經(jīng)過近半個世紀(jì)的飛速發(fā)展，人工智能已進入到我們生活的方方面面。從改變我們交流方式的語言模型，到成為我們娛樂伙伴的智能機器人，在醫(yī)療、交通、教育等各領(lǐng)域推動著社會進步。

熟悉的同時，我們真的了解人工智能嗎？近期，在2023宜興筆架山數(shù)字科商大會上，知名教育家李永樂老師針對人工智能，從其基本原理到生態(tài)應(yīng)用以及產(chǎn)業(yè)發(fā)展等幾個方面深入淺出的談了一些看法，并和現(xiàn)場觀眾進行了精彩的討論。以下是現(xiàn)場實錄：

感謝各位領(lǐng)導(dǎo)、來賓，非常感謝在座的小朋友們，我是人民大學(xué)附屬中學(xué)的物理老師李永樂。今天很榮幸受到曹老師的邀請，與大家討論機器為什么能像人一樣思考，換句話說，什么是人工智能？

我希望通過我們今天的講述，讓大家對人工智能的基本原理有一個簡單的理解。

讓我們來看一個例子。這是我家的兩只狗，左邊這只叫“帥帥”，右邊這只叫“栗子頭”。它們兩個已經(jīng)長得很大了。你們知道這是什么品種嗎？

（觀眾）：柯基。

許多朋友知道這是柯基，但可能有些不養(yǎng)狗的朋友不了解這是柯基。我在家里做過一個實驗，有一塊小天才兒童智能手表，攝像頭對準(zhǔn)小狗，這時候它會念出來，這是“威爾士柯基犬”。為什么掃描一下，它就知道這是威爾士柯基犬呢？因為它具有人工智能。

現(xiàn)在人工智能的用處實在已經(jīng)是太廣泛了，隨處可見的人臉識別系統(tǒng)是人工智能；計算機輔助的CT影像是人工智能；在路上開車違章了被拍是人工智能；手機上的各種語音軟件、智能音箱、美顏軟件、短視頻平臺的推薦機制、電子郵箱的垃圾系統(tǒng)，都是人工智能；在自動駕駛、智慧工業(yè)等領(lǐng)域，人工智能也是不可或缺的，所以如果把人工智能從我們的生活中抽掉的話，我們的生活可能會退到幾十年之前。

實際上，我本身是一個人工智能的門外漢，但是我多學(xué)了一點數(shù)學(xué)，所以今天跟大家聊一聊人工智能的發(fā)展史，以及它最基本的數(shù)學(xué)原理。我希望通過這一堂課，使我們的小朋友們了解一丟丟的人工智能，并且對它感興趣，甚至未來從事這個行業(yè)，我們今天的報告的目的就達到了。

1. 人工智能發(fā)展史

首先，讓我們來回顧一下人工智能的發(fā)展歷史。人工智能并不是一個新生的概念，上古時代，東西方文明都曾出現(xiàn)過類似人造人的說法。

上世紀(jì)50年代左右，神經(jīng)生物學(xué)、計算機科學(xué)、數(shù)學(xué)等學(xué)科的發(fā)展，使得人工智能首次進入科學(xué)家的視野。

1950年，一位叫圖靈的科學(xué)家提出了一個問題，機器會思考嗎？機器能否像人一樣思考？他還提出一種“圖靈測試”，這個測試非常簡單，有一個人和一臺機器，有另一個人向這兩者提問，人和機器會分別以文字形式回答，然后我們根據(jù)回答，判斷他們誰是人，誰是機器。

如果大部分人都無法區(qū)分出哪個是機器，那就說明這臺機器已經(jīng)通過了圖靈測試。如果一臺機器通過了機器，那么就可以說，它可以像人一樣進行思考。

圖靈當(dāng)年預(yù)言，到2000年左右，會有通過圖靈測試的機器出現(xiàn)。實際上，在2014年，確實有一個人工智能軟件通過了圖靈測試，它的名字叫尤金·古斯特曼。到了2023年，ChatGPT出現(xiàn)后，我們才知道它有多強大。

人工智能發(fā)展非常迅速。我們都知道，在科學(xué)領(lǐng)域的最高獎是諾貝爾獎；數(shù)學(xué)領(lǐng)域的最高獎是菲爾斯獎；在計算機領(lǐng)域，最高獎就是圖靈獎。說個題外話，圖靈在二戰(zhàn)時破譯了德國的英格爾碼機，他的故事被拍成了一部電影，叫作《模仿游戲》，如果大家有興趣，可以回去看一下。

到了1956年，美國計算機科學(xué)家明斯基、麥卡錫，以及信息論的奠基人香農(nóng)等一眾大佬，在一起開了一個會議，叫達特茅斯會議，他們創(chuàng)造了“人工智能（AI）”這個詞。

從那次會議開始，人工智能進入了大發(fā)展時代。后來，明斯基和麥卡錫因為各自的貢獻獲得圖靈獎。而其中最重要的一位大佬，香濃，卻沒有獲得圖靈獎，為什么呢？因為香農(nóng)已經(jīng)不需要圖靈獎，他的名字被命名為通訊領(lǐng)域的最高獎“香農(nóng)獎”。

從此之后的幾十年，由于算法和算力限制，人工智能幾經(jīng)起落。到了1997年，卡斯帕羅夫被一個機器人打敗了，這個機器人就是IBM的人工智能軟件“深藍”。自從那件事發(fā)生后，人工智能迎來了第三次大發(fā)展。

在過去的20多年里，人工智能算法領(lǐng)域涌現(xiàn)了許多靈魂人物，例如深度學(xué)習(xí)之父辛頓。他引入了一個算法，叫“反向傳播算法”，這是一個比較復(fù)雜的算法。還有紐約大學(xué)的一位教授，叫楊立昆，現(xiàn)在還非?；钴S，經(jīng)常出來談話。他最著名的工作是卷積神經(jīng)網(wǎng)絡(luò)，這兩人與加拿大蒙特利爾大學(xué)的本·吉奧共同獲得了2018年的圖靈獎。

2. 數(shù)學(xué)原理

說了這么多歷史和人物，計算機到底是如何實現(xiàn)智能的？我們來說一下數(shù)學(xué)原理，那就是損失函數(shù)和梯度下降，這個問題稍微有一點復(fù)雜，但是只要具有初中以上的文化程度，就一定能夠聽明白，因為它只涉及一次函數(shù)的知識。

我們可以先舉一個例子，比如房價與房子的面積之間的關(guān)系，我們大致知道，房子的面積越大，房價就越貴。但當(dāng)我將這些數(shù)據(jù)標(biāo)記在這張圖上時，會發(fā)現(xiàn)它們并不在同一條直線上。那么，我們應(yīng)該如何解釋房價與面積的關(guān)系呢？

我們設(shè)想用一條線，讓這條線最接近這些點，讓這些點和線的距離之平方和最小，這樣，這條線就是最完美的，這種現(xiàn)象稱為，利用最小二乘法找到一個擬合。換句話說，我們需要找到一個誤差函數(shù)，即預(yù)測值與實際值的差別到底有多大。如果預(yù)測值和實際值的差別最小，我們就說這個預(yù)測是最完美的。如果不完美怎么辦？那就調(diào)唄，調(diào)整這根線的位置。

這根線由幾個參數(shù)決定呢？許多小朋友知道，一個是斜率，一個是截距，就涉及這兩個參數(shù)。因此，我們只需調(diào)整斜率和截距，觀察什么時候這條線與這些點之間的距離平方和最小，這時，就稱為誤差函數(shù)最小。

如何確定損失函數(shù)的最小值呢？我們有一種數(shù)學(xué)方法，稍微有些復(fù)雜，大致意思是，假如誤差較大，我們可以設(shè)法在某個特定的點上進行調(diào)整，直到找到最完美的值。

說起來這并不是一個復(fù)雜的問題，但我們知道，現(xiàn)實生活中，一個房子的價值并非由面積決定，除了面積之外，我們還需要考慮許多因素，將許多參數(shù)放入這個方程中。在數(shù)學(xué)領(lǐng)域，預(yù)測值可能由許多參數(shù)構(gòu)成，它們并非直線或二維，可能是高維空間。盡管如此，我們?nèi)钥稍诟呔S空間中尋找到誤差值最小的點，也就找到了預(yù)測值。

這正是人工智能的基本原理。我們需要找到一個預(yù)測，你給我一些輸入，我獲得一個輸出，當(dāng)預(yù)測值最小，它就是最準(zhǔn)確的。

就像剛才我用小天才智能手表拍攝小狗時，它不停地去尋找拍攝對象是什么東西時能得到誤差函數(shù)最小，結(jié)果發(fā)現(xiàn)，在威爾士柯基犬這個類目下，誤差最小，從而判定它是一只威爾士柯基犬。這個過程其實就是人工智能的訓(xùn)練的過程。

3. 神經(jīng)網(wǎng)絡(luò)原理

接下來，我們來討論神經(jīng)網(wǎng)絡(luò)的原理。

神經(jīng)網(wǎng)絡(luò)這個詞我們都聽過，大家是否經(jīng)常看到這張圖？

有沒有同學(xué)知道它的含義？左側(cè)表示輸入的數(shù)據(jù)，中間表示一些神經(jīng)元計算，最后有一個輸出結(jié)果。例如，如果我們輸入大量數(shù)據(jù)點，最后，它告訴我們是一只威爾士柯基犬，從左到右，每個圓圈我們將其命名為神經(jīng)元。

那為什么叫神經(jīng)元，不叫計算機元？這是因為神經(jīng)網(wǎng)絡(luò)就是模擬人的大腦而產(chǎn)生的。這是一個人腦的神經(jīng)圖，可能高中同學(xué)們應(yīng)該學(xué)過神經(jīng)元細(xì)胞。左側(cè)有一個樹突，將上一級神經(jīng)元的信息收集起來，然后經(jīng)過軸突，再通過突觸傳遞到下一層。因此，神經(jīng)元具有輸入、運算和輸出這樣一個結(jié)構(gòu)。人們覺得這很有趣，神經(jīng)元居然可以接收信號，通過計算，再傳遞給下一層神經(jīng)元。

在1943年，美國有兩位神經(jīng)科學(xué)家，一位叫皮茨，另一位叫麥卡洛克。他們分析了人類的神經(jīng)結(jié)構(gòu)，認(rèn)為人類的腦神經(jīng)元是一個多輸入、單輸出的系統(tǒng)，而且輸出只有兩種，0和1，如果輸出為1，則向下游傳遞，信息如果輸出為0，則不向下游傳遞。

比如一只蚊子輕輕落在我的皮膚上，可能我皮膚上的神經(jīng)元受到了刺激，但它們覺得刺激太小，所以拒絕向下游傳遞。下一個球員可能不知道，但是如果有一個鉛球砸到我的胳膊上，這個時候所有神經(jīng)元都會猛烈地向下游傳遞，我就知道這件事了。

因此，神經(jīng)細(xì)胞是否向下傳遞并不一定，取決于它的運算結(jié)果。

因此，他制作了一個人工神經(jīng)元模型（MP模型）。神經(jīng)元有許多輸入，經(jīng)過計算后得出一個結(jié)果，根據(jù)結(jié)果的大小決定是否向下游傳遞信息。如果我決定要向下游傳遞信息，那么Oi輸出為1，在計算機上稱為高電平，在人腦上，稱為傳遞神經(jīng)遞質(zhì)。這個過程中需要經(jīng)過Sigmoid方程，這是為了引入非線性，我們暫時不考慮?？傊ㄟ^計算將上游輸入轉(zhuǎn)化為一個結(jié)果，決定是否下一步輸出。

我們剛才討論過房子問題，需要尋找一個最優(yōu)解。在尋找最優(yōu)解時，需要調(diào)節(jié)很多參數(shù)，例如調(diào)節(jié)直線斜率和截距，這就是不斷訓(xùn)練模型的過程，這個過程就像我們小時候，跟爸媽出去，你問“這是什么”，媽媽說“這是摩托車”，下次你看到自行車，說“這是摩托車”，媽媽說“不對，這是自行車”，你就區(qū)分了摩托車和自行車。這個過程就是不斷調(diào)節(jié)你的內(nèi)部參數(shù)的過程。這是神經(jīng)元的原理。

通過這樣的操作，我們可以讓計算機理解圖像。例如，大家可以看到左邊這張圖，實際上是一個英文字母X，大部分同學(xué)都能看出來。但計算機不懂X，也不懂你想跟他說什么，它只能看到黑和白這兩種狀態(tài)，黑是1，白是0，于是計算機把這個圖形轉(zhuǎn)化成一個數(shù)字矩陣。問題是，變成數(shù)字矩陣后，計算機如何知道它是一個X？

我們不能告訴計算機，記住了，這就是X。如果你只告訴計算機這一點，那么圖形稍微旋轉(zhuǎn)一下就不是X了嗎？圖形擴大一下就不是X了嗎？所以我們不能告訴計算機，只要記住這就是X，其他的都不是，這樣做就不叫人工智能。人工智能就是在告訴它一些事情后，進入新的領(lǐng)域也能識別，怎么做到呢？這就是人腦和計算機非常不同的地方。

我現(xiàn)在展示一張電影截圖，大家知道這是來自《黑客帝國》。黑客帝國描述了整個世界都是數(shù)字世界。在我們看來的圖像，在計算機看來都是一大堆數(shù)據(jù)點，但問題是，這些數(shù)據(jù)點進入計算機后，計算機如何知道它們具體是什么？其實很簡單，靠神經(jīng)網(wǎng)絡(luò)。

簡單神經(jīng)網(wǎng)絡(luò)可以分為三層，輸入、隱藏和輸出，深度神經(jīng)網(wǎng)絡(luò)有很多層。首先，你需要提供大量數(shù)據(jù)，例如一大堆的0、1，輸入完成后，再調(diào)節(jié)參數(shù)，把輸出再連到下一層的輸入上。

比如，圖上第一層是5個神經(jīng)元，第二層是7個神經(jīng)元，那么在這5個神經(jīng)元和7個神經(jīng)元之間共有35個連接，它們之間的連接都需要調(diào)整，所以每個連接都會有參數(shù)，一旦網(wǎng)絡(luò)擴大，參數(shù)會非常多。

如果只判斷一個圖像是否是X，可能一層神經(jīng)元就夠了，但如果想判斷更復(fù)雜的圖像，比如一個人或一只狗，就需要使用多層神經(jīng)元，那就是深度神經(jīng)網(wǎng)絡(luò)。然而，全連接的網(wǎng)絡(luò)復(fù)雜度實際上太高，需要的計算量非常大，正因為計算量過大，傳統(tǒng)意義上人工智能并沒有太大發(fā)展。有些人認(rèn)為，人工智能是無法實現(xiàn)的。

這張圖展示了人工智能的起落。

我們可以看一下，1956年達特茅斯會議提出了AI的概念，1959年提出了機器學(xué)習(xí)，第一次浪潮發(fā)生在大約1970年代，然后第一次陷入低谷，因為過去的算法存在一些問題。第二次浪潮是在美日兩國立項AI的研究，后來又進入低谷，因為市場不大。最后一次浪潮是深藍戰(zhàn)勝世界冠軍，自那之后，人工智能發(fā)展特別迅速。目前全世界所有科技公司基本都在搞人工智能，因為它的作用實在太大了。

4. 視覺原理

接下來我們來討論視覺原理。為什么你能看到我是一個人？當(dāng)你看到我時，你真的立刻覺得自己在看一個人嗎？不是的，實際上你看到的是一堆像素點，是我的身體影像進入了你的視網(wǎng)膜，上面有很多感光細(xì)胞投影，使你感覺到了一大堆像素點，但問題是如何才能知道這些像素點是一個人？實際上這就是視覺原理。

視覺原理是最近幾年才被真正搞清楚的。在1981年，諾貝爾生理學(xué)和醫(yī)學(xué)獎獲得者，科學(xué)家大衛(wèi)·蘇泊爾和威瑟爾兩人發(fā)現(xiàn)了視覺原理。具體做法是將電極插入貓的腦子，讓貓觀察各種信號，觀察完成后，發(fā)現(xiàn)貓的大腦中與視覺相關(guān)的細(xì)胞分為兩種：一種是對特定線條有反應(yīng)的細(xì)胞，稱為簡單細(xì)胞；另一種是對運動線條有反應(yīng)的復(fù)雜細(xì)胞。

在他們的啟發(fā)下，日本科學(xué)家在福島邦彥提出了神經(jīng)認(rèn)知模型。

這個模型很有趣。

他認(rèn)為：人的視覺分為多層。外界光進入眼睛后，通過瞳孔晶狀體在視網(wǎng)膜上的成像實際上是一堆像素點，這些像素點信息會傳遞到大腦中，大腦最初接收信號的是V1皮層，或者叫初級皮層；初級皮層獲得像素點后，會對像素點進行處理，處理后變成線條，再傳到V2皮層，稱為次級皮層；次級皮層根據(jù)這些線條組合成圖形；再傳遞到三級皮層。

當(dāng)你看到一個人時，首先是一堆像素點，然后大腦將這些像素點連成線條，接著將線條變成圖形，再上色。最后你就發(fā)現(xiàn)原來看到的是一個人，不是一個昆蟲。

這個模型就被人們做成了一個人工智能的方法，首先通過組合像素點，將其變成邊緣特征，然后將邊緣特征組合成輪廓，比如鼻子和眼睛等，最后將輪廓轉(zhuǎn)化為更大的物體模型。這與傳統(tǒng)認(rèn)知有所不同，傳統(tǒng)認(rèn)知認(rèn)為，首先觀察到輪廓，再關(guān)注細(xì)節(jié)。實際上，但事實上科學(xué)家說，我們是將細(xì)節(jié)逐步組合成一個整體，才能認(rèn)識到對方的整體，每一級工作都是在人腦的不同區(qū)域完成的。

這個人就叫楊立昆，楊立昆想，既然人腦可以做這件事，計算機能不能做？于是他就做了一個卷積神經(jīng)網(wǎng)絡(luò)。插一句，前段時間，楊立昆出來說，ChatGPT沒有任何的智能，它只是鸚鵡學(xué)舌，但是大部分人還是對這個ChatGPT非常感興趣。

5. 卷積神經(jīng)網(wǎng)絡(luò)

我們來簡要介紹卷積神經(jīng)網(wǎng)絡(luò)的原理。卷積神經(jīng)網(wǎng)絡(luò)的原理稍顯復(fù)雜，首先，我們想讓大家看這4張圖，實際上每張都是一個字母X，人類一眼就能看出來，但這4張圖完全不一樣。

因此，在計算機無法識別出它們是不是X，我們需要采用一些方法。雖然這些圖形本質(zhì)上不太一樣，但它們都有一些共同的特征，比如，中間都是一個中間白、四角白，然后四邊有一塊黑色的十字圖形；再比如，左上角都有兩個白塊。所以我們假設(shè)無論在哪個地方，只要能尋找到這些特征，或者找到的這些特征特別多的時候，我們就認(rèn)為它是一個X。

具體如何尋找涉及到復(fù)雜的運算，稱為卷積。大致意思是將原來的數(shù)據(jù)與設(shè)計好的卷積核進行內(nèi)積，內(nèi)積就是對應(yīng)項相乘再相加，然后得出一個特征值，特征值越大，說明它越滿足X的特征。例如，這里的特征值為2，說明左上角的圖形與卷積核接近，若特征值為3，則更接近。

我們通過這種方法逐步尋找，最后得到一張圖，它展示了我們完成卷積后的結(jié)果。這個結(jié)果告訴我們，在這些部位的特征是2333，表示這些部位的特征非常接近。我們還可以將這作為一個示意圖，將原來的圖像通過卷積核轉(zhuǎn)換為多個不同的圖像，每個圖像代表一些特征，這些特征組合起來便是我們想要的判斷結(jié)果。

還有一個過程叫池化，這個概念更加復(fù)雜一些。大致意思是，左上角2、3表示左上角確實具有某個特征，特征2并沒有特征3強，那么可以省略特征2，這樣計算會更簡單一些?？傊覀冃枰ㄟ^卷積抽象出圖像的特征，然后通過池化，可以讓圖形更小一些。池化后，我們進入Sigmoid函數(shù)，大意就是決定到底是否向下游進行傳遞。比如這張圖的特征值非常大，就表明特別容易產(chǎn)生一個X，因此，這組神經(jīng)元可能會向下游傳導(dǎo)。

總的來說，經(jīng)歷了卷積、池化等步驟，我們就模擬了人眼的機制，本來輸入大量像素點，通過卷積抽象出特征，再輸入到下一層。對于計算機來說，一個人和一只威爾士柯基犬并無區(qū)別，但是經(jīng)過一層一層輸出，計算機就理解了，這堆雜亂的像素點組合出來的是人、桌子、椅子。

6. 算力與數(shù)據(jù)

最后，跟大家談一談算力和數(shù)據(jù)。剛才我們提到的主要是算法領(lǐng)域，但人工智能的發(fā)展實際上涉及三個領(lǐng)域，算法、算力和數(shù)據(jù)。顯而易見，人工智能的算法如此復(fù)雜，程序員們不可能每次都從零開始編程，就像廚子做菜一樣，不能從種地開始，也不能從煉磚或者燒鍋開始，所以有一些基礎(chǔ)的代碼應(yīng)該是早已編輯好，可以直接調(diào)用的，這就是所謂的人工智能框架。

近幾年人工智能非常熱門，許多大公司都開發(fā)了自己的框架。目前較流行的框架有谷歌開發(fā)的TensorFlow，以及Facebook開發(fā)的PYTORCH。

然而，在別人的框架下進行編程，自然而然受制于人。因此，中國也在開發(fā)自己的人工智能框架。你們知道中國自己的框架有哪些嗎？（沉默）看來中國自己的框架還不太流行，所以了解的人比較少。華為設(shè)計了一個框架叫MindSpore，百度設(shè)計了一個框架叫Paddle Paddle（飛槳）希望有更多的人使用我們自己的框架進行人工智能程序編輯，因為使用人數(shù)越多，它才越好用。

有一次我和阿里的算法工程師聊天，他們負(fù)責(zé)做數(shù)據(jù)庫。這位工程師就說，如果數(shù)據(jù)庫不出任何問題，那就非常容易實現(xiàn)，之所以難做，是因為它總出問題，就看你怎么去解決問題。使用的時間越長，問題就越少，數(shù)據(jù)庫就越成熟。同樣的道理，無論是什么框架，好壞并不重要，關(guān)鍵是我們的人員是否使用。只有使用的人越多，才越能解決問題，一個框架的生態(tài)才能越成熟。

再來說數(shù)據(jù)，巧婦難為無米之炊，無論算法多么優(yōu)秀，如果沒有積極投喂數(shù)據(jù)，比如通過大量圖片、文本進行訓(xùn)練，機器就完全無法產(chǎn)生認(rèn)知。

擁有數(shù)據(jù)是人工智能非常重要的一個環(huán)節(jié)。

大家可能不知道，其實我們每個人都為人工智能投喂過數(shù)據(jù)。比如常見的點擊圖片驗證碼，你可能認(rèn)為這是為了驗證我是否是一個人類。實際上，這是講數(shù)據(jù)投喂給進行訓(xùn)練的免費途徑。訓(xùn)練數(shù)據(jù)非常昂貴，ChatGPT花了上百億美元進行訓(xùn)練。

因為需要購買大量的CPU、GPU、數(shù)據(jù)、電力，這些都非常昂貴。

前段時間我和微軟的人聊天，他提到谷歌正在推出自己的AI大模型，但無法追上ChatGPT。原因是在ChatGPT開放的那段時間，全世界的人都在用它，提供了大量數(shù)據(jù)進行訓(xùn)練，所以它已經(jīng)遙遙領(lǐng)先于微軟和谷歌。如果谷歌再開發(fā)一套模型，沒有人去用，自然就無法再崛起。

因此，人工智能的特點在于使用的人越多，就越智能，如果沒有人使用，即使算法再優(yōu)秀，也無法實現(xiàn)智能。

人工智能的另外一個重要基礎(chǔ)是算力。人工智能領(lǐng)域所需要的計算難度不大，就是小學(xué)計算，加法、乘法。雖然說每個計算不難，但是涉及到數(shù)據(jù)特別多，計算量非常大。是否應(yīng)該用CPU處理呢？CPU的特點是什么都能算，就像一個博士；另一種芯片是GPU，它就像1萬名小學(xué)生，只會算加法和乘法，但數(shù)量巨大。所以當(dāng)我們面對人工智能的算力要求時，使用GPU會更合適。

世界上做GPU做得最好的公司是哪家？英偉達，沒想到，隨著人工智能時代的來臨，英偉達突然變得很厲害，真正成為這個時代的弄潮兒。其實現(xiàn)在還有一些新的，比如華為正在做NPU，也就是神經(jīng)網(wǎng)絡(luò)處理器，專門用來設(shè)計人工智能和神經(jīng)網(wǎng)絡(luò)，它的具體效果怎么樣，我們拭目以待。

小結(jié)

人工智能是一種通用技術(shù)，能夠讓計算機完成許多繁重工作，極大地解放生產(chǎn)力。AI也是一種根技術(shù)，它能夠衍生并支撐多個技術(shù)簇，持續(xù)地滋養(yǎng)和刺激整個技術(shù)簇的發(fā)展。

在歷史上發(fā)生過幾次工業(yè)革命，每一次工業(yè)革命都會有技術(shù)突破。

比如第一次工業(yè)革命是牛頓力學(xué)、經(jīng)典熱力學(xué)取得了突破，瓦特就改良了蒸汽機，把人類帶入蒸汽時代。第二次工業(yè)革命發(fā)生在19世紀(jì)末和20世紀(jì)初，法拉第發(fā)明了發(fā)電機，人類進入電氣時代，美國成為世界第一強國；20世紀(jì)中葉，由于電子技術(shù)和計算機技術(shù)的發(fā)展，人類迅速進入了電子時代，這便是第三次工業(yè)革命，使日本成為世界第二發(fā)達的國家。

因此，英國、美國和日本實際上都是通過工業(yè)革命成為世界一流強國的。

雖然中國在前三次工業(yè)革命中沒有趕上，但現(xiàn)在，世界正處于以互聯(lián)網(wǎng)、人工智能、新材料和生物技術(shù)等為代表的第四次工業(yè)革命中，這一次，我們希望中國人不要缺席，同時也希望我們的民族企業(yè)能這些方面發(fā)力。這就要拜托在座的企業(yè)家和小朋友們一起努力。好，今天我就講到這里，謝謝！

Q＆A環(huán)節(jié)

觀眾：如果當(dāng)人工智能發(fā)展到一定程度，它取代了大量重復(fù)性、較低端的工作，那個時候會不會首先造成大家的失業(yè)？當(dāng)失業(yè)發(fā)生的時候，對于社會發(fā)展是積極還是消極的影響？

李永樂：這個問題當(dāng)然都是有兩面回答的，有很多人持悲觀意見，認(rèn)為人工智能終究有一天會替代人。馬斯克就說過這樣的話，碳基生命只不過是硅基生命的一道程序，當(dāng)有一天我們?nèi)祟惒淮嬖跁r，人工智能替代人類繼續(xù)生存下去。

當(dāng)然也有一些人持有樂觀的看法。他們就認(rèn)為，人工智能只是一個工具，它雖然可以消滅很多行業(yè)，但是也會創(chuàng)造很多新的行業(yè)。就像現(xiàn)在互聯(lián)網(wǎng)發(fā)達之后，很多行業(yè)消失了。但是外賣、網(wǎng)約車等行業(yè)都是新興的，這樣一來，很多人都會涌入新的行業(yè)。這是一種比較積極樂觀的理解。

我個人相對折衷。有悲觀的情緒，因為人工智能終究會超過人類，這是100%確定的。但是在人工智能超過人類，把人類毀滅之前，那些控制人工智能的人，可能就已經(jīng)把世界毀滅了。

我覺得更要防范的是一家公司，或者一個人利用人工智能，把整個世界毀滅，這比人工智能本身更可怕。在樂觀方面來講，它一定會創(chuàng)造出很多新的行業(yè)，不會讓所有人都失業(yè)，我個人覺得短時間內(nèi)，還會持續(xù)過去的情況。

觀眾：您覺得人工智能是需要較少量、但是素質(zhì)比較高、經(jīng)驗比較豐富的人才；還是需要大量的掌握一般專業(yè)技能的人才？整個行業(yè)的人員包容量有多大？

李永樂：這個問題真的是看不太準(zhǔn)，你說人工智能的行業(yè)到底需要多少人才？這涉及一個問題，如果需要大量的人才，我們就可以在高考時報考？如果人員很容易飽和，我們就不能報考了，回答這個問題責(zé)任很重大。

我個人覺得，人工智能還是需要很多人才，就像20年之前，計算機是一個風(fēng)口，現(xiàn)在計算機飽和了嗎？實際上到現(xiàn)在也沒有飽和。

我覺得人工智能是未來20年發(fā)展的新方向，它有很多細(xì)分領(lǐng)域，我們不一定都要去編計算機程序，也可以去研究算法、芯片、數(shù)據(jù)等等層面，甚至可以研究應(yīng)用，比如說利用人工智能來輔助醫(yī)療診斷，這都是需要人才的。我認(rèn)為這個行業(yè)很大，一定可以容納很多很多的人，學(xué)好數(shù)學(xué)，或者學(xué)好人工智能，對我們的未來很有幫助，不用太擔(dān)心人才容量的問題。

觀眾：您剛才演講當(dāng)中談了很多生態(tài)的重要性，以及先發(fā)優(yōu)勢在人工智能領(lǐng)域特別重要，我們看到從AlphaGO到ChatGPT，西方的公司在生態(tài)上非常強，在產(chǎn)品設(shè)計上非常強，我們在這個方面應(yīng)該怎么做？您怎么看待這個問題？

李永樂：我的看法是,西方很多公司做事情比較持續(xù)。他們做一件事可能真的持續(xù)好多年，比如說波士頓機器人公司，持續(xù)40年去做一個機器人，就為這一件事，就可以把事情做得比較好。OpenAI也是，可以持續(xù)7-8年就做一件事情，可以做很久。

但是我們的公司是不是變化太快，總是去搶風(fēng)口。這個風(fēng)口來了，我們做這件事，另一個風(fēng)口來了，我們做那件事，變來變?nèi)?，可能每件事都沒有做好。

是不是我們的企業(yè)應(yīng)該想一想，尤其是一些特別大的企業(yè)，確實應(yīng)該用較長時間去深耕一個東西，這樣才有可能一鳴驚人。如果不停地去跟著別人搶風(fēng)口，可能臨時會賺一桶金，但永遠跟著別人走，是沒有辦法產(chǎn)生先發(fā)優(yōu)勢的。