主持人：刚才已经提到两位演讲嘉宾是来源于人工智能方面非常有影响力的两家公司代表做演讲，下面根据疑问，想从IT界的角度，听听他们对于人工智能波峰波谷发展的认识，以及人工智能新的发展状况，如果在汽车自动驾驶领域应用，到底有一些什么挑战性的问题，以及对于解决挑战性问题的建议，我想从几个方面提问题。

　　第一，人工智能技术非常有用，有60年的发展历史，现在简要介绍一下历程，这对未来的发展有什么启示，特别是对于汽车行业的应用。

　　韦青：人工智能发展历史已经几十年了，关于电脑的概念，计算机在最早出现的时候图灵的测试，就是考虑如何能够用机器的智能减轻人的负担，过去几十年有波峰波谷，其中一个最大的问题就是计算能力、数据能力、算法能力，这几点总不是同步发展，为什么说这次突然一夜之间产生了巨大的突破呢，还是源于过去十几年云计算的算利的基础投入，这么多公司在做，忽然发现原来那些要算很久的算法东西，能够很快把一些模式，把模型演艺出来，这就造成巨大的飞跃。

　　但是也可以看到，发展还是一些最基础的人脸识别、语音识别的突破，现在比较缺的是行业的能力。刚才讲了最基本的能力是会数学、会算法、会有一些入门的知识，但是真正要落地的话，还要进入到行业。进入行业来看，最大的难度就是软件或者算法跟行业知识之间的不匹配，这个实际上是需要行业里面最懂IT，和IT最懂行业的结合，才有可能产生突破。我们认为这方面现在还是一个很大的缺陷，经常会出现双方说的一件事，但是做不出来，能够把这条打通，真正让数学能力为行业发展做贡献，这个还有待于共同努力。

　　主持人：您刚才讲的问题是结合有问题，对于人工智能一些关键的理论问题，或者一些关键的突破点是不是已经通过现在所谓的移动互联大数据可以解决，还是仍然有一些技术、理论亟待突破的点，是不是还存在这样一些问题。

　　我觉得以现在的市场情况来看，所谓人工智能里面有很多领域，比较热门的是机器学习，机器学习被认为可用是学习网络，我认为是很窄的领域，靠这些数据已经产生很好的效果，未来的几年是整个业界靠很窄的领域突破，产生出一些实用的场景，人工智能真正落地，现在这个窄的领域是远远不够的，理论基础像语意的算法和归纳算法，应该还没有真正的本质突破，实际上就是机器里面，通过神经网络的方式，来让现在的数据变得有用。

　　现在我们谈到新一轮人工智能里面，实际上是机器学习的深度学习，像汽车行业大量的应用，是人工智能很窄的领域，这个领域目前看来是比较有效果，可能是对汽车里面局部，但是我的观点，汽车里面还有很多东西要做到智能化要突破，未来仍然是人工智能理论研究的，我们做应用期待的东西，另外希望发出正确的信息，就是可能只是局部的突破，在一些方面可以用，但是在大规模或者深度应用还需要做大量的工作。

　　韦青：实际上为什么强调应用呢？因为再好的技术如果不用应用考验是很难知道怎么发展的，业界不要被现在说的人工智能冲昏了头脑，这是产学研共同发展才能产生出来的，现在这几年人工智能突然火热也是因为在业界忽然发现原来深藏的算法能够帮助我做这些事情，能够代替一些司机，代替一些接线员，未来到底怎么发展，一定是产学研用结合的一种产物。

　　主持人：现在大数据也好，软硬件系统也好，能不能根据现在对于人工智能应用，再给我们汽车行业对于人工智能应用相关人员再科普一下，什么叫做人工智能，什么叫做弱人工智能，什么叫强人工智能，对于汽车的应用定义一下。

　　刘俊峰：我只说两个问题，这么多年跟国际车厂和国内车厂合作和交流的过程之中，这里面有一个典型的决策的缺失，这个决策是决定了车上的系统是不是反人类的，是不是能够与时俱进的，有没有核心竞争力的关键决策。可喜的是现在已经有很多的厂商来专门招聘一些识别或者语音识别、图象识别相关的高端人才了，这是一个好事。

　　当然还需要去做更多跟产业相结合的研究，这个研究目标是要辨清良莠，能够看到哪些是泡沫，哪些能够在车内落地，这个决策也是非常重要的，这是国内厂商正在补的一堂课。

　　第二就是我认为现在大家在谈的多数都是一个弱人工智能，这也是我们真正能够扎扎实实落地的，比较务实，而且短期就能够看到使用效果和产品差异化的变化。

　　举一个例子，比方说现在从雨量传感器到雨刷，自动雨刷都是OK的，有没有跟车灯相关和车窗相关，是完全联在一起想的，为什么不行，是因为这些设备供应商不是一个，毛毛雨的时候就想留一条小缝。
再举一个例子，在导航之中我们在山路中走，导航报前方50米右拐，车灯要不要提前转，还是等你打方向盘的时候再转，有可能右端是盲区，车灯提前打可能让司机更安全，这个信息导航的过程之中已经告诉你了，如果前面转弯下雨，这又是一个场景。这个事值得研究和深化，而且这些场景不难，都是可以去通过数据的学习、场景的打磨，慢慢在实际应用的。

　　主持人：弱人工智能，强人工智能谈的还是有道理的，有能够部分替代人的，人工智能就是机器，能够替代人的功能机器相关的方法，汽车行业的理解，汽车行业应用的语音识别是可以部分替代的，是比较弱的人工智能，真正大幅度提高全人工智能，那个至少在汽车里面是自动驾驶。但是目前来说，我认为可能弱人工智能是在汽车行业阶段比较好的产业化的阶段，强人工智能还是有很大的挑战。
大家公布新一代人工智能2.0，到底特色是什么，特点是什么，汽车行业最容易用起来的技术是什么？

　　韦青：关于前段时间中国人工智能2030文件我仔细研究过了，我觉得里面有一个很大的特点，抓出了一个重点方向，我觉得是两点，一个是对于人才培养的重视，第二对于脑神经学科的重视。现在的人工智能研究方面其实是很窄的，但是很狭窄的方向已经实用了，未来十几年大力投入到现有技术的实用性上去，想寻求真正的突破，必须要在基层的人才培养和脑神经学科，或者计算机的理论。大家还要注意美国国防部投的是什么呢，一个是脑神经学科研究，一个是计算机基础架构的改变，要改变冯诺伊曼架构，变成类似人脑的计算能力，目前还没有什么进展，如果那个方面改变的话，是能从本质上提高计算能力，再加上数据的进步和算法进步，就能够产生新一轮的高峰，现在谈的量子计算，脑基研究和计算机的基础架构，这个是为未来人工智能发展做一个铺垫。

　　刘俊峰：人工智能要上升为国家战略。这里面表现出来几个核心问题，第一是要自主产权人工智能的算法和整个大数据的架构体系，现在很多行业里，已经要求数据不能离岸；第二跟产业应用相结合，很多聚焦的方向，比如说教育、健康、汽车都是非常务实的。

　　从人才培养梯队，到国家相关的国有资本，再到社会资本投入在人工智能产业方向里的激励政策和鼓舞政策，这三点是非常强的政策。

　　实际上人工智能2.0还是实实在在能够让全国人民和全世界人民重新关注的地方，第一就是基于大数据的人工智能，第二就是有条件怎么转换，就是人机混合的人工智能。

　　主持人：第三点是群体智能，我们过去看单独一个智能提在一块的，未来典型的几大大数据群体智能、混合智能。提出这几个字充分体现到，刚才讲的技术突破以后，这样人工智能技术可以用在更实用的地方。

　　最后一个问题，新一代人工智能在汽车领域主要挑战是什么？这样一种在实际应用当中的挑战性的问题，对于人工智能来说可以从哪些方面解决，是否有可能解决？

　　刘俊峰：我重点强调两个：第一个是产业环境和厂商意识，就是原来的汽车系统定义是由汽车厂商主导来定义的，这个过程已经会漏掉很多可能性的一些新产品、新服务定义的机会。而委托方原来的TO1是一个纯硬件的，必须有硬件才能进，但是随着软件和服务在车内的重要性越来越高，这里强调应该是很多地方需要协同软件厂商一起去定义的，而且硬件厂商不是说不想是非常重要，是软件和服务的大载体，要保持效率和效果，还要稳定可靠长期性、一致性。

　　这里面挑战原来定义模式和合作的边界模式，商业模式都要发生变化。

　　第二是数据问题，一个市场看数据看的很重，但是只是一个全体数据的小数据，没有办法去真正反映出来某一个汽车品类通用的性能和通用典型特征和通用问题，这个时候如果每一家都是封闭数据是没有办法形成大行业迭代和提升，我认为这两点是关键，可能现在有影响的，其实核心还是讲的意识问题。

　　韦青：微软并不是汽车行业专家，我们反而能提供另外一个角度，工业化4.0的话题，叫做企业主导效益驱动，我们认为尽管是像微软提供使能技术，真正原动力来源于技术本身，好像随着新兴企业数字型企业有点代替传统企业的势头，我们反而不这么看，一旦传统企业明白过来了，数字化技术怎么用的时候，我们认为真正未来是传统企业自身主导的发起转型，可能有些企业就落伍了，但是真正的厉害懂行业，有数据，有这种存量市场的还是传统企业，如果谈未来的人工智能发展，反而不是这些技术的提供者，应该是技术的使用者，就是传统行业，如果不能够积极主动的去变形自己，也不可以有所为，就会被新兴企业淘汰掉，真正的核心还在于，由企业主导、效益驱动，人工智能还很不完善，有一些比较完善的，也需要让传统企业拿到真正能够为用户提高用户体验，降低使用成本的这些技术，大众化是趋势，而不是企业不需要效益循环就很危险了，这是我们从一个不是行业内的技术提供者的想法。

　　主持人：传统行业和制造业还是很有希望的，讲到我们传统行业心坎里面，可能IT行业里面的传统行业，BAT也会同意。我们看到自动驾驶特别是决策控制系统集成的时候，现在是没有解决的。过去我们对这样一种问题的定义模式不一样，没有把所谓的技术两化融合定义起来，包括一些新的商业模式定义起来，第二可能是协同不够，造成本来问题有一些解决问题的方案，需要多方的合作，包括数据怎么去不基于数据架构底层解决问题，这两点可能还是未来发展问题，是很重要一个方面。我认为还有一个问题本身难度的分析，现阶段就是技术，然后去共同探讨，探讨作为手段，要合作、要大数据。
人工智能的应用是非常重要的，在汽车行业是有前景的！