華為輪值董事長徐直軍曾用輝煌和冷靜來概括目前人工智能存在理論和現實之間的鴻溝：一方面人工智能產業發展“輝煌”——2017年發表的機器學習論文數是2萬篇 / 全球有超過22個國家發布了AI計劃 / 2017年新誕生了1100多家AI startup公司 / 2017年與AI相關的兼并收購金額達到240億美元 / 2017年與AI相關的VC投資達140億美元。

另一方面，人工智能初級階段的“冷靜”同樣引人關注——只有4%的企業已經投資或部署了AI / 只有約2%零售商已經投資或部署了AI / 只有約5%部署的智慧城市中正在使用AI / 2017年只有約10%的智能手機內置了AI / 全球AI人才的供需比僅有1%。

徐直軍認為，要解決人工智能“輝煌”與“冷靜”之間的巨大落差，要從技術、人才、產業這三個方面進行主動的變革。

改變之一：縮短訓練模型的時間——按照目前的技術水平，訓練某些復雜模型時往往需要數天甚至數月，而成功的創新發現往往需要多次迭代，這種訓練速度嚴重制約了應用創新。我們認為，未來模型的訓練要能在幾分鐘、甚至幾秒鐘內完成。

改變之二：充裕經濟的算力——算力是AI的基礎，但目前的算力非常昂貴，是一種稀缺資源。如果說算力的進步是當下AI大發展的主要驅動因素，那么，算力的稀缺和昂貴正在成為制約AI全面發展的核心因素。算力應該是充裕且經濟的，并且這種需求應該盡快實現。

改變之三：人工智能要適應任何部署場景——混合云已經成為企業采用云服務的主要模式，當前的AI主要在云，少量在邊緣，與企業的業務環境的結合有待進一步深入。未來AI將無處不在，要能夠部署在任何場景，并確保用戶隱私得到尊準和保護。

改變之四：更高效更安全的算法——算法是推動AI發展的另一個主要動力，但目前運用的主要算法多誕生于1980年代。隨著AI的廣泛普及，這些算法的不足愈發明顯。未來的算法，要能夠基于更少的數據需求，即數據高效。也要能夠基于更低的算力和能耗，即能耗高效。同時要解決自身的安全問題，并實現可解釋等等，這都是AI全面發展的重要技術基礎。

改變之五：更高的自動化水平——今天的人工智能，自身還需要大量的人工，特別是在數據標注環節，今天甚至還誕生了一個新的職業叫“數據標注師”。有人調侃說，今天的人工智能，是沒有“人工”就沒有“智能”。華為認為，應該大大提升AI自身的自動化水平，比如在數據標注、數據獲取，特征提取，模型設計和訓練等環節，要實現自動化或半自動化。

改變之六：模型要面向實際應用——2018年6月，伯克利大學的助理教授 Benjamin 等發表了一篇題目奇怪的論文《CIFAR-10分類器能否泛化到CIFAR-10》。該論文指出，在CIFAR-10分類器上測試準確度出色的模型算法，卻在作者創建的與CIFAR-10非常接近的另一測試集上出現了偏差，分類識別準確率下降了5-15個百分點不等。這也就意味著，這個模型算法的可用度大幅度下降。由此，可見當前很多優秀的模型算法，更多的是“考試”優秀，還未達到“工作”優秀。未來的模型必須實現工業級的優秀，即滿足工業生產的需要，而不僅僅滿足于測試集上“考試”優秀。

改變之七：模型更新——模型的準確率并非是一成不變的，而是會隨著數據分布、應用環境和硬件環境的變化而變化，始終保持準確率在期望的范圍內對于企業應用是必須的。但目前的模型更新是非實時的，依賴人工周期性的更新，因此是一個半開環的系統。未來的模型要能及時適應各種變化，實時更新，實現閉環系統，保證企業AI應用始終處于最佳狀態。

改變之八：人工智能要多技術協同——每一個通用目的技術，只有與其它技術充分協同配合，才能發揮到極致，創造巨大的經濟價值。AI也不例外，但在目前我們探討AI時，更多的是僅僅聚焦AI本身。AI需要與云、物聯網、邊緣計算、區塊鏈、大數據、數據庫…等技術充分協同，如此才能發揮更大價值。

改變之九：人工智能要成為由一站式平臺支持的基本技能——今天，AI還是一項只有具備高級技能的專家才能完成的工作，成熟、穩定、完善的自動化工具還比較缺乏，獲得一個AI模型還是一個非常復雜，耗時耗力的事情。華為認為，應該有一站式平臺，提供必需的自動化工具，讓AI應用開發更容易，更快捷。從而，使AI成為所有應用開發者甚至所有ICT技術從業人員的一項基本技能。

改變之十：以AI的思維解決AI的人才短缺——AI人才的短缺，特別是數據科學家的缺乏，一直是業界顧慮較多的一個制約因素。而且我們認為，數據科學家將永遠是稀缺的。解決之道應該是，以AI的思維解決AI的人才短缺。通過著力發展智能化、自動化、簡單易用的AI平臺和工具服務，以及提供培訓教育，培養大量的數據科學工程師，使他們能完成大量基本的數據科學相關工作。通過這些大量的數據科學工程師與數據科學家和各領域專家相互配合的梯形結構，來解決AI人才稀缺問題。