除了这一块，我们在大数据方面也有较好的积累和铺垫。我们企业安全部的同事用堆栈式的服务，可对网络上的网络流进行协议识别和应用识别。比如在网站随意截取一个网络流，即可预测出它所发送协议，发送运程。这是非常有价值的互联网信息。
基于深入学习的人工智能，训练的平台可能已经非常普及了。公司的技术从0到1的转变可能性也变得很大。但人工智能或者技术的发展最关键还是怎么产生技术壁垒。
360最近有两个重点：1、重点发展端上的智能，因为端上的量肯定要比云上的量高很多，而且会有各种端出现。
要发展端上的智能化，可用编译的专用芯片，但用这种方式，它肯定会让产品的价格有大幅度提升。所以这绝对不应该是唯一途径，也就是说让端上建立技术壁垒的话，要在算法上降低计算量。
打比方说1×1的卷积，它就能设计出高效的网络。最近的微软产品，把256级做3×3的卷积，就是9的量级，如果能用1×1把256做成64家，就有4×4的降低，这对于端上是非常有价值的。
另外，端上的小模型，可能精度上会有损失，但是如果运用大量数据的话，就会在某种程度上弥补精度的损失。
当然，它绝对不会成为技术壁垒，真正的技术壁垒是在不减少技术的情况下有精度的提升。这也是360研究院在极力发展的方向。
综合来说，奔跑在CPU上的编译绝对是以后端上重要的发展方向。
自学习能力
另外一个非常重要的方向：怎么样让人工智能的系统具备自学习的能力。
很多应用真的没办法标注数据，比如自动驾驶，一般的企业没有办法搜集到各种场景下的数据。
但如果系统在运行的过程中能够自主学习、自主搜集信息，那它的性能肯定就可以逐步增强。
另一方面，在端上我们只能有轻量级的计算，如果能自主学习的话，之后就可以保证在端上达到计算目的，因为个性化服务不是服务所有的人，这样的话小模型就有比较好的针对性。
此外，自主学习完全有自主性，一方面当一辆车在路上行驶的时候，就可根据上下文推导出哪些是人，哪些是车。特别是家里的机器人，如果能逐步积累一些位置，检测出一个人，如果能把这些样本做增益样本的话，那么机器人的性能就会自主增强。
我们的最终目的是希望这些物联网的产品有自主学习的功能，最后变成懂我的互联网产品，而不是互联网产品到了家里，变成一个Fix的东西。
最后做一个小的总结，在360这种大安全的策略上，现在人工智能技术已经逐步地运用到很多产品中，同时也进一步证明了人工智能有很多新的产品形态正在打磨，我也敬请大家期待360有更多的人工智能的产品服务于普通的老百姓。