AI浪潮席卷全球, 微软首席科学官 Eric Horvitz世界科学大会分享使用AI独家心得，呼吁每个人积极拥抱机遇

（关注公众号并设为🌟标，获取最新人工智能资讯和产品）

全文约10,000 字，阅读约需 21分钟

在近日举办的世界科学大会（World Science Festival）上,美国理论物理学家兼哥伦比亚大学教授Brian Greene（布赖恩·格林）作为主持人,与微软首席科学官Eric Horvitz（埃里克·霍维茨）就人工智能如何塑造未来的研究展开了深入辩论。这场对话揭示了AI在科学和社会领域带来的巨大变革潜力。

凭借其无与伦比的数据处理能力和识别复杂模式的惊人本领,AI有望推动科学发现迈向新的高度。机器学习算法能够快速分析海量数据集,使研究人员得以探索新维度、考虑新假设,并融合来自不同领域的洞见。这种变革性影响将跨越物理学、生物学、化学等传统学科,不仅增强科学家们长期以来的工作,更有望促进深度的跨学科交流,甚至可能重新定义科学研究的本质。

Eric Horvitz指出,我们才刚刚开始领悟这对科学意味着什么。他调:"如果这些AI系统成为将专业领域结合在一起的黏合剂,会发生什么呢?"这一观点突出了AI在打破学科壁垒、推动跨领域创新方面的巨大潜力。具体到应用层面,Horvitz举例说明了AI如何加速材料科学研究。在寻找高效电池存储可再生能源的过程中,AI方法能在几周内完成传统量子力学计算需要数年才能实现的任务。这种效率的飞跃无疑将大大加快科学发现和技术创新的步伐。

不可否认，AI展现出越来越强大的智慧,我们也需要警惕可能出现的挑战。Horvitz呼吁:"我们需要迅速采取行动,以新的方式为人类利用这些AI工具,同时警惕可能出现的棘手问题。"这凸显了在拥抱AI带来的机遇的同时,我们也要审慎考虑其对社会的深远影响。

视频时间轴

12:37 - 人工智能技术与材料科学

17:11 - 人工智能技术与生物科学

27:46 - 人工智能技术和物理

30:25 - 人工智能使用的潜在问题

32:25 - 人工智能如何彻底改变科学

文稿整理

前言: 感谢你加入我们关于在人工智能时代的基础科学的讨论。自2022年11月以来，随着人工智能在影响我们处理各种任务的方式上展现出越来越强大的力量，从平凡到复杂的任务无一例外，但超越这些日常影响的是，AI如何影响基础科学研究？它如何重塑我们处理和解决复杂问题的方式？更基本的问题是，它如何改变我们能够提出的问题类型？

传统上，科学研究几乎完全依赖于人类的直觉，对物理现象的洞察，以及最重要的是，细致入微的经验数据积累。这些数据使我们能够发现模式，从而形成指导所有物理系统演变的基本定律。

然而，人工智能可能会改变这一范式，它提供了无与伦比的数据处理能力，以及一种真正令人惊叹的能力——识别出超出大多数甚至所有凡人所能揭示的模式。机器学习算法能够快速分析大量数据集，使研究人员能够探索新的维度，考虑新的假设，融合来自不同领域的见解，这无疑将导致原本无法发现的洞察力。这种变革潜力跨越了从物理学、生物学到化学等传统学科，不仅仅是增强我们科学家长期以来所做的工作，还可以促进深度的跨学科交流，必然会带来令人惊讶的联系，坦率地说，它甚至可能重新定义科学研究本身的性质。

为了探索这些令人兴奋的发展，我们今天的对话将与一位在这些领域中一直是领导性声音的个人进行。我非常荣幸地邀请微软首席科学官Eric Horvitz加入我们。他还担任总统科学技术顾问委员会的成员，并且最近共同撰写了一份给拜登总统的报告，名为《超充研究：利用人工智能应对全球挑战》。

主持人Brian Greene: 很高兴你能来，Eric，很高兴见到你。

嘉宾Eric Horvitz: 很高兴在这里，Brian。

人工智能技术与科学

Brian Greene:  稍后我想深入探讨一些具体的案例研究，这样我们的讨论就不会停留在抽象层面。但作为我们讨论的背景部分，你认为AI将如何影响我们进行基础科学研究的方式？或者你已经看到它产生了哪些影响？

Eric Horvitz: 我们可以说看到了一种放大和令人难以置信的加速——将我们过去做的事情加快了。例如，过去可能需要几年的分析和计算来研究新材料或新药物的可能性，最终找到一个真正有前景的，然后进一步收敛到一个真正有影响的东西，这一过程现在可以从几年缩短到几个月，甚至几周。因为这些系统现在实际上可以生成并缩小可能性，然后帮助我们不仅完成最后的工作，即找到有效的化合物或有前景的化合物，系统甚至可以指导我们进行最好的实验。

这些实验——湿法实验——是项目中缓慢而乏味的部分，需要大量的资源。如果系统能够计算不同实验的价值并指导我们，这可以节省时间和金钱。

Brian Greene: 那么对于那些可能有一个专家在这里，另一个专家在那里，但很少有人能够跨越广泛学科的人来说，这种情况如何呢？这些系统在数据类型上没有边界，它们可以接受任何数据的训练。那么我们是否看到有能力以一种我们从未预料到的方式将事物结合在一起？

Eric Horvitz: 你知道，当我的团队在2022年8月第一次接触到GPT-4时，你提到的那个时间是11月——是的，那是GPT-3.5，我们在2月份看到了GPT-4。我们的反应是，唯一的词汇就是“多元化”。你需要一个由专家组成的团队才能做系统在跨领域所做的事情。我认为我们才刚刚开始看到这对科学意味着什么的一些曙光。我们几十年来在专业化方面做得非常出色，最优秀的人才往往是专家。那么，如果这些系统成为将专业领域结合在一起的黏合剂，会发生什么呢？

Brian Greene: 那么，另一种方向呢？合成是将事物结合在一起，而我们作为科学家所尝试做的事情是看到一个模式，然后试图跨越，问自己：“好吧，这告诉我们整个系统的什么？”这些人工智能系统能否在这方面做好？它们能否带领我们得出我们从未考虑过的概括性结论？想想看，牛顿在意识到某个特殊的观察，例如某物体在他旁边掉落时，所感受到的那种激动和兴奋感。”

Eric Horvitz: 我不确定苹果落地的故事是否完全准确。是的，它解释了天空运行的方式，这是一种令人难以置信的概括能力和力量。我确实认为这些系统将帮助我们做到那种事情。再次强调，我们现在开始看到这种概括能力的初露端倪。到目前为止，大多数科学研究中的应用还是在模式识别、分类、筛选和诊断等方面，但我们现在确实看到了一些合成和概括正在发生。这些系统似乎在某些事情上变得越来越擅长，它们似乎已经推导出了关于世界的一些有趣的事实和模式。

例如，这跳出了物理和化学的范畴，但对我来说，这些系统似乎已经推导出了某种“心智理论”，能够理解不同的观点，促进对话。例如，在病人诊断之后，系统能够理解病人可能会有什么样的问题，从病人的角度出发。这很像...让人不确定的是，它们是如何通过惊人的大量材料学习到这些的，可能是文学作品、小说、非小说类报告等，从而弄清楚人们关心什么。这种情况带给我一个问题：每当这些令人惊讶的行为出现时，它们到底是如何做到的？

Brian Greene:  当一个系统像你所说的那样，基本上是在我们所写的一切上进行训练时，你认为它会有多大的惊喜？因为我们写了很多，或者至少是很大一部分文学作品，都是关于成为一个人类，或与其他人类互动，或者需要预测其他人类会说什么、做什么、感觉如何、如何反应。所以，我们应该感到惊讶并问自己系统是如何做到的吗？还是我们应该简单地说，“嗯，是我们做到了，而它利用了我们所做的一切，因此它这样做是很有意义的”？

Eric Horvitz: 在我们所做的事情和我们在人工智能领域所构建的系统之间，一直存在着相当大的差距。像我和许多同事一样，我们对过去一年半以来出现的生成式AI模型的特性和能力感到震惊和惊讶。有趣的是，这些能力在某种程度上正在为人类思维提出新的问题和谜团。我们还不确定，但它确实引发了许多问题。这是我很久以来第一次对我们自己构建的系统感到有些困惑。直到几年前，我对所有事情的运作方式都有一个很好的理解，而且我很享受这一点。但现在，它让我感觉像是在最初学习神经生物学和神经科学的日子里，惊讶于这些相互作用的部分——给我一定数量的神经元，它们怎么可能做到这些事情？让我这样说吧，这只是一个猜测，但也许我们现在所看到的与此有某种联系，因此它可能是未来发展的一个聚光灯。

Brian Greene: 我不想在接下来的话题上过多纠缠，但我们在这个舞台上曾有过一些对话，有研究人员愿意给这些系统分配少量的意识（我不知道那意味着什么）。我无法想象这一点，但对于那些真正处于前沿的人来说，这种想法是否曾经在你的脑海中出现过？

Eric Horvitz: 这些讨论时不时会出现。我们必须在某个时候不再将脊椎动物的神经系统视为来自另一个宇宙的东西。我同意，这些是极其美妙的机器，而我们就是这样的机器。据我们所知，这些机器正在进行某种计算，不管我们现在是否能够理解。而且，这并不意味着我们在自己身上看到的各种能力可能在某一天会在机器中得到探索。某天，某天，也许。对于那些对这条路径感到兴奋的人来说，提出关于它的问题是有意义的。我们还没到那个地步，但你知道，许多人工智能研究人员、哲学家和神经生物学家在深夜喝了几杯酒后，都会对意识感到困惑，这也是他们进入这个领域的原因。

Brian Greene: 是的，当然。这是一个深刻的问题。我确实认为有一天我们可能会看着其中一个系统说：“是的，我认为它是有意识的。”

Eric Horvitz: 顺便说一下，有些人对于这个话题有一种观点，那就是根本没有所谓的意识。这只是恰好具备这些计算能力的方式。如果真是这样，那么可以想象，随着计算能力的惊人增长和规模扩展，事情可能就是这样的。

微软借助AI加速实验

Brian Greene: 我想谈谈一些具体的例子，刚才我提到了一些我们已经开始看到的AI系统如何真正改变我们进行各种科学研究的方式。如果我们从材料科学的例子开始，我知道你参与了使用这些系统进行非常重要的任务，比如重新设计电池和类似的事情。你能告诉我们你是如何进行这些工作的，以及AI如何改变了我们进行这类研究的方式吗？

Eric Horvitz: 在微软的团队与太平洋西北国家实验室合作，致力于寻找更便宜、更高效的电池，这是可持续性中的一个重大挑战之一。我们需要存储从太阳能和风能中获得的电力，以备不时之需，因此找到并制造高效的电池是非常重要的。这两个团队合作，使用AI方法，比传统的量子力学或量子化学计算方法快得多，而这些传统方法可能需要多年时间才能完成，而AI系统可以在几周或几天内完成这些计算，利用神经网络来近似这些相互作用。

这让我想起了我们在高中和大学早期学习的化学知识，比如电子壳层（s壳层、p壳层和d壳层）。事实证明，对于s壳层和p壳层，我们可以做得相当好，而当我们必须考虑这些壳层时，它将我们聚焦在某些化合物上，但让我们能够非常快速地进行研究。因此，我们首先生成了一个电解质系统，该系统可以在目前的锂电池中使用，并生成大约3000万个可能的化合物。这是一个太大的评估范围，我们不知道哪些会有效。然后我们使用另一条管道或另一套AI技术进一步缩小范围，考虑热稳定性、可制造性等，最终缩小到几百个可能的候选项，然后我们可以说：现在让我们使用经典计算方法的强大功能，进行密度泛函计算，真正弄清楚这些候选项，最后只剩下几种可以在实验室中进行测试的化合物。

Brian Greene: 这些系统生成的是原子级别的结构，它们会输出“这是一个候选项，这是另一个候选项”，但如果你真的去测试，最初你说的数量是多少？3000万？

Eric Horvitz: 是的，3000万，这是一个巨大的负担。正如我刚才所说的，我们最终会掌握这些漏斗或管道，了解如何将哪种AI技术与经典方法结合起来，经典方法可能成本高昂，但我们需要知道何时使用它们，然后以某种方式将材料科学发现流程优化到位。想想材料科学的历史，这对人类历史非常重要。我们经历了石器时代和青铜器时代，这些都是材料。而现在，我们正在成为新型材料的掌控者，这些材料可能会改变未来天际线的样貌。

Brian Greene: 那么，当你从最初的3000万可能性中筛选出最后的几个候选项时，最终确定的是什么？

Eric Horvitz: 最终，我们缩小到只剩下少数几个候选项，然后只剩下一个。这种化合物使用了70%更少的锂，并用钠替代了锂，但有一个特定的结构。它的成本要低得多，而且看起来非常强大。

Brian Greene: 这是理论上的，还是已经实现了的东西？

Eric Horvitz: 哦，不不不，这已经建成并正在运行中。这是真实的东西，真的非常令人兴奋。

Brian Greene: 那么，从头到尾生成这种新材料的整个过程大概需要多长时间？

Eric Horvitz: 几个月。

Brian Greene: 如果没有这些技术，可能需要几年时间。

Eric Horvitz:  是的，几个月。现在还只是早期阶段，我们刚刚开始掌握这些流程。想象一下十年后的情况，他们将如何生成新材料。

人工智能技术与生物科学

Brian Greene: 另一个例子是生物科学领域，我们有些人可能听说过一些案例，比如AlphaFold是一个例子。我们在这一系列对话中也会谈到这个话题。你能跟我们谈谈这个案例，以及你参与的另一个生物科学领域的例子吗？这个例子与halison有关，如果可以的话，能否让我们了解一下这些内容？

Eric Horvitz: 我们听说过AlphaFold2和3，还有RosettaFold，这是另一组技术，它们在不同团队的推动下做着类似和相关的事情。能够看到一个团队能够说出已知的所有蛋白质，并且能够估计它们的结构，无论是在人体蛋白组中还是在真核生物蛋白组中，这真的令人兴奋。发展的步伐非常快。

Brian Greene:  我指的是生物科学领域中的一个有趣挑战，结构是一部分，当然另一部分是功能——这些东西到底在做什么？它们的分子动力学如何？它们如何相互作用？华盛顿大学的一些工作通过计算酵母（一种真核细胞中的蛋白质）之间的大量相互作用，揭示了一些以前未知的相互作用。这些相互作用是通过AI技术驱动的计算显微镜发现的，而我觉得这个项目中最有趣的是，生物学家发现这些蛋白质在相互作用后，他们说我们完全不知道这些蛋白质在做什么，这就引发了关于生物学如何运作的全新问题和研究方向。

但在这两个例子中，无论是电池的例子还是这个生物学的例子，你使用的训练数据是什么？你是否需要一个非常仔细整理的数据集，比如在电池案例中，这个数据集包含了所有关于X的知识，而不受Y的知识污染？显然，出现幻觉（hallucination）可能不是什么好事。

Eric Horvitz:  这是个很好的问题。在这两个项目中，材料科学和生物学案例中，我会提到你刚刚提到的halison的例子，它们的训练方式有所不同。在材料科学的案例中，令人印象深刻的是当今化学和物理基础的AI工作的一些方面。你可以通过付费生成训练数据，比如计算薛定谔方程的解或估计结果，并根据运行物理计算得到结构的真实数据或估计值。你可以通过经典物理的计算机械来获取训练数据。

Brian Greene: 那是谁在做这些计算？你是否有一群量子力学的研究生在做这些工作？你们是如何做到的？

Eric Horvitz:  部分是这样的，但化学界已经基于大量研究人员的贡献，生成了一些工具，并添加到一个已知化学物质的计算数据库中，这些计算包括波函数的估计等。这可以用于推理和估计你之前未见过的事物，这非常有趣。

关于halison的情况，有一个现有药物的大型图书馆，这个图书馆已经被维护用于重新研究现有药物能否用于其他疾病，即研究这些已经被批准用于临床的药物，能否用于它们最初并未针对的疾病。通过一个类似的筛选管道，我们发现一种用于糖尿病的药物具有令人印象深刻的抗生素作用。这个药物被命名为halison，以纪念《2001太空漫游》中的Hal，相信与否，我无法做到，现在你可以说“我可以做到，我可以帮助对抗这种感染。”

最近，我发现了——在我们谈论发现抗生素的同时——你知道，我们正面临一个抗药性危机，即医学中抗生素耐药性的危机，这种危机正在加剧。麻省理工学院的James Collins团队最近在halison工作基础上，利用他们称之为“可解释的AI”进行了一些新研究，他们构建了类似的筛选管道，并尝试可视化和理解到底发生了什么。想想他们经历的过程吧，他们实际上拥有关于已知抗生素及其结构的真实数据，这些抗生素功能良好。他们也拥有对那些效果不佳的化合物的真实数据，还包括那些对人类细胞有毒和无毒的化合物的信息。你可以创建这些空间，找到一个新抗生素，它是一个新的结构，并且在结构空间中不会对人类有毒。在这个案例中，他们发现了一种新的抗生素，还可视化了一种从未被理解过的新机制，现在这可以成为新的原理和理解的基础。在这个案例中，发现了一种化学化合物的作用机制，它实际上短路了细胞膜上的电化学力，直接让细菌无法生存，它攻击的是它们的反应器，它们的能源来源。

Brian Greene: 我觉得这真是奇妙的事情，不过我并不是这个领域的专家，所以如果我对某些事情印象深刻，而实际上它可能没那么特别，欢迎纠正我。你知道，当我看到大型语言模型的输出时，我觉得令人难以置信的是，它们并没有真正理解语言或语法，至少在我理解的层面上，它们实际上是基于庞大的数据集，找到模式，然后从那里开始推进。在药物开发或材料开发的案例中，你是否有一个外部的模型？它是否了解物理学的运作原理？还是说，足够的数据就能让它有足够的能力去处理统计问题，并且可以说“有合理的可能性，这种分子化合物能解决你正在尝试解决的问题”？

Eric Horvitz: 这个问题在这个领域内已经讨论了很多。我相信，也有许多同事与我持相同的看法，当你给这些大型系统更多的挑战并增加它们的规模时，甚至给它们一个简单的预测任务，比如预测下一个符号、生成图像的下一个像素、语言中的下一个单词、下一个化学结构，或者蛋白质工作中的下一个氨基酸。当你不断推动它们并让它们尽力去做出更好的预测时，这些系统实际上是在推导出一种对世界的模型，它们可能会回答你的问题。它们实际上在更深层次上理解了人类可能依赖的一些基础，它们开始理解化学，它们通过拥有足够的数据，基本上将其内化，通过这种方式不断推动和优化它们的预测能力。我认为，这些系统内部的理想压缩方式就是通过基础理解和原则来实现的。

Brian Greene: 这对我来说听起来像是一种新的科学范式。因为我们习惯的是，我们会观察一些例子，然后理论家们会跑到黑板前，试图写下可能能够模拟我们所观察到的事物的微分方程。然后我们使用那个微分方程来进行进一步的预测。但你说的是，把那套方法放到一边，只要有足够的数据，让自己仅仅通过数据看到模式，而不试图用某种数学公式来封装它，然后仅仅使用那个模式来进行预测。这似乎与我们习惯的做法有根本的不同，你也这样看吗？

Eric Horvitz: 但现在AI不仅仅是在进行预测，它还能进行新的合成、新的发现。我们现在处于一个不确定的阶段，比如，当你真正给它们所谓的“先验知识”时，它们的表现会如何？比如给它们微分方程，让它们有一个起点，而不是让它们自己去推导所有这些内容。所以我认为，目前还不清楚在向前推进时，人类知识与这些系统从大数据集中学到的内容之间的混合应该是怎样的。

人工智能技术和物理

Brian Greene:  还有另一个例子，我知道你也参与了，这个例子更接近我的研究领域——物理学。你能跟我们讲讲这个特别有趣的例子吗？

Eric Horvitz: 当然有几个例子是很有意思的。在总统科学技术顾问委员会的会议上，我遇到了Saul Perlmutter，他是一位诺贝尔奖得主，你可能对他很熟悉，他研究引力波。我们和其他物理学家成立了一个小组，探讨这些模型是否能帮助我们思考一些有趣的挑战问题。我们一直在努力，有些尝试失败了。比如，当我们向物理学家展示GPT-4和Claude模型在关于宇宙是否是膨胀的还是循环的这个问题上的思考时，反应是“这就像一个有抱负的研究生的想法”。如果五年前你告诉我，一个顶尖的物理学家会这样评价，我会说这对于当时的任何AI系统来说都是不可能的。

但是，有一个有趣的例子涉及到准晶体。这是一个相当有趣的非周期性晶体结构，几年前首次在数学上提出，并被证实存在。它最初是在陨石中被发现的，这是地球上非常罕见的存在。所以，有一个物理学家问了一个问题：你能帮我找到一个基于铝的准晶体在地球上的位置吗？我们应该去哪里寻找？这是一个非常有趣的问题，基本上就是用一个大型语言模型来回答，比如“你有没有考虑过闪电击中铝矿？”顺便提一下，你可能想去委内瑞拉，那里的闪电很多，而且那里有很多露天铝矿。所以，这种帮助科学家们提出有趣想法的能力真是太棒了。

Brian Greene: 那么，结果如何呢？

Eric Horvitz: 这是一个全新的发现，我们还需要观察。

Brian Greene:  那你是要去那里亲自检查一下吗？

Eric Horvitz: 我现在要去欧洲，但也许我会去趟委内瑞拉，帮助完成这个任务。那将会非常壮观。

人工智能使用的潜在问题

Brian Greene:  这些都是潜在的和已经实现的成功案例，那么你有没有对这可能带来的负面影响的担忧？我们会不会因此走向我们不希望看到的地方？

Eric Horvitz: 就像火一样，几乎所有我们人类创造的技术都有两面性。我认为，人类智人已经做得很好了，看看我们现在的世界，文明取得了如此惊人的进步，我们将这些技术应用于日常生活，改变了世界，给我们带来了城市、电力、互联网，甚至改变了我们的医疗方式。即使是我们的语言，也是我们发明的工具，现在我们用它来协调工作。是的，人工智能的力量可能会被恶意利用，比如在生物学领域，你可以想象生物学家使用蛋白质设计工具来设计各种新型毒素。我认为，我们需要保持警惕，确保掌控局面。大家可能已经看到总统关于AI的行政命令中，明确提到了一些双重用途的情况以及我们如何应对这些问题，包括生物安全。比如，我们应该对科学家用来生成DNA以制作蛋白质的设备设置什么样的要求？我们如何筛查这些设备，以确保它们不会被别有用心的人利用？我相信我们能够掌控局面，我对此充满希望和乐观。当然，我们也看到了这些创造性的系统如何被用来制造虚假信息、深度伪造等问题。我们正在开发技术来对抗这些问题，确保我们走在正确的轨道上。

人工智能如何彻底改变科学

Brian Greene: 如果展望未来，你认为AI最重要的目标是什么？有没有一个特别的领域，如果AI能够在这个领域取得突破，你会说“这就是我希望我们能够达到的地方”？

Eric Horvitz: 我希望看到AI被用于找到解决和缓解各种疾病的方法，延长我们的寿命，被用于教育领域，推广大众教育，拓展我们对宇宙的理解。我认为，现在我们已经看到了可能性的一些火花和曙光。对我个人而言，我追求的最终目标是理解人类的思想，理解我们自己。尽管我已经追求了几十年，这是我第一次看到我们可以提出关于大型系统及其行为、它们合成、概括、抽象和以新方式组合能力的问题，我希望我们构建的工具和理解这些系统的新方法，能够在某种程度上实现神经科学和AI的融合，带来对心智的新理解。

Brian Greene: 我也认为这是一个惊人的机会和目标。还有一个与此密切相关的最终话题，我想谈谈，这就是在这个舞台上，我们与来自各个学科的不同人士进行了多次对话，其中一部分讨论了当前构建的AI系统是否能够具有创造力。有一种观点认为绝对不可能，它们只是重新排列过去的东西，所有你看到的不过是过去材料的重新组合，这怎么可能具有创造力？另一些人则持有完全不同的观点，认为这种混合和合成可以产生全新的东西。你怎么看？尤其是当你思考科学中的创造力时，你站在什么立场上？

Eric Horvitz: 我认为这些系统令人印象深刻地具有创造力，并且随着时间的推移，它们将变得更加具有想象力。我也要问一个问题，如果你说这些系统只是将各种想法组合起来，那不正是我们在做的事情吗？即使是最具创造力的人，当我们跳出框框思考时，我们也在结合各种思维模式和方法。以同样的方式，我想对所有人说，甚至是那些现在对这些机器的创造力持怀疑态度的人，系好安全带吧，因为我们现在处在一个能力不断提升的曲线上，这很可能是一个指数级增长的过程。再过18个月，来找我看看。

Brian Greene: 你是有什么特别的事情想要告诉我们吗？

Eric Horvitz: 我只是认为这就是目前的速度。我们都感受到，我们正在迈向一个新的平台。像“哦，这不是很酷吗？我们可以用它做材料科学、生命科学，这太棒了！”但我们实际上正在乘着一波不同的浪潮。我的希望是，我们能够迅速采取行动，以一种新的神奇方式为人类利用这些方法，同时警惕可能出现的棘手问题，这样我们才能最大限度地利用这些系统。此外，还有一个更深层次的问题，那就是随着时间的推移，这些机器展现出的智慧力量将如何更深入、更广泛地与社会互动。

Brian Greene: 你会担心我们在科学前沿探索中的角色吗？如果这些具有创造力的AI系统能够利用如此多的信息，并看到我们甚至无法想象的模式，那会不会让我们在这一领域变得多余呢？

Eric Horvitz: 我喜欢这样思考问题，这些都是我们创造的工具，它们对人类的影响可能会像我们发明语言对文化进化的影响一样强大。现在我经常问自己，不是“我们会不会变得多余”，而是更像是一个断言：“现在是时候主张人类主体性的优先地位了”，并思考这些系统将如何为我们服务。我认为这是我们在这些机器获得越来越多能力时需要采取的观点。它们在为人类服务，在为我们服务，它们将是不可思议的工具。我们正处在一个变革的时代，这就是处在变革时代的感觉。我常说，回望这个时代，一千年后，当人们回顾这段历史时，接下来的50年将会有一个名称。我不确定这个名称会是什么，但这段时间将会被记住。

Brian Greene: 这确实非常重要。它将是这样或者那样，或者是我们尚未想到的其他方式，但它无疑会是变革性的。

Eric Horvitz: 非常感谢你，真的很感激这次对话。

---

喜欢这篇文章吗?别忘了点赞、收藏、转发支持一下!期待在评论区听到你的看法!

往期回顾

---

我们AI团队将先进科技与创新想法完美融合!

想要掌握人工智能，但不知从何开始？告诉我们您的需求，学习AI让你抓住这波技术浪潮

告别昂贵服务和缺人烦恼,再见漫长交付周期

无限创意风格,分分钟生成专业级作品

感受 AI 带来的全新工作体验！

欢迎各大品牌方、媒体、企业和个人等

请联系负责人微信：Milo-1101

--END--