什么是真正的人工智能

互联网的风云云少

关注微信号每天收听我们的消息

云少为您推送精品阅读

所谓人工智能(artificial intelligence,简称AI),最主要是两个方向:

利用计算机强大的运算性能对大量数据进行分析,从近乎无数中方案中帮助人们选出最优;

利用计算机网络模拟人类的神经网络和认知(物质转化为意识的尝试),让计算机模仿人类那样思考,而其计算能力又远高于人类。

两次人机大战,前者是“深蓝”的思路,后者是“阿尔法狗”的思路。

一、强人工智能与弱人工智能

所谓图灵测试是指,如果一台机器可以诱导一个人相信它也是一个人,那么这台机器就具有智能(intelligence)。以图灵测试为量度,以“图灵机”为元载体,图灵指出,大脑就是另一种形式的计算机,无论如何设计其人工智能系统,这台计算机都可以做出类似人类的行为。因为,人类智力最光辉之处即在于对符号的处理,而计算机也能做到,称为强人工智能观点。

1943年,麦克卡洛克和匹茨提出,大脑神经元的工作原理和门电路相似,神经元像集成电路一样有着精确设计的回路,从宏观上看,这一结构使得神经元可以收集输入的信息,决定输出的信息,换言之,神经元——至少从理论上——可以实现数字电路的功能。海布进一步指出,脑皮层中任意给定点的活动量,都是所有其他点向其放电的趋势之和,正比于该点被激活的次数,正比于激发的强度,正比于竞争点的缺少。

1956年,司马贺与纽威尔提出“物理符号系统”假设,从信息加工的观点研究人类思维,后来人们将此论文视为认知科学和人工智能的滥觞。AI在其发展的初期,首先是得到了行为主义心理学的支持,该学派认为,尽管大脑内部的运转过程是一个黑箱——不能直接打开,但可以通过测量其输入和输出——在此处是指外部环境和人在对应情形下的行为——研究其性质。

1980年,约翰·赛尔提出“中文屋”思想实验:假设一个不懂中文的美国人身处一个与外界隔绝的房间,房间中放置了很多汉字,他一个都不认识,另外有一本汉字使用指导书。门外的中国人与他交流时,赛尔只需要根据使用指南选择正确的汉字,并将汉字从门缝下面递给外面的中国人。由于中间隔了一道门,中国人以为自己在和懂中文的人交流。

赛尔认为,尽管屋子里的人甚至可以做到以假乱真,让屋子外的人以为他是懂得中文的用户,然而,他压根就不懂中文。而在上面的过程中,屋子外的人所扮演的角色相当于程序员,屋子中的人相当于计算机,而手册则相当于计算机程序。正如屋子中的人不可能通过手册理解中文一样,计算机也不可能通过程序来获得对自然语言的理解能力,称为弱人工智能观点。

赛尔的反对者们则认为,人是拥有智能的,其智能决策来自于脑细胞的电信号转换,每一个脑细胞并不理解单词的意义,只是简单的缓冲、传递或抑制一个电信号,但是脑细胞创造了语法规则与决策策略,尽管它们并不懂每个单词的意义。而人类却能显示出与人沟通的能力。如果按照赛尔的观点,人类不存在认知能力,这与事实是不符的。所以依然可以认为若某段计算机程序,能够完成图灵测试,则说明该段计算机程序具有认知能力。

图灵是从机械装置出发指出,如果可以模拟数理逻辑程序进行操作或运算,那么,就可以应用该装置模拟理解自然语言;赛尔则是从假想实验的纯逻辑思维的角度来分析图灵测试(也可视为是图灵的假想实验)并认为,即使通过图灵测试,也并不能够证明图灵机即计算机可以像自然人一样理解中文(至少一个只懂英文而不懂中文的人都不能做到)。如果我们回望中文屋实验的全过程,我们会发现,其中并不存在“认知”过程的发生。这意味着,我们必须首先理清“认知”的眉目,这样才能断言一个系统是否是智能的,单从表面的行为是找不到答案的。例如,在你读这篇文章之时,别人是无法判断你是否理解了这篇文章的。别人可以在事后提问,但你的文章的理解就发生在你阅读的同时。这意味着,理解是无法用外部行为来量度的,它是对大脑如何记忆和利用这些记忆的内部量度。

因此,对于大脑的解读是必须的,并且解读应该基于三个基点。首先,大脑所处理的输入输出的信息流都不是静止的,因此大脑本身也不可能是静止结构,而只能是开放的、时变的动态结构。其次,大脑是浸润在反射——从更普适的角度来说就是反馈——之中的,在大脑中存在着多样的基于反馈的控制系统。此外,对于大脑的解读必须和大脑的物理结构与生化性质自洽。

在1985年前后的一段时间,神经网络风靡硅谷,其研究人员——又被称为连接主义者——希望通过对神经元的研究让AI不可捉摸的特性变得清晰,并且通过复制海量神经元间的连接,让一些那时还束手无策的问题得以解决。与处处需要编程的AI不同,神经网络是可以基于事例学习的。

自匹配记忆(self-associative memories)也在此间被提出,它也是由相互连接的神经元构成,在达到某个临界点时可以自动激活,并可以将输出传回输入,这一模式与大脑有以下共同点:那就是要检索某个模式,不必拥有其全部,而只需拥有某一部分,也能达到正确的结果,就像你去银行用一张破损的100元换一张完整的100元一样。因此,自匹配记忆可以存储多序列模式,输入序列的一个部分,它也能将其他部分回忆起来,就像你只要看到“床前明月光”就能联想到这首诗的后面三句一样。

图形处理器(GPU)是为了满足快速处理图片的需求而添加的并行式芯片,到了2009年,吴恩达率先提出GPU可以并行运行神经网络,而如今,这已经被当做常规技术进行使用。当神经网络中的某一“末梢”被发现能够触发下一层网络的反应,就像手指碰到了开水,那么这一结果将被传递到下一层级进行解析,就像“被烫着”的信号被传给大脑,指令人将手指缩回。2006年深度学习算法的发明,大大加快了传递信号的速度。在上述两大技术投入实际之后,人工智能得到了迅猛的发展。

我们说,如果把人工智能比作一台汽车,那么学习型算法和大数据就分别是它的引擎和燃料。我们可以教授人工智能玩游戏的方法,那就是让它学习和模仿我们是如何玩游戏的,这将更有助于发挥计算机惊人的运算能力的优势。人工智能将把人类从重复乏味的繁重劳动中解放出来,而使得人可以将更多精力花在那些独特而富有创造性的劳动上,首先是提高人类的生活品质,这是人工智能无法替代人类之处。其次,人工智能更有可能开拓那些以人类的能力不可能完成的劳动和那些人类希望达成却不知其步骤的劳动。

二、智能设备

机器人是智能设备的典型,早在1950年,美国著名科幻小说家阿西莫夫在他的小说《我是机器人》中,提出了著名的“机器人三守则”:

机器人必须不危害人类,也不允许它眼看人将受伤害而袖手旁观;

机器人必须绝对服从于人类,除非这种服从有害于人类;

机器人必须保护自身不受伤害,除非为了保护人类或者是人类命令它做出牺牲。

美国斯坦福大学的Roth认为:“所谓机器人是一种与人,其他动物或机器联合做事的机器,它有自动和半自动的两形式。机器人和其他自动化机器不太容易区别清楚,但它改变快,商品倾向较强,其含义也随时间的推移而改变”。

美国K.J.Waldron提出如下定义:“所谓机器人是一种具有较多自由度,靠与机构有接口的主动系统进行决策和控制运动的机械。这里所提的主动系统是指工业机器人中计算机控制的伺服驱动器,或是指遥控操作机中,作为系统一部分的控制操纵杆的操作者。”

另一位科学家Wolovich给出的定义是:“机器人是可再编程的多功能操作机,用各种编程的动作完成多种作业,用于搬运材料、工件、工具和专用装置。”

我们统整上述观点,给出如下定义:机器人是一种在计算机控制下的可编程的自动机。根据所处的环境和作业的需要,机器人具有至少一项或多项拟人功能,如抓取功能或移动功能,或两者兼而有之,另外还可能程度不等的具有某些环境感知功能(如视觉听觉触觉接近觉等)以及语言功能乃至逻辑思维,判断决策功能等,从而使它能在要求的环境中代替人进行作业。

机器人是一种典型的集成技术。它的覆盖面非常之广,什么合用就用什么。现在新材料、生化技术、新能源、下一代互联网和MEMS技术等已经成为机器人技术的新宠。以机器人技术为代表的集成技术,其发展与进步一定会得益于一系列的核心技术的逐步成熟。就集成技术本身而言,最关键的就是系统设计和寻找应用的突破点。

第一代机器人主要是指只能以“示教——再现“方式工作的顺序控制机器人,以1962年AMP公司和Unimation公司的“Versatran”与“Unimat”为起始产品。目前国际上商品化、实用化的机器人大都属于第一代机器人,但是它们的技术进步也是很显著的。它依靠人们给与程序,进行多种重复操作。由于其不具有传感器的反馈信息,因此不能在作业过程中从外界不断获取信息来改善自身的行为品质,故其应用范围和精度受到限制。

第二代机器人具有一定的感觉装置,能获取作业环境、操作对象的简单信息,通过计算机处理、分析,能作出一定的推理,对动作进行反馈控制,表现出低级的智能。由于其信息处理系统的庞大与昂贵,第二代机器人目前只有少数可以普及应用。

第三代机器人是指具有高度适应性的自制机器。它具有多种感知功能,可进行复杂的逻辑思维,判断决策,在作业环境中独立行动。

人身体的每一个细胞的寿命相比人的寿命而言都是短暂的,现在你身上的细胞也许和三年前全部不同,那么能因此说现在的你和三年前的你不是同一个人吗?由此我们可以推论,只要一个原子在你身体形成中发挥了作用,它就和其他任何原子同等重要。并且我们也可以说,如果一个人造系统采用了与大脑相同的智能结构,它就可以和大脑一样具有智能。

如果我们要让一个机器人接住抛来的球,那么需要做这几步。第一,计算球的飞行轨迹,从而确认它到达机械臂的位置。第二,调整机械臂的各个关节,使之达到合适的位置。第三,循环进行以上两步,因为不可能等到球飞到预定位置时再进行调整,那太迟了,只有在还不十分清楚球的预定位置时就行动,并随着球的接近而不断调整。这一过程当然地涉及到复杂的数学运算和编程工作。

而人是怎么做的呢?人脑储存着抓住球所需的命令记忆和其他许多习得行为,当人看到球,合适的记忆被自动唤起,这个记忆引发一连串肌肉命令,被取出的记忆也根据实际情形进行调整。接球的记忆不是经过数学计算得来的,也不是被编程编入大脑的,而是通过不断学习和训练习得的。

嵌入式的微型传声器、摄像机、传感器给计算机提供的形象化特征为的是让设备能够听到我们、看到我们、感受到我们,语音识别是目前进展最快的一部分。智能设备的芯片与云端相连,将用户在现实世界中的行为投射到虚拟世界中,将可以从在用户看来庸常的海量数据中感受到用户的温度。互动频率的增加会使用户更加欣赏设备的交互式特征,例如,智能衬衫可以测量出用户的姿势并以量化方式记录下来,使得布料按照用户喜欢的方式伸展。更加大胆的想法是,将芯片直接植入人脑,以增益人的感知机能,或曰让人类跳进感知技术自身,其全过程是反复的沉浸-跳出式体验。

智能手机的巨大成功推动屏幕质量的提升,使得虚拟现实倏忽间成为现实,其清晰度和友好性大大增强。现场感和互动效果是虚拟现实技术的两个亮点。

这意味着,在屏幕中,图象浮动于文字之上,复制和粘贴、点击超链接和观看附带的视频成为簇新的形式。材料的革新、虚拟现实和增强现实技术的发展将使得屏幕以更加多样的方式在我们的生活中扮演不可或缺的角色。

这还意味着,在未来,光场投射技术可能取代屏幕呈现,用户将无需佩戴眼罩等设备,投射的场景可以与你身处的场景叠加,即增强现实。投射的场景不会因为观察者与之距离的改变而模糊或变形,并呈现出栩栩如生的立体感。成熟的可视化技术的窍门在于可检索性,电子技术和算法程序的革新推动信息被不断压缩。

三、人脑与电脑

神经元将输入信息整合大约需要5毫秒,而一台计算机可以在一秒内完成10亿次计算,也就是说,计算机的计算速度是神经元的500万倍。但是为什么人脑比电脑的功能强大得多呢?有人说,这是因为大脑是一个并行计算设备,也就是说,几十亿个细胞同时进行计算。但是我们想一想看,人在一秒之内便可以完成的任务——例如识别一张照片上的动物是不是猫——对于计算机而言却难于上青天。这意味着,大脑在两百步之内“计算”出了问题的答案并且输出,而计算机进行两百步计算甚至还不能在显示器上移动一个字符。

假设你要把十块大石头从北京搬到天津,要走两百万步,你一次只能搬一块。现在你雇了九个人和你一起搬,效率相当于原来的十倍,但你还是要耗费不少于走两百万步所需的时间,你不可能因为雇了几个人就可以走两百步从北京走到天津。那么,人脑是怎样在两百步之内完成了计算机两百万步甚至两百亿步才能完成的工作呢?唯一的解释是,人脑根本就不需要计算,它只是从记忆的匣子中“取出”答案,就像中药师从药柜里抓药一样。

多数时候,电脑或手机是不会察觉我们正在使用它们而做出响应的,一种发展的方向是,电脑和手机通过追踪人眼的动作来判定人们想要用它们做什么,或者通过采集人的指令声音而明白自己该怎样做。进而,网页的拥有者可以知道读者的目光在网页的哪一部分停留目光的时间更长。交警也可以利用这一技术,侦测驾驶员是否走神。设备被用来识别人脸,并深入到眼睛的虹膜层面,作为新的身份验证方式。

进一步,设备可以被用来侦测人的表情——以扫描特定点的肌肉变化的方式——然后作出响应,例如,在你用电脑阅读一本英文书时,当你的目光扫过某个生词,你会表现出困惑的神情,此时电脑将能显示这个词的释义。又例如,如果你在看一部电影的某个桥段时显示出无聊的神情,电脑将能够自动跳过这一桥段。

人脑按照时间顺序存储记忆。例如对于一首歌曲,你可以从前奏开始,也可以从副歌开始,一个音符一个音符地把它哼唱出来,但是你只能从前往后唱,不可能从后往前唱,因为你听到这首歌时,它的顺序就是这样的。

假如你看到一块白色的石头,摸一摸它,又会知道它是坚硬的。中国战国时期有个叫公孙龙的人,他说你如果闭上眼睛去摸石头,那你知道石头是坚硬的,却不知道它是白的,如果你只看不摸,那你知道石头是白的,却不知道它是坚硬的。公孙龙据此断言,一块石头不能既是坚硬的又是白的,这当然是站不住脚的,因为石头的“白”或“坚”的性质不因为你看不到或者摸不着就不存在,而你单纯摸到的或单纯看到的又只是存在于石头中的一个方面,而石头本身是存在的,因而“坚”和“白”是兼具的,不可分离的。基于同样的原因我们说,人对记忆的不同部分的存储也是不可分的。

当你阅读这篇文章时,改变照明的灯光、屏幕的亮度、或者你的坐姿,投射在你视网膜上的光的模式就会变得截然不同,因此进入你大脑的模式也不相同,那么你会认为你在这一时刻和下一时刻读的是两篇不同的文章吗?这就是说,这篇文章在你大脑里的“表征”是恒定的,不随外部环境变化而变化。

卡尔·萨根曾说,对于事物的理解并不会折损其神秘性,反而随着理解的加深,我们将越发能够适应我们在宇宙中的角色。同样,理解了我们的大脑如何变得智能,也不会折损万物与我们自身的神奇,而只会因其运用于AI等领域,推动这些领域更上一层楼时,使得我们惊叹不已。

四、人机交互

在未来,化学家将能借助人工智能在数以百万计的化学物质中进行选择,决定将哪些物质用来反应,以产生需要的产物,或者筛选出效率更高的催化剂。律师将能借助人工智能在堆积如山的文件中寻找有价值的证据;金融家将能借助人工智能分析股票的涨落以及如何分配本金使获利最大;人们将能借助智能算法合成出个性化的音乐,VOCALOID将更加栩栩如生;洗衣机自动识别衣物,确定最优的洗涤方案;自动驾驶汽车在考虑行车速度前优先考虑司机和行人的安全。

斯坦福大学的渥维克(Wolovick)认为,人工智能不是对计算机进行研究,而是对思维和行为所体现的智能进行研究。计算机通常是智能的工具,因为智能理论一般通过计算机程序表达出来,使计算机能够做那些人类需要使用智能去做的事情。

在人与计算机的交互过程中,计算机是否能够体会人的喜怒哀乐,并见机行事呢?情感计算研究试图对此作出解答;情感计算研究的发展在很大程度上依赖于心理科学和认知科学对人的智能和情感研究取得的新进展。通过计算科学与心理科学、认知科学的结合,研究人与人交互、人与计算机交互过程中的情感特点,设计具有情感反馈的人与计算机的交互环境,将有可能实现人与计算机的情感交互。美国电影《她》就描述了一个“人机恋”的故事。

在网络世界中,复制品又会产生新的复制品,如同惠更斯模型中不断扩大的波阵面,而其速度更快,门槛更低,更重要地,复制品可以被不断强化,因为它是开放的。混杂的信息在此过程中汇聚成信息流,相互的流动形成云端。如果某样事物是免费的,那么它就会无所不在,它的地位就会倏忽反转。免费的人工智能技术和网络上的免费公共内容一样,更能满足商业和科学的需求,并且很快就能自给自足。

所以我们说,真正的人工智能不太可能诞生于独立的电脑上,而将诞生于互联网中,犹如人不能自绝于社会。人工智能就像所有云端化的事物一样,同时为世界各地的用户提供服务,随着人们的使用而自我改进,将在这一项目的经验用于另一项目,汇聚成一条智能的河流。正如麦克卢汉提出,新媒介最初的形态,是模仿它所取代的媒介。数字化媒介如同可随着容器形状而变形的流体,提供了更多的可能,释放出更大的创造力。

而所谓物联网,其设计是用来追踪数据,这个世界上持续增长最快的就是信息量,其中大部分没有被追踪。我们会生产出生产信息的信息——元信息,这导致了信息量的飞升。巨大的量的积累会产生质变,如同大量微观粒子运动的不确定性在宏观上表现为我们可以认为恒常的物理定律,用概率论来阐释的微观粒子的运动在宏观上可以以因果长链来描绘。

事实上,便携式设备能够追踪用户,以量化信息的形式存储进云端,这种流动信息被称为生活流(lifestream)。生活流是按时间顺序排列的文档流,是一种新型的计算机组织方式,那就是以基于时间顺序的流替代桌面。不同用户的生活流当然会有交叉,从而使得流从宏观上显现出意想不到的性质。社交网络中的时间线设置是生活流思想的体现。

但更重要的是,生活流是主动的、有意识的追踪,这条溪流的流速快慢是由用户来决定的。被动的、无意识的追踪,这种信息流动被称为生活记录(lifelogging),由于大部分内容永远都用不上,生活记录是一个包含巨大浪费的低效过程。由于计算、存储和传感设备十分廉价,这种浪费的代价很低,但是,对于计算和存储的创造性浪费可以发掘出新的价值。

当然,当信息的河流变得广阔而湍急以至于泥沙俱下时,有效的过滤当然是必要的,搜索引擎就是强力的过滤器。信息的丰富和善变导致了注意力的缺乏,静得下心、沉得住气、耐得住寂寞,在现代社会更显重要。过滤也会被应用到个性化的定制(customization)过程中,所有被当做商品的事物都可以被过滤掉。在网络上,广告的摆放位置与其含有的关键词的价值、广告商愿意支付的费用和读者点击广告的表现水平——与当时当地密切相关——相匹配。

五、科技与未来

我们知道,科技是人类社会发展的催化剂。科学方法——或曰科技本身的流程——比科技的进展更加重要。当下,我们正在由一个“名词世界”进入到“动名词世界”,始终正在进行一个动态的流变(deformed flowing)的发展过程,产品变成生产者端的流程和消费者端的服务。由“名词世界”向“动词世界”的变化,意味着我们创造的系统——犹如从非生物变成生物——不仅要面对外部的干扰,其自身运行的过程中也将产生逐步积累的熵增。

例如,工业流程对高温高压的偏爱使得工厂离居民区越来越远,从而推动工厂的大规模化和中心化;同样,数字科技也会因信息传播门槛的降低而偏好廉价复制。在科技变迁的过程中,我们不要只看到孕育的艰辛和分娩的阵痛,而忽略了宝贵得多的新生、成长、希望、传承和未来。

我们知道,知识的增加伴随的是未知领域的增加,如同圆的半径越大,周长也越大。信息量的增加带来的是人们对于无法获取足够有效的信息的担忧日益增加,科技具有的颠覆性越强,它生成的问题也就越具有颠覆性,人工智能、量子计算、基因操控将接二连三地释放具有爆炸性的问题。密歇根大学的一项研究显示,当要求学生只能用图书馆中的资料查找几个问题的答案时,解决一个问题需要22分钟,而上网搜索只需要7分钟,因此,时间的节省本身就意味着生产力。

共享十分重要,它使得参与者的集体影响力超过个体之和,如同比起周密的计划,改进的市场方案会取得更显著的效果。共享、协作、开放、免费所发挥的力量比我们预想的还要大。我们可以通过挖掘那些看似“无价值”的事物——例如朋友圈,通过共享而激发它的潜能。长期以来,人们不认为140字能表达什么,而社交网络——例如微博——颠覆了这一点,使得我们真切体会到“星星之火可以燎原”在当前语境下的含义。共享使得那些看似粗糙的事物变得精细和高效,尽管它不能解决所有的问题,但却是解决问题的首要方案。

事实上,我们看到互联网的发展史,雄辩地证明了这一点。在1994年网景浏览器发布之前,互联网对于用户来说只是文字,那一年,《时代》周刊如此解释互联网不能成为主流:“它并非为商业设计,也不能优雅的容忍新用户。”转过年来的1995年的《新闻周刊》标题《互联网?呸!》则更为直截了当。面对尼古拉斯·尼葛洛庞帝在那一年提出的人们将在互联网上购买书籍和报纸的预言,劳伦斯实验室的著名物理学家克里夫德·斯托尔则评论:“bullshit”。那时,建造了互联网世界硬壳的程序员——他们多为Unix的拥趸——将互联网视作非商业的、开放的公共场所。

如今,网络规模扩大的速度远不及其价值增加的速度。我们说,今日互联网的财源滚滚,实际上是二十年来由每个用户个体推动的自下而上的改革——而不是自下而上的革命或自上而下的改革——的结果,其基础是互联网面向每一个用户的特性。

就连创新也是可以外包和“众包”的,进一步说,自我价值的实现越来越有赖于集体的配合。在文明社会中,匿名如同重金属离子,是维持细胞生命的必须成分,但过量的重金属离子却是致命的。在网络上匿名意味着不必对自己所说的话负责,这同样是一把双刃剑。

囿于自己的小圈子可能导致信息的同质化,即你和你身边的人,其信息来源都是相似的,因而对于不同的声音缺乏了解。坐井观天也是在为自己设限,约束自己潜能的激发与增长。只有不同的可能性排列组合、人际的互动与交流、思想的碰撞与分享,才会迸发更加优秀的方案。

基于如上的事实和构想,我们说,我们的工具越复杂,意味着它的熵增越剧烈而迅速,就越需要更多的人照料,因为,如果迅速积累的熵增不能得到有效的管理,那么终有一日,它将破坏掉生成熵的工具本身的框架;这个时间变得越来越短,意味着我们越来越需要对于变化做出迅速的、积极的和有成效的应对,从总体的结果而言,就是抢在熵增破坏掉这一框架之前做出对框架的革新。例如,软件升级和更新的速度越来越快,而拖延升级的破坏性也越来越大。未来的科技将是无尽的升级,迭代的速率越来越快,淘汰的流程正在加速。

互联网的飞跃有时让我们联想到相变,即大量分子状态的连续变化导致宏观物态在某一点发生突变。在最初,这个全面互联的平台还像是我们现实世界的延伸,但事实上,如同温度和压力慢慢升高,我们会到达一个临界点,“越过山丘”,我们会进入一个全新的状态。当“山丘”的另一侧是不可知的,我们称这一临界点为奇点。我们的未来或许将由超级智能的胜利奠定,当我们创造出的人工智能能够创造出比它自身更加智能的人工智能时,它能够一代一代、以级联的方式生产越来越智能的人工智能。人工智能将与人们共生,形成复杂的依存关系,我们的创造终将使得我们自己变得更好。如果我们现在的生活是固态的,那么,我们不妨说,我们将来的生活是液态的。

我们或许苦恼于现有的领域已被耕耘,从而顿挫创造的勇气和热情,但是,真正的开拓者会在他脚下这片土地不断奋斗,这样的努力将使我们的子孙后代在未来——例如三十年后——站上比我们更高的平台,而当他们在那时回望历史,或许他们也将发出“三十年前满地是黄金”的感叹——就像我们回望历史一样;反之这也说明,我们对于历史上的人和事往往不必苛求,是因他们无法站在他们身后的更高平台上俯瞰自己的作为,如同没有人能抓着自己的头发把自己提起。

因此,我们所处的时代就是最好的时代,我们脚下的土地就是一片沃野。科技的发展,社会的开放,交流的便捷,积极的环境,是我们这个国家在五千年的漫长历史中从未有过的。对于未来的中国,主要的责任者就是我们,就是我们活着的各位。我们每个人对自己的未来、我们所有人对中国的未来负有不可推卸的责任,未来的中国就取决于我们此时此刻的选择。

转载出处:知乎

本文来自企鹅号 - 生活随手记媒体

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏大数据文摘

大数据能消除在招聘和相关商业行为中的偏见吗?

2656
来自专栏程序员互动联盟

学历不高,为啥学不好编程?

最近一直在思考这个问题,部门里面有两个培训出来的,学历不高的小伙子,在明确任务情况下,做的很快功能实现的也差不多。一旦遇到问题,很容易钻牛角,在时间很短的时间内...

3635
来自专栏AI科技评论

剖析|AI可以写剧本了,能写出魔兽那样4天10亿的剧本吗?

GAIR 今年夏天,雷锋网将在深圳举办一场盛况空前的“全球人工智能与机器人创新大会”(简称GAIR)。大会现场,谷歌,DeepMind,Uber,微软等巨头的人...

4159
来自专栏大数据文摘

2016年10个重要的可视化发展

1503
来自专栏新智元

CCF 大数据与计算智能大赛:挑战 11 题,成为顶尖数据科学家

2016年10月18日, 世界人工智能大会技术分论坛,特设“新智元智库院长圆桌会议”,重量级研究院院长 7 剑下天山,汇集了中国人工智能产学研三界最豪华院长阵容...

3603
来自专栏数据科学与人工智能

【数据科学家】如何成为一名数据科学家?

一、数据科学家的起源 “数据科学”(DataScience)起初叫”datalogy “。最初在1966年由Peter Naur提出,用来代替”计算机科学”(丹...

2466
来自专栏大数据文摘

学界 | 牛津学霸的20条读博自救指南

有些学校不光要求在某顶级期刊里发表一些论文,还需要你时刻待命为“老板”解决一些问题。

1142
来自专栏顶级程序员

哪些人工智能电影演得最逼真?

在 1982 年的电影《银翼杀手》的开幕镜头中,一个调查员不断向询问一名为 Leon 的机器人,旨在激发他的情绪反应。在电影中,同情心是区分人类与人工智能(A...

3556
来自专栏大数据文摘

李德毅院士:再大的数据也能绕过那道弯

2146
来自专栏挖数

AI革命,通往超级人工智能之路

本文翻译自Tim Urban的《The AI Revolution: The Road to Superintelligence》,截止目前该文章在Facebo...

89611

扫码关注云+社区