關於 激進式創新特斯拉 ，我們在網路上蒐集到這些相關的討論、資訊與評價

Momenta完全無人駕駛首次曝光！城區道路混行無接管，遭遇逆行也不怕，特斯拉Waymo路線二合一

本文來源：量子位微信公眾號 QbitAI 作者：李根
…………………………………………………………
Momenta（現在）是一家怎樣的公司？
宏觀印象：學霸創業、中國無人車獨角獸、賓士母公司戴姆勒加持、自動駕駛第一梯隊玩家……
產品業務：高速場景方案產品、L4級自主泊車產品交貨、最高等級高精度地圖資質……
一千個維度有一千種答案，但也頗顯盲人摸象。
只是從今往後，Momenta的技術路徑開始完整清晰。
在通往自動駕駛實現大道上，之前有漸進式的特斯拉，也有一步到位的Waymo，天下方案，莫過於此。
而現在，Momenta集二者之所長，避二者之所短：
Tesla+Waymo，就是Momenta。

▌完全無人駕駛發佈
12月26日，Momenta對外正式發佈L4級無人駕駛技術MSD (Momenta Self Driving)，開始支持城市內完全無人駕駛場景。
如果說2019年來Momenta發佈的前裝量產產品Mpilot，更像是特斯拉方案。
那麼現在，MSD上馬，則顯出Waymo路線雄心。
萬萬沒想到，自動駕駛業內一度紛爭的兩種路線，如今讓Momenta實現二合一。
但MSD究竟是一套怎樣的方案？
區別於量產前裝方案，Momenta完全無人駕駛方案中最明顯不同在於多了雷射雷達。
在其測試車中，共搭載12個攝像頭，5個毫米波雷達和1個雷射雷達。整套系統感測器方案以攝像頭為主，雷射雷達為輔，多感測器冗餘。
而且Momenta強調，除去雷射雷達，方案中的硬體選型與前裝量產保持一致——這也是Momenta“兩條腿”向前的關鍵考量，後面還會詳細講到。
不過，說一千道一萬，無人駕駛——還得以身試乘看一看。
MSD方案的試乘，選在了Momenta（蘇州），地點毗鄰蘇州高鐵北站，屬城建頻繁區域，路線全程約12公里，沿途經過30餘個紅綠燈路口：
 既包括無保護左轉等典型場景，也有非機動車混行、立交橋下長路口等複雜路段。
 路線中還有多處工地，也有學校、居民區、寫字樓、商業中心等生活場景。
符合Momenta該方案目標所指：城市區間內，完全無人駕駛。
而且路段基礎設施也沒有過V2X改造，依然拼的是單車智慧實力。
車流交匯交互，也是最有意思的場景。MSD方案雖初發佈，但智慧程度已有老司機風範，在試乘的幾次交互場景中，有讓行、也有選擇先過，並不基於單一規則。
同車試乘的Momenta研發總監夏炎解釋，這能體現MSD在預測規劃方面的實力和學習能力。
不過整體試乘而言，因為城市區間不同高速場景（無人車混行）和停車場（低速），Momenta的AI司機給人的印象是：安全第一，寧慫不偏激。
比如在蘇州相城道路，會出現不規則的異型車——挑戰自動駕駛系統的感知識別。
其實從當天道路實際情況來看，系統完全可以“偏激”一些，讓路不減速通過。
但安全第一思考下，Momenta工程師打造的該系統，在交通中不確定性較大的情況下，先減速，甚至刹車，確保交互雙方的安全。
而且相比人類老司機，MSD雖初生牛犢，但也展現出不凡實力。
遭遇人類司機深為苦惱的大貨車時，既要對大貨車的載貨品類多樣、形態各異準確感知，還要對大貨車行為上的激進行為有應對：
MSD跟隨慢速行駛的大貨車一段時間後，“決定”變道超車，但在超車過程中仍保持對貨車一定的安全距離，通過接近路口的實白線後才拉大橫向距離超車，保證了超車過程中的安全性。

▌完全無人駕駛新速度
12公里左右里程，按道路交規限速行駛（40公里每小時為主），近40分鐘，歷經城區內各種場景——有臨時施工、有不規則車輛，還有逆行，但全程無接管。
這樣的完全自動駕駛能力，起步最早的穀歌用了近十年，百度從開始研發到落地也超過5年，一眾自動駕駛新勢力從無到有也走過了快3年……
雖然深度學習、大數據和大計算帶來的指數加速，已再明顯不過。
但得知Momenta的速度，依然讓人不可思議：
50人左右的團隊，5個月左右的時間。
沒錯，從今年下半年交貨量產自動駕駛產品後，Momenta才開始囤積重兵，依靠公司長期的技術和數據積累，以及量產自動駕駛和完全無人駕駛通用的平臺支持，開始攻堅完全無人駕駛。
至於能夠達到城區開放道路全程無接管，之前行業內最快的友商也差不多用時1年，且積累了至少十萬公里以上實際路測里程。
所以Momenta之速，背後究竟有“引擎”？
Momenta CEO曹旭東認為，與他們內部看問題的角度、方法和戰略選擇有關。
Momenta創辦，從一開始就明確目標，要打造自動駕駛大腦。
這並非傳統汽車產業內“換輪子”，而是行業開始AI化變革後，供應鏈環節中的新機會。
汽車產業鏈中：
 有最基礎的Tier1一級供應商，如博世、大陸，在系統層面、硬體層面提供產業支援。
 再往上則是OEM廠商，賓士、寶馬、豐田……即車廠。
 還有智慧化的基礎——計算晶片，如TI、NXP、瑞薩和英偉達。
 最後，核心新增的玩家，一方面是提供出行網路的滴滴Uber等，另一方面則是提供自動駕駛所需核心演算法和軟體的技術公司。
比如定位“自動駕駛大腦”的Momenta，就處於這一層。
但即便如此，如何實現完全自動駕駛，如何最高效擁抱未來，也沒有清晰明確的答案。
至少在打造自動駕駛大腦這件事上，特斯拉方案和Waymo路線一度不可調和。

▌兩個路線的爭論
所謂特斯拉路線，是按照自動駕駛等級的劃分，從低級往高級不斷升維，通過量產汽車對場景、數據和演算法的反覆運算，最終實現完全無人駕駛。
而且正是因為堅定量產路線，也為了最低門檻獲取數據、場景和功能回饋，偏執狂馬斯克完全依靠攝像頭方案、不使用價格昂貴的雷射雷達。
所以即便2019年發佈為完全自動駕駛而生的FSD硬體，外界也不相信馬斯克2020百萬RoboTaxi的豪言。
而Waymo路線，則認為只有從一開始L4才能實現RoboTaxi。該路線中，人機共駕的高級輔助駕駛被認為有天然Bug——既要機器輔助駕駛，又要人類在緊急時刻接管，顯然不靠譜。
於是Waymo從2009年正式推動後，逐漸明確了實現方式：
原型車、規模化路測、在豐富場景中不斷反覆運算，區域內落地，終極場景是讓無人車行駛運營在任何時間、任何地點和任何場景。
但Waymo路線中，最難的是無窮無盡的“長尾”問題，現實中總會有出乎預料的新場景、特殊挑戰，這就要求自動駕駛系統足夠聰明、且學習反覆運算得足夠快。
所以概括而言，二者優缺點都很明顯。
特斯拉方案：想依靠低成本感測器方案不斷升維，難且有道德挑戰；但好處是數據“眾包”，能在量產中獲得現金流和數據流程。
Waymo路線：希望一己之力不斷擴大無人車隊規模，最終真正實現完全落地，險且依賴融資燒錢；而好處是安全性相較而言更可控，不用把車主當小白鼠。
但如今Momenta之行動，所謂“兩條腿”戰略，卻實現了特斯拉和Waymo路線的二合一。
即，通過量產自動駕駛產品獲得海量數據，持續研發數據驅動的核心演算法，打造閉環自動化工程體系，發揮數據價值，高效反覆運算數據技術，最終實現完全無人駕駛。
同時，MSD的技術框架中不同感測器的感知演算法相互獨立冗余，並非完全依賴某一種感測器，因此目前量產感測器收集的數據，如視覺、地圖、軌跡數據等可以無縫應用並有效助力MSD演算法提升。
最終，一個數據流程和技術流的閉環搭建完成，量產自動駕駛和完全無人駕駛，真正互相補益。
但為何能打通？又為什麼是Momenta？
一切要從Momenta創立之初對自動駕駛的認知說起。

▌終局視角思考無人車
Momenta 2016年創辦，當時就分析過特斯拉模式和Waymo路線。
但並非為結合二者而生。
曹旭東回憶，從一開始就希望從本質出發、從終局角度思考問題。
Momenta的思考中，自動駕駛的終局，一定是L4級以上，不需要方向盤、不需要人類司機。
但要實現這個終局，結合深度學習為核心的AI新浪潮，兩大要素就格外關鍵：
 一是數據驅動。
 二為海量數據。
之所以要數據驅動，是因為完全無人駕駛中的長尾問題——幾乎是難以窮盡的。
唯一的可能性只有數據驅動，自動化解決大部分的問題，例如99%問題。
所以Momenta內部，“架構師”文化興盛，他們目標是架構能夠自動化解決問題的系統。
在當前系統中，Momenta的 “閉環自動化”方法論就已發揮作用，通過建立對問題自動化發現、記錄、標注、訓練、驗證的閉環過程，為技術和數據提供自動化的反覆運算能力。
而關於海量數據，這是數據驅動的原料和前提。
之前有粗略估計，實現完全無人駕駛，需要100萬輛車跑一年，每輛每天跑10小時以上。
如此海量數據，完全依靠自建車隊採集，幾乎不現實。
量產自動駕駛數據流程能夠助力完全無人駕駛，源自統一量產感測器方案。
MSD感測器方案包括視覺感測器、雷射雷達與毫米波雷達，均覆蓋360°範圍，該感測器方案子集與量產感測器方案保持一致。
所以理解了無人駕駛終局的兩大要素，或許也就不難明白Momenta此次談及的兩條腿戰略：
一條腿是量產自動駕駛；
另外一條是完全無人駕駛。
量產自動駕駛，人車共駕，以人為主，但解放人類在高速環路、停車場等場景下的駕駛時間，提升駕駛安全性及駕駛體驗。
而且通過量產自動駕駛，實現海量數據獲取——學特斯拉又超乎其外。
進一步，量產自動駕駛可以給完全無人駕駛帶來數據，通過數據驅動的方式，去自動化地解決99%的問題。
未來隨著量產產品上市，像 “活水”一般源源不斷注入MSD，推動MSD演算法不斷升級，使得完全無人駕駛系統不斷進化。
這是數據流程上的打通。
而通過完全無人駕駛，還能給量產自動駕駛回饋技術流，不斷提升體驗和能力，讓量產自動駕駛持續進步，提升行業份額。
當然，數據流程和技術流形成閉環，聽起來不算稀奇。
但真正實現這樣的戰略並不容易，關鍵是量產感測器方案的一致性、互補性，並在量產自動駕駛戰略中真正快速低成本交貨、落地。
這也是特斯拉和Waymo難以跨公司二合一的原因。
另外，作為創業公司，在數據流程和技術流閉環之外，靠融資燒錢顯然不可持續，必然還需要現金流。
所以Momenta創辦3年來，先在量產自動駕駛發力，實現數據流程和現金流方面的驗證，然後發力完全無人駕駛，同時著力於打通兩者之間的數據流程和技術流。
現在，完全無人駕駛方案發佈，數據流程和技術流的戰略雛形形成，現金流也能讓公司不受輿論和資本市場變化而左右。
曹旭東說， 目前Mpilot 和MSD的原型發佈，標誌著兩條腿的雛形期形成。預計到2019年-2024年，量產自動駕駛大規模上市，以及MSD真正的完全數據驅動，完全自動化，則是“兩條腿”戰略得到驗證的時刻，也是戰略的成型期。

▌道阻且長，行則將至
不過，也還沒到一腳定江山的時刻。
雛形初現，一切還只不過是開始。
更何況這樣的戰略完整披露，一方面會面臨質疑，另一方面也有被複製的風險。
但曹旭東並不擔心。他說：“戰略沒有優劣，戰略是選擇。這個戰略有其優點，也有難點和挑戰。我們在選擇戰略同時，也必須克服和解決其背後難點。我相信，戰略發佈後，看到的不是抄襲，更多的是爭議。在戰略執行時，遇到困難，可以選擇繼續走下去，也可以去選擇其他戰略，但我們選擇迎難而上。道阻且長，行則將至。”
按照Momenta的說法，執行層面主要面臨兩個維度的挑戰：包括技術難度和商業難度。
技術層面的難，例如數據流程的打通。曹旭東認為，行業主流都是以雷射雷達為主的技術解決方案，但Momenta是以統一量產感測器為主，需要打通量產自動駕駛到完全無人駕駛的數據流程，而他們在其中做了大量的技術創新。
在矽谷拜訪時，曹旭東也講到Momenta的戰略和已解決的技術難題，得到很多行業專家的認可和欣賞，因為Momenta在做原始的技術創新，而不是簡單的複製跟隨。
商業層面的難，包括如何深入行業、理解客戶，如何拓展能力邊界及更好的服務市場。
曹旭東進一步解釋：“To B是系統性的業務，面對的是一個組織，需要得到方方面面的認可。一線客戶都有很強的技術能力和很高的技術標準，需要經過非常嚴格的技術評測。而我們經過層層驗證，最後獲得了客戶的認可，進入了量產體系。”
Momenta也有相對長遠的完整時間表。
他們內部，認定2016年-2019年是戰略雛形期，2019年-2024年是戰略成型期。
然後2024年-2028年才是真正的戰略爆發期，那時候在完全自動駕駛“這條腿”上將加速趕上Waymo。
只是現在開始，自動駕駛“面壁者”Momenta，戰略意圖一覽無餘。

▌告別盲人摸象
作用力也才剛剛開始。
從Momenta自身來說，徹底告別被“盲人摸象”狀態。
高精度地圖供應商？高級輔助駕駛玩家？量產自動駕駛交貨……
都不準確。
大道至簡，Momenta（現在）是一家怎樣的公司？
Momenta = Tesla + Waymo。
而且這種結合帶來的新場景新技能，還可能不是線性相加。
或許也是聚變反應。
比如特斯拉一直是從車角度提供方案，Waymo則是運力技術維度……
但二者結合，就是完整軟硬體集合體，載人載貨，私家車共用車，都有了可能。
簡而言之，能做的更多，可以做的更多，新價值已經展現，新邊界也就要重勘。
自然還會進一步帶動行業新格局重塑。
自動駕駛發展中，特斯拉方案和Waymo路線，一次次被提起，一次次被模仿，一次次被對標。
這樣的新玩家新勢力，無論中美，都可以舉出很多。
但今日之Momenta，在理論上真正達到二合一，並且驗證了可行性。
於是，之前衡量自動駕駛的時間表，曾經理解Momenta的框架，可能是時候刷新了。
▌One more thing
雖然Momenta是中國自動駕駛的獨角獸，但作為Momenta的船長，曹旭東最關心的並不是公司的估值。
他認為商業世界一切有為法，一定離不開價值規律本身，估值並不需要過分關心。
他關心什麼？
作為CEO，他說核心還是人，組織的學習、進步和提升。
這位Momenta創始人，今年來自上而下改變了一件小事：不再把“創始人”放在對內對外的任何地方，僅以職務——CEO示人。
他解釋說，Momenta正在最大限度通過組織變革、文化塑造，形成合夥人文化。
合夥人不分加入先後，不論年齡資歷，核心關注的是技術、貢獻和志同道合。
他希望以此吸引最頂級的牛人，讓更多有識之士加速自動駕駛終局到來。
《道德經》裡說，夫唯不爭，故天下莫能與之爭。
但真正能邁步實踐者，少之又少。
如今，無人車獨角獸Momenta，宣示兩條腿，放下“自我”，立志要做推動終局實現的那個玩家。
這就是Momenta。

AI時代的變革比每一次工業革命都快！李開復博士在達沃斯世界經濟論壇的人工智能焦點論壇上談到，人工智能的未來將預見未來的大規模的職業轉移和人力重新佈署。但同時人類將有更充裕的時間體驗更優質的娛樂(舉例：虛擬實境)。

【AI時代的變革比每一次工業革命都快】
達沃斯時受邀與MIT Media Lab（麻省理工學院媒體實驗室）負責人伊藤穰一（Joi Ito）在達沃斯世界經濟論壇閉幕日的人工智能焦點論壇上探討人工智能，本文由創新工場工友根據現場錄音整理。

——————————————————
對談嘉賓：
李開復博士，創新工場董事長及CEO、創新工場人工智能工程院院長

伊藤穰一（Joi Ito），MIT Media Lab（麻省理工學院媒體實驗室）負責人，曾任Creative Commons CEO、Six Apart日本分公司主席、風險投資公司Neoteny創始人兼CEO

主持人：
蒂姆·布拉德肖（Tim Bradshaw），《金融時報》駐舊金山科技記者
————————————————————

主持人蒂姆：今年我首次來到達沃斯參與世界經濟論壇，感覺人工智能（Artificial Intelligence，以下簡稱AI）在今年大會已然成為炙手可熱的焦點。現在當人們談及AI和它所引發的生產力進步時，往往會一道談及AI可能引發的倫理和政治議題，甚或爭辯AI的終極價值。我希望今天咱們能換一種觀點來討論AI。

伊藤：我覺得AI確實變的熱門了，這種變化從去年底開始，2016年是非常重要的一年，連許多非計算機領域的科學家都開始提出他們的觀點，而非像過往單純質疑AI。

李開復：的確，如今AI已經被全社會所更廣泛地接受了。人們開始認識到，AI正在為現實生活服務。自2016年初AlphaGo戰勝李世石一役，為大眾揭示了一個無法否認的事實，那就是AI確實能以極高的效能掌握特定垂直領域。AI能夠為我們的生活提供許多超越當前產品與服務水平的解決方案，AI能開始正式為人們提供服務。

圖：AlphaGo VS 李世石

蒂姆：所以，您認為這項變革的動力來自技術領域，還是外在的實體環境？

李開復：我認為它屬於技術引領的變革。數十年來，人們普遍把AI視為一項技術，確實在AI發展的同時，經濟、政治等外在環境也發生了一些改變，但我不認為實體環境的改變和AI技術的發展具有直接相關性。

蒂姆：前不久，IBM與微軟都捲入了一項重大討論，那就是AI技術是否會對人們現有的工作造成威脅，人們是否會因此失業？他們認為，AI的目的是增強人類的智能，而非替代人類。兩位認為上述論點成立嗎？

伊藤：所有事物的價值都需要經過長時間的檢驗，而並非一段短暫時間內的觀察。宏觀角度來看，我們無法否認人們會因「新技術總會導致人們失業」而恐慌，但隨著新技術的發展，某些領域又會誕生新的工作。例如在美國，高中畢業生如果想當護士，就必須就讀社區大學考執照，而AI技術能夠達到護士必須學習的操作流程技能，使得費時且昂貴的職業資格考試變得不那麼重要。護士這一職業還將存在，但將不再受限於繁瑣的操作任務和流程事務，對於想從事護士一行的人來說，這是一大利好。對於許多職業而言，立刻要談立即被AI技術取代還言之尚早。但是顯然，許多工作領域的問題正被解決也正被改變。

主導AI技術研發的各大科技巨頭，如果能為人們樹立一種正確的態度，驅散人們心中對AI技術的恐懼，也將會是一大利好。畢竟人們對AI技術的恐懼，絕大部分來自於對於AI的不解。

要消除恐懼，我們需要在兩個方面努力，其一，是消除人們心中情緒化、非理性的恐慌心理；其二，則是理性解決問題。例如，我們必須對當前的教育體系，以及職業資格認證等體系進行改革，這取決於未來機器發展的速度有多快。

在接下來數十年甚至很長時間內，AI技術都將會不斷發展。但現實是，我們的教育體系和人才市場仍然一成不變。我預見各項既有制度的僵化與缺乏彈性，將成為比AI技術本身更大的阻礙。

李開復：大體上我同意，不過我認為，我們需要更為急迫的喚醒社會集體意識來理解並準備AI時代的到來。

當今時代變革的速度，比以往任何一次工業革命時期都要快。隨著AI技術的不斷完善，越來越多的工作如今開始被AI技術取代。舉例來說，中國有一批AI創業公司正在研究人臉識別，這類技術已能批量辨識20到30萬張人臉，這是一般人類不可能達到的量級和精准度，諸如保安、邊防等從事辨識任務的從業人員，也勢必會被取代。在另外一些領域，AI處理人際和人機關係的能力確實還不如人類，醫療行業是最好的例證，醫療檢測中的某些涉及影像識別的崗位很快也會被AI技術所取代，但那僅僅是醫療專業的一小部分。

圖為曠世科技face++人臉識別自動解鎖

所以大體上來說，人們的工作必須具備足夠的深度，需要讓自己強大到不會輕易被機器所撼動。我不認為現在正在從事這類有足夠深度工作的人們，會輕易被AI取代。

當前有兩項重大的任務等著我們去解決。其一，是思考如何調配未來二十年大量被AI技術替代的工作者；其二，是我們的教育亟待改革。我們需要對我們的子女、下一代子女進行再教育，分析哪些工作不會被輕易替代，而不僅僅去幻想從事目前看似光鮮亮麗的工作。

投身服務業可能是其中一個選擇。我們希望能鼓勵更多人參與人際間的交往互動，建立機器人與人類的交流溝通模式，並不是所有人都能做到這一點，而這些對於服務行業來說至關重要，AI技術能夠使未來的服務業更被人們期待和尊重。

伊藤：日本人對於服務行業的看法就很有意思。日本人認為，服務業是與人打交道的工作。在日本很少有人帶著好萊塢夢，為了將來成為明星而在餐廳打工，他們單純就是喜歡在餐廳工作、熱愛著他們的顧客，這樣的態度完全刷新了我個人對於工作價值的認知。

我們有必要重新設定價值的評價體系。過去我在日本的時候，日本還是一個經濟發展至上的國家。但如今，人們的觀念已經發生了很大轉變。在以前，工作只是為了獲得金錢，而金錢是衡量一個人是否成功的標準。

但如果你基於你對工作技藝的精通程度去評價你是否熱愛這份工作，同時改採你對工作的熱愛程度來衡量成功，那麼很多被歸結為服務行業的職業其實都相當成功，服務本身可能談不上偉大，也不在創造什麼新事物，但這些當下從事的工作讓你明確目標，支撐著你的生活結構，讓你找到人生的意義。

我們應當少關注一點工作產出的經濟效益，而更關注工作的目標和意義。舉例來說，育兒應當是國家GDP的組成部分，而不是像現在這樣只被視為家務，養育下一代對全社會而言至關重要，如果每個父母都能在育兒領域多花些時間，社會將會變得更好。我們在比較人和機器的勞動產出時，多半僅僅用勞動價值和工時長短來衡量人類的產能，卻忽視了工作背後潛在的社會價值。這也是為何許多非計算機領域的科學家自去年起，也開始提出他們的觀點。

李開復：另外一個重點在於，人類的工作進入了一個新的層次。人們在競爭中，將選擇更好的雇主和工作，同時取得工作技能與深度上的提升，逐漸成為各類專業能手和頂尖人才，甚至最後成為特定領域的首席科學家、最有價值的金牌球員、最受饕客追捧的明星大廚等。

但機器也擁有著屬於它的全新定位。我們要做的是去思考在AI時代來臨之際，如何保留一手的經驗，如何為人類提供成長的空間，從而創造更多的就業機會，為人類共同的未來找到更好的解決方案。

蒂姆：那麼隨著AI技術的普及，社會上的職業構成、各類職業對經濟貢獻的性價比會不會隨之改變？例如，一個人周遊世界開另類雜貨鋪，會不會比在辦公室當一名白領賺得多？

伊藤：這正是另一個關乎整體經濟的重要問題。 如果AI真能把整體社會的生產力無限提高到一個極其充沛的程度，那很多人可能根本就不願意繼續從事現在的工作，如今包括政府公務員在內，很多人在崗位上過度勞動，薪水卻巨低無比。這些職業的確需要政策扶持和薪酬相關的補助，才能鼓勵人們考慮選擇那些看似低回報的工作。

古希臘的雅典城邦就是一個例子。當然我們現在沒有那時代的奴隸制，但想象我們處在一個充滿了藝術家、哲學家的社會，那時公民們關心的，會是資源分配是否公平、收入是否均等。這並不意味著我們不再需要工作，否則就太不符合現代的經濟法則。社會仍然需要人類勞動力，但人們將變得更富裕、更能投身內心真正渴求的工作，將會有更多的音樂家能心無旁騖專注他們熱愛的創作、廚師們方能每天精心烹調讓人贊嘆的美食，他們周遭人們的生活體驗，將會因此更為多彩豐富。

蒂姆：說到剛才的音樂家，如今他們掙錢的道路似乎更辛苦了。您覺得該由誰來支付這種額外收入？是政府？還是科技公司？

伊藤：目前的音樂行業，正隨著流媒體技術、更趨完善的數字版權制度蒸蒸日上，可預見的是，數字音樂不會在近期沒落，產業規則和行業規模隨著技術平台而生了重大變革，整體音樂行業反而是在上升的。但是，我預見音樂產業各種獨家約束制度仍然是個發展瓶頸。上世紀後期，在電視和傳統音頻媒介當道的時候，巨星經濟、高銷量唱片和企業壟斷形成了當時的市場格局。但現在，這種體系已經過於複雜、而且不符合當今以技術平台為主流的發佈體系。

李開復：不僅是音樂行業，其他的行業也存在著明顯的問題。例如，專欄作家和記者們的前途也值得憂慮，他們依循傳統媒體遊戲規則都曾經歷過獲利頗豐的年代，而對於新的技術平台分發規則、更為AI自動化的媒體模式他們仍未做好準備，記者編輯們的專業地位也需要被重新檢視與定位。未來型的AI技術公司將有機會賺得較高的經濟收益，這些創新公司甚至能和前沿政府緊密合作，共同為未來世界的工作結構和薪酬制度，進行前瞻的規劃和準備。

我們過去專注在培養數理化人才，為了訓練符合上個時代需求的工程師、醫師、會計師、律師等等專業人才，我們已經投資龐大的社會資源，導致很多人打從學習階段其實就開始偏離了他們的核心潛能而毫不自知。在不久的未來，許多工作都能被機器取代，人們將從這種演進中被釋放，真正投入我們擅長、我們熱愛的領域。

蒂姆：讓我們再來談一下當前AI技術帶來的經濟收益。由於AI技術對於大數據存儲、從業人員技能、輔助設施研發等領域提出了高門檻的要求，是否因而大部分收益都將集中在屈指可數的幾家大型科技公司中？對於其他小型的創業公司，由於缺乏機器、缺乏數據集，AI技術的研發成本無疑是巨大的，您認為AI技術對經濟結構有什麼影響？

李開復：我覺得目前的體系會持續促使大型科技企業不斷發展。他們有能力壟斷資源、壟斷數據，在商業利益和激烈競爭的驅使下，他們會不斷競逐更為精進的技術能力，為公司賺取更大的利益。對於較小企業，進入AI市場的難度的確比移動互聯網時代的創業高出非常多。

我呼籲行業需要大力推動AI生態系的開放性。創新工場北京總部和我們所投的創業公司體系中，已經啓動了全新的AI技術相關研發工作，近期我們成立了人工智能工程院，帶著孵化中國AI生態系的目標投入大量資源，招聘培訓一批年輕工程師入門AI領域，展開可公開數據集的採集和標注，我們也積極尋求在中國和全球資本市場的融資和成長機會。

全球AI競技場上，美國市場有Google、Facebook、微軟，中國市場有百度、騰訊、阿里巴巴等行業巨頭，激烈的市場競爭導致他們的技術極低程度會考慮開放出來，創新工場希望能夠借此成為AI領域開放發展的倡議者和實踐者。

蒂姆：我們之前提到，誰擁有數據上的優勢，誰就擁有敏銳的洞察力和創新能力。那麼非技術型公司什麼時候能夠真正採用AI技術，亦或是只能運用像IBM、Google、微軟等公司的平台？

伊藤：隨著世界愈發緊密互連，要以「贏家通吃」的玩法去壟斷市場是越來越難。現在，如果某個個體試圖進行壟斷行為，會自動觸發市場機制。市場競爭會形成限制：如果某方採取壟斷動作，對標競爭的另一方會花數百上千萬美元去找到超級優秀的AI博士們來迎頭趕上。現今人才培養的源頭已經到位，但我擔心，當某個企業實現了壟斷甚或做上了寡頭的時候，自然而然能順勢招募AI領域的全球才俊，吸引能夠負擔他們百萬美金酬金的投資人，種種多方因素都正匯聚在一起。市場單方面依賴競爭機制進行調節並不完善，因此，我對開復和創新工場在中國推動的開放做法特別感興趣。

接著我想說下一個經典的「電車難題」，雖然看起來有點偏題，但其實這個跟我們的討論挺相關的。這個研究大概就是詢問人們，如果街上一輛滿載乘客的電車馬上就要撞上一大群人，它應不應該立刻轉向，犧牲車內乘客的生命，還是放任讓車輛撞上人群。結果大多數的人都說，當然應該犧牲車內乘客的生命來保全更大一群人。但如果按照這個標準設計一輛無人駕駛汽車，你們會不會買具備這種人性道德的汽車？我是肯定不買。所以其實這就意味著，當我們只把責任交由市場機制，人們普遍都是自私的。

而且，就像開復所說的一樣，資本主義的市場競爭是不會激勵大家分享數據、資源和市場的。傳統的政府監管方式過去曾經行之有效，但在面對互聯網的開放和動態結構，這種傳統的監管方式將會失效。現在這些AI、比特幣和其他所有領域中的問題，都不是過去十年二十年間學者們研究的題目，而是真正在資本市場能夠快速賺錢的技術。然而相較於開放的互聯網，行業不曾充分在開放場域來探討這些技術衍生的問題和現象，這是我的擔憂所在。

李開復：我們倒是嘗試採用實務並直接一點的方法，用大公司跟大公司來抗衡。比如某巨頭企業說他們能夠提供數百萬美金的資金，另一家巨頭企業便說我們可以提供一個昂貴的開放平台。我們不知道這個方法是否有效，但畢竟我們都是敢於冒險的資本家，這個策略肯定是值得嘗試的。作為風險投資家，我們理解商場上凡事皆求回報，我們試圖串聯各方利益點，聚合成一條具有共通性的利益鏈條。

蒂姆：現今大家都能看到AI產出已經開始變得極具說服力，那麼投入方面狀況如何？誰在編寫、改進算法，我們又怎麼知道這些算法何時會被使用？AI技術的透明性又如何？市場能否避免AI這樣的黑科技遭受偏見誤區，或者避免AI技術被濫用？

李開復：我覺得目前有些公司採取所謂公開透明的做法，其實是很討喜的宣傳手段。但我也確實擔心，下面這種兩難問題會不會出現：一些公司選擇通過自律或推動立法來限制錯誤發生，但另一些公司不會這麼做。自然而然，比較規範自律的公司由於發展顧慮更為周全，相對發展速度上可能放緩；而較不顧慮錯誤發生的企業，反而可能成為最快速或最成功的那一方？

例如在無人駕駛技術的開發上，Google很小心謹慎，把保護駕乘人員和行人放在了極其重要的位置上，技術不成熟就不推廣；相反，特斯拉的AutoPilot就很激進，會直接把測試版產品拿給公眾進行試驗。然而現在看來，特斯拉造出好無人駕駛車的可能性還要更大一點。所以這個難題對任何規模、任何階段的企業，都是一個道德層面的決策。

伊藤：偏見同樣會影響到產品開發。曾經有某家企業開發麵部識別系統的時候，僅用他們自己的工程師作為訓練數據庫的模板，但發佈演示產品的時候，這個產品竟然認不出一位黑人女性的臉，正因為他們的工程師全都是白人男性。很多偏見，是你在日常職場中不容易意識到的。

過往許多公司會去蒐集信息、理解客戶，然後給出個解決方案。如果要做一個真的對社會有益、解決問題的架構，就只要想著把這個工具做得更好、更有用就可以了。我喜歡舉會計和電子錶格的例子，在VisiCalc發佈以後，這個蘋果公司自己都不知道該賣給誰的軟件出乎意料獲得會計行業的巨大歡迎，這讓他們欣喜萬分。於是他們在VisiCalc中投入了更多的靈感，VisiCalc 的開發者都沒有設想過它有如此多的可能性。

我們需要的不是企業銷售人員出去收集客戶需求，然後回頭要求工程師做出什麼，我們需要的是賦予人們自己打造這些工具的能力，這不會是目前主導AI領域那些科技巨頭的商業模型和運作方式，反而更可能來自像開復您所投資的實踐型的創業者。

蒂姆：數據和最終的成果歸屬之間是否有條清晰的界限呢？比如說如果某個商業公司使用Google的演算法找到公共部門數據中有利可圖的部分，例如運用某些醫療數據而大賺一筆，會發生什麼？會因為來源是公共數據而把這樣得來的利潤回報給政府呢，還是因為用了Google算法而成為其產品的一部分呢？畢竟沒有公共數據就不會有這一結果，目前這些數據相關的行業規則是如何制定的呢？

李開復：我感覺我們正站在一道門前，正打開去探索一個美麗勇敢的新世界，針對上述問題其實行業還沒有定論，也應該好好充分研究一下這個問題。

伊藤：看來科技巨頭們有一套針對現存數據庫、獲取數據的戰略。Google、Facebook或中國的百度、騰訊當然都會收集大眾的數據、從公共的數據中試圖做出成果。但很顯然個人電子郵件就不是公共數據，想要購買這些數據也是不可能的。也有很多人爭論是算法重要還是數據重要，顯然兩個都十分重要，但不同企業由於其業務屬性的側重，將會有不同的選擇。

蒂姆：我在這星期聽到許多關於人工智能未來是不是真的能帶來巨大收益的相關討論，比如增加稅收，幫助政府能讓所有人都開心地生活還不用工作。你覺得AI能緩解社會焦慮、解決其他情況下可能會出現的不平等問題嗎？它會是我們期待的那個靈丹妙藥嗎？

李開復：應該說這是必然的，在可預見的未來大規模的職業轉移即將發生，人才與人力需要重新部署，在AI驅動的工作形態改變之際，有兩部分我自己特別關注：一是孩童和成人的教育體系，舉例前面提到的音樂家、育兒等都將更能彰顯其價值，目前各項專業教育和技能培訓需要檢視其未來的適切性。二是人們有更充裕的時間來體驗享受更優質的娛樂，娛樂行業比如虛擬現實（Virtual Reality）在未來勢必更為百花齊放。

蒂姆：這是場非常有意義並非常有趣的對談，十分感謝你們參與。