什么是裸奇点？什么是奇点？两者有什么联系吗？

你的提问虽然是一个具有针对性的问题，但依然与解释物质运动与宇宙空间的存在有着直接联系。实际上，对于宇宙的存在，科学家还是依据一般的物质运动方式进行解释的。不管宇宙空间有多大，有多么不可思议，人类只能根据对宇宙的认识来解释。如果这个认识仅仅依据观测来解释，显然让我们难以理解和解释一切客观存在的现象。

我们是否接触到了事物的本质？

为了解决上述几个问题，同时能够触及到事物的内在联系，而不是仅仅停留在表面观察上。于是，建立在科学分析和对数学模型研究的新型探索型理论就出现了。具有预测的猜想和假说就出现了。虽然这些理论只是建立在预言性质上的，但却指导着人类对未知事物探索的方向。奇点和裸奇点也是这样。

我们是否可以这样理解奇点和裸奇点呢？

奇点由于光速无法从其内部逃逸，我们看不见。而裸奇点由于光速可以从其内部逃逸，我们能够看见。具有这两点，我们是否可以这样认为，奇点和裸奇点都是宇宙空间中物质运动的一种状态。奇点由于光速无法逃逸，会在这个物质运动方式周围形成自己的空间，这个空间是独立于宇宙空间存在的，我们就把这种运动状态称为黑洞。而裸奇点运动方式属于这个宇宙空间，属于可观测的一种物质运动方式。同时对于这两种奇特的物质运动状态，为了能够准确理解和描述，我们认为这依然属于物质的运动状态，这种状态因为无法用常规物质的大小来描述，我们也无法用三维空间存在方式来描述这种物质运动存在方式，换一句说法就是，我们无法用常规的体积来描述奇点的大小，于是就把它们称之为，奇点。

由此我们是否可以这样认为：奇点无大小，黑洞有空间。

奇点只是数学上的游戏，不是客观现实中真实存在的！用数学证明物理问题还能是物理定律？！你这数学方程式与客观事实冇有误差吗？经数学延拓解释后不会出现蝴蝶效应吗？！物理公式都是有适用范围的，不是都能用数学的无限制性方程式来表达！如万有引力定律或库仑定律，当r=0时，结果都为无穷大！而客观实际是不会发生的！如球体，球心的引力不但不是无穷大，反而小于其他任何地方而为0！用教学方法可以近似地解决一些物理问题，但绝对不是所有问题！因此，客观现实中既不存在裸奇点，也不存在非裸奇点！

近日，创新工场董事长兼CEO李开复博士与阿莱克斯·彭特兰教授(Alex Pentland)展开了一场”AI如何重塑人类社会”的精彩对话。《连线》杂志的资深撰稿人威尔·奈特(Will Knight)主持了这场对话。

阿莱克斯·彭特兰教授任教于麻省理工学院，为全球大数据权威专家之一，现任MIT连接科学研究所主任、MIT媒体艺术与科学教授，拥有“可穿戴设备之父”、《福布斯》“全球七大权威大数据专家”、《麻省理工科技评论》“年度十大突破性科技”两度桂冠获得者等头衔，曾参与创建MIT媒体实验室，是全球被引述次数最多的计算科学家之一。

• “AI最大的机会蕴藏在与传统企业的结合中，这种价值的产生极其迅速，只需要几个月，甚至短短几周。”
• “未来突破很难预测，对奇点、超级智能的争辩，在我看来都过于乐观了。”
• “小型AI公司与巨头竞争，我的建议是找准巨头没有平台优势的细分领域，为某个针对性产业创造价值，不要与巨头核心业务正面硬碰。”

• “AI绝非试图取代人类，而是促进多元文化之间的相互连接、团队合作，让人们更好的进行社交和连接彼此。”
• “最困难的其实是说服人们改变商业流程去使用AI，因为大多数人是墨守成规的。”
• “人工智能有朝一日可以取代人类所有的能力，但是这个过程会非常漫长，可能需要上百年或更久。”

李开复博士在对话中表示，当我们试图解决AI问题时，应该用技术来解决技术的问题，可以寻求与监管部门协作，而不只是丢给他们，“新技术会衍生新的问题，我们应该多方尝试用更进阶的技术性解决方案，就像电脑病毒刚出现时，杀毒软件随之诞生。”

彭特兰教授认为，人工智能的核心，是促进多元文化之间的相互连接。不只是工程师或科学家，连经济学家、政治家都必须参与进来。“国家之间应该促进合作、制定互通标准，就像TCP/IP互联网协议那样，避免AI冷战。”

他们认为，AI发展从来不是单打独斗，跨学科思维、跨领域合作尤为重要。

这场对话是麻省理工学院中国创新与创业论坛(MIT-CHIEF) 组织的高峰对话系列活动，主题是《计算与未来: AI与数据科学如何重塑人类社会》。

麻省理工学院中国创新与创业论坛(MIT-CHIEF)由麻省理工学院的中国留学生创立，至今已有十年，是北美历史最悠久的、由高校学生组织的中国创新创业论坛。系列高峰对话邀请了顶级科学家、投资人及创业者，共同探讨科技创新及商业化过程中面临的挑战。

李开复：各方应协作，让AI 更务实

非常荣幸再次受到MIT-CHIEF的邀请，对于人工智能的看法，这次我主要想讲四点。

第一点是我书里的主题，人工智能的超能力。我们已经从人工智能的发明期步入应用期阶段，从应用落地层面来说，正迎来了AI发展最大的机遇。

很多科技公司目前已对人工智能进行了多样化布局，从视觉、语言、触觉和其他感知技术，到自动化机器人、无人驾驶等，对很多领域开启了深远的影响。虽然眼下所见的AI应用仍有局限性，但我预测未来的格局会非常庞大，依据统计，各行各业采用AI的程度目前不到5%，AI应用的中长期增长曲线相当可期。

第二点是我很欣喜看到的一点，AI正在和传统行业深度融合。随着人们对人工智能的了解越来越多，更多的AI公司涌现出来。

AI最大的机会蕴藏在与传统企业的结合中，创新工场也正在帮助金融、制造、物流、零售、医疗等行业的公司进行AI变革。

作为AI投资人，我认为在这些行业如果找到正确的AI应用方向，就能带来上千万的回报。这种商业价值的产生是极其迅速的，通常只需要几个月，甚至短短几周就能看到成果。

现在人工智能在传统产业的渗透率仍在个位数，仍然有很大的提升空间。然而对于很多公司来说，它们需要的是高度定制化的方案，而非通用型AI方案，所以融合的过程中，不可避免会遇到不少挑战和痛点。

第三，我早年做过很多科研工作，很高兴能看到关于系统一和系统二(System One, System Two)的讨论，我们期待人工智能技术从系统一升级为系统二，即从识别、决策、优化等能力，升级到感知、认知等进阶智能的能力。

有不同的学派都在努力让人工智能更接近人类智能，其中一个流派主张回归经典的AI理念，甚至重新构建崭新的模型结构，在深度学习技术的基础上利用人类的知识。但我更支持另一个理论——深度学习的潜力还没有完全释放。

回看人工智能过去60多年的历程，最大的突破来自于计算能力和数据量大增而产生的可扩展算法。我们看到了卷积神经网络(CNN)带来的喜人成绩，还有预训练自然语言处理模型(Pre-Trained Models for Natural Language Processing)的广泛运用。

预训练模型与人类语言学习的模式类似，不管是英语还是中文，在习得这些语言之后，再去学习编程、艺术、化学。在无人监督的学习环境中，这种模式比我们想象得还要强大，就像阿尔法围棋(AlphaGo)一样。

最后一点我想说的是，如何让AI变得更务实。

AI有很多问题，例如隐私、数据安全、治理和监管，在此就不一一讨论了。当我们试图解决这些AI难题时，有人认为让监管部门加强管理是唯一办法，其实不然，我们是否也可以朝着研发更厉害的技术性解决方案去努力?

就像电脑病毒刚出现时，杀毒软件随之诞生;面对千年虫难题时，也迅速找到了技术应对方案。我们可以通过研发新技术，应对DeepFake深度换脸程序的挑战;或者通过联邦学习技术，在保证数据私密性的同时，满足深度学习训练需求

作为握有技术能力的群体，我们需要与监管部门一起协作，而不只是把工作丢给他们。相信有了各方的助力，我们可以让AI的应用变得更有深度，更加务实，更高效地克服现在面临的种种问题。

阿莱克斯·彭特兰：国家间应建立互通标准，避免“AI冷战”

我对当前的深度学习技术不太乐观。

最为主要原因是，深度学习不仅需要庞大的数据源，而且要求这些数据长时间恒定不变，以保证模型训练结果的可靠性，例如人类的面容、语言，就是相对稳定不变的数据源。

但深度学习却没法应对快速变化的真实情况。亚马逊在新冠疫情蔓延速度暴增时，出现了仓库货物紧缺，不得不停止送货服务。这种经过深度学习高度优化后的系统发生崩溃，就是因为快速变化的疫情，和深度学习对恒定数据源的需求是矛盾的。

另外，我想谈谈如何通过联邦学习，促进数据的流通。

大多数公司没有足够丰富的数据，需要联合不同的数据来源。基于这种需求，出现了很多新商业模式，比如“数据经纪人”——他们不出售数据，而是把数据借出去，作特定需求的使用。

“数据经纪人”业务涌现了很多，他们促进了数据的流通，也加强了数据的隐私性。因此，像联邦学习这样的技术和商业策略结合，有效解决了数据在合规性和所有权方面的难题。

联邦学习也依赖于新的基础设施建设，为数据应用和深度学习提供基础环境，比如区块链技术。现在世界上很多国家在做相关系统的建设实验，新加坡等国家设置了一种相互竞争的区块链系统，来解决支付和物流问题。我们最近也帮助瑞士做了类似的实验，涉及不同数据的互通性和连贯性问题。

我们仍在研究如何用尽量少的数据，实现人工智能的目标。少量数据是指不断更新的短期数据，这些数据能使AI应对迅速变化的情况，并及时做出调整。

我们打算将AI与其他基础科学结合，例如阿尔法围棋(AlphaGo)就是这类结合的初步尝试。这些方法不依赖于大量恒定数据，可能会比深度学习更加强大。

除此之外，我们在探讨用AI保障联邦学习过程中不同数据方的权益，这是实现不同国家之间的互通性、支付信任度、物流运输等方面合作的关键前提。

另一方面，我们探索如何将AI技术应用于加密数据上。我们和大公司以及政府密切合作，找出解决系统入侵和保障网络安全的方法。

我同时花了很多时间研究与政府的合作。政府很多时候不知道如何通过大数据做决策，也不知道如何进行数据优化。而AI能够帮助政府实现更高的效率，比如联合国现在已经有了很多可持续发展目标的相关评估指标, 世界经济论坛也可以为会员国提供不同的标准测算。

基于我们已有的多元数据库，现在可以利用AI实现全新的数据优化方式，将贫困、不平等这种之前无法量化的指标，通过可量化的指标进行评估。

同时，要真正实现这个目标，我们还需要制定统一的互通性标准。如果没有这个标准，国家之间就不会相互信任去合作，就可能出现AI冷战。

因此我们需要找到促进合作的方式，就像TCP/IP互联网协议那样。而之前我提到的，新加坡、瑞士等现在正在尝试的区块链系统，将有希望解决国家间缺乏互通标准的问题。

美国在线教育发展难度更大，只在ZOOM上讲课是不够的

Q1：疫情加速了行业的改变，远程医疗、线上教育开始蓬勃发展，这只是AI对人类社会产生影响的冰山一角。想请两位谈一谈，目前看好AI在哪些领域应用的未来前景?

李开复：疫情的确对整个社会产生了实质性的影响，人们行为习惯发生了很多改变，更愿意接受线上学习和工作了。

这种新的行为习惯产生了大量数据流，为AI应用带来了更多可能性。比如大健康领域以及远程医疗中所产生的数据，可以训练更智能的模型。同时更多人开始在基因组学、新药研发方面结合新的AI技术进行研究，因此我相信AI在医疗健康领域的潜能是非常巨大的。

AI与教育的结合也很值得期待。一方面可以帮助老师处理重复性的日常事务，例如批改作业，让老师得以将时间精力投入到更有创造性的事情上，能更悉心地为孩子提供优质教学。另一方面可以提高学生的课堂参与度和积极性，比如设置卡通版AI虚拟老师，让课程充满趣味性。

在中国，有很多线上教育公司在疫情之前就已经发展迅速，像创新工场投资的VIPKID，让国外的纯正英语老师在线上教授中国学生。目前，中国的线上教育已经扩展到了更多科目，包括体育、舞蹈、书法等素质教育课程。

相比之下，美国线上教育发展的难度会更大。毕竟只在ZOOM上讲课是不够的，好的线上教育必须要有好的内容。

AI核心是增强人际互联，应注重文化多样性

阿莱克斯·彭特兰：李开复博士提到的教育案例，我不是很认同。

MIT大约20年前就在教育中使用AI，重点根本不是内容，我们甚至提倡将内容免费开放给大众。

AI绝非试图取代人类的作用，我们更强调用AI增强人与人之间的互动，让人们更好的社交和连接彼此。比如手机上人工智能技术，不是要取代你，而是让你高效地找到最适合的工作、最正确的人，让你更容易的获取信息，并进行创新。

我们可以利用数据激发更强的创新力，培养领导力。只有基于这样的宗旨，才能促进更有创造力的教育和学习，这比关注教育内容本身重要得多。

在加拿大，有家创业公司正在训练普通民众学习AI，比如水管工，教学效果非常不错。他们的教育方式不是简单的教授基本知识，而是以一种能够激发人们互动思考的方式。

我们之前在中国调研了3000多个孵化器，发现创业公司成功的要素里，第一个是文化多样性，也就是说创始团队背景的复杂性和多样性。第二个是团队成员专业的多样性，他们能否发挥自己所长，并很好地进行团队合作。

1956年，马文·明斯基 (Marvin Minsky)提出了人工智能这个词。但我们对于人工智能的理解，不应该只停留在“人工”层面，而应扩展到多元文化之间的相互连接、团队合作，我把它叫做延伸智能(Extended Intelligence)。这也是我想强调的，人工智能这个名词有一定的偶然性，但它的核心点是增强人与人之间的互联性。

AI未来突破难预测，奇点、超级智能过于乐观

Q2：未来十年AI有没有可能取得重要突破?比如GPT-3近期展现惊人的能力。两位认为未来的突破方向是什么?

李开复：过去60多年来，深度学习是唯一的重大突破。在这之后，卷积神经网络(CNN)和GPT-3等都算是重要的改善，我对于人工智能的渐进式改善保持乐观。

对科学家来说，他们更期待着技术上的突破式进展。但我觉得未来十年基础科研或许不会有大的突破。但模型相对容易，只要有大量的数据，就可以从实验室进入到行业应用，CNN和GPT-3都是模型加海量数据的成果。

我是务实派的，虽然持有乐观态度，但并不是一位“未来学家”。未来的突破很难预测，对奇点(Singularity)的争辩，甚至预测超级智能的出现，在我看来都过于乐观了。

阿莱克斯·彭特兰：我同意李博士的观点。很多生物机制很难解释，包括用感知认识事物、理解声音、寻找食物等，是深度学习算法做不到的。但深度学习可以研究科学、制定规则、研究理论，并进行实践。

从务实的角度来说，我最感兴趣的就是联邦学习。就医疗而言，我们有这么多医院，在新冠疫情期间做了很多的实验，为什么这些实验数据不能进行联合呢?

尽管数据有不兼容的地方，但这也是一个很好的机会去探究不同的数据之间的关联性。在未来，我们对数据的需求也许会越来越少，外科医生或者物理学家或许不需要太多数据，因为他们对规则已经了如指掌了。

不要墨守成规，要跨领域、跨学科应对挑战

Q3：人工智能会有什关键挑战?对于想从事这个行业的人，有什么是需要了解的关键点?

李开复：首先，大背景在改变，新科技层出不穷，我们每年都需要学习新的东西。

其次，人工智能可能引起各种问题，包括偏见、歧视、伦理道德等，是否危害人类的身体健康，无人驾驶技术该何去何从等等。

第三，人工智能的研发需要深刻地理解技术对社会、生活与人类健康会产生的影响。我非常欣赏斯坦福和MIT这样的高校，能够把AI教育扩展到各个学科，让研发人员及早意识到自己的责任和价值。

阿莱克斯·彭特兰：是的，我朋友做过一个有关电的趣味类比，电动马达最初在工厂里用于生产的时候，并没有发挥出多大的作用，因为大家并不知道如何改造生产流程。

AI在一些领域发挥的作用是显著的，但应用到其他领域时，就需要改造流程。很多情况下，最困难的就是说服人们改变商业流程去使用AI，因为大多数人是墨守成规的。

而有意思的是，就像李博士提到的，像MIT和斯坦福这样的高校确实在认真严肃地对待这个问题。

比如，我今天早上正好就这个话题跟G20领导人对话，大家一致认为我们必须从跨领域、跨学科的角度去面对这个问题，不能只是工程师或者社会科学从业者们在做，经济学家，政治家等等都必须参与进来紧密合作。

随着AI的应用领域越来越广，除了必须具备强有力的技巧来建立社会规则，还需要对研究经费、企业投入等进行各种调整。

虽然大公司实力不容小觑，但依旧对小公司抱有期待

Q4：AI研究会消耗大量的资源，我们是否应该将资源往学术界平衡?现在已经发生资源的重新分配和平衡了吗?

李开复：就人才而言，现在已经有重新平衡的迹象了。

过去，顶尖大学的学者基于待遇和种种考量，不少选择去企业界工作。而近期，曾任职于百度、海尔、字节跳动等公司的数位优秀AI科学家已经回归高校。

但像GPT-3这样的技术，仍然不是大学和小公司能支付得起的。支撑GPT-3运行的电脑是世界算力第五的超级计算机。每进行一次算法训练，就要花费460万美金，只有像腾讯、谷歌、微软这个级别的公司才能负担得起如此强大的算力。

我观察到，近年的AI创业公司已经和5年前截然不同了。它们一般由AI科学家和商业人才共同创建，为了解决特定问题而生，并非纸上谈兵做突破性科研，切入的领域也往往是巨头公司忽略的地方。

例如，为制造业进行AI赋能，不是一件轻松的事，需要去工厂实地勘查，了解运作方式。大公司因为赚钱很容易，不愿意做这些性价比低的苦活累活。这些小公司的努力一旦有了成果，就会给产业界带来革命性的影响。所以，虽然大公司的实力不容小觑，但我依旧对小公司抱有期待。

阿莱克斯·彭特兰：大学和公司是一种融合的关系，不仅体现在人才流动上，也会进行信息资源共享，彼此是整体性的合作态势。

当然这也不是绝对，产业界的保密需求还是存在的，只是从学校的出发点来说，我们愿意毫无保留地为大家提供更好的研究成果，并与企业合作，形成标准化平台。

人工智能取代人类需要上百年或更久

Q5：两位认为什么是AI不能取代的?

李开复：一类是创造力、分析能力、逻辑辩论能力，了解自己知道什么不知道什么，这些是人工智能无法取代的。

另外一类是同理心，人类之间的信任、友谊，自我认知、意识等。

阿莱克斯·彭特兰：人工智能有朝一日可以取代人类所有的能力，但是这个过程会非常漫长，可能需要上百年或更久。

AI创业建议I：找到小切入点，不要与巨头正面硬碰

Q6：李博士提到了AI在小企业中的运用，可否再举例说明是如何运用的?

李开复：这个问题分两部分：一个是小型AI公司与巨头竞争，我的建议是找准巨头没有平台优势的细分领域，为某个针对性产业创造价值，并且不要与巨头核心业务正面硬碰。

对于那些中小型非AI、但想应用AI的公司，需要确保有足够的数据，以训练与核心商业价值挂钩的AI模型，并且有愿意变革的开放性公司文化。

所以，早期应用AI的公司可能规模较大，因为他们有足够大的数据，和可兼容变革的商业模型。每个例子都不同，不是任何一家公司都要应用AI。

阿莱克斯·彭特兰：如果我们放宽AI的定义，或许水管工、合同工都有数据，通过一些简单的分析、整合，AI也可以在很大程度上改进他们的工作。

这些都是很小的切入点，基于简单的AI分析、机器学习，依旧可以产生巨大的潜力。

AI创业建议II：知晓技术，同时理解商业

Q7：两位再分享一下最后的建议?

李开复：我们在步入一个AI开始渗透到方方面面的令人振奋的时代，我希望所有的学生们都能参与到这个改革浪潮中。要深刻地理解人工智能的商业落地，而不仅仅钻研技术本身。

阿莱克斯·彭特兰：不要太较真于深度学习或者冗长的算法，一切始于要解决的现实问题。不要止步于技术本身，要明白数据类型、形态和规律，关注商业流程。

感谢叶乐斐、刘诺、蓝萱、张昊、陈冬杰、刘子昂、张梓煜、钱凌寒、水一方、沈雍在校译和审阅上对本文的贡献。