正文
张亚勤：
今天下雨还有雾，自然情况不是很好，但乌镇上车也比较少，在这个环境下，我觉得还是很有价值的，不过出于安全方面的考虑，所以最终阀值，以及对系统的灵敏性控制的严格一些。
新浪科技：
之前有想过这么快就坐上无人车吗？
张亚勤：
这个速度比我想象的要快。这也是机器学习的好处，机器学习一个车所收集的数据，你所学到的决策，它马上可以大规模复制，所以这个是相乘的效果，不是一个复制给多少个，它是这个一乘复制所有人。
比如说我有一百辆车，每辆车收集的东西是不一样的，然后它是集合效应，然后“啪”就放到了一百多个车哪里，一百个车同时进行收集数据，进行离线的训练，等于说IQ马上是相乘的。
新浪科技：
很快能成一个老司机。
张亚勤：
对。就像AlphaGo，它提高速度很快，它两个机器，百度无人车更多，两个机器互相对抗训练，等于左手打右手，一直不会休息。人的话，还要去琢磨还要休息，你水平高了另外一个水平不一定高，这个还是挺神奇的。
无人车来讲，包括上面的激光雷达，今天看到有3个十六线的激光雷达，扫盲区用的。这个是人工智能去挑战的东西，有视觉、有语音、有各种目标、有决策，以及行为规划，数据量其实很大，而且容错率很低。刚才我演讲里也谈到，自动驾驶等级里，L4和L3的区别是，L4的容错率基本是0。L3是一个有限的有条件下的一个自动驾驶的。L4的话，它在以后相当于美国的高速公路，你都可以无人驾驶。到了城区可能有问题，因为有行人的情况，会比较复杂一些。
新浪科技：
除了无人车，上一次您和吴恩达博士一起发布了百度医疗大脑。那么下一步的话，在哪一些领域它可能推出类似人工智能的大脑，是按什么节奏，先后顺序是什么样的？
张亚勤：
现在人工智能大脑有四个模块，先看这几个功能模块比较成熟的，一个是语音和图像，还有一些视频；还有一个是自然语言对话；还有一个叫做用户画像。这4个东西就是基本的功能模块，但是还有一些新东西不断开发出来，这些东西的组合可以用到不同的场景里面去。比如说度秘就是一个应用。我刚才也说了一下，度秘用语音功能里面去，然后像医疗也是利用知识图谱，包括对知识的理解、对话的逻辑、对自然语言的理解。所以有这样的场景都可以被克服。
里面的原因和逻辑是，机器可以很快把目前的资料都读了，人读则很慢，机器自己去读文献、去读病人病历，全部都读下来，它可以去查各种资料，就像AlphaGo，它基本上把棋谱都读了，读了之后还可以理解它，也可以结构化，把这种模型和模式找出来，任何有这样的东西，都可以用。
那医疗大脑来说，你比如说医生和病人交互，有很深的专业性，但专业性对于人工智能是一个好事，越专业说明这个数据越可模型化、更模式化，越容易找到里面的标签。
第二点就是自然对话的过程，其实人和对话的效率并不是很高，你可以问很多重复的问题，问了问题之后，他答的可能未必是医生有用的信息，这个对话会消耗很长的时间。如果用机器和人对话的时候，你会发现，机器如果发现是废话，就会跳过去。第二点把流程减到最低，因为至少把医生的时间省出来了，然后最后等医生看到这个机器结果，就知道大致是怎么回事。
然后好处就是说，你做的越多，机器就能做得越好。你看我们系统里面，病人和医生也有对话，它可以学习怎么对话，然后把很多东西综合起来，然后越来越好。
这些东西其实对于基层医生很有好处，因为可能这些医生的水平比较低，但他们学到的是专业医生的三甲医院顶级医生的知识。而对这个顶级医生的话，现在是辅助诊断治疗的功能，给作出最后诊断。最后这个诊断信息又可以反馈给基层医生用。这种自我学习、自我完善、自我提高的过程非常好。
