“人工智能的运算能力已经超过人类很多，但是在学习和理解的能力上还远远赶不上我们。只有充分搭建好深度学习的模型，更好开放数据和信息共享，我们才能较快地看见人工智能更广泛的应用。”
4月28日，在GMIC领袖论坛上，百度副总裁李明远、微博CEO王高飞、猎豹移动CEO傅盛和主持人长城会创始人文厨展开了一番精彩的对话。在谈到已成为社会话题和全民猜想的“人工智能发展”话题时，李明远道出了这个观点。
百度是本场对话中唯一在人工智能领域有全面研发和深度应用背景的企业。因此李明远的发言格外受到在场嘉宾和场下听众的重视。
在回答主持人文厨关于“人工智能的时代真的来了吗”这个问题时，李明远首先提出：从运算能力来看，机器和人工智能系统早已经超过人类。但是现在人工智能的学习和理解能力是很受限的。机器不会明白运算的目的，以及用什么方法去运算。这些都需要人类给予指定。所以人工智能的发展必需突破机器学习、理解的维度，让机器接管整个运算流程中更多的部分，最终突破人类对数据的一些理解模式。“所以人工智能要独当一面，还需要好几年时间。”李明远认为。
傅盛对李明远关于对人工智能的观点表示赞同。他说“前段时间我看完几场阿法狗战胜人类棋手的直播感觉十分震撼。围棋下到很高的层次是一般人学不来的本事，而人工智能在这方面却做得这么好。后来我认真研究了一下深度学习，发现只要有足够理想的深度学习模型搭建，就能完成以前的算法怎么也解决不了的问题。人工智能未来确实有可能产生极速的突破。”
李明远还对方兴未艾的人工智能行业发展提出了建议。他举例道，以前汽车行车电脑里积累的数据可能很少拿给人工智能算法工程师去分析。在智慧汽车和无人车时代，这样业务口彼此封闭的做法肯定不行。我们必须做到打破产业应用中各工作端的交流边界，打破人跟机器间的数据边界，甚至打破互联网行业和汽车行业的边界。
“只有充分共享信息和数据，才能突破人工智能现存的一些发展瓶颈，提升算法的准确度，进而提升整个人工智能的应用水平。”李明远强调。
以下为演讲实录：
文厨：
前一段时间Alpha Go的对弈，Alpha Go最终胜出，人工智能的时代真的来了吗?昨天看到很多新闻，说猎豹的机器人公司，傅盛你先说一说。
傅盛：
其实我当过一段极不合格的程序员，大概写几个月的程序写不下去只好改行，但我对技术还是有很多热情的，从去年年初猎豹上市我当时做国际化，我在硅谷、以色列看到很多科技初创公司，当时发现一个惊人的现象，以前我认为很复杂的技术，或者说我根本没有想到能做到的技术他们已经开始展示出来了，当时我不知道后边有深度学习的东西，一直到Alpha Go出现的时候，当时我隐约地预感，很多技术壁垒是不是在突破，比如说视觉，计算机看数很擅长，看一张图看不懂。视觉不管是一只猫还是开车，判断前方的障碍物，虽然没有到全智能。我最近买了一辆P90D，特斯拉的，在五环双手离开方向盘还直播，后来看到Alpha Go之后当时很被震撼，围棋属于我智商学不下去的棋种，后来知道他赢这么成功，我认真研究了一下深度学习，可能李明远更了解一些。只是通过一些模型的搭建就能完成以前的算法怎么也解决不了的问题。想做一个机器人公司，机器人的核心是和人的交互和对世界的理解，他站在这里他知道谁是谁，能够有怎样的任务。
而且Alpha Go代表一个时代，所有重复性的脑力劳动，比如说下围棋、下象棋，天天扫地，都应该被机器人代替，这样我们可以解脱出来踏向诗和远方。
李明远：
机器的算力超过人已经很长时间了，人工智能从运算角度，所有能计算出算法的东西机器一定比人强，毋庸置疑。这两年，机器跟人的互动程度确实是在不断地提升，机器过去的问题运算力很强，但机器始终不明白为什么算，或者说用什么方法去算好。人对机器学习理解程度的提升其实是一个很大的突破，使得我们运算能力大大地提高。
未来一段时间，跟运算力有关的东西，机器的接管程度会很高，更大程度地突破我们现在对于数据的理解，对于数据与数据关系之间的理解。我们以前很多数据，可以说拿不到，拿到以后其实也很难真的弄明白这个层次的数据和下个层次之间的数据关系，所以让机器理解这个事，让它彼此之间迭代。
现在的趋势往实践化方向发展，使得我们对这个事的理解变深。比方说围棋是算力体现比较深的。我们现在做的比较多的是图像识别、语音识别，靠过去的无限的算力毕竟还是影响效率，对于联网的体验是不好的。未来还是要把深度学习的模型越做越好，使得算力的优势真正被释放出来。我们做自动驾驶，你想让机器接管驾驶员，这个其实还真的需要好几年的时间，但如果说由于人工智能、由于机器的接入使得人的驾驶变得更安全，就是现在进行时，立刻就能变得很强。以前汽车工程师他知道汽车里产生的数据是什么，但算法工程师根本搞不明白，不知道、不理解这些数据，彼此其实是封闭的。现在这些边界被打破，人与机器的边界、数据与数据的边界、行业与行业的边界，算力会改变我们生活很多。
王高飞：
从微博的角度看，还是做很多基于学习在实际业务中的使用，刚才傅总说到的图象识别，这样对我们原有工作会提升很大的效率，我们很大一部分工作由机器去完成了。对微博来讲更关注如何把机器的运算能力和人的海量用户之间的协同效应能做到让我们的一些用户行为去指导机器优化它的算法，这是我们在研究的相应来讲更关键的一个方向。
比如说我们之前也做过两年在大数据方面相关推荐的研究，其实我们发现真正对海量数据的协同性的效应其实可能还不如一个相对不够海量的一个用户群体，我们针对它的用户行为和分析做一些更深层的计算，让机器再去学习他的能力可能更有效果，这是我们在应用中会更多地看这方面。
傅盛：
我补充一个，刚才明远和高飞说的数据这一方面，我最近有一个特别强烈的感受，以前我们老喊大数据、大数据，后来觉得数据你用好就是大数据，这些数据怎么用?今天我发现整个业界越来越倾向于怎么把现实世界转换成数据，这是一个和以前在思路上很不同的一点。因为有一次我去硅谷，你知道谷歌做无人车，一直一辆车在路上一直跑、一直跑，跑了很多年了，不停搜集路况在做，我听说硅谷一个工程师说特斯拉怎么办呢?你买的每一辆特斯拉都不一样，等第二代到P90D的时候就付诸于驾驶了，因为特斯拉长了谷歌级了，我不知道百度是不是这样，后来大家的路径有点不一样了。
王高飞：
我们让机器学习海量数据，还不如让机器学习一些相对来讲更有效的人的行为，这要快很多很多。
文厨：
我上个月在硅谷跟任宇翔还聊了这个方向，说实际上特斯拉认为它的这种方法、研究方向是比谷歌的研究方向更有效，而且硅谷的主流观点也认为，硅谷现在所有的无人驾驶技术研究方向，我用所有的一切都是最好的，最好的技术、最好的产品、最好的工程师，但是特斯拉这种方法可能他们认为是一个最有效的方向，研究人的行为，因为特斯拉本身也是面向大众的，所以它有海量的人的数据，这个方向应该会更有效。
傅盛：
我跟谷歌无人驾驶核心的人员深聊过两次，当然我的判断可能不一定准，我觉得今天这个时代为什么我们有机会去做机器人?以前你积累了很多技术的路线，可能很容易被弯道超车掉。你说谷歌那个是在弯区经常跑，顶上那个东西70万人民币，它需要高精尖地图，它本身是用激光完成的，它是不会认识这里是不是一个红绿灯，或者收费站，它是怎么做到的?他是在地图上知道这里有一个收费站、这里有一个路口、这里有一个红绿灯，他经过这里再找到那个位置停下来，它特别依赖高精尖地图，就会出现一些问题，比如说有些地方修路改规划，因为它视觉上比较弱，当然它追求完美。
特斯拉像刚才我们说先从轻的方式进，它拿了大量的数据，这些数据有没有可能突破我们对计算机视觉的理解?我们认为它掌握起来很难，掌握突发的事件很难，其实是多条往前走，很多公司在用颠覆性的想法在做很多技术的突破，这种技术的突破如果不成就算了，如果一旦成，原来的积累就完了。
