5月26日，第十九屆中國軟博會系列活動之上海專場--由上海市軟件協(xié)會、小i機器人聯(lián)合主辦的小i機器人“中國最強大腦”云智能平臺發(fā)布及產(chǎn)業(yè)合作論壇在上海舉行。作為發(fā)布會的壓軸，全球知名IT研究及分析公司Gartner研究院院士，研究副總裁，智能機器人領(lǐng)域全球領(lǐng)銜分析師Tom Austin，在活動上做全球智能機器人發(fā)展現(xiàn)狀及趨勢分析報告。

圖：Gartner研究院院士，研究副總裁，智能機器人領(lǐng)域全球領(lǐng)銜分析師Tom Austin

　　成立于1979年的Gartner是全球最具權(quán)威的IT研究與顧問咨詢公司，在全球的IT產(chǎn)業(yè)中，Gartner公司以其公認(rèn)的權(quán)威性和擁有超過11，000客戶機構(gòu)而獨占鰲頭。

　　Gartner對全球IT前沿科技企業(yè)都有著敏銳的洞察，因此，小i機器人作為虛擬客戶助手領(lǐng)域的代表性企業(yè)，一直受到Gartner的關(guān)注和推崇，在其2011、2013、2014的年度報告中多次向企業(yè)推薦小i機器人及其服務(wù)，在全面了解小i機器人的技術(shù)后，Gartner公司發(fā)出了“小i機器人在全渠道多媒體智能交互、智能知識庫以及智能大數(shù)據(jù)等綜合應(yīng)用的解決方案上，走在了全球前列”的贊嘆。

　　以下為演講實錄：

　　Tom Austin：非常感謝，我非常榮幸能夠來到這里，我很榮幸來到中國，每次我聽到小i的故事我都會知道他們在做什么，但是我今天其實不是介紹小i的，我今天是來介紹智能機器人的，比如Gartner對智能機器有什么觀點。

　　我想從2022年開始講，比如你早上從辦公樓里走出來有一個自動駕駛的汽車在路邊等待你，你之前并沒有預(yù)定這輛車，但是你的虛擬個人助理看了你一天的安排之后，覺得你可能會提前半個小時完成這個會議，因為你的這個個人助理根據(jù)你過去的記錄猜測是不是會提早結(jié)束這個會議，就幫你預(yù)定了智能汽車，在這個擋風(fēng)玻璃里面看到你個人助理寫上里你將要講的內(nèi)容，這個會上其他人會講什么東西，哪些東西你可能會同意，助理也會建議你說一些內(nèi)容，所以這個是一個圖象，這個是虛擬個人助理關(guān)注到你之前的做法，在你的允許之下會學(xué)習(xí)你過去的做法。

　　缺點是什么呢？這是一個標(biāo)準(zhǔn)化的汽車，在美國已經(jīng)有了標(biāo)準(zhǔn)化的汽車，在美國使用4%的時間坐在里面，這個車是停在旁邊的，當(dāng)無人駕駛的汽車非常受歡迎的時候，比如Uber公司提供這樣的汽車，整個供應(yīng)鏈就會被擾亂。

　　比如我們停車的幾率從4%到6%，我們?nèi)谫Y的方法就會完全改變，銀行借錢給客戶買車的方法也會完全改變。我們的醫(yī)藥中心可能會看到之前會有一些人因為車禍治療，現(xiàn)在的呢在有了這種智能駕駛汽車之后，汽車事故的可能性會大大降低，整個世界都會因此改變，僅僅是因為我們有了智能的汽車，如果你沒有預(yù)想到這種結(jié)果，可能會受到傷害，這是2022年的情景。

　　我也想花點時間介紹一下什么是智能機器人。（播放視頻）這是一個電影的片斷，是1987年，由蘋果公司他們拍的一個短片，展示蘋果在未來的愿景，相信在2017年或者2018年的時候可能會發(fā)生這樣的狀況，蘋果花了30年的時間，在90年代的時候，蘋果發(fā)布了喬布斯發(fā)布了一個手寫板的項目，叫做牛頓，這個項目在喬布斯階段被取消了，但是并沒有忘記這樣一個遠(yuǎn)見。如果大家可以翻墻到Y(jié)ouTube上可以看一下完整的影片，這個是演講是在我在美國的用的講義，所以提到了YouTube。

　　我們再看一下Eric這是2013年的例子，不是科幻小說，是它做的研究（播放視頻），我們在這個短片當(dāng)中看到的是在電腦這個電腦是一個電視的屏幕，上面一個虛擬的人，它認(rèn)出了Eric博士，為Eric提供了信息，我們下一頁我們會看到是一個女士，她也走到了同樣的電腦之前，我們展現(xiàn)的視野是電腦的視野，我們看一下電腦看到了什么，而不是這位女士所看到的。（播放視頻）。我們在這里邊看到的，是真實的情況，首先電腦會聚焦在她的臉部識別了她的身份，旁邊顯示的是她的名字，這個女士根本不知道是什么情況，她一開始在往屏幕后面看，是不是看有人在搞怪，這個就是微軟兩年前做的人工智能的研究，如果大家可以翻墻到Y(jié)ouTube也可以看到完整的短片。

　　這里我想給智能機器人做一個定義，這里面都是正確的，但是如果你是一個編程師的話，或者是一個分析師，你知道你要做什么，那你編程的規(guī)矩每一步都寫好了，所有東西都在你腦子里面，計算機做的事情就是按照你的編程一步一步執(zhí)行命令，如果是智能機器人的話，他會通過大數(shù)據(jù)自己做決定，不需要別人進(jìn)行編程，所以智能機器人人做的事情就是他們可以自己做出決定，并不是計算機按照編程來看要做什么，總共有7步，這里面涉及大量的數(shù)據(jù)，首先按照概率進(jìn)行預(yù)計，像剛剛我們看到的短片，在進(jìn)行一個概率的判斷，比如說無人駕駛的車在路上駕駛的時候，如果前面有一輛卡車開出來，這個時候無人駕駛車輛要立馬做一個決定，10微妙之后，它不需要做確認(rèn)，卡車是不是走了其它的路或者怎么樣，所以下一步就是主動的學(xué)習(xí)，它會自己回顧做的決定是不是正確，會自動的做決定采取行為，它會理解。而且它們進(jìn)行一個反應(yīng)，汽車?yán)锩娴挠嬎銠C，不會幫你騎自行車，不會幫你買機票，它做的事情非常窄的領(lǐng)域，它在窄的領(lǐng)域里面做的事情是非常精準(zhǔn)的，這個就是人工智能在未來可以做的事情，我們覺得這個可能還有大概十年的道路要走，所來未來的人工智能共專著在非常精準(zhǔn)的領(lǐng)域里面做的非常好。

　　我們再看人工智能，我這里主要介紹科學(xué)，為什么是科學(xué)？因為很多的科學(xué)家他們都是IT人士，他們不愿意冒險，他們只愿意研究成熟的技術(shù)，或者互相重復(fù)做同樣的事情，研究同樣的技術(shù)，但是人工智能不會等待，不管你在市場的什么的領(lǐng)域，人工智能必須走在技術(shù)和潮流的前端，比如說剛剛提到的在銀行使用人工智能機器人，所以在行業(yè)里要找新的技術(shù)，如果要落后的話，要花很多精力追趕新的技術(shù)。

　　我們看一個新的大爆炸，這個還沒有發(fā)生，現(xiàn)在屏幕看到的是小的點，在宇宙的這個大爆炸是花了130多億年，從黑暗時間，這些物質(zhì)快速的擴散，能源大量的釋放，這個就是宇宙的大爆炸從一個點開始的。我們的預(yù)計，這是我們在今天會預(yù)計在2020年的時候會發(fā)生大爆炸，會有新的硬件，新的算法，和大數(shù)據(jù)的爆發(fā)，這三者結(jié)合在一起會造成大爆炸。

　　那從硬件的角度來看，我要先說一下軟件，也就是深入學(xué)習(xí)或者深層的神經(jīng)網(wǎng)絡(luò)，等一下會給大家看一些照片，看一下計算機如何進(jìn)行學(xué)習(xí)的。這些是基礎(chǔ)數(shù)據(jù)的分析，大量數(shù)據(jù)的分析，有各種不同的可能的這些連接，神經(jīng)元之間的連接。我們看到的是在2007年的時候，一個高端的英特爾的CPU可以處理百萬級別的連接，到2008年的時候 有了GPU，并不是傳統(tǒng)的CPU，工作量可以達(dá)到10倍以上在同樣的時間段里面，再往后走到2011年早期來自谷歌的數(shù)據(jù)，比2007年的時候處理量達(dá)到1000倍，還有其它數(shù)據(jù)到2015年的時候，除了的量達(dá)到了2007年的10萬倍。這個只是通過一個GPU，GPU作為新的硬件，它的性能要比2007年CPU性能高出了10萬倍。

　　這個就是Nvidia的例子，這是全世界最熱門的GPU，這個是用在商業(yè)用途上的，當(dāng)然軍事用途上還有處理速度最快的GPU，大屏幕戰(zhàn)士的是商業(yè)用途上最快的GPU，可以同時支持20個攝像頭，應(yīng)用在汽車上面，汽車可以在每小時45公里速度進(jìn)行運行，這個是硬件方面。

　　在剩下的10年我們還會提升100倍性能嗎？大家可能會問這樣的問題，這個我們要看一下在這個領(lǐng)域里面我們有什么樣的工作可以做。往下走，剛才談到了硬件，硬件的應(yīng)能大幅度提高，再看一下軟件，就是深入的神經(jīng)網(wǎng)絡(luò)和深入的學(xué)習(xí)，我會看一下細(xì)節(jié)是怎么做的，深入學(xué)習(xí)在GPU上面是非常重要的軟件還有自然語言處理，我們現(xiàn)在也在研究如果把深入的神經(jīng)應(yīng)用在語言處理方面，硬件的性能通過軟件強化了提升，在未來提升自然語言處理的性能。

　　這個是在2012年的時候，開始的這個柱狀圖里面大家可以看到，這是圖象識別的錯誤率，我們從2006年劃，大家可以看到錯誤率是30%到50%的錯誤率，但是到2012年的時候，多倫多大學(xué)的一些專家他們使用了這種深入神經(jīng)網(wǎng)絡(luò)的模型，這個并不是非常新的技術(shù)，1987年就開始應(yīng)用，他們把新的技術(shù)應(yīng)用在新的硬件里面，我們看到圖片識別的錯誤率大幅度下降，從30%降到17%，到2013年很多人在使用這個技術(shù)，人類的錯誤率是5%，所以2014年在12月第一周發(fā)布了這個數(shù)據(jù)，在12月的最后一個星期的時候，百度他們發(fā)布了錯誤率數(shù)據(jù)比2014年初發(fā)布的數(shù)據(jù)要好。微軟又發(fā)布了獨立的論文，他們打敗了百度的錯誤率，4個星期之后谷歌發(fā)布了新的數(shù)據(jù)比微軟的還要好，在一個星期之前，在今年百度又發(fā)布了新的數(shù)據(jù)，數(shù)據(jù)比之前的數(shù)據(jù)又好，大概才3%左右。所以我們現(xiàn)在要找到一個模式，這只是在硬件方面取得的成就。

　　在今年最后一個季度和明年第一季度的時候我們發(fā)布的新的硬件在處理能力方面要比剛剛GPU性能好出很多倍，所以大爆炸發(fā)生在2012年的時期，通過新的硬件和新的軟件算法之間的融合形成了大爆炸的起點。

　　這個是臉部配對識別的錯誤率進(jìn)展也是非常好的，人類的錯誤率標(biāo)準(zhǔn)水平，人類的錯誤率是在這里，香港城市大學(xué)打敗打敗了人類的識別水平，谷歌又打敗了城市大學(xué)的。我們看到這一領(lǐng)域看到了很多競爭。

　　這一頁是提到的研究結(jié)果，這個是它所取得的大幅度的成就，在噪音非常大的語音環(huán)境之下所取得的錯誤率，大量的進(jìn)展。在兩個基本方面改變了這種語音到文字的錯誤率，錯誤率已經(jīng)快速的降到了5%左右，在大幅度的進(jìn)展和進(jìn)步，這里我引用了電影《銀河系漫游指南》它描述了未來的裝置放在我們耳朵里面，會傾聽，然后它會在鼓膜里面振動對你說話，這并不是科幻，在兩年之前，Rick是來自微軟的首席研究官，它做了英文的演講，他的機器實時的進(jìn)行了同聲傳譯，他講的英文報告?zhèn)髯g成了中文，當(dāng)時這個效果測試并不是完美的，但是它為我們未來展現(xiàn)了一個途徑，未來的性能和精準(zhǔn)度會逐步提高。

　　人們可能會問說，這個圖象識別效果看起來還是不錯的，但是計算機沒有做圖象的描述，我們看到在2014年斯坦福大學(xué)發(fā)布了這樣的論文，在論文里面他們做的事情就是計算機來進(jìn)行圖象的描述，比如說計算機看到這個圖片之后對圖片進(jìn)行描述，狗跳起來接非盤，計算機對圖片進(jìn)行了區(qū)分，畫出了兩個方框，這是計算機進(jìn)行圖片識別的時候，進(jìn)行的人的描述，這個技術(shù)也不是非常完美和成熟。

　　然后這里它上面寫的是有一群人在露天市場進(jìn)行購物，有很多蔬菜，這兩個描述并不是完美的，并沒有一群人，只是幾個人，情景描述并不是完美的，下面這句話是在水果攤上有很多蔬菜，其實應(yīng)該是水果攤上有很多水果，蔬菜攤上有很多蔬菜，所以它就錯亂了。在第一圖當(dāng)中如果他們描述的是錯誤的話，接下來找出來的圖片可能是完全不相關(guān)的，在這里我想講5分鐘關(guān)于我們很早的時候做的研究，因為這種研究對我們來理解什么是深層次的學(xué)習(xí)是非常重要的。

　　比如說我們有一個諾貝爾的醫(yī)學(xué)的獲得者在1981年獲獎的，獲獎的論文主要講了在貓科動物的紋狀皮層上面，單個神經(jīng)元的接受欲是怎么樣的，所以我們在這里其實并不是要講貓科動作是什么樣的，其實在1980年的時候已經(jīng)有一個西班牙的神經(jīng)研究者，已經(jīng)可以非常好的來分析視網(wǎng)膜的結(jié)構(gòu)，我們會發(fā)現(xiàn)眼睛并不是把圖片發(fā)送到大腦，而是發(fā)送了一些改變的一些線條，這些線條最后會在我們的視網(wǎng)膜上有一個圖象的形成，這個圖就是1980年研究做出的結(jié)構(gòu)圖，告訴視網(wǎng)膜是怎么處理圖象的，這里我們可以看到這樣的模型，我們在貓科動物上面看到視頻層，我們看到一些線條的移動，一些對比，線條的對比，我們會進(jìn)行抽象化，有一些細(xì)胞分析線條的角度，再看線條的交錯進(jìn)行具體的物體的集中，然后再更加復(fù)雜的進(jìn)行一些抽象化的分析，統(tǒng)計學(xué)我們怎么看，每次有一個刺激，比如說你之前從來沒有看到過這樣?xùn)|西，或者之前從來沒有見過，我必須要有一種描述形容這是什么東西，這個時候有很多神經(jīng)元，神經(jīng)元就要進(jìn)行一種抽象化的工作，那這個圖上面，每次大家看到這個圖他們會說這個PPT很恐怖，因為其實不能從當(dāng)中獲得有效的信息，這個圖片是來自谷歌，谷歌有1000萬的圖片從YouTube隨機抽取的，每個圖片每一貞抽取出來，最后壓縮到200×200象素的圖片，所個圖片當(dāng)中我們有1000萬個YouTube隨即抽取的視頻，我們用了16000個CPU連續(xù)不斷工作了72個小時，然后從這些CPU當(dāng)中進(jìn)行了處理當(dāng)中我們把這些數(shù)據(jù)放到了不同的層級的深度學(xué)習(xí)的模型當(dāng)中去，再把它分類，把它分類到了22000個不同的神經(jīng)元當(dāng)中去，我們就發(fā)現(xiàn)有一個細(xì)胞，有一個神經(jīng)元如果你把這個貓臉圖片放到神經(jīng)元上面去它們會有反應(yīng)，這不是100%的準(zhǔn)確，最后發(fā)生了什么，這個電腦會使用這種算法測試有沒有類似貓臉的圖片，這個不是實際的，而是抽象的，我們也把這個成果用到了其它研究當(dāng)中去，我們放很多圖片，然后這些圖片可以讓這些電腦來進(jìn)行算法，來看一些哪些圖片跟吃飯相關(guān)的，哪些跟跳舞相關(guān)的，使用這種算法模型我們可以把這些圖片放到不同的類別當(dāng)中去。

　　這也是一個非常好的游戲，大家看一下是怎么玩的。這也是一個深層次，神經(jīng)元的一個游戲，我們注意到兩件事情，它懂得自己的目標(biāo)是哪里，目標(biāo)就是要增長分?jǐn)?shù)，然后最下面有一塊平板可以左右移動，一開始的時候它完的不是很好，慢慢的經(jīng)過了學(xué)習(xí)過程越玩越好，現(xiàn)在電腦可以玩的跟我一樣好了，經(jīng)過多次游戲之后，我們看一下它現(xiàn)在能完成什么程度？通常人都是不能達(dá)到這么高的分?jǐn)?shù)因為這是很了不起的事情，剛才有些人講到深度思維，因為谷歌是一個團隊研發(fā)的深層學(xué)習(xí)的模型，他們在網(wǎng)上在2014年夏天的時候發(fā)布了這篇文章，這就是一個機器進(jìn)行學(xué)習(xí)的例子，這里是一些學(xué)習(xí)不同的種類，我們可以談到自然元的處理，我們可以用機器學(xué)習(xí)做很多事情，可以進(jìn)行語義的分析，可以進(jìn)行語言的翻譯，可以建立知識的圖譜等等等等。

　　再來講一下，這種過程能夠為我們帶來什么影響，我們講到了大爆炸大數(shù)據(jù)使一切可以成真，我們只是在革命最開始的階段，有了這個技術(shù)我們將要開始偉大的革命，這個游戲當(dāng)中我們不能坐在旁邊當(dāng)一個觀看者，因為落后就是失敗。

　　這是一個“+”號我們影響力是不斷增長的，我們從谷歌開始講，2014年8月份，在紐約知識發(fā)現(xiàn)與數(shù)據(jù)挖掘平臺發(fā)布的文章，這個文章當(dāng)中講了什么呢？他們使用了一種算法，他們做了30種不同的知識圖譜，并且把這30種知識圖譜合并起來，他們希望通過網(wǎng)絡(luò)來做一個處理，他們有一個非常大的項目，非常勇敢的項目，因為他們不想再做搜索了，他們想用其它的方式來代替搜索，我就問問題，在用戶問問題之前這個機器就知道他要提什么問題了，并且把答案準(zhǔn)備好了，你就完全不用做搜索這個動作了，這個就是他們要做的，所以他們結(jié)合了很多知識圖譜，他們?nèi)绻�能夠達(dá)到20%準(zhǔn)確率就非常開心了，最后他們搜集了16億事件，有2.7億事件有90%的可信性。

　　這張圖也可以幫助我們從非常高的層次理解知識圖譜，什么是自然元的處理，首先我再講一下谷歌，這邊圖上面我們可以看到權(quán)力的曲線，左邊我們可以看到很大的百分比的問題，可能是你問谷歌的，那么還有一部分是來自我們的一到的一些問題，在這里在右邊我們可以進(jìn)行培訓(xùn)根據(jù)規(guī)定進(jìn)行培訓(xùn)，有些是經(jīng)過監(jiān)督的，有些是沒有經(jīng)過監(jiān)督的，當(dāng)然你一開始的時候需要進(jìn)行一定的監(jiān)督，然后我們可以通過一個簡單的數(shù)據(jù)庫來建立自己的一些圖象、圖形。可能這些圖片的并沒有達(dá)到99.9%的準(zhǔn)確性，如果能夠80%的準(zhǔn)確性就已經(jīng)非常讓人滿意了，所以最左邊的階段是沒有經(jīng)過監(jiān)督的，所以量是非常大。

　　IBM的Watson跟谷歌不同，他們在紐約的一個醫(yī)院里面進(jìn)行自己的應(yīng)用，搜集了所有跟肺癌相關(guān)的文獻(xiàn)，并對電腦進(jìn)行了培訓(xùn)，所以賊這里投入了大量的人力培訓(xùn)電腦告訴他們怎么治療肺癌，他們做了非常高價值的轉(zhuǎn)移，在這個轉(zhuǎn)移過程當(dāng)中需要非常大的置信區(qū)間，需要長時間培訓(xùn)，每個加以的價值是非常高，至少在5、6年如果能夠成功，每個交易的價值是非常高。谷歌要增加交易量，IBM是增加每個交易的價值，所以這是兩種完全不同的模式。谷歌是沒有監(jiān)督，沒有人參與的做法，IBM是大量的人參與的做法。這里是一個例子，這是一個乳腺癌的讓W(xué)atson提出治療建議，我們可以看到整個系統(tǒng)在置信區(qū)間內(nèi)工作的，Watson并不是特別確定，在第一個提議之間置信區(qū)間只有32%，人就問他你想知道什么信息幫你做出決策，Watson就做出了它需要的信息，在獲得這些信息之后有了更多因素和證據(jù)之后，Watson做出了一個治療的決策，這個時候推薦的決策置信區(qū)間就達(dá)到了95%，它給出了三個治療方案，第一個置信區(qū)間是最高的。我們分解一下Watson做的分析可以看到哪些分析呢，其實非常多的分析在同時進(jìn)行。

　　這是美國的數(shù)據(jù)，這個網(wǎng)站網(wǎng)址已經(jīng)寫在左下方了，一個小的風(fēng)投公司在投資人工智能，有260個公司是可能選擇的投資的公司，在這個分析過程當(dāng)中我們要做大量的工作，要通過谷歌或者IBM進(jìn)行分析，除了這張圖片之外我們還有很多其它的公司。

　　我想說什么呢？就是我們當(dāng)然可以選擇大公司投資，比如IBM的Watson，或者也可以選擇投資一些比較小的公司，比如專業(yè)的公司，比如說小i，你可以選擇這些更加細(xì)分的公司進(jìn)行投資，他們也有自己的特殊的技術(shù)，所以我們可以簡單搜索一下，進(jìn)行分析來看一下自己怎么樣進(jìn)行選擇。

　　我覺得不會找到一個非常好的答案，這個是一個技術(shù)擴散曲線，我們確實需要一個階段擴展整個技術(shù)，比如一開始慢慢的增長，快速的增長到肩膀點這里。再看一下事實是怎么樣，事實并沒有那么簡單，并沒有教科書那么簡單，在這個智能機器當(dāng)中我們有很多不同的技術(shù)，比如說自然語言的處理，自然語言處理本身這點也有很多不同的技術(shù)包括在內(nèi)，這里有一些技術(shù)比如說是廣播，從0到80%僅僅花了10年不到時間。而洗碗機從20世紀(jì)40年代開始的，但是今天為止?jié)B透率還沒有超過70%，它是花了相當(dāng)長的時間。

　　在數(shù)字業(yè)務(wù)方面我們看到這個圖上面有不同的描述，之前有一些標(biāo)簽，但是我把標(biāo)簽去掉了，因為我想給大家傳遞的信息要關(guān)注粉紅色圈圈里面的階段，要在最開始階段行動，而不要等到后面下降的階段再行動。

　　這個圖片是現(xiàn)在在卡車領(lǐng)域非常好的，澳大利亞的一個應(yīng)用。今天如果你問我們Gartner認(rèn)為無人駕駛會又怎么樣的未來，比如無人駕駛的卡車會在什么時候產(chǎn)生真正的影響，我會說是2020年，力拓（音）是非常好的公司，在進(jìn)行智能數(shù)字卡車的開發(fā)，他們開始跟另外一個公司進(jìn)行合作開發(fā)，在2012年的時候他們應(yīng)用已經(jīng)投產(chǎn)了，現(xiàn)在在他們在整個項目當(dāng)中有非常多的無人駕駛卡車投入運營，通過無人駕駛的卡車每年可以節(jié)省1億美元以上，所以他們做的就是在最開始的階段，在我給大家看的技術(shù)擴展曲線最開始的階段進(jìn)行了行動，他們這種先發(fā)優(yōu)勢給他們帶來非常好的好處。當(dāng)然這不僅僅是在采礦業(yè)，不僅僅是在汽車、卡車，我們有完全一種新的方式，人們可以和技術(shù)共同工作，一起合作，這種要比以前的工作方式更加有效率。

　　我們在哪里應(yīng)用這些技術(shù)呢？這個非常有意思，我們在這里分享它里面背后的邏輯，這個在美國、英國、德國的西部、日本等大概一共用在20多個國家發(fā)現(xiàn)了同樣的趨勢，也是經(jīng)濟學(xué)家發(fā)現(xiàn)的，紅色的是常規(guī)性的工作，在勞動力市場占60%，2015年下降到40%，與此同時非重復(fù)性的工種在上升，在企業(yè)里面如果我們想從人工智能獲得更大的價值，應(yīng)該把人力資源放在非重復(fù)工種上面。這些非重復(fù)性的工種是什么呢？，你在里面找不到規(guī)矩，需要人的思考得到答案就是就是非重復(fù)的工種。在數(shù)字化的工廠里面，在我們公司里面，這個研究會在本周和下周進(jìn)行發(fā)布，產(chǎn)品會有自然的界面。

　　智能可能會講人類的語言，現(xiàn)在技術(shù)如何適應(yīng)人的交流方式，而不是訓(xùn)練人講機器的語言，同時也非常有幫助，置信度也在提升，這里有很多例子。

　　對于消費者，例子就是亞馬遜網(wǎng)站上面給用戶提供建議購買的建議，還有虛擬的助理，我們在機構(gòu)內(nèi)部對40多種技術(shù)進(jìn)行追蹤，也包括了小i的機器人，他們未來會怎么樣。大家看左邊，這是公司內(nèi)部會說的，這種語言會更加的自然，更加的公開，甚至有些機器人在未來有情感，并且主動的進(jìn)行幫助，他們可能需要人工的協(xié)助等等。每個行業(yè)都會面臨這樣的變革。你們會問我在哪個領(lǐng)域會有很大變化，在每個行業(yè)都會看到這樣的變化。

　　我們再一些消極的方面，經(jīng)常有人討論這樣的問題，大規(guī)模的災(zāi)難的假說，比如圣經(jīng)里面說到大型的水災(zāi)，很多人說人工智能或者智能機器人有消極的影響，會帶來大規(guī)模的失業(yè)，不知道他們是從哪里得到的結(jié)論，我們所建立的人工智能，他們會非常有智慧非常聰明，我們要解決的問題就是黃色的部分，如何要解決機器與人之間的問題，是用機器完全代替人嗎？我們現(xiàn)在的智能機器人并不是代替人工，而是提升人工，協(xié)助人工讓我們?nèi)丝梢宰龈�高級更高價值的功能，并不是解雇這些人。我們怎么做呢？我們今天要面臨這樣的問題，所以智能機器人可以使他們在工作上面的表現(xiàn)更好。

　　這個是兩年前的調(diào)查報告，核心就是到2020年的時候，我們看到人們的工種當(dāng)中有智能機器人協(xié)助的到2020年是今天的兩倍，他們的職業(yè)會受到顛覆性的影響，這種技術(shù)會影響到人們的生活。

　　接下來這部分就不細(xì)講了，我們到后面，我再講5分鐘，如果大家要走可以先走，我們再花5分鐘時間把后面講了，這個是我們所做的幻燈片，我非常喜歡這一頁，大家要做領(lǐng)先者，不要等待，這是我給大家的信息，大家剛剛看到卡車的例子他們每年可以節(jié)省1億美金，并且最大的采礦公司在模仿他們做一些事情。

　　我們需要新的工作環(huán)境，就是人類和機器人之間的協(xié)調(diào)合作，IBM之前的深藍(lán)可以跟人一起比賽，下國際象棋，它是怎么做的，它當(dāng)時下定決心和決定，它可能會戰(zhàn)勝人，但是它可以提升象棋選手的能力，這是我們說的，要在人與機器人之間達(dá)到協(xié)調(diào)和互動，智能機器人做他們擅長的事情，人類做人類擅長的事情，讓大家達(dá)到協(xié)調(diào)和諧的合作關(guān)系。

　　我們有很多的代理，大家都可以使用，我們計算出來將近300多家的公司，他們在小的代理或者虛擬的個人助理，或者自然語言處理的工作。在德州我們剛剛遇到一個公司，他們建立了一種技術(shù)，這種技術(shù)可以消化數(shù)千頁文本，給你一個總結(jié)，這個文本里面的重點，這樣我們就不需要讀數(shù)千頁的文本，機器會讀，并且壓縮成五頁。

　　還有我不知道在這種自定義的移動設(shè)備在中國是不是很流行，現(xiàn)在在西歐或者北美非常流行的，未來他們會帶來自己的智能機器人，或者自定義的智能機器人并不是使用制造商提供的。這里有三個關(guān)鍵詞不管是任何形態(tài)的信息技術(shù)，我們要做的是更快、更廉價、更好，通常是在這兩者里面選二，沒有辦法完成三個，我們要做到創(chuàng)新、安全和私密性，只能選其二，不可能三者兼顧，我們必須要進(jìn)行三者的平衡，特別是在工作環(huán)境里面的方法，特別是在銷售團隊。

　　我們知道微軟在這方面非常領(lǐng)先的，比如說我這里有Salesforce還有微軟，兩者要達(dá)到平衡，還有現(xiàn)在這種單一的供應(yīng)商的戰(zhàn)略并不是非常有效的，我們要考慮到多個供應(yīng)商之間的平衡。在我們這里并不是一種投機，要非常清楚非常智慧，不僅僅是對資源的管理，同時要進(jìn)行領(lǐng)導(dǎo)力的提升，同時我們要進(jìn)行互動，參與到這個業(yè)務(wù)當(dāng)中，要創(chuàng)造出新的智能機器人，同時我們要尊重它對人類產(chǎn)生的影響，很多人會受到智能機器人消極的影響，所以我們要關(guān)注到人類的感受。

　　這是我要講的內(nèi)容，非常感謝大家！謝謝！