和梁朝偉同獲港科榮譽博士，黃仁勳與沈向洋對談Scaling Law、後訓練、機器人和愛情 机器之心 發表於2024-11-25
11 月 23 日，香港科技大學舉行了今年度的學位頒授典禮。英偉達創始人和 CEO 黃仁勳又新增一個榮譽工程學博士頭銜，與他一同獲得榮譽博士學位的還有著名影星梁朝偉、2013 年諾貝爾化學獎得主 Michael Levitt、菲爾茲獎得主 David Mumford。 典禮現場照片，圖源：X 使用者 @biogerontology 行程中，黃仁勳與著名電腦科學家、香港科技大學校董會主席沈向洋身穿同款皮衣，進行了主題為「技術、領導力和企業家精神」的爐邊談話，內容涉及 AI 的發展和對社會的影響、AI 在科學領域的應用、大灣區的硬體生態系統、領導力和企業管理甚至愛情等主題。 AI 的關鍵變革意義是可作為理解一切的「通用翻譯器」，而 AI 還將創造一個全新的行業。 Scaling Law 仍在持續有效。英偉達最偉大的貢獻之一是讓機器能輕鬆地學習大量資料。 AI 還沒有掌握從第一性原理中得出答案的能力，但模擬對科學也很有價值。 作為領導者，要持續學習、保持強大、考慮他人的利益。 AI 的目標是推理，而不是訓練。AI 訓練雖然耗能多，但最終也能幫助節省能源。 未來只有三種機器人可以大規模生產：汽車、無人機和人形機器人。 大灣區是世界上唯一一個機電技術和 AI 技術能夠同時蓬勃發展的地區。 沈向洋：我昨晚睡不著，一個重要原因是我將把你當成宇宙第一 CEO 來介紹給大家。我很擔心，因為昨天蘋果公司的股票在漲，而你的公司沒有。早上起來，我問了我的妻子，確認你們還是第一。所以我會給你提些難題。首先，你認為 AI（尤其是 AGI）對行業和整個社會來說有什麼影響？ 黃仁勳： 首先，很感謝有機會與您共度時光。Harry（沈向洋）是我們這個時代最重要的電腦科學家之一。他是我和許多人的英雄。Harry，正如你所知，當 AI 有能力學習和理解語言、影像、蛋白質序列、氨基酸序列和化學序列等各種資料時，就能獲得變革性的、開創性的能力。突然之間，我們有了可以理解字詞含義的電腦。生成式 AI 讓我們將一種資訊模式轉換為另一種資訊模式，比如從文字到影像、從文字到文字、從蛋白質到文字、從文字到蛋白質、從文字到化學物質。最初，這是一個通用的函式逼近器，現在演變成了適用於各種情況的通用語言翻譯器。那麼問題是，我們可以用它做什麼？世界上有很多公司和團隊在組合這些不同的模態和能力。我認為真正驚人的突破是 AI 現在可以理解各種資訊的含義，成了可以理解任何東西的通用翻譯器。 沈向洋：你曾說過，農業革命實際上是製造了更多食物，工業革命實際上製造了更多的科學技能，然後是資訊科技帶來了更多資訊。現在是人工智慧時代，你認為現在 AI 實際上是在製造更多智慧嗎？ 黃仁勳： 從電腦科學的角度看，我們已經重新發明了整個堆疊，也就是我們開發軟體的方式。過去我們自己動手寫程式碼。我一開始學習了 Fortran，後來學習了 Pascal、C 和 C++。每種語言都可以將我們的想法變成程式碼，然後在 CPU 上執行。現在我們則是使用觀察資料。我們將其提供給計算機，看它能從中發現什麼模式和關係。現在不再是程式設計，而是機器學習。機器生成的不是軟體，而是在 GPU 上處理的神經網路。從程式設計到機器學習，從 CPU 到 GPU。由於 GPU 能力強大得多，所以我們現在可以開發出異乎往常的軟體型別。而它之上是人工智慧。這就是湧現。所以電腦科學已經發生了很大的變化。 現在的問題是，我們的行業會發生什麼？當然，我們都在競相使用機器學習來發現新的人工智慧和 AI。AI 做的事情之一是「認知自動化」，或者說解決問題的自動化。 解決問題的整個過程可以被總結成三個基本步驟：感知、推理和規劃。比如，對於自動駕駛，需要汽車感知其周圍環境，然後推理自己的位置以及其它汽車的位置，再規劃駕駛過程。我們可以將自動駕駛比作是數字駕駛員。類似於，我們可以有數字放射科醫生等等。實際上，對於我們所做的任何事情，都可以想出對應的 AI 表達。我們可以稱之為數字智慧體。這些數字智慧體互相互動，產生 token，但實際上就是數字智慧。 就像三百年前發電機的發明造就了各種電器，它們消耗發電機生產的電力。Copilot 和 ChatGPT 等應用就像是各種電器，而發電機就對應於數字智慧工廠。所以，我們其實正在創造一個新的行業。這個新行業需要能源併產生數字智慧。這些數字智慧將被用於各種不同的應用。我們相信，它的消耗量會相當大。而這整個行業在以前是不存在的，就像發電機出現之前不存在電器行業一樣。 沈向洋：Nvidia 在算力領域，尤其是在過去十幾年裡的貢獻，有一個數字不斷被提及，就是以你的名字命名的「黃氏定律」，對標摩爾定律。 「黃氏定律」：在過去十年中，英偉達 GPU 的人工智慧處理能力增長了 1000 倍，這一增長表明在單晶片推理效能中看到的增速不會逐漸消失，而是會繼續存在。 在計算機行業的早期發展中，英特爾提出了著名的摩爾定律 —— 大約每 18 個月，計算能力將實現翻倍。 如果我們回看過去 10 到 12 年，在你的領導下，甚至不是每年翻一番，而是更多。 從消費的角度來看，在最近 12 年中，算上所有的大語言模型，每年的計算需求實際上是增長了四倍。如果每年增長四倍，那麼在十年的時間裡，這個數字將變成驚人的一百萬倍。 這就是為什麼 Jensen 的股票能在十年內增長 300 倍的原因之一：需求增長了一百萬倍。這也解釋了為什麼英偉達的股票貴得合理。 現在，我想問問您，用您的水晶球展望未來，我們是否在未來十年還會見證這種百萬倍的需求增長？ 黃仁勳： 摩爾定律基於兩個概念，其一是 VLSI 縮放。這一概念源自 Carver Mead 和 Lynn Conway 的著作，確實極大地啟發了我們這一代人。其二是 Dennard 縮放，即保持電晶體的電流密度恆定的同時，透過縮小電晶體尺寸，使我們能夠每隔幾年將半導體的效能提升一倍。具體來說，大約每一年半，效能就會翻一番。這意味著 5 年後，效能能提升至 10 倍，10 年後，能達到 100 倍。 當前，我們所見證的是，神經網路的規模越大，訓練這些網路的資料越多，AI 的效能似乎就越強大。這已成為一個經驗法則，類似於摩爾定律，我們稱之為 Scaling Law，而 Scaling Law 似乎仍在持續發揮作用。 但我們也知道，僅僅透過預訓練從全球資料中自動發現知識是不夠的。這就好比上大學、完成學業是一個重要的里程碑，但這還遠遠不夠。 我們需要後訓練，也就是深入學習特定技能的過程。後訓練涉及強化學習、人類反饋、人工智慧反饋、合成資料生成、多路徑學習等多種技術。 核心在於，你開始進入一個特定領域的深度學習，試圖深入理解其中的某些內容。這就是後訓練的過程。一旦你選擇了一份職業，你會再次進行大量的學習。 然後，在後續階段，就到了我們所說的「思考」。這可以被稱為 test time scaling。在這個階段，有些問題的答案可以直截了當地知道，而有些問題則需要你將其分解，逐步追溯到第一性原理，再從原點出發，為每個問題找到解決方案。這可能需要你進行迭代，可能需要你分情況討論，模擬不同的結果。 因此，我們稱之為「思考」，而且往往思考的時間越長，得到的答案質量可能就越高。 請注意，在人工智慧發展的三個關鍵領域中，大量的計算能夠帶來更高質量的答案。現在 AI 能提供的回答已經是能力範圍的最好了，但我們需要保持頭腦清醒，判斷 AI 的回答有沒有幻覺？合不合理？ 我們必須努力達到一個境界，那時我們可以充分信任人工智慧提供的答案。我認為我們距離這一目標還有幾年的時間。在此期間，我們不得不持續增強計算能力。 很感激你剛剛談到，在過去的十年中，Nvidia 實現了計算效能的百萬倍提升。Nvidia 實際上做了什麼呢？我們將計算的邊際成本降低了百萬倍。 試想一下，如果世界上有人把剛需物品的成本降低了百萬倍，比如電力，那麼你的習慣將會發生根本性的變化。 對計算的看法也由此發生了質變。這是 Nvidia 所做出的最偉大貢獻之一 —— 我們使得讓機器全面學習大量資料變得如此簡單，以至於研究人員幾乎不需要猶豫就可以進行。這就是機器學習之所以能夠迅速發展的原因。 2024 年，AI for Science 為什麼走得通了？ 沈向洋：Jensen，有一件事我真的想請教你，關於我們應該在港科大做些什麼。我們其實有很多選擇，其中有一個特別令人興奮的事情，我們稱之為 AI for Science。例如，我們一直在我們的大學投資大量的計算基礎設施 GPU，校長和我特別鼓勵我們的教師在物理和電腦科學、材料科學和電腦科學、生物學和電腦科學之間進行合作。你一直在談論生物學的未來。現在在香港發生的一件非常令人興奮的事情是，我們的政府決定建設第三所醫學院。事實上，港科大是第一個提交提案的大學。你對此有什麼建議？我們應該投資在什麼地方？ 黃仁勳： 首先，我在 2018 年的世界科學計算會議上介紹了人工智慧，當時飽受質疑。因為當時的人工智慧在某種程度上是一個黑箱。事實上，它今天不那麼像黑箱了，因為你可以向它提問，問它為什麼給出某個建議，讓它向你解釋它是如何一步一步得到答案的，就像教授啟發他的學生一樣。所以說今天的人工智慧變得更加透明，更加可解釋。而在 2018 年我們還做不到這一點。所以它遭到了很大的質疑，這是第一點。第二，人工智慧還沒有掌握從第一性原理中產生答案的能力。它透過學習觀察到的資料產生答案。因此，它並不是在模擬第一性原理求解器，而是模擬智慧，模擬物理。現在的問題是，模擬對科學有價值嗎？我想說，模擬對科學並非沒有價值。原因在於，在許多科學領域，我們理解第一性原理，比如薛定諤方程、麥克斯韋方程等，但我們無法模擬這些方程並理解龐大的系統。所以，與其從第一性原理出發去解決這些問題，並讓它在計算上受到限制，我們不如使用人工智慧。 我們可以訓練理解物理的人工智慧，並用它來模擬非常大的系統，以便我們能夠理解大系統和大尺度。那麼，這對哪些領域有用呢？首先，人類生物學有一個從奈米開始的尺度，從納秒到年，用第一性原理求解器去求解這樣的系統幾乎是不可能的。所以現在的問題是，我們能否使用人工智慧來模擬人類生物學，以便我們能夠更好地理解這些非常複雜的多尺度系統，甚至建立一個人類生物學的數字孿生。這是一個偉大的希望。 現在說到你們的醫院，港科大有一個非常重要的機會，那就是在這裡建立一所醫院，其最初的核心領域是技術、電腦科學和人工智慧。這與世界上幾乎所有醫院的運作方式完全相反。傳統醫院通常是以醫療為起點，然後嘗試將人工智慧和技術融入其中，而這種方式通常會遇到懷疑和對技術的不信任。 而你們現在有機會第一次從零開始打造一個完全不同的體系 —— 一個從一開始就擁抱技術並推動技術進步的醫院。在這裡的所有人，包括你們自己，都是推動基礎技術發展的專家。你們瞭解技術的侷限性，同時也瞭解它的潛力。我認為這是一個非凡的機會，我希望你們能好好利用它。 作為 CEO，應該持續學習、保持強大、考慮他人的利益 沈向洋：你是矽谷歷史上當 CEO 時間最長的人，到現在有 30 或 31 年了？你不累嗎？ 黃仁勳： 接近 32 年了。我超級累（super tired）。沈向洋：哈哈，你超級累，但仍在繼續前進。我們想知道，你是如何領導英偉達這樣龐大的企業的，並且還讓它以驚人的速度進步？ 黃仁勳： 我很驚訝今天（在頒授典禮上）看見了「計算生物學和商業」專業。我認為這很棒。我創立英偉達前沒有上過商業課程，到今天我也沒有上過商業課程。我也沒寫過商業計劃書，從來也不知道怎麼寫。我指望你們幫我寫商業計劃書。我想說的是，我認為你們應該儘可能多地學習。我一直在學習。對於我的工作，我想的是這不僅僅是一份工作，而是我一生的事業。不管是做什麼，工作與人生事業的不同想法會給你的頭腦帶來非常巨大的差異。如果你認為你的工作就是你要奉獻一生的事業，那你就會想要去完善它。英偉達就是我一生的事業。 一路上我學到了很多。這裡說一個。如果你想成為一家公司的 CEO，你有很多東西要學。你必須不斷地重塑自己。世界一直在變化，你的公司一直在變化，技術一直在變化。所以我基本上每一天都在學習，當我飛到這裡的時候，我在看 YouTube 或者我在和我的 AI 說話。順便說一下，我找了個 AI 當家教。我會問很多問題。比如，如果它告訴我一個答案，我會問你為什麼給我那個答案？一步一步告訴我答案。執行推理或類比等等。我透過折磨我的 AI 來學習。所以學習的方法有很多。 關於 CEO 和領導力方面，我學到了什麼？首先，你是 CEO，是領導者，但你不必知道一切。你必須對自己想要做的事情充滿信心，但你不必確定。信心和確定性不是同一個概念。你有可能完全自信地追求一個方向，同時又給不確定性留出空間，而這種不確定性的空間能給你提供你繼續學習的機會。不確定性是你的朋友，而不是敵人。 第二點，作為領導者要強大（strong），因為很多人指望你的力量，他們以你的力量為食。然而，強大並不意味著你不能脆弱。也就是說，如果你需要幫助，就尋求幫助。所以我不斷地尋求幫助。 最後，做事情的時候，不要想著自己，要想著其他人。只有當每一個決策都符合使命和他人的利益時，領導者才是值得信任的。要符合他人成功的利益。無論是公司內部的人、我的同事、我的合作伙伴、我們服務的生態系統、我們的供應鏈，我都在不斷思考其他人的成功。我一直在思考什麼對他們最有利。昨晚，我飛過來的時候，有人問我，我們應該和一個非常重要的夥伴討論什麼？我說，給出符合他們最大利益的建議 —— 從他們的最大利益出發，考慮我們該怎麼做。我認為這些想法可能會有所幫助。 沈向洋：你有 60 個直接下屬，非常多。你是怎麼做到的，這似乎是你的獨特領導風格。 黃仁勳 ：透明度。我會在大家面前推理我們需要做什麼。我們共同努力制定戰略。無論是什麼策略，每個人都會同時聽到。因此，當公司有了方向、戰略和決策時，每個人都在一起思考。而不是每個人都在等著我告訴他該怎麼做。所以我唯一要做的就是：確保我們都知曉同樣的事情。我通常是最後一個，會根據我們所做的一切來進行總結，比如哪些是大方向和優先事項。 一旦我們都對齊了，也就是我們都明白了採用什麼策略，我相信每個人都是成年人，會自行完成自己的事情。 我之前提到了我的行為 —— 不斷學習，自信但不確定。如果他們也不知道什麼事情，我需要他們表達出來。如果他們需要幫助，我需要他們向我們尋求幫助。沒有人會獨自失敗。 沈向洋：我們也有些學生會去創業，他們會成為新的企業家。作為這方面的大師，你很年輕時就創立了企業，並取得了如此驚人的成功。那麼對於想要創業的學生和教職人員，你有什麼建議嗎？我們知道你確認曾承諾你的妻子，在 30 歲之前創立一家公司。 黃仁勳： 我 16 歲上大學。我遇見我的妻子時 17 歲，她 19 歲。我是班上最小的孩子。我們有 250 名同學，只有 3 個女生。我是唯一一個看起來像孩子的學生。所以我必須要有一個很好的搭訕話。所以我走向她，我對她說，我知道我看起來像個孩子。（我確信她對我的第一印象是我很聰明，否則就沒戲了。）所以我走到她面前說：你想看看我的作業嗎？然後我向她保證，我說如果你每個星期天和我一起做作業，我保證你會得到全 A。結果，我每個星期天都能和她約會，而我讓她整天做作業。 然後為了確保她最終和我結婚，我告訴她，到我 30 歲的時候，那時候我只有 20 歲，但是到我 30 歲的時候，我會成為一名 CEO。我都不知道我在說什麼。 然後我們結婚了。所以，這就是我給企業家的所有建議。 沈向洋：好吧，我這裡有一個學生的提問，他說自己在學校各方面表現都不錯，但他需要專注學業。不過，他讀到了您和您妻子的愛情故事。他想問的是，如果他浪費時間去談戀愛，會不會影響學業？ 黃仁勳： 那是當然。只要你保持好成績，其他方面就水到渠成了。我老婆從來沒看到我寫作業的過程，但我就想展示出我很聰明的樣子。所以我總是在她到來之前就把作業寫完了。這樣當她來了之後，我已經知道了所有的答案。結果，她可能整個四年都在想，「黃仁勳真是個天才」。 沈向洋：剛才你給了學生們一些很好的建議。順便說一下，我這裡實際上有 9 頁的問題，抱歉不能挑選每個人的問題，我代表我們的學生提一個問題。 沈向洋：我沒有使用 GPT，否則能簡單些。所以，問題實際上是，作為一名大學助理教授，現在做人工智慧需要大量的力量。我們之前提到的那點很有意思，華盛頓大學一位教授幾年前在推特上寫道，在深度學習革命中麻省理工學院明顯缺席了。但他的意思並不僅僅是麻省理工學院，實際上，即使是美國的頂尖大學也沒有做出貢獻。過去十年裡有太多開創性的論文了，而是一些頂尖公司，包括英偉達、微軟、OpenAI、谷歌，完成了令人驚歎的工作，部分原因是他們實際上擁有足夠的計算能力。 所以，我的問題是，我們應該怎麼做？我們應該加入英偉達嗎？這倒是一個辦法。或者我們能和英偉達合作嗎？能請你幫忙嗎？ 黃仁勳： 這個問題的核心實際上是一個非常嚴重的結構性問題，即大學的結構性問題。如你所知，未來如果沒有機器學習，就不可能以我們所說的規模推動科學發展。沒有機器，就不可能有機器學習。科研工作需要科學儀器，而超級計算機就是當今人工智慧領域的科學儀器。大學的結構性問題在於，每個研究人員都有自己的資金來源。因此，一旦籌集到資金，他們就不想與其他人分享。然而，機器學習的工作方式是，你需要機器的一部分時間，但需要的是全部機器的一小部分時間，沒有人永遠需要它的全部，只是在一小段時間內需要巨大的資源。事實證明，大學要想推進研究，就必須把所有人的資金都集中起來，而這在史丹佛或哈佛這樣的大學是非常困難的，因為在這樣的大學裡，雖然電腦科學方面的研究人員可以籌集到大量資金，獲得非常大量的資助，但對於從事氣候科學或海洋標誌研究的人來說，就非常困難了。 因此，現在的問題是該怎麼辦。我認為，這正是那些能夠透過建設供全校使用的基礎設施來發揮領導作用的大學能夠真正發揮作用的地方。但這也是大學面臨的結構性挑戰。這也是為什麼這麼多研究人員來英偉達、谷歌和微軟這樣的公司實習、做研究的原因，正如你們所知，因為我們有基礎設施。然後這些人回到學校一段時間，要求我們將自己的研究成果儲存在我們的系統中，這樣他們回來後就可以繼續研究。很多教授會這樣做，客座教授也會兼職做研究，但同時仍在教書。我們就有好幾位這樣的教授。因此，有很多方法可以解決這個問題。當然，最好的辦法是大學重新考慮如何提供資金。 沈向洋：但我想問你一個具有挑戰性的問題，一方面，我們很高興算力在不斷大幅提升，價格也在不斷下降。但與此同時，英偉達的 GPU 將消耗大量能源。據預測，到 2030 年，全球能耗將增加 30%。你是否擔心因為 GPU，世界實際上正在消耗更多的能源？ 黃仁勳： 逆向思維的話，我要倒推的第一件事是，如果世界使用更多的能耗來為人工智慧工廠提供動力，那麼我們的世界就會變得更美好。現在，讓我進行幾個層面的推導。第一，人工智慧的目標不是訓練模型，而是使用模型。就像是，有些人上學的目的只是為了上學，這沒有錯。為了學習而學習。這是一件高尚的事情，也是一件非常明智的事情。但是，大多數學生來到這裡，投入了大量的金錢，投入了大量的時間，目標是日後學有所成，學以致用。因此，人工智慧的目標不是訓練。 人工智慧的目標是推理。推理的價值令人難以置信，它可以發現儲存二氧化碳的新方法，也許能發現新的風力渦輪機設計，也許能發現新的蓄電材料，也許能發現更有效的太陽能電池板材料，等等。因此，我們的目標是最終創造出人工智慧，而不是訓練人工智慧。 第二，人工智慧並不在乎在哪裡「上學」。我們不必把超級計算機放在靠近電網的校園裡。我們應該做的是，開始考慮把人工智慧超級計算機放在電網之外，稍微遠離電網，讓它使用可持續能源，而不是人口所在的地方。請記住，我們所有的發電廠都是為了我們需要的電器而建立的，這些電器離我們的房子很近，燈泡離我們的房子很近，洗碗機離我們的房子很近。現在，因為有了電，電動汽車也離我們家很近。但超級計算機不一定要在人們的家附近。它可以在其他地方執行。 最後，我希望人工智慧在發現新科學方面能夠如此高效和聰明，電網需要變得更加智慧。要知道，電網的供應是過度配置的，只有部分時間供電剛好合適，大部分時間供電過剩。因此，我們應該在許多不同的領域使用人工智慧來節約能源，減少資源浪費。希望最終我們可以將這種節省下來的能源用作替代能源，比如達到節約 20% 到 30% 的目標。 最終，我們都會看到，使用人工智慧、使用能源來實現智慧化，是我們所能想象到的對能源的最佳利用。 沈向洋：你知道，大灣區（括香港、深圳、廣州和東莞等地）近年來已經發展成為一個龐大的硬體生態系統。如果我們今天想要製造一些有趣的裝置，而沒有利用大灣區的生態系統，效率將大打折扣，因為你幾乎無法在其他地方找到所需的全部元件。一個很好的例子就是在大灣區成長起來的大疆（DJI），它是一家商業無人機公司，技術非常出色。 那麼，我的問題是，隨著智慧的物理化趨勢越來越重要，比如機器人領域的快速發展，我們將會看到更多的機器人應用。我假設其中一個特殊型別的機器人是自動駕駛汽車。您怎麼看待這些物理智慧實體？這些機器人或自動駕駛技術會在工作和生活中多快地普及？我們又該如何利用大灣區這個卓越的硬體生態系統？ 黃仁勳： 這是中國以及這個地區的一個非凡機遇。原因在於，大灣區已經在機電一體化方面非常出色，機械與電子技術的結合能力很強。然而，機器人領域真正缺少的是能夠理解物理世界的人工智慧。 目前的聊天機器人（如 ChatGPT）或大語言模型，擅長處理認知智慧和知識層面的任務，但它們並不瞭解物理智慧。比如，當我把一個杯子放到桌子上，它們無法理解杯子不會穿過桌子。因此，我們需要教會人工智慧理解物理智慧。 實際上，我們在這方面已經取得了一些進展。例如，你可以用生成式 AI 將文字轉化為影片。如果我輸入指令，讓 AI 生成一段影片，展示「黃仁勳拿起咖啡杯喝了一口」，AI 可以完成這個任務。如果 AI 能夠生成這樣的場景，那為什麼不能進一步生成操作指令，讓機械臂真正去拿起咖啡杯？從生成式 AI 到通用機器人的跨越已經非常接近了。所以，我對這個領域感到非常興奮。 我們現在有三種型別的機器人可以實現大規模生產，幾乎只有這三種。歷史上出現過的其他機器人種類，規模化生產非常困難。規模化量產非常重要，因為只有大規模生產才能形成技術飛輪，帶來高額的研發投入，從而帶來更大的技術突破，進一步擴大生產規模。這個研發飛輪對任何行業都是至關重要的。 實際上，只有三種型別的機器人可以實現真正的大規模生產，但其中兩種的產量會是最高的。原因在於，這三種機器人都可以直接部署到現有的世界中，我們稱之為棕色場部署（在現有的系統、設施或結構的基礎上進行升級或改造，而不是從頭開始或在全新的環境中進行）。 第一種是汽車。因為在過去的 250 年裡，我們創造了汽車的世界。第二個是無人機，因為天空是相當無限的。但是體量最大的當然是類人機器人，這是因為我們這個世界是為自己創造的。有了這三種型別的機器人，我們幾乎可以將機器人擴充套件到極大的體量。這是像大灣區這樣的製造業生態系統真正擁有的優勢之一。 大灣區是世界上唯一一個機電技術和人工智慧技術能夠同時蓬勃發展的地區。這樣的情況在其他地方並不存在。你可以看看其他兩個主要的機電技術產業中心 —— 日本和德國，但遺憾的是，它們在人工智慧領域落後了不少，確實需要努力追趕。而大灣區在這方面不存在這個問題。因此，這是一個非常獨特的機會，我會強烈建議大家抓住這個機會並充分利用它。 