中文字幕理论片,69视频免费在线观看,亚洲成人app,国产1级毛片,刘涛最大尺度戏视频,欧美亚洲美女视频,2021韩国美女仙女屋vip视频

大家好，我是將門創(chuàng)投CTO沈強(qiáng)，非常榮幸今天有機(jī)會在這里跟大家分享我對于人工智能發(fā)展方面的看法。首先，我們來看一下目前的市場上各個公司，在人工智能演進(jìn)的過程中，都有一些什么樣的動作，說到人工智能的計(jì)算架構(gòu)，其實(shí)無外乎通過構(gòu)筑一個技術(shù)體系，圍繞軟件、硬件服務(wù)等角度來進(jìn)行豐富。硬件對人工智能的發(fā)展起到了支撐性的作用，雖然未來人工智能將無處不在，無論是云端還是手機(jī)終端，還是家里的智能設(shè)備，都會與人工智能相關(guān)。

但是今天的硬件實(shí)際上是遠(yuǎn)遠(yuǎn)不能滿足人工智能的發(fā)展需求的。舉個例子，能源效率方面，我們還記得阿爾法狗戰(zhàn)勝李世石的時候，全世界為之振奮，但這場比賽是一次不公平的對決， DeepMind系統(tǒng)，使用了1202強(qiáng)大的CPU和176顆GPU，二者加起來的功率是十幾萬瓦的功率，而我們?nèi)四X只有10幾瓦功率，這樣比較一看，人工智能目前的能效顯得特別低，而且圍棋其實(shí)只是我們邏輯思考的一部分，我們每天做大量的非結(jié)構(gòu)化信息，每天我們眼睛里捕獲到的信息，耳朵聽到的信息，比下圍棋這件事情信息量要大太多。而智能設(shè)備要處理這些信息還有巨大的空間需要去彌補(bǔ)。為什么性能會有如此大的差距，今天我們的計(jì)算架構(gòu)從馮·諾依曼的體系架構(gòu)開始，到現(xiàn)在連續(xù)了幾十年的時間，它很好的支撐了過去結(jié)構(gòu)化數(shù)據(jù)的處理，以及基于邏輯推理的順序化的數(shù)據(jù)推理，但是它并沒有反映出我們?nèi)四X計(jì)算時候特征，人腦腦細(xì)胞的處理是高速并行化的，運(yùn)算速度可以達(dá)到10的14次方級別，但是我們今天不能指望計(jì)算機(jī)系統(tǒng)CPU會有人腦的運(yùn)算速度。因?yàn)榻裉祀娔X里的CPU數(shù)據(jù)的訪問方式，跟人腦處理數(shù)據(jù)方式有巨大的區(qū)別。所以，在計(jì)算的架構(gòu)上，面向人工智能微粒的計(jì)算任務(wù)，需要有一個演進(jìn)的過程。目前各個大小廠商都在圍繞這個主題開展研發(fā)工作。

從現(xiàn)有基礎(chǔ)上來看，有幾個出發(fā)點(diǎn)，一是強(qiáng)化現(xiàn)在的CPU處理能力。二是從中間的GPU入手。過去GPU主要用途在游戲領(lǐng)域，圖形處理方面性能很高，但是，圖形處理有一個特點(diǎn)：處理圖形其實(shí)是高度并行的。一個游戲的畫面，人物的建模，對光噪的算法嚴(yán)苛，需要高度并行去計(jì)算很多小三角塊的反光，這種并行的算法，利用在人工智能時代，大量的數(shù)據(jù)處理，大量的舉證的加法、乘法，實(shí)際上都可以并行來做，所以作為一個中間性的方案，GPU上加了一個通用化處理，讓它能夠適應(yīng)常規(guī)的編程模型，所以GPU技術(shù)也為人工智能的應(yīng)用的加速運(yùn)行提供了一個基礎(chǔ)，這是第二條技術(shù)路線。

但這是不是最優(yōu)解決方案呢？雖然GPU有很高的并行度，但畢竟是從游戲應(yīng)用發(fā)展而來，并不是為人工智能的發(fā)展而進(jìn)行設(shè)計(jì)的，所以設(shè)計(jì)上會存在一些缺陷，比如說今天人工智能的應(yīng)用都會使用深度學(xué)習(xí)算法，數(shù)據(jù)量很大，在GPU和外部的內(nèi)存之間，數(shù)據(jù)的交換量要一直保持大量的交換，但GPU之間交換效率其實(shí)很低的，所以一些公司想辦法FPGA來解決這個問題。 FPGA即現(xiàn)場可編程門陣列，你可以把它想成一塊結(jié)構(gòu)可以變頻的CPU，在這塊芯片得不同的結(jié)點(diǎn)之間，物理的連接關(guān)系可以通過軟件去定義，使同一塊芯片實(shí)現(xiàn)多功能用途，今天可能能夠作為音頻處理器，明天可以變成網(wǎng)絡(luò)數(shù)據(jù)的加速器，還可能變成人工智能某一專用算法的處理器，工程師能夠動態(tài)的劃分它的計(jì)算區(qū)，這是第三種思路。

下面會分別簡單的談到一些例子。先說最火的GPU。GPU的計(jì)算能力在過去幾年里飛速的成長，這里得說道一個概念叫浮點(diǎn)運(yùn)算，浮點(diǎn)運(yùn)算是什么呢？比如兩個小數(shù)相乘，我們假設(shè)是一個浮點(diǎn)運(yùn)算，今天的筆記本電腦主流的處理器應(yīng)該是英特爾i7，它基本上是主流電腦里面比較好的，我們都知道一個T是十萬億次，普通的電腦每秒鐘能夠處理0.1—0.2T的浮點(diǎn)運(yùn)算，而今天我們的顯卡對浮點(diǎn)運(yùn)算的數(shù)據(jù)處理能夠達(dá)到電腦計(jì)算的60倍。NVIDIA去年年底推出的DGX也是優(yōu)化的最新型號的GPU來完成，它的運(yùn)算數(shù)據(jù)夠達(dá)到85個T，將近85倍，如果浮點(diǎn)運(yùn)算精度降到16位，它能夠達(dá)到170個T，所以GPU快速增長的性能，結(jié)合人工智能將應(yīng)用在越來越多的地方，NVIDIA自然成為了最大受益者，過去的18個月NVIDIA的股票大概從20多漲到今天115左右，變化很驚人的。雖然GPU性能很高，但它的一些計(jì)算的調(diào)度還是離不開CPU，所以NVIDIA的方案里做了一個完整的部署，從面向開發(fā)者端的數(shù)據(jù)中心，電腦上的計(jì)算單元，到生產(chǎn)環(huán)境里推理的任務(wù)的單元，這些硬件里都包含有ARM的CPU的核，來配合使用。

此外，在NVIDIA的布局里，它專門推出了面向自動駕駛的Xavier模塊，以及面向嵌入設(shè)備的GTX模塊，這兩者最主要差別是配計(jì)算力大小不一樣，而目前NVIDIA面向數(shù)據(jù)中心的DGX-1是最高設(shè)備。除了硬件以外，NVIDIA對軟件部分也很重視，為了讓軟件開發(fā)者能夠最大限度的發(fā)揮出GPU平臺的運(yùn)算能力，所以它做了DK，做了各種各樣的深度學(xué)習(xí)的應(yīng)用開發(fā)框架來支持，包括技術(shù)部署到云端，和微軟、亞馬遜、IBM等公司合作等。GPU每一塊處理器上面集成的計(jì)算核就達(dá)到了3840個，通常我們普通的計(jì)算機(jī)用的是兩核到四核。因?yàn)樗挠?jì)算核是處理專用任務(wù)的，從運(yùn)算性能上來看，每秒鐘是10.6萬億次的浮點(diǎn)運(yùn)算，相比較CPU來講還是具有一定的優(yōu)勢。那么GPU的缺陷是什么呢？首先功率上來看，300瓦，相當(dāng)于一個小暖爐裝在電腦里面，雖然說計(jì)算力很強(qiáng)，但功耗高，這是它的不足之處。目前在GPU架構(gòu)的演進(jìn)上，英偉達(dá)是領(lǐng)先的廠商，AMD現(xiàn)在也有一些追趕的趨勢，但是短時間內(nèi)還很難對英偉達(dá)形成實(shí)質(zhì)性的威脅。

第二個演進(jìn)的方向是FPGA。將FPGA規(guī)?；膽?yīng)用到人工智能的計(jì)算里的，反而不是電腦設(shè)計(jì)廠商。微軟幾年前做數(shù)據(jù)中心的時候，已經(jīng)是在數(shù)據(jù)中心開始去設(shè)計(jì)自己的芯片做圖象處理，識別等等任務(wù)。而微軟傳統(tǒng)上來講世服務(wù)器采購大戶，它有全世界最大的云計(jì)算平臺，所以每年都會有上百萬臺的服務(wù)器采購需求，而近些年因?yàn)樽灾餮邪l(fā)了FPGA，減少了采購數(shù)量。英特爾發(fā)現(xiàn)微軟的采購量降低了以后，了解到原來微軟已經(jīng)開始大量的采用FPGA計(jì)算，這促使它下了一個決心，必須要擁有面向未來人工智能負(fù)載的計(jì)算架構(gòu)，于是有了后來去并購Altera的事。

今天我們講到人工智能的應(yīng)用，其實(shí)這還是一個很寬泛的詞，可能其中包括相關(guān)處理任務(wù)，比如視覺處理任務(wù)、文本理解的任務(wù)，比如像大數(shù)據(jù)的處理，那么每一種不同類型的處理任務(wù)，我們都想選擇一個最優(yōu)化的硬件，這種多樣性的選擇需求，恰恰給初創(chuàng)公司提供了機(jī)會。比如說在FPGA的深度學(xué)習(xí)加速方面，安創(chuàng)空間孵化出的深鑒科技就擁有全世界范圍內(nèi)都很領(lǐng)先的FPGA卷皮神經(jīng)網(wǎng)絡(luò)加速器，通過這種加速器的優(yōu)化，F(xiàn)PGA能夠達(dá)到十倍于NVIDIA K40 GPU的能效，在國際上獲得了廣泛的認(rèn)可。也使得公司在資本市場上受到了熱烈的追捧，目前已經(jīng)是估值過億美金的企業(yè)了。

此外深圳還有一家做視聽理解的企業(yè)叫做云天勵飛。我們都知道，過去公安局在各個地方部署了很多的攝像頭來大量采集路面上的安全情況、交通情況，以此作為案件偵查的依據(jù)，但是這其中最大的困難來自于因?yàn)閿z像頭太多，每天無時不刻都在工作，想要尋找到指定信息非常麻煩，比如說某天哪個地方查到有一個疑犯可能在某個時間段出現(xiàn)在某個路口，然后警察把錄像調(diào)出來，一整天都在看，要是看太快，可能就會遺漏這個線索，慢著看效率又很低，影響辦案進(jìn)度，所以云天勵飛就想了一個辦法，用深度學(xué)習(xí)的算法來識別錄像里的人物，這個思路并不算新穎，但是大多數(shù)公司的做法是在服務(wù)器、在云端上來解決這個問題，但這家公司意識到，如果在云端做的話，集中的數(shù)據(jù)量極其巨大，所以即便能夠完成，投入成本也會很巨大。因此他們采用在攝像頭前端用FPGA定制了一個芯片，把深度學(xué)習(xí)的算法應(yīng)用到FPGA的芯片里，那么前面攝像頭一邊在看人的時候，就可以提取出一些關(guān)鍵特征，就能夠以很小的信息量將這些關(guān)鍵的特征發(fā)送到云端，再從云端去找這個人的時候就特別省時省力。公司的產(chǎn)品去年上線，部署三個月以后，發(fā)生了一個很有意思的情況，警察抓到的嫌犯比過去三年里抓到的還多。過去公安局的壓力在于怎么破案，不能拖案，壓力很大?，F(xiàn)在是可疑線索太多，要辦的案子的數(shù)量急劇增加，壓力很大。公司的市值也因此增長很快，僅僅這個方案一年的營業(yè)額就達(dá)到一個億。上一輪融資以后估值差不多達(dá)到十億。所以，根據(jù)人工智能的計(jì)算特征，我們只要找出一個關(guān)鍵的場景，這些技術(shù)路線還是能夠解決很多問題的。

我們剛才說GPU和FPGA的快速發(fā)展對傳統(tǒng)的CPU廠商造成了巨大的壓力，以英特爾為例，公司過去幾年業(yè)績一直平平，基本上沒有什么增長?，F(xiàn)在公司被迫必須做一些轉(zhuǎn)變了，因?yàn)槿斯ぶ悄軕?yīng)用在激增，所以傳統(tǒng)的CPU技術(shù)也必須要跟進(jìn)。英特爾過去兩年里相關(guān)動作特別大，做了大量的并購，獲得了很多的新技術(shù)來發(fā)展他們的芯片。第一個是Altera，全世界第一大FPGA解決方案提供商。另外也有一些初創(chuàng)企業(yè)因?yàn)榘l(fā)展了更新的技術(shù)，也被英特爾收購。Nervana是2013年新成立的一家小初創(chuàng)企業(yè)，公司觀察到人工智能對新硬件的渴求，所以以全新的方式設(shè)計(jì)了新的CPU的架構(gòu)。他們設(shè)計(jì)架構(gòu)里內(nèi)存和CPU是高度偶合的，在一塊處理器上會集成32G的內(nèi)存，而且這個內(nèi)存擁有3D記憶，有很高帶寬的訪問速度，而且其中內(nèi)存單元不是傳統(tǒng)的平面模式，是立體的、互聯(lián)的，每一個單元跟其他六個單元都連接在一起。所以處理速度特別快，每秒能達(dá)到8T的訪問帶寬，跨處理器之間也能達(dá)到2.4TB的處理速度，極大滿足了深度學(xué)習(xí)計(jì)算的數(shù)據(jù)洪流問題，處理器就不需要大量在內(nèi)存和CPU之間進(jìn)行往返得數(shù)據(jù)奔波。公司在去年被英特爾以四億多美金收購。按照英特爾的說法，今年上半年產(chǎn)品應(yīng)該就會面世。

所以在技術(shù)演進(jìn)過程中，即便CPU這么飽和的市場，初創(chuàng)企業(yè)也有機(jī)會發(fā)展新技術(shù)分一杯羹。現(xiàn)在其實(shí)還有一家公司特別值得關(guān)注，跟Nervana比較相似，我估計(jì)不久后也會成為英特爾或者AMD的并購對象，大家可以關(guān)注一下，說不定現(xiàn)在去投還是一個可行的時機(jī)。公司叫We Computing，它的架構(gòu)跟Nervana有一些類似的地方，但是它是同時在軟硬件兩個層面上進(jìn)行了優(yōu)化。比如在浮點(diǎn)數(shù)據(jù)的運(yùn)算水平上，為了提高吞吐量，它找到了很好的平衡點(diǎn)，雖然降低了計(jì)算的浮點(diǎn)數(shù)的精度，但是最后運(yùn)算出來的人工智能運(yùn)算預(yù)測能力準(zhǔn)確度并沒有顯著的下降。此外跟Nervana有一點(diǎn)點(diǎn)類似支出還在于它也有內(nèi)存跟芯片之間不同互聯(lián)的技術(shù)，但是它的密度會更高，每一塊處理器都會集成16000個核，因此一臺服務(wù)器上，16個處理器的計(jì)算單元會高達(dá)25萬個處理核，所以密度比原來的CPU又有了很大的提升。從早期的性能測試?yán)飦砜?，基本上單個芯片的計(jì)算性能比今天英特爾最高的服務(wù)器E5級別里最頂級的芯片的速度會快大概七百多倍。而且還不是整臺機(jī)器。因此，這些公司的發(fā)展推動著人工智能以更快的速度前進(jìn)。

當(dāng)然，即使這些公司的芯片比今天的速度再快上兩百倍，五百倍，八百倍，甚至一千倍，它仍然趕不上我們?nèi)四X思維的速度。因此，如果我們?nèi)匀话凑者@個思路去探索，可能想最終追上人腦不太可能?，F(xiàn)在有的公司在探索神經(jīng)肽芯片的計(jì)算方法， IBM可能是最堅(jiān)定的公司之一，神經(jīng)肽芯片跟我們平時的數(shù)字電路不一樣，它是用一種脈沖神經(jīng)網(wǎng)絡(luò)，而不是通常的卷積神經(jīng)網(wǎng)絡(luò)來運(yùn)行，并且它的信號是模擬信號。我們都知道，模擬信號是比數(shù)字信號速度更快，但它的缺點(diǎn)是精度不夠高，還存在算法適配的問題，雖然我們已經(jīng)大量積累了深度學(xué)習(xí)的各種各樣的框架和算法，但能不能在模擬芯片上運(yùn)算得比較好還是未知。

前不久IBM發(fā)布了一個白皮書，說目前已經(jīng)有很大的提升，比如視覺識別的任務(wù)，利用模擬神經(jīng)網(wǎng)絡(luò)現(xiàn)在已經(jīng)能夠做到87%精度了。通過模擬神經(jīng)網(wǎng)絡(luò)不僅能夠帶來極高的速度，功耗也得到極大降低。IBM的TrueNorth芯片的處理器上，每顆核上都有一百萬的神經(jīng)元和2.56億個可編程的突觸，一個芯片里可以包含4096個這樣的核，大規(guī)模的計(jì)算只要70毫瓦左右的計(jì)算能耗。當(dāng)然我們的目標(biāo)是希望這樣強(qiáng)大的計(jì)算能力能應(yīng)用到手機(jī)上，甚至配備到隨身的更小設(shè)備上，比如手表、手環(huán)，比如搭載到鞋墊去做步態(tài)的分析。這么低功耗的東西要達(dá)到能夠大范圍應(yīng)用，個人覺得還有很長的路要走，這是行業(yè)探索的另一個方向。國內(nèi)也有初創(chuàng)公司在做類似的探索。這算是一種不走尋常路來做大規(guī)模的計(jì)算的方式。

前面講的計(jì)算模式，不管是GPU還是We Computing、Nervana的模式，主要還是面向數(shù)據(jù)中心計(jì)算，能耗很難降下來，而實(shí)際上我們應(yīng)用最廣泛的是在終端上，終端才是最大的機(jī)會。所以智能的能力不僅僅要放到云上，還要應(yīng)用到很多實(shí)時的場景。比如車輛的自動駕駛，不能說前面這個人，我辨認(rèn)一下把它放到云上檢測，辨認(rèn)結(jié)構(gòu)出來以后再來決定車是不是繼續(xù)往前開，這樣交通事故的概率肯定會大大增加。所以，終端有大量的實(shí)時智能需求，這應(yīng)該是目前人工智能發(fā)展的最大的市場。

目前來看的話，功耗問題不是一兩天能夠解決的，這是一個很大的矛盾，臨時性的解決方案是什么？剛才提到在移動端上我們很多的應(yīng)用場景，無人機(jī)3D視覺，掃地機(jī)智能識別，今天的掃地機(jī)光掃地是不夠的，它需要了解我們家里的環(huán)境，不僅僅是幾何信息，物品的材質(zhì)信息也需要理解。比如很多養(yǎng)寵物的家庭，寵物不小心拉了臭臭在地上，普通能夠做自動規(guī)劃的掃地機(jī)會很努力地去把它均勻地涂抹在房間各個角落，這其實(shí)是很惡心的。因此如果掃地機(jī)視覺模塊具有智能能力，能夠辨認(rèn)出來并判斷它是液體還是其他東西，這樣就能更好地進(jìn)行處理。

讓移動端有能力理解自己所在的環(huán)境，這個任務(wù)在當(dāng)前的過渡的狀態(tài)中，是一個巨大的市場。因此專門為各個不同的應(yīng)用場景所設(shè)計(jì)的視覺應(yīng)用處理器品種就要很豐富，比如無人機(jī)額單幕、雙幕，從感知到?jīng)Q策層都需要不同的精度、功能、性能、功耗要求，這就提供了很多的細(xì)分市場。因此很多公司，比如自動駕駛領(lǐng)域剛被英特爾以153億美金收購的Mobileye，主攻無人駕駛視覺模塊，它能夠智能對物體進(jìn)行分類判斷。國內(nèi)也有很多的廠商，像易華錄就有專門的視覺處理器授權(quán)。初創(chuàng)公司也有很多，比如資本市場上流傳比較多的余凱的Horizon Robotics現(xiàn)在就有做一些業(yè)務(wù)，比如剛剛跟英特爾合作的面向無人駕駛領(lǐng)域的視覺芯片，主要是采用深度學(xué)習(xí)技術(shù)。另外一家公司，Avision也在做視覺處理技術(shù)，它的特色是速度處理很快，功耗做很低，沒有很復(fù)雜的深度學(xué)習(xí)架構(gòu)，從理論到應(yīng)用上都有一些創(chuàng)新。

講完了硬件，我們繼續(xù)說一下軟件。軟件過去是一個門檻很高的領(lǐng)域，因此懂得深度學(xué)習(xí)開發(fā)的人才都很受器重，比如谷歌早期花了四億美金把吳恩達(dá)團(tuán)隊(duì)拉過去開發(fā)谷歌大腦；微軟研究員孫劍在ImageNet里首先將機(jī)器的視覺分類的精度超過人眼，然后被曠視科技以8位數(shù)的年薪及2位數(shù)的股份挖走。這透露出什么信息呢？人工智能，人才是一個很高的壁壘。但這個壁壘很快就會降低，雖然研究型人才仍然有很高的門檻，但從應(yīng)用的角度來講，像大公司、開源社區(qū)都在不斷的開發(fā)各種各樣的深度學(xué)習(xí)框架來簡化深度學(xué)習(xí)應(yīng)用開發(fā)的難度。我們在投資的時候，有一點(diǎn)很重要，如果一家公司核心的優(yōu)勢在于算法，而且只有算法部分的話，這家公司其實(shí)是比較危險(xiǎn)的，公司的發(fā)展，從技術(shù)壁壘來講，很難建立起足夠高的壁壘。

未來隨著開發(fā)框架的出現(xiàn)，相關(guān)應(yīng)用軟件開發(fā)的模式也會發(fā)生變遷，過去我們主要是做程序，有了數(shù)據(jù)以后將程序放到計(jì)算平臺上運(yùn)行，而在今天，最主要的方式都是采用端到端的學(xué)習(xí)方法，未來的智能應(yīng)用的生成是資源將會直接與數(shù)據(jù)連接。當(dāng)數(shù)據(jù)產(chǎn)生，我們就可以做端到端的訓(xùn)練。未來程序的一些關(guān)鍵判斷將會由數(shù)據(jù)來驅(qū)動，而且關(guān)于計(jì)算部分的程序都是數(shù)據(jù)代碼。我們把這種模式叫做基于目標(biāo)的AI，你輸入一個目標(biāo)，然后自動給你生成一個程序。其他公司進(jìn)展怎么樣我不太清楚，但像微軟office團(tuán)隊(duì)就在花了大量力氣在做這件事情，比如我要做一個PPT，今天還是一個痛苦的過程，需要找內(nèi)部外部的數(shù)據(jù)，想方設(shè)法去美化。而現(xiàn)在已經(jīng)開始有局部的大量研發(fā)改變，通過任務(wù)級的描述自動幫你完成任務(wù)，你還可以根據(jù)自己的需要調(diào)整。這是軟件方向未來發(fā)展的一個方向。

有了硬件，有了軟件，以及這樣的架構(gòu)能力，你既可以自己來構(gòu)建自己的產(chǎn)品，也可以把它民主化，共享出來，變成一個人工智能的服務(wù)?，F(xiàn)在的人工智能服務(wù)，國際名企基本都有，亞馬遜、微軟、谷歌三大云計(jì)算平臺，國內(nèi)比如阿里也開始提供。但云計(jì)算的平臺其實(shí)是基于GPU，深度學(xué)習(xí)的云服務(wù)有兩個層面，一個是IAAI，大廠商提供虛擬機(jī)，虛擬機(jī)里有GPU設(shè)備，甚至現(xiàn)在有的還帶有IPJ，亞馬遜有IPJ的虛擬機(jī)，GPU+IPJ的虛擬機(jī)，這些公司都有提供。目前亞馬遜走在最前面，亞馬遜三臺虛擬機(jī)可以提供16個NVIDIA K40級別的GPU處理器；第二個層次是在基礎(chǔ)設(shè)施之上，提供的是更高層級GPU處理器，把語音理解能力、圖像處理能力暴露出來，封裝好，直接提供給用戶，用戶不用再去操心怎么寫算法。這種模式目前三大廠商各自都有提供，國內(nèi)相對滯后一點(diǎn)。但另外不可忽略的是這些算法涉及到數(shù)據(jù)本地性的問題，比如做人臉識別任務(wù)，誰能拿到更多的中國本地的數(shù)據(jù)，誰在中國的應(yīng)用環(huán)境里就能做得更好。所以國內(nèi)廠商依然是值得期待。

總的來說，從軟件，硬件，服務(wù)這幾個角度來看，人工智能在不斷向前演進(jìn)。總結(jié)下來有幾個特征，一是外在的應(yīng)用需求在刺激著技術(shù)的發(fā)展。第二，從投資角度來看，從剛才我們舉的例子中，有些公司是從技術(shù)角度切入去創(chuàng)業(yè)，而且他們基本上做的是硬科技，無論是國內(nèi)還是國外，這個門檻都很高。所以在準(zhǔn)備投資這些項(xiàng)目的時候，我最大的感受是，技術(shù)是沒有國界的。我們必須要確保所投的企業(yè)，如果它是以技術(shù)見長，那必須在全世界達(dá)到一流水平才會比較安全。而在中國更多的機(jī)會還是屬于應(yīng)用型機(jī)會，隨著那些應(yīng)用框架不斷的普及，技術(shù)應(yīng)用的門檻會急劇降低。最后的人才門檻會演變成我們今天開發(fā)安卓應(yīng)用類似的格局，會慢慢進(jìn)入一個比較穩(wěn)定供給局面，這是架構(gòu)演進(jìn)的終極歸宿。

以上就是我今天分享，感謝大家聆聽，歡迎后續(xù)多多交流。

（本文由i投資編輯整理，未經(jīng)分享人審閱。）