楊強，香港科技大學計算機科學與工程學系系主任，人工智能領域學術界的領軍人物，華人界唯一的國際人工智能協會 (AAAI)councilor，IEEE 大數據期刊主編，ACM 杰出科學家。兩次獲得國際數據挖掘領域最高級別競賽 KDD Cup 世界冠軍。楊強教授發表論文 400 多篇，被引用超過 20000 次。

但同時，除了扎根科研界，楊強教授還是人工智能領域深入商業應用領域的頂級專家之一。目前，楊強教授擔任人工智能技術與服務提供商第四范式的首席科學家，帶領這家被廣泛看好的人工智能公司不斷取得科技突破，近期第四范式在烏鎮世界互聯網大會上發布了可供大部分互聯網公司使用的人工智能公有云產品，也是基于楊強教授與團隊「AI for everyone」的共同價值觀。日前，極客公園對楊強教授進行了專訪。其中，楊強教授不僅向我們介紹了第四范式這家公司的研發方向，還就人工智能領域的很多動向及發展狀況做了解答，其中頗有很多值得琢磨的地方。

同時，楊強教授本周也出席了騰訊網媒體高峰論壇，他在現場也就人工智能和媒體行業的關系與發展發表了精彩的演講。我們將他的演講實錄附在文后，希望能對你有所裨益。

采訪實錄：

問：作為「遷移學習」這個領域的專家，您覺得它對人工智能產業的影響和作用是什么？能給我們舉兩個例子嗎？

楊強：首先，現在人工智能過多依賴大數據，這是很危險的。危險來自幾個方面，首先收集大數據需要很多時間資源，有了數據以后還得去處理數據，之后機器才能學習，在這個處理過程中需要有人參與，而凡是有人工干預的，要求就特別高。遷移學習的思想是，通過發現大數據的模型和小數據問題之間的關聯，然后把模型遷移過去，這樣一來如果在大數據領域先得到了機器學習模型，在研究下一個相關領域時，只用一部分數據或者小數據就可以完成。利用遷移學習這一特征，我們就不用花大力氣去收集資源了，這對人工智能的發展非常關鍵。比方說新開一個網店賣一種新的糕點，因為沒有任何的數據與模型，我們沒有辦法對用戶進行推薦，此外，當我們看到用戶購買一種糕點后，也無法預測用戶還會買其它哪種糕點；但如果我們知道用戶在另外一個領域已經有了很多的數據，例如是用戶購買飲品的歷史數據，那么利用這些數據建立模型后，根據用戶飲品習慣和糕點習慣間的關聯性，我們就可以把飲料的推薦模型給成功遷移到糕點領域，成功的推薦給每個用戶他們喜歡的糕點。

其次，人的思維是在一個形象的符號空間的思維，而不是深度學習那樣的特別細粒度的機器學習思維。符號空間的思維能夠歸納、抽象知識，并且在不同領域做關聯和聯想，能夠很自然地進行遷移學習，這是人的思維特點；如果想要機器做到這一點，同樣也要做到歸納和遷移，這就是遷移學習的基礎理論。此外，還要從大量數據升華到符號空間的邏輯，再通過遷移學習技術做類比，真正做到舉一反三，并可以基于此去預測、概述未來發生的事情。遷移學習是人工智能的下一發展階段——機器不再是就事論事，而是擁有了像人一樣的舉一反三的能力。

問：有評論認為「作為人工智能實現的核心，算法將成為未來國內人工智能行業最大的競爭門檻。」你覺得就國內的情況來說，算法方面的發展情況怎么樣？

楊強：國內的算法現在和國外的差距不大。因為大家已經可以獲得大量標注數據，深度學習在語言和圖像方面取得很大成功。但除了語音和圖像，其他領域公共的數據其實非常有限，所以更商業方面的研究只集中在幾個公司，電商數據集中在 BAT，銀行業務數據集中在金融機構，在這樣較為封閉的環境中，發展就會受到一定影響。

另外，國內機器學習方面的創新還沒有國外多，開放的系統也沒有國外多。在國內，我們有必要鼓勵開放數據、開源系統。第四范式剛剛發布的「先知公有云版」就是面向互聯網企業，可部署在公有云上的機器學習平臺。它打破了數據、人才和技術的壁壘，讓各個階段的互聯網企業都能掌握并受益于人工智能。

問：人工智能的應用在由專業領域向通用領域過渡的過程中，哪些是最需要解決的困難？未來多久我們才能迎來在這方面的突破？

楊強：在通用領域我們已經取得了一些突破，比如亞馬遜出了一款叫 Echo 的硬件，可以滿足人們在某些場景下的需求，比如在家庭場景，可以讓它幫助放音樂，問它今天的新聞是什么，這個產品已經有幾百萬的用戶。Echo 成功的原因是它找到了一個特別好的場景，在家庭中，大家有獲取知識和音樂的需求，抓住需求后就把家庭這個場景運用起來了。這種人工智能的做法就是從一個或幾個垂直領域的成功，往外擴展，再把它們連成一片。我認為以后類似場景很多，比如工作、開車、出行、教育等。下一個人工智能的突破，應該是在幾個場景下有限的通用性，而不是沒有限制的通用性，可能先達到的就是這樣一個階段。

問：人工智能如果想進入更高級的水平，您覺得下一個要做的工作是什么？比如說我們人類比較重要的是處理一些隱性的知識，還有情感的問題，下一步人工智能在這個方面會不會有更多的提高？

楊強：情感問題也可以按理性的方式來處理，我們可以去檢測處理的效果是否符合人的情感。但其實情感問題并不是機器學習目前的首要問題，首要問題是建立一個通用的機器學習系統。現階段還沒有出現非常強的通用系統，主要原因是現階段機器學習的成功主要集中在大數據上面，我們知道，大數據比較多的地方是比較垂直的領域，這些領域的特點是范圍比較窄，遠遠沒有達到通用性。所以機器學習包括情感計算的瓶頸是，我們如何能把通用領域里用戶在系統里的交互行為用數字化的形式留下來。這個瓶頸的解決辦法需要傳感器網絡或者物聯網的普及，帶來更多的數據的流通。

問：您覺得目前國內人工智能領域的發展情況如何？最大的不足是什么？您對國內人工智能科研人員及創業公司有哪些建議？

楊強：國內目前人工智能發展還是相當樂觀的，很多大學都在研究人工智能。但與國外相比，國內的不足之處也比較明顯，國內過多去做機器學習，而忽略了人工智能的其他領域，比如邏輯推理、智能規劃、機器學習的可解釋性和多智能體等前沿領域。

如果是對人工智能科研人員的建議，我覺得國內的人工智能研究不能太跟風，要對自己的研究領域有信心、不斷創新，尤其是在大學的研究者，每個大學的教授應該是獨樹一幟的，自己領先一個子領域，而不是跟著別人去做。其實在科研和工業界都是需要持續創新力的，不過對公司而言，還是要首先考慮生存，也不要以為人工智能可以包羅萬象。

問：您目前擔任人工智能初創企業第四范式的首席科學家，作為一家人工智能技術提供商，你們提到自己是「全球第一個商用人工智能系統的架構、中國最大的人工智能系統研發和運營」。同時，你們也稱自己的產品「先知」也是人工智能領域第一個平臺級產品。如何理解「平臺級產品」這個概念？

楊強：以前基于云端的機器學習在大眾化的應用不多，機器學習大部分都是單機的，缺點是需要客戶把大批數據上傳，這對于客戶來說是一個隱私流失，是很多客戶所不希望看到的。為了避免數據流失，一些有條件的客戶會做本地的數據中心，這需要非常大的投入，包括資源、資金和人力的投入。但很多客戶、尤其是互聯網公司，他們真正關心的其實不是建立這樣的 IT 小組或者數據中心，而是怎么利用人工智能來提升自己的業務。那么如何幫助他們解決數據上傳問題、滿足機器學習在業務方面的需求呢？「部署即可用」的平臺級產品就變得非常重要。在云上就可以快速完成從問題定義、數據接入、特征工程直至上線應用的整個機器學習流程。第四范式的先知公有云版就是這樣一個平臺，利用先知公有云版企業不需要再重建機器學習團隊，現有團隊一個月內就能搭建出自己適用的 AI 系統。這極大降低了機器學習的門檻，同時能使得大家把精力放在自己的業務上。

問：現在有說法說「國內的人工智能產業鏈將更為明顯地分化為以 BAT 為代表的生態平臺、以科大訊飛和格靈深瞳為代表的垂直技術解決平臺等。」您怎么看人工智能公司的幾種不同類型的路線選擇？第四范式目前正在走哪種路線？

楊強：第四范式走了第三條路。第四范式不像 BAT 或者電商那么寬泛，要打造自己的生態；同時也沒有只追求縱向的專業領域突破，而忽略了橫向的業務延展。第四范式在一個垂直領域扎得很深，了解這個領域的痛點和背景，然后基于實戰經驗與案例來提供一個領域內的通用平臺，同時這個平臺又在該領域做得比較成功，提供的算法都是特別適用于領域里的。比如大規模的自動特征工程就是一個例子，用很少的人工就可以自動獲取大量特征，然后就自動進行機器學習，最終實現人工智能在個性化推薦、精準營銷等業務場景中的應用。所以可能用第三個路徑來描述第四范式可能更恰當。

問：怎么看目前人工智能技術在 C 端的應用情況，比如智能家居？

楊強：智能家居一直以來都是大家關心的題目，工業界諸如小米、聯想等企業都試圖在這個領域有所突破。我覺得技術上應該問題不大，但還沒有抓住很好的場景。好場景的要求是，可以提供高質量的數據，數據要持續不斷地更新，而且場景要一直向客戶提供反饋，總的來說就是不斷地提供數據和數據反饋標注。所以，如果能夠找到一個好的場景，有這樣的數據，更大的突破應該是早晚的事。但除非找到這樣的場景，否則只能做一個好的框架，沒有數據和服務，智能家居很難取得重大突破。

問：您個人這兩年在國內參加了很多人工智能方面的創業項目，相比純粹的科研工作，您會覺得參與企業的創業對這個行業更有幫助嗎？

楊強：我覺得這兩者一定要結合起來，實驗室的工作和接觸大規模的工業問題是不可分割的。在實驗室工作、參加學術會議或者拜訪一些其它的實驗室，可以關注整個業界的發展；在工業界，可以解除人工智能在應用上所產生的很多實際問題。現在這個時代離不開數據，在人工智能領域，實驗室和工業的結合是雙向有益的。

楊強教授本周在 2016 騰訊網媒體高峰論壇現場的演講速記

大家好！今天我很高興能夠跟大家分享一下我的一些看法，尤其是人工智能的到來和媒體會怎么發展的技術路徑。

今年 AlphaGo 是一個大事件，我們現在要問，AlphaGo 為我們帶來了什么？從技術和商業上、從未來的發展方向上，能不能從 AlphaGo 的發展看出一些端倪？

首先我們看到在過去人工智能的發展經歷了幾次大事件。首先是 IBM 深藍、沃森為我們帶來了很大的驚喜，告訴我們計算能力真的是很重要。有了這種計算能力，我們就能夠比人搜索的要深，比你回答的要快，能夠回答一些嘗試性的任務。

但是 AlphaGo 又加了一條，告訴我們原來數據也很重要。不僅如此，高質量的數據更加重要。什么是高質量的數據呢？其實創造 AlphaGo 這個系統是需要幾個條件的：

首先就是能夠很清楚的認識到那些是我們的目標。這些目標要清楚到什么程度呢？要用數學公式寫下來。

其次要清楚認識到數據來自于哪里。這不是一天就可以做好的，比如 AlphaGo 是經歷了十幾年的時間，才獲得了如此高質量的大量的數據。

同時對問題的了解要深入到特征的層面，要從一個問題能夠抽取出大量的特征。

最后是要有非常合適的自學習的方法來做這件事。

下面我們來看一下今天具體感興趣的題目是 A.I. 能夠為媒體帶來什么，說起媒體就離不開文本和自然語言的分析，什么是文本呢？文本就是小說、新聞這些，我們可以把這些數據認為是非結構化的數據，是一個非常有意思的數據，不枯燥，但是對于機器來說卻是一個難題，因為沒有結構，是需要我們人去理解它才會有結構。

今天有一種技術叫機器閱讀，閱讀的成果是中間的理解、表達，這個表達叫做隱式表達。

這種表達通過第二種模型，也就是說我們所說的機器學習、自然語言的生產模型，能夠為我們人產生出各種各樣的我們所需要的數據。就好像我們旁邊有一個助手在我們幫助進行了大量的閱讀，然后根據我們每個人的需求可以跟他進行對話來獲得他閱讀的知識，所以是這樣兩個過程。一個是機器閱讀系統，一個是自然語言的生成系統。

機器閱讀有哪些應用呢？比方說在谷歌的郵件中就可以通過模型對大量郵件的閱讀形成一個端到端、序列到序列的模型，這個模型通過閱讀一個新的用戶郵件，自動地產生一個可能的用戶反饋，這樣用戶在給最后一個決策就可以很簡潔地恢復郵件，這樣就大大提高了用戶的體驗。

機器翻譯就不用說了，這是非常有用。但是最近深度學習的發展，可以讓機器能夠自動地用算法學習到一種語言到另外一種語言，可以自動對應。這種對應在之前是很少的，但是用機器學習來做就大大增強了。它的效果是可以使注意力機制大大加強，什么叫注意力機制呢？就是在一句話里面哪些部分是關鍵部分，我們可以拿這些部分來代表整個話的意思，這樣可以用聚焦的方式來加強理解。應用了這個以后，比分就大大提高了。

還有一個應用可以讓計算機去做很多閱讀，閱讀的結果可以由我們人來詢問。比方說讓他看了一個語文的試卷、歷史的故事，我們可以問一些關于歷史人物、歷史事件的問題，計算機可以圓滿地做出回答。

還有一種就是我剛才說的注意力機制，可以幫助人描畫出哪些文本的部分是我們閱讀者應該去注意的，就好像我們學生在上課的時候經常會畫一些需要關注的重點，這樣我們考試的時候就會有的放矢。機器在今天已經會做到這一點了，這個叫做完形填空的回答。

這個再發展下去，又可以讓機器大量地背唐詩，并且可以自己寫詩。這里是香港科技大學的圖片，圖片有山有水，這個模型可以在唐詩里面選擇最合適的唐詩來配這副畫。同時利用生成式的模型，還可以自動地產生。比方說當輸入對聯上聯的時候，就可以拿它作為輸入，這樣的生成模型可以自動產生下聯，而且通過注意力的機制使上下聯對仗非常公正，這在人看來都是一個智慧的象征，但是今天對于機器來說已經是非常簡單了。

我說了這么多對智媒的進化預示著哪些呢？首先我對我的觀點進行打分，5 分是最高，1 分是最低。我們看看剛才講到的 5 個必要條件，分別是數據量、邊界夠不夠清晰/問題定義得夠不夠清楚、外界的反饋夠不夠好、計算資源是不是足夠、有沒有跨界人才，以此來判斷這個領域的爆發力的指數。

我們先看看在媒體方向上最關心的是能不能用 A.I. 來幫助新聞編輯室做一些人工智能的編輯，機器人的編輯助手來大大提高我們的編輯效率。在這一方面，應該說一個重要的方向是給了一個文章或文本能不能夠自動寫出一些摘要，給出一個文章，能不能自動地產生一個吸引用戶的標題。在過去的做法，這個領域叫做摘要的編輯，摘要編輯過去的做法叫做抽取式的新聞寫作。

這里有一個例子，就是在一個足球賽里面，通過對解說詞的分析，用解說詞來訓練一個模型，最后這個模型可以在解說詞當中抽取特征。另外是再把這些重要的特征所指出的句子給摘出來，再把他們拼接起來形成一個很短的摘要。這個事已經可以做了，在過去十年、二十年已經做得不錯了。但是畢竟不像人一樣去讀一篇文章，再根據我們的理解重新寫出一個摘要，或者是編出一個非常好題目。

如果要做到這一點，我們就需要一個所謂的生成式的模型，這個模型可以做什么呢？可以把每一句話讀進來，并且可以對應到輸出，這個輸出往往是上文對下文的序列到序列的對應。這種對應還不足以產生我們所想要的高質量的摘要。在這個基礎上，我們又在上面可以加一層強化學習或者增強學習，使得這樣的摘要過程有目的性。也就是說兩種學習，一種是序列的深度學習，另外一種是增強學習，這兩種加在一起就可以產生基本上跟人差不多水平的一個摘要。比方說這里的一個例子，是對一個新聞的文章產生一句話的摘要。

我們來開一個腦洞，也可以讓機器去讀小說，比方說有《射雕英雄傳》、《笑傲江湖》，可以把這兩個小說給合并起來，怎么合并呢？利用模型來合并輸出一個新的小說，這個小說是《笑傲英雄傳》，這個事是怎么做的？可以用循環的神經網絡（RNN）來產生各自的模型。閱讀了以后，產生的模型通過遷移學習遷移到一個共同的空間，這個共同的空間就是得什么呢？生成的模型可以使得我們閱讀小說。比如說洪七公和令狐沖這樣的人物可以進行打斗，可以看得非常通順。這個跟人的反饋、強化學習、增強學習的機制是分不開的，也是今天大數據的一種結果。

剛剛講的是第一種新聞編輯和摘要的產生，第二種我認為有希望的方向是信源捕獲。什么意思呢？我們可以在一個新的領域利用新的手段獲得一些信號，并且把這些信號轉變成我們要的新聞內容。在這里舉幾個例子，首先是假設我們有很多的文章，可以自動地把這些文章給產生成一些問題和答案的配對，也就是問題和答案的集合。這就像我們理解了一些過去某個政治人物或某個著名人物寫過的文章或關于他的文章，以后自動產生一些想要問他的一些問題，這個過程是需要人去理解文章，然后產生一些高質量的問題。

今天我們可以用深度學習來做到這一點。這是怎么做到的呢？這是兩種信息的結合，一種是知識庫，也就是對整個領域的認識。另外一種就是文本。我們把這兩種結合起來，就可以自動地生成一些挺不錯、質量挺高的一些問題，就好像我們下面就可以去面對這位被訪問的人物了。

這也可以延伸到從文字到圖片，比如看了一個圖片，現在也有一種方法可以利用計算機神經網絡抽取出特征，用另外一個模型來產生問題。也就是說對著一個圖片，可以產生對于這個圖片的問題。這個問題也就變成了這個圖片的一個標注，或者可以到外面去邀請別人來回答這樣的問題。

假設今天有了很多的傳感器，可以把傳感器收集的數據、信號自動轉變成人可以去讀的文章，比方說我有一個學生很熱愛騎馬，它造了一個傳感器可以放在馬尾巴上去觀察馬的健康狀況，同時可以把它翻譯成人可以讀懂的信號，以此來了解整個賽馬的成長過程。

進一步就是想把傳感器放在寵物的身上，在寵物的日常活動當中和人的交互當中，可以把寵物的行動變成人能讀懂的自然語言，就好像寵物在跟你用說話的方式在交流一樣。

我還有一個學生在用手機作為傳感器來記錄用戶每一天的行為，到晚上的時候就自動把所有收集的手機信號轉成一個自然語言的日記，把這個日記給這個人，可以修改一下，也可以發朋友圈。

還有一個方向是信源可視化的追蹤，比方說我們有了很多社會網絡，里面有很多的信息的傳播、新聞的傳播，通過可視化可以觀察到這個傳播的路徑、地點和傳播的方式，可以根據人群來細分。同樣一個新聞內容，我們就可以對不同的人進行不同的服務。比方說小朋友得到的內容，可以和成年人得到的內容形式不一樣，但是基本內容都是一樣的。這樣可以自動化個性去投放。

還有一個方向是視頻和資訊的一種互動，這方面的數據量是龐大的，邊界也足夠清晰。但是一個重要的問題是跨界的人才特別少，我指的這個資訊和 A.I. 的互動到底是什么呢？比方說很多的視頻，能不能有能力讓計算機看這種視頻，然后用文字的形式告訴我們，給我們一個文字的摘要。像這樣的是我們的一個夢想，這樣就可以自動地去檢索很多的視頻，自動地去搜索，可以找到我們想要的視頻。

另外一些新聞視頻也可以幫助編輯去找到他們人為的高質量的適合編輯內容的視頻，這個事在大學的實驗室里面已經有很多的嘗試了。其中一個方法是把視頻通過深度學習轉化成特征，然后在通過這些特征再轉化成文字。從視頻到文字，甚至可以從文字到視頻，你可以描述一個像電影的腳本一樣，然后自動地一個通過拼接的方法產生一個可能的視頻。這方面還有所欠缺，關鍵點是跨界的人才和用戶的反饋還不夠多。

大家關心的另外一個方向是智能分發，這個新聞怎么分發到想看這個新聞的用戶的手里。在過去這個方向叫做推薦系統，在電商里面已經大量地使用。但是新聞有它的特點，因為新聞是靠內容來取勝，所以一定不能忽略信息的內容。比方說我們人看新聞，是因為我們好奇，對于新聞感興趣，怎么樣能夠把好奇的人和好奇的內容給結合起來，怎么能把橋梁給建立起來。比方說一個用戶帶歷史上經常讀一些財經的文章，現在又比較關注美國大選，能不能以此來推斷他關心的就是特朗普對財經的政策，以此可以推送很多這樣的新聞。這種信息既有用戶的行為信息，又要有內容的信息，像這種的結合現在已經開始有這方面的研究了。

舉個例子，用推薦系統來做基于內容的推薦。這個時候一個特點重要的點是用戶的興趣會隨著時間而變的。比如我去年感興趣的東西，今年不一定感興趣。今天在上班時候喜歡看的新聞，和我放假時喜歡看的新聞完全不一樣。怎么樣通過雜亂的信號源發現用戶的興趣點在哪兒，然后能夠把變化用模型描述出來，這個是有一個叫做部分可觀察的馬可夫決策過程。但是應該說數學模型是在的，但是有很多的計算局限，一個局限是高質量的數據，第二個局限是計算能力。隨著時間的推演，我覺得數據一定能夠收到，計算能力也一定能達到那一天。我覺得我們有能力來預測用戶長期的興趣變化。

還有一點是資訊服務，我們有了資訊怎么把資訊和用戶非常順暢地進行交流。在這一點上，我覺得大家可以關注的是人機對話的系統，也許是用自然語言對話，也許就是人機交互的系統。比方說我們在車里，在這樣的一個場景中，但是又特別關心美國大選的結果，所以我就可以問機器人這樣的問題。比如問在美國選票情況如何，機器人會告訴我各州開票的情況，這種對話的方式是需要機器人做大量的閱讀，去現在的場景。另外對當前的輿情分析也是非常了解，最后根據我的興趣來做一個總結。

要做到這一點，這個機器人的智能點來自于幾個方面。

• 第一個要能夠有對話的基本功能，這個是來自于一個技術，叫做深度神經網絡。
• 第二個要能夠完成某種任務，比如信息搜索或者是總結，或者是生成一個對話，這個是需要強化學習的能力。
• 第三個是一個新的研究方向，叫做遷移學習。它能夠做什么呢？可以把一個通用模型給個性化，把一個大數據產生的模型能夠在個人的小數據上面給個性化，這樣可以產生一個很體貼的機器人。

未來這三種方式都不可缺少，最好的方式是把這三個放到一個統一的通用模型里面。我們期待這樣的機器人可以做些什么呢？他們可以跟你閑聊，可以給你推薦信息，可以引導你去學習一些東西，并且可以提醒你該讀這樣的問題了，該看那樣的東西了。

在這里舉一個例子，比方說一個任務型的對話系統在讀了很多古詩的信息、財經類的信息以后，你就可以跟他對話了。比方你問他 700 的股票現在情況怎么樣？這個模型會產生一個侯選集，也就是這里的 A1、A2、A3。根據你的興趣它可以進行排序，排序的結果就會產生出它對你的回答。比如說它的回答是「你想知道 700 最新的新聞嗎？或者你想知道這個股價的走向嗎？」這樣就是一個很自然的任務型自然語言對話的系統。

總結起來說，我們今天的這種變革應該說確實是一種變革，因為就類似于工業革命。工業革命對應過來就是我們今天所說的智能的革命。當時的工業資本家、金融的資本家今天對應過來，應該是所謂的數據資本家。智能的能力能夠建模，可以有跨界的能力、計算的能力、好的反饋、明晰的邊界，這些能力的總和是我們所說的智能的能力。這種智能的能力如何能夠把它賦予給大眾，使得 A.I. for everyone，使得人人可以享受智能的紅利，這也是今天我們所要嚴肅思考的。

因為這樣發展下去的一個趨勢，是數據有可能聚集在少數人手里，智能和智能的服務也許只有少數人才能夠控制所有的發展。我們需要把門檻給降低，使得人人都成為內容的生產者，人人都能夠用人工智能來促進他和媒體有機的結合。

我們下面需要思考的內容，包括 A.I. 時代是否還需要內容的生產者呢？是不是還需要人類的編輯？人工智能會帶來一個嶄新的不一樣的內容生產方式嗎？如何避免數據寡頭的產生？我們如何能夠把智能惠及所有的人群，讓大家同時進步。這些是我們大家一起需要思考的問題。

謝謝大家！

（編輯：誰是大英雄）