杨静：这个确实有挑战，你想想普通手机里面，iPhone、华为的手机也要用人工智能的芯片，要用FPGA，这个好像确实是很复杂的架构，能不能把它变得更易用呢？有请英特尔的李总给我们谈谈挑战到底是什么。

　　李炜：我同意他刚才讲的，现在人工智能还是一个婴儿期。虽然人工智能本身已经好多年了，但是这次真正是人工智能的再生，有很多可以做的东西。我感觉有三个方向可以做：一个是从系统角度来讲，包括硬件和软件，另一方面是从人工智能算法的改变，有很多研究在做的，刚才冯博士也讲了怎么把数据精确度提高，各种各样的做法。还有是数据的，是不是存在很多数据，因为现在人工深度学习能够有这个突破，是因为有很大的数据在那边，并不是说原来别人不知道怎么做。这三方面从系统角度讲，硬件还会往前走，比如说英特尔刚才讲Nervana，100倍的变化或者像我们的Knights Mill，atv直播，4倍的变化，都是几十倍、几十倍的变化，这种信息变化相当大。从系统角度讲、从软件部分讲，我们有很多可以做的，现在讲的是架构的问题。你刚才说不是很易用，我们也开始做一些工具，使得用人工智能建模型的人不见得一定是真正的计算机专业训练出来的人，因为那些人可能应该是比较高层的，只是考虑算法的人，并不是为了编程的人，怎么使得他能够容易设计人工智能的模型。

　　还有一个是从数据角度讲，因为刚才Naveen也讲到这个事情，他说他家里很多都是医生，大家都很看好医疗方面会有很大的发展，但是医疗方面有很大的问题并不是技术的问题，有很大的问题是医疗本身，这个系统不是一个开放的系统，数据不是那么容易拿得到，所以很多不同的医院，数据也不是一下就可以拿到，不像图像在网上都可以用，所以不光是有技术的问题，还有很多是从现实需要改革的管理方面的问题。

　　张彤：我觉得说到人工智能和深度学习的挑战，因为我的工作跟这个联系的比较多，我自己其实能够看到。大家说深度学习有这么大的发展，给我们带来这么多新的体验。但是从我每天日常工作当中我是看到了很多挑战和问题需要我们去解决：第一个比如在软件的深度学习的框架上，我们知道大家现在用的比较多的是Caffe、Tensorflow等等，我们现在又有了Neon，但是没有任何一个框架是十全十美的。可以说每一个都有很多问题，特别是比如有的框架适合做某一种事情、某一种任务，但是可能就不适合其他的。但是 ，包括我相信像京东、商汤，你们可能又要做语音，又要做人脸，j2直播，没有任何一种框架是完全满足你们的，然而同时又新的框架出来，比如百度有PaddlePaddle，日本有一种框架叫Chainer，日本有50%的工作量是在那上面的，但是在其他国家没有，所以说有很多的不同。这样会使得用户有困惑，我到底要用什么样的深度学习框架？还有从硬件方面也是有很多的，像英特尔就有至强（Xeon）、至强融核（Xeon Phi）、FPGA、Nervana硬件，还有在Edge端的Movidius，还有GPU。硬件和软件的结合应该怎么选择？对于用户，并不是所有的用户都对人工智能有这么深切的了解，怎么能够让它大众化？当然英特尔现在提出来要做Nervana Graph，在不同的框架和不同的硬件之间有新的层，这样能够起到一个统一的作用。所以下面无论是什么样的硬件，上面无论是什么样的开源的框架，我们都能帮你达到一个最优的效果，这是我们在这方面做出的自己的一份贡献和努力。

　　杨静：刚才张彤女士也提到了，我们现在面对深度学习形成了一个新的生态圈，大家对开源框架有的时候是无所适从的，像谷歌有TensorFlow，我们有Torchnet，Caffe。好像有的时候很难去选择。另外有些企业，比如谷歌，它包揽了从技术、应用一直到经营，TO C，它就是一个巨无霸或者独行侠，它在这个生态里面还要做TPU，它连芯片都要做。前一阵子我的好朋友，地平线的CEO 余凯在朋友圈吐槽：我们也不能让谷歌垄断了人工智能的生态，我们也应该建设更多的开源平台或者技术解决方案，让人工智能民主化。