（雷锋网记者谷磊现场拍摄）

雷锋网按：4月27日，GMIC 2017（全球移动互联网大会）北京站开幕。三位前微软人——李开复、张亚勤、张宏江齐聚一堂，主要探讨了AI的未来的发展前景、中国在AI领域的优势、以及AI人才的战略布局等问题 。

李开复：AI的主要应用领域是金融、医疗和无人驾驶。’

张亚勤：AI技术的未来是生物和数字智能的融合。

张宏江：如今是互联网+，未来是智能+。

中国靠什么引领AI时代？

张宏江：高质量的大数据，高质量的AI人才。

AI时代需要怎样的人才？

张亚勤：需要数学好、编程好、态度好，要比机器学的快。

李开复：做综合性的人才，学会把AI当做工具去使用。

以下是雷锋网整理的现场对话：

高欣欣：人工智能对我们的生活产生了这么大的影响，再往后看19年后的未来会是什么样的呢？您又将为这样的未来做什么样的布局呢？

李开复：我们现在是一个VC投资机构，还有一个是工程院，所以我们看的可能是10年后，19年后的事情还是要让霍金教授和学者们来推测。如果看未来这十几年，我们的机会肯定是把已有的数据拿来用。比如BAT、滴滴、美团等互联网公司已经用的很好了，但是中国还有很多新的公司，新的独角兽，每年几十个独角兽里可能有一半会有千万级别的用户，他们的千万级别的用户都是需要AI的，用AI来做运营，用AI来了解用户，用AI来变现，有AI跟没有AI的公司是巨大的差别。比如我们最近看到崛起特别快的几个公司，背后都是有AI科学家的，比如今日头条、快手。所以我觉得互联网公司用户做大了，然后可以使用AI，这是第一个机会。

第二个就是金融行业。其实AI就是利用大量的数据来做一个推测，金融领域本来就是人类创造的数字游戏，所以用起来特别的顺。而且金融领域是有对错的，你的股票跌了没有，你的贷款还了没有，这些问题的回馈可以帮助AI做的更好，甚至取代人类。我们看华尔街的很多交易员已经消失了，未来写报告的、做投资的，做风控的，做征信的，做保险的都会被取代。从商业回报来说，我们可以看到很大的行业机会。

更伟大的是医疗。如果肿瘤识别、CT识别、病理切片识别等可以做的更好，这个毫无疑问是对人类最有意义的，甚至可能消灭癌症。这个领域的挑战是数据不聚拢，有各个医院的防火墙，还有病人的隐私问题。

最后是无人驾驶。今天无人驾驶为什么没有做好？一方面是科技还不够，一方面是还没有足够的数据。我们要想尽办法做无人驾驶，无人驾驶这个事情不能说去撞几个人就有负面的数据了，怎么样去虚拟的学习而不要伤害人命，这些问题需要解决。还有就是成本太贵，但是这些问题终会解决，一旦解决了以后，一辆无人驾驶是可听、可看、可动的，当我们的传感器变得够便宜了，同样的技术会进入到机器人的领域，就进入了一个自动化的时代，这是15年，比你要求的19年差4年。

高欣欣：感谢。我想请教亚勤老师的问题有两个关键词，一个是落地，一个是战略。对于大公司和创业公司来说，人工智能技术如何在商业世界里面最快的落地？在落地过程中，大公司、创业公司应该注意什么样的战略？

张亚勤：刚才讲到AI的落地，对大公司小公司确实是需要不同的战略，不同的打法。大的公司有资源，有数据，有规模，有技术能力，可以打一个大仗。创业公司更需要聚焦，开复刚才讲的相当好。比如百度是比较大的公司，我们把未来十年二十年压赌在人工智能上，现在很多公司说我们AI公司是讲故事，但是在百度，从李彦宏到陆奇到我本人，未来公司资源技术都压在AI上面。

我们的打法首先是要做一个人工智能时代的操作系统，PC时代是Windows，移动是iOS，我们要做人工智能时代的Windows或者iOS。第二点，操作系统它本身没有应用、没有场景，是没有用的，所以我们会关注个重要的场景，一个是消费者，一个是家庭，一个是车。另外是商业，我们用百度云作为一个平台，上面会有医疗、交通、教育、物流这些垂直的行业。

做一个操作系统，在上面建立生态，和整个产业去合作，比如最近我们和很多家电企业、很多车厂都有合作。对我们来讲，开放的平台很重要。我们最近有几个开放平台，一个是AI的开放平台，里面有很多算法，很多模型，有数据，开发者可以使用。另外是一个智能驾驶的开发平台，这里面有十几种核心的技术，开放给产业，里面有很多数据，有API，包括有高精的地图和定位技术和数据，希望这个产业能使用这个平台，加快智能驾驶发展的步伐。

小公司是完全不一样的，小公司不可能做操作系统，或者一开始就做一个平台。这个时候选一个场景，选一个应用，用技术做差异化，真正落地的时候有很多工作要做。我经常讲AI是系统工程，从数据到模型到整个解决方案，都需要一个过程，是一个系统工程。可能10%的是算法，20%是平台技术，70%是落地的过程，这个相当重要。

高欣欣：既然要做一个操作系统，技术永远是手段是工具，您是如何看待AI技术发展的未来呢？

张亚勤：要很长的时间。我简单总结一下，刚才开复讲到是深度学习，未来是深度的算法，可能会和别的东西相结合。比如人怎么样更好的对大脑有更多的理解，怎样把这个模型用到我们现在的深度学习里面。另外要做一些人不能做的事，比如最近一个网络算法是声称对抗网络，它其实可以做一些大脑做不了的事，如果我们所做的事就是去模仿大脑，也没有意义。我们已经有人类了，我们要做一点新的事情。

另外一点，如果说未来的趋势，我认为是融合，是生物和数字智能的融合，现在有很多这方面的研究。还有一个是量子计算，量子计算大家觉得是天方夜谭，但我觉得五到十年内会真的变得更加有用。而且量子计算会改变我们人工智能很多的算法，所以说我觉得很多很有意思的事情都会在未来的五到十年内发生。

中国靠什么引领AI时代？

高欣欣：接下来要问的是张宏江博士，您最近常说一句话，说AI是中国引领世界的机会，我问您的问题就是在世界大范围下的中国机会，您是如何看待的？为什么您这么强调AI是中国引领的机会呢？我们中国的公司有没有机会成为世界级别的独角兽呢？

张宏江：刚才亚勤和开复讲到，我们看AI看两块，一块就是数据本身，随着互联网二十多年的发展，随着物联网逐渐普及，今天我们能获取的数据是十年前、五年前、甚至三年前都不可想象的。而且这些数据量跟以前不太一样，大部分是通过互联网形态来获取的，有相当好的精准度，可以很好地跟踪。这些数据本身可以作为很好的所谓的燃料，输入给人工智能，这是我想说的第一点，我们谈到AI的话，第一点最重要的前提条件是数据，而中国的数据是如此之多。

第二块就是人工智能其实和其他做任何一个新的技术一样，那就是人才一个核心点。如果你看一下过去十年AI这个领域中国的研究人员数量的增长，无论是在中国大陆的还是在海外的中国人的数量，总数已经开始超过其他国家，从14年开始已经超过了美国。也就是说总体的数量已经很大了。所以我们中国有了两个核心点，一个是高质量的大数据，一个是高质量的AI人才，这是我说为什么中国在AI这个领域是有一个非常好的引领全球的机会。

在过去的五年里，我们已经看到，在移动这个领域，中国的应用导向在移动互联网已经引领了世界潮流，我相信在AI这个新的领域里面，中国如果抓住这个机会，依然可以像在移动互联网一样，引领世界潮流。而且这次跟移动互联网不太一样的地方在于，这次我们在技术上也有课能引领世界潮流，也能抓住这个机会，因为我们人才储备相当丰厚了，这是我为什么对中国在AI这个浪潮中如此有信心一个根本的原因。

AI时代需要怎样的人才？

高欣欣：既然谈到了人才，现在我们人工智能领域很多科学家走出了实验室，进入到了产业，甚至成为了创业者，他们这么做是可以理解的，可是这也引起了行业一个担忧，因为人工智能还有很多需要突破的技术，所以需要做基础研究的人才，大家就特别担心出现断层，您是怎么看待这个问题呢？

张宏江：这是一系列的问题，在座的我们三位其实都完成了从科学家到管理者到企业家的转型。我们起了一个大早，赶了一个晚集，做语音识别做的太早，三十年后才开始进行使用，让我们高兴的是我们的学生，我们学生的学生，正在成为今天这个领域的主流。刚才说到的，在AI这块其实中国有很大的优势，中国有很多的人才，过去二十年也在很大程度上归功于微软研究院积累了一批世界一流人才，我觉得在我们人才积累这块是非常好的。

这次AI大潮跟以前有一些不同的地方，就是在互联网经过二十年发展以后，我们提出一个概念叫做互联网+，这是今天AI在过去热了这几年以后，很快大家认识到AI是一个赋能者，未来我们看到的是智能+，AI会帮助人，会替代人，会超过人。但是它的切入点是从应用开始切入的，在这块我们科学家创业的时候，在完成从科学家到企业家到创业者这个转型过程中，可能要花更多的时间看运用，从运用的角度来切入。这是一个从科学家到企业家中间一个很重要的转变，就是把你的思考从我是不是最新，我是不是对于现有的技术有些突破，转变成我的技术能不能实用，能不能为用户带来便利，能不能创造更大的效率。这是思考的一个转变，完成这种转变，才是真正完成从一个科学家到企业家的转变。

随着过去三十年的经济发展，科研水平的提高，人们对自己实力的自信，加上中国如此多应用的场景、应用的机会，我们的科学家一定会和商业市场很结合，真正能够做出一些非常好的新公司出来，从这块来讲我是非常非常有信心。而且我觉得我们不需要担心科学家都去创业，因为实际上这些创业成功的科学家，他们会带来更多的数据，带来更多的机会，让很多人能够发现一些更好的问题，从而作出更好的研究。同样也有一些科学家创业两三年，发现自己更喜欢安静，更喜欢做研究，可能回到学术界。科学家出来创立的公司，会给学生提供更好的实习机会，这是非常好反馈过程。

高欣欣：接下来请教张亚勤博士，我要问的是人才战略。在整个人工智能行业里面，大家都在抢人才，如果你有野心，人才战略已经变成了最重要的战略之一。对于那些有野心的创业公司，或者是大公司，您觉得人才战略应该如何布局呢？

张亚勤：当时在微软研究院的时候，我们讲要“三好学生”：数学好、编程好、态度好。我想在AI时代也是同样的，可能更加重要。

数学好，现在AI里面用了许许多多的数学基础，包括线性代数、优化的理论、统计学等，我们中国学生其实是很有优势的；编程好的话，刚才讲到要去落地，去实施；态度好也很重要，特别是在技术快速发展的时候，大家要快速的学习，其实在IT在互联网这个领域，五年前十年前的知识基本没什么关系了，很多新的理论算法都是在过去这几年，每周每天都要学习。

我在斯坦福告诉学生们，我说机器在学习，你必须要学得比它快，否则就会被机器所淘汰。刚才宏江讲中国AI人才量很多，我在斯坦福去做了一个演讲，这个演讲结果有一半以上的同学，可能80%是中国的学生，其中一半以上都是在做深度学习。这也是个问题，现在大家都去一窝蜂做深度学习，可能也是有一些重复性。我想未来可能研究也好，专业也好，要看重一些交叉学科。比如斯坦福现在有一个学科，把物理学和计算机科学交叉的一个新的专业，还有人脑科学和计算机科学，包括量子计算，这些都是未来要发展的方向。

高欣欣：接下来要问开复博士了，霍金教授说当技术发展快过了人的发展，快过了社会的发展，必然会激化一系列的问题，很多职位被机器替代的时候，这个时候对人的要求就变得特别高了。您觉得对于我们每个人来说，深处这个巨变的时代，怎么提高自己，快速规划自己，适应甚至享受这个巨变的时代给我们的极致体验呢？

李开复：很多人提到AI对人类全面超越时，我们就完蛋了，不是这样的，做任何事情必须要知己知彼，我们要了解深度学习是什么事情不能做的，我们人类把时间放在这些方面，还是有很多机会的。

从最深的开始讲，刚才谈到的人工智能时代起来了，一定要有管AI的人，这些顶尖的AI科学家他们肯定是要做的很深，做的很棒，因为他们不但要做技术，还要确保AI不能失控。

第二，在任何领域顶尖的人都会存在的，最厉害的医生、最厉害的律师、最厉害的人类学家、历史学家都有机会，即便现在AI可以写稿子了，但是他们写的都是那些体育赛事、财报等，真的去写出像龙应台这样的作品，是做不出来的。还有艺术创作，AI是并不擅长的，因为美不是一个非常客观，要不然就有，要不然就没有的状态，所以这个训练很困难。

还有综合性人才很重要，AI学习是一个领域一个领域的学习，学习下围棋，学习买股票，学习风控，并不能综合性的考量各种事情，比如一个地球学的专家加上一个化学的专家，可能会知道以后怎么去处理垃圾。或者是一个非常懂国际政治的人，懂中美关系的人，又懂得经济发展，把AI当做工具，他这个人不会被取代。还有善于用AI做工具的人，以后的医生只靠自己在医学院学肯定是不够的，他要知道未来的医学工具是什么，就像今天我们不用Word、iPhone是不能生存的，未来医生要掌控AI的工具。

但是最大的一批人肯定要走向服务业，因为人与人之间打交道，人与人之间的交心，这些过程中表达的爱是机器学不来的。

雷峰网原创文章，未经授权禁止转载。详情见。

本文由公众号“苏宁金融研究院”原创，作者为苏宁金融研究院金融科技研究中心主任助理王元

2020年是不寻常的一年，全球的健康、贸易、经济、文化、政治和科技领域，无不发生着深刻的变化。笔者所在的科技领域，也恰逢现代人工智能（简称AI）发展10周年。前10年，人工智能技术得到了长足的发展，但也留下许多问题有待解决。那么，未来AI技术将会如何发展呢？本文将结合学术界、工业界的研究成果，以及笔者个人研究见解，从算力、数据、算法、工程化4个维度，与读者一起探索和展望AI发展的未来。

我们首先分析数据的发展趋势。数据对人工智能，犹如食材对美味菜肴，过去10年，数据的获取无论是数量，还是质量，又或者是数据的种类，均增长显著，支撑着AI技术的发展。未来，数据层面的发展会有哪些趋势呢，我们来看一组分析数据。

首先，世界互联网用户的基数已达到十亿量级，随着物联网、5G技术的进一步发展，会带来更多数据源和传输层面的能力提升，因此可以预见的是，数据的总量将继续快速发展，且增速加快。参考IDC的数据报告（图1），数据总量预计将从2018年的33ZB（1ZB=106GB），增长到2025年的175ZB。

其次，数据的存储位置，业界预测仍将以集中存储为主，且数据利用公有云存储的比例将逐年提高，如图2、图3所示。

以上对于未来数据的趋势，可以总结为：数量持续增长；云端集中存储为主；公有云渗透率持续增长。站在AI技术的角度，可以预期数据量的持续供给是有保证的。

另一个方面，AI技术需要的不仅仅是原始数据，很多还需要标注数据。标注数据可分为自动标注、半自动标注、人工标注3个类别。

那么，标注数据未来的趋势会是怎样的？

我们可从标注数据工具市场的趋势窥探一二，如图4所示。可以看到，人工标注数据在未来的5-10年内，大概率依然是标注数据的主要来源，占比超过75%。

通过以上数据维度的分析与预测，我们可以得到的判断是，数据量本身不会限制AI技术，但是人工标注的成本与规模很可能成为限制AI技术发展的因素，这将倒逼AI技术从算法和技术本身有所突破，有效解决对数据特别是人工标注数据的依赖。

我们再来看看算力。算力对于AI技术，如同厨房灶台对于美味佳肴一样，本质是一种基础设施的支撑。

算力指的是实现AI系统所需要的硬件计算能力。半导体计算类芯片的发展是AI算力的根本源动力，好消息是，虽然半导体行业发展有起有落，并一直伴随着是否可持续性的怀疑，但是半导体行业著名的“摩尔定律”已经经受住了120年考验(图5)，相信未来5-10年依然能够平稳发展。

不过，值得注意的是，摩尔定律在计算芯片领域依然维持，很大原因是因为图形处理器（GPU）的迅速发展，弥补了通用处理器（CPU）发展的趋缓，如图6所示，从图中可以看出GPU的晶体管数量增长已超过CPU，CPU晶体管开始落后于摩尔定律。

当然，半导体晶体管数量反映整体趋势可以，但还不够准确地反映算力发展情况。对于AI系统来说，浮点运算和内存是更直接的算力指标，下面具体对比一下GPU和CPU这2方面的性能，如图7所示。可以看出，GPU无论是在计算能力还是在内存访问速度上，近10年发展远超CPU，很好的填补了CPU的性能发展瓶颈问题。

另一方面，依照前瞻产业研究院梳理的数据，就2019年的AI芯片收入规模来看，GPU芯片拥有27%左右的份额，CPU芯片仅占17%的份额。可以看到，GPU已成为由深度学习技术为代表的人工智能领域的硬件计算标准配置，形成的原因也十分简单，现有的AI算法，尤其在模型训练阶段，对算力的需求持续增加，而GPU算力恰好比CPU要强很多，同时是一种与AI算法模型本身耦合度很低的一种通用计算设备。

除了GPU与CPU，其他计算设备如ASIC、FGPA等新兴AI芯片也在发展，值得行业关注。鉴于未来数据大概率仍在云端存储的情况下，这些芯片能否在提高性能效率的同时，保证通用性，且可以被云厂商规模性部署，获得软件生态的支持，有待进一步观察。

现在我们来分析算法。AI算法对于人工智能，就是厨师与美味佳肴的关系。过去10年AI的发展，数据和算力都起到了很好的辅助作用，但是不可否认的是，基于深度学习的算法结合其应用取得的性能突破，是AI技术在2020年取得里程碑式发展阶段的重要原因。

那么，AI算法在未来的发展趋势是什么呢？这个问题是学术界、工业界集中讨论的核心问题之一，一个普遍的共识是，延续过去10年AI技术的发展，得益于深度学习，但是此路径发展带来的算力问题，较难持续。下面我们看一张图，以及一组数据：

 根据OpenAI最新的测算，训练一个大型AI模型的算力，从2012年开始计算已经翻了30万倍，即年平均增长11.5倍，而算力的硬件增长速率，即摩尔定律，只达到年平均增速1.4倍；另一方面，算法效率的进步，年平均节省约1.7倍的算力。这意味着，随着我们继续追求算法性能的不断提升，每年平均有约8.5倍的算力赤字，令人担忧。一个实际的例子为今年最新发布的自然语义预训练模型GPT-3，仅训练成本已达到约1300万美元，这种方式是否可持续，值得我们思考。

2.  MIT最新研究表明，对于一个过参数化（即参数数量比训练数据样本多）的AI模型，满足一个理论上限公式：

上述公式表明，其算力需求在理想情况下，大于等于性能需求的4次方，从2012年至今的模型表现在ImageNet数据集上分析，现实情况是在9次方的水平上下浮动，意味着现有的算法研究和实现方法，在效率上有很大的优化空间。

3.  按以上数据测算，人工智能算法在图像分类任务（ImageNet）达到1%的错误率预计要花费1亿万亿（10的20次方）美元，成本不可承受。

结合前文所述的数据和算力2个维度的分析，相信读者可以发现，未来标注数据成本、算力成本的代价之高，意味着数据红利与算力红利正在逐渐消退，人工智能技术发展的核心驱动力未来将主要依靠算法层面的突破与创新。就目前最新的学术与工业界研究成果来看，笔者认为AI算法在未来的发展，可能具有以下特点：

（1）先验知识表示与深度学习的结合

纵观70多年的人工智能发展史，符号主义、连接主义、行为主义是人工智能发展初期形成的3个学术流派。如今，以深度学习为典型代表的连接主义事实成为过去10年的发展主流，行为主义则在强化学习领域获得重大突破，围棋大脑AlphaGo的成就已家喻户晓。

值得注意的是，原本独立发展的3个学派，正在开始以深度学习为主线的技术融合，比如在2013年，强化学习领域发明了DQN网络，其中采用了神经网络，开启了一个新的研究领域称作深度强化学习（Deep Reinforcement Learning）。

那么，符号主义类算法是否也会和深度学习进行融合呢？一个热门候选是图网络（Graph Network）技术，这项技术正在与深度学习技术相融合，形成深度图网络研究领域。图网络的数据结构易于表达人类的先验知识，且是一种更加通用、推理能力更强(又称归纳偏置)的信息表达方法，这或许是可同时解决深度学习模型数据饥渴、推理能力不足以及输出结果可解释性不足的一把钥匙。

（2）模型结构借鉴生物科学

深度学习模型的模型结构由前反馈和反向传播构成，与生物神经网络相比，模型的结构过于简单。深度学习模型结构是否可以从生物科学、生物神经科学的进步和发现中吸取灵感，从而发现更加优秀的模型是一个值得关注的领域。另一个方面，如何给深度学习模型加入不确定性的参数建模，使其更好的处理随机不确定性，也是一个可能产生突破的领域。

AI模型训练依赖数据，这一点目前来看不是问题，但是AI模型训练依赖人工标注数据，是一个头痛的问题。利用算法有效解决或者大幅降低模型训练对于人工标注数据的依赖，是一个热点研究领域。实际上，在人工智能技术发展过程中一直若隐若现的美国国防部高级研究计划局（DARPA），已经将此领域定为其AI3.0发展计划目标之一，可见其重要程度。

现有的AI算法，无论是机器学习算法，还是深度学习算法，其研发模式本质上是通过训练闭环（closed loop）、推理开环（open loop）的方式进行的。是否可以通过设计模型自评估，在推理环节将开环系统进化成闭环系统也是一个值得研究的领域。在通信领域，控制领域等其他行业领域的大量算法实践表明，采用闭环算法的系统在性能和输出可预测性上，通常均比开环系统优秀，且闭环系统可大幅降低性能断崖式衰减的可能性。闭环系统的这些特性，提供了对AI系统提高鲁棒性和可对抗性的一种思路和方法。

上文已经对人工智能数据、算力、算法层面进行了梳理和分析，最后我们看看工程化。工程化对于人工智能，如同厨具对于美味佳肴一样，是将数据、算力、算法结合到一起的媒介。

工程化的本质作用是提升效率，即最大化利用资源，最小化减少信息之间的转换损失。打一个简单的比喻，要做出美味佳肴，食材、厨房灶台、厨师都有，但是唯独没有合适的厨具，那么厨师既无法发挥厨艺（算法），又无法处理食材（数据），也无法使用厨房灶台的水电气（算力）。因此，可以预见，工程化未来的发展，是将上文提到的算力与算法性能关系，从现在的9次方，逼近到理论上限4次方的重要手段之一。

过去10年，AI工程化发展，已形成一个明晰的工具链体系，近期也伴随着一些值得关注的变化，笔者将一些较为明显的趋势，汇总如下：

总结来说，AI工程化正在形成从用户端到云端的，以Python为编程语言的一整套工具链，其3个重要的特点为：远程编程与调试，深度学习与机器学习的GPU加速支持，以及模型训练与推理工具链的解耦。与此同时，产业链上游厂商对开源社区的大量投入，将为中下游企业和个人带来工具链的技术红利，降低其研发门槛和成本，笔者认为微软、脸书、英伟达3家上游厂商主推的开源工具链尤其值得关注。

对于人工智能技术过去10年发展取得的成就，有人归因于数据，也有人归因于算力。未来人工智能技术发展，笔者大胆预测，算法将是核心驱动力。同时，算法研发的实际效率，除了算法结构本身，还取决于设计者对先进工具链的掌握程度。

未来10年，科技界是否能用更少的数据，更经济的算力，获得真正意义上的通用智能呢？我们拭目以待。

　　微信公众号 机器之心　

　　举世瞩目的人机围棋大战以AlphaGo4：1战胜李世乭告终，关于人工智能的现在与未来，这场比赛给我们带来太多的思考与启示。为了推动人工智能产业的发展，湛庐文化联合中国人工智能学会重磅打造了“机器人与人工智能”书系，现已出版《与机器人共舞》《情感机器》《人工智能的未来》等多本畅销书。在“机器人与人工智能书系”书系专家委员会春季研讨会上，我们邀请了多位人工智能专家一同探讨人机博弈的未来。

　　这场人机大战，人和机器谁才是胜利者？

　　清华大学智能技术与系统国家重点实验室主任 朱小燕教授：机器肯定在某一个领域里战胜人类，这个绝对是不可质疑的。但机器还不懂得对各类知识和信息的综合凝练，很难在综合能力上超过人。如果机器能够自动地去凝练，然后去传承，它才能够战胜人类。

　　360云公司CTO 何万青博士：从专业棋手来讲，这次突破是蛮大的，围棋这个项目属于完备信息的比赛。但如果打麻将或者别的不行，因为人可以使诈，你不会得到所有的信息。

　　云基地执行董事 杨立先生：AlphaGo赢了李世乭以后，很多人在谈论机器战胜人类，但我认为这只是人类从利用工具、发明机器设备替代人类某些功能过程中又一个重要里程碑而已，历史上，每当出现这种里程碑式突破时，都会有人提出机器终将战胜甚至统治人类的说法，但实际上，这只是证明了人类创造的设备在围棋计算方面已经胜过人类。

　　AlphaGo未来还有哪些应用价值？

　　何万青博士：日本围棋大师藤泽秀行曾说，“棋道一百，我只知七”，意思是人类顶尖棋手离完美理解围棋真谛相差甚远，仅有7%。而剩下的93%，可以通过机器把人的脑力往前延伸，我们可以靠机器慢慢找出更多围棋的真谛来。在中国象棋上，棋手们就在向机器学习棋谱的新走法。

　　机器之心联合创始人 赵云峰先生：能够究竟对我们的生活带来一种什么样的改变。研发AlphaGo的DeepMind公司在解决了围棋问题之后，开始用策略网络、估值网络这样一些深度定向学习的技术到医疗领域。大家不久可能会看到，他们这些技术有哪些具体的应用，如何帮助我们去改善我们的生活，然后如何给我们带来一些效率的提升。

　　人工智能领域，有什么值得推荐的书？

　　湛庐文化总编辑 董寰女士：我们和中国人工智能学会联合推出了“机器人与人工智能”书系，并为这套书系成立了一个专家委员会，由中国人工智能学会理事长，中国工程院李德毅院士担任委员会主席。湛庐文化希望帮助大众搭建人工智能的体系框架，从而成功驾驭人工智能的新风口。

　　在《与机器人共舞》中，《纽约时报》高级科技记者马尔科夫描绘了人工智能从爆发到遭遇寒冬，再到野蛮生长的发展历程。人工智能的发展从诞生之初就走向两个方向，一个是以取代人类为目标的人工智能（Artificial Intelligence），另一个是以辅助人类为目标的智能增强（Augmentation Intelligence）。这二者关系就像是无人驾驶汽车和辅助驾驶汽车的区别一样。当人们担心人工智能取代人类时，《与机器人共舞》将带给你另一番思考。

　　《情感机器》是人工智能之父马文·明斯基通过对人类思维方式建模，剖析了人类思维的本质，为人们勾画了构建情感机器的路线图。为什么说人工智能无法通过穷举法战胜人类？就是因为围棋的局面比宇宙中的原子更多，所以机器战胜人类最好的办法就是模仿人类。如果将人类大脑看成一台机器，那就有助于我们设计出像人一样能理解、会思考的高级人工智能——情感机器。

　　AlphaGo曝光前，线性思维的人们以为人工智能围棋离战胜职业棋手至少还有10年，转眼间AlphaGo与李世乭的人机大战就以4：1落败，这场大战也成为人工智能史上一座新的里程碑。在《人工智能的未来》中，库兹韦尔认为，人工智能一直在以指数级速度快速发展，2045年的人工智能将超越人类智能，“奇点”到来，世界将开启一个新的文明时代！

　　如何看待机器人威胁论这种观点？

　　朱小燕教授：我是不赞成人工智能会造成人类的恐惧什么的，真的完全不赞成。至少我知道的这点技术发展的现状来讲，我觉得要想恐惧这件事还早着呢。我个人认为机器它能做的跟猴一样，就很不容易了。

　　新华网融媒体研究院 杨溟院长：人类受到自身物种的限制，无法感知时间轴上“现在”以后的一切。其实结局依然存在。如果你要预测它，以我的有限的智力来判断，我认为人类必败，只是时间问题。意大利科学家帕里西创建了机器人学科，系统化地研究机器人的源起、发展和繁衍，机器人成了人类的一种隐喻，它是人类的镜像。不只是优点，人类的自私、贪婪等恶念也都可以在自己创造的机器智能里找到。被复制、被放大。人会成为自己的灭绝者。海德格尔认为，人类最终要被自己创造出来的科技所毁灭。纠正一下，人类必亡于自身贪婪之念。我觉得这是人类无法去逆转的命运。

　　朱小燕教授：如果说人把自己作死，我绝对相信。人对地球环境的各类破坏太多了，不过我觉得还轮不着机器人。所以，我们可以放心大胆地做人工智能的各种研究，包括情感之类所有的东西，用好了，它都应该是为人服务的。

　　赵云峰先生：这些问题有的时候是一些哲学层面，甚至宗教层面的讨论，这个讨论不出一些实际结果，而且对于具体的应用、具体人工智能技术的进展是没有一些积极的作用。反而会影响人工智能行业的一些进展，这也是很多人工智能工程界的一些工程师或者研究者非常排斥的一个现象。我是非常同意朱老师的，现在没有必要或者不应该讨论这个问题，而是把重点放在一些算法上，放在技术上，放在如何让机器为我们所用上。

　　杨溟院长：我特别不赞成这种说法，人工智能绝不只是技术问题。它既是哲学问题，也涉及宗教和伦理等各种问题。更是人类如何面对自己的问题。这个问题不是虚无缥缈的，它非常现实地呈现在我们面前。说人类将不敌机器人并非悲观的结论，人机大战的积极意义恰恰在于提醒我们反思。自省是一种能力，是认知与判断之后做出的纠错。从生物学的角度看并没有太多不适，恰恰很多人不愿去做。人类加速灭亡恰恰是拜惟技术论所赐。

　　人工智能是否会取代我们的工作？

　　“机器人与人工智能”书系的国际委员，斯坦福伦理学教授 杰瑞·卡普兰先生：技术的发展就是机器不断实现自动化任务的进程。国际象棋和围棋软件只是我们通过编程实现的自动化任务，“机器很聪明”这样的表述并不准确。如“calculator”曾经是需要大量细心、专业技能的计算师职业，却是最早被计算器这一小设备所替代的。展望未来，我们将看到各项人类的智力任务自动化为社会创造更大的价值的进程，但人类不会被机器替代，这也是我在湛庐文化即将出版的《人工智能时代》（Humans

　　朱小燕教授：我觉得工作可以分三类，一类其实是自动化的事儿，这类岗位消失，对人的身体也挺好的。第二类，就是刚才说的很多延伸人的能力的，可以代替工作中的部分重复操作的百分之几十。第三类是机器替人做那些做不了的事，比如整理大量的信息摘要。

　　面对来势汹汹的人工智能，我们该如何教育下一代？

　　何万青博士：我记得国外有个叫迪尔伯特的漫画，他有一本书观点是技术的发展提高了人类的无能基准线，什么意思呢？我们现在用手机、用什么也好，比如我们现在用机器替代人的工作之外，但是使得你在它之上做上面工作的时候，实际上抽象程度要比那个高，所以你要有一定的教育程度掌握它，其实人是需要更多的东西，整个社会的教育程度得上来才能用它。

　　三星研究院高级技术总监 史媛媛博士：第一个是不要沉迷于碎片化的阅读，只有深度的阅读才能提升思想，形成自己的见解。第二是所有基于存储的、搜索的、知识服务的，是很容易被取代的。而所有与情感、沟通、交际，以及情境理解有关的一定会增强，对人就更重要了。

陈晓晖先生：湛庐有一本书叫《全新思维》，我觉得那本书里面说得很先进，它在十年前就预想了未来人面对的一些挑战。人的右脑是机器很难代替的，或者在目前看来很难代替。你的计算可能可以代替，那么未来的人是这样的，比如艺术、右脑、情感等等这方面会越来越重要。所以说其实有一种观点，在未来来讲，比如说孩子们，你可能现在培养他的情商比培养他的智商更重要，比如在领导力这方面，比如在与人相处方面，共行的方面，这目的是你着重要培养的方面，给他去更多的视野。

　　如何看待当下无人驾驶汽车的发展？

　　“机器人与人工智能”书系的国际委员，畅销书《与机器人共舞》作者约翰·马尔科夫先生：谷歌无人驾驶汽车已经能在市区、校园或者居民区控制方向盘、刹车、油门，但要想他们完全替代现有汽车仍为时尚早。从某种意义上看，设计无人驾驶汽车不如做好辅助驾驶，更好地保障人类的安全。

　　朱小燕教授：谷歌的无人车真的做得挺好，它那个车我还坐过。但是，它是否能在任何情况下代替所有的车，这个还要商讨一下。我更愿意让它做辅助驾驶，不要去代替人。这其中有一个追责的问题，真要撞了人，这个责任是谁的？另外，一个现在这个车的成本还挺高的，这就需要别的技术做突破，所以人工智能依赖很多很多技术，一定要别的技术去突破，如果不突破，没有人买的起。最后，需要考虑的就是道路规划问题。近期，我觉得引进中国还是挺难的。在美国，高速公路好跑，意外少，在中国的街道里头，就是难跑。无人驾驶技术最优的目标是减轻驾驶员的负担。

　　何万青博士：第一个，深度学习这个算法是一种通用人工智能，对于汽车行驶这类信息完备的条件下是挺合适的。第二点，作为一种辅助驾驶，尤其在城市里面，在北京这样的，它在比较低速的城市环境里能帮人减轻驾驶压力，甚至当你困的时候，能避免方向盘失控，这种正是吴甘沙在做的辅助驾驶。

　　人工智能时代的未来图景将会是怎样的？

　　何万青博士：我不需要对它敬畏，它是机器，它不是人。如果你把它看成人，那你可能爱上它，或者它会给你，就像科幻片一样，但是我觉得这个是不该做的事情，我个人观点，不应该产生任何敬畏，就是机器，永远定在这个位置上就够了。

　　杨立先生：人类自身的特质里，有一方面是“靠谱”的部分，如逻辑思维、严谨推理、精细计算等，但还有一方面是“不靠谱”的部分，如艺术、创造性等，而人类发展过程中，不靠谱的部分占据了相当重要的地位。随着各类机器在靠谱部分越来越多的替代人类，人类未来或许应该更多从不靠谱那方面加强，结合机器靠谱的部分，以实现更有效的发展。

　　史媛媛博士：人最牛的就是面对未知环境的创造能力，但现阶段人工智能无论是算法上、理论上、科技上都没有突破。举个简单的例子，现在很多新闻都是机器写的，什么时候机器能写一个《静静的顿河》《红楼梦》，可能到那个时候我会惊讶一下。但实际这里边的差距太大了，十年内能读懂这些文字就不错了。

　　赵云峰先生：《与机器人共舞》中认为，机器在一些特定的领域会超过我们，也会导致我们的工作上重新的分配，或者它作为我们的助手，帮助我们延伸一些体力或者智力这方面的能力，然后人类再去做一些和创造力、想象力，还有思考力那些更加擅长的东西。

　　未来我们应该是对机器更加怀有敬畏之心，不要有那种天生的人类一种优越感或者怎么样。其实我觉得有的时候我们应该把它看得更加平等一点儿，和它有一起优势互补。

　　杨溟院长：人机之间、人和这个高速变化的世界之间其实构建出了一种新型的连接关系。在离散化时代，人将面临新连接关系的适应过程，在心理和生理层面都会遭遇颠覆式挑战。现在去指导该如何相处似乎为时太早。

　　何万青博士：我们的讨论气氛热烈。我们是从不同角度、不同学科来思辨人机大战带来的一切，有很多火花。我体会是：理科为这个世界提供理论，工科提供工具，文科提供思想。