一些问题

1. 大公司在数据和人才上有巨大优势，那么创业公司的机会在哪里？投资者可以关注哪种规模的创新？

• 在语音识别、人脸识别上，小公司非常难与大公司竞争，除非有意料之外的技术突破。同时，也有很多小垂直领域适合创业公司，比如医疗影像。有一些疾病的病例不多，如果有一千张影像，也许就涵盖了所有所需的数据了，一些垂直领域需要的数据量也不大。

• 另外，AI的机遇非常多，大公司会放弃很多的小的垂直市场，因为精力有限，大的机会还研究不过来。

2. AI在发明创造上，有哪些进展？

• 还很早期。AI可以作曲，但这很主观。20年前的技术做出来的曲子有人喜欢，有人不喜欢。有些项目用AI制作图片特效，用特效模仿某画家作品，这些都是小而有趣的领域。现在还看不到有什么技术路线能发明复杂的系统。

3. 如果摩尔定律不再成立，对AI的扩展性有什么影响？

• 一些高性能计算公司的硬件路线图显示，摩尔定律在单芯片上不再那么有效，但神经网络、深度学习所需的计算类型在未来几年仍然能很好地扩展。SIMD（单指令多数据）让并行化处理负载非常容易。神经网络很容易并行化，加速计算的空间还很大。

• AI面对的诸多问题中，许多问题的瓶颈在于数据，也有很多的瓶颈在于计算速度——能便宜地处理数据的速度赶不上获得数据的速度。所以高性能计算的路线图应该包括这方面。

4. 算法是AI里的特殊作料。是否应通过知识产权保护，还是绕过这个问题去设计产品？对机器学习的研究者，是否有和AI产品经理-工程师那样类似的流程或良性循环，来实现突破或改善研究流程？

• 知识产权的问题比较难讲。有些公司申请了大量专利，但是是否真能带来实质性的保护？所以我们往往从如何从战略上思考细节，比如让数据保护自己。

• 研究机构更偏好新鲜、抢眼球的东西，来发表论文。训练新研究者的办法通常是读很多论文。而大家常常忽视重复论文里的试验的重要性。不一定要把精力大量用于发明新东西，而花时间重复别人的发布结果也是很好的培训方法。和培训博士生一样：去学习和理解别人的论文，重复别人的试验，争取获得类似的结果，很快你就能产生自己的想法去推动最新的科技。

5. 对希望从事机器人相关工作的机械工程学生，有哪些和AI、机器人相关的机会比较适合？

• 很多机械工程背景的人，在AI领域很成功。可以上一些计算机/AI课程，和AI领域的老师聊聊。一些垂直领域存在有趣的AI机器人的机会，比如精准农业。Blue River用计算机视觉来区分不同植物，比如不同品种卷心菜，选择留下哪些，除掉哪些，来提高产量。

• 中国也生产和销售很多社交和伴侣机器人，美国还没起怎么起步。

6. 让AI和人配合起来的前景如何？很多AI应用是基于AI自己，如果采用AI+人的混合方案？比如自动驾驶等？

• 没有统一的规则，应该跟实际情况有关。很多语音识别是为了让人类更高效，比如通过手机。对自动驾驶汽车，可能需要10-15秒来转换控制权，因为难让容易分神的人快速接手驾驶，很困难。这种情况下，由AI独立控制更安全。所以从使用者角度来讲，人类和AI混合的自动化比较困难。

7. 对在线教育而言，主要问题是动机，人们不愿意花那么多时间来学完整个课程。这是不是最大的挑战？其他还有什么挑战？

• AI对在线教育有帮助。个性化的辅导已经谈论了很长时间，Coursera用AI推荐个性化的课程，自动打分，在细节上确实有帮助。但在利用AI之前，教育的数字化还有很长的路要走。很多行业都有个规律：先有数据，再有AI，比如医疗，美国电子病历（EHR）的进展很大。随着电子病历的兴起，影像胶片变成数码图片，这些数字化产生了很多数据供AI使用，并产生价值。教育需要先经历数字化，这一阶段还有很多工作要做。

8. 百度如何用AI来管理自己的云上数据中心？比如IT运维管理的例子？

• 两年前，百度做了个项目，可以提前一天自动检测出硬件故障，特别是硬盘故障。这就可以事先拷贝、热插拔进行预防处理。还可以降低数据中心的用电量，负载均衡等，都是很多小细节的改善。

9. 能否举一些例子说明能通过仔细地建模和规划，用AI解决的复杂问题？对这些问题，人类可能需要进行长时间的思考。

• 亚马逊是个很好的例子。它知道我浏览过什么，读过什么，比我太太更了解。电脑对人们看过什么，点击过什么广告更了解，所以在广告方面做得非常好。对于有些任务，计算机可以处理的信息量远远超过人类，并根据规律建模，进行预测，这方面AI比人做得更好。

• 将AI融入人类工作的很大一部分，是将一块块的AI部分串成一个大系统。比如为了造自动驾驶汽车，要用相机拍摄的图像，雷达等，组成车前方的一幅图，再由监督学习估算和其他车的距离，以及和行人的距离，这只是两个重要的AI部件，还需要其他的部件来估计5秒后车的位置，行人的方向。还有一个部件来分析，根据行人车辆等不同对象的运动情况，我应该怎么走？然后还需要算方向盘的旋转程度，以此类推。

• 所以复杂的AI系统有很多小AI部件，工程人员要知道如何将这种超级学习能力融合到更大的系统里，来创造价值。

10. 产品经理和社会学家、律师等如何协调？比如自动驾驶汽车在撞人前，开发者和AI应从驾驶者，还是行人的角度考虑问题？这只是个法律问题，但也有很多类似情况。产品管理者和不同的功能部门的合作时，应该扮演什么角色？

• 这个问题的一个相似版本是“有轨电车”问题，会产生伦理矛盾。一个电车走到岔道口，继续往前会撞死5个人，你可以用扳手将电车扳到另一条轨道，撞死该轨道上的一个人，而你成为凶手，你扳吗？

• 除了在哲学课里，很少有谁在现实生活里遇到过这个问题，所以，它并不重要。自动驾驶的开发者没去讨论它。实际上，如果谁真正遇到了，可能之前已经犯了其他错误了。自动驾驶处理的问题更实际，和你自己开车一样。比如，对面有个白色的大车，是否能及时刹车？