“《前任3》票房赚了18亿，也就是说，一个前任6亿啊！”香港中文大学信息工程系教授、商汤科技联合创始人汤晓鸥，1月29日在《麻省理工科技评论》与DeepTech深科技主办的全球新兴科技峰会（EmTech China）上如此调侃。为了介绍人工智能（AI）从实验室到大规模产业化的历程，汤晓鸥充分发挥了“被科研耽误的段子手”的特质。

　　调侃有之，严肃亦有之。关于云和AI的关系，阿里巴巴技术委员会主席王坚认为可以从另外一个角度重新描述，“云应该指Internet（互联网），因为Cloud（云）这个词有很多歧义。实际上，将来整个Internet是AI非常重要的承载主体”。

　　不论是技术应用还是理论研究，专家们所做的都是在寻找人工智能的突破口，麻省理工学院（MIT）计算机科学与人工智能实验室教授Tomaso Poggio认为，人工智能的发展，深度学习可以帮助解决10%的难题，剩下的90%可能需要来自神经科学以及认知科学的研究。

　　如果说AI是新的电力，云就是电网。在亚马逊AWS首席科学家Animashree Anandkumar看来，要确保AI在不同的机器和设备上都可以使用，就要能够让不同的硬件或者结构都能够接入到云，“我们需要有一种灵活性的云的概念”。

　　对此，王坚表示，AI不仅与云的关系密切，与计算的关系也很有意义。AI，或者MI（机器智能），是消耗计算资源最多的应用场景。“AI in the Cloud（全部在云端）在未来至少有两个事情是非常激动人心的：一是AI一定是在互联网上，尽管可能是在互联网的设备上，但也是在互联网上的；二是它所消耗掉的计算资源可能是史无前例的。”王坚说。

　　Animashree Anandkumar表示，这个领域发展很快，深度学习除了学习本身，应用场景也很重要，在未来要考虑如何在这两端之间进行资源的分配。“大多数的计算都是发生在云端上的，但是它很昂贵，需要很多的数据。如果把这个模型载入终端设备，我们还面临如何压缩模型的挑战。

　　关于AI在终端上还是在云上，王坚认为描述并不准确。“AI一定会既在终端上，也在云上。现在哪怕是一个音箱，都一定是连在互联网上的。实际上，AI已经分布在了互联网上，只不过最后需要一个终端来实现使用。”从Cloud Company（云公司）的角度讲，相比于云还是终端，王坚认为，真正的核心还是计算，不论云端还是终端都需要分配计算资源。

　　但是，AI资源在云端和终端的需求是不一样的。“如果在终端上需要一个晶体管的线个晶体管。也就是对于所谓的分布式AI来说，在云端用掉的计算能力一定会超过终端。”王坚断言，这是一个分布式AI的年代，AI无处不在，一起协同工作才会实现真正的AI。

　　AI与云的关系屡遭提及，AI的产业化应用也被热议。汤晓鸥就其中一个行业视频分析作出介绍。

　　“大家在看奥运会的时候，可能会花一大堆时间看一些枯燥的内容介绍，所以基本上过了好几分钟，你可能什么都没看到。”汤晓鸥说，要节约时间，就要用到人工智能技术提高视频分析当中的行为检测效率。

　　“用建立视觉分析的方法，可以把很长的一段视频中重要内容检测出来，观众就可以直接跳过没有意义的部分，直接看有趣的、真正的跳水动作。”汤晓鸥说。

　　在一部电影中视频分析可以把各种各样的片段搜索出来，这就是缺口检测。而自然语言检测则可以自动根据观众的描述搜索出电影中的场景。“另外，我们不但能把视频分析出来，还能够把分析的内容理解出来。在一些运动会场景中，机器可以把场景描述出来，比如运动员穿着蓝色的衣服在射门等等，从而代替解说员。”

　　同样是需要智能技术来解决的问题，王坚认为，最大的挑战来自城市大脑，而城市是最大的智能硬件。提及城市大脑研究下一阶段的目标，王坚认为，就是让世界上每个城市都取消车辆的限行，也就是让现在所有的道路因为有数据和大脑发挥最高的效率。“现在的道路资源是足够的，但没有进行优化。”

　　而更长远的目标，应该是节约更多的土地资源。“这个世界本来是不需要修那么多路的，我们现在不得不这么做，是因为资源的利用效率不高。今天的中国，每个城市大概都要拿出20%~25%的土地来修路，我们相信，如果经过城市大脑的努力，帮助城市省下5%的土地资源，将为社会提供一笔巨大的财富，也会开启巨大的市场。”王坚说。

　　发展AI，就要更好地了解人的思维和大脑，Tomaso Poggio所在的麻省理工学院大脑、心智和机器中心（CBMM）在五年前开始了这样的研究，Poggio认为CBMM的使命是要在理解认知方面获得新的进步，同时也需要去了解整个智能的架构和智能背后的科学原理。关于智能的科学会帮助回答最宏大的问题，了解生命的起源、宇宙的起源，以及时间的源头。大脑中智能的产生，是科学现在需要解决的元问题。

　　在接受媒体采访时，Tomaso Poggio同样表示现在面临的最大挑战就是如今所谓“人工智能”可能从根本来说就是错的，因为它从生物学的层面上是说不通的，人类就算是在婴儿时期也不需要通过上百万个例子来学习、认知某一样事物，而这对于深度学习来说却是常事。“提升机器学习智能的突破口可能在于人类大脑相关的研究。”

　　商汤科技研究院院长王晓刚现场展示了一个其团队在2016年设计的大规模物体检测网络。在这个网络里，不同的分辨率的特征信息之间可以在同一层神经网络进行传递，并且互相印证，其中还设计了不同的门来控制传递的信息流，如什么样的信息可以传递。

　　“最开始的时候，商汤用不同的神经网络解决不同的问题，但是事实上我们人类只有一个大脑，却可以用一个大脑解决各种各样的复杂问题，包括三维的物体形状的感知、文字的理解、在视频中去识别和跟踪物体以及对声音的处理。神经网络也是有这样的一个发展趋势，未来有希望运用一个网络去完成多种复杂的任务。”王晓刚说。

　　高通全球副总裁Charles Bergan认为，机器学习未来可能会发生的最大的改变就是像人类一样在某些方面可以实现一次性学习。他举例说，人类只需要摸过一块石头，就会知道石头是什么，而不需要像机器学习一样研究一百万块石头。虽然现在大家还不知道如何实现，但当这个理论被研究出来的时候，会是这个行业最大的变革。