来源：创事记
欢迎
未来突破很难预测，对奇点、超级智能的争辩，在我看来都过于乐观了。
小型AI公司与巨头竞争，我的建议是找准巨头没有平台优势的细分领域，为某个针对性产业创造价值，不要与巨头核心业务正面硬碰。
阿莱克斯·彭特兰：
AI绝非试图取代人类，而是促进多元文化之间的相互连接、团队合作，让人们更好的进行社交和连接彼此。
最困难的其实是说服人们改变商业流程去使用AI，因为大多数人是墨守成规的。
人工智能有朝一日可以取代人类所有的能力，但是这个过程会非常漫长，可能需要上百年或更久。
李开复博士在对话中表示，当我们试图解决AI问题时，应该用技术来解决技术的问题，可以寻求与监管部门协作，而不只是丢给他们，“新技术会衍生新的问题，我们应该多方尝试用更进阶的技术性解决方案，就像电脑病毒刚出现时，杀毒软件随之诞生。”
彭特兰教授认为，人工智能的核心，是促进多元文化之间的相互连接。不只是工程师或科学家，连经济学家、政治家都必须参与进来。“国家之间应该促进合作、制定互通标准，就像TCP/IP互联网协议那样，避免AI冷战。”
他们认为，AI发展从来不是单打独斗，跨学科思维、跨领域合作尤为重要。
这场对话是麻省理工学院中国创新与创业论坛（MIT-CHIEF)组织的高峰对话系列活动，主题是《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与创业论坛（MIT-CHIEF）由麻省理工学院的中国留学生创立，至今已有十年，是北美历史最悠久的、由高校学生组织的中国创新创业论坛。系列高峰对话邀请了顶级科学家、投资人及创业者，共同探讨科技创新及商业化过程中面临的挑战。
PartI主题演讲
李开复：各方应协作，让AI更务实
非常荣幸再次受到MIT-CHIEF的邀请，对于人工智能的看法，这次我主要想讲四点。
第一点是我书里的主题，人工智能的超能力。我们已经从人工智能的发明期步入应用期阶段，从应用落地层面来说，正迎来了AI发展最大的机遇。
很多科技公司目前已对人工智能进行了多样化布局，从视觉、语言、触觉和其他感知技术，到自动化机器人、无人驾驶等，对很多领域开启了深远的影响。虽然眼下所见的AI应用仍有局限性，但我预测未来的格局会非常庞大，依据统计，各行各业采用AI的程度目前不到5%，AI应用的中长期增长曲线相当可期。
第二点是我很欣喜看到的一点，AI正在和传统行业深度融合。随着人们对人工智能的了解越来越多，更多的AI公司涌现出来。
AI最大的机会蕴藏在与传统企业的结合中，创新工场也正在帮助金融、制造、物流、零售、医疗等行业的公司进行AI变革。
作为AI投资人，我认为在这些行业如果找到正确的AI应用方向，就能带来上千万的回报。这种商业价值的产生是极其迅速的，通常只需要几个月，甚至短短几周就能看到成果。
现在人工智能在传统产业的渗透率仍在个位数，仍然有很大的提升空间。然而对于很多公司来说，它们需要的是高度定制化的方案，而非通用型AI方案，所以融合的过程中，不可避免会遇到不少挑战和痛点。
第三，我早年做过很多科研工作，很高兴能看到关于系统一和系统二（SystemOne,SystemTwo）的讨论，我们期待人工智能技术从系统一升级为系统二，即从识别、决策、优化等能力，升级到感知、认知等进阶智能的能力。
有不同的学派都在努力让人工智能更接近人类智能，其中一个流派主张回归经典的AI理念，甚至重新构建崭新的模型结构，在深度学习技术的基础上利用人类的知识。但我更支持另一个理论——深度学习的潜力还没有完全释放。
回看人工智能过去60多年的历程，最大的突破来自于计算能力和数据量大增而产生的可扩展算法。我们看到了卷积神经网络（CNN）带来的喜人成绩，还有预训练自然语言处理模型（Pre-TrainedModelsforNaturalLanguageProcessing）的广泛运用。
预训练模型与人类语言学习的模式类似，不管是英语还是中文，在习得这些语言之后，再去学习编程、艺术、化学。在无人监督的学习环境中，这种模式比我们想象得还要强大，就像阿尔法围棋（AlphaGo）一样。
最后一点我想说的是，如何让AI变得更务实。
AI有很多问题，例如隐私、数据安全、治理和监管，在此就不一一讨论了。当我们试图解决这些AI难题时，有人认为让监管部门加强管理是唯一办法，其实不然，我们是否也可以朝着研发更厉害的技术性解决方案去努力？
就像电脑病毒刚出现时，杀毒软件随之诞生；面对千年虫难题时，也迅速找到了技术应对方案。我们可以通过研发新技术，应对DeepFake深度换脸程序的挑战；或者通过联邦学习技术，在保证数据私密性的同时，满足深度学习训练需求。
作为握有技术能力的群体，我们需要与监管部门一起协作，而不只是把工作丢给他们。相信有了各方的助力，我们可以让AI的应用变得更有深度，更加务实，更高效地克服现在面临的种种问题。
阿莱克斯·彭特兰：国家间应建立互通标准，避免“AI冷战”
我对当前的深度学习技术不太乐观。
最为主要原因是，深度学习不仅需要庞大的数据源，而且要求这些数据长时间恒定不变，以保证模型训练结果的可靠性，例如人类的面容、语言，就是相对稳定不变的数据源。
但深度学习却没法应对快速变化的真实情况。亚马逊在新冠疫情蔓延速度暴增时，出现了仓库货物紧缺，不得不停止送货服务。这种经过深度学习高度优化后的系统发生崩溃，就是因为快速变化的疫情，和深度学习对恒定数据源的需求是矛盾的。
另外，我想谈谈如何通过联邦学习，促进数据的流通。
大多数公司没有足够丰富的数据，需要联合不同的数据来源。基于这种需求，出现了很多新商业模式，比如“数据经纪人”——他们不出售数据，而是把数据借出去，作特定需求的使用。
“数据经纪人”业务涌现了很多，他们促进了数据的流通，也加强了数据的隐私性。因此，像联邦学习这样的技术和商业策略结合，有效解决了数据在合规性和所有权方面的难题。
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在做相关系统的建设实验，新加坡等国家设置了一种相互竞争的区块链系统，来解决支付和物流问题。我们最近也帮助瑞士做了类似的实验，涉及不同数据的互通性和连贯性问题。
我们仍在研究如何用尽量少的数据，实现人工智能的目标。少量数据是指不断更新的短期数据，这些数据能使AI应对迅速变化的情况，并及时做出调整。
我们打算将AI与其他基础科学结合，例如阿尔法围棋(AlphaGo)就是这类结合的初步尝试。这些方法不依赖于大量恒定数据，可能会比深度学习更加强大。
除此之外，我们在探讨用AI保障联邦学习过程中不同数据方的权益，这是实现不同国家之间的互通性、支付信任度、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AI技术应用于加密数据上。我们和大公司以及政府密切合作，找出解决系统入侵和保障网络安全的方法。
我同时花了很多时间研究与政府的合作。政府很多时候不知道如何通过大数据做决策，也不知道如何进行数据优化。而AI能够帮助政府实现更高的效率，比如联合国现在已经有了很多可持续发展目标的相关评估指标,世界经济论坛也可以为会员国提供不同的标准测算。
基于我们已有的多元数据库，现在可以利用AI实现全新的数据优化方式，将贫困、不平等这种之前无法量化的指标，通过可量化的指标进行评估。
同时，要真正实现这个目标，我们还需要制定统一的互通性标准。如果没有这个标准，国家之间就不会相互信任去合作，就可能出现AI冷战。
因此我们需要找到促进合作的方式，就像TCP/IP互联网协议那样。而之前我提到的，新加坡、瑞士等现在正在尝试的区块链系统，将有希望解决国家间缺乏互通标准的问题。
PartII对话
美国在线教育发展难度更大，只在ZOOM上讲课是不够的
Q1：疫情加速了行业的改变，远程医疗、线上教育开始蓬勃发展，这只是AI对人类社会产生影响的冰山一角。想请两位谈一谈，目前看好AI在哪些领域应用的未来前景？
李开复：疫情的确对整个社会产生了实质性的影响，人们行为习惯发生了很多改变，更愿意接受线上学习和工作了。
这种新的行为习惯产生了大量数据流，为AI应用带来了更多可能性。比如大健康领域以及远程医疗中所产生的数据，可以训练更智能的模型。同时更多人开始在基因组学、新药研发方面结合新的AI技术进行研究，因此我相信AI在医疗健康领域的潜能是非常巨大的。
AI与教育的结合也很值得期待。一方面可以帮助老师处理重复性的日常事务，例如批改作业，让老师得以将时间精力投入到更有创造性的事情上，能更悉心地为孩子提供优质教学。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，有很多线上教育公司在疫情之前就已经发展迅速，像创新工场投资的VIPKID，让国外的纯正英语老师在线上教授中国学生。目前，中国的线上教育已经扩展到了更多科目，包括体育、舞蹈、书法等素质教育课程。
相比之下，美国线上教育发展的难度会更大。毕竟只在ZOOM上讲课是不够的，好的线上教育必须要有好的内容。
AI核心是增强人际互联，应注重文化多样性
阿莱克斯·彭特兰：李开复博士提到的教育案例，我不是很认同。
MIT大约20年前就在教育中使用AI，重点根本不是内容，我们甚至提倡将内容免费开放给大众。
AI绝非试图取代人类的作用，我们更强调用AI增强人与人之间的互动，让人们更好的社交和连接彼此。比如手机上人工智能技术，不是要取代你，而是让你高效地找到最适合的工作、最正确的人，让你更容易的获取信息，并进行创新。
我们可以利用数据激发更强的创新力，培养领导力。只有基于这样的宗旨，才能促进更有创造力的教育和学习，这比
