小米黄江吉：IoT的春天来了，人工智能落地到产品是重点

【编者按】 在北大AI公开课第五讲上，小米科技联合创始人黄江吉与与北大人工智能创新中心主任、百度七剑客之一、酷我音乐创始人雷鸣一起，就人工智能硬件领域发展展开了深入的讨论和交流。黄江吉反复强调了产品化对于AI技术特别是深度学习发展的意义，认为产品的数据搜集效用可以和云端的机器学习一道，形成一个良性循环，同时认为只要2C的产品做得好，用户活跃度会相当高。

本文发于“新智元”，作者 随一/张易 ；经亿欧编辑，供行业人士参考。

---

北京大学“ 人工智能 前沿与产业趋势”第五讲昨晚开课。本讲将由小米科技联合创始人黄江吉老师亲临现场，与北大人工智能创新中心主任、百度七剑客之一、酷我音乐创始人雷鸣老师共同参与，就 人工 智能硬件 领域发展展开了深入的讨论和交流。

在个人宣讲部分，黄江吉老师 反复强调了产品化对于 AI 技术特别是深度学习发展的意义 ，认为大家最近经常谈论的“A（AI）、B（Big DATA）、C（Cloud Computing）”，其实不妨表述为“产品+ 大数据 +机器学习”，产品应该扮演引导开发、搜集数据的先锋角色。 通过产品，将用户产生的大数据用机器学习技术整合分析，再反哺给用户，并不断迭代产品。 黄江吉老师自豪地说，他们的产品都是2C的，只要产品做得好，用户的活跃度相当高。这一点和公开课第二讲余凯老师所描述的新兴技术从2B到2C的发展路径，可以对照来读。

个人宣讲之后，照例是大家非常期待的雷鸣老师和黄江吉老师的对话过程。两位老师 就此前智能硬件开发中出现的一些问题及相应对策展开了讨论，得出了一些非常简明扼要的结论。 同时，也谈到了 智能制造企业的外部合作和内部竞争，并对大家关心的物联网时代数据安全问题做了阐释。

一、KK黄江吉个人宣讲

今天真的很开心，可以在这里跟同学们分享人工智能。一进来，我觉得场面超乎预期。我知道雷鸣兄的号召力很强，但是我今天还是感觉很震撼。两个月前雷鸣跟我聊起这个项目，我当场和他报了名。我知道今天又这个行业里面很多公司的AI专家、机器学习专家。甚至北大的很多老师，我相信每个人都可以把里面的核心技术跟我讲的很好。同学们为什么要踊跃报名听我来讲？ 我特别希望可以从一个产品，通过一些硬件产品，来展现人工智能如何落地到我们的真实生活里 ，下面从这个角度和大家分享。

今天，雷鸣给我另一个要求是希望我更多的 从产业角度去讲 ，也不能帮小米卖广告。这个对我来讲是一个巨大的挑战。所以今天，你们看见任何有关小米的产品，你们就把它当做是产业的一部分，不要留意里面有价格、配置。 我希望能够从人工智能如何落地到产品中 ，给同学们一些启发。最近和朋友聊人工智能的时候，大家常说，我们怎么没有听到小米已经在做人工智能。然后我就说，那是你们不懂，我们从6年半前刚创办小米，我们就已经开始做人工智能，我为什么这么说？

今天，大家更多地谈论ABC， A是AI，B是big data，C是cloud computing 。但是以我们的经验，更多的是CBA， 先是有产品导致的云服务，然后才有可能产生bigdata，之后才有人工智能。 在我们看来， 人工智能的三大前提是：产品+大数据+机器学习。 我们先从产品开始，大家最熟悉的是6年前的小米手机，小米手机通过6年的不断迭代，我们积累了2亿的日活跃用户。在系统中，日活跃用户超过1000万的系统app已经超过21个。月活跃用户超过1000万的已经超过49个。接下来的问题是，公司如何将用户产生的数据反哺给用户，并不断地迭代产品，让产品变得更好，这才是数据背后的意义。3年前，我们通过同样的模式，切入智能硬件，开始做智能电视，智能路由器，也开始做生态链。我们与其他创业者，一起打造小米生态链，我们已经投资了70多家类似的公司。一会儿我会提及，我们如何既能够做到不同产品单点切入，又能够将其连成有价值的生态链，使他们在云端产生价值。

两年前IoT很火爆。当浪潮退去，很多IoT公司跟我们说，IoT是不是被吹出来的，不过只是一个个泡沫。我肯定是第一个不同意的。因为 到今天为止，小米推出的智能设备（不算手机），全部的IoT设备联网设备，出口量就已经是5000万。 一会儿我会解释， 为什么我认为IoT的春天马上就要到来。 通过我们的小米产品（它们全部都是联网的）。我们的产品全部都是2C的，所以只要产品做得好，用户的活跃度是相当高的。

小米全部产品加起来，每天产生的数据量一天是300T。为了存储这个300T，每天我们付出的存储成本是天文数字。 为什么我们要存储大量昂贵的数据，其实我们等AI这个弯道已经等了很久。终于在去年迎来爆发点。现在， 我们有可能利用最前沿的技术，比如深度学习，对抗性网络来发展。 现在技术发展是以周计算。这对于我们都是好消息。因为技术发展到这个点的时候，我们已经准备了很多大数据去使用。这些技术可以用来验证算法是否靠谱，可以把我们的产品变得更智能化的话，真正实现闭环。大数据其实讲了很多年。我刚进入微软的第二年，就开始做datawarehouse，当时已经存了海量数据，都觉得大数据很有价值。但是还是停留在数据分析，analytics，即 如何在数据里面找到一些规律做商业策略 。直到这两年，我认为才找到了一个完美的闭环 。如果可以把高质量有效的数据整理对，反过来可以让我们的开发工作，让我们的算法更加优化。所以，我们对于数据增长很开心，并不在意成本。

我们的产品走到现在，才开始有一些大数据的积累。然后可以和大家进一步分享小米的大数据渠道，如何用？其实不同的公司都有不同的数据的来源。以小米为例，从手机、电商、家庭路由器、电视云平台、互娱市场、生态链都不断产生数据。这些数据都非常原始，需要清洗。我认为如果一个公司专注做数据清洗，都会很赚钱。因为 数据量相当大，数据清洗上的技术要突破。之后是数据挖掘，数据智能。

每个公司都在干这个事情： 当我们有海量的数据，而且这个数据的来源很广泛，就可以做一个非常完整的用户画像。

第一，深度理解我们的用户。 我们在理解这个用户时，甚至利用机器计算去补充用户没有告诉我们的信息。基于多种维度，我们甚至可以 总结用户性别 。 通过数据的聚合，特征提取，推测性别数据 ，我们的覆盖率是90%，里面的准确率能达到89%。还有年龄段，职业等，准确度越来越高；

第二，用户真实性。 小米从第一天卖手机，最大的敌人是黄牛。一开始，他们模拟真实的用户去抢手机，一开始，我们每人每天都写很多代码去互相攻防。后来，我们开始机器学习了，把用户的全部维度，全部输入到机器里面，让他判断真实的用户是这样。之后，每一个用户进来，可以瞬间判断到底是不是一个真实用户。因为黄牛可以通过一两个维度，甚至使用10个、20个、100个维度去模仿真实的用户，但是不可能做到1000个维度。所以我们基本上可以判断出黄牛。有时候算法太好了，让一个稍微有一些异常的真实用户被判断黄牛，因此还要把它往下调一点。 这就是我们怎么样用大数据反过来验证现实上的真实度。为了画像更精准，我们不断地要提高我们的内容词、知识图库。

那么 如何让大数据落地到你的产品？ 今天下午， 小米发布了最新的电视，最大的亮点是人工智能的部分 。这不是一个新的概念，但要把它做得靠谱，整个行业花了很多年。我们可以 通过语音搜索片子 ，找到很多关于电影的信息，演员的各种信息。 过去可能要花20个遥控器的操控，今天通过一个自然的语音，就可以找到。

之前我意识到，我们把人工智能落实到可以摸得着、用的好、买得到的设备，才可以说把人工智能带给用户。其实做人工智能技术的公司很多。 今年越来越多的人工智能技术将落实到产品上 。比如小米电视，已经可以做到在看电视的时候，问这个演员是谁，他就马上告诉你，是邓超。还可以问邓超今年几岁，老婆是谁，我要看邓超的老婆的电影。基本上 用户问的越多，这个系统就会越来越自然 。我想， 除了语音、 人脸识别 技术，里面最核心的一点是自然语言处理 。怎么把精准度达到百分之90的语音识别后的文字转成语义，之后进行分析。比如复杂的一句话，老情人的老情人的老情人的老情人的老情人的干女儿，这样人理解起来都比较麻烦的句子，现在都可以理解了。

那么 自然语言处理也好，去了解特定场景下的用户习惯也好，现在我们采用的主要方法都是机器学习 。过去我们是用问卷等方式，用人工的方式去迭代。但是，现在基本上是通过机器学习，加一部分人工干预的方式，让它更频繁的迭代，不是一周一个迭代，而是每个小时在迭代。我认为 它的进步是用一个非线性的速度在提升 ，举个例子吧。我们总是说智能硬件对不对？你说这个灯是智能灯，但是你有没有想过，如果你们用过这些所谓的智能灯，当然有两个选择，一个是过去直接用手按对不对，第二个方式就是打开你的手机，解开你的锁屏，好不容易找到APP再打开，等了一两秒钟，然后你再关灯开灯。你基本上试上几次，都不会有什么用对不对？

我认为今后大家会看见真正懂你的灯，而且懂你一个人。因为每个人开灯、关灯的习惯千差万别。如果要找全世界最强的工程师把它做出来的话，十万个规则都做不好。而且这个代码量惊人。 正确的做法是，通过灯的维度，知道你的特征，通过家里全部的智能硬件来掌握你的特征 ，比如家里wifi与你手机的状态，家里电视的状态，音箱的状态，客厅净化器的状态，房间的净化器的状态，可能要上百个特征。就根据过去一个月的使用历史进行分析，知道在这些特征成立下，你会开灯，你会关灯，这样才有可能做出一个真的是懂你的灯。

有很多人说用一个摄像头、传感器就知道了。这其实是远远不够的。比如，晚上下班回去，他就开灯，然后打扰到你的室友。真的要做这个，难度远超大家的想象，因为这些维度不应该是人去学习的。 当你家里的设备越来越多，他们的状态全部都可以被分析，被记录，我只要跟随一个礼拜，就可以理解你的习惯。 我认为 他会比任何一个工程师可以做的10万个规则都更符合你想要的。

另外一个案例，就是智能手环。把这个东西做精准很不容易，要靠算法判断是在走路还是在跑步？然后不断的调试，每个人挥手的方式不一样。所以，工程师拍脑袋去想办法，然后 把算法变成了代码 。

其实有一个更好的方法，就是让足够多的用户带着他去跑步，打羽毛球，玩排球，打篮球，上山下山，OK，然后机器学习，我们就可以很方便的知道各种各样的活动里面的规律。 如果机器学习发挥好，可能过去十个工程师才可以做到的事情，未来可能只需要两个工程师，非常擅长收集高质量的大数据，知道怎么样用机器学习。

雷鸣刚问我，对于这一波人工智能的看法是什么？其实在小米看来，可以做两个事情，就已经非常了不起了。 第一，可以让全部开发者意识到机器学习是一个最新的一个生产力。借用雷鸣的话，他可能是继这个工业革命之后，最伟大的生产力。

昨天还问我们那个负责深度学习平台的同学，现在小米内部到底有多少个业务正在使用这个平台。他给我一个列表， 已经有十几个二十个业务都在申请机器去用这个平台 。我们那些CPU已经有十几个业务都在使用机器学习，替代过去的算法。 我们可能要做一个最基础的算法，最困难的可能是如何让这个应用被用户使用，从而产生大量的数据 ，你才可以跑顺。有一天，产生的数据已经足够到可以把之前写的代码逻辑取代，之后迭代数学模型就好了；第二是 产品里面怎么样可以落地语音交互 。就像今天小米电视一样。我认为人工智能如果可以做好这两个的话，已经非常好了。

第二个比较大的投入是视觉，我们在人脸识别上做的投入还挺大的 。从去年开始，你就已经可以看见我们可以根据人脸，帮你自动分类，而且 精准度越来越高 了。 因为数据量很大，现在已经可以做到人脸识别，性别识别，甚至年龄识别。 小孩子的年龄差了一岁了，我们已经可以做到 超过80%的精准度 ，因为小孩子的变化比较大。大人可能中间需要相差几岁。当你做这一些事件之后，给用户提供的实际功能的想象力非常大。我们的相册上，在做 物体识别 。可以在相册里面，帮你分类，比如要找到上次和雷鸣吃饭的照片，各种各样自动化的分类。

在自然语言处理，我们的投入也很大。 我刚才讲 有多少人工就有多少智能 ，加上机器学习，这里可以突破的空间很大。

我很相信技术，基础科研。 因为我本身也是一个工程师，知道做技术的重要性。但是这7年，让我有一个很深刻的体验。今天，我讲得很多，也比较分散，但如果说我最希望你记住KK讲过的一个点，那就是： 一定要把技术做到产品里面，做到服务里面，它的价值才可以最大化地发挥出来。 我在这里建议同学们， 你们在做各种各样的探索研究，最重要的就是永远要想如何可以最大化得突破这些技术。如果可以把它用在用户真的需求里面，才有可能把人工智能或者其他研究做好，真正影响到我们的生活。 我甚至认为， 因为我们高度关注产品，贴近用户，用户往往会告诉你，我们下一步的方向是什么，他真正的需求是什么，然后我们再研究产品、工程方向，往往才能够取得更直接的突破。 所以，今天希望通过产品这个角度跟大家分享一下我们是怎么看待公司的。OK，谢谢大家。

二、KK黄江吉和雷鸣的对话

（以下“雷”代表雷鸣老师，“KK”代表黄江吉老师）

雷：非常感谢KK的分享。下面我们进入到对话环节。三年前其实我们看到了一个智能硬件的热潮，比如智能手环等等，但一年前投资和研发都有些沉寂了。现在这个趋势又回来了。想问问KK，这个产业变化的原因是什么？你如何看下一步的发展？

KK： 两年前我们确实看到有很多 做智能硬件的厂商 ，但大部分都做得不够好。我们深刻的分析了其中的原因。 原因有三：1、市场需求不旺盛、不明显。 消费者认为他们使用的东西已经够好了，没有必要再加入智能了。比如开一盏灯，用开关就很方便了； 2、当时的智能产品还不够好。 我们能感觉到，一个加了所谓智能功能的产品，有时还不如普通的、没有智能的产品好用和方便； 3、在前两个前提下，你智能产品的价格比非智能的还贵。 这三个问题在当时做智能硬件的企业中广泛存在。

针对这三个问题，我们想了三条对策：1、我们的智能产品，它本身的功能要比传统产品的相应功能还要好。 智能只是消费者使用很顺畅以后，发现的额外亮点。比如说，我们生产的智能空气净化器卖得非常好，但它卖得好的原因不是因为它有多智能，而是因为它空气净化的功能本身就做得非常好。智能化只是消费者后来会慢慢发现的惊喜。

2、我们做了一个很简单的优化，却大大方便了使用者 ：当你买回去一个智能净化器的时候，通上电，你的手机上就会接到一个Push，提醒你新发现了一个设备，是否能允许它加入你的家庭网络。你点击允许，它就可用了。不需要你设wifi、下APP、设密码等等。就这样一个功能，我认为就可以成功转化大量的小白用户。当然你会问我，这个功能你们在技术上是如何做到的？我们在设备里面加入了一个wifimodule，通上电以后，就会发现它还没有联网。我们把它做到了芯片层面。用起来很神奇，但其实这个不难，只要用心就可以做到。 消费者会觉得这是超出预期的，它本来的功能比相似产品还好用，又有智能这个加分项 ，使用者当然愿意推荐给朋友了。

3、成本问题。 我想 加一个智能的功能 ，比如刚才说的wifi module，但最初我们调查了一下，发现wifimodule本身的价格就要60块，但产品本身，比如一个插座，可能才40块，我们把它变成智能插座，价格就要150块——因为整合wifimodule还需要一些其他成本。这样的话消费者是无法接受的。于是雷军就跟我们说，你们一定要把wifimodule这一块降到10块钱以内。我们开始觉得很难，但后来慢慢发现，原来的wifimodule里面有很多不需要的功能——因为它本身不好卖，所以功能越来越多，希望能变得好卖一些——我们把它做减法，只要它最核心的功能。成本降低了，生产量上去了，成本又进一步降低了，从开始的40多块，最终真的降到了10块以内。还是举净化器的例子。一开始我们内部都有很多人有疑问，净化器为什么还需要联网？加wifimodule有什么用？但因为成本不高，10块钱嘛，先加上再说。慢慢的，不能在APP中查看家中的PM2.5值，就变得不可思议了。所以说 当你把它的成本降下来以后，才可能：1、为你将来的智能化做准备；2、只有联网，才能为将来数据的收集和利用打下基础。

所以回到雷鸣老师刚才的问题，为什么三年前很多的厂商做不下去了，我想是因为 他们没有抓对产品本质的东西 ， 或者是没有做好，或者是在这个过程中让客户承担的压力太多。生产的所谓智能化其实是伪智能。 而今天，我们发现 市场对智能模块、智能化的需求已经比三年前旺盛多了 。这也是我所说的， IoT的春天很快就要到来了 。

雷：你说的这个问题我深有感触。一个灯，本来价格合理，一按就亮，但现在你买了个智能灯，又要联网又要注册用户名密码，你说你会选择哪个？我以前还买过一个智能秤，没有显示，你站到上面，需要在手机APP上看自己的体重。（笑）

KK：一个不能显示体重的秤。（笑）

雷：后来它的系统还自己升级，我又需要重新设置密码。最后我只好把它扔掉了。又比如手机，最初的功能是打电话，后来附加的功能越来越多，才变成了智能手机。但它最原始的功能你仍然要把它做好啊。又比如美国有个智能音箱，叫SONOS，价格在500-1000美元，在中国大概卖4000多人民币。你们会花4000多买一个音箱吗？KK老师也许你会买？（笑）

KK：我觉得它给我们留下了很多机会。（笑）

雷：后来就出了亚马逊的ECHO，价格在200美元。所以 智能化本身也是需要时间的 。另外KK说到 智能家居的人机交互需要对话系统 ，实际上我们知道今天的对话系统， 语音理解已经过关了，语义理解我认为慢慢也会过关 ，但仍然有个问题，就是 知识库 。我们回答一个提问时，其实 不仅需要对问题的理解，更需要有相关的知识 。我们看今天 谷歌和百度是全球做得最大的知识库了 ，但它仍然不能在你搜索的时候，在结果的第一位就显示你想要的结果，对吧？所以说这就是一个问题。

KK：对，这点我非常认同。实际上我们说 对话系统，其实用户真正需要的并不是要和它对话，而是能高效地为你服务。 比如一个人在亚马逊买过高尔夫球。那么亚马逊就知道，你的高尔夫球很快就会打没了。它隔一段时间就会主动问你，你需不需要再买些高尔夫球。这比你去网页上自己找高尔夫球然后再下单购买要便捷多了。但 这本质上不是对话，不是要连续和你对话多少次你还分辨不出它是机器，不是要展现这个，而是能在最短时间内、最好是一句话给你答案。

雷：好，我们再问一个问题。很多传统厂商在做智能化，有一些会寻求互联网公司的协助。在这个过程中，企业会担心自己沦为一个只做硬件的低附加值的厂商，高附加值的部分都被互联网公司拿走了。你是怎么看待未来企业间的这些合作的？

KK：因为现在整个环境还是一个高度竞争的环境，所以我更倾向于认为未来会是一个高度兼容的生态。 经过竞争，最后肯定会有几个协议、平台或者说入口诞生出来，但是它们为了把它们的用户服务到极致，肯定会把别家的服务也兼容接纳进来。每家公司都不可能把什么事情都做到第一的。哪怕是BAT，他们今天的竞争也是非常激烈的。所以 只要他们是以用户为核心的，因为用户肯定是希望一站式解决所有的问题。 那么多家平台之间可以有协议，在这个场景下，你是主我是辅，在那个场景下我是主你是辅，咱们共同来吸引用户，或者给用户更好的体验，实现商业价值的最大化。我想之前会有一个博弈的过程，但最终企业都会理性的选择对自己有利的方案。 当它们尝试在别的领域发展的时候，也会开始反思，是不是和别人合作，从成本上或者从效果上会更好。

我还是以亚马逊的ECHO为例，ECHO已经进入了美国很多家庭。那些传统的做灯、做音箱等等小家电的厂商，就会开始考虑，我究竟是自己从头开始做智能化比较有利，还是尽早进入到ECHO的生态里面，分享它的红利比较有利？这样我还可以走在传统的竞争对手前面。企业本质都应该是理性的，永远从最大化自身利益的角度出发。他们会考虑，如果自己做能够实现利益的最大化，那么就自己做。当然自己开始做以后，就会发现其中各种各样的坑。试过几次，可能就会有别的选择。 这种选择短期可能是不理性的，但是长期来看都是理性的。这和以前其实一样，都是为了自己核心业务竞争力的提升。

雷：好的。今天咱们提到了NLP。国内也有一些专门做NLP的公司。同时刚才你也讲了，小米对这一块也很重视。包括语音识别、语义理解、问答等等。那么你认为，一个企业如果想研发或者提升一种技术，是从外部寻求合作好呢？还是调动自身内部的资源来把它做大做强好呢？

KK：这里可能有两个角度，不同角度会得出不同的结论。一个是从行业投资人的角度 ，来看技术公司的发展。这个角度我们先不谈了。 另一个角度是从产品公司的角度看 。我们首先觉得，越多这样的技术选择，我们越欢迎。那么刚才雷鸣老师问了，有些业务其实是很核心的，比如NLP，你们小米不做吗？当然做。但是从技术评测的角度来看，我们不认为内部做出的技术和外面的有何不同。

我们始终会选择最好的技术提供者 。 虽然我们花费了资源来做这件事情，但除非内部团队比第三方做得更好，否则我们会毫不犹豫地选择第三方的技术或产品。我认为以前很多大企业都有这样的弊病，他们花了钱花了力气去做一项技术，就因为做了，所以就一定要用，哪怕做的不好。 这样就好像被内部的技术团队绑架了。而越是这样，内部团队可能就做的越不好，因为缺乏市场竞争。而使用了不好的技术，最终也会使你企业的产品力下降。有些技术我们当然要去学习、去做，但如果不如第三方，我们不会犹豫。正因为这样，我们发现我们自己的技术团队才越做越好，因为这样才有压力。我们给了他们更好的资源和扶持，他们理应做得比别人好才对，如果没有，那只能怪自己的能力。我认为只有这样，才能保持竞争力。

雷：看来内部竞争也是很激烈的。

KK：才有动力！！

雷：关于深度学习，你们现在主要是在云上做的，那么有没有计划，或者说已经开始在端上考虑插入深度学习的模块，或者说芯片呢？

KK：这是个很有意思的问题，我们反复也在讨论这件事情。 我们的考虑主要是：1、因为深度学习离不开大数据，所以AI的家最终肯定还是在云端，这是前提；2、当你为了不断提升用户体验，你经常需要把云端的AI能力或者是经过训练的模型在端上执行。我认为这是一个平衡。 当你需要在本地进行零延迟的运算或者是提升用户体验时，确实需要AI的本地化。 数据在云端，但是怎么做加速等等这些事情，本地优化提升的空间是巨大的。 在芯片层面能做的事情也很多。

雷：这个讲得很好。上次余凯也讲到，当对反应时间有特别高的要求时，比如自动驾驶，如果这个处理也回到云再回到车里，时间就来不及了。另外还有一种说法就是在云上训练，训练和压缩完毕之后把模型直接放在端上，直接实施就可以了。然后定期update这个模型，这也是一种策略。

KK：对，当它有很多很多source，需要做很多判断的时候，会有一个局限。

雷：好。这个问题是咱们的同学问的： 因为智能家居的发展，物联网的发展，必然伴随着数据隐私的问题。想请问一下，你是怎么看这个问题的？

KK：很好的问题。我的回答就是： 如果把安全性作为第一优先级的事情去做的话。机器学习，可能会提供比以往任何时代都安全的信息服务。 因为以前是人去处理数据，和这些数据打交道，而我们的发展方向是，只有机器去看这些数据，只有机器去处理这些数据。在机器看来，全部的数据是一个大的归类，它不是到具体某个人的Identity去操作。这样就 避免了人为的错误 。这是其一。

其二就是我们要尊重数据，把数据分成不同的维度， 比如哪些是隐私数据，哪些是和隐私信息关系不大的环境数据、通用数据，哪些是需要用户授权才可以使用的数据，哪些是任何时候都不可以使用的数据。我们要把这些数据分得非常清楚。尊重游戏规则，当我们要为你扩展一个功能，需要你的一些数据的时候，会跟你协商清楚，会用到你哪些数据，怎么用。同时有一些数据是只有你可以访问的，你有密钥才能访问自己的私人数据。如果你忘了的话，我们都帮不了你，没有机器能够再访问那个数据。我觉得要做到这一点。有时大家会探讨一些深刻的问题，比如随着技术发展，机器都变得不可控了。我想 如果我们现在连数据的安全性这样的问题都保证不了的话，我们也就先不要去考虑超级智能的威胁这样的问题了。