你的工作必将被人工智能改变，想参与AI浪潮，该如何准备？

本文是科研圈科研职业发展直播系列节目第四期“想投身AI领域，你的机会在那里？”直播现场的文字实录。本期主播为：

黄鼎隆  码隆科技联合创始人/CEO、清华大学人机交互博士
Matt Scott  码隆科技联合创始人/CTO、前微软高级研发主管

| 写在前面 |

面对人工智能浪潮，有人恐惧，有人兴奋。人工智能是否会颠覆你所在的行业或领域？不同学科背景的人如何加入这场浪潮？需要做哪些知识和技能上的储备？人工智能目前最大的机会在哪里？优秀的人工智能产品和优秀的人工智能公司，需要具备哪些基因？人类的职业未来会不会被人工智能所替代？

针对以上问题，国内计算机视觉领域第一梯队的创业公司——码隆科技的两位人工智能专家，CEO 黄鼎隆博士，CTO Matt Scott 应“科研圈”（《科学美国人》中文版《环球科学》旗下学术传播平台）之邀于8月11日晚间做客直播间，与科研圈读者展开了深入的交流与互动。

本次直播主要从以下话题展开：

· 人工智能行业的机会属于什么样的人？

· 人工智能正在改变哪些行业？

· 人工智能技术最值得关注的是什么？未来将如何发展？

· 优秀的人工智能公司，或者成功的人工智能产品，具有哪些特质？

直播录像观看地址：

https://vmobile.douyu.com/show/za4Jj7ldR067Dk01

人工智能行业的机会属于什么样的人？

黄鼎隆（左）与Matt Scott（右）在科研圈直播间。码隆科技在刚刚结束的 CVPR（Conference on Computer Vision and Pattern Recognition, IEEE 国际计算机视觉与模式识别会议，计算机视觉领域三大顶级学术会议之一）上斩获了计算机视觉世界竞赛 WebVision 大赛冠军；码隆在此前参与的所有业内比赛中都获得冠军，被媒体誉为“冠军收割机”。

目前人工智能领域最牛的人是谁？

黄鼎隆：这是一个好问题。我可以在产品这个层面分享我的观点。我去 CVPR 之前，其实也没有想到这个问题的答案，可在 CVPR 之后突然间脑海中冒出一个答案：我认为李飞飞教授就是过去这十年间整个人工智能领域最成功的产品经理，尽管她此前的头衔基本都是和研究、算法相关，没有直接跟“产品经理”挂钩。

为什么呢？首先，她定义清楚了人工智能的问题。原来大家对人工智能有很多美好的畅想，可是她第一次把这个问题定义都很清楚，启动了 ImageNet 项目，做图像分类。这是非常可量化的一个具体的问题。她定义清楚这个问题之后，就把解决这个问题所需要的资源，也就是海量的标注过后的数据，通过她的方式准备好了，这个数据对于解决这个问题至关重要。加下来她通过各种方式，包括学术资源、比赛，使得全世界最聪明的一些人都来解决她的问题。我们看到这么多年，参加 ImageNet 的有学术界的大牛，也有工业界的大牛。

更重要的是，最后她把这个问题解决了，最后 ImageNet 里面，计算机对于图像的分类能力是超过了人。所以她既定义清楚了问题，又能够把资源聚合起来，最后还把问题解决了。那我认为这个就是一个最成功的产品经理的特质。

不同领域的人，如何能在人工智能浪潮中找到自己的位置？

黄鼎隆：我知道今天很多听众来这里可能会关心自己如何去投身到人工智能的大潮。人工智能接下来发展的一个焦点，就是弄清人工智能应该去解决各个行业里的什么问题。定义这个问题本身，就是要把人工智能的技术了解清楚，并且把它跟一个行业的实际情况结合起来，这是非常重要的事情。定义清楚问题之后，想办法把相应的资源聚合起来，最后能够把这个问题解决掉，那么这个人或者这一批人，就会成为接下来这几年人工智能浪潮中最成功的一些人。

这样的人当然会需要有很强的技术背景，可是他/她也许不一定要非常懂得人工智能技术，而是要懂得人工智能技术的边界在哪里，还要非常清楚地了解每个行业具体的问题，另外还要有资源聚合的能力、有沟通协调的能力，最终把问题解决。所以说，这样的人我认为会是接下来在整个人工智能行业里面非常需要的人。

如果你需要这个相应的技术，也可以来找我们，或者说你就带着问题来，加入码隆，我们一起去解决这样的问题。最终我们可以一起真的帮到这个行业，让他们的效率有一个上百倍的提升，那么我们可能就会成为人工智能这个浪潮里很成功的一份子。

其实我本身不是计算机专业的，我是学的工业工程，研究生阶段是在工业方面和人机交互的方向，这对我从事人工智能行业反而是一种助力。比如我最近跟建筑系的师兄师姐们交流，他们提出了一个很好的问题，说建筑这个领域怎么跟人工智能结合起来。这就是一种新的挑战和机会，有一个很好的问题，然后再找到相应的一些人工智能的技术，然后把这个问题解决了。可以说，不只是技术，对行业的理解和切入也是非常重要的。

作为传统的工科学生，想参与到人工智能行业中，应该去学习什么？

Matt：深度学习应该是整个计算机领域最火热的一个领域，要从事这方面的职业的话，首先要有数学基础，然后就是计算机，以及跟计算机视觉相关的基础，当然也不仅仅是这些，还有自然语言处理等技术，相信大家只要去网络搜索就可以找到很多相关的课程，现在有很多世界知名学府，其实是会把这个课程公开出来的。

如果想学计算机视觉的话，应该学什么？

Matt：Ian Goodfellow 写了一本书叫做《深度学习》（Deep Learning），在CVPR 会议期间，这本书的中文版正式发售了，我觉得这本书是现在最好的入门资料。

人工智能行业的公司，是不是女生特别少？在你们公司是不是也这样？

Matt：我们公司员工性别比例是很健康的。30%以上的员工是女性，而且分布在各个部门，包括研发团队、商务团队都有女生。看起来真的是越来越多的女性其实也投身在 AI 这个行业。

黄鼎隆：我们除了“冠军收割机”之外还有一个称号，叫做“东半球颜值最高的人工智能”公司，很多我们的女同事贡献了这个颜值。

人工智能正在改变哪些行业？

人工智能到底有哪些真正能够落地的商业应用？

黄鼎隆：现在 AI 落地到哪里，是当前业界大家最关心的问题。不同的公司会去切入不同的领域，比方说有人会去切自动驾驶，有人会切到安防，有人会切到医疗等。码隆科技本身是做商品识别的，就是我们专门去让人工智能去识别出各种各样的商品，以及这个商品背后的各种各样的属性。

拿医疗来举例子，已经有很多公司在做这个人工智能和医疗诊断的结合，其实码隆现在在做的商品识别，跟医疗影像有一些类似的地方。我们给一个衣服的图片打上各种各样的标签，而医疗诊断，是你给他一个医疗图片——比如说一个胸腔的 X 光片，然后打上各种各样的标签，比如哪里的清晰度不够、哪里是有异常的，这里可能是有疑似肺癌，或者说没问题，等等。

对于计算机来说，给衣服打标签和给 X 光片打标签，是一个类似的任务，本质上都是把过去积累的、已经标注好的一些数据（医疗影像数据，以及医生针对历史诊断结果保留的数据），作为训练的数据输入到 AI 的系统，让它去学习中间的规律，然后以后做出类似人类的诊断。

主持人：这个事情做起来其实是非常伟大的，因为其实不管在哪个国家，医疗资源都非常有限，这个事情能够做成的话，对人类是一个非常重大的贡献。

黄鼎隆：是的，包括我在 G20 峰会上有个演讲，也是有这样的一个观点跟大家来分享，就是其实不是每个国家都能够发展人工智能，但每个国家都有他们的传统产业，比如说医生就是每个国家都需要的。像发达国家，恰恰本身医疗就很发达，但在第三世界国家，本身医疗资源很匮乏，即便拍 X 光片都没有一个足够有经验的医生去做诊断，如果这个时候人工智能做这个事情，那这是一件会惠及很多人的事情。

哪些行业会被人工智能所改变，哪些行业不会？

黄鼎隆：我经常会被问到这个问题，我觉得如果是再过几年，这个问题会变成，还有什么行业不会被人工智能改变？因为在我看来是没有，所有的行业都会被人工智能所影响、所改变。因为人工智能是一种基础的能力，就好像电能一样，现在你有任何行业是不需要用到电的吗？几乎没有。我觉得人工智能也是这样。

Matt：人工智能革命会带来很多的变化，很多传统的职业机会都会升级，并不是说很多岗位一定会被 AI 取代而消失，而是我们要去参与进一种新的经济形态。这里就会出现更多和机器人相关的任务和技术，除了软件，还有和硬件有关的工程领域，还有和数据相关的，收集、组织、标记数据，处理数据等等。AI 革命也会催生另一种金融生态。

AI 实际上的目的还是够让各个行业都变得更高效、更卓越，那其实是一群聪明的人在一起解决问题。

中国和美国的人工智能现在的水平是一个什么样对比？

Matt：作为在中国的一个从事人工智能的美国人，我认为其实这中间有一个误解，我觉得中国和美国在人工智能这个行业其实不是竞争的关系，更多是协作的关系，我们去参加 CVPR 的时候也会看到，人工智能是一个有分享精神的行业。中国现在在人工智能行业发表的论文，包括被引用的次数，都很不错，而且最近也看到了相应的数据，说中国在AI这个领域的专利超过了美国。

这次 CVPR 的时候，我们还看到很多的中国企业作为大会的赞助商，也有很多来自于中国的论文。中国绝对是一个特别火的 AI 的市场，这就是为什么我会在中国来做人工智能的原因。

黄鼎隆：我觉得我们这个组合就是一个很好的证明，我们就是一个中美协作的典范，我们是一个总部在中国的公司，可是我们同时也会把市场拓展到全球、我们帮中国的产业去提升，同时也会帮美国、帮欧洲、帮东南亚各个国家去提升他们的产业。所以说本身现在整个科技发展的趋势就是越来越全球化。人工智能后面是需要数据去驱动，数据是越多样、量越大越好。所以如果一个公司越能够去全球化运作这个事情，它的发展速度也就越快，所以说我觉得这确实是一个协作多于竞争的领域。

之前的互联网和如今的 AI 相比，看起来有一些共性。现在人工智能行业的投资有没有泡沫？

黄鼎隆：我认为是有泡沫的，因为所有被大家高度认可的事情都是会有泡沫的。被高度认可，就意味着很多资源会往里面涌，那么当资源涌进来比较拥挤的时候就会产生泡沫。

可是我认为有没有泡沫其实不重要，重要的是在泡沫下面是不是真的有非常美味的啤酒，我也是很确定地认为是有的。因为人工智能是实实在在地可以发挥作用，可以跟各个产业结合，去提升它们的效率。这个从我们自己的一些产品的案例里就可以看到，我们的客户在把人工智能植入到他们的整个产品里面，很显著地能够提升收入、节省成本，然后效率有上百倍的提升。技术只要它真的能够帮助各个产业去提升效率，我觉得就不用担心它是不是有泡沫，因为它有真正的价值。

人工智能技术最值得关注的是什么？未来将如何发展？

人工智能的定义是什么？到什么级别的智能就算是人工智能？

Matt： 人工智能这个术语变得有点过热了，和“大数据”的概念其实也是一样。学术上的定义我们在很容易查到，不过一般我们谈到人工智能的时候，实际指的是机器学习领域，特别是深度学习。事实上，现在驱动人工智能革命的就是深度学习。学术上的人工智能有很多种实现方法，深度学习是其中一种非常有效率的方法。

从人工智能的级别来讲，我们在电影上看到都是那种通用人工智能，电脑可以自己看电视、读书，不需要人类介入，自己就可以学习，是一种无监督的学习。但实际上在在现在所能够达到的更多还是一种更窄的学习。这些学习是基于任务的，即基于人类给定一个特定的问题来学习或者训练一个模式。

黄鼎隆：现阶段的人工智能都应该叫做弱人工智能（Narrow AI），是指能够在某一个特定的领域，解决一个特定的问题。而人可以触类旁通，一个人是可以具有多样的技能，可是现在的人工智能就只能解决一个问题，比如AlphaGo很厉害，可是它就能下围棋，然后比如刚才提到这个医疗影像，也就只能解决这一个问题。所以现在的人工智能呢，就是针对一个具体的问题来发挥功能，甚至超越以前人才能够做到的这个事情，可都是在一个具体的任务上面。现在的人工智能还做不到一个通用的人工智能。

怎么区分人工智能和自动化，还有大数据？

黄鼎隆：大数据和人工智能是密不可分的，没有大数据，人工智能完全行不通。如果把人工智能看成是一辆车的话，大数据就是油。之所以人工智能这几年有一个大的突破，和这么多年，互联网发展积累了这么多的数据，有密切关系。

这只是一个方面，另外有一面是人工智能的发展，反过来又可以挖掘出更多的数据。比方说像我们现在通过一些时尚的数据开发人工智能，可以识别出这个图片里面的时尚元素，然后用这个技术又可以把每天产生的更多的时尚图片里面的时尚元素提取出来，又可以产生更多的这个数据，所以它是一个相辅相成的有关系。

当前已经商业化的这个应用，都是严重的依赖这个监督标签，那么未来无监督的突破，是不是未来人工智能破冰的一个关键？那当前无监督的重要进展有哪些值得期待？

黄鼎隆：这个问题分为两个阶段：现在AI的状态，和未来AI的趋势。

人工智能能够取得现在的成就，的确是依赖了过去很多监督的学习。看 ImageNet ，所有的数据集都是监督的数据。确实是有一个趋势的问题，现在和未来之间其实有一个中间点，叫做半监督学习。无监督学习是一个很美好的未来，就是不需要对数据进行任何的标注，理论上一个电脑在那看着电视，就可以学会各种各样的东西，那这是一个很美好的未来，可是现在还没有一个技术路径，我们还不知道怎么可以实现到那一步。

那在之前，可以大量去应用的叫半监督学习，我们依然是需要标注过的数据，只是这个数据是不需要人工去标注的。比如说互联网上其实含有大量的这些数据，因为现在互联网它的信息是相关联的，比如说你张图片周围的的文本，包含了一些对这个图片的描述。

可是这个标注不那么准确，我们如果能够把这部分数据利用上的话，其实现阶段已经可以解决很大的问题了，就是用的半监督的学习方式。我们这次去参加 WebVision 也是用的半监督学习方式。

Matt：我进一步阐述下现在半监督学习可以解决什么样的问题。我们现在面临一个情况，其实我们是有很多数据的，只是说数据带噪音。那半监督学习可以把带噪音的数据也用来训练人工智能的模型。

你可以把它类比成说，我们人要喝水，现在是要喝100%的纯净水。目前我们外面只有一片海，有大量的海水，可是这个海水你是不能拿来喝的，因为它里面有盐分。那如果我们有一个技术，使得海水也可以喝，那这个时候，是不是水资源缺少得问题就大大的被解决了？半监督学习就可以类比成这样的一个方式。虽然说我们还没有到未来的某一步，也许在遥远的未来，人不喝水也可以，那终极水资源的问题可以彻底解决。现在如果半监督使得海水可以喝，那么就可以解决很多实际问题了。

优秀的人工智能公司，或者成功的人工智能产品，需要具有哪些特质？

一个优秀的人工智能公司应该具有哪些特质？码隆科技被媒体称为“冠军收割机”，参与的所有的比赛都得了冠军，这中间有什么秘密？

Matt：我觉得有两个关键的因素，第一个因素就是人，AI是一个人才驱动的产业。除了才华和才智外，其实还有很多其他的要素可以定义“人才”，比如态度，要有耐心，还要勤奋。

第二就是企业的文化。首先是协作。单个的人才也不足以驱动一个产业，而是要有协作非常好的团队才行。这听起来很容易，做起来的时候其实挺难的。文化的另一个方面是创新、开放：创新需要冒风险，对失败要有包容性；创新不是体现在某一个团队，而是整个公司都要有这种创新文化。关于文化的最后一方面、也是最重要的，还有诚信。

黄鼎龙：我们的文化中还有很重要的一点，就是必胜之心。这个事情只要我们做了，就一定要做到最好，这个比赛只要参加了，就要拿冠军。这很重要。

很多比赛，如果你有实力，通常你可以进八强、四强还有最后的决赛，可能否得到冠军，永远有很多随机的因素，得冠军是不容易的。其实很多时候，当竞争到了白热化的时候，很多人会有心理安慰，友谊第一、比赛第二，我参与了就好了，就会放松。可当你有一颗冠军的心，你就会说，不行，这个比赛我只要参加，哪怕现在有很多的困难，我就要拿冠军。既然这个事情做了，就要做到最好。

市场上有很多做人工智能的公司，尤其是旷视科技、商汤科技，其实这几家公司也都是在做图像识别，那么应用场景和技术跟码隆是有一定的相似性，而且他们在资本市场表现的资本能力是更强的。码隆怎么来抢夺市场呢？

黄鼎隆：首先我们是切入到一个不同的点，我们是做商品识别，切入到各种不同商品的整个供应链里面，所以说我们会跟各个实体产业有一个更深的结合，可能其他的很多视觉公司是在做人脸识别，人脸识别可能主要的应用会在安防或者说金融。那么首先，我们选择的这个方向和赛道是一个不太一样的，虽然大方向也还都是深度学习计算机视觉。

另外，我们团队其实有一个特点：我们是一个产品基因特别强的团队。可能很多团队，做研究的出身比较多，我们是一直做产品的，比如说 Matt 和我以前在微软就是一对黄金搭档，我们在微软一起推出了或许微软在亚洲本土原生最成功的一个互联网产品，叫做“英库Engkoo”，后来变成“必应词典”，而且推出来以后获取了很好的流量，实现了商业变现，是一个成功的产品，所以我们是用产品的方法解决实际的产业的问题的团队，这是我们的优势。

Matt：市场上有优秀的竞争者是非常好的事情，这个世界很小，这些公司其实是我们的友商。AI 能做的事情非常多，市场非常大，大家不见得是在同一个领域，即便在同一个领域，蛋糕也是相当大的。

从融资的角度看，也要把团队人均价值作为一个重要的考量，不管是在中国还是海外，以码隆现在人员的规模得到的资本都非常有竞争力。我们的成长率，我们的估值，现在都是在飞速上升。

人工智能产品获得成功的关键，或者是要求有哪些？

黄鼎隆：人工智能产品的关键就在于,它能不能跟某一个行业结合起来，帮助这个行业解决问题。正好聊到这个问题，就来给大家演示一下我们是如何用我们的产品技术去解决这个行业问题。

那么我们码隆是做商品识别，我们的产品叫做 ProductAI，意思是AI for your product。大家每天现在用到的这个商品，其实都要经过从设计到原材料，到制造，到批发，到零售等等，那如何把一个人工智能跟整个商品的供应链结合？

设计

以纺织服装为例，一个衣服被设计出来，首先是设计师需要去了解当前的一个流行时尚的趋势，过去，对流行时尚趋势的一个分析，是人来做的，人去看纽约时装周、米兰时装周，去总结出什么东西会流行，而我们是开发了一个工具。

我们跟中国纺织信息中心有一个战略性的合作，我们用人工智能自动去分析、提取出当前的时尚流行趋势，比方说，明年会流行什么样的色彩？

那这个事情，你只需要把当前的这个时装秀的图片输进去，我们自动给出一个量化的结果，比方说某种玫瑰红使用频次从8%提升到了15%，那这就是一个趋势。

主持人：必须能超越我们现有的专业人员的水准。

黄鼎隆：过去的话，可能你需要有几十个专家看这个图看很久，可能要两三个月的时间才能写出一个报告，到现在基本上就一夜之间，你可以得出一个量化的结果那么这是在产品设计的环节。

原材料

https://v.qq.com/txp/iframe/player.html?vid=r03957h7xfz&width=500&height=375&auto=0

那么接下来，一个商品被设计出来之后，你要找到这个原材料去生产这个商品。

还是以服装为例，一件衣服它的原料，就是它的面料，如果你是一个服装企业，当你想去买某个面料，如果是以前可能你得跑到线下的批发市场去看很久，说这个原料是不是我想要的。

而我们提供的解决方案，就是你只要拍张照片，马上就可以买到这个布料。其实各种各样的原材料，包括家具，包括皮革的，包括墙纸地毯等等原材料，都是可以通过拍张照片，直接去购买到，效率跟以前相比有个上百倍的提升，当你找到这个原材料之后，你就要去生产出来。

制造

我们针对陶瓷做了一个产品，当你看到一个陶瓷，比如说一个杯子，你想知道这个杯子是如何被生产出来的，它需要怎么样的一个生产工艺，比方说它的烧成方式，它的成型方式，它的上釉的方式，以前只有一些这个行业的老师傅才具有这样的技能。

现在你可以简单地通过拍张图片，就把这个陶瓷产品的生产工艺全部都识别出来。

批发

还是以纺织服装为例，如果你是一个服装店的店主，当你想去挑选出你想要的货源的衣服去进货的话，那么也可以用我们的这个技术，你只需要去截取认为会好卖的这个衣服的图片，然后我们就会只找到这样的一个商品，可以通过什么批发的渠道去进货，比如说同样的这个衣服，不同的渠道是不同的价格，那么你可以选择对你来讲商业上最便利的一个方式去进货，如果有一样的一个衣服，我们就会找到一样的，如果没有一样的，我们就会找到风格类似的，比如说这样的一个蓝色的衬衣，你可以找到这个类似风格的衬衣去进货。

然后是家具。同样如果你想去购买你觉得会卖得好的家具，同样也是可以通过图片的方式，比如说你上传一个室内的装修图，我们就把类似的室内装修都找到，如果你想去买这样一个柜子，只需要拍摄这个柜子，就能买到这个同样这个款式的柜子，或者说门窗，框选一下，也可以买到这个门窗，甚至是在桌上的这个盆栽也一样，框选一下，就可以找到这个盆栽了，甚至你可以上传你们家的户型图，我们会找到类似这个户型的一个装修设计图。那么这个是在批发的环节。

零售

点击 此处 观看演示视频

你看到别人一件衣服的花纹很漂亮，也想买，对着衣服，只需要拍张照片就能实现，或者说你看杂志的时候看到某个衣服，你觉得我也想买，只需要拍张照片就能买到这个样式，甚至你可以去找到说，比如说这样的一个牛仔的外套应该如何去搭配，你可以看到，可以搭配这样的一个连衣裙，或者说学习其他的明星模特，他们是怎么去搭配。

有观众提问说数据资料怎么来的，我们是跟这个产业的客户紧密结合，所以客户会提供这方面的数据。

结合可穿戴设备

我们进一步把手机上面的购物体验做到了可穿戴设备上面，我们做了一个HoloLens上面的一个应用，你带着这个HoloLens，你就可以发现你眼前的这个人，他身上穿着这个衣服是什么牌子、多少钱，在哪里买，而且所有的商品都会围绕在你眼前，你只需要用手指一点，那么你也可以去购买到这个商品。这是真正的所见即所得，那么在现在这个商业时代，当你把这个商品买回去之后，你还要跟这个商品进行互动，那么我们也能够实现人和商品的各种互动。

比方说，今天比方说你买了件这样的白衬衣，那买回来之后你还要跟怎么去互动呢？那么我想知道说别人是如何穿搭这个白色衬衫，那么你只需要拍张照片，这个是我们跟穿衣助手一起合作开发的，这是一个有5000万女性用户的时尚的APP。跟他们合作实现了这样的一个场景，那么用户只需要去传一张它的衣服或者是它的一个自拍图，我们就可以帮他找到其他的用户是如何去穿它类似的这个衣服，比方说白衬衣它可以看到，其他的用户可以可以这样穿，

阅读交互

接下来下一个是演示一个典型的商品，就是报纸。过去买了报纸，你只能看文字和图片。现在如果你对这个报纸拍张照片，比如说这个是《光明日报》，用ProductAI 搭建出来的一个场景，这个习大大这跟人家握手的照片，你拍一下。我们就把对应的这个视频找出来，你可以全方位的去了解这个新闻是在怎样的一个场景下发生的，其实真的有点像科幻大片那样的。这个是已经在我们眼前的实现的场景。

https://v.qq.com/txp/iframe/player.html?vid=g0395vyav4k&width=500&height=375&auto=0

然后还有们给蒙牛做的一个案例，蒙牛这一款牛奶上面有一个“时空猎人”这样的一个IP，那么你对这个牛奶拍张照片，那么我们就会把这个时空猎人召唤出来来跟你玩一个小游戏，但如果你玩赢了就能够获得一个优惠券，那么通过这个方式可以实现一个这个商品的更好的一个销售的转化。

以上就是一些简单的案例去演示，我们如何通过这个人工智能ProductAI去提升各个商品在整个供应链的效率。

有观众呢问到说，要是开放API就好了，那么高兴告诉大家，我们确实是开放了我们的API，那么我们的平台呢就叫ProductAI，大家可以登录www.productai.cn，在这个网站上面，就可以去获取到一个API，那么这个屏幕上应该有一个二维码，大家扫描这个二维码其实也是可以登录到我们的平台，去试用这个API。

我看到也有观众问的问题是说现在有偿开放API吗？登录我们平台注册之后，先可以免费的去用这个API，那么在免费使用一段时间之后，如果觉得这个你需要使用更大的量，那么这个时候可以选择有偿的去使用这个API。

主持人：今天我们的分享就到这里，非常感谢两位主播，也非常感谢所有的观众。再见。

黄鼎隆、Matt：感谢大家，再见。

阅读更多

▽ 故事

▽ 论文推荐

▽ 论文导读

内容合作请联系

[e-mail]