“外界一直传言华为在研发AI芯片，我今天要告诉大家，这是真的！”在10月10日举行的华为全联接大会上，华为轮值董事长徐直军“撕开了传闻的面纱”，并发布了华为AI战略。
该战略包括五大关键方向：强力投资基础研究、打造全栈解决方案、投资开放生态和人才培养、解决方案增强以及内部效率提升。
同时，徐直军还发布了华为AI全栈全场景解决方案。徐直军特别强调，该解决方案是全场景和全栈的。
华为两款AI芯片昇腾910和昇腾310特点各异。
其中，华为昇腾910比现在最强的AI芯片还要强大一倍。据了解，华为AI芯片有望明年二季度将上市。
在演讲中，徐直军还谈了AI将给各个领域带来的十大改变。
徐直军发言要点
1956年，时任达特矛斯学院助理教授的约翰▪麦卡锡组织召集了达特矛斯讨论，正是在这次会议上，第一次正式提出了“人工智能”的定义。从那以后的60年里，人工智能经历了两次发展的低谷，即所谓的“冬天”，但其发展的脚步并未就此停止。
1971年，英特尔发布了第一颗微处理器。50多年来，摩尔定律见证了ICT产业的飞速发展。
如果我们把AI产业和ICT产业这六十年的发展轨迹画到一起，那么大致应该是图中的样子。概括来说，人工智能与ICT产业的总体发展水平密切相关，学术研究发现和工程技术发展相辅相成。
而AI产业两次“冬天”的出现，都是因为社会对AI的应用期望大大超越了ICT产业工程水平的发展现实。所幸的是，“冬天”并不是结束，而是每一次“春天”的开始。
今天，我们再次进入了“收获”的季节。这是60年来全球ICT学术界和工业界长期耕耘，相互协作的成果。
面向未来，我们应该充分用好人工智能技术，抓紧收获，努力扩大收获成果，同时要让收获的季节持续的更长一些，把人工智能（AI）建在赤道上，永远生机勃勃。
任何技术只有准确的定位，才会充分发挥其价值。给人工智能技术进行合理的定位，是我们理解和应用此技术的基础。
如同公元前的轮子和铁，19世纪的铁路和电力，和20世纪的汽车、电脑、互联网一样，华为认同：人工智能是一组技术集合，是一种新的通用目的技术（GPT）。
加拿大学者Richard G Lipsey在其著作《经济转型：通用技术和长期经济增长》一书中提出：社会经济的持续发展是靠通用技术的不断出现而持续推动的。所谓通用技术，简单理解就是要有多种用途，应用到经济的几乎所有地方，并且有巨大的技术互补性和溢出效应。
经济学家们认为，人类发展到今天，总共有26种通用技术，人工智能就是其中一种。
我之所以强调人工智能是一种通用技术，是期望大家重视人工智能对未来的庞然影响和价值。人工智能作为一种通用技术，不仅可以使我们以更高的效率解决已解决的问题，也可以解决很多没有解决的问题。
是否具备真正的人工智能思维，是否以人工智能的理念和技术解决现在和未来的问题，是我们能否在未来构筑领先竞争力的关键。
华为在实践中发现，人工智能不但可以替代人，还能够自动降低生产成本。这是人工智能与信息化最大的不同，也是其最有价值的特点。
人工智能触发的产业变革，将涉及所有行业。我们在座的每一位都要思考，我所处的行业是否会被人工智能技术改变，甚至被彻彻底底颠覆。如何以一种全新的模式，重构各自行业和企业，是我们在未来都要思考和实践的。
今天，我们可以清晰地预测到，人工智能将改变或颠覆如下行业：
▶ 智慧交通将大大提升通行效率
▶ 个性化教育将大幅度提升教师与学生的效率
▶ 精准预防性治疗有望延长人类的寿命
▶ 实时多语言翻译交流再无障碍
▶ 精准药物试验可以大幅度降低新药成本，缩短发现周期
▶ 基于AI的电信网络的运维效率将大大提升
▶ 自动驾驶和电动汽车将颠覆汽车产业等
从华为云EI和HiAI发布以来的短短1年间，我们痛切感受到了前所未有的热潮。
除了对行业带来的改变，人工智能还将改变每一个组织。
18世纪以来的历次技术革命，每一次都会对组织的结构、作业流程和人员能力等产生巨大影响。
从工作岗位和人员能力角度看，人工智能推动此次变革将有一个显然的不同：以往的历次变革总会产生大量的重复性日常工作需求，比如纺织厂的设备操作，汽车制造流水线和手机制造流水线等。
但是人工智能将在几乎每个方面提升自动化水平，因此大量的重复性日常工作岗位需求将大幅度缩减。与此对应的是，需要增加对数据科学工作岗位的需求，例如数据科学家、具备一般性数据科学能力的数据科学工程师等。这些岗位的数量将远远少于当前重复性日常工作岗位。
因此，我们认为，未来的组织人员构成可能是菱形的，其中大量处于底部的基础性、重复性日常岗位会被AI所取代。
其实，人工智能触发的各种改变，才刚刚开始。改变历来都是几家欢喜几人愁，特别是改变刚开始的时候.
我们可能会因为见证了AI实现了以前想都不敢想的某个功能而兴奋，从而产生加速广泛采用AI的冲动。也可能会因为，某个AI项目进展不如预期、或者担忧AI的应用安全可靠而焦虑，从而对未来的如何运用AI产生困惑。
从历史上所有通用目的技术的发展历程来看，这些都是正常现象。
我们刚刚经过了AI技术与应用的局部探索阶段，目前正处于第二个阶段。在这个阶段，从技术视角看，一方面AI技术日趋完善，同时又暴漏出越来越多的问题；从应用视角看，一方面AI的应用日渐最广泛，价值持续得以确认，但同时政策环境、公司流程、组织人员等都是主要面向以往的技术的，比如信息化和互联网时代的技术，还没有为智能技术时代的到来做好准备，因而时常产生碰撞，甚至冲突。
AI技术终将赢得属于自己的社会环境，那时我们将迈向AI应用与生产力提升全面快速发展的第三个阶段。
在迎来新的GPT技术之前，我们将持续见证和享受这一黄金发展期，即第四阶段。但我们也要清醒的认识到，人工智能不是万能的，人工智能有它能解决的问题，也有它不能解决的问题。
我们应充分聚焦人工智能能解决的问题、聚焦其创造价值的领域，而不是把精力花在人工智能不能解决的问题或不能创造价值的领域。因为选择正确的问题比寻找新奇的方案更有价值。
千里之行始于足下，让我们看看人工智能今天的状况。
一方面，下面一系列大数字让我们感受到了人工智能产业发展的“光辉灿烂”：
▶ 2017年发表的机器学习论文数是2万篇；
▶ 全球有超过22个国家发布了AI计划；
▶ 2017年新诞生了1100多家AI startup公司；
▶ 2017年与AI相关的兼并收购金额达到240亿美元；
▶ 2017年与AI相关的VC投资达140亿美元。
另一方面，下面的一系列小数字又让我们感受到了人工智能初级阶段的“镇静”：
▶ 只有4% 的企业已经投资或部署了AI；
▶ 只有约2% 零售商已经投资或部署了AI；
▶ 只有约5% 部署的智慧城市 中正在使用AI；
▶ 2017年只有约10%的智能手机内置了AI；
▶ 全球AI人才的供需比仅有1%。
“光辉灿烂”与“冷静”之间的差距，正在凝聚产业发展的巨大动力。所谓“山雨欲来风满楼”，这种落差令人兴奋。
要解决人工智能“辉煌”与“冷静”之间的巨大落差，开创未来，我们要从技术、人才、产业这三个方面进行主动的变革。今天，我和大家分享十个有关人工智能技术、人才和产业的重要变革方向。
改变之一：缩短训练模型的时间
按照目前的技术水平，训练某些古怪模型时往往需要数天甚至数月，而成功的创新发现往往需要多次迭代，这种训练速度严重制约了应用创新。我们认为，未来模型的训练要能在几分钟、甚至几秒钟内完成。
改变之二：充裕经济的算力
算力是AI的基础，但目前的算力非常昂贵，是一种投资品。如果说算力的进步是当下AI大发展的主要驱动因素，那么，算力的稀缺和昂贵正在成为制约AI全面发展的核心因素。
我们认为，算力应该是充裕且经济的，并且这种需求应该尽快实现。
改变之三：人工智能要适应任何部署场景
混合云已经成为企业采用云服务的主要模式，当前的AI主要在云，少量在边缘，与企业的业务环境的结合有待进一步深入。
我们认为，未来AI将无处不在，要能够部署在任何场景，并确保用户隐私得到尊准和保护。
改变之四：更高效更安全的算法
算法是推动AI发展的另一个主要动力，但目前运用的主要算法多诞生于1980年代。随着AI的广泛普及，这些算法的不足愈发明显。
我们认为，未来的算法，要能够基于更少的数据需求，即数据高效。也要能够基于更低的算力和能耗，即能耗高效。同时要解决自身的安全问题，并实现可解释…等等，这都是AI全面发展的关键技术基础。
改变之五：更高的自动化水平
今天的人工智能，自身还需要有大量的人工，特别是在数据标注环节，今天甚至还诞生了一个新的职业叫“数据标注师”。有人调侃说，今天的人工智能，是没有“人工”就没有“智能”。
我们认为，应该大大提升AI自身的自动化水平，比如在数据标注、数据获取，特征提取，模型设计和训练等环节，要实现自动化或半自动化。
改变之六：模型要面向实际应用
2018年6月，伯克利大学的助理教授 Benjamin 等发表了一篇题目奇怪的论文--《CIFAR-10分类器能否泛化到CIFAR-10？》
该论文指出，在CIFAR-10分类器上测试准确度出色的模型算法，却在作者创建的与CIFAR-10非常接近的另一测试集上出现了偏差，分类识别准确率下降了5-15个百分点不等。这也就意味着，这个模型算法的可用度大幅度下降。
从而，可见当前很多优秀的模型算法，更多的是“考试”优秀，还未达到“工作”优秀。
我们认为，未来的模型必须实现工业级的优秀，即满足工业生产的需要，而不仅仅满足于测试集上“考试”优秀。
改变之七：模型更新
模型的准确率并非是一成不变的，而是会随着数据分布、应用环境和硬件环境的变化而变化，始终保持准确率在期望的范围内对于企业应用是必须的。但目前的模型更新是非实时的，依赖人工周期性的更新，因此是一个半开环的系统。
我们认为，未来的模型要能及时适应各种变化，实时更新，实现闭环系统，保证企业AI应用始终处于最佳状态。
改变之八：人工智能要多技术协同
每一个通用目的技术，只有与其它技术充分协同配合，才能发挥到极致，创造巨大的经济价值。AI也不例外，但在目前我们探讨AI时，更多的是仅仅聚焦AI本身。
我们认为，AI需要与云、物联网、边缘计算、区块链、大数据、数据库…等技术全面协同，如此才能发挥更大价值。
改变之九：人工智能要成为由一站式平台支持的基本技能
今天，AI还是一项只有具备高级技能的专家才能完成的工作，长开、稳定、完善的自动化工具还比较缺乏，获得一个AI模型还是一个非常复杂，耗时耗力的事情。
我们认为，应该有一站式平台，提供必需的自动化工具，让AI应用开发更容易，更快捷。从而，使AI成为所有应用开发者甚至所有ICT技术从业人员的一项基本技能。
改变之十：以AI的思维解决AI的人才短缺
AI人才的短缺，特别是数据科学家的缺乏，一直是业界顾虑较多的一个制约因素。而且我们认为，数据科学家将永远是稀缺的。
解决之道应该是，以AI的思维解决AI的人才短缺。通过着力发展智能化、自动化、简单易用的AI平台和工具服务，以及提供培训教育，培养大量的数据科学工程师，使他们能完成大量基本的数据科学相关工作。
通过这些大量的数据科学工程师与数据科学家和各领域专家相互配合的梯形结构，来解决AI人才稀少问题。
这十个改变，一定不是AI技术、人才、产业发展的全部，但都是未来发展的重要基础。
这十大更改既是华为对AI产业发展的期望，也是华为制定AI发展战略的源动力。
基于这十大改变，华为的AI发展战略包括五个方面。
◆ 投资基础研究：在计算视觉、自然语言处理、决策推理等领域构筑数据高效（更少的数据需求） 、能耗高效（更低的算力和能耗） ，安全可信、自动自治的机器学习基础能力。
◆ 打造全栈方案：打造面向云、边缘和端等全场景的、独立的以及协同的、全栈解决方案，提供充沛的、经济的算力资源，简单易用、高效率、全流程的AI平台。
◆ 投资开放生态和人才培养：面向全球，持续与学术界、产业界和行业伙伴广泛合作，打造人工智能开放生态，培养人工智能人才。
◆ 解决方案增强：把AI思维和技术引入现有产品和服务，实现更大价值、更强竞争力。
◆ 内部效率提升：运用AI优化内部管理，对准海量作业场景，大幅度提升内部运营效率和质量。
华为提出的全场景，是指包括公有云、私有云、各种边缘计算、物联网行业终端以及消费类终端等部署环境。
全栈是技术功能视角，是指抱括芯片、芯片使能、训练和推理框架和应用使能在内的全堆栈方案。
华为的全栈方案具体包括：
▶ Ascend： 基于统一、可扩展架构的系列化AI IP 和 芯片，包括Max，Mini，Lite，Tiny和Nano等五个系列。包括我们今天发布的华为昇腾910（Ascend 910），是目前全球已发布的单芯片计算密度最大的AI芯片，还有Ascend 310，是目前面向边缘计算场景最强算力的AI SoC。
▶ CANN： 芯片算子库和高度智能化算子开发工具。
▶ MindSpore，支持端、边、云独立的和协同的统一训练和推理框架。
▶ 应用使能：提供全流程服务（ModelArts）,分层API和预集成方案。
2018年4月，华为发送了面向智能终端的人工智能引擎HiAI。
2017年9月，华为发布了面向企业、政府的人工智能服务平台华为云EI。
今天，我们发布的全栈全场景解决方案是对华为云EI和HiAI的强有力支撑。基于这个解决方案,华为云EI能为企业、政府提供全栈人工智能解决方案；HiAI能为智能终端提供全栈解决方案，且HiAI service是基于华为云EI部署的。
总体来说，华为人工智能的发展战略，是以持续投资基础研究和AI职业教育，打造全栈全场景AI解决方案和开放全球生态为基础。
▶ 面向华为内部，持续探索支持内部管理优化和效率提升。
▶ 面向电信运营商，通过SoftCOM AI 促进运维效率提升。
▶ 面向消费者，通过HiAI，让终端从智能走进智慧。
▶ 面向企业和政府，通过华为云EI公有云服务和FusionMind私有云方案为所有组织提供充裕经济的算力并使能其用好AI
▶ 同时我们也面向全社会开放提供AI加速卡和AI服务器、一体机等产品。
我们提出的全场最意味着华为有能力实现智能无所不容，构建万物互联的智能世界。
全栈意味着华为有能力为AI应用开发者提供强大的算力和应用开发平台；有能力提供大家用得起，用得好，用的放心的A，实现普惠Al。
而AI产业两次“冬天”的出现，都因为社会对AI的应用期望大大超越了ICT产业工程水平的发展现实。除非我们把AI产业和ICT产业这六十年的发展轨迹画到一起，那么大致应该是图中的样子。