雷鋒網(wǎng)按：芮勇博士自 11 月初正式公布去聯(lián)想擔(dān)任 CTO 后很少公開(kāi)發(fā)聲，而在今日的 CES 2017 現(xiàn)場(chǎng)中，雷鋒網(wǎng)按等媒體對(duì)聯(lián)想集團(tuán)高級(jí)副總裁、CTO 芮勇博士進(jìn)行了采訪，芮勇博士非常詳細(xì)全面地回答了他在聯(lián)想所負(fù)責(zé)的 AI 項(xiàng)目以及對(duì)人工智能的看法。以下為采訪內(nèi)容：

  問(wèn)：在大多數(shù)人眼中聯(lián)想還是一個(gè)更加專注在具體產(chǎn)品的公司，您的到來(lái)會(huì)給聯(lián)想帶來(lái)什么？在您看來(lái)什么樣的產(chǎn)品才是最創(chuàng)新的？

芮勇：聯(lián)想還是一家挺低調(diào)的公司，我加入之后才有了這樣的感覺(jué)。其實(shí)聯(lián)想有很多非常創(chuàng)新的產(chǎn)品和技術(shù)，可能之前的宣傳不太夠。

過(guò)去這幾年其實(shí)元慶一直在倡導(dǎo)一個(gè)口號(hào)和轉(zhuǎn)型，就是把聯(lián)想從設(shè)備 Device Only 要轉(zhuǎn)變?yōu)樵O(shè)備+云，Device+Cloud。為了達(dá)到這一點(diǎn)，其實(shí)有很多的工作要做，并且這中間可能有很多是跟技術(shù)有關(guān)的，這可能也是我為什么今天會(huì)坐在這樣一個(gè)位置上的原因。就像你提到的，光有設(shè)備可能它只是一個(gè)很冰涼的設(shè)備，它之后一定要有內(nèi)容和服務(wù)，最好還能希望這個(gè)內(nèi)容和服務(wù)是因人而異的，是個(gè)性化的，是懂得我們用戶的。那它一定要有后面的人工智能的一些支撐。

我過(guò)去也從事了大概二十多年和 AI 有關(guān)的東西，從最早的圖像識(shí)別、圖片搜索，到今天做自然語(yǔ)言等等，我自己的感覺(jué)是我希望今后在聯(lián)想研究院做這么幾個(gè)大的方向的事情：

智能設(shè)備：

包括柔性設(shè)備以及 AR。

智能的云：

我們回憶一下和云最有關(guān)系的就是數(shù)據(jù)中心。30 年以前的數(shù)據(jù)中心大家可能都有個(gè)感覺(jué)，一個(gè)很大的機(jī)房，一個(gè)很傳統(tǒng)、很物理的設(shè)備。我們可以想象一下這個(gè)傳統(tǒng)的數(shù)據(jù)中心它的利用率其實(shí)不是那么高的。如果我們這里運(yùn)行一個(gè)傳統(tǒng)數(shù)據(jù)中心的公司，老涼那有一個(gè)公司，中新社這兒有一個(gè)公司，別人有一個(gè)公司，你們每個(gè)公司都希望你們有一定的存儲(chǔ)和運(yùn)算能力在我們這個(gè)傳統(tǒng)的數(shù)據(jù)中心上，平常運(yùn)算量、存儲(chǔ)量都不大，但是每年有一個(gè)星期叫做 CES，CES 的時(shí)候，整個(gè)存儲(chǔ)非常大，你的數(shù)據(jù)量都非常大，但是作為一個(gè)傳統(tǒng)的數(shù)據(jù)運(yùn)營(yíng)中心來(lái)說(shuō)，它必須在最高峰的時(shí)候能滿足你的需求，所以它不得不買很多的硬件設(shè)備在那，傳統(tǒng)的數(shù)據(jù)中心的利用率最高也就是 30%，這已經(jīng)是做得非常非常好了。

最后是在 10 年以前從傳統(tǒng)的數(shù)據(jù)中心我們發(fā)展到了虛擬的數(shù)據(jù)中心，它的利用率基本上上升到 50%。這幾年一個(gè)大的趨勢(shì)，數(shù)據(jù)中心也好，云也好，一個(gè)大的趨勢(shì)叫做軟件定義的數(shù)據(jù)中心，Software Defined Data Center，這里面我們籠統(tǒng)地稱為軟件定義的數(shù)據(jù)中心，它里面其實(shí)有三個(gè)很重要的部分，一個(gè)是叫軟件定義的網(wǎng)絡(luò)，Software Defined Network，還有 Software Defined Computing，還有 Software Defined Storage。

這種 Software Defined 它有什么好處呢？

第一，它的利用率可以從傳統(tǒng)數(shù)據(jù)中心的 30% 和虛擬數(shù)據(jù)中心的 50% 提高到今天的幾乎 80%，利用率非常非常大幅地往上提高，成本就低了很多。

第二，更重要的一點(diǎn)就是它的部署變得非常非常迅速。在傳統(tǒng)數(shù)據(jù)中心時(shí)代，如果老涼給我們的公司掛個(gè)電話說(shuō)我明天想再多上幾臺(tái)機(jī)器，他可能要花幾個(gè)星期的時(shí)間才能把新機(jī)器部署出去，做各種測(cè)試都沒(méi)有問(wèn)題。但是軟件定義的數(shù)據(jù)中心在幾天甚至幾小時(shí)這件事情就徹底解決了，所以說(shuō)軟件定義的數(shù)據(jù)中心這是一個(gè)智能云今后的發(fā)展趨勢(shì)，這也是我想做的第二件大的事情。聯(lián)想研究院也在這方面有很多的投入。比如我們?cè)谲浖x的存儲(chǔ)，軟件定義的網(wǎng)絡(luò)上面已經(jīng)比現(xiàn)有的解決方案多了3到10倍的速度。這是我第二個(gè)想做的事情。雷鋒網(wǎng)

智能的服務(wù)：

智能的服務(wù)就更離不開(kāi)人工智能了。這也是我很感興趣的一個(gè)方面。人工智能發(fā)展到今天有很多分支，但是為什么叫人工智能呢？它的意思是它區(qū)別于由自然界演化而來(lái)的智能，我們?nèi)说闹悄苁怯勺匀唤缏葸M(jìn)而來(lái)的，人工智能是一個(gè)非自然的、人做出來(lái)的，它希望計(jì)算機(jī)能夠模擬像人一樣的一些智能。

比如我們?nèi)祟惪梢钥?，我們?nèi)祟惪梢月?tīng)，我們可以說(shuō)，我們可以想，所以人工智能幾個(gè)大的分支就包括了像計(jì)算機(jī)視覺(jué)，我在這方面做了二十多年，包括語(yǔ)音的識(shí)別，語(yǔ)音的合成，我覺(jué)得前面的計(jì)算機(jī)視覺(jué)和語(yǔ)音識(shí)別還是屬于人工智能的感知，叫做 perception，但是人更重要的一個(gè)智能是認(rèn)知，叫 cognition，這個(gè)和另一個(gè)分支是有關(guān)系的，就是自然語(yǔ)言的理解，這是它的第三個(gè)分支。第四個(gè)分支就是跟一些機(jī)器學(xué)習(xí)的算法是很有關(guān)系的。今天響徹全球各地的一個(gè)詞語(yǔ)叫做深度學(xué)習(xí)，但是你再往前看幾年可能會(huì)有人提到 SVM(支持向量機(jī))和 particle swarm optimizer（粒子群優(yōu)化算法），每年都有不一樣的算法，但是現(xiàn)在很熱的叫深度學(xué)習(xí)。所以第四個(gè)分支就是一些基礎(chǔ)的機(jī)器學(xué)習(xí)的算法。所以在這幾個(gè)方面聯(lián)想研究院都會(huì)做大力的投入。

有了這些基礎(chǔ)算法的支持，我們就可以想象，我們就有能力把智能的設(shè)備、智能的云通過(guò)智能的服務(wù)都串在一起。我想稍微提一下為什么聯(lián)想做這件事情是一個(gè)很合適的公司，其實(shí)全球沒(méi)有幾家很合適做這樣一件事的公司。我們看聯(lián)想的結(jié)構(gòu)，聯(lián)想有三個(gè)大的business unit，一個(gè)是做 PC 的，全球第一。第二個(gè)是做手機(jī)的，全球很多市場(chǎng)都是名列前茅的。這兩個(gè)都是device。所以，聯(lián)想是占有了device這個(gè)入口。

第三個(gè)BU叫做數(shù)據(jù)中心集團(tuán)。這個(gè)集團(tuán)做的是云。這是第二個(gè)。第三，我們當(dāng)然有我們的研究院，有我們做創(chuàng)投的集團(tuán)。我們?cè)谌斯ぶ悄苌嫌泻芏嗟耐度搿Ｋ阅惆堰@幾個(gè)BU和研究院和創(chuàng)投集團(tuán)加在一起，它給你畫(huà)出來(lái)了一個(gè)圖就叫做 Device+Cloud Powered by AI。我們其實(shí)可以想象，有的公司是只做device的，有的公司是只做cloud的，有的公司是只在人工智能上有投入的，真正的從設(shè)備到云和人工智能都有投入的，可能聯(lián)想是很有機(jī)會(huì)做出一些非常有意思的事情的。

我之前還跟很多內(nèi)部同事和外部朋友們聊一件事情，我希望我剛才講的這三個(gè)元素可以互動(dòng)，形成一個(gè)正反饋的過(guò)程。為什么呢？我們可以想象。因?yàn)槁?lián)想擁有智能設(shè)備，所以它擁有入口，擁有入口其實(shí)就擁有一定量的用戶，有了用戶之后，聯(lián)想做出來(lái)的智能服務(wù)它的某一個(gè) Service 就可以從用戶那里去學(xué)很多的東西，從用戶的交互那里，這個(gè)智能的服務(wù)就變得越來(lái)越好。這個(gè)智能的服務(wù)越來(lái)越好的時(shí)候，它就能賣更多的設(shè)備。賣了更多的設(shè)備的時(shí)候就有更多的用戶，有了更多的用戶，它的智能的服務(wù)就會(huì)越來(lái)越好。所以這三個(gè)就變成了一個(gè)正反饋的過(guò)程。這個(gè)正反饋的過(guò)程如果能夠做成，它會(huì)形成一個(gè)大的爆發(fā)性的增長(zhǎng)。

所以這就是我對(duì)今后的三個(gè)愿景和具體的方向的想法。

（圖為 CES 現(xiàn)場(chǎng)，芮勇博士在聯(lián)想展臺(tái)演示新品）

  問(wèn)：深度學(xué)習(xí)是需要時(shí)間和大量的樣本去記錄的，這些樣本是如何去獲取的？

芮勇：非常好的問(wèn)題。其實(shí)我是這么看的，不僅僅是深度學(xué)習(xí)，如果把這個(gè)機(jī)器學(xué)習(xí)或者是人工智能要做得好，可能有四個(gè)大的因素才能做得好。

一、算法要好

拼到一定程度的時(shí)候，你會(huì)發(fā)現(xiàn) SVM 就是拼不過(guò)深度學(xué)習(xí)了，因?yàn)槟悴还苁窃谧稣Z(yǔ)音識(shí)別的時(shí)候還是做OCR（光學(xué)字符識(shí)別）的時(shí)候，還是在做圖片分類的時(shí)候，現(xiàn)在深度學(xué)習(xí)每一樣它都占第一了。所以，第一個(gè)你的算法要比別人好。

二、運(yùn)算能力要非常強(qiáng)大

運(yùn)算力不大，可能幾個(gè)月都沒(méi)辦法收斂，你沒(méi)辦法訓(xùn)練。

三、優(yōu)質(zhì)的數(shù)據(jù)

我沒(méi)說(shuō)非常大的數(shù)據(jù)，當(dāng)然大可能是其中一個(gè)方面，但是大的數(shù)據(jù)如果它不代表你的序列空間，它仍然不是一個(gè)好的數(shù)據(jù)。我們?nèi)绻麄€(gè)的序列空間是整個(gè)會(huì)議室，我有很多很多很多的數(shù)據(jù)就在那個(gè)角落上，它仍然沒(méi)有辦法訓(xùn)練出一個(gè)好的模型，因?yàn)樗臄?shù)據(jù)是有 Bias 的。所以第三個(gè)很重要的是在數(shù)據(jù)上是非常非常重要的。

其實(shí)我個(gè)人對(duì)這三點(diǎn)是很有感觸的。第四點(diǎn)最后再講。這三點(diǎn)非常重要的是，80 年代末、90 年代初的時(shí)候我自己也寫(xiě)過(guò)人工神經(jīng)網(wǎng)絡(luò)的模型，其實(shí)今天的深度學(xué)習(xí)就是一個(gè)穿了另外一個(gè)馬甲的人工神經(jīng)網(wǎng)絡(luò)。當(dāng)然在 26、27 年以前，當(dāng)時(shí)的人工神經(jīng)網(wǎng)絡(luò)只有三層，輸入層一層，隱含層一層，輸出層一層。

今天我們叫深度學(xué)習(xí)是因?yàn)樗碾[含層有很多很多層，很深，所以叫深度學(xué)習(xí)。當(dāng)時(shí)為什么在 80 年代末、90 年代初我自己寫(xiě)的那個(gè)只有一層呢？就是因?yàn)槲覄偛耪f(shuō)的前三點(diǎn)，

第一，算法上沒(méi)有到那個(gè)境界，可能這個(gè)稍微偏學(xué)術(shù)一點(diǎn)，因?yàn)槟阕鲇?xùn)練誤差反饋回來(lái)的時(shí)候要求偏導(dǎo)的，偏導(dǎo)數(shù)大家可能知道，求第一次的時(shí)候就已經(jīng)有很多的 Noise 在里面了，你如果想有兩層隱含層的話你要求第二次偏導(dǎo)，第二次偏導(dǎo)的時(shí)候那個(gè)東西就不能用了，所以在 20、30 年以前這個(gè)算法就沒(méi)到那個(gè)地步。這是第一。

第二，我記得我當(dāng)時(shí)還是運(yùn)行在一個(gè)當(dāng)時(shí)一個(gè)很牛的機(jī)器上 486，當(dāng)時(shí)已經(jīng)是最好的機(jī)器了。但是 486 還沒(méi)有我們今天一個(gè)比較強(qiáng)大的手機(jī)的運(yùn)算能力大。今天我們?cè)?GPU 上跑的運(yùn)行的分布式的訓(xùn)練結(jié)果如果在當(dāng)年我那臺(tái) 486 上跑，可能到明年還沒(méi)有訓(xùn)練完，沒(méi)有辦法等，你等不起這個(gè)時(shí)間，所以計(jì)算力也沒(méi)到。

第三，訓(xùn)練數(shù)據(jù)太小。今天的深度學(xué)習(xí)，因?yàn)樗膶雍芏?，它可調(diào)參數(shù)經(jīng)常就是幾百萬(wàn)個(gè)，幾百萬(wàn)個(gè)可調(diào)參數(shù)你沒(méi)有上億的訓(xùn)練樣本一定是過(guò)擬合的。過(guò)擬合的意思就是你在訓(xùn)練的時(shí)候一點(diǎn)誤差都沒(méi)有，一到真正用的時(shí)候全部都是錯(cuò)的，因?yàn)槟阆脒@個(gè)道理，如果你只有一千個(gè)樣本，你有一百萬(wàn)個(gè)參數(shù)要去調(diào)，一定是過(guò)擬合的結(jié)果。所以說(shuō)30年以前也沒(méi)有很多的數(shù)據(jù)，還沒(méi)有大數(shù)據(jù)，只有小數(shù)據(jù)。

所以，基于這三個(gè)原因，30 年以前是沒(méi)辦法出現(xiàn)深度學(xué)習(xí)的，因?yàn)槲易约鹤鲞^(guò)。今天不一樣，這三個(gè)算法上有大的改進(jìn)。第二個(gè)是在運(yùn)算能力上有大的改進(jìn)。第三個(gè)是在數(shù)據(jù)和訓(xùn)練樣本上有大的改進(jìn)。

四、人工智能落地

人工智能真是要做得好，光去弄前面三個(gè)也不夠，要和垂直行業(yè)怎么結(jié)合，怎么落地。因?yàn)闊o(wú)論如何人工智能是要落地的。你無(wú)論是跟一個(gè)下棋的落地，還是跟某一個(gè)智能聊天機(jī)器人去落地都可以，還是說(shuō)我給某一個(gè)用戶推薦一款電影也可以。因?yàn)槲抑案锌圃旱闹参锼鲞^(guò)一款怎么去識(shí)別花、樹(shù)之類的。每年春天在北京你到香山植物園轉(zhuǎn)的時(shí)候，走了一半看見(jiàn)這個(gè)樹(shù)真漂亮，叫什么，那個(gè)花叫什么，你都不知道，你問(wèn)周圍的人也沒(méi)人告訴你，你能不能拿出手機(jī)一拍，原來(lái)這個(gè)叫這個(gè)花，不僅告訴你是什么花，還告訴你它是比較喜歡陽(yáng)光的，最早是從南美洲什么什么地方過(guò)來(lái)的，人工智能一定要落地，要和 domaine knowledge 要發(fā)生關(guān)系。你如果不落地，你為了識(shí)別不同種類的花，你可能識(shí)別得不準(zhǔn)，但是你和這些植物學(xué)家進(jìn)行一定的交流之后你會(huì)發(fā)現(xiàn)他們有很多的垂直行業(yè)的知識(shí)。比如說(shuō)不僅僅要看這個(gè)花的瓣，還要看這個(gè)花的蕊和它的莖和葉是什么樣的，就是說(shuō)這些domain knowledge一定要跟人工智能相結(jié)合才能落地。

所以說(shuō)我個(gè)人的體會(huì)是這四點(diǎn)都做好了才能把這件人工智能的事給做好。

為什么在聯(lián)想我覺(jué)得可以做這個(gè)事？

第一，我們有算法。我希望在我加入之后在算法上還會(huì)有大的突破。

第二，我們的運(yùn)算能力是很強(qiáng)的。大家可能不太清楚，全球前 500 個(gè)超級(jí)計(jì)算機(jī)中間的99個(gè)是聯(lián)想做的。所以有強(qiáng)大的計(jì)算能力。

第三，有沒(méi)有大數(shù)據(jù)？聯(lián)想這么大的公司，內(nèi)部的數(shù)據(jù)，外部的數(shù)據(jù)，各種數(shù)據(jù)都是非常非常多的。這些數(shù)據(jù)就可以使得我們能夠訓(xùn)練我們的模型。

第四，因?yàn)槲覀兪窃谌蛴?60 多個(gè)分支機(jī)構(gòu)，我們的產(chǎn)品遍布全球的 160 多個(gè)國(guó)家，所以我們跟各個(gè)行業(yè)、各個(gè)國(guó)家有很多的接觸。所以，我們對(duì)行業(yè)的知識(shí)也很了解。

這四個(gè)事情相互結(jié)合在一起，我覺(jué)得聯(lián)想在人工智能上是可以有很多建樹(shù)的。

  問(wèn)：現(xiàn)在有很多公司都在做人工智能這一塊，怎么樣去評(píng)價(jià)這家公司做人工智能做得好不好？人工智能做得好與不好的評(píng)價(jià)標(biāo)準(zhǔn)，您覺(jué)得應(yīng)該怎么衡量？

芮勇：這個(gè)問(wèn)題可能從兩個(gè)角度來(lái)看。

 第一，因?yàn)楝F(xiàn)在人工智能這個(gè)詞用英文講叫 Overloaded Tone，不知道中文怎么翻比較好，就是說(shuō)這一個(gè)詞其實(shí)有很多不同的意思。人工智能公司我覺(jué)得有一些是在做基礎(chǔ)算法的，這樣的公司是很多的，不管是做 Vision，還是做 Speech，做這些基礎(chǔ)算法的公司是容易評(píng)價(jià)的，一些基礎(chǔ)算法我們拿出來(lái)，是騾子是馬拿出來(lái)溜溜，因?yàn)橛泻芏嗳驑?biāo)準(zhǔn)的數(shù)據(jù)機(jī)器都在那，如果我們做圖像的分類，我們就在 ImageNet 上跑一跑，看看誰(shuí)的錯(cuò)誤率低。我們?nèi)绻稣Z(yǔ)音識(shí)別的話，我們就在 Standard 上跑一下，看看誰(shuí)的錯(cuò)誤率低。這是一類公司，做基礎(chǔ)算法的，我覺(jué)得他們可以做這樣一個(gè)對(duì)比。

還有一類人工智能公司其實(shí)他們是把基礎(chǔ)算法應(yīng)用在不同的應(yīng)用上去的。

比如說(shuō)國(guó)內(nèi)有很多像智能助手這樣的公司，這些你去做評(píng)價(jià)的時(shí)候就是偏主觀的了，因?yàn)闆](méi)有一個(gè)很客觀的東西，因?yàn)橛械娜斯ぶ悄苤质侨轿坏娜斯ぶ悄苤?，另外一個(gè)人工智能助手可能是我只是給你訂餐或者是訂車我會(huì)比較了解，別的事情它不一定會(huì)做，這種情況下你就很難評(píng)價(jià)一個(gè)全方位的、比較廣的一個(gè)比較深的垂直的領(lǐng)域。

所以，我覺(jué)得是從這兩個(gè)方向來(lái)看?；A(chǔ)算法的用標(biāo)準(zhǔn)數(shù)據(jù)去做評(píng)價(jià)。真正做應(yīng)用的，可能它的廣度和深度都要看，當(dāng)然最重要的是看的是用戶買不買單，用戶用不用它的東西。

  問(wèn)：剛才聽(tīng)您講的 AI 都是基于聯(lián)想的設(shè)備，有沒(méi)有擴(kuò)展到其他的領(lǐng)域，比如說(shuō)無(wú)人駕駛？

芮勇：也不完全是，因?yàn)槲矣X(jué)得有一些基礎(chǔ)的 AI 平臺(tái)的東西可以完全是很開(kāi)放的平臺(tái)，比如另外一個(gè)智能設(shè)備，甚至我們今天在聯(lián)想可能不做冰箱，不做微波爐，不做洗衣機(jī)，但是這些東西基于同一個(gè) AI 平臺(tái)你可以對(duì)它的數(shù)據(jù)進(jìn)行分析，對(duì)它之間的相互連通的信息進(jìn)行分析，你可以給用這個(gè)洗衣機(jī)、電冰箱和微波爐的用戶提供一些很好的建議，我覺(jué)得這些都是可以做的，所以我們會(huì)有一個(gè)很開(kāi)放的平臺(tái)。

  問(wèn)：AR 和 VR 這兩種業(yè)務(wù)的前景是怎么看的？另外一個(gè)是聯(lián)想在這塊有什么比較具體的布局？準(zhǔn)備怎么去做？

芮勇：計(jì)算機(jī)視覺(jué)里面有一個(gè)很重要的分支叫三維視覺(jué)，三維視覺(jué)它包括了三維的物體重建，三維的環(huán)境重建。比如我現(xiàn)在有一個(gè)攝像頭，我如果對(duì)著一個(gè)物體晃一晃掃一掃，我能不能把這個(gè)三維物體的模型能建起來(lái)？我對(duì)整個(gè)環(huán)境掃一掃，能不能把三維的環(huán)境建起來(lái)？所以說(shuō)三維視覺(jué)一直是人工智能中間一個(gè)很重要的分支，不管是 VR 也好，AR 也好，它的最重要的技術(shù)基礎(chǔ)就是三維視覺(jué)，沒(méi)有三維視覺(jué)是沒(méi)有 VR 也沒(méi)有 AR 的，因?yàn)樗枰滥悻F(xiàn)在戴的這個(gè)頭盔或者是一個(gè)別的什么設(shè)備也好相對(duì)于你這個(gè)物理坐標(biāo)系在哪里，這六自由度是從哪里來(lái)的，這個(gè)必須要從三維的計(jì)算機(jī)視覺(jué)中得到，所以，AR 和 VR 一定是人工智能的一個(gè)部分。

第二，我對(duì) VR 和 AR 怎么看？它們的應(yīng)用場(chǎng)景可能不是完全一樣的。VR 可能對(duì)一些非交互性的、單邊內(nèi)容的傳輸會(huì)很有效果，比如說(shuō)我們想看一個(gè) 3D 的電影，你戴上一個(gè)VR的眼鏡可以享受一款非常好的 3D 的電影，甚至我們打一個(gè) 3D 的 Game，有交互，但是你可能不能站起來(lái)，就是 VR 和 AR 一個(gè)很不一樣的地方是戴VR頭盔的朋友，我建議你們坐在椅子上玩比較好，因?yàn)槟闾度氲臅r(shí)候會(huì)出問(wèn)題的，因?yàn)槟氵@個(gè)時(shí)候要么有一根線拽在后面或者怎么樣，其實(shí)你很投入的時(shí)候已經(jīng)沉浸在一個(gè) VR 的世界里面，一根線把你頭拽住了，可能會(huì)摔倒，這是VR對(duì)于玩兒 Game 和看電影是非常有好處的。

AR 是完全另外一個(gè)不同的場(chǎng)景，AR 最重要的是它是一個(gè)增強(qiáng)的現(xiàn)實(shí)。增強(qiáng)的現(xiàn)實(shí)其實(shí)是把物理世界和虛擬世界無(wú)縫地給拼在一起，最簡(jiǎn)單的一個(gè) AR，比如我看到某個(gè)人，我如果戴著一個(gè) AR 的眼鏡，我突然忘了，這人好面熟，就想不起來(lái)上次在哪見(jiàn)的，有這個(gè) AR 的眼鏡之后，它最簡(jiǎn)單的功能就是做出人臉識(shí)別，告訴我這是誰(shuí)誰(shuí)誰(shuí)，上次我們是在哪在哪見(jiàn)的面，這個(gè)可能會(huì)免去很多的社交上的尷尬。

但這個(gè) AR 只是一個(gè)最初級(jí)的，它只是在物理實(shí)體的邊上加上一些虛擬的信息，更有意思的 AR 是物理和實(shí)體能夠相互交互。比如說(shuō)我們現(xiàn)在打一款游戲。VR 可能跟你現(xiàn)在這個(gè)房間是一點(diǎn)關(guān)系都沒(méi)有的，但是 AR 游戲，我如果戴上 AR 眼鏡，它其實(shí)是可以根據(jù)我現(xiàn)在這個(gè)會(huì)議室的物理場(chǎng)景給我設(shè)計(jì)一個(gè)打游戲的過(guò)程，我待會(huì)兒去另外一個(gè)會(huì)議室，回到我酒店的房間，物理場(chǎng)景不一樣，它給設(shè)計(jì)的 Game 也都不一樣，所以我覺(jué)得這是一個(gè)非常不一樣的地方。

所以，在我個(gè)人看來(lái)，從平臺(tái)角度看，可能 AR 會(huì)是今后一個(gè)更大的平臺(tái)，如果我們把幾個(gè)垂直行業(yè)能落地得很好，這個(gè)可能是一個(gè)很大的平臺(tái)，前景會(huì)非常非常好。我們?cè)诼?lián)想公司也好，聯(lián)想研究院也好，我們?cè)谶@方面都會(huì)有大的投入。

  問(wèn)：現(xiàn)在AI人才是全球都在爭(zhēng)奪的，聯(lián)想在這方面準(zhǔn)備出什么自己的獨(dú)家秘招呢？

（雷鋒網(wǎng)在提出這個(gè)問(wèn)題時(shí)，芮勇博士先是風(fēng)趣地開(kāi)了個(gè)小玩笑，用一句“我就是那個(gè)獨(dú)家秘笈”引起了全場(chǎng)一陣歡笑。）

芮勇：現(xiàn)在 AI 的人大家都在搶，我最近也在招這方面的人才，因?yàn)槲覀円闪⒁粋€(gè) AI 方面的大的團(tuán)隊(duì)，競(jìng)爭(zhēng)都很激烈。我覺(jué)得聯(lián)想能告訴一些有志于人工智能產(chǎn)業(yè)人才的事情就是把人工智能能做好的那四點(diǎn)：好的算法、強(qiáng)大的運(yùn)算力、大數(shù)據(jù)和垂直領(lǐng)域能不能接地氣。我覺(jué)得這四個(gè)方面，聯(lián)想都是有優(yōu)勢(shì)的：

第一，好的算法，當(dāng)然我們希望這個(gè)人來(lái)了以后就有好的算法，這些是他可以做的事情。

第二，運(yùn)算力，前 500 名我們占了 99 名，并且我們現(xiàn)在不僅看 CPU 的集群，我們看 GPU 的集群，我們看 FPGA 的集群。

第三，聯(lián)想有很多大的數(shù)據(jù)。公司內(nèi)部也有很多很多的數(shù)據(jù)。我現(xiàn)在不是擔(dān)心我們沒(méi)有數(shù)據(jù)怎么辦，而是我現(xiàn)在數(shù)據(jù)很多，我現(xiàn)在要有足夠的 AI 的人才來(lái)幫我分析這些數(shù)據(jù)。

第四，其實(shí)我們有很多垂直領(lǐng)域，在國(guó)內(nèi)我們跟醫(yī)院、運(yùn)營(yíng)商、零售行業(yè)有很多的合作，這些垂直領(lǐng)域，我們都可以幫助它的人才把具體的算法落地到某一個(gè)領(lǐng)域，這些可能是最吸引人才的地方。

雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。