0:00:00.880,0:00:04.893
在过去，如果你想让计算机做一件事

0:00:04.893,0:00:06.447
你需要设计电脑程序

0:00:06.447,0:00:09.858
你们可能从没做过这件事

0:00:09.858,0:00:19.010
编程需要排列出你想让电脑做的[br]每一个细枝末节的小步骤来达到你的目的

0:00:19.089,0:00:22.585
假如你自己都不清楚完成这某件事的话

0:00:22.585,0:00:24.648
要编写处电脑程序来完成那件事就会显得[br]比登天还要困难

0:00:24.648,0:00:28.131
这也是这个人，亚瑟 塞缪尔，所面临的挑战

0:00:28.131,0:00:34.468
在1956年，他想让这台电脑和他下国际象棋

0:00:34.548,0:00:40.348
你怎样才能罗列出所有的细枝末节，[br]并且让电脑下象棋比你厉害？

0:00:40.394,0:00:42.116
他想出一个办法

0:00:42.116,0:00:45.840
它让电脑和自己对战几千次

0:00:45.840,0:00:48.364
学习如何下象棋

0:00:48.364,0:00:51.544
事实证明他做到了。1962年

0:00:51.544,0:00:55.561
这台电脑打败了美国康涅狄克州象棋冠军

0:00:55.561,0:00:58.534
亚瑟 塞缪尔是机器学习之父

0:00:58.534,0:01:00.251
我非常敬畏他

0:01:00.251,0:01:03.014
因为我是机器学习的实践者

0:01:03.014,0:01:04.479
我曾是Kaggle的主席

0:01:04.479,0:01:07.867
Kaggle是一个拥有200,000机器学习实践者地社区

0:01:07.867,0:01:09.925
Kaggle会组织竞赛

0:01:09.925,0:01:13.633
让人们尝试解决过去未解决的问题

0:01:13.633,0:01:17.470
已成功解决问题几百次

0:01:17.470,0:01:19.940
在这个有利环境中，我发现了

0:01:19.940,0:01:26.190
机器学习在过去，现在，和将来可以做些什么

0:01:26.252,0:01:30.675
第一个机器学习的商业成功案例应该是谷歌

0:01:30.675,0:01:35.504
谷歌用计算机算法寻找信息

0:01:35.536,0:01:38.437
而且这个算法以计算机学习为基础

0:01:38.437,0:01:42.323
从那以后，机器学习得到了很多的商业成功

0:01:42.323,0:01:44.160
像亚马逊、网飞这类公司

0:01:44.160,0:01:47.876
通过机器学习向你推荐你可能想买的东西

0:01:47.876,0:01:49.896
你可能想看的电影

0:01:49.896,0:01:51.703
有时候你会被吓一跳

0:01:51.703,0:01:53.657
像领英、脸谱这类的公司

0:01:53.657,0:01:56.251
有时会告诉你谁会是你的朋友

0:01:56.251,0:01:58.228
你根本不知道他们是如何做到的

0:01:58.228,0:02:01.195
其实他们正是运用了机器学习的力量

0:02:01.195,0:02:04.152
这种运算方法使用数据

0:02:04.152,0:02:07.399
而非手动编写程序

0:02:07.399,0:02:13.697
这也是IBM的Watson超级计算机[br]在《危险边缘》里打败两届世界冠军的秘诀

0:02:13.739,0:02:16.964
成功回答了这样一个极其模糊且复杂的问题

0:02:16.964,0:02:19.799
［“古代‘尼姆鲁德狮像’于2003年在这个城市的国家博物馆消失（连同其它很多物品）”］

0:02:19.799,0:02:23.034
这也是为什么我们现在有了第一台自驾车

0:02:23.034,0:02:25.856
如果你想区分一棵树和一个行人

0:02:25.856,0:02:28.488
显然这很重要

0:02:28.488,0:02:31.075
但是我们不知道如何写这样一个程序

0:02:31.075,0:02:34.072
有了机器学习，这就成为了可能

0:02:34.072,0:02:36.680
这台自驾车已经行驶了十万英里

0:02:36.680,0:02:40.186
在正常路面上零事故

0:02:40.196,0:02:44.110
我们知道电脑能够学习

0:02:44.110,0:02:48.810
学习做一件有时我们自己都不知道怎么做的事情

0:02:48.848,0:02:51.733
有时甚至比我们做得更好

0:02:51.733,0:02:58.288
我见过机器学习最惊人的例子[br]是我在Kaggle做的一个项目

0:02:58.320,0:03:03.431
一个叫杰弗里 辛顿的人毕业于多伦多大学，[br]带领一个团队

0:03:03.463,0:03:06.140
赢得了一个自动查毒的竞赛

0:03:06.140,0:03:12.967
然而真正精彩的不是他们打败了所有默克公司[br]或者国际学术团体设计的运算

0:03:13.000,0:03:18.061
而是他们团队里没有一个人有化学、生物[br]或者生命科学的背景

0:03:18.061,0:03:20.230
却在两个星期内赢得了比赛

0:03:20.230,0:03:22.421
他们是如何做到的？

0:03:22.421,0:03:25.342
他们应用了一种超凡的算法叫做深度学习

0:03:25.342,0:03:31.401
几个星期后纽约时报在其首页[br]报道了此次的重要成功

0:03:31.412,0:03:34.147
在左手边就是杰弗里 辛顿

0:03:34.147,0:03:38.488
深度学习是受到人类大脑的启发

0:03:38.488,0:03:44.120
也因此这种算法的能力不受任何理论限制

0:03:44.141,0:03:46.964
你给它越多的数据和运算时间

0:03:46.964,0:03:48.276
它会工作的越好

0:03:48.276,0:03:52.865
纽约时报在其文章中[br]还说明了深度学习的另一非凡之处

0:03:52.865,0:03:55.569
现在我要展示给你们看

0:03:55.569,0:04:00.510
它表明电脑能够听懂信息

0:04:00.510,0:04:06.221
（视频）理查德 拉希德：现在，[br]我要做的最后一步是

0:04:06.246,0:04:10.961
用汉语和大家说话

0:04:10.986,0:04:18.598
在这之前，我们已经通过很多说汉语的人[br]收集了大量信息

0:04:18.598,0:04:21.128
然后形成一个语音合成系统

0:04:21.128,0:04:25.801
把汉字转换成汉语言

0:04:25.801,0:04:29.929
之后我们收录了一个小时我的声音

0:04:29.929,0:04:36.330
使声音合成系统的声音听起来像我

0:04:36.364,0:04:38.904
再次，结果并不完美

0:04:38.904,0:04:41.552
他们会有不少错误

0:04:41.552,0:04:44.036
（中文）

0:04:44.036,0:04:49.443
（掌声）

0:04:49.446,0:04:53.022
在这个领域还有很多工作要做

0:04:53.022,0:04:56.667
（中文）

0:04:56.667,0:05:01.340
（掌声）

0:05:01.345,0:05:04.744
杰里米 霍华德：这是在一个中国的机器学习会议上

0:05:04.744,0:05:08.994
事实上，一般来说，你不会在学术会议上[br]听到如此热烈的掌声

0:05:09.011,0:05:12.687
当然除了TEDx演讲可以随意鼓掌

0:05:12.687,0:05:15.482
你所看到的一切都伴随着深入学习

0:05:15.482,0:05:17.007
（掌声）谢谢

0:05:17.007,0:05:19.289
对英文的转录是深入学习

0:05:19.289,0:05:22.701
翻译成汉语以及屏幕右上方的文字是深入学习

0:05:22.701,0:05:26.008
声音的合成也是深入学习

0:05:26.008,0:05:29.242
深入学习就是这样神奇的事情

0:05:29.242,0:05:32.341
这个单一的算法似乎可以做任何事情

0:05:32.341,0:05:35.452
而且一年前我发现他甚至有视觉

0:05:35.452,0:05:37.628
这个名不见经传的德国竞赛

0:05:37.628,0:05:40.225
叫做德国交通标志识别基准

0:05:40.225,0:05:43.618
深度学习已学得识别这些交通标识

0:05:43.618,0:05:47.472
它不仅能够做的比其它算法好

0:05:47.472,0:05:50.189
排行榜显示它比人更厉害

0:05:50.189,0:05:52.041
是人的准确率的两倍

0:05:52.041,0:05:57.417
到2011年，我们有了第一台视力高于人类的电脑

0:05:57.442,0:05:59.491
从此更多的电脑也可以做到

0:05:59.491,0:06:04.385
在2012年，谷歌宣布让一个深度学习的算法看YouTube视频

0:06:04.420,0:06:07.857
收集16，000台电脑上的数据，为期一个月

0:06:07.857,0:06:13.998
之后电脑便能仅通过看视频独立识别人和猫

0:06:14.027,0:06:16.379
这近似于人类学习的过程

0:06:16.379,0:06:19.119
人类不需要被告诉他们看到了什么

0:06:19.119,0:06:22.450
而是在自己认知事物的过程中学习

0:06:22.450,0:06:25.819
同样在2012年，杰弗里 辛顿，我们之前看到的人

0:06:25.819,0:06:28.677
赢了很火的ImageNet比赛

0:06:28.677,0:06:34.218
分辨出150万张图片的内容

0:06:34.256,0:06:39.209
到2014年，我们已经将图像识别的误差[br]降低到百分之六

0:06:39.242,0:06:41.268
低于人类误差率

0:06:41.268,0:06:47.277
这项非凡的工作现在已经用于工业

0:06:47.306,0:06:50.348
比如说，去年谷歌声明

0:06:50.348,0:06:54.933
他们在两小时内把法国的每一个地点汇成地图

0:06:54.933,0:07:02.660
他们是将街景填入深度学习算法以辨认街道号

0:07:02.699,0:07:08.259
可以想象从前这件事要花费多少时间和精力

0:07:08.274,0:07:10.185
同样的事情也发生在中国

0:07:10.185,0:07:14.221
百度大概类似于中国的谷歌

0:07:14.221,0:07:16.504
我们看到左上角

0:07:16.504,0:07:20.478
是一张我上传到百度的深度学习系统的图片

0:07:20.478,0:07:24.247
下面你可以看到系统理解了这张照片

0:07:24.247,0:07:26.483
并且找到了类似的图片

0:07:26.483,0:07:29.219
同样的背景

0:07:29.219,0:07:30.877
同样的角度

0:07:30.877,0:07:32.665
有的甚至也有伸出来的舌头

0:07:32.665,0:07:35.695
网页上没有准确的文字

0:07:35.695,0:07:37.107
我只是上传了图片

0:07:37.107,0:07:41.128
所以说电脑能够真正理解它所看到的事物

0:07:41.128,0:07:46.292
进而在数据库的几百万张图片中进行实时搜索

0:07:46.312,0:07:49.536
就现在而言，电脑的视力意味着什么呢？

0:07:49.536,0:07:51.553
事实上不仅仅是电脑能够看见

0:07:51.553,0:07:53.622
深度学习其实可以做得更多

0:07:53.622,0:07:56.570
像这样一个细小复杂的语句

0:07:56.570,0:07:59.394
对深度学习来说是相对易于理解的

0:07:59.394,0:08:00.697
你可以看到

0:08:00.697,0:08:07.345
斯坦福基础系统显示上面的红点指出[br]这个语句表达的是否定语气

0:08:07.384,0:08:15.900
深度学习在理解语句内容方面已经接近人类水平

0:08:15.923,0:08:21.781
同样，深度学习在用于阅读汉语上已经相当于中国本土人水平

0:08:21.807,0:08:23.975
这个算法开发于瑞士

0:08:23.975,0:08:27.331
没有一个人懂汉语

0:08:27.331,0:08:36.682
要我说，深度学习是比较于人类[br]做这件事最好的系统

0:08:36.718,0:08:39.682
这个系统是在我们公司建立的

0:08:39.682,0:08:41.728
它要把这些东西集合起来

0:08:41.728,0:08:44.189
这些图片没有文字描述

0:08:44.189,0:08:46.541
随着我在这输入文字

0:08:46.541,0:08:49.510
同时它会了解这些图片

0:08:49.510,0:08:51.189
理解它们是关于什么的

0:08:51.189,0:08:54.352
然后找出和这些相似的图片

0:08:54.352,0:08:57.108
所以你看，他真正在理解我的文字

0:08:57.108,0:08:59.332
理解这些图片

0:08:59.332,0:09:01.891
我知道你在谷歌上看到过类似的

0:09:01.891,0:09:04.666
你可以输入文字，它会提供给你图片

0:09:04.666,0:09:08.090
但实际上它是在网页上搜索文字

0:09:08.090,0:09:11.091
这和理解图片是有很大不同的

0:09:11.091,0:09:17.053
理解图片是电脑在过去几个月里才刚刚会做的事情

0:09:17.091,0:09:21.182
电脑不仅有视力，而且能够阅读

0:09:21.182,0:09:24.947
而且当然，电脑也能理解所听到的

0:09:24.947,0:09:28.389
也许并不意外，我现在要告诉你们，电脑也可以写

0:09:28.389,0:09:33.172
这是我昨天用深度学习算法写的文字

0:09:33.172,0:09:37.096
这些是斯坦福的算法做的

0:09:37.096,0:09:43.110
每一句话都是深度学习算法对图片进行的描述

0:09:43.110,0:09:47.581
算法没见过一个穿黑衣服的男人弹吉他

0:09:47.581,0:09:49.801
它见过男人，见过黑色

0:09:49.801,0:09:51.400
见过吉他

0:09:51.400,0:09:55.694
它便自己对这个图片作出了这样的描述

0:09:55.694,0:09:59.196
我们还做不到完全和人类同等水平，[br]但我们已经很接近了

0:09:59.196,0:10:04.774
统计表明，四分之一的人更喜欢电脑做的图片说明

0:10:04.791,0:10:06.855
目前这个系统刚被开发两周之久

0:10:06.855,0:10:08.701
所以按这个速度，估计明年

0:10:08.701,0:10:13.352
电脑算法会超过人类水平

0:10:13.364,0:10:16.413
电脑会写

0:10:16.413,0:10:19.888
我们把这些都放在一起，会发现一个令人兴奋的机遇

0:10:19.888,0:10:21.380
比如说，在医药业

0:10:21.380,0:10:23.905
一个波士顿团队宣布

0:10:23.905,0:10:26.854
他们发现了肿瘤的几十种临床表现

0:10:26.854,0:10:31.120
帮助医生预测癌症

0:10:32.220,0:10:34.516
同样的，在斯坦福

0:10:34.516,0:10:38.179
一个团队宣布通过用放大镜观察组织

0:10:38.179,0:10:40.560
开发了一个基于机器学习的系统

0:10:40.560,0:10:47.502
可以比病理学家更有效地预测癌症患者的幸存率

0:10:47.519,0:10:50.764
在这两个例子中，不仅预测更加准确

0:10:50.764,0:10:53.266
而且他们创造了新的科学视角

0:10:53.276,0:10:54.781
在放射学中

0:10:54.781,0:10:57.876
新视角是人类可以明白的新临床表现

0:10:57.876,0:10:59.668
在病理学中

0:10:59.668,0:11:04.168
电脑发现癌细胞周围的细胞

0:11:04.168,0:11:09.238
在诊断中同癌细胞一样重要

0:11:09.260,0:11:14.621
这和病理学家几十年来的教学是相反的

0:11:14.621,0:11:17.913
这两个案例中的系统都是由

0:11:17.913,0:11:21.534
医学专家和机器学习专家共同开发的

0:11:21.534,0:11:24.275
去年我们就已经超过了这个水平

0:11:24.275,0:11:30.334
这个是用显微镜识别组织癌变区的例子

0:11:30.354,0:11:34.967
所显示的这个系统能够与病理学专家同样准确地识别癌变区

0:11:34.967,0:11:37.742
甚至比病理专家更准确

0:11:37.742,0:11:41.134
但是建立系统的都是深度学习的专家

0:11:41.134,0:11:43.660
没有一个医学专家

0:11:44.730,0:11:47.285
类似的，这是神经细胞分裂

0:11:47.285,0:11:50.953
我们已经可以和人类一样准确地分裂细胞

0:11:50.953,0:11:53.670
但这是个深度学习系统

0:11:53.670,0:11:56.921
没有一个开发者拥有医学背景

0:11:56.921,0:12:00.148
对于我这个完全没有医学背景的人来说

0:12:00.148,0:12:03.875
看起来我也完全可以开一个医药公司

0:12:03.875,0:12:06.021
我确实这么做了

0:12:06.021,0:12:07.761
我开始有点不知所措

0:12:07.761,0:12:10.650
但理论上说这件事是可行的

0:12:10.650,0:12:16.142
用这些数据分析技术制作医药

0:12:16.142,0:12:18.622
所幸的是，反响非常好

0:12:18.622,0:12:20.978
不仅是媒体的，包括医药行业

0:12:20.978,0:12:23.322
都很支持

0:12:23.322,0:12:27.471
理论表明我们可以将制药的中间过程

0:12:27.471,0:12:30.364
充分转换成数据分析

0:12:30.364,0:12:33.429
让医生去做他们最擅长的

0:12:33.429,0:12:35.031
我有一个例子

0:12:35.031,0:12:39.975
制作一个医学诊断测试需要十五分钟

0:12:39.975,0:12:41.929
我会给你们实际展示

0:12:41.929,0:12:45.416
但是我去掉了一部分，把它压缩到了三分钟

0:12:45.416,0:12:48.477
不要医学诊断试验

0:12:48.477,0:12:51.846
我要给你们展示制作一个汽车图片的诊断测试

0:12:51.846,0:12:54.068
因为这个我们都能懂

0:12:54.068,0:12:57.269
现在我们有150万张汽车图片

0:12:57.269,0:13:02.695
我想要根据拍照的角度对他们进行分类

0:13:02.698,0:13:06.586
这些图片完全没有标签，所以我要先对他们进行简单描述

0:13:06.586,0:13:08.451
有深度学习算法

0:13:08.451,0:13:12.158
它可以自动识别图片的结构要素

0:13:12.158,0:13:15.778
令人高兴的是人和电脑可以合作

0:13:15.778,0:13:17.956
你可以看到，这个人

0:13:17.956,0:13:20.631
正在告诉电脑什么是感兴趣的要素

0:13:20.631,0:13:25.281
为之后电脑用来完善算法

0:13:25.281,0:13:29.577
现在，这些深度学习算法处在16，000维空间中

0:13:29.577,0:13:33.009
所以你看到电脑让他们在这个空间中旋转

0:13:33.009,0:13:35.001
尝试找到新的结构要素

0:13:35.001,0:13:36.782
当他成功时

0:13:36.782,0:13:40.786
开车的人就可以指出感兴趣的要素

0:13:40.786,0:13:43.208
现在电脑成功找出这些要素

0:13:43.208,0:13:45.770
比如，角度

0:13:45.770,0:13:47.376
我们在这个过程中

0:13:47.376,0:13:49.716
逐渐的告诉电脑更多

0:13:49.716,0:13:52.144
我们想寻找的结构

0:13:52.144,0:13:53.916
你可以想象一个诊断测试

0:13:53.916,0:13:57.266
这就像是病理学家识别病态区域

0:13:57.266,0:14:02.292
或者放射学专家找出潜在的问题囊肿

0:14:02.292,0:14:04.851
有时候这对算法来说有些难度

0:14:04.851,0:14:06.815
我们的例子就比较麻烦

0:14:06.815,0:14:09.365
车的正面和背面全部混淆了

0:14:09.365,0:14:11.437
所以我们要仔细一些

0:14:11.437,0:14:14.669
人工地选出正面和背面

0:14:14.669,0:14:21.505
人后告诉电脑这是我们所感兴趣的一类

0:14:21.523,0:14:24.200
做这件事花了一些时间，所以我们跳过

0:14:24.200,0:14:28.406
之后我们用这几百个东西训练机器学习算法

0:14:28.420,0:14:30.445
希望他会有很大进步

0:14:30.445,0:14:33.518
你能看到，它正在消退一些图片

0:14:33.518,0:14:38.226
说明他已经开始可以自己理解这些图片了

0:14:38.226,0:14:41.128
我们可以用相似图片的概念

0:14:41.128,0:14:43.222
用相似的图片，你可以看到

0:14:43.222,0:14:47.241
电脑现在能够只找出正面的车

0:14:47.241,0:14:50.189
在这个时候，人可以告诉电脑

0:14:50.189,0:14:52.482
对的，没错，你做的很好

0:14:53.652,0:14:55.837
当然，有时，即使在这个阶段

0:14:55.837,0:14:59.511
分组仍然是很困难的

0:14:59.511,0:15:03.395
像我们这里，让电脑在这里旋转了一段时间了

0:15:03.399,0:15:08.204
我们还是看到左面的和右面的图片有混淆

0:15:08.222,0:15:10.362
所以我们可以再一次给电脑一些提示

0:15:10.362,0:15:18.048
我们让它通过深度学习算法尽可能分离出左面和右面的图片

0:15:18.067,0:15:21.009
有了这个指示——好的，它已经完成了

0:15:21.009,0:15:26.261
它要想办法分开这一部分

0:15:26.271,0:15:28.709
你现在知道了

0:15:28.709,0:15:36.906
这不是电脑取代人类

0:15:36.906,0:15:39.546
而是一起合作

0:15:39.546,0:15:45.076
我们在做的是将过去需要五六人的团队[br]用七年时间做的事情

0:15:45.098,0:15:50.203
变成只需一个人花十五分钟就能完成

0:15:50.208,0:15:54.158
这个过程需要四到五次反复

0:15:54.158,0:15:58.967
你可以看到我们已经将150万张图片的62%正确分类

0:15:58.976,0:16:02.728
现在我们就可以快速地检查整个分组

0:16:02.745,0:16:05.664
确保没有错误

0:16:05.664,0:16:09.616
如果哪里有错误，我们可以告诉电脑

0:16:09.616,0:16:12.661
每个分组我们都这样做

0:16:12.661,0:16:17.538
现在这150万张图片已经达到80%的成功率

0:16:17.563,0:16:19.641
现在这个阶段

0:16:19.641,0:16:23.220
只需要找出几个不正确的分类

0:16:23.220,0:16:26.108
并让电脑明白为什么

0:16:26.108,0:16:27.851
到了这个步骤

0:16:27.851,0:16:31.972
十五分钟后我们达到了97%的正确率

0:16:31.972,0:16:36.572
这种技术能帮助我们解决一个问题

0:16:36.578,0:16:39.614
医疗专家不足的问题

0:16:39.614,0:16:45.713
世界经济论坛表明，在发展中国家，[br]内科医生有十倍到二十倍的短缺

0:16:45.727,0:16:50.720
而弥补这一短缺需要300年的时间

0:16:50.734,0:16:56.439
所以想象一下，是否我们能够用深度学习的方法[br]帮助他们提高效率？

0:16:56.459,0:16:58.690
我对这个机会表示很激动

0:16:58.690,0:17:01.279
我同样的担心一些问题

0:17:01.279,0:17:04.403
问题是在这张地图上的蓝色区域内

0:17:04.403,0:17:08.172
服务占就业的80%以上

0:17:08.172,0:17:09.959
什么是服务？

0:17:09.959,0:17:11.473
这些是服务

0:17:11.473,0:17:15.627
这些也是电脑才刚刚开始学习的事情

0:17:15.627,0:17:19.431
也就是说世界上发达国家的80%的就业

0:17:19.431,0:17:21.963
是电脑刚开始学习的

0:17:21.963,0:17:23.403
这是什么意思？

0:17:23.403,0:17:25.986
其实也没什么大不了的，他们会被其他职业替代

0:17:25.986,0:17:28.693
比如说会有更多的数据学家

0:17:28.693,0:17:29.510
也不尽然

0:17:29.510,0:17:32.628
数据学家不需要太久的时间做这些事

0:17:32.628,0:17:35.880
比如这四个算法都是同时一个人开发的

0:17:35.880,0:17:38.318
如果你认为这些曾经都发生过

0:17:38.318,0:17:42.126
我们看到过新的事物出现

0:17:42.126,0:17:44.378
然后被新的职业所取代

0:17:44.378,0:17:46.494
那这些新的职业又会是什么？

0:17:46.494,0:17:48.365
很难做出估计

0:17:48.365,0:17:51.104
因为人的能力以这个均匀的速度增长

0:17:51.104,0:17:53.666
但是现在我们有了深度学习系统

0:17:53.666,0:17:56.893
它的能力以指数方式增长

0:17:56.893,0:17:58.498
我们现在在这

0:17:58.498,0:18:00.559
目前，我们看周围的事物

0:18:00.559,0:18:03.235
会说：“电脑还是很笨。”对吧？

0:18:03.235,0:18:06.664
但是在五年内，电脑会超出这张图

0:18:06.664,0:18:10.529
所以我们现在要开始考虑这样的能力了

0:18:10.529,0:18:12.579
当然，我们曾经见过这个

0:18:12.579,0:18:13.966
在工业革命时期

0:18:13.966,0:18:16.817
发动机让生产力迈进一大步

0:18:17.667,0:18:20.805
然而问题是，一段时间之后，形势转平了

0:18:20.805,0:18:22.507
是由于社会的破坏

0:18:22.507,0:18:25.946
但当发动机被普遍应用时

0:18:25.946,0:18:28.300
一切都稳定下来了

0:18:28.300,0:18:29.773
机器学习革命

0:18:29.773,0:18:32.682
将和工业革命有很大不同

0:18:32.682,0:18:35.632
因为机器学习革命不会停止

0:18:35.632,0:18:38.614
电脑越擅长智能活动

0:18:38.614,0:18:42.862
它们越能制造出更加擅长智能活动的电脑

0:18:42.862,0:18:47.250
这将会是世界从未经历过的改变

0:18:47.250,0:18:50.554
所以你之前理解的可能性是不一样的

0:18:50.974,0:18:52.754
这正在影响我们的生活

0:18:52.754,0:18:56.384
在过去的25年里，随着资本生产力的增加

0:18:56.400,0:19:00.588
劳动生产力在变缓，甚至下降

0:19:01.408,0:19:04.149
所以我希望可以发起大家的讨论

0:19:04.149,0:19:07.176
我知道当我和人们讲述这样的处境时

0:19:07.176,0:19:08.666
人们往往表现出不以为然

0:19:08.666,0:19:10.339
电脑不会思考

0:19:10.339,0:19:13.367
它们没有情感，也不懂诗

0:19:13.367,0:19:15.888
它们甚至都不知道自己是如何运作的

0:19:15.888,0:19:17.374
那又怎样？

0:19:17.374,0:19:19.178
电脑现在可以做

0:19:19.178,0:19:21.897
人类用大部分有偿的劳动时间做的事情

0:19:21.897,0:19:23.628
所以现在该到我们思考

0:19:23.628,0:19:28.015
我们将如何调整我们的社会结构和经济结构

0:19:28.015,0:19:29.855
来应对新形势

0:19:29.855,0:19:31.388
谢谢

0:19:31.388,0:19:32.190
（鼓掌）