这也是中国的问题，我们现在总说我们和国外的差距如何如何，每讲到核心技术，总是受制于人，但对于基础技术方面又没有积累和投入的意识，这样的亏吃得还不够多吗？
比如芯片，国外的领先优势就在两代以上，我们一直没能缩短。我们现在用的20纳米不太成熟，以后别人都是18纳米、14纳米，甚至7纳米，我们都没有办法跟上，更别说赶超了。
还有很多基础软件，最核心的基础的东西都是别人的，我们只在上面做一些小修改，整个生态都建立在别人的基础上，原来是X86，后来就更多。
这些基础问题不解决，就容易地动山摇，整个国家的竞争实力就要受制于人。
全世界200强的公司中，美国有14家芯片公司，14家软件公司，中国呢？一家都没有，所以这个差距不得不重视，越是基础的东西，对我们的未来越重要，这是衡量一个国家人工智能强不强的基本判断之一。
另一个基本判断是计算。人工智能是计算出来了，没有计算就没有智能，计算力也是一个非常基础的东西。
但如果按照服务器拥有量来衡量国家计算力，我们现在和国外的差距也不小。国外每年花在服务器上的钱，可能是整个终端投入的60%-70%，但中国只有20%-30%，在这些基础设施上，我们的重视程度也还不够。
值得注意的是，重视基础就不能“喜新厌旧”。
中国人很重“名”，“名不正则言不顺”，信息领域不断创造新名词，一旦新名词、新学科上升为行业意志，原来的基础学科就被边缘化。
去年国家自然科学基金计算机学科的4863项申请项目中，计算机科学的基础理论只有16项，计算机体系结构22项，程序设计语言及支撑环境13项，高速数据传输技术2项。
但是，计算机图像与视频处理有439项，模式识别理论及应用357项，人工智能应用258项，这是巨大的反差。
基础！基础！基础！没有基础的话，将来还是难以扳回局面。
丨中国的AI优势
中国的优势在于用户多，网民多，这就让我们在数据方面有优势。
不说BAT了，就说滴滴这样一家年轻的公司，他们切入的这个领域，以后的数据量可能不比阿里、腾讯少，因为每天都有那么多的车在给它产生数据。
所以在中国这个大市场里，人工智能应用就有得天独厚的条件，中国搞算法的多、人才多，有后备力量，在相关方面就比国外超前。
比如云识别、人脸识别等模式和算法领域，都是世界一流。在目前最核心的图像和语音识别领域，应用也越来越多。
但人工智能不限于这些，还有很多和智能制造、无人驾驶、医疗健康等相关的领域，这不是算法好和市场大就能快速起来的。
还需要相关垂直领域的专家配合，比如AI+医疗，你就需要借助医疗、智能医疗方面的专家。
未来我们想在人工智能发展中做大做强，不仅需要巩固算法和市场这样的优势领域，还需要在那些会结合但又不强的地方，加大力量投入。
丨产学研结合，理论创新
我们有数据和市场的优势，在算法方面也不弱，有机会能在下一波AI技术跃迁中占得先机，甚至理论创新上领先。
我个人看来，下一波AI技术跃迁，核心突破肯定还是在于算法和理论。
人工智能这几年取得了很大突破，但还是没能解决一些在人看来很基础的问题。
比如你教小孩认识事物，可能不出10、20张图片就能让他知道这是马、这是车，但对于机器还做不到，可能机器需要的是上百万张图片。
这就是典型的小数据学习，为什么人可以，机器不可以？但如果考虑到人类一代代经过了几百万年的进化，才慢慢形成人脑的连接、基因，并有了固定的人脑结构，这好像也能解释为什么会有从大数据到小数据的过程。
所以现在的关键是，把AI提升到理论上能解释的地步，比如还有很多很多的基本的东西没能搞明白，深度学习效果这么好，但决策过程可能我们还无法解释，黑箱还没变成白箱，这需要一些基本理论的研究。
这些基本理论的研究，也可能会借由其他领域取得突破，比如量子力学。之前我演讲举例说过，以色列科学家提出“信息瓶颈”理论，有一套完整的科学，他们发现这个过程和深度学习极为相似，这甚至是“深度学习”发明时预料不到的。