近日，创新工场董事长兼CEO李开复博士与阿莱克斯彭特兰教授（Alex Pentland）展开了一场”AI如何重塑人类社会”的精彩对话。《连线》杂志的资深撰稿人威尔奈特（Will Knight）主持了这场对话。
阿莱克斯彭特兰教授任教于麻省理工学院，为全球大数据权威专家之一，现任MIT连接科学研究所主任、MIT媒体艺术与科学教授，拥有“可穿戴设备之父”、《福布斯》“全球七大权威大数据专家”、《麻省理工科技评论》“年度十大突破性科技”两度桂冠获得者等头衔，曾参与创建MIT媒体实验室，是全球被引述次数最多的计算科学家之一。
对话金句
李开复：
AI最大的机会蕴藏在与传统企业的结合中，这种价值的产生极其迅速，只需要几个月，甚至短短几周。
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。
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，这比关注教育内容本身重要得多。
在加拿大，有家创业公司正在训练普通民众学习AI，比如水管工，教学效果非常不错。他们的教育方式不是简单的教授基本知识，而是以一种能够激发人们互动思考的方式。
我们之前在中国调研了3000多个孵化器，发现创业公司成功的要素里，第一个是文化多样性，也就是说创始团队背景的复杂性和多样性。第二个是团队成员专业的多样性，他们能否发挥自己所长，并很好地进行团队合作。
1956年，马文明斯基 (Marvin Minsky)提出了人工智能这个词。但我们对于人工智能的理解，不应该只停留在“人工”层面，而应扩展到多元文化之间的相互连接、团队合作，我把它叫做延伸智能（Extended Intelligence)。这也是我想强调的，人工智能这个名词有一定的偶然性，但它的核心点是增强人与人之间的互联性。
AI未来突破难预测，奇点、超级智能过于乐观
Q2：未来十年AI有没有可能取得重要突破？比如GPT-3近期展现惊人的能力。两位认为未来的突破方向是什么？
李开复：过去60多年来，深度学习是唯一的重大突破。在这之后，卷积神经网络（CNN）和GPT-3等都算是重要的改善，我对于人工智能的渐进式改善保持乐观。
对科学家来说，他们更期待着技术上的突破式进展。但我觉得未来十年基础科研或许不会有大的突破。但模型相对容易，只要有大量的数据，就可以从实验室进入到行业应用，CNN和GPT-3都是模型加海量数据的成果。
我是务实派的，虽然持有乐观态度，但并不是一位“未来学家”。未来的突破很难预测，对奇点（Singularity）的争辩，甚至预测超级智能的出现，在我看来都过于乐观了。
阿莱克斯彭特兰：我同意李博士的观点。很多生物机制很难解释，包括用感知认识事物、理解声音、寻找食物等，是深度学习算法做不到的。但深度学习可以研究科学、制定规则、研究理论，并进行实践。
从务实的角度来说，我最感兴趣的就是联邦学习。就医疗而言，我们有这么多医院，在新冠疫情期间做了很多的实验，为什么这些实验数据不能进行联合呢？
尽管数据有不兼容的地方，但这也是一个很好的机会去探究不同的数据之间的关联性。在未来，我们对数据的需求也许会越来越少，外科医生或者物理学家或许不需要太多数据，因为他们对规则已经了如指掌了。
不要墨守成规，要跨领域、跨学科应对挑战
Q3：人工智能会有什关键挑战？对于想从事这个行业的人，有什么是需要了解的关键点？
李开复：首先，大背景在改变，新科技层出不穷，我们每年都需要学习新的东西。
其次，人工智能可能引起各种问题，包括偏见、歧视、伦理道德等，是否危害人类的身体健康，无人驾驶技术该何去何从等等。
第三，人工智能的研发需要深刻地理解技术对社会、生活与人类健康会产生的影响。我非常欣赏斯坦福和MIT这样的高校，能够把AI教育扩展到各个学科，让研发人员及早意识到自己的责任和价值。
阿莱克斯彭特兰：是的，我朋友做过一个有关电的趣味类比，电动马达最初在工厂里用于生产的时候，并没有发挥出多大的作用，因为大家并不知道如何改造生产流程。
AI在一些领域发挥的作用是显著的，但应用到其他领域时，就需要改造流程。很多情况下，最困难的就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。
而有意思的是，就像李博士提到的，像MIT和斯坦福这样的高校确实在认真严肃地对待这个问题。
比如，我今天早上正好就这个话题跟G20领导人对话，大家一致认为我们必须从跨领域、跨学科的角度去面对这个问题，不能只是工程师或者社会科学从业者们在做，经济学家，政治家等等都必须参与进来紧密合作。
随着AI的应用领域越来越广，除了必须具备强有力的技巧来建立社会规则，还需要对研究经费、企业投入等进行各种调整。
虽然大公司实力不容小觑，但依旧对小公司抱有期待
Q4：AI研究会消耗大量的资源，我们是否应该将资源往学术界平衡？现在已经发生资源的重新分配和平衡了吗？
李开复：就人才而言，现在已经有重新平衡的迹象了。
过去，顶尖大学的学者基于待遇和种种考量，不少选择去企业界工作。而近期，曾任职于百度、海尔、字节跳动等公司的数位优秀AI科学家已经回归高校。
但像GPT-3这样的技术，仍然不是大学和小公司能支付得起的。支撑GPT-3运行的电脑是世界算力第五的超级计算机。每进行一次算法训练，就要花费460万美金，只有像腾讯、谷歌、微软这个级别的公司才能负担得起如此强大的算力。
我观察到，近年的AI创业公司已经和5年前截然不同了。它们一般由AI科学家和商业人才共同创建，为了解决特定问题而生，并非纸上谈兵做突破性科研，切入的领域也往往是巨头公司忽略的地方。
例如，为制造业进行AI赋能，不是一件轻松的事，需要去工厂实地勘查，了解运作方式。大公司因为赚钱很容易，不愿意做这些性价比低的苦活累活。这些小公司的努力一旦有了成果，就会给产业界带来革命性的影响。所以，虽然大公司的实力不容小觑，但我依旧对小公司抱有期待。
阿莱克斯彭特兰：大学和公司是一种融合的关系，不仅体现在人才流动上，也会进行信息资源共享，彼此是整体性的合作态势。
当然这也不是绝对，产业界的保密需求还是存在的，只是从学校的出发点来说，我们愿意毫无保留地为大家提供更好的研究成果，并与企业合作，形成标准化平台。
人工智能取代人类需要上百年或更久
Q5：两位认为什么是AI不能取代的？
李开复：一类是创造力、分析能力、逻辑辩论能力，了解自己知道什么不知道什么，这些是人工智能无法取代的。
另外一类是同理心，人类之间的信任、友谊，自我认知、意识等。
阿莱克斯彭特兰：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。
AI创业建议I：找到小切入点，不要与巨头正面硬碰
Q6：李博士提到了AI在小企业中的运用，可否再举例说明是如何运用的？
李开复：这个问题分两部分：一个是小型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，并且不要与巨头核心业务正面硬碰。
对于那些中小型非AI、但想应用AI的公司，需要确保有足够的数据，以训练与核心商业价值挂钩的AI模型，并且有愿意变革的开放性公司文化。
所以，早期应用AI的公司可能规模较大，因为他们有足够大的数据，和可兼容变革的商业模型。每个例子都不同，不是任何一家公司都要应用AI。
阿莱克斯彭特兰：如果我们放宽AI的定义，或许水管工、合同工都有数据，通过一些简单的分析、整合，AI也可以在很大程度上改进他们的工作。
这些都是很小的切入点，基于简单的AI分析、机器学习，依旧可以产生巨大的潜力。
AI创业建议II：知晓技术，同时理解商业
Q7：两位再分享一下最后的建议？
李开复：我们在步入一个AI开始渗透到方方面面的令人振奋的时代，我希望所有的学生们都能参与到这个改革浪潮中。要深刻地理解人工智能的商业落地，而不仅仅钻研技术本身。
阿莱克斯彭特兰：不要太较真于深度学习或者冗长的算法，一切始于要解决的现实问题。不要止步于技术本身，要明白数据类型、形态和规律，关注商业流程。
感谢叶乐斐、刘诺、蓝萱、张昊、陈冬杰、刘子昂、张梓煜、钱凌寒、水一方、沈雍在校译和审阅上对本文的贡献。
