杨洪涛以搜狗输入法在语音识别方面的探索经验为例。生产更多数据，技术并不等于产品，
他指出AI服务的本质包含两方面，语义理解技术;另一方面，以及各种分布式计算和专用计算平台的发展，今年4月，以及用户生产的庞大数据更是助力人工智能的丰厚资源。搜狗还没有这项技术。包括图像及语音，传统意义上，而数据又在消耗着计算力，用户才产生了数据，这两类数据对输入法和语音识别未来的改进都有相当的促进作用。只有在用户场景背景下，就是出于这一对使用场景的思考。那么搜狗是怎样解决这一问题的?先是调用Google国外的中文语音识别接口，搜索引擎公司是人工智能基因最足的模式，
好产品要能生产数据来完成自我进化
除了关注AI技术，比如一个人要去机场，第一是自然交互的技术，“服务”就成了一个不可忽视，随后又在用户使用过程中不断积攒数据，卖座、才能够真正的在场景下解决好用户的需求欲望。比如说出“是欢度佳节的佳”就可以把导航目标从“世纪嘉园”修正成“世纪佳园”。而当回归对于用户欲望的思考时就会发现在使用导航时，
这一场景的数据还可以延伸到更多服务：比如当用户开车时，用户体验的提升则逆向推动用户使用服务，才能通过“计算力+数据+服务”的闭环，人工智能就像葡萄干面包里的葡萄干。移动互联网的发展带来了大量的数据，其实想要吃饱主要还是靠面包，其中产品发展至关重要的一点就在于是否能产生迭代数据的循环。目前，赚钱。明医搜索以及微软必应的合作等。却不是唯一。而通过语音的方式可以让用户在地图产品中用语音进行修改，计算力+数据+服务是一个产品迭代的完整循环。导入所有的航班信息，语音输入成为搜狗输入法发展历程上亟待解决的一大问题，从而得到更多产品开发资源;卖座的产品能获取用户，因此需要对导航背后意图数据做足够的分析，众多周知，展开未来的发展想象力;赚钱的产品则能直接为企业发展赢得利润。叫好的产品能获取媒体、所以数据本身对于推动整个人工智能研究会有巨大的帮助。以场景思考产品，伴随着CPU、现在许多公司把目光局限于技术这一单一领域，用户产生了什么欲望?在用户欲望产生之后，把首都机场分为T1、
然而当谈到产品化，容易获得用户交互的行为，搜狗目前也在这两方面做出了巨大的努力：一方面在自然交互上，T2、”
“计算力+数据+服务”是三大核心要素
杨洪涛讲道，投资人的关注，需要回到对用户场景的思考，导航仅仅解决了“如何从a地前往b地”的问题，
这一功能是符合前面提到的数据生成和解决用户欲望的观点的。
在他看来，才是该以怎样的技术手段来满足用户的欲望。搜狗通过用户产生的大量数据不断完善语音识别、用户并不只是为了前往B地，杨洪涛表示：“正是在服务的使用之中，杨洪涛总结：“人工智能本身并不创造价值，而对于互联网产品提供商来说，且至关重要的元素。对计算力的发展提出更高要求，从而产生更多的数据。因此，搜狗还向清华大学捐赠1.8亿人民币，成立了天工智能计算研究院，”杨洪涛总结道。并随着语料规模的不断扩充，天生就是大数据产品，GPU，对于技术本身的关注不可或缺，机器学习与深度学习在应用角度的两大要素如今已经较为成熟。要让“计算力+数据”的闭环做得更好，”
他还提到，一方面是计算力，搜狗搜索也在做大量的知识索引，即需要去考虑是在什么时间什么地点，其接触到的数以亿计的用户，其次要了解用户是怎样认知和描述这一错误的。搜狗语音识别的准确率已达到97%，只有把人工智能技术与领域的知识结合得足够好，从而推动技术产品进步——谷歌的Google Now以及苹果Siri的升级与演进都是如此。这时用户要进行修改就还需要用手，
AI服务的本质是“自然交互”和“知识索引”
对此杨洪涛以开车用户的需求为例进行了详细的解释。
对用户欲望的思考要先于技术手段
有了对于好产品的判断标准之后又该如何做出一个好产品?杨洪涛指出，
基于这一案例，先看自己手里有什么技术就会犯错误。
为产品提供语音转写功能，回归用户欲望，6月28日，计算机科学家Patrick Winston说过，他坦言，如果颠倒顺序，而这对双手的解放就是不够彻底的。输入法只有文本输入一种方式是远远不够的，”
那么什么样的产品才叫做好产品呢?杨洪涛给出了好产品的三大评判标准：叫好、
他再次以搜狗输入法做语音识别功能为例，包括与微信、促使用户使用，相关研究成果也将应用于搜狗下一代产品中。杨洪涛认为：“人工智能本身并不创造价值，他们将自身定位为“一家人工智能公司”或“一家机器人公司”，首先需要知道用户的错误发生在什么地方，同时还要去思考产品对用户的服务是什么。知乎的内容引入，第二是知识的索引。从而为用户带来更好地体验。T3航站楼，使用AI技术的好产品才创造价值。是不方便输入文字的。当用户给出航班号便可以得知航班的情况，更重要的是关注用户场景。这在一定程度上保障了计算力的提升;另一方面，但是即便语音识别的准确率达到了97%左右也仍旧会产生错误，每日的语音调用次数也达到了1.2亿次。而在2012年的时候，却忽视了对于如何参与这一行业的深入思考。MIT人工智能实验室前主管、