You Might Also Like: Smart Talks with IBM
39:06 Share

介绍人工智能的变革：为什么基础模型是未来，来自 IBM 智能对话。关注该节目：IBM 智能对话人工智能研究中的重大突破往往会重塑人工智能在商业和社会中的设计和效用。在本期 IBM 智能对话中，马尔科姆·格拉德威尔和雅各布·戈德斯坦与 IBM 研究院人工智能模型副总裁戴维·考克斯博士一起探讨了现代人工智能的概念基础。他们讨论了基础模型、自监督机器学习以及人工智能和 watsonx 等数据平台在商业和技术中的实际应用。访问我们的网站：https://www.ibm.com/smarttalks/ 了解 watsonx 的更多信息：https://www.ibm.com/watsonx 这是 IBM 的付费广告。请访问 omnystudio.com/listener 获取隐私信息。免责声明：请注意，这是一个独立的播客剧集，与主持人播客供稿或其任何媒体实体无关、未经其认可或与其联合制作。本剧集表达的观点和意见仅代表创作者和嘉宾的观点。如有任何疑问，请联系 [email protected]。</context> <raw_text>0 哈喽，哈喽。欢迎收听 IBM 智能对话，这是普希金工业公司、iHeartRadio 和 IBM 推出的播客。我是马尔科姆·格拉德威尔。在本季节目中，我们将继续与新的创作者、有远见的创新者进行对话，他们正在创造性地将技术应用于商业以推动变革，但重点关注人工智能的变革力量及其作为改变游戏规则的倍增器在您业务中的意义。

我们今天的嘉宾是戴维·考克斯博士，他是 IBM 研究院人工智能模型副总裁，也是 IBM 麻省理工学院-IBM沃森人工智能实验室主任，这是 IBM 和麻省理工学院之间首个同类产学研合作项目，专注于人工智能的基础研究。

几十年来，戴维·考克斯见证了人工智能革命如何从少数学者和技术人员的酝酿想法稳步发展到我们今天经历的产业繁荣。他毕生致力于推动人工智能领域走向新的视野，对人工智能的许多重大突破做出了贡献并主持了这些突破。

在今天的节目中，您将听到戴维解释当前人工智能领域的一些概念基础。顺便说一句，这些东西，比如基础模型，用令人惊讶的易于理解的术语来解释。我们还将探讨人工智能在商业中的一些惊人的实际应用，以及人工智能对未来工作和设计的影响。戴维与普希金播客《你的问题是什么？》的主持人雅各布·戈德斯坦进行了交谈，

雅各布是一位经验丰富的商业记者，曾为《华尔街日报》、《迈阿密先驱报》撰稿，并长期担任 NPR 节目《钱从哪里来》的主持人。好的，让我们开始采访吧。告诉我你在 IBM 的工作。

我在 IBM 担任两个职位。一个是 IBM 麻省理工学院-IBM 沃森人工智能实验室的主任。这是一个 IBM 和麻省理工学院之间的联合实验室，我们试图发明人工智能的下一个方向。它已经运行了大约五年。最近，我开始担任人工智能模型副总裁。我负责构建 IBM 的基础模型，也就是构建这些大型模型、生成模型，使我们能够在人工智能领域拥有各种新的令人兴奋的功能。

所以我想和你详细谈谈基础模型，谈谈生成式人工智能。但在我们谈到这一点之前，让我们先花一分钟时间谈谈 IBM-麻省理工学院的合作。这种伙伴关系从哪里开始？它是如何产生的？是的，事实上，麻省理工学院和 IBM 在人工智能领域已经合作了很长时间。事实上……

“人工智能”这个术语是在 1956 年在达特茅斯举行的一次研讨会上创造的。它实际上是由 IBM 的 Nathaniel Rochester 组织的，他领导了 IBM 701 的开发。所以从一开始，我们就在人工智能领域携手合作。随着人工智能越来越快地发展，

我认为有一个非常有趣的决定，那就是让我们把它变成一个正式的伙伴关系。因此，IBM 在 2017 年宣布，它将在 10 年内投入近 2.5 亿美元

与麻省理工学院建立这个联合实验室。我们在校园里设立了实验室，并且建立了非常非常深厚的关系，我们可以真正地了解彼此，肩并肩地工作，构思我们接下来应该做什么，然后执行这些项目。而且，你知道，在学术界和工业界之间，像这样的实体很少。在过去的五年里，成为其中一员真的很有趣。

你认为 IBM 和麻省理工学院之间合作的一些最重要的成果是什么？是的，我们确实是 IBM 人工智能战略的先锋。所以我们真的在关注未来的发展方向。在基础模型等领域，随着领域的改变——

麻省理工学院的人们有兴趣参与其中，教师、学生和工作人员都对最新的东西、下一个东西感兴趣。我们在 IBM 研究院也对此非常感兴趣。所以我们可以伸出触角，了解我们在研究中看到的一些有趣的事情，

我们在该领域听到的一些有趣的事情，我们可以去追逐这些机会。因此，当出现一些重大的事情时，比如最近基础模型发生的大变化，我们就可以立即抓住它。这确实是目的。这就是实验室应该发挥的作用。我们也对

我们如何推进人工智能以帮助应对气候变化或制造更好的材料以及所有这些有时比我们可能仅仅考虑 IBM 的产品组合更广泛的领域感兴趣。这又给了我们广阔的视野，我们可以看到我们可能无法看到的联系。我们可以思考一些既能帮助社会又能帮助我们客户的事情。所以，在过去的六个月里，比如说，公众对人工智能的兴趣激增，对吧？这显然来自于这些易于访问的生成式人工智能模型，你知道，当然还有 ChatGPT、这样的语言模型，以及像 midjourney 这样的生成图像的模型。我的意思是，你能简要地谈谈人工智能的突破，是什么让这一刻对人工智能来说如此令人兴奋，如此具有革命性吗？是的。

是的，你知道，我基本上在我整个成年生活中都在研究人工智能。在来到 IBM 之前，我曾在哈佛大学担任教授。我已经做了很长时间了，我已经习惯了惊喜。这听起来像个笑话，但这是认真的。就像，我已经习惯了对速度的加快感到惊讶

同样，它实际上可以追溯到很久以前。有很多事情，其中有一个想法已经酝酿了很长时间。我们今天拥有的令人惊叹的东西背后的一些关键数学，有一种叫做反向传播的算法，这对于训练神经网络至关重要。这在 80 年代就已经广泛使用了。

真正发生的事情是，它酝酿了很长时间，然后有了足够的数据和足够的计算能力。所以我们有足够的数据，因为……

我们都开始随身携带多个摄像头。我们的手机都有这些摄像头，我们把所有东西都放在互联网上，那里有所有这些数据。我们很幸运地发现了一种叫做图形处理单元的东西，事实证明它对于执行这些类型的算法非常有用，甚至比用于图形处理更有用。它们在图形方面也很棒。而且

事情一直在不断地添加到滚雪球中。所以我们有了深度学习，这是一种我前面提到的 80 年代神经网络的重新命名。这再次得益于数据，因为我们使世界数字化，并计算因为我们一直在构建越来越快、越来越强大的计算机。

然后这使我们能够取得这一重大突破。然后最近，使用相同的构建块，越来越多越来越多的数据与一种叫做自监督学习的技术相遇，其关键区别在于传统的深度学习用于对图像进行分类，例如图片中这是一只猫还是一只狗？这些技术是

需要监督。所以你必须把你所拥有的东西拿出来，然后你必须给它贴上标签。所以你必须拍一张猫的照片，然后把它标记为猫。事实证明，这非常强大，但是标记猫和标记狗需要花费大量时间。世界上只有这么多标签。所以最近真正改变的是

是我们有了自监督学习，你不需要标签。我们可以只使用未标注的数据。这样做的好处是它允许你使用更多的数据。这正是推动最近这种狂潮的原因。然后突然之间，我们开始获得这些非常强大的模型。然后实际上，这已经是一种酝酿中的技术，对吧？这已经发生了一段时间了。

并且逐渐变得越来越强大。ChatGPT 和稳定扩散以及 midjourney 等技术真正发生的一件事是，它们使之

对公众可见。你把它放在那里，公众可以触摸和感受，他们会说，哇，不仅有明显的改变，而且哇，我可以和这个东西说话，哇，这个东西可以生成图像。不仅如此，每个人都可以触摸、感受和尝试。我的孩子们可以使用一些这些人工智能艺术生成技术，这真的只是

启动，你知道，就像一个推进的弹弓一样，让我们进入一个不同的领域，就公众对这些技术的认识而言。你在之前的谈话中提到了基础模型，我想谈谈这个。我的意思是，你能告诉我，什么是人工智能的基础模型，为什么它们很重要吗？是的，这个基础模型这个术语是由斯坦福大学的一个小组创造的

我认为这实际上是一个非常贴切的术语，因为请记住我说过，解锁最近这种兴奋感的一件大事是我们可以使用大量未标注的数据。我们可以训练一个模型。我们不必费力地标记每一个例子。你仍然需要让你的模型做一些你想让它做的事情。你仍然需要告诉它你想做什么。你不能仅仅有一个没有任何目的的模型。但是基础模型提供……

一个基础，就像一个字面上的基础。你可以站在巨人的肩膀上。你可以拥有这些经过大量训练的模型之一，然后在上面做一些工作。你知道，你可以只使用你正在寻找的几个例子，你就可以从模型中得到你想要的东西。

所以现在只需要在上面做一点点工作，你就可以得到以前需要付出巨大努力才能从头到尾达到的结果。我试图为基础模型与之前的模型找到一个类比。而且我不知道我是否找到了

一个好的，但我所能做的最好的就是这个。我想让你告诉我它是否合理。这就像在基础模型之前，就像你有一些一次性使用的厨房用具一样。如果你想要华夫饼，你可以做一个华夫饼铁，或者如果你想要烤面包，你可以做一个烤面包机。但是基础模型就像一个上面有炉灶的烤箱。所以它就像一台机器，你可以用这台机器做任何事情。是的，这是一个很好的类比。它们非常通用。

另一部分是，它们大大降低了完成你想要做的事情所需的努力。我过去常常谈到人工智能的旧世界，我会说，自动化的问题在于它太费力了，这听起来像是我在开玩笑。确实。众所周知，如果自动化做一件事，它会

用机器或计算能力代替劳动力，对吧？那么说人工智能或自动化太费力是什么意思呢？这听起来像是我在开玩笑，但我其实是认真的。我的意思是，在旧体制下，自动化某件事所付出的努力非常非常高。所以如果我需要去……

整理所有这些数据，收集所有这些数据，然后仔细标记所有这些例子，那么标记本身可能非常昂贵且耗时。我们估计，实现人工智能解决方案所需的工作量中，有 80% 到 90% 实际上只是花在了数据上。这有一些后果，那就是麻烦的门槛。如果你只打算从

某事中获得一点价值。你会不会付出如此巨大的努力来整理所有这些数据？然后，当需要训练模型时，你需要高技能的人员，这些人员在劳动力市场上可能价格昂贵或难以找到。

你知道，你真的会做一些微不足道的事情吗？不，你只会做那些值得如此高水平投资的最有价值的事情。因为你必须从头开始构建整台机器。没有多少事情值得付出这么多的努力来构建一台只能做一件狭窄事情的机器。

没错。然后你解决下一个问题，你基本上必须重新开始。而且，你知道，这里有一些细微之处，例如对于图像，你可以对其他任务预训练一个模型并对其进行更改。所以有一些这样的例子，比如非经常性成本模型。

我们也在旧世界中拥有。但总的来说，这只是很多努力，很难，需要高水平的技能来实现。我喜欢的一个比喻是，把它想象成一条穿过你的公司或机构的数据河流。

传统的人工智能解决方案就像在这条河上筑坝一样。水坝是建造起来非常昂贵的东西。它们需要高度专业化的技能和大量的规划。你只会在一大条河上筑坝，你会从中获得足够的能量，这值得你付出努力。

如果你有一条这样的河流，一条数据河流，你将从水坝中获得很多价值。但实际上，你王国中的大部分水实际上并不在这条河里。它在水坑、小溪和潺潺的小溪中。因为这就像，好吧，你对此无能为力。只是那太……

价值低，所以需要付出太多努力。所以我不会去做。投资回报率根本不存在。所以你最终不会自动化某些事情，因为这太痛苦了。现在，基础模型所做的是说，好吧，实际上，不，我们可以训练一个基础模型，一个你可以工作的基础。我们不在乎。我们不必提前指定任务是什么。我们只需要了解数据的领域。所以如果我们想构建一些可以理解英语的东西，

世界上有大量的英语文本。我们现在可以在海量数据上训练模型。然后它学习了结构，学习了语言，你知道，语言工作方式的一个重要部分，所有这些未标记的数据。然后当你带着你的任务出现时，你知道，我想解决这个特定问题，你不需要从头开始。你从一个非常非常非常高的水平开始。

地方。所以这只是让你能够，你知道，现在突然之间一切都可以访问了。所有水坑、小溪、潺潺的小溪和水壶池塘，你知道，这些现在

都可以访问了。这非常令人兴奋。但这只是改变了你可以使用人工智能来解决哪些类型的问题的等式。因此，基础模型基本上意味着自动化一些新的任务要少得多。做一些新的自动化事情的边际努力要低得多，因为你是在基础模型之上构建的，而不是从头开始。绝对的。所以这就是……

这就是令人兴奋的好消息。我确实觉得有一些相反的想法值得在这里讨论。那就是，即使有这些非常强大、相对容易在其之上构建的基础模型，但仍然是这种情况，对吧，并非存在某种一刀切的基础模型。所以，你知道，这意味着什么，为什么在这个背景下思考这一点很重要？

是的，我们坚信并非只有一个模型可以统治所有模型。有很多原因可以解释为什么这是真的。一个我认为很重要并且与今天非常相关的因素是这些模型可以消耗多少能量。所以这些模型可以变得非常非常大。所以

我们开始看到或开始相信的一件事是，你可能不应该使用一个巨大的大锤模型来解决每一个问题。我们应该选择合适的模型大小来解决问题。我们不应假设我们需要为每个小用例使用最大、最强大的模型。

我们还看到，针对特定领域进行训练的小型模型实际上可以胜过更大的模型。因此，更大并不总是更好。因此，它们更高效，并且也能更好地完成你想要它们做的事情。

没错。例如，斯坦福大学的一个小组训练了一个模型。这是一个 27 亿参数的模型，按照今天的标准来说并不算太大。他们只是在生物医学文献上训练它。你知道，这是大学做的那种事情。他们所展示的是，这个模型在回答有关生物医学文献的问题方面比一些参数为 1000 亿的参数模型更好，你知道，大得多。

所以这有点像向专家寻求帮助与向你认识的最聪明的人寻求帮助一样。你认识的最聪明的人可能非常聪明，但他们不会胜过专业知识。然后作为额外的好处，这现在是一个更小的模型。运行起来更高效。更便宜。所以这里有很多不同的优势。所以我认为我们将看到关注度的增加。

在行业中，一些供应商会说，嘿，这是一个大型模型，而另一些供应商会说，好吧，实际上，我们可以使用许多不同的工具，它们都具有我们在开头概述的这种良好的特性，然后我们应该真正选择最适合手头任务的工具。所以有可持续性，基本上是效率。另一组与人工智能相关的很多问题是偏差、幻觉和

你能谈谈偏差和幻觉是什么，以及你们是如何努力减轻这些问题的吗？是的。所以仍然有很多问题。这些技术虽然令人惊叹，而且确实令人惊叹，让我们明确一点，我们将利用这些类型的技术实现许多伟大的事情。偏差并不是一个新问题。所以，你知道，

基本上，从人工智能诞生以来我们就看到了这一点。如果你在一个有偏差的数据上训练一个模型，那么该模型将重现该偏差并提供其答案。所以每次，你知道，如果你拥有的所有文本都说，更有可能提到女性护士和男性科学家，那么你将获得这样的模型，你知道，例如，有一个例子，一个基于机器学习的翻译系统将匈牙利语翻译成英语，并且

匈牙利语没有性别代词，英语有。当你要求它翻译时，它会翻译“他们是一名护士”为“她是一名护士”。它会将“他们是一名科学家”翻译为“他是一名科学家”。这并不是因为编写算法的人正在加入偏差并进行编码，例如，“哦，它必须是这样的”。这是因为数据就是这样。我们的社会存在偏见，这些偏见反映在我们的数据、文本、图像以及所有地方。

然后模型，它们只是从他们在训练数据中看到的内容映射到你试图让它们做和给出的结果。然后这些偏差就会出现。所以有一个非常活跃的……

研究计划。我们在 IBM 研究院和麻省理工学院做了很多工作，但整个社区、行业和学术界也在努力弄清楚我们如何明确地消除这些偏差？我们如何识别它们？我们如何构建允许人们审核其系统以确保它们没有偏差的工具？

所以这是一件非常重要的事情。同样，这从机器学习和人工智能诞生以来就存在，但基础模型、大型语言模型和生成式人工智能只是让它更加突出，因为数据太多了，它正在构建，烘焙在我们拥有的所有这些不同的偏差中。所以这绝对是这些模型存在的一个问题。你提到的另一个问题是幻觉。

即使是我们最令人印象深刻的模型也经常会编造东西。选择的专业术语是幻觉。举个例子，我让 Chat-TBT 为 IBM 的戴维·考克斯创建一份传记。

它一开始做得很好。他们确定我是麻省理工学院-IBM 沃森人工智能实验室的主任，并说了一些关于这方面的话。然后它继续为我创作了一份权威但完全虚假的传记，说我是英国人，我出生在英国。

我去过英国的英国大学。这是权威的，对吧？这其中的确定性很奇怪，对吧？它非常确定你来自英国等等。绝对的，是的。它有很多修饰，比如我在英国获得了奖项。所以，是的，这是有问题的，因为它触及了我们人类心理学中的许多弱点，如果某些东西听起来连贯……

我们很可能会认为它是真的。我们不习惯与那些雄辩而权威地承认完全胡说八道的人互动。是的。你知道，我们可以就此进行辩论。是的，我们可以就此进行辩论。但是是的，它是一种轻率的自信，

呃，当你意识到它是完全错误的时候，它会让你分心。对。没错。而且，而且我们确实有点像伟大的强大的奥兹那种感觉，有时我们会说，好吧，你知道，人工智能无所不知，因此它所说的任何事情都必须是真的。但是，但是这些东西会编造东西，你知道，非常，呃，积极地。嗯，你知道，每个人都可以尝试要求它提供他们的，他们的传记。你，你，你，你会，你会得到一些

你总是会得到一些形式正确、语气正确的东西，但事实并不一定存在。这显然是一个问题。我们需要弄清楚如何弥合这些差距，解决这些问题。有很多方法可以让我们更容易地使用它们。我只想说，面对这些技术可能带来的巨大潜力，听到即使是 ChatGPT 也对编造人们生活中的华丽的虚构版本存在弱点，这有点令人鼓舞。

虽然用 ChatGPT 和 midjourney 自娱自乐很重要，但外行人使用面向消费者的聊天机器人和生成式人工智能的方式与企业使用人工智能的方式根本不同。我们如何利用人工智能的能力来帮助我们解决我们在商业和技术中面临的问题？让我们继续听戴维和雅各布继续他们的谈话。

我们一直在以某种抽象的方式谈论人工智能及其使用方法。让我们更具体地谈谈。你能谈谈一些可以用自动化解决的业务挑战的例子吗？我们正在谈论这种自动化。

是的。所以实际上是无限的。这些模型非常擅长的一系列不同的应用程序。基本上，它是我们过去在业务中使用人工智能的所有内容的超集。所以简单的事情就像，嘿，如果我有文本和产品评论，我想能够判断这些是正面还是负面，让我们看看所有负面评论，这样我们就可以让人类查看它们并了解发生了什么。

非常常见的业务用例。你可以用传统基于深度学习的人工智能来做到这一点。所以有一些事情是这样的，你知道，这非常平淡无奇，我们已经做到了，我们已经做了很长时间了。然后你会遇到对旧人工智能来说更难的情况。例如，如果我想压缩某些东西，例如我有，比如说我有聊天记录，例如客户打电话来投诉。

他们打回电话。好的，现在接线员需要阅读旧的记录来赶上进度。如果我们可以总结一下，岂不是更好？只需将其浓缩成一段简短的文字，你知道，客户来电，他们对这件事感到不满，而不是必须逐字逐句地阅读。有很多这样的设置，总结非常有用。嘿，你有一个会议。

我想自动记录该会议或该电子邮件或任何内容。我想将其浓缩，以便我可以快速了解问题的核心。这些模型非常擅长做到这一点。

它们也非常擅长问答。所以如果我想知道，我有多少休假天数？我现在可以用自然语言与一个可以访问我们人力资源政策的系统进行交互。我可以实际进行，你知道，就像我与，你知道，某人，你知道，实际的客户一样。

人力资源专业人员或客户服务代表。所以这很大程度上是在放置一个界面。当我们想到计算机界面时，我们通常会想到 UI，用户界面元素，我点击菜单，有按钮以及所有这些东西。现在越来越多，我们可以

你只需要用文字描述你想要什么。你想问一个问题。你想命令系统做某事。不必学习如何点击按钮，这可能效率低下，我们现在可以简单地说明一下。有趣的是，对吧？我们都默认使用的图形用户界面，这不像自然状态，对吧？这是一件被发明的东西，并且成为了我们与计算机交互的标准方式。所以你可以想象，正如你所说，像

聊天，基本上与机器聊天可以成为一种标准的用户界面，就像图形用户界面在过去的几十年里所做的那样。绝对的。我认为这些类型的对话界面将

对于提高我们的生产力非常重要。如果我不必学习如何使用工具，或者我不必与计算机进行尴尬的互动，那就容易得多。我可以直接告诉它我想要什么，它就能理解。它甚至可以提出问题来澄清并进行这些类型的对话。这可能非常强大。事实上，我认为这将改变游戏规则的一个领域是代码。当我们编写代码时，编程语言是

一种让我们能够在我们的随意谈话方式和需要精确命令计算机执行所需操作的方式之间进行匹配的方法。它们难以学习。你创建的系统非常复杂，难以理解。

我们已经开始看到能够只写下你想要的东西，人工智能就会为你生成代码的能力。我认为我们将看到一场巨大的革命，就像我们进行对话，我们可以进行对话来说明我们想要什么，然后计算机实际上不仅可以执行固定的动作并为我们做事，它甚至可以编写代码来做新的事情，你知道，并自己生成软件。鉴于我们有多少软件，我们对软件有多么渴望，就像我们在这个世界上永远不会有足够的软件一样。

让AI系统作为助手，我认为我们将看到很多价值。因此，如果您考虑将AI应用于业务的不同方式，我的意思是，您已经讨论了许多经典的用例。还有一些更超前的用例吗？你能想象一些将AI应用于业务的独特方式吗？

是的，真的没有限制。我的意思是，我有一个我非常喜欢的项目，我们实际上与麻省理工学院的一位机械工程教授合作，研究一个经典问题。你如何构建连杆系统，就像，你知道，想象一下杆、关节和电机，你知道，你车里的东西。建造一样东西，建造某种物理机器。是的，就像真正的金属，你知道。

19世纪，只是老式的工业革命。是的，但是我面前拿着我的麦克风的那个小臂，建造你建筑物的起重机，你的发动机的部件。这就像经典的东西。事实证明，人类，如果你想建造一个先进的系统，你会决定你想要创建什么曲线。然后，人和计算机程序可以一起构建一个五杆或六杆连杆。然后，这就是你的极限。它变得太复杂而无法使用。

超过那个。我们构建了一个生成式AI系统，可以构建20杆连杆，就像任意复杂的连杆一样。这些机器超出了人类自己设计的能力。另一个例子，我们有一个可以生成电子电路的AI系统。我们有一个项目，我们正在努力构建更好的电源转换器，这使得我们的计算机和设备更有效率，节省能源，减少碳排放。

我认为我们周围的世界一直受到技术的塑造。环顾四周，想想桌子、椅子和灯需要多少步骤、多少人和多少设计。这真是令人惊讶。这已经是自动化、计算机和那些工具的成果。但我们将看到这越来越成为AI的产物。所以它将无处不在。我们接触到的每一件东西都将以某种方式得到AI的帮助。

通过AI来帮助你。你知道，你谈论的是在商业中相当深刻的转变。你怎么看待它的影响，无论是对商业本身，还是对员工？

是的，我认为对于企业来说，这将降低成本，创造新的机会，让客户满意。这简直就是好处多多，对吧？对于工人来说，我认为这个故事也大多是好的。你一天中做了多少事情

你真的宁愿不做，对吧？我们习惯于将我们不喜欢的东西自动化。如果你不喜欢步行几英里去上班，那么你可以有一辆车，你可以开车去那里。我们过去有很大一部分，超过90%的美国人口从事农业，然后我们将其机械化。现在很少有人从事农业工作。少数人可以完成许多人的工作。然后

然后，你知道，像电子邮件之类的东西，你知道，它们带来了巨大的生产力提升，因为我不需要写信并通过邮件发送它们。我可以立即与人们沟通。我们变得更有效率。我们的工作发生了巨大的变化。

无论是像农业这样的体力劳动，还是知识工作者的工作，你都在发送电子邮件，与人沟通，协调团队，我们都做得更好。而且，你知道，这项技术使我们更有生产力。这只是一个例子。现在，你知道，有些人担心，你知道，我们会做得这么好，也许工作会被取代。这是一个合理的担忧。但是就像……

在农业中，这并不意味着我们突然有90%的人口失业。人们转向其他工作。我们还发现，我们人类做更多事情的愿望是无法满足的。因此，即使我们可以显著提高一个人所能做的工作量，

这并不一定意味着我们将做固定数量的事情。人们渴望做更多的事情。所以我们将继续做大蛋糕。因此，我认为至少在短期内，我们将看到很多苦差事从工作中消失。我们将看到人们能够更有效地完成工作。你知道，我们将看到工作及其外观的一些转变，但我们以前见过。而且这项技术至少有可能让我们的生活更轻松。

因此，IBM最近推出了Watson X，其中包括WatsonX.ai。告诉我关于它的信息。告诉我，你知道，它是什么以及它开启的新可能性。

是的，所以WatsonX显然是对Watson品牌的重新命名。T.J. Watson，那是IBM的创始人，我们的AI技术一直拥有Watson品牌。WatsonX是对某些新事物的认可。有些事情实际上改变了游戏规则。我们已经从这个过于劳动密集型的旧自动化世界转变到这个充满可能性的新世界

在那里使用AI更容易。WatsonX所做的就是为企业提供利用这种力量的工具。所以WatsonX.ai是

我们的客户可以使用基础模型。它包括易于运行、易于部署、易于实验的工具。还有一个WatsonX.data组件，它允许你对数据进行组织和访问。所以我们真正想做的是为我们的客户

提供一套连贯的工具来利用这些技术的价值，同时能够管理你在企业环境中必须注意的风险和其他事情。

我们称本节目中的嘉宾为新的创造者，我们的意思是那些在商业中创造性地应用技术以推动变革的人。我很想知道创造力在你所做的研究中扮演什么角色。

老实说，我认为这项工作的创造性方面，这就是这项工作令人兴奋的原因。我应该说，在我组织工作的人们正在进行创造。你在管理，这样他们就可以进行创造？我尽可能多地参与研究的细节。但是，有一些真正令人兴奋的事情

你知道，在工业中进行发明和进行AI研究的好处之一是，它通常基于某人遇到的实际问题。你知道，客户想要解决这个问题。它正在亏损，或者可能存在新的机会。你确定了这个问题，然后你构建了一些以前从未构建过的东西来解决这个问题。我认为这老实说是肾上腺素激增的事情。

让所有从事这个领域的人保持动力？你如何做一些地球上其他人从未做过或尝试过的事情？所以这种创造力。在确定这些问题是什么方面也存在创造力，能够理解这些地方

技术足够接近于解决问题，并在现在可以解决的问题之间进行匹配。在AI领域，该领域发展如此之快，我们可能能够解决的事情不断增长。我认为这种匹配也是一个非常有趣的创造性工具。

所以我认为这就是为什么它如此有趣。我们这里也有一个有趣的环境，因为人们在白板上画画，在数学页面上写字。就像在电影里一样。就像在电影里一样。是的，直接来自中央选角。在窗户上画画，在窗户上用记号笔写字。绝对的。所以让我们以非常长远的视角来结束。

你想象20年后人工智能和人们如何一起工作？是的，很难做出预测。我喜欢的愿景，实际上，这来自麻省理工学院的一位经济学家大卫·奥托尔，他想象人工智能几乎像一种自然资源。

你知道，我们知道自然资源是如何运作的，对吧？就像我们可以从地球上挖掘出来的矿石一样，你知道，它来自地球。我们通常认为这是指物质的东西。对于AI，你几乎可以把它想象成像有某种新的丰富一样，可能在20年后，我们不仅可以

拥有我们可以建造、食用、使用或燃烧的东西。现在我们有了，你知道，做事情、理解事情和进行智力工作的能力。我认为我们可以进入一个自动化变得无缝的世界，在这个世界里，我们被增强自身以完成任务的能力所包围。你可以从以下方面考虑：好吧，这将取代我们的工作，因为最终AI系统将完成所有事情。

我们可以做。但你也可以把它想象成，哇，我们现在拥有如此丰富的资源。而我们如何利用这种丰富取决于我们自己。你知道，当你能够，编写软件非常容易快捷，任何人都可以做到。想想你现在可以做的一切。想想我们可以用它来丰富我们生活的所有新活动和所有方法。这就是我希望我们在20年后看到的地方。你知道，我们可以做的事情比以前多得多。

丰富。非常感谢你的时间。是的，很高兴。感谢邀请我。多么广泛而深入的谈话。我被大卫刚刚描述的愿景迷住了，一个世界，在这个世界里，人类和机器之间的自然对话可以为我们最复杂的问题创造性的解决方案。一个世界，在这个世界里，我们不把AI视为我们的替代品，而是一种让我们能够做更多事情的工具。

但它是一种强大的资源，我们可以利用它来成倍地提高我们的创新和生产力。非常感谢大卫·考克斯博士加入我们的Smart Talks。我们非常感谢他与我们分享了他丰富的AI知识，并以一种即使我能理解的方式解释了基础模型的变革潜力。我们热切地期待他的下一个重大突破。

Smart Talks with IBM由Matt Romano、David Jha、Nisha Venkat和Royston Preserve与Jacob Goldstein制作。我们由Lydia Jean Cott编辑。我们的工程师是Jason Gambrell、Sarah Bruguere和Ben Tolliday。主题曲由Gramascope创作。特别感谢Carly Megliore、Andy Kelly、Kathy Callahan和8 Bar以及IBM团队，以及Pushkin营销团队。

Smart Talks with IBM是Pushkin Industries和iHeartMedia制作的节目。要查找更多Pushkin播客，请在iHeartRadio应用程序、Apple Podcasts或您收听播客的任何地方收听。我是马尔科姆·格拉德威尔。这是IBM的付费广告。