以下内容在张亚勤教授的演讲基础上略有改动。
数字化新浪潮带来了历史性的变革：一切都在数字化
张亚勤表示，随着数字化3.0的到来，未来十年许多行业都将经历构造转变。这场数字化的新浪潮提供了历史性的机会，可以通过先进的机器学习算法，增强的计算能力，5G的新基础设施，神经形态计算来改变现有的工业格局。
过去我们做计算机最大的现象是数字化，数字化1.0在80年代中期就开始了，那个时候更多的是把内容数字化，有语音、音乐、视频、图像，包括后面的HDTV和Video，整个发展相当快。
数字化2.0在90年代中期开始，由于内容数字化，产生了消费者互联网，掀起了好几轮浪潮。同时企业也在数字化，包括ERP、CRM、工作流以及商业智能，到了后面有各种数字仓库、云，各种各样。但在软件领域，消费软件产品市场在中国一直没有真正到一个主流。
现在进入全新的数字化3.0，包括互联网物理化。首先是物理世界数字化，我们的车、船，飞行器件数字化，路、交通等，城市在数字化，家庭在数字化，工业、车间、电网、机器，乃至货币都在数字化，可以看到物理世界和数字世界形成一对一的影射。过去我们讲数字高速公路，现在真的高速公路也变成数字。
可以看到，由于物理世界数字化，产生的信息量和数据达到了天文级，比如无人车，每个人每天可以产生10个T的数据。另外一个特点就是，现在数据大部分不是给人看，而是让机器做决策，比如无人驾驶。
不像第一代和第二代，我们的生物世界也在进行数字化，大脑、身体，每个器官，甚至包括DNA还有蛋白质，通过脑和世界的接口，这个数据量更大，比我们物理世界更大。这个容量级很难用正常的方式去处理计算。
现在这个世界是信息物理和生物世界的融合，先是数字化，然后连到一起，最后才是智能化。
AI变革带来产业新机遇
5G出现之后，的确带来很多新的可能。5G是第一次把三网真正在应用层统一了，这是一件大事，5G让传输的速度更快、延迟更低。
任何新的技术需要时间，大家要有一些耐心，5G刚刚发展速度就已经很快了，张教授表示相信在未来三到五年5G能够带来巨大的变革，不仅是对用户，更多的是对于工业和产业。
张教授还用两张图举了两个例子，一是百度昆仑芯片路线图，第一代昆仑AI芯片已经达到14nm工艺、2.5D封装、512G的带宽。明年会出来第二代，7nm，耗能减少很多，性能将提高3倍左右。
另外一个例子是地平线自动驾驶芯片的路线图。可以看到，随着Level的提升，规划越来越困难，需要很强的功能，很好的稳定性。地平线在这方面做了很多的工作，芯片不管是从质量、性能、耗能上都和现在的国际芯片(像特斯拉的SSD)达到同样的性能，甚至更好。
我们可以看到，技术的发展确实给IT产业以及很多行业带来了新的机遇。首先IT产业本身是最大的受益者。不管是芯片技术、操作系统、云平台还是应用，都在不断的快速迭代。更重要的是，它改变甚至颠覆了目前的产业，教育、医疗、金融、制造，每个行业都会有AI的成分。
如今的AI就像20年前的互联网，能够融入到每个行业。
再有就是创造新的行业。张亚勤教授认为自动驾驶、工业物联网、AI医疗生物计算，这三个领域很有潜力，他自己也比较有兴趣。
最后，张亚勤提到，希望他成立的智能产业研究院能够成为国际化、智能化、产业化的应用研究机构，能够吸引与培养出有国际视野的CTO和顶级的架构师，并利用核心技术突破孵化出一些新企业。
寻找下一轮AI的突破口;对于产业来讲，深度学习的黄金时代刚刚开始
下面这张图涵盖了人工智能60年上下。可以看到，在左半部分讲到人工智能发展的不同流派，未来最大的可能是借各种流派之长，创造新的一些算法，有逻辑符号也有数据和知识，要借鉴人类的进化，大脑的特点。
现在，不管是做研究的也好，做产业的也好，都在思考下一轮人工智能突破在什么地方，特别是现在深度学习，经过十几年的研究和应用，已经到了一个稳定期。现在主要的发展不仅是靠算法，更多的靠计算的算力。
张亚勤教授认为，在研究方面、算法方面，还有一些可挖掘之处，但是已经到了相对平台期。不过对于产业来讲，深度学习的黄金时代才刚刚开始，还有至少十年的时间可以深入到每个不同的行业里。
他还在演讲中提到，人工智能当下遇到的挑战主要是隐私、数据保护和伦理工作。前段时间，张教授在美国碰到一个小团队在做通用人工智能。他们的主要的任务是创造一个有自主意识的AI。他自己表示坚决反对。
我们再看看最基本的东西，计算和通讯基本的范式。
第一是香农定律，包含三个方面，熵、信道容量和速率编码。定义了三个极限，无损压缩极限，信道传输极限，有损压缩极限。现在这几部分基本上都快接近极限了。
第二个是冯诺伊曼架构，做计算机60年来都采用这个架构。冯诺伊曼架构相当简单和漂亮，就是一个程序储存的原理。但在这几年，特别是在深度学习上已经有了很大的限制。
第三个是摩尔定律，想必这个大家都比较熟悉，原来摩尔定律中提到的每18个月、24个月的发展速度也降下来了。
我们需要突破这三个瓶颈。
要让新的计算体系和通讯架构突破体系架构的限制。深度学习需要新的架构，架构包括数据流、计算模式。深度学习领域需要很多优化，还有高速的储存。这些东西和传统的架构不一样。
