5月26日，第十九屆中國軟博會系列活動之上海專場--由上海市軟件協會、小i機器人聯合主辦的小i機器人“中國最強大腦”云智能平臺發(fā)布及產業(yè)合作論壇在上海舉行。作為發(fā)布會的壓軸，全球知名IT研究及分析公司Gartner研究院院士，研究副總裁，智能機器人領域全球領銜分析師Tom Austin，在活動上做全球智能機器人發(fā)展現狀及趨勢分析報告。

圖：Gartner研究院院士，研究副總裁，智能機器人領域全球領銜分析師Tom Austin

　　成立于1979年的Gartner是全球最具權威的IT研究與顧問咨詢公司，在全球的IT產業(yè)中，Gartner公司以其公認的權威性和擁有超過11，000客戶機構而獨占鰲頭。

　　Gartner對全球IT前沿科技企業(yè)都有著敏銳的洞察，因此，小i機器人作為虛擬客戶助手領域的代表性企業(yè)，一直受到Gartner的關注和推崇，在其2011、2013、2014的年度報告中多次向企業(yè)推薦小i機器人及其服務，在全面了解小i機器人的技術后，Gartner公司發(fā)出了“小i機器人在全渠道多媒體智能交互、智能知識庫以及智能大數據等綜合應用的解決方案上，走在了全球前列”的贊嘆。

　　以下為演講實錄：

　　Tom Austin：非常感謝，我非常榮幸能夠來到這里，我很榮幸來到中國，每次我聽到小i的故事我都會知道他們在做什么，但是我今天其實不是介紹小i的，我今天是來介紹智能機器人的，比如Gartner對智能機器有什么觀點。

　　我想從2022年開始講，比如你早上從辦公樓里走出來有一個自動駕駛的汽車在路邊等待你，你之前并沒有預定這輛車，但是你的虛擬個人助理看了你一天的安排之后，覺得你可能會提前半個小時完成這個會議，因為你的這個個人助理根據你過去的記錄猜測是不是會提早結束這個會議，就幫你預定了智能汽車，在這個擋風玻璃里面看到你個人助理寫上里你將要講的內容，這個會上其他人會講什么東西，哪些東西你可能會同意，助理也會建議你說一些內容，所以這個是一個圖象，這個是虛擬個人助理關注到你之前的做法，在你的允許之下會學習你過去的做法。

　　缺點是什么呢？這是一個標準化的汽車，在美國已經有了標準化的汽車，在美國使用4%的時間坐在里面，這個車是停在旁邊的，當無人駕駛的汽車非常受歡迎的時候，比如Uber公司提供這樣的汽車，整個供應鏈就會被擾亂。

　　比如我們停車的幾率從4%到6%，我們融資的方法就會完全改變，銀行借錢給客戶買車的方法也會完全改變。我們的醫(yī)藥中心可能會看到之前會有一些人因為車禍治療，現在的呢在有了這種智能駕駛汽車之后，汽車事故的可能性會大大降低，整個世界都會因此改變，僅僅是因為我們有了智能的汽車，如果你沒有預想到這種結果，可能會受到傷害，這是2022年的情景。

　　我也想花點時間介紹一下什么是智能機器人。（播放視頻）這是一個電影的片斷，是1987年，由蘋果公司他們拍的一個短片，展示蘋果在未來的愿景，相信在2017年或者2018年的時候可能會發(fā)生這樣的狀況，蘋果花了30年的時間，在90年代的時候，蘋果發(fā)布了喬布斯發(fā)布了一個手寫板的項目，叫做牛頓，這個項目在喬布斯階段被取消了，但是并沒有忘記這樣一個遠見。如果大家可以翻墻到YouTube上可以看一下完整的影片，這個是演講是在我在美國的用的講義，所以提到了YouTube。

　　我們再看一下Eric這是2013年的例子，不是科幻小說，是它做的研究（播放視頻），我們在這個短片當中看到的是在電腦這個電腦是一個電視的屏幕，上面一個虛擬的人，它認出了Eric博士，為Eric提供了信息，我們下一頁我們會看到是一個女士，她也走到了同樣的電腦之前，我們展現的視野是電腦的視野，我們看一下電腦看到了什么，而不是這位女士所看到的。（播放視頻）。我們在這里邊看到的，是真實的情況，首先電腦會聚焦在她的臉部識別了她的身份，旁邊顯示的是她的名字，這個女士根本不知道是什么情況，她一開始在往屏幕后面看，是不是看有人在搞怪，這個就是微軟兩年前做的人工智能的研究，如果大家可以翻墻到YouTube也可以看到完整的短片。

　　這里我想給智能機器人做一個定義，這里面都是正確的，但是如果你是一個編程師的話，或者是一個分析師，你知道你要做什么，那你編程的規(guī)矩每一步都寫好了，所有東西都在你腦子里面，計算機做的事情就是按照你的編程一步一步執(zhí)行命令，如果是智能機器人的話，他會通過大數據自己做決定，不需要別人進行編程，所以智能機器人人做的事情就是他們可以自己做出決定，并不是計算機按照編程來看要做什么，總共有7步，這里面涉及大量的數據，首先按照概率進行預計，像剛剛我們看到的短片，在進行一個概率的判斷，比如說無人駕駛的車在路上駕駛的時候，如果前面有一輛卡車開出來，這個時候無人駕駛車輛要立馬做一個決定，10微妙之后，它不需要做確認，卡車是不是走了其它的路或者怎么樣，所以下一步就是主動的學習，它會自己回顧做的決定是不是正確，會自動的做決定采取行為，它會理解。而且它們進行一個反應，汽車里面的計算機，不會幫你騎自行車，不會幫你買機票，它做的事情非常窄的領域，它在窄的領域里面做的事情是非常精準的，這個就是人工智能在未來可以做的事情，我們覺得這個可能還有大概十年的道路要走，所來未來的人工智能共專著在非常精準的領域里面做的非常好。

　　我們再看人工智能，我這里主要介紹科學，為什么是科學？因為很多的科學家他們都是IT人士，他們不愿意冒險，他們只愿意研究成熟的技術，或者互相重復做同樣的事情，研究同樣的技術，但是人工智能不會等待，不管你在市場的什么的領域，人工智能必須走在技術和潮流的前端，比如說剛剛提到的在銀行使用人工智能機器人，所以在行業(yè)里要找新的技術，如果要落后的話，要花很多精力追趕新的技術。

　　我們看一個新的大爆炸，這個還沒有發(fā)生，現在屏幕看到的是小的點，在宇宙的這個大爆炸是花了130多億年，從黑暗時間，這些物質快速的擴散，能源大量的釋放，這個就是宇宙的大爆炸從一個點開始的。我們的預計，這是我們在今天會預計在2020年的時候會發(fā)生大爆炸，會有新的硬件，新的算法，和大數據的爆發(fā)，這三者結合在一起會造成大爆炸。

　　那從硬件的角度來看，我要先說一下軟件，也就是深入學習或者深層的神經網絡，等一下會給大家看一些照片，看一下計算機如何進行學習的。這些是基礎數據的分析，大量數據的分析，有各種不同的可能的這些連接，神經元之間的連接。我們看到的是在2007年的時候，一個高端的英特爾的CPU可以處理百萬級別的連接，到2008年的時候 有了GPU，并不是傳統的CPU，工作量可以達到10倍以上在同樣的時間段里面，再往后走到2011年早期來自谷歌的數據，比2007年的時候處理量達到1000倍，還有其它數據到2015年的時候，除了的量達到了2007年的10萬倍。這個只是通過一個GPU，GPU作為新的硬件，它的性能要比2007年CPU性能高出了10萬倍。

　　這個就是Nvidia的例子，這是全世界最熱門的GPU，這個是用在商業(yè)用途上的，當然軍事用途上還有處理速度最快的GPU，大屏幕戰(zhàn)士的是商業(yè)用途上最快的GPU，可以同時支持20個攝像頭，應用在汽車上面，汽車可以在每小時45公里速度進行運行，這個是硬件方面。

　　在剩下的10年我們還會提升100倍性能嗎？大家可能會問這樣的問題，這個我們要看一下在這個領域里面我們有什么樣的工作可以做。往下走，剛才談到了硬件，硬件的應能大幅度提高，再看一下軟件，就是深入的神經網絡和深入的學習，我會看一下細節(jié)是怎么做的，深入學習在GPU上面是非常重要的軟件還有自然語言處理，我們現在也在研究如果把深入的神經應用在語言處理方面，硬件的性能通過軟件強化了提升，在未來提升自然語言處理的性能。

　　這個是在2012年的時候，開始的這個柱狀圖里面大家可以看到，這是圖象識別的錯誤率，我們從2006年劃，大家可以看到錯誤率是30%到50%的錯誤率，但是到2012年的時候，多倫多大學的一些專家他們使用了這種深入神經網絡的模型，這個并不是非常新的技術，1987年就開始應用，他們把新的技術應用在新的硬件里面，我們看到圖片識別的錯誤率大幅度下降，從30%降到17%，到2013年很多人在使用這個技術，人類的錯誤率是5%，所以2014年在12月第一周發(fā)布了這個數據，在12月的最后一個星期的時候，百度他們發(fā)布了錯誤率數據比2014年初發(fā)布的數據要好。微軟又發(fā)布了獨立的論文，他們打敗了百度的錯誤率，4個星期之后谷歌發(fā)布了新的數據比微軟的還要好，在一個星期之前，在今年百度又發(fā)布了新的數據，數據比之前的數據又好，大概才3%左右。所以我們現在要找到一個模式，這只是在硬件方面取得的成就。

　　在今年最后一個季度和明年第一季度的時候我們發(fā)布的新的硬件在處理能力方面要比剛剛GPU性能好出很多倍，所以大爆炸發(fā)生在2012年的時期，通過新的硬件和新的軟件算法之間的融合形成了大爆炸的起點。

　　這個是臉部配對識別的錯誤率進展也是非常好的，人類的錯誤率標準水平，人類的錯誤率是在這里，香港城市大學打敗打敗了人類的識別水平，谷歌又打敗了城市大學的。我們看到這一領域看到了很多競爭。

　　這一頁是提到的研究結果，這個是它所取得的大幅度的成就，在噪音非常大的語音環(huán)境之下所取得的錯誤率，大量的進展。在兩個基本方面改變了這種語音到文字的錯誤率，錯誤率已經快速的降到了5%左右，在大幅度的進展和進步，這里我引用了電影《銀河系漫游指南》它描述了未來的裝置放在我們耳朵里面，會傾聽，然后它會在鼓膜里面振動對你說話，這并不是科幻，在兩年之前，Rick是來自微軟的首席研究官，它做了英文的演講，他的機器實時的進行了同聲傳譯，他講的英文報告?zhèn)髯g成了中文，當時這個效果測試并不是完美的，但是它為我們未來展現了一個途徑，未來的性能和精準度會逐步提高。

　　人們可能會問說，這個圖象識別效果看起來還是不錯的，但是計算機沒有做圖象的描述，我們看到在2014年斯坦福大學發(fā)布了這樣的論文，在論文里面他們做的事情就是計算機來進行圖象的描述，比如說計算機看到這個圖片之后對圖片進行描述，狗跳起來接非盤，計算機對圖片進行了區(qū)分，畫出了兩個方框，這是計算機進行圖片識別的時候，進行的人的描述，這個技術也不是非常完美和成熟。

　　然后這里它上面寫的是有一群人在露天市場進行購物，有很多蔬菜，這兩個描述并不是完美的，并沒有一群人，只是幾個人，情景描述并不是完美的，下面這句話是在水果攤上有很多蔬菜，其實應該是水果攤上有很多水果，蔬菜攤上有很多蔬菜，所以它就錯亂了。在第一圖當中如果他們描述的是錯誤的話，接下來找出來的圖片可能是完全不相關的，在這里我想講5分鐘關于我們很早的時候做的研究，因為這種研究對我們來理解什么是深層次的學習是非常重要的。

　　比如說我們有一個諾貝爾的醫(yī)學的獲得者在1981年獲獎的，獲獎的論文主要講了在貓科動物的紋狀皮層上面，單個神經元的接受欲是怎么樣的，所以我們在這里其實并不是要講貓科動作是什么樣的，其實在1980年的時候已經有一個西班牙的神經研究者，已經可以非常好的來分析視網膜的結構，我們會發(fā)現眼睛并不是把圖片發(fā)送到大腦，而是發(fā)送了一些改變的一些線條，這些線條最后會在我們的視網膜上有一個圖象的形成，這個圖就是1980年研究做出的結構圖，告訴視網膜是怎么處理圖象的，這里我們可以看到這樣的模型，我們在貓科動物上面看到視頻層，我們看到一些線條的移動，一些對比，線條的對比，我們會進行抽象化，有一些細胞分析線條的角度，再看線條的交錯進行具體的物體的集中，然后再更加復雜的進行一些抽象化的分析，統計學我們怎么看，每次有一個刺激，比如說你之前從來沒有看到過這樣東西，或者之前從來沒有見過，我必須要有一種描述形容這是什么東西，這個時候有很多神經元，神經元就要進行一種抽象化的工作，那這個圖上面，每次大家看到這個圖他們會說這個PPT很恐怖，因為其實不能從當中獲得有效的信息，這個圖片是來自谷歌，谷歌有1000萬的圖片從YouTube隨機抽取的，每個圖片每一貞抽取出來，最后壓縮到200×200象素的圖片，所個圖片當中我們有1000萬個YouTube隨即抽取的視頻，我們用了16000個CPU連續(xù)不斷工作了72個小時，然后從這些CPU當中進行了處理當中我們把這些數據放到了不同的層級的深度學習的模型當中去，再把它分類，把它分類到了22000個不同的神經元當中去，我們就發(fā)現有一個細胞，有一個神經元如果你把這個貓臉圖片放到神經元上面去它們會有反應，這不是100%的準確，最后發(fā)生了什么，這個電腦會使用這種算法測試有沒有類似貓臉的圖片，這個不是實際的，而是抽象的，我們也把這個成果用到了其它研究當中去，我們放很多圖片，然后這些圖片可以讓這些電腦來進行算法，來看一些哪些圖片跟吃飯相關的，哪些跟跳舞相關的，使用這種算法模型我們可以把這些圖片放到不同的類別當中去。

　　這也是一個非常好的游戲，大家看一下是怎么玩的。這也是一個深層次，神經元的一個游戲，我們注意到兩件事情，它懂得自己的目標是哪里，目標就是要增長分數，然后最下面有一塊平板可以左右移動，一開始的時候它完的不是很好，慢慢的經過了學習過程越玩越好，現在電腦可以玩的跟我一樣好了，經過多次游戲之后，我們看一下它現在能完成什么程度？通常人都是不能達到這么高的分數因為這是很了不起的事情，剛才有些人講到深度思維，因為谷歌是一個團隊研發(fā)的深層學習的模型，他們在網上在2014年夏天的時候發(fā)布了這篇文章，這就是一個機器進行學習的例子，這里是一些學習不同的種類，我們可以談到自然元的處理，我們可以用機器學習做很多事情，可以進行語義的分析，可以進行語言的翻譯，可以建立知識的圖譜等等等等。

　　再來講一下，這種過程能夠為我們帶來什么影響，我們講到了大爆炸大數據使一切可以成真，我們只是在革命最開始的階段，有了這個技術我們將要開始偉大的革命，這個游戲當中我們不能坐在旁邊當一個觀看者，因為落后就是失敗。

　　這是一個“+”號我們影響力是不斷增長的，我們從谷歌開始講，2014年8月份，在紐約知識發(fā)現與數據挖掘平臺發(fā)布的文章，這個文章當中講了什么呢？他們使用了一種算法，他們做了30種不同的知識圖譜，并且把這30種知識圖譜合并起來，他們希望通過網絡來做一個處理，他們有一個非常大的項目，非常勇敢的項目，因為他們不想再做搜索了，他們想用其它的方式來代替搜索，我就問問題，在用戶問問題之前這個機器就知道他要提什么問題了，并且把答案準備好了，你就完全不用做搜索這個動作了，這個就是他們要做的，所以他們結合了很多知識圖譜，他們如果能夠達到20%準確率就非常開心了，最后他們搜集了16億事件，有2.7億事件有90%的可信性。

　　這張圖也可以幫助我們從非常高的層次理解知識圖譜，什么是自然元的處理，首先我再講一下谷歌，這邊圖上面我們可以看到權力的曲線，左邊我們可以看到很大的百分比的問題，可能是你問谷歌的，那么還有一部分是來自我們的一到的一些問題，在這里在右邊我們可以進行培訓根據規(guī)定進行培訓，有些是經過監(jiān)督的，有些是沒有經過監(jiān)督的，當然你一開始的時候需要進行一定的監(jiān)督，然后我們可以通過一個簡單的數據庫來建立自己的一些圖象、圖形。可能這些圖片的并沒有達到99.9%的準確性，如果能夠80%的準確性就已經非常讓人滿意了，所以最左邊的階段是沒有經過監(jiān)督的，所以量是非常大。

　　IBM的Watson跟谷歌不同，他們在紐約的一個醫(yī)院里面進行自己的應用，搜集了所有跟肺癌相關的文獻，并對電腦進行了培訓，所以賊這里投入了大量的人力培訓電腦告訴他們怎么治療肺癌，他們做了非常高價值的轉移，在這個轉移過程當中需要非常大的置信區(qū)間，需要長時間培訓，每個加以的價值是非常高，至少在5、6年如果能夠成功，每個交易的價值是非常高。谷歌要增加交易量，IBM是增加每個交易的價值，所以這是兩種完全不同的模式。谷歌是沒有監(jiān)督，沒有人參與的做法，IBM是大量的人參與的做法。這里是一個例子，這是一個乳腺癌的讓Watson提出治療建議，我們可以看到整個系統在置信區(qū)間內工作的，Watson并不是特別確定，在第一個提議之間置信區(qū)間只有32%，人就問他你想知道什么信息幫你做出決策，Watson就做出了它需要的信息，在獲得這些信息之后有了更多因素和證據之后，Watson做出了一個治療的決策，這個時候推薦的決策置信區(qū)間就達到了95%，它給出了三個治療方案，第一個置信區(qū)間是最高的。我們分解一下Watson做的分析可以看到哪些分析呢，其實非常多的分析在同時進行。

　　這是美國的數據，這個網站網址已經寫在左下方了，一個小的風投公司在投資人工智能，有260個公司是可能選擇的投資的公司，在這個分析過程當中我們要做大量的工作，要通過谷歌或者IBM進行分析，除了這張圖片之外我們還有很多其它的公司。

　　我想說什么呢？就是我們當然可以選擇大公司投資，比如IBM的Watson，或者也可以選擇投資一些比較小的公司，比如專業(yè)的公司，比如說小i，你可以選擇這些更加細分的公司進行投資，他們也有自己的特殊的技術，所以我們可以簡單搜索一下，進行分析來看一下自己怎么樣進行選擇。

　　我覺得不會找到一個非常好的答案，這個是一個技術擴散曲線，我們確實需要一個階段擴展整個技術，比如一開始慢慢的增長，快速的增長到肩膀點這里。再看一下事實是怎么樣，事實并沒有那么簡單，并沒有教科書那么簡單，在這個智能機器當中我們有很多不同的技術，比如說自然語言的處理，自然語言處理本身這點也有很多不同的技術包括在內，這里有一些技術比如說是廣播，從0到80%僅僅花了10年不到時間。而洗碗機從20世紀40年代開始的，但是今天為止?jié)B透率還沒有超過70%，它是花了相當長的時間。

　　在數字業(yè)務方面我們看到這個圖上面有不同的描述，之前有一些標簽，但是我把標簽去掉了，因為我想給大家傳遞的信息要關注粉紅色圈圈里面的階段，要在最開始階段行動，而不要等到后面下降的階段再行動。

　　這個圖片是現在在卡車領域非常好的，澳大利亞的一個應用。今天如果你問我們Gartner認為無人駕駛會又怎么樣的未來，比如無人駕駛的卡車會在什么時候產生真正的影響，我會說是2020年，力拓（音）是非常好的公司，在進行智能數字卡車的開發(fā)，他們開始跟另外一個公司進行合作開發(fā)，在2012年的時候他們應用已經投產了，現在在他們在整個項目當中有非常多的無人駕駛卡車投入運營，通過無人駕駛的卡車每年可以節(jié)省1億美元以上，所以他們做的就是在最開始的階段，在我給大家看的技術擴展曲線最開始的階段進行了行動，他們這種先發(fā)優(yōu)勢給他們帶來非常好的好處。當然這不僅僅是在采礦業(yè)，不僅僅是在汽車、卡車，我們有完全一種新的方式，人們可以和技術共同工作，一起合作，這種要比以前的工作方式更加有效率。

　　我們在哪里應用這些技術呢？這個非常有意思，我們在這里分享它里面背后的邏輯，這個在美國、英國、德國的西部、日本等大概一共用在20多個國家發(fā)現了同樣的趨勢，也是經濟學家發(fā)現的，紅色的是常規(guī)性的工作，在勞動力市場占60%，2015年下降到40%，與此同時非重復性的工種在上升，在企業(yè)里面如果我們想從人工智能獲得更大的價值，應該把人力資源放在非重復工種上面。這些非重復性的工種是什么呢？，你在里面找不到規(guī)矩，需要人的思考得到答案就是就是非重復的工種。在數字化的工廠里面，在我們公司里面，這個研究會在本周和下周進行發(fā)布，產品會有自然的界面。

　　智能可能會講人類的語言，現在技術如何適應人的交流方式，而不是訓練人講機器的語言，同時也非常有幫助，置信度也在提升，這里有很多例子。

　　對于消費者，例子就是亞馬遜網站上面給用戶提供建議購買的建議，還有虛擬的助理，我們在機構內部對40多種技術進行追蹤，也包括了小i的機器人，他們未來會怎么樣。大家看左邊，這是公司內部會說的，這種語言會更加的自然，更加的公開，甚至有些機器人在未來有情感，并且主動的進行幫助，他們可能需要人工的協助等等。每個行業(yè)都會面臨這樣的變革。你們會問我在哪個領域會有很大變化，在每個行業(yè)都會看到這樣的變化。

　　我們再一些消極的方面，經常有人討論這樣的問題，大規(guī)模的災難的假說，比如圣經里面說到大型的水災，很多人說人工智能或者智能機器人有消極的影響，會帶來大規(guī)模的失業(yè)，不知道他們是從哪里得到的結論，我們所建立的人工智能，他們會非常有智慧非常聰明，我們要解決的問題就是黃色的部分，如何要解決機器與人之間的問題，是用機器完全代替人嗎？我們現在的智能機器人并不是代替人工，而是提升人工，協助人工讓我們人可以做更高級更高價值的功能，并不是解雇這些人。我們怎么做呢？我們今天要面臨這樣的問題，所以智能機器人可以使他們在工作上面的表現更好。

　　這個是兩年前的調查報告，核心就是到2020年的時候，我們看到人們的工種當中有智能機器人協助的到2020年是今天的兩倍，他們的職業(yè)會受到顛覆性的影響，這種技術會影響到人們的生活。

　　接下來這部分就不細講了，我們到后面，我再講5分鐘，如果大家要走可以先走，我們再花5分鐘時間把后面講了，這個是我們所做的幻燈片，我非常喜歡這一頁，大家要做領先者，不要等待，這是我給大家的信息，大家剛剛看到卡車的例子他們每年可以節(jié)省1億美金，并且最大的采礦公司在模仿他們做一些事情。

　　我們需要新的工作環(huán)境，就是人類和機器人之間的協調合作，IBM之前的深藍可以跟人一起比賽，下國際象棋，它是怎么做的，它當時下定決心和決定，它可能會戰(zhàn)勝人，但是它可以提升象棋選手的能力，這是我們說的，要在人與機器人之間達到協調和互動，智能機器人做他們擅長的事情，人類做人類擅長的事情，讓大家達到協調和諧的合作關系。

　　我們有很多的代理，大家都可以使用，我們計算出來將近300多家的公司，他們在小的代理或者虛擬的個人助理，或者自然語言處理的工作。在德州我們剛剛遇到一個公司，他們建立了一種技術，這種技術可以消化數千頁文本，給你一個總結，這個文本里面的重點，這樣我們就不需要讀數千頁的文本，機器會讀，并且壓縮成五頁。

　　還有我不知道在這種自定義的移動設備在中國是不是很流行，現在在西歐或者北美非常流行的，未來他們會帶來自己的智能機器人，或者自定義的智能機器人并不是使用制造商提供的。這里有三個關鍵詞不管是任何形態(tài)的信息技術，我們要做的是更快、更廉價、更好，通常是在這兩者里面選二，沒有辦法完成三個，我們要做到創(chuàng)新、安全和私密性，只能選其二，不可能三者兼顧，我們必須要進行三者的平衡，特別是在工作環(huán)境里面的方法，特別是在銷售團隊。

　　我們知道微軟在這方面非常領先的，比如說我這里有Salesforce還有微軟，兩者要達到平衡，還有現在這種單一的供應商的戰(zhàn)略并不是非常有效的，我們要考慮到多個供應商之間的平衡。在我們這里并不是一種投機，要非常清楚非常智慧，不僅僅是對資源的管理，同時要進行領導力的提升，同時我們要進行互動，參與到這個業(yè)務當中，要創(chuàng)造出新的智能機器人，同時我們要尊重它對人類產生的影響，很多人會受到智能機器人消極的影響，所以我們要關注到人類的感受。

　　這是我要講的內容，非常感謝大家！謝謝！