第一是要有好的算法，这个是核心，就像是软件。

第二是要有充分的大数据，这个就相当于是软件里的输入素材。而且深度学习型软件是可以自我优化自我进化的，输入素材越多、数据标示越好最终的效果就越好越精准。一旦某一方面的大数据有优势，未来的巨头可以很快形成滚雪球效应，跟后来者拉开差距。

第三，就是要有处理这些天量数据的硬件处理速度——以目前的人工智能运算量来看，哪怕是解决最简单的图片识别，或者语音智能识别，甚至只是输入法频次统计反馈，都不是任何一个单独的服务器可以承载的。或许每一个需求，都要用一个数据中心的处理能力去处理。

但是同时，每个数据中心处理的多个问题又可能有很高的重复率，数据处理过程量的复用率会很高。所以拥有越多处理需求、越多处理硬件资源的企业，在处理效率上就会有明显的优势。这时候，我们就会发现，依靠传统的‘为每一个新的业务需求购置一批服务器、搞一个专门的数据中心’，效率会非常低下，成本会非常高昂……”

顾诚刚说到这儿，被不怎么懂技术的马风给打断了：“那么怎么解决这一点呢？如果只是钱贵的话，那也不是什么大问题，我们费钱别人也费钱，大家一起涨价不就行了？”

“呵呵……如果是‘你贵我也贵’，确实问题不大，涨价就是了。但是如果人工智能的应用成本太高，它对传统产业和传统咨询类人工岗位的替代效应就不明显了。用人工智能大面积解决问题，必须是其成本明显低于雇佣人类客服、记者、编辑、老师、咨询师、查法律文书卷宗的基层律师、只会开票的基层会计师……

资本家才会把这些重复脑力劳动的基层白领开除掉，改用机器人。不解决成本问题，或许你不会被其他人工智能竞争对手同行甩开，但对于整个人工智能行业消灭人类岗位的进程，起码会造成三到五年的延后。”

马风还在琢磨其中的算计，丁三石却已经听懂了：“确实，就跟今年我看到滨江咱黄易总部隔壁，有几家做新兴产业led的公司，虽然大家都贵，但是卖不出去的主要原因不是因为比同行贵，而是‘买了led的产品之后，售价减去产品全生命周期内省下来的电费，依然比节能灯都贵’，所以那些物业老板才不买。我跟其中一家叫罗莱迪斯的公司老板喝过几次功夫茶，就听他说起过这事儿。

还有隔壁的海康威视，早几年也是这个情况——一套监控卖那么贵，之所以卖不出去，不是因为它比竞争对手大华家卖得贵，而是因为多装这几套监控的成本，比多雇佣一个保安都贵了，才卖不出去。这两年成本下来了，那些精明的企业主才开始多装监控少雇保安。”

马风的见识还是很广博的，他做电商起家，各行各业都了解一点。听了丁三石举的例子，他马上就想通了。

人工智能的普及，说到底是跟人力成本在pk价钱，不是跟同行pk价钱。比人便宜才有资本家用。

于是他诚恳地追问顾诚：“那小顾你觉得，有什么快速降低人工智能运算成本的办法呢？总不能让我们去投资英特尔，指望硬件厂商把单位计算效能的cpu价钱加速猛降下来吧？”

“当然不是。”顾诚端起茶杯，作势喝了一口，表情很淡定，“首先，cpu的架构模式，处理深度学习算法需要的并行数据处理时，效率还是太低了。就算要在硬件上下手，也不该找英特尔。”

应该找英伟达，但是这句话顾诚就敝帚自珍了，没必要告诉马风和丁三石。

他从02年就收购了agiea公司，在人工智能用gpu领域的布局，已经占到了先机。未来不管是挖英伟达的技术团队、积累技术储备，还是直接想办法到英伟达投资，都很灵活。

这事儿，他自己就能做，不需要马风和丁三石的配合。

他今天需要说出来的，都是些他不愿意啃的硬骨头。

“其次，即使不在硬件的物理指标上争取跨越式发展，我们还可以在资源配置效率上做文章——这个解决方案，就叫做云计算。利用未来网络的进一步便利，把各大互联网公司的数据中心整合起来。

或者让专门的服务器/数据托管公司形成虚拟服务器/虚拟数据中心的架构，实时优化调度计算资源，把闲置的计算力量以一个相对较低的价格临时、分时租赁给出现处理需求的人工智能公司——用这些招数，可以轻松做到在硬件物理性能没有飞跃的情况下，靠优化配置节约数倍的计算资源成本。”

“你说的这招，目前技术上实现得了？”马风和丁三石异口同声地狐疑道。

顾诚淡定地耸耸肩：“比较难，但是已经有机会——年初的时候，英特尔公司就开始力推双核cpu处理器了，对多线程计算的分配效率和架构也做出了很大优化。我们公司，目前就基于此基础，尝试了内部代码编译服务器的‘分布式编译’架构。你们不信的话可以去参观一下。”