北大 AI 公開課第2講實錄-雷鳴&余凱漫談嵌入式AI（超級完整版）

1新智元原創

新智元日前宣布，獲6家頂級機構總額達數千萬元的PreA輪融資，藍馳創投領投，紅杉資本基金、高瓴智成、藍湖資本 、藍象資本跟投。本輪融資將用於新智元團隊規模擴充並增加新產品服務線，目標打造 To B 的人工智慧全產業鏈服務平台。

新智元啟動新一輪大招聘：COO、執行總編、主編、高級編譯、主筆、運營總監、客戶經理、諮詢總監、行政助理等 9 大崗位全面開放。

簡歷投遞：j[email protected]

13552313024

新智元為COO和執行總編提供最高超百萬的年薪激勵；為骨幹員工提供最完整的培訓體系、高於業界平均水平的工資和獎金。

加盟新智元，與人工智慧業界領袖攜手改變世界。

【新智元導讀】「北大 AI 公開課」系統第二講《嵌入式人工智慧：從邊緣開始的革命》於周二晚上結束，北大人工智慧創新中心主任，百度創始七劍客之一雷鳴和前 IDL 創始人、現地平線創始人兼CEO余凱一起漫談嵌入式AI。下面新智元為不能親臨現場的讀者帶來本次課程最完整實錄。

2017年2月的最後一天，北京大學「人工智慧前沿與產業趨勢」研究所課的第二講如約和大家見面。課程依舊由北大人工智慧創新中心主任、百度七劍客之一、酷我音樂創始人雷鳴老師坐鎮，而邀請的嘉賓則是「千人計劃」國家特聘專家、原百度 IDL 常務副院長、地平線機器人創始人余凱老師。本將圍繞的主題是嵌入式人工智慧，涉及了嵌入式人工智慧的本質特徵、軟硬體結合聯合優化、應由場景及未來的發展機會等等，亮點頗多。

余凱老師首先以「人工智慧的邊緣機會」為切入點，做了時長50分鐘的演講。之後雷鳴老師登台，和余凱老師就「人工智慧的專用性和通性」、「在軟硬體聯合優化的過程中如何良好同步」等問題展開了對話和討論。下面是最完整課程實錄。

余凱在北大AI公開課演講

謝謝雷鳴，我的老朋友，好哥們兒。其實雷鳴老師是我們所有百度人的前輩，百度的七劍客之一。今天我也非常感動，能來到北大和在座的老師和同學們分享一些關於人工智慧的看法。我記得很早之前也來北大做過深度學習的講座，距離現在也有些時間了，這期間我個人的身份也發生了一些轉變。

在過去的兩年間，人工智慧變成了一個非常 sexy 的話題。那麼，What』s the hype? 這裡面是否真正有一些實在的因素在推動？我昨天到今天一直在非常認真地在準備今天這個講座，因為這也是雷鳴老師給我布置的一個作業。在座的從事人工智慧相關學習或研究的有不少。我記得我自己大學一、二年級的時候是在學慣用 FORTUNE，C 語言編程，而今日來找我請教的大一、大二的同學會跟我探討如何建模去識別女孩子飾品這類的問題，所以說 computing science 在過去講的是 computing，而如今關注的是 data science，變成了 data-driven 的 computingscience，統計的、大數據的、計算的建模越來越多。過去是 Bigdata, big model, big computing 這三個因素在推動學術研究和產業發展。所有的計算從 PC 到移動設備有一種聚合的趨勢，聚合到雲計算、數據中心。但是天下之事，分久必合合久必分，在未來的十到二十年，我認為很多計算會到互聯網的邊緣，會到我們的 device 端，甚至有些還是在不聯網或無線聯網環境下，依賴電池或本地的動力支持如發動機去進行本地的計算。

今天我想跟大家更多地分享一下我個人關於產業向前發展的思考，一些「乾貨」。我今天提出一個新的類別，叫做嵌入式人工智慧，意為不是在雲計算或數據中心而是在互聯網的邊緣。我認為從現在開始，我們會看到從邊緣開始的一種革命，正如從2012開始深度學習所引起的革命，一般來說，革命都是從邊緣開始的。2012年4月我在西安一次會議上作了一個關於深度學習的講座，那時深度學習還是一個處於邊緣的課題，而如今已發展為風暴的中心。當今人工智慧的計算大多數都在 BAT 的數據中心，在雲上面，但我們會發現，有一個巨大的機會遠離數據中心，在互聯網的邊緣。

我這個想法是從哪裡來的呢？先從我個人的經歷談起，我自己在深度學習這個領域工作了二十多年，之前在美國矽谷的NEC Labs領導一個計算機視覺小組，也是世界上第一個做相關項目的小組。我的小組在2010年第一屆ImageNet Challenge上拿到全球第一名。2012年回國加入百度，創立了業界首個人工智慧中心 IDL Center，如今已是業界最具影響力的人工智慧中心，我至今還認為它非常出色，匯聚了很多優秀的人才，包括百度的自動駕駛團隊，最早的自動駕駛項目。雖然我博士畢業以來一直在工業領域發展，但我與學術界一直保持著緊密的聯繫。分享一個小片段，2009年參與 ICML（International Conference of Machine Learning，）時我和幾位朋友共同組織了一個關於深度學習的 workshop，日後這幾位朋友分別加入了 APPLE、Google、Facebook 這樣的大企業去建立人工智慧中心，可以看到這樣一個現象，就是深度學習在很短的時間內迅速影響了世界上最偉大的高科技公司。2014年我也引薦 Andrew Ng，也是我多年的朋友，加入了百度，這是首次有全球知名的 technical leader 加入公司，在國內外都引發巨大震動，我至今都引以為傲。時至今日，騰訊或者阿里巴巴都難以找到這樣一位級別的技術專家。我個人認為未來原創技術改變世界的創舉一定會從發生，這也是我加入百度的原因，我初到百度做自我介紹時談過，我希望未來大家談到人工智慧領域的頂級公司不僅只想到 Google，也會談到百度。我想這點在今日應該已經實現了，人工智慧領域處於前沿位置的公司就是百度。

今天我們不談深度學習的演算法，而是去探討一個正在發生或是下一個發生的風暴是什麼。我從2013年年底開始思考未來，認為未來有三大趨勢，第一個我稱之為新摩爾定律。摩爾定律在過去的二三十年推動整個全球科技界在向前發展。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，性能則會提升一倍，使計算和應用不斷發展，按此規律推算，到2045年，每1000美元可以買到的計算資源幾乎就等同於今天人腦的計算能力，即目前天河二號的計算能力，天河二號的功耗為1000瓦，而人腦只有20瓦。到2045年是不是會這樣呢？Intel 已經於去年正式宣布摩爾定律已經守不住了，速度已經放緩。那麼到底是什麼因素會去推動整個計算向前發展呢？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晶體管的數目，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，這是個問題。

讓我們來看一下人腦是怎樣工作的。我們的人腦是 general 的、像 CPU 一樣的 computer，還是一個 special purpose 的 computer？人腦是一個特殊硬體還是一個通用計算的硬體？認為是通用計算的請舉手（不少同學都舉起手來）。還是有不少同學這麼認為。人腦確實很發達，有很強的計算能力，但如果你認為這樣人腦就是通用計算的硬體了，那我來問一下，你看你能回答這個問題嗎？（PPT 上顯示：1729×568=？） 你會發現，面對這樣一個簡單的問題，你會覺得如此的無奈。你會發現，人腦不是無所不能的，它的能力明顯有邊限。當然人腦有它擅長的東西，比如這個（PPT 上出現了一段在一定程度上打亂了順序的文字，現場觀眾驚訝地發現，這並不影響閱讀，甚至有人都沒有發現順序被打亂了）。我們發現，原來大腦是這麼奇妙，這麼特殊，它的機制可能和現在顯示器的逐行掃描、順序掃描是完全不同的機制。它對圖像是并行處理的，因此對順序是不敏感的。但是背後又有一個 language model，還有一個類似於 recurrent neural net 的東西在進行 correct。我們發現，原來人腦是有所長、有所短的。在漫長的進化過程中，人在不斷地發展和自己生存有關的能力，而和生存無關的能力，發展則是不足的。所以說，人腦是一個特殊設計的硬體。同時人腦還有很多個不同的子系統，比如有一部分是專門對聽覺優化的，有一部分是專門對視覺優化的，前幾年有一個獲得諾貝爾獎的發現，發現人腦中有一塊是專門負責定位的，相當於 GPS。

我們看到，如果我們做通用處理器，做 CPU，那麼它可能非常 flexible，因為它可以做很多任務。但它整個 efficiency 並不高。但如果針對每個人物做專門的優化，會把 efficiency 提高兩到三個數量級。

給大家講一個我自己經歷的故事。2011年，谷歌大腦的項目，當時都是用 CPU 來做的計算。當時我們加入百度，開始在百度做深度學習計算，用的是 GPU。我們私下裡不斷的比較，比較 CPU 跟 GPU 的效率。2012年的 GPU 比 CPU 效率大概要快四十倍左右，但是 Google 的一些人告訴我們，他們的 CPU 優化的非常好，據說能達到 CPU 跟 GPU 只是六倍的difference。但是我們覺得很難相信，這一點就跟我們的數據太不一樣了。我們覺得 GPU 做深度神經網路的性能明顯要更高嘛。不管怎麼說，我們開始 launch 我們的系統，大規模使用 GPU 來做計算，到後來證明我們是對的。Google 後來也開始大規模地使用GPU。所以實際上，百度比 Google 更早使用 GPU。所以 Andrew 在2014年5月份加入百度，他接受採訪時說，當時加入百度的原因，當然除了余凱，另外還有一個原因，就是可以隨便買 GPU。

到了14年，廣告系統上線跟語音系統上線都需要實時計算，並且它的流量特別大，特別是廣告，這種情況下 CPU 跟 GPU 其實都扛不住，所以我們當時用 FPGA 去做專門的硬體加速。這時我們更加清醒地認識到，硬體對計算力有多麼重要。

好，我們現在看另外一個趨勢，這個趨勢就是從中心到邊緣。

我們可以看到從 PC 互聯網到移動互聯網到 internet of smart things，實際上對 AI 的要求越來越高。對 PC 互聯網來說，對 AI 的要求其實沒有那麼高，但在移動互聯網上，這種要求出現了。比如說最近我們看到今日頭條的新聞，它跟百度一個很不一樣的地方是百度是即搜即得，而今日頭條是不搜即得。這個「不搜即得」，在移動設備上，因為它有一個主動去做推薦的機制，使得人機交和信息的獲取更加智能更加的高效。未來，這些移動設備上，會有越來越強的AI需求。我們有很多的計算，會從數據中心往這些移動設備上去轉移。在這些設備上，做 perception，做人機交互，還有決策等事情。

這些計算要求 low latency，沒有延遲，並且是實時的，low power，low cost，並且是 privacy protect 的。那我們看到，就是說在汽車上面的話呢，就說這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，你還要把數據傳上數據中心，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。很多移動設備，比如 Amazon 的 Echo，就是把很多計算往邊緣設備上去推，使得它整個的用戶體驗會更好，這也是未來的一個趨勢。又比如監控攝像頭，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，去處理實時的視頻，這是一個大的趨勢。孫正義認為，很多計算未來會在邊緣進行，邊緣的這些設備上的計算，使得這些設備變成了機器人。他認為，15年以後，機器人的數目會超過人類，達到一百億個。孫正義基正是基於這樣一個邏輯，他以極高的溢價收購了英國的 ARM，300多億美金。所以這是以 VC 的思維去做幾百億美金的巨型併購。

第三個趨勢，是在邊緣的競賽，就是更快更高更強。比如今天的每輛車，有1個攝像頭，就是倒車的攝像頭，但未來的自動駕駛是平均8到12個攝像頭。Tesla 的新車上，已經有8個攝像頭了。然後每個攝像頭，會從720P的解析度到1080P的解析度，到高清的4k，因為解析度越高，你可以看得更遠。另外一點，未來的10到20年時間，因為自動駕駛技術的發展，會使得高速公路上的汽車的平均的速度從100公里每小時到接近它的物理的極限——200公里每小時，速度會越來越快，這是一個 global trend，這要求處理的數據量持續增長，所以在邊緣上，計算會持續的追求更快更高更強，這是一個新的競賽。

未來的5到10年，最具顛覆性的產業機會是什麼？我跟大家分享一下我的思考。通常來講，產業機會分成兩個階段，通常的話，我們會看到，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 互聯網剛出現的時候，時間是在90年代末，那時沒有一家互聯網公司是掙錢的，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的大的互聯網公司的出現，比如 Google。再比如移動互聯網，首先要有 CDMA 這樣的軟體演算法，放在晶元裡面，使每個移動設備 stay connected。然後才是 Apple 這樣的公司的崛起。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用戶導向的企業。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發掘的差不多了，所以我們會發現創新越來越沉重。

好，然後我們來看一下未來的機會。過去的12個月里，大概近半年的時間裡，我們看到整個高科技行業有一個機會，今天所有的這個二級市場投資者都開始研究它、關注他，這個讓他們覺得很 surprised。因為在整個高科技市場比較低迷的時候，有一隻股票是 NVIDIA，從20塊錢到現在漲到差不多100塊錢，曾經一度到119塊，在過去一年多的時間裡成長了5倍，是整個高科技市場成長速度最快的一個機會。這裡面核心的邏輯其實很簡單，他就是造槍造炮嘛。現在很多企業，無論大小，即使不知道深度學慣用來幹什麼，怎麼掙錢，大家都要去搶購 GPU 這些。所以我們也非常看重這點，希望做一個深度神經網路的這種處理器，讓大家能夠利用這些軟硬體結合的解決方案。

我們從一個更大的尺度來看，這是今年市值排名前20名的高科技公司，我們可以看到裡面有8家是互聯網公司，還有8家是半導體公司。大家不要只看互聯網公司，其中有非常非常硬的科技公司，他們是很賺錢很賺錢的。八家硬科技公司裡面成長得最快的兩家，一家是 NVIDIA，一家是 AMD。我們做深度學習的處理器也是因為看到了這種趨勢，就是軟體演算法跟人工智慧和半導體的結合會催生爆髮式的成長。我們的關注點是加速 inference 的效率，打造低功耗高性能的解決方案，讓很多 device 端也具有人工智慧的能力。

如果把我們去和硬體廠商相比較，他們去優化的是 number of operation per cost，但我們去優化的是什麼呢？我們不是一個傳統的硬體廠商，我們實際上是軟硬結合的2B的生意，我們優化的是 performance per cost。我們首先從系統的角度來做優化，我們會設計專門軟體演算法的實驗過程，然後根據這個軟體演算法來設計一個硬體的架構，然後再用這個硬體架構，去優化我們的軟體，最後通過 compiler 和 runtimelibrary 使軟硬體之間的差距更小。還有一個理念很重要，就是不要關注籠統的問題，而是要解決具體的任務，否則複雜程度會讓你難以駕馭。通過軟硬體優化，我們可以把性能提升兩到三個數量級。

我為什麼認為這個非常重要？跟大家分享我自己的親身經歷，這是當時百度第一輛自動駕駛汽車，把這個後備箱打開，可以看到裡面全是機器，最早裡面有好多飛線，現在已經做得很好了。但是散熱問題還沒有解決。到今天為止，無論是百度還是 Google 的無人駕駛汽車，這些自動駕駛的車每開兩個小時就要停下來散熱，因為裡面熱得受不了。冬天完全不需要開空調暖風。這個問題為什麼難解決？功耗為什麼降不下來？因為你沒有從系統級的層面來優化整個東西。軟體框架不斷往前迭代，硬體架構也需要相應迭代，感知能力極大提升。自動駕駛繼續發展的話，會發現感知能力不是最主要的，最主要的問題變成決策。自動決策方面的複雜程度超出想象。我們的目標是打造一款晶元，功耗和成本只有目前市面上頂尖處理器的幾十分之一，但性能為其兩三倍。在下個月德國柏林的 BCW 會議上我們也會分享我們在自動駕駛方面軟體演算法和處理器架構的進展。喬布斯在手機上實現了去掉鍵盤和滑鼠操控，在平板上去掉了書寫筆，而我們的目標就是用五年的時間把所有遙控工具全部去掉，完全實現人體感知，想要實現這一年就需要完全重構軟體和硬體，讓處理器和真箇系統的功耗足夠低，體積足夠小。我們不僅僅是做軟體演算法，我們專註於自動駕駛，智能家居和公共安全這三個垂直市場，未來幾年這三個市場都會爆炸式的增長。

最後我想分享一下，人工智慧改變世界，真正改變人工智慧，改變世界的是人才。人工智慧目前最缺的就是人才。這是我第一次在業界發表我的判斷和看法，我相信跟你們在媒體上看到的都很不一樣，我願意分享的原因就是我覺得雷鳴老師做的這一個研究中心非常有意義，因為我們缺乏的就是人才。我在斯坦福教課的時候有個學生，目前幾家全球前五十的人工智慧公司都提到他做的公司。其實他這個公司初始的一個想法是當時上我課的時候完成的一個項目。他當時設計了一個簡易的機器人來自動識別蔬菜地的雜草並用生態的方式除草，本意是希望解決加州菜農雇傭大批墨西哥非法移民除雜草的社會問題，同時獲實現無污染的蔬菜種植。基於此想法，他日後真的做成了一個公司，今日美國有10%的生菜地都在使用他的機器人除草。能通過我與學生的交流幫助一些年輕人做成一些事情，對此我也感到很驕傲。

我過去還帶過兩個學生，一個後來在密歇根大學做教授，另一個目前是深度學習領域的旗手。楊健朝是我當年帶過兩年的實習生，當時我們倆合著的計算機視覺的論文在 CVPR 引用次數達到兩千多次，在這次會議中全球引用率最高。另一個實習生周曦，目前是最好的一家人臉識別公司雲從科技的 CEO。賈楊清的導師推薦他來跟我做深度學習，今天他開發的Caffe 在業界已經如雷貫耳。李沐是我當初招募的百度 IDL 少帥學者，他開發的 MXNET 是亞馬遜雲計算的官方深度學習平台，影響世界的年輕人，非常了不起。另有兩名百度少帥學者李磊，今日頭條實驗室主任，和顧嘉唯，麻省理工學院全球TR35創新者。

所以我鼓勵年輕人來地平線實習和工作，我相信地平線現在所做的事情是站在時代前沿，提供足夠激動人心的成長和學習機會。

我們做的事情從軟體到硬體，到編譯器，到操作系統，去改變駕駛，改變機器人，去應用到未來的方方面面。我覺得我也願意去跟大家一起去成長。我們對於增量性的創新沒有興趣，我們要做的是顛覆性的創新。這就是我今天的分享。謝謝！

這裡，我們特別拈出「嵌入式人工智慧——從邊緣開始的革命」這一話題，為讀者呈現當日課程的精彩片段。

雷鳴對話余凱：人工智慧的邊緣機會

邊緣機會將會是未來的風暴

宣講一開始，余凱老師首先表示，他是來講乾貨的。當你剛以為他要走技術路線，他卻又說，今天他也不談深度學習、生成對抗網路等等。他希望和大家分享的是他的「思考」。這一思考的對象，就是嵌入式人工智慧。他認為目前嵌入式人工智慧不在數據中心，不在雲上面，而是處在互聯網的邊緣。「革命往往從邊緣開始，」余凱老師說，「星星之火，可以燎原。」他舉了農村包圍城市的例子。「深度學習幾年前還處在一個邊緣的地位，而今已經成為風暴的中心。今天我們的人工智慧計算，大部分都在BAT的數據中心，在雲上面，而我今天要向大家展示的，正是這樣一個邊緣機會，它遠離BAT，遠離雲，卻是一個正在形成的風暴。」

對於這個形成中的風暴，余凱老師從兩個角度進行了表述，或者說論證，首先是商業的角度。余凱老師認為，從人工智慧當前的發展情況看，應用的場景首先是to B，然後才是to C。這一路徑在PC互聯網的崛起和移動互聯網的崛起過程中都看得很清楚。

「比如90年代末，那時沒有一家互聯網公司是掙錢的，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。然後才有to C的大的互聯網公司的出現，比如 Google。再比如移動互聯網，首先要有 CDMA 這樣的創新，高通把這樣的軟體演算法放在晶元裡面做to B的生意，然後才是 Apple 這樣的to C公司的再次崛起。的大部分投資者、創業者和企業家都是2000年以來成長起來，只看到這樣一波to C的機會，而不太了熟悉美國80-90年代核心技術突破而導致的to B的巨大機會。」

什麼才是「邊緣機會」

「我們從一個更大的尺度來看，這是今年市值排名前20名的高科技公司，我們可以看到裡面有8家是互聯網公司，還有8家是半導體公司。大家不要只看互聯網公司啊，其中有非常非常硬的科技公司，他們是很賺錢很賺錢的！」

余凱老師點明了他認為的「邊緣機會」：「如果把我們去和硬體處理器廠商相比較，他們去優化的是什麼？是單位成本下的計算性能，但我們去優化的是什麼呢，我們不是一個傳統的硬體廠商，我們實際上是軟硬結合的toB的生意，我們從系統的角度來做優化，我們會設計專門軟體演算法的實驗過程，然後根據這個軟體演算法來設計一個硬體的架構，然後再用這個硬體架構，去優化我們的軟體。」

正如前文所說，余凱老師認為的邊緣機會，是人工智慧領域to B的系統優化服務，具體來說，可以表述為嵌入式專用人工智慧系統，其物理形式，可能是一個小小的晶元。但其中蘊含了軟硬體結合聯合優化的複雜過程。

「我為什麼認為這個非常重要？跟大家分享我自己的親身經歷，這是當時百度第一輛自動駕駛汽車，把這個後備箱打開，可以看到裡面全是機器，最早裡面有好多黑線，當然現在已經做得很好了。但是散熱問題還沒有解決。到今天為止，無論是百度還是 Google 的無人駕駛汽車，這些自動駕駛的車每開兩個小時就要停下來散熱，因為裡面熱得受不了。冬天完全不需要開空調暖風。這個問題為什麼難解決？功耗為什麼降不下來？因為你沒有從系統級的層面來優化整個東西。軟體框架不斷往前迭代，硬體框架需要相應迭代，這個架構的優化是非常複雜的，複雜到超出想象。」

尋找出路：軟硬體的聯合優化

「如何定義嵌入式系統和通用計算系統？你現在的項目，是一種非常專用的小晶元，還是有很大的通用性？」 雷鳴老師的問題一開始波瀾不驚。

余凱老師回應：「隨著新的摩爾定律的出現，我們會看見越來越多的專用架構設計，因為它必須針對特殊的任務去做專門的優化，比如我們有專門的視覺神經網路，它的結構跟聽覺神經網路其實是很不一樣的，跟我們負責定位的大腦部分其實也很不一樣。當你的計算能力很難繼續突破的時候，比如說量子計算還沒有實現的時候，只有進行專門的優化，我們才能夠繼續往前奔跑，去實現特定場景下面的摩爾定律。所以，我認為我們會朝特殊定製化這個方向去走，但是這種特殊定製化的任務其實也沒有太多，比如我們的大腦功能，也就是基本的視覺、聽覺、三維感知等。所以說專門化是嵌入式的一個本質特徵。另外一點，就是低功耗，一定要低！無人機本來可以飛個兩個小時，結果只能飛3分鐘。再比如汽車，因為的新能源汽車其實都是燒電池的，跑5百公里和只能跑50公里，這是很不一樣的。所以這方面如果不去做這種專門的優化，未來的電動車也很難往前發展。另外我認為這裡需要軟體跟硬體的聯合優化，聯合優化是什麼意思呢？本質上來講，應該是一個軟體，比如地平線本質上是一個軟體公司，但我們只不過是把一部分東西給硬體化了而已。所以我基本上總結了3個方面。第一，專業化，使摩爾定律繼續往前；第二，低功耗，低功耗，低功耗！第三，軟硬結合。」

如何看待理想和現實的矛盾

「專業化過程中需要解決問題，比如解決聽覺方面的問題。解決完之後，我們又進行軟硬結合，但現在演算法迭代，速度非常快，那麼硬體化之後，新的演算法怎麼辦？會不會我們這批東西出來以後，過了半年，其實它的性能比起新的東西，已經差了很多。這個矛盾在實際過程中是怎麼去應付的？」

余凱老師回應：對，這是做硬體的一個很大的風險。軟體演算法不斷的每3個月往前去迭代，3個月以後的最好的演算法跟現在比又很不一樣，所以硬體投入的話資金成本很高，一個處理器從投入到最後形成戰鬥力要3年時間，這個時間跟你投多少錢沒關係，因為你必須得一步一步從架構到設計，然後到驗證到後端到封裝等等。還包括軟體，包括系統軟體，所以這個迭代的速度非常的慢，這很難駕馭。像我們的話，實際上，都是軟體跑到前面，我們基本上把很多軟體演算法的研發都已經跑到明年了，我覺得創業就是要賭。如果什麼東西都看到，完全放在桌面上，你才去做的話，那不叫創業，那叫工作。」

雷鳴老師談了自己的想法：「我談談我自己的一點想法，剛才看到你說了新的架構，我們從性能到成本，再到所謂的效果上來看，我剛才算了一下，你在性能上能取得很大提升對吧？我們說摩爾定律基本上一兩年也就翻一翻，所以我覺得，感覺上如果你做專用的東西，比起通用的，其實在很多地方，一兩年的時間還是有的，這是做這件事的優勢。第二點，我在想，如果說你有通用計算加軟體優勢的話，硬體其實大家都是一樣的。所以，你比別人先做，那你就是有優勢的。「

余凱老師表示認同：「對，推動解決方案，比起單獨的專用硬體，一個明顯的困難是在執行層面。困難在於節奏感，要是一下錯位了，成本跟時間的投入就讓創業者一下子萬劫不復。這本來就很難，創業本來就是在刀鋒上面行走。」

雷鳴老師則繼續指出這一邊緣機會的另一優勢：「我覺得好在，也許你在這個這個路上走的時候並沒有那麼多人跟你競爭，所以，中間的話我覺得還能讓我們去犯一些錯誤。而如果現在在做移動互聯網時犯任何一個小錯，機會就沒有了。」

以上是兩位老師的乾貨分享。更多精彩內容，請收看課堂的視頻錄像。

「人工智慧前沿與產業趨勢」課程由北京大學開設，並面向公眾開放。課程由人工智慧創新中心主任雷鳴老師主持，共14節，每節課邀請一位人工智慧領域頂級專家和行業大咖作為主講嘉賓，就人工智慧和一個具體行業的結合深度探討，分析相應技術的發展，如何影響產業，現狀及未來趨勢、對應挑戰和與機遇。所有課程相關信息、通知都會在文末的公眾號發布。

掃碼福利：

⊙ 直播、錄播課程地址

「招聘」

全職記者、編譯和活動運營

歡迎實習生

以及人工智慧翻譯社志願者

詳細信息請進入公眾號點擊「招聘」

或發郵件至 [email protected]