隨著人工智能的逐漸興起，各大巨頭都開始涉足，趙子明自然不甘人後。

　雖說小訊在虛擬世界，天下無敵，如果在人工智能上投入重金，顯得多此一舉。

　但黑科技畢竟黑科技，拿不出手，台面上的產品不但要有，更要領先。

　以堂堂正正之師壓人，讓每一個人都能看到差距所在，每一次進步都讓對手無話可說。

　拋開小訊不談，這也是趙子明的強項。

　可以說，數字集團對於人工智能專業領域的應用，已經獨步天下。

　互聯網金融的風控智能，電子遊戲領域的npc智能以及最近大火的魔力飛躍的數據處理能力，在多個方面，數字集團已經積累了豐富的經驗，並以此為依仗，多次擊潰對手。

　趙子明已經打算在現有基礎上成立兩個部門，一個專門負責核心人工智能的研發，深入推進，整合所有資源。

　另一個部門負責推廣應用，把人工智能推廣給其它部門，讓所有部門使用上人工智能。

　根據他的判斷，在未來，人工智能很可能如同互聯網一樣，是必需品而不是競爭力。

　換句話說，企業想生存，要發展，必須有人工智能，但有了人工智能，卻不會給你帶來任何競爭優勢。

　對於數字集團，趙子明一直在思考它的定位。

　最近幾日，線上線下結合，廣告宣傳的輪番轟炸，已經有了“bats”的出現。

　很多媒體開始將數字集團同三巨頭相提並論，稱之為互聯網新貴，獨角獸。

　雖然相比其他三家，數字集團略顯不足，沒有太過明顯的標簽。

　其他三家，“搜索、電商、社交”，核心優勢明顯，而數字集團沒有核心業務，太過多元、分散，競爭力上存在不足。

　以鵝廠為例，社交是根本，一切業務都是以此為基礎，即使現在涉足遊戲、視頻、金融等，也是對社交的深挖，抗風險能力很強。

　對比數字集團，有互聯網金融，有遊戲，有頭顯，雖然每一家都發展迅速，獲益不菲，卻沒有一個核心所在。

　而想成為一家偉大的公司，世界級的企業，必須有自己的核心優勢。

　趙子明有心將人工智能作為一個標簽，貼在身上，對內整合業務，對外樹立形象。

　只要提起數字集團，就想起人工智能，到了那時，趙子明覺得才能算作成功。

　而人工智能可大致分為三層。

　最底層是基礎技術層，包含雲計算、芯片和開源框架等。

　這一層門檻很高，芯片的機會留給了英偉達、高通和英特爾等巨頭。

　開源框架和雲計算則被谷歌、亞馬遜這樣的巨頭把持，趙子明想在這上面發力，難度不小。

　如果想樹立自己的標簽，成為一家國內巨頭、世界聞名的企業，就必須在核心層有所成就。

　攻堅克難，逆勢而行。

　不過，對於趙子明來說，雖然競爭激烈，但有黑科技在手，假以時日，他有信心，橫掃一切對手。

　中間層是技術層。被外界廣為熟悉的圖像識別、語音識別等通用技術，就在這一層。

　bat將這一層視作關鍵要塞，作為它們搭建生態系統的核心。

　趙子明已經有了計劃，要在中間層佔據一席之地。畢竟底層開源，初期形成一定的技術壁壘，還要看相關應用。

　位於最上方的應用層，賽道最為寬闊，很多ai應用創業公司就在此，選擇一個垂直領域，一頭扎進去。

　而對於巨頭來說，自然是讓其他創業公司先行先試，有了成果再說。

　世間應用千萬，一個公司不可能也沒必要壟斷一切。

　反正對於巨頭們來說，最不缺的就是錢，一旦有了適合的公司，先進的成果，買下來即可。

　直到此時此刻，趙子明對於事業的發展，才算有了一個整體思路。

　從得到小訊開始，他一直處於奔跑階段，那個時候隻想掙錢，不負這一番奇遇。

　受限於見識，選擇網貸行業，機緣巧合進入遊戲市場，東一榔頭，西一棒槌，看似多點開花，實在浪費多多。

　不過他從未後悔這段經歷，想的再好，不如行動。

　隨著事業的發展，趙子明也成長很快，從最初的暴躁易怒，好色風流，到現在的城府深深，視野開闊，他付出了很多，得到了很多，也失去了很多。

　趙子明通過整合公司，想擰成一股繩，多番思考，選擇人工智能作為突破點，並不被外人所看好，甚至公司內部，也有不同聲音。

　每個人都知道，未來掌握在人工智能手裡，而人工智能聽著好聽，卻不是小公司的機會。

　數字集團雖然也能稱得上家大業大，但和巨頭相比，體量太小，幾乎沒有威脅力。

　單以人才為例，對人工智能專家的爭奪，早就陷入了白熱化程度，高薪、股權、技術壁壘等等，能拿出來，通通拿出來。

　在數字集團還沒成長為一家世界性的公司，想要吸引頂尖的人才加盟，基本上沒有希望。

　即使薪水豐厚，和其他巨頭公司相比，也沒有吸引力。

　不過，對於趙子明來說，有固然可喜，沒有也不用沮喪。

　他本來就不是全靠實力在競爭，有了黑科技，自然要彎道超車。

　現階段， 通用型的人工智能還不可能誕生，每一家都是選擇一個領域發力，而人工智能的厲害之處，不在於有多聰明，而是自身的學習能力。

　趙子明自然不怕被人發現端倪，新生的人工智能，需要經過訓練，才能展現令人驚歎的能力。

　而訓練手段無外乎熟能生巧。

　通過大量的練習不斷“催熟”機器的智能程度，而這一步正是小訊發揮作用的關鍵所在。

　高質量的數據集是各種複雜機器學習算法訓練的基礎。

　有了算法，還需要反覆學習訓練，才能派的上用場。

　斯坦福大學視覺識別專家李飛飛教授，研發的圖像識別智能，就是通過1500萬張高清晰度的圖片數據庫，取得了突飛猛進的進步。

　數字集團一旦有了相關算法，想要“催熟”、“應用”，就簡單的多了。
　( = )