智庫中國 > 

硅谷頂尖風投談人工智能:躲過AI投資的“坑”,需要暗知識

來源:人大重陽網 | 作者:王維嘉 | 時間:2019-11-19 | 責編:申罡

編者按:11月11日,人大重陽與人大商學院合辦了人大重陽系列講座No.184《對話名家王維嘉:暗知識——機器認知如何顛覆商業和社會?》,王維嘉博士是人工智能最早的研究者和移動互聯網的開拓者。現將精彩演講呈現如下(全文有刪減,詳情可參閱其著作《暗知識》)。


摘要


王維嘉博士首先為大家介紹了自己寫作《暗知識》這本書的初衷——為讀者呈現一本通俗易懂且實用的人工智能讀本。之后由AlphaGo下圍棋取勝開始介紹人工智能如何走進大眾視野,以及人工智能的內在邏輯和基本原理。雖然目前人工智能有很多震撼的應用和表現,但有時就連工程師本人都很難解釋其中的原因,這是因為人類對于知識的理解、描述和傳播受到自身生理條件的限制。一直以來人類掌握兩類知識:“明知識”和“默知識”,而今天,人工智能突然發掘出了“暗知識”——隱藏在海量數據中的萬事萬物間的關系。對于暗知識的理解和運用有助于我們認識人工智能的核心技術和本質、明確區分to B和to C,從而能夠甄別未來哪些行業將被人工智能顛覆、存在投資的機會,又有哪些領域充滿泡沫和陷阱,人工智能未來的發展瓶頸是什么;對于普通大眾來說,雖然一些涉及大量數據搜索和整理的工作將會被人工智能取代,但那些充滿創意和人文情懷的事物則永遠是人類的精神所在。


要點匯總


知識可以分成三類:“明知識”“默知識”和“暗知識”。明知識就是可以用語言、文字或公式清晰表達和描述的知識;默知識則是個人在感覺上能把握但無法清晰描繪的知識,即我們常說的“只可意會,不可言傳”的那類知識;暗知識是隱藏在海量數據中的萬事萬物間的關系,既無法感受又無法表達和描述的知識。


暗知識告訴我們,你的直覺、經驗,雖然難以解釋,但不是迷信,是有科學根據的。特別是我們理解人類大腦工作原理以后馬上就能理解了,因為這個信息在我們頭腦中。神經元的連接是非常復雜的,而我們語言能描述的東西非常少,所以我們經常說語言是非常貧乏的。


AI浪潮與互聯網浪潮有三個區別:一是AI從一開始就要顛覆傳統行業;二是技術驅動和商業模式驅動的區別;三是可能不會出現平臺性公司或“贏家”通吃的局面。


判斷一個行業AI能否落地,有三個要素:第一是行業本身是否會產生大量的數據;第二是這些數據要足夠復雜、豐富、有意義;第三是這個行業能吸引足夠的資金支持。




一、為什么寫《暗知識》這本書?


市場上人工智能的書已經非常多了,我自己的日常工作是在硅谷管理一家風險投資公司,每天花時間最多的是看項目、投資,每年大概要看上千個這樣的項目。我發現市場的書有兩類,一是技術專家寫的,寫得非常非常技術,相信大家肯定看過公式、推導,別的一般人看不懂,連我這樣有技術背景的人都看不懂;二是寫市場營銷的東西,主要是寫應用和未來,這種書對做實業的人,無論是政府管理還是企業管理,用處并不是很大。我就想能不能寫一本書,第一能夠在技術上用最簡明、通俗的語言把它講清楚,讓沒有任何技術背景的人能夠看懂。第二,能讓這本書有用,比如作為投資人我能夠知道哪些行業能投,哪些行業不能投,對其他行業有什么作用。


二、人工智能是怎樣進入大眾視野的?


人工智能進入我們的大眾視野是因為AlphaGo下棋這件事兒,為什么下棋這件事兒對大家的震撼很大呢?特別是在中國,下圍棋是聰明人玩的游戲,像我這樣的智力連一段都下不了,但AlphaGo居然把九段大師全部無情地碾壓。比如聶衛平,為什么AlphaGo在盤中那么走的,他不懂,一直走到最后才知道這是一步非常高的棋,Google的工程師也不懂。AlphaGo打敗了人類以后,Google的工程師又造了一臺機器叫AlphaGoZero。第一臺AlphaGo是先學人類的幾萬盤殘局,然后把人打敗了。AlphaGoZero不學人類的殘局,只學圍棋規則,互相對弈,看能不能打敗原來的AlphaGo,結果七天以后它就打敗了原來的AlphaGo。這件事兒對我們的震撼就更大了,這意味著什么?人類的經驗不僅沒有幫助,反而是累贅,這讓我們的自尊心受打擊太大了。為什么?不知道。


三、解密人工智能的黑箱


現在整個人工智能產業遇到一個問題——它做出了非常神奇的結果,但不知道為什么,是個黑盒子。很多人試圖解釋,但怎么都解釋不了。這時候我就在想,會不會真的有一類知識是我們人類根本沒法理解的。我們回答這個問題之前可能有點學術的定義,就是“什么是知識?”以前翻譯字典,給出的知識定義非常多,我這里給出簡單的定義“知識就是數據之間的關系”,大家仔細想想,我們生活中就是這樣的道理。比如我們教孩子,讓他學會認英文字母“O”,怎么教會這個孩子認識英文字母O呢?當你在紙上畫出一個圓圈,他能發出O的音來,或者發出O的音后,他能在紙上畫出O來。就是把孩子的音和圖形建立了聯系,他就學會了字母O。我們很多知識都是這樣的道理。


有了這樣的定義,我們來看一下,事物之間都有哪些關系。所有事物之間就有兩類關系,一類叫做因果關系,一類叫做相關關系。在歷史上關于人類認知,有兩個學派,一個是理性主義,認為萬事都有因果,還有一派叫經驗主義。最后他們誰都說服不了誰,為什么呢?就是因為,他們都在討論認識論,但都不了解人腦是怎么回事。


人腦是怎么工作的呢?下圖是人腦神經的一個神經元示意圖。我們腦子里有多少神經元呢?1000億個,就是通過突觸連接起來。它的工作原理也非常簡單,一個神經元的突觸它們之間傳的是電信號,怎么傳呢?把化學分子傳過來之后,這邊接收化學分子,變成電壓,就把兩個神經元連起來。所以,今天人類所有的思維活動,學習的基礎,就是我們神經元之間建立了聯系。比如說小孩學字母O。他的視覺神經元和聽覺神經元兩個建立起聯系來,我每次看到一個橢圓就能夠激發那個聲音的神經元,就能夠把這個聲音發出來。其實人類學習的主要原理就是這個道理。這個原理是什么時候發現的呢?70年前。



神經元示意圖,圖源:http://www.sohu.com/a/315500512_661013


當發現神經元工作原理的時候,一批電腦科學家說這個原理很簡單,我能不能用電子線路來模擬呢?完全可以。下面這張圖就是用一個電子的線路來模擬人腦的神經元。這個符號“Σ”是加號,我有很多輸入信號,我把輸入信號加起來,和一個門限比較,門限就是我定一個電壓,比如0.8V,把三個加起來,高于0.8就把神經元打開,低于就關掉。整個工作原理就這么簡單,一個加法器+一個門限。今天看到的所有非常神奇的人工智能,它的基本工作單元就是這個,從1956年開始到今天都沒有變化,就是這樣最最簡單的基本原理。



圖源:https://kite.com/blog/python/artificial-neural-networks/


我斯坦福的博士導師在1959年做出了世界上第一個可以調節系數的神經元,是一個比較大的黑盒子。整個盒子就一個神經元。今天科技發展到什么程度呢?一顆芯片上就可以有幾百萬個神經元。當你只有一個神經元時,只可以做一些科學的演示或像游戲一樣的東西。當有幾百萬個神經元時我們就可以下圍棋,做更復雜的東西。今天我們聽到過很多詞,比如深度學習,神經網絡,什么叫深度學習呢?我把很多神經元,一層層地堆起來,每一層互相連起來,如果有很多層,這就叫多層的神經網絡,也叫深度學習的神經元。



圖源:https://blog.godatadriven.com/rod-multi-threshold-neuron


今天機器可以做人臉識別,假如我讓機器識別汽車,怎么訓練它呢?給它看不同的汽車圖片,每個汽車圖片讓它給我輸出一個信號,告訴我是1還是0,如果是1說明它認識了,如果是0我就調上面的旋鈕,一直讓它輸出1為止。當它看了很多照片以后,慢慢就抓住了汽車的特征,比如汽車有4個輪子,汽車的顏色等,我再給它看新的照片,它就能認出汽車。貓也是同樣的道理。今天大家說數據的學習和訓練,就是給機器看很多已知的圖片,告訴它,這張是汽車,下張也是汽車,然后它就記住了。有點像教小孩一樣,教他這是蘋果,以后他看到就知道這是蘋果。很多的過程都有很多數學計算在里面,但它的基本原理就是這樣的。


神經網絡大家覺得很神奇,我今天就想把這個神秘的面紗給揭掉。它每個組成單元都非常簡單,一個加法器一個比較器,就這兩個東西。每個神經網絡里都有百萬、千萬個神經元,要想把這些神經元數學表達式寫出來幾乎不可能,因為它是個高階的方程,非常難以解析。對普通人來講最重要的是理解它的最基本特征——它能夠從數據當中,把數據之間的相關性給提取出來。所以,我說它是“一頭辛勤工作的AI的奶牛”,吃進去的是數據,擠出來的是相關性。提取數據的相關性就是今天神經網絡最本質的東西。但它的局限性也來自它這個本質。


我們在媒體上看到各種各樣的大詞“人工智能、機器學習、神經網絡、深度學習”,他們包含的關系是這樣的:人工智能是最大的框,第二個框是機器學習(人工智能里還有一部分是非機器學習,非機器學習就是所謂的專家系統,比如我做自動駕駛,就想能不能把開車總結成一條條規則,比如見了紅燈我就停,見到綠燈我就行,見了行人我就躲。結果發現根本沒有辦法把駕駛所有的場景都寫下來,其實人類在三四十年前就試過這個辦法,走不通,因為實在是太復雜了。)機器學習是什么呢?不寫規則。今天的自動駕駛把每一幅駕駛場景照成照片,拍成視頻告訴機器這種場景應該怎么做,前面有3個小孩,有50米,你要踩剎車了,前面有人,有紅燈,你要停了。把所有的場景拍成照片,讓機器自己從里面總結出規律和相關性來,這就是所謂的“機器學習”,對普通人來講,這四個詞是可以互換、通用的,人工智能就是指機器學習,就是指神經網絡。但還有一類知識是人類無法理解的,那些只可意會不可言傳的知識。


四、直覺是迷信嗎?


到70年前,我們才突然發現,除了可以用文字記錄下來的知識以外,還有第二類知識——那些“只可意會,不可言傳”的知識。


比如面試一個新的員工,這個人到底靠不靠譜,怎么判斷呢?有經驗的面試官坐下來三五分鐘基本就有大概的印象,但為什么覺得這人靠譜或者不靠譜,你說不出來,就是一種感覺。


同樣的道理,我們在企業里,在政府里,當碰到重大決策的時候,我們就說請老板拍板。為什么叫“拍板”呢,為什么做決定的時候要一咬牙一跺腳呢?原因是信息不完備,當你有一個決策所需要的所有信息時,任何人都可以做決策,機器也可以。而現實是所有的重大決定都是在信息不完備的時候做的,怎么做呢?只能根據經驗和直覺。所以,索羅斯說過一句話,“我所有的重大決定都是靠我的胃做出來的,如果我的胃疼,就說明這個決定不好,也就是說我的身體是有感應的。”大家生活中有這樣的常識,如果我面對重大決定不知道怎么做的時候,就扔硬幣。有時候你扔完以后說不行我得再扔一遍。為什么你會再扔一遍?因為你潛意識不喜歡扔出來的這一面,也就是你心里已經做出了決定。所以,有一句話說“當你無法做決定的時候就扔硬幣,直到你心里想要的那一面出來為止。”


過去我沒法理解,覺得這些直覺、經驗都是迷信的,都是不科學的,因為說都說不清楚。其實我們今天理解人類大腦工作原理以后馬上就能理解了。因為這個信息在我們頭腦中,神經元的連接是非常非常復雜的,但我們語言能描述的東西非常少,所以我們經常說語言是非常貧乏的。這涉及到一個關鍵概念:暗知識。


五、知識的四個象限與暗知識


剛才我們已經討論了可以用符號記錄下來的知識和只可意會不可言傳的知識。但人工智能發現的知識,比如Google下圍棋這種知識是不是一類既不可意會也不可言傳的知識?我們可以把人類的經驗和表達用兩個軸(分為四個象限)表達出來,幾乎可以把人類所有的知識放在這個框架里。




第一類,既可感受也可表達。例如我們初中物理都學過浮力定律,牛頓三定律里作用力和反作用力,只要敲一下桌子手指就會疼,這些既可以感受也可以表達,非常清晰。


第二類知識是屬于可表達不可感受,這里最典型的是愛因斯坦的廣義相對論和20世紀發現的量子力學等。


第三類是只可意會不可言傳(可感受,不可表達)的知識,像騎自行車。既不可感受也不可表達的就是“暗知識”,上圖把人類或者世界上所有的知識全部包括在內了。


總之,能用文字表達的知識叫“明知識”,大量的感覺、經驗等達不出來的默知識就是水面下的冰山,它的總量遠遠大于我們能說出來的東西,“暗知識”就是整個海洋,它的量又要遠遠大于其他兩種知識。




六、AI投資落地的六大關鍵


(一)理解人工智能產業的生態金字塔


我們做投資時第一個要做的功課就是理解這個產業的生態,什么叫生態呢?就是一個產業有哪些組成部分,這些組成部分之間是什么關系?這些組成部分各自產生什么樣的價值?這些不同的組成部分誰的砍價能力是什么樣的。當一個項目到我面前時,我馬上可以把它在產業生態里做個定位,馬上可以知道它會受哪些因素的影響和牽制,而不是你這個技術好,你這個人好,你這個市場大,我一定要投資。


我總結出來的一個金字塔圖。在金字塔最頂端的是算法,就是理論、邏輯,神經網絡是怎么構建的;第二層是芯片,不管什么樣的東西都要用芯片,電腦要用芯片,手機要用芯片,人工智能要用芯片;第三層是軟件平臺,這個平臺就是一些程序庫。現在有很多開源軟件,比如我在程序庫里做了一件事兒以后,發現這個模塊很多人都會用,我就把它貢獻到開源社區里,其他人就不用再寫一遍了,后面這些人把這些程序庫拿起來,堆在一起,就不用從頭去寫一行行代碼,這就是所謂的開源社區。




很多人都問我,中美人工智能怎么比較?在基礎的算法、芯片和軟件平臺上,現在美國肯定是領先的。美國在人工智能方面研究已經60多年了,我們才開始追趕。美國的英特爾已經有非常強的芯片基礎。在計算軟件平臺方面,現在最大的開源社區就是Google,Google的TensorFlow有全世界最大的軟件社區,包括中國的工程師也在上面開發。所以,在基礎設施和核心技術上,美國是領先的。但應用上各國就有各有千秋了。比如中國的人臉識別絕對是全世界領先,領先到什么程度?美國在后面跟著吃土的資格都沒有,為什么呢?市場非常大。在美國、歐洲幾乎沒有市場,或者市場非常小,只有一些垂直的應用,而中國市場特別大,市場一旦大了以后,技術就可以發展得非常快。自動駕駛,中美各有千秋。對于中國,我很看好醫療圖像識別。


(二)哪些行業適合人工智能的三個標準


第一,這個行業本身會產生大量的數據,不論是它的生產流程還是服務流程還是管理流程。


第二,這些數據要足夠復雜和豐富,比如我這里放一臺空氣凈化器,一直發聲音,你把聲音錄下來也是數據,但這個數據有沒什么意義,非常單調,沒有意義。


第三,這個行業要有錢,你沒有錢的話別人不愿意改造你和顛覆你,顛覆你的目的是為了賺錢。


(三)明白To B 和 To C 的區別


這兩者最主要的區別是:互聯網是to B的生意,人工智能是to C的生意,一個是面向消費者,一個是面向企業和政府,有的叫to G,其實都一樣,就是一個對機構,一個對個人。這對我們做大的判斷有什么影響呢?第一,to C的生意有贏者通吃的特點,比如現在有個微信,馬云想再做就很難。阿里有個淘寶,你想做淘寶第二就很難,因為它有網絡效應,淘寶上商家越多,用戶越多。微信上朋友都在上面,再做個新東西我不愿意轉過去,因為我朋友都在這兒,這種網絡效應使得to C的生意變得贏者通吃。


人臉識別就是To B的生意。比如一個公司把北京的人臉識別市場拿起來,但他能不能把上海市場拿下來和北京沒關系,如果在上海還有個構思和你差不多的,人家就能把上海拿下來,甚至可能比北京還要強。所以,to B的生意不會產生贏者通吃,這造成今天AI里的泡沫。為什么AI今天有泡沫呢?一個原因,很多投資人把互聯網時代的投資思維帶到了AI時代。在互聯網時代如果你發現一個頭部公司,不管淘寶還是滴滴,不管多貴我就搶進去,只要能進去就能賺錢,基本規律就是這樣,因為最后贏者通吃。現在大家覺得還是贏者通吃,以很高的價錢進去,發現沒有贏者通吃,因為不值那么多錢,它的市場份額不像互聯網to C那樣具有壟斷地位,所以也就產生了泡沫。


抖音就是To C的生意,很快就在全世界做起來了,非常快。但to B的生意就沒有那么快,我記得李開復說,未來的人工智能,中國和美國是全世界最領先的,其他的歐洲、日本都會被遠遠落在后面。這個話對不對呢?我們看一下to B和to C的生意,比如今天的互聯網公司,一旦有了美國的Google,歐洲就做不出搜索引擎,一旦有了美國Facebook,(歐洲)也做不出來。而一個消費品應用會被全世界的消費者迅速接受,比如iPhone。


而to B就會有壁壘。比如現在要給巴黎市做個人臉識別,需要跟巴黎市的警察局合作,假如有一家法國公司,他的技術和你一樣好,你覺得警察局更可能選這個法國公司還是選一個美國公司,還是選中國公司呢?更大的可能是選擇本地公司,因為過程中要接觸大量的警察局的數據,要做各種系統集成和定制化的東西,需要本地大量的溝通,有文化的東西。所以,這種對政府和對企業的生意,它的壁壘,國家之間的壁壘就非常高,就不可能出現像Google、Facebook、抖音這樣世界性的應用,一定是區域化的。


另外一個就是同類技術的競爭問題,大家都用美國的芯片,大部分要依賴Google的開源軟件。其次是有沒有聰明人的問題。法國沒有聰明人嗎?法國人的數學非常好;俄國沒有聰明人嗎?日本沒有聰明人嗎?韓國沒有聰明人嗎?任何一個國家都能找出成千上萬個數學天才,然后很快找出這些算法,很簡單,沒有什么壁壘。所以,一旦它是to B的生意以后就會帶來這些不同的變化。這就是我說的,當你理解了它一個基本特點以后,就能做出很多推斷出來,對你未來的投資發展會做出很大的判斷。比如現在有個美國公司告訴我說,我做人臉識別將來打遍全世界,我根本不相信他,因為我有這樣的基本判斷,這對我的投資是非常有用的。




(四)人工智能難以替代企業家精神


我們把市場、供給和需求做個軸,已知和未知做個軸,在已知的需求市場上,數據是絕對有用的。比如礦泉水市場,因為今天中國礦泉水的消費基本上不會有什么大的增長或大的減少,因為每天你就能喝這么多水,再有錢也不會多喝兩瓶水,也不會窮到連水都喝不起。這個數據肯定是可以收集起來的,在已知的需求里,大數據非常有用。


但經濟是需求拉動的嗎?不完全是,也可能是供給打動的,所以我們現在叫“供給側改革”。比如礦泉水的包裝顏色比較保守,瓶子的設計不太時尚,水是不是能放點維生素?所以,雖然是個已知的需求,仍然可以從供給側做大量的改進。我作為企業家覺得市場很大,一定能做出一個非常時尚的瓶子,就賣給20歲左右的人,現代人就講這種感覺。所以,在已知的供給方面實際上可以做很多很多改進,也就是創新。這些東西在誰的腦子里呢?在企業家腦子里。企業家不會滿街說我要做這個東西,說也沒用。此外,更重要的一點是做這樣的創新不是有想法就可以了,而是你要真正承擔財務風險。比如你做出一個帶酸味的礦泉水結果發現根本沒人喜歡這個味兒,根本賣不出去,那就是靠運氣賺的錢全憑實力就給賠掉了。


也就是說在供給方面,大數據是預測不了的,因為它在人的腦子里。至于到未知方面,就是未知的需求和未知的供給,大數據、人工智能就更難以發揮作用。比如喬布斯2007年做的iPhone。假如2006年到人大,抓住人就問你希望智能手機有什么功能?誰能回答這個問題?沒有一個人能回答得了這個問題,因為你根本不知道什么叫智能手機,也沒有這個需求。所以,喬布斯說,我的市場調查就是出門的時候對著鏡子看自己,我根本不做市場調查,完全就靠腦袋想。大家說,喬布斯太神了。我在硅谷待了35年,其實在喬布斯之前,不知道多少家公司在這個方向上折戟沉沙,做掌上電腦,手寫識別,包括蘋果公司早期的相關產品都賠了不少錢。到了喬布斯的時候,所有的星星都排成一條線了,他的運氣來了,因為技術到了那個臨界點,到那個時候一下就成功了。所以,很難了解未知的需求。就像特斯拉發明電動汽車一樣,所有人都覺得電動車就是玩具,人家就做出來了。所有未知的需求和供給都永遠藏在企業家、創新家、發明家的腦子里,而且是通過試錯,大量的失敗完成的,一將功成萬骨枯。


我的結論是,人工智能、大數據不管計算能力多強大,收集多少數據,都不可能代替企業家的精神,不可能代替人類的創新,不可能代替試錯。


(五)謹慎預測未來風口


2007年有一場大討論: 移動互聯網對互聯網是延伸還是新的物種? 以搜索為例,有人說無非在手機上裝了一個搜索條,多了一個屏幕而已,運營上沒有什么區別,這很有道理。另外一部分人就不同了,說手機和PC是完全不一樣的東西,第一,手機永遠跟著你,第二,手機有位置信息。我屬于后一派的。當時有人說能做和PC互聯網不一樣的應用嗎?大家知道,如果做出新的應用來,肯定會是因為這兩個特點。果不其然,今天我們最大的應用是什么?微信。為什么微信好用呢?就因為老跟著你。第二是滴滴打車,為什么有滴滴打車?因為有位置信息。這兩個和PC不同的特征造成了巨大的新的應用,但在十年前誰都看不到,誰要說他能看到,那是騙子或瘋子。當然,也有可能他蒙對了。





(六)當前人工智能的瓶頸


人工智能有哪些局限性呢?它現在有點像動物,狗鼻子非常靈,認路認得非常準,但讓它學開車實在勉為其難,比如人類學家曾經花了很大功夫去訓練黑猩猩學人類的語言,怎么學都學不會,它可以認出一些詞,比如香蕉、吃,但永遠無法用語法組織起來,哪怕從小跟著人生活它也學不會。所以,我把它叫作沒有符號,沒有情感,沒有意識。因為它沒有自我意識,不懂得什么是愛,什么是恨,沒有疼痛的感覺,也沒有死亡的恐懼,什么都沒有。所以,我認為它取代不了我們人類的這種因果推理,邏輯推理,更取代不了大量需要情感的工作。比如醫生、老師、管理者,很多需要人類同理心,同情心的工作機器根本取代不了。我見到很多機器人公司,他們說要做個機器人保姆,我看都不看。一個保姆做的工作是何等復雜。不光機器做不了,而且還差得很遠,保姆是最難被機器人取代的。


在人工智能領域為什么大家覺得恐慌呢?因為大家覺得人工智能這么神奇,下圍棋把人類打得一塌糊涂,未來再發展下去是不是能控制人類,使我們成為它的寵物呢?大家想想,在它能成為我們的主人之前有個前提,它要產生自我意識,什么叫自我意識?我知道我的存在,我知道我和世界的不同,這種自我意識是怎么產生的?沒有人知道。所以,今天人類有三大問題還沒有得到回答,宇宙怎么起源的,生命怎么起源的,自我意識怎么起源的?這三大問題都不知道,沒有答案。我們現在知道的是什么呢?意識是個進化的產物,在人類進化中,不知道哪個基因一搭,一突變就產生了意識。其實大家想想,為什么今天我們的天文望遠鏡已經看出幾千、幾萬光年,在我們已知的幾千億星球里根本找不到我們人類這樣的智慧生物呢?原因就是,我們這種智慧生物是無數次的運氣的累加才能到今天。


以前的人工智能無非是延長我們的腿、眼睛、耳朵、肌肉。今天的人工智能是延長我們的大腦,至少大腦的一部分功能會被它大大增強。所以,是人類歷史上一次無比重要的工具進化,而且它一定會深刻全面地影響我們生活的方方面面。所以,今天如果我們能夠理解它的本質,理解它給我們帶來的變化的話,我們就能更好地應對未來。


發表評論

波叔一波中特论坛