AI技术演进与实践应用全解
近期参与了一场关于人工智能知识的培训课程，现将讲座录音整理后分享给各位。今天我们探讨人工智能技术的发展历程、最新进展，以及在日常管理和工作中的应用策略。
要理解AI的发展历程，需要回顾其数十年的演进过程。AI概念诞生之初，研究者们就在思考：计算机能否像人脑一样具备智能和管理能力？当时主要形成了两个研究学派。
第一个学派称为符号主义。该学派主张人类的知识由一系列符号构成，只要理清符号之间的关联，知识就能被表达和传递。文字、数字、数学公式、化学方程式等都属于符号范畴。理清这些关系后，就能构建知识体系。这一学派最具代表性的设想是开发"专家系统"——将专家的知识转化为符号形式，将规律植入系统，从而创造出与专家同样聪明的智能程序。
以医疗专家系统为例：收集所有医生的病历记录，分析医生的诊断逻辑——首先询问患者症状（如咳嗽、发热等），然后进行必要检查（验血、验尿等），获取数据后判断病症，最后开具处方。诊断逻辑其实很清晰：根据症状，依据知识体系和逻辑推理，确定病症并给出用药方案。理论上可以收集全国医生的病例，将病症转化为符号，梳理病症到疾病的逻辑链条，贯通疾病到用药的关联，从而构建诊疗系统。患者只需输入症状，系统即可判断病症并给出用药建议。
然而实践表明这条路径并不顺畅。大家应该都有体会，医院病历上的字迹往往难以辨认。这些医生都是博士学历，不可能不会好好写字。原因是多方面的：首先，医生担心如果病历写得过于清晰，患者下次患相同疾病时可能不再来医院，而是自行查阅病历购药；其次，更重要的原因是，医生诊断难免出错，一百个患者中总有一两个误诊，开错药，严重时可能危及患者生命。此时家属必然追究医院责任，而病历是最关键的证据。如果病历写得清晰，证据确凿；但如果只有医生自己能辨认，解释权就在医生手中。自我保护是人的本能，因此医生天然倾向于将病历写得不够清晰。
构建专家系统时，首先获取的数据本身就不够清晰准确，用这样的数据训练模型，效果必然不理想。这正是当年专家系统面临的困境：真正的专家很难将自己的知识清晰明确地表达出来。因此这一方向一直发展不畅。
随后有人提出新思路：既然无法获取高质量数据，不如模仿人脑的工作方式来设计AI。这就是当下较为成功的学派——连接主义。
连接主义认为人脑由神经元构成。神经元是一种细胞，生长过程中会伸出许多分支。细胞伸出的较长分支称为轴突，较短的称为树突，它们相互连接。脑细胞最初相互独立，逐渐生长出分支并相互搭接，形成知识和能力。单个脑细胞独立存在时产生不了太多知识。新生婴儿脑袋很大，说明脑细胞已经具备——人体约有1000亿个神经元，但这些细胞相互独立，没有生出足够分支，所以婴儿什么都不会，不会说话、不会唱歌、不会认字，因为还没有建立知识连接。
随着小孩成长，脑细胞分支不断伸长，相互搭接，形成知识连接。哈佛大学和谷歌的研究显示，人脑细胞最终会连接成密集的网络，这个网络构建了我们的知识和能力。这些连接传递知识信号。人老了会健忘，原来记得的事情忘记了，是因为原本建立的连接随年龄增长而退化、断开了。小时候学的英语单词现在还记得多少？不记得了就是因为长期不用的连接逐渐萎缩了。
因此人需要学习的原因就在于此：一是建立新的连接，二是巩固已有的连接。学习的过程就是大脑网络不断形成新结构、搭建新连接的过程。有些事情越做越熟练、越做越顺畅，正是因为那条连接越来越牢固。
既然如此，模拟人脑神经元网络的结构，不就能让机器像人脑一样聪明了吗？这就是连接主义的基本思路。我们构建简单的人工神经元模型，包含输入和权重——权重表示信号对你的重要程度。把输入乘以权重再相加，得到综合信号。如果这个综合信号足够强，就会刺激神经元，将信号传递给下一个神经元。人脑神经元传递的是生物电信号，相当于微弱电流。
举例说明：假设你在街上看到一位美女，输入包括a1长相、a2身材、a3气质。权重代表你对各因素的重视程度——颜控会给予长相较高权重，身材控会给予身材较高权重。相加得到总分，代表你对这位美女的综合评价。如果是九十分，很漂亮，视觉神经元就会将信号传递给其他神经元，比如控制心跳的神经元，让你心跳加速；还会传递给控制手脚的神经元，让你上前搭讪要联系方式。如果只有六十分，那就放弃，不继续传递，看一眼就离开了。这简化模型很好地模拟了人脑的工作机制。
好，那么我们就把许多人造神经元连接起来，就像人脑上千亿个神经元一样。我们可以构建同等规模的神经网络，这不成问题，靠算力就能实现。这就是连接主义的思想。
但神经网络构建完成后，初始状态是什么样的？就像小孩出生时，大脑中的连接还没有建立。初始化时，我们可以把所有权重设为零。权重为零，无论输入什么信号，乘以零还是零，相当于两个神经元没有连接，是断开的。因此网络初始状态就是所有权重等于零。
那如何让网络学习知识呢？人学习知识的过程，是父母或老师每天教你1+1=2，第二天忘了，老师再用苹果的例子不断强化，慢慢你就学会了，实际上就是建立了连接。那如何让神经网络学会1+1=2呢？过程有相似之处。
我们构建六个神经元，一边输入1，另一边也输入1，希望输出结果是2。但一开始所有权重都设为零或随机给个初始值，比如都设为0.1。小孩出生时虽然很多不会，但也有一些本能，比如会吃奶，所以给0.1作为初始能力。然后我们把1和1输进去，算出来的结果可能是0.06，与标准答案2相差很远。有误差没关系，我们根据误差调整权重——误差越大，调整幅度越大。有一套公式，通过误差来调整权重。调一次，结果可能变成1.2，误差小了一点；再调一次，调到第十次第八次，权重调成了0.5、0.667什么的，再输入1和1，输出就是2了。这个过程就是不断调整权重，让网络学会知识。之后要学别的知识，比如画画，也是一样：输入文字，让它画一幅画，跟真实想要的画比较，有误差就去调权重，最后就能画出来。这就是训练神经网络的大致过程。
有了这个思路后，这些年取得了很多进展。第一个进展在图像识别领域。有三位科学家，其中一位叫Hinton，被誉为AI教父，这一波人工智能的神经网络理论体系主要由他研究。他在2018年获得图灵奖，2024年又获得诺贝尔物理学奖，成就非凡。他提出的网络将图像识别率从原来的百分之六七十提升到了百分之九十多，与人的识别率相当，甚至更高。所以图像识别是这一波AI最先成熟、应用最广的领域。现在坐飞机、坐高铁，把身份证放在上面，系统比对照片和现场拍照，识别率已经超过人了，不需要人工再核验。小区人脸识别进门，交警查违章识别车牌，都是图像识别。这是第一波比较成功的应用。
第二波是强化学习。我们现在的AI虽然能学习很多知识，但很难做数学推理，比如一步步解数学题、做证明。强化学习来自英国一家叫DeepMind的公司。他们在2016年做了个下围棋的软件叫AlphaGo，当时挑战世界最顶尖的围棋高手李世石，结果四比一，AlphaGo赢了三盘。以前大家认为围棋很难，因为组合排列太多，但他们发明了新算法。2017年他们在《Nature》杂志上发表了一篇文章，题目翻译成中文就是"掌握围棋知识，不需要人类知识"。他们不学习任何人类棋谱、定式，而是自己与自己下棋。
怎么下的呢？很简单：自己与自己下棋，一方黑子一方白子，一开始空棋盘，随意乱下。下到某一步，比如第200手，判断出这一局黑子赢了。赢了以后，我们就收集数据：黑子面临的每一个棋局，他走的那一步都是对的。所以输入是黑子当时看到的棋盘，输出是他走的那一步。一局棋下来，收集到200组数据。用这200组数据去训练一个神经网络，调一调权重，这个网络就比凭空乱下要好一些。第二盘棋，根据这个网络给出的意见来走，会走得更好。走完以后，可能白子赢了，又把白子的数据收集起来再训练。这样一天可以自己与自己下多少盘？因为算得快，用上千块GPU，一天可以下100万盘。一个人一辈子也下不了100万盘。就这样下了四天，从一个小白变成了世界第一高手。后来所有的人类棋手去挑战它，全都输了。而且它还在不断自己与自己下棋，不断提高。所以现在下围棋，已经是人和人下、机器和机器下，人没法跟机器下了。这个项目后来停掉了，不再进化，算是给人类留点面子。但关键是，它没有看过人类任何一本书，却把人类两千多年来总结的所有定式、规律都自己总结出来了，甚至更多。所以现在人要学下棋，得向AI学习。
这一波给我们一个非常重要的信心：人工智能不一定要向人学习，只要有足够的算力（GPU）和足够的数据来训练神经网络，就可以让机器变得比人更聪明。现在各大公司都在追逐这个方向，都认为我们训练的大模型一定会越来越聪明。
当然也有人反对，说这算什么智能？就是靠暴力，一天下100万盘，靠堆算力堆出来的。但至少在这个领域，它成功了。
后来还有一些新做法，比如扩散模型，用来画图。现在大模型画出来的图很漂亮，做视频也很厉害。中国有个产品叫可灵，做的视频很漂亮；最近听说还有个更厉害的视频软件，叫happyhorse。你写一段话，它就能生成一段电影级别的视频。怎么做呢？跟前面一样：找很多图片或视频，让人给每张图片、每个视频写一段描述，这样就有了训练数据——输入是那段话，输出是图片或视频，然后训练神经网络，调权重。这个领域发展特别快，估计到今年或最迟明年，就会有AI做出来的电影发布。这对影视行业、短视频行业是巨大冲击。以前拍电影预算动不动上亿，要请导演、编剧、演员，要布景、采景、灯光、摄影，一大堆人。现在一个人、一台电脑就能搞定。你把《红楼梦》的小说丢给AI，让它读一遍，然后写剧本，创建角色，林黛玉什么性格，贾宝玉什么形象，然后让他们去演。声光、摄影、导演什么都不要。广告公司也是一样，以前写文案、配图、摄影一大堆工序，现在用AI可以自动化完成。
再进一步就是语言模型。我们人类大部分知识都存放在语言里。古代皇帝为什么喜欢修书？比如《永乐大典》，几百万册，把古代知识分门别类整理出来。大部分知识是文字，所以训练一个能理解文字的语言模型非常重要，也非常难，因为语言有歧义、语义丰富。他们训练模型的方式其实很简单：从前面几个单词预测下一个单词。所有的大模型，不管豆包还是DeepSeek，本质上都是通过前面几个单词预测下一个单词，然后把这个预测结果再放到前面去，像文字接龙一样，把答案或文章写出来。语言模型出来以后，大家觉得这是很重要的战场，因为它一旦能理解语言，就能干很多事情。我们日常交往主要靠语言，所以现在的语言模型天文地理什么都知道，可以写文章、写代码、做数学，交互能力也很强。
现在AI最大的特点就是"三大"：大数据、大模型、大算力。首先有一个大模型，就是很多神经元。为了训练它，需要准备大量数据。现在AI的知识比我们人丰富得多。古人说"读书破万卷"，一个人一辈子大概读一万本书。一万本书在电脑里占多少空间？一本书100万字，大约1兆，一千本书就是1G，一个T的硬盘可以装100万本书。而训练一个大模型需要大约200个T的数据，也就是2亿本书。人哪能读2亿本书？所以现在的AI，不管豆包还是别的，都比我们每个人的知识丰富，你可以问它化学、物理、历史等各种知识。第一个特点就是"大"。这么大的数据、这么大的模型，就需要算力，就是GPU。GPU和CPU有什么区别？CPU做逻辑运算，只有几个或十几个计算核心；GPU有几千个计算单元，可以做并行矩阵运算。现在最新的GPU一块要卖50万人民币，美国还不卖给我们。英伟达靠卖GPU已经成为全球市值最高的公司，市值4.5万亿美金，相当于两个俄罗斯的GDP。所以AI的发展带动了巨大的商业价值。
模型大了，学了这么多知识，就会涌现出智慧。现在AI的最新水平已经超过了普通一般人，甚至超过了一般的大学生、研究生。第二个特点是它有思维链，会把一个大问题分解成小问题来做，就像我们人一样。
最新的发展有几个方向。第一个是把大模型和物理身体结合起来，变成智能机器人。今年春晚上机器人已经表演了武术，以后可以在家里帮你洗衣服、做饭、整理房间。很有可能在2027年量产，定价2万多美金，十几万人民币。当然要完全满足中国人做饭的要求，比如辣椒炒肉有好多种炒法，可能还要一段时间。但帮你整理房间、做三明治，还是可以的。到工厂打螺丝、搞物流，也会慢慢兴起。
第二个是用于科学研究。DeepMind那个公司，老板其实是学计算机科学和神经科学的，他后来做了AlphaFold，专门做蛋白质结构解析。疫情的时候，我们拿不到有效药物，是因为新型病毒需要先知道它的三维结构，找到弱点靶点，才能研发药物。以前用冷冻电镜，清华买了八台，一个院士团队一年吭哧吭哧测二三十个蛋白质结构。但DeepMind训练了一个神经网络，只要输入病毒的核糖核酸排列顺序，就能直接画出三维结构。2024年一年，他们画出了2亿个蛋白质结构。人类要做的话，几万年都做不完。2025年，他们把所有的蛋白质三维结构都画出来了，数据开源给全球用。以后发现新病毒，很快就能拿到它的结构，研发药物，所以再过十来年，大部分疾病可能都可以治愈。大家把身体养好，扛过十年八年，说不定就永生了。
第三个是自动驾驶。特斯拉设计了一款没有方向盘、没有脚踏板的车，已经上路了。亚马逊也做了无人驾驶小车，里面没有驾驶舱，面对面两个座位，中间一张桌子，把你送到目的地。以后周末打麻将，进去坐下来打牌就行。技术上没什么大问题了，主要是法律问题——出了事故谁负责？没有驾驶员，是厂商负责还是导航负责？法律还没跟上。
还有，现在AI做数学可以参加奥林匹克竞赛拿金牌，画图、写书法都很好。最厉害的是编程能力。我前阵子到深圳给MBA学生上课，他们很多人一行代码都没写过，但只训练了两天，就能用AI写出一个中等规模的软件。你只要把业务描述清楚，AI就能帮你写代码、做系统。所以现在硅谷很多大厂在大量裁员，裁的是初级程序员和中层管理者。以前是一个资深架构师带一个团队，几十上百号人，需要中层管理者上传下达。现在下层的活AI干了，中层也就不需要了。架构师直接带一群AI，把活干完。AI会让强的人更强，弱的人很快被淘汰。最强的模型一个月也就2000块钱，至少能顶10个人工。养10个人，一个月几万块，还得交社保、处理各种事。所以硅谷有句话叫"算力大于人力"，宁愿花钱买算力，也不愿意养人。
我给大家演示一下。我用的模型叫Claude 4.6，是最厉害的，200美金一个月。它帮我写学术论文，一晚上写出31页的英文论文，数据表格、图表、数学公式全都有，可以直接投稿。我还让它写一篇60页的数学模型论文，请数学博士生看，没什么大问题。中文论文也没问题，15页，非常规范。硕士、博士论文，84页，一晚上搞定，符合硕士论文的规范和要求。我做这些事，只需要给它思路、主题、参考文献，它就干活了。我带十个博士生，一年出五篇好文章就了不起了；用AI，一个月可以出三十篇，而且每篇都不一样。这就是为什么国外公司说可以用算力代替人力。
我还让它分析Excel表格，比如MBA录取数据，分析影响录取的重要因素，绘制图表。它几分钟就给你分析出来。你还可以把AI嵌入到Word、PowerPoint、Excel里，跟它下指令就行。还有一个叫"小龙虾"的东西，它是一个智能体，可以连接各种工具和技能。你可以让它查你的谷歌邮箱，把最新的十封邮件显示出来；你可以让它连接微信、飞书，在外面开车的时候用手机跟它说话，安排任务。它还有心跳机制，可以主动触发某些事情，比如监测天气，明天下雨就提醒你带伞。订餐、订票、炒股，只要你把权限给它，它都能干。你养它时间长了，它越来越懂你，就成了你的私人秘书。
所以，AI已经非常厉害了。普通人用AI和我现在用AI的方式差别很大。我有一套方法体系，不是说直接跟大模型说"给我写一篇硕士论文"它就写了，那不行。你得有一套方法，把它训练好。现在AI已经具备了很实用的能力，如果你会用，可以大量简化工作。
从管理的角度来看，很多咨询公司认为这是一场非常重要的革命。以前的管理把人当机器管，计件制、计时制、绩效考核。以后干活的事情AI干，人主要释放创造力。比如写文章，AI帮你写，但想法、思路、要查什么材料，还是人自己出的。作为组织者、管理者，你要提出新的问题、新的想法，让AI去做。
现在企业的情况是，有相当比例的企业在采取行动，而且这个比例还在上升。创新有运营层面、产品层面、商业模式层面、生态层面。从"人+工具"演变成"AI+人"，AI变成我们的副驾驶、协作者。小龙虾就是一个AI助理，它的核心是连接大模型和各种工具（技能）。最近硅谷有个搞笑的事：一个员工离职了，他的工作没人接，有人把他留在公司里的所有文档整理了一下，用AI做成一个技能，以后这个技能就能干他原来的活，相当于把他克隆了。
大模型的不足有幻觉、记忆力短、知识陈旧等，而智能体有感知能力、记忆能力、规划能力、执行能力，还有React模式，可以推理、行动、观察、反省。企业里的应用场景包括数据分析、自动化流程（做报表、订单管理、生产优化）、客户洞察、风险合规。审计这方面，AI也很擅长。这里面有很多工作，其实是一些数据分析、资料分析、写报告，我觉得是可以做的，只是现在可能因为一些原因没有推广。我以前也做过不少文字工作，各种各样的材料特别多，我也很烦。后来到学校就写论文嘛，也是这样子。其实这件事情我觉得是可以做的，就是可以把它做成一个东西让AI帮助我们，只是写完以后还得自己审核一下，因为有些东西AI变得没那么靠谱，但是一些重复性、繁琐性的工作，其实可以做的。
产品研发方面，像药物研发、物理理论、数学理论的研究，AI都在加速。商业模式也在变，以前按人按工时计费，以后可能按结果计费。生态会变得更开放，比如电影行业，以前大公司强势，以后每个人都可以自己做电影，大家是平等的协作关系。
AI现在到了可以使用甚至接近失控的边缘。最近有个模型叫Claude 4.5，特别厉害，可以攻击几乎所有网站，发现漏洞去攻击，所以公司不敢放出来。这意味着AI从实用到失控的距离可能很短。教育界比较保守，很多学校限制学生用AI做作业、写论文。但你想想，不让用AI，学生只能做低水平重复的事情。如果期刊收到两篇文章，一篇人写的比较差，一篇机器写的比较好，期刊要哪篇？当然要好的。所以我们应该取消的是原有的评价模式，而不是禁止AI。有了挖掘机，为什么还要人用锹挖土？没必要。企业是不择手段降本增效，鼓励用AI，最后很多岗位可能被淘汰。
最后探讨一下AI的问题和对策。第一个问题是虚假信息。现在你分不清内容是人是AI写的，图片、声音、视频都可以伪造。拍一张照片、录10秒钟声音，就能在网上做一个跟你一模一样的人。以后视频聊天你都不知道对方是不是真人。怎么辨别？虽然有办法，但都不太可靠，因为AI有随机性。法律问题也随之而来：用AI画的画，版权是你的还是AI公司的？大模型训练用了大量互联网数据，其中可能有艺术家的作品，那么生成的东西，原作者可不可以告你？比如用AI做宫崎骏风格的动画去卖钱，宫崎骏能不能起诉？按理说可以。所以现在很多期刊不让用AI写论文，也不让AI署名，就是为了避免权益界定问题。
第二个风险是黑箱风险。大模型有上万亿个神经元，结构极其复杂，人根本分析不了它怎么写出文章、怎么写出代码的。如果是看病、开车这种关键任务，它给个诊疗方案，你敢不敢用？感冒发烧还行，疑难杂症你敢吗？自动驾驶车没有方向盘，你敢买吗？它可能把你带到沟里。虽然有远程监控，但高速上零点几秒的反应时间，远程来不及。还有军事应用：美国怎么精准干掉伊朗的领导人？他们整合了卫星、监控、地面信息，用AI分析行动规律，判断开会时间和地点，然后精准打击。所以AI已经和国家安全绑在一起了。但公司也担心，一旦用于军事，可能失控，造成人道灾难。
第三个是产业风险。AI会重塑产业，今后两三年会发生很大变化。如果AI进一步发展成全球公用的超强大脑，什么都能干，那就会形成极大的垄断。美国公司花大价钱建算力中心，特斯拉买100万块GPU，一块50万，那是多少钱？美国在建23个数据中心。最后竞争瓶颈是什么？是能源。1万块GPU一起运算，耗电量惊人；100万块一起，一个省都得停电。所以中国的战略是拼命建水电站、风电站、太阳能电站，跟美国拼电力。
很多行业会被干掉：律师事务所、会计师事务所、环评事务所，因为AI能出报告。广州的律师事务所普遍裁员50%以上，原来一个律师带十来个人，现在两三个人就够了，起诉书都是AI写的，稍微改改。教育行业也很焦虑，如果大学毕业生的水平干不过AI，学生找不到工作。一个模型2000块钱，啥都能干，效率又高，公司为什么要花5000块招一个本科生？现在的培养体系还在刷题，但刷题是AI最擅长的。去年的高考题，AI能考650分，考上多大学没问题，明年估计能考清北。所以很多专业被裁掉了，英语首当其冲，谷歌推出的耳机可以双向实时翻译，120种语言，同传的事情被解决了。编程也一样，以后学什么专业？可能厨师还好一些，因为中国人对吃的要求高，AI做不到。美国人可以天天吃牛排，中国人不行。
通用人工智能（AGI）还有多远？有人觉得2030年，有人觉得明年。人的智力分五个层次：第一是博闻强记，AI远超人类；第二是触类旁通，AI也在打破边界，从写文章到做数学、写代码、做视频；第三是融会贯通，人通过少量样本就能成为专家，AI需要海量数据，这方面还比较弱；第四是深度推理，AI正在改进；第五是无中生有，像牛顿、爱因斯坦那样创造新理论，这是人类最后的领地。但这样的人几百年才出一个，普通人主要还是知识应用和简单推理。
AI目前还存在的问题：第一是泛化能力差，在一个环境学的知识很难迁移到另一个环境。特斯拉在美国自动驾驶很好，到中国来一小时扣光12分，因为交通规则和标识不一样。它必须用中国数据重新训练或微调。人到了澳洲，靠左行驶，两小时就适应了。第二是缺乏主观意识，人做事很清楚自己在做什么，会根据环境调整策略。AI不会，它只是执行任务。但我们又不太希望它有主观意识——万一家里机器人打破杯子被你骂了，晚上它拿刀怎么办？第三是缺乏世界感知，AI的数据都是从书本和网络学的，没有和自然界交互。它不知道下雨打在身上什么感觉，所以它生成的视频不一定符合物理规律。现在有人在研究"世界模型"，让AI在模型里和世界交互。机器人训练也缺数据，现在让东南亚、非洲的工人戴着头环做事，录下动作数据来训练机器人。
最后，会不会造成大规模失业？答案是一定会，只是从哪些行业开始的问题。有人提出以后会有"无用阶级"，脑力劳动很多被替代，但体力劳动、水管工、厨师反而安全。澳洲水管工年薪20万澳币，大学教授只有10多万。微软做过统计，翻译、作家、文员、大学老师、数据科学家容易受冲击，护理、油漆、殡葬、口腔医生、厨师、洗碗、按摩影响较小。越是高大上的专业，越容易被AI干掉。
那怎么办？社会层面，其实马克思当年就预言过：机器排挤工人，资本家越来越富，工人越来越穷，最后工人起来革命。但资本主义国家想了一套办法——福利社会。从德国俾斯麦开始，到二战后普遍建立。现在德国一个大学生毕业就失业，一辈子不工作，也能生存：每月393欧元无条件救助，加上房屋补贴、医疗保险、养老保险，折合人民币大概1万块钱。啥事不干，一个月给1万。这样老百姓就不闹了。当然也有问题，比如美国铁锈地带的人，失业后领救济，但酗酒吸毒，价值感缺失。万斯写了《乡下人的悲歌》，主张制造业回流，让人有工作。所以光发钱也不行。
从个人角度，怎么选择？AI容易取代的是右上角那些行业：数据丰富且公开、模拟与现实差别小。比如计算机，代码全在GitHub上公开，很容易被学走。而左下角的行业：数据匮乏（比如手术视频不允许公开）、模拟与现实差别大（比如厨师，看视频和动手做两码事），保护期就比较长。技能性的工作可能更安全。
总结一下，今天用了两个多小时讲了AI发展的基本情况，以及它可以做什么应用。我最终的目的，是希望今天的课对大家有所启发，更希望大家听完以后动起来，把小龙虾也养起来，把各种模型用起来，提高我们的工作效率和管理水平。好了，今天课就到这里，谢谢大家。