圆桌论坛:AI觉醒时代给科技注入生命的力量

2016-04-15 13:06:15

4月15日,由36Kr和IDG资本联合主办的2016中国企业服务峰会在北京举行,峰会主题是“大风口、新企点”,IDG资本创始合伙人熊晓鸽、36Kr联席CEO魏珂、Mobileye GM苏淑萍、360人工智能研究院院长颜水成、IDG资本合伙人牛奎光、金山软件兼金山云CEO张宏江、纷享逍客CEO罗旭、高瓴资本董事总经理李聪亮、华创资本合伙人熊伟铭、西域网CEO叶永清、会小二CEO杨亮、36氪研究院院长朱一璞等嘉宾参与了大会。托比网作为受邀媒体,将全程报道此次盛会。

圆桌论坛:AI觉醒时代给科技注入生命的力量

会议上举行了圆桌论坛,SenseTimeCEO徐立、智车优行CEO沈海寅、Mobileye GM苏淑萍、IDG资本合伙人牛奎光共同讨论了“AI觉醒时代,给科技注入生命的力量”话题,以下为论坛实录(托比网整理,未经确认):

牛奎光:今天很高兴跟三位人工智能的大咖有对话的机会,AlphaGo激发了大家对人工智能的热情,今天有深入技术的代表公司SenseTime 的徐总,有在尝试新应用的智车优行的CEO沈总,还有我们Mobileye中国区的总经理苏总。

我想先请三位自己介绍一下自己公司做的事情,大概用两三句话介绍。

徐立:大家好!我是徐立,SenseTime的CEO,我们做的是人工智能里面的视觉智能,图片现在占了互联网的70%的内容,而对它的理解是人工智能的关键。

沈海寅:大家好!我是智车优行的CEO 沈海寅,一个月前我们也在同一个会场发布了我们的汽车,叫“奇点汽车”,为什么用奇点汽车这样的词呢?因为我们觉得在过去的汽车展现的是它的“肌肉”,所以我们经常叫什么马、什么豹。但是我们认为未来人工智能将会在未来的汽车里面起到非常关键的核心的作用,就像奇点一样,所以我们面向的是未来的汽车,所以我们也希望我们的汽车能够像一个机器人一样,未来为人服务,这是我们的一个目标。谢谢大家!

苏淑萍:各位早上好!我叫苏淑萍,是以色列Mobileye公司在中国区的总经理,Mobileye是在1999年成立于耶路撒冷的公司,我们主要是机器视觉人工智能,说俗一点,很多人说你们公司是做摄像头的,其实只是我们把很多的在开车的时候模拟人的眼睛和大脑,对于路面上的各种目标物进行深别、处理并输出一些判断。在汽车行业,我们的早期的车厂的项目,沃尔沃、通用、宝马都是,我们很高兴向汽车行业的新贵,像特斯拉自动驾驶背后也有我们的技术,自动驾驶后面越来越多地需要人工智能的参与,Mobileye这几年也做了越来越多的工作。谢谢!

牛奎光:今天主要讨论几件事,第一件事,从创业公司的角度来讲,在人工智能的发展过程当中,除了技术上的切入之外,其实它需要很多数据级的训练。我想请两位从数据级的角度上来讲,你们认为从创业型公司来讲,我们在跟巨头或者是叫已经成型的公司来讲,从数据的可获得性上来说,有没有一些什么样的自己的优劣势?我们先请徐立讲一讲。

徐立:好!我觉得最近人工智能能够变得这么热的一个原因,这和我们传统上甚至是十几年前讲的人工智能的概念有一个不同的点,就是目前更多的是基于经验积累性,我们从技术上讲就是数据驱动的人工智能。这些智能代表的是以前更多的是基于专业系统,人工指导智能这个过程,变得不需要太多的人工的参与。以前是人工指导的智能,现在认为是数据指导的智能。

回答你的问题,数据在这里比较关键和重要,像刚才讲的AlphaGo,我们认为这给我们最大的启示是在这种比如说在讲这种经验积累性的问题上,其实人工智能是有一定的优势的。比如说刚才我们讲的无人驾驶等。如果有100辆车在路上开1年的时间,可能就有1000个,我相信在这方面人工智能有一定的获胜之道。关键是这里的数据搜集,从我们公司来讲,小公司的优势是小公司相对可以做成比较中立的平台,如果说能够变成一个中立平台性的公司,可以接入更多的数据源,使得这些来自不同源的数据起到更大的作用。

其次,各种初创公司甚至是2B的公司对企业的服务相对来说更专注一些,所以可以用大数据的方法,把数据额外的价值挖掘出来,为企业提供更好的额外的价值。

牛奎光:所以你的说法是在创业型公司,可以提供更中立的数据使用方式和处理方法。沈总怎么看?

沈海寅:我非常同意刚刚徐总讲的,目前人工智能处于数据驱动的时代,在过去其实它都是靠专家,你编出的程序是什么样的,你处理的水平是不会超过这个程序的。你刚才提出的问题AlphaGo其实每天都在进步,这种进步已经超越人的进步了,我觉得这是目前人工智能的发展方向,我们为什么讲它叫奇点,其实就是指这个方面。像刚才讲的颜教授讲的,从新加坡国立大学回来进入到360,我觉得其实最大的一个方面是在学校科研机构里面,你的数据相对来讲是有限的,但是你在一个商业机构里面,我们可以有非常多的数据来源使用,所以其实这对我们人工智能,包括你的科研也好,在某个场景下的研发也好,或者训练我们的模型都有非常高、非常好的效果,这也是当时我让颜教授来到360的非常大的原因。

我自己创业是在汽车领域,其实我觉得汽车这个领域我们作为一个新兴的创业公司,和原来的传统的车企之间很大的不同点,我觉得可以从宝马的CEO克虏伯说特斯拉的自动驾驶的评价可以看出端倪。特斯拉在推出它的辅助的自动驾驶的功能的时候,宝马的克虏伯就说特斯拉推出的是一个玩具,我们宝马推出自动驾驶要测试到100%安全以后才推出。在这一点上他没有理解人工智能的含义,因为其实世界上已经不像以前我们技术是一个功能的时候,可以测试到100%安全的时候才推出来,但是对于人工智能需要一定的积累,也就是说在硬件平台上可以准备好在一个车上,在很多的车上,在我们量产车上可以把它放出去。但是这个数据的搜集是可以让我们的车主同时完成的,也就是说可以让我们成千上万的车主在不断的运行和平常的驾驶当中,在你完全真实的情况下,通过深度学习的方式,不断提高我们的识别率。

所以说在一个真实的环境下,不断训练我们的模型,这是我们创业公司更愿意或者说更大胆地去做的。把功能逐步通过升级的方式,我们完善一步、升级一步、实现一步,通过这种方式去做,我认为这就相比传统车企更有优势。

像宝马说我有100辆车在做测试,但是你想100个司机、100辆车就算你跑一年,你最多能跑多少?但是如果我们有1万个用户在跑的时候,这个数据的积累完全不是一个量级的。所以我认为在这种情况下,我们反而能突破传统的框束和传统车企给自己套的锁链,能够做更多的事情,我想这也是我们的一个优势吧。

牛奎光:沈总是在用互联网的思维做车,在改进车的驾驶行为、让驾驶更舒适。

第二个问题,数据的可获得性,至少从这个角度上来说,我们可以从中立性,从实际数据的新的思维方式来获得这个数据。在有了这样的一些数据之后,利用人工智能的方式,实施自我学习的时候,其实智能要连在云上,还是在端上就可以做应该就变成了一个挺重要的问题。以驾车为例,很可能这个车有时候会开到手机没有信号的地方,这个时候其实在端上的智能就有自主智能,这件事就会变得比较重要。所以我们也想听一听苏总对这个事情是怎么看的。您认为端上的智能如何实现的,第二是端上的应用中如何有一个比较大的场景的?

苏淑萍:谢谢!我记得在去年开始,我记得去年我被问到Mobileye的自动驾驶和Google的自动驾驶的区别是什么,其实就是您刚才的问题,因为Google主要是从云端着手,Mobileye从自身的终端的角度着手。其实最终是殊途同归的,一定会做到云端跟终端的结合,而不是只用一家就能完成这样的最终的目标。我觉得至少从目前的技术的成熟度和性价比来说,可能增强终端的自身的智能度会比较快速地推动自动驾驶往前走。

举个最简单的例子来说,就像您刚才提到的,如果我没有网络信号,在这种情况下,那么我们的车辆如果要通过一个隧道,像在四川我们知道有大量的隧道,因为那里是山区,在隧道里的时候其实信号都会比较弱,不管是GPS信号还是我们的通信网络都会比较弱。如果你布大量的点在隧道里面也是一个手段,但是这肯定会延缓整个自动驾驶的技术,如果我们的车辆本身具有一定的智能性,能够识别周围的场景,不管是车道还是隔离带,还是前方的车辆或者行人,甚至因为泥石流掉下来的路上的石块。我想这样的话车辆就具有了一定的自主性。

其实我们想象一下,我想在座的绝大多数人都已经是司机了,我们人开车的时候需要网络吗?也许我们需要,我们需要导航。但是我们再往前推20年、50年,车辆早就有了,那时候有网络吗?没有,这时候我们能开车吗?我们照样能开车。所以如果从这样的演进的角度去看的话,其实我们是希望这辆车子把我们人开车的智能的知识转移到车上去,但是最终的结合,因为加上了网络之后,可能我们的系统会变得更有效,可靠性也会更高一些,这是我们的观点。谢谢!

牛奎光:苏总觉得独立很重要,加上云端会更好。

徐总对这个事情怎么看?因为我们SenseTime也是做了很多基于云端的应用,包括一些可能基于终端的思考。你们在实际商业化的过程之中对这个事情是怎么理解的?

徐立:首先我觉得云和端各有各的优势,云的部分分布式的分发但是集中化管理,它对于升级、性能的提升以及可以处理更多的量有更多的优势。而端的方面刚才讲了更便捷,落地更快。从SenseTime提供的业务来看,我觉得云和端的融合是不可逆转的趋势,以后是根本不会有明显的云和端的计算。比如我们做人脸服务的时候,有很大一部分是终端运算的,但是也有一部分在云端上运算的。就像我们很多年前讲我们的软件,比如说QQ有离线的功能,但是现在微信没有离线的功能。我们做服务和开发的时候,大多数情况下不会告诉你它有没有云端,但是在大家不知道的情况下连上了云的计算的这样的透明的计算。我觉得在短时间内,端的方案和云方案是有一个过渡,但是长远来讲必然是在用户不知情的情况下,用最便捷的方式把云和端打通。

牛奎光:云和端不管用什么方式都是计算,刚才两位都讲清楚了。

还有一个问题请教一下沈总,计算资源不管是在端上还是在云上,它目前的成本可能还是一个比较贵的方式。前一阵子NVIDIA也发布了比较贵的人工智能芯片,对于您来讲,您是怎么看待计算资源,尤其是对创业性公司,做人工智能相关的应用过程中的成本的问题呢?

沈海寅:其实我们觉得对于自动驾驶来讲,我们认为安全还是最最重要的命题,所以其实我们的解决方案更多的部分是跑在端上面的,但是对于更多的人工智能,包括它的学习,包括像一些模型的优化、数据的处理都是在云端上进行的,所以这个的确是分实时和非实时的,我们在实时情况下,有些东西必须得在端处理,但是也有些东西,每天积累下来的数据的处理在本地很难处理,可能必须在云端处理。幸好可以借助现在非常发达的4G网络,端和云的结合已经变得越来越顺畅,越来越成为一体了。

这种情况下成本可以分为两块控制,对于比较复杂的,对于实时性要求没有高的服务基本上放在云端。比如说现在我们在做一件事情,其实人的驾驶习惯是因人而异的,大家是不是有这样一个体验?你和你的男朋友或者另外一半去开车的时候,他坐在副驾,经常发现跟你的驾驶习惯不一样,有时候开得离前面的车比较近的时候,旁边的人就抓狂了,你为什么那么近?但是反过来如果跟前面的车保持比较好的安全距离的话,你发现另外一半如果着急的话,说你怎么这么远?所以驾驶安全对人的感受是因人而异的,所以我们会把这种放在云端上去做,会给出我们搜集的不同的人的驾驶习惯以后,会给出一个更好的模型。但在这种模型里面会根据每个人自己的容忍程度做一个调优。

所以这里就会区分在云端做和在本地做的部分。在本地其实大家都知道,的确像NVIDIA推出PS2比较难产,其实还没有量产,其实对于车来讲这个问题比较好解决,对于手机整个的成本比如说2千块钱,甚至千元机,这里的芯片的成本占大头。但是对于一辆车是几万的级别,电子器件在里面站的比例相对小一些,比如说20美金或者30美金,成本上的敏感度没有那么强。其实现在我们在车里面是采用一块芯片不够我用两块,两块芯片不够我用三块的这种方式来做,也包括了比如我们也用一些FPG的芯片做处理。所以我认为这个问题在车上相对来说好一些,我们更多的是考虑到如何优化,在优化以后在本地再通过这种芯片海技术填补这个空白。

牛奎光:关于成本问题我们也听听苏总怎么处理,因为我们一开始从端上来的,而且成本一直是我们产业化过程中考虑的主要因素。

苏淑萍:其实沈总刚才讲的那些话,如果让车厂的人听到,他们肯定很抓狂。

牛奎光:这是两个完全不同的观点。

苏淑萍:是,因为车厂的人说一辆车现在在国内卖得最便宜的也得八九万,往贵了走就没顶上,上百万的车都有。我们觉得里面加个五十美金、二十美金的芯片,对他们来说是毛毛雨,应该是没问题。

沈海寅:现在我们扣成本是按照几块钱来扣的,所以如果这个地方能省一个芯片,就可以省一块钱。

苏淑萍:就像沈总说的,我曾经听到一句话,我自己都很吃惊,他们现在车在做轻量化,如果幼儿园级别的上去多一克对他们都是很大的压力。我觉得相对来说用在消费电子和车上的电子芯片的要求,其实除了成本之外,大家还要去考虑知识方面的要求。

同样,我们的芯片可能在高低温、可靠性、寿命的要求上,可能都跟我们消费电子不太一样的,所以必然会导致同样功能的芯片在车上用,它的价格会相差很多很多。

牛奎光:其实成本问题应该说一直是在技术上非常重要的方面,这也决定了我们从哪些不同的应用去切入,这可能是一个更好的点,这也是我们做突破的过程中一直关注的点。但是不管怎么说,这个地方还是有这个应用在发生变革,有很多变革的机会,包括我们从自然语言的理解上,通过语音的识别上,识别、理解了意图之后,包括眼睛看到的图象、物品,包括驾驶看到的图象上,也就是说其实它有很多很多垂直的应用去切入、积累数据,去不断地扩大自己的规模,从而使得自己的计算成本也被迅速地摊薄。

所以我也想问问三位,从你们的角度来看,有哪些应用的切入点是你觉得比较看好的?

徐立:我们都是做成本相关的东西,而且现在都讲智能+我一直在想这个事情,比如说我们为小米手机、华为手机提供核心的智能模块,但是提到智能方面,智能+手机的手机的价格没有往上升,智能手机智能手机,最后还是一个手机的意义。

咱们说到智能车,其实并没有客户或者用户专注于智能这个概念,所以我觉得这是一个潜移默化的过程,只有大众能够消化带来的额外的价值,那时候才能把额外的这部分通过人工智能带来的更大的便利发挥好。这是我对成本的看法,因为我们正好也是给各个厂商提供服务。

刚才问到应用的问题,其实工业级的应用都非常的广,怎么样判断这是一个热点,我觉得有一个判断的标准,就是这一点既是一个学术的热点,同时又是一个工业的热点。我们是从相对比较学术或者技术的方向来的,如果说它既是一个技术的热点的话,它带来的东西往往是不落地,相对比较远期一些。如果它只是一个工业热点,没有形成一个学术关注度的话,它的技术演进就会非常慢。相反大公司有它的优势,大公司做这件事有它更好的资源、更多的钱投入。但是如果两个都是热点的时候,就说明一种颠覆性的技术正在改变一个行业,而且被这个行业广泛地认可。所以目前我们可以看得到,我们说人工智能深度崛起、各种数据的驱动也好,既是在我们学术上,或者在技术演进方面起到了非常重大的作用,同时它在工业界有巨大的影响。

目前我们看好的带来的第一个变化,以前需要大规模人的问题现在可以通过人工智能来解决,比如我们在金融的有些行业叫互联网金融行业,传统上需要非常多的人做照片的反馈或者身份的验证,现在完全可以通过机器以全自动的方法解决这些问题,而且有些问题上机器的准确率已然可以超过人。带来以前人工比较多的行业,现在也可以逐渐被人工智能所替代,这是我判断的第一个趋势。

牛奎光:在垂直行业的重复性的劳动的人工可能可以被机器替代。

徐立:对,第二个趋势是人工智能可以无中生有,它带来的新的东西是以前人工完全不能做的,现在使得它可能了。比如说我们在安防领域,比如说大家一起讲的公安的抓逃系统、布控系统。全自动的方法以前技术是不成熟的,现在它就创造了一个新的行业契机,使得比如说我们认为的黑名单系统、抓逃系统也好,EIP的认证也好,或者是门禁系统也好,这些以前只能在电影里能看到的现在成为了可能,这是一个契机。

所以我从人脸的角度讲了两大块,但实际上我看到了一块是现有的人工替代,一块是创造新的行业机会,在各个行业都已经开始渗入。

沈海寅:我觉得其实人工智能从某种意义上来讲,现在的确太火了,前段时间我正好在人工智能的会议上跟大家聊,大家都觉得最近有点期待太高,其实我觉得人工智能大家在各种场景,尤其在我们人没有感受到的地方,比如像我们在搜索方面,在金融方面,这个方面它的协作的确是非常大的,其实我们平常在应用评价里面,目前也不要有太高的期望。

对于我们来讲,其实我们不是一个科研机构,我们相对来讲还是把很多技术能够集成进来,去制造一辆能够让用户体验更好的汽车,我们是这样一家企业。在这个领域里,如果很多东西用得太超前以后,反而会让用户挺抓狂的。但是这个方面我们是把一些比较成熟的场景,而且它会提高用户的体验的便捷度的东西导入进来,比如说人脸识别我们是把它用来做汽车的驾驶员的识别。以前的汽车是没有用户的概念的,也就是说这辆车我交给了你,谁去开都可以。现在我们导入了用户的概念,为什么?因为你就算是一个家庭用车的话,可能也会有不同的家庭成员去开,尤其是现在共享经济非常发达的现在,像分时租赁、租车等等业务也是非常风生水起的。在这个里面我们导入用户概念以后,比如说我今天租了这辆车,通过人脸识别知道这个人是贾斯汀,今天我往驾驶为上一坐,我就知道你是贾斯汀,然后就把你在其它地方设定的那些参数,可以无缝通过云端对接过来。通过这种方式给我们的用户提供了更好的体验,不要每辆车过来都要设定座椅的位置,调空调的位置,设定一个我喜欢听的电台等等。所以这些开始的初始化的工作都可以解决掉了。

我们通过这种比较简单的方式,万一我有一定的失败率,比如说我100次里面失败了1次也无伤大雅,大不了自己重新设一下而已。所以我们是通过一种比较渐进的,一种比较保守的方式去做的,可能这是客户可感知的。

更多的人工智能方面还是放在用户无感知的情况下,比如说对用户的习惯的识别,对于通过路面传回来的数据,对于图象识别用法优化等等,这些是用户无感知的,我们在背后做不断的迭代。

牛奎光:其实我听了沈总的这个观点,我觉得特别有感触。我特别赞同现在找具体的应用,可能它在应用上的切入点比人工智能能给它带来的提高,在很多情况下应该是说仔细地把应用研究透,可能给用户带来的价值更大。但是确实是人工智能能够做好一些原来做不了的事情。我们的研究结论也是这样,以后的人工智能在应用里面更多更百花齐放地出现,而不是说由一两家或者几家巨型的公司控制。

对于应用的事情,苏总是怎么看的?包括应用的推进的速度,因为我们经常听到有一些比较激进的说法,正好借着沈总的话题往下说,甚至有的人觉得五年或者十年以后,人类的驾驶会变成FIFA,觉得机器的学习,在有了更多的驾驶时间之后,会变得更稳定。从应用在具体的进步速度上,您怎么看?

苏淑萍:我首先讲一个人工智能的具体应用,是我们现在已经开发完交付使用的一个应用。其实之前Mobileye做及其识别的时候更多的是模式识别,大家都知道模式识别一定要有一个固定的目标物,比如说今天识别车只能识别车,今天识别人就只能识别人,而且是一个类型一个类型去学的。对于我们自动驾驶要求来说就出现一些场景我们是没有办法进行分类的。

举个例子,我们在下雪天,路面所有的标志信息全部都被盖住了,这个时候怎么开车?没有车道线,我们现在做了一个综合路径规划,也就是说让车自己找到这条路怎么去走,这是现在已经发布的一个功能。它是怎么实现的呢?从原理来说跟人的思维是一样的,我们想象一下人在开车的时候,如果今天出门去看外面下的雪把道路上的一些车道线都盖住了,我也看不见了,我怎么开车呢?第一个我先看看路面上有没有印子,有印子我照着别人的印子 开,第二是看前面有没有车,我跟着车开。如果这两个都没有,我看看旁边有没有沟、树、隔离带,把这些信息综合处理之后,自己会找出一条路上。当时我们的场景给客户放的时候,他说我们有一个绿线就小一条小蛇一样,在前面找,我们的客户说这条线一点都不够好看,就在前面抖啊抖,我说你自己开车的时候,能保证很光滑的线吗?真正做到人工智能是模糊的,不是精准,机器在精准度方面远远超过人,这是大家毫无置疑的。但是就是在模糊方面,抖动的方面在搜集各种不同的综合信息做出来的应用,这是我们现在发布出来的基于人工智能的应用。

讲到无人驾驶,其实我一直是属于比较激进派的,在各种场合我都一直是比较激进派的。我觉得从这个行业的发展来说,我有很多激进的观点,最近在不停地得到论证。比如说我记得大概在两三年前,我就被人家问过,说你认为自动驾驶会在多久面世?我的观点是五年之内,包括今天都有很多人不相信。我说的是第一个全自动驾驶的商用车,我一直认为会在五年之内也就是2020年左右面世,热爱自动驾驶的人可以在那个时候买到自动驾驶车,这是我个人的观点。

至于您说到的违法,我认为这是未来必然的,只是一个时间的长短,就像现在高速公路上不让开马车是一个道理。

牛奎光:这个比方很好,对我们挺有启发。因为刚才也提到了“模糊”的问题,有监督学习和无监督学习的两个不同的过程。我不知道从徐立的角度来看,你认为无监督的学习本身需要的人的功能要素不太多,这两个应用前景上,你怎么看?哪一个会更有前途?之前是一个半人工半智能的方法,可能无监督的学习更多的是全智能的自己的学习方法,这个你是怎么看的?

徐立:这个问题相对比较偏技术,我觉得现在中国人工智能或者是世界上的人工智能面临的一个问题,就是结构化的数据采集,其实还是有欠缺。所谓的结构化的数据采集,比如说我们要做无人驾驶,无人驾驶是需要大量的数据做训练的,这些训练的数据到底要采用怎么样的所谓输入数据,对这些数据怎么样进行分类、规划甚至标注,这其实是一个非常大的问题。

回到你刚才说的问题,无监督学习就是可能在不需要对大规模数据进行标注和结构化的同时,已经可以用一种机器自动演进的方式对性能进行提升。所以长远来看,对于大规模的数据来说,无监督学习肯定是一个很好的方向,但是短期来看,如果我们的人工智能需要在一些垂直领域做突破的话,标注化的数据采集以及监督学习,其实是现在的一把通过的钥匙,所以我还是看好监督学习。

沈海寅:我也同意徐总的观点,我觉得在目前这个情况下,可能还是一个初级阶段,因为相对来说我认为包括像我们学习路况信息的时候,虽然你采集的信息可能是原始的数据,但是我们还是要跟高精地图进行比对以后,它才能成为被使用的数据,这要经过一番处理以后才能被利用起来。

苏淑萍:我想说的是一个题外话,机器学习跟我们教育孩子没什么区别,我们在孩子小的时候,作为父母,作为家长,其实我们一定要给他树立一定的原则,这些原则树立好了之后,当孩子十岁、十五岁、十八岁、二十岁之后,他的自我学习的能力会越来越强,而这个时候已经超出你的控制。

牛奎光:今天很高兴跟三位专家来探讨,我也大概总结一下,我觉得可能大家认为第一,从创业型公司从垂直的角度去切入,这个地方容易搜集到数据,而且一开始以监督的方式更多地从理解应用的深度来发展,也是一个很好的形式。这是我今天跟三位交流很有收获的地方,可能在座的有很多是创业者,创业者关心的问题也是这样的,他在大公司的数据和计算能力的压力之下,到底有没有自己的一个机会?我想三位也是给出了很好的答案,这跟我个人的观点还是比较一致的,人工智能在垂直领域去细分和应用还是有很多的机会的。

谢谢三位,也谢谢大家!

长按二维码关注我们