音频文字.

Erik：欢迎来到工业 IoT Spotlight，这是您从工业 IoT 思想领袖那里获得洞察力的第一站，他们正在与您的主持人 Erik Walenza 一起改变当今的业务。

欢迎回到工业物联网聚焦播客。我是您的主持人，IoT ONE 的首席执行官 Erik Walenza。我们今天的嘉宾将是 Neil Sahota。 Neil 是 IBM 发明家大师、联合国 AI 主题专家，也是加州大学欧文分校的教职员工。他还是新书《Own the AI Revolution》的作者，该书探讨了企业如何将人工智能融入其战略以实现新的竞争优势。我们一起讨论了人工智能在实践中的现状、物联网和人工智能技术的集成，以及为机器而不是人类使用而设计的新数据源的重要性。我们还探讨了在开发和部署人工智能等颠覆性技术时评估社会影响的重要性。我希望你觉得这次谈话很有价值。我期待您的想法和评论。尼尔，非常感谢您今天抽出时间与我们交谈。

尼尔：是的，我很高兴来到这里，埃里克。谢谢你让我上场。

Erik：所以 Neil，我一直在思考什么是开始我们对话的好方法，我们今天将围绕 AI 进行一般性讨论，但这是一个很大的话题。在我们进入这个话题之前，我想让我们的听众了解一下你是谁、你在做什么以及你今天为什么和我们在一起的背景。但你最近出版了一本书《拥有人工智能革命》。所以，也许你能给我们一点关于你走到这一步的背景，然后是什么让你投入了大量的时间来出版这样一本书。我认为这将有助于我们的读者了解您从何处进入此对话。

尼尔：我会说我是偶然进入这一切的，我确实计划成为人工智能浪潮的先驱之一。我一直在告诉那个人尝试解决问题，但通常尝试解决问题，而不是针对特定情况。因此，我开发了很多 IP 和其他类型的东西。大约 14 年前，当我们看到起飞和商业智能时，因为我们可以收集、存储、切片和切块并报告数据，而人们说，嗯，计算机能告诉我们的东西真是太神奇了。我自己也在想，好吧，他们实际上并没有告诉我们任何事情，我们只是在操纵我们拥有的信息。但是机器能做到吗？所以我想围绕我们今天所说的机器学习开发一系列模式。

你瞧，有一个项目正在进行，还有 IBM。事实证明，我在那里的工作中产生了一些协同作用，接下来我知道我参与了 IBM Watson。丰富的经验，看到了很多机会，是创建 IBM Watson 和整个 AI 生态系统以尝试并基本上为人们添加新功能和服务的拥护者之一。在这样做的过程中，我真正意识到这与技术无关。该技术是一种工具，但感觉人们会努力理解这些新功能。

人工智能被称为第三代计算是有充分理由的，它与仅仅执行一个程序非常不同，它是一台执行低级任务的机器，具有一些我们不习惯的认知。这只是一种思维方式。因此，与全球财富 500 强公司、非营利组织和初创公司、联合国政府机构合作，我意识到他们有很多相同的问题，相同的担忧。但其中一件大事是我知道我应该做点什么。我怎么知道呢？我如何开始？

所以这就是为什么我决定写关于人工智能革命的书。因为我不是一对一地工作，而是说这是一个分享这些知识的机会，这样人们就可以真正帮助弄清楚如何回答这些问题。

Erik：你有，我不得不说我遇到的更有趣的 LinkedIn 个人资料之一。所以你在加州大学欧文分校的讲师，但你也参与了董事会顾问的工作，或者以某种方式在许多组织和公司担任顾问。也许你可以帮助我理解这背后的逻辑。但这里似乎有两大主题。一个是人工智能或以某种方式使用这套技术的公司。第二个是社会责任，即那些在努力做好事的同时也经营成功的公司。这如何反映你现在的时间？您在这些公司中的活跃程度如何？那么这与您更广泛的学术或知识兴趣有何关联？

尼尔：我知道，这似乎很难相信，但它们实际上都联系在一起。我真的相信我们有机会塑造未来。我知道很多人总是很担心，我们大多数人都很害怕。但我实际上相信我们每个人都有机会塑造未来。在我看来，最具创新或颠覆性的地方实际上是创业社区：他们愿意挑战假设，而不是通过呼叫自动化来提出建议，寻找使现有流程系统或产品更快、更便宜、更少错误的方法，但要找到不同的产品、流程或系统来完成这项工作。

正因为如此，这就是为什么我一直如此根深蒂固地帮助初创公司担任顾问，实际上试图帮助这些人弄清楚如何建立一个可行的企业来实现这一点。同时，我的人生目标是尽量离开这个世界，尽可能地像我发现的那样好，如果不是更好的话。我真的很幸运，因为我拥有生活中的机会以及我拥有的一些导师。我想尝试回报，并鼓励后代和未来的领导人做同样的事情。这就是为什么我非常重视社会公益来支持社会企业和社会企业家精神，因为赚钱没有错，但我认为有机会赚钱并帮助我们的社区帮助整个地球社会。

我们只是通常不会有那种心态或那种接触我们。我认为，培养这一点非常重要。这两件事都与教育息息相关。我真的觉得保持我们的课程新鲜，让人们为未来的工作做好准备是很重要的。但是我们不会给学生和后代提供知识、技能以及工具，因此您可以让这个未来成为现实。所以，从我的角度来看，我能够兼顾这三件事，因为我真的认为它们是相互关联的，并且是更大生态系统的一部分，以帮助使这个世界至少和我发现的一样好。

Erik：这实际上是一个有趣的机器学习或人工智能挑战，这个问题是正确评估公司对社会的价值，因为现在我们有一个相当简单的机制来做这件事。那么有人会为他们的核心产品支付多少费用呢？然后我们有一些与运营该业务相关的成本。但是外部因素确实没有很好地考虑在内。因此，一些公司或某些行业有很多负面外部性，它们从未出现在他们的底线上，而另一些公司或一些行业有很多正面外部性，由于某种原因，它们无法货币化。

如果我们有一个系统或解决方案，能够更细致地评估特定公司、社会的影响或价值，这实际上可能会成为社会企业，或者说，那些既要做好事又要赚钱的公司显得更加成功。所以我认为，自从政府和政府间机构开始尝试监管以来，这种额外的二元性挑战已经成为数百年来政府和政府间机构面临的一个关键挑战。一直以来都是人们，立法者试图制定法律，这种拜占庭式的法律结构试图规范什么是有意义的，什么是没有意义的。

但似乎总是有点落后于这个行业，因为他们总是有些反应，他们反应国会的速度。国会的速度总是会落后于任何特定趋势五年。我很好奇你是否考虑过将人工智能应用于这些更具社会层面的挑战，例如我们如何评估外部性和价格？

尼尔：具有讽刺意味的是，这实际上是我考虑过的事情，因为我们现在正在处理一个机器正在提出建议的空间，在某些情况下，可能是决策。我们不能被动反应。我们正在努力思考是否发生。这实际上是一个很大的挑战，尤其是你谈论那些可能不完全了解潜力、可能性或技术的人。我实际上已经考虑过这一点，我们是否可以像 AI 系统一样创建来帮助我们弄清楚人们可能会做什么并成为 AI 哲学家的预期，这样我们就可以制定良好的监管政策。

然而，挑战在于我们不知道如何教授人工智能的想象力。我们不知道如何教授人工智能的创造力。这就是我们称之为 AGI 人工智能的领域，我们还没有破解它。人工智能真的很擅长我们可以教它做什么。这是试图实现这一目标的主要限制因素。

另一件事是可变性。当我们教授 AI 时，我们必须能够为其提供大量数据，向其学习并带来主题专家。但是，如果我们自己无法预测我们无法教授想象力，那么不幸的是，这是一个非常难以破解的行为。然而，我总觉得有一条前进的道路。我一直在思考的一件事是，如果我们能创造出那种人工智能哲学家，我们能创造出人工智能提问者吗？我们是否可以创建一个人工智能，它至少会用问题轰炸我们，并通过你想称之为批判性思维或思维练习的方式来充实，无论可能发生的不同事情有多么随机？这实际上可能是可能的。

我认为这实际上是一个很好的例子，我知道很多人担心人工智能会取代我吗？这并不是关于人机协作，而使用人工智能是一种在工作中做得更复杂、更有价值的工具。而且我认为一个人工智能提问者可以给我们提出非常相关的，有时可能真的很远的问题来充实，这实际上可能是一个有用的工具，因为有时我们很难考虑可能发生的极端情况。

Erik：我想很多人都希望能够开发出一种算法来插入一个特定的数字，然后说，好吧，这就是数字，让我们执行这个。但是这种弄清楚什么类型的输出实际上是可行的并且会提供价值的思考过程呢？它可能根本不是一个特定的数字。它可能是定向的，可能是一组问题或一组冲动，实际上比尝试开发一个可以告诉我们答案的系统更可行。

在许多情况下，这可能是真正考虑使用的正确方法。但我认为人们对人工智能的看法并不是凭直觉。人们倾向于考虑人工智能，你输入一堆数据，然后它说这家公司有这个分数，那个公司有那个分数，然后去实施。尼尔，我很好奇，当您与联合国和其他政府或政府间机构合作时，他们对采用这种解决方案的接受程度如何？他们是否在积极寻求解决方案？他们是否积极参与这个话题？他们是否有些犹豫，或者可能没有特别了解今天可能发生的事情？你在政府间机构和人工智能的界面上工作的经验是什么？

尼尔：嗯，我必须给出典型的 MBA 答案，这取决于。不幸的是，这实际上取决于机构和领导层本身。我在美国和世界各地看到了很多机构，他们真的非常投入。他们认为这是一个绝佳的机会，可以增强甚至为人们提供新的公共服务，也可以更经济高效地做一些事情。他们正在积极追求这一点。在某些情况下，他们实际上有项目，有一些产品。

例如，新加坡正在利用这项技术来帮助引导交通以减少拥堵，这实际上也有利于减少碳排放，真是太棒了。我知道像加州国防部、农业部这样的组织正在积极开展项目和倡议，以加强公共服务。但是你也有一些机构，他们出于正确的原因行动迟缓，他们可能担心人工智能内部的偏见或对技术的信任真相或不同的影响。

例如，它是一组，不幸的是，更肯定会受到它的伤害。然后你有一些机构，他们并没有真正做任何事情。它并没有真正引起人们的注意。出于正确的原因，其中一些可能是造成的，但有些人可能只是觉得他们不觉得人工智能可以添加任何东西，在某些情况下，它可能不会。但他们不相信机器能比人做得更好。我并不是在提倡机器比人做得更好。有很多事情，人比机器做得更好。

但是机器比我们做得更好的一些事情令人惊讶。我认为，我们自己的局限性，或者我们自己感知到的约束，有时会抑制我们这样做的能力。例如，您实际上发现人们与聊天机器人等 AI 交谈时更加诚实。不管你是 20 年的医生，20 年的律师，20 年的会计师，他们实际上会告诉人工智能一些他们从未告诉过那个人的事情。

想想你的医生会说，嘿，20 年来只做一次例行的健康评估。他们可能会问这个问题，好吧，平均而言，你一周喝多少杯酒？我会说，嘿，我喝了一杯酒，社交，那种东西。但是当他们与人工智能聊天机器人交谈时，他们就像，哦，是的，午餐时喝了三杯威士忌。这就像令人惊讶，因为他们为什么不告诉这个人？但我们意识到，他们觉得当他们与机器交谈时，没有涉及任何判断。因此，他们实际上可以更诚实地在这方面提供更多更好的信息，这意味着更好的信息意味着更好的洞察力、更好的事情、更好的方式来尝试帮助人们满足他们的任何需求。我们很难接受有时另一个人会比我们更诚实地对待机器。

Erik：所以让我们先打个基础，问一下，什么是人工智能？因为我认为你可以养成在许多不同用例中使用 AI 这个术语的习惯。但对于我们的许多听众来说，这不是他们的专业领域。因此，了解当我们说 AI 时，我们实际上在谈论什么是很有用的？什么是技术套件？你如何构筑这个？当您考虑这一点时，您如何以一种有用的方式构建 AI 的概念，以便您可以说，我在这里谈论的是 AI，但我的意思是，这里和这里我的意思是替代技术或用例集？

尼尔：人工智能的定义有点像一个移动的目标。如您所知，随着我们开发更多功能，它会发生变化。但归根结底，人工智能是一种能够从本质上模仿人类思维的机器，它可以在不需要人工干预的情况下完成需要一定程度认知的任务。这通常意味着人工智能涉及三件事。首先是机器学习。

机器实际上是通过阅读、观看视频、听力和做很多事情来学习的。你基本上给人工智能一堆数据，它得出很多结论，然后它与人类训练师一起尝试做事。因为它做的事情，你有这么多的专家都喜欢，这是对的，那太好了。好吧，这是错误的，或者这就是原因，这是正确的答案和原因；这是一个很好的答案，但应该是这个。这就是原因。你在这里得到了四样东西中的三样，这是四样东西。但问题是它学得很快。这与编程无关。这不是给我们指示。你只是给它如何做出决定的规则。你给它一大堆信息。数据是人工智能的燃料。这就是它最终工作的方式。它就是这样学习的。

第二件事是理解自然语言的能力。我们没有意识到这对机器来说有多么困难，因为想想我们实际上是如何说话的。你用了很多俚语。你用了很多行话，很多成语。如果我说，嘿，你知道吗，我感觉很沮丧，因为正在下雨猫猫狗。猜猜是什么机器？不，人工智能就像等一下，你的身体是蓝色的，因为它正在从天空中下雨小动物。这没有任何意义，这不计算。但是对于人工智能，它不是在看关键词，而是在看意图、对话的上下文和内涵。它不是像字面意思那样看待事物，而是试图获取信息，潜台词，如果你愿意的话，关于正在讨论的内容。这是人工智能中的一个强大工具。

第三个组成部分是它能够像另一个人一样行动，我们可以通过这种方式进行互动。无论好坏，像谷歌这样的搜索引擎已经教会我们依赖关键字。但是效率不高。如果你想，哦，Alexa，我可以说，嘿，Alexa，打开灯，它会完全关掉灯。但是如果我说嘿，Alexa，在这里充电，它并没有意识到我真的在暗示它有点亮，你能把它调暗一点吗？

所以有了人工智能，它可能会回来并说，哦，哇，嘿，你觉得它太亮了，你想把灯关掉吗？让我们说是的。或者，如果我想买一辆自行车，去找了解自行车的人工智能，然后说，嘿，我要去买一辆自行车。我应该得到哪一个？这就像有一个懂自行车的好朋友，他会回来说，嘿，尼尔，你想要什么？我想恢复身材。太好了，你认为你多久会骑一次？大概一周四五次，一次大概45分钟。太棒了，尼尔。你会在哪里骑自行车？我会开车绕着我的街区转一圈。它会回来说，尼尔，这是适合你的自行车。

所以它知道自行车，它正在寻找更多信息，但也可能知道关于我的事情。这就是为什么我说最好的朋友。它可能知道，你知道吗，尼尔不喜欢花很多钱，所以我将排除昂贵的自行车。我也知道尼尔每周说四五次。他是个很忙的人。所以大概一周一次吧。我们将所有这些因素考虑在内，以提出一个很好的个性化推荐，最适合我的需要，而不是像毯子一样的东西。

因此，这些能力结合在一起，使人工智能能够真正回答问题或解决我们没有答案的问题。它不是一个巨大的搜索引擎，只是把我们知道的东西吐出来。它实际上是在尝试解决问题，帮助我们找到答案。

Erik：第一个机器学习在某种程度上是一种非常基本的写作方法，一种具有一些非常基本前提的通用算法，然后将其松散地处理数据并完成这个训练过程。但是您并没有预先在该算法中构建大量逻辑。您正在构建一些基本逻辑，但随后您允许训练过程随时构建算法。

另外两个，你将如何建立这些？它会是机器学习的组合，比如我们家里有 Siri，或者 Echo 或亚马逊，通过与人的互动，它开始明白，当你说某事时，通常，它第一次得到错误的答案，然后你改写使用另一个术语，然后它会理解你，因此它开始通过这种学习过程将这两个术语联系起来，这种学习过程只是在数以百万计的家庭中并进行这些日常互动。是否仍然是机器学习过程在训练它，但也许还有一些更传统的人工智能或编程，然后我们也会把它连接到你的银行账户，所以它可能知道你实际有多少钱如果您想购买，进行购买，它知道什么对您来说在经济上可行，然后我们将其连接到您的 Facebook 帐户，以便它知道您的朋友是谁以及他们倾向于做什么等等？

然后我们还有更传统的 AI 流程，说，好吧，我将连接这些不同的数据库，并在特定情况下评估哪些数据方面给它一些更相似的方向。那么，您将如何构建您正在谈论的第三个应用程序，其中您有一种对话应用程序，例如购买自行车？

尼尔：这在很大程度上与我们所说的分类、概念和分类有关，只是试图对一些数据进行排序以帮助人工智能理解。但实际上更强大的是概念训练。通过概念训练，我们正试图教给 AI 联想。所以，我使用前面的例子，因为正在下雨，所以我感到很沮丧。蓝色可以代表一种颜色，也可以代表一种情绪状态；也可以表示对音乐的引用，等等。

举一个不同的例子，你会想到法国。如果你只问普通机器，什么是法国，它会吐出一堆事实。好吧，它是欧盟的一个国家，人口是 5000 万，3000 万平方公里，不管它是什么。但如果你问一个人什么是法国。他们可能不会说同样的话。他们可能，是的，它是欧洲的一个国家，但它也是红酒。是厕所。这是罗纳河。所以是埃菲尔铁塔。这些是教 AI 进行概念训练的重要内容，因此它必须建立这些关联。

因此，为了能够进行对话并赋予其个性感，它必须了解对话的运作方式、意图、上下文会产生玩笑。我们可能会教人工智能，这并不一定要问一系列问题，而是要自然流动，就像当你进行对话时，你只是深入了解信息。你可能会喜欢，嘿，太好了，最近怎么样？也许像这样的问候，哦，酷，你想买一辆自行车？

由于缺乏更好的词，心理学实际上是如何进行对话的。因此，这一切都与机器学习无关。但是我们认为理所当然的事情，对我们来说的第二天性实际上对于机器来说真的很复杂。因为想一想，对话可以有多少种不同的方式？你走到可能不知道的人面前，然后说，你好，最近怎么样？有多少种不同的可能性？对于机器来说，要理解和学习如何正确应对这种情况，这很复杂。这就是为什么我们肯定需要机器学习，我们必须能够同时将这些概念传授给机器。

Erik：是的，有趣的是，在人类和机器的简单和困难方面，我们几乎处于相反的两极，对吧。因此，经过 100,000 年的进化，我们的大脑中内置了许多专门的模块，使我们能够相当直观地进行对话和阅读人们的情绪等等。而且我们没有如何做代数的模块，也没有专门的模块，这些模块还没有出现足够长的时间，也没有足够长的时间用于将硬件内置到我们体内。但显然，对于机器来说是完全不同的。

如果我们使用这个例子，也许再深入一点，那里的一些东西对于机器来说可能相当容易，所以它能够获取所有相关信息。无论在线提供什么，如果需要计算或其他东西，它都可以，所以在法国人口或类似的地方，这些信息是相对可用的。

所以今天，我们在构建解决方案时有一个平衡点，它混合了某种程度的机器学习和某种程度的人工编码在其方法中。所以有一定程度的编码。今天看起来像什么？因此，如果您正在与一家初创公司合作建立这个团队，他们会在多大程度上建立一个基本结构，然后只是进行数百万次对话，或者以某种方式使用大型数据集进行训练等等？他们将在哪些领域进行手动编码，以帮助解决方案实现在开发的现阶段通过蛮力训练无法实现的目标？

我特别问这个问题，因为如果我在做一个项目，这对我来说也是一个挑战，不清楚我们在哪里可以信任算法，然后说，好吧，我们有这些大数据集，我们将把这些进入算法，它给了我一些东西。但是有些地方我们必须介入并真正投入大量精力来尝试制定逻辑。那么也许我们可以用这个例子来说明我们应该在哪里关注机器学习，以及我们应该在哪里关注深入参与设计人工智能解决方案的开发人员？

尼尔：培训是围绕人工智能的一大挑战，人们往往低估围绕它的努力。不幸的是，人工智能不仅仅是一个魔法盒子，它只是做我们想做的任何事情。我们真正关注的是我们称之为基本事实。基本事实是关于如何做出决定的规则：它们不是决定本身。基本上，这成为人工智能的字面意思。

所以你想想如果人工智能就像一个三岁的孩子，你试图向一个三岁的孩子解释它，正确与错误的行为，你试着给孩子规则，就像不要'不要伤害人。这不是特定的行为，就像伤害人一样糟糕。这是要遵循的规则，是关于好与坏行为的准则。

所以我们试图用人工智能做同样的事情。我们尝试使用跨职能团队来教授 AI。因此，当我们向它提供信息时，取决于它周围的可变性或复杂性，我们可能会对其中的一些内容进行注释，以将某些事情称为好行为与坏行为。所以这是部分工作数据科学家，部分工作开发人员，但也是部分工作领域专家。所以当谈到人工智能项目时，不仅仅是我们得到需求，技术团队出去，设计建造东西。我们需要每个人都参与其中。我们只是让 AI 实际尝试一些事情，然后看看它的表现如何。

从本质上讲，我们正在寻找对其表现的信心水平。很多 AI 实际上会告诉你，我对我的答案有 50% 的信心，我有 70% 的信心来自我的答案。我们不断地经历这个训练它的循环，训练越来越复杂的东西，直到它达到我们有信心用于一般用途的信心水平。现在，这仅取决于可能产生的影响。

如果我们谈论的是一个试图帮助客户服务的聊天机器人，我们可能会接受 80%。它将继续学习它。如果遇到问题，我们会有人工客服代表。当您查看危及人们生命的医疗保健时，80% 可能还不够。所以我们必须投入更多的时间来做到这一点，这可能会达到 98%。所以，当我在 IBM 工作时，我们做的第一件事就是医疗保健，讨论 Watson 如何帮助癌症研究。我们不得不教沃森关于癌症的知识。还有很多不同形式的癌症。有不同的阶段。有很多不同的信息，涉及很多可变性，很多复杂性。

然后，您会发现这里真正是主题专家的人非常忙碌。我们就是不能让他们离开他们的工作，因为他们正在努力拯救生命。因此，在有限的主题专家时间和癌症世界的巨大变化之间，Watson 花了几个月的时间才达到了相当熟练的水平。这是要学习的关键一件事。开箱即用的 AI 不会只知道东西，它不会做事。我们必须投入时间和精力才能真正实现这一目标。越复杂，花费的时间就越长，这就是为什么我总是向人们推荐，从大处着眼很好，但从小处着手，因为你从小部分开始。你能选择一种癌症，比如胰腺癌吗？你会选择一个阶段，比如第一阶段，然后专注于很好地教学，然后在此基础上建立越来越多的层次吗？

Erik：您之前提到过一些机构的参与度很高，而另一些则没有。我想象很多机构，他们根本没有专门的资源、数据科学家和人员来处理这个问题，或者至少他们不觉得他们有；而如果你谈论的是国防部或美国银行，他们当然有资源可以投资。现成解决方案的现状如何？

因为有很多中型公司，也有很多中型组织，比如政府或组织，如果我们考虑一个小镇的警察部队，或者在其特定领域拥有很多深厚专业知识的中型制造商。所以他们有一半的方程式，但他们没有能力去雇佣五名数据科学家。最好的做法是什么，如果他们想参与，并且预算有限，他们是否能够购买现成的东西来帮助他们，也许只有一两个不是博士的开发人员，但可能有 5- 10 年经验开始构建解决方案。还是在这个阶段真的需要相当强大的努力来建立一些东西？

尼尔：这真的取决于你想要做什么。许多大型科技公司，如谷歌、阿里巴巴、IBM，都非常擅长创建供人们使用的 API。 API 为您提供了能力、混合和匹配，这些都是有意义的。但是我所看到的我自己的经验只是知道完美的解决方案不能混合一堆 API 并得到你想要的。对于您正在尝试做的事情，总会有某种程度的专有或定制。 API 可能会让您 70 岁知道 [听不清 36:53]，您仍然需要这些资源。

现在，好消息是有很多人在努力尝试创建这些生态系统，你知道，谷歌、IBM、阿里巴巴，所有这些人都提供、帮助、支持、指导，有时这还不够。而且你不能像你说的那样雇佣五名科学家，但还有其他组织，比如中型或精品咨询公司，可以作为补充。或者你有像 [听不清 37:22] 这样的组织，他们正试图抓住机会，你可以赞助一个挑战，或者一个比试图雇佣大型科技巨头成本低得多的项目。

他们正在做的是他们会帮助你解决这个问题。但他们都是同时的，他们有一些优秀的人，他们有一些想要提高技能的人，特别是在那些拥有技能的服务不足的社区。所以他们抓住机会，是的，我们可以帮助你。我们还可以利用这些想要回馈的人，向人们传授这些新技能。所以我看到了更多这种生态系统类型的游戏，以实际创造全面的价值。因此，如果您是一家中型公司、代理机构或初创公司，那么会有更多这样的机会，尤其是在全球范围内获得您需要的帮助。

Erik：你说他们有社区，他们正在努力提高技能。这是为什么？这些人是否是他们组织的内部人员，他们想要提升技能？还是他们是专门帮助特定人群发展这些技能的非政府组织？

尼尔：很晚了。他们是非营利组织，他们试图抓住机会说，看起来未来的工作正在发生变化。我们知道技能组合的需求在哪里。像农村社区或服务不足的社区的人们可能无法获得相同的教育或专家机会。我们希望创建社区，但也让他们有机会通过将他们与实际项目联系起来来学习。所以，就像，[听不清 39:03] 目标是真正帮助这些人群获得这些技能。

Erik：我看到的一件事可能不是那么良性，但在某些情况下可能实际上是有效的，我对你对此的看法很感兴趣，是那些愿意承担一些工作量或成本的公司开发人工智能解决方案以换取对数据的访问。因此，我看到越来越多的公司推出了产品化的人工智能解决方案，他们将涉足其中，他们将进行一些可能无利可图的系统集成工作。但是通过这样做，他们能够将更多数据输入他们的系统，更好地训练他们的系统。

我知道从雇用他们的公司的最终用户的角度来看，这总是有点令人担忧，好吧，也许一方面数据是一种美丽的东西，它可以为我提供价值，我可以将它转移到其他人，对我来说没有任何成本，而且对他们来说还有额外的价值。因此，它具有能够以非常微不足道的转移成本为多人提供价值的奇妙特性。

但是，如果我这样做也有这种不确定性，我是否会失去对我不理解的东西的控制？因此，也许我没有正确理解我的数据集的价值，或者拥有对这些数据的专有访问权的价值，然后我是否会将其交给另一个组织？甚至放弃理解数据的能力，然后我只是一个接收输出的接收者，但我并不真正理解底层逻辑？这可能是一个复杂的问题，它涉及到公司希望采用其管理数据的方法的业务战略。

但是，您如何看待公司的这种情况，他们拥有数据，他们希望从该数据中提取价值，并且他们可能会放弃对该数据的访问权给第三方，而后者随后也有权访问该数据。他们的数据，但作为回报，他们实际上会得到一个有效的解决方案？我不确定您是否建议公司或提出我何时放弃访问我的数据的问题？我应该如何评估对特定数据集的专有访问权？

尼尔：数据是新的石油。如果你是一个年轻的企业家，真的很难得到金钱和资源，这是一个非常好的交易。它可能是。我的意思是，你必须真正尝试并称重。但我认为每个人都面临的挑战是数据的真正价值是什么？仅仅能够收集和存储它，切片和切块并不意味着我们一定要收集有意义的东西。这实际上是我教给我的 MBA 学生的东西。这是真正的挑战。

但每个人都知道他们想从本质上囤积数据。如果我有更多的数据，就会有好事发生。不一定如此。但我认为更大的挑战是，如果你这样做，其他组织将如何处理数据？他们是否突然将您置于负责任的境地？

有趣的是，实际上，就在今天早上，我正在与一家规模不大的公司交谈，我不会说出名字，他们正在与一家非常大的管理咨询公司合作。他们问我，比如，看，他们愿意在一些人工智能方面帮助我们。他们愿意以非常低的速度做事。但他们非常坚持要获取数据；我们必须共享数据，他们可以使用这些数据。我们理解他们为什么不想要这些数据。我只是告诉他们，数据被认为是有价值的：你拥有的越多，它的价值就越高，即使你不知道你能用它做什么。

我只是在说，就像对数据安全和隐私的担忧是一件大事。但也许他们看到了什么，或者他们没有，但你没有，他们想利用。但出于同样的原因，这种数据囤积抑制了我们在医疗保健等多个领域实际取得进步和创新的能力，我们现在确实知道，许多临床研究人员、医院、医学院，学术界，制药公司，他们正在复制其他人的研究，在某些情况下，四五次没有意识到他们是死胡同，因为人们不分享信息。

我们无法在医学诊断、治疗甚至治愈方面取得长足进步，因为我们没有足够大的数据集，因为没有人愿意分享他们的数据。他们被剥夺了 PHI 个人健康信息。他们只是认为他们的数据非常有价值，以至于他们不想为汇总做出贡献。考虑一个针对 PHI 的公共存储库，任何人都可以访问并可能加速治愈癌症、治愈艾滋病的能力。因此，如果不出意外，我们已经非常重视可能是泡沫市场的数据，可以说，我们实际上高估了我们实际拥有的数据。

所以我得到了关注并同意在很多情况下你不应该立即放弃：确保这是一个很好的权衡。但在某些情况下，这阻碍了我们自己真正做出有意义的生活，从而影响社会的变化或利益。

Erik：嗯，这是缺乏透明度。那么这些数据有什么价值呢？我不知道，可能什么都没有，可能很多。在过去的几年里，我见过几家初创公司，特别是在特定领域，一直在建立我所关注的谷歌物联网数据。所以一个是，我认为，更多地关注交通。因此，他们主要从公共交通来源汇总数据。但我认为他们的意图也是获取私有数据源，然后允许人们通过 API 访问特定数据集，收取一定费用，其中一部分费用将返回原始数据源。

因此，您将有一种机制来实际激励分享此信息，因为您正在将数据货币化，否则您只是坐在某个湖中。只要这没有特别的风险，在这种情况下，我认为，完全没有风险。这对于所有投入大量时间收集数据的政府机构来说可能是非常有益的，然后他们能够将其货币化并将其出售给例如想要弄清楚如何设计更好汽车的汽车制造商。

这样做的另一家公司是在零售领域，他们有一个连接计算机和销售点设备计算机的设备以及打印收据的设备。因此，每次交易完成时，他们都能够收集交易级别的数据，而在此之前，可能每周一次，您将获得来自商店的输出报告。然后他们将其提供给公司，但随后可能，根据合同，他们还可以汇总这些数据，并拥有中国所有购物中心在消费模式方面的数据集。

所以我看到越来越多的公司在做这个实验。看看市场接受什么将会非常有趣。但在某些时候，解决这个问题似乎具有巨大的潜在价值，即我们如何以方便的方式共享对数据的访问并正确评估？我猜人们并不普遍满意我们通过谷歌和 Facebook 等为互联网数据提出的解决方案。所以希望我们能提出在这种情况下我们或多或少满意的解决方案。

也许这可以将我们带到人工智能和物联网数据，因为我想你在我们之前的演讲中提到了很多我们一直在努力的数据不是为机器创建的，而是为人创建的。现在我们正在将其重新用于机器。但在过去的几年里，我们现在已经有了非常显着的增加，这些传感器专门为机器处理的第一个目的收集数据。您对 AI-IoT 交互有何看法？我想我们可以从用例的角度来讨论这个问题，但也可能是更高的层次，只是就这如何迫使我们重新思考数据是什么、数据应该是什么、我们如何构建我们捕获的数据？

尼尔：嗯，我真的相信物联网和人工智能是齐头并进的。数据是人工智能的燃料。物联网就是生成数据，尤其是机器消费。我们从像人工智能这样的机器中了解到的一件事是，它们对某事的想法不同，但显然它们可以处理大量数据，所有这些东西。

想一个简单的例子，我们可以看看自动驾驶汽车。所以，作为人，我们真的很依赖我们的眼睛，所以我们是视觉驱动力。当我开始涉足探测汽车时，可能过度依赖摄像头数据。特斯拉，那是自动驾驶仪。听说司机在看哈利波特电影，但司机没有注意到前方300码处有一辆翻车的卡车正在高速公路上行驶。嗯，很明显看到它。但特斯拉从未停止过。事实上，卡车跑了，把车顶扯掉了。人们喜欢这到底是怎么发生的？就像，好吧，卡车床是白色的，那是一个阴天。因此，在摄像机的眼中，卡车车厢与背景融为一体。

或者我们知道机器不需要依赖视觉。如果特斯拉一直在使用雷达、激光雷达，甚至是听觉传感器，它会在心跳中检测到并停止有足够的时间，这就是为什么今天的自动驾驶汽车实际上具有这些能力的原因。回来，实际上你会在看到那个小孩之前听到那个小孩跑过马路。

因此，事实上我们可以接受这些不同的感官输入，我们可以将物联网设备带到道路上的交通信号灯、其他车辆、地标，无论它可能在哪里，并为人工智能系统实时处理这些信息，人工智能可以处理，我们看到它在驱动时每纳秒有数千个输入。这就是为什么我们认为自动驾驶汽车实际上可能比人类驾驶员更安全的原因之一。就是那种力量。所有这些数据都在生成。我们作为人们可以消费它。

不幸的是，我们不能使用雷达或激光雷达信息。听觉真的取决于我们汽车的隔音效果，以及我们是否在听收音机或与某人交谈。但对于一台机器来说，这是一个巨大的优势。我认为正是这些类型的东西将创建这些物联网设备，为人工智能处理提供大量数据，它们将使人工智能在某些领域比人类更高效。我认为这是真正的优势，我们将能够获得的真正好处。

Erik：作为这里要讨论的最后一个话题，人工智能显然具有非常有益的潜力。但是有很多，我个人认为，人工智能对社会的潜在影响是有道理的，也许我们可以抛开关于实际能够控制通用目的的存在担忧，但也许不仅仅是人工智能，但是在短期内，对社会的影响。

我知道这是一个你个人思考很多并与不同机构交谈的领域。如果我们从对我们与工作关系的影响来看，您是否已经看到了重大影响？在未来十年，你会预见到人工智能如何影响我们与工作的关系，然后我们可以做些什么来做出回应，以确保人类进化或适应自己，以保持相关性并确保我们不是为了技术进步而牺牲一部分人口，让他们作为社会的正常运作成员有些过时吗？

尼尔：我想说，纵观人类历史，我们一直担心新技术会取代人类。就连拖拉机，很多人都觉得可能是农民的末日。但是人工智能，就像我认为所有技术都是工具一样。这完全取决于我们如何使用它。我们可以永远使用它。我们用它来做坏事。我不认为大多数人只是想取代人。我认为他们正在尝试为他们提供工具，以便他们实际上可以延长时间来完成更复杂、更具附加值的工作。

非常重要的是，未来的工作，10 年后的热门工作正在酝酿之中。你想想 10 年前的 2009 年，我们没有优步司机，我们没有社交媒体营销人员。这绝对是机会。不利的一面是，我们知道某些工作绝对会消失。你想想自动驾驶汽车，我们可能需要成为出租车司机，我们可能需要成为卡车司机。那么我们该怎么处理这些人呢？他们中的一部分可能我们可以为新类型的工作进行再培训。但如果你是一个 50 岁的出租车司机，有配偶和两个孩子，你不能真的告诉那个人你必须回到学校四到六年学习这些新技能，那真的不会飞。

我认为我们必须弄清楚如何处理这些人是一个真正的问题。但更重要的是，我们需要迅速采取行动。因为我和很多人交谈过，其中一些变化是 1 到 20 年之后的事情，但事实并非如此。变化发生得越来越快。我们认为我们有更多的时间，但我们没有。还有自动驾驶汽车，新加坡已经有了自动驾驶巴士和出租车。所以，我们有一个小窗口来帮助那些我们可以帮助的人。每天我们拖延，越来越多的人将落入我们可以重新培训他们的桶中。我们必须弄清楚该做什么以及我们如何帮助这些人。还有关于普遍基本收入或其他事情的事情。

但我认为，希望每个人都能同意的一件事是我们不能拖延。不是整个销售人员，而是数百万人将失业。就像我们现在有机会帮助很多人为未来做好准备一样。我们真的在利用它吗？公司是否正在尝试着眼于新的技能和知识并重新培训他们的员工？我们在看贸易学校吗？

我们是否正在寻找学院和大学，高中来让他们为此做好准备？但我可以告诉你，加州大学欧文分校的法学院院长一直是一位非常有远见的思想家。她正在考虑法律技术，也许法律学生应该学习的工具，使他们对公司更具吸引力。当她看到一些事情正在发生时，比如创建了 AI 助理律师的 Legal Nation，她实际上意识到，从根本上说，诉讼在最初的四五年内将发生的事情将在六年之内完全不同年。所以她实际上正在努力改变课程，实际上与律师事务所或组织合作来定义未来的工作将是什么。

所以我认为不作为不是一种选择。如果我们真的关心这一点，想尝试帮助尽可能多的人，我们都应该朝着定义工作未来的目标努力，让人们为此做好准备。

Erik：现在，这是个很有趣的话题：法律、会计以及许多对智力要求最高的领域实际上是这里最受威胁的领域，因为这些领域是基于记忆大量信息的能力。然后这就是人工智能往往比人类更擅长的事情。因此，例如，在法律方面，可能围绕着建议、咨询、了解案件背后的人的需求可能存在很多未满足的需求，而这些需求可能我们今天并没有很好地满足。

这就是你可能正在寻找的解决方案类型，在这种情况下，过去做了很多工作，正在查找相关法规和法律，这些工作将由人工智能完成。但就法律案件中的个人提供咨询而言，这可能由一个人完成，也许在我们只投入 10% 的时间之前，但我们实际上可以将其增加到我们的 30% 或 40%时间并提供更高的服务水平。在法律领域，我们可以雇佣数百万进入市场的年轻律师的例子有哪些？

尼尔：人们会说，法律研究和围绕案件规则的管理，更多的是关于什么是可计费的，什么是可以支出的。但即使是阅读法庭文件、分享法庭文件、查阅发现信息，很多都是非常相似的案件；可能有 60-80% 相似。但是你可以有一台机器，我可以基本上承担这项工作并让你完成 68% 的工作。

我提到了Legal Nation，是由三位律师创办的，他们正在做一些工作，他们能够像助理律师一样完成通常需要6-10个小时才能完成的工作，他们可以在两分钟内完成。目标不是摆脱副律师。你仍然需要它们。你仍然需要合作伙伴，那种东西。但是，通过将他们的时间从这件事中解放出来，他们正在做更多的审查并填补其中一些 20% 的空白，这让他们有时间与客户进行更多的交谈，更多地思考案例策略，更多地思考如有必要，请选择陪审团。所以，更多复杂的任务，更多可能对案件更有影响的事情，现在你正在逃离，腾出他们的时间来实际处理。

而且我知道可能有些人的想法很好，即使那样你也不需要那么多的副律师，我认为现在公司应该好好思考，我们必须获得更多的业务。我们可以以更高的质量和更低的成本做更多的工作，您可能会获得更多的客户，获得更高的效率。因此，律师要做的工作实际上比以前多。

Erik：尽管只有 1% 的美国人是农民，但我们生产了大量的食物，而且似乎运作良好。所以希望我们也可以在这里发展。我认为这里的变化将比过去的工业革命发生得更快一些。尼尔，我在这里有几个结束的问题，稍后再说。但我认为这些领域你会为我们找到一些有趣的答案。在我们去那里之前，有没有我们今天没有涵盖的重要主题，您想确保我们涵盖？

尼尔：我知道你在谈论很多人工智能和力量、机会、恐惧和担忧，我绝对希望人们意识到人工智能只是一种在商业化中赚钱的工具。实际上，它可以为社会公益做很多事情。我在联合国做的一件事是帮助他们启动人工智能计划，有 17 个可持续发展目标，例如零饥饿和贫困、他们获得医疗保健等等。然后，人工智能可以成为使其中一些目标成为现实的工具。

我并不是说赚钱不好。但我认为社会企业、社会收视率有很多机会，即使是人工智能方面，我们也可以进入思考我要创建一个新企业、我要赚钱的心态。但是我这样做有没有机会，我也可以推广社交位。我认为这是一个非常重要的心态。因为当谈到人工智能时，我们真的很好地考虑了不好的东西，我们称之为可怕的人工智能，或者武器化或失业。

但我们不太擅长思考赚钱以外的好处。我们还可以做些什么来帮助社会。比如，我们真的可以使用人工智能作为职业教练来帮助人们获得更好的工作吗？所以我只想说，一切都有点二元性。

Erik：在某些情况下，您可能会回到数据价值的问题上，因为公司所掌握的数据实际上可能对联合国的 17 项目标（全球发展目标）中的一些目标非常有用。因此，看看是否存在未被充分利用的数据可能会很有趣，如果公司得到适当的通知，可能也会愿意共享这些数据库。因为这与与将成为潜在竞争对手的公司分享数据有些不同，所以在这里，我们真正谈论的是利用具有某种商业目的的数据，但也可以用来为更好的治理提供信息。那将是一个值得探索的有趣领域。

所以尼尔，这里只是几个总结问题。有没有一家年轻的公司在做一些你想关注的特别有趣的事情？

尼尔：可能有几个，但如果我必须选择一个，我实际上会打电话给一家名为 Cyrano.io 的公司，这就像 Cyrano [听不清 01:03:36]。它实际上是由两个人开始的，一个是治疗师，另一个是神经语言学家。他们的目标是帮助抑郁和自杀的青少年。所以顺便说一句，孤独实际上是世界上最大的疾病。大约 40% 的人患有某种程度的中度至重度孤独感。

所以他们实际上所做的是他们一直在工作并且他们实际上已经创建了一个人工智能引擎，通过对话可以实际评估一个人的意图和承诺，因此通过单词选择和那些类型的事情。他们这样做是为了帮助抑郁和自杀的青少年。他们意识到这可能是一个测试他们技术的危险场所。所以他们进入了更无害的领域，比如汽车销售，因为他们认为如果失败了，最糟糕的事情就是汽车卖不出去。但它实际上非常有效。

他们意识到，作为一个整体，它实际上为人们构建了一个交流工具，不仅可以收集到某种意图承诺，还可以获得人为的更好的阅读同理心。所以你现在实际上可以和一个人交谈，使用会引起共鸣的论点的语言和词语。因此，与其说你可能是一个非常注重事实的人，不如说你抛出了很多事实，但当他们需要更多的保证时，他们可能是一个非常有感情的人。所以他们有效地建立了一个工具，如果你是父母和孩子交谈，或者你想帮助一个有自杀倾向的青少年，或者你想卖一辆车，你现在有了一个沟通工具，你会成为一个更有效的沟通者，因为它可以指导你并帮助你理解语言、单词和信息，以专注于最能引起那个人共鸣的内容。

Erik：是否有尚未被广泛采用但您认为具有潜在颠覆性的技术？我的意思是，更多的是一种特定的技术。因为如果我们考虑 AI，AI 是一个很大的概念，底层有很多 Kubernetes。有许多不同的技术可能有用。您认为在未来 5 年或 10 年内有什么可能非常有影响力吗？可以是笼统的，它不一定与人工智能特别相关？

尼尔：但实际上我会在这个方面朝着不同的方向发展，我认为神经形态芯片可能会改变我们的游戏规则。神经形态芯片基本上是机器学习，人工智能实际上内置在硬件中，所以你实际上不需要互联网连接来使用它。所以你没有延迟，你得到了快速的响应时间。

但我对此感到兴奋的原因之一是过去 30 年来，我们非常关注软件，而不是硬件，而且我们实际上已经达到了极限。我们现在实际上有硬件限制并且能够做到。因为我听到了很多关于量子计算机和 5G 甚至 6G 电信的信息。我们总是谈论拥有自己的个人数字助理的圣杯，想象一下你真的不需要互联网连接就可以使用它，你真的随身携带它，无论是在你的手机上，还是集成到你的身体不知何故，你可以用你的思想访问，这将因为神经形态芯片而成为现实。

我会告诉你，DARPA 已经花了很多钱，我认为，可能接近 5 万亿美元来尝试实现这一目标。你有很多大大小小的公司，比如英特尔、IBM 和惠普，还有几家规模较小的初创公司，比如 [听不清 07:15]，它们取得了长足的进步。它们只是我认为的，就像 DARPA 挑战的第三阶段或第四阶段一样，使这成为现实。所以，你想想所有的科幻小说、电影、书籍，或者如果你在看《黑镜》中提到有一个小人工智能助手，那是你的私人伙伴，无所不知，神经形态芯片将是试图让它成为现实的一大步。现实。

Erik：你对这些产品何时上市有什么看法？

尼尔：哦，伙计，埃里克，我希望我知道，我真的很希望。如果我不得不猜测，我可能会说我们可能需要 12 到 15 年。但我学到的一件事是，这项技术的发展速度比我们意识到的要快得多。所以，也许是12-15，也许是8。我不知道。但是，让我们继续关注，看看会发生什么。

埃里克：嗯，尼尔，今天很高兴和你交谈。我真的很感激你的时间。如果人们想进行对话，那么与您取得联系的最佳方式是什么？

尼尔：有几种不同的方法。我的意思是，他们很高兴访问我的网站 neilsahota.com。有一种联系信息的方式可以与我联系，或者您可以在 LinkedIn 或 Twitter 上与我联系。我的 Twitter 账号在 Neal-Sahota。我经常发帖、分享信息、查看我的信息。因此，如果您想聊天，想就一些想法提出一些问题，总是很乐意提供帮助。

埃里克：太棒了。我们将把它们放在节目说明中。尼尔，非常感谢。

尼尔：我的荣幸。谢谢你邀请我，埃里克。

Erik：感谢您收看另一个版本的工业物联网聚光灯。不要忘记在 IoTONEHQ 的 Twitter 上关注我们，并在 IoTone.com 上查看我们的案例研究数据库。如果您有独特的见解或项目部署故事要分享，我们很乐意在未来的版本中介绍您。写信给我们 erik.walenza@IoTone.com。