［今日寫呢啲］又到月頭呀下，照計月頭訂就最抵。

＝＝＝＝＝＝＝＝＝＝＝＝＝＝
月頭訂最抵！2021比別人知得多。subscribe now（https://bityl.co/4Y0h）。Ivan Patreon，港美市場評點，專題號外，每日一圖，好文推介。每星期6篇，月費100，已經1700人訂！ 畀年費仲有85折
＝＝＝＝＝＝＝＝＝＝＝＝＝＝

先跟進下Facebook同ig都有講，星期五晚嘅美國非農職位數據。平時呢啲悶到九彩，「但我寫咪有趣啲」「但又唔會係亂講」。今次真係都多人關心。之前都唔記得講，但早前出嘅ADP「小非農」相當勁，再之前「首次申領失業救濟人數」又低過預期，仲係疫後最低。咁大約都估到個非農職位數據會幾勁。結果當然真係好勁，上個月55萬，經濟師預72萬，結果去到85萬。

但，應該知道個關係唔係咁單方，唔係經濟好股市就升咁簡單。睇我啲文稍為耐啲都知，炒預期嘛。你舊年7月出個勁數就幫到股市，而家就唔係咁嘅事。大約睇下新聞都知，個個驚加息驚通脹驚縮表驚債息升嘛。所以往住出好嘅經濟數股市先驚，差嘅數反而好，唔會加息唔會縮表繼續打牌。

咁但又，點解今次出好嘅數，債息反而大跌，美股仲越升越有？標普指數7連升 ，創增新高喎。點解？就Patreon有講。提示：留意下失業率？同埋，人工增長？

大師冇點你嘅，名都貼晒出嚟啦，冇乜好講。我幾奇怪有人話我你300篇文是但一篇remark提過又當自己中。咁呢堆嘢，你問舊讀者，我列咗幾耐？根本係去到一個讀者媽我叫我唔好成日貼嘅地步。況且，我自己都買埋，仲有假？seeing is believing，如果我用呢啲技倆，最多咪昆到讀者一個月。月尾一定個個唔睇啦。但事實呢？

隻Nvidia次次畀人話我唔識tech添。但又如何？我識買就得。砌機佬變晒股神未？同樣地，我夠唔識Microsoft，但我已經賺咗三倍。你咪繼續笑我連Window都唔識裝咯。我就成個core list公開的，係呀，有啲輸到仆街，但又如何？我贏一隻三倍篘，夠我輸好多隻。

好啦，自吹自擂完，站在巨人肩膊上，其實最好我寫少啲，引其他人嘅嘢多啲仲好，等你鬧垃圾我就叫你send 去 Economist 投訴（舉例）。

每日一圖嘅，兩個都係美股，簡單嘢，歷史數據。美股舊年3月尾見底，而家差不多一年半。仲有冇得玩？今年上半年升咗14%，遠超過歷史平均。咁到底會係momentum 繼續升，定貴咗會升得冇咁多？當然冇水晶球，但歷史上嘅情況就睇得到。至少可以幫你排除某啲想法，有啲你以為好少發生嘅嘢，其實成日發生。

第二個圖一樣，之前提過，美股由舊年10月到而家大半年，都冇一次5%嘅調整，你等等等嘅真係唔知錯失幾多嘢，等到之後再調，都仲貴過你最初買好多。如果計10%回調，更加係舊年3月大屠殺後未見過。咁但係，似乎好快了。咁你話，扯，同你上面講嘅嘢矛盾？未必，文入面會解。

Good read兩篇都長長地，兩篇都正。首先講KOL泡沫，好多人都覺得KOL太多，好煩厭，呢樣嘢係咪玩到爛？外國更加係要監管（收錢或免費贈品出post要講明）。但，作者就話超錯，入面好詳細咁講原因。其中一個原因係：KOL將傳統行銷同廣告入面，兩味唔關事嘅嘢，可以扯埋一齊：就係傳統嘅廣告，同埋口碑 word of mouth．你以前靠師奶口碑，但佢冇可能一次話畀幾萬人知。

第二篇，講點解Dating app嘅演算法咁廢。咩係唔廢？例如Netflix或Youtube甚至網購啲猜你喜歡，你覺得點中你中事，咪好。廢嘅演算法係點？你介紹呢件橫頭磡細Mark，OMG，我見到作嘔，你個大數據做乜以為我咁冇品味？ 咁到底推薦電影短片購網，同推介一條仔/一條女有乜唔同？文入面有講。但提示係：Garbage in garbage out，你鍾意Double May嘅，敢唔敢直接填？仲有，你應該都見過，有啲人開一大堆擇偶條件，然後同一件完全冇一樣符合嘅人一齊。當然仲有，人係好複雜嘅嘢，我今次鍾意呢個5尺8 雙眼皮 金毛讀港大34歲嘅嘅，下次你推同一個畀我，可能我就覺得見到佢就想打。

＝＝＝＝＝＝＝＝＝＝＝＝＝＝
月頭訂最抵！2021比別人知得多。subscribe now（https://bityl.co/4Y0h）。Ivan Patreon，港美市場評點，專題號外，每日一圖，好文推介。每星期6篇，月費100，已經1700人訂！ 畀年費仲有85折
＝＝＝＝＝＝＝＝＝＝＝＝＝＝

【生命靈數：『婚後最專一』與最佳靈數配對】
男人結婚後，有些會被貼上好老公、好爸爸的標籤，全心全意對待家庭，而有些則依然沈淪在婚前的紙醉金迷中，沒有履行婚約承諾……你認為自己會是哪一種呢？這次艾菲爾老師要用生命靈數幫你測試，看看你結婚後有多專一，或是風流花心！女孩們也不妨幫心儀的另一伴或對象測測，並跟好友、閨蜜交流分享一下囉！

生命靈數算法：
把你的陽曆出生年月日所有數字加起來，加到剩下個位數，就是你的生命靈數，例如:
Ａ、出生日期為陽曆1988年11月20日
1+9+8+8+1+1+2+0=30
3+0=3
生命靈數=3

Ｂ、出生日期為陽曆1965年12月7日
1+9+6+5+1+2+7=31
3+1=4
生命靈數＝4


算
好
看
答
案

生命靈數1男
婚後完全成了「妻奴」的男生，會主動斷了與異性的聯繫，對太太的話言聽計從，還會學做飯、打掃，一起分擔家務，就怕老婆工作之余還要忙家事太累，跟先前花花公子的形象截然不同。

生命靈數2男
靈數2的男性是個不折不扣的木頭男，不管是婚前或是婚後，然而，即使不懂得製造浪漫或驚喜，也不會用甜言蜜語讓另一伴開心，對老婆卻是絕對專情，把體貼心思全流露在生活細節當中。

生命靈數3男
步入婚姻後，即使有稍微收斂些，但本性依然不改，偶爾仍喜歡在外拈花惹草，就算自己知道對外頭的人不會動真感情，可對正宮來說是有多大的傷害，對於專一，靈數3的男性還需多練習才是。

生命靈數4男
靈數4屬於婚前風流，婚後專一的類型，把〝女友〞和〝老婆〞分得很清楚，認為唯有老婆才是陪伴自己走完一輩子的人，因此在婚後對家人呵護備至，努力賺錢給家用，全心以家庭為重。

生命靈數5男
本身就有強烈家庭責任感的靈數5，婚後更是為了經營好這個家，不惜付出一切心力，除了每天會陪太太聊天，聽對方吐苦水，對於帶孩子更是不遺餘力，盡可能地減少另一伴的負擔！

生命靈數6男
婚前的壞脾氣同樣帶進了婚後的生活里，有時說起話來容易顯得不耐煩，小倆口的爭吵沒見停過，只是，彼此雖鬥嘴不斷，在靈數6男生的心中，老婆的地位卻從未動搖過，婚後的情感相當地專一。

生命靈數7男
靈數7的男生長得不差，加上又是一個人人好的暖男，身邊自然有不少異性會主動招惹，偶爾也會被遠處的花蝴蝶所吸引，但靈數7很懂得遵守分際，絕不做出逾矩的舉動，規規矩矩地僅止於欣賞。

生命靈數8男
靈數8的男生是婚前從沒想過自己會結婚的浪子，但在婚後對老婆、孩子有十足的耐心，基本上家裡的一切都能打理得妥當，另一伴的脾氣再拗，也總是能包容，外界對靈數8來說一點誘惑力也沒有呢。

生命靈數9男
靈數9的男生原以為能靠婚姻扭轉濫情的性格，但結婚後才發現，婚姻像是一道枷鎖，囚禁了自由的心靈，不斷掙扎想逃離現狀，對於感情，靈數9只能暫停駐足，難以永久停留，除非他自己真心願意。

生命靈數0的人
表示你沒有加到個位數。
表示你沒有加到個位數。
表示你沒有加到個位數。
例如：
10=「1」+「0」=1。
20=「2」+「0」=2。
30=「3」+「0」=3。


【愛情美滿佳偶靈數】
靈數3配靈數5
靈數2配靈數9
靈數6配靈數7
靈數1配靈數4
靈數4配靈數8

【容易衝突怨偶靈數】
靈數1配靈數2
靈數4配靈數5
靈數7配靈數9

近日，我與阿萊克斯·彭特蘭教授（Alex Pentland）展開了一場”AI如何重塑人類社會”的精彩對話。

《連線》雜誌的資深撰稿人威爾·奈特（Will Knight）主持了這場對話。

阿萊克斯·彭特蘭教授任教于麻省理工學院，為全球大資料權威專家之一，現任MIT連接科學研究所主任、MIT媒體藝術與科學教授，擁有“可穿戴設備之父”、《福布斯》“全球七大權威大資料專家”、《麻省理工科技評論》“年度十大突破性科技”兩度桂冠獲得者等頭銜，曾參與創建MIT媒體實驗室，是全球被引述次數最多的計算科學家之一。

對話金句：

李開復：

 AI最大的機會蘊藏在與傳統企業的結合中，這種價值的產生極其迅速，只需要幾個月，甚至短短幾周。
 未來突破很難預測，對奇點、超級智慧的爭辯，在我看來都過於樂觀了。
 小型AI公司與巨頭競爭，我的建議是找准巨頭沒有平臺優勢的細分領域，為某個針對性產業創造價值，不要與巨頭核心業務正面硬碰。

阿萊克斯·彭特蘭：

 AI絕非試圖取代人類，而是促進多元文化之間的相互連接、團隊合作，讓人們更好的進行社交和連接彼此。
 最困難的其實是說服人們改變商業流程去使用AI，因為大多數人是墨守成規的。
 人工智慧有朝一日可以取代人類所有的能力，但是這個過程會非常漫長，可能需要上百年或更久。

我在對話中表示，當我們試圖解決AI問題時，應該用技術來解決技術的問題，可以尋求與監管部門協作，而不只是丟給他們，“新技術會衍生新的問題，我們應該多方嘗試用更進階的技術性解決方案，就像電腦病毒剛出現時，殺毒軟體隨之誕生。”

彭特蘭教授認為，人工智慧的核心，是促進多元文化之間的相互連接。不只是工程師或科學家，連經濟學家、政治家都必須參與進來。“國家之間應該促進合作、制定互通標準，就像TCP/IP互聯網協定那樣，避免AI冷戰。” 我們都贊同，AI發展從來不是單打獨鬥，跨學科思維、跨領域合作尤為重要。 這場對話是麻省理工學院中國創新與創業論壇（MIT-CHIEF) 組織的高峰對話系列活動，主題是《計算與未來: AI與資料科學如何重塑人類社會》。

麻省理工學院中國創新與創業論壇（MIT-CHIEF）由麻省理工學院的中國留學生創立，至今已有十年，是北美歷史最悠久的、由高校學生組織的中國創新創業論壇。系列高峰對話邀請了頂級科學家、投資人及創業者，共同探討科技創新及商業化過程中面臨的挑戰。

以下是我們對話的核心內容，由我的同事整理、分享給大家：

Part I 主題演講

▌李開復：各方應協作，讓AI 更務實

非常榮幸再次受到MIT-CHIEF的邀請，對於人工智慧的看法，這次我主要想講四點。

第一點是我書裡的主題，人工智慧的超能力。我們已經從人工智慧的發明期步入應用期階段，從應用落地層面來說，正迎來了AI發展最大的機遇。

很多科技公司目前已對人工智慧進行了多樣化佈局，從視覺、語言、觸覺和其他感知技術，到自動化機器人、無人駕駛等，對很多領域開啟了深遠的影響。雖然眼下所見的AI應用仍有局限性，但我預測未來的格局會非常龐大，依據統計，各行各業採用AI的程度目前不到5%，AI應用的中長期增長曲線相當可期。

第二點是我很欣喜看到的一點，AI正在和傳統行業深度融合。隨著人們對人工智慧的瞭解越來越多，更多的AI公司湧現出來。

AI最大的機會蘊藏在與傳統企業的結合中，創新工場也正在説明金融、製造、物流、零售、醫療等行業的公司進行AI變革。

作為AI投資人，我認為在這些行業如果找到正確的AI應用方向，就能帶來上千萬的回報。這種商業價值的產生是極其迅速的，通常只需要幾個月，甚至短短幾周就能看到成果。

現在人工智慧在傳統產業的滲透率仍在個位數，仍然有很大的提升空間。然而對於很多公司來說，它們需要的是高度定制化的方案，而非通用型AI方案，所以融合的過程中，不可避免會遇到不少挑戰和痛點。

第三，我早年做過很多科研工作，很高興能看到關於系統一和系統二（System One, System Two）的討論，我們期待人工智慧技術從系統一升級為系統二，即從識別、決策、優化等能力，升級到感知、認知等進階智慧的能力。

有不同的學派都在努力讓人工智慧更接近人類智慧，其中一個流派主張回歸經典的AI理念，甚至重新構建嶄新的模型結構，在深度學習技術的基礎上利用人類的知識。但我更支持另一個理論——深度學習的潛力還沒有完全釋放。

回看人工智慧過去60多年的歷程，最大的突破來自於計算能力和資料量大增而產生的可擴展演算法。我們看到了卷積神經網路（CNN）帶來的喜人成績，還有預訓練自然語言處理模型（Pre-Trained Models for Natural Language Processing）的廣泛運用。

預訓練模型與人類語言學習的模式類似，不管是英語還是中文，在習得這些語言之後，再去學習程式設計、藝術、化學。在無人監督的學習環境中，這種模式比我們想像得還要強大，就像阿爾法圍棋（AlphaGo）一樣。

最後一點我想說的是，如何讓AI變得更務實。

AI有很多問題，例如隱私、資料安全、治理和監管，在此就不一一討論了。當我們試圖解決這些AI難題時，有人認為讓監管部門加強管理是唯一辦法，其實不然，我們是否也可以朝著研發更厲害的技術性解決方案去努力？

就像電腦病毒剛出現時，殺毒軟體隨之誕生；面對千年蟲難題時，也迅速找到了技術應對方案。我們可以通過研發新技術，應對DeepFake深度換臉程式的挑戰；或者通過聯邦學習技術，在保證資料私密性的同時，滿足深度學習訓練需求。

作為握有技術能力的群體，我們需要與監管部門一起協作，而不只是把工作丟給他們。相信有了各方的助力，我們可以讓AI的應用變得更有深度，更加務實，更高效地克服現在面臨的種種問題。

▌阿萊克斯·彭特蘭：國家間應建立互通標準，避免“AI冷戰”

我對當前的深度學習技術不太樂觀。

最為主要原因是，深度學習不僅需要龐大的資料來源，而且要求這些資料長時間恒定不變，以保證模型訓練結果的可靠性，例如人類的面容、語言，就是相對穩定不變的資料來源。

但深度學習卻沒法應對快速變化的真實情況。亞馬遜在新冠疫情蔓延速度暴增時，出現了倉庫貨物緊缺，不得不停止送貨服務。這種經過深度學習高度優化後的系統發生崩潰，就是因為快速變化的疫情，和深度學習對恒定資料來源的需求是矛盾的。

另外，我想談談如何通過聯邦學習，促進資料的流通。

大多數公司沒有足夠豐富的資料，需要聯合不同的資料來源。基於這種需求，出現了很多新商業模式，比如“資料經紀人”——他們不出售資料，而是把資料借出去，作特定需求的使用。

“資料經紀人”業務湧現了很多，他們促進了資料的流通，也加強了資料的隱私性。因此，像聯邦學習這樣的技術和商業策略結合，有效解決了資料在合規性和所有權方面的難題。

聯邦學習也依賴於新的基礎設施建設，為資料應用和深度學習提供基礎環境，比如區塊鏈技術。現在世界上很多國家在做相關系統的建設實驗，新加坡等國家設置了一種相互競爭的區塊鏈系統，來解決支付和物流問題。我們最近也幫助瑞士做了類似的實驗，涉及不同資料的互通性和連貫性問題。

我們仍在研究如何用儘量少的資料，實現人工智慧的目標。少量資料是指不斷更新的短期資料，這些資料能使AI應對迅速變化的情況，並及時做出調整。

我們打算將AI與其他基礎科學結合，例如阿爾法圍棋(AlphaGo)就是這類結合的初步嘗試。這些方法不依賴于大量恒定資料，可能會比深度學習更加強大。

除此之外，我們在探討用AI保障聯邦學習過程中不同資料方的權益，這是實現不同國家之間的互通性、支付信任度、物流運輸等方面合作的關鍵前提。

另一方面，我們探索如何將AI技術應用於加密資料上。我們和大公司以及政府密切合作，找出解決系統入侵和保障網路安全的方法。

我同時花了很多時間研究與政府的合作。政府很多時候不知道如何通過大資料做決策，也不知道如何進行資料優化。而AI能夠幫助政府實現更高的效率，比如聯合國現在已經有了很多可持續發展目標的相關評估指標,世界經濟論壇也可以為會員國提供不同的標準測算。

基於我們已有的多中繼資料庫，現在可以利用AI實現全新的資料優化方式，將貧困、不平等這種之前無法量化的指標，通過可量化的指標進行評估。

同時，要真正實現這個目標，我們還需要制定統一的互通性標準。如果沒有這個標準，國家之間就不會相互信任去合作，就可能出現AI冷戰。

因此我們需要找到促進合作的方式，就像TCP/IP互聯網協議那樣。而之前我提到的，新加坡、瑞士等現在正在嘗試的區塊鏈系統，將有希望解決國家間缺乏互通標準的問題。

Part II 對話

▌ 美國線上教育發展難度更大，只在ZOOM上講課是不夠的

Q1：疫情加速了行業的改變，遠端醫療、線上教育開始蓬勃發展，這只是AI對人類社會產生影響的冰山一角。想請兩位談一談，目前看好AI在哪些領域應用的未來前景？

李開復：疫情的確對整個社會產生了實質性的影響，人們行為習慣發生了很多改變，更願意接受線上學習和工作了。

這種新的行為習慣產生了大量資料流程，為AI應用帶來了更多可能性。比如大健康領域以及遠端醫療中所產生的資料，可以訓練更智慧的模型。同時更多人開始在基因組學、新藥研發方面結合新的AI技術進行研究，因此我相信AI在醫療健康領域的潛能是非常巨大的。

AI與教育的結合也很值得期待。一方面可以説明老師處理重複性的日常事務，例如批改作業，讓老師得以將時間精力投入到更有創造性的事情上，能更悉心地為孩子提供優質教學。另一方面可以提高學生的課堂參與度和積極性，比如設置卡通版AI虛擬老師，讓課程充滿趣味性。

在中國，有很多線上教育公司在疫情之前就已經發展迅速，像創新工場投資的VIPKID，讓國外的純正英語老師線上上教授中國學生。目前，中國的線上教育已經擴展到了更多科目，包括體育、舞蹈、書法等素質教育課程。

相比之下，美國線上教育發展的難度會更大。畢竟只在ZOOM上講課是不夠的，好的線上教育必須要有好的內容。

▌AI核心是增強人際互聯，應注重文化多樣性

阿萊克斯·彭特蘭：李開復博士提到的教育案例，我不是很認同。

MIT大約20年前就在教育中使用AI，重點根本不是內容，我們甚至提倡將內容免費開放給大眾。

AI絕非試圖取代人類的作用，我們更強調用AI增強人與人之間的互動，讓人們更好的社交和連接彼此。比如手機上人工智慧技術，不是要取代你，而是讓你高效地找到最適合的工作、最正確的人，讓你更容易的獲取資訊，並進行創新。

我們可以利用資料激發更強的創新力，培養領導力。只有基於這樣的宗旨，才能促進更有創造力的教育和學習，這比關注教育內容本身重要得多。

在加拿大，有家創業公司正在訓練普通民眾學習AI，比如水管工，教學效果非常不錯。他們的教育方式不是簡單的教授基本知識，而是以一種能夠激發人們互動思考的方式。

我們之前在中國調研了3000多個孵化器，發現創業公司成功的要素裡，第一個是文化多樣性，也就是說創始團隊背景的複雜性和多樣性。第二個是團隊成員專業的多樣性，他們能否發揮自己所長，並很好地進行團隊合作。

1956年，馬文·明斯基 (Marvin Minsky)提出了人工智慧這個詞。但我們對於人工智慧的理解，不應該只停留在“人工”層面，而應擴展到多元文化之間的相互連接、團隊合作，我把它叫做延伸智能（Extended Intelligence)。這也是我想強調的，人工智慧這個名詞有一定的偶然性，但它的核心點是增強人與人之間的互聯性。

▌AI未來突破難預測，奇點、超級智慧過於樂觀

Q2：未來十年AI有沒有可能取得重要突破？比如GPT-3近期展現驚人的能力。兩位認為未來的突破方向是什麼？

李開復：過去60多年來，深度學習是唯一的重大突破。在這之後，卷積神經網路（CNN）和GPT-3等都算是重要的改善，我對於人工智慧的漸進式改善保持樂觀。

對科學家來說，他們更期待著技術上的突破式進展。但我覺得未來十年基礎科研或許不會有大的突破。但模型相對容易，只要有大量的資料，就可以從實驗室進入到行業應用，CNN和GPT-3都是模型加海量資料的成果。

我是務實派的，雖然持有樂觀態度，但並不是一位“未來學家”。未來的突破很難預測，對奇點（Singularity）的爭辯，甚至預測超級智慧的出現，在我看來都過於樂觀了。

阿萊克斯·彭特蘭：我同意李博士的觀點。很多生物機制很難解釋，包括用感知認識事物、理解聲音、尋找食物等，是深度學習演算法做不到的。但深度學習可以研究科學、制定規則、研究理論，並進行實踐。

從務實的角度來說，我最感興趣的就是聯邦學習。就醫療而言，我們有這麼多醫院，在新冠疫情期間做了很多的實驗，為什麼這些實驗資料不能進行聯合呢？

儘管資料有不相容的地方，但這也是一個很好的機會去探究不同的資料之間的關聯性。在未來，我們對資料的需求也許會越來越少，外科醫生或者物理學家或許不需要太多資料，因為他們對規則已經瞭若指掌了。

▌不要墨守成規，要跨領域、跨學科應對挑戰

Q3：人工智慧會有什關鍵挑戰？對於想從事這個行業的人，有什麼是需要瞭解的關鍵點？

李開復：首先，大背景在改變，新科技層出不窮，我們每年都需要學習新的東西。

其次，人工智慧可能引起各種問題，包括偏見、歧視、倫理道德等，是否危害人類的身體健康，無人駕駛技術該何去何從等等。

第三，人工智慧的研發需要深刻地理解技術對社會、生活與人類健康會產生的影響。我非常欣賞斯坦福和MIT這樣的高校，能夠把AI教育擴展到各個學科，讓研發人員及早意識到自己的責任和價值。

阿萊克斯·彭特蘭：是的，我朋友做過一個有關電的趣味類比，電動馬達最初在工廠裡用於生產的時候，並沒有發揮出多大的作用，因為大家並不知道如何改造生產流程。

AI在一些領域發揮的作用是顯著的，但應用到其他領域時，就需要改造流程。很多情況下，最困難的就是說服人們改變商業流程去使用AI，因為大多數人是墨守成規的。

而有意思的是，就像李博士提到的，像MIT和斯坦福這樣的高校確實在認真嚴肅地對待這個問題。

比如，我今天早上正好就這個話題跟G20領導人對話，大家一致認為我們必須從跨領域、跨學科的角度去面對這個問題，不能只是工程師或者社會科學從業者們在做，經濟學家，政治家等等都必須參與進來緊密合作。

隨著AI的應用領域越來越廣，除了必須具備強有力的技巧來建立社會規則，還需要對研究經費、企業投入等進行各種調整。

▌雖然大公司實力不容小覷，但依舊對小公司抱有期待

Q4：AI研究會消耗大量的資源，我們是否應該將資源往學術界平衡？現在已經發生資源的重新分配和平衡了嗎？

李開復：就人才而言，現在已經有重新平衡的跡象了。

過去，頂尖大學的學者基於待遇和種種考量，不少選擇去企業界工作。而近期，曾任職於百度、海爾、位元組跳動等公司的數位優秀AI科學家已經回歸高校。

但像GPT-3這樣的技術，仍然不是大學和小公司能支付得起的。支撐GPT-3運行的電腦是世界算力第五的超級電腦。每進行一次演算法訓練，就要花費460萬美金，只有像騰訊、穀歌、微軟這個級別的公司才能負擔得起如此強大的算力。

我觀察到，近年的AI創業公司已經和5年前截然不同了。它們一般由AI科學家和商業人才共同創建，為了解決特定問題而生，並非紙上談兵做突破性科研，切入的領域也往往是巨頭公司忽略的地方。

例如，為製造業進行AI賦能，不是一件輕鬆的事，需要去工廠實地勘查，瞭解運作方式。大公司因為賺錢很容易，不願意做這些性價比低的苦活累活。這些小公司的努力一旦有了成果，就會給產業界帶來革命性的影響。所以，雖然大公司的實力不容小覷，但我依舊對小公司抱有期待。

阿萊克斯·彭特蘭：大學和公司是一種融合的關係，不僅體現在人才流動上，也會進行資訊資源分享，彼此是整體性的合作態勢。

當然這也不是絕對，產業界的保密需求還是存在的，只是從學校的出發點來說，我們願意毫無保留地為大家提供更好的研究成果，並與企業合作，形成標準化平臺。

▌人工智慧取代人類需要上百年或更久

Q5：兩位認為什麼是AI不能取代的？

李開復：一類是創造力、分析能力、邏輯辯論能力，瞭解自己知道什麼不知道什麼，這些是人工智慧無法取代的。另外一類是同理心，人類之間的信任、友誼，自我認知、意識等。

阿萊克斯·彭特蘭：人工智慧有朝一日可以取代人類所有的能力，但是這個過程會非常漫長，可能需要上百年或更久。

▌AI創業建議I：找到小切入點，不要與巨頭正面硬碰

Q6：李博士提到了AI在小企業中的運用，可否再舉例說明是如何運用的？

李開復：這個問題分兩部分：一個是小型AI公司與巨頭競爭，我的建議是找准巨頭沒有平臺優勢的細分領域，為某個針對性產業創造價值，並且不要與巨頭核心業務正面硬碰。

對於那些中小型非AI、但想應用AI的公司，需要確保有足夠的資料，以訓練與核心商業價值掛鉤的AI模型，並且有願意變革的開放性公司文化。

所以，早期應用AI的公司可能規模較大，因為他們有足夠大的資料，和可相容變革的商業模型。每個例子都不同，不是任何一家公司都要應用AI。

阿萊克斯·彭特蘭：如果我們放寬AI的定義，或許水管工、合同工都有資料，通過一些簡單的分析、整合，AI也可以在很大程度上改進他們的工作。

這些都是很小的切入點，基於簡單的AI分析、機器學習，依舊可以產生巨大的潛力。

▌ AI創業建議II：知曉技術，同時理解商業

Q7：兩位再分享一下最後的建議？

李開復：我們在步入一個AI開始滲透到方方面面的令人振奮的時代，我希望所有的學生們都能參與到這個改革浪潮中。要深刻地理解人工智慧的商業落地，而不僅僅鑽研技術本身。

阿萊克斯·彭特蘭：不要太較真於深度學習或者冗長的演算法，一切始於要解決的現實問題。不要止步於技術本身，要明白資料類型、形態和規律，關注商業流程。

感謝葉樂斐、劉諾、藍萱、張昊、陳冬傑、劉子昂、張梓煜、錢淩寒、水一方、沈雍在校譯和審閱上對本文的貢獻。

會員: https://www.youtube.com/channel/UC8vabPSRIBpwSJEMAPCnzVQ/join

Instagram: https://www.instagram.com/dw_kid12/

Facebook: https://www.facebook.com/deepwebkid/?modal=admin_todo_tour
訂閱: https://www.youtube.com/channel/UCKC6E5s6CMT5sVBInKBbPDQ?sub_confirmation=1

暗網? 陰謀論?: https://www.youtube.com/watch?v=W5RVLpFkAKQ&list=PLGzW5EwcApFuqKoowMHS9v8W34vIPyrtk

鬼故事: https://www.youtube.com/watch?v=H4rmkFI1ik0&list=PLglqLngY6gv5BCwaoP-q6DOwUmw1lIusF

我的100K成長故事: https://www.youtube.com/watch?v=Kdhtp6A6YJE

破解Kate yup事件是假的! 不是綁架! 不要被騙! (Facebook上的證據): https://www.youtube.com/watch?v=2NJVt56ORWo&t=2s

曼德拉效應: https://www.youtube.com/watch?v=OMutzRIE_uE&list=PLglqLngY6gv5BCwaoP-q6DOwUmw1lIusF&index=17&t=5s

深刻個人經歷: https://www.youtube.com/watch?v=4Roa6Vs1qWc&list=PLglqLngY6gv4mm_doLUUJx4zq5KvLJ2VE


大家好! 又是我暗網仔一起在Youtube看一看. 不是Youtube Rewind啊!

之前芷鹿泥馬將我放在Bomba事件作出一個格鬥我覺得挺好玩. 今天我想試試講其他Youtubers.

做Youtuber來講我一定算是新人. 但看恐怖東西的fans來講也算是經驗豐富. 所以今天就評論一下5位前輩2019年的恐怖內容啊! 有一些是做了很多年的前輩及, 存一些是新手. 我們就以他們今年最高觀看次數的影片作爲example.
由第五位數到我最欣賞的第一名!

暗網仔 2.0
他最高觀看次數的影片是3月份 ‘我為何不再拍暗網? 只說一次.’ 但他也有其他陰謀論, 都市傳說的影片也是用心. 之後也開始拍鬼故事. 相比2018年他也是少拍暗網這題材. 有

Sunny
ArhoTV 除了拍很有個人風格的Vlog影片之外, 都市傳說這種恐怖題材也是他的那手好戲之一. 2018年他去explore凶宅, 鬧鬼酒店成為他頻道Top 5最高觀看次數的影片. 2019 Sunny都市傳聞比較受歡迎. 2019他最高觀看次數的恐怖片是3月份的 ‘恐怖, Momo入侵卡通片! 小心佩佩豬?! (驗證Momo影片 都市傳說)’ 乘當時Momo熱潮並是其中最早拍該題材的Youtuber.

Sunny多條恐怖主題的影片都是用這個恐怖黑紫色光背景. 影片大部分時間只是Sunny一個人坐下來講各個都市傳說的重點.

簡單又不失氣氛的裝飾呈現不代表Sunny的影片沒有層次啊. 每一條影片在右上角有講述每一段説的題目. 長期拍著Sunny的樣子又能讓觀眾不失對影片的focus.

我本身最留意到是每條影片的音樂. 是一種遊戲機式的恐怖音樂. Sunny差不多每一條都市傳說影片也是用這首歌. 這個’恐怖點’ 我現在還在找.

Edmond poon
香港靈異界的前輩鬼王潘紹聰一定是今天最前輩的人物. 90年代已經在電台電視做節目. 這是小時候我買他的書. 就算 ‘恐怖在線’ Youtube頻道也是早於2013年. 今年他1月20號上載的 ‘解降頭師爆已故歌手陳百強死因有內情, 得罪不知名高人被收魂魄.’

當然影片的title很吸引. 影片也本身長達26分鐘. 到影片差不多一半, 12:03的時候title上的歌星陳百強故事才開始.

獨立評論這一集不如講 ‘恐怖在線’ 整個Podcast的format. 長一點的播客節目現在很流行. 多位美國大Youtubers亦放棄原有在拍的Youtube內容集中去拍Podcast. Podcast好處一定是影片的長度, Youtube 計算法是非常喜歡的. 而Edmond在影片12分鐘才講重點故事也是明智的. 這樣讓觀眾要看久一點才聽到想聽的故事.
影片自然多一點觀看分鐘. Youtube也自然會promote. Edmond果然是一個多平台成功發展的藝人啊! 偶像偶像!


Professor pow pow
香港暗網, 都市傳說, 冷知識現代Youtuber的代表人物. 快速影片jit juw讓他幾年內有331K subscribers. 我本身有跟powpow溝通過. 他2019年最高觀看次數影片 ‘海洋比你想像中更深, 更可怕...’ 是對海底Marianas Trench馬里亞納斯海溝的知識影片.

我相信很大部分看我影片的觀眾一定有看POW POW, 所以他的好也不用多講啦.

我只想講Professor pow pow曾拍有關自己為何少拍暗網的影片時說過冷知識是最愛拍的影片類型. 影片重點他比較暗網觀看次數底過urban legends. 但沒有題及冷知識views如何. 可能更底吧! 但我就是想講! Youtube可能是有一個算法估計那一條影片有機會紅. 但要拍紅對自己有興趣的東西而不是跟潮流走才是最高境界. 而pow pow今年真的是做到.

Ps. 但有可能是冷知識今年是個trend吧! 因為第一名常拍的. 是他!

Kauizero
老高是 ‘香港’ youtuber 嗎? 其實有留意Youtube熱門影片的人也可能發覺老高差不多每一條影片也上香港熱門. 那算香港Youtuber吧! 但老實說, 老高的影片在那一個中文地區的熱門影片也應該會上到的. 這證明他對華人Youtube界的影響. 也證明他對神秘知識界的影響力.

2019年他最高views的影片是 ‘超出你想像的深海世界’ 這影片除了保留他和啊so完美pooy合之外, 相比他其他影片這條能到差不多4 million views的原因是每一段他用了海的深度set up整個影片. 到最就是 wikipedia説 “the deepest known point on earth” 超過35,000 feet的 ‘Challenger deep.’
這個做法有之前Edmond poon影片的做法有點相似. 要觀眾看到最後才給title的答案你聼. 所以比其他片觀看分鐘自然長一些.

Overall, 結論是: 講深海2019真的很紅啊!!! 我怎麼沒有講呢???