近年来，随着一系列新一代数字技术的加速推进，未来世界正向我们呈现出其充满科技态的雏形。

2024年，大语言模型ChatGPT的热潮还未退去，文生视频大模型Sora的“横空出世”再次点燃了大家对未来的期待。

未来科技会给我们的生活带来哪些改变？新的科技叙事能够带给我们哪些商业想象？人工智能时代，普通人应该怎么培养未来世界的思维方式？

当人工智能专家遇见生命科学家，将会发生哪些有意思的观点碰撞？3月17日，中信书院联合鹏瑞集团在广州·鹏瑞1号举办了一场聚焦前沿科技的交流活动，特别邀请了华大集团CEO、科普“名嘴”尹烨与南方科技大学教授、英国物理学会会士马兆远，一起解读新趋势，帮大家更早看见未来。

来 源 | 中信书院(ID:citicbook)

编 辑 | 三 昧

我很喜欢这句话，丘吉尔说：“不要浪费一场伟大的危机，危是对所有人的，机是对有准备的人”。这个世界上没有什么事情是学不会的，总有两个东西你会学会的，一个叫南墙，一个叫黄河，到了不改不可的时候，就会危中见机。

我们现在正站在三个大科技的交汇处——1994年中国加入互联网，1999年人类完成第一个基因组，2023年GPT开启人工智能时代。人类历史上技术没有这么快的进步过，也没有这么快的融汇过。但是反过来讲，这些技术可能会给今天人类带来什么？

科学和技术是完全不同的两个概念，我们轻易不要讲科技。科学是知识，是规律，规律只能发现，不能创造，所以科学无国界；但技术是可以被创造，可以被发明的，是有国籍和商业壁垒的。科学只能卡脑子，技术和产业是可以卡脖子的。

2002年诺奖得主分析，为什么上个世纪80年代的生物技术突然取得了很大的突破？不是科学家变聪明了，是因为工具的发明。新的科学进步首先是来自于新的技术，新的发现再到新的想法。

很多突破并不是从科学到技术再到产业，反而绝大部分是有技术再有工具，比如，先有蒸汽机后有热力学，先有飞机后有空气动力学，先有望远镜后有天文学，先有显微镜后有微生物学，实际上人类是先从技术工具逐渐产生出新想法。

所以只有能造硬件，才能真正引领世界向前奔跑，所以中国不会卡在软件上，只会卡在硬件上，软件叫文无第二，硬件叫武无第一，我们必须在硬件上努力突破。

这就不得不提到卡脖子的芯片。引入一个最近比较火的概念Scaling Law（标度律），简单来说就是暴力出奇迹。

去年这个时候GPT出现，中国各大公司追的很快，火速开始百模大战。而Sora出来一个月了，为什么没有人追赶，因为第一Sora没有开源，第二我们算力不足，这就是现在的问题。

GPT算力是1750亿训练级，基本上就是搜索引擎中的人类语料库，需要25000张A100芯片算半年。业界普遍认为Sora的总算力需要1万张卡，万卡是能够做文生视频一个门槛值，而中国现在没有万卡算力，一家公司都没有。

千万不要信谁今天能跟上Sora，先问他：你算力够吗？相当于就一个胃能吃5斤米饭吗？这就是所谓的暴力出奇迹，堆不到这个量级的算力就不可能训练出类似的模型。

再介绍一个词：涌现。简单来讲，就是整体大于部分相加之和。从科学来讲，化学是物理的涌现，基本的粒子进行一些组合就变成了元素，就有了化学。化学从无机经过一系列的自循环，让自己的熵变低就变成了生命，生命再涌现出来神经系统，就出现了智能。

人工智能来了，会不会打败人类？不会，谁先用谁先赢。汽车取代了马车，但是马车夫变成了司机，你是要变成司机还是天天骂不应该发明汽车？后者肯定不对，一定积极拥抱变化。

技术钝感是当下人类最大的挑战，所谓的“老”不是你头上有白头发，而是你不再接受新的想法。比如，量子应用、合成生物学、类脑计算、零（负）碳农业、可控核聚变、常温超导等等。

与此同时，我们要守脑如玉，一定要相信眼见未必为实，数学对就是对的，物理对就是对的，只有用自然哲学的最高语言数学去量化，才能迎接下一个挑战。只要数据够了，自然会发生涌现，所有的未来判断都希望通过数据导向，而不是靠假说导向去解决问题。

居里夫人说：世上没有真正可畏惧的事情，只有尚未被认知的事情，知之越深，未知越浅。人为什么会焦虑？一是当你的欲望大于能力，二是道理知道的多，知识知道的少。怎么解决焦虑？就是8个字：多学知识，少听道理。

所以守脑如玉有的时候比守身如玉更重要，学习不会让大家变成全知全能，学习唯一的作用是让你们不再害怕未知。

前两年，我在南科大开始讲逻辑课，为什么逻辑重要？因为有了逻辑才有了现代科学，这个没法回避。在上世纪30年代之后，有几件事影响了现代科学：

哥德尔不完备定理终结了我们对完美工具的幻想，

量子力学结束了我们对确定条件的依赖，

混沌力学告诉我们精确预测未来的不可能性，

贝叶斯统计告诉我们认知本身是信心，是执行度的问题。

所有这些东西构架在一起，完成了对科学的证实启蒙，也形成了现代科学的基本思路。在这之前，古典科学的思维方式先有观点后有证据，而现代科学的思维方式是先有证据后有观点，这也是古代思维和近代思维的核心差别。所以在大学里，我们才开始认真教什么是逻辑，什么是证据第一性，观点第二性。

我们越来越清楚一件事，教给年轻人将来该学什么这件事——能力越差，越要回归本质，回归日常。大学这几年应该学什么东西？延伸到中学和前期的教育，基本上可以教给学生叫MAPLE。

数学保证我们和硅基生命或者新物种对话，它的延伸就是计算机。我上中学学了C语言，做教授之后开始学Python，现在可以用ChatGPT帮助生成语言，所以学语言本身可能用处不大，但是学数学更本质一点，规则是不变的。

艺术是我们跟人类内心的对话，维特根斯坦讲艺术是没法用语言来描述的，只能去体会，但确保我们继承了人类的文化，可以和自己的内心沟通。

物理保证人能够和自然对话，这是人跟自然真正接触的第一道防线，从物理之上延伸出来化学，但物理的规则告诉我们怎样去审视自然界哪些东西是真实的。

不管是学中文还是英文，至少学两到三种语言，能保证你和人对话，和中国的文化对话，跟另外的文化在一起对话，保证你能跟人有很强的沟通能力。

大学里面很重要的一个问题，对学生动手能力的训练极差，这是中国整个高等教育出现的严重偏差，从小学到大学一直没有教育孩子们怎么动手，更多时候动手是为了考试。

主持人：2023年被看作是人工智能大模型的元年，AI技术在全球范围内飞速发展，渗透到各行各业。两位老师在过去一年，有感受到什么非常深刻的变化吗？

尹烨：我这一年多来最大的感触就是，原来一些很基本的语言学的东西确实得到很大的颠覆，最典型的就是翻译在GPT出来之后没活干了，当工具的语言没有必要再学了。但凡语言能干的事情，不管是谱曲、编程，搭建一个简单的网站，甚至未来的文生视频，包括越来越多AI电影都已经做出来了。

马兆远：很多人在问我们，哪些工作将来真的还有用？我们唯一能告诉年轻人的是学习能力还有用。上一代人可以从参加工作到退休只干一件事，我们可能每隔几年就要换一个工作，学习能力是唯一能在这个环境当中决定竞争力的。从ChatGPT、AIGC这些新名词出现的速度太快，与其跟上这么多新名词，不如真的理解其中的道理。

150年前，中国在进行洋务运动的时候，李鸿章、张之洞也学了很多新名词，怕被世界落下，要奋起直追，造工厂，造大船，但是结果并不好。同时期日本进行明治维新，福泽谕吉提出日本要现代化，首先要在思想上要现代化，理解现代科学是怎么发生的，这个思路看起来很笨，确实让日本和中国在学习西方中走上了两条不同的道路。

现在可能也面临类似的问题，美国灌输给我们很多新名词，如果不去“走福泽谕吉的路”，可能和150年前发生的事情是类似的，投入了很多人力物力，但最后还是被打败。教育这件事看起来作用是很慢，但其实长时间积累下来并不慢，而且会让你进步了之后不会退回去。

主持人：从产业结合的角度来讲，人工智能和生命科学结合，和制造业结合，两位老师有没有具体的案例给我们分享一下。

尹烨：人工智能真正在生命科学领域主要是三个大事件。

第一个人类的基因组计划，从1989年美国立项，到1997年突然异军突起，有一个创业者叫麦特尔，大概花两三年时间就赶上人类基因组十多年的成果，由此诞生了一个新的学科叫生物信息学，开始把超级计算用在了生物学的计算上。

第二个比较轰动的是AlphaFold2，根据氨基酸序列就能够直接预测蛋白质折叠模型，这件事是非常夸张的。尽管它不如全世界最牛的5个人，但它替代掉了过去的9995个人，大幅节省时间。

第三个是谷歌阿尔法狗团队做出了AlphaMissense，用AlphaMissense几分钟之内可以把人脑工作替代，尽管里面还有很多错误，但依然大幅提升了效率。

人是最精密的机器人，人是自然演化的产物，人体这么多关节是最牛的“柔性机器人”。每个关节，每个肌肉，每个神经，每个细胞里有上千万个分子，却可以让37万亿细胞在体内来来回回运动，所以仿人是很难的，仿人脑的智能反而是很简单的。我们不要低估了今天的人，人本身就是一个大数据，一个超智慧体，只是我们对自身的认知可能比人工智能的认知还少。

马兆远：去年ChatGPT出来，大家都在炒作ChatGPT，这是微软十几年憋出的大招。在别人已经做的很好的方向上，你本来醒的晚一点，能力还差一点，要想追上，就像你跟朋友在森林里面碰到一只熊，你不需要跑得比熊快，只需要比朋友跑得快一点。很多国内大厂在宣布自己又做这个，又做那个的时候，他的目标不一定是真的要超过美国，可能只是在割韭菜。

从产业角度上来看，在AI行业上不一定追得上，但有几件事仍然值得去做，比如，大基建，电池行业，5G。虽然大家都在提，好像5G和电池行业没怎么赚到钱，但这些方面为大基建提供了很多创新优势。我们想要解决卡脖子问题，不是在别人卡我们脖子的时候，去卡他的脖子，而是他卡你脖子，你掐他大腿，这样才有谈判权。

从2015年量子行业逐渐淡出，我更关注中国这十年最主要的问题是制造业怎么做。在2008年之后，欧美国家意识到金融、房地产难以为继，都在进行再工业化，恢复制造业。

今天中国制造业面临的困境是欧美封堵高端制造业，迅速崛起的东南亚和印度抢夺低端制造业，中国有可能被卡在高不成低不就的状态，这是中国现在制造业面临的核心问题。到现在为止，没有这么大的一个经济体能够顺利渡过中等收入陷阱，如果我们顺利突围，就是人类史上的奇迹，渡不过是正常，渡过才是奇迹。

所以我们希望作为智的主体，高校和科研院所能够把自己的研究能力，贡献给中国的制造业。不要通过科研成果落地，孵化一两个项目，最后创办上市公司，我们已经来不及零敲碎打地做，而是要为产业升级做服务。

作为社会堆积起来的公共主体，大学应该把心态摆正，公共主体的任务就是创造新知识，培养年轻人，是一个服务角色，让学界做学界的事，让产业界做产业的事，在产业界和学界之间搭建良好的沟通机制。只有具备全球竞争力，才能真正把制造业留在中国。

主持人：Sora出来的时候，网上很多人都在讨论，我们为什么落后得这么远，教育到底出了哪些问题？今年两会上也有人大代表提议，建议把人工智能纳入到义务教育当中，两位老师怎么看待这个问题？

尹烨：我认为学人工智能先学逻辑，没有逻辑是理解不了人工智能的。逻辑和数学已经是我们已知的最完备的两个东西了，没有这两个一切都没有用。逻辑是规则，不是规矩。如果凡事都要讲规矩就很麻烦，规矩是潜规则，潜规则换言之就是没规则，这肯定是不行的。

第一，一定要学的就是逻辑。所有孩子学编程，学人工智能，究其根本就是在学逻辑和基本的数学，而数学不要提前去教，学好扎实的运算，在运用逻辑的基础上自然就会。我们常吐槽，世上最难的不是汉译英，而是汉译汉，都是中国字却看不懂，就是不讲逻辑，这才是核心问题。

第二，要学好提示词（Prompt）。提示词高度依赖于语言，人工智能时代，不管是文生图还是文生视频，语言都会非常重要。古希腊的几何是文科，辩论是理科，比较有技术含量，辩论就是训练你的逻辑能力，而且是很短时间之内要融合你的演讲技巧，包括逻辑思维的训练，要把语言这个事好好学。

第三，鼓励大家情景式学习，一定要躬身入局。法布尔3岁就开始研究虫子，后来写出了《昆虫记》，如果没有机会亲近大自然，就不可能爱上生命科学。最近有一个新词叫厕所社交，学校课间10分钟不允许上操场，只允许上厕所，所以孩子们只能在厕所聊两句，这么下去会在人工智能时代培养出大量的人工智障。

最后一点，科学没有高低。科学家需要具备三个特质，第一充满好奇，第二不畏权威，第三不懂就问。从这个意义来讲，不能再强调小镇做题家，死记硬背，单一的应试教育，如果继续这么下去，我们肯定不会收获一个人工智能时代的未来。

不要因为人工智能火了，就要把人工智能纳入义务教育中，而是反复思考我们最缺的是什么，回归教育的本质，教育的本质不是灌输，是像雅斯贝尔斯所说：“教育的本质意味着，一棵树摇动另一棵树，一朵云推动另一朵云，一个灵魂唤醒另一个灵魂。”

马兆远：我们在重新架构到底教育应该是什么样子，尤其是动手能力的培养，机器可能没有办法完成多功能同时要实现的东西，从决策到实现将来可能是孩子们竞争力的体现。尤其有ChatGPT、Sora能帮你去实现很多想法的时候，怎么把东西做出来才重要，也就是所谓的第一性原理。

我们今天看到教育出现的问题，在小学阶段填鸭式教育，短时间之内把所有东西全部塞完，他们在疲于奔命把这门课所有东西按照说明书一步步做完，达到你要给他打的分数，限制了孩子自由探索的权利和时间。当他真正进入这行的时候，会发现学的那些东西都已经过时，该掌握的东西又没有掌握到。

今天高校重新开逻辑课，慢慢地灌输到中小学，有很长的路要走，但这是人类文明的起点。如果不学会逻辑，我们就永远在追满天飞的新名词，永远在追细枝末节，而不知道科学怎么发生，怎么演化，在未来会有哪些趋势。

主持人：当下，人工智能的人才其实非常稀缺，而且存在流动性大、成本高的问题，两位老师有什么好的对策和相关经验吗？

尹烨：人工智能不会是一个行业，而是跟各个行业相结合。企业过去用电脑记账叫电子化，后来连上网叫信息化，现在慢慢结构化，因为有结构的数据才能够进行训练，变成智能化。

回到人工智能三个基本支柱：算法、算力、数据。算法是高度依赖人才，越往上走拼的越是顶尖人才。贝佐斯曾说，如果有1000个地球就可能出现1000个爱因斯坦，可能人类就能在宇宙中走得更远，所以算法是高度依赖于人才。就数据来看，现在各大行业细分领域数据量是不够的，也不是每个行业领域都要学Sora，做文生视频，所以在垂直细分领域我认为中国很有机会。我们现在还是要务实，先回到大数据。

多学知识，少听道理，逻辑为先。有逻辑的道理可以听，没有逻辑的道理千万不要听，每个人的明天都是不确定的，我们只能做好今天确定的事情，而不是一门心思赶时髦。

马兆远：人工智能很难成为一个行业，更像是英文或者计算机语言一样作用工具，每个行业都用，反而垂直领域用起来会比单纯学人工智能的用得更熟。

至于人才培养，其实没有太好的办法，这个行业出现太快。20年前我和李飞飞认识的时候，是人工智能最冷的时代，我在牛津做量子计算，她说读物理太难，转去做人工智能，直到现在人工智能被推上风口浪尖。当年我念大学一直在说21世纪是生物学的世纪，那一届本科生很多去学生物，找工作发现一直在做博士后找不到工作。

职业判断是很难的。当你学会了一些基础之后，可以不断改变自己的职业，去适应变化的时代。我就是特别好的一个例子，在实验物理打下好的基础之后，可以在各个行业游走，比如人工智能就用到了随机矩阵，贝叶斯统计，马尔可夫矩阵，至于上面被套上了哪些名词，涌现、随机森林，底层的数学逻辑是一致的。