|
马庆国教授在中国技术经济学会年会上的学术报告 王力德整理（演讲者审阅修改补充） 【编者注】马庆国是我的新大同学，当年他在数学系，我在物理系，浩劫初的那两年，我们都在同一个群众组织中，他是“勤务员”,我是“兵娃子”兼美工组长，专画宣传大油画，彼此认识但不很熟。后来他上了研究生，专攻数学，而我去了南疆，改行画画。天各一方，后来又通过朋友跟马教授建立了微信，他现在的研究方向是人工智能，成就极高，我业务玩科普，对人工智能极感兴趣。他最近把他的人工智能专题报告音频发给了我，我帮他把音频整理为文字，发给他，他又经过整理，最终成为现在的文本，现在发在我的博客上，供大家学习交流。 【以下为报告正文】 各位师生，各位朋友大家上午好！我汇报的题目是“人工智能与人的智能，AI的技术经济分析：寻找影响新质生产力的AI方向”。 
为什么想做这个报告呢？一个最重要的动因是人工智能发展的太快太热，认识有点乱，大家一哄而上，有恐惧的，非常害怕消灭人类的，有人认为无所不能的。有在做AI的过程中却发现困难重重的。我们究竟应该怎样认识AI？人工智能能做什么？不能做什么？应该如何做？特别是现阶段应该如何做呢？回答这些问题是本报告的一个初衷。我就按照这个初衷简化给大家做一个汇报， 关于我们面临的局面。 人工智能被神化的情况，这些PPT，不讲了，大家都知道。在ChatGPT之前，就已经被很多名家所神化了，因为大众对AI的神化，很难概括，就说说名家吧，他们的影响力很大，比方说，《未来简史》的作者赫拉利在2017年的一个演讲中说，99%的人在人工智能时代将成为无用阶级，剩余1%的掌握人工智能的人，将成为人类进化新物种。这种说法，挺悬乎的，演讲的时间原因，不解释了，大家自己去体会。斯蒂芬.霍金生前说，他非常担心人工智能会终结人类。马斯克也挺担心的，别看他很厉害，他还和人家联名，一起给联合国写过报告，说人工智能比核武器还厉害。那么在ChatGPT之后是什么情况？更广泛的发展这种情况，无所不能的概念、恐惧的概念，依旧流行，各地各研究机构、有关部门一哄同而上进一步发展。其中最著名的呢，就是认为Chatgpt什么都能做。细节不说了。想不到的是，辛顿, 就是深度学习的创造者，他近来也抛出了人工智能威胁论。但是遭到了了特瑞（屏幕上，辛顿旁边的那个人）的坚决反对。特瑞这个人，中国人了解不多，按照李飞飞（美国工程院院士）的说法，特瑞实际上，在计算机领域的贡献极大。他是第一个把图灵关于Thinking Machine，就是思考机器, 变成能够运行operation的人，但是他当时的所有的设计，都是hand-design，手工设计的。特瑞是明斯基（第一代提出人工智能著名专家）的第一波研究生，他和辛顿唱反调，坚决反对人工智能威胁论。 
辛顿 特瑞 那么，在这里，我们就面临着两个问题。 第一个是，大家非常热心讨论的、人工智能可以觉醒吗？觉醒的意思就是说，不仅能够感知周边，而且能够理解，能够思考，能够决策，而且能够知道自己的存在，因此他对周围的事物会有自己的想法，作为觉醒，就是产生了自我意识。这里有好多很有趣的问题，这次不去讨论了，但确实是一个关系重大的、值得大家关心的问题。 第2个问题，人工智能能够替代人的智能吗？这是不仅一般的学者，一般的师生，关注这个问题，而且开发者、很多企业家朝着这个方向努力（开发超过人的人工智能），当然，也有的非常冷静的，我今天呢就和大家讨论第2个问题。 关于人工智能可不可以替代人的智能，也是大家的争论激烈的一个问题。今天就简单介绍一下。 比方说“可以（替代）派”，一批人工智能专家包括明斯基，说，一两百年内电脑能做人脑的一切。那这就不得了了。这是马丁.嘉特纳，在给《皇帝的新脑》一书做的序言时，所概括的这些人工智能专家的观点。 “不可以（替代）派”，如，罗杰.彭罗斯，他是2000年诺贝尔物理学奖的获得者，不过他获奖不是因为《皇帝的新脑》，是因为平行宇宙的研究。但是他写了一本书叫《皇帝的新脑》，也非常有名。为什么叫《皇帝的新脑》？皇帝的新脑就等于皇帝的新衣。没有脑，皇帝的新衣，没有衣。。《皇帝的新脑》就是没有脑。 “不可以派”的明斯克（人工智能的创立者之一），抨击罗杰斯说，他没有严格证明人脑突破了图灵机的界限、局限。 “不可以派”的维特根斯坦，有意思的是，刀郎唱的罗刹海市：有个欧洲钢铁老板的儿子叫维特根斯坦。这个维特根斯坦是个很伟大的哲学家，他在《论数学基础》中说，图灵机先假定了人类的计算是机械式的，因此计算机可以思维。但是没有理由说，人的思维是机械性的。这是哲学家的论述。 我们不站队。。我这次就想给出一个思考的依据，不能永远“你说行，他说不行”，一直争吵下去。究竟行还是不行，你要有一个思考的理论依据。这是我这次演讲要做的第1件事，就是这个。 我们所碰到的理论问题是什么呢？或者说，这里的科学问题是什么呢？ 就是这张图所示， 
图灵机的逻辑，它的推理规则和人的认知逻辑中间有鸿沟吗？ 如果没有鸿沟，那么毫无问题，人工智能不仅会替代人的智能，而且会全面超越人的智能。那种AI对人类威胁的那种恐惧，可能就是现实。 如果有鸿沟，那么鸿沟在哪里？不能吵架，得有个分析方法。我的分析思路就是从他们的推理逻辑里来看，两者有什么不同，因为推理逻辑是它在运行中，根据周围信息，判断推理，产生新知识的一个基本的规则。 先讨论图灵机的逻辑。 图灵机的基本结构是什么，因为时间问题，不细说了。 
简单说（看图），图灵机读到纸带上的一个数字，最重要的是机体中间（看图）有个二元运算表，读了数据以后回去依据二元运算表做一个二元运算，然后能写出来。计算机的冯诺伊曼结构，基本上是对图灵机的进一步概括和扩展，我的这个PPT这里没有讲到。我在后面会讲一点。 这里有个说法，要注意一下，搞计算机严格的人知道，图灵机是个想法，并不是机器，但是在我们日常生活中，都把计算机作为图灵机的一个实现，所以常常不把它们做严格区分。 那么往下讲，图灵机的基本逻辑是什么呢？冯诺伊曼结构里，首先就是逻辑门电路，构成控制单元、中央处理期和存储器的基础构成就是逻辑门电路，就是0-1开关，实际是“高平”、“低平”电位切换。逻辑门有：与门、或门、非门，然后基于这三个门，发展出8个基本的这个逻辑门，这里也不展开了，大家可以查。然后，这8种逻辑门电路可以构成一切复杂的芯片，也就是说 cpu也好，gpu也好，或者其他专用芯片也好，都是由这8种逻辑门构成的。逻辑门可以反映2进制，2进制可以转化为10进制，可以表现任意长度的数据，就可以用来做算了。 更巧的是，布尔代数，作为冯·诺依曼机基础的布尔代数，是基于集合论发展起来的，但其与门，或门，非门，跟电路的这三个逻辑门一样，同样可构成电路里的其他逻辑门，所以布尔代数能够在数学里施展的所有的空间，计算机都行。 但是最重要的是，计算机的计算速度太快了！！，它的快是由电路和震荡电路震荡速度所组成的。这样它就能在很短的时间内，解决人们几年几百年甚至上千年不能算出来的问题。 计算机这么厉害，其实起源于一个叠加过程，从电路的这个0-1构成的逻辑门，到机器指令集，例如ARM架构，x86架构，我们中国还出了一个龙芯架构等等，还有其他的架构。限于时间，不说了。然后到汇编语言（通过指令集的指令，改变电路的电位变化），到各种高级语言等等，运用这些语言+算法，到人工智能，这种一层一层的叠加，产生了一种非常伟大的结果。能够伟大到什么程度？现在是看不到的尽头的。这也是当前能够让我们产生迷惑、产生AI无所不能论、产生恐惧的缘由。 那么，计算机逻辑可以推演全部数理逻辑吗？这里不展开，就说说吴文俊的工作。2000年他和袁隆平一起获得中国最高科学技术奖。当时我就不理解，袁隆平贡献这么大，吴文俊不就机器证明吗？不就是用这机器证明数学定理吗？后来看了吴文俊的成果，真是佩服。我们都学过初等几何，上过中学的都知道几何定理的，他用机器证明的方式，发现了上千个、大概接近2000个未曾被知道的几何定理。因为很多数学定理并不是像大家所想象的那样，是按照数理逻辑一步推出来的，而是先猜到，而后再去证明的。而吴文俊就硬生生的从逻辑过程，得出了这么多成果，贡献极大。在很多数学领域、它所涉及到的领域，几乎横扫一切世界著名的定理，所以给他最高成就奖，理所应当。 有一个问题，他说，我所做的，只是机器证明数理定理中的很小的一部分。其他更多的部分呢？需要更大的努力。这就带来一个问题，按照这样一个逻辑，计算机能够用这样推演运算，用这样的一个逻辑过程，抵达所有的数理逻辑能够抵达的所有领域吗？就是能够证明所有的数学问题吗？没有人说过，我只能说，我猜可以。当然要除去哲学家哥德尔所说的形式逻辑体系，其中都会有一个不能被证明，也不能被证伪的问题。【注：歌德尔不完备定理：任何一个形式系统，只要包括了简单的初等数论描述，而且是自洽的，它必定包含某些 用系统内所允许的方法既不能证明真也不能证伪的命题。】 下面，我们讲一讲数理逻辑。数理逻辑就是形式逻辑的准确的、完美的表达。这也是哥德尔的一个概括，跟爱因斯坦的说法类似。爱因斯坦说，数理逻辑是形式逻辑的、最美丽的诗篇。 数理逻辑有两个最重要的推理规则。计算机的计算就是按数理逻辑的规则走的。一个是演绎推理，一个是归纳推理。 演绎推理实际上是“包含关系”，对于定性问题，是属性上的包含关系，对于定量问题是“序”的关系，例如“大于”、“小于”。演绎推理，最著名的是”三段论”。什么是三段论，不用解释了，大家都很熟悉。 演绎推理中还有著名的“假言推理”，我们其实经常用假言推理。它就是假设什么条件，就会有什么结论。此外，还有“选言推理”。我们也经常用。例如，在不相容的问题里头，你用排除法，就是选言推理。另外，还有关系推理等等。 归纳推理，是从特殊到一般。而演绎是从一般到特殊。 在数理逻辑里的归纳推理，是没有例外的，数学归纳法，时间所限，也不讲了，大家都知道那是被严格证明的。 思维逻辑是什么呢？ 思维逻辑是由人脑的结构和特征所决定的。它一直是、现在依然是起作用的逻辑，只要人脑的结构和工作特征没有本质的变化，思维逻辑就依然是人类认知世界的最重要的处理工具。 那么思维逻辑是关于什么的逻辑呢？是关于概念之间关系的转移和延伸的逻辑。 什么是概念，这里就不解释了，大家都知道。 需要注意的是，概念有被严格定义的，也有未被严格定义的。我们思维逻辑所施加的对象是“概念”，概念中，有很多是未被严格定义的，比方说“老北京”，你可以理解为土生土长的北京人，也可以理解为在北京呆了30年的北京人，甚至在一些场合，在北京生活了十几年的，也可以理解为“老北京”了。我们经常这么讲，这些概念经常在我们的思维判断中起作用，但是它们未被严格定义。 思维逻辑所施加的概念，也常常包括一些有严格定义的概念，比方说，我们研究数学问题，所有的概念，如点、线、面等等，都是被严格定义的。从这来看，从逻辑所施加的对象来看，思维逻辑和数理逻辑是有区别的，数理逻辑施加的对象，是严格定义的概念，如果是具有量的概念，就是严格定义了的变量。这是和数理逻辑的第1个差别。思维逻辑，显然包含了数理逻辑。 第2个差别，从推理规则上看，这两种逻辑也有区别，而且是还是挺明显的。比方说，思维逻辑中的归纳法是不完全归纳。我们经验总结，就是不完全归纳。我们的MBA的案例，也是不完全归纳。而数理逻辑中的归纳，前头讲过，是不能有例外的归纳。但是，不完全归纳却非常有用，使我们能够抓住主要矛盾，解决问题。它是非常有用的东西。 下一个问题“计算机可以学习不完全归纳的规则吗？”，是一个个非常有趣的问题，时间问题，我们不讨论了。 第3个差别，问题思维逻辑中，除了刚才那些和数理逻辑的差异外，还有更多的非数理的部分。比方说，有很多所谓是不可言表的逻辑，像著名的数学猜想，比如，费马猜想 xn+yn=zn 在n＞2时，无整数解； 这个公式，n>2的时候，没有整数解。困扰了人类300多年，才被解决。那么，费马当初是怎么想到这个公式的呢？显然不是按照数理逻辑去推导而得到的，如果是推导得到的，当时就证明了。显然是数理逻辑之外的那个“猜”思维过程，得到的。但这个“猜”过程是什么？不知道。现在没有任何头绪。 思维逻辑中的非数理的部分，还有很多。比方说，驾车时的直觉，感觉什么时候要出事。又比方说，阈下感知，一个电影的胶片里插进了吃爆米花的这片子，放映时出现几毫秒，视觉里根本看不出来，放映的原来片子里的故事，没有受到任何影响。但是“爆米花”被观众阈下感知到了，受倒感染，吃爆米花的人就多了。还有灵感问题，还有其他很多方面的问题，也不讲了，尽管非常有趣。 总之，你想一想，思维逻辑中的确有很多现在并没有解开的非数理的部分。 这样，我们就可以看得到这个结论了（图）， 
此处是有鸿沟的。 这两个逻辑不能通完相全通，它是这样一个包含关系， 图灵机逻辑?数理逻辑?思维逻辑 这样，你就不用恐惧了，AI完全替代人？不行。 下面讲，人工智能学习规则的问题。 还有另外一个问题，AI进步了，也可以学习规则。刚才讲那个特瑞，第1个把图灵的思考的机器变成能够运行的人，他设计的程序是hand-design的，手工设计的。以后，人们就开始让计算机也学习这个rule，这个设计的规则，其实这是计算机界一直在努力做的。因为我知道的很少。就举一个最著名的例子，就是辛顿的深度学习，就是我给你喂数据，最后有个结果，中间神经元的层数很多，（辛顿解决了其中的什么难点，以后再说），这些待定参数都可以通过机器学习，把最优的权重参数学习出来，得到一个模型，对这一类问题，这一类数据进去，那一类的数据就会出来。就是一个规则。这个规则是人自己原来不知道的，是机器学到的，学了这个规则。其他的规则，能学吗？搞人工智能的人，在努力设计让机器能学，这是一个很重要的领域。屏幕上提到的这个例子，也不展开讲了。把这个例子概括一下，就是说，人的思维可以根据实际情况不断地调整、去找新的解决方案。但计算机，是你告诉它什么，它就会什么。你不能总是hand-design（手工设计），你给它一个规则、告诉它这规则，它就会了。可是世界是在变化的，规则变化了，有新的规则，还得人去总结，而且在很多规则之上的、这些规则的规则，还得人去总结。所以，计算机要学会这些东西，还真是一个很大很大的谜团。大家觉得有可能会学会。但是，总而言之，由于真理是没有穷尽的，规则不可能停止演变。它总是在发展的，因此，就有个n+1的问题。也就是，你给机器教学会了n个规则，但总会有新的规则出现，需要人去总结。所以从这个角度来看，也是人工智能的一个动态天花板。 下面讲人工智能的阶段天花板的问题。 阶段天花板，比方说gpu芯片的叠加效果惊人，人工智能的训练学习主要靠它。可是，英伟达的创始人黄仁勋说，人工智能的尽头是电力。AI训练耗电量太大了，耗不起，最后卡在了电力的限制上。 此外的阶段天花板，还有散热问题、计算速度（震荡电话的刷新速度）的局限问题、本地存储的容量问题、存储设备的提取速度问题、云存储宽带与存取传输速度问题。然后，还有，成功的人工智能的技术的经济效益问题，这也构成了它的一个阶段天花板。没有经济效益，就卖不出去，只好走向死亡。要有需求，才行生命。 好吧，总而言之，是这样一个结构（图）。 
随着时间的延续，不断的有一些阶段天花板出现。这些天花板被突破，就是进步。图中，有一些天花板（画得比较黑），突破是比较困难的。有一些像红线，就表示鸿沟，是人工智能和人的智能之间的关系。但是人工智能会不断突破，创造新的生产力的作用，不可估量，对于这个可能的潜力是什么，我们可以做大量的猜想、分析，我这里也是因为时间问题就不能去讲它了。 下面讲最后一个问题，人工智能技术的经济分析问题。 为什么要对人工智能做技术经济分析呢？主要是面对了一堆的迷茫，发展人工智能的迷茫。花了太多的钱，有的甚至如同烧钱，效果却很有限， 大家（各省市、各大公司）一起上人工智能基地、开发区，开发大语言模型，人家一起烧钱，跟着别人（发达国家）走。效果呢？有的人认为，你搞的是人家的小边角，差的太远了，那个ChatGPT4，它的参数就17亿个参数还要乘以8。训练学习的工作量极大。给我们带来了什么呢？带来的回答问题，带来了找答案，带来了用文本生成图片，也可以生成视频。而现在对我最重要帮助，是有查一些资讯，必比去快多了。过去要一篇一篇地查。现在ai给你查，我发现ai查的缺点，是文献不全（主要源于网络上文字，论文数据库中该论文很少），只对同类东西的概括，还常常理解偏误，概括表面化。只是语句还通顺。我试过一些大语言模型，对不同意见的概括比例低，等等。当然还有其他的一些用法，可以试试。 还有用人工智能做全自动驾驶，投入很大。我前一阶段当了中国汽车研究院的一个项目的咨询委员，了解的更多的观点。烧钱开发智能网联车，单个车全自动驾驶不行了，很多问题解决不了，就想到用云端算力，且不说，行车过程中的极其复杂的多变情况，在云端是否都预设过，或处理规则是否预设过，困难。就算都预设了，及时找应对方案还有时滞问题，用分区的云端控制分区路上的所有车，算力、传输也可能有问题。就算成功了，在早期加入到智能网联中的车的个数，会很少，增长速度也会很慢，是一个长期的斜率很低（几乎为0）的缓缓上移的线。成本回收，将是一个漫长的过程。 如果把目标定为辅助驾驶，定为解决驾驶中的一些紧急问题，人们来不及反应的问题，定为新手老是把油门当刹车的问题，等等，你的车就卖得出去，你卖的出去，资金就能循环，你就能进一步的开发。所以，一哄而上，目标定的很高，是不经济的。 刚看的一个报告，哪个城市不说了，视频说，不得了，他们的人形机器人能和无人车协调，比特斯拉还先进，这样的宣传，反而暴露了问题，你都无人驾驶了，还要一个人形机器人坐在车里吗？人形机器人花那么多钱，与一个出租车司机怎么比？而且没人驾驶了，我的驾驶乐去哪儿去了？等等很多问题。 还有巡街机器人啊，也很厉害，视频报道，我这个机器人多厉害，可以夜里街道巡逻。你找一个退休工人巡街，比你机器人的效果更好，更负责任。你夜里走在街上猛的冒出一个冷冰机机器，还不吓个半死啊。所以，这种AI开发的投入，自以为骄傲，自以为有成果的，其实按照技术经济的观点都是值得怀疑的。 我们做技术经济分析的，不妨回顾智能家居的“浪花”，当初有多火多红，但现在谁家还用？一进门窗帘自动拉开，一睡觉自动关上，水壶在你回家前自动烧水。他出点毛病，整死你。 怎么做人工智能技术的经济分析呢？ 首先，对AI做一个最基本的分类：无形人工智能，及有形人工智能。 无形的人工智能，第一个就是大预言模型LLM。大家很熟，跳过。 下面介绍。有一个说法是AI for science。孙凝辉院士在给人大常委做报告的时候，讲到了用AI来做科学研究的4个方面：物理规律、蛋白质预测、高性能芯片的设计和高效合成新药。说的真不错。结果今年的物理学诺贝尔奖，给了搞人工智能的两个人，普林斯顿大学的约翰·J·霍普菲尔德和加拿大多伦多大学的杰弗里·E·辛顿。，霍普菲尔德在反向神经网络方面有突出贡献，辛顿把这个隐含层级，从几层扩展到几千层。他解决的问题是，中间的隐含层变多以后，梯度（偏导数）矩阵退化，优化失去了方向，辛顿解决了这个问题，所以他有很大的贡献，人称之为深度学习。有人说，今年诺贝尔奖委员会是人工智能附体，不仅物理学奖给了两个搞人工智能的，化学奖也给了三个用人工智能预测蛋白质结构的研究者。蛋白质的结构有氨基酸链条折叠而成，是很复杂的一个过程。光是100个氨基酸的折叠，大概就有1亿蛋白质的可能结构，过去用电子显微镜观察，速度非常慢，搞了多少年，全世界只搞了几万个，现在他们三人一搞，就搞了几亿个，有说20亿个的。 
蛋白质的空间结构很重要啊，新冠病毒也是有自己的空间结构，你看那个y字形的细胞，是我们的一种免疫细胞，如果它的形状与外来入侵者的空间结构吻合，y就夹住这是外来侵略者，立马释放信息，一方面导致巨噬细胞来吞噬入侵者，另一方面，迅速让这样的Y形细胞和巨噬细胞数万倍增长，与入侵者战斗。这里蛋白折叠的空间结构至关重要。他们三个用人工智能算法，基本解决的这个问题。 在无形的AI 方面，还要介绍一下李飞飞他们的工作，是在比较早的事，她从博士生开始，到毕业的时候，做了一个image net，让机器看着图片说图片里是怎么回事，就看图说话。在解决这个问题后，现在，他们做空间智能，成立了world lab。就是让机器感知三维空间的事物，还要加时间维度，成为四维空间的识别问题，目标很高，难度很大。这样扎扎实实的研究，是我们国家值得投钱去做的。他们很乐观，李飞飞说AI的最后一个寒冬过去了，我感觉后面一个寒冬好像也不太远了，10年？15年？就会来到？英伟达董事长说的电力极限到来，你就傻眼了。 下面介绍有形的人工智能技术的经济分析 机械手臂、机器狗、机器人，专用智能设备等，都是有形AI。 机器狗机器学习不一定都是深度学习，更最重要的是模拟学习，机器人模拟人，两者的关节点上都有传感器。人怎么动，机器怎么动，因为马上学会了。 机械手臂也是依靠软件，训练人搬机械手臂，像人那样工作，软件记录了动作，机械手臂就可以重复了。 有形AI，还有无人运输车，无人机，无人工程车等等。有形的应当比无形的应用面更广，对经济的作用更大一些。 那么更应当怎么做AI的技术经济分析呢？ 有一个困难，就是较为准确的经济数据的难以找到。所以应当采用一种“间接技术经济分析”的方法。 从AI的功能、投入、实现难度等等，来判断它的技术经济效果，值不值得开发。 时间限制，略去分析过程，直接说技术经济效果排名。 排第1位，给5个星评价的，是智能机械手臂。因为生产线上它贡献最大，对我们制造业贡献最大，我们要不断地做这件事情。其投入，我也了解一些，不小，但是也不大，跟其他大模型（LLM）的投入相比，投入要小得多。 智能机器（装备），投入大，效果也大，特别是重装重器，从技术经济角度来看，排在第一位与第2位之间，评为4星半。 排名第2的是民用无人机，评4个星。民用无人机投不大，但用途广泛应用，还有准军事方面的应用。 排名第3的是，医疗成像的AI分析技术，辅助诊断，提高准确率，补足诊断。是对于年轻医生，非常重要，要非常重视。 排第4的是机器狗，网上看的机器狗性能很好，踹也踹不倒到，打也打不倒，但要民用，存在需求问题。如果军用，对复杂地形的适应性，高寒边疆的适应性，有不短的路要走。宇树公司董事长自己做报告的时候，讲到，我们现在的机器人或者机器狗都有一个最大的问题，就是单项动作做得到，像爬梯子、爬箱子、跳摇箱子、旋转都挺好，但怎么串起来，连续做不同动作（特别是依据环境），还没有突破。比如要想军用机器狗在崎岖不平的山上走，它自己选择方向，现在还不行。要扎扎实实解决这些问题，才能形成生产力战斗力。 把机器狗、机器人用来巡街，用来搬砖等都是浪费。研究成本很高，然后，替代的是廉价的普通作业。所以，有一位百姓很困惑地说，不明白啊，为什么人工智能不去搞难的、搞危险的作业，专门替代我们这些普通劳动者，替代家务，扫地，从技术经济问题，所以技术经济专业的角度来看，这样投入效益很低。 对推动生产力而言，LLM作用有限，但投入巨大。只能往后排。有的名家，把LLM吹得太高了。 技术经济分析，是人工智能技术开放方向选择的依据。 人工智能的开发要，要需求导向、问题导向。例如，高压线路的检测，用机器人替代人就符合技术经济分析观点。 最后，作为一名中国技术经济学会的老兵，提一个建议。 我是从刚开始成立经济经济学研究会开始，就参与有关活动的，从任严副理事长，到吴明喻理事长这些人领导中国技术经济研究会的期间，我都一直是老兵。作为中国技术经济学会的老兵，我有个愿望：技术经济分析应该深入到各个科技领域，与那里的学者互动，因为它关系到在同样的投入下国家生产力的更有效的发展问题。从对国家的贡献角度看，我觉得技术经济学会应当是中国科学里面的头号学会之一。现在中国技术经济学会的地位有点低，要设法提高，这是一个愿望。希望大家努力！ 谢谢。 
马庆国 2025-1-5 |
|
|
