Transcription
大家好。下午好，早上好。我很高兴能成为被选中向大家介绍我们桌旁这群杰出人士的人。我认为他们是当今地球上最聪明、最有影响力的人中的六位。而且我认为这并非夸大其词。他们是 2025 年伊丽莎白女王工程奖的获奖者。今天我们在这里表彰的获奖者，是因为他们对当今人工智能技术产生的独特影响。鉴于你们在先进机器学习和人工智能领域的开创性成就，以及你们帮助构建的创新正在塑造我们今天的生活，我认为大家都很清楚为什么让你们齐聚一堂是一个非常难得且令人兴奋的机会。对我个人而言，我非常期待听到你们反思我们正处于的这个时刻，这个每个人都在努力领先和理解的时刻，以及你们的旅程，将你们带到今天的旅程。嗯，同时也想了解你们的工作以及你们个人是如何相互影响、影响彼此以及你们建立的公司和技术的。最后，我很想听听你们的看法，展望未来，嗯，并帮助我们所有人更清楚地看到即将发生的事情，而你们是最适合做这件事的人。所以，我非常高兴今天你们能和我们在一起，并期待这次讨论。所以，我将从宏观到微观开始。我想听听你们每个人在职业生涯中遇到的一个个人“啊哈”时刻，你认为这个时刻对你的工作产生了影响，或者是一个转折点，让你走上了今天坐在这里的道路，无论是在你职业生涯的早期研究中，还是在最近。你知道，你的个人觉醒时刻是什么，它对我们应该从你这里开始的技术产生了影响吗？是的>> 谢谢，很乐意。我将讲两个时刻。一个是我还是研究生的时候，我在寻找有趣的研究课题，我读了杰夫·辛顿的一些早期论文，我心想，哇，这太令人兴奋了。也许有一些简单的原则，就像物理定律一样，可以帮助我们理解人类智能，并帮助我们构建智能机器。我想谈的第二个时刻是两年前，在 ChatGPT 发布之后，我意识到，哦不，我们在做什么？如果我们制造出理解语言、有目标但我们不控制这些目标的机器，会发生什么？如果它们比我们聪明，会发生什么？如果人们滥用这种力量，会发生什么？所以，这就是为什么我决定彻底改变我的研究议程和我的职业生涯，尽我所能来解决这个问题。>> 这两个时刻非常……你知道，截然不同，非常有趣。构建，你能告诉我们你关于构建正在为我们拥有的一切提供动力的基础设施的时刻吗？>> 我也会给你两个时刻。第一个是在 90 年代末，我在斯坦福大学试图弄清楚如何克服当时所谓的“内存墙”。从内存中访问数据的成本比进行算术运算要高得多。我突然想到将计算组织成由流连接的内核。这样你就可以进行大量的算术运算，而无需进行大量的内存访问。这基本上为后来的流处理和最终的 GPU 计算铺平了道路。嗯，我们最初构建它是为了将 GPU 应用于图形以及一般的科学计算。第二个时刻是我在斯坦福大学和我的同事吴恩达一起吃早餐，当时他在谷歌工作，利用 16,000 个 CPU 和一种叫做神经网络的技术在互联网上寻找猫。>> 这与那些有什么关系吗？>> 是的，嗯，他基本上说服了我，这是一项很棒的技术。所以我和布莱恩·肯佐在英伟达的 48 个 GPU 上重复了这个实验，当我看到结果时，我完全确信这就是英伟达应该做的事情。我们应该构建我们的 GPU 来进行深度学习，因为这在寻找猫之外的各种领域都有巨大的应用。那是一个真正的“啊哈”时刻，开始非常努力地专注于为深度学习专门化 GPU，并使它们更有效。>> 那是什么时候？哪一年？>> 嗯，早餐是在 2010 年，我想我们在 2011 年重复了这个实验。>> 好的。>> 是的。>> 杰夫，告诉我们你的工作。一个非常重要的时刻是，大约在 1984 年，我尝试使用反向传播来学习一系列单词中的下一个单词。那是一个非常小的语言模型，我发现它能学习到有趣的词语含义的特征。所以，仅仅给它一串符号，通过预测字符串中的下一个符号，它就能学会如何将单词转换为一组捕捉单词含义的特征，以及这些特征之间的相互作用来预测下一个单词的特征。>> 所以，那实际上是 1984 年底的一个小型语言模型，我认为它是这些大型语言模型的前身。基本原理是相同的。只是它很小。我们有 100 个训练样本。但花了 40 年才让我们走到今天。>> 并且花了 40 年才走到今天。之所以花了 40 年，是因为我们没有计算能力，也没有数据，而且当时我们不知道。我们无法理解为什么我们不能仅仅用反向传播解决所有问题。>> 这就引出了詹森。我们 40 年没有计算能力，而现在你正在构建它。告诉我们你真正清晰的时刻。嗯，对我来说，我是我那一代的芯片设计师，能够使用更高级别的表示和设计工具来设计芯片。而那个发现，嗯，在我了解到一种新的软件开发方式时很有帮助，大约在 2010 年左右，同时来自三个不同的实验室，嗯，多伦多大学的研究人员联系了我们，纽约大学的研究人员也联系了我们，以及斯坦福大学的研究人员也同时联系了我们。我看到了深度学习的早期迹象，大约在同一时间，使用一个框架和结构化设计来创建软件，而那个软件被证明非常有效。而第二个观察是，再次使用框架、更高级别的表示、结构化类型，比如深度学习网络。我能够开发软件，对我来说，这与设计芯片非常相似，而且模式也非常相似。我当时意识到，也许我们可以开发出能够很好地扩展的软件和功能，就像我们多年来扩展芯片设计一样。所以，那对我来说是一个相当重要的时刻。>> 你认为芯片真正开始帮助扩展我们今天拥有的 LLM 是什么时候？因为你说了 2010 年，那仍然是 15 年。>> 是的。关于英伟达的架构，一旦你能够让某个东西在 GPU 上运行良好，因为它变得并行化了，你就可以让它在多个 GPU 上运行良好。那种将算法扩展到在一台 GPU 上运行多个处理器的思路。这与在多个 GPU 上运行，然后现在是多个系统，实际上是多个数据中心，是相同的逻辑和推理。所以，一旦我们意识到我们可以有效地做到这一点，那么其余的就是想象一下这项能力可以推断到多远。你知道，我们有多少数据？网络可以有多大？它可以捕捉多少维度？它可以解决什么样的问题？嗯，所有这些在那个时候都真的是工程问题。你知道，深度学习模型如此有效的观察，真的是火花。其余的都是工程推断。菲，告诉我们你的时刻。>> 是的，我也有两个时刻要分享。大约在 2006 年和 2007 年，我从研究生转变为年轻的助理教授，我是第一批机器学习研究生之一，阅读了年轻的约书亚、杰夫的论文，我非常痴迷于试图解决视觉识别的问题，也就是机器在日常图片中看到物体含义的能力。我们一直在机器学习中为“泛化性”这个问题而苦苦挣扎，也就是说，在学习了一定数量的例子后，我们能否识别出新的例子？我尝试了从贝叶斯支持向量机到神经网络的所有算法，而我的学生和我意识到缺失的一块是数据。你知道，如果你看看像人类这样的智能动物的进化或发展，我们在早期就充斥着数据，但我们的机器却缺乏数据。所以，我们当时决定做一件疯狂的事情，在三年内创建一个名为 ImageNet 的互联网规模数据集，其中包含 1500 万张由世界各地的人们手工标注的图片，涵盖 22,000 个类别。所以，对我来说，当时的“啊哈”时刻是大数据驱动机器学习。>> 而现在，它是……它是今天我们看到的所有算法的限制因素和构建块。>> 是的，它是今天人工智能的规模定律的一部分。第二个“啊哈”时刻是 2018 年，我是谷歌云人工智能的首席科学家。我们所做的工作是服务于各种行业，从医疗保健到金融服务，从娱乐到制造业，从农业到能源。那是我们称之为 ImageNet Alex 时刻的几年后，在 AlphaGo 之后几年。我意识到>> AlphaGo 是能够击败人类的围棋算法。>> 是的，作为谷歌的首席科学家，我意识到这是一项文明技术，将影响到每一个人以及商业部门。如果人类要进入人工智能时代，那么指导框架是什么，以便我们不仅创新，还能通过这项强大的技术为每个人带来仁慈？那时我回到斯坦福大学担任教授，共同创立了以人为本的人工智能研究所，并提出了以人为本的人工智能框架，以便我们能够将人类和人类价值观置于这项技术的核心。>> 所以，在开发的同时也关注影响和下一步，而这正是我们其他人的用武之地。>> 嗯，闫，你想为我们收尾吗？你的亮点是什么？>> 是的，可能要追溯到很久以前。我意识到在我本科的时候，我对人工智能和更普遍的智能问题很着迷，并发现 50 年代和 60 年代的人们在训练机器而不是编程它们。我被这个想法深深吸引，也许是因为我认为自己要么太笨，要么太懒，无法从头开始构建一个智能机器。所以，最好让它自己训练自己或自我组织，而这就是生命中的智能的构建方式。它是自我组织的。所以我认为这个概念非常迷人，当我从工程学毕业时，我找不到任何人。我当时是做芯片设计的，想去读研究生。我找不到任何人在这方面工作，但与一些对此感兴趣的人取得了联系，并发现了杰夫的论文，例如，他是 1983 年我开始读研究生时世界上我最想见到的人，我们两年后见面了。>> [清嗓子]>> 而今天你们是朋友，你会这么说吗？>> 是的。哦，我们，我们，我们 [笑声] 在 1985 年一起吃午饭，我们能说出对方的句子。基本上，他有一篇用法语写的论文，他在一个会议上是主题演讲者，我设法解读了数学。这有点像反向传播，用于训练多层网络。从 60 年代起就已知，机器学习的局限性在于我们无法训练多层机器。所以，这确实是我的痴迷，也是他的痴迷。我有一篇论文，提出了一种方法，他设法读懂了数学。所以，这就是我们如何联系起来的。>> 而这让你走上了这条路。>> 对。然后，你知道，一旦你可以训练像这样的复杂系统，你就会问自己问题。那么，我如何构建它们才能做一些有用的事情，比如识别图像或类似的东西呢？当时，我和杰夫在 80 年代末在他那里做博士后时有过一场辩论。我认为唯一被很好地阐述的机器学习范式是监督学习。你向机器展示一张图像，然后告诉它答案。他说不，不，不，我们取得进展的唯一方法是通过无监督学习。当时我有点不屑一顾。嗯，[哼了一声] 然后在 2000 年代中期，当我和约书亚开始重新引起社区对深度学习的兴趣时，我们实际上打赌了无监督学习或自我强化循环。对？>> 这不是强化学习。所以，这基本上是在没有训练机器完成任何特定任务的情况下发现数据中的结构，顺便说一句，这就是 LLM 的训练方式。所以，LLM 被训练来预测下一个单词，但这并不是一个真正的任务。它只是系统学习一种好的表示或捕获……>> 难道没有奖励系统吗？抱歉，有点技术化，但有没有什么能说“这是正确的，所以继续这样做”？>> 如果你正确预测了下一个单词，那就是正确的，对？>> 来自强化学习的奖励，你说“那很好”。>> 是的，好的。>> 嗯，事实上，我要责怪你 [笑声] 结果产生了名为 ImageNet 的大型数据集，它是带标签的，所以我们可以使用监督学习来训练系统，结果证明效果比我们预期的要好得多。所以，我们暂时放弃了所有关于自我监督学习的工作，因为监督学习效果非常好，我们发现了一些技巧 [笑声]。>> 约书亚坚持了下来。>> 我说我没有。>> 不，你没有。我也没有，但是 [笑声] 但它重新聚焦了整个行业和研究界，如果你愿意的话，聚焦于深度学习、监督学习等。嗯。>> 又过了几年，大约在 2016-2017 年，我们才告诉人们，这不会带我们去我们想去的地方。我们需要做自我监督学习，而这正是 LLM 的最佳例子。>> 好的。>> 但我们现在正在做的是将其应用于其他类型的数据，比如视频传感器数据，而 LLM 在这方面确实不太好。嗯，这是未来几年的新挑战。所以，这实际上将我们带到了现在，我认为你们都看到了人们对人工智能的兴趣激增，他们以前对人工智能一无所知，现在每个人都在涌向它，这已经不仅仅是技术创新了，它已经成为一个巨大的商业热潮，它已经成为一个地缘政治战略问题。嗯，你知道，每个人都在试图弄清楚这是什么。所以，詹森，我先找你。我想让你们所有人都反思一下现在这个时刻，尤其是在英伟达，它几乎每天、每小时、每周都在新闻中，你已经成为世界上最有价值的公司，所以人们想要什么。>> 你会很高兴听到这个。>> 是的 [笑声]。你知道，告诉我，你是否担心我们正处于人们不太理解的境地，我们都过于乐观了，将会有一个清算，一个泡沫将会破裂，然后它会自我纠正。如果不是，那么来自人工智能的需求与互联网时代有什么最大的误解，或者人们不理解？你知道，如果不是这样的话。>> 在互联网泡沫时期，部署的光纤绝大多数是暗的，也就是说，行业部署的光纤比需要的要多。嗯。>> 今天，几乎你能找到的每一个 GPU 都在运行并被使用。所以，我认为后退一步理解人工智能很重要。你知道，对很多人来说，人工智能就是 ChatGPT 和图像生成，而这都是真的。这是它的一个应用。嗯，人工智能在过去几年里取得了巨大的进步。它不仅能够记忆和泛化，还能够推理、有效地思考并通过研究来 grounding 自己。它能够产生答案并做现在更有价值的事情。它更有效。而且，能够建立有益于其他企业的公司的数量。例如，我们使用的一家名为 Cursor 的人工智能软件公司，他们非常盈利，我们大量使用他们的软件，它非常有用。或者像 Bridged 或 Open Evidence 这样的公司，它们服务于医疗保健行业，做得非常好，取得了很好的成果。所以，人工智能的能力已经大大增强，因此我们看到了这两个指数同时发生。一方面，产生一个答案所需的计算量急剧增加；另一方面，这些人工智能模型的用法也在急剧增加。这两个指数导致了对计算的巨大需求。现在，当你后退一步，问自己人工智能与过去的软件行业有什么根本区别。嗯，过去的软件是预编译的，软件所需的计算量不高。>> 但为了让人工智能有效，它必须是上下文感知的。它只能在当下产生智能。你不能提前生成它然后检索它。那叫做内容。人工智能必须实时生成。因此，结果是，我们现在有一个行业，其中生产有价值且需求量大的东西所需的计算量相当可观。我们创造了一个需要工厂的行业。这就是为什么我提醒自己，人工智能需要工厂来生产这些 token，来生产智能。而这是……你知道，这是前所未有的，计算实际上是工厂的一部分。嗯，我们需要数千亿美元的这些工厂来服务于建立在智能之上的数万亿美元的行业。你知道，你再回过头来看看过去的软件。过去的软件是软件工具。它们由人们使用。人工智能是第一次增强人类的智能。因此，它解决了劳动力问题，它解决了工作问题，它完成了工作。>> 所以，你的意思是，不，这不是泡沫。>> 我认为我们正处于智能构建的开始阶段。嗯，事实是，今天大多数人仍然不使用人工智能。在不久的将来，几乎我们所做的一切，你知道，一天中的每一刻，你都会以某种方式与人工智能互动。所以，在我们今天使用率很低的地方，到我们将来使用率基本上是连续的地方，这种构建就是……你知道，它是什么。>> 即使 LLM 的跑道耗尽了，你认为 GPU 和你正在构建的基础设施仍然可以在不同的范式中使用吗？然后我想请其他人谈谈。LLM 是人工智能技术的一部分。你知道，人工智能是模型系统，不仅仅是 LLM，LLM 是其中重要的一部分，但它们是模型系统。嗯，人工智能比今天更具生产力所需的技术。我们还有很多技术需要开发。>> 谁想对此发表意见？>> 嗯，我不认为。>> 特别是如果你不同意。我不认为我们应该再称它们为 LLM 了。它们不再是语言模型了。它们>> 对。>> 至少在预训练阶段是语言模型，但最近在将它们制成代理方面取得了很大进展。换句话说，通过一系列步骤来完成某项任务，与环境、与人进行交互，现在通过对话，但越来越多地通过计算基础设施。技术正在改变。它与三年前完全不同。我认为我们无法预测两三年、五年、十年后技术会是什么样子。嗯，但我们可以看到趋势。我正在做的一件事是试图召集一个国际专家小组，以跟踪人工智能的发展方向、风险以及如何缓解这些风险。嗯，趋势在许多基准测试中都非常清晰，你知道，因为我们在过去的技术改进方面取得了如此大的成功，但这并不意味着未来会如此。那么，如果期望没有实现，就会产生财务后果。但从长远来看，我完全同意。嗯。>> 但目前，你们其他人呢？你们认为估值是否合理，就你们对技术和应用的了解而言？>> 我认为有三个趋势可以解释正在发生的事情。第一个是模型越来越高效。如果你只看注意力，从直接注意力转向 GQA 再转向 MLA，你用更少的计算就能获得相同或更好的结果。然后，这会以一些以前太贵现在变得便宜的方式驱动需求。你可以用人工智能做更多的事情。同时，模型越来越好，你知道，也许它们会继续用 Transformer 变得更好，或者可能会出现新的架构，但我们不会倒退。我们将继续拥有更好的模型，而且>> 即使如此，它们仍然需要 GPU。>> 绝对是基于 Transformer 的。>> 嗯，事实上，这使得它们比更专业的设备更有价值，因为它们更灵活，而且它们能更好地与模型一起发展。但最后一点是，我认为我们才刚刚开始触及应用的表面。几乎人类生活的每个方面都可以通过人工智能的协助来改善，你知道，帮助某人在他们的职业生涯中，帮助他们在日常生活中，而且，我认为我们已经开始触及最终需求的 1%。随着这种需求的扩大，你知道，使用量将会增加。所以，我不认为这里有任何泡沫。我认为，正如詹森所说，我们正在经历一个多重指数增长，而我们正处于它的开始阶段，而且它将继续下去。>> 在某种程度上，英伟达也处于其中，因为即使这种范式发生变化，并且存在其他类型的人工智能和其他架构，你仍然需要底层的原子。所以，这对你来说是有道理的。你想补充一下吗，菲？>> 是的，我认为，当然，从市场角度来看，它会有自己的动态，有时它会自我调整，但如果你看长期趋势，不要忘记人工智能总的来说仍然是一个非常年轻的领域，对吧？我们走进这个房间，墙上有物理学的方程。物理学已经是一门拥有 400 多年历史的学科。即使我们看现代物理学，人工智能的寿命不到 70 年，如果我们追溯到艾伦·图灵，大约是 75 年，所以还有很多新的前沿等待着。你知道，詹森和约书亚谈论 LLM 和代理，那些更多是基于语言的，但即使你进行人类智能的自我反省，也有超越语言的智能能力。我一直在研究空间智能，它实际上是感知和行动之间的联系，你知道，人类和动物在感知、推理、与世界互动和创造世界方面拥有令人难以置信的能力，远远超出了语言。即使是当今最强大的基于语言的或基于 LLM 的模型，在基本的空间智能测试中也会失败。所以，从这个角度来看，作为一个学科，作为一个科学，还有更多的前沿需要征服和开放，这带来了应用，你知道，打开了更多的应用。>> 是的。你在一家公司工作，所以你既是研究员又是商业人士，拥有双重视角。你同意吗？你相信这一切都是合理的，你能看到这一切的根源，还是你认为我们正走向终点，需要找到一条新路？>> 我认为有几种观点认为我们不在泡沫中，至少有一种观点认为我们在泡沫中，但它不同。所以，我们不在泡沫中，因为有很多基于 LLM 的应用需要开发。LLM 是当前的主流范式，有很多可以挖掘的。你知道，这是比尔所说的，帮助人们在日常生活中使用当前技术，这项技术需要被推动，这证明了所有在软件和基础设施方面的投资都是合理的。一旦我们有了智能的可穿戴设备，每个人手中都有，在他们的日常生活中提供帮助，那么所需的计算量，正如詹森所说，为所有这些人服务，将是巨大的。所以，从这个意义上说，投资并没有浪费。但有一种意义上存在泡沫，那就是某种程度上，当前的 LLM 范式将被推向拥有人类水平智能的程度，我个人不相信这一点，你也不相信。我们需要一些突破，才能拥有我们观察到的那种智能，不仅在人类身上，也在动物身上。我们还没有像猫一样聪明的机器人，对吧？嗯，所以我们仍然缺少一些重要的东西。这就是为什么人工智能的进步不仅仅是更多的基础设施、更多的数据、更多的投资和当前范式的更多发展的问题。它实际上是一个科学问题，我们如何朝着下一代人工智能迈进？>> 这就是你们都在这里的原因，因为你们实际上引发了这一切，我觉得，你知道，我们正朝着工程应用方向发展，但你们说的是我们需要回到最初是什么让你们来到这里。关于人类水平智能的问题，我们时间不多了。所以，我想快速问一下，我很好奇，你们每个人能否说一下，你们认为要达到你们认为与人类或甚至像章鱼这样的聪明动物相当的机器智能需要多长时间？我们离那个点还有多远？只是几年。>> 这不会是一个事件。>> 好的。>> 好的。>> 因为能力将在各个领域逐步扩展。>> 在什么时间段内？>> 在，你知道，也许在接下来的五到十年里，我们将取得一些重大进展，提出新的范式。>> 然后，也许，你知道，会有进展。但会比我们想象的要长。好的。机器的某些部分将超越人类智能，而机器智能的某些部分将永远不会与人类智能相似或相同。它们是，它们是为不同的目的而构建的，它们将>> 我们什么时候才能超越？>> 其中一部分已经在这里了。有多少人能识别世界上 22,000 个物体？所以，一部分>> 你不认为成年人类可以识别 22,000 个物体吗？>> 嗯，那种粒度和保真度。不。有多少成年人类可以翻译 100 种语言？>> 那更难。是的。>> 所以，是的。>> 所以，我认为我们应该细致入微，并基于科学事实，就像飞机飞行一样，但它们不像鸟一样飞行。嗯，基于机器的智能将做很多强大的事情，但人类智能在我们的社会中始终扮演着至关重要的角色。詹森，你有什么？>> 我们拥有足够通用的智能，可以在未来几年内将技术转化为大量的社会有用应用，关于>> 是的。>> 是的。是的，我们今天就在做。>> 是的。所以，我认为，我认为，嗯，我们已经到了。>> 和二，另一部分的答案是，这不重要。>> 因为在这一点上，这有点像学术问题。我们将应用这项技术，这项技术将不断改进，我们将应用这项技术来解决很多非常重要的事情。所以，好的。>> 我认为答案是，这不重要。>> 而且，现在也是。>> 是的，你决定。对。如果你稍微调整一下问题，问机器多久才能赢得与你的辩论？>> 我认为这肯定会在 20 年内发生。我们还没有到那里，但我认为在 20 年内肯定会发生。所以，如果你将它定义为>> AGI，它将永远赢得与你的辩论。>> 我们将在不到 20 年内实现这一点，可能。>> 好的。比尔，你有什么？>> 是的。嗯，我有点像詹森那样，认为这是个错误的问题，对吧？因为我们的目标不是制造人工智能来取代人类或比人类更好。>> 但这是一个科学问题。我们不是要取代人类。问题是我们作为一个社会能否构建一些东西？>> 但我们的目标是构建人工智能来增强人类。所以，我们想做的是补充人类擅长的事情。人类无法识别 22,000 个类别，或者我们大多数人无法解决这些数学奥林匹克问题。嗯，所以我们构建人工智能来做这些。所以，人类可以做人类独有的事情，那就是有创造力、有同情心，并理解如何与我们世界中的其他人互动。而且，我认为我并不清楚人工智能是否会永远做到这一点，但人工智能可以极大地帮助人类。>> 所以，我要说句不同意见。我认为没有理由我们不能在某个时候构建出几乎能做我们能做的一切的机器。嗯，当然，目前在空间和机器人方面，它有所滞后，但没有概念上的原因我们不能。所以，关于时间线，我认为有很多不确定性，我们应该相应地计划。嗯，但有一些数据我发现很有趣，我们看到人工智能在不同视野上进行规划的能力在过去六年里呈指数级增长。如果我们继续这个趋势，它将大致相当于员工在工作中承担的水平，在大约五年内人工智能就能做到。现在，这只是工程任务的一个类别，还有许多其他重要的事情。例如，有一件事可能会改变游戏规则，那就是许多公司都致力于专注于人工智能进行人工智能研究的能力。换句话说，进行工程，进行计算机科学，并设计下一代人工智能，包括改进机器人和空间理解。所以，我不是说这会发生，但人工智能在编程和算法理解方面的能力正在飞速发展，这可能会解锁许多其他事情。我们不知道，我们应该保持真正的虚无主义，不要做出大的声明，因为那里有很多可能的未来。嗯，所以，我们的共识是，在某些方面，我们认为未来就在今天，但永远不会有一个时刻，而你们今天在这里的工作有助于引导我们走上这条道路，直到我们达到与这些系统协同工作的地步。我个人非常期待看到我们将走向何方。如果我们明年再做一次，世界将大不相同。但非常感谢你们的加入，分享你们的故事，并与我们一起探讨这个巨大的革命性时刻。谢谢。谢谢。>> 谢谢。