今日IT圈最勁爆的訊息非華為釋出兩款AI晶片莫屬了，這並不是華為首次釋出晶片，但意義卻比以往更大，因為之前聽到更多的是BMC、儲存晶片等小晶片，而這次是大晶片。

徐直軍先生的發言要點如下

AI是ICT產業60年發展的總成果

1956年，時任達特矛斯學院助理教授的約翰·麥卡錫組織召集了達特矛斯討論，正是在這次會議上，第一次正式提出了“人工智慧”的定義。從那以後的60年裡，人工智慧經歷了兩次發展的低谷，即所謂的“冬天”，但其發展的腳步並未就此停止。

1971年，英特爾釋出了第一顆微處理器。50多年來，摩爾定律見證了ICT產業的蓬勃發展。

如果我們把AI產業和ICT產業這60年的發展軌跡畫到一起，那麼大致應該是圖中的樣子。概括來說，人工智慧與ICT產業的總體發展水平密切相關，學術研究發現和工程技術發展相輔相成。

而AI產業兩次“冬天”的出現，都是因為社會對AI的應用期望大大超越了ICT產業工程水平的發展現實。所幸的是，“冬天”並不是結束，而是每一次“春天”的開始。

今天，我們再次進入了“收穫”的季節。這是60年來全球ICT學術界和工業界長期耕耘，相互合作的成果。

面向未來，我們應該充分用好人工智慧技術，抓緊收穫，努力擴大收穫成果，同時要讓收穫的季節持續得更長一些，把人工智慧（AI）建在赤道上，永遠生機勃勃。

 

人工智慧是一種新的通用目的技術

任何技術只有準確的定位，才會充分發揮其價值。給人工智慧技術進行合理的定位，是我們理解和應用此技術的基礎。

如同公元前的輪子和鐵，19世紀的鐵路和電力，以及20世紀的汽車、電腦、網際網路一樣，華為認同：人工智慧是一組技術集合，是一種新的通用目的技術（GPT）。

加拿大學者Richard G Lipsey在其著作《經濟轉型：通用技術和長期經濟增長》一書中提出：社會經濟的持續發展是靠通用技術的不斷出現而持續推動的。所謂通用技術，簡單理解就是要有多種用途，應用到經濟的幾乎所有地方，並且有巨大的技術互補性和溢位效應。

經濟學家們認為，人類發展到今天，總共有26種通用技術，人工智慧就是其中一種。

我之所以強調人工智慧是一種通用技術，是期望大家重視人工智慧對未來的巨大影響和價值。人工智慧作為一種通用技術，不僅可以使我們以更高的效率解決已解決的問題，也可以解決很多沒有解決的問題。

是否具備真正的人工智慧思維，是否以人工智慧的理念和技術解決現在和未來的問題，是我們能否在未來構築領先競爭力的關鍵。

華為在實踐中發現，人工智慧不但可以替代人，還能夠自動降低生產成本。這是人工智慧與資訊化最大的不同，也是其最有價值的特點。

人工智慧將改變每個行業、每個組織

人工智慧觸發的產業變革，將涉及所有行業。我們在座的每一位都要思考，我所處的行業是否會被人工智慧技術改變，甚至被徹底顛覆。如何以一種全新的模式，重構各自行業和企業，是我們在未來都要思考和實踐的。

今天，我們可以清晰地預測到，人工智慧將改變或顛覆如下行業：

• 智慧交通將大大提升通行效率

• 個性化教育將顯著提升教師與學生的效率

• 精準預防性治療有望延長人類的壽命

• 實時多語言翻譯交流再無障礙

• 精準藥物試驗可以顯著降低新葯成本，縮短髮現週期

• 基於AI的電信網路的運維效率將大大提升

• 自動駕駛和電動汽車將顛覆汽車產業等

從華為雲EI和HiAI釋出以來的短短1年間，我們深切感受到了前所未有的熱潮。

除了對行業帶來的改變，人工智慧還將改變每一個組織。18世紀以來的歷次技術革命，每一次都會對組織的結構、作業流程和人員能力等產生巨大影響。

從工作崗位和人員能力角度看，人工智慧推動此次變革將有一個明顯的不同：以往的歷次變革總會產生大量的重複性日常工作需求，比如紡織廠的裝置操作，汽車製造流水線和手機制造流水線等。

但是人工智慧將在幾乎每個方面提升自動化水平，因此大量的重複性工作崗位需求將大幅度縮減。與此同時，需要增加對資料科學工作崗位的需求，例如資料科學家、具備一般性資料科學能力的資料科學工程師等。這些崗位的數量將遠遠少於當前重複性日常工作崗位。

因此，我們認為，未來的組織人員構成可能是菱形的，其中大量處於底部的基礎性、重複性日常崗位會被AI所取代。

 

改變剛剛開始，選擇正確的問題

比尋找新奇的方案更重要

其實，人工智慧觸發的各種改變，才剛剛開始。改變歷來都是幾家歡喜幾家愁，特別是改變剛開始的時候。

我們可能會因為見證了AI實現了以前想都不敢想的某個功能而興奮，從而產生加速廣泛採用AI的衝動。也可能會因為，某個AI專案進展不如預期、或者擔憂AI的應用安全可靠而焦慮，從而對未來的如何運用AI產生困惑。

從歷史上所有通用目的技術的發展歷程來看，這些都是正常現象。

我們剛剛經過了AI技術與應用的區域性探索階段，目前正處於第二個階段。在這個階段，從技術視角看，一方面AI技術日趨完善，同時又暴漏出越來越多的問題；從應用視角看，一方面AI的應用日漸廣泛，價值持續得以確認，但同時政策環境、公司流程、組織人員等都是主要面向以往的技術的，比如資訊化和網際網路時代的技術，還沒有為智慧技術時代的到來做好準備，因而時常產生碰撞，甚至衝突。

AI技術終將贏得屬於自己的社會環境，那時我們將邁向AI應用與生產力提升全面快速發展的第三個階段。

在迎來新的GPT技術之前，我們將持續見證和享受這一黃金髮展期，即第四階段。但我們也要清醒地認識到，人工智慧不是萬能的，人工智慧有它能解決的問題，也有它不能解決的問題。

我們應充分聚焦人工智慧能解決的問題、聚焦其創造價值的領域，而不是把精力花在人工智慧不能解決的問題或不能創造價值的領域。因為選擇正確的問題比尋找新奇的方案更重要。

今天我們看到令人興奮的落差

千里之行始於足下，讓我們看看人工智慧今天的狀況：

一方面，下面一系列大數字讓我們感受到了人工智慧產業發展的“輝煌”：2017年發表的機器學習論文數是2萬篇；全球有超過22個國家釋出了AI計劃；2017年新誕生了1100多家AI startup公司；2017年與AI相關的兼併收購金額達到240億美元；2017年與AI相關的VC投資達140億美元。

另一方面，下面的一系列小數字又讓我們感受到了人工智慧初級階段的“冷靜”：只有4% 的企業已經投資或部署了AI；只有約2% 零售商已經投資或部署了AI；只有約5% 部署的智慧城市 中正在使用AI；2017年只有約10%的智慧手機內建了AI；全球AI人才的供需比僅有1%。

 “輝煌”與“冷靜”之間的差距，正在凝聚產業發展的巨大動力。所謂“山雨欲來風滿樓”，這種落差令人興奮。

 

十大改變 開創未來

要解決人工智慧“輝煌”與“冷靜”之間的巨大落差，開創未來，我們要從技術、人才、產業這三個方面進行主動的變革。今天，我和大家分享十個有關人工智慧技術、人才和產業的重要變革方向。

改變之一：縮短訓練模型的時間

按照目前的技術水平，訓練某些複雜模型時往往需要數天甚至數月，而成功的創新發現往往需要多次迭代，這種訓練速度嚴重製約了應用創新。我們認為，未來模型的訓練要能在幾分鐘、甚至幾秒鐘內完成。

改變之二：充裕經濟的算力

算力是AI的基礎，但目前的算力非常昂貴，是一種稀缺資源。如果說算力的進步是當下AI大發展的主要驅動因素，那麼，算力的稀缺和昂貴正在成為制約AI全面發展的核心因素。

我們認為，算力應該是充裕且經濟的，並且這種需求應該儘快實現。

改變之三：人工智慧要適應任何部署場景

混合雲已經成為企業採用雲服務的主要模式，當前的AI主要在雲，少量在邊緣，與企業的業務環境的結合有待進一步深入。

我們認為，未來AI將無處不在，要能夠部署在任何場景，並確保使用者隱私得到尊準和保護。

改變之四：更高效更安全的演算法

演算法是推動AI發展的另一個主要動力，但目前運用的主要演算法多誕生於1980年代。隨著AI的廣泛普及，這些演算法的不足愈發明顯。

我們認為，未來的演算法，要能夠基於更少的資料需求，即資料高效。也要能夠基於更低的算力和能耗，即能耗高效。同時要解決自身的安全問題，並實現可解釋…等等，這都是AI全面發展的重要技術基礎。

改變之五：更高的自動化水平

今天的人工智慧，自身還需要大量的人工，特別是在資料標註環節，今天甚至還誕生了一個新的職業叫“資料標註師”。有人調侃說，今天的人工智慧，是沒有“人工”就沒有“智慧”。

我們認為，應該大大提升AI自身的自動化水平，比如在資料標註、資料獲取，特徵提取，模型設計和訓練等環節，要實現自動化或半自動化。

改變之六：模型要面向實際應用

2018年6月，伯克利大學的助理教授 Benjamin 等發表了一篇題目奇怪的論文--《CIFAR-10分類器能否泛化到CIFAR-10？》

該論文指出，在CIFAR-10分類器上測試準確度出色的模型演算法，卻在作者建立的與CIFAR-10非常接近的另一測試集上出現了偏差，分類識別準確率下降了5-15個百分點不等。這也就意味著，這個模型演算法的可用度大幅度下降。

由此，可見當前很多優秀的模型演算法，更多的是“考試”優秀，還未達到“工作”優秀。

我們認為，未來的模型必須實現工業級的優秀，即滿足工業生產的需要，而不僅僅滿足於測試集上“考試”優秀。

改變之七：模型更新

模型的準確率並非是一成不變的，而是會隨著資料分佈、應用環境和硬體環境的變化而變化，始終保持準確率在期望的範圍內對於企業應用是必須的。但目前的模型更新是非實時的，依賴人工週期性的更新，因此是一個半開環的系統。

我們認為，未來的模型要能及時適應各種變化，實時更新，實現閉環系統，保證企業AI應用始終處於最佳狀態。

改變之八：人工智慧要多技術協同

每一個通用目的技術，只有與其它技術充分協同配合，才能發揮到極致，創造巨大的經濟價值。AI也不例外，但在目前我們探討AI時，更多的是僅僅聚焦AI本身。

我們認為，AI需要與雲、物聯網、邊緣計算、區塊鏈、大資料、資料庫…等技術充分協同，如此才能發揮更大價值。

改變之九：人工智慧要成為由一站式平臺支援的基本技能

今天，AI還是一項只有具備高階技能的專家才能完成的工作，成熟、穩定、完善的自動化工具還比較缺乏，獲得一個AI模型還是一個非常複雜，耗時耗力的事情。

相關推薦