深圳至汕尾專線物流到年這是我想實現的一個目標。”業務層面，庫柏特的主要客戶集中在物流行業。物流是一個勞動非常密集的行業，數據顯示，中國每天有2億個包裹需要運送，而這2億個包裹是用人的手來分揀，同樣的動作每天需要6億次。統計下來，每一年至少有萬人在做分揀。李淼說，機器人相對人來做極大節省成本，一臺機器人可以替換4-5個人，至少節省一半以上成本。

而且機器人不只是節省成本，現場很多公司根本招不到人，因為現在的年輕人都是后和后，不愿意干這些無聊重復的活。深度學習：不知道多少數據適用AI的下半場是數據之爭。關于AI，工業界和學術界一直有一個很大的分歧，學術界認為算法很重要，工業上更強調場景。李淼堅定認為，場景肯定是大于數據。

數據大于算法。因為對于創業公司，AI的算法很難獨享。而且算法都是基于機器學習，本質上需要大量廉價、可靠的數據，才能讓算法又用武之地。但是，數據訓練有一個很大的問題，不知道數據什么時候是合適的。

數據有2個維度，一個是質量的維度，不知道這個數據在維度是否是足夠，比如要分辨很多人說話，單純通過錄音是不是足夠的，是否還需要拿其他的視覺信息才能分辨出來。比如自動駕駛，有的人用雷達，有的人將激光，GPS以及深度攝像頭做技術融合，但沒人能保證多少種技術是足夠的，所以只能不斷加傳感器，但很多人其實是假想它是足夠。還有一個維度是數量是否足夠，為什么深度學習是萬個數據能夠讓這個算法跑起來，而不是兩萬、一萬，它的下線是什么。

上線在哪，沒人能想清楚。李淼舉例說：“我們之前在一個食品的案例里面，測了一個萬組的數據，后來發現萬組也夠，2萬組效果也差不多。而要做萬組數據需要的人力成本非常高，而2萬數據的人力成本低很多。”在不同的場景下，數據的要求也不一樣，比如人臉識別和語音識別場景需要的數據不同，但是沒人能分析為什么。無論從數據的質量維度和數量維度分析，本質上是因為深度學習理論上難以支撐。

人能夠舉一反三，觸類旁通，但是機器不能。人首先要模仿，從常識轉化為經驗，經驗轉化為模型，模型轉化為終的選擇。而大多數的算法還停留在常識階段。云從科技創始人周曦此前在接受采訪時說：“深度學習是非常龐大的一個網絡，這個網絡很好，技術能做出非常好的結果。