任澤平對談田豐：「人工智慧+」的新機遇
新一輪人工智慧浪潮席捲而來，帶來前所未有的機會與挑戰。
4月10日，任澤平博士對話商湯智能產業研究院院長田豐，深入剖析了人工智慧的奧秘與挑戰。
「人工智慧+」和「新質生產力」有什麼影響關係？
「人工智慧+」與「網路+」有哪些關鍵不同？
未來30年我們會迎來哪些「拐點」和「改變時刻」？
對談文字稿見下方
大模型+機器人
任澤平：今天，我們有幸邀請到商湯科技的田豐院長，與我們深入探討當前熱門話題：人工智慧+。首先，請從大模型+機器人的角度，分享下您的看法。
田豐：從英偉達黃仁勳先生的未來策略來看，如果我們比較OpenAI與英偉達，可以發現背後涉及大模型的兩條發展路徑。第一條路徑是基於全球人類知識資料訓練的GPT基礎大模型，它對人類知識有著深刻的理解。第二條路徑是認識到僅從互聯網獲取數據是不夠的，未來的發展需要從物理世界中獲取數據，例如工廠、生產線或供應鏈。黃仁勳先生正在佈局一個宏大的策略，不僅涉及底層的GPU晶片，還包括Omniverse這樣的工業平台。
目前，BMW、賓士、西門子、三星等工業製造企業都已連接Omniverse Cloud。這是一個雲端平台，利用一套AI演算法分析產業鏈中的各種數據。從工廠的規劃、設計到部署、調試，甚至培訓和運營，都可以在Omniverse Cloud上進行。
以BMW在亞洲建廠為例，可以由多個國家團隊在雲端平台上共同設計，將生產線的虛擬設備放入數位工廠中運作。建成後，類似有一個線上數位工廠與實體工廠同步運作，簡單講，就是打造一個從物理世界、工業領域匯聚數據，進行工業智慧製造全流程管理的模型平台。下一步的重點是如何從物理世界獲得更多與生產相關的數據，並利用人類知識進行各種生成式應用。我將這稱為「新智生產力」。
有人稱去年為大模型的元年，今年則是機器人技術爆發的一年。今年，我們需要特別關注美國的3-4家公司。首先是英偉達，在GTC大會上，60%的時間都在討論Omniverse工業領域的AI平台，目前已有許多機器人新創公司接取。其次是特斯拉，馬斯克不僅涉足大模型Grok和計算中心，也致力於機器人技術。第三家是Google，擁有Gemini大模型和遠超OpenAI的算力中心。最後是OpenAI與微軟的合作，他們也投資了兩家機器人公司。這四家公司正全力將物理世界融入大模型中，或者可以說是將大模型嵌入物理世界的機器人執行體中。
任澤平：傳統的機器人只能執行單一功能，現在我們稱之為具身智慧。那麼，具備人工智慧的機器人與以往的機械手臂有何不同？它們將帶來哪些改變？
田豐：過去製造機器人的首要任務是解決零件問題。例如，國內一些機器人新創公司致力於讓機器人關節的馬達更小巧、更輕。
第二步，如美國的機器人新創公司，廣泛採用模擬測試環境。例如，Google在加州灣區的實驗室裡，線下有十台機器人進行打掃等任務的訓練，而線上則有超過一千個虛擬機器人在不停地進行訓練。線上訓練僅消耗算力，大幅節省成本。訓練到一定程度後，將虛擬的機器人模型移植到實體機器人上，過程可以隨時同步，顯著地加快了機器人的訓練進程。這可以理解為在模擬環境中的快速演化。
第三步，是將機器人投入真實的生產環境進行測試。例如，特斯拉的擎天柱機器人在超級工廠中安裝汽車。谷歌則專注於開發通用人工智慧機器人。以往的機器人在生產線上只能執行幾個固定動作，且需預先編程。現在的機器人則是通用型，透過攝影機和感測器感知不同的零件。它們甚至具備大模型帶來的人機互動和常識能力，無論是生產線上的彈性生產還是日常生活中的各種問題，它們都能靈活應對，無需預先訓練。
當然，大模型本身需要經過預先訓練。一旦將大模型與機器人結合，就可以根據人類的自然語言指令，讓機器人靈活執行各種非標準任務，這也帶來了「泛在感知」和「泛在智慧」的概念。黃仁勳先生甚至認為：在未來，所有移動中的物體都將是機器人。在我們有生之年，可能會看到AGI（通用人工智慧）與機器人的結合。
在軟體層面上，我們認為機器人中應該整合的是大模型所構成的智能體。智能體與大模型的差異在於：大模型依賴的是自身能力，即基礎模型，具有廣泛的應用能力，但存在邊界。而智能體承認自身能力的局限性，能夠呼叫其他軟體和工具，類似管理者，能夠協調軟硬體資源，完成複雜任務的分配。
任澤平：您剛才提到，將大模型嵌入機器人，使其更加智慧化，能夠實現更人性化的生產。那麼，未來面向企業和消費者的應用空間應該會非常廣闊。
田豐：任博的見解非常獨到。我們可以用三個圓圈來表示這種應用需求。左邊的圓圈代表物理世界，右邊的圓圈代表人類的精神世界，中間的圓圈則是大模型存在的數位世界。實際上，我們可以看到兩個方向的應用需求：一是工業領域，它越來越逼真地重現物理世界，更多地表現為功能性工具，如完成生產製造的機器人；另一個方向是大模型越來越能與人類共情，例如目前非常流行的虛擬寵物、虛擬男女朋友等。
任澤平：這些虛擬伴侶既能聊天，又能不斷學習使用者的嗜好，如果真的成為人類的虛擬伴侶，那麼生育率是否會大幅下降？
田豐：我們目前觀察到，年輕人將這些技術當作一種遊戲來玩。外向型的人更願意在現實中進行社交，內向型的人則可能設計自己的分身。
例如，一位男性大學生正在上課，沒有時間回复女朋友的信息，他可以讓數字分身，即語言大模型掛機回复，以促進兩性關係的和諧。如果對「分身」的性格不滿意，可以根據MBTI進行優化，例如從偏知性改為偏感性。白天與真實的男朋友相處，晚上與虛擬男朋友聊天，我認為這可能會成為未來的常態。目前的大模型正在不斷為人類提供情感價值。真正的大模型，未來不會以取代真人為目標，而是作為情感的補充。
電影《非誠勿擾3》中有與機器人和真人談戀愛的情節，代表了人類多了一種選擇。如果人們對真人寄予希望和感情，那麼機器人就只是遊戲工具。如果在兩性關係中受傷，人工智慧的語言模型可以成為心理諮商師，幫助人類走出失戀的陰影，重新面對真實世界。機器人製造商、大模型研發企業和運作平台都肩負著社會責任。任何科技的出現，都應符合人類倫理，不論手機或AI，應縮短人與人之間的距離，也不能影響人類的傳宗接代。無論是機器人還是大模型，都必須清楚自己的本職工作和使命。
《流浪地球2 》中有一句台詞從科幻角度闡述了數字生命的意義：“數字生命的意義在於什麼?我個人覺得在於輔助人使得人類文明得以延續。” 在未來的星際大航海時代，人類可能會先派遣有情緒的機器人去開發其他資源行星，改造到一定程度後，再迎來人類的太空人。根據劉慈欣的觀點，人工智慧、機器人、具身智慧是跨星際文明的一張船票。如果沒有人工智慧和機器人，我們可能仍處於地球母親的子宮中，無法走出太陽系。因此，數位生命對人類文明的演化有極為重要的意義。
大模型時代，我們如何發力？
任澤平：人工智慧有幾個核心要素：算力、演算法、數據、模型以及各種應用。那麼，中國在演算法和數據方面是否具有優勢？我們在發展大模型時應該在哪些維度上發力？
田豐：任博的問題直指人工智慧競爭力的本質。我們先討論優勢，再談挑戰。優勢方面，有傳言指出OpenAI啟動了一個包含一百萬塊GPU的集群來訓練GPT，我相信GPT5和GPT6都在其訓練過程中。 GPT-4有17兆的參數量。而現在，當我們訓練具有百萬億參數量的模型時，能源消耗巨大，對電網造成了巨大衝擊。人工智慧的終極問題在於能源。中國在全球新能源中位居前列，新能源成本低廉，如生產的光伏組件、中西部廣闊的土地成本。我們完全有能力在青海、甘肅、新疆等地建立集中式的光伏廠或風電廠。如果未來的超大規模AI智算中心緊鄰核電廠或光電集群建設，中國將具有比較優勢。許多歐洲和東南亞國家並不具備如此廣闊的土地優勢。
第二是數據方面的優勢。無論是OpenAI還是中國一些領先的人工智慧企業，都在進行合成數據的產生。透過虛擬的數位孿生環境，使機器人、自動駕駛汽車、無人機產生更多的合成數據。這種合成數據是大模型的未來。有預測顯示，到2025年合成數據將超過真實世界產生的數據，到2030年合成數據將完全取代真實世界的數據。因此，合成資料是未來的戰略要地。從傳統數據優勢來看，中國14億人口產生的數據量自然超過美國3億人口，中國130多億的智慧終端產生的實體數據也超過美國30億多的智慧終端。但在合成資料方面，我們必須加大科學研究投入。
第三是算力。 OpenAI和微軟計劃投資1000億美元，打造一個相當於現有算力100倍的超級電腦——星際之門。 OpenAI認為，其算力目前明顯落後於Google。谷歌在英偉達發布BG200時，大量採購了最新的晶片，而且目前本身就是全球雲端運算領域的領頭羊。谷歌擁有自己的TPU，同時也正在採購最先進的晶片，有可能打造出地球上最大的AI運算中心。微軟實際上也提出了條件，如果OpenAI無法繼續證明GPT5取得重大突破，那麼1000億美元的投資可能不會那麼快到位，納德拉會根據AI近期的進展來決定是否分期投資。話說回來，所有人工智慧企業都面臨算力和數據的短缺。 Transformer模型決定了尺度定律，投入越多的算力、越多的數據，模型的效果越好，參數量也越大。人類的大腦有1000億的神經元，但耗電量很小。那為什麼AI還沒有達到通用人工智慧？人類其實擁有非常節能、環保且效率高的思考模式和神經網路。回到第一原理，就有可能出現下一代架構，甚至顛覆式創新現在的Transformer。
現在很多大模型都在捲算力，一秒鐘回覆答案。但OpenAI等公司卻在開發圍棋裡的「長考」。思考時間很長，但給的是一個非常嚴謹的答案，透過反覆推敲，多個資料來源的交叉驗證。真正的科學研究是需要這種「長考」的。我相信未來很快就會出現推理更精準可靠，貼近人類科學研究思維的模型架構。中國受到的算力限制更為緊迫，所以更有動力去探索新的架構模式。美國依靠「大力出奇蹟」的慣性時間會更長一些。
歷史總是辯證的。當年錢學森先生回到中國研發飛彈、兩彈合一、衛星等被超級大國封鎖的尖端技術。當時美國每個零件做的精準度都比我們小幾個數量級。錢學森先生就研發了工程控制學，每個零件的精準度都比較差，但能透過一套有效的體系達到整體最優。科研競賽就像打冰球，想搶球就得看到球運動的方向，下一個位置在哪。所以中國現在更多的是要去思考下一代的Transformer架構。下一代能夠顛覆GPU的架構是什麼？下一代的算力集群該怎麼提升整體的效率
無人駕駛
任澤平：從算力到數據，中國目前還很難達到美國的水準。但在全球來看，穩居第二問題不大。我們未來可能會利用豐富的綠電資源，而不是像美國那樣純粹堆算力。當人工智慧進入大規模商用以後，豐富的應用場景可能就爆發出來了。中國大規模的生產能力和降成本的能力是非常強的。
我們在光伏、鋰電、新能源汽車領域勢頭迅猛。現在特斯拉都不敢公佈Model 2了，因為它發現中國已經推出十萬人民幣以下的新能源車了。馬斯克宣佈在8月8號將推出Robotaxi，無人駕駛的計程車，換一個玩法和賽道。您對此怎麼看？
田豐：馬斯克還有其他的自動駕駛公司說2017年就能實現L4級，但始終卡在L3級別。我認為這有技術的原因，也有非技術的原因。自動駕駛涉及到一個責任的判定，L3等級及以上出了問題，車要負全責。 L3以下就是人做決策，不能甩鍋給演算法。但是世界科技的進程是由少數人來決定的。如果馬斯克真的在8月8號大量投入無人駕駛汽車，那我相信會反向驅動中國自動駕駛向L3.5、L4級別跟進。
任澤平：我今天看到一個新聞，廣汽埃安和滴滴簽訂戰略協議，快速推進無人駕駛的計程車或共乘車。
田豐：商湯絕影與廣汽埃安合作的L2++自動駕駛解決方案，從廣州到深圳100公里路程裡完成一鏡到底影片的拍攝，全程零接管。我們開啟輔助駕駛的車輛可以自動去變換車道超車、上下匝道，去應付各種複雜的場景。所以現在中國的製度是非常領先的。中國的自動駕駛有三位一體的實驗制度。一個是汽車的生產商，包括自動駕駛的演算法商、提供者。然後是城市的交通運營商，例如滴滴。然後是監管者，當地的政府。三位一體負責自動駕駛在各地的試點和推廣創新。
還有一個更有價值的地方就是數據。特斯拉的車上只有攝影機，但是其他的自動駕駛廠商都有雷射雷達，能夠捕捉大量的現實環境中的資料去訓練大模型。把攝影機放到自動駕駛汽車上自動運行，它就像一個城管，可以去監控環境，本身就是一個資料來源。
英偉達Omniverse的工業軟體平台已經接入了蘋果的Vision Pro。現在大家可能覺得Vision Pro不是剛需，但很有可能未來所有的AR眼鏡都是一個資料採集者。我覺得要先解決物理世界資料收集困難的問題。現在工業的軟體百分之九十是歐洲的，和中國的大模型是很難對接上的。那我們完全可以由國家去主導明星製造型企業，組成一個國家級的資料製造平台。這些製造的資料都可以以付費或開源的形式用於訓練真正的工業大模型，帶來長足的發展。
現在歐洲已經有像西門子APP這樣的工業軟體。但是美國英偉達率先宣稱做所有製造企業、製造廠商的伙伴，把數據都放在它這，它給你提供服務。包年的服務費用是一百萬美金，對許多公司來說並不貴。但是美國的智慧製造企業就會依賴這樣的數據，訓練它本土的機器人公司。這是一個不能忽視的問題。所以中國在製造數據領域一定要形成完善機制。
任澤平：所以說，資料要開放共享，共同用來訓練我們的大模型是吧？
田豐：對，尤其是工業數據。如果不分享，那麼中國後面就會面臨非常大的問題。如果人家用歐洲甚至全球的工業資料訓練出彈性生產機器人，中國或亞洲的勞動成本是完全打不過的。如果不做這一步，那就是災難性的、釜底抽薪的問題。
剛才任博說到一個很重要的人才問題。中國不能光是依賴應用層的創新。舉一個例子，過去的八十年到一百年，美國為全球貢獻了30-50%的科技貢獻。由於1922年像狹義相對論和量子力學這樣基礎理論的研發，二十多年後1950年代就出現了第一台電腦、雷射、核電等許多新技術應用。基礎理論的突破，只要二、三十年可以帶來產業的、科技的領先。中國在基礎科學研究領域還是要不遺餘力去投資、實踐。
有兩點要注意，一個是R&D這些基礎科研投資的比例。現在我們是2.5%左右，美國常年維持在3%左右。想彎道超車，這樣的力量是遠遠不夠的。另一個在於，中國其實出了許多華人的科學家，如何給他們一個非常開放、待遇優良的基礎研究環境非常關鍵。
之前有兩個問題，一個是李約瑟之問，一個是錢學森之問。李約瑟之問是，為什麼第一二次工業革命沒有發生在中國？錢學森之問是，為什麼中國的大學裡面湧現不出來諾貝爾學獎得主或大師級的人物？說明中國依然要加大基礎科研的投入，人才的培養。 OpenAI在2017年的時候是一個邊緣化的研發機構，大家會覺得它的研發路徑太瘋狂超前，不一定能實現。實際上，任何一個未來可能產生爆點的方向，現在很可能處於邊緣位置。從這個角度來看，大家一定要長線思考投入，由戰略科學家做出正確的方向性決策，堅持長期主義。
任澤平：我們在應用的研發領域，其實已經很強大了，但中國的基礎性研究還是有差距的。我們還是要解放思想，只有多元化的思想市場才能誕生偉大的創新。解放思想、實事求是檢驗真理的唯一標準。十幾年前，華爾街都覺得馬斯克是個騙子，現在來看確實封神了。如今像人工智慧、無人駕駛等領域也可能存在這樣的爭議。我覺得社會一定要變得開放包容，才能夠誕生偉大的創新。
田豐：對失敗的包容非常重要，不創新試誤是達不到終點的。同時，研發方向性、策略性決策也至關重要，能夠增加最終的成功機率。
多模態大模型
任澤平：接下來請您來跟我們講講多模態大模型吧。
田豐：先簡單給大家做一個科普，人工智慧其實相當於一個算數機器。文字輸入到機器裡面，輸出的也是文本，這叫做單模態的語言大模型。多模態就是不管輸入的是文字、語音還是視頻，它能夠綜合去學習理解，然後產生多模態的產物。在這個基礎上，還有超模態。例如醫療領域的儀器影像，工業領域的時序訊號，或是氣象遙感衛星的資料等。人類從降生起就會透過五感認知世界，而不只是透過文本去學習。
人工智慧的上半場是知識工程，下半場叫工業革命。 Sora目前看起來更像是人類精神層面的模擬器。它沒有在真實世界中去體驗過，所以對於有些現像不能理解。它有兩個價值。第一是可以生成許多符合人類想像力的超現實作品；第二是對影片的自動標註，生成的提示詞、描述詞越準，標註越準，訓練的效果越好。
其實，現在世界模擬最逼真的不是大模型，而是遊戲引擎。 PS5上面的GT7賽車遊戲，當賽車轉彎的時候，旁邊的草都會微微抖動，不同時間的場景光照都不一樣。遊戲引擎為現在的多模態大模型提供了很好的訓練影片。據說Sora就取自了像UE這樣的一些遊戲引擎。它甚至買了“我的世界”的開源版。所以它現在生成「我的世界」的遊戲影片是沒有任何瑕疵的，大家無法去分辨是真實的玩家還是Sora。中國其實有很多的工業數據積累，完全可以去做各種模擬的平台匯集數據，在逼真的數位孿生環境裡面去訓練大模型機器人。
我們認為現在最有可能做出多模態大模型的是像特斯拉、谷歌和英偉達這種公司。 OpenAI現在也著急，所以它投了一些機器人公司。 Sora只是冰山一角，並不是一個成熟如ChatGPT的產品，所以未來它背後可能隱藏著更大的技術突破。人類常說地球上只有我們能夠學會使用工具。現在智能體AI也會去呼叫其他的工具。美國戰略裡就提到，要去研究新一代的人機協同模式是什麼，這對中國同樣重要。
任澤平：在多模態大模型裡餵大量數據，它就會理解很多物理的規律，從而進行模擬現實的世界。數據越多，算力演算法越好，模擬就會越來越逼真。未來更厲害的是，它可能會推理做科研，對吧？
田豐：對，人工智慧其實現在已經能做一些常識的推理了。人類是做快速反應的常識性推理。現在它要解決的是演繹推理，就是亞里斯多德的三段論。一個大前提，一個小前提，然後得出一個結論。比如說，所有的哺乳動物都是要睡覺的，貓是哺乳動物。這兩個前提定了以後，結論就是貓咪也會睡覺。現在人工智慧大模型正在不斷實現這種一環套一環的推理模式。一旦能突破，就會實現錢學森先生說的，中國不管是四億還是五億的勞動人口，一多半都會去搞科研了。傳統的執行類的工作由機器人來取代。
人工智慧帶來的變革時刻
任澤平：我看前陣子大家還在炒作用大模型、人工智慧研發藥，未來的應用場景真的非常豐富。您再給我們講講，人工智慧在哪些領域還會帶來這種改變時刻？
田豐：大家最關心的。第一個肯定是機器人。現在請真人阿姨，未來每個家庭都標配服務型的機器人。
第二個，我預測算力晶片會有一個拐點。它的價格會持續下降。當年IBM大型主機小型機非常貴，然後直接降到了雲端運算的價格。現在大學生如果想創業，三塊八就能租一個月的虛擬機器。今年的A100GPU伺服器租一個小時的費用是兩塊錢。未來算力的價格下來以後，各種模型類的應用會馬上來到我們面前。突破成本的轉捩點之後，社會的需求就特別大了。所以現在一方面，國家會不斷去加大算力基建的投入，另一方面力求在晶片成本上創新突破。
第三點，剛才提到了AGI，通用人工智慧，我並不認為這是一個終極目標。它實際上是一個里程碑。很可能當人類發現AGI誕生的時候，其實它已經變成超級智慧了。
任澤平：有點像科幻片，人被虛擬人或是一套系統統治了。
田豐：人工智慧更像是一張白紙，其發展和應用取決於我們如何塑造和規範它。各國正逐步建立相應的治理體系，以確保人工智慧的發展符合人類社會的共同利益。中國提出的智能向善的理念，強調了人工智慧應用於促進人類福祉的重要性。透過積極建構倫理規範的AI智能體，我們可以確保人工智慧始終在可控的範圍內發展。
剛才事實上還說到類人智能。簡單講，類人智能指的人工智慧系統在特定領域內模仿人類的認知能力，如語音辨識或影像處理，但通常不具備廣泛的認知範圍；通用人工智慧則是指人工智慧系統具備與人類相似的廣泛認知能力，能夠在多種不同的環境和情境中理解、學習和應用知識，解決各種問題。我們預計，通用人工智慧將是一個過渡階段，很快就會發展到超級智慧的階段。正如黃仁勳和山姆·奧特曼所預測的，這一轉變可能在未來五年內實現。儘管如此，目前的能源和算力限制可能阻礙了這一進程的快速發展。因此，在短期內要密切注意美國提出的尺度定律，大力出奇蹟的科研規律是根據現象總結出來的唯象理論，仍有待嚴謹的基礎理論推理。
長期來看，我們需要探索不同的發展路徑和基礎理論。當通用人工智慧到來時，像黃仁勳所說，所有能移動的物體都能夠理解喜怒哀樂，提供恰到好處的服務。第一、二、三產業將真正迎來龐大發展。合成數據將變得越來越逼真，為數據產業帶來巨大的機會。
人類歷史上每一次重大的科技變革和生產力的躍遷，都源自於幾個關鍵因素：能源的突破、運算技術的進步、交通工具的革新、軟體的發展。特別是軟體領域，人工智慧輔助編程和自動化編程工具的出現，將大大釋放人類的創新潛力。
第一個，能源產生巨大突破。從當年的水利能源到後來的發電機，現在的核電再到後面的新能源和可控核融合，能源是非常大的躍遷。
第二個，計算。從原來的算籌算盤到手搖計算器，從機械計算器到計算機，再到未來的量子計算，是巨大的躍遷。
第三個，交通。當自動駕駛降低交通的成本後，每一袋米、每一瓶醋的成本都能夠被稀釋。
第四個，軟體。以前是十年訓練出一個很資深的程式設計師，80億人口中只有大概5%的人會程式設計。現在人工智慧正進入AI輔助編程，甚至未來會有AI自動化編程工具，到那時80億人口都能編程。能源專家可以用AI編出核電廠或電網的調度程序，天文學家用自然語言就可以寫一個尋找超新星爆發的程序，鋰電池的專家可以讓人工智慧編出提升單元密度的新電池結構，人類的創新潛力被極大釋放出來。現在大家用大語音模型產生資料庫SQL語句，DBA資料庫管理員就減輕很多工作量。大家可以透過語言把SQL語句自動寫出來。
下一代，其實可能就在三、五年內，會從基礎的程式設計衍生到複雜程式的程式設計。這時候代表著全民生產力的一個巨大提升。硬體負責執行，軟體負責策略。而策略不斷優化，最好就是由AI產生更優的AI模型。由演算法來去給下一個演算法做調優，機器人去生產機器人。這個本質上就是萬物摩爾定律。這時候人類只需要想清楚人機協同的分工邊界在哪裡。如何去打造一個可信可控的AI。基本上這四個維度就可以去讓人類的生產力躍升到太陽系的太空時代了。
人工智慧大爆發，如何培養孩子？
任澤平：有觀點認為，人工智慧能幹很多工作，那麼我們該如何培養孩子，是否還需要讓他們學習程式設計？
田豐：回到第一原理，或回到非常自然的辯證唯物論。
第一，我建議孩子的第一個學位應該是數學和物理，這兩個基礎學科是其他科學創新的基石。第二個學位可以選擇人工智慧或他們感興趣的其他領域，以便更好地應用於產業實踐。
第二，培養孩子提出問題的能力至關重要，因為創新往往源自於對權威的批判性思考。最後，我們還需要培養孩子的專業素養，以確保他們能有效驗證和調優人工智慧的結果。
任澤平：在人工智慧極度發達並大規模商用的未來，世界會是什麼樣子？
田豐：我們可能會發現，公司中的智能體將超過真實的員工。機器人將具備高度的情緒智商，能夠理解並滿足人類的情感需求。
同時，管理人工智慧的能力將成為每個人的重要技能，這將提升我們的指揮和管理層級。此外，快速而準確的決策能力將變得至關重要。例如，錢學森先生在1989年就提出了直接發展電動車的構想。未來，人類將面臨選擇：是沉浸在資訊繭房中，還是去探索地球或外太空的世界。
人工智慧將為我們提供更多的自由度，但並非所有人都會選擇沉浸在虛擬世界中，那些渴望創新的人將會奔向更廣闊的宇宙。
總結
任澤平：田院長，您今天的講解非常精彩，主要涵蓋了六個重要面向：
第一，大模型和機器人將帶來重要變革，更智慧、人性化的生產可能會實現；
第二，中國雖然在算力方面暫時落後，但是在數據等領域位居一線梯隊；
第三，特斯拉將公佈它的無人駕駛情況，中國的許多汽車廠商也會快速跟進，這將加速推動無人駕駛時代的到來；
第四，通用人工智慧（AGI ）、無人駕駛和教育等領域將出現令人興奮的應用場景；
第五，人工智慧的發展需要有效監管，確保科技向善；
第六，中國需要在基礎科研領域加大投入，鼓勵創新思維。
田豐：確實，人腦和人工智慧都在不斷進化，它們各有所長。人類一定要終身學習，AI進化得再快，人腦也有獨特的優勢。我們應該鼓勵孩子閱讀歷史文化類書籍和科學家傳記，以培養他們的科學素養和人文關懷。對成年人來說，閱讀哲學書籍可以讓我們汲取智慧，經濟學書籍可以幫助我們理解經濟週期，而科技歷史書籍可以讓我們了解科技的限制和潛力。最終，我們需要理解人性，並承擔起研究人性和世界的責任。
任澤平：非常感謝田院長的精彩分享。(澤平宏觀)