近日,我與阿萊克斯·彭特蘭教授(Alex Pentland)展開了一場”AI如何重塑人類社會”的精彩對話。
《連線》雜誌的資深撰稿人威爾·奈特(Will Knight)主持了這場對話。
阿萊克斯·彭特蘭教授任教于麻省理工學院,為全球大資料權威專家之一,現任MIT連接科學研究所主任、MIT媒體藝術與科學教授,擁有“可穿戴設備之父”、《福布斯》“全球七大權威大資料專家”、《麻省理工科技評論》“年度十大突破性科技”兩度桂冠獲得者等頭銜,曾參與創建MIT媒體實驗室,是全球被引述次數最多的計算科學家之一。
對話金句:
李開復:
AI最大的機會蘊藏在與傳統企業的結合中,這種價值的產生極其迅速,只需要幾個月,甚至短短幾周。
未來突破很難預測,對奇點、超級智慧的爭辯,在我看來都過於樂觀了。
小型AI公司與巨頭競爭,我的建議是找准巨頭沒有平臺優勢的細分領域,為某個針對性產業創造價值,不要與巨頭核心業務正面硬碰。
阿萊克斯·彭特蘭:
AI絕非試圖取代人類,而是促進多元文化之間的相互連接、團隊合作,讓人們更好的進行社交和連接彼此。
最困難的其實是說服人們改變商業流程去使用AI,因為大多數人是墨守成規的。
人工智慧有朝一日可以取代人類所有的能力,但是這個過程會非常漫長,可能需要上百年或更久。
我在對話中表示,當我們試圖解決AI問題時,應該用技術來解決技術的問題,可以尋求與監管部門協作,而不只是丟給他們,“新技術會衍生新的問題,我們應該多方嘗試用更進階的技術性解決方案,就像電腦病毒剛出現時,殺毒軟體隨之誕生。”
彭特蘭教授認為,人工智慧的核心,是促進多元文化之間的相互連接。不只是工程師或科學家,連經濟學家、政治家都必須參與進來。“國家之間應該促進合作、制定互通標準,就像TCP/IP互聯網協定那樣,避免AI冷戰。” 我們都贊同,AI發展從來不是單打獨鬥,跨學科思維、跨領域合作尤為重要。 這場對話是麻省理工學院中國創新與創業論壇(MIT-CHIEF) 組織的高峰對話系列活動,主題是《計算與未來: AI與資料科學如何重塑人類社會》。
麻省理工學院中國創新與創業論壇(MIT-CHIEF)由麻省理工學院的中國留學生創立,至今已有十年,是北美歷史最悠久的、由高校學生組織的中國創新創業論壇。系列高峰對話邀請了頂級科學家、投資人及創業者,共同探討科技創新及商業化過程中面臨的挑戰。
以下是我們對話的核心內容,由我的同事整理、分享給大家:
Part I 主題演講
▌李開復:各方應協作,讓AI 更務實
非常榮幸再次受到MIT-CHIEF的邀請,對於人工智慧的看法,這次我主要想講四點。
第一點是我書裡的主題,人工智慧的超能力。我們已經從人工智慧的發明期步入應用期階段,從應用落地層面來說,正迎來了AI發展最大的機遇。
很多科技公司目前已對人工智慧進行了多樣化佈局,從視覺、語言、觸覺和其他感知技術,到自動化機器人、無人駕駛等,對很多領域開啟了深遠的影響。雖然眼下所見的AI應用仍有局限性,但我預測未來的格局會非常龐大,依據統計,各行各業採用AI的程度目前不到5%,AI應用的中長期增長曲線相當可期。
第二點是我很欣喜看到的一點,AI正在和傳統行業深度融合。隨著人們對人工智慧的瞭解越來越多,更多的AI公司湧現出來。
AI最大的機會蘊藏在與傳統企業的結合中,創新工場也正在説明金融、製造、物流、零售、醫療等行業的公司進行AI變革。
作為AI投資人,我認為在這些行業如果找到正確的AI應用方向,就能帶來上千萬的回報。這種商業價值的產生是極其迅速的,通常只需要幾個月,甚至短短幾周就能看到成果。
現在人工智慧在傳統產業的滲透率仍在個位數,仍然有很大的提升空間。然而對於很多公司來說,它們需要的是高度定制化的方案,而非通用型AI方案,所以融合的過程中,不可避免會遇到不少挑戰和痛點。
第三,我早年做過很多科研工作,很高興能看到關於系統一和系統二(System One, System Two)的討論,我們期待人工智慧技術從系統一升級為系統二,即從識別、決策、優化等能力,升級到感知、認知等進階智慧的能力。
有不同的學派都在努力讓人工智慧更接近人類智慧,其中一個流派主張回歸經典的AI理念,甚至重新構建嶄新的模型結構,在深度學習技術的基礎上利用人類的知識。但我更支持另一個理論——深度學習的潛力還沒有完全釋放。
回看人工智慧過去60多年的歷程,最大的突破來自於計算能力和資料量大增而產生的可擴展演算法。我們看到了卷積神經網路(CNN)帶來的喜人成績,還有預訓練自然語言處理模型(Pre-Trained Models for Natural Language Processing)的廣泛運用。
預訓練模型與人類語言學習的模式類似,不管是英語還是中文,在習得這些語言之後,再去學習程式設計、藝術、化學。在無人監督的學習環境中,這種模式比我們想像得還要強大,就像阿爾法圍棋(AlphaGo)一樣。
最後一點我想說的是,如何讓AI變得更務實。
AI有很多問題,例如隱私、資料安全、治理和監管,在此就不一一討論了。當我們試圖解決這些AI難題時,有人認為讓監管部門加強管理是唯一辦法,其實不然,我們是否也可以朝著研發更厲害的技術性解決方案去努力?
就像電腦病毒剛出現時,殺毒軟體隨之誕生;面對千年蟲難題時,也迅速找到了技術應對方案。我們可以通過研發新技術,應對DeepFake深度換臉程式的挑戰;或者通過聯邦學習技術,在保證資料私密性的同時,滿足深度學習訓練需求。
作為握有技術能力的群體,我們需要與監管部門一起協作,而不只是把工作丟給他們。相信有了各方的助力,我們可以讓AI的應用變得更有深度,更加務實,更高效地克服現在面臨的種種問題。
▌阿萊克斯·彭特蘭:國家間應建立互通標準,避免“AI冷戰”
我對當前的深度學習技術不太樂觀。
最為主要原因是,深度學習不僅需要龐大的資料來源,而且要求這些資料長時間恒定不變,以保證模型訓練結果的可靠性,例如人類的面容、語言,就是相對穩定不變的資料來源。
但深度學習卻沒法應對快速變化的真實情況。亞馬遜在新冠疫情蔓延速度暴增時,出現了倉庫貨物緊缺,不得不停止送貨服務。這種經過深度學習高度優化後的系統發生崩潰,就是因為快速變化的疫情,和深度學習對恒定資料來源的需求是矛盾的。
另外,我想談談如何通過聯邦學習,促進資料的流通。
大多數公司沒有足夠豐富的資料,需要聯合不同的資料來源。基於這種需求,出現了很多新商業模式,比如“資料經紀人”——他們不出售資料,而是把資料借出去,作特定需求的使用。
“資料經紀人”業務湧現了很多,他們促進了資料的流通,也加強了資料的隱私性。因此,像聯邦學習這樣的技術和商業策略結合,有效解決了資料在合規性和所有權方面的難題。
聯邦學習也依賴於新的基礎設施建設,為資料應用和深度學習提供基礎環境,比如區塊鏈技術。現在世界上很多國家在做相關系統的建設實驗,新加坡等國家設置了一種相互競爭的區塊鏈系統,來解決支付和物流問題。我們最近也幫助瑞士做了類似的實驗,涉及不同資料的互通性和連貫性問題。
我們仍在研究如何用儘量少的資料,實現人工智慧的目標。少量資料是指不斷更新的短期資料,這些資料能使AI應對迅速變化的情況,並及時做出調整。
我們打算將AI與其他基礎科學結合,例如阿爾法圍棋(AlphaGo)就是這類結合的初步嘗試。這些方法不依賴于大量恒定資料,可能會比深度學習更加強大。
除此之外,我們在探討用AI保障聯邦學習過程中不同資料方的權益,這是實現不同國家之間的互通性、支付信任度、物流運輸等方面合作的關鍵前提。
另一方面,我們探索如何將AI技術應用於加密資料上。我們和大公司以及政府密切合作,找出解決系統入侵和保障網路安全的方法。
我同時花了很多時間研究與政府的合作。政府很多時候不知道如何通過大資料做決策,也不知道如何進行資料優化。而AI能夠幫助政府實現更高的效率,比如聯合國現在已經有了很多可持續發展目標的相關評估指標,世界經濟論壇也可以為會員國提供不同的標準測算。
基於我們已有的多中繼資料庫,現在可以利用AI實現全新的資料優化方式,將貧困、不平等這種之前無法量化的指標,通過可量化的指標進行評估。
同時,要真正實現這個目標,我們還需要制定統一的互通性標準。如果沒有這個標準,國家之間就不會相互信任去合作,就可能出現AI冷戰。
因此我們需要找到促進合作的方式,就像TCP/IP互聯網協議那樣。而之前我提到的,新加坡、瑞士等現在正在嘗試的區塊鏈系統,將有希望解決國家間缺乏互通標準的問題。
Part II 對話
▌ 美國線上教育發展難度更大,只在ZOOM上講課是不夠的
Q1:疫情加速了行業的改變,遠端醫療、線上教育開始蓬勃發展,這只是AI對人類社會產生影響的冰山一角。想請兩位談一談,目前看好AI在哪些領域應用的未來前景?
李開復:疫情的確對整個社會產生了實質性的影響,人們行為習慣發生了很多改變,更願意接受線上學習和工作了。
這種新的行為習慣產生了大量資料流程,為AI應用帶來了更多可能性。比如大健康領域以及遠端醫療中所產生的資料,可以訓練更智慧的模型。同時更多人開始在基因組學、新藥研發方面結合新的AI技術進行研究,因此我相信AI在醫療健康領域的潛能是非常巨大的。
AI與教育的結合也很值得期待。一方面可以説明老師處理重複性的日常事務,例如批改作業,讓老師得以將時間精力投入到更有創造性的事情上,能更悉心地為孩子提供優質教學。另一方面可以提高學生的課堂參與度和積極性,比如設置卡通版AI虛擬老師,讓課程充滿趣味性。
在中國,有很多線上教育公司在疫情之前就已經發展迅速,像創新工場投資的VIPKID,讓國外的純正英語老師線上上教授中國學生。目前,中國的線上教育已經擴展到了更多科目,包括體育、舞蹈、書法等素質教育課程。
相比之下,美國線上教育發展的難度會更大。畢竟只在ZOOM上講課是不夠的,好的線上教育必須要有好的內容。
▌AI核心是增強人際互聯,應注重文化多樣性
阿萊克斯·彭特蘭:李開復博士提到的教育案例,我不是很認同。
MIT大約20年前就在教育中使用AI,重點根本不是內容,我們甚至提倡將內容免費開放給大眾。
AI絕非試圖取代人類的作用,我們更強調用AI增強人與人之間的互動,讓人們更好的社交和連接彼此。比如手機上人工智慧技術,不是要取代你,而是讓你高效地找到最適合的工作、最正確的人,讓你更容易的獲取資訊,並進行創新。
我們可以利用資料激發更強的創新力,培養領導力。只有基於這樣的宗旨,才能促進更有創造力的教育和學習,這比關注教育內容本身重要得多。
在加拿大,有家創業公司正在訓練普通民眾學習AI,比如水管工,教學效果非常不錯。他們的教育方式不是簡單的教授基本知識,而是以一種能夠激發人們互動思考的方式。
我們之前在中國調研了3000多個孵化器,發現創業公司成功的要素裡,第一個是文化多樣性,也就是說創始團隊背景的複雜性和多樣性。第二個是團隊成員專業的多樣性,他們能否發揮自己所長,並很好地進行團隊合作。
1956年,馬文·明斯基 (Marvin Minsky)提出了人工智慧這個詞。但我們對於人工智慧的理解,不應該只停留在“人工”層面,而應擴展到多元文化之間的相互連接、團隊合作,我把它叫做延伸智能(Extended Intelligence)。這也是我想強調的,人工智慧這個名詞有一定的偶然性,但它的核心點是增強人與人之間的互聯性。
▌AI未來突破難預測,奇點、超級智慧過於樂觀
Q2:未來十年AI有沒有可能取得重要突破?比如GPT-3近期展現驚人的能力。兩位認為未來的突破方向是什麼?
李開復:過去60多年來,深度學習是唯一的重大突破。在這之後,卷積神經網路(CNN)和GPT-3等都算是重要的改善,我對於人工智慧的漸進式改善保持樂觀。
對科學家來說,他們更期待著技術上的突破式進展。但我覺得未來十年基礎科研或許不會有大的突破。但模型相對容易,只要有大量的資料,就可以從實驗室進入到行業應用,CNN和GPT-3都是模型加海量資料的成果。
我是務實派的,雖然持有樂觀態度,但並不是一位“未來學家”。未來的突破很難預測,對奇點(Singularity)的爭辯,甚至預測超級智慧的出現,在我看來都過於樂觀了。
阿萊克斯·彭特蘭:我同意李博士的觀點。很多生物機制很難解釋,包括用感知認識事物、理解聲音、尋找食物等,是深度學習演算法做不到的。但深度學習可以研究科學、制定規則、研究理論,並進行實踐。
從務實的角度來說,我最感興趣的就是聯邦學習。就醫療而言,我們有這麼多醫院,在新冠疫情期間做了很多的實驗,為什麼這些實驗資料不能進行聯合呢?
儘管資料有不相容的地方,但這也是一個很好的機會去探究不同的資料之間的關聯性。在未來,我們對資料的需求也許會越來越少,外科醫生或者物理學家或許不需要太多資料,因為他們對規則已經瞭若指掌了。
▌不要墨守成規,要跨領域、跨學科應對挑戰
Q3:人工智慧會有什關鍵挑戰?對於想從事這個行業的人,有什麼是需要瞭解的關鍵點?
李開復:首先,大背景在改變,新科技層出不窮,我們每年都需要學習新的東西。
其次,人工智慧可能引起各種問題,包括偏見、歧視、倫理道德等,是否危害人類的身體健康,無人駕駛技術該何去何從等等。
第三,人工智慧的研發需要深刻地理解技術對社會、生活與人類健康會產生的影響。我非常欣賞斯坦福和MIT這樣的高校,能夠把AI教育擴展到各個學科,讓研發人員及早意識到自己的責任和價值。
阿萊克斯·彭特蘭:是的,我朋友做過一個有關電的趣味類比,電動馬達最初在工廠裡用於生產的時候,並沒有發揮出多大的作用,因為大家並不知道如何改造生產流程。
AI在一些領域發揮的作用是顯著的,但應用到其他領域時,就需要改造流程。很多情況下,最困難的就是說服人們改變商業流程去使用AI,因為大多數人是墨守成規的。
而有意思的是,就像李博士提到的,像MIT和斯坦福這樣的高校確實在認真嚴肅地對待這個問題。
比如,我今天早上正好就這個話題跟G20領導人對話,大家一致認為我們必須從跨領域、跨學科的角度去面對這個問題,不能只是工程師或者社會科學從業者們在做,經濟學家,政治家等等都必須參與進來緊密合作。
隨著AI的應用領域越來越廣,除了必須具備強有力的技巧來建立社會規則,還需要對研究經費、企業投入等進行各種調整。
▌雖然大公司實力不容小覷,但依舊對小公司抱有期待
Q4:AI研究會消耗大量的資源,我們是否應該將資源往學術界平衡?現在已經發生資源的重新分配和平衡了嗎?
李開復:就人才而言,現在已經有重新平衡的跡象了。
過去,頂尖大學的學者基於待遇和種種考量,不少選擇去企業界工作。而近期,曾任職於百度、海爾、位元組跳動等公司的數位優秀AI科學家已經回歸高校。
但像GPT-3這樣的技術,仍然不是大學和小公司能支付得起的。支撐GPT-3運行的電腦是世界算力第五的超級電腦。每進行一次演算法訓練,就要花費460萬美金,只有像騰訊、穀歌、微軟這個級別的公司才能負擔得起如此強大的算力。
我觀察到,近年的AI創業公司已經和5年前截然不同了。它們一般由AI科學家和商業人才共同創建,為了解決特定問題而生,並非紙上談兵做突破性科研,切入的領域也往往是巨頭公司忽略的地方。
例如,為製造業進行AI賦能,不是一件輕鬆的事,需要去工廠實地勘查,瞭解運作方式。大公司因為賺錢很容易,不願意做這些性價比低的苦活累活。這些小公司的努力一旦有了成果,就會給產業界帶來革命性的影響。所以,雖然大公司的實力不容小覷,但我依舊對小公司抱有期待。
阿萊克斯·彭特蘭:大學和公司是一種融合的關係,不僅體現在人才流動上,也會進行資訊資源分享,彼此是整體性的合作態勢。
當然這也不是絕對,產業界的保密需求還是存在的,只是從學校的出發點來說,我們願意毫無保留地為大家提供更好的研究成果,並與企業合作,形成標準化平臺。
▌人工智慧取代人類需要上百年或更久
Q5:兩位認為什麼是AI不能取代的?
李開復:一類是創造力、分析能力、邏輯辯論能力,瞭解自己知道什麼不知道什麼,這些是人工智慧無法取代的。另外一類是同理心,人類之間的信任、友誼,自我認知、意識等。
阿萊克斯·彭特蘭:人工智慧有朝一日可以取代人類所有的能力,但是這個過程會非常漫長,可能需要上百年或更久。
▌AI創業建議I:找到小切入點,不要與巨頭正面硬碰
Q6:李博士提到了AI在小企業中的運用,可否再舉例說明是如何運用的?
李開復:這個問題分兩部分:一個是小型AI公司與巨頭競爭,我的建議是找准巨頭沒有平臺優勢的細分領域,為某個針對性產業創造價值,並且不要與巨頭核心業務正面硬碰。
對於那些中小型非AI、但想應用AI的公司,需要確保有足夠的資料,以訓練與核心商業價值掛鉤的AI模型,並且有願意變革的開放性公司文化。
所以,早期應用AI的公司可能規模較大,因為他們有足夠大的資料,和可相容變革的商業模型。每個例子都不同,不是任何一家公司都要應用AI。
阿萊克斯·彭特蘭:如果我們放寬AI的定義,或許水管工、合同工都有資料,通過一些簡單的分析、整合,AI也可以在很大程度上改進他們的工作。
這些都是很小的切入點,基於簡單的AI分析、機器學習,依舊可以產生巨大的潛力。
▌ AI創業建議II:知曉技術,同時理解商業
Q7:兩位再分享一下最後的建議?
李開復:我們在步入一個AI開始滲透到方方面面的令人振奮的時代,我希望所有的學生們都能參與到這個改革浪潮中。要深刻地理解人工智慧的商業落地,而不僅僅鑽研技術本身。
阿萊克斯·彭特蘭:不要太較真於深度學習或者冗長的演算法,一切始於要解決的現實問題。不要止步於技術本身,要明白資料類型、形態和規律,關注商業流程。
感謝葉樂斐、劉諾、藍萱、張昊、陳冬傑、劉子昂、張梓煜、錢淩寒、水一方、沈雍在校譯和審閱上對本文的貢獻。
安老 服務統一評估機制 流程 在 李開復 Kai-Fu Lee Facebook 的最佳貼文
近日,我與阿萊克斯·彭特蘭教授(Alex Pentland)展開了一場”AI如何重塑人類社會”的精彩對話。
《連線》雜誌的資深撰稿人威爾·奈特(Will Knight)主持了這場對話。
阿萊克斯·彭特蘭教授任教于麻省理工學院,為全球大資料權威專家之一,現任MIT連接科學研究所主任、MIT媒體藝術與科學教授,擁有“可穿戴設備之父”、《福布斯》“全球七大權威大資料專家”、《麻省理工科技評論》“年度十大突破性科技”兩度桂冠獲得者等頭銜,曾參與創建MIT媒體實驗室,是全球被引述次數最多的計算科學家之一。
對話金句:
李開復:
AI最大的機會蘊藏在與傳統企業的結合中,這種價值的產生極其迅速,只需要幾個月,甚至短短幾周。
未來突破很難預測,對奇點、超級智慧的爭辯,在我看來都過於樂觀了。
小型AI公司與巨頭競爭,我的建議是找准巨頭沒有平臺優勢的細分領域,為某個針對性產業創造價值,不要與巨頭核心業務正面硬碰。
阿萊克斯·彭特蘭:
AI絕非試圖取代人類,而是促進多元文化之間的相互連接、團隊合作,讓人們更好的進行社交和連接彼此。
最困難的其實是說服人們改變商業流程去使用AI,因為大多數人是墨守成規的。
人工智慧有朝一日可以取代人類所有的能力,但是這個過程會非常漫長,可能需要上百年或更久。
我在對話中表示,當我們試圖解決AI問題時,應該用技術來解決技術的問題,可以尋求與監管部門協作,而不只是丟給他們,“新技術會衍生新的問題,我們應該多方嘗試用更進階的技術性解決方案,就像電腦病毒剛出現時,殺毒軟體隨之誕生。”
彭特蘭教授認為,人工智慧的核心,是促進多元文化之間的相互連接。不只是工程師或科學家,連經濟學家、政治家都必須參與進來。“國家之間應該促進合作、制定互通標準,就像TCP/IP互聯網協定那樣,避免AI冷戰。” 我們都贊同,AI發展從來不是單打獨鬥,跨學科思維、跨領域合作尤為重要。 這場對話是麻省理工學院中國創新與創業論壇(MIT-CHIEF) 組織的高峰對話系列活動,主題是《計算與未來: AI與資料科學如何重塑人類社會》。
麻省理工學院中國創新與創業論壇(MIT-CHIEF)由麻省理工學院的中國留學生創立,至今已有十年,是北美歷史最悠久的、由高校學生組織的中國創新創業論壇。系列高峰對話邀請了頂級科學家、投資人及創業者,共同探討科技創新及商業化過程中面臨的挑戰。
以下是我們對話的核心內容,由我的同事整理、分享給大家:
Part I 主題演講
▌李開復:各方應協作,讓AI 更務實
非常榮幸再次受到MIT-CHIEF的邀請,對於人工智慧的看法,這次我主要想講四點。
第一點是我書裡的主題,人工智慧的超能力。我們已經從人工智慧的發明期步入應用期階段,從應用落地層面來說,正迎來了AI發展最大的機遇。
很多科技公司目前已對人工智慧進行了多樣化佈局,從視覺、語言、觸覺和其他感知技術,到自動化機器人、無人駕駛等,對很多領域開啟了深遠的影響。雖然眼下所見的AI應用仍有局限性,但我預測未來的格局會非常龐大,依據統計,各行各業採用AI的程度目前不到5%,AI應用的中長期增長曲線相當可期。
第二點是我很欣喜看到的一點,AI正在和傳統行業深度融合。隨著人們對人工智慧的瞭解越來越多,更多的AI公司湧現出來。
AI最大的機會蘊藏在與傳統企業的結合中,創新工場也正在説明金融、製造、物流、零售、醫療等行業的公司進行AI變革。
作為AI投資人,我認為在這些行業如果找到正確的AI應用方向,就能帶來上千萬的回報。這種商業價值的產生是極其迅速的,通常只需要幾個月,甚至短短幾周就能看到成果。
現在人工智慧在傳統產業的滲透率仍在個位數,仍然有很大的提升空間。然而對於很多公司來說,它們需要的是高度定制化的方案,而非通用型AI方案,所以融合的過程中,不可避免會遇到不少挑戰和痛點。
第三,我早年做過很多科研工作,很高興能看到關於系統一和系統二(System One, System Two)的討論,我們期待人工智慧技術從系統一升級為系統二,即從識別、決策、優化等能力,升級到感知、認知等進階智慧的能力。
有不同的學派都在努力讓人工智慧更接近人類智慧,其中一個流派主張回歸經典的AI理念,甚至重新構建嶄新的模型結構,在深度學習技術的基礎上利用人類的知識。但我更支持另一個理論——深度學習的潛力還沒有完全釋放。
回看人工智慧過去60多年的歷程,最大的突破來自於計算能力和資料量大增而產生的可擴展演算法。我們看到了卷積神經網路(CNN)帶來的喜人成績,還有預訓練自然語言處理模型(Pre-Trained Models for Natural Language Processing)的廣泛運用。
預訓練模型與人類語言學習的模式類似,不管是英語還是中文,在習得這些語言之後,再去學習程式設計、藝術、化學。在無人監督的學習環境中,這種模式比我們想像得還要強大,就像阿爾法圍棋(AlphaGo)一樣。
最後一點我想說的是,如何讓AI變得更務實。
AI有很多問題,例如隱私、資料安全、治理和監管,在此就不一一討論了。當我們試圖解決這些AI難題時,有人認為讓監管部門加強管理是唯一辦法,其實不然,我們是否也可以朝著研發更厲害的技術性解決方案去努力?
就像電腦病毒剛出現時,殺毒軟體隨之誕生;面對千年蟲難題時,也迅速找到了技術應對方案。我們可以通過研發新技術,應對DeepFake深度換臉程式的挑戰;或者通過聯邦學習技術,在保證資料私密性的同時,滿足深度學習訓練需求。
作為握有技術能力的群體,我們需要與監管部門一起協作,而不只是把工作丟給他們。相信有了各方的助力,我們可以讓AI的應用變得更有深度,更加務實,更高效地克服現在面臨的種種問題。
▌阿萊克斯·彭特蘭:國家間應建立互通標準,避免“AI冷戰”
我對當前的深度學習技術不太樂觀。
最為主要原因是,深度學習不僅需要龐大的資料來源,而且要求這些資料長時間恒定不變,以保證模型訓練結果的可靠性,例如人類的面容、語言,就是相對穩定不變的資料來源。
但深度學習卻沒法應對快速變化的真實情況。亞馬遜在新冠疫情蔓延速度暴增時,出現了倉庫貨物緊缺,不得不停止送貨服務。這種經過深度學習高度優化後的系統發生崩潰,就是因為快速變化的疫情,和深度學習對恒定資料來源的需求是矛盾的。
另外,我想談談如何通過聯邦學習,促進資料的流通。
大多數公司沒有足夠豐富的資料,需要聯合不同的資料來源。基於這種需求,出現了很多新商業模式,比如“資料經紀人”——他們不出售資料,而是把資料借出去,作特定需求的使用。
“資料經紀人”業務湧現了很多,他們促進了資料的流通,也加強了資料的隱私性。因此,像聯邦學習這樣的技術和商業策略結合,有效解決了資料在合規性和所有權方面的難題。
聯邦學習也依賴於新的基礎設施建設,為資料應用和深度學習提供基礎環境,比如區塊鏈技術。現在世界上很多國家在做相關系統的建設實驗,新加坡等國家設置了一種相互競爭的區塊鏈系統,來解決支付和物流問題。我們最近也幫助瑞士做了類似的實驗,涉及不同資料的互通性和連貫性問題。
我們仍在研究如何用儘量少的資料,實現人工智慧的目標。少量資料是指不斷更新的短期資料,這些資料能使AI應對迅速變化的情況,並及時做出調整。
我們打算將AI與其他基礎科學結合,例如阿爾法圍棋(AlphaGo)就是這類結合的初步嘗試。這些方法不依賴于大量恒定資料,可能會比深度學習更加強大。
除此之外,我們在探討用AI保障聯邦學習過程中不同資料方的權益,這是實現不同國家之間的互通性、支付信任度、物流運輸等方面合作的關鍵前提。
另一方面,我們探索如何將AI技術應用於加密資料上。我們和大公司以及政府密切合作,找出解決系統入侵和保障網路安全的方法。
我同時花了很多時間研究與政府的合作。政府很多時候不知道如何通過大資料做決策,也不知道如何進行資料優化。而AI能夠幫助政府實現更高的效率,比如聯合國現在已經有了很多可持續發展目標的相關評估指標,世界經濟論壇也可以為會員國提供不同的標準測算。
基於我們已有的多中繼資料庫,現在可以利用AI實現全新的資料優化方式,將貧困、不平等這種之前無法量化的指標,通過可量化的指標進行評估。
同時,要真正實現這個目標,我們還需要制定統一的互通性標準。如果沒有這個標準,國家之間就不會相互信任去合作,就可能出現AI冷戰。
因此我們需要找到促進合作的方式,就像TCP/IP互聯網協議那樣。而之前我提到的,新加坡、瑞士等現在正在嘗試的區塊鏈系統,將有希望解決國家間缺乏互通標準的問題。
Part II 對話
▌ 美國線上教育發展難度更大,只在ZOOM上講課是不夠的
Q1:疫情加速了行業的改變,遠端醫療、線上教育開始蓬勃發展,這只是AI對人類社會產生影響的冰山一角。想請兩位談一談,目前看好AI在哪些領域應用的未來前景?
李開復:疫情的確對整個社會產生了實質性的影響,人們行為習慣發生了很多改變,更願意接受線上學習和工作了。
這種新的行為習慣產生了大量資料流程,為AI應用帶來了更多可能性。比如大健康領域以及遠端醫療中所產生的資料,可以訓練更智慧的模型。同時更多人開始在基因組學、新藥研發方面結合新的AI技術進行研究,因此我相信AI在醫療健康領域的潛能是非常巨大的。
AI與教育的結合也很值得期待。一方面可以説明老師處理重複性的日常事務,例如批改作業,讓老師得以將時間精力投入到更有創造性的事情上,能更悉心地為孩子提供優質教學。另一方面可以提高學生的課堂參與度和積極性,比如設置卡通版AI虛擬老師,讓課程充滿趣味性。
在中國,有很多線上教育公司在疫情之前就已經發展迅速,像創新工場投資的VIPKID,讓國外的純正英語老師線上上教授中國學生。目前,中國的線上教育已經擴展到了更多科目,包括體育、舞蹈、書法等素質教育課程。
相比之下,美國線上教育發展的難度會更大。畢竟只在ZOOM上講課是不夠的,好的線上教育必須要有好的內容。
▌AI核心是增強人際互聯,應注重文化多樣性
阿萊克斯·彭特蘭:李開復博士提到的教育案例,我不是很認同。
MIT大約20年前就在教育中使用AI,重點根本不是內容,我們甚至提倡將內容免費開放給大眾。
AI絕非試圖取代人類的作用,我們更強調用AI增強人與人之間的互動,讓人們更好的社交和連接彼此。比如手機上人工智慧技術,不是要取代你,而是讓你高效地找到最適合的工作、最正確的人,讓你更容易的獲取資訊,並進行創新。
我們可以利用資料激發更強的創新力,培養領導力。只有基於這樣的宗旨,才能促進更有創造力的教育和學習,這比關注教育內容本身重要得多。
在加拿大,有家創業公司正在訓練普通民眾學習AI,比如水管工,教學效果非常不錯。他們的教育方式不是簡單的教授基本知識,而是以一種能夠激發人們互動思考的方式。
我們之前在中國調研了3000多個孵化器,發現創業公司成功的要素裡,第一個是文化多樣性,也就是說創始團隊背景的複雜性和多樣性。第二個是團隊成員專業的多樣性,他們能否發揮自己所長,並很好地進行團隊合作。
1956年,馬文·明斯基 (Marvin Minsky)提出了人工智慧這個詞。但我們對於人工智慧的理解,不應該只停留在“人工”層面,而應擴展到多元文化之間的相互連接、團隊合作,我把它叫做延伸智能(Extended Intelligence)。這也是我想強調的,人工智慧這個名詞有一定的偶然性,但它的核心點是增強人與人之間的互聯性。
▌AI未來突破難預測,奇點、超級智慧過於樂觀
Q2:未來十年AI有沒有可能取得重要突破?比如GPT-3近期展現驚人的能力。兩位認為未來的突破方向是什麼?
李開復:過去60多年來,深度學習是唯一的重大突破。在這之後,卷積神經網路(CNN)和GPT-3等都算是重要的改善,我對於人工智慧的漸進式改善保持樂觀。
對科學家來說,他們更期待著技術上的突破式進展。但我覺得未來十年基礎科研或許不會有大的突破。但模型相對容易,只要有大量的資料,就可以從實驗室進入到行業應用,CNN和GPT-3都是模型加海量資料的成果。
我是務實派的,雖然持有樂觀態度,但並不是一位“未來學家”。未來的突破很難預測,對奇點(Singularity)的爭辯,甚至預測超級智慧的出現,在我看來都過於樂觀了。
阿萊克斯·彭特蘭:我同意李博士的觀點。很多生物機制很難解釋,包括用感知認識事物、理解聲音、尋找食物等,是深度學習演算法做不到的。但深度學習可以研究科學、制定規則、研究理論,並進行實踐。
從務實的角度來說,我最感興趣的就是聯邦學習。就醫療而言,我們有這麼多醫院,在新冠疫情期間做了很多的實驗,為什麼這些實驗資料不能進行聯合呢?
儘管資料有不相容的地方,但這也是一個很好的機會去探究不同的資料之間的關聯性。在未來,我們對資料的需求也許會越來越少,外科醫生或者物理學家或許不需要太多資料,因為他們對規則已經瞭若指掌了。
▌不要墨守成規,要跨領域、跨學科應對挑戰
Q3:人工智慧會有什關鍵挑戰?對於想從事這個行業的人,有什麼是需要瞭解的關鍵點?
李開復:首先,大背景在改變,新科技層出不窮,我們每年都需要學習新的東西。
其次,人工智慧可能引起各種問題,包括偏見、歧視、倫理道德等,是否危害人類的身體健康,無人駕駛技術該何去何從等等。
第三,人工智慧的研發需要深刻地理解技術對社會、生活與人類健康會產生的影響。我非常欣賞斯坦福和MIT這樣的高校,能夠把AI教育擴展到各個學科,讓研發人員及早意識到自己的責任和價值。
阿萊克斯·彭特蘭:是的,我朋友做過一個有關電的趣味類比,電動馬達最初在工廠裡用於生產的時候,並沒有發揮出多大的作用,因為大家並不知道如何改造生產流程。
AI在一些領域發揮的作用是顯著的,但應用到其他領域時,就需要改造流程。很多情況下,最困難的就是說服人們改變商業流程去使用AI,因為大多數人是墨守成規的。
而有意思的是,就像李博士提到的,像MIT和斯坦福這樣的高校確實在認真嚴肅地對待這個問題。
比如,我今天早上正好就這個話題跟G20領導人對話,大家一致認為我們必須從跨領域、跨學科的角度去面對這個問題,不能只是工程師或者社會科學從業者們在做,經濟學家,政治家等等都必須參與進來緊密合作。
隨著AI的應用領域越來越廣,除了必須具備強有力的技巧來建立社會規則,還需要對研究經費、企業投入等進行各種調整。
▌雖然大公司實力不容小覷,但依舊對小公司抱有期待
Q4:AI研究會消耗大量的資源,我們是否應該將資源往學術界平衡?現在已經發生資源的重新分配和平衡了嗎?
李開復:就人才而言,現在已經有重新平衡的跡象了。
過去,頂尖大學的學者基於待遇和種種考量,不少選擇去企業界工作。而近期,曾任職於百度、海爾、位元組跳動等公司的數位優秀AI科學家已經回歸高校。
但像GPT-3這樣的技術,仍然不是大學和小公司能支付得起的。支撐GPT-3運行的電腦是世界算力第五的超級電腦。每進行一次演算法訓練,就要花費460萬美金,只有像騰訊、穀歌、微軟這個級別的公司才能負擔得起如此強大的算力。
我觀察到,近年的AI創業公司已經和5年前截然不同了。它們一般由AI科學家和商業人才共同創建,為了解決特定問題而生,並非紙上談兵做突破性科研,切入的領域也往往是巨頭公司忽略的地方。
例如,為製造業進行AI賦能,不是一件輕鬆的事,需要去工廠實地勘查,瞭解運作方式。大公司因為賺錢很容易,不願意做這些性價比低的苦活累活。這些小公司的努力一旦有了成果,就會給產業界帶來革命性的影響。所以,雖然大公司的實力不容小覷,但我依舊對小公司抱有期待。
阿萊克斯·彭特蘭:大學和公司是一種融合的關係,不僅體現在人才流動上,也會進行資訊資源分享,彼此是整體性的合作態勢。
當然這也不是絕對,產業界的保密需求還是存在的,只是從學校的出發點來說,我們願意毫無保留地為大家提供更好的研究成果,並與企業合作,形成標準化平臺。
▌人工智慧取代人類需要上百年或更久
Q5:兩位認為什麼是AI不能取代的?
李開復:一類是創造力、分析能力、邏輯辯論能力,瞭解自己知道什麼不知道什麼,這些是人工智慧無法取代的。另外一類是同理心,人類之間的信任、友誼,自我認知、意識等。
阿萊克斯·彭特蘭:人工智慧有朝一日可以取代人類所有的能力,但是這個過程會非常漫長,可能需要上百年或更久。
▌AI創業建議I:找到小切入點,不要與巨頭正面硬碰
Q6:李博士提到了AI在小企業中的運用,可否再舉例說明是如何運用的?
李開復:這個問題分兩部分:一個是小型AI公司與巨頭競爭,我的建議是找准巨頭沒有平臺優勢的細分領域,為某個針對性產業創造價值,並且不要與巨頭核心業務正面硬碰。
對於那些中小型非AI、但想應用AI的公司,需要確保有足夠的資料,以訓練與核心商業價值掛鉤的AI模型,並且有願意變革的開放性公司文化。
所以,早期應用AI的公司可能規模較大,因為他們有足夠大的資料,和可相容變革的商業模型。每個例子都不同,不是任何一家公司都要應用AI。
阿萊克斯·彭特蘭:如果我們放寬AI的定義,或許水管工、合同工都有資料,通過一些簡單的分析、整合,AI也可以在很大程度上改進他們的工作。
這些都是很小的切入點,基於簡單的AI分析、機器學習,依舊可以產生巨大的潛力。
▌ AI創業建議II:知曉技術,同時理解商業
Q7:兩位再分享一下最後的建議?
李開復:我們在步入一個AI開始滲透到方方面面的令人振奮的時代,我希望所有的學生們都能參與到這個改革浪潮中。要深刻地理解人工智慧的商業落地,而不僅僅鑽研技術本身。
阿萊克斯·彭特蘭:不要太較真於深度學習或者冗長的演算法,一切始於要解決的現實問題。不要止步於技術本身,要明白資料類型、形態和規律,關注商業流程。
感謝葉樂斐、劉諾、藍萱、張昊、陳冬傑、劉子昂、張梓煜、錢淩寒、水一方、沈雍在校譯和審閱上對本文的貢獻。
安老 服務統一評估機制 流程 在 Anita Chen 陳巧茵 Facebook 的最佳解答
自上星期芬蘭學校停課,還在適應在家全職工作+全職媽媽的作息,同時照顧工作和安安,其實比平時更忙,完全沒有時間再追蹤新聞或是做任何反思或寫作。
但是看到也是在芬蘭從事教育工作的老師,母親寫的文章,每字每句說到重點,講到心裡。我也心疼現在芬蘭的女性領導層,她們能做的都盡了最大的力了吧!
徵求了原作者同意轉發
【這屆女性領導層究竟是把好牌打爛,還是爛牌打好了?】
Original 錢文丹 芬蘭吧
作者錢文丹,現居芬蘭赫爾辛基。從上海教師到留學芬蘭雙碩士,從華人媽媽到芬蘭教育出口者,自帶多重身份看芬蘭教育。目前在芬蘭做中國教師來芬培訓工作。
文丹寫在前面 這兩三個星期,一直有國內朋友問我芬蘭疫情怎麼樣?我在赫爾辛基還好嗎?用不用給我寄口罩?
還有人問我要芬蘭人宅家帶娃的活動,甚至有人希望我分享一下芬蘭停課不停學有沒有什麼特別之處。還真有,下一篇文章我會講。
這篇先來看大局。截至3月25日,芬蘭已經有880人確診。其中有561在首都赫爾辛基。若芬蘭YLE和HS權威媒體所言屬實:過去一周,從國外回到芬蘭的人,有20萬。
這個數字著實讓當局驚呆。我看到這個數據,感覺真正的「戰爭」還沒開始。
這週五,芬蘭就會揭曉赫爾辛基大區到底封不封城。
如果你要跟進芬蘭疫情,又想避免不必要的信息負擔。下面這一個網址就夠了:https://korona.kans.io/?language=en&from=groupmessage。文末閱讀原文,可查看。
這段時間,我一邊跟進官方過去三周應對COVID-19的舉措,在動態中看疫情發展。可能好些人跟我一樣,看新冠信息看到頭疼,閱讀量急增。
一邊又要參與FB群組芬蘭人討論,微信群組在芬華人討論。在碰撞中,找到這個公共健康危機的「機」。這樣的大型公共事件,是我們理解芬蘭政治體制、社會文化、教育特色的有利窗口。越是不同,越要學習,越要討論。才能更好理解芬蘭、生活在芬蘭。
內心感觸良多。我用這篇長文,盡量客觀,不吹不黑地跟你們分享一下我在芬蘭,對於抗疫的一些想法。
3月24號,芬蘭前總統(Martti Ahtisaari)確診,82歲的老人家。他於1994-2000年期間擔任芬蘭總統,2008年他榮膺諾貝爾和平獎。
他的妻子在21號被確診,是因為3月8號參加婦女節音樂會,那時重大集會仍然舉辦。
他真的是芬蘭國寶。
加上前期確診病例都是跑意大利度假回來(一周滑雪假,有錢出去玩)。
新冠在芬蘭,怎麼走的都是高端人才路線?!!
真不是這樣。假期出國度假在北歐太正常了,這不是高端人才的專利,普通芬蘭人也能說走就走。
至於3月8號,還能參加大型集會活動,完全是政府當時沒有實施強硬措施帶來的惡果。
不幸,這惡果掉在了芬蘭前總統夫人身上,緊接著波及前總統。
這麼大年紀了,真心希望二老挺住。
國寶確診,這又引起芬蘭社會一大波討論:
芬蘭中央政府的抗疫措施到底給不給力?
怎麼政府的措施看似在跟著疫情走,沒走在疫情前面?畢竟政府一次又一次的升級措施,是在病例一天一天急速遞增之後。
還有人質疑:這屆女性領導層究竟行不行?她們究竟是把好牌打爛,還是爛牌打好了?
就先來說說,這屆女領導們。
1
這屆女性領導層權有多大?
目前看,帶領芬蘭抗疫的至少有下面三方:
一方是這屆女性領導層。為首的是芬蘭總理桑娜·馬林(Sanna Marin),一位34歲女性。去年12月份剛出任芬蘭國家總理,年輕、貌美、初為人母、還是一位網紅。她成為芬蘭歷史上最年輕的總理,也是世界上屈指可數的年輕國家領導人。
正在執政的另外四個政黨的黨魁,也全都是女性,他們分別是經濟部長、司法部部長、教育部部長、內政部部長。這5位女性,有4位是35以下。而內閣19位部長中,女性就有12位。
另一方是芬蘭負責COVID19的傳染病專家組。這不必多說。
還有第三方,是隱形的一方:立法流程。我假如說,芬蘭傳染病專家組給政府提出了關閉赫爾辛基的建議,從建議到生效至少有兩關要闖:
第一關:芬蘭中央政府(相當於我們的國務院)要開會討論這個建議。中央政府也不是一條心:芬蘭是多黨聯合執政,每個黨派都有自己的代表,他們共同組成內閣。
只有內閣確定了提案,才能進入第二關。
第二關:將提案交給芬蘭200位國會議員審批。200個人要討論、投票。通過了,這個提案才生效、才成為法規。
相對有權的其實是芬蘭國會。
所以,大家不要看女性領導層在鏡頭前的風光。說白了,他們主要是負責公共溝通的。真正的權利已經被分散出去,這個就是北歐人引起為豪的分布式領導力。
分布式領導力看似每個人都參與決策,實則是沒有一個人有決定權。什麼都要群策群議。這是民主的光芒,也要以犧牲效率為代價。
在芬蘭生活這麼多年,我對芬蘭政府的公信力一直有信心。
我們要相信芬蘭政府已經站在人民的角度來抗疫。至少芬蘭/北歐政府為人民服務的水平已經是人類目前所能達到的最高高度了。
如果連北歐這樣的政府我們都不相信,雖然它也不完美,那這世界上真的沒有可信賴的政府了。
但是,好人也有力不從心的時候。
好人應對重大疫病的能力、方式和效果受很多因素制約。可以從下面這些角度綜合來看芬蘭防疫背後的無奈:
比如,醫療規模和資源。
在芬蘭,平時去看個小病都要排隊幾小時,或是要預約到幾周以後。可想而知,重大疫情真的來了,人均能有資源非常少。醫護人員數目,床位數目、醫療設備、藥品等等都是問題。
比如,像芬蘭這樣的小國家是否建立了比較完善的應對機制。通常而言,沒有重大疫病經歷的國家也就缺乏相應機制。中國乃至WHO的應對體系都是在SARS之後建立起來的。如果缺乏這方面的經驗,應對機制肯定落後。
比如,芬蘭政府可以用財政補貼關閉公立機構。
但要讓私營企業關閉,比如餐廳、酒吧關閉,那就需要更多的財政補貼。芬蘭政府輕易下不了這個決定。
比如,制定限令的立法流程。就算芬蘭中央政府(相當於我們的國務院)有關閉餐廳、酒吧這個提案,還得交給200名國會議員討論、投票、通過。
這個流程走完,新的法案才能生效。
民主、依法治國真的需要時間成本。
同時,時間的流失也消磨盡了芬蘭原有的天然抗疫優勢:
比如人口居住和聚集方式。
中國人口密集,一千平方米的土地上有145個人。芬蘭是多少呢?是一千平方米的土地上才16個人,人口密度極低。在北歐,人與人之間真的是「天然隔離」。
中國家庭喜歡幾代同堂,春節前後喜歡家庭聚集,很容易造成家庭型傳染病。但是北歐人,不僅年輕夫妻不跟父輩同住,孩子到18歲後也是搬出去自己租房住。
至於居住的房子,要麼是別墅,天然隔離。要麼是公寓樓,是沒有中國小區那樣的封閉式管理的,更沒有小區大門,最多每棟樓下的門是需要住戶鑰匙才可以打開。
比如衛生習慣和公共衛生意識。
芬蘭公共場所相對衛生、乾淨,幾乎每處都會放洗手液。所以在疫病出現後,芬蘭官方就新冠肺炎的通知:不是戴口罩,是要勤洗手。因為對本地人而言,戴口罩是得病的象徵,是防止飛沫傳染給他人。
幾乎每個芬蘭人都知道,打噴嚏和咳嗽時,正確的做法不是用手捂住嘴巴,因為手會碰觸很多東西,傳染給他人。而是要用手肘處的衣服捂著口鼻,以免飛沫亂飛。
平時能夠做到這樣的公共衛生意識,得益於芬蘭國民的高素質。畢竟25-64歲的芬蘭人,有44%受過高等教育(OECD)。
2
復盤芬蘭疫情
3月1號可以說是芬蘭疫情爆發的起點,當時我家附近有學生確診,有130名師生被要求在家隔離。
小區群組內立即在討論:
為什麼確診患者不被收入醫院治療,反而在家養病?
為什麼密切接觸的130位師生也是在家隔離,還允許他們的家人自由出動?
為什麼學校還正常上課?
可以說,這一事件初步倒出了芬蘭政府的抗議措施和醫療專家的水準態度:
政府無非是兩點。第一,我們尊重患者及其家屬的隱私和自由。即使有家庭成員被要求在家隔離,其他成員還是可以自由活動。
第二,我們不能停課。一旦孩子停課,這麼多家長必須請假在家,而工資是要麼雇主要麼社保機構補貼,全拿。作為首都,赫爾辛基不能開這個口子,一旦開了,其他城市的學校出現患者也會跟著做。赫爾辛基的市長,在講話中說了:中央政府沒決定停課,赫爾辛基不會停課。不然這是對中央決策的不信任。
而芬蘭專家的態度是:這個病毒在門把手和公共場所的表面上存活時間,僅是幾個小時到24小時,且兒童感染的機率非常小。所以學校可以正常上課。
芬蘭專家很快被打臉。
僅僅2周多時間,疫情發展到整個國家都不能幸免於難。
3月16日,是芬蘭抗疫路上的一個重大拐點:
一方面,芬蘭官宣國家進入緊急狀態!頒布《限制條例》:關閉小學以上所有學校,關閉公共設施,即將關閉邊境,絕不實施「群體免疫」等。當天官宣全芬蘭確診病例是277位患者。
另一方面,芬蘭負責COVID-19檢測的衛生和福利局(THL)執行主管Markku Tervahauta突然跳出來在官媒(YLE)宣佈:芬蘭真實的新冠患者數據可能是官宣的20-30倍。
3月25日THL繼續宣佈:芬蘭需要住院治療的新冠患者,將超過11000人。
市民們對芬蘭政府終於進入全力抗疫狀態上升的好感,瞬間又被這可能上萬的病例拉低到了零點以下。
很顯眼,確診患者和真實患者之間存在鴻溝。
這個鴻溝哪來的?
有主觀原因,即官方規定的檢測標準。3月13號之前,必須同時滿足下面兩個要素,芬蘭官方才同意被檢測:1)出現症狀;2)從疫區回來(疫區包括中國、意大利、韓國、伊朗、日本),或跟確診人員有密集接觸。
這等於說:如果你從意大利回來,沒出現症狀,則不讓檢測;如果你出現症狀,不是從疫區回來,或沒有跟確診人員接觸,也不讓檢測。
就這樣任由病毒在芬蘭四處遊蕩,足足兩周。
自3月13號起,芬蘭已不再對輕症患者和疑似患者進行檢測,不管你從哪來的症狀。當時芬蘭官方直接說,我們已經阻擋不了病毒在芬蘭傳播,接下來只能把有限的資源用於醫護人員、已住院患者等高危人群身上。
病毒,繼續遊蕩。
也有客觀原因。
芬蘭真實的檢測能力、重症能力、醫療資源到底如何。這些決定了握在領導手裡的牌,究竟是好是壞。
3
芬蘭檢測能力和醫療資源
今天我看到一份報告。是2019年10月發佈的《全球衛生安全指數(Global Health Security Index》報告(GHSI)。研究機構是「核威脅倡議」(Nuclear Threat Initiative)、約翰霍普金斯大學健康安全中心、及經濟學人智庫(Economist Intelligence Unit)。
它能幫助我們有理有據地看芬蘭抗疫能力究竟如何。於是我下載了這份報告。
地址:
https://www.ghsindex.org/wp-content/uploads/2019/10/2019-Global-Health-Security-Index.pdf
發現這是一個耗費巨大精力的研究,由三大機構組成的研究團隊與13個國家21名專家組成的國際顧問委員會共同準備了一個包括六大領域、34個主要指標、85個次要指標的140個問題,用全面框架評估了195個國家防控傳染病及全球流行病的能力。
這六大領域包括:
1、預防;
2、檢測與報告;
3、快速反應;
4、衛生體系;
5、遵循國際標準;
6、風險環境。
應該說十分全面。
我們來看芬蘭。總分佔排行榜第10,其他幾項指標基本都前10,但是檢測和報告能力淪落到你在圖中找不到,竟然是第45名。
所以,不要再怪責芬蘭官方不檢測輕症,真的是檢測能力不行!
非不為也,是不能也。
再進一步,萬一生病,芬蘭醫院的床位、重症監護室ICU床位數量、醫生數量、護士數量夠用嗎?經合組織(OECD)2017年發佈的《芬蘭國家醫療資源》幫我們回答了這個問題。
下載地址:
http://www.euro.who.int/__data/assets/pdf_file/0011/355979/Health-Profile-Finland-Eng.pdf?ua=1http://www.hc3i.cn/php/marticle.php?id=43882https://yle.fi/uutiset/3-11229831http://rs.yiigle.com/resource_static.jspx?contentId=1017703
1. 芬蘭醫院的床位:3張/千人。處於歐盟最低行列。
這是因為從2000年起, 芬蘭為了控制經濟成本,進行醫療改革:床位被急劇減少,住院天數也被急劇減少。
2. 芬蘭有歐洲人均最少的醫生,卻有人均最多的護士。
醫生數量:3.2名/千人。低於歐洲平均值3.6,高於中國2.6名。
護士數量:14.6名/千人。是歐洲第二高的人均護士數,也高於中國3.14名/千人。
這張圖完全符合我在芬蘭的生活經驗。看急診的話,我可能已經見了三四個護士,等待了三四個小時,才能看見醫生的廬山真面目。
3. 芬蘭看病難最大的問題是:等得久
在芬蘭,低收入家庭報告自己的看病需求未被滿足,是中高家庭收入的兩倍。這背後有多重原因:經濟原因、地理障礙或等待時間。
看下圖,居住在不同地方,享有的醫生資源和等待時間有很大差異。比如你住在Kuopio地區,你能享受到每千人5.1名醫生,這意味著可以快速就醫,減少等待時間。
醫生沒見到,小病已經好了。這在芬蘭很正常。
4. 重症監護室ICU床位數量
芬蘭醫生資源最好的Kuopio地區,ICU床位數量是2個/十萬人。這已經是全芬蘭最好水準了,其他城市可想而知。遠遠低於中國華東地區的4個/十萬人。
一句話:檢測弱、床位少、醫生少、等待時間還長。
這就是芬蘭的現狀。可以說,這幅牌不好打。
在當下資源下,政府把檢測和醫療資源放在重症患者和醫護人員身上,真的已經是最優解了。保護醫護,才能搶救更多生命。
同時,政府也得去增加檢測資源和醫療資源。不然怎麼應對過去一周,剛剛回到芬蘭的20萬人(數據來源芬蘭權威媒體Helsinki Sanomat)。
4
政府統一大動作之下,
地方/群體還有自己的小動作
3月16號,芬蘭總理宣佈關閉小學及以上所有學校時,有些地方城市不聽話。
比如萬塔市。萬塔市政府讓老師來學校遠程上課。隨即,萬塔市教師集體出來發聲,聲稱自己的安全健康沒有受到保護,也指責當地市政對教師不信任。
官方忙出來解釋:學校關閉了,沒人了,相對安全。而且學校的教具和環境更適合教師開展教育。
教師不聽,繼續抗議。
3月20號,芬蘭總理又追加宣佈:芬蘭1-3年的孩子和特殊教育的孩子不遠程教育,可以來學校上課。加上3月16號宣佈的芬蘭幼兒園正常開放。
這樣全芬蘭只有最小的孩子來幼兒園/學校。
當天,芬蘭國家教育委員會發文《國家教育委員會將盡快向政府指明其政策將帶來的後果》表示不服中央政府的決策。
這裡不得不說芬蘭教育圈的三方力量:
一方是芬蘭教育部:負責教育政治、教育政策。
另一方是芬蘭國家教育委員會:負責教育教學、教育改革、教育出口。
第三方是芬蘭教師工會:負責教師權利。
這三方力量可以說是平行獨立的部門。雖然國家教育委員會負責的一切教學工作都離不開教育政治和教育政策,但從行政領導關係上看,他們並不是上下級關係。這不同於中國教育部全覽一切。
同時,芬蘭教師工會是芬蘭教育界一股強大勢力,獨立於政府之外。他們一直站在教師角度,幫教師從政府那裡爭取權利和利益。比如為了提高教師工資,工會可以組織全國教師罷工,跟政府談判。
芬蘭政府讓1-3年級教師來學校上課這事就惹惱了教師。我所在的芬蘭教師群組,有1.5萬教師,在社交媒體上一波又一波指責自己的安全健康權利沒有受到保護,代表教師權益的教師工會向芬蘭教育部和國家教育委員會,分別施壓。
先是教育部表示,學校沒有義務上學,強烈建議1-3年級的學生也參加遠程學習。
緊接著,芬蘭國家教育委員會發文。其指出:「根據《緊急狀態法》發佈的法規,會提交給國會等待國會審核。我們希望國會取消該法規。」
地方和中央要做到協同一致,芬蘭也得下功夫!!
說到這,你們不難看出,芬蘭人真的不是不關心疫情。
如果你有一種錯覺是芬蘭人好平靜,那我建議你加入芬蘭人群組去看看他們的爭論。至少我所在的一個赫爾辛基群組,一個芬蘭教師群組,裡面的芬蘭人天天在那討論疫情對芬蘭生活、經濟和教育的影響。
遇到言辭激烈的,掌管教育的副市長還要經常出來安撫一下。
此時再回頭看我們的問題:這屆女性領導層究竟是把好牌打爛,還是爛牌打好了?
我想,你已有答案。
最後,上一張芬蘭總理馬林的照片,是週六早上她站在芬蘭湖邊,看著這片國土和湖光。
我想她已經做了她能做的一切,不禁有些心疼她。
祝福她、芬蘭和我們!
安老 服務統一評估機制 流程 在 照顧規劃編配服務迷思及新「安老服務統一評估機制」 撰寫文章 的推薦與評價
新版本的評估工具,會取代已沿用逾二十年的舊版本,可望能更全面和準確評估長者的自理能力及服務需要。新版本下,評估員將會向長者索取更多資訊,包括活動能力表現、認知 ... ... <看更多>