近日，ShapingHumanSociety博士。《连线》杂志资深作家WillKnight主持对话。AlexPentland教授任教于马萨诸塞州理工学院，世界大数据权威专家之一，现任麻省理工学院连接科学研究所所长，麻省理工学院媒体艺术与科学学院教授，??是“可穿戴设备之父”和《福布斯》“全球七大权威大数据专家”、《麻省理工科技评论》“年度十大突破性技术”等称号两次。参与建立麻省理工学院媒体实验室，是全球被引用次数最多的计算科学家之一。对话引述：李开复：“人工智能最大的机会在于与传统企业的结合。这种价值产生的速度极快，只需要几个月甚至几周的时间。”“未来的突破很难预测。对于Qi来说，关于超级智能的争论过于乐观了。”“小型AI公司与巨头竞争。我的建议是，找出巨头没有平台优势的细分领域，为目标行业创造价值。不要与巨头的核心业务正面交锋。”AlexPentland：“人工智能绝不是要取代人类，而是要促进多元文化之间的相互联系和团队合作，让人们更好地社交和相互联系。“最困难的事情实际上是说服人们改变他们的业务流程以使用人工智能，因为大多数人都停留在过去。”“人工智能有一天可以取代人类的所有能力，但这个过程会很漫长，可能需要几百年甚至更长时间。李开复博士在对话中说，当我们试图解决人工智能问题时，我们应该用技术解决技术问题，我们可以寻求与监管部门的合作，而不是扔给他们。“新技术会产生新问题。我们应该通过各种方式尝试使用更先进的技术解决方案，就像计算机病毒刚出现时，杀毒软件就诞生了一样。”彭特兰教授认为，人工智能的核心是促进多元文化之间的互联互通。不仅仅是工程师或科学家，经济学家、政治家也必须参与其中。“各国应该促进合作，制定互通标准，就像TCP/IP互联网协议一样，避免AI冷战。”他们认为，人工智能的发展从来不是单打独斗，跨学科思考和跨领域合作尤为重要。本次对话是麻省理工学院中国创新创业论坛（MIT-CHIEF）举办的一系列高峰对话，主题为《计算与未来: AI与数据科学如何重塑人类社会》。麻省理工学院-中国创新创业论坛（MIT-CHIEF）由麻省理工学院的中国学生创办。至今已十年，是北美历史最悠久的由大学生举办的华人创新创业论坛。系列峰会对话邀请顶尖科学家、投资人和企业家共同探讨技术创新和商业化过程中面临的挑战。第一部分主旨演讲李开复：各方合作让AI更务实。很荣幸再次受到MIT-CHIEF的邀请。关于人工智能，这次我主要想讲四点。第一点是我这本书的主题，人工智能的超能力。我们已经从人工智能的发明阶段进入了应用阶段。从应用落地来看，我们正在迎来人工智能发展的最大机遇。不少科技公司在人工智能领域布局多元化，从视觉、语言、触觉等感知技术到自动化机器人、无人驾驶，对多个领域产生了深远的影响。虽然目前的AI应用还有局限性，但我预测未来的格局会非常大。据统计，目前各行业人工智能采用率不到5%，人工智能应用的中长期增长曲线颇具可预见性。第二点，我很高兴看到人工智能正在与传统行业深度融合。随着人们对人工智能的了解越来越多，越来越多的人工智能公司应运而生。人工智能最大的机会在于与传统企业的结合。创新工场也在帮助金融、制造、物流、零售、医疗等行业的企业进行人工智能转型。作为一个AI投资人，我觉得如果在这些行业找到正确的AI应用方向，可以带来几千万的回报。这种商业价值的产生极其迅速，通常只需要几个月，甚至几周就可以看到结果。目前，人工智能在传统行业的渗透率仍处于个位数，还有很大的提升空间。然而，对于很多企业来说，他们需要的是高度定制化的解决方案，而不是通用的AI解决方案，因此在集成的过程中难免会遇到很多挑战和痛点。第三，早年做了大量的科研工作。我很高兴看到关于系统一和系统二的讨论。我们期待人工智能技术从系统一升级到系统二，即从识别到决策。、优化等能力，升级为感知、认知等高级智能能力。有不同的思想流派试图让人工智能更接近人类智能，其中之一主张回归经典的人工智能概念，甚至重建新的模型结构，在深度学习技术的基础上利用人类知识。但我更支持另一种理论——深度学习的潜力还没有完全释放。回顾过去60年的人工智能发展史，最大的突破来自计算能力和数据量的巨大增长所产生的可扩展算法。我们已经看到卷积神经网络(CNN)和自然语言处理预训练模型的广泛使用取得了令人瞩目的成果。预训练模型类似于人类语言学习模型。不管是英语还是中文，在掌握了这些语言之后，学习编程、美术、化学。在无监督学习环境中，这个模型比我们想象的更强大，就像在AlphaGo中一样。最后一点我想说的是如何让AI更加务实。人工智能有很多问题，比如隐私、数据安全、治理和监管，这里就不一一讨论了。当我们试图解决这些人工智能问题时，有人认为加强监管部门的管理是唯一的出路。事实上，并非如此。我们是否也可以努力开发更强大的技术解决方案？就像计算机病毒刚出现时，杀毒软件也随之诞生；面对千年虫问题，它也很快找到了技术解决方案。我们可以通过开发新技术来应对DeepFake深度换脸程序的挑战；或者通过联邦学习技术，在保证数据隐私的同时，满足深度学习训练的需求。作为一个有技术能力的群体，我们需要和监管部门合作，而不是直接丢饭碗。相信在各方的帮助下，一定能够让人工智能的应用更深入、更务实、更高效地攻克我们现在面临的各种难题。AlexPentland：各国之间应该建立互操作性标准，避免“AI冷战”我对目前的深度学习技术不是很看好。主要原因是深度学习不仅需要庞大的数据源，还需要这些数据长期不变，以保证模型训练结果的可靠性。例如，人脸和语言是相对稳定的数据源。但深度学习无法应对瞬息万变的真实情况。在新冠疫情蔓延加剧之际，亚马逊仓库出现商品短缺，不得不停止送货服务。深度学习后这个高度优化的系统崩溃，是因为瞬息万变的疫情与深度学习对恒定数据源的需求之间的矛盾。另外，我想谈谈如何通过联邦学习促进数据流通。大多数公司没有足够丰富的数据，需要联合不同的数据源。基于这种需求，出现了很多新的商业模式，比如“数据经纪人”——他们不卖数据，而是出借数据以满足特定需求。大量“数据经纪人”业务应运而生，它们促进了数据的流通，加强了数据的隐私保护。因此，联邦学习等技术与业务策略的结合有效地解决了数据合规性和所有权挑战。联邦学习也依赖于新的基础设施建设，为数据应用和深度学习提供基础环境，比如区块链技术。现在世界上很多国家都在进行相关制度建设的试验。新加坡等国家已经建立了竞争性的区块链系统来解决支付和物流问题。我们最近还帮助瑞士做了一个类似的实验，涉及不同数据的互操作性和一致性。我们还在研究如何用尽可能少的数据来达到人工智能的目的。小量数据是指持续更新的短期数据，使AI能够对快速变化的情况作出反应，及时做出调整。我们打算把人工智能和其他基础科学结合起来，比如阿尔法围棋（AlphaGo）就是这种结合的初步尝试。这些方法不依赖于大量恒定数据，可能比深度学习更强大。此外，我们正在讨论在联邦学习过程中利用人工智能来保护不同数据方的权益，这是实现不同国家在互操作性、支付信任、物流运输等方面合作的关键前提。.另一方面，我们探索如何将人工智能技术应用于加密数据。我们与大公司和政府密切合作，寻找解决系统入侵和保护网络安全的方法。我也花了很多时间研究与政府的合作。政府往往不知道如何通过大数据做出决策，也不知道如何优化数据。人工智能可以帮助政府实现更高的效率。例如，联合国现在有很多可持续发展目标的相关评价指标，世界经济论坛也可以为会员国提供不同的标准计算。在我们现有的多元数据库的基础上，现在可以利用人工智能实现一种新的数据优化方法，将贫困、不平等等以前无法量化的指标，通过可量化的指标进行评估。同时，要真正实现这一目标，还需要制定统一的互操作标准。没有这个标准，各国就不会相互信任合作，可能会出现人工智能冷战。所以我们需要找到促进合作的方法，比如TCP/IP互联网协议。正如我之前提到的，新加坡、瑞士等目前正在尝试的区块链系统有望解决各国之间缺乏互操作性标准的问题。PartII对话美国在线教育发展更艰难，只在ZOOM上讲课还不够Q1：疫情加速行业变革，远程医疗和在线教育开始蓬勃发展。这只是人工智能对人类社会影响的冰山一角。想请两位谈谈未来人工智能在哪些领域的应用前景，你们看好哪些？李开复：这次疫情确实对整个社会产生了实质性的影响。人们的行为习惯发生了很多变化，更愿意接受在线学习和工作。.这种新行为会产生大量数据流，为人工智能应用带来更多可能性。例如，大健康和远程医疗领域产生的数据可以训练更智能的模型。与此同时，越来越多的人开始结合新的人工智能技术进行基因组学和新药开发的研究，所以我相信人工智能在医疗领域的潜力是巨大的。AI与教育的结合也值得期待。一方面，它可以帮助教师处理重复的日常任务，比如批改作业，让教师可以把时间和精力投入到更有创意的事情上，更用心地为孩子们提供优质的教学。另一方面，可以提高学生的课堂参与度和积极性，比如设置卡通版AI虚拟老师，让课程充满趣味性。在中国，很多在线教育公司在疫情前发展迅速，比如创新工场投资的VIPKID，可以让纯英文外教在线给中国学生授课。目前，中国的在线教育已经扩展到更多学科，包括体育、舞蹈、书法等素质教育课程。相比之下，在线教育在美国的发展会更加艰难。毕竟，仅仅在ZOOM上讲课是不够的。好的在线教育必须有好的内容。人工智能的核心是增强人际互联，应强调文化多样性。AlexPentland：我不太认同李开复博士提到的教育案例。MIT大约20年前就在教育中使用AI，重点根本不是内容，我们甚至提倡免费向公众提供内容。人工智能绝不是要取代人类的作用。我们更强烈地称呼AI是为了加强人与人之间的互动，让人们更好地社交和相互联系。例如，手机上的人工智能技术并不是要取代你，而是要让你高效地找到最合适的工作和最正确的人，让你更容易获取信息和创新。我们可以使用数据来激发更大的创新和培养领导力。只有基于这样的目的，才能推动更多创造性的教育和学习，这比专注于教育内容本身重要得多。在加拿大，一家创业公司正在培训普通人学习人工智能，比如水管工，教学效果非常好。他们的教育方式不仅仅是教授基础知识，而是以一种激发人们互动思考的方式。我们之前调查过国内3000多家孵化器，发现创业成功的因素中，第一是文化多样性，也就是创始团队背景的复杂性和多样性。二是团队成员的专业多元化，能否充分发挥所长，很好地开展团队合作。1956年，马文·明斯基(MarvinMinsky)创造了人工智能一词。但我们对人工智能的理解不应该仅仅停留在“人工”层面，而应该扩展到多元文化之间的相互联系和团队合作。我称之为扩展智能（ExtendedIntelligence）。这也是我要强调的。人工智能这个词有一定的偶然性，但它的核心点是增强人与人之间的联系。AI未来突破难预测，奇点和超级智能过于乐观Q2：AI未来十年有没有可能取得重要突破？例如，GPT-3最近展示了惊人的能力。两位觉得未来的突破方向是什么？李开复：过去60年，深度学习是唯一的重大突破。之后，卷积神经网络（CNN）和GPT-3被认为是重要的改进，我对人工智能的逐步完善持乐观态度。对于科学家来说，他们期待技术上的突破。但我认为未来十年基础科学研究可能不会有重大突破。但是，该模型相对容易。只要有大量的数据，就可以从实验室应用到工业上。CNN和GPT-3都是模型加上海量数据的结果。我很务实，虽然乐观，但我不是“未来主义者”。未来的突破很难预测，关于奇点的争论，甚至超级智能的出现，在我看来都过于乐观了。AlexPentland：我同意李博士的观点。很多生物机制是很难解释的，包括利用感知来识别事物、理解声音、寻找食物等，这些都是深度学习算法无法做到的。但是深度学习可以研究科学、制定规则、研究理论和实践。从务实的角度来看，我对联邦学习最感兴趣。就医疗而言，我们有这么多医院，在COVID-19大流行期间我们做了很多实验。为什么不能把这些实验数据结合起来呢？虽然数据不兼容，但这也是探索不同数据之间关系的好机会。未来，我们对数据的需求可能会越来越少，外科医生或物理学家可能不需要太多数据，因为他们已经很了解规则。不墨守成规，跨领域跨学科应对挑战Q3：人工智能的关键挑战是什么？对于想从事这个行业的人来说，需要了解的重点有哪些？李开复：首先，背景在变，新技术层出不穷，我们每年都需要学习新的东西。其次，人工智能可能会引发各种问题，包括偏见、歧视、伦理等，是否会危害人类健康，无人驾驶技术该何去何从等等。第三，人工智能的研发需要深刻理解技术对社会、生活和人类健康的影响。非常感谢像斯坦福、麻省理工这样的大学能够将AI教育扩展到各个学科，让研发人员早日实现自己的责任和价值。AlexPentland：是的，我的朋友对电做了一个有趣的类比。电动机刚开始用于工厂生产时，并没有起到很大的作用，因为人们不知道如何改造生产。过程。人工智能在某些领域发挥了重要作用，但当它应用于其他领域时，需要转变流程。在许多情况下，最困难的事情是说服人们改变业务流程以使用人工智能，因为大多数人都停留在旧的方式上。有趣的是，正如李博士所提到的，像麻省理工学院和斯坦福大学这样的大学确实在认真对待这个问题。比如我今天上午正好和G20领导人就这个话题进行了对话。大家一致认为，我们必须从跨学科和跨学科的角度来面对这个问题，而不仅仅是工程师或社会科学从业者、经济学家、政治家等都必须参与进来并密切合作。随着人工智能的应用领域越来越广泛，除了需要强大的社会规则建立能力外，还需要对研究经费和企业投资进行各种调整。虽然大公司的实力不容小觑，但对小公司还是有期待的Q4：AI研究会消耗大量资源。我们应该平衡学术界的资源吗？现在资源重新分配和平衡了吗？李开复：在人才方面，已经有再平衡的迹象。过去，很多一流大学的学者基于薪水和各方面的考虑，选择进入企业界工作。近期，几位曾在百度、海尔、字节跳动等公司工作过的优秀人工智能科学家纷纷返校。但像GPT-3这样的技术对于大学和小公司来说仍然负担不起。支撑GPT-3运行的计算机是世界第五大超级计算机。训练每个算法需要花费460万。如此强大的计算能力，只有腾讯、谷歌、微软这种级别的公司才能负担得起。我观察到近几年的人工智能创业公司与5年前有很大不同。它们一般由人工智能科学家和商业人才共同创造。他们天生就是为了解决特定的问题。它们不是纸上谈兵的开创性科学研究，它们经常进入大公司忽视的领域。例如，人工智能为制造业赋能并不是一件容易的事。有必要到工厂进行实地考察，了解其工作原理。因为赚钱容易，大公司不愿意做这些低成本的苦活。这些小公司的努力一旦开花结果，将对行业产生革命性的影响。所以，虽然大公司的实力不容小觑，但我对小公司还是抱有期待的。AlexPentland：大学和企业是一体的关系，这不仅体现在人才的流动上，也体现在信息资源的共享上。他们是一个整体合作的局面。当然，这不是绝对的。行业内的保密需求依然存在，但站在学校的角度，我们愿意毫无保留的为大家提供更好的研究成果，并与企业合作，形成标准化的平台。人工智能要取代人类，还需要几百年甚至更长时间。Q5：您认为AI无法替代的是什么？李开复：一个是创造力，分析能力，逻辑辩论能力，知道自己知道什么不知道。这些都是人工智能无法替代的。另一类是人与人之间的共情、信任、友情、自知、觉悟等。AlexPentland：人工智能有一天可以取代人类的所有能力，但这个过程会很漫长，可能需要几百年甚至更长时间。AI创业建议一：找一个小的切入点，不要和巨头硬碰硬Q6：李博士提到了AI在小企业的应用。你能举例说明如何使用它吗？李开复：这个问题分为两个部分：一个是针对小企业的AI公司与巨头的竞争。我的建议是，找准巨头不具备平台优势的细分领域，为目标行业创造价值，不要与巨头的核心业务硬碰硬。对于那些想要应用人工智能的中小型非人工智能公司，他们需要确保有足够的数据来训练与核心业务价值挂钩的人工智能模型，并且有一种愿意改变的开放的公司文化。因此，早期应用人工智能的公司可能会更大，因为他们有足够的数据和适应变化的商业模式。每个例子都是不同的，并不是每个公司都会应用人工智能。AlexPentland：如果我们放宽对AI的定义，也许水管工和承包商拥有数据，通过一些简单的分析和整合，AI也可以在很大程度上改进他们的工作。这些都是小切入点，但基于简单的人工智能分析和机器学习，它们仍然可以产生巨大的潜力。AI创业忠告二：懂技术的同时懂业务Q7：最后的建议可以分享一下吗？李开复：我们正在进入一个激动人心的时代，人工智能开始渗透到方方面面。希望所有同学都能参与到这波改革浪潮中。需要深入理解人工智能的商业落地，而不仅仅是钻研技术本身。AlexPentland：不要对深度学习或冗长的算法太认真，一切都从要解决的实际问题开始。不要停留在技术本身，而是了解数据的类型、形状和规律，关注业务流程。感谢叶乐飞、刘诺、蓝轩、张浩、陈东杰、刘子昂、张子瑜、钱令寒、水怡芳和沈勇对本文翻译和审校所做的贡献。
