2017年全球十大突破性技术榜单发布会记录（干货整理）

昨日，DT君协同美方合作伙伴发布了2017年的《麻省理工科技评论》全球十大突破性技术，并且在北京举办了中国首发仪式。

我们也有幸邀请了近30名行业嘉宾参与讨论这些技术在中国的现状、潜力以及背后的意义。为了让大家加深了解这一榜单，我们将嘉宾讨论的部分内容进行了整理和编辑，呈现如下：

圆桌讨论1：强化学习及自动驾驶

左起：主持人MIT教务委员会中国区主席、MIT中国总面试官石岚；驭势科技CEO，前英特尔中国研究院院长吴甘沙；科大讯飞研究院院长胡国平；IBM中国研究院物联网及服务研究总监、IBM全球技术学院领导成员孙伟；乐视超级汽车自动驾驶副总裁倪凯；地平线机器人技术联合创始人&软件副总裁杨铭；华创资本创始人熊伟铭

主持人：IBM提到，我们已经进入到了认知时代，您作为认知互联网的专家，如何看待认知+互联网的技术趋势？有哪些重大发展机遇？另外，IBM目前已经将人工智能注入行业应用，有哪些对产业和生活有重大影响的应用？

孙伟：很多新的发展机遇都是在跨技术，或者跨领域的融合上。

一、就是我们讲的物联网技术，在很大程度上和我们的云计算、边缘计算，在做技术上的融合。云计算大家都非常理解了，边缘计算，实际上也就是说，怎么样能够使得在数据产生的所在地，有实时性的做及时的处理，而不是把数据送到我们的数据中心或者云平台再去做处理。

二、这个融合讲的是我们看到的数据层面的融合。因为我们现在所讲的大数据，当然互联网上，大家每天所接触到的社区媒体的数据，我们各种各样富媒体数据是非常重要的角度和纬度，但是在我们目前这样一个技术改变世界的环境里面，有非常多的其他纬度的，产生新型的大数据，比如说互联网各种各样的设备，包括结构化、无结构化、流类型的数据、批次性的、实时性的、各种各样的物联网数据。

另外，我们的技术真正要改变我们每个人的生活，相当大的一个角度就是如何能够帮助我们的企业实现它业务的升级，或者业务的创新，所以如何能够把企业内部的大数据价值发挥出来，企业内部的大数据就包括了：比如说制造类型企业的生产数据、供应链数据、物流数据；我们金融服务类型企业的客户数据、金融相关的交易数据等等。

如何能够把企业的高价值数据和物联网产生的新型数据，和我们互联网的数据做融合，基于融合的真正意义上新型大数据，再利用我们的认知计算、人工智能、增强智能、增强学习的方法去挖掘模式，去做预测、优化，这是我们看到的非常重要的技术发展的第二个趋势。

三、我们也看到，我们的物联网、互联网的技术，能够不断地和新一代的人机交互手段去做融合，因为人机交互手段和方式的改变，在很大程度上推动了产业的发展。我们也看到，很多的智能物联设备具备了像人一样的能力，可以像人一样能听、会说、会看，同时可以和人做交流。

作为IBM公司，也是在方向，比如说在我们的合作伙伴，和我们汽车行业的合作伙伴，和我们电子类型的行业伙伴，和我们的制造行业的类型行业伙伴，把新型的人机交互手段，包括自然语音的对话技术，包括AR、VR的技术，融合到业务的管理过程当中，融合到智能的物联网、互联网应用当中。

这是我们看到我们认为的第三个技术发展的重要趋势。

主持人：强化学习在语音识别技术中的应用，机器自主学习能力是否有助于语音识别中的“鸡尾酒会问题”，以及提升自然语言处理能力？

胡国平：过去几年，深度学习在整个人工智能，特别是语音识别、图像识别领域取得了重大突破。它核心的一条是，利用了深度学习和大数据建立非常复杂和强大的网络建模，保证语音识别的正确率。关于鸡尾酒效应，从技术角度看其实不是一个强化学习的概念，它还是单次的决策，当前的数字信号进来会有什么样的输出结果。

所以，现在对于讯飞来说，更多用的是其它技术，包括麦克风阵列的技术，包括在神经网络的构建中，如何有效的区分语音和噪声，实现在噪声环境下，包括在鸡尾酒效应下的这样一些语音识别问题。确实，现在语音识别在噪声环境下的识别率已经接近近讲识别率。

在自然语言理解，特别是对话方面，也会涉及到在当前状态下，如何选择下一步的对话动作或者方式。而这，其实就是强化学习的概念。强化学习，其实现在最准确的的说法应该叫深度强化学习，或者强化深度学习。它的核心概念，其实还是要用深度学习，包括AlphaGO，都要用深度学习的方式，去提取在这样的复杂状态下，应该采取什么样的动作一些关键特征。

在我们的对话系统里面，也会涉及到在当前的复杂状态下，包括机器和用户之间的对话，包括我们的客服系统里有的后台支持复杂状态下，对于机器而言，应该采取什么样更有效的动作，或者问法、回答，能够让整个对话进行的更加顺利。所以总体来说，我们把强化学习更多用在对话和客服方面来做。

主持人：在今年的CES上，驭势科技发布了城市移动空间这款无人驾驶车，能不能从技术、性能、特点等角度，跟我们分享一下这款产品？以及，您对这款产品未来的预期是什么？它承载了驭势科技对未来的哪些战略思考？

吴甘沙：当初设计的时候，我们有3个考量：

一、我们在想，假如我们从头开始，正向工程去设计一辆无人驾驶的车，而不是在现有的设计上修修补补，应该怎么去做？

二、我们想设计一款针对城市出行角度的无人驾驶车。如果要针对最恶劣的场景去设计，可能付出70、80%的成本，只为应对10%以下的使用场景。而我们希望设计一款车，可能只在北京的五环里面开，而且最高限速就80、90公里。这时候，车会极大的简化。

三、我们并不想设计一款概念车。我们希望车的本身技术和应用场景，是可以在一两年之内落地，所以这是我们承载这些设计思路的一款车，您发现所有的传感器几乎都已经隐藏在车身里面了，整个车身非常的酷。

另外，传感器的配置，我们要求360度无死角，而且有多重的冗余，还有激光雷达，有多目的摄象头，有短距离的毫米波雷达，有超声波。这样能够实现非常可靠的对环境的感知。

在里面我们也有一个性能非常好的电脑，这里面会跑很多的算法，这些算法包括我对世界的理解，包括在路上有很多如狼似虎的人类驾驶员的前提下，我怎么能够合理的获得路权，这里面其实也有可以用到，像深度强化学习等等这种方法，当然了这些方法真正的商业化，还有待验证。

所以，它其实是具备了在未来几年内，能够真正在无人驾驶上落地的可能性，当然了，我们说落地其实有很多种限制：

一、技术方面是不是足够的成熟，不成熟我们绝对不会拿到市场上。

二、成本，成本如果太贵了，很显然，也是没有办法落地的。

三、法律法规，我们也找到了一条逐步去商业化的途径，比如说一开始可以在一些私有道路上，像园区、景区、渡假村、主题公园等等这些方面，逐步它能够跑到最后几公里，再跑到城市区域，这个是大致的我们的想法。

主持人：自动驾驶货车在国内的发展，相比欧美国家有什么异同点？应用场景如何？

倪凯：首先，我们不做卡车，但无人驾驶卡车，每个男生都很熟，因为《变形金刚》里面的擎天柱不就是个大卡车吗？它可以说一个无人驾驶的卡车。

但是，就应用场景的话，我觉得在中国有很大的挑战。因为保守的说，中国要解决自动驾驶或者无人驾驶卡车的问题，不会比国外容易。

可以想象一个典型的场景，大家可以看到公共汽车，也是很大的车，在非常拥挤环境的时候，经常司机需要把手探出来，跟边上的小车说“让我一下”，或者售票员把手探出来。

所以说，在这样的环境里面做自动驾驶是多么的不容易，尤其是卡车本身的体量也是非常大的。

可能有人说，我需要在高速公路上解决无人驾驶的卡车，那就可以了。如果要真正解放司机的话，我只是高速公路上把司机换一下，可能上高速公路之前，或者下高速公路的时候，你可能也需要一定的基础设施，或者有一个机制去实现这一件事情。

所以说，要实现完全无人驾驶的卡车，应该还需要非常长的时间。但是有一些自动驾驶的技术，包括一些主动安全的技术，可以在短时间内实现，促进自动驾驶卡车的安全性，这个我觉得能够带来非常大的经济效益、社会效益。

第二，卡车都是职业的司机，他们比一般的老百姓开车水平要高，我们对标的其实是更高水平的系统。所以说，对卡车自动驾驶的系统，要求肯定会更高。

还有一个难点，不仅是在卡车，在整个自动驾驶行业都存，刚刚也提到了，就是增强学习。增强学习很重要的一点是你需要让电脑系统告诉他，怎么样做是一个好的结果，一个步骤怎么是一个快的步骤。

刚才增强学习里面举的例子里，下围棋或者玩电子游戏，这样的副样本是非常容易得到的，大不了死一架飞机，大不了输一盘棋。但是你能不能真正容忍车去做这件事情，你肯定是不能容忍的。

怎么解决这个问题呢？大家一般的想法是用模拟器去解决。但在自动驾驶这样一个复杂的环境、系统里，去实现一个非常好的仿真，本身是一个非常难的问题。

所以说，在技术上也有需要我们未来攻克的地方。像Otto也被Uber收购了，最近有很多收购的例子，在资本上或者技术投入上，大家都在投入很多资源，因为大家相信这是下一个风口，包括出行的工具，卡车也是一个垂直的方向，包括清洁的车辆，或者港口的车辆，还有很多垂直领域。

我觉得整个行业的趋势是在往前发展，但是需要大家一起去解决很多问题，包括我们的从业者、配套行业，比如说保险，包括政府需要制订相应的法律法规，一起去解决这个问题，我相信前景是美好的。

主持人：通过图象识别来解决自动驾驶是比较通用的一种方式，能否简单介绍一下强化学习在图像识别和自动驾驶中发挥的作用？

杨铭：跟驭势科技、乐视有点区别的是，整个产业链上可能分几个链条，包括整车厂提供汽车，也包括一级供货商提供自动驾驶的方案，地平线机器人可能更注重于把一些专门的技术做好，把图象识别的技术做好，把信息融合如何决策做好，作为一个二级供货商，给大家提供解决方案。所以，这是我们现在的一个位置。

图像识别，我觉得单独作为一个自动驾驶的全系统，其实还是不足的，还需要跟很多包括雷达、地图等其它信息融合，来构成一个无人驾驶的系统。

但是，图象识别有一些自己的优势，它的扩展能力是很强的，可以识别出很多事先并没有完全想到的物体，包括一些更新。而且，它可以克服对信息理解要比较细致的精度，比如雷达之类的，可以知道那有一个物体，但到底是什么物体就并不清楚了。

举个简单的有意思的事情，如果地上有一个易拉罐，这种铁的东西，但是对于某些传感器来说，看上去有可能是一个很严重的问题，因为它是金属的，但如果是图象识别，可以看出它的大小、位置，反而能避免。所以，图象识别更有潜力，得到信息更全面，但是它自己还不足以构成一个完全的自动驾驶系统。

强化学习在自动驾驶这个领域中，可能还处于一个刚刚应用的阶段，更重要的是说，如何通过模拟器，能够把一些情况去模拟出来，然后用增强学习验证，控制的路径规划算法，去验证。

但是在图像识别中，我们可以看到已经有很多的应用了，包括如何通过增强学习的方式，动态的过程，把图像中哪些最关键的点识别出来，通过自动学习的方式，在部署之后，能够做一些反馈提高这个系统。

总得来说，我觉得增强学习，在图像识别、自动驾驶整个技术链条中，它会是一个很关键的因素，但是可能目前为止还是一个比较有潜力的，还是一个辅助的角色。我估计在今年一两年可能会帮助其他的系统去提高，包括在控制领域有一些比较大的贡献，但是目前还是一个潜力比较大的分享，也是一个突破性的技术。

主持人：从投资人的角度来看，目前人工智能技术，在哪些细分领域的技术是您所看好的？像自动驾驶这种门槛很高的创业项目，投资者在做决策的时候，主要会看中创业团队的哪些特质？

熊伟铭：其实，金融领域在这方面开始的很早，当然那时候大家还不管它叫人工智能，比如RA，其实已经是智能机器人在帮助做投资决策了。

金融领域里这一波的热点，可能会持续很长时间都是人工智能如何在金融领域的渗透，到底是渗透到投资产品，还是在客服领域，这可能是不同的应用。所以我们觉得，金融其实是很大的应用场景，无论是在美国还是中国。

另外，各种类型的商业对话机器人，其实是一个非常易用且能够想象的，无论是基于硬件的设备，还是呈现对用户体验毫无差别的设备。所以，我们觉得这种对话机器人的形式，是比较容易应用的人工智能。但对话机器人到底用在什么领域，就和团队和创业者本身的素质相关。

我回顾过去几年，大家做的一些决定，除了技术之外，大家最关注的点，其实还是团队能不能做一个工业，或者应用上的一个突破，像百度跟福田那样的合作，要么我自己能够完成一个，要么我变成一个新型的主机厂，或者是我能够重新定义一个应用，其实从投资人的角度来讲，无论是我们还是硅谷的同志们，都是十年，或者十二年，不会再远了。

我觉得大家最终关心的还是你最终的应用行不行，你一定要向投资人证明我有一个商业能力，到底我这个商业能力是自己最后卖车，还是卖服务，我觉得都可以。

圆桌讨论2：面部识别及应用

左起：主持人；百度深度学习实验室主任林元庆；易宝支付联合创始人、总裁余晨；清华大学电子系副教授汪玉；硅谷知名早期前沿科技基金、和米资本管理合伙人谷懿

主持人：刷脸支付、刷脸验证在国内实际应用已经有一段时间了，作为一个比较有中国特色的技术。您认为，能够入选十大突破技术有什么必然性？

林元庆：我们之前就已经投入很大，但2016年加大了投入，我们觉得刷脸的时代已经来了，不仅仅是刷脸支付。

今年，大家会看到更多刷脸进景区的情况发生，我们现在预估今年至少有100个以上的景区能布置百度的刷脸技术。以后就不用带票了，直接往里走就可以了。

因此，《麻省理工科技评论》确实看技术非常准，作为中国的企业这次入选也非常荣幸，我们也期待这些技术在中国有非常广泛的应用。

我们前一阵参加《最强大脑》的时候，当时用了2亿张照片，现在百度人脸上的数据，今天大概是8个亿。互联网上有很多很多人脸的照片都是能用的，如果不能用的就更多了。

说一下我们现在看到的一些有意思的技术趋势，其中一个应该会在接下来的几年非常重要，那就是视频。当然，这里面包括两个层面：

1、视频基础的理解，比如汽车自动驾驶的情况下需要视频的数据，希望得到象素级别的视频理解，这个象素是人，还是车，还是天空或建筑物，这些技术在行业里面是非常核心的，但现在应该没有一家公司能做到99%以上的象素级的精度。如果这个技术能做出来，我觉得影响面是非常大的。这个方向我们百度也在做，但这个方向算是这个行业里面非常前沿的技术。

2、视频的语义理解。这个视频里面到底在做什么，比如这个人在打球吗？不只是原来的简单分分类，要非常好的理解视频中的意思。

过去很多年，图片是一个非常重要的载体，我相信接下来这几年视频会是非常重要的方向。

我刚才说的当然需要积累非常多的数据，也需要对技术进行深挖，才能真正产品非常有意义的你能做得到、别人做不到的事情。

主持人：易宝支付在互联网支付领域已深耕多年。您对人脸识别等新技术融入现有支付体系有什么看法？从用户隐私、安全性等方面来说，人脸识别技术是否会在互联网金融领域开始普及？因为用户隐私确实是大家非常关注的一个问题。

余晨：大家一般谈到电子支付都比较了解阿里、腾讯，因为他们做的更多是面向消费者前端的支付，我们易宝支付其实做的更多是面向后端企业的支付。所以，我们自己并不直接接触人脸支付这样的技术。但是，可以给大家举个例子，华为的手机里面的手机钱包，其实是我们帮他们实现的。

支付界有一句话，随着信用跟数据的发展，最后支付这个行为本身会消失。只要你走到一个餐馆里面，无论通过什么技术能认出你，你吃完饭走就可以了，不用掏信用卡，或者其它支付行为。从用户角度来讲，这样才是最理想的状态。

刚才您也提到，在隐私跟安全方面有很大的担忧。基于生物特征的这些识别技术，可能都是跟原来我们基于字码和文本字串的不同之处，在于它有一定的模糊性跟不确定性。所以，从现在技术成熟的程度来讲，肯定还有一定的误识率。一般的应用，有点误识率关系还不大，但是，支付有大宗交易的，如果误识的话，损失就真的造成了。所以，要求肯定是不一样的。

另外，跟生物特征相关的东西，它最大的特点就是没法改变，你说你的密码万一被人家截获了或者是丢了，你改就可以了。而人脸就不行，万一别人获取了你的生物特征，有办法把你的东西复制出来，你没办法换一张脸，除非你去做整形手术，所以从这个角度来讲，它也带给大家的一些担忧。

我举个例子，以色列有一家公司，它通过人脸识别甚至可以判断这个人是不是恐怖分子，因为他觉得就跟我们中国人讲面相一样，他觉得恐怖分子是写在脸上的。所以通过某些特征的判断，我可以判断这个人是不是恐怖分子的概率更大一点，这个东西肯定政治不正确，先不管它管不管用，所以它一定会有很多这些连带的社会问题。但是从长远来讲，人脸识别和生物特征，一定会帮助实现我刚才讲的理想态，就是所谓支付最高的境界，是没有支付的境界。短期之内可能你会看到的一些相对局限一些的应用，比如说利用于小额支付，或者说利用一些金融服务的开户服务，而不是我们泛泛的讲，所有的支付就可以靠刷脸来实现了。

主持人：请问汪教授。除了通过传统的GPU进行人脸识别技术,通过FPGA进行相关计算的能耗和效率，已经展现出光明的前景。您是否可以介绍一下，目前FPGA以及深度学习处理器方面的研究进展，以及该技术在人脸识别方面的应用？

汪玉：我觉得FPGA可能要从4个方面来看：

1、它的功耗相对来说不是很高，虽然比芯片还是要高一些，大概是在几瓦到20瓦这样一个量级，就是FPGA的功耗，一般来说一个GPU是从10-200瓦不等，所以功耗上来看是要有优势的。

2、功耗虽然低了，它的能量效率还比较高，每瓦特能够提供的计算次数在深度学习这个领域，我们来看的话，还算比较高的，一般来说一个CPU它的能量效率大概在1G这样一个计算能力。GPU每瓦性能在20，大概是这样的。FPGA其实可以做到，每瓦能够提供50、60。所以，从一个小的功耗上来看，能够提供比较高的性能。

3、现在虽然深度学习在很多地方用起来了，但是它的算法还在不断地进步，如果这个进步还在不断地持续，那么这种FPGA，本身具备的可重配性，就会带来一定的好处，所以可重配性是一个非常重要的事情。

4、如果你在FPGA里面把结构捎进去，那可能你的软件做的比较好，软件的人用起来比较方便，可能有一个一键式的DPU（深度学习处理器），就可以把想做的深度学习的算法放上去。

我们觉得FPGA可能还是一个比较好的选择，当然芯片肯定是未来最好的选择，因为他的功耗更低，大概低不到一个量级，性能也会高一个量级，大概是100倍的提升。

但是芯片的问题在于：

1、目前算法是否收敛。

2、深度学习是不是已经能够做所有的事情了，你只做一个深度学习的芯片可能不够，你可能还需要其他的东西。

所以，这是我对于硬件方面的认识。关于跟人脸的结合，我是觉得，刚才谈到了隐私，如果我只是在前端去做一些计算的话，有可能我这个图片是不需要传回去的，所以避免了部分隐私的泄漏。以后在嵌入式设备上，大家慢慢的会把人脸这件事情做起来，把一部分信息，可能能够公开的东西，然后再传回去，不会有太大问题。

而且现在深度学习方面，我知道很多公司都在做特别小的网络，这样的话，不管是在嵌入式的GPU，还是嵌入式的CPU，甚至FPGA上，都有可能用起来，所以我觉得这应该是未来会有很多应用的场景。

主持人：下面，我们问问谷懿，您多年来一直都在从事国际化投资，特别是在硅谷从事高科技投资，也非常了解中美两地的一些高科技投资。中美的科技竞争已经拉到了同一个起跑线上。所以，你看到这些第一手的资料、第一手的趋势，你是什么样的判断？

谷懿：我觉得，刚才说到刷脸技术这个部分，我是前天刚从美国飞回来，我是刷脸进的关，我觉得还挺先进的，当然我不知道它有没有真的验证我的脸是不是我本来的脸，但我确实把护照放在那个地方，刷脸就进来了。我觉得在这点上，中国海关一定比美国海关先进。

所以，我觉得这是目前在应用层面，作为一个消费者来说，其实能看到，中美在差距上并没有以前那么明显，比如现在的支付，非常明显，美国的支付比中国的支付要差很多，美国很多还是信用卡的支付，但中国的微信、支付宝已经非常方便了。

在投资方面，尤其在人工智能领域，我自己觉得其实中国现在很明显，大家都特别特别追这个领域，之前我们自己内部做过研究，是中国在搜人工智能关键字的热度上边，是比任何其他国家可能高二三十倍或者是三四十倍，好像每天大家都在搜这个词，那我觉得这个是一个很好的事情，所以会有很多资源在这边投。

我觉得，我在硅谷看到的趋势比较多的是，其实每个垂直行业划分的是很细的，所以，我们基本上可能从比如说从基础层，从芯片这个级别到算法层，可能是包括不同的深度算法，不同的传感器，然后再到应用层，每个层基本上都有公司去投。

所以，我觉得美国的生态系统相对比较完善一点，每个人可能做得更窄，中国可能需要做得更全一点，所以你要融更多的钱，要去把摊子真的铺起来，这点我觉得是挺不一样的。

第二点是客户层面。很明显，我觉得中国的很多客户对于新的科技是愿意买单的，包括我们有一些深度学习的公司到中国来，其实和很多金融机构其实都有合作，然后是从第一天就开始能够真金白银的合作，这个其实比起去美国一个银行或者是欧洲一个银行，相对来说是要容易很多，因为他们有更多的监管、更多的测试。在这点上，我觉得其实是一件好事，真的是能够在实用上面使用起来。

第三点，反正每次回国，我觉得大家都很乐观，都觉得好像人工智能就要实现了，但国外稍微会谨慎一点和保守一点。今年9月份，我们参观以色列的自动驾驶图象识别的公司Mobileye，他的CEO讲了一点我感触很深，“其实个自动驾驶现在我们做图象识别已经是全球领先了，但是我们自己的感觉是，你的识别准确率从50%到70%其实是很快的，但是你后面从70%到80%或者是90%就开始变得越来越慢，到今天我们可能都已经是上市公司了，我们有这么多资源，但是要把这个准确率从90%提到95%，再提到更高，会发现会越来越慢。”

所以这点我觉得可能是我们做投资也好或者做公司也好，大家要相对比较谨慎的地方，毕竟技术是有一个成熟期，是需要时间来去抚育的，这点上，可能并不是通过很多资源投入进去就可以一气达成的事情。

所以这三点，是我看到中国和美国或者是国外不太一样的地方。

圆桌讨论3：量子计算机

左起：支持人；中国科技大学教授、博导朱晓波；中科院计算技术研究所研究员、博导、国家超级计算济南中心主任张云泉；中科创星创始合伙人、陕西光电子集成先导技术研究院执行院长米磊

主持人：如果我们对量子、对物理，只有中学生的水平，能不能给我们简单的解释一下什么是量子计算机？

朱晓波：现在量子技术已经开始进入实用了，量子技术现在广义上被划分为3个领域：

1、量子通讯，就是保密通讯，潘建伟老师的团队现在已经绝对走在世界的前列，很多国外的都在向我们学习，我们已经开始走向商用。

2、量子计算，这也是最核心的部分。

3、量子精密测量。

量子有很多东西是非常准的，这是任何一种其它手段没法替代的。所以，在很多精密算法上应用。

具体讲到量子计算，从原理上说，它是一个指数加速的计算机，多一个比特你的计算能力就会增加一倍。当然，80年代的时候，量子计算机的理论是非常热的。但是，那个时候只停留在理论上，大家发现了一些量子计算的算法，确实有这个加速能力，但事实上要造这一台这样的机子太难了，所以后来理论上的算法工作慢慢冷却下来，等待一个真正的可以做的东西。

它加速的原理，其实某种意义上说，跟量子的本真性质关系是关系非常密切的。简单来说，你从地球这一头到那头，比如说中国飞到美国，你如果是二维空间操作的话，你就只能沿着地表飞。如果你可以穿过地球的话，那你就快多了。

这个得益于现在技术的发展，原来都觉得好像很遥远，大家都觉得这是一个不可实现的东西，现在就觉得确实是几年内可能能做出一些东西来。

主持人：国家超级计算中心，以及先导技术研究院，我相信也都是有非常多很棒的技术，或者很前沿的思想可以跟大家分享。

张云泉：相对于量子计算，我们超级计算就是要被打败的对象！因为我们做超级计算的人也是追求速度的，越来越快的速度是我们追求的对象。我们的目的，更快的解决问题，比如说天气预报，宇宙的模拟，还有核武器的模拟，包括密码破解。超级计算机，可以用在很多战略领域，所以也是现在各国的竞争对象。

但是，确实现在超级计算机也面临着一个困境，现在的摩尔定律也在逐渐失效，我们不得不用越来越多的处理器核来并行的进行处理，但是带来的问题，我们的并行是有限的，我们一个问题不可能有那么多并发的东西，所以这个就带来一些并发的困境。

另外一个我们的存储访问现在也有瓶颈，就是我们去取数据，这个延迟会比较大，对我们的计算速度来说，也带来很多的开销。

另外一个超级计算机本身可靠性也有问题，我们现在一个机器大概有几万个节点，成千上万的节点同时在一个机器里面，可靠性就有问题了，大概每运转一个小时就会出一次问题，如果这个问题的求点时间超过1个小时，那可能就得重来，就完不成计算，所以现在也是一个可靠性的困境。

还有另外一个我们的功耗越来越大了，随着我们的主频提高，以及我们的规模越来越大，我们的功耗已经达到了几十兆瓦，一年电费几个亿人民币，所以现在超级计算机面临着几大问题，有待破解，虽然我们还在继续往前走，我们现在正在往2020年10的18次方每秒的分点计算的机器在做，世界各国都在做，包括美国、欧美、中国、日本都发布计划了，都在抢占下一个制高点。

不过说实话，我来之前不知道量子计算4-5年就成熟了，我感到很危机了，可能2022年量子计算机就出来了，当然它说50个量子比特就可以打败超级计算机可能还不太够，现在还可以，因为到时候我们是10的18次方。

朱晓波：严格来说只是在一些特定问题上，通用的量子计算机上还比较遥远。

张云泉：这点是让我感到非常安慰的，我们还不会马上失业，因为毕竟超级计算机我们求解方程，我们做浮点计算是最擅长的，好像量子计算机是做最优化问题，机器学习我不知道。最优化问题是我们超级计算机不太擅长的问题。所以我想我们将来是可以合作的，不至于让我们失业。

朱晓波：其实算法是非常窄的，不是说普遍的算法。

张云泉：我感觉量子计算机的进展比我预期要快，我们业内的专家见面都在讨论这个问题，量子计算机到底什么时候出来，大家不用担心，大概还有40、50年，我们到时候都退休了，但是今天这个发布给我们带来一个坏消息，好像4-5年就实用了，当然这是好事！

朱晓波：其实还会是在很局限的问题，其实量子计算机的运行是离不开经典计算机，至少目前是这样的，大部分东西是靠经典计算机的东西在支撑的，只是在某些算点上面加速，所以不会失业的。

张云泉：量子计算机的输入、输出的问题解决了没有？

朱晓波：它算法设计要非常特殊，一定要设计一种输入端信息量比较少，输出端信息量也比较少的问题就好求解，你想2的50次方一个信息输入，本身就是一个不知道怎么去解决的问题，如果你做到100个比特，1万个比特。

所以现在设计的有用的算法，比如说，现在说的最多就是大数字分解，几乎没有太多的输入和输出，所以就可以求解，就这么个意思，我觉得不是竞争关系，是补充关系，在我看来我是这么认为的，超级计算机和量子计算机在相当长的时间内，应该是互补的关系，不是说它可以取代它，比如说在某几个特别有意思的问题上面，可以先比超级计算机算得快，当然谁都不知道以后量子算法会不会有突破，这个其实是很难说。

这个问题太难了，等你们计算机造出来我们再研究，现在搞不太清楚，这个量子算法太难了。

主持人：米院长，您是投资人，又是技术研究院的执行院长。能跟我们阐述一下您这个工作的重心吗？以及在量子计算机方面，您也是做了投资吗？

米磊：因为我是先导技术研究所的，我们这个研究院是一个专门做成果转化的产学研研究院，并不是做最前沿的研究，因为现在很多大学的研究所做的是早期科研，或者是面向国家的重大任务，但其实现在中科院国家还有个要求，就是面向国民经济主战场，我们就是做这块的，包括中科创星也是做硬科技的投资、孵化。

我们主要是做光学的，但光学跟这两位老师都有关系。因为，量子通信很多器件都是光器件，包括我自己原来做过一个小小的东西，就是单光子探测的探头。还有一个，整个支撑硅谷的发展，实际上是摩尔定律，摩尔定律有50年的时间，整个硅谷就是这么起来的，但是去年3月份Intel宣布了摩尔定律已经变缓了，实际上已经开始在失效了，这个代表着过去这波技术创新浪潮要面临一个新的技术曲线，才有可能带动发展，而现在为什么超级计算机和量子计算大家在说这么快速成熟，我认为是一波新需求出来了，对他们是快速的带动作用。

所有的技术一定是为最后的产业服务，为人类的需求服务，我们是做光学，光学这块我们投了很多公司，我们认为二十一世纪是光学的世纪。包括跟超级计算机也有很多应用，比如说现在超级计算机里面的光互联，现在纯电的已经不行了。

我们刚刚拿了中科院的专项，就是做光CPU的计算，IBM、Intel也在投入大量的精力做，未来随着人工智能的到来，对整个计算能力、大数据要求，实际上是对光CPU，以及量子计算，我觉得这两个都是有非常大的带动作用，这两个方向是我们未来重点要布局的。

主持人：您能不能给我们举个例子，让我们更容易理解，如果对所有老百姓日常生活有影响的话，到底它的应用首先突破会在哪里？

张云泉：先讲超级计算机吧，超级计算机是经常讲的，实际上超级计算机看起来很高大上，它现在越来越走进我们的生活了，过去可能是专注于国家战略的科技，特别两弹一星这方面的东西。

现在随着超级计算机的普及，它的成本下降，它现在越来越多的走进了我们的日常生活，最贴心的就是天气预报，我们的天气预报一定要靠超级计算机的，比如说你要预测明天的天气，你今天不算完的话，你就不用预测了，包括预测几天之后的，包括今天的大雪也提前预测了，这些都要超级计算机去做的，就是去求解一个方程，根据现在测出来的条件，去预报下一步的天气，这是最贴近的。

还有一个现在的基因测序，也需要超级计算机的能力去进行基因的比对，包括精准医疗都需要依赖于超级计算的速度把它做得越来越快，成本越来越低的，这样我们的老百姓才能够享受到基因测序。

包括现在很多互联网公司，现在做的深度学习，包括人脸识别，它背后都是用GPU加速，都是用超级计算机加速的，所以超级计算机现在和大数据的结合越来越多，通过深度学习的算法。所以，很多互联网公司，他们也是在招很多高精尖的人才，也是建超级计算机，也是来做深度学习的加速。

朱晓波：在座的各位，特别是搞人工智能的，大家应该深刻感受到一点，计算能力可能会是人类下一个大的瓶颈，因为好多问题，如果计算能力解决了，好象就都解决了，所以搞超级计算机的人是最理解这个事情的。

米磊：光学，我提了个新词儿：消费光子。过去我们叫消费电子是因为用集成电路做的消费类产品，这个市场非常大，CES大家每年都会去，实际上未来会有一个新的产品，就是消费光子，就是因为未来所有的产品，其实都离不开光学，我把IT产业分为从信息的获取，到传输、计算、存储、显示器，现在信息传输这块，现在光通信占到我们上网成本70%，信息的获取，我们现在知道无人驾驶里面，激光雷达、光线陀螺、双目视觉，基本上获取信息，包括很多大成本都在光学这块。未来我们人眼获取信息，就占到我们人获取信息的70%。

这块未来都是光学，光学已经开始，现在硅谷最热的就是两类人才，一个是人工智能人才，一个是光学工程师，这是最贵的。

圆桌讨论4：基因治疗

左起：主持人；中科晶云创始人、测序中国董事长赵屹；合生基因CEO蒋云；金准基因副总裁孙隽；元码医学部总监袁大巍。

主持人：美国第一家投入市场的基因新疗法公司可能很快就会诞生了。那么在中国，我们现在的进展怎么样？

另，中国存在很多假冒伪劣的基因治疗，这其实是损害了基因治疗在中国病患者心目中的形象。大家怎么看？另，对于该领域的研究进展，以及市场推广，你们有什么建议？

赵屹：中国有很多公司在做基因治疗，但官方获批的对于罕见病或者单基因遗传病的治疗方案，并不存在。

据我们知道，欧洲大概有两家公司是获批的。针对视网膜营养不良的失明症（也是一种罕见病）美国斯百克公司是第一个在美国获批的。

目前，整个市场的情况就是如此。

但从技术层面上来讲，国内的研究机构和企业完全没有什么问题，而且技术都不错。

但是，从技术转化成一个临床应用级的治疗方案，在国内还有很多不可预知的因素，包括法律层面、市场监管等不确定因素。

蒋云：基因治疗本身是个平台技术，分为两个层次：1、在体内进行基因治疗；2、在体外对疾病的部分进行改造，再回收到体内进行治疗。

理论上，这两个部分都应接受卫计委和食药局的审批。实际上，基因治疗手段在国内没有特别明确的规范。

2014年，卫计委把权力收到中央，所以实验需要按照卫计委的要求去做，包括一期、二期临床。到了2015年，这个权力反而下放了，原因可能是审批时间会过长。

另外，目前从事这个行业的人数并不是那么多。医疗的投资周期比较长，一般需要2-3年见收益，尤其是做药或平台医疗技术的，至少需要五年以上，甚至十年，才会见到可观的收益。

所以，在这两个层次，阻碍了国内基因治疗这个领域的发展。

还有一个问题，在国内基因治疗的审批监管，目前还不是像欧美那么健全。

我们需要投入大量的时间、精力和团队去做一个罕见病的药物，同时面临的是一个不十分健全的监管。所以，挑战还是蛮多的。

孙隽：我入行的时候做的是基因检测。印象比较深刻的是，我曾经参加了一场血友会病友协会的一个讲座，当时协会主席就是一个血友病的患者，我去给他们科普基因检测的知识。

我发现，绝大多数血友病患者都可以正常的结婚生子，但需要终身注射凝血因子。血友病其实是单病的一种，属于比较罕见的，其实就是一个基因凝血因子发生问题了，不能正常的合成凝血因子。所以，他们比较容易出血。但是，只要注射凝血因子，他就可以很正常的生活。

我当时的想法就是，这些人原本可以过上很好的生活，但如果不需要注射，而需要从基因层面上把他有缺陷的基因修正过来，可以让他们完全可以像正常人一样生活，当时就产生这么一种愿景。

非常可喜的是，这几年来基因治疗技术这么飞速的发展。

从技术的层面上来讲，现在做的基因治疗一方面是你的基因发生缺陷，赶紧把它修正了。另外一方面是补足型或者抑制型，对于某些病，比如刚才提到的阿尔兹海默症，发现存在的一个共性就是淀粉蛋白的过量凝聚。在这种情况下，我们就可以把相关的基因关闭，从而抑制病情。这属于两个层面。

因此，无论怎么样，从上游角度来讲，你得先知道这个病的基因上到底出了什么问题——关联性必须是正确的，才可以继续往下游去走。

回答主持人的问题，目前国内轰轰烈烈的精准医疗，其实大多数还在上游检测的阶段，精准基因也是专注于单基因病的基因检测。为了将上游做的更好，我们需要把病因非常明确的定位出来，到底基因哪里出问题了，然后再往下游对基因进行调整和修饰。

对于基因治疗方面，目前国内获批的技术在飞速的发展，市场也非常饥渴。去年，一个罕见病的药物在9个月内就在美国获批了（飞速获批），原因是患者推动的，也就是说市场很饥渴。

但在中国，个人认为，最大的问题是资本市场的观望，可能大家对这个领域的认知度、认可度不是那么高。另外，获政府批准这么一个崭新的东西，相关的监管部门团队需要一定程度的积累，对技术的风险也需要一定时间的评估。但我相信，这个领域首先技术上可行，因为患者一定会获益，市场也在那里。

因此，我觉得，这个行业是值得坚守的，并且一定会稳步前进的。

袁大巍：我先简单介绍一下基因免疫治疗，也给大家分析一下为什么它可行，为什么它有些地方不可行。

父母遗传的突变叫生殖系统突变，在人体内是一半一半的。细胞复制过程中的错误也可以遗传下去，这种错误也叫体细胞突变，不会遗传给孩子。

基因免疫治疗，就是把这些基因错误产生的疾病去除掉。为什么我们经常会提到阿尔茨海默症或者贫血综合症？就是因为它是单基因引发的疾病，这实际在人类中是比较少见的。因为人类作为复杂的群体，一个基因出现了问题，经常会有其它基因替代。

实际上，我们面临更多的是复杂基因的变异，比如癌症，经常会有2-8个驱动基因同时变异，才能患癌。

所以，在这种单基因病中，我们的技术本身也有一定的局限性，因为人体像我说的第一种情况，我们是从父母那遗传来的单基因病，整个身体的细胞，至少有一半都会存在这种缺陷，这种缺陷如果用基因的方式来描述，就是TCGA的碱基，或者多个简基发生了错误。

如果想去修正它，就会涉及到怎么用精确地修正这个基因。因为TCGA的重复很多，也就是说涉及到拖把效应，就可能引发一些不必要的麻烦。

这是刚才说的体内治疗。我认为，在未来，体外治疗会变得更好、更容易实现。比如，我们现在的Car-T技术——很多人都是从自身的干细胞生成一种治疗效应的因子细胞，然后再打回自己的身体之内。

如果我们把这个Car-T的技术分析一下，就会发现它最大的弊病在于，只能回输自己的细胞，因为免疫系统会排斥回收的异体细胞。如果把免疫系统这些东西通过基因手术的方式去掉，不会有排斥效应的时候，就可以把它变成一种药物，将Car-T变成更多人可以受益的治疗方式。

所以，体外治疗可能会在未来非常火，很快会是一个非常有效的启动方式。

另外，现在国内来看，医疗行业医患矛盾比较突出，有的时候都不用基因免疫治疗，包括一些靶项治疗，不少医生对此都持保留的态度。

所以，我们现在在紧跟世界的步伐，也想让这个行业造福于中国普通的老百姓。当然，这些技术也需要我们更有耐心地等待它成熟。而作为一个起点，我们现在已经可以开始做一些事情。

圆桌讨论5：新兴技术的商业趋势

左起：《麻省理工科技评论》中文版首席顾问，“赞赏”出版与BCINSIDE Lab创始人，前NEWSWEEK中文版执行主编陈序；MIT教务委员会中国区主席、MIT中国总面试官石岚；科特勒咨询集团全球合伙人、中国区总裁曹虎；网易传媒科技总监杨霞清；云享客创始人瞿嘉东

主持人（陈序）：刚刚我们都已经听到2017年十大突破技术的榜单，请这个环节的四位嘉宾选择一下刚才这十大技术中，你最喜欢的，或者你最重视的一个技术是什么？

瞿嘉东：我最喜欢的技术是超出人们想象和跨界的，我没有办法给出一个具体的答案，因为这太具体化了，因为我觉得现在人们的思考是线性的，但技术的发展完全是指数性的，而且完全超出了人们的想象。

如果说有趣的话，还是人脸识别技术。因为，这是唯一作为识别标志的。我想，无论是从技术的角度个人的角度、生活的角度，它可能是一个让我们甩掉所有的手机、支付宝、信用卡，是一个唯一的工具。

杨霞清：我很喜欢的是无人驾驶货车，我觉得它能解决的问题是，很多卡车司机白天、晚上都要驾驶货车在路上，很多人都是没法休息的。但如果自动驾驶能够真的实现，比如三个人变成一个人，比如他只要在出高速和进高速的时候驾驶就可以了，路上其它时间都可以休息。可以提高效率，节省人力，对很多司机来讲也是很人性的一个工作。

曹虎：因为我是学生物学的，所以我最喜欢的是细胞图谱，因为我觉得它是非常重大的世界级的科技里程碑。我们从最基础的基因组，到蛋白质，现在到了细胞，一级一级的更加接近于人体的机能，包括发病等等，所以细胞图谱这一环会非常重要的补充我们整个精准医学的地图，我觉得它非常重要。

石岚：我最喜欢的也是细胞图谱，为什么喜欢？跟曹总的原因不太一样，我不是学生物医疗的，我学的是工程学和管理学。但是我在想，我们都有了基因图谱，现在又有了细胞图谱，是不是中医中说的经脉什么的，在细胞图谱中我们能看到一些蛛丝马迹呢？人类的灵魂什么的，如果通过精准医疗的角度来说，是不是也能看到一些东西？能不能看到这些系统性的东西，这是我感兴趣的。

再说一个，强化学习。也因为最近有两本书特别火，一个是《人类简史》，一个是《未来简史》，所有的人都在探讨，在智人以及人工智能再往前发展的时候，机器自己都会学习了，未来的人类会往哪个方向走。

主持人：但我想问的一个问题是，今年发布的这十项技术当中，我们有没有看到在技术商业方面更强的趋势？而这些趋势在过去几年当中不是那么明显，或者没有明显出来的，在座的四位怎么看这个问题？

曹虎：我们今天讲的这些技术，按照不同的成熟期，有5年、10年、15年的，比如让瘫痪能够康复是15年，它有不同成熟期，我觉得在看一个技术的时候，除了要关注这个技术本身从技术角度的领先性、革命性和技术所创造的全新可能性之外，我们还要更多关注这些创造的价值，如何最终转换成消费者价值，这其实在很多技术当中是一个巨大鸿沟。

回答主持人的问题。我觉得，在自动驾驶卡车、强化学习、细胞图谱方面，我觉得可以很快看到它的应用价值。如果我是投资人的话，我会比较愿意关注这些方面。

主持人：关于不同市场的转化路径和过程中会带来一些问题，包括在商业和碰到具体传统商业模式互相竞争的时候又会碰到哪些问题，我觉得MIT在这方面应该有非常充足的经验。我想问问，石女士对这方面的了解。

石岚：刚才大家都提到了，传统的VC他们投的领域和阶段是非常窄的，因为一般VC的募资、退出，7-10年时间必须要退出，所以有更长周期的项目，无论是能源的项目、医学的项目，他们实际上是没办法投的。

这也是为什么MIT后来在去年做了一个很重大的创新，我们创建了一个全球第一家加速器，不是靠VC的钱来驱动的，里面追求的都是长期的对科技有巨大影响的回报。

我可以举个例子，因为MIT有个学生，发明了一种涂层，那种涂层如果涂在蕃茄酱上的瓶子里面，蕃茄酱就会非常容易倒出来。这项技术，可能有100家VC马上来找，我想投你，因为他们马上会知道，这是很有商业价值的，而且是立马就有商业价值的。

但是，有100种技术是有人类的重大创新的，却没有人来投。所以，我不觉得VC投的就一定代表我们所有的重心就放在这儿，因为它本身是一个特定的商业模式，而且传统的VC投资模式正在被打破，有很多传统型的投资方式已经打破了这种传统的VC投资方式。

所以，这也是我们对所谓的商业价值，我觉得应该有更长远的考量。因为，中国人现在太急功近利了，本身VC已经很急功近利了，中国的投资人就更加急功近利。我们很难去支持一些对人类有重大影响的项目，我觉得这是很可惜的，因为我们的大脑实际上是非常非常聪明的，我很希望看到在中国有一些创造性的技术出来，影响人类未来50年到100年，虽然你不是5-10年就有一个财务回报。站在这样的视角来说我觉得挺重要的，因为不能光讲眼前的技术回报。

主持人：瞿总，您是比较成功的企业家，我想问您，从企业家的角度来看，在技术和商业的结合上，资本是不是真正能够认识技术的价值方面，您从企业家的实践当中，是怎么看今天的形势和未来的趋势的？

瞿嘉东：因为，MIT做的实际上是基础研究、科学研究，你看他的评选，实际是对世界的改变和对世界的影响，评选的是这个，并不能评选出哪十大技术最赚钱，或者哪十大技术最适合商业使用。

这种产品研究和商业的技术研究，实际上是公司做的事情，不是MIT做的，也不是MIT评选的。

作为公司来讲，因为你有盈利的目的，没办法，无论是基金也好，做公司也好，总有一个急功近利的木，否则你怎么向投资人交待？否则怎么向自己交待？

所以我觉得，MIT做的十大突破技术评选，跟商业这块有相似的地方，有时候又完全没什么关系，它注重的是基础研究。

前面很多嘉宾都提到了，中国对基础研究是不大重视的，无论是VC也好、网红也好，还是创业者也好，鼓吹的都是发财致富，这些东西都是用钱来衡量的，所以这块是没办法直接来衡量的。这是第一个原因。

第二，作为企业家来讲，我始终想的是，今天有十大技术、明天有十大技术，一会儿讲摩尔定律又有了、摩尔定律又失效了，其实这里面讲了一个什么问题？讲到我们的人生是个线性的成长，思维也是线性成长，但技术实际上是指数型成长。

回答你刚才的问题，实际我对未来非常非常乐观，为什么呢？技术的发展是超过我们想象的，而且方便性、便捷性也超出我们的想象。

所以我想，每个做企业的人，我没有办法预测到未来，我参加这个会最重要的目的就是，不是这个东西能改变我什么，而是说，我们在做企业的时候，要怎么样避免这些失败。说的通俗一点，就是要跟得上这个潮流的变化，我想这可能对我们企业家来讲是最重要的。

主持人：我特别想问四位嘉宾的一个问题是，在中美之间我们现在看到在技术创新上、科学创新上还是有一定的距离的。你们觉得，中国需要做哪些事情，可以更快的赶上美国，甚至并驾齐驱，甚至超越美国？

石岚：其实我想到的是中国的教育要改变，因为在美国好多人去做发明创造的时候真不是为了赚钱，他觉得那事儿特别有意思，他想创造的东西就是他自己特别特别热爱的，又能改变世界的东西。

第二，美国人想的就是改变世界，要创造一个什么影响全球的事情。所以，跟彼得·戴曼迪斯交流的时候，他每做一个项目，招人进来第一条要求就是，你想做的事儿一定是改变全世界的，不能只光想你那一亩三分地。

这在我们现有的教育体系中，这样的孩子是教育不出来的，非但教育不出来，而且会把这样的孩子扼杀掉。所以，我觉得中国最需要改变的是教育。如果我们没办法改变公办教育的大环境的话，在座肯定有很多家长，那你们要创造这样的小环境给孩子足够的空间。

曹虎：我觉得，在全球新的经济格局下，实际上世界上主要是中国和美国，其他国家没有太多的角色。我觉得，在全球分工新格局当中，中美分别有自己不同的角色，我觉得中国扮演的新角色是什么呢？比较重要的是在于用高端需求，特别是用新兴技术、新的应用、新的模式的高端需求，来带动全球产业链向中国转移。所以，中国实际上是需求引领。

另外，中国在法律法规管制方面，因为体制的独特性质会有领先性，特别是在比如无人驾驶汽车领域，会有一些领先性。

反过来我们看，美国一直都是在基础研究方面，特别是在一些非常高的基于科学发现的产业当中非常领先。

但是我们发现，美国在基于工程方面，特别是在基于一些物理性的东西方面，美国的产业链在不断缺失。今天我们的十大技术，但十大技术要做成产品，美国的产业链可能无法支撑到你，比如有几项技术会用到的光学材料、量子点，这些项目的原创技术在美国，但你会发现谁帮你做，你的制程在哪里，你的工艺设备在哪里，你的有经验的工程师在哪里，你的终端客户在哪里？你会发现，这些东西全都已经在亚洲、在中国了。

所以，在这样的分工下，我觉得中美之间，美国更多是在基础研究、科学发现和一部分的全产业链上，中国是在工艺、生产能力、高端需求、快速应用方面，这两者结合起来之后会互相反哺。我觉得在人工智能领域，会是一个非常好的例子，最优先的算法、基础设施在美国，但大量的成熟应用和反馈是在中国。所以，中美之间是紧密的再分工的过程。

杨霞清：我觉得，所谓的中美鸿沟，原来大家都是跑到美国去拷贝模式也好、技术也好，其实现在在技术上，中国跟美国确实还是有距离的，所以我们会看到，很多投资人跑到硅谷去找项目，看到很多人想到Google、Facebook，把美国的人才吸引回来，呼唤回来创业。

所以，这个鸿沟我觉得是长期存在的，一会儿半会儿还真是弥补不了。刚才曹总说到分工问题，可能是现阶段比较现实解决这个鸿沟的方法和方案。

但我觉得，如果要去慢慢的弥补两边的鸿沟，肯定还是人才问题，有没有高科技的人才，有没有对基础研究的氛围和土壤，这是最核心的。

所以，从长期来讲首先是人才上要有教育的土壤和更多社会的土壤，培养更多的人才。

第二，从社会的文化和氛围上来讲，需要有更多对科学的尊重和对科技人才的尊重，让科技人才能像明星一样，或者能像原来的商人一样，得到足够的尊敬，或者获得足够高的收入。我觉得这点需要整个社会文化上，要让这批人能够成为主流、高收入的人才，我觉得这是比较重要的。

欢迎关注DT君的科幻电影公众号：

招聘

编辑、视觉设计、视频策划及后期

地点：北京

联系：[e-mail]

MIT Technology Review 中国唯一版权合作方，任何机构及个人未经许可，不得擅自转载及翻译。

分享至朋友圈才是义举