這場討論匯聚了兩位大佬級人物——中國人工智慧領軍人物、創新工場董事長兼 CEO 李開復博士，以及著名量化投資人 D.E. Shaw 的徒弟、全球量化對衝基金巨頭 Two Sigma 聯合創始人 David Siegel，接受彭博商業週刊高階執行主編 Joel Weber 的連番發問。
李開復博士在人工智慧領域的地位自不用提，他於 2009 年創立領先的技術投資公司創新工場，專注於培養新一代中國高科技企業，管理著 20 億美元的雙幣投資基金。
近年來，創新工場投資了許多有助於推動全球經濟發展的科技公司，孕育出了 10 餘家獨角獸公司，其中有 5 只獨角獸位於人工智慧領域，包括位元大陸、曠視科技、MOMENTA、第四正規化、地平線等，李開復博士在人工智慧技術創造價值方面發揮了至關重要的作用。
David Siegel 在量化對衝領域地位超然，他在年輕時就被電腦科學吸引，對程式設計產生了濃厚的興趣，從而激發了對構建智慧計算系統的終生熱情。從普林斯頓大學畢業後獲得了麻省理工學院的電腦科學博士學位，並在人工智慧實驗室進行了研究。
2001年，他聯合創立了 Two Sigma Investments，相信創新技術和資料科學有助於發現世界資料的價值。今天，通過使用演算法和獨特的文化，Two Sigma 推動了許多行業的轉型，包括投資管理和保險，如今已經成為全球量化基金霸主。
在這場長達 1 小時的論壇中，他們二位從人工智慧的發展情況聊到各領域應用前景、從眼下隱憂談到未來版圖，觀點犀利，乾貨十足。
在這裡，我們為大家梳理了整場論壇的精華要點，一起領略兩位業內頂級大佬的精彩「跨界」思想碰撞吧。
01 AI初體驗
Joel Weber：請問你們對人工智慧最初的印象是什麼呢？
李開復：我小時候是《星際迷航》的粉絲，那種無論身處哪裡可以與「上帝」對話的機制讓我聯想到了語音識別。我在哥倫比亞大學讀本科的時候，發現有幾位研究計算機視覺和語音識別方向的教授，所以我選擇了人工智慧這個領域。
David Siegel：我小的時候看《2001太空漫遊》，那會我可能還不到十歲，就對 HAL 9000 (超級計算機)非常感興趣，當時我就認為這將成為未來的一種可能性。
我認定人工智慧肯定會在我還活著的時代出現，我當時還很天真，就為了這部電影對計算機產生了很大的熱情，所以我把全部功勞都歸功於亞瑟·克拉克（英國科幻小說家，《2001太空漫遊》的作者）。
02 人工智慧命名之「謬」
Joel Weber：你們認為，人工智慧將在什麼時候真正成為我們的一種時代潮流？
李開復：其實我很擔心用時代潮流這個詞形容人工智慧並不準確。有一次，我與 David 跟一些非常聰明的人共進晚餐，其中包括幾位記者，於是我讓他們用自己的語言描述人工智慧，不過答案都是很符合現今技術下人工智慧的真實狀態。
我覺得問題出在「人工智慧（Artificial Intelligence）」這個稱謂上。顧名思義，人工智慧應該像人類一樣，但現在先進技術下的人工智慧和人類智慧還不能相提並論，它能比人更好地完成某些任務，但人類在一些其他事情上也做的比人工智慧更好。
David Siegel：我同意開復的觀點，確實有點「用詞不當」。人工智慧做的事情都是真實發生的，所以不能稱其為人工、人造的（Artificial），它的智慧程度（Intelligence）也不能等同於我們對人類智慧的理解，有點名不副實。
Joel Weber：2016 年 AlphaGo 給予了人們對人工智慧更多的想象能力，我也知道圍棋在中國非常流行，二位肯定在持續關注 AlphaGo。那麼這場比賽是如何改變我們對人工智慧的印象的呢？
李開復：我在博士期間對電子遊戲其實有過研究，當時我做的程式打敗了世界冠軍，我同學研發的軟體打敗了國際象棋冠軍加里·卡斯帕羅夫，之後人們就對人工智慧的未來有了期許。
我們大多數人都認為，圍棋軟體或是機器的研發會很困難，可能需要 25-30 年的時間，因為圍棋的探索空間比國際象棋其實要大得多。而 AlphaGo 出現的如此迅速也讓我大吃一驚。
人們也都漸漸發現，如果能開發到圍棋的層面，人工智慧就也可以解決許多其他問題。而對於中國人來說這份吃驚是雙重的，因為中國人以研究出如此繁複的棋類為傲，認為人類的思考和禪性是圍棋中獲勝的先決條件，而現在這個冷冰冰的計算機卻成為了中國最優秀的棋手。
對中國來說，這也是一個覺醒的時刻，政府、企業家、投資機構受到啟發，紛紛投身於人工智慧這一領域。
David Siegel：我們思考一下，為什麼人工智慧非常擅長解決遊戲類的問題，包括圍棋還是其他專案，其實這也是非常有趣的。
顯然，DeepMind 在這個過程中扮演非常重要的角色。圍棋中最為重要的突破口就是評估如何去下每一步棋。如今我們需要了解的一點就是，人工智慧要想知道怎樣下下一步棋最合適，需要用人類的智慧對機器進行程式設計，而這一步是導向演算法走向成功的關鍵。
而在大多數情況下，這才是最難的一個步驟，人類對機器的程式設計是人工智慧思維的前提，而它本身其實是機械化的。相信很多人聽到 AlphaGo 都以為它能夠自己想出下棋的最佳步驟，的確也可以這麼認為，也確實有很多人都這麼認為，但這種想法其實是有些誤解的。
李開復：其實有一個很好的方法可以評估人工智慧能做什麼和不能做什麼，那就是這個過程是不是一個優化問題，是不是為了客觀的功能在尋找更優解。
如今，深度學習佔據了大部分的資料內容，結果也都是可預見的，那麼人工智慧就可以對其進行分類、優化，所以可能在某個領域，人工智慧能打敗人類，而在其他問題上面，人類的做法遠遠優於人工智慧。
David Siegel：現在自動駕駛技術正在被人們廣泛探討，我覺得一個必提的問題是，在自動駕駛過程中，使用到開復剛剛提及的優化程式來解決方案佔比多少，人類創新解決方案又佔比多少。
有趣的是，並沒有人能夠準確地回答這個問題。我們每個人都是憑著直覺開車，沒人會思考開車是不是很困難，是不是我們的大腦一直在做駕駛決定。
最近讓大家很困惑的一件事，前幾天新聞裡也有提及，福特公司最近聲稱，自動駕駛技術比預期中要困難許多。我對他們的這種見解其實毫不吃驚，因為從很大程度上來講，沒人能形容開車到底有多難，所以如果有人說一兩年就能實現自動駕駛，這都是完全基於猜測，很可能是不會實現的。
04 別忘乎所以，「拆解」AI應用
Joel Weber:如何定義人工智慧的範疇？
李開復：我在新書《AI未來》裡談及了人工智慧有四波浪潮。
第一波浪潮最為明顯，是網際網路智慧化，Facebook、谷歌、亞馬遜等網際網路公司就是這一時期快速發展的典型例子；第二波浪潮就是商業智慧化，包括商業投資應用，銀行、保險、信用欺詐等等；第三波浪潮是實體世界智慧化，就是人工智慧看和聽的能力，而且現在人工智慧已經比人類的表現更好了；第四波浪潮就是全自動智慧化，也是最難的一個層面，因為需要融合許多感覺輸入、嵌入操控能力，需要機敏性等等，這個層面本來就很難，也解釋了為什麼自動駕駛技術如此困難。
我同意 David 的看法，通用人工智慧取代替換人類是非常困難的，我們無法預期何時能夠達成，也許需要二三十年，但是也有一些短期的應用可以把整個問題細分化，人工智慧就可以處理了。
如果說要把問題細分化，在高速公路上從一個服務區開到另一個服務區，那麼自動駕駛肯定是可以實現的，還可以開得比人更好。這就是一種可行的商業應用。還有一種就是自動泊車，我相信你們肯定也有很多人已經在使用這一功能。
作為投資人，我們不會採用大水漫灌的方式，而是把問題細分化到有商業價值的層面，然後先解決這個層面。
David Siegel：我同意，許多商業領導者錯過了資本分配的最佳時期，因為他們想解決的問題過於困難。就像開復所說，有不計其數的應用採用人工智慧非常擅長的優化程式、模式匹配，並且商業價值都很有潛力，比如在醫療、教育、金融資料分析等方面，而且人工智慧分析金融資料的表現可能比任何金融分析員都更佳，所以許許多多的小目標都是可以實現的。
但是有時候人們也會有點忘乎所以，不是有時，而是經常，所以人們總在試著解決自己能力範圍之外的事情。
05 AI+醫療—資料不是非黑即白
Joel Weber：二位怎樣看待 AI 在醫療方面的挑戰呢？
李開復：醫療領域面臨的挑戰確實很大。理論上來講，這個領域不會非常繁複困難，也對人類有著積極的貢獻。但另一方面，HIPPA（Health Insurance Portability and Accountability Act）法案和其他法律規定讓收集資料的過程變得有些困難，包括匿名的資料也很難收集。
假設我們有了一組來自患者 A 的匿名資料，其中包括每個醫生的診斷、治療方案和治療成果以及患者的後續完整記錄。那麼整合億萬量級這樣的醫療資料將非常了不起，我完全可以想象到人工智慧對皮膚癌、幾種肺癌患者 CT 和 MRI 的解讀分析，會比醫生和放射醫師更加準確，這是很大的進步。人工智慧在藥物探索方面有著更快的速度，因為它可以更快地預測到各種可能性，從而提升醫生在臨床試驗中的成功概率。
我相信，隨著我們儲存以及整合各種診斷治療的資料，每種疾病的診斷都能達到比全科醫生更精準的程度。但現實問題是，是否有國家能夠實現保護患者隱私的同時還能夠整合資料，以便人工智慧進行工作。
David Siegel：關於這點，我有一個想法。在美國的每一個州，考駕照或者更新駕照的時候，都有一個死後器官捐獻的選項可以勾選。所以，也可以有這樣一個選項，就是死後醫療的資料會用作研究，也許這些資料在我們還健在的時候需要受到保護，但不幸的是我們每一個人都會死，沒有人可以永生，所以我們死後這些資料是沒有必要丟棄的。為了大眾的福祉，人工智慧領域的進步需要基於長期、全面的資料思維。
我個人就不太贊同歐洲的做法，我理解通用資料保護條例是一項進步，那些隱私憂慮也很有道理，我堅信隱私是需要被保護的。但另一方面，我認為保護條例需要更加細緻入微，以防止人工智慧演算法在資料中找到的所有資訊都無法訪問。
李開復：人們正在把隱私看成是一個非黑即白的問題，其實這種想法很危險。如果任何人問我們是否需要保護自己的隱私，答案都是肯定的。但其實隱私和方便、安全、社會福祉之間存在交換作用，像 David 給出的例子就是用自己的醫療資料隱私來換取社會福祉，幫助治癒癌症。
我本人就是癌症的倖存者，我願意在我在世期間就捐獻出我的資料。但如今的醫院需要遵守 HIPPA 法案，所以目前沒有一個能讓我達成這一願望的平臺。
關於隱私和便利這點，可能有人會認為，我希望 Facebook 獲取我的資料越少越好，但我們必須明白一點，人工智慧的運作原理其實就是融合大量的資料。問題的重點其實在於合理負責地使用資料，用科技保障我們的資料安全，如果說我們不提供任何資料，那麼所有給我們提供便利的網站、應用程式都將不復存在。
我們現在需要研究的是，應該給出多少資料，何時給出這些資料，如何避免資料的危險使用，而不是說應該收回自己的所有資料，那樣的後果是災難性的。
David Siegel：如果說現在會場裡的每個人都能把自己的醫療資料公開用作研究，我們的平均壽命一定會提高。
Joel Weber：人工智慧在教育領域現在表現如何？
David Siegel：從個性化學習角度來看，教育領域有許多潛在的進步可能。
調查研究顯示，大多數國家從幼兒園到高中的教育都是非常線性的，一切以年級為基準。但這種教育方式既不能讓學習好的學生以自己的正常速度學習，也不能讓學習差的學生趕超上來。
而在個性化學習的環境中，計算機技術可以判定學生和知識之間的匹配度，然後通過計算機工具或直接把這個資訊告訴學生的教師的方法，找到最適合這名學生的個性化教育方案。如果能記錄下這種教育資料或標準化考試資料，我們就能通過機器學習方法找到更好、更高效的教育方式。
現在我們只能依靠教師的個人判斷，雖然大多數情況下教師的判斷是沒錯的，但是一般一個教師要負責 20-30 個學生，如果沒有上述這種技術幫助他們管控學生，這種工作是很困難的。
李開復：創新工場在教育和人工智慧領域都開展了投資，這二者也有一個匯合點。大概兩個月前，我參加了美國 CBS 新聞臺「60 Minutes」欄目，其中有一部分提到了我們在教育領域投資的公司，以及他們的產品是如何投入運營的。
我完全同意 David 的看法，在一個理想的未來世界，教室應該是「破而後立」的。想想我們周邊的環境，我們的工作、交通、吃飯的方式，都和 100 年前大有不同，但是我們的教學環境卻沒有改變。教學模式的確需要改變，但讓任何國家改變現有教育生態和課程其實都是非常困難的。我們也深知，改變教育並非易事，就把投資方向放到了尋找可以為教育“賦能”的機會上去。
我們現在投資的一個專案就是 VIPKID，他們的線上平臺能夠在美國教師和中國學生之間架起一道英語教學的橋樑，每年有 60 萬中國學生能借此講流利的英語，這就是一個很好的例子。
人工智慧可以利用動畫和娛樂提升孩子們的學習體驗，我們也很樂於看到人工智慧在這裡的潛力。而且，中國有很多農村教師缺乏經驗，我們可以通過直播的方式，讓一位專家教師教授 1000 個農村學生，從而提升教學質量。另外，人工智慧還可以實現智慧考勤，還可以有遙控系統介面，這是一種全新的教育教學模式，專家教師在視訊中授課，人工智慧做一些輔助工作，本地的教師也可以起到輔助作用。
在這裡，人工智慧有多種型別和用途，有的可以糾正英語發音，有的可以解決學生的數學問題、適應他們的需要，有的可以留作業、判作業、判考卷。這樣一來，教師有更多的時間成為學生的導師、夥伴，而不是一味做重複性的工作。人工智慧其實很擅長做重複性的工作，此時教師就可以成為人工智慧與人之間的接點。
David Siegel：人工智慧能夠基於歷史規律和資料做出新的預測，而這些規律對人類來說可能很難發現。在教育應用領域，如果你有大量的資料，比如PSAT（國家優秀獎學金資格測試）分數、提高分數的方法、分數提高了多少，那麼機器學習系統就能判定出哪一種方法是最優解，並且把這個最優解給到一個新學生，從而最大化地提高分數。
目前有些學院已經這樣做了，這種方法也被證明確實有效果，對比沒有用過這個應用的學生，成績能夠提高大概 30%。這已經不存在於假設中了，而是切實在影響著人們生活的事例。
07 AI投資經
Joel Weber：關於人工智慧，你們投資的領域和不投資的領域有哪些呢？
李開復：其實人工智慧已經走過了很多階段。起初，很少有人理解深度學習、人工智慧，當時有一些博士做這種當時來看起來業務繁複高深的公司，我們很願意投資，實際上我們也沒什麼其他選擇，同時我們也試圖幫助他們發展企業，因為他們有著先人一步的優點。現在這些公司很好的帶動了各種人工智慧的產業，銀行人工智慧，客服人工智慧，人工智慧晶片，B2B業務平臺等等。
近兩年來人工智慧其實有一個很大的變化，很多中國、美國學生都想學習人工智慧工程，所以這個領域的門檻逐漸下降，谷歌、Facebook開發的一些工具越來越方便人們使用，也有了越來越多的人工智慧工程師。雖然人工智慧並沒有從高深的學科變成普羅大眾的消費品，但它也躋身在主流學科之中，我們現在關注的是如何為這個領域繼續賦能，而不是培養許多博士生之類。
現在我們希望人工智慧能夠融入傳統企業，創造更多的價值。用人工智慧來評估商業計劃書是再正常不過的事，它不是什麼高新科技了。儘管如此，每年可能還是有一些公司產生非常棒的想法，我們會予以投資，也願意在這些有風險的機會上搏一搏。相信大家有目共睹的一點是，現在有大量的資料、工程師驅動著人工智慧的發展，把它融入傳統商業其實是最好的盈利方式。
David Siegel：我非常同意。我也認為人工智慧是一種可以用在企業裡的潛在工具。在投資商眼中，很少有投資抱著完全明確的目的，偶爾你可能就想給人工智慧方面的技術提供商進行投資，幫他們做好基礎建設，比如圖形處理器、軟體之類的。企業要想成功，有很多種工具，人工智慧實際上就是其中之一。
我個人是從另一個角度來看的，看企業是否能從更科學的角度下進行管理，那麼人工智慧的引入其實就是把商業過程看作科學過程，都是可以由資料和實驗指導完成的。很多人認為運營企業靠的是直覺，每個人自己心裡都有著儀表盤。其實商業決策需要精準的直覺，如果你能把商業活動轉變為一種科學方式，充分利用資料，肯定是一件好事。
Joel Weber：人工智慧從理論到現實花了很多年，我們現在又看到了它和企業正在結合，那之後的發展又會怎麼樣呢？
David Siegel：當一個新的技術出現後，起初的發展通常是非常緩慢的，但如果想法足夠好，一段時間之後一切就位，就會進入快速發展時期，這個時期人們極度興奮，覺得這種發展速度會一直持續，然後就會碰到瓶頸和限制，發展速度又急劇下降。
現在人工智慧還處於快速發展階段，也很難說這個階段會在何時過去，但可以肯定的是這個階段確實會過去。我認為，這個趨勢可能達不到人們的預期，開復，你同意嗎？
李開復：我覺得現在有許多誇張的宣傳，帶動了人們的預期。我認為現在是無法達到人們的預期的程度，但是確實有一些容易實現的小目標。我們現在的重點放在相對枯燥的商業應用而不是一些科幻應用，只有科幻功用越發達，自主性才越好實現。我同意 David 的觀點，確實需要時間，也需要技術的突破。
David Siege：從學術的角度來說，我個人也在一些高等院校參與學術方面的工作。我所認識這個領域的學者也沒有人認為通過現在的方法，人工智慧會發展到和人類智慧很像的程度，它是無法習得我們人類這種非常獨特的能力的。
我也不認識有著這種想法，或是認為這是未來可能的突破口的人。但這不意味著今後的 10 年、20 年時間內都沒有人發現機器學習以外的突破口，從而把我們的技術提升到新的高度，而這也可能會發生在 50 年後，甚至 400 年後。
值得一提的是，人腦是我們瞭解最少的身體器官，沒有證實的理論說明我們是怎麼思考的，我們是怎樣有創新能力和智慧的。在我看來，這是最為重要的科學未解之謎之一，我們對人腦的瞭解甚至不如我們對宇宙誕生的瞭解多。
李開復：這也是一個通常會被人們誤會的領域。你們可能聽過關於奇點的言論，技術的進步會生產出和人類同等的人工智慧，甚至還可以和我們的大腦相連。這些其實都非常非常遙遠，一些未來主義者不負責任的預測其實也很危險。
所以，我們眼中的人工智慧應該是一種能夠做一些日常工作、幫助我們提高效率的工具，而不是未來人類的替代品。
David Siege：我們應該用一種平凡的眼光來看待。要知道，電子表格是一種非常高效的計算工具，並不是人工智慧，但它剛出現的時候很多人都認為它將會終結大多會計相關的職業，但實際上它卻製造了會計行業更多的就業機會。這是為什麼呢？
因為電子表格的出現讓人們發現它可以對商業活動做出精細的分析，這樣一來就不需要用人動腦增加資料，因為電腦已經很擅長這項工作了，人們就有時間來進行創新思考，思考這些數字對分析的含義、影響。這時，人類的創造力就有了需要。其實我也是在鼓勵大家，希望人們可以把人工智慧就看成像電子表格一樣的工具，可以激發我們的創造力。
09 AI會攪亂一池春水？
Joel Weber：現今人工智慧技術對整個勞動市場產生很大影響，甚至可能會引起社會混亂，你們怎麼看到這個問題呢？
李開復：像 David 說的，人工智慧可以作為工具讓我們更高效、更創新，對於本身就從事創新性、策略性、複雜性工作來說，人工智慧就只是一個像電子表格一樣的工具。
醫生也可以利用人工智慧得到一些診療建議，而醫生本身可以提供人與人之間的溝通連線，對人工智慧提出的方案進行監管、批准。這樣來看這個問題也是有雙面性的，確實有一些工作會受到干擾，比如一些例行工作、後勤工作等。
人們也在爭論有多少行業會受到影響，也有觀點認為人工智慧會帶來許多新的工作，我認為這兩種預測都不無道理，但是很難說出一個確切的數字。
但有一件事可以肯定，就是一些例行工作的從業者可能會被替代，因為人工智慧可以學習例行工作，尤其是一些白領層，可能沒有技能去從事新創造出來的就業機會，因為這些機會不是例行的、規律的，如果是的話人工智慧本身就會做了。所以不管我們對AI職業替代樂觀還是悲觀，很大一個問題就是如何重新培訓失業群體，讓他們在人工智慧的新世界中有工作。
David Siege：我想把這個問題和我們這個時代最具挑戰性的經濟問題結合在一起——工資停滯。我們在創造就業機會這方面是沒有問題的，問題出在收入的支配上，這一點是毋庸置疑。
收入不平衡是一個非常複雜的問題，我也不是想要把它簡化，但我覺得這種情形出現的主要原因經常被忽視，也是開復剛剛提到的，包括人工智慧在內的先進科技已經完全顛覆了市場所需的技能。
知道如何在網際網路、人工智慧等方面獲益的人已經賺了很多錢，而沒有這些技能的人就失去了討價還價的能力，他們雖然還能找到工作，卻找不到好一點的工作，他們的技能不那麼珍貴，所以僱主也不會給他們太多薪水，這可能和工業革命時候出現的情況有些類似。當社會所需要的技能出現大幅變化時，我們不能指望重新培訓，而是要想從幼兒園到高中的教育應該做出何種改變，把學生們教育成將來社會中的精英分子。
在我看來，把重點放在提升教育上會更簡單，也會更高效。重新培訓也不是不重要，但把下一代培養地更好是我們需要保證的。
李開復：我們要做的事有很多。比如，現在的職業學校培養的各種人才比例失衡。現在我們可以應用人工智慧技術，因此不需要大量培養從事辦公室後勤的人才。
我認為，需要同情心、和人打交道的工作不會很快被人工智慧取代。醫護是一個增長很快的行業，但從事這一行業並不是很有吸引力，因為其薪水低、從業人員地位也不高。所以社會需要做出改變，一方面要給與那些有天賦的人相應的教育，幫助他們從事創造性的工作並有機會取得成功，另一方面對於那些能夠接受常規程式性工作的人來說，讓他們從事與人打交道、需要同情心的工作。因為這些工作崗位不會被取代，而那些常規的案頭工作或是生產線工作則會消失。
所以我們應該在高等教育（就像剛剛 David 說的那樣）和職業教育層面都應當採取相應的行動。即便失業率能夠保持在較低的水平，我們也應當採取上述行動。我們還是需要解決這些問題。
David Siege：好的一面是，有很多事情是需要人類去做的，人工智慧和機器人在我們有生之年甚至更久遠的時間裡都不太可能取代我們幹這些事情。大部分基礎設施建設有關的工作，比如道路、橋樑、房屋重建等，都需要人類去做。
我們人類擁有機器無法匹敵的大腦。儘管波士頓動力公司在機器人研發方面很先進，如果你們看過他們的視訊，就會發現這些機器人真的挺酷。而且機器人技術也已經取得了長足的發展。但是我們依然十分靈巧，機器人很難從事基礎設施重建的工作。
實際上，比較樂觀的情況是，如果我們改變經濟執行的方式，通過提高一個行業的經濟效率，會使其他行業受益。比如，50 或 100 年前的農業和今天的農業相比，勞動生產率提高了百倍。當時農民數量很多，如今已經大幅減少了。這是壞事還是好事呢？
是好事，因為這釋放了經濟的其他要素。所以，如果我們通過使用人工智慧系統減少某種崗位的需求，比如辦公室後勤崗位、或客服代表崗位，當然了這種人工智慧系統得比今天的更先進，那麼這些崗位的從業人員很快會被安排到人工智慧無法勝任的崗位，就像開復所說的醫療行業。
還有教育領域，人工智慧也是有缺陷的。我閱讀的每一項研究成果都表明，即便技術更先進，教師與學生的互動也是必不可少的。還有任何與建築相關的崗位和任務，都需要靈巧的手工技能。更不用說人類能夠產生各種新點子，我們的經濟具有創新的活力，無論美國、中國還是其他國家都是如此。把今天和二三十年前相比，就會發現當時沒有人能預測到今天出現的這些創造性的商業理念。
人們經常犯這樣一個錯誤，他們常常來找我，對我說：「David，你很樂觀，那告訴我你認為未來會成為風口的 50 個新商業理念。」但是，創業創新不是這樣產生的。這不是從我一個人的腦中蹦出來的，而是來源於全世界數億人的思考。
李開復：是的，就像我們如果回到網際網路早期，預測網際網路將產生什麼樣的新崗位，我想當時沒有人能夠預測到 Uber 司機這一職業。現在全世界 Uber、滴滴和其他平臺上的司機有一千萬。沒有網際網路的話，這些就業崗位就不會產生。但這一過程花了 20 年。我認為人工智慧在未來 20 年內也會產生很多有意思的工作崗位。
我認為，人工智慧在未來 20-30 年取代常規的程式性工作，這對於人類是一件好事，因為這將把我們從程式性工作中解放出來，去找到更有成就感的事情。可能有人會說這些工作並不理想，但我想問，你為老人提供幫助，看到他們臉上的微笑，每天結束後給他們一個擁抱，這難道不比在生產線上工作、每天進行同樣的操作更有成就感？
10 解讀AI大國的發展
Joel Weber：人工智慧領域大約有九家很有優勢的科技企業，美國和中國都是AI大國，這對其他國家意味著什麼？
李開復：我認為巨頭公司會保持強勁的優勢，打敗谷歌、亞馬遜、阿里巴巴或騰訊這樣的公司將是很困難的事。因為隨著它們收集的資料越來越多，能夠更好地瞭解使用者，通過使用人工智慧，這些公司能夠了解盈虧底線，從而成為最大的受益者。
但我認為，未來網際網路不會是唯一的平臺。在金融保險領域、醫療和教育領域都會有應用。人工智慧最終能夠帶來的機遇、機會空間會遠遠大於網際網路的可利用空間。所以對於融入或打破傳統業務模式的 B2B 企業來說，它們不會因為網際網路巨頭獲取了更多的消費者資料就被打敗。
David Siege：我想補充的是，美國和中國擁有所謂的人工智慧優勢，這是事實，某種程度上和兩國較為強大的創業文化氛圍有關。與歐洲相比，矽谷長期以來擁有技術優勢。這和人工智慧無關，而是因為大的創業生態有利於新技術的快速發展，以色列等其他國家也構建了這樣的生態環境。我認為，兩國的優勢主要還是源於我們所擁有的創新型經濟。
Joel Weber：你們認為接下來幾年人工智慧將取得什麼樣的進步？下一代人工智慧會是什麼樣的？
David Siege：我認為深度學習仍然處在早期階段。人們用這一技術發明的應用程式令人印象頗深，且種類多樣，但我認為我們現在收穫的只是深度學習的早期成果。尤其是未來會產生更好的工具，讓普通工程師能夠用很複雜的方式使用這一技術。因此，技術基礎設施的實際改進將很快成為一場技術性很強的討論。
你現在看到的應用，比如谷歌的技術就令人印象十分深刻。這些技術需要成千上萬的谷歌博士和其他高技術人才來開發，這一過程實現了民主化。我不久前剛在底特律參加了一個很不錯的活動——機器人大賽，3 萬多名兒童參加了這場大賽。這些孩子用機器學習來控制他們的機器人。有些孩子還在上初中，不少已經上了高中，他們用以控制機器人的東西，正是基於谷歌的工作成果。當他們走上工作崗位後，就會認為機器學習和用電子表格一樣平常。
李開復：嗯，我同意 David 的意見。的確，在很多科技領域，人們正在不斷地推動前沿技術發展，從弱人工智慧一步步邁向強人工智慧。這是很令人激動的。但人工智慧技術的平臺化是最重要的事情，會產生最大的影響。
雖然人工智慧不再是高深技術，但全世界能使用這一技術的可能只有一百萬人左右，遠遠少於可以使用電子表格的人，也少於能在 iOS 或安卓系統上程式設計的人。什麼時候工程師、甚至是普通人都能夠使用人工智慧了，就是人工智慧擴散真正實現的時候。到那時，任何公司都會開始將人工智慧作為工具，將產生最大的價值。可以預見，這將在三四年後實現。
Joel Weber：說一說你們所做的最佳 AI 投資吧
David Siege：嗯，我得說那是我的公司（Two Sigma）。
李開復：我們所做的最大的投資是創新奇智，這是一家快速發展的 B2B 人工智慧公司，將人工智慧融入零售生產。
我認為人工智慧公司的一大挑戰就在於其高估值，它們接近 IPO 的時候，必須通過合理的財務指標來證明其高估值的合理性。我們為創新奇智打造了一個強大的商業團隊，他們創造了巨大的營收，我認為這使創新奇智這家公司擁有十分廣闊的前景。