李彥宏：人工智慧剛剛走到石器時代，但未來它會像電流一樣普遍

01-29

在過去的一兩年里，或許人工智慧的消息刷遍了投投朋友們的朋友圈，AI不知何時開始佔據了我們的手機、汽車以至於家庭。或許你很少能聽到李彥宏講歷史、講產業，實際上每個互聯網一線的企業家都是一名通曉古今的人，時髦的人工智慧和歷史變遷怎麼結合？也許你值得看一看。在百度all in人工智慧、全力以赴下，隱藏著什麼？未來我們的生活將駛向何方？

歷史了解越詳細，未來就看得越透徹

全世界都在為即將到來的人工智慧革命感到振奮。這種情緒就彷彿二十多年前我在矽谷親歷互聯網大潮初起時所感受到的。

2012年，我注意到深度學習在學術界和應用方面都有了突破。比如，用深度學習的方法來識別圖像，突然就比以前的任何演算法都有明顯提升。這個時候我馬上意識到，新的時代來臨了，搜索將被革新。過去我們用文字搜索，現在可以用語音和圖像進行搜索。比如我看到一株不認識的植物，拍一張照片上傳搜索，就可以立刻識別出來它叫福祿桐。過去用文字搜索是沒法描述這樣的植物的。不僅是搜索，很多過去不可能的事情現在都可能了。

語音識別能力、圖像識別能力、自然語言理解能力，包括為用戶畫像的能力，這些都是人的最本質的智慧能力。當計算機擁有了人的這些能力時，一場新的革命就會到來。以後速記員和同聲傳譯人員可能會被機器代替，計算機可以做得更好。以後也許不需要司機了，車自己就可以開起來，更安全，更有效率。在企業裡面，金牌客服可能人人都可以做了，因為有了智能客服助手。人工智慧對人的這種賦能，超過了以往任何一個時代。工業革命解放了人的體力，過去一些像搬石頭之類的粗活需要人類自己來干，現在機器可以替你把更巨大的石頭搬起來。智能革命到來之後，原本很多需要費腦子的事情，機器也可以幫你做。未來20~50年，我們會不斷看到各種各樣的變化，收穫各種各樣的驚喜。

讓我們把時光推至工業革命以前。

在當時的英國，由於紡織機械帶來低成本產品，傳統的手工紡織業被擠垮，遭到工業主和工人的反對，掀起所謂的「盧德運動」。珍妮機發明者哈格里夫斯多次遭到同行和鄰居的驅逐。但珍妮機最終還是推廣開來，助力英國統治全球紡紗業。而蒸汽火車一開始甚至速度還不如馬車，從而被馬車夫嘲笑。

到了電氣革命時代，歷史再次重複，比如馬可尼在1895年研製出最早的無線電裝置，並且利用這一裝置成功進行了遠距離摩斯電碼通信實驗。他成立無線電報與信號公司，推動無線電商用。但由於與海底電纜公司的利益相衝突，他想在紐芬蘭設立無線電報局的事遭到反對。不過當時美國的現代市場體系和技術偏好已經初步建立，所以無線電還是很快發展起來。

電氣革命與今天的智能革命有一些「基礎質料」意義上的類似。與蒸汽動力無法遠距離傳輸和統一布局不同，電力是一種無限流動的普適能源，正如今天的互聯網是一種流動的，讓用戶可以隨時接入的基礎資源。「電+產業」正如今天的「互聯網+產業」，顛覆了無數的傳統產業。

當然，電流和智能流只是在比喻意義上可以類比，前者是電子的流動，後者是比特編碼的流動，不是同類事物，但這種類比有助於我們感受問題的關鍵所在。我們不妨對比一下兩個時代的企業升級。

當電氣流向千萬企業，很多企業主動尋求升級，雖不是像蒸汽時代那樣抗拒，但同樣困難重重。一百多年前的電力系統十分複雜。需要在直流電、交流電，不同的電壓、不同水平的可靠性、不同的電力介面以及價格之間做出合理的選擇。直到今天，各國的電壓和介面規格（插座口）也都沒有統一。和不同電力公司打交道也是個技術活，否則很可能吃虧，正如今天企業找互聯網技術外包公司時，如果不專業，就會落入陷阱，從編程語言到系統架構，都有各種令人眼花繚亂的選擇。

如今，尤其是這兩年，人工智慧再度呈現技驚世人的技術，這是機器學習技術的升華版——基於多層計算機晶元神經網路的「深度學習」方法。通過多層晶元聯結，模仿人腦大量神經元的網狀聯結方式，輔以精妙的獎懲演算法設計和大數據，可以訓練計算機自己從數據中高效地尋找模型和規律，從而開啟了一個機器智能的新時代。

科學家們覺得人工智慧經過這麼多年的發展，到了「終於可以用了」的階段，而它的實力在我看來，才剛剛開始施展拳腳。

在人工智慧時代下，你我都需要做出改變

我無意過分誇大人工智慧的作用。

從縱向發展來說，業界通常把人工智慧分為三個階段：第一階段，弱人工智慧；第二階段，強人工智慧；第三階段，超人工智慧。實際上，目前所有的人工智慧技術，不管多先進，都屬於弱人工智慧，只能在某一個領域做得跟人差不多，而不能超越人類。

對此，我可能比大多數人都更保守一些。在我看來，人工智慧永遠不會到那一步，很可能連強人工智慧都到不了。未來，機器可以無限接近人的能力，但是永遠無法超越人的能力。

當然，僅僅是無限接近人的能力，就已經可以產生足夠大的顛覆性。因為計算機在有些方面實在比人強太多了。比如它的記憶能力，百度搜索可以記憶上千億的網頁，其中的每一個字它都記得住，沒有一個人能夠做得到。再比如它的運算能力，哪怕是寫詩——打個小廣告，把你的名字輸入手機百度的「為你寫詩」，敲回車鍵，沒等你反應過來，詩就出來了。再厲害的七步神童，也很難達到這種速度。但是，在情感、創造性等很多領域，機器是無法超越人類的。

跟我不一樣，技術界還是很樂觀的。

智能領域的權威人士都認為，在不久的未來，智能流會像今天的電流一樣平靜地環繞、支持著我們，在一切環節提供養料，徹底改變人類經濟、政治、社會、生活的形態。陸奇稱智能時代的核心本質是「knowledge in every system, intelligence in every interaction」（知識無處不在，任何交互都是智能的）。未來世界的人們將像穿衣吃飯一樣享用著人工智慧而無所察覺。

有人為人工智慧的到來感到焦慮，其實我覺得大可不必。

在20世紀初，美國有50%的農業人口，但隨著農業機械化，現在的農業人口降到4%，而城市化吸收了多餘的農民。但眼前發生的事情是不同的，當人工智慧大規模進入社會後，人類能做的工作它們大部分都可以做，城市不會再有更多的就業崗位留給人類。通行的美好說法是，人們在常規工作中被人工智慧取代後，可以去從事創造性的工作。問題是創造性的工作不是人人都可以從事的，也不需要那麼多的人，如果社會分配製度不改變，一個全部由科學家和藝術家構成的人類世界幾乎是一場噩夢，這上百億科學家和藝術家中的絕大部分註定一生碌碌無為，對社會和自己都毫無用處，且淪入「創造性」的窮困潦倒中。

但這種思維方式總有些不對的地方。人類自古以來為生存而勞作，實在是迫不得已，工作著是美麗的，但誰都知道，不需要工作的生活更美麗。現在終於能夠製造出把自己從工作重負中解放出來的機器，這是人類文明最偉大的成就，無論如何不應該被看作一場災難，相反，這可能是人類所面對的前所未有的偉大機遇，只是，我們需要改變。

跳棋、國際象棋、圍棋後，AI還將進擊

AlphaGO和深藍的邏輯並不一樣，同樣是下棋，但背後的人工智慧已經實現再次飛躍。

蒙特卡洛方法就體現了概率學的精妙。假設，在某個棋局局面下，深度學習網路給出了三個候選落子辦法A、B、C，以這三個點為根節點，分別往下走子，可以想像成三棵樹，每棵樹還有無數分支。蒙特卡洛搜索不去窮盡所有分支（窮盡所有是深藍的做法），而是派出300萬隻螞蟻分別從A、B、C出發，每個點100萬隻，飛速向樹梢爬（也就是往下黑白棋交替走子直到決出勝負，基本上走200步就會分出勝負），總有部分螞蟻走到最高點（也就是決出勝負，假設螞蟻走到終點的情況代表黑子勝，沒走到終點的情況代表白子勝）。

假設從A點出發的100萬隻螞蟻有30萬隻到達終點，從B點出發的有50萬隻到達終點，從C點出發的有40萬隻到達終點，系統就認為黑子走B點勝率更高，就會選擇B點。這就是概率學的取樣演算法，相比逐項窮舉法，極大地縮減了計算量。

為什麼派100萬隻螞蟻而不是10萬隻或者1000萬隻？這是根據計算機的計算能力和對競爭對手的大致估計來確定的。如果派10萬隻螞蟻就可以得到較高勝率，那麼派10萬隻也可以。在相同時間內派出越多螞蟻，對計算能力要求越高。

除了下棋，人工智慧還進擊了金融、翻譯、資訊分發領域。

金融信息可能是最複雜、最枯燥的信息，一份股轉書有兩百多頁，還有大量的年報、半年報、研究報告、公告、反饋意見、盡職調查結果……我們不知道，有多少行業分析師是完全看完這些信息，再做出決策的。也許，不是他們不夠勤勉，而是讀完這些信息已經非人力所及。

20世紀90年代，一個基金經理要把市場當天產生的研報、輿情、新聞、交易數據等看完，大概需要10個小時，也就是兩天的工作量。2010年，移動數據爆發之後，這個基金經理要把每天市場上產生的信息吸收掉，大概需要10個月的時間。2016年，還是這個基金經理，假如把當天市場上所有的信息看完，大概需要20年的時間，相當於整個職業生涯。所以基金經理迫切需要利用先進的智能技術，比如百度的自然語言處理技術。

機器可以瞬間完成上市公司的公告、財務報表、官方發布、社交平台、證券行情、實時新聞、行業分析報告等海量異構數據的閱讀，對於文本中的圖片和表格需要OCR（光學字元識別）等技術解析。緊接著，進行關鍵實體信息的提取，發現埋藏在實體信息之間，如行業上下游關係、供應鏈關係、股權變更歷史、定增與重大資產重組的關係、多張財務報表之間的數據交叉驗證等數據關係，形成並呈現這些複雜關係的「知識圖譜」。

再說翻譯。在機器翻譯的模式中，人類要做的不是親自尋找浩繁的語言規則，而是設定數學方法，調試參數，幫助計算機網路自己尋找規則。人類只要輸入一種語言，就會輸出另一種語言，不用考慮中間經過了怎樣的處理，這就叫作端到端的翻譯。這種方法聽起來挺神奇，其實概率論里的貝葉斯方法、隱馬爾科夫模型等都可以用來解決這個問題。

技術是神奇的。以資訊分發當中的貝葉斯方法為例，可以構建一個用概率來描述的人格特徵模型。比如男性讀者模型的特徵之一是在閱讀新聞時點擊軍事新聞的概率是40%，而女性讀者模型是4%。一旦一個讀者點擊了軍事新聞，根據貝葉斯公式就可以逆推這個讀者的性別概率，加上這個讀者的其他行為數據，綜合計算，就能比較準確地判斷讀者的性別以及其他特徵。這就是數學的「神奇」。當然，計算機神經網路使用的數學方法遠不止這些。

人類的行為一旦被互聯網以數據的形式記錄下來，就成為滋養人工智慧在各行各業齊頭並進，進而幫助人類自己的無窮無盡的燃料。機器翻譯、語音識別、圖像識別都是基於互聯網提供的大量數據，用戶點擊行為也是如此。為什麼百度搜索引擎的準確性是國內其他搜索引擎難以比擬的？因為數據量最大、演算法最先進、積累最雄厚。用戶的每一次點擊其實都在訓練搜索引擎背後的百度大腦，告訴它哪一條資訊才是用戶最想要的。

實際上，臉書也擁有自己的人工智慧實驗室以及類似谷歌大腦的團隊——應用機器學習事業群。這些機構的使命是在各種臉書產品中推廣人工智慧技術。用該公司首席技術官麥克·斯克洛普夫（Mike Schroepfer）的話說：「臉書約有1/5的工程師現在都在使用機器學習技術。」

AlphaGo的主人谷歌當然也不會只滿足於下棋，其人工智慧投入多年來不斷膨脹。2012年，谷歌只有兩個深度學習項目，2016年底這個數字突破了1000。目前谷歌從搜索、安卓系統、Gmail（免費網路郵件服務）、翻譯、地圖、YouTube（視頻網站）甚至到無人車，都有深度學習的影子。

人工智慧進步背後的原理

中國擁有龐大的業務應用場景、用戶和數據以及基數最龐大的人才群體，進步很快。除了BAT（百度、阿里巴巴、騰訊三大互聯網公司首字母縮寫）、華為等巨頭大力開發人工智慧，還有很多垂直領域的人工智慧公司湧現。在去年的各種互聯網論壇上，不論是電商、社交媒體，還是搜索引擎，各家互聯網企業的掌門人都在將話題引向人工智慧，彙報著或大或小的成績。

決定現代數字計算系統主要結構的是資源的組織形式。而人工智慧計算的本質，簡單來說，非常不同於馮·諾依曼的控制流結構，後者採用線性的記憶體和布爾函數作為基線計算操作。而新的範式是神經網路計算，其特徵在於分散式的表示和激活模式。在這裡，變數由疊加在共享物理資源（如神經元）上的向量表示，並且通過神經元的激活來進行計算。網路的拓撲架構和激活模式提供了巨大的計算空間，可以有效並且自然地捕獲豐富的知識（通過拓撲的超參數、權重、激活函數）。相對於馮·諾依曼架構中的本地化表示（其中變數由諸如寄存器的專用或局部化物理資源表示）和符號計算，神經網路計算在學習和表示物理世界以及社會的豐富的語義知識方面更加自然和強大。

通過神經網路計算的力量，下一波的人工智慧技術可以在以下兩個維度提升目前的計算系統：

一是自動分層特徵/表示學習。這是機器學習容量的實質性提升，因為當今機器學習工作的很大一部分關鍵在於特徵工程。如百度大腦已經擁有萬億級的參數、千億級的樣本和千億級的特徵訓練。

二是高級認知，特別是感知能力。這是下一代設備（如無人駕駛汽車）和下一代平台（如自然語言會話）產生的巨大催化劑。

人工智慧計算的強大能力將有助於產生許多新品種的智能系統，如機器律師、機器分析師、醫療機器人、智能客服人員等。

人工智慧計算的另一個發展方向是組織各種服務於特定物理架構和物理要素的系統，如家、辦公室、工廠等的智能系統。其基本模式是通過使用物聯網感測器的各種原始信號，人工智慧的「感知系統」會對物理架構進行識別和感知；而「認知系統」需要組織信息和學習更多關於物理架構的知識，並去預測、判斷和決策，以使各類物理系統更加智能。

目前，在科研領域，人工智慧計算可以提供更先進的建模能力，成為多領域和新一波科研浪潮的催化劑。

在商業方面，人工智慧可以提供額外的機會，為企業組織創建集成的業務計算系統（Business Computing System，BCS）平台。如記錄業務對象（如系統設計模型、交易記錄）和業務流程（如ERP（企業資源計劃）、CRM（客戶關係管理）；或者系統設計並模仿人類工作活動，如溝通、協作、閱讀、寫作、尋求信息等。

目前來說，人工智慧的「感知系統」有更廣泛、更新的商業機會：一方面，可以構建和部署更多的「感測系統」的子系統，針對的是物理環境或物理系統，如裝配線、工廠等。這使得未來人力密集的製造業、商業服務業等，可以採用更先進的信息工具和更強的自動化。另一方面，自然語言處理技術的迅速進步使得我們可以掃描和分析文本文檔和信息，並從中提取各種高價值的業務知識，而構建和部署專用的「文本理解子系統」可以得到很多高價值的知識和商業回報。

人工智慧「認知系統」的成熟代表了智能時代更長遠的未來，所有的行業、職業、社會系統、生活方式都將被重塑。如果數字化社會可以概括為「信息就在指尖」，那麼，人工智慧時代的本質可以概括為「知識無處不在，任何交互都是智能的。」

這個浪潮對大多數人來說無疑是巨大的機遇。

傳統的製造業基本上以器械、電器和電力為主，其生產流水線基本上要用很大規模的投資來建立，後續很難調整。比如一家汽車製造廠，要重新建立一條生產流水線，成本很高，花的時間很多。當數據智能、自動化、精準預測對製造業的改造完成之後，後者的面貌將煥然一新。未來的製造業生產流程將是模塊式的，全部是數字控制。當一家汽車製造廠要調整生產，製造另外一種樣式的汽車，它不再需要重建生產線，而只需要把新產品模塊的介面（API）調過來就可以了。這將徹底改變製造業基礎，製造業效率也將會極大地提升。

這個改變的核心是數據和知識，即製造的流程、製造的工藝、製造的設計，製造的每一步都會用數字來控制。

再比如製藥行業。以前一款新葯的誕生要經歷長期的研發過程，去發現某種方式對某種病症有效。未來藉助人工智慧計算技術，將龐大的基因數據與海量的健康信息結合起來分析，人類可以很快發現規律，找到個性化的基因藥物。

大數據之「大」，讓不可能成為可能

既然人類運用數據已久，而且自工業革命以來，數據經歷過一次又一次的爆發，何以近年來才出現「大數據」的概念？僅僅是它所能記錄和計算的數據量更多而已嗎？自然數可以無限數下去，1、2、3、4，以至於無窮，但「多」是不夠的，還必須具有幾大特徵：

第一，大數據的「大」。毋庸置疑，這個「大」相對於人類傳統數據的儲存方式，不是一個量級上的大小之分，而是幾何量級的差距。想想百度地圖上每日720億次的定位請求，再想想互聯網上每天有多少次點擊、社交媒體上每天有多少文字和圖片發出……各種大數據平台一天之內收集到的數據量就可以超越人類幾千年來文字、圖像的總和。

第二，大數據的另一個重要特點是多維度。多維度代表著大數據可以對一個事物進行多方位的描述，從而更準確。

在電影《諜影重重》里出現過一個大數據公司，能夠根據互聯網數據、交通數據、歷史檔案等各種維度的數據幫助美國中央情報局（CIA）迅速追蹤和定位疑犯。現實中美國的Plantir數據公司便是如此幫助美國政府追蹤本·拉登，提供反恐信息和社會危機預警。它們更常見的業務是識破金融詐騙。

以金融徵信應用為例，傳統金融機構在進行徵信時，一般採集20個維度左右的數據，主要包括年齡、收入、學歷、職業、房產車產、借貸情況等。然後綜合評分來識別客戶的還款能力和還款意願，決定信貸額度。

互聯網公司採用大數據方法，所獲得的維度可以讓傳統銀行嚇一跳。BAT都開設了自己的金融服務，因為擁有全面且巨大的用戶數據，可以查詢客戶的各種線上記錄，比如是否有批量申請貸款等異常行為；還可以將客戶信息與互聯網全局信息比對，通過欺詐行為模式的比對分析其可信度；更進一步，還可以分析客戶的消費行為和習慣，結合填報收入分析還款能力如何。當然，作為用戶的隱私，這些數據都不會被公開，用戶所能感受到的便利是徵信排隊時間極大地縮短了，因為大數據可以在幾秒鐘內就對申請者超過1萬條的原始信息進行調取和審核，迅速核對數萬個指標維度。

對一個陌生人進行徵信就好比「盲人摸象」，傳統方法是通過20個「盲人」去評估一個客戶的信用「大象」，註定是有缺陷的。而大數據的多維度就如同幾萬人同時「摸象」，再把這幾萬人的反饋匯總到一起。維度越多，結論就越準確。

第三，處理非結構化數據的能力。結構化數據中最基本的數字、符號等，可以用固定的欄位、長短和邏輯結構保存在資料庫中，並用數據表的形式向人類展現（想一下常見的Excel表格），處理非常方便。但是互聯網時代產生了大量非結構化數據，對於圖片、視頻、音頻等內容，它們的數據量巨大卻沒有清晰的結構。對於圖像的數據，我們只能理解為一個二維矩陣上的無數像素點。非結構化數據增長量很快，據推測將佔未來10年新生數據總量的90%。而大數據技術可以通過圖像識別、語音識別、自然語言分析等技術計算、分析大量非結構化數據，大大提升了數據維度。

非結構化數據的數量遠超結構化數據，蘊含巨大能量，應用前景廣闊。例如，在機場等公共場合的個人身份檢查，過去只能根據旅客提供的身份信息這一個主要維度去判斷其身份。而人臉識別、語音識別等技術應用成熟後，大數據可以直接通過攝像快速比對審核，增加對個人身份判斷的維度，進行既精確又高效的安全檢查。

第四，大數據是生生不息的「流」，具有時間性。它過去就不再回來，就像人無法兩次踏入同一條河流。這一方面是因為數據量太巨大，無法全部存儲；另一方面是大數據和人類生生不息的行動相關，瞬息萬變。百度大數據實驗室因此提出一個概念叫作「時空大數據」。

地圖就是時空大數據之母。百度地圖有一個路段擁堵預警功能。如果前方路段暢通會顯示為綠色；如果擁堵則會顯示成紅色，提醒用戶選擇其他路線。這是我們與數據互動的一個簡明例子。如果我們有A和B兩條路線可以選擇，此時A路線擁堵而B路線暢通，那麼我們都會選擇B路線；當越來越多的車主選擇B路線，那麼B路線將會變成擁堵而A路線又會暢通。

此消彼長，變化萬千。依靠智能手機的定位功能，百度地圖可以實時更改當前的路況監測結果，精確地告訴每一個位置用戶當前自己所面對的路面情況。通過數據可視化技術和各種評估手段，可以描繪一座城市的日常脈搏，比如上下班的人流數據變化，彷彿城市在吞吐呼吸。除了被記錄下來的，更多數據只在當時有效。把數據全部存儲下來是不可能的，那樣需要的硬碟可能整座城市的地皮都堆不下，只能即時應用，用過就消失。

最後一點，也是最重要的，大數據的「大」表現為無盡的重複。對於語音識別來說，正因為人們重複講述同樣的語句，機器通過反覆識別這些人類語音的細微差別，才能全面掌握人類語音。也正因為人們周而復始的運動，才讓系統能捕捉城市運動的規律。「重複」的數學意義是「窮舉」。以往人類無法通過窮舉法來把握一個事情的規律，只能採用「取樣」來估計，或者通過觀察用簡單明了的函數來代表事物規律，但大數據讓窮舉法這種「笨辦法」變得可能了。

中國在人工智慧領域存在強烈的內在驅動

顯然，在多元化的網路世界裡，沒有任何一個國家、機構能「獨當一面」。只有不同文化、經濟、政治背景的基因進行競爭，才能對網民的需求做出全面恰當的回應。

從國情來看，中國發展人工智慧較歐美國家有著更強烈的內在驅動，這種驅動來自民間。百度搜索統計顯示，有關「服務」的搜索請求數量始終在迅速增長：2014年比2013年增長了133%。2016年在基數更大的情況下，仍有153%的增長。

在移動互聯網領域的應用上，中國比美國更普及。中國網民早已習慣於訴諸互聯網尋求服務。如今中國每100張電影票中就有55張是通過網路下單預訂的。與之對應的是，互聯網服務在美國電影行業的滲透率只有20%，也就是說100張電影票中只有20張是網上訂票。比如，中國餐飲行業的互聯網滲透率是2%時，美國只有1%。

中國之大，之特殊，要高效實現中國網民的服務需求，人工智慧創新就是一條必由之路。

驅動的另一個源頭則是產業焦慮。中國製造業成本上升很快。放眼全球，工業越來越自動化和智能化，高端製造業可能會回到歐美，而低端製造業已開始流向越南等國。如果不在短時間內完成產業轉型，中國製造業將面臨「空心化」的困境：高端製造業、低端製造業都將流出中國——這個轉型，能不依賴人工智慧這一環嗎？

儘管局勢緊迫，但中國的實力值得看好。中國企業的執行力、中國政府的支持力度都是新興產業的強力後援。

如果說網民的需求是「天時」，企業與政府的合作是「人和」，數據則是中國大腦發展必不可少的「地利」。在這一領域，中國更是得天獨厚。

龐大的人口規模、複雜的社會環境和面向不同應用場景的互聯網企業，匯合收集這個數據全集意義非凡。可以預見，不久的未來除了個人數據，依託於公共環境或者政府背景而產生和積累的數據，如汽車註冊信息、學籍學歷、犯罪記錄等，將以加密的方式形成個人基礎電子檔案。企業與市場通過服務輸出獲取的數據，如信用卡賬單、消費記錄、網站瀏覽偏好、慣用手機品牌等，則將以用戶授權的方式再次轉化為服務回饋給使用者。

這裡的「使用者」，不是會編碼、能建模的「碼農」博士，而是普通的公眾群體。讓更多的人也能便捷地使用智能設備才是真正意義上的科技福利。