他們既是學術界備受推崇的科學家，也是產業界的思想領袖和踐行者。他們既代表了世界及大公司的創新，也代表了崛起的創新企業的創新。AI正在重新定義世界，此次高峰論壇，幾位科學家和行業大佬從當下產業、人才、研究、技術等各個維度出發，暢談了人工智能的未來發展及落地前景，論壇迸發出了許多新火花、新觀點。

2018年3月24日，首屆將門年度創新峰會在北京舉行。峰會以“一場連接小與大的效能創變”為主題，集結聯想、英特爾、IBM、強生、博世等行業巨頭，以及碼隆科技、杉數科技、禾賽科技等優秀的創業企業，同現場700多位伙伴一起，探討分享2018年技術趨勢及創新機會，以及創新技術驅動下的醫療、交通、新零售、生活等四個領域的AI產業落地和商業價值。見證“大”行業“大”企業升級迭代背后，“小”場景“小”創新帶來的創變力量。

在當天舉行的技術高峰論壇上，將門CEO高欣欣與聯想集團高級副總裁兼CTO芮勇，IBM全球副總裁、IBM大中華區首席技術官、IBM中國研究院院長沈曉衛，英特爾中國研究院院長宋繼強，曠視科技首席科學家、曠視研究院院長孫劍，以及將門CTO沈強，就2018年的AI發展趨勢及產業落地等話題進行了深入探討。

「將門年度創新峰會」席卷整個科技創新圈的效能創變

將門CEO高欣欣：發現“小”價值，一場連接“小”與“大”的效能創變 | 將門年度創新峰會

點擊視頻觀看峰會實錄

以下內容根據大會實錄整理：

一、人工智能如何改變世界？

高欣欣：第一個問題，我想請問IBM的沈曉衛院長，您說過技術的影響力可能遠遠超過我們的想象，人工智能正在重新定義著我們身處的世界，這句話我覺得是今天特別好的開場，您可不可以跟我們分享一下，您眼中的未來是什么樣的？在人工智能的世界下，技術創新會在哪幾個方面呢？

IBM全球副總裁、IBM大中華區首席技術官、IBM中國研究院院長沈曉衛

沈曉衛：說到人工智能重新定義我們的世界，我可能更多的是從兩個維度：時間和空間。

從時間的維度來看，我們今天處在一個指數級成長的時代，我們看IT行業本身的發展，在過去幾十年，很大程度上，我們的進展是來自于所謂的摩爾定律，我們的成長所帶來的性能的提升。在之后的互聯網時代，我們也看到了，連接到互聯網的終端數也有一個成長。

所以大家相信，一個網絡的效能可能和連到網絡上的終端數的平方成正比。今天處在一個大數據的時代，我們看到，一個是數據本身在指數型的成長，一個是我們也相信人工智能或者包括人工智能在內的信息技術的發展，使得我們從大數據中得到的知識，及由知識所產生的效率或者洞察力，也在指數型的成長，這是一個時間的概念。

從空間的概念來說，我們也看到人工智能今天開始影響到每一個行業，重新定義每一個職業，影響到每一個人，無所不在的人工智能。

從這兩個維度來看，當一個技術做這樣一個廣泛的應用，在一個指數型成長的平臺上，它帶給我們的改變是非常非常巨大的，可能遠遠超過我們對它的想象。

說到人工智能，在這個時代，技術的發展，大概有這樣幾個方向，一個是人工智能本身的核心技術發展，包括我們談到的人工智能的算法，包括今天談到很多機器學習的算法，還有像自然語言理解其他一些方面的算法。因為人工智能今天的技術還不能滿足我們對它所有的期待。

另外一點，人工智能與行業的結合，人工智能改變世界，最終還是從改變每一個行業開始。我們談到了計算力，我們也看到無論是今天談到的一些類腦計算，還有我們談到的量子計算，都在為未來人工智能的應用帶來一些計算上的保證或者顛覆性的影響。

最后，我特別談到人工智能和其他一些相關的技術，特別是區塊鏈技術的結合。從這四個維度來看，就是我今天人工智能時代技術創新的一個理解，謝謝。

高欣欣：曉衛院長提到了計算力，這個問題必須要問宋院長了。基于計算架構和計算力，以及基于不同的通用性和專用性，現在出現了不同的平衡，出現了不同的創新和特別多的創業公司。我特別好奇，在一個5年的時間節點上，您覺得在這個領域，引領的公司會更集中，還是更多元呢？

英特爾中國研究院院長宋繼強

宋繼強：這是一個預測，預測通常都很難做的很準。我可以給大家分享一個趨勢，目前來看，特別是從芯片的角度，做人工智能這個領域的芯片，AI芯片有兩種，一種是為了加速，不管是通過傳統的CPU多核的處理器，GPU、DSP這么多種都是利用傳統的一些架構在加速。

我們已經知道了哪些算法對于處理這些數據非常好用，但是我們在訓練它的時候，在服務器端，我們想得到最好的效能比，比如說同一塊錢，同一瓦電，我訓練出最好的模型，這個時候就會根據需要來選擇，我到底是GPU，還是用多核處理器，我們看到不同的公司選擇了不同的策略，比如說微軟選擇了FPGA，Intel和Google自己設計了ASIC芯片，也有很多公司用了GPU，都是出于它自己的業務，有時候需要強調實時性，有時候需要強調性價比。

我們可以看到這里面，采用傳統一些技術的芯片，各司其職，如果考慮到前端的設備，假如說路上的攝像頭，如果從現在的只是能拍攝照片傳到后面，到能夠在前面自己檢查有哪些人、哪些事兒、哪些車是需要密切關注的，前端一定要有很強的能力，前端就不太適合用那種比較貴、功耗又比較高的處理器，這個時候就是ASIC芯片。

我想現在很多公司，包括我們的創業公司也都在走這條路，在前端用ASIC芯片的方式來加速AI，這些都是AI的加速芯片。但在未來的探索里面，剛才您提到了通用這一點，我們知道現在很多人工智能算法，在處理具體應用的時候，它是用一些已經有的行業數據來訓練，訓練好的模型只能干這么一個事兒，做人臉識別就不能做語音識別，也沒辦法去聽一個歌，給出一個情感分析，都不行。

那么通用芯片，我們是希望它能夠做多種事兒，或者說同時能做多種事兒，這個就需要架構上的改變，這種架構上的改變，希望有新的嘗試，像IBM出的一個芯片的探索，目前來講是世界上最大的單片，能夠融載上億神經元芯片。Intel最近也出了一個芯片，也是一個新的嘗試，這個嘗試的特點是，我們可以允許它在片上同時進行訓練和工作，它就允許你像一個真的大腦一樣，我就在里面持續學習、自學習，這些都是架構上的探索。

我覺得兩個方面各司其職吧，對于這種架構上的探索，可能只有大公司才能搞，因為要花很多錢，而且我們還不缺，什么時候能真的找到這種通用的方法，因為上面還有軟件算法的需要。但是對于具體的領域，我覺得小公司有很多的機會，只要你深挖某一個具體的領域，比如說醫療，不同的病其實有不同的做法，零售、交通、智能家居各個領域都有很多細分的地方可以挖，你可以采用自己的方案，用各種芯片方案，只要很好的解決問題就行了，我覺得大家是攜手共進的。

高欣欣：接下來，我請問一下聯想的芮總，其實我們從PC時代到現在的手機時代，其實設備一直是人和機器智能能力交互的途徑和方式，現在主流的還是智能手機，您覺得我們人機交互的方式未來會發生什么樣的改變嗎？

聯想集團高級副總裁兼CTO芮勇

芮勇：回答這個問題之前，我先要謝謝將門，因為上面坐的這幾位我們都很熟，也都在北京，但有一年都沒見了，大家都很忙，在將門這我們才能見到，所以要謝謝將門。

設備確實是連接人和機器的一個很重要的方面，也謝謝你給我一個機會能插播一個廣告，聯想每年從PC到手機，全球每年都會銷售1.3億臺設備，所以設備是非常重要的。你剛才問的，今后的設備會有一些什么樣的前景。

我覺得一個很有意思的前景就是，設備會回歸自然，回歸自然是什么意思呢？可能你的穿戴設備，你身上穿的衣服，你戴的眼鏡，手上的腕表，這些都會變得非常智能，你不用再去想，這到底是一個我本來就要戴的表還是一個智能設備，我本來就要穿的衣服還是智能設備，它就是隨你而行，所以會回歸自然。

還有一些設備也一樣，除了可穿戴設備以外，還有一些可融于環境的設備，在你的家里面，桌子、椅子、鏡子一樣，你可以想到，如果你每天早上起來刷牙的時候，鏡子告訴你今天的天氣怎么樣，你今天還有什么會，再給欣欣推薦一下你今天下午有這個活動，你穿這個衣服可能會更好看，它是一個隱于環境的功能。

從人和機器交互呢，可能也有幾個大的趨勢，趨勢可能就是從唯物變為唯心，唯物的話，我們之前跟機器做交互，鍵盤、鼠標，我們要敲著鍵盤，拿著鼠標，慢慢的其實我們脫離了這種具體的物體，可能用我們的語音、手勢、觸摸等等。

從唯物到唯心，我們還沒有說到心呢，在講心的話，人的一個腦電加上人的意識，其實這個方面已經在做很多研究了，今后你想的事情可能還沒有動作呢，你的設備已經知道了，他就會幫你做。所以設備是回歸自然，從人機交互來說是從唯物到唯心。

高欣欣：既然要唯物和唯心了，說明設備也要為人所用了。接下來，我問一下孫劍，我們現在看到的人工智能技術，不管是從已知的安防，到大家都相信的未來智能駕駛，現代技術并不僅僅是對于行業的提升，其實它改變了游戲規則，產生了全新的價值。在您看來，我們今天的這些人工智能技術，在哪些行業、場景在相對近的時間，還會對整個行業產生這樣的一個變化呢？

曠視科技首席科學家、曠視研究院院長孫劍

孫劍：因為今天我是代表了創業公司，在座三位院長都是代表大公司，其實在選擇創業的場景上會不一樣，大公司有非常多的優勢，有資源、平臺、核心數據。創業公司要做可能真的要選好這些垂直的行業來做。

我們自己看人工智能落地的行業，有一個很自然的邏輯，哪個行業的數字化程度越高，我們就會去先做哪個行業，最高的就是互聯網，互聯網的話我們在2013年、2014年就做了Face++人工智能開放平臺，把我們核心的CV技術，當時也不知道什么商業模式，把這個技術放到網上，讓開發者來調。

我記得當時在微軟的時候，我們微軟的CEO還專門寫了一封信，你們看有一家公司叫Face++，他們把這個東西放到云上了，我們微軟的云為什么不能有這樣的AI技術呢，這是第一步我們做了平臺。

當然在看行業的話，還有一個行業是非常數字化的，就是金融，金融是幾乎完全數字化的，所以我們Face++的第二個產品是一個Face ID的產品，在線身份認證，這個目前是全國乃至全世界最大的在線身份認證的平臺，這也是數字化非常徹底的行業。

還有一個，我們做CV界的都說安防非常重要，為什么呢？安防經過過去20、30年的積累，基礎建設，幾乎很大程度上的視頻都連在網里面了，數字化存儲，這個行業非常適合AI技術來做，所以安防是CV界的一個非常大的市場。

剛才宋院長也講了AI芯片，其實AI芯片包括一些創業公司大公司，包括我們公司去年也做了智能攝像頭。其實是說，雖然像安防的攝像頭已經連網了，但傳輸速度不夠，像線下新零售這些可能傳不上來，它其實要把計算放在端上，這樣直接就在端上數字化做了，這也是我們非常關注的方向。另外，我們目前也是手機行業人臉解鎖最大的技術提供商。

這些都是我們按照基本的數字化邏輯來選擇行業的。還有一些其他的行業，比如說智能工業，包括機器人。在這些行業，很多需要做設備，不是那么快數字化的。要么不做，要么就是早投入，慢慢做，慢慢建立壁壘，這樣也有一定優勢的。

以上這些就是我們對一家創業公司怎么選擇AI落地行業的基本邏輯。

高欣欣：接下來，我問一下強哥，我們每天在一起都爭論著哪一些是可以真正落地的方式。從你的角度來說，你覺得2018年最值得期待的一些真正的技術落地應用是什么？

將門CTO沈強

沈強：我對2018年有兩個方向的AI應用發展是有所期待的，倒不是說2018就會有廣泛應用，而是說是重要的方向，希望看到更多的發展。

第一個是生成式的AI應用(Generative AI)，怎么解釋生成式的AI應用呢？今天我們的AI應用在很多地方，比如說安防，我們做人臉識別，判斷這是誰，或者說他的形貌具有什么樣的特征，這是我們人頭腦之內一秒鐘想的事兒，是快速的判斷決策。

然而，我相信人工智能會有更大的價值發揮空間。在我們現實的世界里面，本質性的創造價值往往伴隨著我們能創造出一些新的東西，比如說們會建設新的建筑，我們會制造新的機器，我們會編寫寫新的代碼。而人工智能能不能超越我們頭腦一秒鐘思考的邊界，幫助我們來創造一些更加復雜的新成果，能夠在生產力的層面上起到一些推動作用？

生產工具決定生產力，所以生產力的根本推進是要從生產工具開始的，AI能不能作為生產工具，開始進入到我們的行業里面，今兒發揮對各行各業更大的推動作用這是我的一點期許。

與其說期許落地，更不如說是期許這個過程的開始，我希望看到它的啟動，事實上生成式的AI應用已經有一些苗頭了。比如說，空中客車設計飛機隔板的結構，包括機翼的結構，他們有幾十年很豐富的經驗，也有很成熟的參考設計，但他們去年做了一個大膽的嘗試，他們在考慮過去的經驗是不是束縛了可能的想法，是不是存在更好的方法呢？于是他們讓人工智能自動地做一些探索，類似于AlphaGo在一個無窮大的空間里面把約束給到他，結果的確找到了新的結構設計形式。而令人驚奇的是，這個新的結構設計很類似于我們來自于仿生學、生物界的一些動物的骨骼結構，這是一個利用AI進行生成式設計案例。

在我們今天的現實世界里面有很多需要創造的地方，都可以用生成式AI來進行探索。比如：我們想創建一個很漂亮的建筑空間，我們需要考慮人流效率、空氣流通、光照條件、經濟價值等等多方面的綜合權衡，今天我們有很優秀的建筑設計師在以他們的聰明才智和豐富經驗在創造。但是有沒有更好的空間布局？有沒有更好的空間布局？有沒有更高效的人流動線設計？能不能利用人工智能幫助我們突破個人認知的界限，幫助我們創造出更加經濟、綠色、具有藝術感的建筑呢?再擴展開，我們的裝備制造業能不能發展出更加新型的裝備，我們的程序編寫是不是有可能能夠自動開始有一些自動化的工作生成，包括藥物設計探索，以及其他一個一個的行業，都有生成式AI的無窮潛力。

如果人工智能能夠作為生產工具，我們的各個行業將會迎來巨大的變化，我希望2018年能夠出現一些苗頭，讓我們看到改變各個行業未來的期望。

第二個期待是可信的AI，今天無論是智能駕駛，還是金融領域應用廣泛使用深度學習技術，我們還面臨著一些關鍵挑戰，比如說可解釋性問題，或者說黑盒子的問題：人工智能的深度學習對內部的機制，我們現在還缺乏理解和控制力，在一些特別關鍵的應用場景，我們還不能完全信賴它。我們能不能把人的生命托付給一臺自動駕駛的汽車？車廠能不能對由一個不知道其內部機理的深度學習算法控制的機器承擔責任？什么時候該剎車、轉方向盤，這些關鍵決策，我們需要有人工智能，也有很多過去的經驗，基于規則的應用，是具有很明確可解釋性，可信任的決策機制。

如果我們能夠突破這一點，當人工智能變成可解釋的，那么它就具有可信賴的基礎，而可信賴就意味著它能夠被引用到更多的關鍵業務場合，幫助我們做重大的決斷，電網的調度，手術的操作等等很多的領域，這是我最大的兩個期待。

二、人工智能如何賦能各個行業？

嘉賓們在分享了各自對于人工智能發展趨勢的觀點后，又分別就人工智能在行業應用前景提出了自己獨到的講解與看法。

高欣欣：今天既然是一個特別偏技術和行業結合的會，我還想繼續追問行業的問題，我再請問芮總一個問題，其實芮總曾經說過人工智能叫ABCD，但有別于別人說的算法、算力和數學，您加了個B，Business，也就是行業，而聯想其實也深入到了很多的行業。剛才孫劍老師從創業的角度談了，那您又是如何看待技術激活的全新行業呢？

芮勇：過去一年在不同的場合我都跟大家說，要做好一個成功的人工智能系統，真的需要ABCD，A就是算法（algorithm），C就是計算力(computing)，D就是數據(data)，但特別強調要有一個B，B就是和垂直行業相結合，和我們的business要相結合。

如果我們看2016年、2017年是一個人工智能要飛上天的過程，隨便路上找一個人就知道，這是人工智能，AlphaGo又贏了。2018年開始，我覺得可能是一個人工智能要落地的過程，這個落地不是說他不行了，是說要落地，要和具體的垂直行業相結合。

那么，這一次我覺得整個信息技術的發展，可能跟前幾次的變革不是很一樣，不是跟這個行業容易結合，我只是覺得是一個全行業的。人工智能要加上所有的行業，其實可以助力所有的行業進行轉型和升級，粗略算一下有200多個。

有幾個行業特別我覺得挺有意思，一個是醫療方面，互聯網+的時候，其實可能讓我們上網預約變得容易了，但醫生就那么幾個，有人工智能助力的話，比如說它幫你看一下X光，讀一下片子，有的時候比人讀的還準，因為人到下午的時候比較困，人工智能來幫你做腫瘤分析、X光等等。醫療行業是非常好的。

另外，智能制造，我提的智能制造可能是更廣義的，不是生產線上的機器，那是其中的一個部分，更有意思的是說，怎么精準的定義一個產品，這是第一步。

第二步，有供應鏈的管理，我從微軟到了聯想之后才知道，從軟件到硬件巨大的不同就是，軟件里面沒有供應鏈的管理，硬件有供應鏈的管理，一臺設備可能有上千個零部件，你買多了就砸自己手里了，買少了沒有辦法用戶的需求，供應鏈的管理里面很多人工智能的東西可以做。

第三步，整個的生產過程。

第四步，售后服務。我覺得是一個很廣義的智能制造，這里面有人工智能做的事兒太多了，從供應鏈的管理，我剛才已經提到了，有很多能夠用機器學習的算法，加上一些運籌學的東西，如果能把預測的準確度上升1%，那就是幾個億的利潤。

生產線的智能化，包括用AR的眼鏡檢測有問題的產品。做售后服務的時候，其實今天我們都知道，可能人員流失率最高的地方就是售后服務呼叫中心，因為它一年365天，大家打電話來就是那么幾個問題，問來問去還是那么幾個問題，會很煩，因為人不愿意干這樣的工作。這個事情讓AI來做太好了，就這么幾個問題，都解了不就完了嘛，對售后服務的呼叫中心，我覺得人工智能也可以做的非常好。

說到挑戰，我覺得可能有兩個，一個是從人工智能本身的算法上，進入一個新的行業，可能它的數據量剛開始的時候沒有那么多，或者沒有標注，有沒有在小數據和弱標注的情況下開發一個好的算法。

第二個，可能比算法更重要、技術更重要的是說對行業的理解，我前一段時間剛好去訪問了一個做智能交通的公司，他們有一個技術專家，還有一個行業專家，第一次前面的時候，技術專家就跟行業專家說，我有深度學習，我有這個那個，行業專家說你先把500頁的中國交通法拿回去看一看，要不然你做東西一點用都沒有。他說的其實非常非常對。到最后應該是行業引領技術，技術才能真正落地。

高欣欣：既然是技術賦能各個行業，我追問一下曉衛院長，在我們的技術界有一個爭論，當人工智能可以進入到每一個行業，在一個行業有沒有可能有一個通用的解決方案，或者說人工智能能變成一個通用計算呢，這個是不是IBM指的廣義人工智能的概念？

沈曉衛：今天的人工智能或者說在可預見的接下來的幾年，我們可以看到很多企業級人工智能的發生。在這樣一個情況下，我們看到人工智能會從一個比較狹窄的AI，變成一個比較寬泛的AI，這是一個什么樣的概念呢？你看到今天很多人工智能的解決方案，更多的是專注于解決一個非常清楚定義的問題，某一個領域，接下來可能會看到人工智能的解決方案，會解決一個領域甚至跨領域的很多個問題。

在這樣的背景下，我們也以醫療為例，醫療領域的解決方案，可能是為醫院服務，可能是為病人服務，可能是為保險公司服務，可能是為政府服務。比如說為醫生服務，你有可能是做醫療影像、慢性病的管理，你可能是做全科醫生，你可能是做腫瘤分析。

在從技術角度，你可能是用深度學習，用自然語言理解。所以它還是一個非常非常復雜的寬泛的概念，在這樣的背景下，與其說是不是有一個通用的人工智能解決方案，能夠全部處理醫療領域的問題，我倒覺得我們可能更多的需要聚焦在人工智能的模型上，所以模型是基于算法和解決方案之間的。

我們需要構建可以重復使用的人工智能的模型，而這些模型已經被適當的數據進行過訓練，基于這樣的模型，我們又可以構建更復雜、更完備的模型，最終構建人工智能的解決方案。不像今天，我們遇到一個問題，拿到一個算法，拿到數據，進行大規模的數據訓練等等。

這樣就催生出另外一個概念，我們可能要考慮到基于人工智能模型的東西，大家把我們提前構建的、針對某些領域的，甚至是通用的一些可重復使用的人工智能的模型，放在這樣的場景，使得我們的使用者可以拿來使用，這里面當然也包括了這些技術架構的設計，包括了這些人工智能模型本身的安全性等等方面的問題。

高欣欣：接下來我想問一下宋院長，假設我們真的有這樣廣義的人工智能的話，需要什么樣的計算力來支撐？

宋繼強：其實廣義人工智能不一定跟計算力有多高的線性增長，或者指數級增長有關。我們知道現在的天河一號的計算力，超過我們任何一個小芯片，我們也沒有看到那里面長出一個通用智能的技術出來。所以在人腦的工作方式里面，用這么小的一個功耗和短短的時間，我可以處理好多事兒，這是通用人工智能最高的境界，既能夠被用來處理多種事兒，又能夠同時處理多種事兒，這是兩個層次。

現在的深度學習，以及深度的強化學習，是可以被用來處理多個事兒的，但還不能同時處理多個事兒，跟人還是有差別的。

我們又看到，Intel現在芯片嘗試的路線圖上，有嘗試模擬人腦、跟IBM類似的神經芯片，屬于內腦型芯片，也有純粹是提高計算量的ASIC芯片或者多核芯片都有。我們就可以看到，對于某些類型的算法，比如說深度學習，它適合于處理一些視覺的問題，識別人和物體，這種用某種加速芯片來解決是最好的，ASIC就可以。

如果說我要解決一些又有推理，又有一些隱藏的知識，又需要持續不斷地適應的，那可能就放在神經芯片里比較好，而且功耗很低，因為那個可以用異步的技術來設計。所以這兩種如何結合起來，有可能就像剛才曉衛院長說的，有一個AI方案的場景，這里面有軟件模塊、硬件模塊，有些是專門針對某些具體的功能，通過小的ASIC就可以很快搞定，功耗也低。有的也需要配合一些推理，配合一些概率的分析，就像人，人也不總是推理正確的嘛，也有一些概率在的。

這樣就能改造出來，既在某些方面很強，又能夠構造出一種通用適配的能力，我覺得不是光看算力，而多看看架構的變化，各司其職。我們的人腦也一樣，一個簡單的例子，我們去背九九乘法表，不想每次都重新算，而是一下就記住了，都是一些不同的辦法來解決各種問題。我覺得這可能是一個比較合適的思路。

高欣欣：深度學習是現在普遍提到的，那么孫劍老師覺得深度學習是我們的一個終極選擇嗎？有沒有什么技術會替代深度學習呢？

孫劍：最近業余時間在學習平行宇宙的理論，給我的感想就是，我們研究了這么長時間，追求一些大一統的理論，終極理論。但目前是越研究越迷茫，越研究越不清楚到底會是什么。我相信深度學習目前肯定不會是一個終極的方案，但里面的核心思想，比如說分層嵌套的方式來逼近函數，或者用端到端學習的方式來做事情，這些方式可能還會延續很長時間，一直有很強的生命力。

深度學習如果從技術上來說，我們核心研究幾個子問題，一個是這個模型表示能力強不強，我們今天知道隨著神經網絡深度的增加，表示能力很強，我們還研究怎么優化的問題，包括現在有了Intel的CPU、GPU，讓我們的優化問題，能夠在非常大的計算力下解決好，解的不好的是推廣問題，強泛化能力問題。

泛化能力的話，我們一般講有兩種，一種叫弱泛化能力，一種叫強泛化能力。弱泛化能力其實是我們機器學習經典研究的問題，訓練數據和測試數據是同分布的，在訓練數據上能夠做好，八成在測試數據上就能做好，這個東西現在研究已經比較深入了，而且經常做的比較好。

研究不清楚的是，今天神經網絡的模型為什么在很多情況下還能工作的很好，這個還是不清楚的。因為往往模型的參數比訓練樣本還多很多，為什么不會overfit，為什么還可以做，這是要研究的問題。但更重要問題是，剛才像芮總說的像小樣本，弱標記，這些能不能做通用問題，這就是強泛化的問題。

強泛化的問題，包括我們每天工作中遇到的訓練樣本和測試樣本不太一樣，比如說前兩天Uber的車出了問題，包括以前特斯拉的問題，確實有一些樣本以前是沒有見過的，包括我還聽說目前做無人駕駛，為了收集一些難的樣本，拍可能是不行了，找畫家來畫吧。

這是一個深度學習目前面臨的最核心的問題，最亟待突破的問題。大的思路方向怎么做，這可能分短期和長期的做法，長期我們都號稱要做無監督學習，要從世界的觀察中學習。短期的話，我們內部就比較看好元學習（meta learning）基于學習的學習，用另外一個神經網絡或者學習系統，學習已有的系統是怎么去學習的?，F在有很多形式，這個是短期來解決強泛化能力的思路，我們正在做這個方向。

高欣欣：強哥，這么多的大公司在做算力、算法的努力，你覺得這樣的基礎研究在初創公司還有機會嗎？

沈強：我先說結論，我覺得很有機會，為什么這么說？我們來看一個成熟的AI生態系統，它應該具有什么樣的特征，我有3個數字很關鍵：1百、1萬、1百萬。

先說1萬，1萬是說一個成熟的AI生態系統，我們的算力要提升到今天算力的1萬倍。為什么這么說？

一個繁榮成熟的AI生態，必須能支撐海量AI應用的低成本高效率開發。正如移動互聯網的蓬勃興起，一個程序員，一臺電腦都可以開始開發，所以我們才有那么豐富的移動應用生態。再來看典型的AI應用，我可能第一個最容易被轉化為大規模經濟的AI應用是自動駕駛。NVIDIA曾經針對自動駕駛應用開發的計算需求給出了一個報告，一個典型的數據集，包含100輛車，一年的運行數據進行訓練，原始數據幾百個PB，預處理后從100多個TB到400多個TB不等，這樣的一個模型的訓練，根據模型訓練的復雜度，使用當今深度學習算力最強的DXG-1服務器，需要166天到778天的范圍，平均1萬小時。然而我們的移動應用開發，PC應用開發，最頻繁的操作是改代碼、重編譯。當我們對代碼做一些調整重新編譯，可能就是在幾分鐘或者十幾分鐘就能完成。而對深度學習AI應用而言，核心邏輯是放在模型里的，該邏輯改代碼的方式就是調整模型重新訓練，這可比移動互聯網應用的改代碼慢多了。能夠大規模產生豐富應用的前提條件是，我的生產工具要足夠高效，能夠幫助我快速的生成這些東西，所以必須把1萬小時的時間壓縮到1小時級別，這是一萬倍計算能力的提升。

自動駕駛只是第一個規?；腁I應用，我們還指望AI能廣泛的去改造每一個行業呢，這個算力必須提升。

然后說1百，是指一百倍的成本降低。剛才講到的自動駕駛訓練模型用的設備，是一臺NVIDIA DGX-1，價格是80多萬人民幣，而我們，我們做一個移動應用開發，我們只需要一臺Mac或者一臺PC就可以了，是幾千塊錢的，這是1千倍的價格差異。開發設備門檻很低，要不怎么可能有那么多個人開發者投入其中呢？只有個人開發者都有能力投入到這個AI應用開發的時候，應用生態會形成一個大爆發，所以價格要降100倍。

再說100萬，是指AI生態系統里面應用的數量要達到100萬個，才能覆蓋足夠廣泛的場景和需求，穩定的生態格局才會形成。我們看移動互聯網，我們看PC，我們看互聯網，都有這樣的規律。就移動互聯網來說，IOS和安卓今天在移動市場的統治地位很穩定，它的標志性事件是什么？是三國大戰的終結，2013年底，2014年初，隨著微軟收購諾基亞，整個的移動應用市場后面就趨于一個穩定的結構。

在那個時候無論是蘋果的App Store，還是Google的Google Play，上面的移動應用數是多少呢？都是100萬的水平，相同在Windows，在PC年代，它發展到一個很穩固的地位，正好應用數也是在100萬個的水平。

所以1百、1萬、100萬這三個數很關鍵，如果我們把這個作為一個成熟AI生態系統的目標，我們今天還處在AI生態的原始社會，而這樣的一條路徑中有無窮多的可能性。雖然大公司已經做了很多工作，也只是起點，可能的路徑可有很多的選擇。至少眼前有兩條路線：一條路徑是線性發展的迭代過程我們沿著深度學習這條路在做技術上進行不斷的優化，包括算法的演進，像剛才大家談到的弱標簽，小樣本等等也包括算力上，沿著數字電路路線不斷開發新的AI芯片。但可能也有可能能夠突圍的路線是不走尋常路，比如全新的算法不再基于深度學習了，而算力也不再基于數字電路了，而是采用像量子計算、神經擬態計算等其他的路徑。

在這條這么長的道路上，有太多的可能性，太多的分叉，不一定都是大公司的機會，初創公司一定有機會。

高欣欣：通過各位院長、老師的分享，其實都表明了對于技術整個影響和升級行業的信心，接下來的時間要深究很多個行業，讓我們有信心、有耐心迎接美好的未來，謝謝各位老師。

以上就是此次將門年度創新峰會技術高峰論壇的全部內容，各位專家由淺入深地從多個維度去幫助我們回顧和展望了人工智能的過去及未來，相信在大趨勢下，人工智能的落地及發展會正如他們所言，帶給我們前所未有的改變與突破。