南方科技大學教授馬兆遠：國內公司要今年趕超OpenAI？至少得4-5年

劃重點：

1馬兆遠認為，對于“AI威脅論”中的一些話題，如“人類將成為AI的奴隸”、“AI替代人類”等對目前來說還是較為荒謬的話題，其背后系資本炒作或經濟利益驅動。 2人工智能革命不會導致人口勞動力的下降和大量失業問題。縱觀人類歷史的發展，不論是農業革命還是工業革命，改變的是人類的生產方式和所從事的工作。 3馬兆遠認為，國內的很多大公司缺乏構建生態系統的心態，急于快速賺錢，從技術上看，趕超OpenAI至少需要4-5年。企業應該根據當前的能力，思考如何進行相互之間做好生態共建。 4對于未來AI的發展趨勢，可能是人機交互，以及AI和機器之間的互動。隨著AI的高速發展，需要一個界面或工具來連接兩者，人機交互會是一個非常重要的技術領域。

騰訊科技《AI未來指北》系列策劃，圍繞AI技術發展、商業模式、應用場景、治理幾大板塊，關注AI未來發展趨勢，邀約行業專家、投資人、創業者，持續輸出深度內容。本期為第25期，由南方科技大學教授員馬兆遠解讀AIGC的技術進展和行業治理。

文 / 騰訊科技 李海丹

(資料圖)

【編者按】在最近的幾個月，AIGC受到資本的熱捧，ChatGPT火爆出圈，國內各大科技巨頭和創業公司紛紛入場。人工智能正在悄無聲息的對各行各業帶來影響，這不再只是一次簡單的技術演變，而將成為一場革命。

雖然這場AI應用爆發來的看似突然，但在背后其實已然經歷過科學家們無數次的失敗和經驗積累。猶如我們本期對話嘉賓馬兆遠（南方科技大學教授、英國物理學會會士、英國皇家特許工程師，曾任職清華大學未來實驗室首席研究員）在創作的《人工智能之不能》一書中提到的：“每一寸的進步都需要日拱一卒的努力和各種不確定的疊加。”

其實，在科技歷史的長河中，這場技術革命只是帶領人類走向通往“生成式AI時代”的第一步。迄今為止，我們仍需要關注很多存在的問題和矛盾。比如：在以OpenAI為引領者的這波技術浪潮下，國內是否可以實現迅速趕超？這場技術革命對社會和產業結構會帶來怎樣的變化？未來機器是否會取代人類？在這樣科技飛速迭代的時代下，中國的人才教育應該如何培養？

本期《AI未來指北》，騰訊科技專訪了馬兆遠，他針對這些問題分享了不同的思考和觀點，我們將這篇萬字實錄整理成文，和各位網友一起探索、學習和思考, 這場變革下人工智能對于人類的意義。

以下為內容精選實錄：

01 不必擔心人是否會成為“機器奴隸”，熱點話題背后系資本炒作

隨著近期人工智能大語言模型等產品應用的火爆，很多人都在擔心隨著人工智能的發展，會給人類帶來一些風險和安全性問題，同人類的生存及社會產生矛盾。

對于人們所擔心的問題，我想到了一個詞，叫“機器奴隸”。

我們擔心在未來的某一天會淪為“機器奴隸”，像電影《機械戰警》中的一些情節一樣：有一天，人類會受到機器的統治，不得不轉移到地下生活。在這場斗爭中，人類一直保持反抗精神，重新在努力奪回對未來和地球的控制權。最終，AI不得不派遣一臺機器人穿越時空到1984年，試圖在抵抗軍領袖誕生之前將其消滅，一場場機器人與人類之間的戰爭在未來爆發......諸如此類這樣的故事，可能很多人都會有這樣類似的想象。

對于這樣的觀點和擔憂，我認為完全沒有必要。首先，從現有的技術水平看，機器人或智能實體不太可能真正實現“統治地球”，甚至成為人類的主宰。即便萬一它們真的在未來的某個時間點，成為了人類的主人，也是在很長的時間后才能實現，我們也沒有必要現在就去宣傳這件事情，造成大家的擔憂。

另外，盡管目前也有不少行業的大佬在討論相關的話題。但我認為可能在某種程度上，是因為經濟利益驅動了這個現象，以及背后資本市場的推動。因為資本必須要先炒作一個主題，才能從中獲利。比如以前17世紀荷蘭的歷史事件——“郁金香泡沫”，將一個本來沒有太大價值的虛擬概念炒作得很高，然后有人從中收割韭菜。但實際上，這個主題可能并不像我們想象的那么可怕。

過去十幾年，我們看到中國的資本市場推出炒作過很多主題，比如從石墨烯材料，再到虛擬現實、比特幣、元宇宙等等，今年又到了人工智能，每年我們都會炒作一個新名詞。在這個過程中，作為資本大鱷可能會從中獲利，資本越來越龐大。但對于普通小白來說，我們只是跟著這些名詞走，如果不了解其中的運作邏輯和真實情況，可能口袋的錢也會被炒得差不多沒有了。

最近ChatGPT爆火，它是一個重要的科技進步，從本質來看，改變了我們人類與計算機互動的方式。如果要說到革命性，從行業的發布格局來看，GPT改變了OpenAI、微軟以及Google的命運，現在Google對于GPT的崛起非常緊張。GPT的出現，使人在使用搜索的精準度和搜索效率上大幅度提高。以前，當我們在使用Google進行搜索時，Google主頁會展示與之相關所有可能的網頁，可能有幾百頁，甚至幾萬條結果。但現在的模式可能更加精確地理解用戶的問題，并給出一個最可能的答案，大大提高了信息檢索能力。接下來，它可能會改變我們的工作模式，特別是在文件處理和數據收集方面，可以大大提高了我們的工作效率。

但談到是否會發展到通用人工智能，從目前來看還是太遙遠了。就像在我書中（指《人工智能之不能》）提到的：通用人工智能與人之間存在著一個核心、關鍵的鴻溝，現有的AI技術無法跨越這個鴻溝。至于原因，在下文會提到（06部分）。

02 國內市場缺乏構建生態系統的心態，趕超OpenAI至少需要4-5年

我們目前看到了很多大語言模型產品的上線和推出，比如目前火爆的ChatGPT做得很好，中國的許多大公司也在仿效，推出了很多類似產品。

例如，某家公司推出了一個產品，幾天后另一家公司也推出了類似的產品，價格更便宜，并適用于中文環境，都在用類似的內容炒作。我認為國內的很多大公司缺乏構建生態系統的心態，都急于追求快速賺錢，一旦有一個新的名詞出現，就迅速跟進。

這樣的跟風現象，對于國家經濟或地區經濟的發展而言，是很不利的。如果我們一直追逐潮流，可能永遠都趕不上。例如微軟在過去的十年里在潛心研究，其他領域都沒有做出太多突破，基本上都被其他公司壓制了，需要承受的不確定性和壓力很大。微軟“憋”了十年，憑借其財力、研發能力以及商業合作策略，最終我們看到了ChatGPT和相關新的產品上線，通過長時間的日積月累才產生了“爆點”，而我們期望一夜之間公司可以實現翻天覆地的變革，這樣的期待是不現實的。

難道這些公司是特殊的“天賦型選手”，只需短短幾個月或者一兩年，去完成別人花十年時間才能完成同樣的工作嗎？這些我們所考慮的問題，難道這些公司沒有意識到嗎？還是否需要一個炒作題，以推高股市和股價？這些都需要我們這些普通人認真思考，考慮是否應該跟風和做出相應的投資決定。

就國家經濟發展的狀態而言，如果跟風，可能永遠追不上先跑的人。相反，我們應該根據我們當前的能力，思考如何進行相互之間的生態共建。這個問題對于國內的科技巨頭來說值得思考。

舉個例子：過去40年，中國的基礎建設取得了巨大成就，比如中國的高鐵已經發展得非常出色，已經成為全球范圍內需要考慮的高鐵系統，成為了中國的一張名片。再比如，通訊和計算機產業，中國的5G已經是全球最強的。在這些領域，我們有一些優勢，基礎建設已經做的很好，目前我們也可以在這些基礎上構建一些可能性和生態發展的方向，發揮更大的優勢。

我們可以想象，基于我們的優勢方向上進行發展，未來10年或20年后，如果歐美一些國家針對一些技術方向做壟斷，我們也可以根據領先的領域進入一種“互相卡脖子”的狀態，獲得談判地位。回歸到技術上，國內公司不論是想趕超GPT還是Bing，可能基于“前人”的經驗，我們能夠在研發的速度上有所加快，但如果追趕到同樣的水平可能至少要4-5年。另外，我們也需要思考的是：即使追趕上，在幾年之后，這陣風口是否已經過去了？并且微軟或者Open AI 自己也在不斷的迭代成長，已然成為“巨無霸”了？

總得來說，跟風投資實際上是浪費成本、浪費時間和人才。對于參與者來說，除了增加恐慌和憂慮，可能并不會獲得任何收益，只會讓資本在跟風過程中收割一部分投資者的利益。

03 AI不會造成大量人口失業，任何時代的職業都需人類自己創造

除了AI威脅論，人們更多關心的是AI對就業的沖擊問題。

ChatGPT的高度擬人化引發了一波行業危機，很多人開始擔心自己所處行業是否會受到沖擊，甚至是失業。從目前來看，可能短期內會對一些崗位有所影響，但對不會擾亂社會的長期穩定。

從職業方向看，人工智能革命會不會對因此而導致人口勞動力的下降？答案是不會的。

舉個例子，在工業革命時期，大約在18世紀到19世紀之間，最大的變化之一是農業人口的減少。在工業革命早期或者還沒有開始時，地球上95%以上的人口都從事農業勞動，只有很少一部分是統治者或神職人員，彼時絕大多數人的身份都是農民為主。

現在情況有所不同，以發達國家為例，比如美國從事農業的人口不到2%。中間超過90%的人口已經改變了生產內容。雖然一部分的工作消失了，但是這些人并沒有消失，并且人口反而在增加。從對人類社會的影響來看，這樣的變革并沒有導致長時間的失業問題甚至是影響人類社會的不穩定，很多人只是改變了從事的工作，改變的是人類的生產方式。雖然可能會導致一些崗位的大幅度縮減甚至消失，但也會因為這場變化，引發和新增更多其他的崗位需求。

再舉個例子，我們提到一個英文單詞叫做"Computer"（計算機）。當我們聽到這個詞時，在腦海中可能會出現一臺機器，但是在70年前，"Computer"這個詞的意義與現在有所不同。在那個時候，它指的是類似于曼哈頓計劃中從事計算工作的工作人員。

在那個時代還沒有計算機，沒有像我們現在使用的這種臺式機，但完成龐大工程需要大量計算，所以當時負責這個計劃的公司雇傭了一些年輕而細心的女性，在專門的房間里使用計算尺和草稿紙進行大量的計算工作，這些女性被稱為"computer"。

"Computer"這個詞是為從事計算工作的人而創造的，指的是那些在辦公室里從事大量計算工作的工作者。后來，隨著計算機的出現，到今天當我們提到"Computer"時，我們知道它指的是計算機，而不是那些從事計算工作的女性。因此，"computer"這個詞的意義徹底改變了，它變成了指代純粹的機器。

所以，隨著機器在某些領域的能力不斷增強，它們可能會取代我們人類的一部分工作，導致某些工種的消失。然而，這些人并沒有真正消失，他們轉而從事更復雜的工作或者滿足其他需求。

人類最偉大的特點之一就是不斷創新并創造新的需求。這些新的需求會引發人們去創造新的就業機會。我們無需過于恐慌或擔心關于失業的問題，縱觀人類社會的歷史浪潮里，一直在適應和應對這種變化。我們有能力不斷創造和適應新的工作環境和就業機會。

再從職業技術需求來看，隨著大模型語言應用的發展，編程任務的完成也會變得越來越簡單。比如通過ChatGPT類工具的幫助，我們只需提出想做的事情是什么，下達明確的任務，GPT會幫我們完成其余的工作。比如我們可以直接向GPT提出需求，它會利用其編程和檢索能力，直接生成代碼。這樣一來，甚至可能不再需要像Python這樣的系統。簡而言之，人們只需描述需求，然后繼續實現這些描述的方式。

此外，從這樣的趨勢來看，未來編程的自動化程度會越來越高。好比當時我學習編程時學過的匯編語言，現在大部分年輕人可能不再知道如何編寫它，是同樣的道理。

匯編語言是一種介于人類語言和機器語言之間的高級語言，它包括匯編和直接用機器語言編程的方式。在匯編語言之后出現了C、C++、Java等語言，然后逐漸發展到了Python這樣的語言。當我與學生交流時，我發現對于我們學過C語言的人來說，Python是一種非常不嚴謹的語言，但它已經成為學生們喜歡的工具，他們已經不太習慣使用C語言了。在一些理論體系的影響下，不同的工程師對于AI的可理解性還存在著差異。并且我們可能仍需要一些專業人員在后臺不斷完善這個系統，那么如何對于可理解性的標準需要統一，才會得到想要的結果。

總的來說，不論在任何時代，新的需求都是由我們人類自己創造的。我們不能采取靜態的思維方式，關注在對人類的替代性和沖突上。如果地球上只有有限的工作和需求，當機器接管了這些工作后，我們人類可能真的沒有存在的意義了。但實際上，人類的偉大之處在于我們能夠不斷創造新的需求，并通過人類來滿足這些需求。

04 和AI比拼特長沒有意義，需更多關注其政策約束和風險管理

現在，無論是中國還是美國，都開始出臺一些相關的監管機制。任何時期的技術發展都需要一定的政策約束和風險管理。

我們以汽車的發展史作為例，1900年之前，汽車的數量很少，只有非常富有的人才能負擔得起，并且對社會沒有造成太大影響。此外，汽車的速度并不快，比如每小時只能行駛十幾公里，所以與步行相比并沒有多大區別，所以并不需要給它制定太多規則，只需讓它發展就好。

但是，后來隨著福特汽車公司引入流水線生產，汽車的成本大幅降低，普通人都能開車，汽車數量大幅度增加。汽車的速度也從每小時十幾公里提升到每小時上百公里，這時候的汽車可能會變得危險起來，涉及到一些安全問題，因此我們人類開始需要為汽車制定規則。比如說給它設計專用道路，它不能再與行人混在一起行駛，甚至需要為它建設高速公路，并在人行駛的道路上設置紅綠燈、交通信號燈等等，所有這些規則應運而生。

同樣的道理，對于機器來說，我們設計它的目的就是讓它能夠高速地收集和整理數據，進行快速推演和邏輯思考。就像我們設計汽車是為了讓它能夠快速行駛一樣。一旦汽車出現，我們就不需要再與它競爭誰跑得更快了。

因此，在計算機具有如此強大的數據整理和處理能力的情況下，與它在特定領域的專長進行比拼是沒有意義的，我們更多的關注度是需要為它設定規則。

比如近期行業人士關注的"Midjoury"的技術，可以用于圖像生成和語音模仿，甚至可以制作新聞。那么這些視頻內容和新聞在網絡上傳播時，如何對它們進行監管以及如何確保其有效性？這就成為一個需要逐漸制定規則的問題。這些規則的制定使得人與機器如何共生成為一個現實的問題。

這些問題需要我們今天開始思考，并達成共識。既然汽車已經存在，地球上就是人類與汽車共生的狀態。因此，我們需要制定汽車交通規則，以確保人類和汽車在城市或特定環境中的共存。這個過程中，不僅汽車需要遵守規則，人類也需要遵守規則。

05 AI的崛起會占用能源資源消耗，但對人類的使用效率提升幫助值得肯定

此次訪談中提到一個能源結構的問題：從產業經濟結構角度來說，現在隨著AIGC爆發式的增長，也需要更多算力的支撐，需要消耗更多的電力和水力支持，如此是否會導致改變相關國家或者全球能源結構的布局的改變？

這是肯定會發生的情況。當新的產業結構和需求出現后，這是必然的結果，問題在于如何安排和調整。如果AI消耗算力，就需要為其提供足夠的能源。在這個能源過程中，涉及到對綠色地球和能源消耗結構的考慮，我認為與AI的發展并不特別相關，而是一種自然的情況。

根據相關數據，中國的云中心加起來每年消耗的電力可能相當于兩個三峽電站的發電量（云中心的資源消耗不僅限于對AI的支持，甚至AI業務在其中的占比相對較小）。隨著計算量的增加，對電力的需求會進一步增加。除了需要提供更多的新能源補充外，我們還需要考慮如何提高能源利用效率，這實際上是一個相對復雜的問題。在能源節省方面，需要進行計算，并需要進行散熱處理。然而結合目前國內情況是，由于前幾年的高速發展，我們為數據中心供給能源的一半用于散熱。這是我們需要考慮的。

我們應該如何解決和避免資源占用和分配不合理的問題呢？我再舉個例子：當年Google收購了Deepmind公司后，讓Deepmind的團隊做了一件事情，即通過強化學習和其他的很多AI算法，對Google的云中心進行節能調整。這樣做事實上幫助Google降低了近50%的能耗。因此，Google的云中心幾乎百分之百的電能用于計算，而只有極少部分（不到約5%）用于散熱。因此，這樣的優化形式，大規模地節省了Google的云中心能源的浪費。

因此，如果我們能夠達到類似Google的云中心使用效率水平，并且考慮到雙碳和全球提倡的綠色能源，我們之后可能更多的還是去考慮如何去有效的利用能源。

需要關注的是，這個問題我們只是在探討能源角度的消耗。總的來說，AI確實能幫助我們的使用效率會得到大幅度提高，一旦普及使用，可能帶來的效率提升意義遠超于它的能耗影響。

06 大語言模型可解釋性的判斷是否合理，關注三種邏輯推理模式

目前的深度學習模型，特別是最近出現的大型語言模型，尚且是一種“黑盒技術”。雖然大型語言模型在自然語言處理的許多任務上表現出色，但我們仍然需要尋找一種可解釋的方法。

在科研工作中，我們通常習慣將現象與其他事物聯系起來，并且如果能夠用一個簡潔而漂亮的公式來描述它們，就可以表明我們理解了。但是，從目前大語言模型包括神經網絡的可解釋性來看，它的參數會很隨機，并且如果參數有非常小的改變，也會讓結果發生很大的變化。盡管這些參數在架構中發揮作用，但我們并不完全清楚它們的具體機制。我們無法用簡單的代數模型來描述它們，從這個角度來說，它還沒有被更好地理解。

我們普通人（非專業人士）不習慣使用大量數字來描述兩個事物之間的關系以及每個數字的變化如何導致結果。當這種關系不夠明確時，我們會認為這種狀態還未達到理解的程度。因此，人們經常會混淆其中的概念，認為大型語言模型或神經網絡還沒有被理解。實際上，它們并非完全沒有被理解，只是我們還沒有找到我們習慣的滿意方式來理解它們。

目前，GPT更多是基于對大數據的訓練，其主要的方式是學會根據概率判斷我們最可能想要的答案，它現在的推理形式是否可行和可靠，我們可以從這幾個方面來看：

首先，基于最大概率給出可能的答案，在算法層面上涉及到神經網絡和貝葉斯統計的方法，是GPT在后臺使用的邏輯，而且是正確的。

另外，談到邏輯推理，我們可以將邏輯推理分為三種不同的模式，不僅限于邏輯帶。

當我們人類認知世界時，有三種不同的方式：

第一種是演繹性推理，它可以得出嚴格正確的結論。機器在進行演繹推理時比我們快得多，因為它基于古典邏輯的四個基本原則：同一律、矛盾律、排中律和因果律。

基于這四個原則，可以推導出確定性的結論。然而，確定性結論的問題在于邏輯上它被稱為重言式，即用另一種方式再次表述已知事實。從演繹性推理來看，其實答案已經蘊含在你所有的前提假設中了，只是以另一種方式表達出來。

我們需要了解的一點是，事實上，圖靈機就是為此而設計的，它是一個古典演繹邏輯機。在1936年，英國數學家圖靈發表了一篇重要文章《論可計算數及其在判定問題中的應用》標志著圖靈機的誕生。圖靈機的運轉和我們筆算的思維過程十分相似。圖靈機模型是目前為止應用最為廣泛的經典計算模型，沒有之一。

到今天為止，人工智能還是基于圖靈機來實現的。圖靈機做不了的事情，不論今天的計算機如何強大，都做不了。這是我們思考人與AI之間分工的核心之一。

第二種模式是稱為歸納法。歸納法是通過觀察多個事件并找出它們共同的特征，將其歸納為新的知識。然而，歸納法無法通過嚴格的邏輯來實現，因為它不可能窮盡所有可能性。因此，可能會出現所謂的“黑天鵝事件”，即我們觀察到歐洲和美洲的天鵝都是白色的，從而得出天鵝應該是白色的結論。但當我們發現澳大利亞有一只黑色的天鵝時，歸納法就不能給出絕對正確的結論了，因為無法覆蓋所有可能性。機器在這方面的能力有限，無法超越歸納法的限制，但人類可以。然而，我們也要明白，這個結論有可能被推翻，這是現代科學所追求的。

第三種模式是類比法，是一種不嚴格的推理方式，就是通過將一種事物與另一種事物進行聯想。比如在思考DNA結構時，如果我們不知道它的樣子，在夢中看到兩條蛇纏繞在一起，我們可能會聯想到DNA的結構。實際上，DNA的雙螺旋結構真的是通過這種方式“蒙”出來的。但對于以演繹邏輯為基礎的計算機來說，這是無法實現的。類比法是一種更加不嚴格的推理方式，但對于人類來說，我們可以運用這種方式。

從這三種模式，我們可以得出這樣的結論：在進行演繹邏輯方面，機器的效率已經遠遠超過人類，因為它們基于圖靈機運行，并且是完全的計算機系統。然而，機器無法產生任何新的知識，而新的知識需要人類通過不嚴格的歸納法或類比法來獲得。這些觀點需要通過演繹法逐步論證，最終轉化為相對穩定的知識，認知機器在獲取新知識方面無法超過人類。而我們所說的機器無法做到的部分，指的是機器無法從嚴格的演繹邏輯之外的領域進行處理，而這些領域正是人類可以處理的。

這實際上涉及到人類和機器之間分工的討論。不管是人工智能還是機器，它們都是基于圖靈機發展的，上述提到的問題不可避免。目前的人工智能發展都是以圖靈機為基礎的，如果人工智能無法實現某些任務，可能是因為受到摩爾定律等硬件發展的限制，或者涉及到其他相關限制。

最近，OpenAI公司CEO Sam Altman表示全球人工智能運算量每隔18個月翻一番。對此，有人認為人工智能的算力性能會不斷的實現指數級提升。其實，關于“摩爾定律”和算法，是兩個不同的命題。摩爾定律主要指硬件方面的發展，而算法方面并不完全符合摩爾定律的規律。因為面臨著對精密設備加工的技術問題，如今的摩爾定律在某種意義上已經放緩，它更多涉及機械工藝方面的挑戰。而算法方面的發展，很難說是按照摩爾定律的方式進行，兩者之間存在一些差異。

當提到摩爾定律時，我們可以進一步探討，當計算單元達到原子層面時，就進入了另一個領域，即量子計算。從量子計算領域，以及結合我們最近這些年的進展發現，量子計算并不是一個嚴格的圖靈機。并且量子計算在工藝層面上的設計難度太大，真正的能做到像圖靈機一樣算法上的通用，可能還需要相當長的時間。我有一個觀點是，在接下來的300年內我們不必過于擔心這個問題。但在300年之后，量子計算是否會有關鍵性突破？很難說，因為從還原論的角度來看，我們人類的思維一定是基于某種物理實體的。

目前，根據越來越多的跡象表明，我們的思維方式并不等同于圖靈計算機的思維方式。但根據我們目前的認知來說，現在我們只有兩個選擇——只有經典的圖靈機和最近出現的量子計算機，但將來未必沒有第三個選擇。

如果我們已經基本確定人類大腦不是由經典的圖靈機組成的，那么它有可能是一個量子計算機。然而，量子計算機能否創造類似人類思維模式的能力目前還不清楚。所以我們越來越確信的是，量子計算機不是一臺圖靈機，它的底層邏輯是不同的。

07 GPT時代下的人才教育關鍵：培養強大的學習能力，不斷適應時代變化

我們創造機器，就是希望它來幫助我們完成不同的任務。因此，從具體的職業方向來看，很難確定哪些工作在未來一定不會被取代。因為對于任何可描述的事件或算法來說，圖靈機都能夠執行。一旦我們將某項工作描述為具體的任務，計算機就可以完成它，只是計算機在執行該任務時的效率不同而已。

其實我們在考慮哪些事情是圖靈機無法完成的時候，圖靈及其數學家哥德爾在30年代時就已經指出了這一點，只是當時沒有引起足夠的人類重視，他們（指歌德爾和圖靈等）那一代人證明過了感性思維和直覺才是我們人類認識世界的基本工具，而理性思維是對感性思維進行整理的工具。簡而言之，真正認識世界的能力仍然是人類所獨有的，并且通過我們自己的感性認知來實現。這是我們理解和區別，人類與機器（或者說AI）不同點的核心之一。

基于核心能力的不同，對于我們人類或未來人類來說，其實一個重要的能力培養是需要強大的學習能力和適應能力。只有通過這種學習能力，人們才能在面對新需求時給出新的解決方案，并將其轉化為自己的工作。 這些方面很難具體從每個方面去討論，因為學習能力貫穿于許多不同的領域。但現在我們不得不關注這一點，即通過教育來改變我們目前教育學生的方式。

舉個例子，這個學期我避免給學生布置隨堂作業。我開始意識到無法阻止他們利用GPT等工具完成作業，并且通過GPT的答案可能比我預想的還要好，這樣的作業失去了意義。因此，我更注重與學生在課堂上的對話和互動，并關注他們對推理邏輯和過程的理解，而不是他們是否能完成作業。

另外，在整個學期中，我希望他們完成一個比較系統的項目類作業。現在的教育都在倡導項目制學習，通過參與項目來進行學習。在這個項目過程中，我們讓學生理解他們在做什么，而不是通過以往的問答、考卷和作業方式進行教育，通過項目制學習這種方式培養出來的人對機器來說更具優勢，而不是只是回答問題。

在這個過程中會有很多值得我們思考的問題。正是因為我們思考并了解這方面的需求，才會創造出大量新的就業機會和新的發展方向。因此，如果非要說，人與機器之間的差異可能是將來真正關注的更大的趨勢。總結來說，我們關注的是人類自身的能力和人機之間的交互，這是一個非常廣闊的領域。

08 未來人機對話的發展趨勢：人工智能和機器的互動

至于對未來AI的構想和設想，很難對具體的趨勢進行準確的預測，因為這可能會引導輿論，影響資本的投資方向，一些觀點僅供交流和探討。

我認為一個重要的趨勢是人工智能和機器之間的互動。隨著機器以及人類自身的高速發展，我們需要一個界面或者工具來連接兩者實現更好的溝通。人機交互會是一個非常重要的技術領域。

在尋找未來的趨勢時，我們應該更加關注人與機器這兩個方面，而不僅僅是一個方面。我們需要深入思考人類自身的能力和定位，這是一個需要長時間思考的問題。

盡管前面我們更多地討論了教育倫理和人類未來的可能方向，但從技術層面來看，人機交互可能是一個非常具有潛力的領域。我們需要思考如何讓人與機器之間擁有更快速、高效的交流方式，而不需要人變成專業的專家模式。

人機交互是否能夠以更快速的方式吸引更多人參與，并有效地管理機器，這可能會影響和推動機器的更快速發展。因為機器的高速發展在未來是不可避免的，人類也需要明確自己的戰略和定位。既然人類和機器都要在地球上共生，我們應該有一種特別融洽、方便和高效的交互方式。這種交互方式可能需要很多新的技術來實現。

總而言之，我們不希望將來成為“機器奴隸”，所以我們必須思考人類自身的定位。身在教育領域，GPT的火爆也給我提出了重要的挑戰和思考：即“傳統的教育模式所培養出來的學生更像是機器還是人？”“我們應該如何學習才能不會被AI替代？”這些問題深刻地指導著我們今天進行嚴肅的討論。作為教師，我們不希望今天教給學生的東西，或者培養出來的學生，在10年或20年后發現自己從事的職業被計算機替代，走上失業之路或者被迫換崗。

人的思維是自由的、可創造的，可溝通的，從根本上講，我們需要發展的是創新技術人才的培養方式，有終身的學習習慣。

[ 本文為騰訊科技獨家內容，未經允許，請勿轉載，違者必究。]