2017年元旦前后出現(xiàn)神秘高手Master橫掃各路圍棋高手未嘗一敗。隨后1月2日晚Google旗下DeepMind正式承認該神秘高手正是重出江湖的升級版AlphaGoai未來發(fā)展方向和趨勢，輿論一片嘩然。1月6日下午ai未來發(fā)展方向和趨勢，騰訊集團副總裁、騰訊AI Lab負責人姚星在騰訊研究院年會上ai未來發(fā)展方向和趨勢，就騰訊在AI領域布局及產(chǎn)業(yè)未來的發(fā)展趨勢進行了主題演講，闡述了其對于AI真實的希望和隱憂。

在姚星看來，AI對中國整個互聯(lián)網(wǎng)都很重要。首先是中國有龐大的互聯(lián)網(wǎng)用戶，每天產(chǎn)生的數(shù)據(jù)足夠多，這是非常大的優(yōu)勢ai未來發(fā)展方向和趨勢；第二是多樣的應用場景，能為AI技術落地提供很多的機會；第三個是人才儲備，雖然國內(nèi)在機器學習上的專業(yè)還比較少，但從整個世界上來看，這個領域的華人是非常多的。所以在人才結(jié)構(gòu)上面，中國有非常好的人才基礎。

不可否認的是，人工智能技術對人類體力及腦力的逐步替代，給各行各業(yè)帶來的變革重構(gòu)。比如，人工智能在金融領域主要應用于身份識別、風險控制與投資決策；智能安防與高清、云技術、大數(shù)據(jù)、感知、物聯(lián)網(wǎng)等技術融合，組成智能化的業(yè)務應用體系；人工智能在提高疾病診斷準確率及藥物研發(fā)效率等方面優(yōu)勢明顯；家電廠商、互聯(lián)網(wǎng)公司和傳統(tǒng)科技巨頭紛紛開始采取戰(zhàn)略結(jié)盟的方式加速布局智能家居市場。

AI概念的興起引發(fā)了資本的競相追逐。全球人工智能投融資規(guī)模在近兩年大幅爆發(fā)， 2015 年已達 24 億美元。 根據(jù) CB Insights的數(shù)據(jù)， 全球人工智能融資交易的筆數(shù)從 2013 年的 196 筆上升到了 2015 年的 397 筆，翻了近一倍；成交金額從 2013 年的 7.6 億美元上升到了 2015 年的 24 億美元，增長超過 300%。同時， 布局較早的人工智能企業(yè)日趨成熟，人工智能創(chuàng)業(yè)快速增加。 流入到初創(chuàng)公司的 E 輪以上融資的資金占比從 2013 年的 7%增長到 2015 年的 21%，另外，自2012年起每年有將近一半的交易是種子和天使輪。

國內(nèi)人工智能領域投資金額、數(shù)量、參與投資機構(gòu)數(shù)量也從 2014 年開始大幅增加，2015年投資總額超過 14 億元。 國內(nèi)獲得投資的人工智能企業(yè) 72%屬于應用類企業(yè)；從技術領域看， 計算機視覺領域的公司占了一半以上。

中金公司認為，可關注 AI 行業(yè)中的技術創(chuàng)新、垂直場景、戰(zhàn)略合作與外延并購。但AI 行業(yè)整體處于起步期， 二級市場仍以主題投資為主。建議關注將 AI 列為公司發(fā)展戰(zhàn)略同時布局持續(xù)落地的公司。但也要注意相關風險，比如：政策發(fā)生變動，政府的扶持力度不及預期；由于人才外流等原因，國內(nèi)的技術升級速度顯著慢于國外；缺乏良好的產(chǎn)品形態(tài)與商業(yè)模式，企業(yè)長期無法盈利；由于需求升級緩慢以及傳統(tǒng)系統(tǒng)集成商把控渠道等原因，人工智能的應用受阻等。

　　申萬宏源證券認為，國內(nèi)的AI公司在深度應用方面大有可為。其將AI應用劃分了5種模式，對應如下：

模式一：生態(tài)構(gòu)建者——全產(chǎn)業(yè)鏈生態(tài)+場景應用作為突破口。以互聯(lián)網(wǎng)公司為主，長期投資基礎設施和技術，同時以場景應用作為流量入口，積累應用，成為主導的應用平臺，將成為人工智能生態(tài)構(gòu)建者（如Google、 Amazon、 Facebook、阿里云等）。

關鍵成功因素：大量計算能力投入，積累海量優(yōu)質(zhì)多維度數(shù)據(jù)，建立算法平臺、通用技術平臺和應用平臺，以場景應用為入口，積累用戶。

潛力A股公司：同花順、東方財富

模式二：技術算法驅(qū)動者——技術層+場景應用作為突破口。以軟件公司為主，深耕算法平臺和通用技術平臺，同時以場景應用作為流量入口，逐漸建立應用平臺（如Microsoft、 IBMWatson等）。

關鍵成功因素：深耕算法和通用技術，建立技術優(yōu)勢，同時以場景應用為入口，積累用戶。

潛力A股公司：科大訊飛、恒生電子。

模式三：應用聚焦者——場景應用。以創(chuàng)業(yè)公司和傳統(tǒng)行業(yè)公司為主，基于場景或行業(yè)數(shù)據(jù)，開發(fā)大量細分場景應用。

關鍵成功因素：掌握細分市場數(shù)據(jù)，選擇合適的場景構(gòu)建應用，建立大量多維度的場景應用，抓住用戶；同時，與互聯(lián)網(wǎng)公司合作，有效結(jié)合傳統(tǒng)商業(yè)模式和人工智能。

潛力A股公司：鼎捷軟件、思創(chuàng)醫(yī)惠、天源迪科。

模式四：垂直領域先行者——殺手級應用+逐漸構(gòu)建垂直領域生態(tài)。以垂直領域先行者為主，在垂直領域依靠殺手級應用（如出行場景應用、面部識別應用等）積累大量用戶和數(shù)據(jù)，并深耕該領域的通用技術和算法，成為垂直領域的顛覆者（如滴滴出行、曠視科技等）。

關鍵成功因素：在應用較廣泛且有海量數(shù)據(jù)的場景能率先推出殺手級應用，從而積累用戶，成為該垂直行業(yè)的主導者；通過積累海量數(shù)據(jù)，逐步向應用平臺、通用技術、基礎算法拓展。

典型代表公司：東方網(wǎng)力、北部灣旅。

模式五：基礎設施提供者——從基礎設施切入，并向產(chǎn)業(yè)鏈下游拓展。以芯片或硬件等基礎設施公司為主，從基礎設施切入，提高技術能力，向數(shù)據(jù)、算法等產(chǎn)業(yè)鏈上游拓展。

潛力A股公司：景嘉微、同有科技、浪潮集團、中科曙光、 ST漢柏、歐比特等

　　另附

　　姚星現(xiàn)場演講實錄：

　　AI：真實的希望和隱憂

○

姚星

各位朋友大家下午好。今天我演講的題目是“AI：真實的希望和隱憂”。什么叫希望，希望就說明大家期待，隱憂說明大家期望過大。

回顧一下互聯(lián)網(wǎng)過去發(fā)展的二十年。實際上，過去的二十年是信息高速發(fā)展的二十年，它經(jīng)過了幾個發(fā)展階段。從發(fā)展的方向上來講，應該是在上世紀九十年代初期，中國第一次連上互聯(lián)網(wǎng)，進入到互聯(lián)網(wǎng)這個大家庭當中。

但是由于當時網(wǎng)絡速度的問題，大部分互聯(lián)網(wǎng)應用還是只限于溝通，溝通解決了很多問題，人不再需要面對面，或者通過傳統(tǒng)的書信方式進行溝通。不論在天涯海角，只要能連上互聯(lián)網(wǎng)，人們總是可以接觸到一些消息。

隨著整個設備傳輸?shù)陌l(fā)展、網(wǎng)吧的興起，網(wǎng)絡速度大幅提升，這時候人們對互聯(lián)網(wǎng)的訴求不再僅僅是消息的傳遞和溝通，更多的是分享。MSN、 Facebook、QQ空間等都是基于分享，人人為我，我為人人，那時候有很多東西都是通過互聯(lián)網(wǎng)來分享的。

隨著隨后的移動時代的發(fā)展，特別是智能手機和智能終端的發(fā)展，你會發(fā)現(xiàn)，最近這五年以來，隨著移動互聯(lián)網(wǎng)高速發(fā)展，人們不再是在特定的時間和特定的地方進行互聯(lián)網(wǎng)連接。以前大家都是在網(wǎng)吧或者工作的地方，現(xiàn)在大家通過手機時時刻刻都能連到互聯(lián)網(wǎng)，所以整個過往的二十年是隨著設備的發(fā)展、產(chǎn)業(yè)的發(fā)展、信息產(chǎn)業(yè)的發(fā)展而演進的。

伴隨著過往二十年發(fā)展，騰訊在過去二十年里做了什么呢ai未來發(fā)展方向和趨勢？實際上在每一個時代，騰訊都有一款重量級的產(chǎn)品。

在最早的溝通時代，上世紀九十年代，我們有了QQ。QQ目前是世界上同時在線人數(shù)最多的應用，已經(jīng)達到兩億人同時在線；在2000年初的時候，QQ空間誕生，目前日上傳照片數(shù)超過五億張，這個規(guī)模如果跟世界上最大的社交網(wǎng)絡Facebook相比，差不多是同一個量級。

然后在移動互聯(lián)網(wǎng)時代，大家現(xiàn)在都知道的一個產(chǎn)品就是微信，這款產(chǎn)品不光是簡單的應用，還是一個超級的APP，它不僅解決了溝通問題，還解決了社交、分享的問題，還包括線下支付、線下打車，甚至醫(yī)院掛號看病，交水電費等等一系列功能都在這一個軟件上面實現(xiàn)。實際上，騰訊的這三款產(chǎn)品在世界上來講都是領先的。

從整個發(fā)展史來看，我們可以看出過往的發(fā)展史是從窄帶到寬帶，到移動互聯(lián)網(wǎng)時代，它猶如生物進化一樣，從早期的單細胞到多細胞到最后的智能。今年來講這個智能會更加的廣義了，不僅僅是智能終端，大家更多討論的智能是AI。

2016年正好是AI發(fā)展六十周年，所以在去年AI也爆發(fā)起來。包括我剛剛在跟很多嘉賓聊的時候說，騰訊是很低調(diào)的。很多人問我騰訊有沒有做AI？怎么從來沒有向外宣傳呢？實際上騰訊有自己的AI部門，從2016年4月份開始，騰訊成立了自己的部門，目前已經(jīng)有30多個科學家，90%以上的人都是博士學歷以上，絕大多數(shù)人都是海外回來。他們都是從世界最頂級學府引進的人才，包括斯坦福、加州伯克利、康奈爾、麻省理工、哥倫比亞大學等等這些學校。

目前在騰訊，我們已經(jīng)組織了一個AI團隊，而且規(guī)模還在擴張。騰訊的AI可能不像其它公司的AI讓人那么了解，比如說谷歌的AI，很多人都知道他們在做圍棋，包括他們出來很多的產(chǎn)品，比如他們的google brain等等；包括像百度，他們有無人車，有度秘等一些產(chǎn)品；包括Facebook，它做了很多圖像上面的東西。但騰訊的AI一直沒有對外宣傳，今天我也跟大家分享一下，騰訊在AI上面的一些考慮。

實際上騰訊的AI主要是基于四個垂直領域，計算機視覺、語音識別、自然語言處理和機器學習，這四個領域基本上涵蓋了當今整個AI基礎研究領域的方方面面，這是四個基礎的研究領域。

然后我們還提出了四個專屬的研究方向，這是結(jié)合整個騰訊公司來進行的。我們提出了內(nèi)容AI，比如個性化推薦，有基于內(nèi)容類的和搜索類的。另外還有我們的社交，包括剛剛說的QQ空間，它也是一個社交平臺，所以在社交AI上面我們會面向于社交的能力去提供AI能力，包括聊天機器人，包括智能助手，都會在這個方向上去研究。

另外一個方向，我覺得是跟全世界其他所有的公司不太一樣的一個AI方向，大家可能會問我，也有做圍棋的AI，但是它只是一個簡單的圍棋，它不會有太多的游戲，但對于騰訊來講，我們會在游戲里面引入更多AI能力，實際上這個想像空間是非常大的。大家試想一下，會不會有一天，LOL 也會有個AI可以參加這種世界競賽，跟人對打。

大家知道現(xiàn)在騰訊有一款很受歡迎的手游叫做“王者榮耀”，如果把這里面的能力提升，是不是可玩性、樂趣性就會更多，對于騰訊來說這一塊也是很關注的。除此之外我們還會提供我們很多工具類的AI，這里面我們就會把這種能力開放出來，包括人臉識別的能力，語音識別的能力，自然語言處理的能力等等，還包括我們在學習平臺的能力。所以說從目前來講，整個騰訊研究AI的基礎領域是四個，然后我們的方向也是四個。

剛剛是講騰訊在過往二十年產(chǎn)業(yè)發(fā)展中的情況，以及我們在AI上面的布局和考慮，更多的是AI的希望，現(xiàn)在我來講一下AI方面的隱憂是什么。

AI不是一個新的概念，發(fā)展了六十年，在這六十年里AI一直有很多的起起落落，在去年突然一下大爆發(fā)了，一直延續(xù)到現(xiàn)在。像從1956年的會議開始，AI這個名詞就開始出現(xiàn)，中間它經(jīng)過了很多起起落落，比較有名的，我相信大家知道，九十年代的IBM打敗了卡斯帕羅夫。IBM也有一款基于知識圖譜的知識問答類的，在危險邊緣的挑戰(zhàn)賽里面取得了冠軍。大家可能記得最清楚的一件事情，還是去年AlphaGo打敗了世界冠軍，韓國的李世石，表明在圍棋這個最古老、最復雜的游戲上面， AlphaGo的智能已經(jīng)超越了人類。

當然整個發(fā)展史里面也有很多技術方面的演進，比較有代表性的就是2006年，在機器學習上面真實的突破，帶來了整個AI在發(fā)展方面極速的提升。為什么這一次AI會讓大家有這么大的期待，或者有這么大的關注呢？我覺得最主要的原因是這一次AI的底層算法，在深度學習上面進行了有效突破。

所以使得這次AI的發(fā)展從2012年開始，整個學習的方法，不像傳統(tǒng)的方法。就跟早期的人類想學飛翔，原來的方法是粘上羽毛，像鳥一樣，真正的飛翔最后的原理是要通過空氣動力學去解決飛翔的原理，這就是深度學習的一個思想。之所以現(xiàn)在能在很多方面、很多應用上面進行突破，實際上本身是掌握了它內(nèi)在的這種方法，而不是表面的方法，所以在這個上面，方法的研究方面我覺得是重要的。

第二個是模型上的提升，剛才我說了，AI的發(fā)展有六十年，機器學習在八九十年代也非?；?，當時有一個叫SVM，它已經(jīng)是非常厲害的一種機器學習的算法。當它達到幾億、幾十億規(guī)模的時候，實際上它的計算能力就會急劇下降，做一個非常復雜的復合函數(shù)去描述這種方式，如果它通過Deep多層連接，它達到一個指數(shù)層倍的關系，描述十億可能我們只需要三層一千個節(jié)點的連接，就能構(gòu)建十億個特征出來。所以從本身來講，模型上的提升也是深度學習的突破。

另外在數(shù)學上面，就是BP問題的解決，反向傳播的問題。在數(shù)學理論上進行反向傳播是一個非常復雜的問題，在神經(jīng)網(wǎng)絡里面當一個東西在傳遞很多層網(wǎng)絡的時候，我們知道當它往回反向收斂的時候，我們都要去逼近最優(yōu)值，但是當層數(shù)太多的時候，會發(fā)生一個梯度消失或者梯度膨脹的問題，通過一些數(shù)學理論，可以很好解決這種問題，所以在數(shù)學理論上面，建立了一個比較好的基礎。

正因為這三方面的優(yōu)勢，使得在AI的浪潮里面，機器學習才會如此火。而且我堅信這次浪潮會持續(xù)很久。在1990年到2000年左右，整個傳統(tǒng)的淺層機器學習的學習方法，有一個下降過程，但是2000-2010年這十年，在方法上面，在模型上面可能都沒有太大的發(fā)展，但突然在2012年左右，微軟研究院最開始在工業(yè)界把機器學習用到語音識別里面去，取得了極大性的突破，急劇又進行提升，所以整個過程機器學習的能力的確是在過往的五年當中，發(fā)展非常快的。

講了很多機器學習的方面，剛剛說的快速發(fā)展，它的方法很好，模型也很好，數(shù)學算法也在突破，但是現(xiàn)狀是什么呢？就剛剛我說的，今天我談的話題是AI期待很大，期待太大了，為什么會這么講？作為一個從業(yè)者，我認為AI上面還是有很多的東西，可能需要提出來，還有很多的局限性。

第一個就是本身深入學習的能力，就是我們說的AI跟人去相比，它有多大的差距。實際上我們發(fā)現(xiàn)現(xiàn)在所有的機器學習的方法，不管這個方法提出來有多么的新，它的學習過程都是要從頭開始學，要把數(shù)據(jù)重新進行一次訓練的過程。但這跟人的學習能力相比確實有很大的差距，人有很多的智能是與生俱來的，就像小孩剛出生，不需要多長時間就知道這個世界是三維的，當你把一個東西放在放在電視機的后面，他知道在電視機后面有一個東西，這些能力是與生俱來的，這個是跟生物的進化是相關的。所以靈長類的動物跟單細胞動物相比，肯定是有與生俱來的能力。但是目前深度學習方法很遺憾，我們不管提出了多么優(yōu)秀的模型，可能都要重新開始學，這跟人的學習能力相比，是一個非常大的缺陷。

第二個就是我們不管有多么好的學習能力，不管有多么好的神經(jīng)網(wǎng)絡模型，它本質(zhì)上的問題還是通過算力，計算能力去解決大數(shù)據(jù)，更多的大數(shù)據(jù)，更大的計算能力去做更好的融合的過程。過往是整個硬件發(fā)展，是順從了摩爾定律發(fā)展，發(fā)展非常之快，但是在未來的更多的參數(shù)下面，我們還有沒有這種能力，達到計算的效果，這要打上很大的問號。

比如說2006年提出來的Alexnet網(wǎng)絡模型，到后面劍橋大學提出來的VGGnet，再到后面谷歌提出來的Googlenet，再到2015年神經(jīng)網(wǎng)絡Resnet，每一次新模型的提出都是把模型的層數(shù)加入更多，神經(jīng)單元更復雜，訓練結(jié)果更長，得出來的結(jié)果也最優(yōu)，但是本身這種方法是不是還能像原來的方法一樣可持續(xù)，這也要打一個很大的問號。另外，如果我們要解決認知的問題，那差距就更大了。人的語言是一個序列問題，這個語言序列問題如果要計算的話，這個算力是無論如何解決不了的。人可以很容易在對話當中，回溯到一個很長時間語句的某個片段的關鍵詞里面，但是在機器里面它卻不一定做到這個，雖然我們也在最早的模型形成到現(xiàn)在長短記憶單元的模型，到后面的帶有注意力的模型，但是總體來講，這種模型的演進都還跟人相比是非常復雜的，是遠不如人的。比如說那天我看到一個對話，是三個人在對話，兩個人在聊，中間聊到去哪兒吃飯，突然有人問太陽呢？聊天者知道這是描述太陽隊的，因為前面很早之前有人在聊，湖人跟快船的話題，突然來個太陽大家就知道，但是機器基本上是沒辦法識別的?！跋奶炷艽┒嗌俅┒嗌?，冬天能穿多少穿多少”，兩句基本上一樣，但是前面去描述，把少給突出來了，后面把冬天多顯出來。

第二個例子我講的是語音識別，我看了一個笑話，語音識別很難搞，“您好，方便面試嗎？”我在重復這句話的時候，我都不知道自己在講方便面試嗎，還是方便面是嗎，的確這是一個非常難的問題。但是人的理念里有很多東西，在進行反問的時候，再慢慢把這個東西帶出來。所以說目前的AI情況，在圖像里面，包括說人臉做的多么厲害，但實際上在很多的約束條件下，正臉不能側(cè)臉去做，就是完全側(cè)臉是完全不可能的，或者說它戴帽子可能也比較難，所以它是在很多約束條件下面，達到了人臉識別。此外，語音識別也是在很安靜的情況下，比如噪音比較小，沒有風噪、車噪的問題，可能機器在聽語音識別的時候會識別出來一個比較好的效果。但跟人相比，這完全不是問題，包括多人的問題，語音跟蹤的問題，所以我剛剛說的AI的感知能力，它跟人基本的能力相比還有很大差距，更別說它在認知方面，在NLP這種語意方面。

所以在整個AI上面，隱憂我覺得是我們期待太高了，我們要回歸現(xiàn)實，AI現(xiàn)在的能力剛剛起來，但是這個趨勢很好。未來AI發(fā)展方向是什么呢？我覺得AI跟人，包括機器學習跟人的能力上面有些差距，怎么去補齊差距呢？第一個我覺得跟人相比要創(chuàng)造，我們現(xiàn)在所有都是基于大數(shù)據(jù)，這些數(shù)據(jù)從何而來，這是非常重要的。這個數(shù)據(jù)現(xiàn)在是傳統(tǒng)的獲得而來，但更多的數(shù)據(jù)是本身能創(chuàng)造出來，包括AlphaGo已經(jīng)在驗證這樣的問題，通過增強學習去產(chǎn)生人類從未下過的棋，這是一種創(chuàng)造數(shù)據(jù)的能力，通過創(chuàng)造數(shù)據(jù)的能力產(chǎn)生更多的數(shù)據(jù)，不一定是人創(chuàng)造了這些，去把這些東西更多的窮盡出來，我覺得在未來，如果在這方面發(fā)展的話，在增強學習方面，我們要進行更多的發(fā)展和突破。

第二個就是舉一反三。什么叫舉一反三，AlphaGo下圍棋能贏世界冠軍，但是它如果改下其他的棋，它的下棋方法就不行了。因為它不會進行推導。當我們驗證大數(shù)據(jù)和一個非常好的效果的時候，我們數(shù)據(jù)量很小的時候，怎么把原來的模型遷移過來，這是非常重要的研究方向。

第三個方向和人相比就是歸納總結(jié)。人是非常能進行總結(jié)的，包括像牛頓的第一定律、萬有引力，都是人總結(jié)出來的，還包括很多公理。但是目前機器學習是沒辦法進行歸納總結(jié)的，它并沒有提煉出公理和定律的關系。所以未來我們要在這方面歸納總結(jié)，特別是深度學習上面，分類問題是有目標去學習的，但聚類問題沒有目標的時候，我們怎么把它聚好。所以在這三個能力上面，我相信這是我們未來在AI上面要進行提升的。

第二個就是在整個數(shù)學理論發(fā)展方向上，剛剛講了很多機器學習通過數(shù)據(jù)方法，從傳統(tǒng)的淺層學習里面，通過統(tǒng)計學的概率論，完備的統(tǒng)計學概率論理論來支撐它，說到求這種函數(shù)極限的問題，我們有很多完備的數(shù)學公式去證明，一定能解決它的問題，但是恰恰在深度機器學習上面，雖然前面我們用了隨機去找局部最優(yōu)，但是它只是一個框架，我們在很多上面，還是一個啟發(fā)式的約束，包括我們的初始化參數(shù)多少，包括我們學習率是多少，這都是有啟發(fā)性的。在未來如果機器學習要繼續(xù)往下走的話，我們在數(shù)學理論上面一定要有強大的支撐，特別是傳統(tǒng)的機器學習，數(shù)學完備型，要遷移到我們深度機器學習上來。

大家知道神經(jīng)網(wǎng)絡的提出，很多來自于原來的腦神經(jīng)學科和生物系統(tǒng)，在這個上面，我相信未來AI的發(fā)展要引入更多，不光是數(shù)學學科、計算機學科，還要引入腦學科神經(jīng)去，因為腦的神經(jīng)結(jié)構(gòu)就是，剛剛我提到了殘差神經(jīng)網(wǎng)絡，已經(jīng)連接腦神經(jīng)的概念了，進行跨層連接，達到一個非常好的效果。我希望未來可能在交叉學科上面，包括剛剛說的生物、腦神經(jīng)，包括哲學都要去引進來，這樣整個AI才能有更多完備型的發(fā)展。

另外一個就是，在當今世界，我覺得是對所有公司來講，對所有人來講，AI都應該是平等的，所以我們一定要開放。比較好的是，在AI領域，當今世界所有的大公司都在做，包括騰訊也會做，我們看到很多例如谷歌的Open，包括FaceBook也Open了非常多的網(wǎng)絡模型，包括現(xiàn)在很火的OpenAI等等這些大的這種機器學習，AI的這種先行者，騰訊在未來也會去進行很多Open，讓更多的人來參與進來，進行模擬測試。未來AI的發(fā)展，我相信第一方面就是在能力上面，要跟人去匹敵的話，要進行提升，第二個是整個學習的完備型，數(shù)學完備，學科完備上要進行豐富，第三個就是所有的這種大的公司，AI的參與者，我們要以更加開放的心態(tài)去面對AI，這才是AI的未來。

聲明：本文言論不代表新財富觀點，也不構(gòu)成任何操作建議。請讀者僅做參考，據(jù)此入市，請自行承擔全部責任。市場有風險，投資需謹慎。文章版權歸原作者所有，如有侵權，請聯(lián)系我們進行刪除。