2014年，东京，冬，记得，那是他第一次约我。我等了很久，他都没有出现。后来，他说，对不起，项目时间太紧了，走不开，以后我一定再带你去......东京天空树时间在沙漏的轮回中悄然流逝，花开花又谢，一年又一年，我们还是没有去成。我想他大概是忘了。今天，他突然说，我们去东京天空树吧！有些惊讶，原来，他一直都记得。他领着我来到天空树340米处的观望台，对我说：亲爱的，对不起，时隔多年，才带你来，你我之间的约定，我一直记在心里。今天带你来就是想与你一同见证这历史性的一刻，我参与研发的5G终于在东京天空树上测试成功，我们终于实现了5G毫米波远距离的高速数据传输！华为与日本移动运营商NTT DOCOMO在东京天空树进行了5G测试，5G 28GHz基站部署在340米高的东京天空树观望台内。信号穿透玻璃产生10dB的损耗，仍然能够覆盖到1.2公里的远处，并达到4.5Gbps的网络下行吞吐率和1.55Gbps的上行吞吐率。在本次测试中，华为提供5G核心网、5G基站、5G毫米波终端构成的端到端网络系统。华为5G基站支持Massive MIMO与波束赋形等关键技术，成功实现了毫米波的远距离数据传输。位于340米高的东京天空树5G 28GHz毫米波基站远距离高速数据传输测试天空树华为5G基站，一睹“高富帅”的风采12月8日，日本著名歌手Che’Nelle在天空树现场演唱，通过5G网络“5G Networt Live”实时传输到浅草寺繁华的商业区远看天空树夜景，测试与现场演唱会进行中...瞧，那么多人冒雨围观5G网络传输的演唱会，听说登一次天空树2000日元，那位大叔，一定有赚到了的感觉！另外，基于5G网络，华为与NTT DOCOMO还进行了真实5G全息视频通话业务演示，体验者使用接入5G网络的微软Hololens头盔，和远端另一方进行全息视频通话，沉浸式的体验过程流畅清晰无卡顿。让人们体验到“远在天边，近在眼前”的极致业务体验。华为与运营商联合开展创新与测试，成果卓越。回顾华为与DOCOMO合作历程，早在2015年3月，华为与NTT DOCOMO签署5G战略合作备忘录。双方将在中国和日本开展5G的外场联合测试，共同验证新空口基础关键技术，同年10月双方在中国成都成功进行世界首个Massive MIMO（多用户多入多出）大规模5G新空口外场测试；C波段领域，2016年11月，双方在5G C波段大规模外场测试取得重大突破，平均总吞吐率达到11.29Gbps，单向用户面时延低于0.5ms；2017年11月，在日本横滨港未来21地区，NTT DOCOMO和华为使用工作在4.5GHz频段（C-Band）下的5G宏站系统，完成了高可靠性低时延外场试验，成为全球第一个基于3GPP NR（New Radio）标准成功使用4.5GHz宏站的URLLC外场测试；毫米波领域，在2017年6月，第三届东京湾全球5G峰会期间，华为联合NTT DOCOMO首次完成基于3GPP 5G新空口的39GHz高频技术测试，实现了三方实时4K高清视频会议。本次测试所用5G高频可达到公里级的覆盖以及Gbps级的网络峰值速率；2017年11月，NTT DOCOMO与华为联合展示了日本首个5G毫米波CPE的端到端5G网络上。本次天空树的5G外场测试是华为与NTT DOCOMO在5G毫米波的关键创新实践，将为推动5G技术的发展打下坚实基础。华为5G产品线副总裁甘斌表示：“远距离的高速数据传输是5G毫米波技术的一大挑战。华为与NTT DOCOMO合作成功演示了5G毫米波的远距离数据传输。双方在5G领域取得突破性进展，为5G网络的发展打下了坚实的基础。本次演示的成功让我们更加坚信，未来5G商用的目标能够实现。”2025年，我们约定再去一次东京天空树，好吗？更多信息，请关注华为5G+X 联创营：https://developer.huaweicloud.com/techfield/5g.html5G云市场：https://marketplace.huaweicloud.com/markets/5GtoB/AI云市场：https://marketplace.huaweicloud.com/markets/ai/机器视觉云市场：https://marketplace.huaweicloud.com/markets/holosensstore/index.htmlIOT云市场：https://marketplace.huaweicloud.com/markets/iot/混合云云市场：https://marketplace.huaweicloud.com/markets/hcs/鲲鹏云市场：https://marketplace.huaweicloud.com/markets/kunpeng/

你相信吗？未来某一天，人们不再需要学开车，甚至不用买车，汽车将会变身“自动驾驶舱”，你只需要在共享平台上输入目的地信息，一辆自动驾驶舱就会出现在你面前，一路畅通地将您送达。也许，习惯了堵在上下班路上的你很难想象，未来的汽车能变得这么“聪明”，然而这一天，正在接近。未来“在路上”将是怎样的体验？在迈向智能社会的过程中，汽车行业也受到数字技术的渗透。据世界经济论坛预测，到2025年，装车事故会减少9%，人们支付的保险费可降低5%。迈进智能驾驶时代，V2X将会让车辆更安全；AI司机不会酒驾，也不会感到疲劳。端：汽车会变多“聪明”？汽车的智能传感相关部件，负责采集获取车辆的运行信息，感知车辆行车状态的周围环境；能支撑车内通信、车与车通信、车与路通信、车与基础设施通信。随着基础传感器、人工智能、图像处理、语言识别、深度学习、车载操作系统等领域的不断推进，车辆走向智能将是必然。管：什么样的网络才能支持？一辆智能汽车每秒产生的数据可达1GB，这就需要在一秒内将1GB数据同步传输到云端，以便实时掌握车辆运行状态。而唯有5G能同时满足这些条件：大带宽：10Gbps的峰值速率低时延：1毫秒高可靠性：99.999%高精度定位云：一切皆服务车联网是智能交通系统的基础，其生态链包括内容提供商、软件提供商、设备供应商、电信运营商、汽车厂商和用户。试想，假如有天，不管是烈日当头还是寒冬腊月，当你上车之前，你身上的可穿戴设备已将你的心跳记录、体温报告给汽车，汽车提前打开空调，调节到合适的温度...这一切服务都将通过联接，在云端交互完成。2025年，人们将会在工作和生活的方方面面，感受到全联接世界所带来的美好。更多信息，请关注华为5G+X 联创营：https://developer.huaweicloud.com/techfield/5g.html5G云市场：https://marketplace.huaweicloud.com/markets/5GtoB/AI云市场：https://marketplace.huaweicloud.com/markets/ai/机器视觉云市场：https://marketplace.huaweicloud.com/markets/holosensstore/index.htmlIOT云市场：https://marketplace.huaweicloud.com/markets/iot/混合云云市场：https://marketplace.huaweicloud.com/markets/hcs/鲲鹏云市场：https://marketplace.huaweicloud.com/markets/kunpeng/

在Alphago与韩国围棋选手李世石对战获胜三年过后，一些迹象逐渐显现，张钹院士认为到了一个合适的时点，并接受了此次的专访。深度学习目前人工智能最受关注的领域，但并不是人工智能研究的全部。张钹认为尽管产业层面还有空间，但目前基于深度学习的人工智能在技术上已经触及天花板，此前由这一技术路线带来的“奇迹”在Alphago获胜后未再出现，而且估计未来也很难继续大量出现。技术改良很难彻底解决目前阶段人工智能的根本性缺陷，而这些缺陷决定了其应用的空间被局限在特定的领域——大部分都集中在图像识别、语音识别两方面。同时，在张钹看来，目前全世界的企业界和部分学界对于深度学习技术的判断过于乐观，人工智能迫切需要推动到新的阶段，而这注定将会是一个漫长的过程，有赖于与数学、脑科学等结合实现底层理论的突破。作为中国少有的经历了两个人工智能技术阶段的研究者，张钹在过去数年鲜少接受采访，其中一个原因在于他对目前人工智能技术发展现状的估计持有部分不同看法，在时机未到之时，张钹谨慎的认为这些看法并不方便通过大众媒体进行传播，即使传播也很难获得认同。一、“奇迹并没有发生，按照我的估计，也不会继续大量发生”经济观察报：您是如何估计和评价目前人工智能发展的现状？张钹：这一轮人工智能热潮是本世纪初兴起的。首先是出现在学术界。学术界过去对人工智能是冷遇的，但是多层神经网络的出现带来了一些改变，神经网络的理论在上世纪50年代就有了，但是一直处于浅层的应用状态，人们没有想到多层会带来什么新的变化。真正引起大家注意的就是2012年斯坦福的实验（注：2012年谷歌和斯坦福利用多层神经网络和大量数据进行图像识别的实验），过去实验的图像样本数最多是“万”这个级别，斯坦福用了1000万，用多层神经网络来做，结果发现在人脸、人体、猫脸三个图像类别中，这个模型的识别率大概有7%-10%的提高。这给大家非常大的震动，因为通常识别率要提高1%要做好多努力，现在只是把层数增加了，竟然发生两大变化，一个是识别率提高这么多；第二个是能处理这么大数据。这两个变化给大家非常大的鼓舞，何况在2012年之前，人工智能没有解决过实际问题。经济观察报：这种突破的原因是什么？张钹：现在分析下来是三个原因，大家也都非常清楚了，一个大数据、一个是计算能力、一个是算法。认识到之后，一夜之间业内业外对深度学习都非常震动，然后就发生了三件历史性的事件。第一件事是2015年12月，微软通过152层的深度网络，将图像识别错误率降至3.57%，低于人类的误识率5.1%；第二件事，2016年微软做的语音识别，其词错率5.9%，和专业速记员水平一样；第三件事：Alphago打败韩国围棋选手李世石。通过人工智能，利用深度学习、大数据这两个工具，在一定条件下、一定领域内竟然能够超过人类，这三件事情给大家极大的鼓舞。特别是对于业外的人，都认为我只要掌握了大数据，利用深度学习说不定还能搞出奇迹来，于是大家做了很多很多预测，比如在多短时间内计算机会在什么事情上能超过人。但实际上，在这个之后，奇迹并没有发生，按照我的估计，今后也不会大量发生。准确一点说，今后或许会在个别领域取得进展，但是不会像之前预计的那样全面开花。特别是中国市场乐观的认为“中国市场大、数据多，运用又不受限制，所以将来奇迹一定会发生在中国”。结果很多企业在做的时候发现，不是那么回事。从目前的情况来看效果最好的事情还是这两件：图像识别、语音识别。我看了一下，中国人工智能领域20个独角兽30个准独角兽企业，近80%都跟图像识别或者语音识别有关系。经济观察报：为什么会出现这样的情况？或者说在这么长时间后，我们对人工智能目前能做什么有一个清晰的认识了吗？张钹：人工智能在围棋上战胜人类后产生了这种恐慌，“大师才能做的事，人工智能居然能做，我的工作这么平凡，肯定会被机器所替代”。这里需要考虑一下它的局限性，我一直在各种各样的会上谈到不要过于乐观。人工智能能做的那三件事（语音识别、图像识别、围棋）是因为它满足了五个条件，就是说只要满足了这五个条件，计算机就能做好，只要有任何一个或者多个条件不满足，计算机做起来就困难了。第一个是必须具备充足的数据，充足不仅仅是说数量大，还要多样性，不能残缺等。第二个是确定性。第三个是最重要的，需要完全的信息，围棋就是完全信息博弈，牌类是不完全信息博弈，围棋虽然复杂，但本质上只需要计算速度快，不要靠什么智能，可是在日常生活中，我们所有的决策都是在不完全信息下做的。第四个是静态，包括按确定性的规律演化，就是可预测性问题，在复杂路况下的自动驾驶就不满足这一条；实际上它既不满足确定性，也不满足完全信息。第五个就是特定领域，如果领域太宽他做不了。单任务，即下棋的人工智能软件就是下棋，做不了别的。经济观察报：就是说在满足这五个条件的前提下，目前的人工智能是胜任部分工作的？张钹：如果你的工作符合这五个条件，绝对会被计算机替代，符合这五个条件的工作特点很明显，就是四个字“照章办事”，不需要灵活性，比如出纳员、收银员。如果你的工作富有灵活性和创造性，计算机绝对不可能完全代替，当然部分代替是可能的，因为其中肯定也有一些简单和重复性的内容。如果认识到这一条就会认识到人工智能仍处于发展阶段的初期。不是像有些人估计的那样“人工智能技术已经完全成熟，而进入发展应用的阶段”。二、“深度学习技术，从应用角度已经接近天花板了”经济观察报：我们应该怎么去定义目前的深度学习技术路线，它是基于概率学的一个事物吗？张钹： 现在的深度学习本质是基于概率统计 ，什么叫做概率统计？没有那么玄，深度学习是寻找那些重复出现的模式，因此重复多了就被认为是规律（真理），因此谎言重复一千遍就被认为真理，所以为什么大数据有时会做出非常荒唐的结果，因为不管对不对，只要重复多了它就会按照这个规律走，就是谁说多了就是谁。我常常讲我们现在还没有进入人工智能的核心问题，其实人工智能的核心是知识表示、不确定性推理这些，因为人类智慧的源泉在哪？ 在知识、经验、推理能力，这是人类理性的根本。 现在形成的人工智能系统都非常脆弱容易受攻击或者欺骗，需要大量的数据，而且不可解释，存在非常严重的缺陷，这个缺陷是本质的，由其方法本身引起的。经济观察报：就是说通过改良的方式无法彻底解决？比如我们再增加神经网络层数和复杂性或者再提升数据的量级，会解决它的缺陷吗？张钹： 改良是不行的，深度学习的本质就是利用没有加工处理过的数据用概率学习的“黑箱”处理方法来寻找它的规律，这个方法本身通常无法找到“有意义”的规律，它只能找到重复出现的模式，也就是说，你光靠数据，是无法达到真正的智能。此外，深度学习只是目前人工智能技术的一部分，人工智能还有更大更宽的领域需要去研究，知识表示、不确定性处理、人机交互，等等一大片地方，不能说深度学习就是人工智能，深度学习只是人工智能的一部分。一直到去年人工智能大会交流的论文还是三分之一是机器学习方面，三分之二是其他方面。经济观察报：学界在这上面还是有一个比较清晰的认识？张钹： 我可以这么说，全世界的学界大多数有清晰的认识； 全世界的企业界大多持过于乐观的估计。为什么出现这样的情况呢？因为从事过早期人工智能研究的人，大多已经故去或者年老，已经没有话语权。现在活跃在人工智能研究第一线的都是深度学习、大数据兴起以后加入的，他们对人工智能的了解不够全面。经济观察报：如果说每一个技术路线都有一个“技术潜力”，那么在深度学习方面，我们已经把这个潜力用了多少？张钹： 科学研究是很难精确估计的，但是深度学习如果从应用角度，不去改变它，我觉得已经接近天花板了，就是说你要想再出现奇迹的可能性比较小了。经济观察报：那基于此，目前商业公司在底层技术和产业应用上还是有很大的空间吗？张钹：只要选好合适的应用场景，利用成熟的人工智能技术去做应用，还有较大的空间。 目前在学术界围绕克服深度学习存在的问题，正展开深入的研究工作，希望企业界，特别是中小企业要密切注视研究工作的进展，及时地将新技术应用到自己的产品中。当然像谷歌、BAT这样规模的企业，他们都会去从事相关的研究工作，他们会把研究、开发与应用结合起来。经济观察报：有一种观点认为我们强调的“白盒”（可理解性）它实际上是从人的思维来强调的，但是通过大数据、概率统计工具离散到连续的投射，它实际上是机器的思维，你不一定需要它给你一个解释，只要正确的答案就可以了？张钹： 目前有两种意见，一种观点认为智能化的道路是多条的，不是只有一条路能通向智能，我们通过自然进化产生了自然智能，那么我们为什么不能通过机器产生机器智能？这个智能和自然智能不会是完全一样的，条条大路通罗马，我们通过自然进化获得的智能也不见得是最佳的。这个观点我赞成，机器智能与人类不相同，其实是有好处的，恰恰可以互补，发挥各自的长处。但是从长远来看，必须得走人类智能这条路，为什么？因为我们最终是要发展人机协同，人类和机器和谐共处的世界。我们不是说将来什么事情都让机器去管去做，人类在一边享受。我们要走人机共生这条路，这样机器的智能就必须和人类一样，不然没法共处，机器做出来的事情，我们不能理解，我们的意图机器也不知道，二者怎么能合作？经济观察报：就是必须具有可解释性？张钹： 是，就是可解释性，你要它做决策，你不理解它，飞机就让它开，谁敢坐这架飞机？所以目前的阶段，车和飞机还是不能完全让机器开的。为什么司机坐在上面我们放心？因为我们和他同命运，要撞死一块撞死，机器和你可不是同一命运，它撞不死，你撞死了。有的人非常脱离实际的去想这个问题，这是不对头的，人类怎么会去那样发展机器呢（注：指把人类的命运全部交给机器）？人类不会去那么发展的，有些人在那边担忧什么机器人统治人类，我说这最多只能算远虑。经济观察报：所以图灵的论文中也说这种观点“不值一驳”。张钹： 是，那是远虑，我们目前还有很多近忧，发展人工智能必须要考虑安全问题，这已是现实问题。你看语音合成，利用现有的技术可以做到以假乱真，和真人基本没有差别。现在看来这种技术不能推广应用，因为一旦推广就全乱套了，只要搞一段用语音合成技术做成的假录音，就可以让任何一位名人身败名裂。这些都是非常危险的技术。人工智能的治理已经提到日程上了。三、“我们培养不出爱因斯坦、培养不出图灵”经济观察报：一种观点认为中国有更多的数据和更多的工程师，这种规模能倒推带来基础研究层面的突破或者决定技术的路线？张钹：这里混淆了好多概念，科学、技术、工程。科技水平需要三个标准来衡量，一个是科研水平、一个是技术水平、一个是工程实践能力，或者产业化能力。我们中国什么情况？从工程角度来看，在一些领域我们“接近世界水平”；技术水平我用的词是“较大差距”，因为不少东西还是外国会做我们不会做；科研究领域我用的词是“很大差距”，科学研究就是原创，实际上，所有人工智能领域的原创成果都是美国人做出来的，人工智能领域图灵奖得主共十一人，十个美国人，一个加拿大人。经济观察报：数据显示中国在人工智能领域的论文发表量和被引用次数都已经进入前列位置，这是否说明中国人工智能科学研究领域的突破？张钹：如果单从论文来看研究水平，基本反映在三个指标上：数量、平均引用率、单篇最高引用率。拿人工智能来讲，中国研究者论文的数量和平均引用率都还不错，但是单篇最高引用率和世界差距就很大，而这个指标恰恰是反映你的原创能力。也就是说深度学习这个领域，我们的平均水平达到世界水平了，但是最高水平和世界差距还是很大的。不过还是要肯定的，我们应用上发展比较快。经济观察报：清华在这方面有什么优势吗？张钹：在人工智能重要的会议杂志上，这十年期间论文数量、平均质量CMU（美国卡耐基梅隆大学）排第一，清华大学排第二。我们培养的人，在计算机这个领域，清华的本科、博士生都是世界一流的。目前我们的跟踪能力是比较强的，一旦有人起个头，我们能迅速跟上去。但是很可惜，我们缺乏顶尖人物，也培养不出顶尖的人才，如爱因斯坦、图灵等。我个人认为原因之一，可能与中国的文化有点关系，我们的从众心理很严重，比如在人工智能领域，深度学习很热，发表的论文作者中几乎70%是华人，但是其他非热门领域，包括不确定性推理、知识表示等几乎没有华人作者。这就是从众扎堆，不愿意去探索“无人区”。当然也不要着急，科学研究本来就是富人干的事情，是富国干的事情，我们还是发展中国家，科学研究起点比较低，暂时落后是难免的，我们会迎头赶上。四、“低潮会发生，但不会像过去那样”经济观察报：如果说深度学习已进天花板，那么人工智能未来的前进方向将会在哪？张钹：最近我们准备提出一个新的概念，就是第三代人工智能的概念，人工智能实际上经历过两代，第一代就是符号推理，第二代就是目前的概率学习（或深度学习），我们认为现在正在进入人工智能的第三代。原因很明显，第一代、第二代都有很大的局限性。经济观察报：你所说的第三代人工智能技术是有明确的实现方向或者特点吗？张钹：我们现在提出的是要建立可解释、鲁棒性（注： 可以理解为稳健性）的人工智能理论和方法，发展安全、可靠和可信的人工智能技术。经济观察报：这样的技术可能要等很久？张钹：是啊，很难预计，我们也很着急。经济观察报：是不是还得回归到数学等理论层面里再去找新的方法？张钹：这个目前我们有两条路，一个是和数学结合，一个是和脑科学结合。你想想如果没有新的数学工具，没有来自于脑科学启发下的新思路，哪来的新理论？另一方面是要把数据驱动和知识驱动结合起来，因为通过数学、脑科学上寻求突破是比较艰难的，前面这件事现在则完全能够做。经济观察报：这个结合是指之前几十年人工智能的经验统合到一块？张钹：是的，至少有一个方向就是要把第一代和第二代结合，利用各自的优势。但是这两个结合很困难，因为他们在不同空间中操作，一个是向量空间，一个是符号空间，也需要有新的数学工具的加入。经济观察报：看人工智能历史，每一代技术之间有很长的间隔期，第三代人工智能技术也会这样吗？张钹：我认为会更长，因为需要攻坚，因为遇到的问题更困难。经济观察报：会不会再过10年、20年，人工智能在学界或者公众心中，又变成一个“隐学”，就像70、80年代那样，大众又不会再经常提起来这个词？张钹：低潮会发生，但不会像过去那样，原因在哪？因为有大数据、互联网和强大的计算资源，这些都会支撑人工智能继续走下去，尽管有的时候还只是表面上的繁荣。 附： 在2018 全球人工智能与机器人峰会上，清华大学人工智能研究院院长张钹院士做题为“走向真正的人工智能”（Towards A Real Artifitial Intelligence）的大会报告。以下为报告全文，供大家学习交流。张钹院士：走向真正的人工智能我今天要讲的中心思想就是：我们现在离真正的人工智能还有一段很长的路。为了讲清这个思想，我必须回答下面三个问题：第一，什么叫做真正的人工智能？我们的目标是什么？第二，为什么我们需要真正的人工智能？第三，我们如何走向真正的人工智能？我现在回答这三个问题。首先我们如何评价目前人工智能取得的成果，我们的评价很简单，针对这 5 件事：第一是深蓝打败人类国际象棋冠军；第二是 IBM 在电视知识竞赛中打败了美国的前两个冠军，这两件事是一种类型，后面的三件事是另外一种类型；即 2015 年微软在 ImageNet 上做图象识别，它的误识率略低于人类。还有百度、讯飞也都宣布在单句的中文语音识别上，它的误识率也略低于人类。还有一个是大家非常熟悉的 AlphaGo 打败了李世石。这 5 件事情都是机器在一定的范围内超过了人类，我们如何来评价这 5 件事？大家一致认为这 5 件事之所以成功，是由于前面三个因素，一是大数据，二是计算能力提高，第三是有非常好的人工智能算法。这三个因素大家都讨论得非常多了，没必要我再来说，我现在要说的最后一个因素是被大家所忽略的，这个因素是说，这所有的成果必须建立在一个合适的应用场景下。这 5 件事虽然领域很不一样，但是它们都满足完全一样的条件，或满足下面的 5 个限制，首先你必须有丰富的数据或者丰富的知识，如果这两件东西没有，或者很少，你不用来谈人工智能，因为你无法实现无米之炊。人工智能唯一的两个资源，一个是数据，一个是知识。还有确定性信息、完全信息、静态的、单任务和有限领域。这 5 个条件里面任何一个条件不满足，现在的人工智能做起来就非常困难了。大家想想这 5 个限制条件下的应用场景是什么样的应用场景？就是照章办事，不需要任何灵活性，这显然不是智能的核心。我们现在分析一下上述 5 个场景。下象棋是完全信息博弈，信息完全和确定，没有问题。其次，它遵循着完全确定的游戏规则演化，我们把这种情况也叫做静态。Watson 机器人也是这样，Watson 是什么样的对话问题呢？它为什么选择知识竞赛呢？我们知道知识竞赛提的问题都没有二义性，都是明确的，它的答案总是唯一性的。所以这样的问答对机器人来讲是非常容易的。它涉及的领域虽然比较宽，但也是有限的，包括大家觉得很玄乎的围棋，也完全符合上面 5 个条件，所以对计算机来说也是很容易的。目前计算机打麻将就不行，因为牌类是不完全信息博弈，所以比棋类要难。总之，我们对目前人工智能取得的成果要有一个正确的评价。目前的人工智能技术在以下领域都可以找到它的应用，它们是交通、服务、教育、娱乐等等，但我要强调是这些领域里面只有满足上述 5 个条件的事情，计算机做起来才会容易，如果不满足这些条件，计算机就做起来就困难了。大家常常关心什么样的工作会被机器所替代，我可以明确告诉大家，满足这 5 个条件的工作，总有一天会被计算机取代，就是那些照章办事，不需要任何灵活性的工作，比如说出纳员、收银员等等。在座的所有工作都不可能被计算机完全代替，但不排斥你的工作中有一部分会被计算机取代，老师、企业家等的工作不可能被计算机完全代替。为什么有这 5 个限制？原因在于我们现在的人工智能是没有理解的人工智能。我们先看符号模型，理性行为的模型，举 Watson 的例子，它是个对话系统，我们现在所有做的对话系统都跟这个差不多，但是 Watson 做得更好些，它里面有知识库，有推理机制。沃森除了专家知识之外，还有大量互联网上大众的知识，还运用了多推理机制。请看，这就是 Watson 系统的体系结构。它里面有哪些知识呢？有很多，包括百科全书、有线新闻、文学作品等等。所有的知识用纸质来表示有 2 亿页，用存储量表示达到了 4TB。它能回答什么问题呢？用它的例子来说明。第一个问题，1974 年 9 月 8 日谁被总统赦免？这对美国人来讲很好回答，同样对计算机来讲也很好回答，你用这几个关键字「1974 年 9 月 8 日」、「被总统赦免」，就能在文献里头查出来是谁，他就是尼克松。也就是说根据问题中的关键字，可以在已有的文献里头直接找到答案，这就是一般的网络检索方法。第二个问题，荧光粉受到电子撞击以后，它的电磁能以什么方式释放出来？我们用「荧光粉」、「电子撞击」、「释放电磁能」等关键词，也可以找到答案：「光或者光子」。这种方法就是平时网络搜索的原理，应该说没有什么智能。回答下面的问题就需要「智能」了，跟智利陆地边界最长的是哪个国家？跟智利有陆地边界的国家可以检索到，它们是阿根廷和玻利维亚，但是谁的边境长？通常查不到。Watson 具备一定的推理能力，它从边界间发生的事件、边界的地理位置等等，经过分析推理以后就可以找出答案，它就是阿根廷。下一个问题也属于这种性质，跟美国没有外交关系的国家中哪个最靠北，跟美国没有外交关系的国家有 4 个，只要检索就行了，但是哪个国家最靠北，没有直接答案，但可以从其它信息中推导出来，比如各个国家所处的纬度、气候寒冷的程度等等分析出来，答案是北朝鲜。智能体现在推理能力上。 但是很不幸，现在的对话系统推理能力都很差。Watson 系统好一些，但也很有限。换句话说，我们现在的对话系统离真正的智能还很远。我们通过索菲亚机器人就可以看出来，索菲亚的对话是面向开放领域，你可以随便提问，问题就暴露出来了。大家在电视上看到索菲亚侃侃而谈，问什么问题都能答得很好，这里面有玄机，如果你的问题是预先提出来的，因为里头有答案，因此回答得非常好，在电视上给大家演示的都是这种情况。如果我们临时提问题，问题就出来了。这是一个中国记者给索菲亚提的 4 个问题，它只答对了一个。「你几岁了」，这个问题很简单，它答不上来，它的回答是「你好，你看起来不错」，答非所问，因为它不理解你所问的问题。只有第二个问题它是有准备的，里面有答案，所以答得很好。「你的老板是谁」，这个肯定它有准备。第三个问题，「你能回答多少问题呢」？它说「请继续」，没听懂！。再问第四个问题，「你希望我问你什么问题呢」？它说「你经常在北京做户外活动吗」？这就告诉我们说，现代的问答系统基本上没有理解，只有少数有少量的理解，像 Watson 这样算是比较好的。为什么会这样？也就是说我们现在的人工智能基本方法有缺陷，我们必须走向具有理解的 AI，这才是真正的人工智能。我这里提出的概念跟强人工智能有什么区别？首先我们说它在这点上是相同的，我们都试图去准确地描述人类的智能行为，希望人工智能跟人类的智能相近，这也是强人工智能的一个目标，但是强人工智能只是从概念上提出来，并没有从方法上提出怎么解决。大家知道强人工智能提出了一个最主要的概念，就是通用人工智能。怎么个通用法？它没有回答。我们现在提出来的有理解的人工智能是可操作的，不只是概念，这是我们跟强人工智能的区别。人机对话的时候，机器为什么不能理解人们提的问题。我们看一个例子就知道了，我们在知识库里把「特朗普是美国总统」这个事实，用「特朗普-总统-美国」这三元组存在计算机里面，如果你提的问题是「谁是美国总统」？机器马上回答出来：「特朗普」。但是你如果问其它有关的问题，如「特朗普是一个人吗」？「特朗普是一个美国人吗」？「美国有没有总统」？它都回答不了。它太傻了，任何一个小学生，你只要告诉他特朗普是美国总统，后面这几个问题他们绝对回答得出来。机器为什么回答不了后面的三个问题呢？就是这个系统太笨了，没有常识，也没有常识推理。既然特朗普是美国的总统，美国当然有总统，但是它连这一点常识的推理能力都没有。所以要解决这个问题，必须在系统中加上常识库、常识推理，没有做到这一步，人机对话系统中机器不可能具有理解能力。但是大家知道，建立常识库是一项「AI 的曼哈顿工程」。大家想想常识库多么不好建，怎么告诉计算机，什么叫吃饭，怎么告诉计算机，什么叫睡觉，什么叫做睡不着觉，什么叫做梦，这些对人工智能来说都非常难，美国在 1984 年就搞了这样一个常识库的工程，做到现在还没完全做出来。可见，要走向真正的人工智能，有理解的人工智能，是一条很漫长的路。这里介绍一点我们现在做的工作，加入常识以后，对话的性能会不会有所改善。 我们的基本做法是建立一个常识图谱，用这个图谱帮助理解提出的「问题」，同时利用常识图谱帮助产生合适的答案。下面就涉及到具体怎么做了，我不详细说了，我就说结果，结果是有了常识以后，性能有了显著的改善，对话的质量提高了。这篇文章已经发表，有兴趣可以去阅读。另外是准符号模型，深度学习、神经网络主要用来模拟感性行为，感性行为是一般很难采用符号模型，因为感性（感觉）没法精确描述。比如「马」，怎么告诉计算机什么叫做马？你说马有四条腿，什么叫做腿？你说细长的叫做腿，什么叫细？什么叫做长？没法告诉机器，因此不能用符号模型。目前用的办法就是我们现在说的神经网络或者准符号模型，也就是用人类同样的办法，学习、训练。我不告诉机器什么叫做马，只是给不同的马的图片给它看，进行训练。训练完以后，然后再用没见过的马的图片给它看，说对了，就是识别正确了，说不对就是识别不正确，如果 90% 是对的，就说明它的识别率是 90%。后来从浅层的神经网络又发展到多层的神经网络，从浅层发展到多层有两个本质性的变化，一个本质性的变化就是输入，深层网络一般不用人工选择的特征，用原始数据就行。所以深度学习的应用门槛降低了，你不要有专业知识，把原始数据输进去就行了。第二个是它的性能提高很多，所以现在深度学习用得很多，原因就在这个地方。通过数据驱动建立的系统能不能算是有智能呢？必须打一个很大的问号，就是说你做出来的人脸识别系统甚至识别率会比人还高，但是我们还不能说它有智能，为什么呢？这种通过数据驱动做出来的系统，它的性能跟人类差别非常大，鲁棒性很差，很容易受干扰，会发生重大的错误，需要大量的训练样本。我们刚才已经说过，给定一个图像库我们可以做到机器的识别率比人还要高，也就是说它可以识别各种各样的物体，但是这样的系统，我如果用这个噪声输给它，我可以让它识别成为知更鸟，我用另外的噪声输给它，可以让它识别成为猎豹。换句话讲，这样的系统只是一个机械的分类器，根本不是感知系统。也就是说它尽管把各种各样动物分得很清楚，但是它不认识这个动物，它尽管可以把猎豹跟知更鸟分开，但是它本质上不认识知更鸟和猎豹，它只到达了感觉的水平，并没有达到感知的水平，它只是「感」，没有上升到「知」。我们的结论是，只依靠深度学习很难到达真正的智能。这是很严峻的结论，因为如果有这样的问题，在决策系统里头是不能用这样的系统，因为它会犯大错。我在很多场合讲过，人类的最大的优点是「小错不断、大错不犯」，机器最大的缺点是「小错不犯，一犯就犯大错」。这在决策系统里头是不允许的，这就显示人跟机器的截然不同，人非常聪明，所以他做什么事都很灵活，这就使得他很容易犯各种各样的小错。但是他很理性，很难发生大错。计算机很笨，但是很认真，小错误绝对不会犯，但是它一犯就是天大的错误。刚才把那个把噪声看成知更鸟，这不是大错吗？你把敌人的大炮看成一匹马，不是大错吗？但是人类不会发生这种错误，人类只会把骡看成驴，但是计算机的识别系统会把驴看成一块石头。原因在哪儿？原因还是 AI 的理解能力问题。我们看这个自动驾驶，过去讲得很多，而且讲得很乐观，我们看看问题在什么地方。我们现在是这样做，我们通过数据驱动的学习方法，学习不同场景下的图象分割，并判别是车辆还是行人、道路等，然后建立三维模型，在三维模型上规划行驶路径。现在用硬件已经可以做到实时，请问大家，这样能不能解决问题？如果路况比较简单，行人、车辆很少，勉强可以用。复杂的路况就用不了。什么原因？非常简单，好多人总结出这个经验，行人或者司机都会有意无意破坏交通规则，包括外国人也一样，中国人更严重一点。这就使得数据驱动方法失效，比如说我们可以用数据驱动方法来了解各种各样行人的行为，我们可以通过大量进行训练，都训练完以后，如果出现新的情况呢？计算机能理解这是人从底下钻过来，很危险吗？所以你不可能把所有情况都训练到。自动驾驶不可能对付突发事件，如果这个突发事件它没见过，它就解决不了。怎么来解决这个问题呢？实际上就是要解决从「Without」到「With」理解的问题。人工智能现在有两种基本方法，一种是用符号模型来模拟理性行为，符号模型可以表达信息的内容，所以它是在一个语义的符号空间里头，但是非常不幸，这个离散的符号表示，数学工具很难用，很多数学工具用不上去，所以它发展很慢。在模拟感性行为的时候，我们用的是特征空间的向量，向量就是数，可以把所有的数学工具都用上，优化的工具、概率统计的工具全部用上。所以数据驱动方法这几年发展非常快，再难的问题，下围棋非常难吧，计算机也可以「算」出来。但是它有一个非常大的缺陷，它是在特征空间里，缺乏语义。我们用数据去训练一个模型，所谓「黑箱学习法」，加上你的数据质量不高，很难学出有用的东西。什么叫概率统计？重复多了就是真理。如果数据质量差，充满了「谎言」。谎言重复多了，就变成真理了。我们现在想出的解决办法是这样的，就是把这两个空间投射到一个空间去，这个空间叫做语义的向量空间。 也就是说我们把符号变成向量，同时把特征空间的向量变成语义空间的向量。怎么做？一是通过 Embedding（嵌入）把符号变成向量，尽量保持语义不变，可惜现在的方法都会引起语义的丢失，我们只能在投射的过程中让语义丢失得少。第二方面做的工作比较少，就是 Raising（提升），把特征空间提升到语义空间去，这主要靠学科交叉，靠跟神经科学的结合。只有这些问题解决以后，我们才能够建立一个统一的理论，因为过去的感知和认知是不同的处理方法，大家说不到一块，如果我们能够投射到同一空间去，我们就可以建立一个统一的理论框架，这是我们的目标。在语义空间处理就可以解决理解问题，但是这项工作是非常艰巨的。介绍一项我们现在做的工作。人工神经网络为什么不能得到语义信息呢？人脑的神经网络为什么可以呢？差别就在这里，我们现在用的人工神经网络太简单了，我们正想办法把脑神经网络的许多结构与功能加进去，我们这里只用了「稀疏发电」这一性质，就可以看出一些效果，人脸、大象或者鸟的轮廓，神经网络可以把它提取出来。还有一个办法就是把数据驱动跟知识驱动结合起来。 刚才讲了，人的智能没法通过单纯的大数据学习把它学出来，那怎么办？很简单，加上知识，让它有推理的能力，做决策的能力，这样就能解决突发事件。我们现在做的工作就是把这些结合起来，这是我们的基本思路，知识也好，数据也好，都投射到同一空间，然后都用同样的数学方法进行处理，这方面我们已经做了不少工作。最后做一个总结，我们从这个坐标看人工智能，横轴代表领域的宽窄，从单领域到多领域、到开放领域。纵轴代表信息的确定性与完全性，从完全到不完全、从确定到不确定。在左下角代表最容易的，就是刚才讲的符合 5 个条件的，现在人工智能在这部分解决得非常好，我们用白色来表示它，AlphaGo 在这里，深蓝在这里，工业机器人在这里。现在我们正在向灰色地区去走，打牌，信息不完全，现在打德州扑克，一人对一人，计算机能战胜人类，多人对弈，计算机还不行，这是灰色地带，我们还可以做，为什么可以做？尽管打牌是不确定的，但是它在概率意义下是确定的，你拿的这副牌的概率，可以算出来，同花的概率是多少，排成顺的概率是多少，既然概率能算出来，最终人类肯定会被计算机打败。Watson 在右边，它的领域比较宽，但是它是确定性的，所以是在灰色的区域。往右上方去就比较难了，自动驾驶、服务机器人、大数据分析，它是一个大框，有的简单，有的困难，就自动驾驶来讲，专用道、行车很少，路况简单等，在白色或者灰色区，如果路况复杂就到了黄色区域，黄色区现在计算机还解决不好。最远的在哪儿呢？右上角，图灵测试。大家对图灵测试有很多误解，其实图灵测试是开领域问答，很难！索菲亚做得怎么样？很糟糕。自然语言理解也在这里，复杂环境下的决策在偏左一点的地方，这也是很难的。所以我们人工智能现在是从左下角往右上角走，我们现在处在出发点附近。有的人想把它用一些名词来区分人工智能的不同发展阶段，有专家问我，你的看法怎么样？我建议不要用新词，用新词往往说不清，很麻烦，有的人说现在是弱人工智能，以后是强人工智能，也有人说现在叫增强智能（Augmented Intelligence）也是 AI……概念太多说不清，还是简单一点，「我们正在通往真正 AI 的路上」，现在走得并不远，在出发点附近，人工智能永远在路上，大家要有思想准备，这就是人工智能的魅力。 大家为什么这么重视人工智能？因为我们永远在路上，这就吸引我们去解决这些问题，这些问题一旦解决了，人类的社会进步、人类的生活就会发生本质上的改变。最后我用中文写最后一段作为总结，可惜我翻译不了。周穆王西巡狩，路遇匠人名偃师。翌日偃师谒见王，偕来一个假人。「趋步俯仰，信人也」。「领其颅，则歌合律；捧其手，则舞应节。千变万化，惟意所适。王以为实人也，与盛姫内御并观之，技将终，倡者瞬其目而招王之左右侍妾。王大怒，要杀这个偃师。偃师大慑，立剖其倡者以示王，皆傅会革、木、胶、漆、白 、黑、丹、青之所为。穆王始悦，诏贰车载之以归。这是 3000 年前我们古人对机器人的想象，看看现在的人工智能做得怎么样呢？索菲亚是我们现在达到的水平，可是她不会唱歌、不会跳舞，只会说英文，周王也听不懂，肯定没有印象。现在我们假设索菲亚「瞬其目而招王之左右侍妾」，向周王的姨太太们送去秋波，王会如何呢？我认为没反应，因为索菲亚是女的，他用不着吃醋。但是我们假设索菲亚「瞬其目而招王」，向大王送去秋波，王会大悦，立即神魂颠倒，坠入爱河？我认为不会，因为索菲亚根本不像人，它最近才刚刚安上手脚，走路都不利索，怎么行呢？所以我的结论是，「索菲亚通不过穆王的测试，当然它更通不过图灵测试」。我们的结论是什么？ 人工智能刚刚起步，离真正的 AI 还很遥远， 大家共同努力吧，我们任重道远。

如今，邮轮旅行成为热潮，晨起去甲板上看一次美妙的海上日出，午时去餐厅享受一顿丰盛的异国料理，晚上在会场看一场别开生面的精彩表演... ...提起邮轮就不得不说世界上最大、最快的邮轮— —“伊丽莎白二世”号邮轮，从20世纪60年代首航，到2008年退役，“伊丽莎白二世”号邮轮航行里程已超过800万公里，相当于从地球往返月球13次。退役后，“伊丽莎白二世”号邮轮前往阿联酋迪拜的棕榈岛，继续发展余热成为豪华的海上酒店和购物娱乐中心。1969年，18岁的Tracy Whitney作为第一批乘客见证了“伊丽莎白二世”号邮轮跨越大西洋的第一次航行，Tracy登船的第一件事就是跑到甲板上遥望这海天一色的美景。近半个世纪后，Tracy与丈夫还有孩子们一起来到棕榈岛度假，再一次住到成为邮轮酒店的“伊丽莎白二世”号邮轮，与50年前最大的不同是，Tracy入住酒店的第一件事情，不是去甲板上看风景，而是连接酒店Wi-Fi在社交网站上分享了她与“伊丽莎白二世”号邮轮的再次相遇。变身酒店，没有Wi-Fi怎么行？随着数字社会的发展，Wi-Fi已经深度融入现代人的主流生活，与Tracy一家一样，来到这里的顾客们都希望能够随时随地畅游网络，与远方的家人和朋友们分享他们在邮轮酒店的美妙时光。酒店运营管理人员希望：为顾客提供高质量的Wi-Fi体验，提升客户满意度，提高酒店口碑，进而提升收益；同时还能帮助酒店对顾客的消费行为进行分析，从而为客户提供更加全方位的贴心服务。“美观”与“网速”可兼得邮轮酒店房间数量众多，船上拥有950间套房，从面积超过1000平方英尺的豪华复式套房到5号甲板上小型的双人房，房间分布密集、结构复杂。这些对酒店的Wi-Fi覆盖提出了巨大的挑战。如何给客户极致的Wi-Fi体验，又方便酒店的管理与运维？针对“伊丽莎白二世”号邮轮酒店环境的特殊性和网络需求，华为提出了面板式AP2050DN解决方案，支持有线无线同时接入，并提供电话直通口和USB端口，方便使用IP电话和对USB设备充电。面板式AP匹配面板进行设计，可简单快速的安装在面板盒上，实现面板与墙面的无缝贴合，既不影响客房的美观度，也不占用客房空间；并且由于面板AP部署在室内，信号无需穿墙，所以信号覆盖效果和网络带宽都优于传统走廊放装式方案，既能让无线信号覆盖整个房间，也不会与其他房间产生信号干扰。在部署上，施工人员人均只需要一刻钟的时间就能完成一个房间的网络部署，且不破坏原有的装修环境和建筑结构，极大提升了部署效率也节省了成本，让客户有更多时间投入运营。对于高级酒店而言，“不打扰客户”是一个基本要求。华为为“伊丽莎白二世”号邮轮酒店提供了eSingt网管，为设备提供自动化部署，并支持可视化故障诊断、智能容量分析等功能，能帮助酒店管理方提高运维效率，提升资源利用率、降低运维成本、保障网络设备稳定运行。在网络出故障时，酒店管理方能对网络问题进行自动故障诊断和远程运维，而不需要进入顾客房间，提升了客户体验。Tracy的实时动态刷屏了她的社交平台，在甲板上的夕阳、在客房里的晚餐时光、在高尔夫球场上的赛事... ...不仅如此，Tracy还为远在英国的“伊丽莎白二世”号邮轮的粉丝们来一场淋漓尽致的视频直播，一起感受这艘邮轮的新生。更多信息，请关注华为5G+X 联创营：https://developer.huaweicloud.com/techfield/5g.html5G云市场：https://marketplace.huaweicloud.com/markets/5GtoB/AI云市场：https://marketplace.huaweicloud.com/markets/ai/机器视觉云市场：https://marketplace.huaweicloud.com/markets/holosensstore/index.htmlIOT云市场：https://marketplace.huaweicloud.com/markets/iot/混合云云市场：https://marketplace.huaweicloud.com/markets/hcs/鲲鹏云市场：https://marketplace.huaweicloud.com/markets/kunpeng/

我是一名普通的通信汪，英文Roone，因为鲁尼是我的偶像，下面我来分享一个让我骄傲的故事。故事发生在2017年某天，领导给我布置了一项艰巨的任务，出差英国支撑XX项目，领导拍着我肩膀，语重心长地说：“这个项目很艰巨，挑战非常大，... ...，你考虑考虑？”。我坚毅地点了头，其实我只听到了英国两个字，可以近距离感受足球的魅力，说不定还可以亲眼见到我的偶像，其他的好像都不那么重要，我当时就是这么想的。我的独创身临其境看球的“低成本方案”项目进展果然如领导说的那样，异常艰巨，过程一波三折，在打不死的小强精神激励下，我居然也挺过来了，看足球比赛成了我的唯一业务生活。在完成项目一个小小的里程碑后，我做了一个人生中的小小决定，去现场感受一场足球比赛，整理了下装束，坐上千万豪车（地铁）前往圣地-温布利球场，当时我脑海中的画面是这样的：可惜我不是土豪，其实现场的我发现是这样的：现场一波一波的欢呼，一波一波的人浪，比赛异常精彩，可是谁又能告诉我，皮球在哪里？作为一名通信汪，方法总比困难多。我推了推我深邃的眼镜，通信汪就喜欢这掐指一算的神技：“9万人的足球场，假设有20个小区覆盖，10%的在线率，每小区有450个用户，按照英国的频谱资源，平均每个用户可分到约0.2MHz，按照与天线的位置的估算，属于小区近点，SNR估摸着有25dB以上。正好前段时间的项目在球场这部署了4T4R网络，按照4x4 MIMO的频谱效率，单用户可以享受到6Mbps的速率，正好可以流畅地观看1080P视频直播。”想到这，我非常低调地掏出我的Mate 10 Pro，打开直播APP，找到频道，流畅地开启我的耳眼协同双工同步模式：用耳朵身临其境感受现场声浪，用手机看清晰的直播。如此低成本方案，完美地补了我钱袋子和视力短浅的短板，时不时还可以回放回味下细节，别有一番调调。从此不会再遇到烦人的“加载中”了，同步就是比异步好，完美！周围投来一片羡慕的眼神，只有“傲娇”两字可以形容我当时的心情。原来我的微薄之力也可以改变人们的生活思绪回到了三个月前，领导拍着我的肩膀：“Roone，英国网改项目已经开始启动，使用了我们项目组最新开发的多频一体化4T4R RRU模块，所有的高频都升级到4T4R，这个项目是一个标杆项目，时间紧，任务重，而且必须保证性能！”赶到英国的第一刻，我便开始看网分析，目标网研讨。结合客户提供最好的用户体验战略和5G演进策略，给客户推荐了我们的多频一体化4T4R RRU解决方案，在提供Gbps用户体验的同时，可以实现一次下站，一次部署完成网络升级改造，并具备长期演进的能力。于是乎，马不停蹄地赶到客户的办公室，自豪地向客户推荐我们的产品：“华为的多频一体化4T4R射频模块使用了华为自研的业界最领先的宽频功率放大技术，通过支持不同频段之间的功率共享，可以进一步提升小区边缘用户的体验速率5%~20%，... ...”我看到了客户的微笑在嘴角微微泛起，我预感这个项目有戏了。当产品经理告诉我客户同意我们方案的时候，我想应该搞个大事情。我和项目经理一起，开始与时间赛跑，一周内完成了发货，选站，站点改造和测试，赶在10月16日第一时间完成了峰值的测试，于是最快商用终端峰值速率970Mbps在我的手上诞生了。虽然我只是一名普通的通信汪，但我在支撑的网改项目，可以提升英国民众的移动用户体验，从此可以像我一样在球场看直播，在地铁看直播，随时随地看直播。我开发的产品可以给用户带来价值，我的项目支持可以加快项目的部署进度，原来我的微薄之力，也可以改变人们的生活。想到这，我又骄傲万分。敲黑板！Multi-Band 4T4R解决方案亮点：一个模块支持两个频段，支持GSM,UMTS和LTE三种技术并发降低TCO：天线复用；减少50%的站点Box数量；降低站点的部署复杂度，加快交付周期性能领先：多频一体化功放技术，使能频段间的功率共享，提升小区边缘用户体验5%~20%长期演进：一次部署，支持长期演进，面向5G NR硬件Ready更多信息，请关注华为5G+X 联创营：https://developer.huaweicloud.com/techfield/5g.html5G云市场：https://marketplace.huaweicloud.com/markets/5GtoB/AI云市场：https://marketplace.huaweicloud.com/markets/ai/机器视觉云市场：https://marketplace.huaweicloud.com/markets/holosensstore/index.htmlIOT云市场：https://marketplace.huaweicloud.com/markets/iot/混合云云市场：https://marketplace.huaweicloud.com/markets/hcs/鲲鹏云市场：https://marketplace.huaweicloud.com/markets/kunpeng/

90年代那会儿上大学，大伙儿们的谈的都是，做窗边的女孩像不像王祖贤，模仿小虎队的校园组合是什么专业的... ...2000年以后，同学间更爱讨论的是，校园漂不漂亮，饭堂烧腊档师傅为什么从来不笑... ...而如今的大学生生活，除了学习以外的娱乐生活重心大多是，爱豆、游戏、网购。而一力撑起这三大巨头的就是网络。手机网速绝对要：快！快！快！打游戏要快！开黑超神五杀任我拿。视频聊天要快！女友一刻也等不了！我发四一定秒回你！抢红包要快！谁想错过几个亿？又可以买买买了~哈哈哈话说，故事发生在安徽某高校，主角小舟，是17级新生，00后。刚入学那会儿，常听其他学校的高中老同学吐槽：一到晚上宿舍区就人满为患！手机上网赛过春运！再好的手机没有网络也木有用！操作不够骚，网速不够快，天天送人头。小舟心里窃喜，不可能啊，我们学校的网络一点毛病没有，好得很，人再多也不怕，点啥有啥！虽然小舟也不知为啥如此，但她继续享受着，网速在手，天下我有的优越感。直到有一天，听移动小哥哥讲了一个秘密。原来小舟的学校有3D MIMO（国际上人称Massive MIMO）！这是LTE/5G的关键技术之一，采用类似相控阵雷达技术，借助大规模的天线矩阵，使无线信号从一个探照灯覆盖变成激光束般的精准指向。由于能量聚焦，信号可以覆盖得更远，用户间的干扰也会更低，同时通过多流技术，单站可以实现多倍容量提升。简单来说，无线信号可以像激光束一样瞄准用户。也就是江湖中传闻人口密集热点区域的杀手级武器！根据用户和话务的分布，灵活调整实际场景的覆盖区域，网络容量最大可提升5-6倍，并且3D MIMO硬件具备未来5G能力！简单来说，楼顶只要挂上这个神奇的盒子，就可以供给整栋宿舍楼使用！假如原来一个基站给100个人用，现在可以给500个人用。目前3D MIMO已在安徽省广泛部署，已有超过100所学校成功商用。同学们的手机体验可提升50%以上！宿舍，楼道再也不怕没信号。除了学校，3D MIMO还可以部署在更多地方，景区、商业街、CBD、大型活动... ...总之以后人多的地方，绝对不用担心手机信号不好！敲黑板！3D MIMO在LTE网络的应用，有5大关键价值：网络容量提升5~6倍，举例原来100个人用一个基站，现在可以支持500人！网络干扰降低，信号精准覆盖，网络边缘信号提升5-6dB用户体验提升，用户体验提升50%以上覆盖能力增强，借助三维波束赋形能力，垂直覆盖楼宇高度提升3倍布局5G演进，3D MIMO硬件已支持5G能力，未来软件升级即可实现平滑演进。更多信息，请关注华为5G+X 联创营：https://developer.huaweicloud.com/techfield/5g.html5G云市场：https://marketplace.huaweicloud.com/markets/5GtoB/AI云市场：https://marketplace.huaweicloud.com/markets/ai/机器视觉云市场：https://marketplace.huaweicloud.com/markets/holosensstore/index.htmlIOT云市场：https://marketplace.huaweicloud.com/markets/iot/混合云云市场：https://marketplace.huaweicloud.com/markets/hcs/鲲鹏云市场：https://marketplace.huaweicloud.com/markets/kunpeng/

2G之前不知手机，3G之前不知互联网，4G之前不知移动宽带。移动网络可以说是10年一变革，智能终端12年一颠覆。当下，距离4G网络的诞生已经过去了10几年。站在这个新的时代风口，未来会有怎样的新科技即将改变世界？让小编帮你开开脑洞，一探究竟。虚拟现实/增强现实 VR/AR过去一年里，VR/AR彩蛋不断，华为明确了未来云端渲染的Cloud VR战略，采用VR瘦终端+云端服务器渲染的模式等等。简单来说，这样可以实现VR终端无线化，轻便且佩戴方便，强大的云端服务器大幅提升了计算能力和图像处理能力。对消费者来说，体验更好、终端更便携、价格更亲民。移动投影人类的眼睛是贪婪的，体验过Retina就再也不愿看一眼720P，家里装了投影仪，电视大多时候就闲置了。但如果有一台能随身携带，又能当手机屏幕一样触摸控制的投影仪，一定会成为未来个人娱乐，社交的利器。黑科技专业户Sony在2017年就为我们带来了这样的产品。巨幕投影，超高分辨率，随身携带，为移动体验打开了一扇新的机会窗。全息影像（Holographic Display）是利用光的干涉和衍射原理记录并再现物体真实三维图像的技术。以人物为例，全息影像让观众可以看到立体的虚拟人物，动作和表情与真人无异，相比VR，全息的人物建模更为逼真，也支持多人，多角度观看，当然其实现难度也最高，是黑科技之首。就像iPhone火起来是伴随3G网络的普及，以上黑科技，想要真正走进人们的生活，同样也离不开强有力的移动网络支撑。没有它，这些技术只能作为数据孤岛，难以普及。比如，移动投影未来能够支持16K分辨率，相应速率要求将超过100Mbps；AR/VR以及全息技术，实现极致体验的门槛将会是Gbps的传输能力。幸运的是，激活以上黑科技的强有力移动网络— —5G，来了！以华为目前5G端到端预商用系统为例，室外Gbps连续覆盖，室内100Mbps完全无压力！不仅如此，围绕5G网络走向商用的各个领域也都进展迅速：标准先行，2017年12月，5G首个3GPP空口标准已经冻结，全球30家运营商、设备商、芯片及终端厂商联合推动5G产业走向商用。根据ITU-R制定的5G愿景明确，5G-NR新空口必须达到基于空口吞吐率、连接数、低延时3个维度量纲上的8个KPI指标，包括峰值速率、用户体验速率、单位面积流量、频谱效率、连接量密度、空口延时以及能效等。5G将支持云VR/AR、车联网、智能制造、智慧能源、无线医疗、无线家庭娱乐、联网无人机、社交网络、个人AI助手、智慧城市等创新应用。更多信息，请关注华为5G+X 联创营：https://developer.huaweicloud.com/techfield/5g.html5G云市场：https://marketplace.huaweicloud.com/markets/5GtoB/AI云市场：https://marketplace.huaweicloud.com/markets/ai/机器视觉云市场：https://marketplace.huaweicloud.com/markets/holosensstore/index.htmlIOT云市场：https://marketplace.huaweicloud.com/markets/iot/混合云云市场：https://marketplace.huaweicloud.com/markets/hcs/鲲鹏云市场：https://marketplace.huaweicloud.com/markets/kunpeng/

Uniform convergence may be unable to explain generalization in deep learning收敛一致性可能解释不了深度学习中的泛化现象推荐理由：为了探究深度学习泛化能力背后的原理，学术界提出了泛化边界的概念，然后尝试用「收敛一致性」理论推导、设计出了各种各样的泛化边界描述方法，似乎已经取得了不少成果。但这篇论文中作者们通过大量实验发现，虽然其中的许多泛化边界从数值角度看起来挺大，但随着训练数据集大小变大，这些泛化边界也会跟着变大。在此基础上，作者们用过参数化的线性分类器和梯度下降训练的神经网络为例，证明了收敛一致性并不能解释模型的泛化性，即便完全考虑了梯度下降可能带来的隐式偏倚也解释不了。更严谨地说，作者们实验表明，根据收敛一致性得到的泛化边界要比根据梯度下降得到的泛化边界大得多。根据这一系列结果，作者们对「用基于收敛的方法解释泛化能力」的做法提出严重的质疑。虽然这篇论文并没能解决（也没打算解决）深度神经网络中的泛化性问题，但它显然为整个领域指出「此路不通，考虑重来」。这篇论文获得 NeurIPS 2019 杰出新方向论文奖。论文地址：https://papers.nips.cc/paper/9336-uniform-convergence-may-be-unable-to-explain-generalization-in-deep-learning    转自，杨晓凡，https://www.leiphone.com/news/201912/TK9EEFIUdjdbAC4J.html

对于无处不在的信号，顺畅的通信，大家也许已经习以为常。但基站建设的背后，却有着鲜为人知的不易。通往站点之路，有时很泥泞在站点勘测工作中，工程师需要化身“蜘蛛人”登高测量数据再输出实施图纸着手运输设备有时，需要穿越荆棘才能架起沟通的桥梁无人机智能勘测+3D建模将改变这一切在迈向智能社会的路上华为人也在用领先技术革新建站过程在获得客户授权后，工程师们就可以放飞无人机进行360°全景、环绕拍摄，测量距离、塔高，采集照片、扫描等等。360°全景拍摄，自由设置高度无人机测量塔高无人机将采集的数据、图片发送到手机客户端，再上传到服务器，系统则自动生成勘测报告。接下来，通过丰富的图片、数据即可开始3D建模，快速地完成站点“乐高式的组装”，完整、直观、准确地展示站点的每一处细节。相比传统的方式，无人机+3D建模能大大减少了高危作业的频率，通过高科技保障了作业人员的安全。每当站点顺利开通，意味着万物联接，又多了一分。把数字世界带入每个人、每个家庭、每个组织，构建万物互联的智能世界，是华为的愿景与使命。通信从2G、3G、4G到5G不断演进，人们的生活与沟通越来越丰富，建站的技术也在不断升级。有了无人机+3D建模+5G，面对复杂环境，也能更高效、安全、轻松地应对。更多信息，请关注华为5G+X 联创营：https://developer.huaweicloud.com/techfield/5g.html5G云市场：https://marketplace.huaweicloud.com/markets/5GtoB/AI云市场：https://marketplace.huaweicloud.com/markets/ai/机器视觉云市场：https://marketplace.huaweicloud.com/markets/holosensstore/index.htmlIOT云市场：https://marketplace.huaweicloud.com/markets/iot/混合云云市场：https://marketplace.huaweicloud.com/markets/hcs/鲲鹏云市场：https://marketplace.huaweicloud.com/markets/kunpeng/

更清晰！更细腻！人人都知道看4K视频特别爽，但4K对网络要求也更高。不过在西班牙，一次改变，300万人用上了1Gbit/s的网络，享受着4K盛宴！欧洲最大规模DOCSIS 3.1网络改造4K酒吧、4K家庭在西班牙的兴起，运营商西班牙沃达丰功不可没。西班牙沃达丰是西班牙第一家为同轴用户提供4K电视的运营商，并拥有1.5万酒吧用户。为了让消费者观看到逼真的4K视频，西班牙沃达丰需要将过去传统的网络进行改造，让“下行网络容量需求提升7倍，上行网络容量需求提升2倍”，才能向用户提供更快、更好的网络。所以，西班牙沃达丰选择了新兴网络架构D-CCAP，并启动了欧洲最大规模DOCSIS 3.1网络改造项目，计划于第二季度，沃达丰西班牙将完成全国同轴网络的DOCSIS 3.1升级部署，为其现网300万家庭同轴用户提供高达1Gbps的接入带宽和4K视频业务。华为助力西班牙沃达丰视频战略演讲事实上，沃达丰集团自2013年起，相继收购包括西班牙ONO在内的多家传统MSO运营商，并确定了面向未来的多业务融合网络及任意媒介千兆接入的固网战略。随着4K视频等新业务的引入和宽带流量每年近50%的增长趋势，西班牙沃达丰计划对现有ONO网络进行全面的升级改造，建成具备1Gbps接入能力的有线电视和FTTH融合网络，即：将现网DOCSIS 3.0升级到DOCSIS 3.1实现千兆同轴接入能力，并在新建区域建设FTTH网络，从而提供更优的超宽网络体验。华为作为西班牙沃达丰合作伙伴，D-CCAP解决方案具有独有的10G同轴光纤接入平台支持10G DOCSIS 3.1同轴接入和XG（S）PON（对称和非对称10G PON）、40GPON光纤接入和云化演进能力，助力沃达丰在未来能以最小代价平滑演进至FTTH和云化网络；同时具备业界最佳的DOCSIS 3.1带宽性能，最高支持10Gbps下行/1.5Gbps上行带宽，满足了未来5~8年的带宽增长需求；通过采用分布式架构进行网络数字化，可实现70%的机房空间和能源节省，大幅提升了运维效率。此外，华为D-CCAP解决方案的融合IP视频能力，支持DVB直播、VOD、IPTV等多种混合视频业务，满足未来大规模4K高清承载IP化视频演进需求，匹配西班牙沃达丰的视频演进战略。转型成果已初现2017年，西班牙沃达丰已经在部分区域发放了基于同轴的千兆宽带及4K高清电视业务，有效应对了竞争对手的挑战；全年共获取25万新增融合套餐用户，其固移协同的战略降低了75%的离网率，提升了用户粘性；此外，网络端到端最大时延降低了70%，整体网络质量获得了明显改善。目前，华为D-CCAP解决方案已经在40多个MSO运营商实现了70000台的商业部署。华为长期致力于为提供融合超宽解决方案，推动全球DOCSIS 3.1的商用进程，打造成熟的产业生态环境，满足广大MSO运营商建设千兆网络的需求。更多信息，请关注华为5G+X 联创营：https://developer.huaweicloud.com/techfield/5g.html5G云市场：https://marketplace.huaweicloud.com/markets/5GtoB/AI云市场：https://marketplace.huaweicloud.com/markets/ai/机器视觉云市场：https://marketplace.huaweicloud.com/markets/holosensstore/index.htmlIOT云市场：https://marketplace.huaweicloud.com/markets/iot/混合云云市场：https://marketplace.huaweicloud.com/markets/hcs/鲲鹏云市场：https://marketplace.huaweicloud.com/markets/kunpeng/

1969年，人类第一次登上月球。宇航员阿姆斯特朗的一小步，实现了人类历史上的一大步；2018年，Cloud VR在5G实验网下完成POC验证。华为与TPCAST的一小步，也成就了VR产业发展史上的一大步。此前，华为、北京传送科技有限公司（TOCAST）联合完成业界首个5G实验网下Cloud VR业务验证，实现了交互式CG（Computer Graphics）VR内容的实时云端渲染。何以见得这足以被历史铭记？理由有三：理由一：解放VR终端，让VR全面普及得益于华为5G大带宽、低时延特性和TPCAST新一代的超低时延编码技术，此次Cloud VR验证将本地复杂的图像处理搬到云端，实现交互式VR内容的实时云渲染，这将带来三大改变：从本地渲染到云端渲染— —现有VR装备，包括图像处理的高配主机和VR头显终端。不仅价格高昂，而且体积庞大不易移动，通常只能好好的养在家里、或者是实验室里。当渲染走向云端，Cloud VR再也不用购买主机，同时不再需要处理复杂数据的VR头显，自然“无事一身轻”，体型更轻便小巧，大大改善用户佩戴舒适度。从有线到无线— —戴着脚镣区跳舞，戴着线缆体验VR？这种体验，始终是受限的。得益于5G网络超大带宽和超低时延的特点，5G Cloud VR使能无线VR头显。继而可以让用户在虚拟场景中随意走动，具有极高沉浸感。未来只要有5G网络的地方，就可以体验VR。就像4G时代的手机一样，随时随地、无处不在。从实验室走向现实— —纸上得来终觉浅，绝知此事要躬行。华为与TPCAST此次合作，让这个美好的概念从实验室最终走向了现实的舞台，变成未来5-10年足以颠覆人们生活的体验神器。VR装备的解放，极大降低终端购置成本，将给广大VR爱好者带来福音。从此VR不再是少数人的游戏，它将全面普及，走向千家万户。5G Cloud VR原型机理由二：解放商业模式，激活产业当VR走向全面普及，VR无疑将释放更多商业潜能：应用场景更广泛— —畅想未来，除了虚拟现实游戏、虚拟社交等娱乐场景之外，Cloud VR也许还可以用于教育（沉浸式教育、远程教育）、房地产（样板房、装修）、医疗（远程诊断、康复保健）、建模等。盈利模式更为多元化— —从“重”资产到“轻”应用，云计算的应用将完全改变现有VR的商业模式。最终用户可按需购买VR增值服务，VR门槛低；不仅终端厂商可以获利、网络提供商、内容提供商、各应用领域均可获利。值得说明的是，2017年11月，华为Wireless XLabs发布了《CG类Cloud VR技术规范（草案）》，旨在推动CG类VR系统、广域IP传输网络、公有云能力对接，建立5G实验网和外场测试环境，孵化早期业务形态。而此次Cloud VR系统正是基于该技术规范开发，从技术上验证了CG类Cloud VR基本数据流（下行视频和上行动作反馈）、时延、压缩率、用户体验和5G网络适配能力同时也更加明确了Cloud VR产业发展的方向。理由三：5G商用在即，Cloud VR产业时不我待在Cloud VR中，5G网络承担信息传递员的角色，将用户交互动作ms级上传到云端，再将云端渲染后的大数据量图像实时回传给用户。并且，最厉害的地方是POC系统将所有的上行低时延，下行大带宽业务流程在20ms内完成。否则会因为迟滞而使玩家产生眩晕。通过低时延压缩技术，目前云端渲染后的原始图像在ms级内压缩至150Mbps左右，更加适合在5G网络上传输。伴随着3GPP 5G标准第一个版本（eMBB场景）的发布，5G的商用步伐也越来越近。5G时代下，Cloud VR产业也将一触即发。100+Mbps数据流，Cloud VR无疑将成为运营商eMBB业务中的新宠。目前Cloud VR产业链上下游并不成熟，行业主要的瓶颈在于终端及内容两端，需要终端厂家、开发者、内容厂家广泛合作，共同识别和解决产业问题，形成行业合力。更多信息，请关注华为5G+X 联创营：https://developer.huaweicloud.com/techfield/5g.html5G云市场：https://marketplace.huaweicloud.com/markets/5GtoB/AI云市场：https://marketplace.huaweicloud.com/markets/ai/机器视觉云市场：https://marketplace.huaweicloud.com/markets/holosensstore/index.htmlIOT云市场：https://marketplace.huaweicloud.com/markets/iot/混合云云市场：https://marketplace.huaweicloud.com/markets/hcs/鲲鹏云市场：https://marketplace.huaweicloud.com/markets/kunpeng/

小时候看哆啦A梦，真希望自己也能从口袋里掏出任意门，我就可以随时跟小伙伴玩耍了。长大后，我交了一个异地的女朋友，焦急期盼那些沉浸式体验的VR、AR能早日实现。这样，每次跟千里之外的女朋友视频，仿佛对方就置身在我眼前，聊慰相思之苦。从今天开始，这一切都成为现实。华为深圳5G体验园区建设完成，并正式对外开放。第一批受邀参观的分析师和记者等众多嘉宾，率先体验了一把5G技术带来的便利。16路4K高清视频，并发无压力4K视频能为观众提供超高清的体验和身临其境的观感。连小猫咪的胡须微微抖动，都能看的一清二楚。然而，4K高清视频对网络带宽提出了非常高的要求。借助5G网络的大带宽，即使是16路4K高清视频，播放起来也毫无压力。帅气的攻城狮哥哥演示播放效果，小区吞吐量高达数Gbps，采用华为商用5G CPE，单用户室内下载速率超过700Mbps。在比赛高清多视角实况转播、视频监控、云端渲染等大流量并发场景，5G网络都能派上大用场。AR增强现实，购物不再纠结最近想买个花瓶，在某宝上逛了几个小时，一直纠结着颜色是否能搭配白色餐桌，款式是否能搭配天花板的水晶吊灯，尺寸是否会占据桌面太多位置。看完华为演示的AR增强现实业务，我心里顿时敞亮了。在室内，采用3D-Shaping技术，这张5G体验网可以提供随时随地数百Mbps体验，购物不再纠结。在下面的AR动画中，站在屋子前面解说的漂亮小姐姐其实是在房间里录制的这段画面呢。联想到网购时各种款式大小的花瓶，也能如此被放在餐桌、橱窗、窗台等任意位置查看布置效果，心里不由惊喜，这样我就可以一目了然，选择最好看的花瓶了！有了AR体验，女朋友仿佛从千里之外瞬间移动到我身边。没想到，我一直期待的AR技术，在华为率先体验到了。华为深圳5G体验园区的网络在3.5GHz频段上部署多个站点，形成规模连片组网，覆盖整个园区，能够提供随时随地xGbps体验。这张体验网已经使用了华为最新发布的SingleRAN Pro解决方案。3D-Shaping技术和5G CPE产品，让室内体验达到数百Mbps。上下行解耦技术，实现3.5GHz建网与1.8GHz建网共站同覆盖。这有助于降低5G建网中新建站点数量，减少运营商在站点土建和租赁上的投资。深圳5G体验园区不仅端到端验证网络性能，并将聚焦业务联合创新，与多家合作伙伴开展在AR/VR、智能电网、无人机安全巡检、远程教育、智能驾驶等多场景的创新探索。更多信息，请关注华为5G+X 联创营：https://developer.huaweicloud.com/techfield/5g.html5G云市场：https://marketplace.huaweicloud.com/markets/5GtoB/AI云市场：https://marketplace.huaweicloud.com/markets/ai/机器视觉云市场：https://marketplace.huaweicloud.com/markets/holosensstore/index.htmlIOT云市场：https://marketplace.huaweicloud.com/markets/iot/混合云云市场：https://marketplace.huaweicloud.com/markets/hcs/鲲鹏云市场：https://marketplace.huaweicloud.com/markets/kunpeng/

戴上VR眼镜，穿上体感皮肤，票房、口碑炸裂的《头号玩家》展示了未来VR将如何改变我们的生活！在电影《头号玩家》里，未来人们只要戴上VR设备，就可以进入虚拟游戏世界“绿洲”。其实今天，我们已经能在许多地方体验到VR，但实际体验却千差万别，一些VR应用不仅不能满足期待，反而由于低质量体验造成误解— —让人以为VR沉浸效果还不如高清视频，对VR逐渐失去耐心和兴趣。《头号玩家》为大家树立了VR体验的标杆，大反派BOSS分不清现实和虚拟世界的情节，告诉我们什么是真正的极致体验。然而罗马并不是一天建成的，VR应如何向“绿洲”前进呢？是它们阻挡了“绿洲”来临当前VR产业离《头号玩家》里的“绿洲”世界还有很长的距离。究其原因，大致可以分为硬件、内容、网络三方面。硬件上，“绿洲”的世界至少需要VR头显、触感手套、跑步机和情绪控制器等多类硬件，并能实现随时随地的登入。在现实生活中，这些硬件设备已经诞生，但真正能带来“绿洲”体验的设备还未出现。以最为丰盛的头显产品为例，要达到“绿洲”效果分辨率需要16K，而目前主流头显设备分辨率为4K，高分辨率的6K、8K设备稀少，16K设备还暂未出现。与此同时，当前沉浸体验优良的VR设备还需要和PC端配合使用，不能实现随时随地的登入。内容上，“绿洲”构建了一个宏大、完整的世界，甚至可以让人们生活在其中，但现实是VR产业在内容创建和内容种类等方面还存在瓶颈。目前VR产业主要聚焦VR游戏和VR视频，但根据Steam数据，目前VR游戏数量在所有游戏中占比不足8%；VR视频主要以短视频为主，通常是“头显看3D”的形式，缺乏真正流传于大众的电影、电视。网络上，“绿洲”世界中极致VR体验所需带宽达到2.35Gbit/s（FOV方式）甚至5Gbit/s（全视角方式），而现实中较好的VR用户体验至少需要100M的带宽，然而全球大多数用户的网速还达不到该水平，尤其是在高峰时段。Cloud VR将促进VR产业发展为了让梦想照进现实，华为超宽带网络创新实验室iLab经研究表明，通过云端渲染的Cloud VR将是VR产业发展的最佳形态，并将加速VR产业的快速发展与壮大。Cloud VR可以将产业中的VR内容聚合起来，使内容快速分发到大众和垂直行业，促进内容产业繁荣；同时，Cloud VR将计算量大的渲染上云，使得VR终端容易以轻量的方式被用户所接受，降低了VR设备的用户使用成本。同时，华为iLab联合中国信通院、华为C&SI商业咨询部发布的《Cloud VR+场景白皮书》表明，Cloud VR场景可以划分为Cloud VR 2C和Cloud VR 2B两大类，共17个场景。并提出当前阶段可以率先发展Cloud VR巨幕影院、Cloud VR直播、Cloud VR360°视频、Cloud VR游戏、Cloud VR教育等五个场景，通过云业务平台开展VR服务，推动场景的规模化应用；并且用户喜爱的VR巨幕影院、VR 360°视频、VR直播、VR游戏等场景，已具备大规模普及的条件。运营商推动Cloud VR业务发展事实上，对于网络运营商，特别是那些提供或打算提供视频服务的运营商，在VR视频方面有独特的优势。运营商的关键资产包括基础网络、终端销售渠道、以及部分运营商的视频服务，将为其带来独特的商机。媒体报道，日前福建移动在首届数字中国峰会及建设成果展览会上实景展示了包括云VR视频点播、实况、教育和游戏等业务。与传统VR不同，福建移动的业务是基于其千兆家庭智能组网、Wi-Fi网络和云化渲染技术，在保证视频码流稳定传输和高精度图像显示的前提下，降低了对终端硬件计算能力的要求，同时摆脱了数据线缆对头戴设备的束缚，大大改善了客户体验。VR OpenLab将共促产业繁荣为与上下游合作伙伴共同探索Cloud VR的产业发展道路，华为主导成立了VR OpenLab产业合作计划，目前已有全栈解决方案厂商、终端及外设厂商、内容制作与分发平台共49家产业链合作伙伴加盟，构建了端到端完整的Cloud VR产业生态，共同促进技术创新、商业场景孵化，推动产业繁荣发展。并且，华为将助力运营商在提供VR巨幕影院、VR 360°视频服务的基础上，引入更多优质的VR直播等内容，帮助运营商实现Cloud VR业务的快速增值变现。通过创新的华为网络解决方案，帮助运营商实现Cloud VR平台及网络的逐步升级演进，共同推动Cloud VR产业发展，实现共赢。更多信息，请关注华为5G+X 联创营：https://developer.huaweicloud.com/techfield/5g.html5G云市场：https://marketplace.huaweicloud.com/markets/5GtoB/AI云市场：https://marketplace.huaweicloud.com/markets/ai/机器视觉云市场：https://marketplace.huaweicloud.com/markets/holosensstore/index.htmlIOT云市场：https://marketplace.huaweicloud.com/markets/iot/混合云云市场：https://marketplace.huaweicloud.com/markets/hcs/鲲鹏云市场：https://marketplace.huaweicloud.com/markets/kunpeng/

“技术创新的使命就是要带来更大的社会价值，避免社会发展的分化，促进社会和谐发展。”陆伙仁是广东清远英德市连樟村的一名普通村民，这里曾被列为广东省省定贫困村，孩子们常年在外打工，他和他老婆相依为命，而他每年大量的时间都用在陪老婆去大城市看病。“我老婆同我一样都是78岁。她有三四种病，高血压、冠心病、糖尿病、心脏血管堵塞。半个月又回去医院了。挂号好难的，今天排不到就明天来，明天排不到后天来。”— —陆伙仁而对于从医20多年的乡医邓建文来说，也只能是心有余而力不足。“我们村里有530户人，大部分老人都是有一种或者好几种慢性病，经常病情都会有变化，所以我每天都在那里跑，到他们家里去看。小病我还能看，有些重的病还得往城里送。”— —邓建文2019年，连樟村成为全球第一个部署5G网络的乡村，2020年，连樟村也率先启动了数字乡村建设探索。广州，广东省第二人民医院的专家们开始对口帮扶连樟村的村民们，通过5G远程动态心电，可以让远方的专家实时查看村民的心电监测，还可以为村民进行远程心电诊断。5G网络部署之后，更多的创新应用不断涌出，5G支持的远程B超，可以让城市里有经验的医生通过5G网络实时传送的高清B超影像，来指导当地的医生操作B超设备，给当地的患者提供及时的检查和诊断服务。在过去传统的模式下，医生、病人和设备需要在一个地点才能完成的医治工作，由于有了5G网络，现在可以分隔在相距千里的不同地点来进行。极大地缓解了医疗资源不平衡和紧缺的问题。5G这样的数字技术像催化剂一样，使得远程听诊、远程移动CT也正在进入一些医院，5G使能的医疗服务让更多偏远地区的人能够平等地享受到高质量的医疗服务。5G网络的部署，也给了偏远地区的孩子们享受公平教育的机会，连樟村的孩子们，通过华为企业智慧屏，以线上课堂，远程授课方式与广东实验中学（广东省教育厅直属重点中学，国家级示范高中）的名师进行面对面对话、学习；通过VR眼镜，以虚拟现实方式“游历”大千世界，学习科技知识，开拓视野。技术创新正在为我们打开无数的“窗”，给我们点亮更美好的未来。更多信息，请关注华为5G+X 联创营：https://developer.huaweicloud.com/techfield/5g.html5G云市场：https://marketplace.huaweicloud.com/markets/5GtoB/AI云市场：https://marketplace.huaweicloud.com/markets/ai/机器视觉云市场：https://marketplace.huaweicloud.com/markets/holosensstore/index.htmlIOT云市场：https://marketplace.huaweicloud.com/markets/iot/混合云云市场：https://marketplace.huaweicloud.com/markets/hcs/鲲鹏云市场：https://marketplace.huaweicloud.com/markets/kunpeng/

转载https://blog.csdn.net/r6Auo52bK/article/details/101088166原文编注：近日，中科院院士、清华大学人工智能研究院院长张钹教授接受记者采访时认为，目前基于深度学习的人工智能在技术上已经触及天花板。从长远来看，必须得走人类智能这条路，最终要发展人机协同，人类和机器和谐共处的世界。未来需要建立可解释、鲁棒性的人工智能理论和方法，发展安全、可靠和可信的人工智能技术。张钹院士：AI奇迹短期难再现 深度学习技术潜力已近天花板在Alphago与韩国围棋选手李世石对战获胜三年过后，一些迹象逐渐显现，张钹院士认为到了一个合适的时点，并接受了此次的专访。深度学习目前人工智能最受关注的领域，但并不是人工智能研究的全部。张钹认为尽管产业层面还有空间，但目前基于深度学习的人工智能在技术上已经触及天花板，此前由这一技术路线带来的“奇迹”在Alphago获胜后未再出现，而且估计未来也很难继续大量出现。技术改良很难彻底解决目前阶段人工智能的根本性缺陷，而这些缺陷决定了其应用的空间被局限在特定的领域——大部分都集中在图像识别、语音识别两方面。同时，在张钹看来，目前全世界的企业界和部分学界对于深度学习技术的判断过于乐观，人工智能迫切需要推动到新的阶段，而这注定将会是一个漫长的过程，有赖于与数学、脑科学等结合实现底层理论的突破。作为中国少有的经历了两个人工智能技术阶段的研究者，张钹在过去数年鲜少接受采访，其中一个原因在于他对目前人工智能技术发展现状的估计持有部分不同看法，在时机未到之时，张钹谨慎的认为这些看法并不方便通过大众媒体进行传播，即使传播也很难获得认同。       一、“奇迹并没有发生，按照我的估计，也不会继续大量发生”               经济观察报：您是如何估计和评价目前人工智能发展的现状？张钹：这一轮人工智能热潮是本世纪初兴起的。首先是出现在学术界。学术界过去对人工智能是冷遇的，但是多层神经网络的出现带来了一些改变，神经网络的理论在上世纪50年代就有了，但是一直处于浅层的应用状态，人们没有想到多层会带来什么新的变化。真正引起大家注意的就是2012年斯坦福的实验（注：2012年谷歌和斯坦福利用多层神经网络和大量数据进行图像识别的实验），过去实验的图像样本数最多是“万”这个级别，斯坦福用了1000万，用多层神经网络来做，结果发现在人脸、**、猫脸三个图像类别中，这个模型的识别率大概有7%-10%的提高。这给大家非常大的震动，因为通常识别率要提高1%要做好多努力，现在只是把层数增加了，竟然发生两大变化，一个是识别率提高这么多；第二个是能处理这么大数据。这两个变化给大家非常大的鼓舞，何况在2012年之前，人工智能没有解决过实际问题。经济观察报：这种突破的原因是什么？张钹：现在分析下来是三个原因，大家也都非常清楚了，一个大数据、一个是计算能力、一个是算法。认识到之后，一夜之间业内业外对深度学习都非常震动，然后就发生了三件历史性的事件。第一件事是2015年12月，微软通过152层的深度网络，将图像识别错误率降至3.57%，低于人类的误识率5.1%；第二件事，2016年微软做的语音识别，其词错率5.9%，和专业速记员水平一样；第三件事：Alphago打败韩国围棋选手李世石。通过人工智能，利用深度学习、大数据这两个工具，在一定条件下、一定领域内竟然能够超过人类，这三件事情给大家极大的鼓舞。特别是对于业外的人，都认为我只要掌握了大数据，利用深度学习说不定还能搞出奇迹来，于是大家做了很多很多预测，比如在多短时间内计算机会在什么事情上能超过人。但实际上，在这个之后，奇迹并没有发生，按照我的估计，今后也不会大量发生。准确一点说，今后或许会在个别领域取得进展，但是不会像之前预计的那样全面开花。特别是中国市场乐观的认为“中国市场大、数据多，运用又不受限制，所以将来奇迹一定会发生在中国”。结果很多企业在做的时候发现，不是那么回事。从目前的情况来看效果最好的事情还是这两件：图像识别、语音识别。我看了一下，中国人工智能领域20个独角兽30个准独角兽企业，近80%都跟图像识别或者语音识别有关系。经济观察报：为什么会出现这样的情况？或者说在这么长时间后，我们对人工智能目前能做什么有一个清晰的认识了吗？张钹：人工智能在围棋上战胜人类后产生了这种恐慌，“大师才能做的事，人工智能居然能做，我的工作这么平凡，肯定会被机器所替代”。这里需要考虑一下它的局限性，我一直在各种各样的会上谈到不要过于乐观。人工智能能做的那三件事（语音识别、图像识别、围棋）是因为它满足了五个条件，就是说只要满足了这五个条件，计算机就能做好，只要有任何一个或者多个条件不满足，计算机做起来就困难了。第一个是必须具备充足的数据，充足不仅仅是说数量大，还要多样性，不能残缺等。第二个是确定性。第三个是最重要的，需要完全的信息，围棋就是完全信息博弈，牌类是不完全信息博弈，围棋虽然复杂，但本质上只需要计算速度快，不要靠什么智能，可是在日常生活中，我们所有的决策都是在不完全信息下做的。第四个是静态，包括按确定性的规律演化，就是可预测性问题，在复杂路况下的自动驾驶就不满足这一条；实际上它既不满足确定性，也不满足完全信息。第五个就是特定领域，如果领域太宽他做不了。单任务，即下棋的人工智能软件就是下棋，做不了别的。经济观察报：就是说在满足这五个条件的前提下，目前的人工智能是胜任部分工作的？张钹：如果你的工作符合这五个条件，绝对会被计算机替代，符合这五个条件的工作特点很明显，就是四个字“照章办事”，不需要灵活性，比如出纳员、收银员。如果你的工作富有灵活性和创造性，计算机绝对不可能完全代替，当然部分代替是可能的，因为其中肯定也有一些简单和重复性的内容。如果认识到这一条就会认识到人工智能仍处于发展阶段的初期。不是像有些人估计的那样“人工智能技术已经完全成熟，而进入发展应用的阶段”。二、“深度学习技术，从应用角度已经接近天花板了”      经济观察报：我们应该怎么去定义目前的深度学习技术路线，它是基于概率学的一个事物吗？张钹：       现在的深度学习本质是基于概率统计       ，什么叫做概率统计？没有那么玄，深度学习是寻找那些重复出现的模式，因此重复多了就被认为是规律（真理），因此谎言重复一千遍就被认为真理，所以为什么大数据有时会做出非常荒唐的结果，因为不管对不对，只要重复多了它就会按照这个规律走，就是谁说多了就是谁。我常常讲我们现在还没有进入人工智能的核心问题，其实人工智能的核心是知识表示、不确定性推理这些，因为人类智慧的源泉在哪？       在知识、经验、推理能力，这是人类理性的根本。       现在形成的人工智能系统都非常脆弱容易受攻击或者欺骗，需要大量的数据，而且不可解释，存在非常严重的缺陷，这个缺陷是本质的，由其方法本身引起的。经济观察报：就是说通过改良的方式无法彻底解决？比如我们再增加神经网络层数和复杂性或者再提升数据的量级，会解决它的缺陷吗？张钹：       改良是不行的，深度学习的本质就是利用没有加工处理过的数据用概率学习的“黑箱”处理方法来寻找它的规律，这个方法本身通常无法找到“有意义”的规律，它只能找到重复出现的模式，也就是说，你光靠数据，是无法达到真正的智能。      此外，深度学习只是目前人工智能技术的一部分，人工智能还有更大更宽的领域需要去研究，知识表示、不确定性处理、人机交互，等等一大片地方，不能说深度学习就是人工智能，深度学习只是人工智能的一部分。一直到去年人工智能大会交流的论文还是三分之一是机器学习方面，三分之二是其他方面。经济观察报：学界在这上面还是有一个比较清晰的认识？张钹：       我可以这么说，全世界的学界大多数有清晰的认识；       全世界的企业界大多持过于乐观的估计。            为什么出现这样的情况呢？因为从事过早期人工智能研究的人，大多已经故去或者年老，已经没有话语权。现在活跃在人工智能研究第一线的都是深度学习、大数据兴起以后加入的，他们对人工智能的了解不够全面。经济观察报：如果说每一个技术路线都有一个“技术潜力”，那么在深度学习方面，我们已经把这个潜力用了多少？张钹：       科学研究是很难精确估计的，但是深度学习如果从应用角度，不去改变它，我觉得已经接近天花板了，就是说你要想再出现奇迹的可能性比较小了。经济观察报：那基于此，目前商业公司在底层技术和产业应用上还是有很大的空间吗？张钹：只要选好合适的应用场景，利用成熟的人工智能技术去做应用，还有较大的空间。       目前在学术界围绕克服深度学习存在的问题，正展开深入的研究工作，希望企业界，特别是中小企业要密切注视研究工作的进展，及时地将新技术应用到自己的产品中。当然像谷歌、BAT这样规模的企业，他们都会去从事相关的研究工作，他们会把研究、开发与应用结合起来。经济观察报：有一种观点认为我们强调的“白盒”（可理解性）它实际上是从人的思维来强调的，但是通过大数据、概率统计工具离散到连续的投射，它实际上是机器的思维，你不一定需要它给你一个解释，只要正确的答案就可以了？张钹：       目前有两种意见，一种观点认为智能化的道路是多条的，不是只有一条路能通向智能，我们通过自然进化产生了自然智能，那么我们为什么不能通过机器产生机器智能？这个智能和自然智能不会是完全一样的，条条大路通罗马，我们通过自然进化获得的智能也不见得是最佳的。这个观点我赞成，机器智能与人类不相同，其实是有好处的，恰恰可以互补，发挥各自的长处。但是从长远来看，必须得走人类智能这条路，为什么？因为我们最终是要发展人机协同，人类和机器和谐共处的世界。我们不是说将来什么事情都让机器去管去做，人类在一边享受。我们要走人机共生这条路，这样机器的智能就必须和人类一样，不然没法共处，机器做出来的事情，我们不能理解，我们的意图机器也不知道，二者怎么能合作？经济观察报：就是必须具有可解释性？张钹：       是，就是可解释性，你要它做决策，你不理解它，飞机就让它开，谁敢坐这架飞机？所以目前的阶段，车和飞机还是不能完全让机器开的。为什么司机坐在上面我们放心？因为我们和他同命运，要撞死一块撞死，机器和你可不是同一命运，它撞不死，你撞死了。有的人非常脱离实际的去想这个问题，这是不对头的，人类怎么会去那样发展机器呢（注：指把人类的命运全部交给机器）？人类不会去那么发展的，有些人在那边担忧什么机器人统治人类，我说这最多只能算远虑。经济观察报：所以图灵的论文中也说这种观点“不值一驳”。张钹：       是，那是远虑，我们目前还有很多近忧，发展人工智能必须要考虑安全问题，这已是现实问题。你看语音合成，利用现有的技术可以做到以假乱真，和真人基本没有差别。现在看来这种技术不能推广应用，因为一旦推广就全乱套了，只要搞一段用语音合成技术做成的假录音，就可以让任何一位名人身败名裂。这些都是非常危险的技术。人工智能的治理已经提到日程上了。三、“我们培养不出爱因斯坦、培养不出图灵”经济观察报：一种观点认为中国有更多的数据和更多的工程师，这种规模能倒推带来基础研究层面的突破或者决定技术的路线？张钹：这里混淆了好多概念，科学、技术、工程。科技水平需要三个标准来衡量，一个是科研水平、一个是技术水平、一个是工程实践能力，或者产业化能力。我们中国什么情况？从工程角度来看，在一些领域我们“接近世界水平”；技术水平我用的词是“较大差距”，因为不少东西还是外国会做我们不会做；科研究领域我用的词是“很大差距”，科学研究就是原创，实际上，所有人工智能领域的原创成果都是美国人做出来的，人工智能领域图灵奖得主共十一人，十个美国人，一个加拿大人。经济观察报：数据显示中国在人工智能领域的论文发表量和被引用次数都已经进入前列位置，这是否说明中国人工智能科学研究领域的突破？张钹：如果单从论文来看研究水平，基本反映在三个指标上：数量、平均引用率、单篇最高引用率。拿人工智能来讲，中国研究者论文的数量和平均引用率都还不错，但是单篇最高引用率和世界差距就很大，而这个指标恰恰是反映你的原创能力。也就是说深度学习这个领域，我们的平均水平达到世界水平了，但是最高水平和世界差距还是很大的。不过还是要肯定的，我们应用上发展比较快。经济观察报：清华在这方面有什么优势吗？张钹：在人工智能重要的会议杂志上，这十年期间论文数量、平均质量CMU（美国卡耐基梅隆大学）排第一，清华大学排第二。我们培养的人，在计算机这个领域，清华的本科、博士生都是世界一流的。目前我们的跟踪能力是比较强的，一旦有人起个头，我们能迅速跟上去。但是很可惜，我们缺乏顶尖人物，也培养不出顶尖的人才，如爱因斯坦、图灵等。我个人认为原因之一，可能与中国的文化有点关系，我们的从众心理很严重，比如在人工智能领域，深度学习很热，发表的论文作者中几乎70%是华人，但是其他非热门领域，包括不确定性推理、知识表示等几乎没有华人作者。这就是从众扎堆，不愿意去探索“无人区”。当然也不要着急，科学研究本来就是富人干的事情，是富国干的事情，我们还是发展中国家，科学研究起点比较低，暂时落后是难免的，我们会迎头赶上。     四、“低潮会发生，但不会像过去那样”            经济观察报：如果说深度学习已进天花板，那么人工智能未来的前进方向将会在哪？           张钹：最近我们准备提出一个新的概念，就是第三代人工智能的概念，人工智能实际上经历过两代，第一代就是符号推理，第二代就是目前的概率学习（或深度学习），我们认为现在正在进入人工智能的第三代。原因很明显，第一代、第二代都有很大的局限性。经济观察报：你所说的第三代人工智能技术是有明确的实现方向或者特点吗？张钹：我们现在提出的是要建立可解释、鲁棒性（注：       可以理解为稳健性）的人工智能理论和方法，发展安全、可靠和可信的人工智能技术。            经济观察报：这样的技术可能要等很久？张钹：是啊，很难预计，我们也很着急。经济观察报：是不是还得回归到数学等理论层面里再去找新的方法？张钹：这个目前我们有两条路，一个是和数学结合，一个是和脑科学结合。你想想如果没有新的数学工具，没有来自于脑科学启发下的新思路，哪来的新理论？另一方面是要把数据驱动和知识驱动结合起来，因为通过数学、脑科学上寻求突破是比较艰难的，前面这件事现在则完全能够做。经济观察报：这个结合是指之前几十年人工智能的经验统合到一块？张钹：是的，至少有一个方向就是要把第一代和第二代结合，利用各自的优势。但是这两个结合很困难，因为他们在不同空间中操作，一个是向量空间，一个是符号空间，也需要有新的数学工具的加入。经济观察报：看人工智能历史，每一代技术之间有很长的间隔期，第三代人工智能技术也会这样吗？张钹：我认为会更长，因为需要攻坚，因为遇到的问题更困难。经济观察报：会不会再过10年、20年，人工智能在学界或者公众心中，又变成一个“隐学”，就像70、80年代那样，大众又不会再经常提起来这个词？张钹：低潮会发生，但不会像过去那样，原因在哪？因为有大数据、互联网和强大的计算资源，这些都会支撑人工智能继续走下去，尽管有的时候还只是表面上的繁荣。      附：       在2018 全球人工智能与机器人峰会上，清华大学人工智能研究院院长张钹院士做题为“走向真正的人工智能”（Towards A Real Artifitial Intelligence）的大会报告。以下为报告全文，供大家学习交流。张钹院士：走向真正的人工智能            我今天要讲的中心思想就是：我们现在离真正的人工智能还有一段很长的路。为了讲清这个思想，我必须回答下面三个问题：第一，什么叫做真正的人工智能？我们的目标是什么？      第二，为什么我们需要真正的人工智能？           第三，我们如何走向真正的人工智能？           我现在回答这三个问题。首先我们如何评价目前人工智能取得的成果，我们的评价很简单，针对这 5 件事：第一是深蓝打败人类国际象棋冠军；第二是 IBM 在电视知识竞赛中打败了美国的前两个冠军，这两件事是一种类型，后面的三件事是另外一种类型；即 2015 年微软在 ImageNet 上做图象识别，它的误识率略低于人类。还有百度、讯飞也都宣布在单句的中文语音识别上，它的误识率也略低于人类。还有一个是大家非常熟悉的 AlphaGo 打败了李世石。这 5 件事情都是机器在一定的范围内超过了人类，我们如何来评价这 5 件事？大家一致认为这 5 件事之所以成功，是由于前面三个因素，一是大数据，二是计算能力提高，第三是有非常好的人工智能算法。这三个因素大家都讨论得非常多了，没必要我再来说，我现在要说的最后一个因素是被大家所忽略的，这个因素是说，这所有的成果必须建立在一个合适的应用场景下。这 5 件事虽然领域很不一样，但是它们都满足完全一样的条件，或满足下面的 5 个限制，首先你必须有丰富的数据或者丰富的知识，如果这两件东西没有，或者很少，你不用来谈人工智能，因为你无法实现无米之炊。人工智能唯一的两个资源，一个是数据，一个是知识。还有确定性信息、完全信息、静态的、单任务和有限领域。这 5 个条件里面任何一个条件不满足，现在的人工智能做起来就非常困难了。大家想想这 5 个限制条件下的应用场景是什么样的应用场景？就是照章办事，不需要任何灵活性，这显然不是智能的核心。我们现在分析一下上述 5 个场景。下象棋是完全信息博弈，信息完全和确定，没有问题。其次，它遵循着完全确定的游戏规则演化，我们把这种情况也叫做静态。Watson 机器人也是这样，Watson 是什么样的对话问题呢？它为什么选择知识竞赛呢？我们知道知识竞赛提的问题都没有二义性，都是明确的，它的答案总是唯一性的。所以这样的问答对机器人来讲是非常容易的。它涉及的领域虽然比较宽，但也是有限的，包括大家觉得很玄乎的围棋，也完全符合上面 5 个条件，所以对计算机来说也是很容易的。目前计算机打麻将就不行，因为牌类是不完全信息博弈，所以比棋类要难。总之，我们对目前人工智能取得的成果要有一个正确的评价。目前的人工智能技术在以下领域都可以找到它的应用，它们是交通、服务、教育、娱乐等等，但我要强调是这些领域里面只有满足上述 5 个条件的事情，计算机做起来才会容易，如果不满足这些条件，计算机就做起来就困难了。大家常常关心什么样的工作会被机器所替代，我可以明确告诉大家，满足这 5 个条件的工作，总有一天会被计算机取代，就是那些照章办事，不需要任何灵活性的工作，比如说出纳员、收银员等等。在座的所有工作都不可能被计算机完全代替，但不排斥你的工作中有一部分会被计算机取代，老师、企业家等的工作不可能被计算机完全代替。为什么有这 5 个限制？原因在于我们现在的人工智能是没有理解的人工智能。            我们先看符号模型，理性行为的模型，举 Watson 的例子，它是个对话系统，我们现在所有做的对话系统都跟这个差不多，但是 Watson 做得更好些，它里面有知识库，有推理机制。沃森除了专家知识之外，还有大量互联网上大众的知识，还运用了多推理机制。请看，这就是 Watson 系统的体系结构。它里面有哪些知识呢？有很多，包括百科全书、有线新闻、文学作品等等。所有的知识用纸质来表示有 2 亿页，用存储量表示达到了 4TB。它能回答什么问题呢？用它的例子来说明。第一个问题，1974 年 9 月 8 日谁被总统赦免？这对美国人来讲很好回答，同样对计算机来讲也很好回答，你用这几个关键字「1974 年 9 月 8 日」、「被总统赦免」，就能在文献里头查出来是谁，他就是尼克松。也就是说根据问题中的关键字，可以在已有的文献里头直接找到答案，这就是一般的网络检索方法。第二个问题，荧光粉受到电子撞击以后，它的电磁能以什么方式释放出来？我们用「荧光粉」、「电子撞击」、「释放电磁能」等关键词，也可以找到答案：「光或者光子」。这种方法就是平时网络搜索的原理，应该说没有什么智能。回答下面的问题就需要「智能」了，跟智利陆地边界最长的是哪个国家？跟智利有陆地边界的国家可以检索到，它们是阿根廷和玻利维亚，但是谁的边境长？通常查不到。Watson 具备一定的推理能力，它从边界间发生的事件、边界的地理位置等等，经过分析推理以后就可以找出答案，它就是阿根廷。下一个问题也属于这种性质，跟美国没有外交关系的国家中哪个最靠北，跟美国没有外交关系的国家有 4 个，只要检索就行了，但是哪个国家最靠北，没有直接答案，但可以从其它信息中推导出来，比如各个国家所处的纬度、气候寒冷的程度等等分析出来，答案是北朝鲜。智能体现在推理能力上。       但是很不幸，现在的对话系统推理能力都很差。Watson 系统好一些，但也很有限。换句话说，我们现在的对话系统离真正的智能还很远。      我们通过索菲亚机器人就可以看出来，索菲亚的对话是面向开放领域，你可以随便提问，问题就暴露出来了。大家在电视上看到索菲亚侃侃而谈，问什么问题都能答得很好，这里面有玄机，如果你的问题是预先提出来的，因为里头有答案，因此回答得非常好，在电视上给大家演示的都是这种情况。如果我们临时提问题，问题就出来了。这是一个中国记者给索菲亚提的 4 个问题，它只答对了一个。「你几岁了」，这个问题很简单，它答不上来，它的回答是「你好，你看起来不错」，答非所问，因为它不理解你所问的问题。只有第二个问题它是有准备的，里面有答案，所以答得很好。「你的老板是谁」，这个肯定它有准备。第三个问题，「你能回答多少问题呢」？它说「请继续」，没听懂！。再问第四个问题，「你希望我问你什么问题呢」？它说「你经常在北京做户外活动吗」？这就告诉我们说，现代的问答系统基本上没有理解，只有少数有少量的理解，像 Watson 这样算是比较好的。           为什么会这样？也就是说我们现在的人工智能基本方法有缺陷，我们必须走向具有理解的 AI，这才是真正的人工智能。我这里提出的概念跟强人工智能有什么区别？首先我们说它在这点上是相同的，我们都试图去准确地描述人类的智能行为，希望人工智能跟人类的智能相近，这也是强人工智能的一个目标，但是强人工智能只是从概念上提出来，并没有从方法上提出怎么解决。大家知道强人工智能提出了一个最主要的概念，就是通用人工智能。怎么个通用法？它没有回答。我们现在提出来的有理解的人工智能是可操作的，不只是概念，这是我们跟强人工智能的区别。人机对话的时候，机器为什么不能理解人们提的问题。我们看一个例子就知道了，我们在知识库里把「特朗普是美国总统」这个事实，用「特朗普-总统-美国」这三元组存在计算机里面，如果你提的问题是「谁是美国总统」？机器马上回答出来：「特朗普」。但是你如果问其它有关的问题，如「特朗普是一个人吗」？「特朗普是一个美国人吗」？「美国有没有总统」？它都回答不了。它太傻了，任何一个小学生，你只要告诉他特朗普是美国总统，后面这几个问题他们绝对回答得出来。机器为什么回答不了后面的三个问题呢？就是这个系统太笨了，没有常识，也没有常识推理。既然特朗普是美国的总统，美国当然有总统，但是它连这一点常识的推理能力都没有。所以要解决这个问题，必须在系统中加上常识库、常识推理，没有做到这一步，人机对话系统中机器不可能具有理解能力。但是大家知道，建立常识库是一项「AI 的曼哈顿工程」。大家想想常识库多么不好建，怎么告诉计算机，什么叫吃饭，怎么告诉计算机，什么叫睡觉，什么叫做睡不着觉，什么叫做梦，这些对人工智能来说都非常难，美国在 1984 年就搞了这样一个常识库的工程，做到现在还没完全做出来。可见，要走向真正的人工智能，有理解的人工智能，是一条很漫长的路。这里介绍一点我们现在做的工作，加**识以后，对话的性能会不会有所改善。       我们的基本做法是建立一个常识图谱，用这个图谱帮助理解提出的「问题」，同时利用常识图谱帮助产生合适的答案。            下面就涉及到具体怎么做了，我不详细说了，我就说结果，结果是有了常识以后，性能有了显著的改善，对话的质量提高了。这篇文章已经发表，有兴趣可以去阅读。另外是准符号模型，深度学习、神经网络主要用来模拟感性行为，感性行为是一般很难采用符号模型，因为感性（感觉）没法精确描述。比如「马」，怎么告诉计算机什么叫做马？你说马有四条腿，什么叫做腿？你说细长的叫做腿，什么叫细？什么叫做长？没法告诉机器，因此不能用符号模型。目前用的办法就是我们现在说的神经网络或者准符号模型，也就是用人类同样的办法，学习、训练。我不告诉机器什么叫做马，只是给不同的马的图片给它看，进行训练。训练完以后，然后再用没见过的马的图片给它看，说对了，就是识别正确了，说不对就是识别不正确，如果 90% 是对的，就说明它的识别率是 90%。后来从浅层的神经网络又发展到多层的神经网络，从浅层发展到多层有两个本质性的变化，一个本质性的变化就是输入，深层网络一般不用人工选择的特征，用原始数据就行。所以深度学习的应用门槛降低了，你不要有专业知识，把原始数据输进去就行了。第二个是它的性能提高很多，所以现在深度学习用得很多，原因就在这个地方。通过数据驱动建立的系统能不能算是有智能呢？必须打一个很大的问号，就是说你做出来的人脸识别系统甚至识别率会比人还高，但是我们还不能说它有智能，为什么呢？这种通过数据驱动做出来的系统，它的性能跟人类差别非常大，鲁棒性很差，很容易受干扰，会发生重大的错误，需要大量的训练样本。我们刚才已经说过，给定一个图像库我们可以做到机器的识别率比人还要高，也就是说它可以识别各种各样的物体，但是这样的系统，我如果用这个噪声输给它，我可以让它识别成为知更鸟，我用另外的噪声输给它，可以让它识别成为猎豹。换句话讲，这样的系统只是一个机械的分类器，根本不是感知系统。也就是说它尽管把各种各样动物分得很清楚，但是它不认识这个动物，它尽管可以把猎豹跟知更鸟分开，但是它本质上不认识知更鸟和猎豹，它只到达了感觉的水平，并没有达到感知的水平，它只是「感」，没有上升到「知」。我们的结论是，只依靠深度学习很难到达真正的智能。这是很严峻的结论，因为如果有这样的问题，在决策系统里头是不能用这样的系统，因为它会犯大错。我在很多场合讲过，人类的最大的优点是「小错不断、大错不犯」，机器最大的缺点是「小错不犯，一犯就犯大错」。这在决策系统里头是不允许的，这就显示人跟机器的截然不同，人非常聪明，所以他做什么事都很灵活，这就使得他很容易犯各种各样的小错。但是他很理性，很难发生大错。计算机很笨，但是很认真，小错误绝对不会犯，但是它一犯就是天大的错误。刚才把那个把噪声看成知更鸟，这不是大错吗？你把敌人的大炮看成一匹马，不是大错吗？但是人类不会发生这种错误，人类只会把骡看成驴，但是计算机的识别系统会把驴看成一块石头。原因在哪儿？原因还是 AI 的理解能力问题。我们看这个自动驾驶，过去讲得很多，而且讲得很乐观，我们看看问题在什么地方。我们现在是这样做，我们通过数据驱动的学习方法，学习不同场景下的图象分割，并判别是车辆还是行人、道路等，然后建立三维模型，在三维模型上规划行驶路径。现在用硬件已经可以做到实时，请问大家，这样能不能解决问题？如果路况比较简单，行人、车辆很少，勉强可以用。复杂的路况就用不了。什么原因？非常简单，好多人总结出这个经验，行人或者司机都会有意无意破坏交通规则，包括外国人也一样，中国人更严重一点。这就使得数据驱动方法失效，比如说我们可以用数据驱动方法来了解各种各样行人的行为，我们可以通过大量进行训练，都训练完以后，如果出现新的情况呢？计算机能理解这是人从底下钻过来，很危险吗？所以你不可能把所有情况都训练到。自动驾驶不可能对付突发事件，如果这个突发事件它没见过，它就解决不了。怎么来解决这个问题呢？实际上就是要解决从「Without」到「With」理解的问题。人工智能现在有两种基本方法，一种是用符号模型来模拟理性行为，符号模型可以表达信息的内容，所以它是在一个语义的符号空间里头，但是非常不幸，这个离散的符号表示，数学工具很难用，很多数学工具用不上去，所以它发展很慢。在模拟感性行为的时候，我们用的是特征空间的向量，向量就是数，可以把所有的数学工具都用上，优化的工具、概率统计的工具全部用上。所以数据驱动方法这几年发展非常快，再难的问题，下围棋非常难吧，计算机也可以「算」出来。但是它有一个非常大的缺陷，它是在特征空间里，缺乏语义。我们用数据去训练一个模型，所谓「黑箱学习法」，加上你的数据质量不高，很难学出有用的东西。什么叫概率统计？重复多了就是真理。如果数据质量差，充满了「谎言」。谎言重复多了，就变成真理了。我们现在想出的解决办法是这样的，就是把这两个空间投射到一个空间去，这个空间叫做语义的向量空间。       也就是说我们把符号变成向量，同时把特征空间的向量变成语义空间的向量。怎么做？一是通过 Embedding（嵌入）把符号变成向量，尽量保持语义不变，可惜现在的方法都会引起语义的丢失，我们只能在投射的过程中让语义丢失得少。第二方面做的工作比较少，就是 Raising（提升），把特征空间提升到语义空间去，这主要靠学科交叉，靠跟神经科学的结合。只有这些问题解决以后，我们才能够建立一个统一的理论，因为过去的感知和认知是不同的处理方法，大家说不到一块，如果我们能够投射到同一空间去，我们就可以建立一个统一的理论框架，这是我们的目标。在语义空间处理就可以解决理解问题，但是这项工作是非常艰巨的。介绍一项我们现在做的工作。人工神经网络为什么不能得到语义信息呢？人脑的神经网络为什么可以呢？差别就在这里，我们现在用的人工神经网络太简单了，我们正想办法把脑神经网络的许多结构与功能加进去，我们这里只用了「稀疏发电」这一性质，就可以看出一些效果，人脸、大象或者鸟的轮廓，神经网络可以把它提取出来。还有一个办法就是把数据驱动跟知识驱动结合起来。       刚才讲了，人的智能没法通过单纯的大数据学习把它学出来，那怎么办？很简单，加上知识，让它有推理的能力，做决策的能力，这样就能解决突发事件。我们现在做的工作就是把这些结合起来，这是我们的基本思路，知识也好，数据也好，都投射到同一空间，然后都用同样的数学方法进行处理，这方面我们已经做了不少工作。最后做一个总结，我们从这个坐标看人工智能，横轴代表领域的宽窄，从单领域到多领域、到开放领域。纵轴代表信息的确定性与完全性，从完全到不完全、从确定到不确定。在左下角代表最容易的，就是刚才讲的符合 5 个条件的，现在人工智能在这部分解决得非常好，我们用白色来表示它，AlphaGo 在这里，深蓝在这里，工业机器人在这里。现在我们正在向灰色地区去走，打牌，信息不完全，现在打德州扑克，一人对一人，计算机能战胜人类，多人对弈，计算机还不行，这是灰色地带，我们还可以做，为什么可以做？尽管打牌是不确定的，但是它在概率意义下是确定的，你拿的这副牌的概率，可以算出来，同花的概率是多少，排成顺的概率是多少，既然概率能算出来，最终人类肯定会被计算机打败。Watson 在右边，它的领域比较宽，但是它是确定性的，所以是在灰色的区域。往右上方去就比较难了，自动驾驶、服务机器人、大数据分析，它是一个大框，有的简单，有的困难，就自动驾驶来讲，专用道、行车很少，路况简单等，在白色或者灰**，如果路况复杂就到了黄**域，黄**现在计算机还解决不好。最远的在哪儿呢？右上角，图灵测试。大家对图灵测试有很多误解，其实图灵测试是开领域问答，很难！索菲亚做得怎么样？很糟糕。自然语言理解也在这里，复杂环境下的决策在偏左一点的地方，这也是很难的。所以我们人工智能现在是从左下角往右上角走，我们现在处在出发点附近。有的人想把它用一些名词来区分人工智能的不同发展阶段，有专家问我，你的看法怎么样？我建议不要用新词，用新词往往说不清，很麻烦，有的人说现在是弱人工智能，以后是强人工智能，也有人说现在叫增强智能（Augmented Intelligence）也是 AI……概念太多说不清，还是简单一点，「我们正在通往真正 AI 的路上」，现在走得并不远，在出发点附近，人工智能永远在路上，大家要有思想准备，这就是人工智能的魅力。       大家为什么这么重视人工智能？因为我们永远在路上，这就吸引我们去解决这些问题，这些问题一旦解决了，人类的社会进步、人类的生活就会发生本质上的改变。            最后我用中文写最后一段作为总结，可惜我翻译不了。周穆王西巡狩，路遇匠人名偃师。翌日偃师谒见王，偕来一个假人。「趋步俯仰，信人也」。「领其颅，则歌合律；捧其手，则舞应节。千变万化，惟意所适。王以为实人也，与盛姫内御并观之，技将终，倡者瞬其目而招王之左右侍妾。王大怒，要杀这个偃师。偃师大慑，立剖其倡者以示王，皆傅会革、木、胶、漆、白 、黑、丹、青之所为。穆王始悦，诏贰车载之以归。这是 3000 年前我们古人对机器人的想象，看看现在的人工智能做得怎么样呢？索菲亚是我们现在达到的水平，可是她不会唱歌、不会跳舞，只会说英文，周王也听不懂，肯定没有印象。现在我们假设索菲亚「瞬其目而招王之左右侍妾」，向周王的姨太太们送去秋波，王会如何呢？我认为没反应，因为索菲亚是女的，他用不着吃醋。但是我们假设索菲亚「瞬其目而招王」，向大王送去秋波，王会大悦，立即神魂颠倒，坠入爱河？我认为不会，因为索菲亚根本不像人，它最近才刚刚安上手脚，走路都不利索，怎么行呢？所以我的结论是，「索菲亚通不过穆王的测试，当然它更通不过图灵测试」。我们的结论是什么？       人工智能刚刚起步，离真正的 AI 还很遥远，       大家共同努力吧，我们任重道远。