也提到感知上下文是非常关键的一个环节（Understanding context is important for any AI.）

这种理解在互联网企业那里很可能非常有代表性，但问题就在于感知恰恰是打造一个初级的Jarvis这样的系统时最难的环节。因为感知总是要打穿原子和比特的边界。Language Processing、Speech Recognition、Face Recognition总是立刻可用的，只受限于算法的发展程度和数据，但感知部分不是这样，不单要算法行，器件、生产都要行才能有好的结果。比如说麦克风阵列，你算法再好但MEMS麦克风不给力，那你一样抓瞎。如果要说的短板的话，在深度学习突破后，感知这一环节才是真的短板。

这就涉及到这次AI突破的一个深层次问题：这次的AI起于深度学习的突破，但真要想创造价值并不能停步在深度学习本身。关键原因就在于其AI创造价值的链条比较长，必须打破软硬的边界，补全整个链条，价值才会体现出来。几乎我们所有能想到的大机会都是这样，语音交互（需要打穿声学和识别边界），自动驾驶（打穿计算机视觉、雷达、机械控制的边界）等。这部分难度通常是被忽略了，似乎是有几个深度学习专家问题就可以搞定一切问题。后者不是不行，但要限定在特定类别的事情上，比如图普科技做的鉴黄等。正是同时做好软硬这部分在拉长投资-回报的周期。投资和创业如果对此没有自己的判断，那准备的耐心可能就不够。

小结

近来和AI各方面的人（创业者、投资人、科学家、媒体）接触下来，发现大家基本都在思考这样两个问题：

第一，本次AI浪潮会不会和前两次一样很快冷下来？

第二，落地点到底在那里，究竟还要多久？

对于第一个问题到现在为止还没碰到任何一个人认为这次AI浪潮会冷到前两次那样。对于第二个问题，大的落地点上大家基本也已经达成了共识（语音交互、AR、自动驾驶等），争议最大的就是启动期究竟还要持续多久这一点。从两个维度来判断，这个时间更可能是在3年左右，一是产品经过两个周期的优化会更加成熟；一个是计算能力、基础设施到那个时候也会变的足够强大和便利（过去3年Training速度提高了60倍，比摩尔定律还快。Intel则正在推出集成度更高的服务器）。