重新定義AI：傳統AI+數據+知識圖譜+深度學習（機器學習、遷移學習、多表征學習）+舊產業=新產業；很多人誤解AI=機器人、深度學習=機器學習；目前AI對應TOB與TOC行業但都缺乏用戶應用場景與用戶消費場景；如果把機器人當成玩具就會出現價格提不高、功能單一無趣勾引不了用戶G點；

目前為止不缺數據與數據工具但缺乏高質量數據與即懂數據又懂業務的通用型人才；數據驅動在于數據，很多老板思維停留在互聯網思維、工業時代的機械思維而不是信息大爆炸時代的數據思維；傳統老板喊著互聯網思維但做的事卻不是互聯網的零成本規模化的模式；

目前人工智能最難以突破的是模式識別；機器獲得智能的方式和人類不同，它不是靠邏輯推理而是靠大數據和智能算法；新的產業需要新的思維模式，思維模式決定一切；

人工智能有泡沫，純AI沒有商業模式；計算機沒有思維就不可能有意識，沒有意識就不會有情感可言性，除非有高端自主學習的思維軟件或系統出現（也就是虛擬人大腦）今天的AI局面是依托于計算機的計算能力增強加上互聯網與移動互聯網大量的數據爆發再配上深度學習的算法才得到如今看到的鼓吹AI爆發點；

但目前依然缺乏高質量數據，數據越大越雜越需要模式識別與切割分配多層交叉模型訓練鏈接與訓練跑通整個通道需要很長時間與過硬的芯片及硬件配置；

真正的人機對話目前至少還做不到；借助AI突破會出現兩個方向：一是自動精準問答、二是自動精準推薦；我們都在談大數據但是真正的大數據時代還沒有到來但會很快；數據資產目前這個概念在法律上還非常模糊但不影響它的存在與商業化使用；

在云端的那些用戶數據，用戶應該有知情權和選擇權，作為企業一方需要詢問用戶得到用戶授權才能正常使用；未來軟硬件都需要具備自主學習的能力；深度學習需要大量高質量數據訓練固然重要但是快速響應處理時間也很重要，所以未來需要支持多機多卡訓練系統；追求安全、穩定、低功耗也是這個系統需要的指標；

人工智能的發展也沒有想象中那么快但是每個技術拐點都出現情況下才能連接各種產業發展進行爆發式猛烈的突破，至少目前消費級機器人在短時間內不可能成為爆發產業；比如市面上智能硬件企業過于強調互聯網化服務導致背離了硬件本質；很多硬件并不像手機那樣完全以手機應用內容為驅動的設備，所以失敗也是正常的事；

硬件的產業價值規律和軟件不同，所以不能提倡硬件免費思路；硬件產品對于你的物流、倉儲、供應鏈要求等都是非常巨大的挑戰；智能硬件依然得靠賣產品賺錢；以前那波互聯網紅利到現在這批移動互聯網浪潮紅利幾乎被挖光了技術紅利，目前屬于智能硬件時代但真正智能的也是手機其他產品目前還沒有真正的智能化，所以舊的商業模式或設計及思維都有固化老套了，所以必須靜下心來思考未來的新商業模式；

物聯網至今才發展3年，手機也是發展20年才有5年火爆期，那2014年才是智能硬件的開啟之年；未來10年AI發展邁入到專用，后10年才到通用階段；大數據概念最火的時間是2011-2014年；大數據的要想成功絕對不是由實現技術的某一方面而實現的，它需要把技術、人、流程糅合到一起，收集數據、儲存數據、清洗數據、查詢數據、分析數據和對數據進行可視化等工作是有分工的；

大數據發展有以下5個發展階段：部署階段、生態體系成熟階段、大數據基礎設施持續創新階段、大數據分析與人工智能結合階段、大數據應用加速發展階段；

人工智能概念發展有60年，出現過人工神經網絡、機器學習、知識表現、智能搜索、模糊邏輯等實現人工智能的方法；深度學習與大數據的結合可以不斷提升新的人工智能算法；人工智能發展出現了兩個分支一個是無規則計算機讀取大量數據、依靠統計、概率分析等方法進行處理所實現人工智能；另一個是基于神經元網絡的深度學習，使人工智能的能力不斷提高；

計算機新的思維模式將會促進深度學習、增強學習、遷移學習、神經網絡等技術的普及，而語音識別、圖像識別、自主移動識別等通用技術一定會與深度學習能力整合，加速融入到各種創新產品中去；

做產品必須落到“剛需、痛點、高頻”這六個字上；也就是說你制造出的產品必須是用戶的剛需，必須解決用戶的痛點，而且必須是用戶高頻使用的；沒有需求就談不上用戶體驗；通常每個硬件需要做到第三版的時候才能有點感覺，這就是前面失敗不算是失敗；在技術開發方面，開發硬件的難度確實要比開發軟件大很多；

供應鏈把控也是一個關鍵問題：比如生產商在做測試階段給你用最好的產品，到了批量生產階段可能為了多賺錢就有用良品沖次品做給你，這樣品質就得不到全面保障；很多企業為了創業而創業，為了做硬件而做硬件，所以它們把這些場景和需求無限放大；

互聯網原本本質是：用戶至上、體驗為王、產品和服務是基礎、免費、顛覆式創新；傳統生意里只有客戶概念（一手交錢一手交貨的買賣，服務也不是很好），互聯網起來后才有用戶這個說法與體驗這個詞；發展演變趨勢：顧客—客戶—用戶—

微博改變了信息傳播規律，智能手機改變了傳統的軟件安裝方式，這就是創新；聽大多數人的建議，跟少數人交流，最后自己做決策—柳傳志

人工智能并非復制大腦，只不過是達到對等技術；我們通常的思維往往是將機器和人分開來看來比較，是否考慮一下人機交互設計呢？把大腦分為舊腦：主要負責處理記憶、動作協調、嗅覺、視覺等感知系統；新腦：主要負責處理語言、運動、空間、推理、知覺等高級功能；大腦和計算機都能儲存和處理信息，但是大腦和計算機之間相似性可沒有那么簡單；

大腦的記憶是層級結構和連貫有序的；技術演化進程不可避免地導致計算機能力的進化，反過來又擴展了我們的認知基礎，使我們能夠通過某一領域知識的廣泛聯系來了解另一個領域的知識；其實網絡本身就為等級劃分系統能力提供了一個恰當例子：網絡包含大量知識同時又維持了其內在的結構；

人類發明工具是為了禰補自身的缺陷：比如發明口語、書面語到現在的計算機，我們的記憶是連貫有序的，我們可以按照記憶刻入的順序獲取，卻無法倒序獲取；也就是說我們可以直背字母表但不能倒背如流字母表（除非你是是從倒背字母開始記憶的，否則正常人是無法倒背如流的）但是我們的計算機可以檢索提煉出來；

所以我們常常誤解為意識就是記憶；意識不等于記憶；其實我們大腦并不儲存圖片、視頻和音頻之類的內容，我們的記憶是一種有序的圖像記憶，而未能圖像的部分會從記憶里慢慢淡去；

即便我們把一些名人圖像遮住一部分，我們大腦還是有意識地識別出來那個名人照片但是我們的計算機圖像識別不行；這就是意識與記憶不同之處，我們可以靠我們自身意識喚醒我們大腦的抽象想象力來連接曾經從大腦記錄過的模糊圖像來大概就是這樣的意識辨別；

因此對于感知的意識體驗實際上會因為我們作出不同詮釋而改變也就是說我們思維一定成為固定模式那就很難具有突破思維局限性的空間想象力；

聯想就是聯接（關聯+連接+鏈接=聯接）+想象力（想象力來源于好奇心，好奇心來源于興趣，興趣來源于愛好：好奇心—興趣—愛好—研究—探索—冥想—想象力）但是我們計算機有聯接能力但沒有想象力；我們大腦新皮質負責感官知覺，認知從視覺物體到抽象概念的各項事物和各種控制活動，以及從空間定位到理性思考的推理以及語言—主要就是我們所說的“思考”

雖然人類只擁有簡單的邏輯處理能力，但卻擁有模式識別這一強大的核心能力，這也就是為什么目前人工智能最難的就是模式識別原因；我們建立人工模式識別系統（比如語音識別、視覺識別系統）的工作都是用一維列表展現二維或三維現象；

感知—已知—認知：我們人工智能需要從感知（語音識別、圖像識別、情感識別、自主移動等）邁進已知（知識圖譜、深度學習、遷移學習、數據、各種統計模型、信息、語義料庫）再邁進認知層級（推理、分析、整合、集合、處理、檢索、提煉）

我們人類有兩種思維模式：第一種是發散思維，即想法以一種不合邏輯方式相互觸發；第二種是定向思維，當我們嘗試解決問題或者組織一個嚴謹的答復時就會用到它；言語系統最適合識別語音，字符識別系統最適合識別印刷字體，圖像識別系統最適合人臉、物體、圖像識別處理；

比如語音認知研究需要包括語音科學家、語言學家、心理學家和模式識別專輯、計算機專家）我鼓勵每個人將自己獨特的技巧和術語傳授給小組其他成員；遺傳算法的關鍵：人類并不直接將解決方案編程，而是讓其在模擬競爭和改善的重復過程中自行找到解決方案；

利用遺傳算法模擬生物進化得出最優機制；利用隱馬爾可夫層級模型模擬人類學習過程中起重要作用的皮質結構；要解決語言識別中的難題，遺傳算法和隱馬爾可夫模型的結合及其有效；

智能系統的完美結合則需要在準確的科學知識和數據的前提下，運用思維的模式識別理論構造思維軟件來執行（思維模式識別就是人腦工作機制）對不同層級的智能進行綜合使用聯接；

企業決策模式從經驗轉向以數據為基礎；

運營模式從產品轉向以用戶為核心；

合作模式從供應鏈轉向以生態鏈為目標；

管理模式從層級管控轉向以平臺協作為體系。

通過建設低成本的云計算平臺和企業研發微服務架構，可以支撐企業的業務創新和模式變革的靈動性要求，快速適應市場的變化；通過移動互聯網，物聯網和人工智能技術來實現人人互聯，人機互聯和機機互聯，從而縮短企業和客戶，員工和設備以及設備之間的智能協作；通過大數據技術的深入應用，實現決策的智慧化，生產的精細化，管理的扁平化和客戶服務的深度可視化。