对话李开复:人类50%的工作将被AI取代 很多AI公司估值不合理

640?wx_fmt=gif

关注网易智能,聚焦AI大事件,读懂下一个大时代!


640?wx_fmt=jpeg


【网易智能讯9月3日消息】昨天上午,创新工场董事长兼CEO李开复在北京举办《AI·未来》新书发布会,以他多年来从科研、产品、市场、投资全方面观察人工智能的经历,阐述了他对于未来15年AI发展的预测。会后李开复接受了网易智能等媒体的采访。


李开复认为,AI给世界带来的改变是巨大的,一方面会带来巨大的机会和财富,一方面会带来很多的挑战,其中最大的挑战就是AI会取代所有重复性的工作。用今天AI的技术加上可以确定的未来15年的延伸,它能做的事情是超过我们想象的,这是一件需要人类认真应对的事情。


人工智能时代,人类会被秒杀?


基于当前技术的发展程度与合理推测,李开复认为,在15年内人工智能和自动化将具备取代40-50%岗位的技术能力。但由于企业决策、工会影响和政府政策,实际过程中实现取代可能需要更长时间。


而我们如何处理4-8亿劳动力的再培训问题,以及应对失业带来的“意义丧失”问题,被AI取代了工作的人应当去做什么事情,这些都是在未来15到25年之内会碰到的很大的挑战。


对于失业问题,李开复提出的解决方法是,从“人机协作”和发展“关爱型工作”的角度来调整未来的就业岗位,同时鼓励创意型工作,从而真正减轻人工智能对就业造成的巨大冲击,并且让人类发挥自己的特有价值。对于个人职业发展而言,也应当避开人工智能能够完成的工作、去了解哪些是人工智能做不到的事情。


在AI时代,对于一些传统行业而言,应当重新思考怎么能成为这个颠覆浪潮的一部分,而不是在现在已有的环节去做微调。


AI估值再降20%-30%就合理了


提到“AI泡沫”的问题,李开复表示,AI泡沫其实不是真的泡沫,而是指太多人用AI来包装,造成估值的过高。当任何一个概念突然火了,最后很快就会被玩坏了,因为每个创业者都要包装AI,每个投资人都要做一点AI项目,所以就会有各种的模式。而现在这种状况将会得到调整,从现在正进入年底,李开复认为这将是估值会合理化的一个时间。


过去这三四个月其实估值已经下降了,李开复的估计是下降了大概20%-30%,他认为再下降20%-30%就很合理了,那时就可以大幅地增加投资了。


李开复表示,AI在其每一波小浪潮都可能会有一些波动,长期来看是可以非常乐观的。一些估值的调整、公司的优胜劣汰,对整个行业生态环境其实是一个很良性的事情。


640?wx_fmt=jpeg


AI现在是不可以进行创造的


李开复认为,现在AI创作的歌词、诗词,还只能被看作是一个有意思的、超越我们想象的创作。AI的作品在外行眼里还可以,但在业内专家眼里还是不被认可的。而我们所谈的创作其实还是一个高门槛的创作。


我们也必须要意识到,以后我们读的很多内容、家里挂的很多画、听的很多歌都会是AI写的,因为AI能做一件事情,就是它会发现大家喜欢什么,然后投其所好。


所以文学家、艺术家也会碰到一些挑战,虽然AI并不会全面打败所有人,但只有做到一个领域里最顶尖的人,才能做到不被取代。


AI时代对抗巨头的机会仍然存在


针对在新书中提到的“赢家通吃”的问题,李开复对此的解释是,AI会带来固化作用,因为AI等于大量的数据,数据让你的产品做得更好,即便别的公司愿意花钱、有资本、有品牌、有技术,它依然很难达到你产品的能量,因为它没有大量的数据去训练AI。所以AI会让强者更强,这一点是过去几年也是看得很清楚的。


但同时李开复认为,因为有很多波浪潮的来临,现在几大互联网巨头的领先状态,未必能够也使他们在保险业、医疗业、制造业、出行业等方面同样处于领跑的状态。


因此对抗巨头有两个巨大的机会,一个是在各种传统领域用AI,他们未必有杠杆优势;第二个就是他们做通用型的AI,也未必适用于每一个狭窄的领域。所以纵使未来巨头还是会越来越强大,还是会有很多行业AI公司的产生。


640?wx_fmt=gif

- 加入社群吧 -

网易智能AI社群(AI专家群、AI黑板报)火热招募中,对AI感兴趣的小伙伴,添加智能菌微信 kaiwu_club,说明身份即可加入。

640?wx_fmt=jpeg

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值