被譽為“深度學習之父”的傑弗裏·辛頓75歲了，今年的智源大會閉幕式上，他發出感慨，“我已經老了，未來交給年輕人”。
他說，“我所希望的是像你們這樣年輕有為的研究人員，去想出我們如何能夠擁有這些超級智能，使我們的生活變得更好，而不是被它們控製。”
辛頓的此番感慨流露出兩層含義：其一，計算機科學的發展完整的經曆了一代人，現在是交接班的時候了；其二；計算機科學的發展是一個漫長的過程，通往服務人類的超級人工智能時代，需要無數的後來者上下求索。
辛頓之前，包括約翰·科克、佛瑞德·布魯克斯、道格拉斯·恩格爾巴特在內，大批計算機科學先驅悄然“離場”，辛頓之後，又有楊立昆、約書亞·本吉奧、莎菲·戈德瓦瑟等一批“年輕一代”科學家走向台前。
其中，以莎菲·戈德瓦瑟為代表的女性科學家，已成為這項前沿科學不可或缺的力量，林詠華就是我所認識的女性科學家中的一位。
林詠華是智源研究院副院長，兼總工程師，從業超過20年，就職IBM期間力推人工智能係統創新，也是IBM全球傑出工程師。
圖為智源研究院副院長，兼總工程師 林詠華
對於今天“萬模大戰”，林詠華回想到了上一個被追捧的“AI時代”，她說“今天我們看到的場景，10年前計算機視覺領域就曾經出現過。”
計算機視覺的創業潮，在2017年進入巔峰，但是在2020年之後進入穀底，而對於這樣的潮起潮落，林詠華說，“10年前，資本、創業團隊對AI在計算機視覺領域的‘刷榜’過度追捧，但過去10年它的產業落地沒有想象得繁華，行業拓寬速度不斷放慢。”
在林詠華看來，今天以大模型為代表的這波創業浪潮，大家要思考的是“如何讓它保持上升的走勢，而不是潮起後很快走向潮落。”
過去，林詠華在IBM做小模型的研究，她說2-3天就可以完成一個幾百萬、甚至是上千萬參數模型的訓練，但今天動輒百億、千億參數的模型規模，試錯成本則太高，很難在初期預測2-3個月後的結果，也難以在訓練過程中做大幅修正，林詠華把這個形象比喻為“船大難掉頭”。
針對時下最具爭議性的“人工智能取代論”，林詠華的看法非常激進，她說“10年前，我們推出的“AI for
AI”的平台產品，目的就是替代算法工程師”，林詠華認為藍領被替代的節奏反而慢於白領，也就是腦力勞動者的崗位更容易被替代。她舉例說道，“一個10毫秒可以檢測出來的物體，機器手需要幾秒鍾才能完成抓取，效率遠不如人工，屬於典型的‘肉體趕不上靈魂’”。
而對於計算機的未來和年輕人，林詠華則鼓勵更多的年輕人強化AI+X的能力，探索AI在各個專業領域可以帶來的變革。與此同時，她也呼籲更多女性加入到人工智能的研究當中，“人類智慧的發展，其實就是兩性共同構建過程。女性的思考和角度，必然會驅動AI技術發展的更為完整。她說，自己最近一直在思考如今的大模型已經開始有類人類的認知，如何在基礎模型的訓練過程中，就能把人類的真、善、美注入到AI大模型中，而不是靠訓練到最後的價值觀對齊？
以下為文字精華版，在不改變願意的前提下有刪減調整：
01 AI潮起潮落，10年一個周期
騰訊科技：林院長，今年生成式AI爆火，業內經常提起“萬模大戰”這種形象的比喻，它的關注度堪比互聯網領域的團購、網約車大戰，人工智能也進入了競爭激烈的紅海階段了嗎，過去又經曆了哪些關鍵階段？
林詠華：ChatGPT出來之後的這半年，讓我想起大概十年前，也就是2013年-2015年ImageNet時代，它屬於上一個被追捧的“AI時代”，這個階段，深度學習卷積神經網絡推動了計算機視覺的快速發展。
*2012年，Hinton與其學生Alex Krizhevsky憑借AlexNet奪得當年ILSVRC冠軍，Alex
Krizhevsky（中）、Geoffrey Hinton（右）來源：medium
當時ImageNet比賽“ILSVRC”
，每年的比賽結果都大幅度超越前一年的記錄，直到2015年，ResNet（殘差神經網絡）的錯誤率降低至3.57%，已經低於同類實驗中人眼識別5.1%的錯誤率，當時業界的共識是深度學習為計算機視覺打開了一扇巨大的“機會之窗”，就像今天ChatGPT問世，大家普遍認為可以打開AGI的大門一樣。
編注：ImageNet項目是一個大型視覺數據庫，2010年以來，ImageNet項目每年舉辦一次軟件競賽，即ILSVRC，比賽使用1000個“整理”後的非重疊類別，每個類別1000張圖像，參數軟件程序比拚正確分類和檢測目標及場景。
也就是在這個階段，一批AI團隊加入到創業大潮當中，備受VC追捧，當時這些團隊都紛紛基於ResNet定製修改推出了自己的卷積神經網絡，然後去打榜，無論是參與視覺分類的ImageNet比賽，還是參加目標檢測的COCO比賽，打榜一旦成功，馬上就創業融資，形成了這樣一種模式，和今天的大模型創業有點類似。
2013年依圖創立，2014年底商湯完成天使輪，2015年雲從創立，今天回過頭來看，無論是已上市還是待上市的相關公司，都是在這個時間點創立。
今天我們看到的“百模大戰”的場景，計算機視覺領域10年前就曾經出現過，這波創業浪潮在2017年達到頂峰，根據當時的統計數據，全球獲得融資的AI公司達到4000多家，到2020年下降到600-700家，隨後創業浪潮進入穀底。拐點則是2022年的下半年，大模型、AIGC開始出現。
騰訊科技：也就是說，AIGC這波浪潮還處於上升階段，未來也一樣會進入穀底？
林詠華：過去十年潮起潮落，潛台詞是我們要走好未來十年，至於為什麽出現潮落，是因為初期無論是資本還是創業團隊，對計算機視覺領域“刷榜”的過度追捧，認為計算機視覺無所不能，但真正大範圍落地的隻有人臉識別、車牌識別、工業缺陷檢測這些，而更多的應用，由於準確率或魯棒性沒能達到要求，未得到大範圍使用。正是因為它的產業落地沒有當初想象的繁華，於是行業開始逐步的收縮。
所以在新的十年，在這波大模型浪潮裏，我們需要吸收上一波浪潮的經驗教訓，以便於讓它一直呈保持上升的走勢，而不是很快地出現潮起潮落。
AIGC這個新浪潮之下，回過頭來看，2017年確實是非常值得紀念的一年。
當年計算機視覺創業浪潮到達波峰，IBM提出了AI三大階段：Narrow AI、Broad
AI、AGI，並在年末推出了人工智能辯手機器人“Project
Debater”，當時參與了兩場比賽並拿到了歐洲的辯論冠軍，這個項目和ChatGPT在很多外在能力的表現上是接近的，例如可以跟人交流，針對用戶給出的提問，檢索互聯網信息形成自己的論點，而在人類辯手反駁時，“Debater”具備理解長篇的反駁觀點的能力，再進一步生成辯駁的論點。
*圖為IBM Project Debater 項目原型機 來源：IBM
IBM對“Project Debater”的定位是Broad
AI的雛形。而當時，所有人都認為AGI時代太遠，沒有人知道人類會在哪一年到達IBM所謂的AI第三個階段——AGI時代。
同樣還是2017年底，Google發布了知名的《Attention Is All You
Need》論文，並提出Transformer架構。
所以，今天的這波大模型浪潮並不是憑空而來，在2017年，當前計算機視覺浪潮達到波峰時，其實就已經埋下伏筆，差別在於個各家的實現路徑不一樣，
IBM選擇的是采用深度學習卷積神經網絡，讓機器更貼合人的思維去進行複雜的任務，穀歌嚐試的則是全新的Transformer架構。
騰訊科技：為什麽中間經曆了5年，大家都在做什麽？
林詠華 ：2014年-2015年除了計算機視覺在分類任務上超越了人類，這個階段還有一個非常重要的技術
，也就是遷移學習（Transfer learning）——它也擁有一個基礎模型，可以引入其它領域的數據進行微調訓練（Fine
Tuning）。李飛飛在2021年年底的LLM那篇文章裏麵就提到過，10年前計算機視覺領域就出現了遷移學習這項技術。
所以，計算機視覺領域實際上從2014年開始，就在嚐試將“預訓練基礎模型”+“微調訓練”這種新的技術落地到產業當中。
02 不要重複“造輪子”
騰訊科技：現階段大模型，生成式人工智能，給外界的感知主要集中在聊天機器人、圖片、音頻、視頻生成，像微軟穀歌也陸續在自己的產品線上規模化接入大模型的能力，還有哪些場景未來用戶是可以感知的，又有那些場景用戶是無法感知，但卻會持續受益的？
林詠華：你提到的比如聊天機器人，這些都是典型的to C領域應用，我們也在探索大模型在更龐大的to
B領域應用。
關於可感知的部分，例如企業軟件，尤其是一些銷售、倉儲管理相關軟件，它們的交互界麵非常複雜，需要填大量的表格，但使用的人往往是銷售、倉管這些不是長期在計算機屏幕前工作的人群。我相信通過語言大模型，可以讓整個人機交互變得更加簡單、直接。這些都是用戶可以感知的，它可以大大降低一套新軟件的上手成本，提高人機交互效率。
無法感知的部分，還是以B端技術為例。AI領域存在不同架構的芯片，新架構的芯片需要和現有軟件及其生態進行適配，通常需要用到複雜的編譯器，所以我們也在嚐試通過語言、代碼模型，通過微調訓練，實現從一種語言到另外一種語言的自動生成和轉換，降低適配成本，這些都是非常底層的變化，用戶無法感知到，而恰恰是這種無法感知的變化，價值確很大。
騰訊科技：這樣全行業的應用，可能會在什麽時間點？
林詠華：有可能是未來2-3年。
騰訊科技：一個創業項目，也希望接入大模型的能力，都有哪些可能的途徑？
林詠華：除非資金、技術
、算力等實力雄厚，否則不建議上來就做基礎大模型的自研，它的投入太大了。我建議從選擇第三方的基礎模型或開源基礎模型，通過行業數據進行微調，成為某種行業應用的大模型。然後通過在行業實踐的過程，積累大模型應用的場景、數據和經驗，多次迭代從而提升模型能力，並逐步把技術和應用做深。
騰訊科技：什麽情況下必須要去做自研？
林詠華：無論是GPT4、還是國內像智源“悟道·天鷹”這樣的通用大模型，聚焦的還是通用領域，一旦要進入到特定的行業、領域，就要圍繞當前的賽道進行自主研發。首先，需要使用垂直領域的專業數據對模型進行訓練；其次，需要根據領域的不同，采用差異化的訓練方式；此外，還要考慮到下遊應用的適配。
騰訊科技：您提到開源，我知道悟道3.0也已全麵開源，張宏江理事長與Sam
Altman在QA環節也問了OpenAI的開源計劃，開源的目的是什麽，什麽樣的機構適合做開源？開源動作會給創業者帶來什麽好處，給行業帶來什麽好處，難點在哪裏？
林詠華：開源與閉源沒有對錯之分，這由項目實體的性質決定，屬於機構自主決策，但還是應該鼓勵更多機構去推動大模型開源這件事，假設所有人都去自研通用大模型，需要耗費大量的算力、數據、電力，完全是重複造輪子，不利於社會資源的合理化利用；基礎大模型也決定了垂直領域模型應用能力、認知能力以及產品價值觀等，這也會對社會產生影響，客觀上要求有對應的機構去推動高質量的基礎模型開源。
對於創業者來說，一個靠譜，也就是質量高、安全性好、中英文能力優秀的基礎大模型，會大大縮減時間、資金的投入，反之就會增加各種不確定性的風險。
我們做過統計，現在已經發布的可商用開源語言模型，國外隻有16個，像LLaMA這樣的模型雖然開源，但是它是非商用的，明確要求基於它做微調的模型不能進行商用，國內已經發布的主流中英雙語開源、可商用的基礎大模型，到6月初的時候隻有智源一家。
與此同時，雖然市麵上有很多開源大模型，但大多數都是基於基礎大模型微調出來的對話模型。對於更加基礎、重要的基礎模型，可選的開源模型十分少。截止到6月初，國外的開源基礎模型，隻有LLaMA、Palmyra、MPT-7B、Falcon和RedPajama5家，國內在智源之前則隻有MOSS和CPM-Bee
2家，而後兩者也都不是可商用版本。
也就是說，現在市麵上支持中英文雙語，又支持商用，且符合中文用戶習慣的高質量基礎語言大模型其實是十分欠缺的，這也是智源今年決定把天鷹大模型開源出來的原因。
騰訊科技：“萬模大戰”之下，大家的模型五花八門，智源也推出了“天秤”大模型評測體係及開放平台，這對行業來說有什麽好處，會不會出現專門針對評測體係進行優化的“作弊”的辦法，智源會如何應對？
林詠華：我們的評測體係分了“練習題”和“考試題”，“練習題”已經開源，以便於外部模型順利對接評測體係。
“考試題”則是黑盒子，保存在天秤評測體係當中。“天秤”評測係統要求模型團隊上傳模型進行評分，避免“考試題”泄露。
到目前為止，天秤評測體係題庫中的題目量有8萬多，每一次評測大概會拿2萬多題出來，然後定期動態更換“考試題”。
此外，智源也在不斷擴大天秤評測的寬度。目前已經包括了中英文雙語、多種主、客觀的評測維度，以此規避模型定向優化的問題，如果我們將評測的維度不斷拓寬，就算開發者去迎合我們的評測標準，隻要做得全麵，也是我們希望看到的。
騰訊科技：我注意到智源有個“模型+評測”雙輪驅動的提法，它可以達到什麽效果？
林詠華：“模型+評測”雙輪驅動是智源做大模型時提出的一種發展模式，就像設計軟件，訓練模型之前從多個維度去製定它的能力範疇，後續無論是訓練、評測都圍繞這個能力範疇去推進，以便於模型訓練到一定程度，它的能力維度與評測體係是相符合的。
舉個例子，孫悟空有“72變”，在評測的時候就需要按照“72變”的維度去進行，檢測模型哪些能力是欠缺的，以便於在後續的訓練過程中及時的對包括超參數、訓練數據進行調整，包括對單一維度分值曲線的跟蹤。
簡單來說就是評測驅動訓練，保證模型的全麵發展。
騰訊科技：這算不算“邊走邊看”的邏輯？
林詠華：對，大模型訓練亟需工匠精神，需要不斷的打磨、精煉。我們在整個過程中，每天都會對至少兩個模型的過程版本（Check
Point）進行評測。
03 大模型“船大難掉頭”
騰訊科技：您從之前在IBM做“小模型”，和在智源做“大模型”，最大的不同是什麽？
林詠華：難度不一樣，大模型的試錯成本太高了。
小模型的試錯成本很低，我們可以不斷改變訓練數據，可以很快看到結果。一台GPU服務器，上萬張圖片、甚至是幾十萬張圖片，2-3天就可以完成一個幾百萬、甚至是上千萬參數模型的訓練，在這個過程中，我們可以不斷的去調整算法、調整數據，以及可以拿到確定的結果。
大模型完全不一樣，參數量飆升，至少要有2-3個月的訓練時間，是一件非常有挑戰性的事情，它的挑戰在於，我們能否在最開始就預估到未來，尤其是兩三個月之後的結果，這裏涉及到數據的選擇、配比，算法的選擇，包括分詞器、優化器算法的選擇，這些項目都要非常的嚴謹仔細。
一旦模型開始訓練，就好比一艘“萬噸巨輪”開始往前走，而船大難掉頭，所以我們前麵說評測很重要，就好比巨輪在行駛的過程中，如果出現偏航，就及時的進行調整，但即便如此，我們也很難預知模型在訓練兩個月之後
，最終它的能力表現如何，很可能會出現持續的訓練過程中，發現“航向”不符合預期，這時候就需要做艱難的選擇——從頭開始，還是從某一個Check
Point繼續。
例如說，我們可以用64台服務器訓練一個幾百億參數的模型，但很難說利用不同的訓練方式，同時啟動多組服務器進行多個百億參數的模型的訓練。
騰訊科技：不能同時進行，是因為成本的問題嗎？
林詠華：成本問題，包括時間成本。
04 用知識增強對抗AI的幻覺與遺忘
騰訊科技：盡管說有微調機製去調優，但我們在使用中發現，像ChatGPT、Bard這樣的產品，都出現過事實性錯誤，行業將其稱之為“幻覺”，這對大模型來說，是致命的嗎？
林詠華：從模型的通用性角度來看，幻覺問題和今天大模型給我們帶來的各種各樣新的能力相比，或許不是一個很大的問題。假如，休閑的聊天機器人，即便是錯誤答案，可能我們也隻是一笑了之。但如果幻覺被放到一些對專業要求很高的領域，就可能存在致命的問題。
換句話說，大模型“幻覺”的致命與否，取決於模型隻是作為一個閑聊機器人，還是說應用到醫學、法律、甚至是金融等嚴肅或者一旦出錯代價會很高等領域。
所以對於這些應用場景，我們也建議要結合外部的事實知識庫去做知識增強，而不能全部基於大模型早期的訓練數據。
騰訊科技：知識增強是應對“幻覺”的一種解決方案？
林詠華：知識增強是很重要的方案，但也不能100%杜絕“幻覺”的出現。另外，比起
“幻覺”，大家很少會提及的另外一個，但同樣值得關注的概念——“遺忘率”。
其實我們對大模型進行訓練，它很難100%的記住所有的預訓練數據，畢竟大模型的訓練數據量十分驚人，就像人一樣，如果隻見過一兩次，最後是很難逐字成篇幅的記住。據一些外部機構測試，這個“遺忘率”可能甚至會高達百分之九十以上。當然，如果模型越大，數據重複的次數越高，遺忘率越低。
知識增強的價值在於，如果模型真的忘了也沒有關係，可以通過在線知識庫檢索，進而形成專業準確的回答。
騰訊科技：除了“幻覺”，大模型引發的風險也成了高關注的話題，到了需要“踩刹車”的階段了嗎，哪些場景下不得不“踩刹車”，是不是拔網線就可以徹底解決？
林詠華：從我個人的立場來看，目前的大模型、尤其是國內的大模型還沒有那麽厲害（需要踩刹車）。雖然繁華，其中還有很多技術的短板。
大模型雖然目前能力很強，但還需要更多的發展空間，應該繼續向前發展，太早的刹車反倒有可能形成泡沫，核心應該是如何規範人類對大模型能力的應用。
《黑鏡》裏麵有幾集專門講DeepFake，講篡改攝像頭拍攝的畫麵——主角看著視頻監控，監控畫麵沒有人進來，真實的情況實際是有人進來——這項技術的原理並不難，簡單說就是Hack進攝像頭，去掉畫麵中的人像，隻要時延能控製在100毫秒以內，人眼就無法辨別。
*攝像頭被劫持後播放預先記錄的片段和真實片段播放對比 來源：網絡
我看到這一段劇情的時候，真的覺得毛骨悚然，因為我知道這個事情在計算機視覺領域是可以做的，這些能力小模型就有，甚至不需要大模型。
（它讓人震撼的地方在於）一旦視頻監控真的被人被實時篡改，我們還能相信什麽，而且當虛假的信息被混合在真實場景當中時，不是說拔掉網線就可以了解決，你又不能不用監控，對於這種問題，我甚至不知道怎麽去踩刹車。
05 取代人類
騰訊科技：Sam
Altman提及過“可擴展監督”的概念，用AI來監管AI，這個設想現在落地的進展如何，比如說現在陸陸續續會有一些“AI換臉”詐騙的問題，AI可以快速的識別並給用戶進行強提醒，以及識別到“AI換臉”行為後的動作進行保護，比如臨時凍結“轉賬”的動作，這樣的設想有機會成為現實嗎？
林詠華：人臉技術實際上已經疊加了不同的手段，包括角度、動作、光影、顏色變化，去識別真人還是視頻，
我也希望行業能夠應用AI技術來對抗這種DeepFake造假。
大模型是新生事物，現階段我們未必有足夠的能力和這樣的潛在風險進行對抗，但如果（破壞力）引起科學、研發的重視，這種風險我相信依舊是有辦法解決的。
騰訊科技：過去大家會認為一些基礎性崗位會被替代，用AI管理AI的時代，一些偏高端的崗位會不會也都會被取代？
林詠華：2014年-2015年開始，我在IBM領導做AI for
AI技術，是想替代AI算法工程師，那款AI計算機視覺平台2017年在全球推出，很受歡迎。因為當時熟悉深度學習算法、很有經驗的AI研究人員很少。當時的宣傳點就是“無需昂貴的AI算法工程師”——它的核心是幫助企業解決高端人才短缺的問題。所以，在當時（10年前）考慮的就是人力的替代。
ChatGPT出來之後，藍領還沒被替代，白領先被替代了，也就是腦力勞動者更早被替代，這是因為很多人工智能之外的技術，發展速度相對較慢的，比如機器自動化領域。例如，計算機視覺在缺陷檢測場景下的難題早就被攻克
，但是由於機械自動化的“掉隊”，一個10毫秒可以檢測出來的問題，機械手需要幾秒鍾才能完成抓取，效率遠不如人工，屬於典型的“肉體趕不上靈魂”。
所以我們也要呼籲，包括機械自動化控製、材料領域都要有更快的發展（跟上人工智能的發展節奏）。
騰訊科技：除了就業崗位取代，情感取代也是一個爭議性話題，尤其是像早期一些電影像《Her》、還有現在的一些APP，都在探索情感取代，俗稱“AI女友”，我想請您從女性的角度來談一談，這種情感的探索是人工智能追求的目標嗎，或者說是我們設想的應用場景嗎？
林詠華：（情感）我覺得也是人工智能探索的目標之一。
NLP（自然語言處理）一直存在情感分析/情感分類的領域，有些現在做的還很好，
它要理解人類語言體現出來的思維和情感，所以理解情感一直是AI領域重要的發展方向，現在的爭論點在於，要不要在生成式AI裏麵附加情感。
我個人認為在生成式AI領域，附加情感的內容輸出對一些特定人群和行業是很有幫助的，比如心理谘詢、護工。我母親就跟我說過，如果真的出現陪護機器人，她會很願意用，因為找保姆陪護，還得考慮兩個人性格合不合。
不過我們也不能簡單化情感，簡單將其理解為“喜怒哀樂”，因為人的心智尤為複雜，需要和心理學研究進行交叉融合，所以在我們的模型評測裏麵，也定義了四個裏程碑階段——文本理解、文本生成、認知能力、人類心智，而人類心智放在了最後一個裏程碑。
騰訊科技：前段時間我們也注意到，已經有創作者利用AI複原已故奶奶的視頻，所以從實際的觀察，確實發現很多人是有這種情感需求的。
林詠華：這確實是一個很重要的領域，當然安全防控也是很重要，它決定了AI這個“精神導師”會給你帶來陽光，還是帶來黑暗。
騰訊科技：AI情感領域的探索，女性科學家會不會更有優勢？
林詠華：會有一定優勢。但我認為還是需要很強的心理學支持，所以我們下一步也會引入一些心理學專家、團隊。
06 人工智能不能沒有女性科學家
騰訊科技：現在越來越多的女性科學家在前沿科技領域成為領軍人物，在人工智能領域，女性科學家有哪些獨特的優勢，而男性是沒有的？
林詠華：人工智能領域有很多東西需要和人的直覺、感官相互融合，女性可能在直覺、感性方麵會比男性有更多的觀察和思考，這在一定程度上有利於女性去做更多直覺上的判斷，然後再用理論去證實。
今年的智源大會，確實有很多論壇上出現了女性演講嘉賓，她們的確都很優秀的領軍人物。
騰訊科技：最後，對剛剛經曆2023年高考即將步入大學的年輕人，尤其是女生，也請您給一些專業性建議？
林詠華：未來人工智能的發展可能會很快，可能會顛覆原來我們對熱門學科的認知，比如編程，計算機學科，我們要考慮未來10年後，它還會不會是熱門的領域、學科。當然，計算機體係、架構這樣深度研究學科，從目前計算的角度來看，還是需要不斷往前探索的，依舊是需要的。
騰訊科技：應用層麵的學科，可能重要性就會弱很多？
林詠華：對，純粹是為了在簡曆裏體現編程，而選擇計算機專業，這種可能就不是一個好的選擇，因為未來會有很多Copilot這樣的產品，能夠讓編程的門檻變得很低，包括一些模型的微調能力，可能會成為各個專業都應該具備的基本技能，反而是如何將這些技能應用到專業領域，比如材料學，利用AI探索新材料就是一個全新的命題。
所以，不是每個人都需要擠到計算機領域裏來，除非你有很宏大的理想，比如超越馮諾依曼，突破現有的計算機體係結構。
對於年輕人，如果未來希望從事科研方向、技術方向，應該強化動手能力，保持讀論文寫文章的能力，這兩項能夠保持多久就保持多久，對未來的發展和職業生涯都會起到重要的作用。
對於女性同學，我想表達的是，人類智慧的發展，其實就是兩性共同構建的過程，人工智能發展如果沒有女性科學家，是一件非常可怕的事情，希望更多的女性加入到這個行列。