除此之外，閔萬里認為場景應用是人工智能或數據智能來證明自身價值的地方，比如在預測《我是歌手》、城市交通調度、水壩水位監測等。他說：“當你有一天走到廣州一路綠燈的時候不要很驚奇。”
希望人工智能“慢”下來
人工智能這四個字太熱了，在座有非常多的投資人、創業者，以及從業者，正在創業路上的同學們。今天的分享我想給大家唯一一個的印象，我希望（人工智能）慢一點、慢下來，為什么？這個詞用得太多了。
人工智能其實還在一個早期。
實際上，早在兩千年前，我們就已經在做“人工智能”了，那就是老祖宗的算盤；1950年代，夏普的計算器，在某些方面它已經打敗了人類；今年3月份的AlphaGo，則在圍棋上戰勝了人類。
任何一個理性的、基于邏輯思考的、規則性的東西，也就是所謂的人工智能，或者機器智能，都會打敗人。但是，人工智能真的可以取代人嗎？還差得很遠。縱觀整個人工智能發展的歷史，1950年提出人工智能，然后再往后就是機器學習，一直到60年代、80年代，機器學習其實已經興起好幾遍。
尤其是現在非常火熱的神經網絡，90年代的時候非常火，后來又沉寂下去了，為什么？因為計算能力跟不上。90年代當時大家知道在統計學講了很多，后來算不下去，但是2005年的時候突然一下爆發了。
2005之后，一個根本性的革命發生了：云計算、大數據，從Micro array （微矩陣），再到基因重組。在阿里云上我們現在可以實現“暴力”計算，以前需要很多天，今天我們幾個小時就可以算出來。
當這種從量變到質變發生的時候，我們可能從表象感覺到了人工智能時代，就是我從一個小朋友就變成一個大人，我的智慧成長了，所以變得人工智能來了，但是我們還有很多不會的東西。
人工智能距離真正的智能還很遠
舉個例子，今年阿爾法狗下圍棋下得很好，因為圍棋是有規則的，但是對于那些沒有規則的東西，對于藝術的鑒賞、文學的創作，究竟哪一首歌、哪一首詩比較容易打動你，這種非客觀的主觀認知智能還沒有實現。
所以我們今天真正能夠讓人工智能超越人還遠得很。今年投資人或創業者拿著DT來說，所有的技術再牛牛得過阿爾法狗嗎？但是阿爾法狗的局限在于，它是理性的思考，感性的認知還差得遠。
100年前，機器下圍棋肯定是下不贏人的，但是有了這些計算能力之后，就像“群狼打虎”一樣，AlphaGo背后的計算能力，相當于多少臺機器？其實它是一個不平等的競爭，是車輪戰。表面上看是人工智能，但其實是量的不對等。
數據智能在垂直行業的應用案例
所以我剛才說的智慧、智能這件事，它體現在垂直行業運用當中，智能交通是最典型的。
數據智能的價值體現在垂直行業的應用當中。其中，智能交通就是典型的海量數據場景。例如，我們可以實時監測信號燈的交通流量，把城市所有信號燈的數據連接在一起，就變成了城市的眼睛，可以看清楚多少左轉、多少右轉。如果大家有裝高德地圖，就會告訴你哪里堵、哪里不堵。有了數據智能之后，可以告訴你、20分鐘、30分鐘之后，3公里外的路口是否堵車。
交通的狀況瞬息萬變，空間的距離會帶來信息的滯后，為什么現在高德地圖App和百度地圖App會告訴你當前的情況，夜視技術的問題。去年國慶在浙江，阿里云成功預測出了未來1小時內的路況。
從個體的感受到全局的智能還有很多，比如說水壩監測，這個跟我們生活息息相關，但是我們又不怎么感知，就像長江一樣，每個支流的水量怎么樣，包括下游，我要加大泄洪，這個需要實時的研判，需要預判，需要多種數據的連接。
另外一個例子是貨車如何做到智能物流。誰能告訴我下午三點跑到廣州，誰能告訴我跑回來有貨可以帶回來，這個事情我們很容易做到，通過搓合機制，實時搓合貨車和司機，實現供需之間的匹配問題。
應用場景有很多。例如：語音識別、文字實時轉錄，可以把法院庭審的過程轉化可記錄的文字，存儲歸檔。車輛路徑的實時捕捉和追蹤，城市交通管理者能夠看的更加清楚、仔細，從而更好的安排和設計路口的車輛轉向規則。另外一個例子是搜圖購物，拍個照立刻到淘寶找類似的同款。
《我是歌手》的歌王預測，是典型的挑戰非理性思考的過程，一首歌是否好聽，取決于多種因素。這樣的實時預測很難，做這樣的事也很冒險，但是從人工智能的角度，我們要做的不是簡單、機械的重復任務，而是要挑戰人的情感世界認知過程。
我們到目前為止所有看到的機器人都應該把那個“人”去掉，它是機器，它不是人。人是一個有情感的動物，我看過很多創業公司做的機器人，它的情感在哪里？有嗎？沒有。
最新的一個案例，是廣州交警“互聯網＋信號燈”的試點項目。8月31日剛剛發生的，剛你看清楚了每一個路口左轉右轉有多少車的時候你知道該怎么調每一個紅綠燈的時長，使路口變得暢通，廣州2000多個路口，給大家創造的生產力價值有多少，這個價值很難衡量的，因為有人一分鐘值很多，我們去做優化決策。
當你有一天走到廣州一路綠燈的時候不要很驚奇，杭州太堵了，但是北京是有可能的。
