338: From Extraction to Understanding: Martin Goodson, CEO of Evolution AI, on Why AGI Is The Wrong Goal
35:45 Share

那么，为什么我们会认为语言是核心且首要的东西？为什么我们会认为语言是智力的主要方面？我告诉你，它是智力的一个方面，但存在一种人性，一种先于语言的人性。所以这绝不是你问题的答案，但我确实在思考这个问题。所以也许我们错了，因为我们制造的这些机器

它似乎非常擅长语言，但还有很多其他事情它不太擅长。早上好，下午好，或者晚上好，这取决于你在哪里收听。欢迎收听《人工智能与未来工作》。我是你的主持人丹·图尔钦，PeopleRain 的首席执行官，PeopleRain 是一个面向 IT 和人力资源员工服务的 AI 平台。

感谢你们，我们忠实的听众，帮助我们的社区发展壮大。正如我希望你们现在所知，我们在几个月前启动了一个时事通讯，它已经变得非常受欢迎。我们分享一些有趣的知识和一些并非总是出现在主要剧集中的额外片段。我们将在节目说明中分享订阅链接。请加入我们。如果你喜欢我们所做的，请订阅我们的频道。

请告诉朋友，并在 Apple Podcasts、Spotify 或您收听的任何地方给我们点赞和评分。如果你留下评论，

正如你所知，我可能会在即将播出的剧集中分享它，就像来自田纳西州纳什维尔 5 月份的这位一样，她在一家科技公司从事客户支持工作，并在休息时收听。梅最喜欢的剧集是与达芙妮·琼斯（Daphne Jones）的精彩对话，达芙妮·琼斯是《当他们说你不行时》一书的作者，该书讲述了克服冒名顶替综合症的故事，来自第三季。这是一个很棒的收听体验。我们将在节目说明中链接到它。

我们每周都会在节目中学习人工智能思想领袖的知识。额外的奖励是，你每周都会得到一个关于人工智能的趣闻。

今天，Samuel Shen 和 Tom Westbrook 在路透社在线上撰写文章，讲述中国金融机构如何利用 DeepSeek 加速采用人工智能。这款中国制造的基础模型与 ChachiBT 等其他模型竞争，超过 20 家金融公司，包括中联证券和中国 universal 资产管理公司，纷纷效仿，将人工智能嵌入到研究、风险管理和投资策略中。

这一转变反映了中国更广泛地推动人工智能驱动的金融创新，这一趋势具有地缘政治意义。随着中国迅速在金融领域部署人工智能，它挑战了西方在全球金融科技和数据驱动资本市场中的主导地位。我的评论？人工智能的地缘政治不仅仅涉及芯片出口限制。基础模型希望自由。

认为最好的模型不会很快免费提供并供所有国家使用是幼稚的，无论任何政府如何使用贸易壁垒和经济制裁等策略来阻止访问。让我们为一个世界做好准备并庆祝它，在这个世界里，最雄心勃勃的技术人员和企业家可以不受阻碍地解决最棘手的问题。让我们也坚持负责任和公平地使用人工智能。

如果您不同意审查制度或任何产品的创建者的价值观，请先了解您正在使用什么，并用您的金钱和下载来投票。当然，我们将在节目说明中分享完整剧集的链接。现在让我们转向本周的对话。

Martin Goodson 博士是 Evolution AI 的创始人兼首席执行官，他于 2012 年创立了这家公司，是将深度学习应用于改进光学字符识别 (OCR) 的早期先驱之一。Evolution AI 获得了英国政府有史以来颁发的最大一笔人工智能研发拨款之一，以及来自风险投资公司 First Minute Capital 的投资。

Martin 曾是牛津大学的科学研究员，并在多个组织领导人工智能研究。2019 年，他当选为英国皇家统计学会数据科学和人工智能分会主席，该会员组织代表英国的专业数据科学家。

事不宜迟，Martin，我很荣幸欢迎你来到《人工智能与未来工作》。让我们从让你分享更多关于你辉煌的背景以及你如何进入这个领域开始吧。

嗨，丹，很高兴来到这里。好吧，我不知道辉煌的背景，但我乐意和你谈谈我为什么进入人工智能领域。实际上，这始于我十几岁的时候。我过去常去图书馆为考试学习，当时我 16 岁，但我过去常常阅读关于人工智能的书籍。我完全被

关于教机器如何思考、如何学习、如何拥有记忆、如何表示信息的想法所吸引。从那时起我就对此非常感兴趣。你知道，很明显，我在研究方面有职业生涯，实际上是在生命科学领域。所以我正在研究使用机器学习算法来分析生物数据。我在各个领域工作过。

我在学术界的研究环境中工作过，也曾在制药公司等不同的地方工作过。从那时起，当我离开学术界后，我开始在几家科技初创公司工作，在那里我负责人工智能研究，并经历了整个深度学习、传统深度学习阶段。现在，很明显，一切都转向了生成式人工智能。所以你从解决 Evolution AI 中的一个问题开始，那就是……

相当普通。OCR，很多人会说这是一个已经解决的问题，但显然在 Evolution AI 的工作和现代 OCR 方法之前，它是一种钝器。在使用人工智能改进光学字符识别方面有哪些机会？是的，我也认为这是一个已经解决的问题，但后来我尝试使用传统的 ACR 来做一些事情。这是在很久以前另一家初创公司。我们正在尝试……

构建某种工具，可以读取您的税务文件，然后计算您的税款，以便您可以，知道，计算，以便您可以将其上传到英国，用于英国税务系统。它需要查看工资单和其他形式的 PDF 信息。我以为这会很容易。你知道，OCR，就像你说的那样，这是一个问题。你只需要提取数据，然后你……

进行一些相当简单的会计计算，你应该能够填写它。但我们在第一道障碍上就失败了。那家初创公司失败了，因为我们无法从工资单中提取数据。仅仅从工资单中获取数据这件事，很容易做到。关于 OCR 的问题是，它运行得非常好。

光学字符识别。它非常擅长识别字符。你可以非常出色地读取页面上的文本。

但是我们所做的文档处理任务大多并非如此。你不仅仅是读出字符。人类在阅读文档时不仅仅是读出字符。他们理解整体布局。他们理解单词的含义。他们正在进行许多非常复杂的处理，整合来自视觉领域和语言、语言领域的的信息。

并将这些东西放在一起以弄清楚这份文档是关于什么的。我如何找到我感兴趣的信息？文档中有很多细微的线索，我们甚至都没有想过。但显然，当你试图在计算上做到这一点时，你需要考虑它。用传统的 OCR 来做这种事情非常困难。你知道，如果你正在查看支票之类的东西，它效果很好。你总是知道支票上的支票号码在哪里，因为它在同一个地方。

或者两张支票看起来基本相同。OCR 对此非常有效。但对于比这更复杂的事情，即使是像发票这样的东西，你也无法做到。所以我们决定要对此做些什么。而另一件发生在我身上的是，在 2011 年，我参加了这个深度学习研讨会。人工智能领域有一个会议叫做，现在叫做 NeurIPS，过去叫做 NIPS。

2011 年，我参加了这个研讨会。它是关于深度学习的。它是关于深度学习这个全新的东西。它都是关于卷积神经网络的。现在这个房间里大约有 30 个人。如果你去 NeurIts，会有大约 5000 人参加这种研讨会。但这只是一件小事。2011 年是深度学习大爆炸发生之前的时期。

但是一旦我开始理解这些东西是如何工作的，特别是卷积神经网络，我就意识到这是将这项新技术部署到解决理解文档这个老问题的最佳时机。这就是我们成立公司的原因。天哪，你打开时间胶囊，回到 2011 年。所以当你使用随机森林解决这些问题时，你正在做这项工作。然后你看到了像你说的那样，CNN 和 CNN 的兴起。

各种神经网络，现在我们正在研究语言建模。你会如何谈论我们在过去十年中取得的进展或数据科学和机器学习的演变？是的，我的意思是，在过去十年中，我的兴趣相当狭窄。我非常感兴趣的是从文档中提取数据。所以我不能真正代表更广泛的数据科学企业发言，但对于我们所做的工作，

生成模型的巨大区别在于它有效，而以前它实际上并不有效。所以我们真的很难获得良好的准确性。即使在某些用例中它足够好，我们使用传统深度学习方法所达到的准确性，更不用说随机森林了，即使是深度学习方法也不是非常有效。现在

现代基于 Transformer 的模型，它们有效。它们的工作方式与人类的工作方式一样。它们的工作效果与人类一样好，或者比人类更好。真正有趣的是，它们可以整合来自不同领域的信息。就像我之前说的那样，当我们阅读文档时，我们最感兴趣的是图像领域和语言领域、语言领域。

好吧，这就是人类在试图理解文档时所使用的。这些 Transformer 模型、这些生成模型的真正奇妙之处在于，它们可以整合来自不同领域的信息，因此它们可以整合来自图像和语言的信息，特别对我们所做的工作来说，一个非常大的好处是，它们实际上理解世界，所以它们理解金融

所以这不仅仅是，你知道，如果你带一个未经训练的人，让他们解释一些金融文件，这并不容易。即使他们只是做数据录入，你知道，我用引号说“只是数据录入”。这并不简单。他们实际上正在使用大量关于金融的背景知识，你需要让人们，专家，特别是对于一些复杂的金融文件，即使只是做数据录入，只是提取信息，你也需要有关于金融的背景知识。

所以如果你考虑一下，你知道，如果你试图理解损益表，即使你只想提取数字，你也需要一些背景知识。你需要理解“销货成本”是什么意思？在特定行业中，“销货成本”是什么意思？这些信息，这些知识，这些背景知识

你根本无法在以前的模型中对其进行编码。你现在可以使用大型语言模型来做到这一点。在之前的几代模型中，无法编码这些信息。这开启了金融分析的整个世界，它甚至开启了看起来相当普通任务的整个世界，这些任务是从资产负债表或损益表中获取信息，对其进行结构化，然后将其用于某些风险模型或估值模型。这在以前基本上是不可能的，但现在我们可以做到。

所以你是这里的专家，但我将冒险说，OCR 解决的传统问题，一种提取问题，现在正在迁移到，称之为认知问题，解释并允许人类与文档对话，而不是仅仅从中提取文本或图像等。你如何看待 Evolution AI（你的公司）在一个传统提取商品化的世界中的发展？

是的，我们每天都在考虑这个问题。我认为它还没有完全商品化，因为关于 OCR 的问题是，它在提取字符方面非常有效。OCR 算法的准确性非常高。现在它真的非常高。所以它们实际上不会出错。它们不再犯错误了。如果你有一个好的文档，没有被复印 10 次，扫描 10 次，如果它是一个好的文档，它们基本上不会出错。

但就像我说的那样，它们并没有解决问题，因为它们实际上并不理解文档。所以它们对于大多数任务来说都是失败的。然而，LLM 可以理解文档，这很棒。它们拥有所有这些背景知识。它们理解金融。它们理解文档的整体情况。它们理解文档的布局。太棒了。它们可以提取你感兴趣的信息。问题是这些信息容易出现幻觉和其他类型的错误。

所以在某种程度上，这很棒。你拥有这两个互补的世界，OCR 系统非常准确，但不理解文档，而 LLM 理解文档并且错误率相当高。如果你正在查看一些敏感数据，我们的大多数客户都在金融服务领域，所以它基本上都是敏感的。这一切都很重要。对错误的容忍度很低。你不能只是将所有东西都扔进 LLM 并寄希望于最好的结果。你会得到幻觉。它会在资产负债表中随意编造项目。

我们经常看到这种情况，你需要检查一下，所以你需要一些东西来阻止这种情况发生，所以这就是对这个问题的一个回答，但让我们假设这一切都将得到解决，你知道明年我们将拥有一代新的 LLM，当涉及到页面上字符的提取时，它们将没有任何错误率，那么我们作为一家公司开始思考，我们开始变得非常感兴趣，我们已经开始对除了提取文档信息之外的其他事情非常感兴趣

例如建模敏感性分析、反对意见、估值，你知道，对财务报表提出更深入的解释性问题，我们现在主要对财务报表感兴趣，所以我们正在，我们正在，我们正在构建技术，它将超越信息提取，它是文档的财务分析

你提到 LLM 可能会在资产负债表或财务报表中产生幻觉项目，这显然会对数据的用途产生重大影响。在这个节目中，我们经常谈论如何负责任地使用人工智能。我将假设，由于

这些 LLM 被训练来解释这些财务文件，当它们遇到在其训练数据中表示不足的东西时，可能是语言，可能是不同的文化或社会有不同的财务法规，不同的格式。因此，可以推测，当这些模型分析时，它们的准确性会降低

即使在你的狭窄用例中，财务文件在其训练数据中表示不足。这是一个公平的陈述吗？是的，我的意思是，说实话，我们看到的大多数文件都是主要语言，主要欧洲语言或英语。

所以，我的意思是，我们得到一些中文、印度语的文件，它们仍然是主要语言。我们没有看到一些低资源语言。我们没有看到来自图瓦卢的资产负债表。我假设是这样。你会不愿意对表示较少的语言做出同样水平的准确性承诺，对吧？那是……你知道吗？我会说问题不在于语言，而在于数字。问题是数字。我们看到的是像数字这样的东西，对吧？

如果你尝试使用 LLM API，只是为了了解，你知道，领先的模型，你会看到数字在一个数字中被交换。你经常看到这种情况。你只是看到数字被交换了。或者你可能会看到一个数字被转置到表格的不同区域。所以它交换了行。你可能会看到行被交换，单元格在表格中改变位置。这些都是幻觉。

实际上，它们绝对不是你可能遇到的那种传统的 OCR 错误。那将是把 I 误认为 1。那是典型的 OCR 错误。这种情况不会发生，但你会看到移动的东西，表格只是四处移动。表格的单元格四处移动。所以这是一个更大的问题。语言实际上并不是一个问题，或者至少我们没有看到它。

是一个如此大的问题。我认为这是因为这些模型非常擅长理解语言。因此，它们往往不会犯太多错误，因为它们只是理解语言。它们知道在财务报表中写了什么类型的东西。它们对财务报表中使用的语言有深入的了解。因此，它们倾向于利用这些背景知识来避免犯错。你不能对数字这样做，因为数字只是数字。所以

所以你真的需要……这些东西更容易在其读出的数字和数字中出错。我们已经习惯于一个文档是为主要面向人类的受众创作的环境。我将假设，将来，大多数文档的主要消费者不一定是人类。它可能是一个人工智能代理，然后人类可能会

在文档被处理后，比如说，通过 LLM，与文档进行对话。在你同意这一点的程度上，你认为这意味着拥有可能为 LLM 提供文档而不是为人类提供文档的系统？我们将变得更擅长格式化、添加元数据，这些可能会使其更易于机器使用？看，

不需要 LLM 来做这件事。你可以只决定一个结构化的格式来报告财务信息，然后将其放入数据库中，并使用 API 来提取它。我们不需要人工智能来读取这些信息。这只是数字。你可以以一种合理的方式来构建它。真正的问题是，没有人能够就如何正确地表示这些数字达成一致。

他们就是无法达成一致。在某种程度上，这里存在一种对抗性设置，人们试图隐藏信息。所以这里的问题不是技术。问题是人们无法达成一致。我认为在 LLM 的世界中，这并没有真正改变。你有一个试图弄清楚数据真正含义的智能实体，也许……

也许创建财务表格的人试图隐藏某些东西。你需要经历一个取证过程，试图弄清楚数据的真正含义，你知道，是什么支撑着数据。我认为这与人工智能还是人类这样做无关紧要。这是一个很好的见解。让我想起了我们进行的一次引人入胜的对话，我认为是在上一季，与一家名为 April 的公司的首席执行官丹尼尔·马库斯先生进行的对话，他曾是 Waze（谷歌收购的地图公司）的首席技术官。

而他，April 基本上是一个人工智能会计师。

所以它可以自动完成你的税务工作。他谈到解决在 Waze 上绘制世界地图的问题实际上与解决税务问题非常相似。因为有一套规则，有国家/地区特定的法规。当你训练一个模型来理解税表中的所有模式时，我们在美国有国税局等等。这类似于

训练一个模型来理解路标等等。这是否是你遇到的那种问题，就像你提到的那样，你正在努力应对缺乏一致性或某种，你知道，对于财务报表，没有全球性的结构来填充或生成这些报表。所以由于这个原因，这是一个非常难以解决的机器学习问题，对吧？我认为这可能比这更基本。我认为……

这些模型，这些视觉语言模型，它们的基础是一个称为视觉 Transformer 的算法。我不会详细介绍，但它基本上是将 Transformer 算法应用于视觉信息、视觉信息。看起来这种算法

类型的神经网络架构不太擅长非常准确地理解空间关系。每当你试图让 LLM 做一些需要非常仔细地理解视觉图像的事情时，它往往……它非常擅长理解要点

它可以理解，哦，这张图像是两只猫在玩毛线球。它非常擅长这一点。但是如果你问它一些非常具体的问题，例如这个正方形是否与这个圆相交，它做得并不好。我们试图完成的大多数文档任务都需要超过要点。你真的需要理解信息在页面上的确切位置，以便你可以进行双重检查，例如。

人类会仔细检查东西。他们会把它交给别人，然后他们会让别人仔细检查，或者让团队中的其他人仔细检查。在大多数非常关键的用例中，你会让多个人查看相同的信息，例如。这个空间问题是文档的一个问题

处理。那是，你知道，就像我说的那样，这是一个根本性的问题。所以这确实是，这是一个更基本的低级技术问题，试图解决这个问题，试图将基于 OCR 的方法与生成模型结合使用。这具有挑战性，因为你不知道信息应该在页面的哪个确切位置。你做不到。这应该是微不足道的，但事实并非如此。所以我们更多的是，你知道，我们正在努力解决这些更根本的问题，我认为。

是的，这说得通。我要偏离主题了，但是根据你的背景，我真的很想听听你对这个问题的反应。所以……

艾伦·图灵在 50 年代出现并说，你知道，当我们实现人工智能甚至人工通用智能时，我们就知道的方法是，当我们可以让机器证明它似乎在“打引号”像人类一样思考时。所以，你知道，我在这里有自己的看法。我会尽量避免表达我的个人观点。但是我们混淆了这个概念，即复制人类智能意味着

能够像我们与另一个人互动一样使用语言与机器互动。从 Martin Goodson 博士的座位上，什么是智力，这是否是知道我们应该在何时插上胜利旗帜，从而实现人工智能的正确方法？哦，你的意思是……

你的意思是使用语言是弄清楚我们是否拥有智力的正确方法？是的。是的，我没有一个好的答案，但我显然对此进行过思考。我成为父亲后发现的一件事是，我的孩子们，他们并没有真正……语言并没有先于智力出现。所以他们有点……

和我开玩笑，并试图，例如，我的女儿，她摔倒了，头撞到了桌子上。她在哭，她真的是个小婴儿。她不会说话。但她走到桌子旁，我正在安慰她，她走到桌子旁，她只是俯下身来，向我模仿她头撞到桌子上的样子，以向我展示发生了什么。在我看来，这是一个明智的行为。

但她没有语言。语言出现得晚得多。而且我的孩子们，你知道，像肢体幽默之类的。在语言出现之前，孩子们有很多肢体幽默。那么，为什么我们会认为语言是核心且首要的东西？为什么我们会认为语言是智力的主要方面？很明显，它是智力的一个方面，但是……

存在一种先于语言的人性。所以这绝不是你问题的答案，但我确实在思考这个问题。所以也许我们错了，因为我们制造的这些机器似乎非常擅长语言，但还有很多其他事情它不太擅长。我认为动物王国中的许多物种都是按照大多数标准来衡量都是聪明的。

智力的定义，然而它们并不像我们一样使用语言、使用口语进行交流。对于外行来说，你会说什么是智力？我们如何知道何时看到它？我认为这是思考和学习的能力。我们遇到的问题之一是，很多人不使用这种简单的定义。他们倾向于使用这样的定义，例如

这是我们认为需要类人大脑的能力等等。这不是一个好的说法，但他们倾向于将其与人类智力进行比较。

这实际上没有任何意义，因为就像你说的那样，智力在动物王国中很普遍。我更感兴趣的是将智力视为一种非常基本的东西。显然，有些动物比其他动物更聪明，但它非常非常普遍。理解信息并根据信息采取行动以及学习的能力

你可以在非常非常简单的动物身上看到这一点。非常简单的动物。你知道，微小的动物具有学习能力。所以我更感兴趣的是将智力视为一种更广泛的现象，而不是这种非常非常具体的东西，即人类智力。这只是一个物种。所以我坐在硅谷的摇篮里，在我的住所大约五英里半径内，你无法扔一块石头而不碰到十几个动物

企业家或技术人员认为实现 AGI，人工通用智能，是我们在这个领域试图做的顶峰。事实上，我们邀请了该术语 AGI 的共同发明者彼得·沃斯先生来到这个节目，谈论

实现 AGI 或后 AGI 的愿景，作为一名科学家，你会说我们正在做的研究、创新，超越了用于财务文档的 OCR，但如果不仅仅是改进语言建模，我们应该在何时插上胜利旗帜？

好吧，你知道，我们正在尝试做一些相当简单的事情。我们希望让我们的客户更容易理解他们需要理解的文档，以便他们可以做出决定。我们的客户，他们想做一些相当无聊的事情。好吧，你知道，他们试图弄清楚他们是否应该向一家公司贷款，例如。所以他们需要查看大量的文档才能做到这一点。与其让人类去做这些无聊的工作，他们只需使用我们的软件。我们的一位客户每年查看 400 万页银行对账单。他们

他们使用我们的软件来做到这一点。你能想象一下，这需要多少人力，多少浪费的人力，多少浪费的智慧才能从400万页银行对账单中提取信息？所以这就是我们的使命，这就是我们所做的。我们对AGI并不真正感兴趣。但在更广泛的背景下，我认为我们需要作为一个社会问自己，为什么我们要试图重现人类的智慧？这并不是说世界上没有多少人类智慧。有数十亿的人类智慧。

数十亿。世界上并不缺乏智慧，并不缺乏类似人类的智慧。它太多了。不同之处在于，它们是由三明治而不是电力驱动的。在GPU的情况下，有很多电力。

那么，这是正确的目标吗？我认为作为一个社会，我们需要问自己，这是正确的目标吗？显然，我们从小就接触科幻小说，这是一个非常令人兴奋的想法，你可以拥有由硅制成的人工智能。这是一个超级有趣的想法。但这是需要解决的正确问题吗？我对此表示怀疑。

这比你预期的要深刻得多。我同意，很明显，目标应该是实现……

让我们称之为碳基人类和硅基机器、生命形式之间尽可能好的伙伴关系。我认为，当我们提取许多人类不擅长或根本不擅长的事情时，例如根据400万页文件确定贷款规模，我们会发现：

我们并没有自然进化到擅长这一点。这是机器自然进化所擅长的。我希望有更多的企业家、技术专家等能够以这种更开明的方式思考这个问题。我们如何才能使机器更好地补充人类？

我希望我们停止谈论图灵测试，停止让人类误以为他们正在与人类互动，而实际上他们正在与机器互动。这与你的想法一致吗？是的，我同意你的观点。我们该如何做到这一点？马丁，我们如何才能更快地做到这一点？

我没有一个好的解决方案。有很多，很多人和很多钱都朝着这个方向前进。我不确定我们是怎么做的。你是一个有影响力的人。我知道你在你的社区里主持了一个大型的数据科学家聚会。我认为是在伦敦，对吧？没错，是的。他们关心什么？比如，你可以和他们谈些什么，这可能会帮助我们至少促进这种对话？

嗯，你知道，我们有我们的技术社区，它是伦敦机器学习聚会。所以它是我们的，我的意思是，它位于伦敦，但大多数会议都在网上举行。所以我们得到了广泛的听众和观众。但这相当学术化。我们真的在讨论学术论文、技术论文。如果你问大多数社区成员他们感兴趣的是什么，他们真的对解决他们日常的技术问题感兴趣。

但是为什么，但是我有，你知道，我运行这个社区的原因是我对这些更大的问题感兴趣。我特别感兴趣的是知识共享和帮助人们互相帮助。我的意思是，在英国，这是一个问题，有很多真正优秀的人才，技术人才，但是没有很好的方法将这些信息相互沟通。这，这，

学术界和技术社区之间的沟通渠道并不好。技术社区和政府之间的联系绝对糟糕透顶。这是我想帮助解决的事情。我……

我同意，讨论这些更广泛的社会问题是有用的。目前，我更感兴趣的是改进沟通，以便我们能够在英国拥有一个良好且运作良好的AI产业。你知道，对我们英国人来说，我认为这是一个更大的问题，也是一个更大的障碍。

如果你没有AI，谈论AI的社会影响就没有意义。你没有任何AI产业。我们有这个问题。美国没有这个问题，但在英国，这是个问题。我们不是领导者，尽管政府喜欢认为我们是。我们不是。我和我的许多同事一样，都对在英国建设这个社区和这个产业感兴趣。好吧，如果你能做到这一点，你将取得很大的成就。所以这也是一个值得追求的目标。

马丁，我们的时间差不多了。我得让你摆脱困境。但在你回答最后一个重要问题之前，跟我们谈谈你个人的经历，从一个研究人员和学者到一个资金雄厚、成功的公司首席执行官，解决商业问题。你在这过程中学到了什么关于你自己的东西？

哦，我肯定已经了解到我是一个彻头彻尾的技术人员。你知道，我经历过，你知道，我经历过一段时间的思考，你知道，我是首席执行官，我不能做任何技术工作。我必须专注于商业，每个人，很多人都在说同样的话。你只需要把所有这些技术方面的事情抛在脑后。我意识到当我这样做的时候，

公司技术方面有很多问题我根本不知道。我完全失去了对正在发生的事情的跟踪。这是一个巨大的问题。我意识到那是……

我所做的只是做了一个不太好的销售人员。我把自己从一个相当好的研究人员、一个好的程序员、一个好的开发人员、一个好的技术专家变成了……

我把自己从一个在这方面相当擅长的人变成了一个在销售方面不太擅长的人，这完全没有意义。尤其是，我开始意识到，不，那是错的。实际上，我的技能在于使用AI开发产品。

而且也真的，真的非常深入地理解算法和开发算法。所以我决定，好吧，我只是雇佣其他人去做我不太擅长的事情。这些人比我更擅长。他们是专业人士。我只是一个业余爱好者。所以我做了。我现在更专注于业务的技术方面，我认为这是我更快乐的地方。这让我更快乐。但我认为我也更有效率了。好智慧。

马丁，观众在哪里可以了解更多关于你和你的团队正在做的伟大工作的信息？

嗯，如果他们想了解更多关于数据提取的信息，他们可以查看我们的网站evolution.ai。但如果他们只是普遍地对AI感兴趣，特别是技术方面，跟上这些东西是相当困难的。所以我肯定会查看伦敦机器学习聚会。它也有一个YouTube频道。我们记录了所有的演讲，并参加下一次聚会。是的，那太好了。我们很乐意看到更多的人在那里。好。我们会在节目说明中发布这些链接，对吧？