人工智能之父圖靈為何不自己設(shè)計(jì)AI？

2024一開(kāi)年，中美AI行業(yè)發(fā)生了兩件大事，進(jìn)一步把1993年啟動(dòng)的第三次人工智能浪潮推向高潮：OpenAI上線了GPT商店，AI的商業(yè)化進(jìn)程更進(jìn)一步；1月16日，中國(guó)智譜AI推出了比肩GPT-4的GLM-4大模型，為中國(guó)在全球AI領(lǐng)域的競(jìng)爭(zhēng)增加了一份籌碼。

人工智能風(fēng)云70余載，幾起幾落，沉沉浮浮，拼人才、拼算力、拼資金、拼算法，哪些故事需要銘記，哪些教訓(xùn)又值得審視？

跨越七十年的華麗篇章

只為把“智能”裝進(jìn)機(jī)器

阿蘭·圖靈是一位傳奇人物，他不僅僅是每一位當(dāng)代程序員的“祖師爺”，圖靈還是一位世界級(jí)長(zhǎng)跑運(yùn)動(dòng)員，馬拉松成績(jī)2小時(shí)46分03秒，只比1948年奧運(yùn)會(huì)金牌成績(jī)慢11分鐘。二戰(zhàn)期間，他領(lǐng)導(dǎo)“Hut 8”小組破譯德軍密碼，成為盟軍在大西洋戰(zhàn)役中擊敗軸心國(guó)海軍的關(guān)鍵因素。

圖靈也是個(gè)馬拉松運(yùn)動(dòng)員｜midjourney

當(dāng)然，我們今天要說(shuō)的還是“人工智能”。

圖靈被譽(yù)為計(jì)算機(jī)科學(xué)與人工智能之父，1950年，圖靈第一次提出“機(jī)器智能（Machine Intelligence）”的概念，“人類利用可用信息和推理來(lái)解決問(wèn)題并做出決策，那么為什么機(jī)器不能做同樣的事情呢？”

自那時(shí)開(kāi)始，無(wú)數(shù)科學(xué)家、科技企業(yè)為之奮斗——賦予機(jī)器以“智能”的革命悄然拉開(kāi)了序幕。70多年過(guò)去，“三次浪潮，兩次低谷”， 人工智能終究是沖破層層阻隔，進(jìn)入了大眾的日常生活。

縱觀三次人工智能浪潮，我們會(huì)發(fā)現(xiàn)一個(gè)有意思的現(xiàn)象：理論總是比現(xiàn)實(shí)更超前。不是科學(xué)家設(shè)計(jì)不出更好的人工智能，而是囿于當(dāng)時(shí)的計(jì)算機(jī)技術(shù)，無(wú)法做到。

人工智能發(fā)展大事年表｜哈佛大學(xué)官網(wǎng)

圖靈在1950年的論文《計(jì)算機(jī)器與智能》中已經(jīng)提出了機(jī)器思維的概念和著名的圖靈測(cè)試，是什么阻止了圖靈開(kāi)始工作？有兩個(gè)原因。首先，在那個(gè)年代，計(jì)算機(jī)缺乏智能的一個(gè)關(guān)鍵先決條件：它們無(wú)法存儲(chǔ)命令，只能執(zhí)行命令。這意味著，計(jì)算機(jī)只能被告知要做什么，但是不記得自己做了什么。第二，計(jì)算成本在上世紀(jì)50年代太昂貴了，租賃一臺(tái)電腦每個(gè)月需要20萬(wàn)美元，筆者根據(jù)通貨膨脹率做了換算，這相當(dāng)于現(xiàn)在每月租金254萬(wàn)美元，名副其實(shí)的**“有錢人的游戲”**。

名副其實(shí)的“有錢人的游戲”｜midjourney

科學(xué)家之所以稱之為科學(xué)家，是因?yàn)樗麄兊难芯靠偸侵塾谖磥?lái)，即使當(dāng)下缺乏變成現(xiàn)實(shí)的條件。

圖靈發(fā)表那篇著名的論文后僅兩年，計(jì)算機(jī)科學(xué)家阿瑟·薩繆爾（Arthur Lee Samuel）開(kāi)發(fā)出一款跳棋程序，并提出了**“機(jī)器學(xué)習(xí)”**這個(gè)概念。1956年的達(dá)特茅斯會(huì)議上，約翰·麥卡錫（John McCarthy）正式提出了“人工智能”這個(gè)詞語(yǔ)，1956年，也就成為了實(shí)際意義上的人工智能元年。

至此，“人工智能”跨越了混沌初開(kāi)的早期階段，進(jìn)入了一個(gè)高速發(fā)展時(shí)期。多年后，當(dāng)大眾回看那個(gè)時(shí)代，稱之為人工智能的**“第一次浪潮”**。

計(jì)算機(jī)科學(xué)與人工智能之父——阿蘭·圖靈

我們先來(lái)看看“第一次浪潮”給我們今天的生活留下了哪些遺產(chǎn)吧。說(shuō)出來(lái)可能有些驚訝，我們今天使用的大多數(shù)軟件追根溯源都是“第一次浪潮”的產(chǎn)物，或者說(shuō)，基于一種叫“手動(dòng)編碼知識(shí)（Handcrafted Knowledge）”的人工智能。比如我們的Windows系統(tǒng)，智能手機(jī)應(yīng)用程序，人行道上按下按鈕等待紅燈變綠的交通燈。這些都是人工智能（此處采用第一次浪潮中對(duì)人工智能的定義）。

這真算“人工智能”？

算。

人們對(duì)人工智能的理解一直在變化。30年前，如果你問(wèn)路人，谷歌地圖算不算人工智能，得到的答案是肯定的。這個(gè)軟件能幫你規(guī)劃最佳路線，還能用清晰的語(yǔ)言告訴你如何行駛，為什么不算？（谷歌地圖應(yīng)用確實(shí)是第一波人工智能的典型案例）

第一次人工智能浪潮主要基于清晰且邏輯的規(guī)則。系統(tǒng)會(huì)檢查需要解決的每種情況下最重要的參數(shù)，并就每種情況下采取的最適當(dāng)?shù)男袆?dòng)得出結(jié)論。每種情況的參數(shù)均由人類專家提前確定。因此，這種系統(tǒng)很難應(yīng)對(duì)新的情況。他們也很難進(jìn)行抽象——從某些情況中獲取知識(shí)和見(jiàn)解，并將其應(yīng)用于新問(wèn)題。

總而言之，第一波人工智能系統(tǒng)能夠?yàn)槊鞔_定義的問(wèn)題實(shí)現(xiàn)簡(jiǎn)單的邏輯規(guī)則，但無(wú)法學(xué)習(xí)，并且很難處理不確定性。

1957年，羅森布拉特發(fā)明感知機(jī)，這是機(jī)器學(xué)習(xí)人工神經(jīng)網(wǎng)絡(luò)理論中神經(jīng)元的最早模型，這一模型也使得人工神經(jīng)網(wǎng)絡(luò)理論得到了巨大的突破。樂(lè)觀的情緒在科學(xué)界蔓延，第一次人工智能浪潮逐漸被推向了高潮——挫敗要來(lái)了。

感知器原理圖｜加利福尼亞州立大學(xué)

1966年，人們發(fā)現(xiàn)好像人工智能的路走歪了。邏輯證明器、感知器、強(qiáng)化學(xué)習(xí)等等只能做很簡(jiǎn)單、非常專門且很窄的任務(wù)，稍微超出范圍就無(wú)法應(yīng)對(duì)。為了更好的理解，我們建議讀者腦補(bǔ)使用Windows系統(tǒng)的體驗(yàn)：一切功能都是提前設(shè)計(jì)好的，你無(wú)法教會(huì)這個(gè)系統(tǒng)做什么事，它也無(wú)法自己學(xué)習(xí)額外的知識(shí)。

另一方面，當(dāng)時(shí)的計(jì)算機(jī)面臨內(nèi)存有限和處理速度不足的挑戰(zhàn)，解決實(shí)際的人工智能問(wèn)題變得十分困難。研究者們迅速認(rèn)識(shí)到，要求程序具備兒童般的世界認(rèn)知水平是一個(gè)過(guò)高的期望。在那個(gè)時(shí)候，沒(méi)有人能夠構(gòu)建出滿足人工智能需求的龐大數(shù)據(jù)庫(kù)，也沒(méi)有人知道如何讓程序獲取如此豐富的信息。與此同時(shí)，許多計(jì)算任務(wù)的復(fù)雜度呈指數(shù)級(jí)增加，使得完成這些任務(wù)變得幾乎不可能。

科學(xué)家進(jìn)入了死胡同，人工智能發(fā)展也進(jìn)入了“蟄伏期”。

這一等，就是十多年。

當(dāng)時(shí)間來(lái)到了20世紀(jì)80年代，兩個(gè)關(guān)鍵突破重新點(diǎn)燃了“第二次人工智能浪潮”：深度學(xué)習(xí)和專家系統(tǒng)。

約翰·霍普菲爾德 (John Hopfield) 和大衛(wèi)·魯梅爾哈特 (David Rumelhart) 推廣了“深度學(xué)習(xí)”技術(shù)，使計(jì)算機(jī)能夠利用經(jīng)驗(yàn)進(jìn)行學(xué)習(xí)。這意味著人工智能可以處理那些“沒(méi)有提前設(shè)定”的問(wèn)題，它具備了學(xué)習(xí)能力。另一方面，愛(ài)德華·費(fèi)根鮑姆（Edward Feigenbaum）引入了專家系統(tǒng)，它模仿了人類專家的決策過(guò)程。

總的來(lái)說(shuō)，第二次人工智能浪潮改變了人工智能的發(fā)展方向?？茖W(xué)家放棄了符號(hào)學(xué)派思路，改用統(tǒng)計(jì)學(xué)的思路來(lái)研究人工智能。深度學(xué)習(xí)和專家系統(tǒng)的引入讓機(jī)器能夠根據(jù)領(lǐng)域內(nèi)的專業(yè)知識(shí)，推理出專業(yè)問(wèn)題的答案。

因此，第二次人工智能浪潮也叫**“統(tǒng)計(jì)學(xué)習(xí)（Statistical Learning）”時(shí)代**。

關(guān)于這一次浪潮，筆者想要強(qiáng)調(diào)兩點(diǎn)，第一，為何它如此重要？第二，它無(wú)法克服的弊端是什么？

第二次浪潮時(shí)間很短，但通過(guò)引入“統(tǒng)計(jì)學(xué)習(xí)系統(tǒng)”，工程師和程序員不會(huì)費(fèi)心去教授系統(tǒng)要遵循的精確規(guī)則（第一次浪潮的理念）。相反，他們?yōu)槟承╊愋偷膯?wèn)題開(kāi)發(fā)統(tǒng)計(jì)模型，然后在許多不同的樣本上“訓(xùn)練”這些模型，使它們更加精確和高效。

此外，第二波系統(tǒng)還引入了人工神經(jīng)網(wǎng)絡(luò)的概念。在人工神經(jīng)網(wǎng)絡(luò)中，數(shù)據(jù)經(jīng)過(guò)計(jì)算層，每個(gè)計(jì)算層以不同的方式處理數(shù)據(jù)并將其傳輸?shù)较乱粋€(gè)級(jí)別。通過(guò)訓(xùn)練每一層以及整個(gè)網(wǎng)絡(luò)，它們可以產(chǎn)生最準(zhǔn)確的結(jié)果。

神經(jīng)網(wǎng)絡(luò)示意圖｜Pixabay

這些都為第三次人工智能浪潮奠定了基礎(chǔ)，而且留下了龐大的遺產(chǎn)，我們今天依然在使用。比如人臉識(shí)別、語(yǔ)音轉(zhuǎn)錄、圖片識(shí)別，以及自主汽車和無(wú)人機(jī)的部分功能，都來(lái)自于這次浪潮的成果。

但是，這套系統(tǒng)有一個(gè)巨大的弊端。根據(jù)美國(guó)國(guó)防高級(jí)研究計(jì)劃局（DARPA）指出，我們尚不清楚人工神經(jīng)網(wǎng)絡(luò)背后的實(shí)際運(yùn)行規(guī)則，也就是說(shuō)，這套系統(tǒng)運(yùn)行良好，但是我們不知道為什么運(yùn)行的這么好。這就好比人可以把球拋到空中，并且能大概判斷球會(huì)落在哪里，如果你問(wèn)他，你是如何做出判斷的，是根據(jù)牛頓力學(xué)定律計(jì)算的嗎？他無(wú)法回答，但他就是知道。

這暴露了一種因果關(guān)系挑戰(zhàn)，因?yàn)椤翱床坏揭蚬?。第二套系統(tǒng)依賴數(shù)據(jù)輸入，數(shù)據(jù)輸出做決策，缺乏因果會(huì)導(dǎo)致嚴(yán)重后果：這個(gè)系統(tǒng)容易學(xué)壞。

微軟曾經(jīng)設(shè)計(jì)了一個(gè)機(jī)器人叫“Tai”，他可以順暢的和人聊天，但如果有越來(lái)越多的人告訴他“希特勒是個(gè)好人”，它就會(huì)逐漸接受這個(gè)結(jié)論。

這些難題，留給了第三次人工智能浪潮來(lái)解決。

這次浪潮也是目前我們所正在經(jīng)歷的，也稱之為**“情景適應(yīng)（Contextual Adaptation）”**。如果非要確定一個(gè)時(shí)間節(jié)點(diǎn)，應(yīng)該是1993年之后。摩爾定律讓計(jì)算機(jī)算力急速提升，大數(shù)據(jù)的發(fā)展讓海量數(shù)據(jù)存儲(chǔ)和分析成為可能。

來(lái)源：開(kāi)源圖庫(kù)Pixabay

為了更好的說(shuō)明和上一次人工智能浪潮的區(qū)別，我們可以用一張圖片舉例。如果用第二次的系統(tǒng)來(lái)回答“圖片里的動(dòng)物是什么？”你會(huì)得到“圖片里是一頭牛的可能性為87%”。如果同樣的問(wèn)題給到第三次系統(tǒng)，它不僅告訴你這是一頭牛，還會(huì)給出符合邏輯的理由，比如四只腳、有蹄子，身上有斑點(diǎn)等等。

換句話說(shuō)，第三次的系統(tǒng)更講邏輯。

筆者認(rèn)為，第三次人工智能浪潮有3個(gè)重要節(jié)點(diǎn)（通常認(rèn)為是前兩個(gè)）。2006年，杰弗里·辛頓（Geoffrey Hinton）發(fā)表了《一種深度置信網(wǎng)絡(luò)的快速學(xué)習(xí)算法》，在基層理論上取得若干重大突破。2016年，谷歌DeepMind研發(fā)的AlphaGo在圍棋人機(jī)大戰(zhàn)中擊敗韓國(guó)職業(yè)九段棋手李世乭，這標(biāo)志著“人工智能”從科研領(lǐng)域開(kāi)始邁向公眾領(lǐng)域，從學(xué)術(shù)主導(dǎo)走向商業(yè)主導(dǎo)。

此后便是2022年11月30日，OpenAI發(fā)布ChatGPT，讓AI成為了一款消費(fèi)級(jí)產(chǎn)品。**“生成式AI”和“大語(yǔ)言模型”**一時(shí)成為大眾熱議的焦點(diǎn)。

生成式AI的競(jìng)賽，

我們要拼的是什么？

“生成式AI”是人工智能的一個(gè)分支，通過(guò)利用大型語(yǔ)言模型、神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)的強(qiáng)大功能，能夠模仿人類創(chuàng)造力生成新穎的文字、圖片和音、視頻等內(nèi)容。

大眾看到的OpenAI有多輝煌，那成立之初就有多落寞。那時(shí)候的OpenAI面臨兩個(gè)困境：一是缺乏資金，二是其技術(shù)路線不被主流所認(rèn)可。

根據(jù)機(jī)構(gòu)測(cè)算，直到2019年OpenAI共接受的捐助總額僅為1.3億美元，也就10億人民幣，馬斯克個(gè)人捐助最多。當(dāng)然，這點(diǎn)錢和國(guó)內(nèi)創(chuàng)業(yè)公司動(dòng)輒上百億的融資比不值一提。由于缺乏資金，OpenAI不得不依靠捐贈(zèng)，2016年，英偉達(dá)贈(zèng)送給OpenAI一臺(tái)DGX-1超級(jí)計(jì)算機(jī)，幫助其縮短了訓(xùn)練更復(fù)雜模型的時(shí)間（從6天到2小時(shí)）。

2018年，就連之前的最大捐贈(zèng)來(lái)源馬斯克也離開(kāi)了OpenAI。他曾經(jīng)提議接管OpenAI，但遭到董事會(huì)拒絕，于是離開(kāi)，并且此后沒(méi)有再進(jìn)行捐贈(zèng)。

另外一方面，OpenAI選擇了一條不好走的路——先研發(fā)預(yù)訓(xùn)練模型。2018年，OpenAI推出了具有1.17億個(gè)參數(shù)的GPT-1（Generative Pre-training Transformers, 生成式預(yù)訓(xùn)練變換器）模型，這一年也叫預(yù)訓(xùn)練模型元年。

為何這個(gè)于預(yù)訓(xùn)練模型的發(fā)布如此重要？這標(biāo)志著AI進(jìn)化路線的轉(zhuǎn)變，在此之前，的神經(jīng)網(wǎng)絡(luò)模型是有監(jiān)督學(xué)習(xí)的模型，存在兩個(gè)缺點(diǎn)：

首先，需要大量的標(biāo)注數(shù)據(jù)，高質(zhì)量的標(biāo)注數(shù)據(jù)往往很難獲得，因?yàn)樵诤芏嗳蝿?wù)中，圖像的標(biāo)簽并不是唯一的或者實(shí)例標(biāo)簽并不存在明確的邊界；第二，根據(jù)一個(gè)任務(wù)訓(xùn)練的模型很難泛化到其它任務(wù)中，這個(gè)模型只能叫做“領(lǐng)域?qū)＜摇倍皇钦嬲睦斫饬薔LP（自然語(yǔ)言處理）。

預(yù)訓(xùn)練模型則很好的解決了上述問(wèn)題。

2020年，OpenAI發(fā)布了第三代生成式預(yù)訓(xùn)練 Transformer，即GPT-3。這一事件同樣成為了大洋彼岸另一家中國(guó)AI初創(chuàng)企業(yè)的轉(zhuǎn)折點(diǎn)——智譜AI。

GPT-3 的發(fā)布給了大家非常明確的信號(hào)，即大型模型真正具備了實(shí)際可用性。在反復(fù)糾結(jié)和討論后，智譜 AI 終于決定全面投身大模型，成為了國(guó)內(nèi)較早介入大模型研發(fā)的企業(yè)之一。

同樣，智譜AI投入了大量的研發(fā)資源在預(yù)訓(xùn)練模型上。2022年，GLM-130B發(fā)布，斯坦福大學(xué)大模型中心對(duì)全球30個(gè)主流大模型進(jìn)行了全方位的評(píng)測(cè)，GLM-130B 是亞洲唯一入選的大模型。評(píng)測(cè)報(bào)告顯示GLM-130B在準(zhǔn)確性和公平性指標(biāo)上與GPT-3 175B (davinci) 接近或持平，魯棒性、校準(zhǔn)誤差和無(wú)偏性優(yōu)于GPT-3 175B。

實(shí)際上，GLM-130B是中國(guó)科技公司智譜AI發(fā)布的一個(gè)**“預(yù)訓(xùn)練模型”**。“預(yù)訓(xùn)練模型”是訓(xùn)練“大預(yù)言模型”的模型。它的位置比大眾接觸到的“生成式AI”更加前置，是埋藏在海平面之下的基礎(chǔ)設(shè)施?，F(xiàn)在市面上可供使用的預(yù)訓(xùn)練模型不多，比較主流的是來(lái)自O(shè)penAI的GPT，以及來(lái)自谷歌的Bert。GLM-130B正是結(jié)合了以上兩個(gè)框架優(yōu)點(diǎn)的國(guó)產(chǎn)自主研發(fā)預(yù)訓(xùn)練模型。

智譜AI則是奮起直追，對(duì)標(biāo)OpenAI，成為了阿國(guó)內(nèi)唯一一個(gè)對(duì)標(biāo)OpenAI全模型產(chǎn)品線的公司。

2020年，OpenAI推出GPT-3

2021年，OpenAI推出DALL-E

2022年12月，OpenAI推出了轟動(dòng)一時(shí)的ChatGPT

2023年3月，OpenAI推出GPT-4

對(duì)比智譜AI和OpenAI的產(chǎn)品線，我們可以看到：

GPT vs GLM

- ChatGPT vs. ChatGLM（對(duì)話）

- DALL.E vs. CogView（文生圖）

- Codex vs. CodeGeeX （代碼）

- WebGPT vs. WebGLM （搜索增強(qiáng)）

- GPT-4V vs. GLM4 (CogVLM, AgentTuning) （圖文理解）

為何搶占生成式AI的高地如此關(guān)鍵？

2023年的一句論斷可以回答這個(gè)問(wèn)題，“所有產(chǎn)品都值得用AI重做一遍”。AI對(duì)各個(gè)行業(yè)的的效率提升是革命性的，這種提升發(fā)生在服務(wù)業(yè)、新藥研發(fā)、網(wǎng)絡(luò)安全、制造業(yè)升級(jí)各個(gè)方面。

根據(jù)中國(guó)信通院的數(shù)據(jù)，2023年中國(guó)的人工智能專利申請(qǐng)量和論文發(fā)表量都位居世界第一，中國(guó)的人工智能市場(chǎng)規(guī)模也在不斷擴(kuò)大，預(yù)計(jì)到2023年將達(dá)到5132億美元，占全球的近四分之一。

“工欲善其事必先利其器”。在“利器”GLM-130B訓(xùn)練下，智譜在2023年10月推出了自研第三代對(duì)話大模型 ChatGLM3，此時(shí)距離發(fā)布上一代產(chǎn)品ChatGLM2僅過(guò)去4個(gè)月。

2024年1月16日，距離ChatGLM3發(fā)布不到3個(gè)月，公司又推出了GLM-4，GLM-4 相比 GLM-3 性能全面提升 60%。其各項(xiàng)參數(shù)已經(jīng)達(dá)到了比肩GPT-4的程度。在基礎(chǔ)能力指標(biāo)MMLU 81.5、GSM8K 87.6、MATH 47.9和BBH 82.25等項(xiàng)目上，GLM-4已經(jīng)達(dá)到GPT-4 90% 以上水平。HumanEval 72 達(dá)到 GPT-4 100%水平。

對(duì)齊能力上，基于AlignBench數(shù)據(jù)集，GLM-4超過(guò)了GPT-4在6月13日發(fā)布的版本，逼近GPT-4最新效果，在專業(yè)能力、中文理解、角色扮演方面超過(guò)GPT-4精度。

GLM-4 還帶來(lái)了 128K 上的長(zhǎng)文本能力，單次提示詞可處理文本達(dá)到 300 頁(yè)。在 needle test 大海撈針測(cè)試中，128K 文本長(zhǎng)度內(nèi) GLM-4 模型均可做到幾乎百分之百精度召回。

同時(shí)，GLM-4大大增強(qiáng)了多模態(tài)能力以及Agent能力，GLM-4 可以實(shí)現(xiàn)自主根據(jù)用戶意圖，自動(dòng)理解、規(guī)劃復(fù)雜指令，自由調(diào)用WebGLM搜索增強(qiáng)、Code Interpreter代碼解釋器和多模態(tài)生成能力以完成復(fù)雜任務(wù)。GLMs個(gè)性化智能體定制能力也同步上線。不需要代碼基礎(chǔ)，用戶用簡(jiǎn)單的提示詞指令就能創(chuàng)建屬于自己的GLM智能體。

其實(shí)智譜AI的發(fā)展路徑也符合AI行業(yè)的內(nèi)在規(guī)律?！叭斯ぶ悄懿皇且粋€(gè)簡(jiǎn)單的從1到100進(jìn)步的過(guò)程，它往往趨向于兩個(gè)極端：要么90分以上，其它的都是10分以下?！睋Q言之，要么“快速突破”，要么“原地打轉(zhuǎn)”，不奮力前進(jìn)就只能滑入另一個(gè)極端。

回到歷史時(shí)間線里，我們目前正處在第三次人工智能浪潮當(dāng)中，既然有浪潮，就有高潮與低谷。第三次浪潮會(huì)結(jié)束，什么才是推動(dòng)它的關(guān)鍵？

有一種觀點(diǎn)認(rèn)為“深度學(xué)習(xí)算法”帶來(lái)的技術(shù)紅利，將會(huì)支撐我們前進(jìn)5-10年，隨后瓶頸就會(huì)到來(lái)。在瓶頸到來(lái)之前，我們急切需要一個(gè)“技術(shù)奇點(diǎn)”拿過(guò)接力棒，把這次浪潮推到更高的高度。

“技術(shù)奇點(diǎn)”在哪里尚不可知。但有一點(diǎn)可以確定，它的出現(xiàn)有賴于企業(yè)的長(zhǎng)期投資、深度研發(fā)和對(duì)科技的信念。