【2万字巨献】IBM、华为、浪潮、腾讯、旷视、比特大陆、英特尔、三星等10大产业+技术领袖论剑AI
新智元AI World 2017世界人工智能大会开场视频
中国人工智能资讯智库社交主平台新智元主办的 AI WORLD 2017 世界人工智能大会11月8日在北京国家会议中心举行，大会以“AI 新万象，中国智能+”为主题，上百位AI领袖作了覆盖技术、学术和产业最前沿的报告和讨论，2000多名业内人士参会。新智元创始人兼CEO杨静在会上发布全球首个AI专家互动资讯平台“新智元V享圈”。
全程回顾新智元AI World 2017世界人工智能大会盛况：
新华网图文回顾
http://www.xinhuanet.com/money/jrzb20171108/index.htm
爱奇艺
上午：http://www.iqiyi.com/v_19rrdp002w.html
下午：http://www.iqiyi.com/v_19rrdozo4c.html
阿里云云栖社区
https://yq.aliyun.com/webinar/play/316?spm=5176.8067841.wnnow.14.ZrBcrm
新智元 · AI WORLD 2017
【新智元导读】新智元AI WORLD2017 世界人工智能大会，上下午两大论坛一起放送！上午产业领袖分享真知灼见，技术一定结合应用场景和服务，体现在产品当中，才能真正让AI得到普及，即使是技术人员，也要从第一天就考虑生态圈的构建。下午技术领袖发表独到见解，深度学习红利通过产业落地推动学术研究，但未来深度学习将成为常规，我们要探索小数据学习，探索如何让AI技术与硬件设备结合，不要纯粹做技术，才能把技术做到最好。
AI WORLD 产业领袖论坛，以“AI世界，人工智能震撼未来”为主题，论坛主持人由新智元创始人、CEO杨静担任；论坛嘉宾：IBM全球副总裁、IBM大中华区CTO、IBM中国研究院院长沈晓卫，华为消费者业务首席战略官邵洋，浪潮集团副总裁胡雷钧，以及比特大陆CEO詹克团。论坛探讨了2017年人工智能发展主线，企业如何在人工智能方面进行研发投入，以及中国如何诞生DeepMind这样的公司等话题。
专家分享真知灼见，技术一定结合应用场景和服务，体现在产品当中，有了产品才能真正推动AI技术的普及。在谈到2017年人工智能发展主线时，华为消费者业务首席战略官邵洋表示，谷歌、苹果、Facebook、亚马逊把人工智能通过百亿级千亿级的产品带向大家的生活，但同时也在做圈地运动，在商业的驱动下往前走，是非常残酷的竞争。
针对华为巨额研发经费，邵洋表示，华为不“烧钱”，而是要“投入”，而投入的重要前提就是它非常残酷，不是短期内活下来就是胜利，而一定要经过持续的大浪淘沙。看到阿里达摩院的投入邵洋表示很高兴，并希望大家都把钱花在有效的地方。至于中国怎样才能DeepMind这样伟大的公司，比特大陆CEO詹克团说，中国人很聪明，但坐冷板凳的精神还是差一些，加上经济发展太快，社会上机会太多，年轻人耐不住。但是，随着中国经济进一步发展，企业进一步积累，出现DeepMind这样的创新公司将会很正常。
有一点始终贯穿全场，那就对生态的构建，沈晓卫表示，生态的建设是第一天就应该考虑的事情，因为很多事情最后的成功不是简单的技术成功，而是一个生态圈的成功，技术人员也要看到生态的建立。浪潮集团副总裁胡雷钧谈浪潮建设AI生态时说，他们意识到AI应用需要的计算，比原来企业级应用大一两个数量级，需要把手上的筹码全部拿出来才能支撑住，从系统的每一个层面做所有应该去做的事情。
下午的技术领袖论坛，仍然由新智元创始人、CEO杨静主持，中国自动化学会副理事长王飞跃，英特尔中国研究院院长宋继强，三星电子中国研究院院长张代君，爱奇艺CTO汤兴，腾讯优图实验室杰出科学家贾佳亚，以及旷视科技Face++首席科学家、旷视研究院院长孙剑这6位作为对话嘉宾。
技术领袖论坛的话题当然围绕技术展开，2017年，谷歌TPU、AlphaGo Zero成为计算力和算法突破的关键词。AlphaGo Zero也催生了“大数据无用论”，各位技术领袖如何看待？英特尔中国研究院院长宋继强表示，现在说大数据无论用还太过武断，对于感知层面的任务仍然需要从大数据中学习表示，大数据仍然是金矿。但AlphaGo Zero无疑是强力的催化剂，三星电子中国研究院院长张代君认为，也许在2018、2019年，基于强化学习的技术、服务、产品可能会越来越蓬勃地面向市场。
在谈到中国AI技术如何保持国际优势时，腾讯优图实验室杰出科学家贾佳亚博士表示，“天下武功为快不破”，中国企业做事情比美国企业快很多。贾佳亚还谈到企业技术实力的重要一环，那就是把研究人员带到开发领域，真正形成研发的框架。
至于深度学习，深度学习的红利推动人工智能的研究，激发了大家对AI的热情，但未来，深度学习将成为常规。自动化学会副理事长王飞跃说，他希望五年之后大家不再谈深度学习，而是谈GAN，一定要有自己能够产生大数据和提炼数据成精准知识的方式。宋继强也说，未来这几年，一是在现有的深度学习的基础上继续发展，寻找能在小数据上训练出更好的解决任务需要的方式；二则是更多在虚拟世界里产生数据模拟。
对于深度学习未来的地位，旷视科技Face++首席科学家、旷视研究院院长孙剑有很好的表述，孙剑说，未来反对深度学习可能会是工程师的一个标准的技能，因为深度学习和MapReduce不一样，MapReduce已经不发展了，即使不发展，慢慢大家也都学会了。孙剑期待量子计算带来的大突破。
AI WORLD 产业领袖论坛
AI WORLD 产业领袖论坛，以“AI世界，人工智能震撼未来”为主题，论坛主持人由新智元创始人、CEO杨静担任；论坛嘉宾：IBM全球副总裁、IBM大中华区CTO、IBM中国研究院院长沈晓卫，华为消费者业务首席战略官邵洋，浪潮集团副总裁胡雷钧，以及比特大陆CEO詹克团。
杨静：大家好，我是新智元杨静，非常感谢大家来到AI WORLD 2017。今天有请各位嘉宾探讨，人工智能2017产业发展主线是什么，2017年的AI主题词是什么，对这个产业影响力最大的事件有哪些。请各位产业领袖给我们做个梳理。首先有请IBM全球副总裁、IBM大中华区CTO、IBM中国研究院院长沈晓卫博士给我们做分享。
沈晓卫：谢谢杨静。在过去的这一年中人工智能有很多的进展，无论是人工智能的技术本身，比如说语音识别、图像识别、视频识别；还是人工智能在行业中的应用，比如医疗、教育等，看到了很多的突破。但是让我讲2017年AI真正的进展，就是大家开始相信人工智能是IT的未来。我们回头看IT本身的发展，从几十年前IT技术开始，大家忽然发现IT成为每一个业务部门，每一家公司必备的支持，无论人力资源也罢，产品的质量监控也罢，每家公司都有IT部门。今天大家开始设想，每一个公司、每一个业务部门都可能在未来大数据时代需要用人工智能来更好地管理，这一点可能是在过去一年中它给我们产业带来最大的改变。在这个背景下，很多事情都有可能发生。
IBM全球副总裁、IBM大中华区首席技术官、IBM中国研究院院长沈晓卫博士：2017年AI真正的进展，就是大家开始相信人工智能是IT的未来
杨静：沈总提到人工智能+到各行各业，邵总您这边对2017年有什么观察呢？
邵洋：华为一方面是一家技术公司，另外一方面是一家商业公司。从技术的角度来看，我们认为人工智能已经展现出它是一种非常强有力的驱动技术，它会驱动各个行业发展。但是从商业的角度来看，我们会看到两条线：一条线，大家在把技术产品化，我认为这会加速人工智能的发展。比如说亚马逊的 Echo 和 Alexa，谷歌的 Google Lens 和 Google Assistant，苹果商店的应用，这是把人工智能带向大家实际生活非常好的例子，它会从百万级、上亿级的产品领域接触到人，这是非常关键的。另一方面，人工智能的商业发展也在圈地化，比如我们看到谷歌的 TensorFlow，看到亚马逊的 Alexa，也看到微软和 Facebook 推出的 ONNX 联合架构，我觉得这是一个圈地化，而圈地化本身也会对产业带来一定的麻烦。
这两条主线，实际上都在商业的驱动下往前走，也是非常残酷的竞争，对于从业人员，对于未来的生态开发者都是严峻的选择题。人工智能是一个大产业，非常有希望，也会非常残酷。其次，2017年中国做了非常重要的事情，就是把人工智能产业作为国家战略，因为我们一直认为只有人多的地方才能出现新的大规模的现象级、数量级、数据型的应用，在这个领域内目前有希望的只有美国和中国。相比于美国，我觉得中国确定产业战略非常正确，但是希望我们在座所有人行动加速，因为未来几年挑战非常大，但是抓住这个机遇我们就会上一个大台阶。
杨静：特别感谢邵总点了我们的题“AI新万象，中国智能+”，胡总是浪潮集团的副总裁，浪潮集团在服务器这方面，是中国市场份额第一。有请胡总跟我们分享。
胡雷钧：如果大家做AI是在盖房子，是盖了房子以后去提供一些功能的话，我们浪潮可能更像是做砖头的。我觉得服务器作为一个产业的基础，你必须得看清楚产业未来的发展。我们现在有了AI，我们感觉AI在2016年、2017年蓬勃发展，展示出很大的气象。但实际上我们可能仅仅是刚刚摸到了AI的边，如果说以前的IT对比到生物学里是反射性的行为，像机械的从因到果，从A到B，而AI可能给我们展现了更丰富更复杂的未来生活场景，我相信AI在未来给我们带来的空间将不仅仅是露出海面的冰山一角，我们现在仅仅是摸到了它的一个边缘，未来给我们展现的空间还要大的多。对于一个具体的服务器供应商来讲，可能未来我们会有更大的发展，可能不仅仅是一个数量级和两个数量级的问题，我们目前受到了摩尔定律某种程度上的约束，未来再怎么往前推进，我们怎么把当前工业界已经积攒到的能力推展到边界，应用到我们当前具有挑战性的AI应用里，将始终是我们要探讨的话题，始终是我们要竭尽全力做的工作。
杨静：是的，刚才胡总提到摩尔定律的限制，这个瓶颈怎么突破？现在有一股AI芯片研发大潮，今天我们也请了一位创新企业领袖，比特大陆CEO詹克团。比特大陆已经是全球最大的区块链平台，今天他们要发布一个全新的AI品牌叫SOPHON(算丰)，其中包括一款张量计算的 AI 芯片。您能给我们介绍一下您的芯片吗？
詹克团：谢谢杨静。如果说浪潮做的是砖头，我们做的应该是沙子，我们是做芯片的。这个张量芯片听起来太学术了，本质上是deep learning的计算芯片。刚才很多报告讲到大数据需要非常强大的计算力，CPU肯定不适合，今天的GPU的效率肯定也要提升，比特大陆就会在这上面做一些力所能及的事情。今天很感谢新智元大会，今天下午我们会有一场报告，会把我们做的事情给大家做一个汇报。
华为消费者业务首席战略官邵洋：人工智能在往技术产品化、商业圈地化的方向发展，这两条主线都是在商业的驱动下往前走，是非常残酷的竞争
杨静：我觉得詹克团比较敏于行，纳于言。他们这家企业我听说今年有200亿的收入，其中有100亿的利润，也是AI应用落地的一个典范。提到AI芯片，华为也在手机当中推出了麒麟970，这也是AI+中国创造的典范，请邵总给我们分享麒麟AI芯片里有哪些尖端技术？
邵洋：我们在芯片领域也有大量的投入，而且经过这么多年的投入，我们觉得芯片这个领域是非常残酷的，如果它不这么残酷，也不会出现高通要被收购的现实。在这个领域内大家比的就是规模，如果这个芯片不能在世界主流级，比如说TOP3得到广泛的应用，它未来的投入、它的成本、它的技术工艺改进都会遇到巨大的麻烦，所以我觉得芯片是非常重要而且十分残酷的。当一个产业开始的时候往往是以技术的方式出现，比如说我们看到最早的算法，下围棋演示，它是一种技术。从技术走下来，就会走到一些部件，其中很关键的就是芯片，谷歌为什么推出TPU，因为它发现它的算法达到一定程度后，要提高效率就不能通过算法，而是要通过真正有力的部件来提高，而部件再提高也没有解决问题，最终是产品，就是真正到达你面前，你去购买，每天去使用的产品，到了这一步事情才算初步有了一个结果，这条链非常长，也非常艰苦，但是有更多的人投入这个产业，我觉得是非常有意义的，因为这一步是跨不过去的，必须要有产品才能真正推动AI得到广泛的应用。
杨静：谢谢邵总。TPU成为2017年人工智能产业的主题词，证明深度学习从算法逐渐扩展到软硬件融合的AI云系统，这个系统当中深度学习的硬件设施到底是依托于GPU，还是FPGA，两者哪个更适合深度学习的发展？有请胡雷钧总给我们分析。
胡雷钧：实际上我们看一个应用的时候，可能不能一概而论，说哪个最好，我们只能说哪个是最适合的，因为具体的计算时间是受各种条件约束的。到底是FPGA好，还是GPU好，还是通用CPU好，还是我们定制的专门针对与某一个算法应用的全定制的芯片好，可能还是要看具体情况，要根据具体的应用场景来去探讨这个问题。比如说，训练时不可能为每一个应用建一个单独的训练平台。我们可能花上十几亿人民币建一个平台，我们希望这个平台能多用几年，能够在不同的应用环境里达到期望的效率。我期望我的系统在算法应用上要有灵活性，在具体应用时要达到当前业界最好的性能功耗比，在这种综合的权衡之下，可能CPU+GPU的模式，再加上相应的软件支撑会是最好的模式。
对于线下的训练，某种场景下能用FPGA也是好的，但这还是要看具体算法的应用环境是怎样的。如果我们去看线上的话，可能FPGA更好一些，它既有灵活性，又有性能功耗比，但是对于更大规模的确定性网络，已经训练好的网络，我们可能会觉得某种情况下定制的处理器更好，它里边有专用的指令集，或者有专用的加速核，只要它规模足够大。这里面一个根本的问题就是，我们对目前半导体的产业判断，和我们对引领IT发展的两个力量，一个是体系结构进步，一个是半导体进步，在这里面起到的推动作用和我们在具体应用场景下的权衡。
浪潮集团副总裁胡雷钧：面向AI的应用是新的，比原来企业级上的应用大一两个数量级，它要求我们用所有的能力，把我们以前攥在手里的筹码打出去，才能支撑住。
杨静：非常感谢。提到了芯片的研发和硬件体系的研发，就想到烧钱游戏。今年有一个大新闻，阿里成立了一个达摩院，三年投入1000亿。IBM也是在全球“烧钱”的IT企业，下面有请沈院长跟我们分享，IBM是怎么在AI的技术上面进行研发“烧钱”，给我们中国企业一些借鉴。
沈晓卫：我们花的钱都是投资，不是“烧钱”。我想这个事情可以从两个维度来讲，一个是技术的维度，一个是非技术的维度。从技术维度来看，我们今天在人工智能时代做的工作大概可以分为四类。一类是人工智能的核心技术，比如深度学习这方面的技术。第二类就是计算能力，最终人工智能是需要计算能力来支撑的，无论是FPGA、GPU的加速。再往前看，我们可以用跟传统的冯诺依曼体系架构不一样的方式来探讨支撑未来的应用。最近，IBM有一个研究成果，就是我们今天拿相变存储器（Phase Change Memory，PCM），把计算镶嵌在存储的单元中，拿一百万个相变存储器PCM来支撑深度学习的应用。除了我们今天可以看到的各种各样的加速，下一步可能还有一些跟传统的架构不一样的研究，比如量子计算方面的探索。第三类就是我们把人工智能跟一些新兴的技术，比如说区块链、物联网去做结合。第四类就是人工智能与行业的结合，比如医疗、教育等等。
从非技术的角度，IT发展到今天这样一个时代，可能关起门来在象牙塔中的研究就会非常困难，就像我们常说的一个马车夫不会告诉你他需要一辆汽车。真正的需求是在人工智能和现实生活相结合这种背景下产生的，无论是建生态圈也罢，还是跟合作伙伴合作也罢，我们需要走出象牙塔来共同创新。这里面最主要的就是两个问题，一个是经费问题（Funding model），就是研究的经费是从哪里来的。IBM研究院在过去二十年有非常大的变化，以前我们是100%由总部给经费，你做你喜欢做的事情。后来希望我们对产品有贡献，于是总部给一部分经费，剩下的经费可以从产品部门来，那你就要做产品部门感兴趣的事情，但不是近期的产品，可能是未来的产品。在这样一个新的人工智能的时代，它会鼓励我们走出去跟合作伙伴共同创新，你研究的一部分经费就需要从外部来，这是非常重要的。
另外一个是评价问题。我想到很多年前刚刚在IBM做经理的时候，经理培训第一课就告诉我，“You get what you measure”，就是你怎么来看你研究的成果，怎么来评价你研究的成功，是论文的发表，论文的引用，是专利技术，还是其他的，比如说商业的价值。最核心的还是在这样的时代，如何能够一方面推动技术的创新，一方面与合作伙伴一起让人工智能落地，使它产生有商业价值的创新。
新智元创始人、CEO杨静
杨静：商业价值和新生态。提到烧钱，我们知道华为在中国研发投入最花钱，有一个数字是600亿。我想请邵洋总分析一下，你们在研发上面的投入有什么样的前瞻。
邵洋：华为公司是一家不上市的公司，所以我们的业绩可能也不需要为短期来做太多的追求，另外一方面，我们也不希望员工特别有钱，因为有钱了以后就不会特别奋斗。所以我们很喜欢“投入”，但是很反对“烧钱”。我们是在过程中感到投入的价值和烧钱的坏处。什么叫投入呢？投入就是有目标、有计划的做这件事，在这个过程中修正结果，继续修正投入。烧钱往往是无目的的，甚至是超越规律的一些投入，是在沙地上建大楼的做法，很多人说只要把钱烧下去了，即使没有那么大的效果，可能也会产生很多意外的好结果。但是实际上从我们的经验来看，得到的往往不是好结果，完全是一个坏结果。
比如说我有十个优秀的顶级的专家，这十个顶级的专家能够在一起努力工作，就可能做出一个世界级的东西。但是，这十个人分别拿到一笔钱去做他们想象中的东西，基本做出来是一盘散沙，在我们经历的很多行业里都看到这种现象。我们希望在这种大机会潮来临的时候，大家不要用烧钱的方式做这件事，但是非常欢迎大家以投入的方式做这件事情。投入的重要前提就是它非常残酷，不是说一个短期内活下来就是胜利，它一定要经过持续的大浪淘沙的过程才能活下来，所以我们看到阿里的投入，我们也是非常高兴，因为有这笔钱，中国的大机会我们能够抓得住。我们希望大家把钱花在有效的地方，因为世界上比我们有钱的多很多，而我们的人才也非常的有限。
杨静：刚才邵总一再强调生态竞争的残酷性。今年谷歌有两个比较重要的事件，当然一个就是TPU和AI云的系统建构，另外一个就是DeepMind发表了AlphaGo的两个版本，一个是 Master ，还有一个是AlphaGo Zero，它在强化学习的领域取得了新的突破。AlphaGo Zero的进展也让大数据的无用论再次流行，在未来的算法的演化这方面，不知道是不是强化学习就会取代大数据？未来几年人工智能技术突破的方向那哪里？我们再有请沈博士来分享。
沈晓卫：首先，AlphaGo Zero还是有令人印象深刻的结果，对大家有非常大的鼓励，这是毫无疑问的。另外一方面，可能现在谈大数据无用论为之过早。因为有很多问题，比如以围棋为例，围棋本身的规则还是非常简单的，大家可能拿一段话就可以形容清楚，包括判断胜负的规则。虽然有韩国、中国、日本的规则稍有一些比较微妙的区别，但基本上还是非常清晰的。“打劫”的规则虽然稍微复杂一点点，但也是非常的简单。在一个规则非常简单、封闭的集合中，我想这样的博弈问题可能今天已经有一个初步的解法，即使你没有标注过的数据，也可以进行很好的处理。但是很多现实的问题，比如说刚才谈到的医疗，它不是这样的问题，不具有唯一性，规则也不清楚，选择也是多种多样的。在这样的背景下，人工智能技术今天还是需要有很多的突破，比如基于小数据集的学习，学习结果的可解释性等等，我想这方面还是有不少的挑战。
比特大陆CEO詹克团：中国人确实非常聪明，但是坐冷板凳的精神还是差一点，但是随着中国经济的进一步发展，企业进一步积累，中国出现比DeepMind这样更加创新的企业是很正常的。
杨静：非常感谢沈博士。虽然说强化学习暂时还不能进入人工智能的技术主流，但是不能否认DeepMind是一家伟大的公司，它的创业历程值得我们中国企业学习和仿效，在中国如何才能出现DeepMind这样伟大的创新企业呢？我想请比特大陆的 CEO詹克团给我们分享一下。
詹克团：DeepMind非常伟大，它现在做了一些人工智能上面的算法，很多确实是非常理性的。其实中国人很聪明，也很勤奋，但确实出不来特别创新的东西，有的人归结于教育的问题，对这个我持一定的保留态度。我们做区块链的过程中发现，在区块链领域，中国人做的都是应用，对于区块链底层的技术、底层的算法、底层的协议，尤其是涉及到密码学、数学的东西，几乎没有去研究的，不论是企业还是高校做得都非常少。上次到硅谷去跟比特币的协议开发者交流的时候，我们拜访斯坦福的一个教授，教授在黑板上给我们讲他发明最新的密码学的算法，那个教授让我非常震惊，他非常希望这些算法能够直接用在区块链上面，区块链的开发者就跟教授零距离的接触，很快地开始做这些非常基础的研究、投入。中国人确实非常聪明，但是坐冷板凳的精神还是差一点，可能是因为现在的经济发展太快，社会上的机会太多。年轻人可能有点耐不住，这是我的感觉。但是随着中国经济的进一步发展，企业进一步积累，我觉得中国出现比DeepMind这样更加创新的企业是很正常的。
杨静：刚才邵洋总提到，现在AI生态处于一种新的圈地运动的时代，但是我们也要看到谷歌开源了很多深度学习的框架，在生态系统的建设方面有很多值得我们借鉴的经验，我想有请沈博士跟我们分享一下，跨国企业在生态建设方面有哪些值得我们学习的地方。
沈晓卫：首先，生态的建设是第一天就应该考虑的事情，因为很多事情最后的成功不是简单的技术成功，确实是一个生态圈的成功。其次，刚才我们也谈到人工智能的创新，无论是2C还是2B，它确实是非常复杂的过程，对生态的要求也不太一样。从IBM的角度，我们做了非常多的2B创新，就需要关注怎么去跟企业合作。举个例子：今天的创新，很多是羊毛出在狗身上，或者出在猪身上，创新最终的使用者和受益者可能并不能够给你直接支付的。
今天人工智能的生态还不是那么清晰，我们确实要从早开始计划这样的事情，比如说产学研的结合，开放源代码等。还有一点就是，我们的技术人员，不应该把100%的精力都放在技术，也要看到并参与生态的建立。
杨静：谢谢沈总，下面就请胡雷钧总也分享一下AI在生态建设方面浪潮有什么样新的看法和做法。
胡雷钧：我们觉得面向AI的应用是新的，比我们原先认识到的应用对于我们讲的计算能力需求更大，比原来企业级上的应用大一两个数量级的一种新的大规模计算的应用，它实际上要求我们要用我们所有的能力，把我们以前攥在手里的筹码打出去，才能支撑住。要支撑AI的应用，我们基本上就是要从系统的每一层去做所有应该做的事情，我们才能把一个AI的应用支撑好。从某种程度上看，我们提供给客户的AI系统平台，不是一个简单的单纯的硬件平台，也不是一个简单的单纯的算法问题，它既牵扯到硬件平台，又牵扯到系统软件、算法、运维，更高层面上，它又有一个规划的角度。从这五个维度上，我们必须把我们自己能够做到的所有最好的都要尽力做到。比如说我们在硬件平台上，目前我们为客户组织了一个最大的产品组合，我们有十几个型号的面向AI的，无论是GPU，还是FPGA的平台，在调优软件方面、在应用的优化方面、在人才队伍方面、在技术咨询方面我们都有相应的努力和尝试，我们希望大家不要单纯地认为这是一个单方面努力，某一点上突破我们就能够做好的，一个工业级别的应用必须使出你的浑身解数，你必须把你掌握的所有知识，把你所有合作伙伴的能力发挥到极致，才能够做好。
杨静：好，比特大陆作为初创企业有碰到这种建立生态，或者跟合作伙伴的关系处理的问题吗？
詹克团：这是一个很重要的事情。今天企业的边界越来越模糊，一个企业能做什么，不能做什么，该做什么，不该做什么，这个边界非常难以界定，尤其是互联网和人工智能技术进一步的普及、深入之后，界限会更模糊。在这样的情况下，所谓的生态就会变得越来越重要。在比特币和区块链领域，我们几乎是一个全生态的企业，除了交易所不做，大部分的东西我们都做了，而且都做得非常好。人工智能是一个更大、更复杂的行业，我们做什么与不做什么，作为这个企业的掌舵者我一直在思考这个问题，要解决好这个问题有两个事情非常重要。
第一，在技术上要有战略的前瞻性，我们要用最优秀的人才，在早期的技术架构设计上面要为未来铺好道路，给自己未来的产品留下腾挪的空间，自己要跟自己兼容，否则不可能有生态。第二，要有更加开放的心态，我认为现在这个世界的商业格局，合作大于竞争，更多是合作不是竞争，特别是在人工智能上面，几乎所有的算法都是开源的，几乎所有的架构都是开源的，像百度、谷歌等企业更是把他们整个的应用平台都开放，我们要以一种更加开放的心态跟客户、行业伙伴共同合作，实现共赢，这才可能形成一定的生态和未来。
杨静：好的，詹克团也提到了，我们要有更多的合作伙伴，要跟他们有一种多赢的关系。最后有请华为的邵洋总，毕竟你们是中国最大的科技企业之一，你们在构建新的AI产业的生态方面有什么样的战略的构想或具体执行的步骤呢？
邵洋：我觉得生态这个事情对于华为来说，确实是一个需要学习和加强的能力。我觉得在行业里面有两个比较好的典范，一个是苹果，一个是谷歌，我觉得这两个公司实际上都做到了非常好的价值创造和价值分享。价值创造就是通过它的阵营可以使大家挣到很多钱，这个阵营的蛋糕很大。第二，它在这个阵营当中，大家都能分享到这个利益。我们既然把AI作为非常重要的技术，我们一定是相信AI能够创造出更大的价值，华为的目标就是把更大的价值呈现出来，在分享的过程中让所有的合作伙伴都能够获取到这个价值，这就是我们在生态上的商业考虑。
在技术上的考虑，我们后续会有很多具体介绍。我们一直认为价值创造决定价值分配，而价值分配反向影响价值创造，只有这样的链正常运行下来，这样的生态链才能持久。
AI WORLD 技术领袖论坛
接下来进入AI WORLD 技术领袖论坛，六位技术领袖将与新智元一起前瞻AI技术发展趋势，研讨产业落地模式。
论坛仍然由新智元创始人、CEO杨静亲自主持，论坛嘉宾是：中国自动化学会副理事长王飞跃，英特尔中国研究院院长宋继强，三星电子中国研究院院长张代君，爱奇艺CTO汤兴，腾讯优图实验室杰出科学家贾佳亚，以及旷视科技Face++首席科学家、旷视研究院院长孙剑。
杨静：特别感谢各位技术领袖再次来到AI World 2017。我们在产业领袖论坛里讨论了2017年人工智能产业最有影响力的事件，梳理了2017年人工智能技术走向以及未来的发展。今天有六位超级技术大咖在我们的现场，从王飞跃教授开始，您认为是今年的关键词是什么？
王飞跃：今年的关键词就是你的“AI World”，世界人工智能大会从第一次到第三次是飞跃了一个大台阶。过去你还要靠历史来支撑，我记得去年世界人工智能大会上我还要讲AI 60年60人，今天这个场面就不要讲历史了，这就是历史，你正在创造人工智能活生生的历史。刚才我听了孙剑的报告，技术确实跨了一大步。在中国，除了你们新智元的大会，还有我们官方的《新一代人工智能发展规划》，AI 2.0，里面列了六大项任务，我们中国要建立自己的智能创新体系、智能技术体系、智能军事体系，而且军民融合，智能经济体系，智能社会体系，最后第六项才是我们的人工智能重大专项，马上就要开始，预计投入520个亿。
这表示我们中国要在智能科技上开创自己的直道: 政府里面成体系地来讲人工智能，全世界就我们中国一个。奥巴马下台之前出了3个现在连美国人都忘了或不再关注的报告，那样做也是美国有史以来第一次，现在美国政府都不理了，可在中国有更多人的在讨论，当然新智元在这里也起了非常关键的作用。大家可能不知道，美国换了特朗普当总统后，他的新财长说人工智能五十年都要不管它，特朗普最忙的就是跟他的市长、议员、烈属吵架，到处打嘴架。你看几天前的《时代》杂志，封面说中国赢了，而且用中文写得。人工智能从业者不要把这个当成小事，这是给你们更大的挑战，把你们往死里赶。如果大家再不出什么东西，这东西就更危险了。
国际上，让我说最热闹的就是Zero，“AlphaGo Zero”。这篇文章写得比以前好多了，至少我感觉别人可以重复了。第一篇AlphaGo文章看了知道是什么意思，但别人没法重复它的结果，现在好像可以重复了，而且又简单了。以前要从人的80万棋局开始，现在0就行了，大家别忘了围棋是规则包含所有的知识，它本来就应该是0。机器胜了跳棋是用了人的知识吗？没有，是0。二十年前，机器胜了国际象棋用了人的知识吗？没有，是0。机器攻围棋开始人还有心理障碍，所以还用了80万盘棋的人类知识，可能开始确实不知道怎么走，胜了之后没有心理问题了，所以变0，成了AlphaGo Zero了，其实它本来就该是0。所以发表前让我评论，我说它的新东西、新知识也是0。
中国自动化学会副理事长王飞跃：中国要在智能科技上开自己的直道，我们的人工智能重大专项，马上就要开始，预计投入520个亿。
但是，我们学增强学习的人要高兴了，两年前一开始我就说那个东西的核心就是增强学习，就是ADP，不是深度，而是算力，大家不信。现在倒霉的人是我们中国的围棋国手，据说国家养了800多人，他从三岁开始干，干了一辈子的心血，计算机现在算三个小时就没了，再往下连三秒都不要了，所以谁要再想当围棋国手就得好好想一想。你看国际上，国际象棋的男子国际竞赛，以前每次竞赛都是国际大新闻，你看这几十年还有谁关注它？倒是女子国际象棋起来了，或许过两年女子围棋也要起来了。所以它确实要颠覆一个行业，我觉得这是好事。
最近Hinton又提Capsule，其实这又是复古啊！当年大家不是要用神经网络做module construction（模型建立）吗？我二十多年前也是做module construction，我做过九层神经网，当年超过三层就是罪过，还九层呢，你送给任何的杂志，人家都要给你拒了，因为数学证明有三层就够了。最初是从一层开始，感知机perceprons，神经网络为什么当年有十年的冰封期？就是因为最初感知机就一层。
当年数学家证明三层网络己是 universal approximation，任何网络减到三层就行了，其实现在这些深度的东西可以往三层继续减，所以Hinton“新思维”来了。我觉得这确实是一个新的老方向，今天孙剑给我们讲视觉的新应用，我觉得咱们中国人就应该擅长这种东西，最后走的其实都是知识智能化，这是整个的新行业，整个的新时代。中国要走向世界舞台的中心，要对世界有所贡献，要让中国梦成为和平梦、有贡献的梦，大家一定要想去创造自己的直道，去制道超车、换道超车、平行超车、直道超车，千万不能在人家的道上，还整天琢磨如何“弯道超车”。
杨静：非常感谢王飞跃老师的分享。今天在座的有三位院长，英特尔中国研究院的院长宋继强，三星电子中国研究院的院长张代君，孙剑也是旷视研究院的院长，我们想问三位院长，上午有一个话题，AlphaGo Zero强化学习的算法使得大数据的无用论开始流行，那么这种算法的迭代，强化学习算法会不会成为新的算法范式主流呢？未来人工智能的算法会有哪些方面的突破？请三位院长给我们做一个解析，先从继强开始。
宋继强：我觉得大数据无用论说得太极端了一些，因为毕竟现在我们看到很多处于感知这个层次的任务，还是需要从很多的数据里提取出相应的模式，对于感知这个层面的任务来讲，数据还是非常强大的宝库，包括像医疗层面、金融层面的任务，没有数据最终我们就拿不到很多很有效的模式。对于强化学习这种，它实际上是一种框架，它用这种思路去跟环境的交互，来观测到好与不好，来判断我怎么给予它奖惩，在这种框架下我能够运转的时候，我中间选择合适的算法来评价它好，或者评价它不好，给它什么样的指标，这个是用到不同的算法。
所以我觉得强化学习像王老师讲的，它是多年来用的一个框架，只是它刚好在AlphaGo Zero 这个场景下用得很好，它本来就不需要太多外界的知识，整个规则描述得非常完整，但如果不在这种场景下，假如有隐藏的知识的话，就不适用了。隐藏知识一种从数据中挖掘来，另外一种从其他的方式引进来，像知识图谱这样构造进来，所以我觉得不能走极端，还是各种方法要按需来用。
英特尔中国研究院院长宋继强：大数据无用论说得太极端了一些，现在很多感知层次的任务，还是需要从大数据里提取出相应的模式，对于感知这个层面的任务来讲，数据还是非常强大的宝库
杨静：好的，代君院长。
张代君：今年AlphaGo Zero非常震撼，去年AlphaGo给我们带来的是生成对抗网络。2016年可能更多是学术界在探讨，2017年则利用生成对抗网络做一些技术，做一些产品，我相信很多的公司都在研究，而且我认为这样的产品或者这样的服务也即将面世，所以我认为大家可以看一下基于AlphaGo的GAN这样的生成对抗网络，也就一年到两年的时间，从谷歌实验室就可以走入到市场。今天我们来谈这次AlphaGo Zero的强化学习，还要花时间从实验室走入市场，下一步我相信各大公司也会加速这样的研究，我认为这是一个催化剂。但是如果说大数据无用，我觉得这个太武断，但是毫无疑问AlphaGo Zero会加速大家对强化学习这个技术的研究，以及最终迈向商用化的进程，也许在2018，甚至2019年，基于强化学习这样的技术、服务、产品可能会越来越蓬勃地面向市场，我认为这个催化剂的作用还是非常明显。
杨静：王飞跃老师刚才也提到了现在中国人在世界顶尖的人工智能技术的突破中扮演了关键的角色，特别是在 AlphaGo Zero里，它使用了一种核心的算法ResNet，孙剑就是ResNet的作者之一。请孙院长给我们分享一下强化学习的算法，还有对抗生成网络是否就会走入产业应用的阶段？
孙剑：非常好的问题，我简单回答一下，短期还不行。我最想回答的第一个问题，AI产业今年发生了什么变化，因为我身处第一线，我想分享一下自己的感受。去年夏天我加入了Face++，我问咱们公司赚多少钱，我得到了一个我觉得还行的数字，我去之前有人跟我讲创业公司泡沫大，估值这么高，不赚钱。我们第一线感受到，不管说我们从事的金融、安防、手机，整个行业的发展都非常迅速。今年我们在深圳参加安防展，去年安防展我也参加了，地点在北京，今年深圳的人数比去年至少多了五倍，你就可以看到手机这些行业的快速发展，要拥抱 AI，包括互联网金融是最快去碰到AI的。去年到今年整个一年，泡沫已经消去了，其实已经做实了。我经常跟来面试的同学说，人工智能的泡沫还没来呢。
杨静：我觉得最近像COCO大赛、ImageNet、还有夏威夷的 CVPR大会，有特别多的中国团队横扫大赛的现场，包括咱们旷视也得到了COCO冠军，咱们中国团队未来会有更多的突破吗？
孙剑：当然会有，其实COCO我们是得了Detection（物体检测）和Keypoint（人体关键点检测）的冠军，Segmentation（物体分割） 的冠军是贾佳亚博士带领的团队，所以我们COCO的冠军都在这儿坐着。但是咱们也不要骄傲，就是说得了冠军当然是一个事情，但是更本质的是下一代的理论和算法，到底看谁突破在前面，这才是真正衡量我们中国是不是能赢的标志。
杨静：刚才提到贾佳亚博士此前在学校带领团队赢得了今年COCO物体分割的冠军，就请贾佳亚博士分享一下，我们中国的AI怎么样在国际上面引领前沿？
贾佳亚：这也是一个很有趣的问题，我用一句话来回答这问题，就是大家都看过的一部电影里有句话，叫做“天下武功为快不破”，这“快”在技术发展里面其实也是一个真理，“快”有几层意思，第一层就是在中国这样一个产业发展的阶段，我能不能比别的国家甚至比别的竞争对手更快的创造出新的算法，比如说像孙剑他们公司做的这样一些非常了不起的算法，在手机上实现终端的智能运用。如果他做的最好、速率最高，确实是比以往跟同类型相比快了50%，可以想像那以后在竞标的过程中肯定是有优势的，这肯定是其中一个最大的方向。
另外一个“快”，中国的企业是做事情比美国企业是快很多的。孙剑和我以前都在美国公司呆过都知道，很多时候早上大概九、十点到，然后中午吃个饭很长时间，下午四五点就可以接小孩走了。但是在中国，即使是像腾讯的大公司里面，像我们每天会把工作安排得相对紧凑。而且我们在整个公司的员工层面有非常清晰的一个奖励系统，就是一个人做了很多事情，当产出效果的时候，他就能够获得一定的奖励，通过奖金、通过花红的方式得到回报。所以对我们同事而言，可以这么说吧，我们一天的工作节奏非常快，研发的升级也自然会加速。长久来看，可以想像中国整个的公司发展在几年之间就会跑的更快一些。
杨静：时间就是力量。
贾佳亚：对。
王飞跃：杨静你们请了很多的国外所谓大人物来台上讲，实际上他们回到美国最重要的工作是早晨送孩子，下午接孩子。
杨静：就是一个奶爸。
王飞跃：别忘了，将来中国也要走到这一个阶段。
杨静：谢谢王老师，也谢谢贾佳亚教授。我们新智元世界人工智能大会连续几届由爱奇艺给我们做现场直播，我们也跟爱奇艺术也有战略合作的关系，汤兴在爱奇艺担任CTO，爱奇艺也在人工智能方面提出了新的口号，我想了解人工智能的产业应用特别是在视频的方面，将有什么样的技术爆发点，或者产业运用的场景，请汤兴博士给我们作一下分享。
汤兴：我们现在是在提AI 赋能娱乐，其实人工智能在视频应用很多，今天在场讲了在安防、在城市、在交通领域，其实我们更着重在整个娱乐产业的应用。我们是企业，而且在这行业做那么多年，我们考虑人工智能的方式可能和研究机构或者说学校会有一些角度的区别。我们更多的是从下往上走，也就是说整个的娱乐的产业链里面到底哪一些地方我们需要人工智能的帮助，来帮我们解决实际的问题。
那你回头来看整个娱乐的产业链，第一个就是创作。创作的时候其实整个的无论是电影、电视剧会面临第一个就是选角。你怎么样找到适合你的剧本演员，并不是一定名气最大的，而要适合你的电影，或者说不同的角色、不同的人物性格，会有不同的匹配。第二个是剧本，因为对我们视频平台来说，最大一个支出其实是内容的购买。但是每一种剧本它对平台来说是有一定的属性，比如说腾讯、优酷和爱奇艺，可能它的平台用户喜欢的剧本品类不一样，爱奇艺的用户可能更喜欢青春时尚、更喜欢古装或者都市情感，不同的品类有不同的属性，就要根据用户的喜好去选择最合适的题材，这就需要数据挖掘和智能的判断。最关键的是，我们买了任何一部剧或者是我们去开发、拍摄，我们希望它最终能带来经济效益的，也就是说在这电影或者电视剧上没有拍摄的过程中，或者说我还没有购买的时候我要知道能够预设出未来的流量，因为流量意味着未来的整个经济的收益，就在整个剧本的创作阶段，其实已经把AI所能做到很多的东西都植入了。
爱奇艺CTO汤兴：AI赋能娱乐，爱奇艺更多是从下往上走，看整个的娱乐的产业链里面到底哪一些地方需要人工智能来解决实际的问题
回到后面，AI更多应用是在整个视频的生产和分发环节。第一个视频的生产，我们知道每天的视频上传量非常之大，靠人工去审核这一些视频是不可能，怎么样让机器帮你审核，比如说情色、低级内容，或者怎么样保护你的版权，这一些都需要机器来帮助人类解决，或者说解决绝大部分。你怎么自动判断视频质量，自动对它进行分类和标注，以前我们做视频的整个识别工作更多的是局限于人脸、人体，可能在这行业识别最多的是明星，没有出现脸部会识别人体。现在面临更难的问题就像我们学语文一样。
走了基本的生产环节之后就是分发。视频对流量带宽消耗是非常大，怎么样节省带宽流量，针对不同的视频、不同的用户、不同的网络环境，你给他推送最适合他的码流，以及让每一个用户在观看这视频时能在离他最近的服务器观看，其实用户最关心的，第一个有没有内容、第二个流畅不流畅，然后才是清晰不清晰。这牵扯到整个CDN，基于内容的我们叫调度算法，系统要将内容事先调度到离用户最近的地方，同样当用户播放的时候要选择最适合他的码流，因为短视频不需要1080p，但是长视频用户需要更高的清晰度，更好的音频效果，电影需要杜比，而通常的新闻可能不需要那么好的效果。其实用户本质上都是懒的，我们希望用户做的操作越少越好。
就像Face++做的人脸识别一样，我发现iPhone X 真的让我少了一步按指纹的动作，刚开始不觉得，再用按指纹的手机的时候你发现，你已经离不开人脸识别了。其实所有的技术就是让用户使用起来减少操作。
杨静：多谢汤兴教授。刚才孙剑提到了其实强化学习现在还不能走入应用的阶段，目前这两年可以说，深度学习约等于人工智能。下面请几位技术领袖针对深度学习技术优势的建立给一个分析。到底这产业技术优势的建立是取决于大数据的资源，还是传统的产业优势，或者是算法上的突破或者是推进？先有请宋继强。
宋继强：我觉得算法上肯定是有，但是这一次的突破还是计算力和数据的可用性上有了很大的提升，才在现在这节点上有很大的突破，就是它的能力上的，在可控的时间范围内我可以展现出来，并且在某一些确切的任务中可以达到跟人比拟的这样一个成果，肯定不是和所有任务。从深度学习来讲，它现在是目前最流行的一个方法，去解决像一些视觉任务、视觉的识别阶段的任务，视觉理解这一块还需要继续，语音整个交互部分还不能全靠深度学习来全部搞定。所以我们看到，在目前这一个可以产业应用的领域里面，深度学习已经可以发挥很大的作用，并且在芯片的支持和前端的一些部署层面，我们叫产业落地，也有了相应设备的支撑，我们看到有一些相应的硬件设备已经在采用，这都是非常好的事情。
同时我们也看到，有很多其他的任务，仍然是他解决不了的，所以作为研究人员和科学家来讲，一定要探索更多的方式。比如说对于一些小数据问题，你要想去训练出一个好的模型，我该怎么去做。对于一些知识里面表达不完整或观测不全的，我怎么去办。所以很多情况下要去探索一些新的路径。比如说现在我们英特尔推出新的神经拟态芯片，就给大家一种新的测试的芯片级的支撑，让大家测怎么在少量的数据情况下去持续自主地学习，用非常低的功耗，低于1瓦，去学出来一个神经网络的表示，能够完成一些任务，同时在一个芯片上就可以训练去处理多种任务。
所以这都是探索一些新的不同的模式。我觉得这一方面也是很重要，一方面我们看到了深度学习带来这一波红利，可以让我们通过产业落地继续去推动学术的研究、推动大家对AI的热情，因为毕竟要有人、有资金、有热情大家才能把这一件事情做下去。第二不能忘了探索其他的方向，去补足它的弱点。
杨静：非常感谢。代君您的观点？
张代君：我非常同意孙院长谈到的，其实在产业里，深度学习还有很多的事情可以做，我们看到算法的重要性。我觉得这是一方面来自于深度学习的算法。但是，我们拿算法来做什么？产生新的服务、新的产品、新的硬件是一方面，另外一方面就是如何和我们已有的移动互联网产品或已有的硬件产品来结合，我认为这是行业门槛，这个也非常重要，因为最近我们也在做人工智能的产品，如何让AI进入手机领域，我认为这可能是今年整个行业里面也非常热的话题，可能往年大家说人工智能就是AlphaGo，或者谈B2B作为行业的服务产品。今年毫无疑问，尤其是中国最近这一个季度，我发现谈手机不谈AI好像都不太好了。如何让AI落地于手机，我们需要去了解手机的本身的操作系统、本身的软件、本身的硬件，这样把我们AI这样的一些算法，无论是语言还是计算机视觉这样的技术落地到手机里面，这里面还有很多事情要做。
三星电子中国研究院院长张代君：AI一定要和行业应用、行业的硬件进行深度的结合，这是行业门槛
最近我们一直在做一款产品Bixby，就在今天（11月8号）下午刚刚发起了公测。从目前的反馈来看还是相当不错的，大家对这款产品也非常的期待。这款产品不仅仅是一个简单的语音识别，不仅仅是TTS或者是NLG等，也不简单的chatbot，这里面我们更多的用到自然语言的理解，但是理解什么？我们只是理解一般化的问题吗？这是一方面。如何去了解我们手机的一些Native APP，以及手机的第三方CP，如何发挥AI技术与硬件和软件深度结合、深度整合的能力，为用户提供很好的用户体验，这是我们重点所思考的。所以我想说，仅仅把AI作为像APP一样可以下载的技术，或者一个简单松散的集成是有问题的，一定要和我们的行业应用、行业的硬件或软件进行深度的结合。
杨静：也就是AI+。
张代君：我非常同意的AI+。我们要把 AI+手机，或者“AI on mobile phone”。
汤兴：我觉得AI在产业的落地依赖于几点，第一是硬件，硬件分两种，第一种是终端的硬件能力，包括你在硬件上软件stack 的能力；第二个是云端的硬件，包括GPU、TPU的发展；第二个是算法，算法最底层是整体的软件体系，还有大数据的网络，再往上是真正应用级的算法，但最关键的核心其实还是人。除此之外，AI真的能够在产业落地，还依赖于应用的场景，因为最终要到达用户，不论是2B 还是2C，找到最合适的 AI应用的场景，让用户在没有感知到这是 AI 的时候，让他的生活和工作更加方便，这才是这个产业最终真正走向用户的一个模式。
腾讯优图实验室杰出科学家贾佳亚：“天下武功为快不破”，“快”在技术发展里面也是一个真理，包括要比别的公司更快拿出更创新、更好的算法
贾佳亚：我从另外一个角度谈一下，我觉得技术开发和研究工作是两方面。现在有一个新的趋势，现在你会发现很多公司如果它是有工作了十几年、甚至二十年的老工程师，比如说软件开发，非常厉害，有很多经验，做手机优化的，但是如果你说现在深度学习算法都开源，现在很多框架都开源了，你拿来用一下，比如说我现在想实现一个100类物体的识别，能不能做下去，这看起来是一个很简单的事情，反而是对于一些纯工程的，就是对硬件优化理解很深刻，同时对算法理解很深刻的人反而不一定能做的好。把研究人员带到开发领域，真正形成了研发的框架，这个在这两年是非常大的迹象，刚才说的COCO比赛赢得第一名，其实并不是一个冰冷枯燥的数字，它真的说明了这样的团队既有非常强的工程员，能够把这样一个框架优化到全球最强，同时整个的框架理解上一定也是最新的，一定有些东西是别人看不到的。这是我觉得比较有趣的地方。
孙剑：在座的老师是学术界和大公司的，我是小公司的，所以做法应该都不太一样。对于我们小公司来说，不能纯粹去做技术，所以我们的定位是要以AI为核心的产品公司，最重要的是我们是产品公司，我们开了一些产品线，就要做那个行业里面的事情，把这个行业做透以后，通过AI大潮流的转变给我们一些机会，用AI做产品给我们些机会，然后才有可能在已有行业做一些事情，或者开创一些新的大公司目前看不上的行业。
杨静：好的，刚才大家对AI新万象，中国智能+谈了很多产业应用层面的东西，我们论坛名字叫AI Vision，也要对未来五到十年技术的趋势有所捕捉，除了工程的层面，也会在科研层面有些探索。最后一个问题，请各位技术领袖大开脑洞，对人工智能未来五到十年，最有希望在本质上实现的突破做一下预测，看看有没有这样一个窗口，能够通向AI的未来。首先有请王飞跃教授。
王飞跃：我没什么预测，现在大家都做人工智能了，我反而真不知道人工智能是什么了。但是有一点，我希望五年之后大家不再谈深度学习，而是至少谈GAN之类，一定要有自己能够产生出大数据来的方式，当规则完全清楚的时候，就不要人家的数据了；当规则不清楚，规则不包含所有的知识，或者规则太简化太简单时，它一定需要大数据。我希望五年之后大家不是谈深度学习了，那已经变成常规了。
宋继强：我觉着像王老师做的无人驾驶层面的事情是最适合去检验人工智能到底好不好的，一方面它会用到感知层很多的技术，另外在实施决策会融合进很多其他的知识，甚至是一些未知场景的预判，要保证可靠性，因为可靠性是非常重要的，作为一个系统来讲。同时我们也知道做这种无人驾驶的事，为了可靠性要测很多场景，而这些场景又不能真开到路上去试，需要模拟很多不同的情况，所以干这种非常适合的。所以我觉得未来这几年，一个就是在现有的深度学习的基础上，继续去发展，寻找能在小的数据上训练出更好的解决任务需要的方式。第二，种我们更多地通过在虚拟世界里产生数据模拟，能够去完成很多更大的事情。
张代君：目前来讲人工智能的发展，比如生物识别这种技术在落地to C、手机方面发展非常迅速，今年大家都谈刷脸、虹膜识别，已经不谈指纹识别了。虽然能够看到AI在to C方面快速地在进行，这些都是感知智能技术的商用化落地。从早年的VR到现在逐步转到AR，我想接下来我们会看到这块会非常蓬勃地发展。我们可以看到另外一个风口是来自于基于自然语言的理解，不仅仅是ASR的层面，而是基于自然语言理解的层面来做和设备的深度结合。我们可以看到今天谈设备，是谈一个音箱、手机、或某一个设备，这是孤立的设备，我相信这些孤立的设备会走到IoT万物互联，人工智能会在家庭里面与智能家居结合落地，甚至在办公室里面，在路上与车联网结合落地，我相信未来五到十年，把AI技术结合典型的生活场景来实现万物互联，随着5G技术通信能力、当然也随着深度学习技术的能力、包括随着计算能力的发展，我相信未来五到十年人工智能发展会非常的可期待。
汤兴：首先我觉得现在的深度学习其实非常像以前的MapReduce编程模型，过几年会变成工程师标准的技能。我最期待AI的是智能家居，或者说更期待的是智能机器人，因为它能解决人的最基本的情感的陪伴，帮你控制所有的智能家电。我认为智能机器人必然会走进家庭，它会改变很多的社会生活问题，包括老年人的陪伴、孩子的陪伴，而且能够让我们的家庭，或者生活更加的智能。
贾佳亚：我们现在预计以后发展怎么样，就像一百年前大家都在估计2000年的人在干什么，有一系列漫画。有趣的是，那个漫画里估计我们2000年过的生活，其实在整个的信息通讯，或者是处理问题的方式上面已经远远超过他们的想象了，比如他们会想象说我们现在可能还在通信，只能说通信速度更快了，他们没有想到我们现在完全不需要写信了。所以这个时候我想说，他们可能想象2000年时候的人可能不再需要坐马车，每个人都会在天上飞，都有自己的一套个人飞行装置，但是这个是没有实现的。我想说我们现在软件上的估计远远超越与以前的想象，但是硬件很难发展，就像一个载人的登月飞船，我想再登月一次都要经过多少年以后才能发生。我的看法是，在接下来比较大的产业界或者业界要攻关的是如何软硬结合，在电子时代的电子信息的发展、AI能力的发展是个毋庸置疑，但最关键的是，能不能有配套的硬件，就是真的有机器人能够站在家里面，能够拿东西，能够帮你去处理一些事情。
杨静：AI要物理化对吗？
贾佳亚：这个事情很难做，在我看来这才是是真正的挑战。
杨静：孙剑给我们做个总结。
孙剑：反对深度学习会是工程师的一个标准的技能，因为它和MapReduce不一样，MapReduce已经不发展了，即使不发展，慢慢我们大家都学会了。但是，我们今天知道深度学习和人工智能要解决的问题远超于我们的想象，它会以超过我们的想象力的程度来发展，我相信还需要更多的聪明人不断地投入来研究这个问题。如果畅想以后发展，从场景来说，我觉得像无人车是非常大的场景，还有像我们在做的城市大脑，无人车应该也属于城市大脑的一部分，我这么说王老师不要不高兴。从技术来说，我们之前跟姚期智院士也探讨，人工智能如何和量子计算结合，我自己也十分相信，智能来自于很多方面，但一个根源是计算。如果量子计算真成功的话，如果真有很大的突破，也许不是十年，或许是更长时间，真的能产生计算上的根本性变化。腾讯也在做量子计算，微软也做量子计算，看到的结果非常喜人。
旷视科技首席科学家、旷视研究院院长孙剑：小公司不能纯粹做技术，因此定位产品公司；反对深度学习会是工程师的一个标准的技能
宋继强：英特尔的量子计算芯片已经有49个比特能够控制了，但是49个以后是很大的槛，所以要往多了去还是比较难的。
杨静：特别感谢各位的精彩分享，我想虽然今天我们AI Vision论坛告一段落，但是我们这几位专家都会在新智元的小程序上，包括孙剑、代君院长、宋继强都开了帐号，另外三位也会很快开帐号，我们会在我们小程序，新智元的智库专家平台上继续跟大家保持互动，一起去探索人工智能的未来！好，特别感谢大家！也特别感谢各位专家！谢谢！
相关内容
微信扫码咨询专知VIP会员