编辑|于洋智东西网3月30日讯，华为语音社区今天在官方公众号发布了华为创始人任正非在GTS人工智能应用研讨会上的演讲。
任正非指出，GTS要利用人工智能实现优质高效的交付和服务，持续为客户创造价值，提高客户满意度，构筑起活生生的“长城”，成为公司重要的可动“马其诺防线” ”。
首先，任正非指出，高质量的数据是人工智能的前提和基础。
华为应统一操作工具和工作标准，实现高质量的数据输出。
其次，要注重投资、敢于投资。
要开发公司统一的人工智能软件平台，将算法、知识、方法、经验等固化在平台上，为公司业务提供支撑。
最后，任正非还指出，人工智能应该聚焦于确定性的、劳动力消耗高的业务和项目，集中突破一两个关键点，集中力量打一场歼灭战，而不是铺开非常广阔的战线。
以下为任正非演讲全文：任正非2020年1月7日在GTS人工智能应用研讨会上的演讲。
公司庞大的股票网络是人工智能最好的舞台。
GTS必须利用人工智能实现优质高效的交付和服务，支撑“万亿”美元股票网络的服务，以及故障处理和预防自动化……以及科学、合理、有效的交付每年支撑数百亿美元的网络增量。
不断为客户创造价值，提高客户满意度，构筑起有生命的“长城”，成为公司重要的可移动的“马其诺防线”。
谁能以最低的成本提供高质量的服务，谁就是这个世界的最后赢家。
公司的人工智能研究是推动公司管理进步的赋能器。
不要因为讨论的欺骗而迷失方向。
1、高质量的数据是人工智能的前提和基础。
必须以高质量的数据输出作为工作完成的标准。
为什么我们不能统一工作的工具和工作标准？配备数据采集聚合器，员工现场工作结束后，可以返回驻地处理，一键发送。
无需经过办事处或地区部门，一步搞定。
数据对各个层级、各个环节都是透明的，没有分层汇总处理，速度快很多。
我们有10000个站点，每年增加96万个和11000个合同。
各个基站提交的报告之所以这么厚，是因为没有模块化分类。
如果没有摘要或总结，则必须报告。
我们的处理管道就这么粗，所以完全堵住了。
事实上，可能只有一百种模块，但不到一千种模块。
我们根据模板对信息进行分类传输至供应链，解码并打通供应链，并列清单发货。
我们的管理将会大大简化。
现在的报道是一层一层的汇报，每一层都加了很多人。
大量报告甚至没有人阅读。
需要基于目的标准模型构建简单的自动报表系统，这样中间的体力劳动就会减少，主战场的员工数量就会增加。
每个人都根据作业为您提供准确的数据。
只需专注于您的科学知识即可。
有了这些准确的数据，我们就可以通过监督学习和统计方法来提高我们的效率。
填写的表格有明确的表格和模糊的表格。
确定性工作填写的数据必须准确。
如果不经过审核就上传了错误的数据，那就乱了套。
清晰的数据不断更新和积累，新的有效数据不断更新。
总是存在一个模糊区域，模糊数据的模糊度会不断减少，但会出现新的模糊度。
不能含糊的地方要有指导，引导基层工程师清晰操作。
人工智能依靠数以万计的员工在工作时有效地收集数据并总结发现模式。
清晰、准确的现场数据非常重要。
我们是设备供应商，不是交通运营商。
我们必须根据业务场景来确定多快的数据才算实时。
我们不需要形而上学。
我们必须根据必要的需要来获取这些所谓的实时数据。
对于网络设备数据的输出，可以采用类似“七遥控器八按键”的方式建立数据输出标准，并可以从基于人工智能的交付服务角度重新制定适用性标准，并作为产品上市的必要条件。
所以，当你说数据缺乏、杂乱时，我并不批评它。
我想我要批评的是数据的缺乏。
每个人都可以得到一套工作服并搭配乐器穿吗？数据首先被收集和存储，然后只需按一下按钮即可传输到信息数据库。
贡献数据的人也可以获得奖励。
2、要注重投资、敢于投资。
成功只是时间问题。
在GTS选择的站点运营、网络集成、网络维护、网络规划、网络优化等关键场景中，要加大对商业模式、算法、平台和数据的投入。
，具体的人力和费用将在未来时间链的战略规划中落实。
要开发公司统一的人工智能软件平台，将算法、知识、方法、经验等固化在平台上。
将首先在GTS中进行实践和应用，也可以为公司未来的其他业务提供支持。
数据库建设是一项长期基础工程，需要加大投入。
只有拥有高质量的数据基础，人工智能才能发挥其作用。
实验室的科学家必须与服务工程师密切合作。
熟悉理论和算法的科学家会选择最成熟的解决方案并将其应用到服务场景中，共同完成业务改进。
这就是技术和场景的结合。
有的人熟悉技术理论，有的人熟悉场景。
两人联手，便所向无敌。
首先要提高我们的内部努力。
到时候我们再考虑要不要出去。
新事物的失败也是一种成功。
如果你取得了一点进步，就把它写下来。
这是整个过程的记录。
自己用萝卜雕刻奖牌。
如果积累的多的话，还可以兑换金牌。
不要害怕犯错误。
还有人说华为落后了，因为我们只奖励成功者，不奖励失败者。
如果今天比昨天更好，我们就会得到奖励。
爬半个喜马拉雅山也算是成功了，因为我们以前从来没有到过山底。
3、人工智能应以投资为主，而不是全面开花。
我们应该先纵向打歼灭战，打响胜利后再横向展开。
在我们的业务扩张中，我们在没有人员线性扩张的情况下取得了成功。
服务工程师应该专注于服务业务，在完成服务业务的同时，完成人工智能所需的正确数据输出。
在此基础上会产生场景分析师、数据分析师和模型设计师。
这些专家必须长期投入服务战场，通过服务客户不断提升自己的能力。
对于场景分析师、数据分析师、模型设计师，我的态度是看他们三年内在一线服务战场上取得了多长时间的成功实践经验。
没有成功的实践经验是不可能快速晋升的。
这也确保了水是流动的而不是腐败的。
当人工智能投资足够的时候，不要太冲动。
先小步走，然后快跑。
重点关注确定性业务和高人力消耗项目。
你宁愿少做一点，先突破一两点，集中精力。
用武力打歼灭战，不要开辟很广阔的战线。
不要到处使用情报。
这样就会导致盲目行动，结果开花结果，甚至可能导致万事皆失。
例如，人工智能的应用首先要以实现简单的工程测量为目标，然后在此基础上实现自动化设计。
大量的重复动作必须被人工智能技术取代，实现文档自动生成、质量自动审核、远程验收和自动开票。
然后，将人工智能应用的成功经验延伸到网络维护、网络规划、网络优化等业务场景，将被动的问题处理转变为主动的预警和预防，不仅提高了效率，也提高了网络质量。
客户服务。
我们要扎扎实实地把场景一一解决，选择与场景相匹配的相对成熟的算法。
不要等待平台和数据库成熟。
半成品也可以先投入使用进行内部改进，通过不断的实践和解决问题而成熟。
平台和数据库。
我们在这些集中突破项目中积累了经验，培育了生力军。
这些新生力量必须在基层推广、落地，才能运用、成为习惯。
在纵向发展的基础上，要把握好横向拓展的合理节奏。
如果将蛋糕烧焦，然后翻面煎，就会变成夹心蛋糕。
我们不想“临阵而死，让英雄泪流满面”。
我们想要的是胜利和最终的成功。
人工智能是一个新事物。
由于实施过程中的双轨运行，需要接受阶段性的成本增加，并实现明确的长期目标。
人工智能的应用肯定会遇到很多困难。
在进步的过程中，要多鼓励，少批评，能表扬的，不该表扬的，就表扬。
当战场上枪声响起，谁是英雄，谁不是英雄？你说他不是英雄，但当你在山下拍拍他的肩膀时，他背着两个炸药包冲上甘岭，他可能真的会成为英雄。