今天很多英特尔的同事都介绍到了，我们的芯片、系统软件，包括到上面编程框架的支持可能都面临很多挑战。不管是计算所在做的，还是英特尔提到的这些，都是在尝试做一个更好的系统，使得我们可以用更小的功耗、更低的程序开发的代价，获得更好的性能，可以做更大的数据规模的处理。

　　另一方面，我们有没有一些基础的技术，使得一些系统可以在不同的应用种类上面获得更好的适应性，而不需要太多的程序员或者系统工程师深度的介入，这将来都会面临很大的挑战。

　　杨静：自学习。刚才冯主任提到了，其实他最困扰的是把他的技术跟应用更结合，可能从应用的角度看，你会遇到AI的软件和硬件还不是特别支持你想达到的应用场景，或者效果的难题。我想请陈总分享一下，您在AI 技术的实验探索中，最想解决的AI的软件和硬件的问题是什么？

　　陈宇：首先从技术上说，可能从前一阶段或者前几年，我们主要是简单的把深度学习应用在各个领域、各个应用场景上。后面我们主要的目标是怎么样为深度学习本身，或者为人工智能本身做些事情，比如说我们现在也在做一些像Model Compression，像Deep Reinforcement Learning，包括Transfer Learning ）这种工作，目的是真正能够更深入的解决您刚才所说的实际中简单的应用深度学习不能解决的问题，不只是简单的应用，而是要真正做一些相关的研发投入。

　　第二，人工智能本身我个人感觉它并不是一个科幻片，很多的人工智能场景是确实存在的，但是过度产品拔高，产品定位的拔高，有可能给人一种不切实际的预期，所以这块有一个切实的产品定位也是比较重要的。

　　杨静：从芯片的角度，现在深度学习的芯片热也是今年的一个现象，那么现在的芯片架构是不是满足您对AI项目的需求呢？

　　陈宇：从我们团队来说，我们认为我们有一个非常开放的态度向各种架构、各种体系敞开大门。我们最终目标是解决事情本身，没有任何的倾向。就芯片本身的话，我个人觉得特别是在国内互联网这种情况下、这种条件下，运维的难度可能是需要考虑的条件之一，毕竟长时间以来都是以基础的CPU架构进行运维，所以这块某些条件下，比如我们在“双十一”大促的这种流量激增的情况下，也许是可以使用CPU这种架构去做一些容灾和流量的分发，这样的话系统的可扩展性和经济性会比较好一些。

　　杨静：同样的问题给到商汤科技的刘总。

　　刘文志：我认为人工智能或者在大范围应用现在面临着几个主要的困难，第一是认知上的，在我们实际的项目中我们发现很多客户都会要求要百分之百的精准。有99.99%，还有万分之一，这万分之一如果发生了会怎么样？但是我们通常说，如果这个东西人去做，他准确率是多少，如果机器能够超越人，我们就应该可以允许这样的概率存在，因为人都做不好，我们是很难通过机器学习或者深度学习的办法把它做得更好。

　　另外，在实际应用的时候，深度学习技术后还有一个门槛，往往需要开发人或应用人员对机器学习算法有一些理解，其实这对于目前大多数开发APP的研发人员来说要求有点过高了。作为企业来说，我们如何把技术封装得足够好，工程师可以在没有额外知识的情况下使用它，对于我们来说是需要解决的问题。

　　最后，也是杨总提到的计算能力的问题，训练的时候对计算能力需求非常大，部署的时候也不小。在部署的时候，我们很多时候是在手机上，在云上，甚至在一些嵌入式的设备上，在云上后台可以用 XeonByte 这种大杀器，这个是没有问题的。但是在手机上很难用一个应用就要求潜在的客户换一个手机，这个不现实。所以最好的办法是怎么在他的手机上把性能做到极致，这是代码优化的办法去做，另外在新手机出厂的时候能不能带一个深度学习的加速器或者特定的芯片，这也是一条路。当然像英特尔 Marvell 也是很明显的例子。当然我相信iPhone7最近用了FPGA做了一些specific的事情，FPGA也可能是未来的路，但最终市场和大的趋势会选择哪一条路，要看市场的检验。我们部门这些路都在看、都在尝试。最重要的一条，我觉得要让人工智能真正做到无处不在，其限制的因素是大家对人工智能有潜在的恐惧，我跟很多同事、朋友聊过，他们都在跟我说，当城市里所有摄像头都知道我在什么时间做了什么事的时候，我就没有隐私了，这是一种非常大的恐惧。我的朋友跟我说这个的时候我也有点毛骨悚然，但仔细想我并不担心，今天的人工智能还在婴儿期，还远远做不到那么智能的水平。而且人工智能的技术本身只是技术，是由人使用的，就像克隆技术。今天就没有人担心克隆技术会把人类给（替代）。所以对于人工智能的这种恐惧我相信人类社会很快会解决，当然短期内大家很多时候还会面对怎么样回答这个问题，怎么样消除普通大众的戒心。