在2025外滩年会“拥抱变局：新秩序·新科技”论坛上，上科大教育、创新和可持续发展研究中心（CEISD）主任杨燕青主持了题为“未来人工智能的变革图景”的讨论，与图灵奖得主、中国科学院院士姚期智、“机器学习之父”、美国科学院院士迈克尔·欧文·乔丹（Michael I. Jordan）共同探讨通用人工智能（AGI）的发展路径、潜在风险与全球格局。
AGI：从技术愿景到社会智能
姚期智在对话中表示，AGI不仅是人工智能发展的“旗帜”，更是必然实现的未来。他指出，“具身智能”或超智能机器人将成为实现AGI的重要路径，并预测未来每个人都将拥有一个类似“第二自我”的AI助手，逐步取代手机成为新一代智能终端。
乔丹则从社会智能的角度重新诠释AGI的价值。他强调，真正有价值的AGI应涵盖社会智能，而不仅仅是放大个体智能。“大型语言模型更像一个‘智力市场’，通过统计分析处理数据，但这并不是解决科学和智能问题的根本方法。”他认为，未来的AGI助手将是计算机与人类的深度融合，具备自主性、策略性，并且每个人都将拥有独一无二的本地化大语言模型。
风险认知：从“灭绝危机”到“不确定性管理”
姚期智借鉴“曼哈顿计划”的经验，强调对于可能掌控关键基础设施的AI系统，必须建立“可证明的安全”体系，通过数学、统计学与领域知识的结合，发展全新的安全认证方法。
乔丹则认为，人类面临的主要风险并非科幻式的“AI灭绝人类”，而是AI带来的“不确定性挑战”。他指出，未来的AI助手必须能够理解、量化和沟通不确定性，帮助人类在复杂互动中管理风险。他强调建立市场机制等社会结构是人类应对不确定性的智慧结晶。
中美路径：不同模式下的AI未来
姚期智指出，中国在人工智能领域起步较晚，但经过10到15年的努力，已在计算基础设施和规模化应用方面走在世界前列。他同时坦言，中国在“从0到1”的原创突破和科技成果转化效率方面仍落后于硅谷，但“造福全民、以人为本”的发展理念将成为长远发展的稳定支柱。
乔丹直言硅谷的“个人主义”与“规模至上”思维已不适应当前AI发展的社会需求。他回顾了化工、电气等工程学科全球化发展的历史，指出AI作为新兴工程分支，最终将形成全球共享的知识体系。“中国不应盲目追随硅谷模式，而应发挥自身在社会协作与规模化实践中的优势。”乔丹特别提到中国在移动支付等社会层面应用方面的领先经验。
人才培养：跨学科与人文素养并重
在AI人才培养方面，姚期智建议学生除了掌握AI核心技术外，还应修读物理、经济学、博弈论，并特别推荐学习音乐、培养艺术感受力，以保持内在自省与独立思考能力，避免成为“集体共识的产品”。
乔丹对此表示赞同，并补充了统计学教育的重要性，认为它能教会人们意识到不确定性、理解算法的局限性，从而对世界保持谦逊。
共识：走向人机协同的智能生态
杨燕青在总结中指出，尽管两位学者视角不同，但他们都认同人工智能的未来是人类与AI协同、多元智能体交互的生态系统。无论是姚期智强调的“可证明安全”，还是乔丹倡导的“不确定性沟通”，其核心目标都是为了让AI更好地服务人类社会，在技术创新与社会福祉之间取得平衡。
以下为对话原文（中文翻译，有删节，供参考）：
杨燕青： 我是杨燕青，来自上海科技大学。很荣幸在今天这个关键节点主持这场讨论。眼下技术发展速度快得前所未有，但相关概念却比以往任何时候都要模糊，这中间存在着不小的差距。
今天，我们非常荣幸地请到了两位世界顶尖的计算和科学专家。我先简单介绍一下他们。
姚期智教授，清华大学交叉信息研究院院长兼人工智能学院院长。他是图灵奖和京都奖得主，他的开创性工作奠定了现代计算复杂性和密码学的理论基础。姚教授还是中国科学院院士，以及美国科学院和美国艺术与科学院的外籍院士。热烈欢迎姚教授！
迈克尔·欧文·乔丹（Michael I. Jordan）教授，加州大学伯克利分校的杰出教授。他在统计学、机器学习和经济学之间搭建起了重要的桥梁。他是美国国家科学院和英国皇家学会的院士，被《科学》杂志评为全球最具影响力的计算机科学家。
非常感谢乔丹教授今天在线上参加我们的讨论，加州现在已经是午夜了。我们再次向他表示最诚挚的感谢，热烈欢迎！
姚教授，您在人工智能研究和科学界享有很高的声誉，也是全球通用人工智能（AGI）安全议题的引领者。您多次提醒过AGI可能带来的生存风险，今年在世界人工智能大会上也谈过。您本人认同AGI这个目标吗？对于那些质疑的声音，您会怎么回应？
有一种观点认为，AGI可能不是一个值得追求的、理想的目标，人工智能领域目前似乎出现了前沿突破的停滞，因为规模定律和强化学习带来的智能提升好像很有限，却消耗了巨额资金。我们会不会面临一场巨大的AI泡沫？
姚期智： 这个问题问得好。简单来说，我认为AGI在研究中起到了引领方向的作用。正是因为它的定义比较模糊，不同的研究者才能贡献各自的想法，我们通过这样的共同努力，最终更有可能找到正确的路径。
我觉得人工智能目前正处于加速发展阶段。从长远来看，我坚信我们最终会实现AGI，而且它会给社会带来许多积极影响。
杨燕青： 大概需要多久？
姚期智： 我觉得现在已经有多个不同的研究方向，大多数研究都着眼于短期到中期的突破，比如对具身智能或者超智能机器人的研究。我认为这是实现AGI的一条可靠路径， 而且顺着这条路走下去，会产生很多成果，给投资者带来回报。当然方法不止这一种，这只是其中之一。
杨燕青： 谢谢姚教授。现在有请乔丹教授，在您最近的论文《人工智能的集体主义经济视角》中，您对AGI提出了批评。一些科学家把AGI看作该领域的“北极星”，但您似乎不这么认为。您建议我们应该把重点放在构建以社会福祉为核心的大规模系统上，为什么呢？另外，刚才姚教授没有直接回答泡沫的问题，在我看来，人工智能的泡沫似乎正在美国积聚，您怎么看？
Michael I. JORDAN： 我认为AGI作为一个目标有其意义，因为它是个模糊的、含义丰富的术语，这本身就能激发大量思考和研究。这点我同意。
但另一方面，以大型语言模型（LLM）为例——它可能是这个时代最成功的AI成果。当你和LLM对话时，你不是在和一个超级智能体交流，而是在和70亿人互动——是这些人把数据输入互联网，然后被提取到LLM里。
如果我问一个理论计算机科学的问题，和LLM对话，我实际上是在和世界上的一群理论计算机科学家交流，是他们讨论了各种话题、输入了大量数据，我只是通过LLM了解到这些结果。如果我问成都的美食，我就和另一群人互动；我可以问很多问题，因为70亿人在网上有无数的讨论，LLM汇集了所有这些讨论。
所以，和LLM互动时，你感觉不像是在和一个单一智能体或超级智能体对话，更像是在接触一种文化，或者几乎可以说是在接触一个市场。如果再深入一点，我们会意识到，这其实是全人类之间的互动。
那些为LLM提供数据的人，特别是贡献了有效、优质数据的人，理应获得回报，这应该成为人类交换体系的一部分。所以在我看来，我们最好把LLM理解成一个智力市场。
另外，我们在谈AGI的时候，好像显得我们已经非常了解“智能”是什么了。但我觉得，我们对于人类智能的科学解释还远远不够，甚至可以说非常粗糙，我们还需要做很多科学研究才能真正理解人类智能。
以LLM为代表的很多技术，其实属于暴力穷举技术——它们用简单手段获取数据，然后进行大规模的暴力计算。它只是根据数据进行预测，这属于统计分析，本身没问题。但暴力穷举未必是解决科学和智能问题的好方法，在我看来，只靠暴力计算和数据分析来获得智能，并不是一条好路子，还有其他路可以走。
我们必须记住，在人类智能中，我们了解最深的可能是社会智能（social intelligence）。当人们聚在一起形成群体，我们会创造经济体系，创造交换，创造市场。我们对此相当了解，比理解大脑如何进行推理要清楚得多——后者我们基本上可以说一无所知。
所以，谈智能，必须谈社会智能。在我看来，如果AGI能把社会智能涵盖进去，那么追求AGI就显得更合理。如果AGI只是把个体智能超级放大，那我觉得追求它的价值就没那么大。
杨燕青： 好的，谢谢乔丹教授。综合两位的观点来看，智能既包括科学智能，也包括社会智能，它既可以成为构建更好经济社会体系的工具，也蕴含着强大且不可控的潜力。
所以我想问姚教授和乔丹教授，这两个特性是相互排斥的，还是可以协调的？也许在乔丹教授设想的集体市场体系里，可以形成一种智能体；姚教授设想的AGI和LLM也能发展出另一种智能体。我说得对吗？这两个特性是互补的还是互斥的？
姚期智： 我觉得乔丹教授的观点完全正确。但另一方面，在人工智能领域探索强大智能体的研发是必然的，实际上我们也无法阻止，因为无论是商业界还是科学界，都有强烈的动力去尝试创造强大的人工智能体。
原因在于，不管我们是否接受，大概在未来三到五年，每个人都会拥有自己的人工智能助手，甚至说得更直接一点，每个人都会有“第二个自我”，就像现在几乎人人都有手机一样普遍。我认为AI助手最终会取代手机。所以这个领域必然会吸引巨大的商业和科研热情，势不可挡。
但我认为，这和乔丹教授构想的愿景是高度契合的。我同意他说的，从微观角度看，未来的世界和社会将由一群智能体的集合来运作。我认为“智能体”实际上是由个人与AI提供的各种智能共同组成的团队。
所以，乔丹教授设想的集体主义结构，会建立在这种由个体组成的实体之上，并在此基础上催生出更多元的活动。因此，我认为乔丹教授的愿景比现在的情况更复杂，未来人类在网络世界中参与的各种活动，会呈现出极其多样的面貌。
杨燕青： 谢谢姚教授。姚教授提到，乔丹教授设想的系统可能更复杂，也更难实现，我理解得对吗？如果短期内我们造不出AGI，乔丹教授认为我们应该采取更加去中心化、更加集体主义、更加经济化的系统思路。但姚教授可能觉得，我们需要加快步伐，优先发展AGI，因为实现乔丹教授设想的系统更难。乔丹教授，您怎么看？
Michael I. JORDAN： 首先，我觉得这两种思路都不会停止，实际上它们都已经在进行中了。所以，依靠蛮力的数据分析技术肯定会继续用下去，GPU用量和数据规模会越来越大，这个趋势会持续，也应该持续。
与此同时，人们还应该用更有创造力的方式让它变得更智能。利用智能设备进行交流所形成的社会结构也在不断发展和演进，这和我现在讨论的主题更相关。拿手机来说，我们和手机互动，它不仅是知识的来源，也是人们互动的起点。它越智能，对我们越有用。
我认为，未来的“智能体”将是计算机与人类的结合体。同时，“智能体”这个词本身就有经济学含义：它们具有自主性，有自己的愿望和目标，它们通常是有策略的。如果仅仅把“智能体”理解为智能软件，我觉得这太窄了。所以我认为我们每个人都会拥有独一无二的本地化大语言模型，因为我们每个人都有自己的数据，这些数据对我们来说可能非常宝贵。
我们可能不想像过去那样直接把数据传到网上，而可能想出售自己的数据并从中获得价值，因为我的LLM基于的数据和你的不同。我们也会用一些公共数据，有公开的版本，但也肯定会有本地化的LLM，所以未来的交互会涉及众多LLM之间的互动，而且我们不能完全相信从别人那里得到的数据——因为它们有自己的策略，可能会给我们错误的信息，让我们按它们的想法行事。
这些都是经济层面的问题，也是我们当前和未来世界的一部分。你不能认为山顶上存在一个完美的“超级智能体”，它无所不知，总能给出正确答案。可惜的是，这似乎不是科学追求的目标，而是某些公司追求的商业目标——他们想占据那座山，想拥有那个“超级智能体”。
我不认为这是技术发展或人类进步的好模式。相比之下，我更喜欢“手机”这个例子——它让人有了一种表达自我的方式，会有本地数据、本地关联和本地目标，这些都会在庞大的联合系统中发挥作用，并持续向前推进。
我觉得这不仅复杂，而且非常复杂，但事情确实正在发生。这不是说我们把一切都设计好，然后它就自然发生了，而是它正向我们走来。我希望把LLM的思维模式融入这个发展趋势中。经典经济学里缺乏大量数据与本地知识等要素，而我们正在把这些东西加入经典经济学体系里。
杨燕青： 好的，谢谢乔丹教授的进一步解释。姚教授，您的工作奠定了计算机理论基础，关注算法的极限和可证明的性质。乔丹教授，您为机器学习引入了严谨的统计学方法，同时强调从数据中学习以及量化不确定性。
但现在我们面对一个非常强大的大语言模型“黑箱”。我们是应该优先建立它内部工作机制的完整理论，还是应该专注于开发工程和统计框架，严格管理它的输入、输出、行为和不确定性？哪条路更可能带我们走向安全、可信的人工智能？另外，如果未来十年有1000亿美元可以投入人工智能领域，您会如何分配？为什么？
姚期智： 我认为，为了确保强大人工智能的安全发展，科学理解黑箱内部机制和统计性的务实测试方法同样重要，缺一不可。那我就先从“可证明安全”的人工智能说起吧。
如果我们只是把AI当工具用，哪怕是完成非常复杂的任务，比如让AI参与物理研究，我觉得是可以接受的。但如果我们把AI视为和人类等同的主体，并且让它掌控关键基础设施之类的，那我们必须非常谨慎，而且我会坚持一点：我们要努力确保能证明这个系统是安全的。
这让我想起了“曼哈顿计划”里的核物理学家们，包括爱德华·泰勒（Edward Teller）这些人，他们担心自己做的原子弹试验可能会点燃大气层、毁灭世界。所以在实际试验之前，科学家们进行了大量计算，只有当他们确信发生这种情况的可能性微乎其微时，他们才同意进行试验。处理这么严肃的问题时，我们就该抱有这样的态度。
而且，当时物理学家做这些计算时，并没有完美的数学方程，他们是用物理学家的智慧，以合理的方式进行估算和近似，但必须以非常专业、科学的方式去做。
所以，我认为我们应该采取同样的态度。也就是说，当我们说某个东西是可证明的，并不意味着它必须像麦克斯韦方程那样，你能证明它的解是什么样子。而是说，我们必须开发某种方法，把数学、统计学和商业直觉融合在一起。这是一个我们还不清楚该怎么做的分支，但我认为我们应该开始思考如何把它融入我们的工作中。
杨燕青： 谢谢姚教授，您精彩地解释了可证明安全的人工智能，也提出了实现的可能路径，尽管我们还不清楚具体怎么做。乔丹教授，您同意姚教授的观点吗？
Michael I. JORDAN： 我同意关于风险控制和安全的观点，只是我不认为人类灭绝是我们面临的主要风险。我觉得我们需要把讨论落实到更具体的层面。
我们常说每个人都会有一个AGI助手来帮我们了解世界，这是现实的，它正在发生，也会继续发生。这个世界充满了不确定性，我们对很多事情都不确定——包括我们会进行哪些互动，我们会拥有什么，生活会怎样发展。人工智能助手能否处理这种不确定性？能否告诉我们：“我觉得未来可能会发生这些情况，有这些可能性，虽然没法证明，但如果你这么做，可能会有那样的结果”？
这就是人类的未来——世界不是确定性的，一切都在变，充满了不确定性。所以，我们的AGI，或者说任何能帮助我们的本地LLM，必须能应对这种不确定性，并且和我们周围的其他LLM交互，来降低这种不确定性。
如果一个LLM感知到街上有孩子，那么自动驾驶汽车就应该知道，所有其他辅助驾驶的LLM都应该避开那条路。这是一种通过沟通不确定性来降低和管理风险的方法。也就是说，我们面对的是一个黑箱，在那个时刻黑箱里具体是什么对我们来说并不重要，关键在于控制不确定性——推断现实世界里正在发生什么，并给出可靠的不确定性量化评估，这样我们才能共同管理不同群体的风险。
人类的智慧，正是在管理不同群体风险时体现出来的。当我们创造市场这类东西时，我们就能减少不确定性。如果我想买西红柿，市场就能提供，这样我就能开餐馆。所以，稳定性部分来自于市场机制，而稳定性在风险管理中至关重要。
所以对我来说，AI的风险不是担心人类灭绝，也不是那些疯狂的AGI科幻情节，更多的是在个体层面——当我们每个人都掌握了各种新能力（这些能力可能对也可能错），我们该如何面对和处理不确定性。
不确定性永远无法被证明是1或0，它总是介于两者之间，尤其在涉及不同群体时更是如此。所以我同意姚教授关于风险的观点，但我认为，随着科技越来越多地融入生活，我们应该认真思考人类在前进中实际面临的风险。
杨燕青： 好的，谢谢乔丹教授。你们对不确定性控制的理解角度不同，但两位大学者的目标可能是一致的。我再追问一下问题的第二部分：如果您在未来几十年分配1000亿美元的人工智能投资，在两个科学领域中选择一个：一个是人工智能和智能的内部完备理论研究，另一个是致力于更去中心化、具备统计学严谨性的机器学习方法。您会向哪个方向投入更多资源？
Michael I. JORDAN： 说实话，我不太认同这种分类方式。我认为研究是自下而上的，年轻人会提出伟大的新想法。如果我有1000亿美元，我主要会把它用作启动资金和研究资助——新想法正是从这里来的。年轻人不仅有好主意，还能洞察人类的新方向，这不是自上而下能规划出来的。
我们当然可以继续扩大现有技术的规模，这需要钱，但对我来说，这不是最好的投资，光靠这个并不能真正解决社会问题。我们需要把钱分配给更多年轻人，给他们更多资源——这很花钱。人力资源比其他任何东西都更费钱。
是的，我想开发安全、实用的技术，但我不知道怎么定义“实用”。很多人聚在一起，就能用自己的方式定义“实用”——这正是我希望看到的。
杨燕青： 谢谢乔丹教授。第三轮我们会聊一些可能有点挑战性的话题。中国和美国的模式不太一样。乔丹教授的研究描绘了一幅人工智能的图景，它将被用来构建更完善、更高效、更去中心化的市场。但实际上，我们在硅谷的同事，还有OpenAI、Anthropic等公司，都在快速向中心化AGI迈进，这和乔丹教授的设想略有不同。
在中国，姚教授正在研究中国人工智能的关键基础设施，其他行业也都在制定“AI+”战略来提高生产力。实际情况是，中国主导开源模式，在人工智能的成本和应用上更有优势，在前沿上落后于美国。两种模式相互交织，双方对人工智能未来的理解也不同。我的问题很简单：美国模式和中国模式，哪个会在未来五年占上风？
姚期智： 我觉得这是个敏感的问题，但我还是想回答。我认为发展模式和历史是分不开的，我就简单说说中国人工智能的发展吧。中国只是最近几年，尤其是过去10到15年，才开始努力追赶现代人工智能的发展。所以中国起步晚，为了有序追赶，中国在基础设施建设上投了很多钱，包括标准的通信设施，还有用于计算和人工智能开发的基础设施。到目前为止，中国的发展是非常有序的。
我觉得，过去这些项目工程性很强，这样做的好处是：我们了解西方过去的发展历程，这样我们就可以用系统的方法一步步构建相关能力。我认为，经过过去10到15年的努力，中国从各方面看都已经走到了世界前列。
展望未来，中国必须想办法弥补自己的一些短板。中国发展的弱点在于，虽然中国在顶级会议和期刊上发表了很多优秀论文，但看各种重大突破，在“从0到1”的突破领域，中国还比较落后。所以未来五年，中国应该在这方面赶上来。
现在中国还得克服另一个弱点，那就是思考怎么把好的想法真正用起来。我觉得中国模式在成果转化上不如硅谷模式那么高效，硅谷在这方面做得更好。以上是短板。
至于中国人工智能发展的优势，我觉得它不仅体现在人工智能领域，更体现在科学发展的方方面面。我认为中国的总体思路是：不管科学怎么发展，最终都要造福所有人，这是以人为本的理念。从长远来看，这是中国发展的稳定基石，这样就不会让某一小部分人坐上驾驶座，发展他们的小圈子，让他们的利益凌驾于绝大多数人之上。
所以，我觉得这种政治上的稳定，从长远看，是中国最大的优势。不仅现在的政府是这样，中国有三千年文化传统，早在三千年前，我们就梦想一个人人平等、人人受益的社会。这种“和”的理念，是中国最强大的力量。
杨燕青： 谢谢姚教授总结中国的优势：以人为本的理念和对社会福利的重视。姚教授也提到了中国的劣势在于从0到1的突破不足，以及科技成果转化效率不如硅谷。乔丹教授，请您也简单谈谈对美国AI模式和中国AI模式的看法。
Michael I. JORDAN： 首先，我个人的模型其实更接近社会福利导向、分布式的模式，这反而更像中国。不止我，很多在美国和世界各地从事这个领域的人也有类似观点。硅谷并不是大多数美国人的“领头羊”，它是资金来源之一，但不是引领者。
不能只看硅谷，要看历史——我也同意“三千年”的视角——应该用五十年这样的尺度来看问题。现在，一个新的工程分支正在浮现。
回想五十年前，这个新兴分支是化学工程。当时，量子化学和流体力学等学科已经存在，为规模化生产奠定了基础。但是，建造大规模化学品工厂这个想法是全新的，需要创造新的思想。
这都是五十年前的事了。当时没有哪个国家一家独大，没有赢家或输家。各国以稍微不同的路径各自发展化工工程。十到二十年后，相关知识得以共享，专业人才慢慢出现，贸易也随之兴起。我们于是有了一个全球性的“化学工程”学科，不存在什么“中国的化学工程”和“欧洲的化学工程”对立的情况。
再往前五十年，同样的事情也发生在电气工程领域。同样地，它形成了一个全球共享的专业知识体系。这需要时间，各国在电气工程领域也发展出了各自的专长，但大概二十年左右，这些知识和专长都得到了广泛共享。更早之前，还有土木工程、机械工程等等。
所以正确的视角是：那些对人类有巨大影响的工程学科，最终都会全球扩散，依靠的都是思想和实物的贸易传播。我认为这次也会一样。我们现在说的是“智能+数据+人类”构成的复杂系统，不会只有一种路径。这里说的是解决问题的路径，不是政治。AI的发展会有很多条路，最后一定会实现。
我个人认为，硅谷已经迷失了方向，不适合做这个时代的领导者。它适合领导硅和芯片的时代，但对于当前这类问题，那些领军人物（比如山姆·奥特曼、埃隆·马斯克）不是工程师，也不是科学家，他们的思维方式不太对路，他们只想着规模、只想着“更快更大”，这不是好的愿景，这不是优势而是弱点。我觉得美国那种“个人主义”的哲学，在硅谷体现得太过了。
实际上，我认为中国在这方面有优势。我大概十到二十年前来过中国，当时我注意到中国在金融科技，尤其是支付体系方面是领先的，这让我意识到中国当时确实走在前沿，而现在世界其他地方已经赶了上来。现在全球都能做好支付，但十年前不是这样——而中国十年前就已经做到了。
在人工智能涉及的社会层面，中国的进展要快得多，这一点不应该丢掉。不要简单模仿硅谷，要看到硅谷有它的弱点。那种个人主义的理念并不适合当前这个时代——它在上一阶段也许是优势，但在现阶段已经不是了。
杨燕青： 是的，谢谢乔丹教授，让我们对硅谷以及中国的优势劣势有了非常清晰的认识。实际上，乔丹教授提出了一个新的理念：计算思维、经济思维和推理思维三位一体，介于工程学和人文之间的中间地带。同时，姚教授也强调了深厚的理论基础。进入“姚班”是中国最聪明的年轻天才们的首要梦想。今年正值“姚班”成立20周年，我想在此祝贺，并衷心感谢您。
问两位最后一个问题：对于今年刚进入大学、开始本科学习的学生，如果他们希望到2040年成为AI领域的领军人物，您会如何培养和教育他们？
姚期智： 我的建议是，除了AI核心课程，学生还要认真学习物理、经济学和博弈论。同时，学生应该具备一定的艺术感受力，音乐是一个值得特别关注的领域。
物理很重要，因为至少在未来五到十年，我觉得“具身智能”在科学和商业上都是最重要的，懂物理会有优势；经济学，我觉得正如乔丹教授所倡导的，随着通信和互联能力飞速提升，世界对AI智能体来说已经是个“多体问题”；而当这些交互变得极其复杂时，我们面对的就是博弈论问题，而解决方案还不明确。
音乐的重要性在于，这个世界很“疯狂”，由于各种交互，一个人更多在做外部沟通，而不是内在思考，这会导致严重的不平衡。音乐正好可以净化心灵，让人更了解自己，至少能留出时间反思和自我认知。
我不说冥想，但至少是让人理解自己，否则自己只是“别人意见的附属品”。我担心年轻人会失去自己的判断，变成集体共识的产物。如果每个人都只和别人交流，最后就没有个人观点了。所以，我建议未来想进入AI领域的学生关注这几个方面。
Michael I. JORDAN： 姚教授总结得非常好，我完全同意。我特别赞同把音乐纳入培养体系。我自己也做音乐，我相信这是一种自我表达的方式，而不仅仅是为了赚钱。赚钱可以算是一个目标，但更好的目标是理解自己、发展自己的优点和独特性。
我还想补充一点：统计学也应该包括进去。意识到不确定性、理解算法的局限性非常重要。我来自统计学领域，这个学科产生了大量算法，很多都被用在机器学习里。同时，统计学教会我们谦逊——理解不确定性，而不仅仅把逻辑当成智能的唯一标准。统计学让人对世界保持谦卑，理解实验和不确定性的重要性。经济学提供了“多体问题”的视角，物理学也是，而统计学则带来了不确定性的概念。这种谦逊，是我希望教育能包含的内容。
杨燕青： 所以我们还有很多要学的：物理、经济学、博弈论、统计学，更重要的是还有音乐。感谢姚教授和乔丹教授。让我们以热烈的掌声感谢这两位科学与计算领域的杰出思想家！
