产品中心

任泽平对谈田丰:“人工智能+”的新机遇
首页 > 产品中心 > 食品加工
来源:电竞比赛押注平台app    发布时间:2024-04-19 14:52:31

  4月10日,任泽平博士对话商汤智能产业研究院院长田丰,深入剖析了人工智能的奥秘与挑战。

  任泽平:今天,我们有幸邀请到商汤科技的田丰院长,与我们深入探讨当前热门话题:人工智能+。首先,请您从大模型+机器人的角度,分享下您的看法。

  田丰:从英伟达黄仁勋先生的未来战略来看,如果我们对比OpenAI与英伟达,不难发现背后涉及大模型的两条发展路径。第一条路径是基于全球人类知识数据训练出的GPT基础大模型,它对人类知识有着深刻的理解。第二条路径是认识到仅从互联网获取数据是不够的,未来的发展需要从物理世界中获取数据,例如工厂、生产线或供应链。黄仁勋先生正在布局一个宏大的战略,不仅涉及底层的GPU芯片,还包括Omniverse这样的工业平台。

  目前,宝马、奔驰、西门子、三星等工业制造企业都已接入Omniverse Cloud。这是一个云平台,利用一套AI算法分析产业链中的各种数据。从工厂的规划、设计到部署、调试,甚至培训和运营,都可以在Omniverse Cloud上进行。

  以宝马在亚洲建厂为例,可以由多个国家团队在云平台上共同设计,将生产线的虚拟设备放入数字工厂中运行。建成后,类似有一个线上数字工厂与实体工厂同步运作,简单讲,就是打造一个从物理世界、工业领域汇聚数据,进行工业人机一体化智能系统全流程管理的模型平台。下一步的重点是如何从物理世界获取更多与生产相关的数据,并利用人类知识进行各种生成式应用。我将这称为“新智生产力”。

  有人称去年为大模型的元年,今年则是机器人技术爆发的一年。今年,我们应该特别关注美国的3-4家公司。首先是英伟达,在GTC大会上,60%的时间都在讨论Omniverse工业领域的AI平台,目前已有许多机器人勇于探索商业模式的公司接入。其次是特斯拉,马斯克不仅涉足大模型Grok和计算中心,还致力于机器人技术。第三家是谷歌,拥有Gemini大模型和远超OpenAI的算力中心。最后是OpenAI与微软的合作,他们也投资了两家机器人公司。这四家公司正全力将物理世界融入大模型中,或者能够说是将大模型嵌入到物理世界的机器人执行体中。

  任泽平:传统的机器人只能执行单一功能,现在我们叫做具身智能。那么,具备人工智能的机器人与以往的机械手臂有何不同?它们将带来哪些变革?

  田丰:过去制造机器人的第一个任务是解决零部件问题。例如,国内一些机器人勇于探索商业模式的公司致力于让机器人关节的电机更小巧、更轻便。

  第二步,如美国的机器人勇于探索商业模式的公司,广泛采用仿真测试环境。例如,谷歌在加州湾区的实验室里,线下有十台机器人进行打扫卫生等任务的训练,而线上则有超过一千个虚拟机器人在不停地进行训练。线上训练仅消耗算力,大幅节省本金。训练到某些特定的程度后,将虚拟的机器人模型移植到物理机器人上,这一过程可以每时每刻同步,显著加快了机器人的训练进程。这能够理解为在仿真环境中的快速进化。

  第三步,是将机器人投入到真实的生产环境中来测试。例如,特斯拉的擎天柱机器人在超级工厂中安装汽车。谷歌则专注于开发通用AI机器人。以往的机器人在生产线上只能执行几个固定动作,且需预先编程。现在的机器人则是通用型,通过摄像头和传感器感知不同的零部件。它们甚至具备大模型带来的人机交互和常识能力,无论是生产线上的柔性生产还是日常生活中的很多问题,它们都能灵活应对,无需预先训练。

  当然,大模型本身需要经过预训练。一旦将大模型与机器人结合,就能够准确的通过人类的自然语言指令,让机器人灵活执行各种非标准任务,这也带来了“泛在感知”和“泛在智能”的概念。黄仁勋先生甚至认为:在未来,所有移动的物体都将是机器人。在我们有生之年,可能会看到AGI(人工通用智能)与机器人的结合。

  在软件层面上,我们大家都认为机器人中应该集成的是大模型构成的智能体。智能体与大模型的不同之处在于:大模型依靠的是自身能力,即基础模型,具有广泛的应用能力,但存在边界。而智能体承认自身能力的局限性,能够调用其他软件和工具,类似于管理者,能够协调软硬件资源,完成复杂任务的分配。

  任泽平:您刚才提到,将大模型嵌入机器人,使其更加智能化,可以在一定程度上完成更加人性化的生产。那么,未来面向企业和消费的人的应用空间应该会非常广阔。

  田丰:任博的见解非常独到。我们大家可以用三个圆圈来表示这种应用需求。左边的圆圈代表物理世界,右边的圆圈代表人类的精神世界,中间的圆圈则是大模型存在的数字世界。实际上,我们大家可以看到两个方向的应用需求:一是工业领域,它越来越逼真地重现物理世界,更多地表现为功能性工具,如完成生产制造的机器人;另一个方向是大模型越来越能够与人类共情,例如目前很流行的虚拟宠物、虚拟男女朋友等。

  任泽平:这些虚拟伴侣既能聊天,又能不断学习用户的爱好,如果真的成为人类的虚拟伴侣,那么生育率是否会大幅下降?

  田丰:我们目前观察到,年轻人将这些技术作为一种游戏来玩。外向型的人更愿意在现实中进行社交,内向型的人则可能设计自己的分身。

  例如,一位男性大学生正在上课,没时间回复女朋友的信息,他可以让数字分身,即语言大模型挂机回复,以促进两性关系的和谐。如果对“分身”的性格不满意,能够准确的通过MBTI来优化,比如从偏知性改为偏感性。白天与真实的男朋友相处,晚上与虚拟男朋友聊天,我认为这有几率会成为未来的常态。当前的大模型正在不断为人类提供情感价值。真正的大模型,未来不会以取代真人为目标,而是作为情感的补充。

  电影《非诚勿扰3》中有与机器人和真人谈恋爱的情节,这代表了人类多了一种选择。如果人们对真人寄予希望和感情,那么机器人就只是游戏工具。如果在两性关系中受过伤害,人工智能的语言模型能成为心理咨询师,帮助人类走出失恋的阴影,重新面对真实世界。机器人制造商、大模型研发企业和运行平台都肩负着社会责任。任何科技的出现,都应符合人类伦理,不论手机还是AI,应缩短人与人之间的距离,也不能影响人类的传宗接代。无论是机器人还是大模型,都必须明白自己的本职工作和使命。

  《流浪地球2》中有一句台词从科幻角度阐述了数字生命的意义:数字生命的意义在于什么?我自己觉得在于辅助人使得人类文明得以延续。”在未来的星际大航海时代,人类可能会先派遣有情感的机器人去开发其他资源行星,在改造到某些特定的程度后,再迎来人类的宇航员。按照刘慈欣的观点,人工智能、机器人、具身智能是跨星际文明的一张船票。假如没有AI和机器人,我们可能仍处于地球母亲的子宫中,无法走出太阳系。因此,数字生命对人类文明的进化具有非常非常重要的意义。

  任泽平:AI有几个核心要素:算力、算法、数据、模型以及各种应用。那么,中国在算法和数据方面有没有优势?我们在发展大模型时应该在哪些维度上发力?

  田丰:任博的问题直指人工智能竞争力的本质。我们先讨论优势,再谈挑战。优势方面,有传言称OpenAI启动了一个包含一百万块GPU的集群来训练GPT,我相信GPT5和GPT6都在其训练过程中。GPT-4有17万亿的参数量。而现在,当我们训练具有百万亿参数量的模型时,能源消耗巨大,对电网造成了巨大冲击。人工智能的终极问题就在于能源。中国在全球新能源中位居前列,新能源成本低廉,如生产的光伏组件、中西部广阔的土地成本。我们完全有能力在青海、甘肃、新疆等地建立集中式的光伏厂或风电厂。如果未来的超大规模AI智算中心紧邻核电站或光伏集群建设,中国将具有比较优势。许多欧洲和东南亚国家并不具备如此广阔的土地优势。

  第二是数据方面的优势。无论是OpenAI还是中国的一些领先AI企业,都在进行合成数据的生成。通过虚拟的数字孪生环境,使机器人、无人驾驶汽车、无人机产生更多的合成数据。这种合成数据是大模型的未来。有预测显示,到2025年合成数据将超过线年合成数据将完全替代真实世界的数据。因此,合成数据是未来的战略要地。从传统数据优势来看,中国14亿人口产生的数据量自然超过美国3亿人口,中国130多亿的智能终端产生的物理数据也超过美国30多亿的智能终端。但在合成数据方面,我们一定要加大科研投入。

  第三是算力。OpenAI和微软计划投资1000亿美元,打造一个相当于现有算力100倍的超级计算机——星际之门。OpenAI认为,其算力目前明显落后于谷歌。谷歌在英伟达发布BG200时,大量采购了最新的芯片,而且目前本身就是全球云计算领域的领头羊。谷歌有自己的TPU,同时还在采购最先进的芯片,有可能打造出地球上最大的AI计算中心。微软实际上也提出了条件,如果OpenAI不能继续证明GPT5取得重大突破,那么1000亿美元的投资可能不会那么快到位,纳德拉会根据AI近期的进展来决定是不是分期投资。话说回来,所有AI企业都面临着算力和数据的短缺。Transformer模型决定了尺度定律,投入越多的算力、越多的数据,模型的效果就越好,参数量也越大。人类的大脑有1000亿的神经元,但功耗很小。那为什么AI还未达到通用AI?人类其实拥有非常节能、环保而且效率很高的思考模式和神经网络。回到第一性原理,就非常有可能出现下一代架构,甚至颠覆式创新现在的Transformer。

  现在很多大模型都在卷算力,一秒钟回复答案。但OpenAI等公司却在开发围棋里的“长考”。思考时间非常长,但给出的是一个非常严谨的答案,通过反复推敲,多个数据源的交叉验证。真正的科学研究是需要这种“长考”的。我相信在未来很快会出现推理更精准可靠,贴近人类科研思维的模型架构。中国受到的算力限制更紧迫,所以更有动力去探索新的架构模式。美国依靠“大力出奇迹”的惯性时间会更长一些。

  历史总是辩证的。当年钱学森先生回到中国研发导弹、两弹合一、卫星等被超级大国封锁的前沿技术。当时美国每个零件做的精度都比我们小几个数量级。钱学森先生就研发出了工程控制学,每一个零件的精度都比较差,但能通过一套有效的体系达到整体最优。科研竞赛就像打冰球,想要抢球就得看到球运动的方向,下一个位置在哪。所以中国现在更多的是要去思考下一代的Transformer架构。下一代能够颠覆GPU的架构是什么?下一代的算力集群该如何提升整体的效率?

  任泽平:从算力到数据,中国目前还很难达到美国的水平。但是在全球来看,稳居第二问题不大。我们未来可能会利用丰富的绿电资源,而不是像美国那样纯粹堆算力。当人工智能进入大规模商用以后,丰富的应用场景可能就爆发出来了。中国大规模的生产能力和降成本的能力是非常强的。

  我们在光伏、锂电、新能源汽车领域势头迅猛。现在特斯拉都不敢公布Model 2了,因为它发现中国已经推出十万人民币以下的新能源汽车了。马斯克宣布在8月8号将推出Robotaxi,无人驾驶的出租车,换一个玩法和赛道。您对此怎么看?

  田丰:马斯克还有别的的无人驾驶公司说2017年就能实现L4级别,但始终卡在L3级别。我认为这有技术的原因,也有非技术的原因。自动驾驶涉及到一个责任的判定,L3级别及以上出了问题,车要负全责。L3以下就是人做决策,不能甩锅给算法。但是世界科学技术的进程是由少数人来决定的。如果马斯克线号大量投入无人驾驶汽车,那我相信会反向驱动中国无人驾驶向L3.5、L4级别跟进。

  任泽平:我今天看到一个新闻,广汽埃安和滴滴签订战略协议,快速推进无人驾驶的出租车或者共享车。

  田丰:商汤绝影与广汽埃安合作的L2++无人驾驶解决方案,从广州到深圳100公里路程里完成一镜到底视频的拍摄,全程零接管。我们开启辅助驾驶的车辆可以自动去变道超车、上下匝道,去应对各种复杂的场景。所以现在中国的制度是非常领先的。中国的无人驾驶有三位一体的实验制度。一个是汽车的生产商,包括无人驾驶的算法商、提供商。然后是城市的交通运营商,比如滴滴。然后是监管者,当地的政府。三位一体负责无人驾驶在各地的试点和推广创新。

  还有一个更有价值的地方就是数据。特斯拉的车上只有摄像头,但是其他的无人驾驶厂商都有激光雷达,能够捕捉大量的现实环境中的数据去训练大模型。把摄像头放到无人驾驶汽车上自动运行,它就像一个城管,可以去监控环境,本身就是一个数据源。

  英伟达Omniverse的工业软件平台已经接入了苹果的Vision Pro。现在大家可能觉得Vision Pro不是刚需,但是有很大的可能性未来所有的AR眼镜都是一个数据采集员。我觉得要先解决物理世界数据收集难的问题。现在工业的软件百分之九十是欧洲的,和中国的大模型是很难对接上的。那么我们可完全由国家去牵头明星制造型企业,组成一个国家级的数据制造平台。这些制造的数据都可以以付费或者开源的形式用于训练真正的工业大模型,带来长足的发展。

  现在欧洲已经有像西门子APP这样的工业软件。但是美国英伟达率先宣称做所有制造企业、制造厂商的伙伴,把数据都放在它这,它给你提供服务。包年的服务费用是一百万美金,对于很多公司来说并不贵。但是美国的智能制造企业就会依靠这样的数据,训练它本土的机器人公司。这是一个不可以忽视的问题。所以中国在制造数据领域一定要形成完善机制。

  田丰:对,尤其是工业数据。如果不分享,那中国后面就会面临非常大的问题。如果人家用欧洲甚至全球的工业数据训练出柔性生产机器人,中国或者是亚洲的劳动力成本是完全打不过的。如果不做这一步,那就是灾难性的、釜底抽薪的问题。

  刚才任博说到一个很重要的人才问题。中国不能光是依靠应用层的创新。举一个例子,过去的八十年到一百年,美国为全球贡献了30-50%的科技贡献。得益于1922年像狭义相对论和量子力学这样基础理论的研发,二十多年后1950年代就出现了第一台计算机、激光、核电等很多新技术应用。基础理论的突破,只要二、三十年就能带来产业的、科技的领先。中国在基础科研领域还是要不遗余力去投资、去实践。

  有两点要注意,一个是R&D这些基础科研投资的比例。现在我们是2.5%左右,美国常年保持在3%左右。想弯道超车,这样的力量是远远不足的。另一个在于,中国其实出了很多华人的科学家,如何给他们一个非常开放、待遇优厚的基础科研环境非常关键。

  之前有两个问题,一个是李约瑟之问,一个是钱学森之问。李约瑟之问是,为什么第一二次工业革命没发生在中国?钱学森之问是,为什么中国的大学里面涌现不出来诺贝尔学奖得主或者大师级的人物?说明中国依然要加大基础科研的投入,人才的培养。OpenAI在2017年的时候是一个边缘化的研发机构,大家会觉得它的研发路径太疯狂超前,不一定可以实现。实际上,任何一个未来可能会产生爆点的方向,现在很可能处于边缘位置。从这个方面来看,大家必须要长线思考投入,由战略科学家做出正确的方向性决策,坚持长期主义。

  任泽平:我们在应用的研发领域,其实已经很强大了,但中国的基础性研究还是有差距的。我们仍旧是要解放思想,只有多元化的思想市场才能诞生伟大的创新。解放思想、实事求是检验真理的唯一标准。十几年前,华尔街都觉得马斯克是个骗子,现在来看确实封神了。如今像人工智能、无人驾驶等领域也有几率存在这样的争议。我觉得社会一定要变得开放包容,才能够诞生伟大的创新。

  田丰:对失败的包容很重要,不创新试错是达不到终点的。同时,研发方向性、战略性决策也至关重要,能够加大最终的成功概率。

  田丰:先简单给大家做一个科普,人工智能其实就等于一个算数机器。文本输入到机器里面,输出的也是文本,这叫单模态的语言大模型。多模态就是不管输入的是文本、语音还是视频,它能够综合去学习理解,然后生成多模态的产物。在这个基础上,还有超模态。比如医疗领域的仪器影像,工业领域的时序信号,或者气象遥感卫星的数据等。人类从降生起就会通过五感认知世界,而不只是通过文本去学习。

  人工智能的上半场是知识工程,下半场叫工业革命。Sora目前看起来更像是人类精神层面的一个模拟器。它没有在真实世界中去体验过,所以对于有些现象不能理解。它有两个价值。第一是可以生成很多符合人类想象力的超现实作品;第二是对视频的自动标注,生成的提示词、描述词越准,标注越准,训练的效果就越好。

  其实,现在对世界模拟最逼真的不是大模型,而是游戏引擎。PS5上面的GT7赛车游戏,当赛车拐弯道的时候,旁边的草都会微微抖动,且不同时间的场景光照都不一样。游戏引擎为现在的多模态大模型提供了很好的训练视频。据说Sora就取自了像UE这样的一些游戏引擎。它甚至买了“我的世界”的开源版。所以它现在生成“我的世界”的游戏视频是没有一点瑕疵的,大家无法去分辨是真实的玩家还是Sora。中国其实有很多的工业数据积累,可完全去做各种仿真的平台汇集数据,在逼真的数字孪生环境里面去训练大模型机器人。

  我们认为现在最大有可能做出多模态大模型的是像特斯拉、谷歌和英伟达这种公司。OpenAI现在也着急,所以它投了一些机器人公司。Sora只是冰山一角,并不是一个成熟如ChatGPT的产品,所以未来它背后可能隐藏着一个更大的技术突破。人类经常说地球上只有我们也可以学会使用工具。现在智能体AI也会去调用其他的工具。美国战略里就提到,要去研究新一代的人机协同模式是什么,这个对于中国同样重要。

  任泽平:往多模态大模型里喂大量数据,它就会理解很多物理的规律,从而进行模拟现实的世界。数据越多,算力算法越好,模拟会慢慢的逼真。未来更厉害的是,它可能会推理做科研,对吧?

  田丰:对,人工智能其实现在已经能做一些常识性的推理了。人类是做快速反应的常识性推理。它现在要解决的是演绎推理,就是亚里士多德的三段论。一个大前提,一个小前提,然后得出一个结论。比如说,所有的哺乳动物都是要睡觉的,猫是哺乳动物。这两个前提定了以后,结论就是猫也会睡觉。现在人工智能大模型正在不断实现这种一环套一环的推理模式。一旦能突破,就会实现钱学森先生说的,中国不管是四亿还是五亿的劳动人口,一多半都会去搞科研了。传统的执行类的工作由机器人来替代。

  任泽平:我看前一段时间大家还在炒作用大模型、人工智能研发药,未来的应用场景真的是很丰富。您再给我们讲讲,AI在哪些领域还会带来这种变革时刻?

  田丰:大家最关心的。第一个肯定是机器人。现在请真人阿姨,未来每个家庭里都标配服务型的机器人。

  第二个,我预测算力芯片会有一个拐点。它的价格会持续下降。当年IBM大型机小型机非常贵,然后直接降到了云计算的价格。现在大学生如果想创业,三块八就能租一个月的虚拟机。今年的A100GPU服务器租一个小时的费用是两块钱。未来算力的价格下来以后,各种模型类的应用会马上来到我们面前。突破成本的拐点之后,社会的需求就特别大了。所以现在一方面,国家会不断去加大算力基建的投入,另外一方面力求在芯片成本上创新和突破。

  第三点,刚才提到了AGI,通用AI,我并不认为这是一个终极目标。它其实就是一个里程碑。很可能当人类发现AGI诞生的时候,其实它已经变成了超级智能。

  田丰:人工智能更像是一张白纸,其发展和应用取决于我们如何塑造和规范它。各国正在慢慢地建立相应的治理体系,以确保人工智能的发展符合人类社会的共同利益。中国提出的智能向善的理念,强调了AI应用于促进人类福祉的重要性。通过积极构建伦理规范的AI智能体,我们大家可以确保人工智能始终在可控的范围内发展。

  刚才事实上还说到类人智能。简单讲,类人智能指的AI系统在特定领域内模仿人类的认知能力,如语音识别或图像处理,但通常不具备广泛的认知范围;通用AI则是指AI系统具备与人类相似的广泛认知能力,能够在多种不同的环境和情境中理解、学习和应用知识,解决很多问题。我们预计,通用AI将是一个过渡阶段,很快就会发展到超级智能的阶段。正如黄仁勋和山姆·奥特曼所预测的,这一转变可能在未来五年内实现。尽管如此,目前的能源和算力限制可能阻碍了这一进程的快速发展。因此,在短期内要密切关注美国提出的尺度定律,大力出奇迹的科研规律是根据现象总结出来的唯象理论,仍有待严谨的基础理论推理。

  长期来看,我们需要探索不同的发展路径和基础理论。当通用人工智能到来时,像黄仁勋所说,所有能移动的物体都能够理解喜怒哀乐,提供恰到好处的服务。第一、二、三产业将真正迎来巨大发展。合成数据将变得越来越逼真,为数据产业带来巨大的机遇。

  人类历史上每一次重大的科技变革和生产力的跃迁,都源于几个关键因素:能源的突破、计算技术的进步、交通工具的革新以及软件的发展。特别是软件领域,人工智能辅助编程和自动化编程工具的出现,将极大地释放人类的创新潜力。

  第一个,能源产生巨大突破。从当年的水利能源到后来的发电机,现在的核电再到后面的新能源和可控核聚变,能源是非常大的一个跃迁。

  第二个,计算。从原来的算筹算盘到手摇计算器,从机械计算器到计算机,再到未来的量子计算,是巨大的跃迁。

  第三个,交通。当自动驾驶降低交通的成本后,每一袋米、每一瓶醋的成本都能够被摊薄。

  第四个,软件。以前是十年培训出一个很资深的程序员,80亿人口中只有大概5%的人会编程。现在人工智能正在进入AI辅助编程,甚至未来会有AI自动化编程工具,到那时候80亿人口都能编程。能源专家可以用AI编出核电站或者电网的调度程序,天文学家用自然语言就可以写一个寻找超新星爆发的程序,锂电池的专家可以让人工智能编出提升单元密度的新电池结构,人类的创新潜力被极大释放出来。现在大家用大语音模型生成数据库SQL语句,DBA数据库管理员就减轻很多工作量。大家可以通过语言把SQL语句自动地写出来。

  下一代,其实可能就在三五年内,会从基础的编程衍生到复杂程序的编程。这个时候代表着全民生产力的一个巨大提升。硬件负责执行,软件负责策略。而策略不断优化,最好就是由AI产生更优的AI模型。由算法来去给下一个算法做调优,机器人去生产机器人。这个本质上就是万物摩尔定律。这个时候人类只需要想清楚人机协同的分工边界在哪儿。如何去打造一个可信可控的AI。基本上这四个维度就可以去让人类的生产力跃升到太阳系的太空时代了。

  任泽平:有观点认为,人工智能能干很多工作,那么我们应该如何培养孩子,是否还需要让他们学习编程?

  第一,我建议孩子们的第一个学位应该是数学和物理,这两个基础学科是其他科学创新的基石。 第二个学位可以选择人工智能或他们感兴趣的其他领域,以便更好地应用于产业实践。

  第二,培养孩子提出问题的能力至关重要,因为创新往往源于对权威的批判性思考。最后,我们还需要培养孩子的专业素养,以确保他们能够有效地验证和调优人工智能的结果。

  田丰:我们可能会发现,公司中的智能体将超过真实的员工。机器人将具备高度的情商,能够理解和满足人类的情感需求。

  同时,管理人工智能的能力将成为每个人的重要技能,这将提升我们的指挥和管理层级。此外,快速而准确的决策能力将变得至关重要。例如,钱学森先生在1989年就提出了直接发展电动车的构想。未来,人类将面临选择:是沉浸在信息茧房中,还是去探索地球或外太空的世界。

  AI将为我们提供更多的自由度,但并非所有人都会选择沉浸在虚拟世界中,那些渴望创新的人将会奔向更广阔的宇宙。

  第一,大模型和机器人将带来重要变革,更加智能化、人性化的生产可能会实现;

  第三,特斯拉将公布它的无人驾驶情况,中国的很多汽车厂商也会快速跟进,这将加速推动无人驾驶时代的到来;

  第四,通用人工智能(AGI)、无人驾驶和教育等领域将出现激动人心的应用场景;

  田丰:确实,人脑和人工智能都在不断进化,它们各有所长。人类一定要终身学习,AI进化得再快,人脑也有独特的优势。我们应该鼓励孩子们阅读历史文化类书籍和科学家传记,以培养他们的科学素养和人文关怀。对于成年人来说,阅读哲学书籍可以让我们汲取智慧,经济学书籍可以帮助我们理解经济周期,科技历史书籍可以让我们了解技术的局限性和潜力。最终,我们应该理解人性,并承担起研究人性和世界的责任。