1. 第一講：人工智慧的發展與展望
2. 第二講：餘凱-嵌入式人工智慧：從邊緣開始的革命
3. 第三講：吳甘沙-智慧駕駛
4. 第四講：漆遠-人工智慧驅動的金融生活服務

第一講：人工智慧的發展與展望

人工智慧發展的三要素：資料、運算能力、演算法；

人工智慧將影響所有產業：
1.服務機器人（掃地機器人、陪伴機器人、導購機器人、家庭助理）和人機互動；
2.工業機器人和智慧工廠；
3.自動駕駛（Google測試200萬英里，相當於300年駕齡；特斯拉已經開始在司機介入下大範圍使用；百度3年內可以商業化）與智慧交通；
4.智慧醫療和健康；IBM的癌症診斷輔助獲得FDA批准，Google&Stanford的面板癌診斷達專家水平。
5.智慧金融：Kensho,替代分析師的利器；芝麻信用,徵信分析。

人工智慧的發展與未來：
今天：全球前五大市值公司都是網際網路公司；
20年後：全球前五大市值公司都是人工智慧公司；

麥肯錫報告–AI在未來20年替代50%工作；
強人工智慧不會很快實現，特定場景、特定需求的弱人工智慧會成為主流。

第二講：餘凱-嵌入式人工智慧：從邊緣開始的革命

新摩爾定律

摩爾定律指每十八至二十四個月，計算機的成本會下降一半，效能則會提升一倍，使計算和應用不斷髮展。整個摩爾定律已經在按另外一個軌道在發展，已經不是每個單位面積上電晶體的數目，而是架構的改進，使得計算由邏輯運算向人工智慧運算演進。那麼就是這樣的問題：人工智慧運算是提升 CPU 工藝向前發展，還是設計一個新架構。

從中心到邊緣

我們可以看到從 PC 網際網路到移動網際網路到 internet of smart things，實際上對 AI 的要求越來越高。對 PC 網際網路來說，對 AI 的要求其實沒有那麼高，但在移動網際網路上，這種要求出現了。

邊緣計算要求是實時、低功耗、低成本的，並且是隱私受保護的。比如這在汽車上面，就是一個很大的一個應用場景——不可能前面有小孩子突然橫穿馬路，你還要把資料傳上資料中心，處理完了以後再傳回來，這是不可想象的。所以一定要本地計算，要實時處理沒有延遲。

很多移動裝置，比如 Amazon 的 Echo，就是把很多計算往邊緣裝置上去推。又比如監控攝像頭，中國去年一共部署了一億個。監控攝像頭的資料，其實存3個月就扔掉了。未來，對於所有這些攝像頭，都會有專門的處理器，去處理實時的視訊，這是一個大的趨勢。

邊緣的競賽

未來的5到10年，最具顛覆性的產業機會是什麼？通常來講，產業機會分成兩個階段，首先是一波2B的機會。2B的機會，就是 Enabling Technology，公司就是做 technology 本身的。它是提供槍炮彈藥的，給誰提供呢？給第二波的機會提供。第二波的機會是什麼呢？就是 Technology-enabled Business。當然這些都是2C的。2B就是給 Enterprise 提供服務。這些 Enterprise 再去捕捉 consumer-orient 的機會。這個 pattern確實在歷史上反覆發生。

舉一個例子，當年 PC 網際網路剛出現的時候，時間是在90年代末，那時沒有一家網際網路公司是掙錢的，大家都看到了這裡面存在機會，但在這個階段，首先要做的工作是把架構、網路給做起來吧？ 所以 CISCO 這樣的公司會表現得更好。另外也會有一些2B的培訓師等等，這個階段整體上屬於為B端造槍造炮提供彈藥的階段，這算是一種曲線救國吧。

然後才有2C的大的網際網路公司的出現，比如 Google。再比如移動網際網路，首先要有 CDMA 這樣的軟體演算法，放在晶片裡面，使每個移動裝置 stay connected。然後才是 Apple 這樣的公司的崛起。中國的大部分投資者、創業者和企業家，他們看重的就是這樣一波機會。

在我們進入這個市場的時候，美國人把這些基礎技術已經做完了，從2000年開始到今天，我們是在享受上個世紀八九十年代科技成長的所帶來的的一個環境，然後我們去做了這些使用者導向的企業。

但今天我們去看這個整個這個創業環境，2C的這種創新其實代價已經非常的高昂，比如嘀嘀融了上百億美元，美團也有幾十億美元，這個投資其實越來越沉重。其實你想想看，當時 Google 只融了兩千萬美元就上市了，百度差不多也就是千萬美元，騰訊也是如此。在那個時候其實有大把的機會去捕捉。但是現在的話呢？八九十年代技術創新所帶來的這些能力其實已經被髮掘的差不多了，所以我們會發現創新越來越沉重。

第三講：吳甘沙-智慧駕駛

為什麼要做智慧駕駛

每年因為交通事故死亡140萬人，百公里的油耗產生廢氣，排放霧霾等一系列的問題。
停車難：第一，一輛車96%的時間是停著的，他而且需要兩個停車位；第二，在城市的商業中心CBD附近，35%的航行里程是與找停車位相關；第三，大城市15%以上的土地是用來停車的。
無論是搖號、限行、交通擁堵費，還是網約車，都沒辦法根本性上解決這些問題。

我們來看今天為什麼有那麼多問題——本質上因為車太多。例如北京，有接近六百萬私家車，而提供按需出行服務的計程車只有7萬輛左右。對於我們絕大多數人來說，首先打車很難，其次打車很貴。但是我們相信有了智慧駕駛之後，在10年之後，城市裡面車輛的總保有量可以減少一半，只有100萬輛私家車，還有200萬輛是計程車。而這些計程車是無人駕駛出租車。那麼根據大資料的運算規律，我們可以根據全城人群的分佈和出行的規律，把這200萬輛車分佈在城市的各個角落。保證每個人一叫車，兩分鐘之內就來車。而且，我們打車的費用可以降到今天的1/3。

如今“滴滴出行”一天的峰值能夠達到2100萬單；這什麼概念呢？阿里巴巴全品類的電商相加一天大約是3000-5000萬單。美團、大眾點評吃喝玩樂住加起來一天大約1300萬單。因此，出行是相當剛性的、高頻的需求。
一旦有無人駕駛，一天達到5億單是完全沒有問題的，這將成為電商所有品類當中最大的交易量。而且，未來的車可能長得不太像車，其交通工具的屬性會降低，商業空間的屬性會增加。大家再一次腦補，在裡面放一臺咖啡機，它就是移動星巴克；放一塊大螢幕，它就是移動萬達影城；放塊小螢幕，它可以是移動的分眾傳媒；在裡面放一套辦公裝置，它就移動的寫字樓。未來你打車，可能就十來塊錢，但喝杯咖啡需要二三十塊錢，看場電影需要三四十塊錢。因此，整套新的商業體系就會呈現出來，因此也給我們帶來一個巨大的機會。

智慧駕駛中的AI

智慧駕駛裡面有一些什麼樣的AI技術？我認為，有三樣非常重要，我把它分成3種司機：第一種，叫新司機。想象一下，剛剛從駕校裡面考到了駕照，你懂得交通規則，能夠保證不去撞車和撞人；第二階段，你開著開著，變成了一個認路的司機，在任何情況下都不會迷路；第三個階段，就變成老司機。老司機體現在3個方面：一、開車開得非常好；二、你不肉，這個很有競爭性；三、碰到一些新的情況，你也不慌。

其實，智慧駕駛要達到這3個方面：一是感知和認知的理解部分；二是地圖和定位；三是認知的決策部分。先看感知和認知的理解，傳統上無人駕駛，他是從“鐳射雷達”開始。無論是樹，草坪，車輛，房子等等，鐳射雷達都能夠很準確地把模型建立出來。谷歌第一代、第二代、第三代無人駕駛車，上面有個鐳射雷達。百度的第一代、第二代車的頂上有鐳射雷達。兩邊和後面有3個小的鐳射雷達。頂上的鐳射雷達，在國內市價是70萬人民幣；3個小的鐳射雷達，每個大約是七八萬人民幣。這是錢堆出來的。我們做了一個低速車，上面其實也有一個鐳射雷達，就是七八萬人民幣。那麼顯然，這東西很貴，自然而然會讓大家去想我有沒有其他的解決方案——就是基於視覺以及毫米波雷達，超聲波等等這些輔助感測器啊。但是，最重要的還是視覺，視覺構建的不是一個幾何世界，是一個畫素世界。基於一個畫素世界，要去理解和預測，這是基於視覺的智慧駕駛。

那麼，我們拿在這一塊商業化最為成功的特斯拉為例。這輛特斯拉Model S上面就有一個單目攝像頭，作為它的主要的感測器；下面保險槓前面正中，有一個毫米波雷達；車週週邊一圈有12個超聲波感測器。大家可以看到這些小圓口都是超聲波感測器。它通過這3種感測器，能夠很好地達到新司機的要求，去理解規則，去感知這個世界。

還需要研究的點

SLAM技術的魯棒性：SLAM技術由於視覺質量技術，非常受限於在環境當中能夠發現的這些特徵點，比如說四處都是白牆時是很難獲取特徵點的。
多感測器融合：攝像頭、毫米波雷達、超聲波感測器聯合使用的演算法融合。
基於基礎高精地圖的地圖學習和更新：不但具備定位的功能，也能夠幫助地圖進行更新，那使用者始終會拿到最新的地圖。
無限提升準確率：1000-10000倍的標註資料（大規模眾包資料收集+基於機器學習的半自動標註）。
“老司機”的要求：第一步是開得很穩，很舒適；第二步是開的不肉，具有社會性和競爭性；第三步是怎麼去處理未知的情況，能夠開得萬無一失，一輛賓士S級轎車，上面的程式碼量是波音787夢想客機程式碼量的16倍。大家可以想見，要對一輛車進行很好的測試，要求非常高。但事實上，比程式碼更難的是資料和上面的隨機演算法機器學習。

Q&A

1.汽車工程學會的定義將自動駕駛分為0到5級：0級就是全人駕駛；1級還是人駕駛，但是系統、機器有時會介入，比如說它看見你離前車太近，它會滴滴滴警告一下，甚至再近了，它給你踩一把剎車；2級就是在相當長的一段時間裡面自己去駕駛，比如說像特斯拉Autopilot，在封閉的結構化的高速公路上，駕駛員還需要把注意力放在路上，但是其實這過程中，車是自己在開。它自己能夠識別車道線，始終保持在車道的中間，甚至它還具備一定的全自動泊車功能；3級跟2級典型的差別，首先駕駛員不用全神貫注在路上，他可以做其他的事情，這個系統可以給予駕駛員八秒到十秒時間重新回到決策環中，這是一個非常明顯的要求，另外的話它會在自動型上面給予更多的一些好處，比如說不一定完全是在高速公路上，在一些更復雜的條件下也可以；4級幾乎就是無人駕駛，或者在某些情況下需要人干預，或者只能在一個特定的環境下做無人駕駛。比如有的場景特別簡單，就不需要干預；5級就是全天候、全區域、全速度的無人駕駛。

2.從國際主流車廠和科技公司的路線圖來說的話，到2021年會有4級的車上路。

3.未來10年以內，出現人車分流，也就是人開的車和自動駕駛的汽車分開車道行駛。一統計資料：當自動駕駛在城市裡面超過交通運量25%以後，就值得為它單開車道。

4.5G有兩個任務：第一實現關鍵任務下的通訊，延遲做到個位數毫秒級別，關鍵任務就包括無人駕駛和遠端手術等等。第二頻寬變得很大，可以將一部分工作拿到雲上去。

5.汽車這個領域是值得專門去定製晶片的，且晶片應該是可程式設計的。

6.傳統汽車廠商和網際網路為代表的公司博弈：第一是汽車廠必須跟出行業務結合起來；第二是汽車廠不再滿足於只做一個整合商，他現在希望能夠更多地去擁有技術。第三是科技公司需要傳統車廠的硬體合作。

第四講：漆遠-人工智慧驅動的金融生活服務

金融生活服務的各種各樣的場景：醫療，繳費，教育，乘坐高鐵、地鐵、汽車，交罰款，查稅等。在美國信用等於財富，在國內如何產生信用分？這是個技術活，我們需要從資料，從各個角度、維度來判斷一個人的信用。當然不光是人，還有小微企業。希望運用大資料的技術，通過智慧的技術把它自動化，降低成本。比如智慧助理、營銷、保險。
1.智慧助理：需要非常好的落腳點。比如智慧客服有海量的電話要接，海量的問題要回答。還有基金銷售，理財顧問，保險顧問，稽核等，在這一系列的環境中，智慧助理是一個非常落地的場景。
2.營銷：營銷從任何商業角度來講都是非常重要的。比如需要做一個營銷策略，可通過大資料、雲端計算使成本急速降低，保證風控的質量，才能大規模，低成本。
3.保險：保險本身是一個數據驅動的應用，從營銷到保險的個性化定價，到新的基於網際網路的場景，新保險類別的開發等等，其實都離不開資料。

案例1-螞蟻智慧客服

今年我們的目標已經不是自助率，而是問題解決率。到今年夏天，我們的智慧客服的問題解決率從百分五十幾，到現在快70%，而人工的使用者問題解決率是71%到72%左右，我們的目標就是要超過人工。超過這個意味著什麼？其實我不光能夠自助，我回答問題比人還準。那其實這個代表什麼？不到一年，我們為公司省一億，除去人的成本和GPU的成本。我們客服部門去年其實裁了100人。減少的100人去做遞推，做口碑業務，這部分大量的人力就省下來了，這就是AI真實的案例。

異常檢測：出現問題是即時定位並解決。核心思想有幾部分：一部分就是實時計算，要把資料實時性提高，做到秒級定位。原來一個流程發現一個問題，到電商的商務異常處理，需要兩小時。從發現問題13分鐘，到響應介入50分鐘，到異常環節75分鐘，到最後環節要兩個多小時，125分鐘，這是以前的過程。現在的話，我們秒級解決問題，就是零分鐘預知，解決問題不到半個小時。這樣的一個例子其實省下了快1000通電話，而這個例子有很多，就省下無數的電話。

案例2-個性化產品和資訊推薦

跟傳統只做推薦不太一樣，阿里是一個生態系，那生態系裡面其實各個資料都會進來。我不是說因為你看過的文章，又推一篇文章，這是頭條的經典模式。那有各種各樣的，比如電商的購買行為能否助力財富和保險，我們叫遷移學習，或者叫資訊整合。

螞蟻DNA：就是一個編碼技術，把這個使用者實體包括產品，文字和外面的article，我們做一個統一空間裡embedding，轉來轉去有很多點。然後，把這個人在這個點裡邊直接表達出來。它的好處，比如說加密，如果你只看著點，你是不知道什麼意思，但是很多合作方，比如說，我們保險公司合作，把這個使用者的資料加密，非常關鍵的一個問題。

案例3-螞蟻安全大腦

從眼紋到人臉到聲紋等整個結合，用來證明“你就是你”這樣的問題。這個其實有非常大的價值。比如健康險，我們通過新的資料來源融合進來能夠反欺詐，更好地理解健康的風險；比如說場景險，就是完全網際網路化的一個場景險：穿緊身褲的很多人，在淘寶天貓上購買手機新螢幕服務，乾脆直接給你做個保險，這個保險呢，就是碎屏險。

案例4-微貸

基於大資料和機器學習的信貸模式是螞蟻微貸的優勢，在這個模式下，客戶立即申請立即獲貸，不良率低，可以解決小微企業和個人貸款難的問題：金額高、流程長、授信難。