其他
你已经是一个成熟的机器了，可以自学成才了
（本文较长，建议Mark！）
通过上几期的推文，我们了解到某制造业的张总报名学习了微软AI商学院的课程之后，对于企业的数字化转型已经有了一个初步的认知。
但如何从具体的步骤来实现公司转型？张总却犯起了愁：我是个工业企业，费了老鼻子劲给我的机器上装上了传感器，布设了一个我自己基本上不能掌控的网络环境，还花了好大一笔钱，你跟我说我只能实现这样一个其实多雇个机修工就能干完的事儿？还跟我说这是数字化转型？
本期，我们邀请到了微软合作伙伴业务拓展总监 Grace Peng，为大家详细解读什么是自治系统以及怎么用到业务里。
大家好~我是美丽大方温柔善良但一看到在群里发无关广告还不给红包就丧失理智的群主兼主播兼服务生小姐姐兼微软合作伙伴业务拓展总监 Grace。
作为 2020 年的第一场分享，我们当然要说些高瞻远瞩且关注度高的事儿，在所有的小伙伴投票选项中，自治系统（autonomous systems）赢了。
说老实话有点出乎意料，这个词虽然我们确实酝酿了有段时间了，而且根据 Gartner 和微软自己的看法，自治系统将是 2020 年浓墨重彩的一笔（看下面这图中带 autonomous 字样的都是这个范围，请注意这个图是 Emerging Technology，而非单指 IT 或者云计算）
当大家在热衷于聊 5G、AI、区块链、边缘计算等等话题的时候，能拥有这么多沉下心来，关注到这个看上去偏门实际上关系到各行各业未来核心技术话题的小伙伴，想想还有一点小得意呢~
可能还有小伙伴不知道自治系统是什么，别百度了，百度词条写的还是上个世纪的自治系统的定义。
（来自上世纪的词条释义）
其实，自治系统又可以翻译成无监管系统，为了前后统一我们今天都喊自治系统。我们现在所提的自治系统是基于一种称为机器教学的 AI 开发新方法。领域专家可以利用他们的知识来教授机器，而无需数据科学专业知识，通过可解释的预测和安全机制将人类经验不断灌输给机器（或者一个学习的模型），让机器逐渐学会专业知识并对操作环境快速作出类似人类专家的判断的方法。
自治系统其实是自动化的进阶版，和自动化的最大区别是在原来的自动化规则是死的，人不去调整就一成不变，而自治系统是学习人的思维来执行控制，想想就知道在适应多变环境的时候“随机应变”会多么有用，无论是对一台机器，还是对企业的运营，还是产业链的决策判断都是如此。
还是很抽象？没关系，反正接下来我们也会讲到。自治系统中有大量的人工智能应用，从计算机视觉到语义理解到强化学习到知识地图，这些看起来高大上的技术实际会生成什么对企业发展有用的落脚点？跟你又有哪些关系？关注微软 AI 商学院，都会讲到。
AI 商学院是微软在全球联合各大商学院一块推出的一个“线下互动教学与线上课程”双向资源相结合项目，在国内，我们联合清华大学经济管理学院、中欧国际工商学院，长江商学院围绕人工智能战略制定、文化建设、技术部署的各个环节，为未来商业领袖、创新企业、企业高管打造全方位的人工智能商业课程。
- 1 -
回来继续聊自治系统，不过聊起来并不容易，因为涉及的范围很大，非常大，要抽象出来还能说明白不是容易的事儿，所以我想先从一个比较有趣同时又能覆盖 AIoT、IIoT（工业互联网）的词来切入，比如：数字孪生。
我们可能听说过很多次数字孪生这个词，但是大家一直心里有个疑惑到底数字孪生是什么？我们现在做的是不是数字孪生？
我们想象中的数字孪生很可能大都来自世界上第一部 3D 电影《阿凡提》，哦不，是《阿凡达》，所以数字孪生的基本想法应该类似于下面这张图：
反正就是要在人眼前展现出一个很炫的虚拟影像，而这个影像反射了实体世界的无论是机器还是楼宇，这好像就是数字孪生了。
百度百科上有这个词条的最新解释：
Digital Twin 数字孪生：是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。
美国国防部最早提出利用 Digital Twin 技术，用于航空航天飞行器的健康维护与保障。首先在数字空间建立真实飞机的模型，并通过传感器实现与飞机真实状态的完全同步，这样每次飞行后，根据现有情况和过往载荷，及时分析评估是否需要维修，能否承受下次的任务载荷等。
什么？这不是航天飞机？不要在意这些细节，说实话这个词条写得很准确，但很可能只对了一半。我们先看看我们现在在数字孪生这事儿上能做什么了。
现在我们很擅长的是给原来的设备里放个模组，整合设备上的消息然后通过 nb-iot/LoRa 或者 Wifi、4G或者5G把消息传到网关，当然网关很可能还做一些边缘计算的事情，然后在云端做采集，信息传到云端之后呢，可以做云存储、做各种漂亮的分析还有大屏展示。
大屏可好了，花花绿绿的非常炫目而且特别适合领导们视察需要。最后我们给管理员们一个监控面板，可以监控各个设备的运行状况，鸡贼一点的可以放几个 gif 图片表示这个设备正在以什么状况运行，就像这样：
上面这个图来自微软的 Connected Factory，一个利用了微软 Azure IoT Suite 和 Power BI 来演示微软工业互联网云平台初级能力的网站，这个网站已经存在了好几年了，实际上这是一个开源的工具，意思是你从 Github 上扒拉下来改改名字就能成为你的展示工具的那种，顺便提一句——短短几年间微软 Azure IoT 的能力已经从 Nobody 状态进化到了如下图这样↓
远程监控在实际的应用中当然能够起一定的作用，比如管理员可以通过状态面板去“一目了然”地理解到底生产环境中正在发生什么。
如果发现有异常，那么你可以点一下那个小红点点，然后很可能你就能看到此处红点代表的各种关键指标，并且判断是否需要采取进一步的动作，比如关掉机器、降速、派遣维修师傅等。
如果你能进一步用现在比较高级一点的数据能力如 Stream Analytics（流式分析），或者基于时序的分析那很可能还能分析出问题的出现的时间点，以及当时的环境，帮助你理解你的生产环境或者设备到底因为什么出了问题。
你看，还是有一定帮助的。
我是个做芯片的天天琢磨流片到底能不能成你让我考虑这个？我是个做模组的你让我去考虑这个？我是个做边缘计算网关的你让我想这个？我是个运营商做通道的你让我想这个？我是个做ERP的我连你能接什么设备都不知道ERP里也没有电流电压这个数据项你让我想这个？
我是个做平台的你让我…
从最终使用方来说，例如我是个工业企业，我费了老鼻子劲给我的机器上装上了传感器，布设了一个我自己基本上不能掌控的网络环境，还花了好大一笔钱，你跟我说我只能实现这样一个其实多雇个机修工就能干完的事儿？还跟我说这是数字化转型？
不不不，不止这些，你看上面词条里其实隐晦地说了一个用处，叫“预测性维护”…
可这还不是机修工干的活么？况且有几个真的敢拍着胸口说我可以靠这个数字世界的映射，或者现有的数据和工具就已经能实现各种白皮书中所描述的预测性维护了？目前的预测性维护还处在很初级的阶段，简单地说就是在 4S 店跟你说的保养时间和你故障灯亮起来才去保养之间去找一个折中点，至于这个折中点在哪……
这是一个自我拷问的过程，不管是面对工业企业，还是自己就是企业，都必须要思考。
- 2 -
我们来尝试思考这个问题，先一起来看一家汽车企业。
汽车是今年大家都知道日子不太好过的一个产业，扩大产能？不存在的！
可是有一家车企不仅大张旗鼓建了新的生产基地，而且神奇地逆势而上?!
连他家的股票都涨了两百多块...美元。从结果倒推原因，特斯拉在这个阶段必然做对了很多事情，我们挑其中两件来启发一下自己。
第一叫数字化反馈闭环，这个词我生造的，英文叫 “Digital Feedback Loop”，说白了很简单：就是从产品的传感器中获得数据后，加以分析并尝试对产品进行改进。这个改进有可能是下一代产品的修正，也可能是像特斯拉一样在线的OTA（滑稽.gif）。
比如 2018 年有这么个新闻：
意思是你这车刹车不行卖给群众不是给人添堵吗？
过几天《消费者报告》又报告了：
然后特斯拉当天股价就涨了2.8%。
这就是数字化反馈闭环的力量，但又不完全是，特斯拉的物联网化程度很高这大家都知道，而一台车的复杂度可不是把“刹车距离调短”这么简单，你还需要进行模拟、测试、预测用户各种行为，再测试，再模拟各种地貌，再测试，要在这么短的时间里对一台已经在量产的车进行升级是一个系统工程，光想想就头疼，更何况要在这么短的时间里做出“正确”的技术升级决策。
这里就要提特斯拉另外一个大杀器了，也就是他们做对的另外一件事——OpenAI。
OpenAI成立于2015年，由特斯拉与SpaceX创始人埃隆·马斯克和SamAltman(硅谷最大创业孵化器Y Combinator的前CEO)决定共同资助创建，是一家非营利组织，设想是要借助这个机构的力量打造AGI（通用人工智能），也就是一个像人类一样灵活且普遍智能的人工智能系统 。
下面这这个游戏叫“OpenAI躲猫猫”，先给了小红人一个目标：你得抓住小蓝人；而小蓝人的任务是你别被小红人抓住，你看，多质朴且可爱。
教授人工智能的一开始，你会感觉Ta们会的东西真简单，比如这个游戏开始的时候。
AI们完全不知道自己能做什么和该干什么，只是出于“本能”的逃跑和追逐。
但当轮回了2500万次后，小蓝人学会了通过移动箱子，建造庇护所，来保护自己并不被发现。是的，2500万次！但背后支撑 OpenAI 的 Microsoft Azure 完成这段学习的时间，只需要人类数清楚2500万有多少个零的时间，当你数清楚零了，小红人和小蓝人就都拥有这样的智能了。
当然这离智能还有好远的距离。于是强化学习继续帮助红蓝双方提升：如果做对了，给你奖励，如果做错了，就惩罚，促使双方不断摸索“对的”路径，也就是强化学习（reinforcement learning）
比如当蓝色小人发现红色小人会借助途中的三角块来翻墙抓自己的时候，一开始就干脆把三角块都给藏在自己小房子里好了。
小红人也会进化啊，他们开始学会跳到盒子上，空降抓小蓝人，是不是很惊悚！
做到这一步其实人工智能小人儿也不容易，他们只用了…大概几亿次模拟吧。特斯拉就是这样运用了大量的人工智能，不仅不断地尝试自动驾驶，而且对于刚才提到的数字化反馈闭环提供了极其有效的模拟测试。
这是我们今天的第一个论断：
1. 人工智能短期内要学会人发散思维怕是没着落，但是让他们在一定规则下学会某个专业方向的思考能力，或者接近学习目标是可能的。
正是因为人工智能有了一定的能力来学习在一定规则下找到答案的能力，这个能力和人类这种高级智慧生物数千年摸索的能力方向类似，只是快一万倍，甚至一亿倍，而这个能力是我们接下来要理解“自治系统”所必须的。
- 3 -
再来看一个例子：比如在矿井里搜寻一个特定物体，或者人，你说这事儿不简单么，打上手电下去找呗，可如果矿井里现在满是一氧化碳、二氧化硫呢？矿井已经注水或者布满了粉尘你根本下不去呢？怎么快速定位所需寻找的待搜救人员呢？
好吧我们派机器人下去，可机器人下井要么依赖的还是遥控的人（这条路其实不怎么通，原因是在视觉屏幕上人的视野极其有限）；要么就要自力更生，做一个能快速综合各种气体温度传感器信息和视觉、声音传感器的信息作出判断并能提供地面搜救团队预判意见的机器人。
你看到这里肯定知道第二种机器人更像是选择题的标准答案，其实也不尽然，因为我们不会因为可能要下井救人就屯一堆机器人在井下，没事儿就让他们去跑2000万次模拟实验，太不经济了。那有没有一个像 OpenAI 一样可以给出一个虚拟环境，让人工智能在这个虚拟环境中自己学习…个 2000 万次并找出各种环境下最佳搜索路径的方法呢？
有啊，AirSim！👇https://github.com/Microsoft/AirSim
这个过程如下面这四张图所示。简单解释一下这些图，假设我们有个井道，先去拍一圈井道，当然井道里还有传感器就更好了（通常是有的），然后 AirSim 就开始绘制井道，也就是数字化（也就是之前说的我们擅长做的事）：把物理世界用技术手段映射到虚拟世界中。
绘制好井道，AirSim 就该开始给你递扳手钳子了，来，你想怎么改？上一氧化碳？来咯！客官您要的“尊享版”一氧化碳。不够？要看看如果发生塌方会变成什么样子？来，给你调调粉尘浓度，还看得见？那再调调，有内味儿了没？
什么？你眼睛快看瞎啦干不下去了？早说啊，让 AirSim 召唤个机器人来模拟你啊，只要给TA算法，给TA一些限制条件（如坑道高度限制别撞头或者见到水坑要绕着走之类），有事儿没事儿给点儿指导，TA就像特斯拉的 OpenAI 一样铆足了劲儿的玩，直到人类玩家在复盘之后告诉他够了够了，人可以救出来了。
而且当TA掌握了一定的躲避、寻找的技能之后，TA能比人快无数倍地对突发情况做出反应（想想你们碾压人类宗师的机器人五竹叔），比如坑道前方四十米处又发生了一次垮塌，搜救人员如果在坑道里面肯定是不知道发生什么以及如何及时预判前进道路中的风险的，可机器人知道啊，TA脑子里有各种传感器给的实时数据呢，他很可能比人能做出更正确的选择。
因为这是虚拟机器人，你不需要囤货，而是一旦有需要，把你之前训练好的坑道搜救模型交给赶来救援的机器人就好了。
当然这里面还涉及到救援机器人怎样能理解你训练的模型的问题，这属于耦合的范畴，这个方面今天我们不深入，有兴趣就继续关注微软AI商学院，以及一本即将写完的书《重新定义工业革命》。
我们当然还可以用这种虚拟的机器人帮我们干很多事，比如寻路，下面有个链接，有兴趣的可以去跑一跑：https://github.com/microsoft/AirSim-NeurIPS2019-Drone-Racing
微软虽然不知道你要干嘛，但是扳手啊钳子啊 3D 打印机什么的我都给你准备好，比如 AirSim 的界面大概长这样：
真的和打游戏一样啊，如果你今天要实验一下你的车在某一个地形上从A点到B点最快的路径，同时又不会撞到人也不会翻车的话，拍下这片地形，然后通过 AirSim 模拟出来，最后放一辆虚拟小车上去跑就行了。
你可以选择像玩赛车游戏一样自己操控小车跑几次，哪里注意要刹车以免翻车，哪里需要避开障碍或者大坑你肯定知道，你一边玩，AI 就在后面默默掏出小本本记下来。当然你如果不想自己开，你也可以给定一个算法，让 TA 自己摸索去。
AirSim 作为一个让机器来模拟和学习人的思维模式的工具，能做的事情还有很多。比如我之前特别想学摄影，拍个大片儿什么的，学习的方法当然是看很多别人拍摄的角度、构图，然后慢慢琢磨：
如果我有个摄像机器人，同时我让我的机器人学习很多大师的拍摄构图技术之后，不用我动手 TA 也能照着我想象的路径来拍摄了。
而且在下图的示例中， AirSim 本来是让无人机在演员左侧拍摄的，由于左侧被房子占据，无人机就先绕开房子，等演员转了弯之后再自动切换回左侧拍摄，使最终素材保持流畅和美观，让观众满意。
无人机轨迹以红色显示，演员运动轨迹以蓝色显示，所需镜头参考显示为绿色。
UAV 最初在开放字段中以 t = 0 进行左侧拍摄，但当出现一行树时，它会切换到 t = 12s 的背面拍摄。当树线之间出现开口时，无人机在 t = 27s 时再次选择左侧拍摄，当间隙结束时，模块再次选择回到左侧。如果教得好，TA还会预判演员的行进路线，提前预判摄影机的走位。
这里我打算突然地插播一条广告：如果你想知道更多像 AirSim 这种很好用但微软不太会吹的好工具的话，欢迎关注这个公众号：
- 4 -听到这里是不是已经有点忘记我们一开始在讲什么了？所以我们要往回收收，说了这么大一堆，和之前说的自治系统啊数字孪生啊有什么关系？
上面几个例子其实引出了我们今天的第二个论断：
2. 人类已经掌握了一套教会机器自学成才的教学方法了！
让机器人无限接近于人的确是自治系统现在所追求的目标，而这个目标可以说在部分场景下已经实现了：让我们的机器人像人类一样有能力思考，相当于给机器装上了个可以自主学习的大脑，可以通过现场的状况作出判断而不是硬生生的按照事先设定的程序一条道走到黑，简直就是对明朝大哲人王阳明“格物致知”的新诠释：
1.让机器学会做笔记，一边观察和学习人对环境、设备做出响应的方式，记下来，当人类老师在操作的时候还暗中观察事物的变化，也记下来，是为格物致知。
2. 让机器学会摸索规律的方法，比如记录下来的可能是一堆不知所云的点点，但是你眯着眼睛一看，哦，这规律应该是条直线啊，一元一次方程即可表达：
再复杂一点，比如下面这个，你可能也看出来了，这不就是一元二次方程的曲线嘛，也能找到规律。
更复杂的点阵呢？比如一段拟合 10 元 6 次的曲线呢，你就想象不出来了，但是机器能啊，TA 不靠肉眼来看，而是靠心算，TA 见过几百万种表达式，人看起来是一堆乱七八糟的点在AI眼里就很可能找到规律，并开始琢磨下一个点如果按照这个规律会出现在哪里。
当数字孪生或者其他物联网中的数据被传递回来后，AI就开始琢磨：“哦，你看我猜对了吧，或者哦，猜错了，原来不是 10 元 6 次曲线，是 10 元 7 次更符合一点，那我改改，看看下一次是不是更准。”你想想，物联网系统一天能传回来多少数据，机器的大脑就能做多少次规律的摸索，直到趋近于正确的答案。
下面这两张图就模拟了机器大脑自学的过程：
你看，上图是第一次迭代的时候，光看这凸起的姿势就知道结果不怎么地，但我们刚刚说了机器会自动学习并修正自己的预测，于是十次之后就变成了下图这样，误差越来越小了对不，你再继续做下去的话误差还会更小。
3. 有了规律后我们给机器一堆条件，让 TA 自己在脑子里模拟“If…Then…”的过程，通过模拟数据的变化来推测就成为了可能，而这个推测+验证的过程还可以不断自我修正。
- 5 -那么教会机器像人一样思考有什么用呢？
刚才咱们已经举了不少例子，如果还没有启动你触类旁通的按钮那就再说一个好了。
假设你要钻个油井，钻井啊其实跟云南赌石有点像，一方面要看经验，另一方面也看运气，两者可能交替着来。有可能这一钻子下去，发达了，刚钻 3000 米发现了一个 10 亿吨级大油田，但是也有可能你钻下去 10 公里了还是突突突的岩石。
这里面老师傅的经验可就太值钱了：什么岩层用什么材质的钻头，用什么结构的钻头、钻速、下钻深度…
不过老师傅们懂啊，原来钻的过程和采油的过程都是靠他们的经验，你看，如果有刚刚我们提到的自治系统，老师傅们的宝贵经验就可以被学习，并且加入新的维度——传感器的实时分析，来综合理解井下几千米正在发生的情况。
而在这个过程中自治系统会自己脑补出来这些数据所代表的规律，如下面这张图。
这还会得到另外一个意料之外的收获：异常分析。因为既然有了规律，那我当然就能画出大概的区间，形成机器脑子里的“常识”，如果数字孪生的数据回路出现了在之前脑子里装的常识以外的数据，那我就得标注个异常。
可不要小看这异常检测，这起码赋予了我们三个方向的能力：第一、预测下一个点在什么范围内；第二、知道下一个点不应该出现在什么范围内；第三、如果一个点不在我们圈定的范围内，一定是哪里出问题了，得赶紧查！
- 6 -而要让机器获得自治系统这样的能力，有三个层面的综合运用缺一不可：物联网、人工智能和机器教学。
物联网和人工智能我们默认各位都很了解了，这里最不好融入的就是 Domain Experts——领域专家。因为一个行业或领域业务上的专家原本大多是不懂物联网或者人工智能的，所以在设计架构的时候他们就插不上话。
但这很危险，本来咱们说好的数字孪生就是为了业务领域服务的，如果他们不插话做出来我说能用你敢信？
微软说那我也不能负责给领域专家都教会 IoT 和 AI 啊，要不这么着，我反过来，我做一些让领域专家们教机器的工具，也就是帮他们养徒弟，不懂这些AI啊技术啊什么的原理也行。
于是微软就去集合 IoT+ 人工智能的前端，以及采集的数据来记录分析领域专家天天都在干什么、做了这些事后整个系统有什么反馈，然后再去问专家们对不对，这样就能在某个特定领域里实现目标。
这个图里虽然只有三个角，但实际上让一个系统学会人的思考方式还是很不容易的，因为一个人类“领域专家”做起来很容易的事儿让机器学会却要大费周章。
比如今天我们要训练叉车系统在仓库里能自动把一个箱子搬到另一个位置并放好，你如果是仓管员的话可能都不带想的，但是对机器来说变量太多，动作也太多了：要寻址、要定位、要对齐、要判断负载、要……这简直是把研究生考试题摆在一个小学生面前，机器会觉得你是不是没有见过机器人懵逼到冒烟啊？那我冒一个给你看看啊？
所以一个相当复杂的自治任务，应该分解为许多更简单的概念，如导航到负载、与负载对齐、拾取负载、检测其他参与者和叉车、适当制动、监控和保持电池电量充足等等。这种复杂自治任务的分解有助于单独概念的学习，而且由此产生的模块化还使由此产生的自治具有透明度和可调试性。
熟悉我们的IT兽们一定又一次想到了我们常说的一个词：“解耦”，是的，如果一开始就让一年级小盆友用拉格朗日中值定理去证明一个不等式是不科学的：
所以我们必须知道，如何使用户能够快速表达和快速训练分解是快速设计和构建自治系统的关键因素。
之前我们的自动控制系统就像是在死记硬背，而今天跟各位讲的自治系统就是从原理和推导过程开始教会机器像学生一样学习，只是机器学习不用 12 年，可能只需要一年、一个月甚至一周就能在某一个领域里，学会并接近这个领域最牛的专家解题的方法…而且是稳定地发挥考试手不抖的那种。
所以微软开始悄悄地把第四次工业革命的图改成了下面这种，虽然我们不太好真的总结出四次工业革命最具代表性的发明（其实前三个还是清楚的，但是目前提到的第四次那些技术实在是还不太能与前三个并列），但是我们却可以把四次工业革命中对于“工业”这个词最核心的变化能提炼出来。
- 7 -最后我还想提醒一个事儿——数据质量。
自治系统根本上是一个 AI 系统，所以强烈依赖数据来训练自己，你可以设想一下如果你上学时刷雅思题，刷了一百道，但是你的参考答案都是错的或者根本无关的，你会不会说我还不如不刷？是的，比不刷还糟糕，因为这会误导自治系统的算法。因此咱必须对纳入题库的题和参考答案进行校正，也就是提高数据的质量，然后再给机器人去学习。
但提高数据质量很不容易。你看过一个系统导出的数据就知道，有一些我们训练需要的列部分缺失，空白的你怎么办？一个系统里有一个叫 Microsoft 的，另一个系统里有一个叫微软的，他们是不是指代一家公司？更何况我们经常面对从多个系统中去导入训练数据的情况。
所以虽然微软给了机器教学的工具，还提供了模拟器，但是一开始你还是得花大量的人力物力去清理你在没做这种项目之前想都没想过的数据清洗工作。
如果你觉得太麻烦不想自己做，那这里推荐给你一家微软的合作伙伴，他们可以自动化地八九不离十地帮你做好数据清洗的工作，工作原理及联系人二维码都在下图里：
这个广告依然很突兀，但是我们还是继续不要在意这些细节了。
再说回到大概 10 分钟前提到的车企们的苦日子，你明明知道明年日子不好过，造出来的车会卖不出去，市场就那么大，为什么大家还死守着造车呢？这其实不仅涉及车企，很多企业、行业、地区经济的发展都是这样，到了一定体量之后就很难突破自己，好听地讲是行业优势，难听讲是历史包袱，要突破自己必须要有给力的顶层战略，而且这个战略还必须是对的，最好是像微软这种五年股价翻五番的那种。
但像萨提亚这种成功了的“老师傅”毕竟少数，那自治系统的学习方法是否可以用在企业的未来战略选项中呢？
这个我们也不敢打保票，但是思考方向有可能是对的，我们将在微软AI商学院下一期里继续和各位讨论这个话题，或者是关注《….然鹅名字没定但是可能就叫重新定义工业革命吧我不知道我瞎说的据说里面照旧有很多植入广告但是你还是想看》这本书。
好了，今天我们就聊到这里，自治系统我们算是说了一半了...是的，9000 字之后我们也才最多说了一半。
- 特别鸣谢 - 上海以朴、深圳四点零咨询与我们一起做过的研究；科技大拿朱成凯、中山大学吴晨康同学对微软语义理解技术的研究成果和英国曼彻斯特大学的张梓杰对 Bonsai 的研究。
好了，以上就是本期关于自治系统的解读，还没看过瘾？没事儿！下期咱们接着唠~您的企业会不会引用自治系统？在业务方面，使用自治系统会获得怎样的提升？接下来您还想看哪些有关企业自治系统方面的解读？欢迎留言与我们讨论。
推荐阅读