熱門Ptt文章

[爆卦]食物卡通背景是什麼？優點缺點精華區懶人包

雖然這篇食物卡通背景鄉民發文沒有被收入到精華區：在食物卡通背景這個話題中，我們另外找到其它相關的精選爆讚文章

在 食物卡通背景產品中有32篇Facebook貼文，粉絲數超過14萬的網紅食物語，也在其Facebook貼文中提到， 【萬曲和鳴】全新限時主題活動即將開啟‼ 活動時間：2020年12月24日 05:00至2021年1月20日23:59 新食魂「素蒸音聲部」（CV趙路）、「新風鰻鯗」（CV馬正陽）登場！ 【萬曲和鳴】全新語音長篇活動劇情限時開啟 開啟時間： 2020年12月24日 05:00至2021年1...

　同時也有7部Youtube影片，追蹤數超過14萬的網紅三個麻瓜，也在其Youtube影片中提到，方薆從此對章魚燒產生陰影(._.) ➟ 動漫卡通相關影片 動漫角色大整形！JOJO的臉鳴人的頭！漫畫家畫別人的作品會長怎樣？ https://youtu.be/aikSmLKqnR4 動漫卡通超熟悉的背景音樂！你猜的出來是哪部嗎？ https://youtu.be/5yfPXTP7_IE 動漫經典...

「食物卡通背景」的推薦目錄

食物卡通背景 在 ☺︎︎ 子鈺 ♡ ᶻᴵᶻᴵ ? Instagram 的精選貼文

2020-11-19 00:46:36

2020.天天生日抓週派對🎉 從兩個月前就開始籌備這個小派對， 因為我不想花錢請人來佈置，所以就上淘寶找客製化背景板，再一個一個拼接起來！ 看起來還不錯吧～👍🏻 而且連外燴我也沒有找人準備， 我是跟#喜憨兒喜歡你 訂做的！真的很便宜又好吃😋 還有 場地也是請姐姐幫我喬到的😂 因為外面的親子餐廳都好貴...

食物卡通背景 在 Elle Onni Instagram 的最佳解答

2020-09-21 13:46:39

其實我收到很多私信 關於麻麻們的詢問 我是如何鍛煉小賽自己進食的 又或者很多人跟我說我很會訓練小賽自己吃之類 大家說，如果不是真的看到影片 很難相信一個一歲多的小嬰兒可以自己吃完一整碗飯 或者其實很多3-4歲的小孩都無法做到 其實我真的覺得小賽自己吃飯這件事 都是她自己在鍛煉自己的 我並沒有教她...

食物卡通背景 在 林凱鈞 Instagram 的最佳貼文

2020-05-17 03:12:10

【凱鈞話趨勢-懷舊卡通精選】至今仍令人難忘的10部懷舊卡通 卡通是每個人最難忘的童年回憶，除了卡通內容外，發燒主題曲更深印腦海，相似的旋律一起就不自覺哼唱起來，小甜甜、神奇寶貝、大力水手、灌籃高手..哪部卡通最令人印象深刻？  每個人小時候都深受卡通的影響，甚至立志成為漫畫家，或是希望成為某位卡通...

  • 食物語

    食物卡通背景 在 食物語 Facebook 的精選貼文

    2020-12-24 10:00:00
    有 1,887 人按讚

    【萬曲和鳴】全新限時主題活動即將開啟‼

    活動時間：2020年12月24日 05:00至2021年1月20日23:59

    新食魂「素蒸音聲部」（CV趙路）、「新風鰻鯗」（CV馬正陽）登場！



    【萬曲和鳴】全新語音長篇活動劇情限時開啟
    開啟時間：
    <第一期>2020年12月24日 05:00至2021年1月20日23:59
    <第二期>2021年1月7日05:00至2021年1月20日23:59
    背景地域：蓬萊仙島
    出場角色：空桑少主、素蒸音聲部（CV趙路）、新風鰻鯗（CV馬正陽）
    友情客串：清商祭司（CV李靖）、囚牛（CV劉琮）、商鋪老闆（CV陳家恆）、神秘仙子（CV聶曦映、CV趙爽、CV徐佳琦）、侍女（CV錢琛）、侍從（CV星潮）、前任國主（CV寶木中陽）、前任祭司（CV郭浩然）、蓬萊官員（CV盧力峰）、平民樂手（CV邵彤、CV楊凱祺）、搖滾樂手（CV谷江山）、古典樂手（CV王晨光）等

    劇情介紹：蓬萊國即將舉辦「音樂盛會」，空桑少主收到邀約，前往蓬萊赴宴。期間海邊鮫人的忠告，神獸囚牛的傳說，讓少主一行逐漸察覺到，這場隆重的「音樂盛會」似乎並不簡單……
    主要獎勵：參與主題活動可獲得活動貨幣「音樂徽章」，通關全部活動關卡可以獲得專屬徽章「自由吟」。

    溫馨提示：活動期間，觀看過的活動劇情故事會永久收納於圖鑑故事中。

    【絲竹之禮】登錄送專屬徽章「引絲弦」
    活動時間：2020年12月24日 05:00至2021年1月20日23:59
    活動說明：每日登錄遊戲即可領取獎勵，累計登錄3日可領取活動專屬徽章「引絲弦」，更有魂芯等好禮相贈！

    【踏歌尋芳】吹響樂器 贏取珍寶
    活動時間：2020年12月24日 05:00至2021年1月20日23:59
    活動說明：每吹奏一次樂器將消耗12點體力，每次吹奏會隨機前進1~6步，以最後一步停留的格子為準，將觸發三類事件其中之一：道具獎勵、挑戰敵方或強制行動。每輪一共36格，最後一格為終點，挑戰終點成功後，將自動刷新下一輪。
    主要獎勵：「音樂徽章」

    溫馨提示：當觸發挑戰事件而自身實力不足時，可求助好友或者協會成員代為挑戰。被求助者挑戰成功後，可獲得助戰獎勵求助方也將獲得求助獎勵。

    【活動商店】收集「音樂徽章」兌換好禮
    開放時間：2020年12月24日 05:00至2021年1月22日23:59
    活動說明：活動期間，少主參與主題活動將獲得活動貨幣「音樂徽章」，可用於在活動商店中通過演奏獲取各種獎勵。召喚魂芯、天工石、食魂頭像框以及專屬互動家具等豐厚好禮等你來拿！

    溫馨提示：商店共有八支樂曲，首支樂曲默認開啟，獲得指定獎勵即可依次解鎖下一支樂曲。最後一支樂曲在獲得全部獎勵後可進行刷新。

    【九奏碧霄】週年限定食魂登場 「素蒸音聲部」限時特殊召喚陣開啟！
    活動時間：2020年12月24日 05:00至2021年1月20日23:59
    活動說明：「九奏碧霄」特殊召喚陣開啟，週年限定御品食魂「素蒸音聲部」限時召喚機率提升！「素蒸音聲部」召喚機率占御品食魂總機率的50%！

    溫馨提示1：週年限定御品食魂「素蒸音聲部」僅可在「九奏碧霄」特殊召喚陣中進行特殊召喚，活動結束後將暫時從召喚陣中離開，後續不會進入常駐召喚陣。

    溫馨提示2：此前因累計召喚而增加的御品機率可用於所有召喚陣中，且本次活動中因累計召喚而增加的御品機率同樣在所有召喚陣中適用。

    【新聲新韻】「新風鰻鯗」限時活動召喚陣開啟！
    活動時間：2020年12月24日 05:00至2021年1月20日23:59
    活動說明：「新聲新韻」活動召喚陣開啟，御品食魂「新風鰻鯗」限時召喚機率提升！「新風鰻鯗」召喚機率占御品食魂總機率的50%！

    溫馨提示：「新風鰻鯗」僅可在「新聲新韻」中進行召喚，新食魂為限時加入活動召喚陣，活動結束後將暫時從召喚陣中離開，將在後續版本陸續進入常駐召喚陣。

    【慶典商店】慶典商店限時開放 活動召喚達指定次數，自選新活動御品食魂！
    活動時間：2020年12月24日 05:00至2021年1月20日23:59
    活動說明：活動期間，在「九奏碧霄」活動召喚陣中累計召喚達到指定次數即可領取「素蒸音聲部信物」與「調料信物」。
    在「九奏碧霄」及「新聲新韻」兩個活動召喚陣中進行召喚均可獲得「緣分值」獎勵。「緣分值」可用於在週年慶典商店中兌換御品食魂「素蒸音聲部」*1、御品食魂「新風鰻鯗」*1

    【聲動人心】麻婆豆腐限定時裝「銳意燃歌」 ，全新主界面背景「渺雲琅軒」
    活動時間：2020年12月24日 05:00至2021年1月20日23:59
    活動說明：活動期間進行金玉儲值或購買禮包、月卡等可獲得積分，積分達到指定數量即可領取豐富獎勵。
    主要獎勵：魂芯、天工石、麻婆豆腐全新時裝「銳意燃歌」、調料信物、主界面背景「渺雲琅軒」等。

    溫馨提示：麻婆豆腐新時裝「銳意燃歌」、主界面背景「渺雲琅軒」為本限時累儲活動贈送獎勵，活動結束後暫無獲取途徑。

    【音樂之聲】大家一起唱！
    活動時間：2020年12月24日 05:00至2021年1月6日23:59
    活動說明：素蒸音聲部希望將蓬萊的一些傳統唱法技巧進行推廣，並尋找與「人間」流行的唱法能互相精進的方向，因此在空桑某處開設了特別的教學課堂，得知這一消息後，不少對唱歌技巧有興趣的食魂都紛紛前往報名參加了培訓課堂。
    活動期間，每天可以參與3次活動，參與次數於每日05：00刷新。開始遊戲後，在60秒的時間內，少主需要控制麻婆豆腐，在素蒸音聲部老師的指導下，與蝦餃和羊肉泡饃一同完成發聲練習。

    【弦歌遺韻】修復樂譜 領取專屬徽章「尋遺韻」
    活動時間：2020年12月24日 05:00至2021年1月20日23:59
    活動說明：由蓬萊國的島民意外發現的樂譜殘片，經過考究推敲，認定為古時流傳下來的樂章。少主請收集足夠的「瑤木仙脂」，修復古時留下的樂譜吧！完成所有樂譜修復可獲得活動專屬徽章「尋遺韻」。

    溫馨提示：「瑤木仙脂」需從活動商店獲取。

    【限時祈福】「音浪狂歡」套裝登場，音樂主題家具限時祈福
    活動時間：2020年12月24日 05:00至2021年1月20日23:59
    活動說明：活動期間，少主在活動巧聖閣中消耗「天工石」進行祈福，即可獲取音樂主題家具。

    【家具兌換商店】楊枝甘露的家具兌換商店再次開張！
    活動時間：2020年12月24日 05:00至2021年1月20日23:59
    活動說明：活動期間參與「巧聖閣」祈福，每祈福1次即可獲取1家具活動積分，積分可用來跟楊枝甘露兌換相應御品家具。

    【繪憶玩法】千彩繪你我長相憶，筆墨書你我心相印
    全新玩法：受青團月餅等小朋友繪製畫冊的啟發，少主決定為每位食魂製作紀念冊，記錄下與食魂相伴的點滴。
    慶典期間，佛跳牆「花間良宴」、一品鍋「恣意山林」及吉利蝦「蜜語甜園」繪憶食魂故事浪漫開幕，記錄這份專屬回憶。消耗「繪憶畫冊」即可解鎖角色繪憶時裝、繪憶專屬卡牌外框並開啟該食魂的昵稱修改功能。消耗「玲瓏玉筆」解鎖對應繪憶點，還可開啟角色專屬劇情、語音、頭像、頭像框、家具、屬性、技能等！

    溫馨提示：少主等級達到35級即可開啟該玩法。
    玩法入口：莊園-書房-繪憶

    【全新關卡】繪憶玩法全新挑戰關卡-瑛瑤之澤開放！
    活動說明：女媧補天遺落了許多五彩石塊，堆積成礦山。據聞此山由翡翠鳥守護，打敗它們，獲得礦石顏料，可製成繪憶畫筆。用此筆繪圖，色彩鮮艷，永不褪色。
    消耗「調色盤」可挑戰瑛瑤之澤關卡。通關瑛瑤之澤將掉落「玲瓏玉筆」，可用於解鎖更多繪憶玩法內容。恭請已備戰充分的少主前往挑戰，一展實力！

    溫馨提示：少主等級達到35級即可開啟該關卡。
    關卡入口：啟程-資源關卡-瑛瑤之澤

    【浪漫遊園】甜蜜的專屬回憶
    活動說明：活動開啟後，體力消耗達到指定要求，少主即可免費領取「吉利蝦繪憶畫冊」，開啟與吉利蝦的專屬回憶。

    溫馨提示：少主等級達到35級即可開啟該活動，開啟後無完成時間限制。

    #食物語 #美食擬人 #食魂
    #萬曲和鳴 #素蒸音聲部 #新風鰻鯗
    ⋄遊戲下載▸https://e.movergames.com/XD02h
    ⋄官方網站▸https://e.movergames.com/AV12f
    ⋄玩家交流▸https://e.movergames.com/Zi6aG
    ⋄二創交流▸https://e.movergames.com/jZ7aH

  • 李開復 Kai-Fu Lee

    食物卡通背景 在 李開復 Kai-Fu Lee Facebook 的精選貼文

    2020-10-10 14:43:51
    有 580 人按讚

    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。

  • 李開復 Kai-Fu Lee

    食物卡通背景 在 李開復 Kai-Fu Lee Facebook 的最讚貼文

    2020-10-10 12:00:25
    有 8 人按讚

    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。

你可能也想看看

搜尋相關網站