时隔一年 | 重温吴恩达教授当时在斯坦福大学精彩演讲信息量还是很大！

2024-08-14 23:57 美国

前言：Andrew 是AI Fund 的执行普通合伙人、DeepLearning.AI和 Landing AI 的创始人、Coursera 的董事长兼联合创始人以及斯坦福大学计算机科学系的兼职教授，此前，他创立并领导了谷歌大脑团队，该团队帮助谷歌采用了现代人工智能。他还是斯坦福大学人工智能实验室的主任。大约有 800 万人（地球上千分之一的人）上过他的人工智能课程。通过他的教育和人工智能工作，改变了无数人的生活。

随着这波热潮逐渐消退，冷静下来发现市场并没有你想象的那么火热，而在此之前冷静思考，重新出发变得尤为重要。

以下是整理的文字完整版演讲内容（全文10462字）

吴恩达：很高兴见到大家。

今天和大家聊聊人工智能方面的一些机会。我一直在说人工智能是一种新电力。关于人工智能的一个难点是它是一种通用技术，这意味着它不仅对某一件事有用，而且对许多不同的应用都有用，比如电力。如果我问你，电有什么用？很显然这不是一件事情可以讲清楚的。

因此，我想做的就是首先与大家分享我对技术前景的看法，这将带来一系列机会。目前关于人工智能的看法市场上有很多炒作但也伴随着兴奋。但是我认为，思考人工智能的一个好方法是将其视为工具的集合。

其中这包括一种称为监督学习的技术，它非常擅长识别事物或标记事物，以及生成式人工智能，这是一个相对较新、令人兴奋的发展趋势。如果您熟悉人工智能，您可能听说过很多的工具，但我将少谈论这些额外的工具。

监督学习和生成人工智能

今天我将重点讨论我认为目前最重要的两个工具，即监督学习和生成人工智能。

监督学习非常擅长标记事物，或者非常擅长计算输入到输出或 A 到 B 的映射，给定输入A，给我一个输出。例如，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。我从事过的最赚钱的应用可能是在线广告，给定一个广告，我们可以标记用户是否可能点击它，从而显示更相关的广告。

而对于自动驾驶汽车，根据汽车的传感器读数，我们可以将其标记为其他汽车在哪里。我的团队 AI Fund 从事的一个项目是船舶航线优化。在给定船舶正在采取或考虑采取的路线的情况下，我们可以标记出我们认为该路线将消耗多少燃料，并利用它来提高船舶的燃油效率。在工厂自动化视觉检测方面做了大量的工作。

甚至您还可以拍摄刚刚制造和贴标签的智能手机的照片，看看其中是否有划痕或任何其他缺陷。或者，如果您想构建餐厅评论、声誉监控系统，您可以使用一个小软件来查看在线餐厅评论，并将其标记为积极或消极情绪。

因此，监督学习的一件好事、一件很酷的事情！它不仅仅对某一件事有用，而是对所有这些不同的应用程序都有用，甚至还有更多。下面我具体介绍一下监督学习的工作流程示例，给事物添加标签等项目。

如果您想构建一个系统来标记餐厅评论，那么您可以收集一些数据点或收集一个数据集。上面说熏牛肉三明治很棒，这是积极的。服务器很慢，这是负面的。我最喜欢的咖喱鸡，这是积极的。

在这里，我展示了三个数据点，但是您正在构建这个，您可能会获得数千个这样的数据点或数千个训练示例，我们称之为机器学习项目和人工智能项目的工作流程是获得标记数据（可能是数千个数据点）。然后你可以让一个AI团队训练模型，从这些数据中进行学习，然后选择云服务来运行这个训练好的模型。接着你可以输入“这是我喝过的最好的珍珠奶茶”，模型就会将其识别为正面的情绪。

因此，我认为过去十年可能是大规模监督学习的十年。我们发现，从大约 10、15 年前开始，如果你要训练一个小型人工智能模型，比如一个小型神经网络或深度学习算法，尤其是在一台并非非常强大的计算机上，可能会遇到这样的问题：当你向它提供更多数据时，它的性能会稍微好一点，但随后就会趋于平缓，稳定。并且将无法利用数据变得越来越好。

但如果你要训练一个非常大的人工智能模型，在强大的 GPU 上进行大量计算，那么当我们扩大机器学习模型的数据量时，它的性能会越来越好。因此，这就是为什么当我开始并领导 Google Brain团队时，我指导团队解决的主要任务是让我们构建非常非常大的神经网络，然后向其中输入大量数据。

幸运的是，这个方法奏效了。我认为驱动大型计算和大规模数据的想法确实对我们有帮助，在过去十年中推动了人工智能的巨大进步。因此，如果那是人工智能的最后十年，那么我认为这十年也会是我们在监督学习方面所做的一切，但又增加了令人兴奋的生成人工智能工具。你们中的很多人或者所有人，或许都玩过 ChatGPT和 Bard 等产品。

只要给定一段文本，也称之为提示，就像我喜欢吃东西一样，如果你运行多次，也许你会得到百吉饼奶油奶酪或我母亲的肉饼或和朋友一起出去，人工智能系统可以生成这样的输出。考虑到生成式人工智能的热议和兴奋，我想我只需用半张幻灯片来说明一下它是如何工作的。

所以事实证明，生成式人工智能，至少是这种类型的文本生成，其核心是使用监督学习，输入输出映射来重复预测下一个单词。因此，如果您的系统在互联网上读取这样的句子，“我最喜欢的食物是奶油奶酪和熏鲑鱼百吉饼”，那么这会被翻译成几个数据点，如果它看到，“我最喜欢的食物是 A”，在在这种情况下，尝试猜测下一个单词是 bagel或我最喜欢的食物是 bagel，尝试猜测下一个单词是 with，同样，如果它看到，在这种情况下，下一个单词的正确猜测将是 “奶油” 。

因此，如果你在数千亿个单词上训练一个非常大的人工智能系统，在最大的模型的情况，超过一万亿个单词，那么你会得到像 ChatGPT 这样的大语言模型。还有一些技术细节，比如刚刚我谈到了预测下一个单词，从技术上讲，这些系统预测下一个子词或称为标记的单词的一部分，然后还有其他技术（例如 RLHF）来进一步调整 AI 输出，使其更加有用、诚实且无害。

但其核心是使用监督学习来重复预测下一个单词。这确实是大语言模型取得令人兴奋、非常惊人进展的原因。因此，尽管许多人将大语言模型视为一种出色的消费工具。您可以访问ChatGPT 网站或 Bard 网站或其他大型语言模型等网站，并将其用作出色的工具。

但是我认为还有一个趋势仍然未被充分认识，那就是大型语言模型的潜力，不仅可以作为消费者工具，而且作为开发人员工具。事实证明，有些应用程序过去需要我几个月的时间才能构建，现在很多人可以通过使用大型语言模型更快地构建它们。

可以具体来说监督学习的工作流程，例如构建餐厅评论系统，您需要获得一堆标记数据，也许需要一个月的时间，我们才能获得几千个数据点。然后让 AI团队进行训练和调整，并真正在您的 AI 模型上获得出色的性能，也许这需要三个月的时间。接着找到一个云服务来运行它，确保它运行稳健。确保它得到认可，因此，构建商业级机器学习系统实现的时间表是 6 到 12 个月。

我领导的团队通常需要大约 6 到 12 个月的时间来构建和部署这些系统。其中一些被证明非常有价值。但这是构建和部署商业级人工智能系统的现实时间表。但相比之下，使用基于提示的人工智能，您可以在其中编写提示工作流。这可能需要几分钟或几小时。然后将其部署到云端可能需要几个小时或几天的时间。因此，现在有些人工智能应用程序过去需要我花六个月甚至一年的时间才能构建出来，而现在世界各地的许多团队可能只需一周就能构建出来。

未来以致，但最好的尚未到来。已经开始催生大量可以由很多人构建的人工智能应用程序。因此，我认为许多人仍然低估了定制人工智能应用程序的规模，我认为这些应用程序即将出现。比如这是我编写情感分类器所需的全部代码。你们中的一些人会了解 Python。从 OpenAI导入一些工具，然后添加此提示，即将下面由三个破折号分隔的文本分类为具有积极或消极情绪。我在斯坦福商学院度过了一段美好的时光。学到了很多东西，也结识了很多新朋友。好的。这就是我的提示。

然后我就运行它。但是我以前从未运行过它。但是谢天谢地它还是得到了正确的答案。实际上这就是构建情感分类器所需的全部代码。因此今天世界各地的开发人员实际上可以花费10 分钟来构建这样的系统，这是一个非常令人兴奋的发展。所以我一直在做的事情之一就是尝试在在线课程中教大家如何使用提示，不仅作为消费者工具，而且作为开发人员。

对人工智能机会的看法

但是在谈论技术前景时，我先分享一下我看到的一些人工智能机会的看法。也是我认为当今不同人工智能技术的价值，并且我将在三年后后过头谈论这些技术。

我认为，当今人工智能的绝大多数财务价值是监督学习，对于像谷歌这样的一家公司来说，每年的价值可能超过1000 亿美元。此外还有数百万开发人员正在构建监督学习应用程序。因此，它已经具有巨大的价值，并且由于在寻找应用程序和构建应用程序方面付出的巨大努力，背后还将具有巨大的动力。

然而生成式人工智能是真正令人兴奋的新成员，但目前来看规模要小得多。为了完整性，我还添加了其他工具。这些圆圈的大小代表了今天的价值，我认为三年后它可能会增长到这个值。因此，已经非常大规模的监督学习可能会在未来三年内翻倍，从真正的大规模到更大规模。

由于开发人员的兴趣、风险投资的数量以及探索应用程序的大公司的数量，今天的生成式人工智能规模要小得多，未来三年将增长一倍以上。我也想指出，三年是一个很短的时间跨度。如果它继续以接近这个速度复合，那么六年后，它会更大。但是绿色或橙色的浅色阴影区域是新初创公司或大公司、现有企业创造和享受价值捕获的机会的地方。

但我希望您从这张幻灯片中学到的一件事是，所有这些技术都是通用技术。就监督学习而言，过去十年必须完成但未来十年仍将继续的许多工作是识别和执行具体用例。对于生成式人工智能来说，这一过程也正在拉开序幕。因此，对于演示的这一部分，我希望您从中了解到通用技术对于许多不同的任务都是有用的，使用监督学习仍然可以创造很多价值。尽管我们还远未弄清楚监督学习的令人兴奋的用例，但我们拥有另一个出色的生成人工智能工具，它进一步扩展了我们现在可以使用人工智能做的事情。

但需要注意的是，这一过程中将会出现短期的流行趋势。所以我不知道你们中的一些人是否还记得一个叫做Lensa的应用程序。这个应用程序可以让你上传自己的照片，然后渲染出你作为宇航员或科学家之类的很酷的照片。这是一个好主意，人们喜欢它。到去年 12 月，它的收入就疯狂增长。

然而它这么做。那是因为Lensa是一个好主意。人们喜欢它。但是它是一个相对较薄的软件层，位于其他人真正强大的 API 之上。因此尽管它是一个有用的产品，但它是一个只有防御能力的行业。

当我想到像 Lensa 这样的应用程序时，我实际上想起了史蒂夫乔布斯给我们带来 iPhone 的时候。不久之后，有人编写了一个应用程序，我花了 1.99 美元购买，目的是打开 LED，将手机变成手电筒。编写一个应用程序来打开 LED灯也是一个好主意，但它也不是一个站得住脚的长期方案——也没有创造非常长期的价值，因为它很容易被复制，而且价格低廉，最终并入iOS。

但随着 iOS 的兴起，随着 iPhone 的兴起，有人也想出了如何构建 Uber、Airbnb 和 Tinder 等东西。从长远来看我认为，随着生成式人工智能的兴起或新人工智能工具的兴起，真正让我兴奋的是有机会创建那些非常深入、非常困难的应用程序，这些应用程序有望创造非常长期的价值。

人工智能的趋势

所以我想分享的第一个趋势是人工智能是一种通用技术。 我们面前的许多工作是找到非常多样化的用例并构建它们。

第二个趋势，这与人工智能尚未得到更广泛采用的原因有关，感觉就像我们一群人已经谈论人工智能15 年之类的了。

但如果你看看今天人工智能的价值在哪里，你会发现其中很大一部分仍然集中在消费软件互联网上。

一旦你进入了外部技术或消费者软件互联网，就会有一些人工智能的采用，但这一切感觉还为时过早。那么这是为什么呢？事实证明，如果你要把所有当前和潜在的人工智能项目，并按价值降序对它们进行排序，那么在这条曲线的左边，在这条曲线的头部，是数十亿美元的项目，比如广告或网络搜索或电子商务产品推荐或亚马逊等公司。

大约10、15年前有吗？我和我的朋友们想出了一个秘诀，如何雇用（比如说）100 名工程师来编写一款软件来提供更相关的广告，并将该软件应用于 10 亿用户，并产生巨大的财务收入价值。但一旦你走出消费软件互联网，几乎没有人拥有 1亿或 10 亿用户可以为其编写和应用一款软件。

因此，一旦你进入其他行业，当我们从左边曲线的头部到长尾时，这些是我看到的一些项目，我对此感到兴奋。我正在与一家披萨制造商合作，他们正在拍摄他们正在制作的披萨的照片，因为他们需要做一些事情，例如确保奶酪均匀分布。这是一个大约500 万美元的项目。但是如果雇佣一百名工程师或几十名工程师来完成一个价值 500 万美元的项目的做法是没有意义的。

或者还有另一个很好的例子。和一家农业公司合作，我们发现，如果我们用摄像头找出小麦有多高，而小麦经常因为风雨什么的而弯腰，我们就可以把右边的小麦砍掉高度，那么农民就能出售更多的食物，而且对环境也更好。但这是另一个耗资500 万美元的项目，雇佣一大群高技能工程师来完成这个项目的老方法是没有意义的。

同样的材料分级，布料分级，板材分级，很多项目都是这样的。因此，在左边，在这条曲线的头部，有一小部分，比如说，数十亿美元的项目，我们知道如何执行这些创造价值的项目。在其他行业，我看到了成千上万个价值500 万美元的项目的长尾，到目前为止，由于定制成本高昂，执行起来非常困难。

但是令人兴奋的趋势是，人工智能社区一直在构建更好的工具，让我们聚合这些用例，并使最终用户轻松进行定制。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，我们不用再担心披萨的图片了，我们有工具——我们开始看到可以让披萨制作工厂的 IT 部门根据自己的披萨图片训练人工智能系统的工具。，披萨实现了价值 500 万美元的价值。顺便说一下，互联网上不存在披萨的图片。因此，谷歌和必应无法访问这些图片，我们需要披萨工厂自己可以使用的工具来构建、部署和维护他们自己的定制人工智能系统，该系统可以处理他们自己的披萨图片。

从广义上讲，实现这一点的技术，其中一些是提示、文本提示、视觉提示，但实际上大语言模型和类似的工具，或者称为以数据为中心的人工智能的技术，而不是要求披萨工厂写很多代码，增加挑战性，我们可以要求他们提供数据，结果可能更好。

如何抓住人工智能的机会

第二个趋势很重要，因为我认为这是发挥人工智能价值的关键部分，到目前为止，人工智能仍然感觉集中在科技世界和消费软件互联网世界，并将其推广到所有行业，但实际上是经济的其他部分有时很容易忘记，经济的其他部分比科技世界大得多。

所以我分享的两个趋势，人工智能作为通用技术，有很多具体的用例需要实现，以及低代码、无代码、易于使用的工具，使人工智能能够部署在更多行业。我们如何抓住这些机会？

所以大约五年前，我想解决一个难题，那就是——我觉得很多有价值的人工智能项目现在都是可能的。我在想，我们如何完成它们？我曾在谷歌、百度等大型科技公司领导过团队，我很难弄清楚如何在大型科技公司中管理一个团队，以追求从海运到教育，从金融服务到医疗保健等各个领域的各种机会。非常多样化的用例、非常多样化的市场以及非常多样化的客户群和应用程序。

我认为最有效的方法是我们可以创办许多不同的公司来追求这些非常多样化的机会。这就是我最终创办 AI Fund 的原因，这是一家风险投资工作室，致力于建立初创公司以寻求各种人工智能机会。当然，除了许多初创公司之外，现有公司也有很多机会将人工智能融入现有业务。

事实上我在现有企业中看到的一种模式是，分销通常是现有公司的显着优势之一，如果他们发挥得当，可以让他们非常有效地将人工智能集成到他们的产品中。但具体来说，机会在哪里？

我认为的人工智能堆栈， 最底层是硬件、半导体层。那里有绝佳的机会，但资本非常密集，非常集中。因此需要大量资源，而获胜者相对较少。所以有些人可以，而且应该在那里玩，我个人不太喜欢在那里玩。

还有基础设施层。也是绝佳的机会，但资本非常密集，非常集中。所以我自己也不太愿意去那里玩。

然后是开发人员工具层。我刚才给大家展示的是——我实际上是在使用 OpenAI 的API 作为开发工具。但是我认为开发工具行业竞争非常激烈。看看现在所有追逐 OpenAI 的初创公司，但将会有一些大赢家。所以我有时会在这里玩，但主要是当我想到有意义的技术优势时，因为我认为这会给你带来权利，或者让你有更好的机会成为超级赢家之一。

最后，尽管很多媒体的关注和热议都集中在基础设施和开发人员工具层，但事实证明，只有应用程序层更加成功，该层才能成功。随着 SaaS 的兴起，我们也看到了这一点，很多讨论和兴奋都集中在技术和工具层上。这很好。这没什么问题。但成功的唯一方法是应用程序层更加成功，他们就可以产生足够的收入来支付基础设施和工具层的费用。

如何打造自己的创业公司

所以实际上我举一个例子。Amorai——我昨天刚刚给首席执行官发短信。Amorai 是我们创建的一家使用人工智能进行恋爱关系辅导的公司。在这里想说，我是一个人工智能专家。但是我觉得对浪漫一无所知。如果你不相信，可以问我的妻子，她会证实我对浪漫一无所知。

但当我们开始构建这个项目时，我们想与Tinder 前首席执行官 RenateNyborg 会面。凭借我的团队在人工智能方面的专业知识，以及她在人际关系方面的专业知识，因为她运营了 Tinder，她比我认识的任何人都更了解人际关系，我们能够利用人工智能构建一些非常独特的东西来进行浪漫关系指导。

此类应用程序的有趣之处在于，当我们环顾四周时，世界上有多少团队同时是人工智能和人际关系方面的专家？因此，在应用程序层我看到了许多令人兴奋的机会，这些机会似乎拥有非常大的市场，但相对于机会的规模而言，竞争非常轻微。这并不是说没有竞争对手，但与开发人员工具或基础设施层相比，它的激烈程度要低得多。

因此我花了很多时间迭代创建初创公司的过程，所以我可以非常透明地告诉大家我们为创建初创公司开发的秘诀。经过多年的迭代和改进，这就是我们现在建立初创公司的方式。

我的团队总是能够从合作伙伴那里获得许多内部产生的不同想法。我想通过我们所做的一个例子来介绍这一点，这是一家Bearing AI 公司，该公司使用人工智能来提高船舶的燃油效率。因此，几年前，当一家名为三井物产的日本大型企业集团是主要股东并经营主要航运公司时，我想到了这个想法，他们来找我说，嘿，安德鲁，你应该建立一家企业来使用人工智能使船舶更省油。具体的想法是，将其视为船舶的谷歌地图。我们可以建议一艘船或告诉一艘船如何驾驶，以便您仍然准时到达目的地，但事实证明，使用的燃料减少了约 10%。

所以我们现在要做的就是花大约一个月的时间来验证这个想法。因此，请仔细检查这个想法在技术上是否可行，然后与潜在客户交谈以确保存在市场需求。所以我们花了大约一个月的时间来做这件事。如果它通过了这个阶段，那么我们将去招募一位首席执行官与我们一起开展该项目。当我刚开始的之前，我自己花了很长时间在一个项目上工作，然后才聘请了首席执行官。

但经过迭代，我们意识到，从一开始就聘请一位领导者与我们合作，可以减轻很多必须转移知识或让首席执行官进来并必须重新验证什么的想法。因此我们的流程变得更加高效，只是从一开始就引入了领导者。

因此，就Bearing AI 而言，我们找到了一位出色的首席执行官迪伦·凯尔 (Dylan Keil)，他是一位著名的企业家，之前曾成功退出过一次。然后我们花了三个月、六个月、两周的冲刺时间，与他们合作构建原型并进行深入的客户验证。如果它能在这个阶段幸存下来，并且我们有大约三分之二，即66% 的存活率，那么我们会编写第一个检查，然后为公司提供资源来聘请执行团队，建立关键团队，让 MVP 工作，至少可行的产品工作，并获得一些真正的客户。

在那之后，希望能够成功筹集额外的外部资金，并能够继续增长和扩大规模。因此，我对我的团队为支持三井物产的想法以及担任首席执行官的 Dylan Keil 所做的工作感到非常自豪。如今，由于轴承人工智能的存在，公海上有数百艘船只正在以不同的方式自行驾驶。节省 10% 的燃油意味着每艘船每年可节省约 450,000 美元的燃油。

当然，坦率地说，这对环境也有好处。我认为，如果没有迪伦出色的工作，以及三井将这个想法带给我，这家初创公司就不会存在。我喜欢这个例子，因为这是另一个例子——这是一个创业想法，这里想说如果没有这些人，我自己永远不会想出这个想法。我虽然坐过船，但我对海运了解多少？

但正是三井物产深厚的主题专业知识，与迪伦一起拥有这种洞察力，以及我的团队在人工智能方面的专业知识，才使得这一切成为可能。因此，当我从事人工智能工作时，我学到的一件事就是人工智能，仅此而已。

因为我没有时间，或者我很难成为海运、恋爱关系、医疗保健、金融服务等方面的专家。所以我了解到，如果我能够帮助获得准确的技术验证，然后使用人工智能资源来确保人工智能技术快速而良好地构建，我认为，我们总是能够帮助公司构建一个强大的技术团队，然后与主题专家合作通常会带来令人兴奋的新机会。

另外我想与大家分享另一个奇怪的方面——我在创建初创公司时学到的另一件奇怪的事情，那就是我只喜欢在有具体想法时才参与其中。这与你从设计思维方法论中听到的许多建议背道而驰，这些建议经常说，不要急于解决问题。在制定解决方案之前先探索多种替代方案。

老实说，我们尝试过，但速度非常慢。但我们了解到的是，在构思阶段，如果有人来找我说，嘿，安德鲁，你应该将人工智能应用于金融服务。因为我不是金融服务领域的主题专家，所以对我来说，了解足够的金融服务知识并弄清楚该怎么做是非常缓慢的。

虽然最终可以得到一个好的结果，但对我来说，尝试一个又一个的行业学习是一个非常劳动力密集、非常缓慢、非常昂贵的过程。相比之下，我的一位合伙人写下这个想法时只是开玩笑，并不认真。但是，比方说，GPT让我们通过自动购买所有广告产品来消除广告，以换取不必看到任何广告，这不是一个好主意，但它是一个具体的想法。

事实证明，具体的想法可以被有效地验证或证伪。它们还为团队提供了明确的执行方向。我了解到，在当今世界，尤其是随着很多人兴奋、热闹、接触人工智能，事实证明，当今世界有很多主题专家，他们深入思考过问题持续数月，有时甚至一两年。但他们还没有建立合作伙伴。当我们与他们聚在一起，听到他们分享我们的想法时，这使我们能够与他们合作，非常快速地进行验证和构建。

我发现这很有效，因为有很多人已经完成了设计思维的工作，探索很多想法并筛选出真正好的想法。我发现有很多好主意，但没有人在研究。发现有人已经有想要与我们分享、想要建立合作伙伴的好想法，结果证明这是一个更高效的引擎。

讨论人工智能技术对社会的风险和影响

因此，在结束之前，我们将立即讨论这个问题，仅用几张幻灯片来讨论风险和社会影响。所以人工智能是非常强大的技术。你可能会猜到，我和我的团队只致力于推动人类进步的项目。我们多次终止了基于道德理由评估为财务状况良好的项目。事实证明，我对人们想出好主意的创造力感到惊讶，有时甚至感到沮丧。因此，提出看似有利可图但实际上不应该实施的非常糟糕的想法。我们已经因为这些原因取消了一些项目。

我认为，必须承认当今的人工智能确实存在偏见、公平性和准确性方面的问题。但技术也在迅速进步。所以我看到今天的人工智能系统比六个月前更少偏见，并且比六个月前更加公平，这并不是要忽视这些问题的重要性。它们是问题，我们应该继续努力解决它们。但我也很高兴有很多团队在这些问题上努力工作，使它们变得更好。

当我想到人工智能的最大风险时。我认为最大的风险之一——是就业受到干扰。这是我们宾夕法尼亚大学的朋友和OpenAI 的一些人撰写的一篇论文中的图表，分析了不同工作对人工智能自动化的影响。

事实证明，上一波自动化浪潮主要暴露最多的工作往往是工资较低的工作，例如当我们将机器人放入工厂时。在当前的自动化浪潮中，实际上是工资较高的工作，此外，在该轴的右侧，似乎有更多的工作暴露于自动化。

因此，即使我们利用人工智能创造了巨大的价值，我觉得作为公民、我们的企业、我们的政府，实际上，我们的社会，我感到有强烈的义务确保人们，特别是生计受到干扰的人们，仍然受到很好的照顾，仍然受到很好的对待。

最后，感觉每次人工智能领域出现一大波进步时，也会出现一大波关于通用人工智能的炒作。 10 年前，当深度学习真正开始发挥作用时，人们对 AGI 进行了很多炒作。

现在，生成式人工智能运行得非常好，关于通用人工智能的炒作又一波。但我认为通用人工智能，即能够做人类能做的任何事情的人工智能，还需要几十年的时间，也许 30到 50 年，甚至更长时间。

我希望我们有生之年能看到它。但我认为很快就没有时间了。挑战之一是，通往智能的生物道路（如人类）和通往智能（人工智能）的数字道路，它们采取了截然不同的道路。关于AGI 定义的有趣之处在于，你正在用真正的生物智能路径来对这种截然不同的数字智能路径进行基准测试。

所以我认为，大型语言模型在某些关键维度上比我们任何人都聪明，但在其他维度上却比我们任何人都愚蠢得多。因此，强迫它做人类能做的一切就像一个有趣的比较。但我希望在我们有生之年我们能到达那里。我知道还有很多关于人工智能给人类带来灭绝风险的夸大炒作。坦白说，我没有看到。我只是不明白人工智能如何给人类带来任何有意义的灭绝风险。

我认为人们担心我们无法控制人工智能。但我们有很多人工智能将比任何人都更强大。但凭借丰富的经验、指导、非常强大的实体，例如比任何个人都强大得多的公司或民族国家，并确保它们在很大程度上造福于人类。而且技术也在逐渐发展。

所谓的热起飞场景，今天还没有真正发挥作用，然后突然有一天，一夜之间它表现出色，我们实现了超级智能，接管了世界。那是不现实的。

我认为人工智能技术将像所有技术一样缓慢发展，然后它给我们足够的时间来确保我们提供监督并能够管理它的安全。如果你看看人类面临的真正的灭绝风险，比如下一次流行病或气候变化，导致地球某些地区的人口大规模减少，或者几率要低得多，但也许有一天，一颗小行星对我们的影响就像它对恐龙的影响一样。

因此我认为如果我们审视人类面临的真正的灭绝风险，拥有更多智能的人工智能，甚至是世界上的人工智能，将是解决方案的关键部分。

所以我觉得如果你想让人类在未来 1000 年生存和繁荣，而不是像一些人建议的那样放慢人工智能的速度，我宁愿让人工智能尽可能快地发展。总而言之，这是我的最后一张幻灯片。我认为人工智能作为一种通用技术为每个人创造了很多新的机会。摆在我们面前的许多令人兴奋和重要的工作就是去构建这些具体的用例，希望在未来，希望我有机会与你们中的更多人一起利用这些机会。

ps：在目前阶段应用场景依旧是国内最大的优势，但是要做出令人满意的产品还需要真正的走进用户，挖掘出真正的需求才行，期待杀手级的产品在国内诞生。（也鼓舞鼓舞士气~）

看到这里，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标哦！

⭐～谢谢你看我的文章。

⭐我是彩虹少女：感谢你的阅读。

⭐视频号：RainbowEye

彩虹之眼

彩虹之眼(Rainbow Eye)-神秘而强大的 AI 情报组织。