【译者注】
文章翻译自吴恩达博士与2023-8-30日在斯坦福的演讲《Opportunities in AI》
虽然是讲趋势，但演讲的前1/3是在扫盲
PPT 和翻译文案是对齐
在保持全文意思不变的情况下，对于部分段落我增加了「译者注」，描述了一些背景知识和我个人对这个演讲的主观理解
非常感谢你，Lisa。见到各位我很高兴。今天我想和大家探讨一下AI领域的机会。我一直说 AI 是新的电力。理解 AI 的其中一个困难之处在于：它是一个通用技术。意味着它不仅仅对一个领域有用，而是对许多不同的领域都有用，有点像电力。如果我问你电力对什么有用?不仅仅是一样东西，而是许多东西。所以我想先和大家分享一下我对技术的看法。这将引出一系列的机会。
AI领域有很多令人兴奋的事情，我认为理解 AI 的一个很好的方式就是：把它看作为一系列工具。
这包括一种称为监督学习的技术，它非常擅长识别或标注东西。以及生成式AI，这是一项相对较新且令人振奋的发展。如果你熟悉AI，你可能听说过其他工具。但我今天不会过多谈论其他的工具，而会集中讨论我认为目前最重要的两项工具，即监督学习和生成式AI。
监督学习非常擅长给东西贴标签，或非常擅长计算输入和输出，或者从A映射到B。给定一个输入A，给我一个输出B。例如，给定一封电子邮件，我们可以利用监督学习将其标注为垃圾邮件或非垃圾邮件。
我参与过的在这方面最赚钱的应用可能是网络广告，给定一个广告，我们可以标注用户是否可能点击它，从而展示更相关的广告。对于自动驾驶汽车，给定汽车的传感器读数，我们可以标注出其他汽车的位置。我的团队AI Fund参与过的一个项目是船舶航线优化，给定一艘船正在航行或考虑航行的路线，我们可以标注它预计会消耗多少燃料，并用此来提高船舶的燃料效率。
我们在工厂中做了大量自动视觉检查工作，你可以拍一张刚制造的智能手机的图片，并标注它是否有划痕或其他缺陷。或者，如果你想建立一个餐厅点评监控系统，你可以用一个软件来查看网上餐厅点评，并标注其为正面或负面评价。
监督学习有一个很好的地方，一个很酷的地方是，它不仅仅对一件事有用，它对所有这些不同的应用都很有用，还有很多其他应用。
让我具体地演示一遍一个监督学习项目的工作流程，例如给餐厅点评贴标签。你首先收集一些数据点或数据集，比如说熏三明治非常好吃，这是正面评价。服务员服务慢，这是负面评价。我最爱的鸡肉咖喱，这是正面评价。这里我举了三个数据点，但在实际操作时，你可能会收集成千上万这样带标签的数据点或训练样本。
一个机器学习或 AI 项目的工作流程是，你首先获得标注过的数据，可能是成千上万的数据点。然后，你让一个 AI 团队用这些数据训练一个 AI 模型。最后，你可能找一个云服务来运行这个训练好的AI模型，然后你可以给它输入新数据，它会给出正面或负面判断。
我认为过去十年可能是大规模监督学习的十年。我们大约在 10~15 年前就发现，如果训练一个小的 AI 模型，一个小的神经网络或小的深度学习算法，可能不需要非常强大的计算机。当你输入越来越多的数据时，它的表现会稍微提高一点，但随后提升的曲线会变得平缓，效果会达到瓶颈期，它将无法继续利用数据来不断改进。
但是如果你训练一个非常大的 AI 模型，大量的计算能力可能是在强大的 GPU 上，那么当我们扩大提供给机器学习模型的数据量时，它的性能会不断地变得更好。
所以当我开始领导谷歌大脑团队时，我指导团队要解决的主要任务就是构建一个真正大的神经网络，并向它输入大量的数据。幸运的是，这个方法奏效了。我认为大规模计算和大规模数据的思路真的帮助我们在过去十年里推动了很多 AI 的进步。
所以如果上个十年是 AI 的十年，我认为这个十年除了监督学习之外，还将兴起激动人心的生成式 AI。可能你们许多人，甚至在场的所有人都体验过 ChatGPT 和 DALL-E等。给定一段文本作为提示，比如“我喜欢吃”，如果你多次运行，可能会生成“奶酪冰淇淋”或“妈妈做的中餐”等输出。AI系统可以生成这样的输出。
鉴于人们对生成式 AI 的热烈关注和兴奋，我想花半张幻灯片简要谈谈它是如何工作的：生成式 AI，至少在文本生成方面，其核心是使用输入输出映射的监督学习来重复预测下一个词。
如果系统在网上读过这样一个句子：“我最喜欢的食物是奶酪奶油百吉饼”，它会把这个句子转换成几个数据点，如果它再次看到“我最喜欢的食物是”，它会尝试猜测下一个正确的词是“百吉饼”，或者如果它看到“我最喜欢的食物是百吉饼”，它会尝试猜测下一个词是“和”。同样，如果它看到“奶酪”，它会猜测下一个正确的词应该是“奶油”。
通过提取互联网或其他来源上的文本，并使用这种输入输出的监督学习来重复预测下一个词，如果你在数以十亿计的词上训练一个非常大的AI系统 (例如在最大的模型中，现在已经超过1万亿个词)，那么你就得到了像 ChatGPT 这样的大语言模型。
还有其他一些重要的技术细节。我谈到了预测下一个词，技术上讲，这些系统预测下一个子词或词元的一部分。然后还有其他技术，比如RLHF (译者注：Reinforcement learning from human feedback，全称是基于人类反馈的强化学习) 用于进一步调整AI输出以使其更有希望、诚实和无害。
但是其核心是使用监督学习来重复预测词语，这才真正实现了大语言模型的激动人心而惊人的进步。
虽然许多人将大语言模型视为一个绝佳的消费者工具，你可以去 ChatGPT 等网站使用大语言模型。我也认为这非常棒。但我认为一个还不被充分认识的趋势是，大语言模型不仅是消费者工具，也是一个开发者工具。
事实证明，以前要花我几个月才能构建的应用，现在许多人可以用大语言模型更快地构建。具体来说，构建餐厅点评系统等的监督学习工作流程是，你需要获取一些标注好的数据，这可能需要一个月才能获得几千个数据点。然后，一个 AI 团队需要训练、调整、优化 AI 模型的性能，这可能需要3个月。然后找到一个云服务来运行它，确保它稳定可靠地运行。这可能再需要3个月。所以，构建一个商业级的机器学习系统的一个较实际的时间表大约是6到12个月。我领导的团队，我们通常花费大约6到12个月来构建和部署这些系统。其中一些最后变得非常有价值。
与基于提示的AI相比，现在你只需要编写一个提示，这可能只需要几分钟或几小时。然后你可以在几个小时或几天内将其部署到云端。
现在，以前花费我6个月甚至1年才能构建的某些AI应用，全球许多团队现在可以在1周内构建。我认为这已经开始发生，但最好的还在后头。这开始敞开大门，可以建立更多可以被更多人构建的AI应用。所以我认为许多人仍低估了即将出现的海量定制AI应用的规模。
接下来，我知道你可能没想到我会在演示中编码，但我就是要这么做。(译者注：在演讲中吴恩达博士基于 Jupiter notebook 现场演示了通过 chatGPT 的prompt，让AI对文本内容的正负面情绪进行判断的例子，感兴趣的可以在 DeepLearning.ai 上找到相关的课程)。
事实证明，这就是我构建情感分类器所需的全部代码!所以我会用Python导入一些OpenAI的工具，然后我有这样一个提示："将以下用3个破折号限定的文本分类为积极或消极情感"。
现在我就直接运行它。这是我第一次运行，所以我真的希望它能工作。哦，太好了。它得到了正确的答案。这段文字(译者注：就是 Prompt)就是构建情感分类器所需的全部代码。
今天，全球的开发者可以用10分钟左右构建这样一个系统，这是一个非常令人兴奋的进展。因此，我一直在努力教授如何使用提示，不仅作为消费者工具，也作为开发者工具。
接下来，我会分享一下我看到的一些 AI 机遇。以及我认为的不同 AI 技术在今天的价值。我会谈谈3年后的情况。但今天 AI 的绝大部分商业价值来自我认为的监督学习，对一个像谷歌这样的公司，每年的价值可能超过1000亿美元。而且还有数百万开发者正在构建监督学习应用程序。所以它已经非常有价值，并且有强大的势头推动它。
而生成式 AI 则是一个真正激动人心的新入局者，目前它还很小。为了完整性我还列出了其他工具。这些圆圈表示今天的价值。我认为3年内它可能增长到这里。所以监督学习已经非常巨大，在未来3年可能会翻一番，从非常巨大成为更加巨大。
而生成式 AI 今天还很小，我认为在未来3年内会增长好几倍，因为开发者的关注量、风险投资的投入量以及大公司探索应用的数量。我也指出3年是一个非常短的时间范围。如果以任何接近这个速率的复利增长，那么6年后会更加巨大。但这个浅绿色或橙色的浅色区域，那个浅色区域是新的创业公司或大公司可以创造和获取价值的机会所在。
我希望你从这张幻灯片中获得的一个信息是，所有这些技术都是通用技术。在监督学习的情况下，过去十年必须做的大量工作仍在继续，未来十年是识别和执行具体用例。这个过程对于生成式 AI 也正在启动。所以在演讲的这一部分，我希望你能够了解通用技术可用于许多不同的任务。
使用监督学习仍可以创造很多价值。尽管我们还远未完成发现监督学习的激动人心的用例，而惊叹的生成式 AI，它进一步扩展了我们现在可以用 AI 做的事情。但是需要注意的是，在过程中会有短期的起伏。
我不知道你们是否还记得一个叫Lens的应用程序。这个应用程序可以让你上传自己的照片，它会把你渲染成一个很酷的宇航员、科学家或其他角色。这是一个挺酷的想法，人们也喜欢它。去年12月它开始疯狂飙升。然后它就完蛋了。
因为Lens其实是一个在别人强大 API 之上的相对单薄的软件层。所以尽管它是一个有用的产品，但不是一个可防御的业务 (译者注：这是我在专栏上一期中重点 highlight 的一个点，目前国内大模型创业投资为什么雷声大雨点小，其中一个原因就是投资人普遍怀疑应用层的护城河)。
当我思考Lens这样的应用时，它实际让我想起史蒂夫·乔布斯给我们iPhone后不久，有人写了一个我付1.99美元的应用程序，可以打开LED灯，把手机变成手电筒。这确实是一个好主意，写一个应用来打开LED灯。但它也不是一个可持续的长期商业模式，因为它很容易被复制和低价竞争，最终被集成到 iOS 中。
但随着iOS和iPhone的崛起，还有人想出了如何建立 Uber、Airbnb 和 Tinder 等非常可持续、可防御的业务，创造持续价值。我认为随着AI或新AI工具的兴起，真正让我兴奋的是创造那些非常深入、非常难的应用程序的机会，希望它们能创造长期价值。
所以我想分享的第一个趋势是，AI是一个通用技术，我们前面还有大量工作，那就是发现非常多样化的用例并构建它们。
我想和大家分享的第二个趋势，是关于为什么 AI 目前还没有被更广泛地应用。感觉上我们好像聊了有15年关于AI的话题，但你要是看看现在AI的价值主要在哪里，很多还是集中在消费软件和互联网行业，对吧？离开这个范围之后，在其他领域的AI应用相对来说还是少得多，而且都还处于初级阶段。这是为啥呢？
其实，如果你把所有现有和潜在的 AI 项目按照价值从高到低排列，在这个曲线的前端，都是一些价值数十亿美元的项目，比如广告、网络搜索，或者像亚马逊这样的电商推荐系统。十几年前，我和几个朋友就找到了一个方法：就是招几百个工程师，写一个软件来提供更精准的广告，然后把这个软件应用到数亿的用户上，从而产生巨大的财务价值。这一招在消费软件和互联网行业挺管用的。
但是，一旦你走出这个行业，很少有公司有那么多资源来推广一个软件产品。所以，当你转向其他行业，比如我看到并且很兴奋的一些项目，情况就完全不同了。我曾与一个制作披萨的公司合作，他们通过拍照片来确保芝士会均匀地被铺在披萨上，这个项目大概值500万美元(译者注：这里的意思应该是通过图片识别的方法)。但是，你不可能为了一个500万美元的项目去招几十个或者一百个工程师，这根本不合算。
还有一个例子是，我与一个农业公司合作，我们用摄像头来测量小麦的高度。由于风或雨的原因，小麦常常会弯曲。我们可以在合适的高度割下小麦，这样既能为农民带来更多的收入，也更环保。但这也仅仅是一个500万美元的项目，用大量的工程师去做，也是不划算的。
类似的，还有材料分级、布料分级、金属板分级等多个项目。这都是我见到并且觉得有潜力的项目，但都需要一种新的开发和应用模式。
所以，在这个曲线的左侧头部，我们有少数几个价值数十亿美元的项目，而我们已经知道如何在其他行业中执行这些项目来创造价值。我看到的是一个非常长的尾巴，有成千上万个我们可以称之为500万美元项目，而到目前为止，由于定制成本高，这些项目非常难以执行。
我认为令人兴奋的趋势是，AI 界已经在构建更好的工具，让我们能够汇总这些用例，并使终端用户能够轻松进行定制。
具体来说，我看到很多令人兴奋的低代码和无代码工具，使用户能够定制AI系统。这意味着，我们不再需要过多地担心如何处理披萨的照片，因为我们开始看到可以让披萨制造工厂的IT部门自己用他们自己的披萨照片来训练AI系统，从而实现这500万美元的价值。顺便说一句，这些披萨的照片是不存在于互联网上的，所以谷歌和必应无法访问这些图片。我们需要的是可以由披萨工厂自己使用，来构建、部署和维护基于他们自己的披萨照片的定制AI系统的工具 (译者注：这就是目前行业都在探索的，基于企业私有的数据来构建 AI 应用。业界有一个观点：存在于互联网上的公开数据价值天花板是很低，一方面是谁都可以爬取到，另外一方面是这些数据的质量和真实度是打折扣的)。
在更广泛的层面上，实现这一点的技术有一部分是基于文本提示或视觉提示，但主要是大型语言模型和类似的工具，或者一种叫做“AI数据中心”的技术。这里的核心思想是，我们不再要求披萨工厂写大量的代码（这很具挑战性），而是让他们提供数据，这实际上更容易做到。
我认为这第二个趋势很重要，因为我觉得这是把 AI 的价值从目前主要集中在科技界和消费软件互联网界，推广到所有行业，真正推向整个经济体的关键配方之一。有时候我们容易忘记，整个经济体其实比科技界要大得多。
前面我分享了两个趋势。第一，AI是一种通用技术，有很多具体的应用场景等待被实现；第二，本地化的、易用的工具使 AI 能够在更多行业中得到应用。
那么，我们应该如何抓住这些机会呢？大约五年前，我有一个想解决的问题：我觉得现在有很多有价值的AI项目是可行的。我在想，我们该如何完成它们？之前在谷歌和百度这样的大科技公司带领AI团队的经历让我很难弄明白如何在一家大型科技公司中运营一个团队，以追求从海运到教育、从金融服务到医疗保健等非常多样化的机会。这些用例、市场和客户群都非常多样化。
我觉得最有效的方式是，我们可以创建很多不同的公司来追求这些多样化的机会。因此，我最终创办了AI Fund，这是一个创业工作室，专门为追求多样化的AI机会而创建初创公司。
当然，除了大量的初创公司外，现有的大公司也有很多机会将 AI 整合到现有业务中。事实上，我发现对于现有企业来说，分销通常是其中一个重要优势，这使得它们能够非常高效地将 AI 整合到自己的产品中。
但反观整个局面，机会究竟在哪里呢？我个人把它想象为一个AI技术栈。在最底层是硬件半导体层，那里有绝佳的机会，但也需要很大的资本投入，竞争也很激烈。需要的资源很多，但真正能成功的人相对较少。有些人可以并且应该在那里发挥作用，但我个人不太愿意在那里参与。
还有基础设施层，那里同样有极好的机会，但也需要大量的资本，竞争也很集中。所以，我也不太愿意在那里深入。
然后还有开发者工具这一层。我刚才展示的其实是使用 OpenAI 的 API 作为一种开发者工具。我认为，开发者工具这个领域竞争非常激烈。看看有多少初创公司在追赶OpenAI。但是会有一些超级赢家出现，因此我偶尔也会在这里参与，主要是当我认为有意义的技术优势存在时，因为我觉得这会增加你成为超级赢家的机会。
最后，尽管很多媒体关注和热度都集中在基础设施和开发者工具层面，但实际上，只有当应用层更加成功时，其他前面介绍的这些下层公司，才能真正取得成功。这点我们在软件即服务（SaaS）的崛起中也有所体验。大量的热情都集中在技术和工具层，这没什么问题。但让它们成功的唯一途径就是应用层能够更加成功，坦率地说，能够创造足够的收入来支付基础设施和工具层的费用。(译者注：这个观点和国内现在主流的观点是不同的)
让我举一个例子。Omora是我们建立的一个公司，用 AI 进行恋爱关系辅导。我要指出，我是个 AI 从业者，但对浪漫可说是一窍不通，如果你不相信，你可以问我的妻子，她会证实我对浪漫一无所知。但当我们想要建立这个项目时，我们与前Tinder首席执行官Renata Nybob合作。凭借我团队在AI方面的专长和她在恋爱关系方面的专长（毕竟她经营过Tinder，对恋爱关系了解得比我认识的任何人都要多），我们能够使用AI建立起相当独特的恋爱关系辅导服务。这类应用的有趣之处在于，当我们环顾四周时，世界上同时精通AI和恋爱关系的团队实际上并不多。
在应用层，我看到了许多令人兴奋的机会，这些机会似乎有着非常大的市场，但与机会的巨大性相比，竞争相对较轻。这并不是说没有竞争，而是与开发者工具或基础设施层相比，竞争强度要小得多。
因为我花了很多时间不断迭代如何建立初创企业的过程，所以我会非常诚恳地告诉你们我们为建立初创企业所开发的“配方”。经过多年的迭代和改进，这就是我们现在如何建立初创企业的方式。
我的团队总是有很多不同的想法，这些想法可能是内部生成的，也可能来自合作伙伴，我想用一个例子来详细说明这一点，那就是一家使用 AI 提高船舶燃油效率的公司——Bearing AI。
这个想法是几年前一个大型的日本企业集团MITI（他们是主要航运线的重要股东）找到我，他们对我说：“嗨，Andrew，你应该建立一个利用AI提高船舶燃油效率的业务。”具体的想法是，把它想象成船舶的Google Maps。我们可以建议或告诉一艘船如何航行，以便你依然能准时到达目的地，但消耗的燃料大约会少10%。
现在我们做的是，会花大约一个月的时间去验证这个想法。需要反复确认这个想法在技术上是否可行，大约会花一个月，与潜在客户进行沟通，以确保这是一个市场所需的产品。如果通过了这个阶段，那么我们就会去招募一位CEO，与我们一起在该项目上工作。
早期，我通常会在找到 CEO 之前，自己花很长时间在项目上工作。但经过反复迭代，我们意识到，从一开始就带上领导者与我们一起工作，会减少很多知识传递的负担，或者减少新CEO加入后需要重新验证我们所发现的东西的可能性。因此，我们学到的更高效的流程就是从一开始就带上领导者。(译者注：吴恩达博士的观点应该是不要让 AI 人员陷入到具体的一个个业务学习和场景决策中，这并非他们的专长，最好的方法是当验证了早期的市场需求和 AI 技术可行性后，通过招募该行业的专家作为 CEO，来尽早进入商业化运作的阶段)
因此，在Bearing AI 的例子中，我们找到了一位出色的CEO，Dylan Kyle，他是一位重复创业者，之前有过一次成功的退出。然后我们花了三个月的时间，进行了六次两周的冲刺，与他们一起构建了一个原型，并进行了深入的客户验证。如果它通过了这个阶段（我们大约有66%的生存率），我们便会写下第一张支票，这将给予公司足够的资源去雇佣高级管理团队，构建关键团队，让MVP（最小可行产品）运行起来，并获得一些真正的客户。然后在那之后，希望能成功地筹集到额外的外部融资轮，可以继续成长和扩张。(译者注：这是一个典型孵化器模式)
因此，我对我的团队能做的工作以支持三井（Mitsui）的想法和Dylan Cow担任CEO感到非常自豪。现在全球高海上有数百艘船舶因为Bearing AI而改变了它们的航行方式。10%的燃料节省大约相当于每艘船每年可能节省450,000美元的燃料费用，而且这对环境保护也很友好。
我认为如果没有Dylan的出色工作，以及三井把这个想法带给我，这家初创公司可能根本就不会存在。我喜欢这个例子，因为这是一个我自己永远也想不出来的初创公司想法。我虽然坐过船，但我对海运了解有多少呢？但正是三井的深厚专业知识，再加上Dylan和我的团队在AI方面的专长，使得这一切成为可能。
因此，当我在AI领域运营时，我所学到的一点是，我的专长领域仅限于AI。因为我没有时间去成为海运、恋爱关系、医疗保健和金融服务等各个方面的专家。但如果我能准确地进行技术验证，然后使用AI资源确保AI技术能快速而良好地构建，我认为我们总能帮助公司建立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能力。
我想与大家分享另一个关于建立初创公司的奇怪教训，那就是我喜欢只在有具体想法的时候才参与。这与你通常从设计思维方法中听到的建议相反，后者的观点通常会说“不要急于找解决方案”，要先探索许多替代方案。诚实地说，我们尝试过那样做，效率非常低。
我们学到的经验是：在构思阶段，如果有人对我说，嘿，安德鲁，你应该将其应用到金融服务领域，因为我不是金融服务领域的主题专家，去了解足够多的金融服务信息以找出应该做什么，对我来说是一个非常劳力密集、缓慢且昂贵的过程。
相反，我的一个合作伙伴以技术的名义提出了这样一个想法，虽然不是很认真，假设说由GPT提出一个具体想法：通过自动购买每个产品广告商的产品，以换取不再看到任何广告。这不是一个好主意，但它是一个具体的想法。
事实证明，具体的想法可以高效地被验证或证伪，它们还给团队一个明确的执行方向。
在当今这个充满兴奋和关注的AI世界里，有很多领域专家已经对该领域的问题深思熟虑了几个月，有时甚至一两年，但他们还没有找到合作伙伴。当我们与他们聚在一起，听到他们与我们分享的想法，这让我们能够与他们非常快速地进行验证和建设。
我发现这样做是有效的，因为有很多人，他们已经做了设计思维方面的工作，探索了很多想法，并筛选出了真正好的想法。我发现有很多好的想法横亘在那里，没有人在做，找到那些已经有人有想法了，并且愿意与我们分享、并且愿意为此建立合作伙伴的好想法，这被证明是一种更高效的工作方式引擎。
(译者注：我理解吴恩达博士的观点是与其天马行空地由技术人员去想一些飘渺的想法，不如和去行业领域专家交流，看看他们有什么明确、具体的痛点，甚至是解决想法，然后再用 AI 的能力去让解决方案变得可行甚至更高效)
在我结束之前，我想简单地谈谈 AI 带来的风险和社会影响，AI 是一项非常强大的技术。可能你已经猜到了，我的团队和我致力于推动人类进步的项目。我们多次因伦理原因而终止了在财务上看似稳健的项目。
有时我会感到惊讶甚至沮喪，因为人们能够想出看似有利可图，但实际上不应该被实现的非常糟糕的想法。我们基于这些原因终止了一些项目。
必须承认，今天的人工智能确实还存在偏见、公平性和准确性问题，但这项技术也在迅速改进。我认为现今的 AI 系统比六个月前更少偏见、更加公平，这并不是说我们可以忽视这些问题的重要性。它们当然是问题，我们应该继续解决它们。与此同时，我也很高兴看到许多 AI 专家正在努力解决这些问题。
当我思考AI的最大风险时，我认为其中最大的风险之一是对就业的破坏。
这是一张由宾夕法尼亚大学和 OpenAI 的一些人员在一篇论文中分析不同工作受到 AI 自动化影响的程度的图表。结果显示，与之前的自动化浪潮相比，之前主要是低薪工作最容易受到影响，比如当我们在工厂里安装机器人代替工人的时候。而当前的自动化浪潮实际上更多地影响了高薪工作，因为更多的任务暴露于AI自动化的风险之下。(译者注：比如说简单的文案撰写、简单的数据分析等等)
即使我们通过使用 AI 创造了巨大的价值，我作为公民，以及我们的公司、政府和社会，都有强烈的责任确保那些特别是生计受到影响的人仍然得到很好的照顾和对待。
最后，每次AI取得重大进展时，总会有关于通用人工智能（AGI）的大量炒作。例如，深度学习10年前开始表现出色时，AGI的炒作也随之而来。现在GPT性能非常好，又有一波关于AGI的炒作。但我认为，能做任何人类能做的事情的人工智能还需数十年，可能需要30到50年，甚至更长时间。我希望我们能在有生之年看到，但我认为这不会很快发生。一个挑战是，生物智能和数字智能走的是非常不同的路径。以人类为基准来定义AGI其实是一个有趣的对比。
也许在我们的有生之年。还有很多关于AI对人类构成灭绝风险的过度炒作。坦白说，我看不出 AI 如何构成对人类的实质性灭绝风险。人们担心我们不能控制AI，但我们有丰富的经验来控制比任何个人都要强大的实体，如公司或国家，并确保它们在大多数情况下都能造福人类。
技术是逐渐发展的，所谓的"突然爆发"场景 —— 即一夜之间突然取得超智能并接管世界——是不现实的。AI技术会像所有技术一样逐渐发展，这给了我们充足的时间来进行监督和确保其安全性。
最后，如果你看一下对人类真正构成灭绝风险的事物，如下一次大流行病或由于气候变化导致某些地区人口大幅减少，甚至是概率较小但也许有一天会发生的小行星撞击，我认为解决这些真正的灭绝风险的关键部分将是 AI 的智能。
所以，我觉得如果你希望人类在未来的一千年里生存和繁荣，与其减缓AI的发展，不如让AI尽可能快地发展。
人工智能作为一种多用途的技术，为所有人开辟了大量新的可能性。对我们所有人来说，未来令人激动和重要的工作在很大程度上将是去开发那些具体的用例。我也期望在未来有更多的机会与你们中的更多人就这些机会进行深入的互动。因此，我想对你们所有人表示最诚挚的感谢。
(完)