关于人工智能，我们到底该关注什么？
自从上个世纪二十年代捷克语中的「Robata」(奴隶）被引进英语以来，「Robot」这个词最初被用来描述一些让人们不舒服的东西。
现如今，当「机器人」这个词越来越多地与「AI」结合在一起，「人工智能」似乎也被看成了一种遥不可及的玄学。
而在过去的一年，你可能已经见过或听过各式各样以「人工智能」为噱头包装的公司，「人工智能」似乎又变成了企业争相抢夺的未来入口。
事实上，从各类语音助手、图像识别软件到各类服务型机器人，「人工智能」早已渗透到我们生活的众多角落。
那么，「人工智能」究竟是什么，「它」又以何种形态存在于你我的身边？
在本期的极客公园公开课中，我们没有用堆砌的理论和骇人听闻的概念来让你继续一头雾水，五支现阶段国内人工智能行业的优秀产品团队一起聊了聊「关于人工智能，我们到底该关注什么？」
出门问问：人工智能应该如何产品化？
大家好，我是来自出门问问产品团队的负责人林宜立，我今天的题目是说人工智能技术产品化的讨论。
我们公司是由李志飞博士 2012 年 10 月从 Google 回国创立的，我们目前为止是拿到了红杉、真格等公司的投资，在去年的年底，我们拿到了 Google 的 C 轮的投资，这也是近几年来 Google 在中国投资的第一家人工智能公司，也代表了我们在这个领域的一些比较有技术深度的一些小的自豪和骄傲。
我们公司做什么？首先讲一下出门问问的核心技术，其实出门问问被很多朋友知道是在人工智能语音方面技术的积累，具体而言，我们公司在语音识别、语义分析、智能推送以及第三方对接垂直搜索数据这块拥有全套垂直的核心技术。
在去年的时候，我们跟 Google 达成了官方的战略合作，所以在中国大陆地区的 Android Wear 智能手表里面的语音搜索服务是由出门问问提供的，也就是说今天各位在市面上买到的摩托360二代的智能手表和华为的智能手表，它们的语音服务就是由我们提供的。
关于 Android Wear 中文版的操作系统，为什么 Google 最后会选择我们，很重要的一个原因可能是因为我们不光有这个技术，我们在智能手表领域有自己的软件操作系统，就是 Ticwear 的这套操作系统以及手表的交互，其实经过若干版本的迭代已经取得了不错的用户体验和反馈。同时出门问问自己也有一个硬件的设计研发团队，所以目前在市面上的这款 Ticwatch 应该是一款真正的软硬结合的体验不错、口碑不错的产品，那可能也是我们区别于其他公司的一个很大的特点。
这是我们在过去做的一些尝试，刚才举的这几个例子就是说怎么去实现从技术到消费级产品的一条道路，也就是说怎么样把人工智能的这些技术真正做到商业化，作为一个公司你怎么样通过这样的技术转化为产品，甚至一个生意，怎样能够生存并且活下去，能赚钱活得更好。
我们公司总结下来可能就是说走的是一条平稳的道路，我刚才介绍了我们可能最早是一个极客的团队，在我加入这家公司的时候，可能公司也就几十个人，基本上都是工程师，然后做了一些酷炫的东西，对着一个机器说一句话能识别和反馈一些很酷炫的内容，但是都没有产品。
我们的团队一直在做一些探索，同时今年我们也会跟福特做了一些产品化的体验。我觉得这样的尝试，以后会有更多更好的东西出来。可能在座也有朋友知道表，包括我们公司在不同场合也讲了很多表，所以今天更多的想讲一下车载的东西。
2014 年夏天我们推出了车载产品的尝试，智能车载助手开车问问。为什么要做车载的产品？这个话题肯定也在业内被讨论了无数次，就是说汽车可能是移动互联网的第四屏幕，包括去年到今年，整个互联网汽车这块的创业公司也是特别火，包括我本人，其实我大学时代学的是汽车工程，然后大学毕业其实是上汽工作了一段时间，所以我对汽车也特别有感情，所以除了手机、电脑还有电视，可能是几个比较主流的互联网品类以外，可能汽车未来会真正成为移动互联网，物联网世界的第四块屏幕，所以它非常重要，而且语音本身就是一个非常天然的适合车载场景的一个交互方式。
什么样才是一个比较好的车载 AI 助手应用？我们觉得首先语音交互很重要，这一点必须能够做到它很智能、很自然的跟你去沟通。第二，我们选择一个横频的 UI，因为我觉得在车里面这个横频的UI相对来说会比竖频更加自然、更加符合人的这种所谓横向的移动的人机交互习惯。最后我们还是来关注一些核心场景，解决一些核心场景的需求。
科大讯飞：语音识别的下一步在哪里
大家下午好，我是科大讯飞的研究主管王士进，刚才非常感谢，因为我们看到出门问问的一些车载产品以及语音的一些知识给大家做了一些基本科普。后面我们会讲一下科大讯飞关于「语音识别的下一步」的一些总结和思考。
下面我们先开展我的报告，这就是我刚才说的要快速过的一个，就是说我们讲的这个智能语音技术，我们先看一张语音技术的全景图，因为我们知道语音技术它一般包含识别、合成、评测和理解。这个理解的话，我们指的是把自然语言能够转成一些指令，刚才大家也看了问问他们的，包括我们讯飞的语点也好、输入法也好或者是语音C也好，它可以把语音的文本后变成一些指令。
听写这个概念其实大家应该比较清楚，就是刚才讲的这些例子，包括比如说大家用讯飞输入法、讯飞语音助手的时候都会用到，那么这种场景是一种听写场景，听写的话你会非常清楚你所面对的是机器，所以说你无论是讲内容也好还是语速也好，你会按照机器的步骤去适合它。比如说如果你说一句话，你发现我们这个机器识别说的不对，那么有可能你会用更平稳的语速或者说用更准确的语音去说这个话。
转写是另外一个层面上的，转写就是说我们平常无论是在开会也好，还是我现在做报告也好，我不会认为我说的这些东西一定是要能够被机器所识别出来，所以说我们人和人之间交流说的话，其实有很多机器识别（至少是前期的语音识别）所做不到的。
第一点就在于方言和口音，这个地方大家应该比较清楚，就是我现在自己觉得普通话比较好，但其实很多场景下的话，即使你在说普通话的时候你也会带着很多口音，那么有些时候甚至口音会超过你普通话原来的语音。
第二点就是专业词汇，这个地方大家比较好理解，可能有很多跟其他的人工智能相关的场景也有这么一些问题，就是说我们两个人经常说我跟你不是在一个频道上，那么这个频道肯定是专业的领域，就是如果说你这个机器不知道讲的是一个专业的、技术性的报告，如果你不知道这样的，可能你的识别效果会非常差。
第三点在于说话的分离，比如说在我演讲的场景里可能并不是很重要，但是如果是在一个会议里面，大家可以感觉到这里面就比较重要，比如说会议里面我们有十个发言人，类似谁先说谁后说这样子的，那么这样的话如果说你机器只是简单的把语音变成了文字，那么可以想象你后期要整理的工作会非常多。
第四点在于交谈中的口语化，因为我们知道人和人之间是有很多不流利或者带口语这种现象的，这样情况非常多，我一会儿会举个例子。
最后一点就是造成的干扰，刚才我们前面的同学也说过，面对语音干扰有几种做法，一种做法可能就是把你的设备尽可能的靠近嘴去说，还有一做法我后面会提到，我们有一些技术的方法去解决这个问题。
然后就是讲一讲我们在语音认识上，同时跟我们听见也有一些关系，因为我们听见的话，大家知道在很多中英文会议上，很多中英文会议的时候会涉及到一个同频的显示，你比如说我做的是一个中文报道，但是可能会有很多母语是英文的人也希望能够了解这个报告的内容，那么这一块的话，讯飞其实在语言翻译上也做了很多工作。包括2014、2015年在两次国际比赛上，都取得了一些非常好的成绩。
那么从这个地方来讲，就是还有一点问题，因为大家刚才也提到了一些语音合成的例子，那么我如果涉及到要把我讲的中文能够翻译成英文让别人去听，那这里面有一个问题，就是听众听到的英文的合成音并不是我本人的声音，那么你可能听到的是林志玲的也有可能是郭德刚的，但听到的肯定不是我王士进的。
所以说这里面讯飞还做了一个技术，这个技术叫个性化的合成技术，合成技术的话能够使得模拟出来你本人的语音。
所有我刚才讲到的我们关于硬件的解决方案，关于软件的解决方案，以及关于我们后面人工智能一些语言处理上的解决方案，那么都在我们讯飞语音云的开放平台里，那么我们其实也欢迎有更多的开发者和友商能够参与进来，能够共同促进语音这个行业的发展。
积木盒子：如何更有「智慧」地进行投资？
各位好，非常高兴今天能够跟大家交流，我是积木盒子智能投顾项目负责人郑毓栋。
今天我首先要花一点时间解释一些金融的理论和背景。金融应该来说是跟科技结合得比较慢的行业。之前某位美联储的主席甚至认为，自动取款机是过去四十年来金融行业最有意义的科技发明。
不知大家有没有听过「智能投顾」？如果是第一次听，对于「智能投顾」这个词，你们的第一印象是什么？一个机器人？帮你炒股？预测明天哪支股票涨停或者哪支股票跌停？还是能帮你推荐一支马上能够涨得很好的基金？或者是帮你筛选理财产品？甚至有人说可能是下一个网络金融骗局。
智能投顾是从几家硅谷的fintech初创公司如WealthFront, Betterment和Personal Capital开始的。从前年开始，我们看到业界的巨头也在进入这个行业，贝莱德是全球最大的资产管理公司，它们收购了 Future Advisor，也是一家初创公司。高盛、嘉信理财和 RBS 都已经开始独立研发「智能投顾」。在几周前 RBS 还宣布推出用「智能投顾」替代 250 位私人银行家，来取代客户投资顾问的服务。
很有意思的是，它们虽然都是不同的机构，有初创公司、有资产管理公司，私行，投行（都是业界的巨头），但是所有国外的智能投顾都遵循一些共同的特质，我总结了三个：
- 特质1：分散。所有的智能投顾全部都是帮助客户把一部分的钱分散到许多不同的资产类别当中去。
- 特质2：个性化，它会针对不同的人给出定制化的最优方案。
- 特质3：它并不追求短期的涨跌回报，它追求的是一种长期的稳健的回报。
那么，从积木盒子的角度来说，我们的“智能投顾”目标客户是谁？这是中国整个财富的图谱。我们希望服务的是私人银行服务不到的，但不满足于宝宝类产品回报的新富裕的人群，这些人我们预估在中国的财富大概占到 40% 左右。
有一个很好的问题，为什么大家要使用“智能投顾”，它到底有什么优点？总的来说，它有下面几个优点：
优点1：最优配置。最优配置是匹配给每一个不同的投资人的，因为每个人的情况不一样，有的人可能能够承受5%的亏损，有的人却亏一点就夜不能寐；有的人这笔钱可能是马上就要用，但是有的人这笔钱可以放很久。所以不同的人所需要的资产配置解决方案应该是不一样的，它是针对个人的最优配置。
优点2：降低服务门槛。传统上的资产配置是由私人银行加主权基金这些大的机构使用的，通过一个机器人的解决方案，能够把这个服务门槛降到一个普通的中产阶级家庭和新富裕的人群来使用。
优点3：战胜人性（非常有效的一点）。在投资过程中，贪婪和恐惧永远在两端摇摆，人性往往使其做出错误的判断。如果你是一个机器人，则会非常冷静，在恐惧的时候也不会做出错误的决定，从而帮助你去战胜人性的弱点。
优点4：它会帮你降低交易成本，因为智能投顾很多时候是通过 ETF 交易，由于背后是大数据的抓取和海量运算，节省了人工顾问的成本，以及线下开设网点的成本。
优点5：机器人的投顾跟投资人的利益会保持一致。传统的投顾往往根据交易的佣金来获利，所以他们之间存在潜在的利益冲突，他希望你能够频繁交易。但其实频繁的交易可能会导致损失，而机器人投顾不以收取佣金为目的，不以频繁交易为目的，跟你的利益是一致的。
我们做的第一件事情就是运用大数据的抓取数据和处理海量运算，这些数据主要包括所有的资产过往的和实时的金融数据，你必须要储存下来，把它分门别类的聚合，分装，构建，使得你的数据库在运算需要的时候能够及时有效地获取数据，并尽快完成计算，同时根据用户的画像和建模，同时把属于他的最优资产配置方案实时呈现。这个是第一个难点，也是我们解决的要点：如何通过大数据架构的构建和运算的优化去解决复杂的计算量，如何运用机器去更快更好地解决人工可以做到的事情。
第二部分，人工智能比较有意思的一点就是通过过去金融数据做出一些市场预判。我们知道经济学家依靠一种或者几种经济变量对未来的走势做出一些预测，但是问题是人脑没有办法去进行这么大的运算量，也没有办法去判知哪一些变量、在什么时候、对哪个市场、会产生怎样的关系。所有的经济变量永远不是单一作用的，它永远都是组合作用的。人脑是没有办法进行全局和实时的判断的。此时我们可以做的，就是把这些变量输入电脑，通过实时的捕捉和机器学习来辅助判断某一个市场接下来的走势，这就是我们做的机器学习。
智齿客服：语义分析的现在和未来在哪里？
大家下午好，我是来自智齿科技的产品负责人，我叫余晓隆，今天我来跟大家分享的话题是智齿的产品，这个产品的重点是基于自然语言处理的机器人，就这个我们来讲一下语义分析的自然语言处理技术的现在和未来。
从 AI 的技术来说，到现在我们看到了它是进入了一个高速增长的时期，包括我们前面讲到的 AlphaGo，它也是在这个时期里面很大程度的让大家的眼前一亮，其实人工智能的发展来说，我们把它分成几个时期，一共是有三个，从 1956 年大家熟知的 Dartmouth 会议，当时有十来位科学家可能都不是非常正式的方式来开展我们在人工智能方面的研究。那在这个会议上面，在后来基本上是在人工智能领域认为它是标志着近代人工智能的产生。
而在 1957 年像罗森布拉特发明了第一款神经网络，使得人工智能推向了一个高峰。但是到后面它又降了下来，然后在 1982 年霍普菲尔德神经网络的提出，又将我们的人工智能推向另外一个高峰。其实从这几个时代来看，包括从 2006 年金盾博士提出的深度学习的理论之后，到现在实际上已经使得我们的人工智能有了一个非常高速的发展，而且深度学习的算法上面，特别是说在我们刚才看到的语音识别上面，准确率已经得到了非常高的提升。
那我们纵观整个的发展，我本人把这个人工智能可能会理解为应用市场和技术的结合，也就是在最早的时候，可能技术发展到了一定的时期，但是应用没有跟上，所以发展没有那么快，但是到现在我们看到，从算法、从计算机硬件的处理性能上，都使得我们人工智能到达了一个高速发展的时期，并且有非常多的应用，可以知行结合。
我们所说的人工智能现在来看一共把它分成几个方面，其实它主要就是让机器去取代一些以前只能用人去完成的一些事情。比如说让机器像人一样的去思考、像人一样去看懂、像人一样去听懂、理解，像人一样去运动，而我们所做的事情是聚焦在让机器像人类一样听懂其中的语言处理。刚才前面讲到了很多的都是语音识别方面，这个就是把它分在这样的领域里了。
而人工智能更多的是让我们和机器之间的交互变得更加简单，比如说你说一句话之后机器就知道要怎么样给你回复，而像以前我们肯定要把这个输入到机器语言里面去，也使得服务由以前的执行层面的服务变成有更多互动的服务，因为以前我们可能让机器去做一个事情的时候，给它发出一个指令它就去做什么样的事情，而在现在它可以更多的甚至像人一样去跟大家进行这种互动式的服务，比如说多人的语音的回答等等。
而我们今天所在的这个领域里，智齿客服，也就是我所在的公司，重点就是将自然语言处理的机器人和在线客服这个场景去结合。那在线客服在我们这个产品出来的时候，它有哪些问题，我们重点解决什么问题，这个实际上是从产品的诞生和产品解决的用户痛点来说明的。在线客服大家经常会用到，你上到一个网站的时候，在那个网站会有一个窗口，你会去问一些问题，有人会给你做相应的答复，这个是一个很基础的用法。但是我们发现其实在这个回答里面，有 80% 甚至更高的都是一些重复的问题，会耗费大量的人力去处理。而人力又很难提供 24 小时不断的在线服务，如果要提供 24 小时服务需要耗费大量的费用，并且由人去接待，每一个人在回复的时候时间会很长，耗费的时间长导致了接入的速率低下，使得经常会有排队的现象出现。
而且人在回答的时候经常会遇到问题不会回答，那我得把这个问题输到知识库里面去搜索，这个知识库对企业来说是很重要的，但是对于这个知识库的检索和知识库的创立是需要耗费很多的时间的，所以我们看到这样的问题，我们认为通过一个将自然语言处理的人工智能的机器人和在线客服进行结合是能很好地解决刚才所说的那些痛点，并且能使得我们人工客服的场景能够得到更好的效率的提升，并且能降低费用。
在这个上面又引出了一个概念，就是自然语言处理，包括我们刚才看到那个题目，其实也是要说到这个自然语言处理里面的一些计算方面的问题。自然语言处理其实从发展到现在也有很长的时间了，它一共经历了两个流派的变化，一个是我们把它叫做统计语言，一个叫做规则语法。
我引用了一本很有名的书上对于规则语法模型的一个举例，这句话大家可以看到叫“徐志摩喜欢林徽因”，它是一句很浪漫的话，但这句话非常短，而且只有几个短语，但是如果是要将它划分为真正的语法结构来讲就比较复杂了，比如说会把它分成主语、动词、动词短语、句号，并且对每一个部分进行分析，得到下面的这样一个分析树，这个分析树大家可以看看，简单的非常短的一句话，就需要写八条语法来完成它。即便去掉了词性的标准的还有四条，但是如果是说要让机器人像人一样去理解所有的语法，有很多稍微长一些的句子、复杂一些的句子就比较难理解，比如说这句话“美联储主席…等等”，这样长的一句话如果说我们要把这个分析树在这个上面写出来的话，可能需要好几页的 PPT 才能把它写出来。
实际上想要通过文法的规则来覆盖，哪怕是 20% 的句子，这样也有超过几万条，在自然语言处理学界，在人工智能学界有一位很牛的科学家高德纳克，他是专门提出了一个理论，就是机器计算的复杂度，如果说一句话比如说有十个词，如果要把它的文法规则全都写出来的话，它的机器计算的复杂度是这一句话长度的6次方，所以如果是想把所有的文法写完，是需要非常大的处理的。并且到后面来讲，各种文法之间还会有关联、冲突等等，而且不同的文法在不同的地方还会表达不同的意思，所以规则语法的模式到后来就越来越难走得通了。到上世纪的 90 年代，基本上这种做法就已经非常少了。
在这个领域里面，其实需要相关的专业的人员才可以去完成这个配置，所以我们现在这种方法包括采用的这种自然语言处理的方法，可以使得在处理知识库的填加上面变得更加简单。
另外在我们产品里面，还涉及到像一些权重赋值、多人问答、语境关联。语境关联就是你所问的上下文，它是可以有相关度的。比如说多人问答解决这种复杂的问题，当用户问到使用订单系统报错的时候，我们会回复给它几个选项，由他选择之后对应的选项再有相关的问法去问他，然后再选择，最后通过多轮的问答确定最终的一个答案。因为很多问题无法通过一次简单的问询就得到最后的答案，这也是使得这个产品的回答准确度得到很高的提升的一个方面。
另外经过长期的积累，在我们的产品里面现在有超过了 2 千万的寒喧词条知识库，也就是说你可以问各种各样的问题，哪怕是说不是业务问题，比如说吃饭类的、情感类的等等这些，它都会去进行回答来提升客户进到我们的页面上，或者进到产品咨询这个页面上的一些客户黏度。
对于客服这个应用场景来讲，机器人的问答仅仅是解决了第一环，其实还有很多其他的事情可以做，后面我就会讲到在我们的产品上面，怎么把机器人和整个产品的链条关联起来的一些做法。比如说当问到人工的时候，我们这个产品里面的机器人会先在第一轮去挡掉很多问题，但是你如果认为这个问题机器人回答不好，你还可以转到人工去进行回答，当人工回答的时候机器人会在后面辅佐他回答问题，这个问题出来之后你只需要点一个这个问题，机器人会从答案里面推选出一些它认为跟这个最匹配的去供人工来进行选择，这样就不需要人一个字一个字的去输入了，非常高地提升了人的使用效率。
第二个现在我们所做的就是基于用户数据的分析、操作行为的一些精准推荐，比如你到了我这个系统之上，你可能购买了某一个商品，可能咨询过某些类的问题，那当你问到其他问题的时候，我们会根据你此前的用户行为，推荐一些你可能认为感兴趣的东西，或者感兴趣的答案供你来进行选择。这也是现在来讲能够将客服这个产品更好地和交互式的产品结合，并且在客服场景里面去延伸销售的场景的一些应用。
另外我们现在还在在跟一些合作伙伴合作，就是专门做语音处理的，它将语音识别成文字，再由我们通过自然语言的分析，来将这个文字做质检，比如说这一通文字是这个客服回答的问题，那最后客服是否解决了这个问题，解决的程度是不是满意，这些都是可以在产品里面做的。
百度「凡尔纳计划」：人工智能的未来是什么？
大家好，我是百度「凡尔纳计划」发起人徐菁。
众所周知，人的左半脑是「意识脑」、「学术脑」，右半脑则被称为「创造脑」、「艺术脑」，而未来学科一定是多领域的跨界融合，是左右脑的协同开发。今年 6 月由百度发起的「凡尔纳计划」就是旨在将科学家代表的左脑与科幻作家代表的右脑结合起来，基于人类未来学研究的计划项目；而之所以命名为「凡尔纳计划」，意在向「世界科幻小说之父」儒勒·凡尔纳致敬。
凡尔纳，19 世纪法国著名小说家、剧作家及诗人，科幻小说之父。他就像是一个时间的旅行者，曾经在他的著作里面出现过的，潜水艇、霓红灯、导弹、电视，后来都一一被发明了出来。凡尔纳曾经说过这样一句话，「一个人能够想象出来的东西，另外一个人能够把它变成现实」。
英国「文科生」赫胥黎在科幻小说《美丽新世界》中预言了克隆，在三年后克隆技术的核心原理，DNA 分子结构才被发现。赫胥黎为何具有如此的超前性？因为其身处一个生物学世家。
科幻不是漫无目的的想象，而是一个充满活力的实验场，在这里大家都放下自己暂时的国籍、身份、地位，一起去思考关于人类未来的一些问题。现实生活中，无论是在硅谷，还是国内的创业公司，许多优秀的创业领袖，像扎克尔伯格、马斯克、李彦宏、雷军等等，都是科幻的爱好者。
这种让「左脑碰撞右脑」的跨界合作，NASA 便是早期的热衷实践者。每年 NASA 都会邀请科幻作家参与到他们的研究项目当中，在这些研究中，「右脑」负责更好的去想象未来，「左脑」则不断地突破现在的知识的边界。
早在 2015 年的极客公园创新大会上，李彦宏曾表示，百度在科学技术研究领域「就是愿意投入」。在过去的 2015 年，百度在研发支出方面投入了 100 多个亿。而这种投入在凡尔纳计划的引领下，将是持续且增加的。
显然，百度启动「凡尔纳计划」，就是希望将科学家代表的左脑与科幻作家代表的右脑结合起来，干一票属于未来的大事儿。在科学家与科幻作家的共同建议下，百度凡尔纳计划将人工智能作为首发研究课题。由百度在人工智能布局图中可以看出，AI 技术、大数据、应用场景成为百度人工智能金矿的燃料和发动机。
目前，百度大脑目前已经具有了全球最大的神经网络，拥有 200 亿个神经参数，可以更好地支持进行各种各样机器的训练工作，让「智能化」的未来图景越来越清晰。
基于百度大脑强大的神经网络，百度的人工智能技术已经在多个领域进行落地。
无人车领域，去年 12 月 10 日，百度无人车已经在北京市进行了上路试验，速度最高曾经达到每小时一百公里。百度在 2018 年前有望推出一款可商用的车型。而这不是简简单单让一辆车能够在路上跑起来，而是需要通过百度大脑让这辆车能够思考、能够交流，并不断完成数据储备和学习。比如未来，将不用担心周一早晨是不是堵车，需要几点出门，这个时候你的车其实会提前告诉你需要几点钟出门，哪里可能会堵车。
金融领域，百度通过庞大的互联网数据基础，精准反映用户人群画像、行为偏好，并预测未来征信状况，从而扩大授信范围，通过智能审批提高获取金融服务效率，加强账户安全保护，通过人工智能和大数据的结合，让普惠金融成为可能。
医疗领域，人工智能在最前沿的基因破解领域也崭露头角。2015 年年底，百度和北京协和医院达成合作，在食道癌方向帮助北京协和医院去进行基因测序。因为基因测序需要非常大的存储和计算量，之前在医学界进行类似的分析，往往只能完成 100 多个案例的测序，而协和医院与百度的第一次合作，就可以完成 1500 个病例的测序，这在全球都属于最大规模的疾病的基因测序，而这项工作有望在 2017 年就能够完成。
目前，凡尔纳计划已经完成了第一次对话。接下来，百度在美国硅谷的人工实验室将首次向凡尔纳计划成员开放，并且在美国硅谷人工实验室的科学家们将跟科幻家们进行深度交流，然后推出更多具有想象力的产品。
对未来最好的方式就是让我们去创造它，「凡尔纳计划」对百度而言并不是一个商业计划，也许在短期内也不能得到回报，但这却是百度认为必须去做的，它的愿景很远大，希望像凡尔纳一样，让这个时代的想象力能引领未来的科技发展，能够为我们开启科技的黄金时代。
