问题。
我从研究生开始学习人工智能，也有20、30年时间了。现在看到人工智能如火如荼，非常激动。因为我们90年代中毕业的时候出来的时候工作都找不到，现在大家恨不得见到一个懂人工智能都投钱。人工智能经历了多少个冬天，之所以今天有这样的发展机会，主要还是因为三个方面原因，第一件事情，是因为互联网的出现，互联网+物联网提供了更多的数据。第二件事，强大的运算能力。摩尔定律到现在，大家觉得应该会死掉，但是还没有死掉，还有更多新的计算方法。第三，过去五六年深度学习突然突破，包括腾讯研发领域充分运用到深度学习，令到大家突然看到很多不能解的问题现在可以解掉。
从人工智能基本和研究方向来讲，还是两个不同非常不一样的阶段。一个是人类感知这件事情上，我们讲人工智能，原来对人工智能的定义就是跟人类智能相比较。人类的智能体现在哪？主要是两方面，一个是感知方面、一个是认知方面。感知方面，刚才我提到这几个原因，所以在接下来5-10年进展会非常快。具体表现在计算机语音和计算机视觉发展，我觉得AI会超过人。很多人会同意我这个说法。第二方面问题大家今天还没有搞的很清楚的地方是人工智能的认知方面，包括自然语言，包括知识的获取、包括你对一般的情况下这种解决的方法这样的思考，包括情感，这些东西今天我们还都是不知道。所以我是觉得现在是非常好的时代。激动之余的话，我觉得我们作为科研人员还是要有一个平常心，因为很多科研进展还需要一些时间。
您刚才提到现在人工智能给大家创造了一些什么样的机会。我觉得刚才朱民在他的主题演讲里面说的很好，包括在中国的一些人工智能的机会、包括美国的机会。从微软公司来讲，我们的研判觉得短期之内是有非常非常大的商机，你看到底有那些行业已经相对而言有相当量的数据，而且同时在这个行业里面从事人员是不高兴的，那你就有商机了。如果这样看的话，到今天来讲，几乎所有的商业应用，从市场销售到HR部门招聘，到客户支持这方面，所有的都会被颠覆掉。我是觉得接下来可能是五年最多的AI应用的商机，我这样讲并不是说自动驾车不重要、围棋下棋不应该做研究。只是具体回答吴鹰的问题，从我们来讲最大的商机在哪，就是每一个商业应用都会被颠覆掉。
吴鹰：大家注意沈博士说每一个商业应用都会被颠覆掉。这是非常震撼的一个结论。郭为先生，你是神州数码的掌舵人，你们在智慧城市方面有很大的布局，很多人会认为你们好像跟人工智能不一定有那么大的关系。请你谈谈你对人工智能的看法。
郭为：谢谢吴鹰。刚才沈向洋讲到今天人工智能有一个比较大的突破，实际上就是三点，一个是由于互联网出现，大数据出现。第二，计算能力高速度。第三，算法。我们做智慧城市过程中，我们为企业定位过程中也考虑到，计算能力这个事儿我们做不了。第二，算法上。昨天研讨会上，还有今天，大家认为中国目前还是落后、还是在学习阶段。作为一个传统企业转型的话，唯一能做的就是数据。就是如何能够采集到更多数据。由于我们以前的积累，我们在很多行业有很多应用，使得我们能够接触大量的数据，这些数据如何从传统的方式上转移到用互联网方式，或者今天我们定义用深网数据挖掘，如何在三网环境下采集数据就变成我们的核心竞争力。所以做智慧城市过程中我们是不断探索这样的工作，庆幸的是由于我们跟北大合作，使得我们在深网挖掘上有很大的变化，我们发明了相关技术，使得快速生成API，为智慧城市打造了一个基于大数据操作系统，如何能够快速形成一个城市数据，然后进行分析、应用，这就是做智慧城市的实践，正是因为这样一个实践，我们花了6、7年时间，某种程度上也是碰得头破血流，我也很同意马云的观点，我们既不能把人工智能太深化，但是也要看到他确实还是能够帮助我们做成一些事情。比如在一些特定领域里，在医疗看片子、制定医疗方案可以做的很好。比如在农业，由于土地确权，我们掌握了20亿亩土地的信息，土地上有什么数据，我们帮助进行分析，提升我们农业收入，包括进入扶贫领域。这些应用是做智慧城市过程中一个非常好的方面。
总的来讲，既要发挥神州数码在传统IT领域的应用上的特征，另外就是拥抱互联网，拥抱大数据，如何在这个领域里面有一些技术性的突破，使得我们自己的企业能够在这个领域做一些事情，这就是我们今天做智慧城市要做的工作。
吴鹰：百度在人工智能布局很早，而且深度学习上比美国很多大公司还要领先，这种评价并不过分，而且你在两年前全国政协大会上提出中国大脑这个建议。对中国也是非常重要。从百度角度你能不能谈谈关于人工智能发展你们的看法。当年你们为什么那么早做这些布局。
李彦宏：我其实也思考过这个问题。从百度的基因来说，我们从一开始成立到现在最主要是做搜索。搜索本质上是机器试图理解人想要的东西。我们一开始用各种各样计算机方法试图理解人的意图。我在想一个问题，深度学习在图像检索里头的效果不错，是一个偶然还是它代表一种趋势。分析完之后，觉得它是代表一种趋势的，它不仅仅对于图像搜索有用，它对很多其他计算机科学要解决的问题都是非常有用的。原因就是说，随着互联网这么多年发展，数据越来越多，越来越丰富，计算资源越来越便宜，越来越强大，所以人工智能刚才说有60年历史，前50年，为什么大家不看好，为什么大家觉得人工智能没有用，我在美国读书的时候，我就很喜欢人工智能这门课，但是学完之后，教授告诉我说其实没用，人工智能没有一个真正有商业价值的应用，你将来靠这个是找不着工作的。到现在最近几年，原来认为没用东西变成有用，是因为市场环境变了，条件变了，原来认为不可能的事情现在变成可能了。分析了环境因素之后，觉得人工智能是代表未来的。所以我们在2013年1月份对外宣布成立深度学习研究院，这个可能是全球工业界第一个用深度学习来命名的这么一个研究院。而且等于我自己食言了，我2013年以前不断跟外界说我们是一个商业公司，我们不应该成立研究院，不应该搞纯的研究机构，这些机构要想转化成产品，进入市场被市场所认可的话，应该跟那些产品部门、跟那些业务部门紧紧结合在一起，而不是单独成立一个研究院，但是深度学习这一波起来之后，我觉得是完全不一样的东西，他需要在理论上、在算法上，在很多方面有长远的布局和突破，所以从那个时候开始大规模投入去吸引人才，去推进算法，其实不光是算法，在刚才朱民讲的时候也讲到各种各样芯片结构层、CPU到GPU等等，都要审视算法的需求。所以现在看起来人工智能比2013年我们决定进入的时候一个更要大的产业。前一阵我对外讲了，互联网其实现在只是一道开胃菜，真正的主菜是人工智能，所以人工智能不是互联网的一部分，不是互联网第三个阶段，它是堪比工业革命一个新的技术革命。
吴鹰：开胃菜已经更大了，互联网是人工智能的开胃菜，媒体可能会引用这个论断，但是主菜得多大的市场。我觉得你跟沈向洋说的颠覆所有的商业模式，这个影响是非常大的。沈向洋，微软人工智能事业部有多少人？
沈向洋：一共有7000多个工程师和科学家，我们还在继续招人，并且Pony和Robin经常来挖我们的人，Jack也挖。
吴鹰：沈博士就直接进入火药味比较浓的阶段的，我还没有进入，他就先开始了，我就拿你先开刀，你必须回答这个问题，不能用中国人的圆滑来回避，马云也坐在这里，我们先饶了郭为，微软如果进入中国，已经进入了，人工智能市场的话，BAT，你最想干掉马云、马化腾还是李彦宏？
沈向洋：借助刚才马云讲的，弯道超车十超九翻，要换道超车才有希望，在任何竞争的过程中总是要找到自己的出发点，既然你给我这样一个机会的话，我就提一下，微软在中国最近这几年推出的最了不起的人工智能叫微软小冰，我不知道在座的有没有用微软小冰，可能在座的不是我们面对的用户群，我这样讲你不要生气，我们的用户群是18-24岁相对的年轻用户群，大家有时间和智能聊天机器人，这也是为什么我们选择跟Pony这边的QQ合作，也是针对这样相对年轻的用户群。之所以我提这样的人工智能产品和一般的智能助理还不太一样。人类进化多少万年下来以后，每天讲很多的话，你可能不知道，其实男人在一天大概讲几千句话，女士一天可能讲超过一万句话。大多数的话并不是说讲一句话一定要完成一件什么工作，我老师讲大多数人一天讲的话很多都是废话，但是这个讲话很重要，讲话是人工智能里面最重要的一件事情，在很大程度上你的EQ是体现在你怎么去讲这个话。我们推小冰的过程中学到了很多东西，我们现在主推的方向，研究和产品的方向就是所谓的对话式人工智能。
吴鹰：我没用过小冰，但你好像还是没有直接回答我的问题，你最想先干掉谁？
沈向洋：你刚才问了什么问题？
吴鹰：高手。他用了马云说的弯道超车就会翻车，智慧城市，你知道政府对市民的服务可以归结到人的服务有多少项吗？3000项，一个人，深圳将近2000万人，乘以3000，在各种状态下，数据量很大，数据量大不等于大数据，他这个角度，有很多东西还是可以做出一些结论出来。我也想借马云刚才讲的问一个仿生问题，飞机刚出来之前，大家想的思路是看鸟在空中飞很羡慕，刚开始做飞机就想做一个像鸟一样的。我就想问台上的四位嘉宾，不用专业知识，就是知觉，在人工智能上有突破的事，模仿人脑的，马云说机器一定比人快很多，你们觉得仿人脑的方式会有所突破，还是完全不一样的想法？郭为你就先说，说错了也不要尽管，反正你也不是人工智能专家。
郭为：是功能性的突破，还是仿生的东西，就拿AlphaGo来讲它下一盘围棋所消耗的能量，有人告诉我需要2吨煤，但是一个围棋手可能就是两碗米饭，我们在考虑一个功能的时候需要多大的资源消耗，这始终就是人类进步的很重要的，你可以实现这个功能，从实验室走到工业，实验室可以做得出来，但是无法实现工业化就是要考虑成本，考虑到资源的消耗。人工智能之所以用功能性替代就是考虑这些因素，就是完全模仿本身也非常困难。我也非常同意马云的说法，人的大脑功能，我们自己认知只有3%，最终就是用功能，而功能的替代能量消耗要比人本身，人还是太神奇了，这个我觉得很难达到人的程度。我最近看一本书《人的宗教》，就讲人是由三个东西构成，一个是你的生命，一个是你的心智，第三个是你的心灵或精神。我们反过来讲精神的东西，我无法想象机器能够代替精神的东西，最多也就是体力上能够替代，智慧上不能，在某些方面的替代，完全替代人不可能，某些替代就是功能上的替代，所以突破就在功能上的替代，然后提高一定的效率，这是我对人工智能的看法。所以我为什么同意马云的观点，实际上机器怎么样能够做得更好。我看远古的博物馆，人类发明一个针，这和今天人工智能的发明对人的冲击是一样的，当时人缝不了衣服，没有针怎么缝衣服，发明针是多么神奇的事，能够把衣服缝起来，今天做人工智能也和当年发明针没有根本的区别，人在进步的过程中不断发明新的工具，而新的工具最终还是为人类服务的。
吴鹰：Pony觉得是用模仿人的方式，还是全新的？
马化腾：我们当然期待有一个本质的，发现飞机的螺旋桨也好，还是流体动力学，还是鸟的翼，或者是马跑，现阶段还是通过仿生的阶段，在某一些垂直的领域，你现在要做到一个通用的AI非常难，包括围棋也是选一个非常窄的领域，然后给它学习，通过各种参数来训练，刚才郭为提到的用AlphaGo下一盘棋要消耗多少能源。这个垂直领域训练数据是需要消耗很大的能量，但在实际用的时候其实不需要消耗太大的能量。我们绝艺训练出来的单机成本跟职业棋手差不多，但是要训练出这个模型来要很长时间，稍微改一改规则就全部要进行重复训练，改进一点之前的积累都不算，要从头积累一遍，消耗的能量很大，而且时间很长，这是很窄的一个技能模拟。下一步到通用的，再下一步是不是有更本质性的，发现它背后的原理，智能可以超越人的碳基的智慧，是不是有其他更多的基础元素可以形成更高级的生命智慧呢？这可能是超越人类现在所发现的知识，这也是有可能的。甚至有人还突发奇想说我们现在认识的宇宙就是高智能的生命，用他的量子计算机模拟出来的环境，我们一切都是模拟出来的，也有可能。大家发挥脑洞大开的想象力吧。
吴鹰：脑洞大开，一切皆有可能，Robin怎么看？
李彦宏：其实我不太认可人工智能现在做的是仿生学，现在我们讲人工智能像是人脑神经元的工作原理，但是人脑具体怎么工作的，刚才马云讲的我们只了解3%，我们并不知道人脑是怎么工作的，你不知道它怎么工作怎么仿它？我们只知道这一点点，这一点点计算机的算法有一点类似之处。我同意现在的人工智能，尤其是机器学习、深度学习的算法还确实处在非常初级的阶段，还有很多提升的空间，现在做得还非常不够。什么时候能够挑战真正人的认知能力，我觉得还有很长很长的时间。我说话比较保守，我说很长是说这一天永远不可能来到。第一阶段是弱人工智能，第二阶段是强人工智能，第三阶段是超人工智能，我认为到强人工智能这个阶段就达到不了，不仅仅是你永远搞不清楚人脑是怎么工作的，你即使用电脑的方法模拟人脑，要想完全达到人脑的水平，我觉得也做不到，永远做不到这件事情。
吴鹰：我们IT领袖峰会就是观点。我也不用问沈向洋了，因为确实是人脑到底怎么工作的，不知道。但是这个答案非常简单，因为有一个上帝。所以很多科学家到最后就信上帝了，变成找到一个答案了。沈向洋，你还有补充？
沈向洋：我蛮赞成李彦宏刚才讲的，人工智能这件事情发展，今天最大问题是对人脑不了解。脑科学今天还是非常初步的科学，你每次要讲科学的话，首先要一定要有数据，要能够做试验，而且做重复的试验，今天就没有办法真正监测到真正做试验说因为加入了这样的输入到人脑，出现什么样的输出。接下来N年应该有更多的人投身基础科学研究脑科学这件事情。看今天计算机体系结构，冯诺伊曼结构，跟人脑结构完全是两码事。可能也像张教授说飞机的模仿并不是真正像鸟一样，我觉得肯定是这样的情况。接下来很多方面肯定叫弱人工智能也好，这些很多的人的智能方面我们能够想象得出来，今天人能够做的事情在不远将来，绝大多数事情，人工智能都可以达到。我举一个小的例子，比如今天大家讲你今天可以做视觉识别了，物体识别了，你今天可以做语音识别了，那今天人还有什么事情很了不起，大家觉得通过学习的方法，我们可以达到一个什么样的高度。很重要一件事情是机器阅读，阅读的能力。我要考高考、考SAT，阅读一篇文章后，你问一个问题，我可以答一个问题。像这样的问题接下来5-10年可能是人工智能很大突破的地方。而一旦有突破后，搜索也好、社交网络也好、其他商业应用也好，有很多这样的机会。今天大家觉得激动人心的地方是因为以前是完全符号式、公式这样做，今天是神经网这样一种解法，它的区别在于以前符号式做法，你觉得用符号式做法解了一个问题，你觉得可以懂的，你可以解释的。而今天这种神经网解法，包括Pony做的围棋机器人，他很难去解释为什么下这个。接下来有一个需要研究的问题，从符号式到神经式怎么样回过头再到符号式。就是研究行业很热门的方向，叫做可以解释的人工智能。
吴鹰：咱们讲了这么多人工智能的话题，讲一点跟在座嘉宾更接近一点的，我本来想问李彦宏怕不怕微软，想不想把它干掉，但是没有什么意义，他们都有很智慧的回答，肯定会回避开。但是我注意到百度你们的深度学习有一个开放平台，咱们小公司在这方面没有投入，没有技术积累，想要用也是可以用，是免费开源平台。这个是挺有意义。但是你们当年决定这么做的时候，你们不觉得这样开放后会培养你的竞争对手吗？
李彦宏：我觉得人工智能是一个非常大的产业，而且是会持续很长时间。像我们现在的判断未来20-50年都会是一个快速发展的人工智能时期。在这种时代大潮下，显然不是一个公司能够把所有的事情都做下来的。相反的，如果说我们先进入了这个领域，能够提供一些平台给一些尤其是没有这么多计算资源、没有这么多做长远研发能力的机构去做他们擅长的，他们对于很多垂直领域可能比我们的了解就会更加深刻，让他们去做的话，他会推动整个人工智能技术的发展。所以从这个意义上讲，我们把我们的平台开放出来，对大家有益，对我们也有益，我们可以在平台上看到大家在干什么事情，哪些方向发展会更快一些，哪些领域更适用于现在已经解决的技术。我刚才讲人工智能永远不可能超过人类的能力，但是当他逐步逼近人类能力的时候，其实已经是可以一个一个行业去颠覆掉。比如说人脸识别这种应用，我们今天如果你去机场的话，要过好几道安检，又要把身份证拿出来，比对一下，其实人脸识别这个问题解决后，将来到机场就应该大摇大摆就过去了，他那个摄像头可以识别，不需要一道一道检查的。我们在家里自己开一个Party，不可能每个人进来先把身份证看一看。但是人多了，几千人、几万人，甚至更多人的情况就要用现在比较笨的办法一个人一个人对他的身份，但是现在这个问题基本上解决了。比如百度大厦，我们那个闸机就是刷脸可以进，到哪儿直接过就可以了。这还是人脸识别一个东西。语音的识别、自然语言的理解等等，都是可以。未来人和物的交流方式，人和工具交流方式，不是人学习工具怎么使用。人和动物的区别就是人发明了工具，但是人发明了工具之后，是发明人写一个用户手册告诉你这个东西怎么用，电视怎么用、冰箱怎么用，这些东西，电脑手机怎么用，我们要学习用键盘，小时候都要学打字。但是未来应该是机器、工具学习人的意图，以后人再也不需要学习工具怎么用了，我要这个工具干什么，他就能够明白，这就是我希望用人工智能方法解决理解人的自然语言，以后人和机的对话、人和物的对话就变成一种自然语言的对话，这是未来几十年可能代表人工智能发展最大的方向。
吴鹰：确实这样的话，从刚会说话的小孩儿1岁多到很老的老人都可以简单使用计算机了，这个确实没有什么太难的。像我母亲，她就是老学不会手机怎么用。我就想给她用ipad，最近要给拿弄一个。我想问一问马化腾，微信，再加上QQ，这是世界最大的社交网络，里头有大量的数据。刚才前面发言人都重复讲了，大数据是人工智能非常重要的方面。从中国来讲，在算法上现在还落后于美国，刚才李彦宏也讲了完全超过人类是不可能的。但是我们又讲这个大数据这么重要的话，腾讯有没有可能把你们的关于，当然我觉得微信在很多方面已经超过社交了，现在是生活很重要的一部分，刚才说你去公园买一个2块钱小孩玩具，微信支付都可以做，你们有没有可能把数据分享出来，让创业公司大家来用。
马化腾：这个问题在内部我们也有激烈讨论。首先看人工智能我们关注那几块，第一个是场景。第二个是大数据。场景就是你想把这个技术应用在什么场景下，你是不是有高频的跟用户接触，这是一个落地的很重要的地方。所以我们看到很多研究院也好，包括我们内部研发团队。如果没有场景落地，没有平台支持，基本上就是空中楼阁，研究一半很难往下走。第二个是大数据，大数据也是从平台、业务部门有大量实际运转数据才能产生出来。但是这里面很多大数据是垃圾数据，因为没有标签，每人做规划定义，用多好的算法也学不出来，学出来也是走火入魔，没有用的。数据清洗、标签化难度非常高，我们甚至要雇佣很多人用人手的办法，先用人脑清洗干净，再让AI学习。这里面是一个混合结合的过程。第三，计算能力，也就是你有云的资源，拿几十万核的计算能力，CPU、GPU，我们还是有这个能力的。而且在云里面本身就可以很好的调用，这是我们第三个优势。第四个，一年前我们比较缺乏的就是人才。通过一年我们也招了挺多的人，我们在微软、在西雅图还设置了一个实验室。因为很多微软的人不愿意离开西雅图，所以我们就在旁边设，没有办法，人才就是这样。几个方面结合起来才有办法真正在某一个领域看到它的成效。
我们现在观察到很多的AI所谓的大拿们，他们更关注怎么落地，能不能把毕生研究成果能够体现出来，所以在我们内部在吸引人才的时候，往往也会说你们微信、手机QQ里面的平台数据能不能给他们用，但是事实上大家都知道，BG、部门里面的平台他们也很希望近水楼台先得月，数据就在我身边流动，我为什么不能招人先研究一把，为什么给你呢。我们现在还处在内部怎么把数据分享出来这个阶段。当然这里面还有一个用户很关注的个人隐私，别把我的数据都卖了，到时候大家都知道，这里面还有一个很复杂的信息安全个人隐私脱敏，你是不知道无法根据数据倒推到哪一个人做了什么事情，我们要把这些处理干净才能往下一步谈。这里面数据清理到什么标签，才能给其他部门、包括外部合作伙伴怎么用。同时有很多数据来自合作伙伴，业界其他公司，他们也遇到这样的问题那者一堆裸数据不怎么用，这样业界还要有一个标准，互惠互利交换，这是一个大方向，还有很长的路要走。
吴鹰：大数据清理之后，有针对性的，对业界别人是一个价值，别人也是一个补充。我相信人工智能是一个全社会的协调最后发展的过程。刚才朱民讲有那么多问题，所以政府也要介入来做。我们主管部门官员这次也参加了，省政府、市政府官员参加了，就是要大家共同来解决问题，其实还不光是中国，是一个世界范围内大家协同做一些事情。
微软如果大家愿意跟你们合作，你们是不是感兴趣这个事情？
沈向洋：你刚才问Pony这个问题问的非常好，作为大公司来讲，特别是成功大公司来讲，我们对社会有一个责任，对行业有一个责任。当我们行业做的很成功，第一件事情就是开研究院。现在Pony也开研究院，唯一做的不对的就是开到微软门口去了。我也想分享一下在微软的工作经验，你说叫这些公司把数据拿出来，让初创公司或者其他公司去用，我觉得不见得很现实、不见得很容易。Pony刚才解释的很好。但是我想鼓励大家，很多的数据如果我们愿意花时间、花精力做一点处理，比如Pony刚才讲的。然后让研究人员去用，完全是可以做到的。我们微软出了两个数据集，一个是计算机视觉标准方面的集，这样可以做数据分割、物体分割。最近做了另外一个数据集是在自然语言，希望有一批新的做问题问答。这样推动研究领域，大家在标准集下，不断把标准集数据越做越多。我们做的方法是用搜索引擎数据，非常小心处理过，包括很多隐私的问题等等。拿出一些数据让大家做研究是非常实际的，完全可以做到。
吴鹰：Pony大家很支持你的观点，将来我们也期待像BAT这样的大公司，不但是说数据拿出来分享，刚才Pony还主动提到包括运算能力分享都有可能来做，这样对创业公司、中小公司，包括政府、研究机构特别是大学，非常重要。其实利润这个事儿对企业在某些方面是制约企业发展的，他一定要完成这个利润，他是一个上市公司要做到这些。这就相对的眼光短一点。其实大学很多研究，美国很多一流大学做这些事情，像MIT，今天下午陈刚教授会介绍。他从拿到课题，我要对人类将来有影响。我们这些公司的影响都是很有帮助的。
但是你转型在智慧城市上锲而不舍做了6-7年的积累，我刚开始一直打击他，你跟政府做很多事赚不到钱，你跟政府收多收少都不合适，你们跟人工智能有关的发展上有没有一个规划，还是希望跟这些公司合作在人工智能方面的发展？
郭为：今年发生了一个比较大的并购案，就是英特尔收购了 Mobileye，Mobileye是以色列的一家公司，做汽车驾驶辅助的，Mobileye在1000万辆传统的汽车上装载了数据采集的东西，每天收集的数据量差不多相当于现在3000亿个个人生成的数据量，由于有这些数据将会支撑英特尔未来在超算上，在大数据领域的发展。神州数码整个大的体系就是想利用我们在传统行业的优势去挖掘，刚才讲深网数据，少春是再ERP的公司，ERP的数据是不可以在互联网上直接进行传输的，它是深度应用的数据。今天BAT很大的优势就是在互联网上已经完全垄断了数据。客观讲只要他们不犯错误的话，别人是没有机会的。当然企业犯错误是必然的，只是说在哪些方面不犯错误。Pony在布局的时候老讲那块不能缺，人工智能原来没有，去年开始布局，对未来的看法一旦哪个地方出现空位的时候，其他的就出来了，比如Mobileye十几年在数据上的积累，一下子就被大家认可了他在辅助驾驶上的能力。我们在农业、医疗、制造业，我们给工商总局做广告登记的服务，那也就是全中国所有的商标注册登记，我们掌握了全中国所有的商标注册的公司，你的企业究竟哪个商标用得最多，哪个商标价值最大，我们完全可以通过数据分析的办法来做，这里面蕴藏了大量的商业价值。这些东西怎么做？我觉得就是要和现在成功的，或者说在人工智能上走在前面的公司去做，发挥我们的优势深网数据挖掘，然后脱敏，打上标签，然后和别人合作把这个东西做好。这个就是我们要做的。今天我去跟BAT在互联网竞争，那我是找死，那是完全不可能的事情，那真是活腻了。
李彦宏：合作的空间是巨大的。
郭为：但是数据是可以一起合作的。
沈向洋：还是跟微软合作比较好。
吴鹰：好，有点味道了，李彦宏和Harry都在向你递橄榄枝，你要听话听音，你做苦逼活那么多年了，很多数据在后面做了很多苦活。今天在台上的嘉宾，虽然Harry一直没有回答我的问题最想干掉谁，但还是非常精彩的答案，我们开了一个非常好的头。今天下午还有另一场颠覆性技术创新的高端对话，还有5个主题论坛，所以今天的内容还很多。今天中午时间也很紧，只有一个小时的时间，大家下午一点一刻回到这。我们用热烈的掌声感谢台上四位嘉宾的精彩对话，谢谢大家的参与。
更多专业报道，请
0界面JMedia联盟成员智东西－聚焦智能变革，服务产业升级！作为智能行业新锐媒体，智东西聚焦VR/AR；AI/机器人/无人机；智能汽车/智能出行；智能家具/物联网；智能穿戴/智能医疗，通过内容、活动、报告以及社群助力产业升级相关文章您至少需输入5个字评论()}