#Q博展知識
【記者節快樂】
今天是九一記者節，祝各位為了新聞而努力奔走的記者們，記者節快樂
在這個日子裡
我們也來看一些科普X新聞X記者的科學吧！

【科技與社會的研究與教學：我們都是科學記者】
現代社會的公眾對於科技議題的理解，事實上有著比過去任何一個時代都要高的門檻。由於透過科學傳播的媒介吸收新知，因此公眾除了需要面對高聳的科學認識屏障外，更需要解析媒介背後的錯綜特質。在這雙重的條件下，一般民眾並不容易直接切進議題的核心，常常需要倚賴超越內容的知識來間接習得。

這個過程就像一般民眾在認識科技議題時，其核心往往牽涉龐大的知識基礎，直接逼近常是不可得的一種理解方式。因此就像天文學家追尋黑洞的存在一樣，民眾也需要透過相關的「背景輻射」才能間接習得核心議題的意義。在這種情況下，民眾的需求可能不是一些與議題直接相關的「內容知識」（例如相關科學理論、數據等），反而超越內容之外的「背景知識」才是一般民眾可以具體掌握並有助於形成論點的知識。

而超越內容的知識可以包含哪些不同的層次呢？在現代社會中，每一個社會性科學議題的背後，事實上都同時被科學和媒體這兩層不同的論述包覆著。例如就一個科學事件而言，科學家先用科學理論的詞語對它進行說明，之後大眾傳媒又會基於自己的需求用傳播的論述包裹一次。因此一個公民如果要認識一件社會性科學議題的核心，要像剝洋蔥般，耐心地把這一層層的包覆拆解開來。
https://scitechvista.nat.gov.tw/UrlMap?t=heZ

【當人工智慧進入新聞編輯台】
機器寫作顧名思義就是─讓機器人幫你寫作，即為運用演算法對於所輸入的文章資料自行作處理，然後即可自行拼湊出一篇文章。而使用機器人「拼湊」新聞的優勢在於它可以快速的收集到大量且相關連性的資料，並且迅速地做到彙整、統計、分析資料等功能。目前機器人新聞寫作主要被運用在體育和財經新聞報導上較多，主要是因為這兩個領域的資料訊息瞬息萬變，需要耗費的時間相對上較多，因此利用電腦來幫忙作分析、統計、整理可以減少人力體力上及時間的過多耗費。

機器人新聞寫作的出現，優點在於可以讓更多的員工去從事有創造性和挑戰性的工作。美聯社期望機器人寫作的加入，能夠讓記者回到本職的工作內容，而不是花大量的時間在於資料的彙整、統計、分析上。機器人寫作有三大優點：（1）即時運算（即為資料的彙整、統計、分析）非常快，可以省掉很多處理上的時間、(2)可減少人力資源開銷、(3)產出的報導客觀公正。
https://scitechvista.nat.gov.tw/UrlMap?t=d2C

【科學媒體化】
傳播媒體技術與電腦網絡的快速發展，使電子傳播媒體成為社會大眾資訊的主要提供者。雖然，一般大眾對於媒體有著種種的批評，但是媒體還是公眾資訊的主要來源，在某個程度上也是民意的塑造者。就像學生的報告，主要的資料來源就是網路。在這種新的權力結構下，科技社群與媒體間也產生了新的互動關係。在新的關係中，科技專家漸漸擺脫與媒體保持距離的習慣。為了爭取有限的科研經費，科技專家有時反而需要媒體的「背書」。媒體，不再只是單純的知識傳播者，它似乎也逐漸與「大學—國家—產業」這三螺旋鏈，形成檯面上的四螺旋鏈。

科技社群與媒體大概有底下的新關係：一、知識優先權透過媒體取得；二、媒體可能塑造科技界的明星，進而形塑大眾科技的「共識」；三、科技界為爭取媒體曝光度，可能提供未成熟的資料。無論這些問題是否發生，我們應該注意的是，媒體是否已逐漸影響傳統的科技社群自律機制？是否科技界對媒體需求的比重已經凌駕對「真理」的追求？

不過無論如何，大眾或科技專家，都已經無法避免透過媒體接觸科技知識。在這些例子中，我們反而看到科學事業人性化的一面。因此，需要改變的也許不是科技知識產生或傳播的方式，而是所有人心目中「科學」的形象。
https://scitechvista.nat.gov.tw/UrlMap?t=gS4

ref: https://towardsdatascience.com/five-things-i-have-learned-after-solving-500-leetcode-questions-b794c152f7a1

本文是作者敘述自身解決 500 題 leetcode 後的一些想法

對於每個軟體工程師來說，基本上都有聽過 leetcode 這平台，也勢必理解刷題這個行為

Leetcode 中的題目五花八門，大部分都聚焦於資料結構與演算法類別，而這類型的刷題也變得愈來愈普遍廣泛，
不論公司規模與否，很多都會需要透過刷題來進行面試，然而這類型的行為的確也出現了不少討論的聲音
譬如面試者擅長 leetcode 但是這項能力卻沒有辦法反映到日常工作所需要的真正技能上。

不考慮到底 Leetcode 這類型的刷題行為到底好不好，作者列出五個自己刷題完畢後學到的一些心得
1) The importance of Data Structures & Algorithms
2) There is always someone more knowledgeable than you
3) An edge case can ruin your day
4) Hard work beats talent…
5) Planning is an essential part of software development

The importance of Data Structures & Algorithms
Leetcode 本身不是一個資料結構與演算法的教學平台，不過其本身的題目可以幫助你瞭解更多資料結構與演算法使用的場景與使用方式。
作者提到這類型的基本功應該是每個軟體工程師都要有的，特別舉例不久前一篇玩家修改 GTA V 裡面某些資料結構的處理方式，使得整個讀取速度提升70% 的範例來闡述為什麼
需要掌握好資料結構與演算法。

There is always someone more knowledgeable than you
Leetcode 的解題過程中，最大的特點永遠都是留言區，裡面總是會有各種神奇厲害的解法，甚至會出現比官方解答更漂亮的解答方式。
作者自述有很大半的時間其實都是再重新實作這些很棒的解法。
這經驗讓作者體會到，人外有人天外有天，永遠都有比你厲害的人，工作上要盡可能的向那些厲害的人討教與學習，他們花了很多時間與經驗得來的知識都是非常寶貴且難得的，能夠學會就盡量學會。

An edge case can ruin your day
作者認為 Leetcode 的題目都擁有豐富的測試資料，包含了各種極端案例，這也意味刷題的時候如果沒有考慮各種不同情境常常沒有辦法順利通過問題。
這種思考過程的訓練對作者帶來了實質上的幫助，工作上能夠用更嚴謹的思路去思考每個撰寫的程式，思考有沒有可能有任何遺漏的案例可以在寫程式的過程中就找出來。

Hard work beats talent…
這句話的全文是
Hard works beats talent when talent doesn't work hard.
就算本身不是天選之人，但是透過努力還是有機會在天選之人松懈怠惰之時展現出自己強大與良好的一面。

註: 我想於如果天選之人比你還努力...那就讓天選之人拯救世界吧，我們還是做些簡單的事情就好

Planning is an essential part of software development
從眾多練習與面試的過程中，作者瞭解到 Coding 其實只是解決問題的一小部分，而聽到問題瞬間就馬上開始寫程式非常有可能走冤枉路。

軟體開發過程充滿各種不確定性，很多時候面試時遇到的問題其實都是那種曖昧或是不夠完整的敘述，再沒有掌握問題的全貌前就貿然寫程式常常只會愈走愈糟。
此外，軟體開發除了撰寫程式外，還必須要針對解決方法進行分析，該方法帶來的優點都需要仔細思考，同時也要確保團隊內對於該方法有一致性的同意才可以開始往下去撰寫程式。
作者最後強調，這個概念是真實工作中最重要的一環，透過溝通去理解所有的需求，確保一切都有共識後才開始實作。

剩下有興趣的歡迎閱讀全文

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。

現在學習知識的渠道越來越多，無論對於零基礎或是有經驗的工程師，想要持續成長應該看書還是看影片來的更有效率呢？

主要會和你分享我過去從新手到資深的過程中，如何持續保持進步及學習的經驗

也許這個經驗可以幫助到你，也歡迎留言和我分享你的看法

相信彼此分享不同的學習見解，能讓對於想要更精進自己程式開發功力的人有很大的幫助

===章節===
00:00 哪一個有效律?
00:36 寫程式如同寫作
05:14 書是最便宜的資源
10:14 折扣碼操作示範

===蝦皮購書折扣碼===
折扣碼：FLAGNIC36
時間：2021-03-29 ~ 2021-06-29

折扣碼：FLAGNIC79
時間：2021-06-30 ~ 2021-09-30

折扣碼： FLAGNIC11
時間：2021-10-01~ 2021-12-31

===前陣子在看的推薦書單===
（零基礎）
- 白話演算法！培養程式設計的邏輯思考
- Python 刷提鍛鍊班

（中高階）
- 設計模式之禪(第2版)
- 無瑕的程式碼－整潔的軟體設計與架構篇
- 單元測試的藝術
- 演算法之美：隱藏在資料結構背後的原理(C++版)
- Kent Beck的實作模式

（Ruby）
- Writing Efficient Ruby Code

（成長思考）
- 圖解．實戰 麥肯錫式的思考框架：讓大腦置入邏輯，就能讓90%的困難都有解！
- 師父：那些我在課堂外學會的本事
- 高勝算決策：如何在面對決定時，降低失誤，每次出手成功率都比對手高?
- 窮查理的普通常識
- 懶人圖解簡報術：把複雜知識變成一看就秒懂的圖解懶人包
- 寫作，是最好的自我投資

喜歡影片的話！可以幫忙點個喜歡以及分享、訂閱唷！😘

━━━━━━━━━━━━━━━━
🎬 觀看我的生活廢片頻道: https://bit.ly/2Ldfp1B
⭐ instagram (生活日常): https://www.instagram.com/niclin_tw/
⭐ Facebook (資訊分享): https://www.facebook.com/niclin.dev
⭐ Blog (技術筆記): https://blog.niclin.tw
⭐ Linkedin (個人履歷): https://www.linkedin.com/in/nic-lin
⭐ 蝦皮賣場: https://shopee.tw/bboyceo
⭐ Github: https://github.com/niclin
⭐ Podcast: https://anchor.fm/niclin
━━━━━━━━━━━━━━━━
✉️ 合作邀約信箱: niclin0226@gmail.com

#寫程式 #前端 #後端