在余凯看来，人工智能时代，软硬件紧密结合将是技术和行业趋势，最有效的方式是软件和硬件在一家公司里面做。对于各方高度关注的中美技术竞争，余凯认为，中美芯片企业彼此需要，相互依赖。未来，中国将涌现出更多科学家创业的案例，产业资本将成为其坚实的资金提供方，同时也会受益于这些企业的技术突破。

路径和项目规划上的配合，难度要远超单一维度的软件和硬件。

除了技术的挑战以外，管理方面也存在挑战。

第一财经：余凯：

如何理解这里的管理挑战？举个例子，谷歌收购了智能家居公司Nestlabs，花了32亿美元。Nestlabs 是由前苹果员工，也就是被称为ipod之父的托尼·法德尔(Tony Fadell)创立的。苹果是高度软硬件结合的公司，并且苹果的管理形式是独裁式的，Nestlabs 也一定程度继承了这种传统；然而，谷歌是软件开发公司，其管理相当民主化。谷歌收购了Nestlabs以后，双方管理矛盾一直不能调和。谷歌背景的工程师和苹果背景的工程师很难在一起工作，导致软件和硬件的协调非常难。Nestlabs 刚刚创业的时候很受关注，因为他们引领了智能家居行业，其智能家居三件套当时非常流行。谷歌通过将法德尔开除试图去解决这个问题，但最终的结果是Nestlabs如今已经没人关注。

他们的整合不是很成功，恰恰说明了做软硬结合既有技术的挑战，也有管理的挑战，地平线也面临这些挑战，只是我们目前解决得还比较好。

第一财经：

如何看待通用芯片和专用芯片（人工智能芯片）的关系？地平线如何定位自己在芯片市场的位置？

我们过去认为CPU是通用芯片，一般认为通用芯片应该是万金油，做什么都可以，但如果CPU用来做深度神经网络计算的话，效率低到让人难以忍受。

实际上，没有所谓的通用芯片。CPU是序列执行的架构设计，适合逻辑计算，但神经网络计算是大量并行计算，大量神经元是同时开关、同时处理、并行处理的，是感知计算。

如果我们用“逻辑计算或感知计算”、“服务器或终端”对芯片公司进行划分，可以看到英特尔是“逻辑计算+服务器”、英伟达是“感知计算+服务器”，ARM是“逻辑计算+终端”，而地平线属于“感知计算+终端”。

不论是数据中心还是终端，随着数据的增加和人工智能相关需求的增加，未来人工智能相关的感知计算占比肯定要高于逻辑计算。

除了感知计算，为什么选择终

余凯： 第一财经：端市场?余凯：

其实这个问题就是为什么软硬件结合在边缘计算（靠近数据源头端计算）领域机会更大。服务器端不是不需要软硬结合，只是软件和硬件可以分得更开一点。相对终端而 言，服务器可以插电，对功耗要求较低，对实时性要求也不高。但未来的终端都是用电池的，对于效率更敏感，要求软硬件更协同。

在数据计算方面，边缘计算和中央计算未来在市场份额方面将平分秋色，大数据训练在中央计算，而数据计算执行在边缘计算，两者是相互配合的关系。

现在边缘计算占比还很小，互联网巨头都是以云计算作为出发点和根据地。从市场的重要性和空白点两个角度来考虑，我们选择这个市场定位。

从自动驾驶到物联网第一财经：

目前的深度学习被认为是专用人工智能（ANI）,为什么地平线成立了通用人工智能(AGI)团队？

未来5到10年的时间里，边缘人工智能芯片肯定会从感知到决策，比如，汽车未来会有感知，也会做决策，未来汽车也是一种形态的机器人。如何让人工智能在不确定中做决策？这是通用人工智能要解决的事情。

目前深度学习主要是做感知，如果要过渡到通用人工智能，还需要引入增强学习和迁移学习，引入一些博弈论的概念，这些能让人工智能从被动的训练变成主动的学习。

以自动驾驶为例，如何验证自动驾驶的安全性？自动驾驶的安全性应该在极端条件、意外情况下去测试。意外情况指的就是训练数据中没有的情况，所以目前的深度学习和训练并不能保证汽车有足够的安全性，必须要去从大数据训练过渡到未来的人工智能自我推理、决策。这是我们特别关注的方向，这也是我们成立通用人工智能实验室并会有很大投入的原因。

余凯： 第一财经：

相对于深度学习的专用人工智能，目前通用人工智能发展很慢，未来这方面会有什么突破？

可以解决任意问题的通用学习是很难的，但集中于专门领域的通用学习更可能被突破，比如在围棋领域的通用人工智能就非常成功。如果聚焦自动驾驶，在这个领域进行强人工智能算法的开发，是很有可能突破的。

说到汽车，你如何看待自动驾驶的未来？这个领域会有什么样的时间节点？

自动驾驶是很宽泛的概念，包括L1、L2级别的辅助驾驶，L3以上级别的自动驾驶和无人驾驶。在高级别的自动驾驶和无人驾驶方面，我认为2025 年以前中国都不会有大规模的商业运营。

余凯： 第一财经： 余凯：