与Michael Kanaan一起探索AI世界

www.hchb688.com/雷竞技raybet提现trainings/data-storytelling-training

成绩单

本集以来自Untold Content和data +Science的数据讲故事培训为动力。雷竞技raybet提现雷竞技电竞竞猜通过学习数据可视化和技术讲故事的最佳实践，将数据转换为强大的可视化故事。无论你是PowerBI还是Tableau的员工——或者只是想更好地交流你的数据——这个研讨会都会激发你去发现数据背后的故事。学习更多在//www.hchb688.com/datastorytelling雷竞技raybet提现training/．

凯蒂·特劳斯·泰勒：(00:00:04)欢迎来到《不为人知的创新故事》，在这里，我们将通过不为人知的内容放大不为人知的见解、影响和创新故事。雷竞技电竞竞猜我是主持人，凯蒂·特劳斯·泰勒。

凯蒂·特劳斯·泰勒：[00:00:19]我们今天的嘉宾是Michael Kanaan。他是新书《T-Minus AI》的作者。他也是美国空军、麻省理工学院人工智能加速器的运营总监。迈克尔，我非常感谢你能来播客讨论人工智能和创新讲故事。

Michael Kanaan:[00:00:36]我很感激能和你在一起，凯蒂。

凯蒂·特劳斯·泰勒：(00:00:38)刚才我们第一次打电话时我就提到了这一点。但是最近几天我一直在关注你的书。我正在吞食它。我还有10页就要写完了，所以你必须帮助我了解它的结尾。但它是一个强大的读取，T-负人工智能，它只是出来，它真的涵盖了我们需要知道的关于人工智能的一切。即使对于我们这些在创新界工作的人来说，他们可能并不真正与人工智能密切合作或直接合作，这也让我们非常清楚地了解其含义，以及人工智能的构成，什么是人工智能，什么不是人工智能，以及我们应该注意什么。

Michael Kanaan:[00:01:17]是的，这就是这本书的目标，我的意思是，我们谈论的是一种无处不在的技术，在我们生活的每一个互动中，它只会在未来几年里增长。所以我想在书中做的是把它以一种非常人性化的轶事形式呈现出来。如果你想谈论人工智能，你必须了解一点进化论或生物学。数字的技巧，不管是大的还是小的，它们如何影响我们，当然还有一些计算机工作的基本原理。语言，我们的大脑在学习。然后我们来谈谈什么是人工智能?它是如何为我们工作的?因为如果没有上下文，对话往往缺乏深度，缺乏共同基础和对内容的清晰理解。然后我们每天都在谈论什么。竞争中的人工智能，商业中的人工智能，国际关系中的人工智能。 So I want to break it up into three parts of the book that were told in that way so that regardless of who you are, there’s something individually meaningful to you.

凯蒂·特劳斯·泰勒：(00:02:27)是的，好吧，你完成了它。我强烈推荐任何听这个谈话的人阅读这本书。我喜欢的一件事，也许这是我作为前英语教授的缺陷，就是你进入人类的心灵，进入人类历史，谈论机器，机器和人工智能如何反映人类智力以及我们如何想想和我们如何谈论。而我最喜欢的部分是你如何将数学的起源与讲故事的起源进行比较。

Michael Kanaan:(00:02:58)是的，数字和语言和讲故事都是密不可分的。他们是非常类似的主题，他们是那些，你知道，有点鸡肉和蛋问题，哪一个首先出现？但我认为他们走到了一起。你想做的是通过讲故事来暴露人们。人类通过讲故事学习。那是，你知道我希望遇到什么。我很高兴你收到了这一点。

凯蒂·特劳斯·泰勒：(00:03:24)是 啊当然，这本书深入探讨了为什么我们应该在全球范围内关注人工智能。谁拥有它？风险、威胁和机遇是什么？所以我很想…。不过，在我们开始讨论这些之前，我很想听听你个人关于创新的故事，是什么让你进入了人工智能的世界。？嗯，也许这要追溯到1956年我不在世的时候，因为人工智能一直是一个被讨论和辩论了很久的话题。1956年，在达特茅斯，一群才华横溢的人聚集在一起，他们可以看到随着机器、数据的兴起，以及我们纪念身边一切的方式，未来可能发生什么。他们给人工智能下了一个定义，他们说：“一台计算机执行一项曾经被认为是人类领域的任务。”然而，当你想到这个定义时，你就会明白，自1956年以来，我们已经将人工智能拟人化了这么多，并继续在这条道路上前行，因为基于这个定义，那么计算器肯定是人工智能。

凯蒂·特劳斯·泰勒：(00:04:43)对。

Michael Kanaan:(00:04:43)然后我们有TI 84 +是一个更好的。然后Excel。如今,画面。

凯蒂·特劳斯·泰勒：[00:04:50]对。

凯蒂·特劳斯·泰勒：[00:04:51]我们就一直把问题拖到以后解决。所以对我自己来说，当我们一直在解决这个问题的时候，我来到了国家航空和空间情报中心工作，当时人工智能在我看来是在2011年出现的最后一个(不清楚的措辞)。2011年，我们再次表示人工智能并不存在，但由于我们收集数据、云计算和其他一切能力的提高，计算、架构、新数学和软件的一些进步。对吧?用软件表达的数学。机器学习应运而生。它工作。在那个时候，这就是图像网络的竞争。现在我们的目标是用这个图片，而不是竞争，把一堆图片放到互联网上，从互联网上抓取一些图片，放到某个地方的数据库中。一般来说，就像猫之类的东西，对吧? Because everything on the Internet is cats. And then run the computer against the human. And 2011 was the first time that the computer could outperform the human in these discrete tasks. Voila. Here we are, the machine learning age. Now at the same point in time, in 2011, as I mentioned, I was at the National Air and Space Intelligence Center and I was responsible for a mission called Aces High. And it was a hyperspectral imager. So this is going to get nerdy, but I’ll try to make it common-speak.

凯蒂·特劳斯·泰勒：(00:06:22)我喜欢它。是的，让我们潜入。

Michael Kanaan:(00:06:22)这是一个高光谱成像仪。你和我看到的有三种颜色。螳螂虾的视力大概是8或9。我们可以进行一场哲学对话"螳螂虾看到了什么我没有看到的? "对。

凯蒂·特劳斯·泰勒：[00:06:35]对。

Michael Kanaan:(00:06:36)但是这台高光谱成像仪可以看到数百个色带。所以我们正在中东和阿富汗的国家航空和航天情报中心工作。我们把它放在一架无人驾驶飞机上。我们的目标是基于你正在收集的这张图像，以及从太阳照射到地面的光线的反射率，因为它收集的色带太多了，如果在某些色带中有光谱意义的东西，那么你可以推断或识别出这些物质是什么。想想自制炸药之类的东西。

凯蒂·特劳斯·泰勒：[00:07:18]是的。

Michael Kanaan:[00:07:18]所以我们的目标是执行这项任务，而这仅仅是为了拯救美国人的生命，基本上是说，“等一下，不要因为有什么东西在那里而拒绝那条街。”

凯蒂·特劳斯·泰勒：(00:07:30)是的。

Michael Kanaan:(00:07:30)我们大获成功。这个团队，一群令人难以置信的人，他们使用了这个新奇的机器。我们必须让它为我们所用。对吧?大概三四十个人，才华横溢，非常成功，但同时。这个图像(用词不清)的事情正在发生。虽然我们可能需要一定的时间来提醒人们地面上正在发生什么。我对自己说，等等。但是人工智能呢?这肯定会让我们做得更快更准确。 And in 2011, as is still the case, most people say, I don’t know about that AI thing. it’s not real AI, right? So my love of artificial intelligence truly came from and why I moved down this path is from a place of need. To do something for someone else in the name of customer service, in the name of service in general. And from that point in time, it’s been a nine year long journey to the point we’re at now where I think the world is opening its eyes to its seriousness, its applicability to their everyday life and how it influences them. But when it comes to a story of innovation, that’s a story of artificial intelligence. That’s just my personal story. But when it comes to innovation. We have an innovator’s dilemma that I often think about, the dilemma is I want things to change. I am unhappy with the current state of being or the current state of being could be better. But I’m reminded of a quote, “the limits of my language mean the limits of my world.” So as innovators, we still have to be able to communicate. I think of the idea of taking the ideas of the new and blending it with the techniques of the old, because you can’t just do it alone. And by the way, nobody appreciates just malware in the system, right? Without a goal. So sometimes for innovators, what I think is important is to help yourself, help yourself. Right? To speak that language to, you know, the overused term #OK, boomers. But we have to be able to communicate with them because otherwise it’s just noise in the system. So one common foundation or common denominator to everything was always someone who is a champion, someone alongside of you. And I think that that’s important for innovators to remember that you’re going to stress yourself out unless you’re speaking the language of the people that you want to change. The best way to hack a bureaucracy is to understand a bureaucracy.

凯蒂·特劳斯·泰勒：[00:10:29]是的,当然。非常感谢你们。我很高兴听到是什么让你做了今天的工作，以及你已经完成的一些成功的任务。然后一般来说，只是听听你对讲故事的看法，它在帮助人们获得认同和牵引力方面所起的作用，就像你说的，讲同一种语言。我真的很感激。我想你已经分享了一些例子，但是在你的书的128页和129页，你有一个很好的表格，你概述了许多不同的领域以及人工智能有潜力产生影响和创造好的方式。从药物研发到零售库存和定价DNA测序和分类或航空航天研究，气候分析。这样的例子不胜枚举。但我很想听到更多关于人工智能的创新故事，让你对未来感到兴奋。然后我们也会讨论“黑暗面”。

Michael Kanaan:[00:11:28]哦，当然。我很高兴我们从“光明的一面”开始，对吗？

凯蒂·特劳斯·泰勒：(00:11:33)是的。是的。

Michael Kanaan:[00:11:34]以非常元的方式。A.I.是关于创新。我们的目标是我们正在进行人工智能项目或将其带入我们的组织只是这样：提出新问题。我们并不总是考虑一下，因为这些词“自动化”和“AI”是互换使用的，并且所有时间和AI的东西都得到了一个糟糕的说唱。我们认为它会取代我们劳动力的底部。这是不正确的。完全不正确。你不会成功的a.i.项目。 In fact, what you should do is move to the top of your workforce, your subject-matter experts, the best people you have. And what you want to do is you want to start looking at the world through the lens of A.I. So I’ll give you an example. In your life, you want to think about something you do all the time, right, that you are highly accurate on, right. You have to be accurate with that prediction, with that task, with that due out, with that balancing the budget, the book, whatever it is in your personal life, everyone has them, right? Something that ideally moves at high speed, like quick decisions are made. So high accuracy, high speed. And then the other one, high volumes of data like you’re looking at a lot of stuff. Think about case law, right? And precedents. You know, we have all of these attributes to certain jobs in our lives. So what you want to do is you want to find all these examples or the data that you have put that all together and you say, “wow, I have this highly represented data set that is a lot of examples of what I do.” OK? And then here’s the rule, though. Imagine, if you will, that artificial intelligence isn’t real. It’s not a thing. It’s just this island of I.T. people who are capable of taking on all your tasks. But the rule is you can’t give them directions, only the examples we just talked about. If you do those two things and think with this kind of nuance paradigm shift that I don’t mean to be pedantic in any way. Then you found your AI problems because what ends up happening? You take that representative data, you give it to that software, the imaginary A.I., of course, and what does it do? It illuminates insights. The very purpose of machine learning is to discover human patterns. So when I think about what’s your favorite story on innovation? Well, by asking a new question, it’s simply that. It’s exactly that whole process. And I also like talking about A.I. or innovation in some different ways as well. Often we kind of umbrella everything. Everything is innovation. But it can be a singular noun too. An innovation on the system. A new question that you’re asking. So as it comes to what’s the good of it? I think it can make us be more human. I think we can get out of computer tasks that saturate our lives. Our jobs are too often computer jobs. And by the way, if an AI or automation could replace your job or someone in your workforce, that person shouldn’t be doing that job. Right? That’s not a person-job. So when we talk about the good, it’s all about asking new questions. And I think that’s special, particularly at this moment in time where we need to do that in society. And AI can help us get there.

凯蒂·特劳斯·泰勒：(00:15:25)我喜欢那个。非常感谢你的分享。你在关于AI或机器学习的书中进入这个想法，真正驱动它是我们投入的数据。所以我所爱的一件事是，你知道，人们，当涉及人工智能时，他们可以觉得这是一个非常大的概念，远离他们，对吧？这是机器人接管世界的想法。而且你真的有点对比，并说这很好。You know, I’m not saying those conversations aren’t valid, but if you’ve got a fire at your door and there are immediate issues to resolve when it comes to the way the AI is capable of making things happen right now, then that’s where we need to be focused. And that’s where we can either leverage it for good or protect against its misuses.

Michael Kanaan:[00:16:14]确切地当门口发生火灾时，你不会太担心远处的闪电。

凯蒂·特劳斯·泰勒：(00:16:19)对,对。

Michael Kanaan:[00:16:20]每天我都在谈论杀手机器人呢？关于武器的人工智能呢？那么，当今天人工智能的现状正在创造反乌托邦社会时，X，Y，不管它是什么呢。这是对人的偏见。这影响了…的招聘行为，我知道我们不在视频上。你和我现在都在拍视频，但这只是在雇佣更多像我这样的白人老人。

凯蒂·特劳斯·泰勒：(00:16:51)天啊。这是这本书中最强大的例子之一。有。哦，我的天啊。好的，如果你无法阅读任何内容，除了像一章一样，读“机器中的偏见”。我非常喜欢这一章。你可以进入Twitter Tay，Microsoft Tay榜像和亚马逊招聘，或者我甚至可以重复回来，因为我今天早上再读一次。我太喜欢了。不要让你当场，但是......

Michael Kanaan:(00:17:14)当然!

凯蒂·特劳斯·泰勒：(00:17:15)但是这个想法，你知道，这有点进入事情的“黑暗面”，但是机器学习也有同样的人类偏见，潜在的，我们投入到研究和我们提出的问题。我们提出问题的方式会对收集到的数据产生影响。然后我们的分析也可能充满了潜在的偏差。你分享的一个很好的例子是，亚马逊有一个围绕resumé阅读的招聘算法。

Michael Kanaan:[00:17:43]是的，人工智能就像在照镜子，对吧?我认为，在某种程度上，人们潜意识里对了解更多关于照镜子的知识感到厌恶或厌恶，即使你并不完全理解它。确定。它所要做的就是反映并形成对当前事态的预测。所以在一个好的。所以这可能很好，对吧?因为不同之处在于，当亚马逊发现他们雇佣了很多年长的白人绅士，并对此抱有偏见时，人们就会觉得，他们当然是这样的。我的意思是，这就是我们很多公司现在的样子。我们正努力在社会上克服这个问题。但不同的是，他们要承担责任。 Right? The difference is, is that people say, “that is unacceptable and we must change.” When it came to Microsoft Tay, which was, by the way, for people listening, it was a Twitter bot that collected a whole bunch of essentially how we interact as humans and surprise. It was basically the worst of us.

凯蒂·特劳斯·泰勒：[00:18:52]是的。

Michael Kanaan:[00:18:53]对吧?那绝对是我们最坏的一面。

凯蒂·特劳斯·泰勒：[00:18:55]是的。

Michael Kanaan:(00:18:56)非常郁闷......非常...

凯蒂·特劳斯·泰勒：(00:18:58)算法是有效的。是 啊驱动这种名为Tay的19岁的个人资料机器人的算法是她的算法实际上只基于她在推特上的评论，她的推特。因此，几小时内，泰伊就发布了种族主义和性别歧视的推文，因为这些是她第一条或最早的推文上的评论。

Michael Kanaan:[00:19:22]她的第一个“你好，世界”，对吗？

凯蒂·特劳斯·泰勒：[00:19:25]是的。

Michael Kanaan:[00:19:25]那就是，你知道，我们在谈论…我们在这里谈论的是，再次回到重点。机器学习应用程序仅用于分析数据和制定预测，没有我们的指导。但因为它只是基于数据，而数据又是我们的反映，所以数据总是存在的，对吗？现在我们纪念他们就像纪念森林中倒下的树一样。它发出声音吗？当然有。问题是，现在有东西可以记录，我们有一切可以记录。因此，如果算法分析仅仅基于数据，并不意味着它的输出是中性的或客观公正的，因为偏差会反映在我们的数据中。如果是这样的话，很自然，基于数据的后续战略、分析或预测也会有偏差。如果我们对这些问题的答案做出决定，那么潜在的偏见当然会在我们的生活中永久存在。我们中的大多数人确实相信，在问题的核心是，我们完全意识到并有意识地控制偏见、倾向和观点，我们可以在我们认为合适的情况下故意包括或排除它们。在一个没完没了的决定的日子里，比如不走在汽车前面。你对此有偏见。那不是个好主意。但我们不是。或者我不喜欢橄榄。我们无法将自己从偏见中分离出来，或者我们的偏见从我们自己中分离出来，以获得哲学上的理解。我们甚至没有意识到我们持有的偏见，也没有意识到它们在回答这些问题时影响我们行为的许多方式。因此，无论我们每个人认为自己多么客观、公正或开明，我们都有厌恶案件和厌恶案件的倾向。它定义了我们是谁。所以问题是，当我们在你的组织或任何人中推进人工智能项目时，你必须有每个人的代表提前提出这些问题。这第三个副作用是什么？我认为这就是AI的特殊之处，也是为什么AI应该成为每个人的话题。人工智能领域未来的摇滚明星是伦理学家、律师、教师和家长。对吗？一开始需要更多的人参与。这不仅仅是针对那些it人员，因为我们试图解决的问题和我们提出的问题都非常重要。现在，回到正题上来，从长远来看，泰伊或亚马逊的招聘情况是否糟糕？我不这么认为。我不认为这一定是坏事。我认为这是件好事。我认为它揭示了一些我们认为是真的东西，我们发现是真的，我们改变了。他们在实践中仍然没有这种算法，Tay也不再存在。

凯蒂·特劳斯·泰勒：(00:22:29)对。

Michael Kanaan:(00:22:29)但在其他国家，比如中国、俄罗斯和其他一些国家，他们不会说不，他们不会说这不公平。顺便说一句，我应该换个说法。我在看你，中国共产党。你，俄罗斯联邦，对吧?不是中国人，也不是俄罗斯公民。

凯蒂·特劳斯·泰勒：(00:22:53)对,对。

Michael Kanaan:[00:22:54]他们在这些问题上没有发言权。所以我认为这将是…这将是对我们在这里享有的权利的嘲弄，我们可以不追究人们的责任，不理解它，至少在我们可以沟通它的程度上。去问更好的问题，这样我们就不会变得更像那样。这就是…我认为这就是现在的特别之处。

凯蒂·特劳斯·泰勒：[00:23:19]绝对地你知道，当亚马逊的招聘算法被发现，仅仅因为机器学习查看了招聘数据的历史，发现男性简历更多，它就将更多女性简历推到一边，并提升男性简历，这一事实，因此，它解释说，这是可取的，并使之持续了几十年——与我们人类的做法不同。所以…但你是对的。我认为你所说的比喻中有一种非常强大的力量，那就是对着我们自己举起一面镜子。这样做的最终结果是，亚马逊不再使用这种算法，或者如果他们将来会建立一种算法，他们将尝试适应或基于这些偏见进行改变。你把我们带到一个……也许是你书中最关键的部分，那就是当公司和机构以全球化的方式利用人工智能时，即使这些公司的总部设在不同的国家，创新在不同的文化和环境中的使用方式也会有所不同。保护安全和安全威胁的规则和规定也不同。你能谈谈人工智能的这一方面吗？我们应该注意什么？

Michael Kanaan:[00:24:47]好吧，这是一个问题，我认为我们当然是跳跃一点点是谁真的负责制作这些选择？是制作A.I的开发人员。然后把它放在github上，然后有人做错了什么？对吧?因为它的世界观点或它被喂养的数据并不代表其影响范围。我认为它像x和y轴一样。对吧?所以在y轴上，我们有那个标签为世界观，对吧？或数据。因为数据类似于机器的体验，所以这就是我们如何从经验中学到。 On the X axis. You would have its scope of application. How many people is that affecting in which way? And is its worldview fair? Representative of the number of people it’s impacting? So how would this play out in real life? The question is, I certainly don’t want an Alexa or a Google Home in my home that was only trained on Southern white gentlemen or people only from Northern California because its scope of application is broader than that. It’s in everyone’s home. Now, if it was just, you know, this wouldn’t be an AI solution, but like a telephone switch operator or something. Right, then fine. Maybe it’s worldview doesn’t need to be very large to perform that action. So when you start kind of mapping out where things fall on this X and Y axis while we deal with, you know, explain-ability and all these anthropomorphized words of, well, how … Why did AI make that decision and how do we de-bias things and whatever? At least we can start saying, “no. I think that’s fair to its scope of influence or scope of impact.” Right? And then when it comes to well, then the question is when it’s used poorly, whose fault? The person who made it, the company who owns it, you know, on whatever platform or software they have? Is it the government? Sometimes when we talk about A.I., it’s like we throw the kitchen sink and the whole kitchen out the window.

凯蒂·特劳斯·泰勒：[00:27:07]对。

Michael Kanaan:[00:27:08]如果你用锤子杀了人，这不是艾斯五金公司或百得公司或制造锤子的人的错。这是你。重要的是你用它做什么。而是你的组织用它做了什么。对吧?我们必须对这些事情负责。所以你可以看到，在不同的地方，人们有不同的偏见。同样，偏见不一定是坏事。你不想消除所有的偏见，对吧?如果我不喜欢橄榄，我不想偏离我的算法，我不喜欢橄榄，我开始做填满橄榄的菜。 Right? We just have to make sure that it’s fair. But what I think is interesting and what we as citizens. And we as a government do have a role to play. So a thought experiment, let’s say you and I, Katie, are at one of these really large Fortune 500 publicly-traded companies, right? And the conversation is, well, we need to be morally and ethically and legally sound with artificial intelligence. That’s the right thing to do. And I want to commend all these companies and their ethics boards. It’s, I mean, truly, bravo. At the same time, let’s imagine we’re in that room, though. So you probably have 10 or 15 really, really awesome bright people sitting there saying, I want to do the right thing. Inevitably, you get about three minutes into the conversation, like we have here, and it leads to well, we have to share that data so it can be representative of those people, we have to share that algorithm so that we get rid of this whole “you’re in Apple, I’m a droid.” Right? So that we can represent all and be ethically sound and do the right thing. And inevitably, in that room is also general counsel from a really reputable institution like Stanford Law. Attorney sits back there, raises his or her hand and says, hold on one second. You have a fiduciary responsibility to your shareholder not to do that. Right? I mean, because that’s your intellectual property. So as the conversation moves on, inevitably our own structure in some ways limits us. But who do we have a fiduciary responsibility to as citizens and as a government? Everyone. To everyone out there. So it calls for this reinvigoration of that conversation. Now, let’s be clear as well, though, very quickly, you could say, well, yeah, in that case, if we want AI to be fair, there shouldn’t be an Apple. There shouldn’t be a droid. There should just be one. Then all of a sudden, you start looking like China with one platform like WeChat, where people don’t have options. So you can see the slippery slope that can happen very, very, very quickly. What it really means at the end of the day to the question you asked is. You shouldn’t throw the whole kitchen out the window, right? There’s still… There are still frameworks in place that work, even though we said the AI word. Right? It’s OK. But, I think it’s far time that we start, you know, carving out some new square pegs for or square holes for square pegs, not trying to fit it in, and that comes from being informed or at least generally aware of the topic itself and the tertiary effects or secondary effects that could happen from doing one of these projects. And I think that kind of wraps up, “well, what do we need to think about right now?”

凯蒂·特劳斯·泰勒：(00:31:09)绝对是公司对他们的数据以及谁以及那些行动效益或伤害的问题的问题是如此复杂，当然，公司因公司而异。

Michael Kanaan:[00:31:20]我们忘记了，当你不付钱的时候，你就是产品，对吧?我的意思是，如果你不为此付钱，你就是别人的产品。

凯蒂·特劳斯·泰勒：[00:31:29]我们所做的。我的意思是，我们放弃了很多来换取个性化。正确的。受欢迎的。欢迎来到亚马逊，凯蒂。这里有一些建议给你。

Michael Kanaan:(00:31:38)是的，这里有一些建议。这是你在Tik Tok上的兔子脸。太棒了。谢谢你。正确的。这太棒了，这是一种能力。但是想想那次谈话，有人交流。他们生活中的无成本能力和我们已经习惯的东西，因为在链条的某个地方，你正在通知一个算法，让穆斯林维吾尔人远离中国，对吗？我的意思是，如果你在那个平台上，面对人工智能在你身上训练，变得更加健壮，你可以看到那条长长的链条最终是如何淘出来的，这是一个智力上很难的论点。你必须真正理解这是怎么发生的。雷竞技raybet提现

凯蒂·特劳斯·泰勒：(00:32:29)你能再举一个例子吗？你能为那些正在听的人，那些不太熟悉其中一些含义的人，再深入一点吗？

Michael Kanaan:[00:32:38]当然我们讨论了在多大程度上，好吧，我们得到了更多的数据，意味着更多的算法，更健壮，更高的性能，无论他们打算做什么测试。所以当你坐在平台上，比如，你知道，你把兔子脸贴在脸上。那是计算机视觉，对吗？我的意思是，当你打开手机时，人工智能就在我们身边。它会在你的脸上寻找面部ID，这样你的手机就有了安全和隐私。那是人工智能。但是，让我们想象一下，也许你不太同意这是一家公司的手机。正确的。这与你看待世界或他们文化的方式不同。好吧，有趣的是，请记住数据点：你正在训练人工智能。对吗？你让它变得更强大，然后你必须问一个问题，好吧，告诉我像百度、阿里巴巴、腾讯之类的公司在用这些东西做什么。你可能会发现，在你走下这条长长的链条之后，我其实不喜欢这样。这是对世界上其他人的妥协。因此，这一点也很重要，每个人都应该以消费者、开发者和供应商的身份参与对话。你在某种程度上是人工智能链的一部分。雷竞技raybet提现

凯蒂·特劳斯·泰勒：(00:34:07)是的,是的。绝对的。

Michael Kanaan:(00:34:08)这就是为什么我们想要，你知道，在这个话题上进行有力的，明智的对话。

凯蒂·特劳斯·泰勒：[00:34:17]绝对的。谢谢你指出这一点。作为日常消费者或公民，作为创新团队，我们在这场游戏中有利害关系。这场比赛对我们利害攸关。就像你说的，也许我们并不是要为我们创造了一些东西之后出现的每一个误用或用例负全部责任。但是,交谈和我们最好的知识,试图预测,随着创新领导和沟通链,当我们试图得到新项目和想法,很重要,你花一点时间至少阐明其他用例可能是什么,或者至少寻求,你知道,专家的意见可以帮助你思考这个问题。我们不能总是知道这是什么如此具有挑战性。但是我们尽我们最大的努力去呈现，你知道的，去遵循我们面前的道德，我们面前的决定。

Michael Kanaan:[00:35:05]你是对的。我们不能总是知道。这是好的。我们会犯错误。问题是，你的意图是否正确?你做过尽职调查吗?你能站在某人面前说，嗯，这有副作用吗?我没有意识到，但这是我们如何减轻它和思考它，现在我们要改变。这是好的。没关系。 I – dive in, dive into using AI in safe spaces. If you’ve got a lot of Excel files, you can use machine learning.

凯蒂·特劳斯·泰勒：[00:35:41]是的,当然。

Michael Kanaan:(00:35:42)如果你…如果你有很多财务文档，你可以使用它。你知道，这对每个人都有好处。

凯蒂·特劳斯·泰勒：[00:35:47]肯定我知道我们已经谈论了很多关于数据和数字的话题，但在《不言而喻》中，我们也经常谈论数据故事。那么，你能和我们分享一下你关于讲故事的一些想法吗？它在人工智能中扮演的角色以及它的成功与否？

Michael Kanaan:(00:36:04)讲故事是最重要的事情之一，它是关于人类的一种特殊的东西，我们可以交流故事，我们可以想象自己站在别人的脚上，站在别人的脚上，而不必描述它，也不必体验它。例如，如果我向你描述，有一个女人拿着一桶水在街上跑。对吗？到处都是水花。也许你从来没有这样做过。也许你有。但你会说，哦，我能想象，对吗？讲故事创造了认同感，它创造了我们能够理解并对我们有意义的体验。我认为故事，比如阅读，也很重要。我指的是专注的阅读和讲故事。对吗？所以我回想起我生命中的开创性书籍。它们的工作原理是，如果你给老鼠一块饼干，野生动物在哪里，或者可能是晚安月亮。我知道，我知道，我在参考一些儿童书籍，但别担心，我要去某个地方。

凯蒂·特劳斯·泰勒：[00:37:13]这已经是我职业生涯的一半了，因为我们在家里感染了新冠病毒，而你刚刚跟我一岁、四岁和五岁的孩子说的那些书都是在家里工作的。

Michael Kanaan:[00:37:23]这些都是最好的书，对吧?那些是我的最爱。

凯蒂·特劳斯·泰勒：(00:37:26)噢,是的。

Michael Kanaan:(00:37:26)但也有像[卡尔]萨根的《宇宙》[斯蒂芬]霍金的《简而言之》这样的书。或者，你知道，当我10岁的时候，我一遍又一遍地读布赖恩·格林的《优雅的宇宙》，也许是最近的[尤瓦尔·诺亚]哈拉里的《智人》之类的书，有像[列夫]托尔斯泰、弗吉尼亚·伍尔夫、[奥尔德斯]赫胥黎这样的最爱。这些书和讲故事有一些共同点。从语言学习和最终写作开始，人们就一直在辩论和讨论意识、物理学理论、生物学、社会现实、技术以及构成人类经验的所有其他事物。一般人都听说过他们。拍摄，我的意思是，我们每天都经历这些，我们知道这些词，但并不总是这些词的意思。基本上，每一个话题都会被曝光，但讲故事会给生活带来一些东西，然后激发更多的灵感。我认为这是一个有区别的区别。所以我回头想想学习，这就是我们在这里讨论的，对吗？通过讲故事来学习。我认为它是围绕对话展开的。也许这是与其他人或其他人，但也可能是与你自己，内在的一个，这是非常重要的。对我来说，当我们谈论人工智能时，意识、经验、社会秩序、生物学等概念，整个人类的故事都集中在人工智能的故事中。现在，当我们谈论创新时，对吧。这是——这是我个人的创新——我们想讲故事，让他们体验这个想法。就拿那些对他们有意义的方面来说，对吧？别带着满满一桶水在街上跑，走吧，对吗？这是一个教训，你知道，我们可以带走，就像当我们讲述一个创新团队的故事，或者创造一个便利贴，或者其他任何东西时，你可以带走一些东西，这就是讲故事对创新的价值。

凯蒂·特劳斯·泰勒：[00:39:37]谢谢你！是的,当然。我真的很欣赏这些观点，当然，这是关于投入，关于创造一种体验，关于利用人类的同理心能力。为了结束我们的谈话，因为我知道我们可以聊一整天。这一切都很美好，我很感激。这对我很有吸引力，再一次，关于镜子的想法以及我们在考虑用人工智能创造什么应用时所需要的稍微不同的思考方式这就是思维方式的一点点改变。真的,很有趣。对于创新者来说，这是一个有趣的位置，因为一方面，你需要考虑我们如何为计算机创造合适的环境来学习?这和人类的学习方式很不一样，至少在某种程度上是这样的，对吧?围绕数据，并放入这个数据集。 And then we also still have to story-tell to other humans to get buy-in for those efforts and to get feedback and to refine the approach and think about the impact it could have and how it’s going to help better people’s lives in whatever way that means. And so it’s not an easy job to be someone who is innovating with AI right now. But I think that not just being really smart, working with data and building algorithms, also being able to be a storyteller is what I’m hearing from you. That’s all still critical to the success of AI innovation.

Michael Kanaan:(00:41:02)太复兴了，对吧?你现在必须成为文艺复兴时期的女人或男人。

凯蒂·特劳斯·泰勒：(00:41:12)是的。

Michael Kanaan:(00:41:12)所有的东西，写作，讲故事，技术熟练，或者至少你能看到发生了什么，当你提出这个问题。我在想讲故事的潜在主题。这是爱因斯坦的名言，他经常说，“你不能真正理解一件事，除非你能向你的祖母解释。”我认为这是真的。但如果爱因斯坦认识我自己的祖母，他会稍微改变一下措辞，用一句更准确的格言:你的祖母可能是你所遇到的最聪明的人。所以如果她听不懂你的解释，可以肯定其他人也听不懂。

凯蒂·特劳斯·泰勒：[00:41:54]这是正确的。我喜欢它。谢谢你[措辞] ......

Michael Kanaan:[00:41:56]这是......这可以是我们生活的各个方面的主题，业务的各个方面，这种关联和故事的能力。

凯蒂·特劳斯·泰勒：(00:42:08)难以置信的谢谢你！非常感谢你，迈克尔。我真的很喜欢你的书。我知道听众也会的，我真的很喜欢这次谈话。谢谢你颠覆了这句话。真的很可爱。很高兴我们能以这句话结束。

Michael Kanaan:(00:42:23)谢谢你,凯蒂。今天能和你在一起真是太棒了。

凯蒂·特劳斯·泰勒：(00:42:25)以后再聊。

Michael Kanaan:[00:42:26]再见。

凯蒂·特劳斯·泰勒：[00:42:29]感谢收听本周的节目。请务必在社交媒体上关注我们，并在对话中加入您的声音。你可以找到我们在数不清的内容。雷竞技电竞竞猜

你可以多听几集创新播客的解开故事．

*访谈不是个人或企业的认可。