我未能兑现诺言。但是量子计算可以改变计算机“思考”的方式
“人工智能”一词背后有很多约定，这可能就是问题所在。 Alternative AI的创始人Eberhard Schoeneburg说，基于人类大脑可能如何工作的传统AI模型无效，因为我们对大脑的工作原理仍没有确切的了解。
他认为必须为AI适应一种新的思维方式。 “即使您的大脑模型非常简单，也无法解决所有这些问题或所有这些问题。 Schoeneburg说：“替代AI的关键方面是提出解释智能而不涉及大脑。”
但是可以研究自然界中的量子过程以获取洞察力，以创建具有实际智能的人工智能，称为人工通用智能（AGI）。那可能很快成为现实。正如Google声称在量子计算的发展领域中“量子至上”一样，一些专家认为这一突破可能对人工智能（AI）领域大有裨益，反之亦然。
在最近对《麻省理工学院技术评测》的采访中，谷歌首席执行官Sundar Pichai对AI表示了信任，因为它“可以加速量子计算，而量子计算可以加速AI”。
人工智能和量子计算可以促进彼此的发展
请参阅相关文章：区块链如何节省AI
Schoeneburg说，目前在AI中使用的深度学习方法具有狭窄的用例，这些用例依赖于静态模式识别，而基于量子的系统可能更适合于现实生活中的应用。
尽管如此，短期内其他分析师对量子计算应用的前景却不太乐观。
肖内堡解释了人工智能应该如何适应量子技术等等。这份Forkast.News独家新闻今天汇集了两种人工智能的领先声音：Muckr AI的创始人，同时还是AI联合主席，联合国大会影响力区块链的联合主席Susan Oh和“替代AI的教父”坐在一起Eberhard Schoeneburg并称“深度学习”过于具体，以至于无法“智能”。要了解AI的未来，人们必须了解其过去的根源。
完整成绩单
Susan Oh：我很荣幸与替代AI的教父Eberhard Schoeneburg坐下来。他也是为我们（第一个）聊天机器人提供服务的人，尽管他说他认为现在这是一个头和牛逼。因此，Eberhard，非常感谢您与我一起坐下。
我认为我们都同意AI未能兑现炒作和诺言。我认为人们没有意识到这是AI的第五次浪潮，自1950年代以来人们一直在研究智能计算系统。因此，如果可以，请告诉我们您为什么认为AI未能兑现其承诺。
Eberhard Schoeneburg：是的，实际上，我认为AI始于1950年代的观点实际上是美国人的观点。我是德国人，所以对我们来说，它始于17世纪的莱布尼兹。实际上，这很有趣，因为Leibniz尝试发明一种能够代表您可以计算的思想的语言，因为他还发明了第一台机械计算机，一种可以计算的计算机。现在，我认为过去60、70年间发生了什么，其中有些事情是可以的。
出乎意料的是，一开始，人们试图解决比现在困难得多的问题。因此，您现在所看到的，会看到很多专业化，非常特定类型的AI应用程序，这就是成功的源头。但是真正的问题尚未解决。人工智能系统并不是真的很聪明。他们不了解自己在做什么。他们不能真正解决非常复杂的问题，除非在游戏等特定领域非常垂直。但是在更加复杂的日常生活水平上，我眼中人工智能并没有真正进步。
苏珊：那是为什么你说我们需要替代品？给我们一个“替代AI”的定义。
Eberhard Schoeneburg：是的，这就是原因。我正在写一本关于计算机意识的书。计算机有可能发展意识吗？我碰到了罗杰·彭罗斯（Roger Penrose）的这本书，他是第一本提出要理解大脑如何工作的人，需要理解量子理论的书。而且我认为，这完全是胡说八道，就像当时每个人的想法一样。但是后来我更深入地了解了其中的一些有趣之处。
然后在过去的五到十年左右的时间里，出现了一种全新的科学，称为量子生物学，它支持这样一种观点，即我们体内和生物学中许多事物的核心都存在量子过程。我认为有必要跟进这些事情，并尝试在AI系统中提出真正的智能。主要的区别在于它不是基于大脑模型，而是通常的AI，尤其是深度学习的炒作。
我们做的事情就像大脑一样，在我眼里完全是胡说八道，因为没有人真正了解大脑的工作原理。即使您的大脑模型非常简单，它也无法解决所有这些问题或所有这些问题。因此，替代性AI的关键方面是提出解释智能而不涉及大脑的方法，这就是它的作用。
Susan Oh：如您所知，实际上没有人会说出来，但是深度学习和深度网络以及递归神经网络只能解决非常具体的问题，甚至无法解决所有问题。但是没人愿意说出来。但是你有。那么什么会更好呢？
Eberhard Schoeneburg：这是一个很好的问题，但很难回答。没有人知道什么会更好。但是现在清楚的是，人们了解深度学习对于静态模式识别是有益的，您可以识别模式。这就是在许多应用程序中使用的静态模式。例如，即使对于自动驾驶汽车，物体也不会轻易改变。如果有人走过马路，那么角度，您看到该人的方式都会改变，但仍然是同一个人。因此，此人不会突然消失在这里并出现在其他地方。
因此，现实的行为并非量子正常。这就是为什么即使非常简单的算法也可以在很多非常简单的情况下（尤其是在游戏中）工作的原因，因为边界非常明确。您无法确切地说出该程序何时播放良好，什么时候播放失败，因为它丢失或没有丢失。但是在生活中，你不能说一个人是否做得好。这取决于您如何定义表现良好？这不只是赚钱或保持健康。可能是任何事情。而且代码可以随时更改，我的代码会更改，我不知道我一生中有多少次。
因此，要实现目标，界限非常棘手。目标是在各种事物中自我调整。这就是让它变得如此困难的原因。而且没有人真正知道它的去向。我认为唯一值得一提的是，对事物有更动态的看法，拥有动态的科学系统（政治系统，吸引者），以便对模式的关注正朝着更动态的方向发展。世界。
苏珊：您的意思不是说，在现实生活中，我们有更多的动态系统，有成千上万的因果关系，并且总是使用更多的模糊逻辑和不同的条件。这就是为什么同时使用仿生和量子力学的替代AI更适合现实生活的原因。我正确吗？那么，这种情况的用例和含义是什么？我的意思是，我可以看到它到处都在使用。
Eberhard Schoeneburg：是的。我的意思是，在这里以及在金融科技领域，我显然专注于金融应用。在金融领域，这是一个大问题。在金融领域，很多公司都有很多钱。他们有资源雇用最智能人。但是他们所做的只是，他们要么做量子，但是量子还处于早期阶段，量子计算机到目前为止还不能真正解决任何严重的问题。或专注于深度学习和相关事物。
古典AI，深度学习是在80年代发明的。大概三十五岁了这很疯狂。因此科学取得了重大进展。因此，我专注于分析金融系统的更多动态方面。因此吸引子和动力系统的发展。我认为非常有趣的领域是，许多金融市场突然崩盘。没有人知道为什么会发生这种情况。发生这种情况后，您总是想出一个解释。您提出了发生这种情况的各种原因，但是没有人能真正预测市场的崩盘。那么，为什么有些市场崩盘了，为什么有些市场没有崩盘呢？这是一个非常有趣的问题。
我认为这是因为市场是非常复杂的动态系统，在所有参与者中都有很多反馈。问题是，它们是否是其中的稳定吸引子？系统是否稳定到一种稳定状态？如果他们愿意或不愿意，那么如果发生扰动会怎样？如果您的藏品中有东西，周围的挠痒痒，微动和摆动，它是否会塌陷？而且，如果您研究动态系统，那是唯一的方法-通过吸收这些过程和反馈循环。甚至没有数学。
如果您想做微分方程，最好的方法是处理3-4个参数。但是金融市场拥有数百万个参数，数百万个参数。无法做到这一点，因此您需要智能计算机模型和动态计算机模型。我尝试使用像细胞自动机这样最简单的模型，因为模型越复杂，理解就越复杂，而您不会理解。因此，如果基本模型至少非常简单，那么有办法可以理解它。这就是为什么我专注于它。
Susan Oh：如果我们可以稍作备份，您可以帮助人们了解细胞自动机。
Eberhard Schoeneburg：好的。因此，这是匈牙利先知约翰·冯·诺依曼（John von Neumann）的计算机先驱发明的。实际上非常简单。我们的皮肤实际上也是一台计算机。因此，每个皮肤细胞都依赖于外力来改变其行为，但主要取决于相邻细胞的行为以及它们所处的状态。因此它们相互影响。这就是细胞自动机的作用。它被视为网格。你有飞机，有正方形。网格中的每个正方形都是一个单元。并查看相邻单元的功能。并且，根据相邻小区的工作情况，它会更改自己的活动。每个单元都在同时执行此操作。这就造成了这种疯狂的反馈循环和动态变化。
Susan Oh：当我查看粘液活动及其入侵方式时，你说的最令人着迷的事情之一是完全有道理的，那就是，完全非智能的生物或有机体在共同作用时可以创建智能系统。就像您描述的细胞自动机那样。这是您如何看待我们的财务系统和制造系统的行为？
Eberhard Schoeneburg：您是说他们不聪明？
苏珊（Susan）：在这个阶段，您可以让非智能演员通过彼此的活动而变得聪明吗？
埃伯哈德·斯科讷堡（Eberhard Schoeneburg）：正如我们的人类注意到的那样，如果您将一堆人放在一个房间里，那么这个群体不一定比个人聪明。那不是必须的，但是有可能发生。最好的例子是没有一个人可以去月球或火星。但是，如果我们大家一起努力，我们就能做到。因此，结合一点点智慧，很多很多很多人就会产生一些东西。这也是细胞自动机的全部思想。
因此，您希望，当您到处都有一些智能，并使它们都以非常复杂的动态协同工作时，您会产生智能行为。确实如此令人着迷，我不知道为什么人们没有更早意识到这一点。现在，当您听到有关此粘液霉菌的新闻时，突然之间所有的人都意识到了，哎呀，这东西很聪明，没有大脑。我的意思是，这是如此明显。但是AI尚未做到这一点，即使您采用经典的AI模型，也要考虑一下，大脑是由神经元组成的，并且很聪明，因为所有这些神经元都可以协同工作。神经元没有大脑。因此，最终，即使是经典的AI模型也依赖于不使用大脑的模型。但是现在问题开始了。
没有大脑怎么能解释智力？合作只是一方面，对吗？有许多不合作的生活形式仍然很聪明。因此，合作是提高智慧的一种方式，但还不是全部。有一个基本原则，这就是我要解释的。就像标准模型一样，它基于微管及其智能程度。从某种意义上说，他们可以通过振动和类似的东西来计算事物。而智能本质上是振动的共振。或多或少就像音乐一样。
苏珊（Susan）：哦，这是指音乐是由音符之间的空格组成的，对吗？这是一帧一帧地拼凑而成的，这就是你的意思，就是我们的意识，一系列的闪光。正确？那么，我们将如何开始在智能计算系统上进行研究呢？
埃伯哈德·斯科讷堡（Eberhard Schoeneburg）：这是一个非常棘手的问题，是人们应该尝试模仿它，还是应该想出像蜂窝自动机这样的具有相同效果的系统，而不是现在真的开始尝试制造Atom吉他之类的东西。我不知道对振动进行建模是否有意义，但是振动是一个很好的范例，因为共振易于理解，对吗？和谐很容易理解。这种谐波行为很容易理解。这只是一种与经典AI用于大脑的方式截然不同的范例，因此并不一定意味着它是正确的建模方式。
因此，我不会进行振动建模，而是尝试了解振动的作用？谐和或共振对振动有什么作用？它本质上是选择性地增强信号。它可以消除信号或增强信号。这些波形是否同步。因此，了解这一点更为重要。它不是在生物学或物理学中完成得多么精确。但是潜在的计算原理是什么？
Susan Oh：瞧，这就是令我着迷的原因，因为正如您所知，与分布式计算系统，人工智能，区块链或物联网中的任何事物一起工作的任何人，都与输入和输出有关。您正在谈论的信噪比。如果我们可以通过共振或振动的变化对其建模。您是说我们可以获得更准确的图片？
埃伯哈德·斯科讷堡（Eberhard Schoeneburg）：我不知道准确，但是我们将获得一种替代方法来分析相同的事物，也许还有一种替代方法。这就是为什么它被称为替代AI，它可能是产生智能行为的替代方法。
苏珊：你现在在做什么？我了解您正在使用针对金融市场的元胞自动机对金融动态金融市场进行建模，对吗？
埃伯哈德·肖内堡（Eberhard Schoeneburg）：我和其他人一样，我去了钱所在的地方。我跟随钱，这是真的。所以我曾经拥有我所有的公司和所有东西，但是现在我已经太大了。我只是在提供咨询服务，但主要是保险，银行，交易员之类的东西。因此，我非常关注金融应用。但是对我来说，问题是我总是遥遥领先于市场。因此，即使我去对冲基金做过深度学习等方面的对冲基金，我仍然遥遥领先。所以这些人可能不喜欢我的想法，对吧？因为如果我从事大型交易（例如大型对冲基金），通常会发生什么，他们就会有自己的团队。他们从斯坦福大学或其他机构聘用了20名博士学位。他们认为他们知道所有这些。而且他们没有。他们只是没有。
苏珊：哦，你知道开拓者会怎样，对吗？他们被枪杀了，然后就像第三波或第四波真正赚钱。有趣的是，您对1990年代创建聊天机器人的人说“我去赚钱了”，当时人们在说诸如“为什么您想要一台个人计算机？
埃伯哈德·斯科讷堡（Eberhard Schoeneburg）：我并不是说要追逐这笔钱，因为幸运的是，我已经赚到了足够的钱。我不是我不需要工作了，但是我要去赚钱的地方，因为这意味着那里有很多人可以尝试一些新事物。因此，我通常碰到的情况是人们通过深度学习等尝试了所有方法。他们在这里取得了一些成功，那里取得了一些成功。但是他们通常很沮丧。他们碰上了死胡同。它不会从那里走到任何地方。我说这并不奇怪，这就是原因，也许您可以尝试一下。
但是后来我常常（并非总是）碰壁，但经常与已经在那里的人碰壁，因为这对他们来说是新的。因此，他们现在处于盲人独眼的情况。他们看到了一点。但是他们可以向老板详细介绍各种垃圾。但是现在有了一些他们不了解的新事物，现在我成了威胁。你知道我的意思？我生命的最后30年一直处于这种情况。认真地说，他们一直在嘲笑我，这很疯狂。幸运的是，我是对的，但距离我完成所有这些工作大约20年了。有点令人沮丧。但最后，我很高兴能够生存这么长时间，以至于我可以分阶段看到现在的成功。
苏珊（Susan）：对我而言，这很有趣，因为您创建了第一个聊天机器人（其中一个），但是您认为它有点笨拙，并且实际上没有兑现其承诺。好吧，当您创建它时，您想要它做什么？
Eberhard Schoeneburg：实际上，它又在金融领域。因此，我创建了第一批财务机器人顾问，我们有大型银行，瑞银集团和瑞士信贷，德意志银行，它们是真正的主要客户。但这就像2000年，2001年，然后市场崩盘，就在我们安装了第一个设备时，就像六个月后，我们所拥有的一切……我在9/11，在纽约市中心。您知道，那是灾难性的。因此，一切都停止了。所以我们不得不重新开始。但是实际上我想到了金融市场。因此，我们开发的第一个应用程序是退休计划程序机器人。因此，该网站实际上是针对美国的Pioneer Funds的，它是一个您可以与之交谈的机器人的网站，说，看，我今年63岁，有房子，有三项保险，我想两年后退休。
我应该做的最好的事情是什么？那时还没有文字技术的演讲，但您必须输入所有内容。因此，我们开发了一种可以输入的系统，即使是韩文，日文，中文也可以输入。但是在日常语言中，您可以问，没有预先编程的特殊短语。我为此感到非常自豪。当时它真的很强大。我们有一个完整的对话管理系统。因此，这还远远不够，就像您现在与Alexa和Siri等在一起时，您在哪里问诸如“我在哪里可以得到披萨？”这样的问题，他们有数百万个这样的示例，他们可以在上面训练系统。这真是愚蠢。所以那时我的机器人已经可以进行真正的对话了。因此，您可以向机器人询问一些问题。 “哦，我能理解你的意思吗？您想要这个还是那个？”然后我会说，不，不，我想要那个。他们会说：“好的，我了解。但是，如果您考虑这一点呢？”等等，就像一个真正的对话系统，而您再也没有了，它已经消失了。
Susan Oh：对NLU和NLP的上下文理解是吗？
Eberhard Schoeneburg：是的，是的。
苏珊：你在1990年代有这个吗？然后发生了什么？过去20年只是高原期吗？
Eberhard Schoeneburg：情况更糟。 2001年，我为此申请了与计算机的自然语言通信的专利。如今，全世界数百家最大的公司-IBM，每个人都引用了它。但是你知道我没有做什么吗？我没有跟进他们的专利申请。因此，三年后才被批准。我从专利局得到了所有这些问题。我只是忽略了它，我很忙。到现在我可能已经成为了一个亿万富翁。
苏珊：哦，天哪。我讨厌听到这样的故事。
Eberhard Schoeneburg：我定义了最先进的技术。它在2001年被认为是最先进的。 2001年，现在我们是2019年。但从字面上看，它已经消失了。我认为它就像古典音乐。如果您像200年前，300年前那样看古典音乐，塞巴斯蒂安·巴赫（Sebastian Bach）是我眼中的音乐高峰。如此复杂，如此复杂，如此美妙。现在不存在了。如今，每个能在吉他上弹奏三个即兴演奏的人都被认为是天才。
Susan Oh：甚至没有，我们在说唱盘。可编程音乐。
Eberhard Schoeneburg：在我眼里，AI也是如此。
Susan Oh：我实际上知道有一个人从事NLU / NLP的上下文分析工作已有大约18年的时间。她破解了，然后我们将拥有可以与人类互动的更多智能系统。当人们告诉我他们对AI感到恐惧时，AI将会杀死我们所有人，并且随着AGI的到来，我总是告诉他们我们担心错误的事情。
Eberhard Schoeneburg：你认识Andrew Ng吗？当我们在火星上人口过多时，他说了一件令人担忧的有趣事情。我喜欢那一个。
Susan Oh：当您与其他技术人员，建造者和创始人交谈时，可以为我完成一些过程，以了解可能会产生的意外结果以及如何创建这些系统，这些迄今为止看来被遗忘的领域当您解释它时，这很有道理。完全有道理。你让我们经历了很多事情。但是，完全没有道理。
埃伯哈德·斯科讷堡（Eberhard Schoeneburg）：我认为AGI的最大问题是，它又有这种错误的大脑模式。所以我一直在与整个区块链团队SingularityNET合作。我从一开始就在那里。但是我认为重点是错误的。这是一种工程方法。首先，我认为您不能动脑筋。太复杂了。我认为您必须从字面上像生物系统一样生长它。您必须植入它，并且必须具有某种机制，以便它可以增加智能。因此，这是一个完全不同的范例。
我还认为，对于工程技术来说，它太复杂了。这不会发生。也许有一天我们会拥有这些非常智能的机器人，但却使用完全不同的方法。这就是为什么我专注于微型机器人，Nano机器人。如果我们拥有像昆虫一样大小，具有与家蝇相同技能的智能机器人，我将非常非常高兴。它可以飞来飞去，只有一个很小的大脑，你无法抓住它。试着捉苍蝇，你不能。您的大脑如此之大，您不可能。
Susan Oh：这完全是关系决策过程，对吗？
埃伯哈德·斯科讷堡（Eberhard Schoeneburg）：这是一个经过优化的大脑，它是针对特定目的的大脑。所以我认为AGI做错了，它试图构建可以解决任何问题的通用AI。我们无法解决任何问题，我无法解决任何问题。我可以解决某些问题。但是我无法解决所有给定的问题，我也不那么聪明。沿着那条路线，尝试构建可以解决各种问题的AI，我们最终将陷入困境。无法解决任何问题。但是，如果您专注于特定领域，那么需要大量的情报来解决该问题，例如极其垂直但更真实的生活，而不是游戏，而不是玩具模型，那么实际生活中的问题会尝试制造真正的变形虫。那是个大问题。
Susan Oh：这就是面向对象编程的问题。即使您要查看图像识别，也必须定义用于对模型进行建模的参数，而生活根本就行不通。那么，您的希望是什么？我的意思是，您总是比市场领先20年，对吧？您希望看到细胞自动机发生什么以及如何使用和实施？
Eberhard Schoeneburg：是的，这是两把剑。从某种意义上说，我希望在AI方面取得突破，希望得到一些真正智能东西。但另一方面，这是一个问题，即微小的小型机器人如何也无法控制。您可以建造人造微生物，如果您无法控制它们，它们可以存在于任何地方，并且可以杀死整个世界。这也是一个问题，因此，只要您不了解如何控制它们，我也不希望这些系统也能取得成功。所以我同时在两端工作。
苏珊（Susan）Oh：两端都是如何使它成功，但是接下来该如何设置终止开关？
Eberhard Schoeneburg：有点，它应该自杀。就是这个主意。
Susan Oh：基于实用程序或您输入的特定规则。
Eberhard Schoeneburg：生物生活就是这样做的。许多细菌为了更大的利益而自杀。他们从字面上自杀，我们的许多细胞也在我们的体内这样做，我们一直都在自杀。而且这种机制还鲜为人知。什么时候发生？为什么会发生？我的意思是，为什么这样清楚？因为如果某些事情太多了，那么资源就会紧缺，依此类推。但是哪个细胞决定杀死自己，为什么其他细胞不杀死自己呢？为何起作用？您怎么知道并非所有人都像旅鼠有时那样突然自杀？它失控了，他们自杀了，这完全是愚蠢的。因此，这是一个非常非常有趣的问题。人们考虑模仿生活。您还必须考虑死亡，如何杀死这些东西，他们想如何被自己杀死。
Susan Oh：建立复杂系统的首要原则不是紧紧的迭代循环，而系统的微小部分并不是关键任务……
Eberhard Schoeneburg：故障安全系统。
苏珊（Susan）：防故障，让他们死亡并重生。
Eberhard Schoeneburg：这是工程学中的既定原理。但是在万物生长且不受中央单元控制的生物系统中，这是完全不同的事情。它要复杂得多。
Susan Oh：这将我们带到了分布式计算系统。之前，当您谈论我们时，我们谈论的是群体智能和模糊逻辑。听起来几乎像是区块链和人群情报或人群外包和开源背后的原理。如您所知，现在开源的优势就是开源的劣势。在企业级别上很难实现很多由人群创造的事情。有没有一种方法可以指导团体或建立治理体系，从而使我们两全其美？
Eberhard Schoeneburg：您的意思是开源？所以您不是在谈论区块链吗？我没有所有的答案。我认为开源是一种祝福，也是一种痛苦。我的意思是，祝福是专有技术的开放性。但是我在70年代学习了计算机。您知道当时的计算情况吗？我不得不站着打孔卡。我不是在开玩笑。而且您知道它能为您带来什么吗？它给了你疯狂的纪律，因为我不得不打卡。打错了一个拳头，由于错误，两天后又把整个东西拿回来，没有任何处理。今天，每个白痴都可以通过剪切和粘贴一些开放库中的内容进行编程。他们不再思考了。
他们只是剪切并尝试一下，然后观看YouTube视频，如何编程。我是认真的。我是最早开发数字电话系统的人之一，西门子的ISDN系统是我的第一份工作。您知道，我们的整个系统内存为64 KB。 64 KB今天，一个操作系统有40（千兆字节）或类似的东西。不再考虑效率或类似问题。您只需将东西拼凑在一起，就不再有限制的考虑了。因此，随着大量创意的浮现，它从字面上减少了思考。资源的限制消失了，因此一切皆有可能。因此，您可能很幸运，并提出了一些非常新颖的作品。但是请注意。看看AI初创公司正在发生什么，有多少值得一谈？
苏珊：你知道吗？我认为没有什么比硅谷和VC模型更糟糕的命中率了，但是随后出现了加密货币技术，当然，人工智能介于两者之间，而且命中率都很惨。
埃伯哈德·斯科讷堡：是的，我同意。让我感到沮丧的是，过去，当人工智能没有像现在这样繁荣时，便出现了这些浪潮。但是我通常不得不总是花很少的钱来工作。我们从来没有钱来赚钱，但我认为我们确实很有创造力。我拥有最好和最智能人，他们来是因为这项任务非常有趣。不是因为我们在赚钱。每个人都去Google的原因是他们得到了免费的医疗保健并像这样大便，不是因为他们正在研究有趣的问题，而是因为他们有丰富多彩的办公室，幻灯片和类似的东西。这就是Google的商业模式。我是说，对不起，只是我听不懂。
苏珊（Susan）：我想让您知道，无论是白帽子，黑帽子还是灰帽子，黑客团体都还活得很好。有些人就像不受监督一样……他们以自己自然的方式聚集在一起，以找出一些问题。而且开源仍然非常活跃。我真的很高兴。
Eberhard Schoeneburg：是的，这取决于我双方。因此，当我创建聊天机器人并放弃这项业务时，它便转移到了，实际上被偷了，转移到了俄罗斯，然后以开源的形式出现了。现在无处不在。因此，大多数机器人只是我的原始东西。所以从某种意义上讲，这很好。从某种意义上说，这很糟糕。我赔了很多钱都没了都是公开的，没有办法再保护了。而且我不知道，某个或什至一个行业发明某种东西的动机是什么呢？ And in my eyes, if you look at all the big companies, the Googles and Facebooks and the IBMs in the world putting out all this stuff in an open source. Trust me, the good stuff, they don’t put in open source. And you don’t see any military systems that are open source.为什么不？ If it’s so good and it helps everything and it gets the bucks out. Why not put all the military’s stuff in open source?
Susan Oh: That’s never gonna happen.
Eberhard Schoeneburg: And there’s a reason for it. So there’s good and bad sides, too. I’m not 100 percent a fan of open source.
Susan Oh: Why, because of the quality?
Eberhard Schoeneburg: But it’s a big thing, you know? Remember the war between Microsoft in Unix, right? First it was Microsoft. It was a monopoly. There was no one there. Then Unix came. Everybody was laughing about Unix. Now they’re not laughing anymore. Now Microsoft is using Unix. It just completely turned around. But the problem is that… I’m not defending Microsoft. I’m saying if you have a system that you use and it’s Microsoft, you can sue their ass off if something goes wrong. And you know they are taking care of it if something goes wrong. If you have an open source, you have to find someone who is willing to take care of it. Some some黑客 somewhere in East Europe there has nothing else to do and just tries to fix the problem. I mean, if you’re a real industry player, you really have to think three times whether you’re gonna use open source or not. If it’s research or close to research, sure, you would use open source because you cannot afford to buy some expensive licences for something.
Susan Oh: That whole liability issue goes to AI as well. Like what if Sofia goes off and kills somebody? Then who’s liable?
Eberhard Schoeneburg: That might be the only good reason why to make it open source.
Susan Oh: I think it could be said that all innovation is a dialogue rather than the lone hero myth. We walk in the steps of pioneers who were who were shot and lost their stuff and we’re able to build and continue to build. So what is your greatest wish now for your work?
Eberhard Schoeneburg: I try to have some decent success and I still haven’t figured out a lot of things. I’m 63 years old, I learn something new every single day. And I hope to continue doing that. I might go back to studying at university and stop all the business work. I can afford it, so I have no specific goal. I just try to learn and try to understand these things. I try to understand what intelligence is and how it works, and hopefully I get closer to it in my lifetime.
Susan Oh: It’s very inspiring. Thank you so much.