Da Fei: 大家好，這裡是 Best Partners，我是 Da Fei。經濟學家們又要來給矽谷潑冷水了。2024 年諾貝爾經濟學獎得主、麻省理工學院教授達龍·阿西莫格魯最近在接受《矽谷女孩》採訪時提到，簡單地用人工智慧取代人類員工通常是一個糟糕的商業決策，甚至可能導致生產力下降而不是上升。在這次對話中，這位研究技術變革數十年的經濟學家探討了人工智慧對就業的真正影響，為什麼程式自動化的經驗很難在其他行業複製，以及企業家和普通人應該如何行動。內容非常精彩，今天想跟大家分享一下。
預測與自動化落地的現實挑戰
Da Fei: 我們先來看看他的預測。節目主持人提到，阿西莫格魯預測，到 2024 年，人工智慧在未來十年將對美國 GDP 成長貢獻約 1%，只有 5% 的任務可以完全自動化。現在已是 2026 年，這些數據需要更新嗎？
阿西莫格魯的回答很有意思；他說他不敢聲稱自己對人工智慧有任何獨特的見解，將其比作大象，每個人都會觸摸大象的不同部位，他只是想在生產力討論中加入一些基本的經濟計算。兩年過去了，他認為不確定性有增無減，儘管這項技術取得了巨大的進步，尤其是今年人工智慧代理商的興起。如果他現在給出具體數字，他可能會將 5% 的數字略微上調，但他仍然認為許多討論都誇大了自動化到來的速度。
為什麼說它被誇大了？因為自動化本身就很難，而將自動化整合到組織中就更難了。歷史表明，新技術要大規模推廣，尤其是涉及大量配套投資和支持性調整時，總是緩慢而艱難的。但這並不意味著人工智慧不是一項變革性技術，或者我們無法從中受益；這意味著我們需要對經濟實際變革的速度和徹底程度保持清醒的認識。這項技術究竟應該如何使用，它可能被如何濫用，以及誰會從中受益——這些問題在今天仍然有效。
對話結束後，主持人提出了一個具體問題：是否有任何技術進步能夠讓您將人工智慧的經濟影響預測提高到兩位數？阿西莫格魯選擇了一個大家 DEFAULT 都很熟悉的領域：程式設計。程式設計確實是發展最快的職業，但這裡面也有一些細微差別。想想看：程式設計完全在辦公室完成，無需處理體力勞動，監督程式設計師的人員本身就是技術專家，對人工智慧有著紮實的理解。更重要的是，程式設計和數學、西洋棋一樣，都有規則；程式碼要麼運行，要麼不運行。只要有明確的事實告訴你哪裡出了問題，強化學習就非常有效。
但是，當你把這些標準應用到其他職業時，問題就出現了，因為大多數工作缺乏如此明確的對錯標準。以客戶服務為例；許多人最初預測這將是人工智慧完全自動化的第一個工作，但實際進展緩慢且困難。阿西莫格魯一針見血。在他接觸的大多數組織中，人工智慧客戶服務系統簡直就是一場惡夢。每當他撥打客服電話聽到人工智慧的聲音時，他的心都會沉下去，因為這意味著要再等十分鐘才能聯繫到真正能解決問題的人。為什麼客戶服務如此困難？因為它涉及社會屬性。您向客戶服務部門提出的需求會隨著時間而變化，並且因人而異。不同的人對同一個問題的描述完全不同，而且往往夾雜著許多灰色地帶和邊緣情況。這類工作需要人工監督和與人工智慧的協作；理想狀態是深度合作，使人工智慧成為人類的得力助手。但所採取的路徑將直接決定幾件事，包括有多少工作被取代、生產力提高了多少以及誰從中受益。
經濟影響與生產力衡量難題
Da Fei: 此時，一個不可避免的問題出現了：既然人工智慧能力發展如此迅速，為什麼它對經濟的實際影響仍然幾乎看不見？主持人提到，該頻道今年五月剛採訪了史丹佛大學經濟學家艾瑞克‧布林約爾松。當時的研究表明，人工智慧的經濟影響基本上是零。布林約爾鬆的評估是，雖然人工智慧的原始能力正在飛速發展，但其經濟表現仍然相當疲軟，而這種差距恰恰是一個巨大的機會。
阿西莫格魯對他的同事評價很高，稱他是一位非常嚴謹的學者，比幾乎任何其他社會科學家都更了解這個行業，而且比他自己更樂觀。如果你問布林約爾松對 2034 年和 2035 年的生產力預測，他會給出更樂觀的答案。一般認為，預期中的生產力提升效應尚未顯現，但未來必將顯現；只是阿西莫格魯認為，這一未來到來得會慢一些。他還補充說，如果布林約爾夫鬆的預測是正確的，他會非常高興，而且布林約爾夫鬆的預測正確的機率要比業內那些盲目樂觀的人高得多。
所以，問題在於我們如何定義統計數據嗎？衡量生產力一直 diffuse 是個挑戰，因為它涉及產品品質問題。阿西莫格魯同意布林約爾松強調的一點：在整個數位時代，或者說過去 40 年裡，我們一直不太確定如何衡量質量，這可能導致我們低估人工智慧和整個電腦領域帶來的一些生產力提升。但反過來，我們也未能衡量更好的汽車或更先進的高速公路帶來的品質提升，所以這是一個由來已久的問題，並非人工智慧獨有的問題。
主持人隨後建議，或許我們應該直接衡量幸福感。阿西莫格魯指出，這是一個很好的思路，人類福祉確實很重要，但他對人工智慧及相關技術在這方面仍持較悲觀的態度。在他看來，社群媒體已經造成了巨大的傷害，例如削弱了社區聯繫，削弱了人們應對逆境的能力，因為人們不再與現實生活中的社交網絡中的人互動。演算法的設計目的就是為了迎合憤怒情緒、煽動情緒和放大嫉妒心。用他自己的話來說，他希望人工智慧不會重蹈社群媒體的覆轍。
擺脫基礎模型盲目崇拜，聚焦實際應用
Da Fei: 那麼，該怎麼辦？阿西莫格魯的願景可以用一句話概括：我們需要更好、更多的應用程式。他提出了一個有爭議的觀點，即矽谷過於專注於基礎模型，而對應用或將這些應用整合到組織中所需的投資關注不足。當然，他隨即補充說，他並不在 Anthropologie 或 OpenAI 工作，所以他不知道這些組織從他們的實驗和資源中學到了什麼；這只是局外人的觀察。
這裡也存在著一個有趣的對比。我們總是聽到美國在基礎模式方面領先中國，這是事實。中國模式有時正在迎頭趕上，但它們通常是在美國模式建立的領先優勢的基礎上取得進步的，這可能涉及知識溢出問題。然而，阿西莫格魯觀察到中國企業在美國很少見的現象：他們非常重視將機器人和人工智慧引入生產線，並且他們投入其中的最主要資源是大量的工程人才。同時，美國的工程人才幾乎全部集中在基礎模型領域。
在此，我們必須提及他對矽谷整體氛圍的批評。如果有什麼東西拖累了美國的人工智慧產業，那就是「必然性」——簡單來說，就是盲目地認為當前的方法是唯一正確的道路，沒有其他辦法，任何質疑它的人都是傻瓜。他完全不認同這種傲慢態度，認為人工智慧是一項用途廣泛的技術。所有通用技術都是如此；例如，電力和印刷術催生了許多其他應用。歷史和廣泛的經濟研究告訴我們，發展這項技術有很多途徑，而且這些途徑並不相同；它們各有不同的優點和不同的缺點。認為當前路徑是唯一或最佳路徑是絕對錯誤的。
那麼，這些應用程式應該是什麼樣子呢？阿西莫格魯認為，現有的模型已經足夠強大，可以作為建立應用程式的基礎，而且利用目前的基礎設施，很多事情都是完全可行的。他舉了幾個例子：一是大幅提高品質控制水平，這利用現有模型很容易實現；另一個目標是為護理人員開發輔助工具。他表示，美國正面臨一場真正的醫療危機，醫療支出幾乎佔總支出的五分之一。因此，公共衛生挑戰是真實存在的，醫療保健產業正面臨困境。
想像一下，如果護理師能夠更深入參與護理過程、診斷、處方和病人支持決策，而最大的障礙是品質控制和資訊獲取，那會是怎樣一番景象。透過在現有模型之上建立合適的應用程序，可以輕鬆提供這種支援。
主持人插話道：「這或許也需要一種不同的護士培訓方式。」
阿西莫格魯承認互補性人力資本的問題，但他強調，問題不在於護士，而在於應用程序，以及科技業根本沒有做到這一點。教師和電工的情況也是如此；為電工提供更好的工具是唾手可得的成果。人工智慧可以提高許多藍領工作的效率，而中國已經出現了這樣的案例。為什麼美國不這樣做？問題的關鍵就在這裡，而不是基礎模型。他甚至表示，去年的型號足以滿足我們目前所能做的絕大多數事情。
主持人對此很感興趣，說這聽起來像是一個巨大的商機——為電工開發人工智慧。全國各地的人們都對這些工匠的言論感到震驚；即使是小工程也要花費很多錢。
阿西莫格魯補充了一個細節：電工嚴重短缺，即使是最基本的任務也要等三個星期才能完成。當他們到達時，他們看著一台新機器說：「我操作不了這台新機器。」為什麼？因為他們以前沒見過。這正是人工智慧可以發揮作用的地方；這實際上是一個亟待解決的問題。
那麼，這些工具該由誰來開發呢？阿西莫格魯列舉了幾種情景。首先，醫療保健和教育涉及兩到三個方面，因為大多數醫療支出都涉及政府一定程度的參與，教育也是如此，因此政府發揮著重要作用。然而，像電工、藍領工人、客服代表和科學家這樣的場景都屬於私部門，即使不考慮政府，也至少需要兩個方面參與：科技公司和企業管理階層。
他曾與一些大公司的管理階層討論過能夠賦能員工的人工智慧——那種能夠提高員工效率的人工智慧。所有執行長都說這是我們需要的，他們完全支持，但他們是真心的嗎？由於科技公司實際上並未提供這些工具，因此無法核實。當他向科技公司的人提出同樣的問題時，他們要麼點點頭走開，要麼就告訴他：「你生活在一個不同的世界；我們正在構建通用人工智能，你在說什麼？」
主持人還尖刻地補充道：「他們更關心遙不可及的事情，而不是現在就能解決的問題。」
他還追問了中國有哪些例子。阿西莫格魯表示，他接觸過的中國製造企業正在將機器人技術與人工智慧結合。富士康、比亞迪等電動車製造商正在非常高水準地應用這些技術。從他們的經驗中，我們可以看出兩件事：這不僅是一個緩慢的過程，而且需要的工程師也比預期的要多。幸運的是，中國擁有一支龐大的工程師團隊。
關於創業家如何選擇發展道路，主持人觀察到，最近播客上的每個人都在說，財富隱藏在細分市場中，尤其是在人工智慧領域，幾乎隱藏在那些所謂的枯燥乏味的業務中，這些業務在過去 20 年裡沒有實現自動化，可能仍然在使用紙筆。
阿西莫格魯完全同意，只是他不會用「無聊」這個詞。他認為這些企業實際上令人興奮，並且他認為「人工智慧看起來更酷」的想法是完全錯誤的。那是一個模糊而虛無縹緲的目標；對於通用人工智慧（AGI）的定義，目前還沒有人達成共識，它始終處於未來發展階段。至於超級智慧的到來，即機器在所有方面都能比人類做得更好，這種說法相當荒謬。這意味著最優秀的物理學家、頂尖的數學家和最傑出的傳播者都將失業。他無法理解的是公共辯論中的自相矛盾：一方面說人工智慧很快就會到來，另一方面又聲稱我們仍然會給人類留下很多事情要做。他說這不可能；只要你對人工智慧或人工智慧有一個嚴肅的定義，就不可能留下那麼多工作成果。
個人實踐、教育反思與「崎嶇邊界」
Da Fei: 接下來，主持人將話題拉回到了日常生活：作為一名研究人員，您自己是如何使用人工智慧的？
阿西莫格魯的回答非常坦誠。他說自己還沒有達到技術前沿，目前主要將人工智慧用於背景研究。過去一年來，他越來越多地使用人工智慧來評估自己的寫作和想法，他發現這非常有幫助。他第一次嘗試 GPT-3.5 和後來的 ChatGPT-4 時都相當失望，但現在它們已經好多了。他也鼓勵所有學生和研究助理為他們的工作建立人工智慧基礎設施作為輔助，但這絕不能取代他們自己的努力。例如，他絕對不鼓勵讓 AI 為你寫作，即使是對那些以英語為第二語言的人來說也不行，因為人們應該掌控自己的寫作。不過，他鼓勵所有非英語母語的學生使用人工智慧來校對自己的作品，檢查是否有不清楚、冗長或語法錯誤的句子。
他真正擔心的是另一件事。整體而言，尤其是對於學生和學習者而言，我們把太多事情委託給了人工智慧，以至於我們停止鍛鍊思考能力，停止參與學習。他在對學生的研究中看到了很多這樣的例子，他的評價非常尖銳：人工智慧在 K-12 教育中的應用是一場災難，因為我們在沒有任何安全防護措施的情況下盲目推進它。早在 2003 年或 2004 年，他就指出了這種做法的危險性；這是一項大規模的社會實驗，旨在沒有任何防護措施的情況下，將生成式人工智慧全面引入所有學校。結果並不出人意料，他最擔心的事幾乎已經發生。
他自己什麼時候才能停下來獨立思考？他說他的情況有點特殊；一方面，他屬於不同的時代；另一方面，他純粹熱愛思考，喜歡用筆勾勒想法，甚至需要有意識地提醒自己讓人工智慧運行一些任務——例如，他從未用人工智慧進行數學推導。雖然人工智慧的數學能力遠高於他，但他喜歡自己建立模型和親自進行計算；這樣，他不僅能快速計算，還能從錯誤中學習。他確信，如果他願意退後一步，引入人工智慧，他就能做得更多。
主持人以計算器為例；教師們曾經抗議使用計算器，但如今我們到處都在使用計算器，它們使我們能夠解決更複雜的問題。人工智慧會帶來類似的飛躍嗎？或者它會剝奪我們所有的批判性思考能力，導致我們停滯不前？
阿西莫格魯表示，他擔心的是後者。雖然這個比喻很有見地，但必須謹慎使用。計算器只承擔了很小一部分工作；據我們所知，沒有人會用計算器代替自己思考，也沒有學校會告訴學生：「既然你們有了計算器，就不需要學習乘法了。」我們上學的時候就有了計算器，但我們仍然學習乘法和除法，因為它們是學習其他很多知識的基礎。人工智慧則不同；它介入了整個批判性思考過程，界限變得模糊不清。人工智慧的使用邊界究竟在哪裡？我們如何在與人工智慧合作的同時，仍然親自參與人類創新和創造的關鍵步驟？這些問題沒有現成的答案，所以主持人將話題引回了商業領域。
在社交媒體帖子中，沒有人真正說“我解雇了我的整個團隊，並用人工智能代理取代了他們”，但許多人說“我沒有僱用任何人，但我確實部署了人工智能代理”。從長遠來看，這些做法忽略了什麼？
阿西莫格魯首先闡明了自己的立場，這一立場基於他數十年來對機器人技術以及 20 世紀初技術和工業革命的研究。他並不反對自動化，也不認為有可能阻止自動化；他反對任何想要讓歷史倒退的人。我們不想回到需要體力勞動搬運重物的時代；自動化是一件非常好的事情。問題在於，如果你只專注於自動化，你將無法實現全面的生產力提升——依靠自動化來處理所有事情並不容易——你也無法創造共同繁榮；它摧毀了太多工作崗位，卻沒有創造新的、有意義的、高薪的、高生產力的工作崗位。因此，他的立場始終是平衡的：利用新技術實現自動化，同時也利用新技術創造新事物，從而賦能護士、電工以及我們目前無法想像的許多職業。
那麼，你該如何向一個只關心利潤的小企業主解釋這個邏輯呢？他說關鍵在於生產力。大多數企業其實都明白一個道理：員工是他們最大的資產。提高員工生產力對公司來說是一大好處，而且從數學角度來看也更有意義。他給了一個具體的計算方法：假設你有 100 名員工，擺在你面前的是兩個選項。方案 A：將 5% 的工作自動化，並將該部分的成本降低一半。方案 B：將所有員工的生產力提高 5%。顯然，方案 B 的回報要高得多，尤其是考慮到競爭對手正在利用人工智慧來增強員工的能力；如果只是裁員，生產力差距只會繼續擴大。除了勞動之外，員工也帶來了經驗、責任感和忠誠度。只有當公司具有創新精神、善於解決問題並願意嘗試新事物時，才能真正走得更遠。
他問主持人：「你還記得過去有哪些公司嗎？」福特、通用電氣、IBM、微軟——它們有什麼共同點？他們都進行了創新。這不僅是削減成本或抄襲他人的問題；他們設想了新的市場、新技術和新任務。亨利福特曾說過，如果他問消費者想要什麼，他們會告訴他他們想要一匹更快的馬。顯然，僅僅削減 5% 的成本並不是真正的創新。
那麼，有沒有什麼規則可以用來判斷哪些任務值得自動化呢？阿西莫格魯從經濟角度指出：如果成本降低 5%，GDP 通常會成長 5% 乘以你佔 GDP 的份額。這不難計算，但有兩個困難：第一，如果品質發生變化，計算就會變得複雜；其次，即使只是降低成本，也需要多年的大量工作。我曾經看過一些公司決心要自動化，有時是因為他們認為這很容易，有時是因為競爭壓力，但他們最終都失敗了，因為自動化必須深度融入公司的業務流程中。
現在很多人用「崎嶇的邊界」來比喻人工智慧，阿西莫格魯說他喜歡這個比喻。然而，他也指出，言下之意是我們高估了人工智慧；它的實際應用要困難得多。我們原以為可以利用人工智慧來裁員，但實際上，這是不可能的。因此，認真對待「參差不齊」的概念，它真正的意義是人工智慧能力是不均衡的。你仍然需要保留大致相同數量的員工，而引入人工智慧只會造成人機混合的混亂局面。
大學教育、未來能力與社會責任
Da Fei: 隨後兩人開始討論教育問題，主持人問道：身為學術界的一員，如今接受大學教育還有意義嗎？
阿西莫格魯認為確實如此，但他首先提出了三點保留。出於經濟和社會原因，他一直認為每個人都應該上大學，而今天更是如此。人們擁有不同的技能和興趣；傳統的博雅教育並不適合所有人，我們也不希望社會上的每個人都持有完全相同的觀點。此外，大學的許多做法實際上只是在發出信號。進入哈佛、麻省理工或耶魯大學，只不過是為名校光環買單；雖然這對個人有益，但對社會可能沒有那麼大的價值。此外，現在每所大學都意識到必須改變其教育和培訓方式，但這種改變在高中和初中卻遠未發生；他們甚至更加落後於時代。美國出現了一種現象，即許多學生在進入大學時準備不足，而且這種情況正在惡化。他曾為經濟學本科生編寫教材，對此深有體會，因為許多大學被迫開設越來越多的補習課程。現有證據也表明，人工智慧正在使國中和高中的學習變得更加困難。當然，目前的證據還處於早期階段，但問題只會越來越嚴重，那麼一般人究竟該學習什麼呢？
阿西莫格魯完全同意需要更多學科知識，因為通用人工智慧不會立即到來。我們比以往任何時候都更需要人類的創造力，而沒有堅實基礎的創造力只不過是空中樓閣。他給出的具體建議是學習數學；不要因為人工智慧已經能夠解決複雜的數學問題而感到氣餒。我們需要提升人類的數學素養，這將至關重要。我們還必須學習物理學、經濟學和工程學；這些領域將會大放異彩。同時，人們必須培養彈性，因為即使在同一個職業中，隨著科技和社會環境的發展，工作內容也會改變。他還補充說，人們應該將非線性職業道路的概念正常化。
阿西莫格魯對此深表贊同，並強調了兩個原則：首先，我們必須從中學甚至小學開始教授使用人工智慧的技能；其次，我們必須更加重視公民責任。他指出，在美國和世界大部分地區，我們已經失去了真正的社區意識；人們退回到資訊回音室中，而社群媒體助長了這種趨勢。這也是他在探討自由民主現狀的新書中的一個重要主題——我們必須將社區置於自由民主社會的中心。
他既不盲目樂觀，也不盲目悲觀，而是努力保持希望。這種希望源自於兩件事：一是人類無限的適應能力，二是即使在這個兩極化的世界裡，各方在公平和道德方面也擁有高度共識。因此，我們必須透過溝通澄清共識，避免將對方視為敵人，並認識到即使是深刻的分歧也是建立在同一條船上的。
節目中還有另一個細節：主持人提到雷·達裡奧曾說過，人工智慧有 25% 的機率會讓事情變得非常非常糟糕。阿西莫格魯的回答很有意思；他說，由於他比較樂觀，所以他認為這件事有 25% 的可能性會非常糟糕，但有 75% 的可能性會非常成功，兩者之間沒有太多灰色地帶。他歡迎頂尖研究人員願意公開表達他們的擔憂，並欽佩這種直言不諱的勇氣。然而，他個人更關心的不是達利歐、馬斯克或克拉克斯頓所描述的生存風險，而是社會上普遍存在的關於人工智慧失控的危機感。這裡所說的「失控」指的是由於人工智慧而導致大眾、工人、學生和家長失去對自己生活的掌控權，但這並不一定是因為人工智慧已經真正成為一個超級智慧和獨立的實體。部分原因在於公司如何開發、使用和推廣它。
主持人隨後提起一個舊帳號，問道：「你曾經用 -10 到 +10 的等級給人工智慧打分，你給了 -6 分。從那以後，情況變得更糟了嗎？」
他說他不這麼認為。他認為，在 2024 年和 2025 年，人工智慧可能會造成重大混亂，因為尚不清楚改進會面臨哪些瓶頸；發展速度很快，危險也隨之而來。但現在，人工智慧能帶來的益處正變得越來越清晰。我們需要做的是引導和利用它。人工智慧不能由少數人決定，即使他們非常聰明且出於好意。這件事太重要了，不能只交給少數人來做；那我們該如何繼續前進？阿西莫格魯的答案是訊息——從訊息和敘述開始。
然後，他說了些有點冒險的話：批評世界上最大的把關人。在他看來，最令人失望的機構無疑是媒體。媒體在促進關於人工智慧的真正知情辯論方面做得非常糟糕，過去十年裡，他們要麼把像伊隆馬斯克這樣的人當作不可指責的神，任何批評只會讓他們更加高人一等。他們將人工智慧描繪成迷人、炫目、絕對精彩的。或者，他們將人工智慧視為敵人，稱其為隨機鸚鵡或殺手機器人。人們可以參與其中，了解各種議題，並履行他們作為消費者和民主公民（未來的守護者）的職責，而這種中間立場卻從未被培養。幾乎所有新聞機構都是如此。
投資、商業機遇與倫理準則
Da Fei: 接近尾聲時，主持人問了一些非常實際的問題。第一個問題是：「聽到這個消息，你打算如何處理自己的積蓄？」
他說情況並沒有太大變化；他努力保持投資組合的平衡。要克服市場極為困難；這需要高超的技能、大量的時間投入或內部消息。他既沒有那麼多時間，也沒有內幕消息。
第二個問題：展望 2035 年，如果一切順利，目前每天在電腦前工作八小時的知識工作者，典型的一天會是什麼樣的呢？
他表示自己無法確定，但他可以完全設想一個樂觀的未來，即人們工作時間略有減少，但生產力仍然非常高；以及一個令人擔憂的未來，即許多人失去有意義的工作。他預見到人們仍然會去辦公室上班，或採用混合辦公模式，但隨著真正互補型人工智慧的出現，我們的工作方式也發生了顯著變化。無論哪種情況，人類的創新和才能仍然是核心。他提醒我們，即使不考慮人工智慧，我們也正處於一個極其動盪的時期：氣候變遷、人口老化、地緣政治格局的演變以及發展中國家不斷壯大的中產階級——所有這些都需要新的產品、服務、任務、市場方法和組織模式。那麼，誰來承擔這項任務呢？這不是人工智慧的問題，而是人的問題。如果我們能夠幫助這些人釋放更大的創造力，那將是一件非常了不起的事情。
這是一個與我們的錢包直接相關的問題：當每個人都看到驚人的財富被創造出來時，那些想要參與其中的人究竟該怎麼做？
阿西莫格魯的判斷很直接：儘管大量資金湧入前沿實驗室，但他真的不明白基金會模式如何能產生巨額利潤。
主持人插話道：「那我們會看到一些 IPO 以失敗告終嗎？」
他說，短期內不會。市場熱情仍然高漲，但他真心認為基礎模型不會創造數兆美元的價值，因為模型開發和部署方面存在潛在的瓶頸。即使這些瓶頸沒有出現，下一層樓的開源模型也會表現得異常出色，這限制了獲利機會。他指出，真正的商機在於高品質的數據和應用；如果你的公司或業務線擁有大量數據，你必須精心培育和利用這些數據，甚至要建立更好的數據。在收集資料時，您還必須向產生這些資料的員工提供公平的報酬。這不僅是公平之舉，也是明智的商業決策。在應用層面的優勢同樣顯而易見；只要應用程式具有真正的創意，能夠填補市場空白，開放模式就很難被複製。對於專業人士，他的建議是保持靈活，加深對人工智慧的理解，同時保護自己的創造力和專業基礎。
主持人補充說，員工還必須意識到他們是數據的來源，因為多年來他們一直在與客戶和產品打交道。
阿西莫格魯也強調了一個關鍵因素：在開發應用程式的過程中，許多隱性知識都掌握在第一線員工手中。你不能只是坐在辦公室裡盯著電腦，指望強大的 AI 能想出一些應用程式；你必須深入一線，親自與員工進行深入交流。
最後，主持人問他，他說的「將來在人工智慧公司工作的學生需要有堅定的道德準則」是什麼意思。
阿西莫格魯以基因編輯為例，指出這是一項取得了重大突破的驚人技術，但大多數進入醫學或相關領域的人都知道，這是一項道德上模稜兩可的嘗試。從美國國立衛生研究院到美國衛生局局長和美國醫學會，各監管機構都發布了普遍適用的道德準則。例如，生殖細胞編輯目前已被禁止，因為它太危險，風險過高。人工智慧領域同樣需要這樣的道德準則，但不幸的是，我們目前還缺乏這樣的準則。大多數致力於人工智慧的人都認為他們正在造福人類，並且他們完全相信這些最初的意圖。他認識的幾乎從事這一領域的每個人都懷著美好的願望，並相信他們正在為自己和社會尋求福祉。然而，問題在於沒有明確的道德準則，而這正是他想要一再強調的。
聽完整個訪談後，我印象最深刻的是這位諾貝爾獎得主的克制；他沒有否認人工智慧的變革力量，也沒有隨波逐流或大肆宣傳，而是做了一件根本性的事情：清理帳目。替換員工還是賦予員工權力——二者之間究竟存在著怎樣的權衡？僅僅專注於自動化還是同時創造新的任務——哪條路才能通往共同繁榮？技術模型和垂直應用領域的利潤池究竟在哪裡？這些問題其實並不難，但總得有人反覆問下去。人工智慧最終會使人類效率更高，還是會導致許多人失去有意義的工作？答案可能就隱藏在每個企業、每個開發者和每個普通人所做的選擇中。你們不妨問問自己：如果你是老闆，你會把精力花在替換員工上，還是花在提升員工能力？