Datawhale干货 

编辑：hourong，来源：优前程

亮点

• 🔌 AI 是一种通用技术，类似电力，有很多不同的应用领域。
• 📈 监督学习是非常好的标记和分类工具，用于广告、自动驾驶等应用。
• 🧠 生成 AI 是新兴工具，能够生成文本，具有巨大发展潜力。

机会

• 💰 在 AI 领域中，监督学习和生成 AI 是最重要的技术，已经具有巨大的商业价值。
• 🌱 未来三年，监督学习和生成 AI 的市场价值将继续增长，提供更多的机会。
• 🚀 所有的 AI 技术都是通用的，创新者和企业都有机会创造和获得价值。

正文

很高兴欢迎安德鲁博士。安德鲁是AI基金的董事总经理，深度学习AI和Learn and Landing AI的创始人，Coursera的主席和联合创始人，以及斯坦福大学计算机科学的兼职教授。此前，他曾创办并领导了Google Brain团队，该团队帮助Google采用了现代人工智能技术，他还曾担任斯坦福人工智能实验室的主任。大约有800万人，地球上每千个人中就有一人参加了他的人工智能课程，通过他的教育和他的人工智能。

[音乐] 谢谢，丽莎。很高兴见到大家。今天我想和大家聊一聊人工智能领域的一些机会。我一直认为，人工智能就像新的电力一样。关于人工智能的一个难以理解的地方是，它是一项通用技术，意味着它不仅对一件事有用，而是对很多不同的应用有用，有点像电力。如果我问你电力有什么用，你知道它不是用来做某一件事的。

我想开始与大家分享我对技术领域的看法，这将引导我们进入一系列机会。人工智能引发了很多炒作和兴奋，我认为一个好的方式来看待人工智能是将其视为一组工具。这包括一种叫做监督学习的技术，它非常擅长识别事物或标记事物，还有生成式人工智能，这是一个相对新的令人兴奋的发展。如果你熟悉人工智能，可能听说过其他工具，但我会少谈论这些额外的工具，我将重点关注我认为目前最重要的两种工具，即监督学习和生成式人工智能。

监督学习非常擅长标记事物或计算输入到输出或A到B的映射。比如，给定一封电子邮件，我们可以使用监督学习将其标记为垃圾邮件或非垃圾邮件。我所参与过的最赚钱的应用可能是在线广告。

我们可以给广告打上标签，表示哪些用户可能会点击它，因此显示更相关的广告。
对于自动驾驶，根据汽车的传感器读数，我们可以标记其他车辆的位置。我团队AI基金曾参与的一个项目是船舶航线优化，根据船舶所采取或考虑采取的航线，我们可以标记其预计消耗多少燃料，并利用这一信息使船只更加节能。在工厂中，自动视觉检测也有很多工作，因此你可以拍一张新制造的智能手机的照片，然后将其标记为是否有瑕疵。
如果你想建立一个餐厅评论声誉监测系统，你可以编写一小段软件，用来分析在线餐厅评论并标记其为正面或负面情感。

监督学习的一个好处是它不仅对一件事有用，而且对所有这些不同的应用以及更多其他应用都有用。让我具体解释一下一个监督学习标记事物的项目的工作流程。如果你想构建一个用于标记餐厅评论的系统，首先要收集一些数据点或数据集，例如，“巴斯特拉米三明治非常美味”表示积极，而“服务太慢了”表示消极。在这里，我展示了三个数据点，但在构建这个系统时，你可能会得到成千上万个类似的数据点，我们称之为训练示例。

一个AI项目的工作流程通常是这样的：

首先，你获取标记的数据，可能有成千上万个数据点。然后，你需要一个AI工程团队来训练一个AI模型，使其从这些数据中学习。最后，你可能会找到一个云服务来运行已经训练好的AI模型，然后输入一句话，比如“这是我吃过的最好喝的珍珠奶茶”，这被标记为积极情感。因此，我认为过去的十年可能是大规模监督学习的十年。

我们发现大约在10到15年前，使用小型深度学习算法和小型AI模型，或者在性能不是特别强大的计算机上进行训练，当你提供更多数据时，性能可能会稍微提高一些，但之后会趋于稳定，达到一个平台，无法继续利用数据来获得更好的性能。但如果你训练一个非常大的AI模型，使用大量计算资源，比如强大的GPU，然后随着提供给机器学习模型的数据规模的增加，性能会继续提高。

这就是为什么当我开始领导Google Brain团队时，我主导团队解决的首要任务是构建非常大的神经网络，然后向其提供大量数据。这个方法幸运地奏效了，我认为推动了过去十年的许多人工智能进展的核心思想是使用大规模计算和大规模数据。如果上一个十年是监督学习的十年，那么我认为这个十年也正在不断发展，我们将在监督学习的基础上添加一个令人兴奋的工具，那就是生成式人工智能。

你们中的许多人可能已经接触过像GPT-3和Bert这样的工具。通过给定一个文本片段，称之为提示（prompt），比如“我喜欢吃”，你可以多次运行模型，可能会得到“百吉饼奶酪”、“我妈妈的肉loaf”或者“超级朋友”等输出。人工智能系统可以生成这样的输出。鉴于生成式人工智能引发了大量关注和兴奋，我想花半张幻灯片的时间来简单介绍一下它的工作原理。

事实证明，至少对于这种类型的文本生成，生成式人工智能的核心是使用监督学习，通过输入-输出映射来重复预测下一个单词。

因此，如果你的系统在互联网上读到一句话，比如“我最喜欢的食物是百吉饼和奶酪”，那么这句话可以转化为一些数据点，其中如果看到“我最喜欢的食物是”，在这种情况下，尝试猜测正确的下一个单词是“百吉饼”，或者如果看到“我最喜欢的食物是百吉饼”，则尝试猜测下一个单词是“奶酪”。类似地，如果看到在这种情况下，下一个单词的正确猜测应该是“奶油”。通过使用互联网或其他来源上找到的文本，并利用这种输入-输出监督学习来反复预测下一个单词，如果在数百亿字词的文本上训练一个非常大的AI系统，最大的模型现在已经超过一万亿字，那么你就会得到一个大型语言模型，如GPT-3。

我提到了一些重要的技术细节，比如技术上，这些系统预测的是下一个子单词或称为”token”的单词部分，还有其他技术，如Rohf，用于进一步调整AI的输出，使其更有帮助、诚实和无害，但它的核心是使用监督学习来反复预测下一个单词，这正是支持大型语言模型取得令人兴奋的、令人印象深刻的进展的关键所在。虽然许多人将大型英语模型视为出色的消费者工具，可以访问像”track”这样的网站，GPS网站或机器人等大型语言模型，我认为这也很棒。

我认为还有一个仍然被低估的趋势，那就是大型语言模型的威力，不仅仅是作为消费者工具，还作为开发者的工具。事实证明，有一些应用以前可能需要我数月的时间来构建，现在很多人可以通过使用大型语言模型来更快地构建。

具体来说，监督学习构建餐厅评论系统的工作流程可能是，你需要获取一堆标记数据，也许需要一个月的时间来获得几千个数据点，然后需要一个AI团队来训练、调整，并真正优化AI模型的性能，也许需要三个月的时间，然后找一个云服务来运行它，确保它稳定运行，确保它能够识别，这可能需要另外三个月。

因此，构建一个商业级机器学习系统的比较现实的时间表可能是6到12个月。我领导的团队通常会花一些时间大约需要 6 到 12 个月的时间来构建和部署这些系统，其中一些系统事实证明非常有价值。但这是构建和部署商业级人工智能系统的现实时间表，与基于提示的人工智能相比，我们编写一个提示，工作流程如下：你可以指定一个提示，可能需要几分钟或几小时，然后可以部署到云上，可能需要几小时或几天。

因此，有些人工智能应用以前可能需要我花费 6 个月，甚至一年的时间来构建，但现在全球许多团队可能只需要一周就能完成。我认为这已经开始了，但最好的还在后头。这开始打开了大量可以由许多人构建的人工智能应用的大门。我认为很多人仍然低估了即将出现的定制人工智能应用的数量。我知道你可能没有预料到我在这个演示中会编写代码，但我要做的就是编写代码。所以，这是我编写一个情感分类器所需的所有代码。我将使用 Python 和 OpenAI 的重要工具，然后我有一个提示，其中写着“将以下文本分类为具有积极或消极情感，以三个短横线为分隔”。然后我运行这个代码，我之前从未运行过，所以我真的不知道，希望，哦，谢天谢地，我们得到了正确的答案，这实际上就是构建情感分类器所需的所有代码。今天，全球的开发者可能只需要不到10分钟就可以构建这样的系统，这是非常令人兴奋的发展。因此，我一直在努力教授关于如何使用提示的在线课程，不仅作为消费者工具，还作为开发者工具。

停下来谈一谈技术领域，现在让我分享一下我对一些人工智能机会的看法。这张图展示了我认为不同人工智能技术的价值，我将谈论未来三年的情况，但我认为今天大部分的人工智能价值来自监督学习。对于像谷歌这样的一家公司，监督学习可以每年创造超过1000亿美元的价值，而且有数百万的开发者正在构建监督学习应用程序，因此它已经具有巨大的价值，而且因为大量的努力而拥有巨大的动力，找到了各种各样的应用程序，他们的构建和生成式人工智能是真正令人兴奋的新进入领域，目前规模较小，其他工具我包括在内，是为了完整性考虑的。

你可以看到这些圆圈的大小代表了今天的价值，这是我认为它们在未来三年内可能会增长到的水平。监督学习已经非常庞大，可能在未来三年内翻一番，从非常庞大变得更加庞大，而生成式人工智能目前规模较小，但我认为未来三年内可能会翻倍以上，因为有大量的开发者兴趣、风险投资的投资、大公司在探索应用领域等。我还想指出，三年是一个非常短的时间范围，如果以这个速度继续复利增长，那么在六年内，它将会更加庞大。但在这张图中，浅色阴影区域代表新创公司或大公司现有公司的机会，可以创建和获得价值。但我希望你从这张图中得到一个印象，那就是所有这些技术都是通用技术。在监督学习的情况下，过去十年需要做的很多工作，但在未来十年仍将继续，是确定和执行具体的用例，这个过程也正在开始应用于生成式人工智能。因此，在这个部分的演示中，我希望你能明白通用技术对许多不同的任务都是有用的，仍然存在着许多价值。

我们使用监督学习创建了许多令人兴奋的应用，尽管我们还远未完成监督学习令人兴奋的用例的探索，但我们现在又有了生成式人工智能等其他令人惊奇的工具，它进一步扩展了我们可以使用人工智能做的事情。但有一个需要注意的地方，就是在这个过程中会有短期的风潮。我不知道你们中是否有人还记得一个叫做Lenser的应用程序，它可以让你上传自己的照片，然后将你渲染成宇航员、科学家或其他角色的照片。这是一个不错的想法，人们喜欢它，去年 12 月它突然变得非常流行，然后就消失了。这是因为Lenser虽然是个好主意，人们喜欢它，但它只是一个相对薄弱的软件层，建立在其他人非常强大的API之上。因此，尽管它是一个有用的产品，但它不具备可持续的商业优势。当我想到像Lenser这样的应用时，我实际上想到了 Steve Jobs 在我们推出 iPhone 后不久，有人写了一个我花了 1.99 美元的应用程序，可以将手机的 LED 灯打开，将手机变成手电筒。这也是一个不错的想法，编写一个应用程序来打开 LED 灯，但它也不具备可持续的长期价值，因为它很容易被复制，价格不高，并最终被整合到了 iOS 中。但随着 iOS 和 iPhone 的崛起，有人也想出了如何构建 Uber 和 Airbnb 这样的应用。

我认为，随着生成式人工智能的崛起或新的人工智能工具的出现，真正令我兴奋的是有机会创建那些非常深入、非常复杂的应用程序，希望它们能够创造非常长期的价值。

我想分享的第一个趋势是人工智能是通用技术，我们面前的很多工作是找到非常多样化的用例并构建它们。

第二个趋势是为什么人工智能还没有被广泛采用。似乎有一些人已经在讨论人工智能之类的事情已经有了大约 15 年的时间，但如果你看看人工智能的价值在今天的位置，很多价值仍然非常集中在消费者软件和互联网领域。一旦你离开科技或消费者软件互联网领域，人工智能的采用就会有些零散，很多领域还处于早期阶段。为什么会这样呢？原来，如果你把当前和潜在的所有人工智能项目按价值递减排序，那么在这个曲线的左边，价值最大的是多亿美元的项目，比如广告、网络搜索，以及对于电子商务来说，产品推荐，像亚马逊这样的公司。事实证明，大约在 10 到 15 年前，我和我的一些朋友们找到了一种方法，可以雇佣约 100 名工程师编写一款软件来为数十亿用户提供更相关的广告，并将这款软件应用到数十亿用户上，从而创造出巨大的财务价值。这个方法行之有效，但一旦离开了消费者领域，情况就不同了。

在软件互联网领域，几乎没有太多拥有一亿或十亿用户的机会，你可以编写并应用一款软件。所以，一旦你进入其他行业，从左侧曲线的头部过渡到长尾部分，就会出现一些我看到并且感到兴奋的项目。我曾与一家披萨制造商合作，他们拍照记录他们制作的披萨，因为他们需要确保奶酪均匀分布。这个项目大约价值 500 万美元，但雇佣 100 名工程师或几十名工程师来完成一个价值 500 万美元的项目的方法并不合理。

还有另一个例子，我与一家农业公司合作，我们通过摄像头找出了小麦的高度，因为小麦经常因风雨等原因而弯曲，我们可以在非常合适的高度割掉杂草，从而为农民提供更多的销售粮食，也更有利于环境，但这同样是一个价值 500 万美元的项目，而以前的方法是雇佣一大批高级工程师来完成这个项目，这是不合理的。还有一些类似的项目，如材料分级、布料分级、钢板分级等。

在曲线的左侧，有一小部分价值数十亿美元的项目，我们知道如何执行这些项目，提供价值。但在其他行业中，我看到了成千上万个价值 500 万美元的项目，直到现在，这些项目并没有得到足够的关注。

目前，由于定制的高成本，很难执行许多项目，这些项目在过去一直很难推进。我认为令人兴奋的趋势是，人工智能社区一直在构建更好的工具，使我们能够整合这些用例，并使最终用户能够轻松进行定制。

具体来说，我看到了许多令人兴奋的低代码和无代码工具，使用户能够自定义人工智能系统。这意味着我不需要太过担心披萨的照片，因为我们开始看到一些可以让披萨制造工厂的IT部门自行训练人工智能系统的工具，以识别披萨的价值高达 500 万美元。另外，披萨的照片并不存在于互联网上，因此 Google 和 Bing 无法访问这些照片。我们需要的是可以由披萨工厂自己使用的工具来构建、部署和维护他们自己的定制人工智能系统，用于处理他们自己的披萨照片。广泛来说，启用这一技术的技术包括一些文本提示、视觉提示，还有非常大型的语言模型等类似工具，以及一种称为“数据中心人工智能”的技术，不再要求披萨工厂编写大量代码，而是要求他们提供数据，这更加可行。

我认为第二个趋势很重要，因为我认为这是将人工智能的价值从技术领域和消费软件领域推向其他领域，甚至推向整个经济的关键部分。有两个趋势我分享了，人工智能是通用技术，有很多具体用例有待实现，以及低代码、无代码的工具，可以更容易地将人工智能部署到更多的行业中。那么，我们如何抓住这些机会呢？在大约五年前，我思考了一个问题，那就是虽然有很多有价值的人工智能项目，但如何将它们付诸实施。我曾经在谷歌、百度等大型科技公司拥有AI团队，但我很难想象如何在一个大型科技公司内部运作一个团队，去追求各种各样的机会，从海运到教育、金融服务、医疗保健等等，这些机会非常多样化，涉及不同的市场和客户群体以及应用领域。

我觉得最有效的方法是如果我们可以创办许多不同的公司来追求这些多样化的机会，这就是为什么我最终创办了AI基金（AI Fund），它是一个冒险工作室，致力于建立初创公司以追求各种各样的机会。当然，除了初创公司之外，现有企业也有很多机会将人工智能集成到现有业务中。实际上，我看到对于现有企业来说，一个常见的模式是，分销往往是现有公司的一个重要优势，如果他们能够巧妙地将人工智能整合到他们的产品中，那么可以相当高效地实现这一点。

但让我们更具体一点，这些机会在哪里？我认为这是人工智能领域的一个堆栈，最底层是硬件半导体层，有着极好的机会，但需要大量的资本投入，资源相对集中，获胜者相对较少。一些人可以在这个领域发挥自己的作用，但我个人不太喜欢参与其中。

然后是开发者工具层，就像我刚才展示的，我实际上是在使用 OpenAI 的 API 作为开发者工具。我认为开发者工具领域竞争激烈，看看现在所有追逐 OpenAI 的初创公司，但会有一些巨大的赢家，所以我有时会在这个领域参与，但主要是在我认为有显著技术优势的情况下，因为我认为这将为你赢得机会成为巨大赢家提供权利或更好的机会。

最后，尽管媒体关注和热点集中在基础架构和开发者工具层，但事实证明，只有应用层更成功，这一层才能成功。我们在 SaaS 崛起时也看到了这一点，很多关注和兴奋都集中在技术和工具层面，这没有问题，但这一层只有在应用层更成功时才能成功，以便能够产生足够的收入来支付基础架构和工具层。

实际上，让我提到一个例子，我昨天刚刚在发短信与CEO交流，Armour是一个完全基于人工智能的公司，专门用于亲密关系辅导。嗯，事实上，我是一位人工智能专家，但对亲密关系我感觉我一无所知，如果你不相信我，可以问问我的妻子，她会确认我对亲密关系一窍不通。但当我们想要建立这个公司时，我们希望能够与 Tinder 的前CEO Renata 和她的专业团队一起合作，我们拥有AI方面的专业知识，她则拥有关系方面的专业知识，她实际上曾经运营过 Tinder，她对关系了解比我认识的任何人都多。我们能够利用人工智能来进行亲密关系辅导，这是一件相当独特的事情。关于这类应用的有趣之处在于，当我们看看世界上有多少团队既精通人工智能又精通关系呢？在应用层面，我看到了许多令人兴奋的机会，它们似乎有着巨大的市场，但与机会的巨大潜力相比，竞争相对较轻。并不是说没有竞争对手，但相对于开发者工具层或基础架构层，竞争要弱得多。因此，由于我花了很多时间不断改进初创公司的建设过程，我现在打算非常透明地告诉你我们已经开发出来的建立初创公司的食谱。

初创公司，经过多年的不断迭代和改进，这就是我们现在创建初创公司的方式。我的团队一直有许多不同的想法，包括内部生成的想法和合作伙伴的想法，我想通过一个例子来说明这一点，我们曾经创办的一家公司就是 Bearing AI，该公司利用人工智能来提高船只的燃油效率。这个想法是在几年前，一家叫做三井的日本大型财团，他们是 Opera 的主要股东，也是一家主要的航运公司，他们找到我，说：“嘿，安德鲁，你应该建立一个业务，利用人工智能来提高船只的燃油效率。”具体的想法是，你可以把它想象成是船只的谷歌地图，可以建议船只或船队如何驾驶，以便按时到达目的地，同时使用约10％更少的燃料。所以现在我们会花大约一个月来验证这个想法，再次确认这个想法是否在技术上可行，然后与潜在客户交流，以确保市场需求。所以你会花大约一个月来做这些事情，如果通过了这个阶段，那么我们将会招募首席执行官来与我们一起共同开展项目。

当我刚开始做的时候，我通常会在项目开始之前花很长时间来独立开展项目，然后再招募首席执行官。但在不断迭代后，我们意识到，在项目一开始就引入领导者，可以减轻很多知识传递的负担，或者领导者进来后需要重新验证我们所发现的东西，这个流程更加高效。所以我们学到的教训是，在项目一开始就引入领导者更加高效。在 Bearing AI 的案例中，我们找到了一位杰出的首席执行官 Dylan Kyle，他是一位成功的创业家，在此之前曾成功建立过一家公司。然后，我们花了三个月的时间，进行了六个两周的冲刺，与他一起建立了原型，并进行了深入的客户验证。如果项目在这个阶段成功，我们有约2/3（66%）的生存率，然后该公司就有了足够的资源来招募高管团队，建立关键的团队，使MVP（最小可行产品）运作，并吸引一些真正的客户。之后，希望能成功地筹集更多的外部融资轮次，以继续增长和扩张。我为我的团队所做的工作感到自豪，他们能够支持三井的想法，并聘请Dylan作为首席执行官，如今，因为 Bearing AI 的工作，目前有数百艘船只正在高海上以不同的方式驾驶，可以节省大约每艘船每年45万美元的燃料成本，当然，对环境来说也更好。

我之所以喜欢这个例子，是因为这是一个创业想法，我自己永远不会想出来的，因为我坐过船，但我对海上运输一窍不通。但正是三井在海上运输方面的深厚专业知识，与Dylan以及我的团队在人工智能方面的专业知识，使这一切成为可能。所以在人工智能领域，我学到的一件事是，我的专业领域就是人工智能，就是这样，因为我已经花了很多时间，很难成为海上运输、亲密关系、医疗保健和金融服务等领域的专家，所以我学到的教训是，如果我能帮助进行准确的技术验证，并我觉得与拥有具体想法的项目一起合作通常能够迅速且有效地进行。

我也发现，帮助公司建立强大的技术团队并与专业领域专家合作通常会带来令人兴奋的新机会。我还想与大家分享另一个奇怪的启示，这是我在创建初创企业时学到的一种奇怪的方式，与设计思维方法论中的许多建议相反。设计思维方法论通常建议不要匆忙找到解决方案，而是要探索多种解决方案的替代方案。老实说，我们尝试过这种方法，但发现它非常缓慢。然而，我们学到的是，在创意阶段，如果有人来找我并说：“嘿，Andrew，你应该将AI应用于金融服务”，因为我不是金融服务的专业人士，如果我要学习足够多的金融服务知识以确定应该做什么，那会非常缓慢。我是指，最终你可能会得到一个好的结果，但这是一项非常耗时、缓慢且昂贵的过程，我要尽力学习各个行业。

相比之下，我的合作伙伴之一把这个想法写成了一个开玩笑的点子，没有真正认真对待，但你知道，假设国家购买GBT，通过自动购买每个产品来消除广告，看看广告是否改变或者是否不再看到广告。这并不是一个好主意，但它是一个具体的想法，事实证明，具体的想法可以有效地进行验证或证伪。它还为团队提供了明确的执行方向。我学到的是，在今天的世界中，尤其是在AI引发了许多人的兴奋、关注和曝光之后，今天的世界中有许多专业领域的专家，他们可能已经深思熟虑了几个月，甚至一两年的问题，但他们还没有找到合作伙伴。当我们与这些专业领域的专家合作，他们与我们分享了想法，可以让我们迅速进行验证和建设。我发现这种方法有效，因为今天的世界上有很多专业领域的专家，他们可能已经深思熟虑了几个月，甚至一两年的问题，但他们还没有找到合作伙伴。

所以，总结一下，我学到的是，在开始一个项目时拥有具体的想法非常重要，因为它为执行提供了明确的方向，并允许有效的验证。这种方法在我们创建初创企业的过程中非常有效，我相信这对于其他希望踏上创业之路的人来说也可能非常有价值。

我发现有很多人已经进行了设计思维的探索工作，尝试了许多想法，并最终找到了一些非常好的想法。在这些想法中，有很多是非常有潜力的，但却没有人在进行工作。发现这些已经存在的好想法，并找到愿意与我们建立伙伴关系来实现这些想法的人，事实证明要高效得多。

在风险和社会影响方面，我和我的团队只参与那些有助于推动人类前进的项目，而且我们多次评估项目的财务可行性，基于伦理原则。然而，令我惊讶的是，有些人有创意，他们提出了一些看似有利可图但实际上不应该被建立的想法。对于这些想法，我们会终止项目。

AI目前存在偏见、公平性和准确性等问题，但技术正在迅速改进。我看到，今天的AI系统比六个月前更少偏见、更公平，虽然这并不意味着忽视这些问题的重要性，但我也感到高兴的是，有很多AI团队正在努力解决这些问题，使它们变得更好。

AI对就业的干扰是目前最大的风险之一。这是一张图表，来自宾夕法尼亚大学的朋友和OpenAI的一些人对不同工作岗位受到AI自动化影响的分析。结果表明，尽管以前的自动化浪潮主要影响了低工资工作，例如在工厂引入机器人的情况下，但当前的自动化浪潮实际上影响到更多高薪职位，尤其是更靠右的高薪职位，这些工作更容易受到AI自动化的任务影响。

即使我们通过AI创造了巨大的价值，作为公民、公司、政府以及整个社会的一员，我感到有责任确保受到冲击的人仍然得到妥善照顾和善待。

另外，每当AI取得重大进展时，似乎总会出现关于人工通用智能（AGI）的大肆宣传，就像十年前深度学习开始运行得很好时，就有很多关于AGI的大肆宣传。现在，通用模型的性能非常好，又有一波AGI的炒作。但我认为，人工通用智能AI还没有达到可以做任何人类能做的事情的程度，距离实现AGI仍然需要几十年，也许需要30到50年，甚至更长时间。我希望我们可以在我们的有生之年看到它，但我认为这不会很快实现。一个挑战是，人类智能的生物路径和AI的数字路径走得非常不同，而AGI的定义也有很多不同的标准，数字智能与生物智能之间存在很大差异。

此外，有很多人对AI会对人类构成灭绝风险的担忧过于夸大。坦率地说，我并不认为AI会对人类构成任何有意义的灭绝风险。虽然人们担心我们无法控制AI，但我们已经有很多经验来引导非常强大的实体，如企业或国家，这些实体比任何个人都要强大，确保它们在很大程度上造福人类。另外，技术的发展是逐渐的，所谓的”硬启动”情况，即从不工作到一夜之间运行得非常出色，这种情况实际上是不现实的。AI技术会逐渐发展，这给我们提供了足够的时间来确保我们提供监督并保证其安全。

最后，如果我们看一下真正对人类构成灭绝风险的因素，比如下一次流行病或气候变化导致某些地区大规模减少人口的风险，或者更低的几率，但也可能会在某一天发生，正是在这种情况下，拥有更多智能的AI，甚至是人工智能，将是解决问题的关键部分。因此，我认为，如果我们希望人类在未来的千年中生存和繁荣，而不是减缓AI的发展速度，这是更好的选择。总之，我认为AI作为一种通用技术为每个人创造了许多新的机会，未来的重要工作是建立具体的用例，希望在未来能够与更多人合作开发这些机会。最后，让我对大家说一声非常感谢。【掌声】

干货学习，点赞三连↓