周傲英：AI的底层逻辑

你以为AI很神秘？其实它只是“一本正经的胡说八道”！华东师大周傲英教授直言：ChatGPT会编造参考文献，但它能写论文、能下棋，靠的是海量数据的训练。他用“数据是电、AI是电动机、Agent是电器”这个比喻，让普通人也能秒懂人工智能的本质。

现代科学从何而来

一定是从数据而来

牛顿为什么能够奠基现代科学

开普勒为什么会找到行星运行的三大定律

社会科学与自然科学的边界正在模糊

数据在其中起到了至关重要的作用

欢迎点击观看

新经济学家智库xTAIXUEx周傲英

（点击下方观看视频）

（录制于2026年4月2日，本文由现场演讲录音整理而成）

大家好，我是来自华东师范大学的周傲英，是华东师范大学数据学院的创院院长。我们在贵州还有一个华东师范大学贵州研究院，我是那里的院长。华东师范大学的数据学院是2013年开始筹办，2016年正式成为学院，也是国内甚至国际上唯一一所以数据命名的学院。

今天我想跟大家谈一谈人工智能，从数据角度来谈人工智能。更重要的一点，我是想给大家揭示人工智能热潮背后的底层逻辑。

既然要谈底层逻辑，我觉得其实可以从另外一个说法来解释它——我要做AI的祛魅，也就是人工智能的祛魅。因为我们讲到底层的东西、讲到数据的东西，它就不仅仅是表面上那么喧嚣。

为什么我们要谈祛魅的事？如果一切都没办法预估，那我们不知道2027年会出现什么样的东西。所以我说，现在的人工智能热潮超乎我们的想象，这背后一定有它的道理。

有一句话说，事出反常必有妖。但这个"妖"要打一个引号——也就是说，它有很多道理我们没有真正理解。

我们都知道，2023年人工智能热潮以前，差不多有10年是大数据的时代：

2012年，大数据概念出现；2013年，两会报告讲的就是大数据；2014年，有了"互联网+"；2015年，双创——大众创业、万众创新；2016年，供给侧结构性改革；2017年，共享经济、分享经济，我认为数字经济的主要形式是分享经济；2018年，因为中美贸易战开始了，我们开始学人工智能；2019年，开始学区块链；2020年，因为疫情开始了，到了12月，我们有一个很关键的概念叫"需求侧改革"，这跟2016年的供给侧改革形成了呼应；2021年，数字化转型；2022年，元宇宙。

从2013年到2022年这10年，其实是大数据的10年。大数据过渡到人工智能，而人工智能又那么不可预测，所以我们要说人工智能跟数据的关系。

我们都知道，人工智能从1956年被提出来，这个概念被大家接受，所以我们认为1956年是人工智能的元年。2016年有了AlphaGo，从1956年到2016年，中间整整经过了60年——人工智能蛰伏了60年以后，因为AlphaGo而被大家认可。

全民都在谈人工智能，全世界的人都在谈人工智能。今年是2026年，当然人工智能已经经过了它70年的历史。

在这70年的发展历史当中，我们总结下来，人工智能有三大流派：

第一个流派：符号主义。大家都认为人的聪明是来自于逻辑，表现为符号。它的数学基础就是一阶谓词逻辑——那是人类文明、人类知识发展到高级阶段形成的结果。我们现在讲的知识图谱，也是符号主义的一个具体表现。

人类的聪明来自于逻辑，这个我们都很容易理解——我们认为这个人有逻辑，这个人很聪明。

第二个流派：行为主义。认为人的聪明是来自于跟环境的交互。这是上个世纪40年代，维纳发明了控制论，我们有了反馈的概念——也就是说，人跟环境交互，人跟人打交道、跟世界打交道，他会变聪明。

当然，它的数学基础就是维纳的控制论。行为主义就是：我能接受反馈，再采取行动。我们现在的无人系统，包括机器人、无人飞机等等，都是第二个流派的产物。

第三个流派：连接主义。他们认为人的聪明是来自于大脑，而大脑是由神经元组成的。所以我们把它叫连接主义——因为神经元连接起来要形成神经网络。

神经网络很简单，它就是一个加权求和。有多个输入，有一个输出。

大家一开始觉得，我要做一个神经网络出来，就能模仿人类的智能。但是这个流派特别不被看好，因为它没有数学基础——它不像符号主义有一阶谓词逻辑，不像行为主义有维纳的控制论，这个没有数学基础，它充其量是一个算术。

但是我们大家都知道，现在的人工智能，它不是行为主义的胜利，也不是符号主义的成功——它是基于第三个流派，连接主义的。

直白一点来说，就是我造出了一个人工大脑。因为神经网络最早叫"人工神经网络"，到后面用得越来越多的时候，大家就把"人工"给省掉了，现在我们直接就说"神经网络"。

AlphaGo背后的神经网络叫卷积神经网络，叫CNN；ChatGPT背后那个神经网络叫Transformer——我们知道GPT的那个"T"就是Transformer。我们比较资深的人心目当中，那叫什么？那叫变压器。对孩子们来说，那叫什么？那叫变形金刚。

所以有了Transformer以后，它不仅仅说机器能够下围棋、机器能够写文章，它带来的冲击比下围棋带来的更大。为什么？因为下围棋的人毕竟是少数，但是我们工作的人要写汇报、要做报告，这些事机器都能做，所以我们每个人感觉到有很大的冲击。

AlphaGo热是因为什么？围棋是人类游戏当中对智商要求最高的。如果连围棋机器都会下，比人要厉害很多倍，那你想想，那一定是人工智能。

人工智能之父叫图灵。图灵当年就提出了所谓的图灵测试——1950年代，也就是说，如果我们没有办法区别这是人做的事还是机器做的事，如果机器做的事跟人做的事一样厉害、一样聪明，那我们就通过了图灵测试。

所以2016年为什么人工智能被大家接受？下围棋这件事，尤其对西方人来说，围棋他们是遥不可及的。中国人很聪明，他们会下围棋，这就是聪明的最高表现。

但是我们再仔细想一想，神经网络变成人工智能的主流。当然我们有其他的，比如说我们有机器人、我们有人形机器人。我们现在讲具身智能，有个更高的追求——就是我们要给机器人装上一个神经网络，装上一个人工大脑。

但是我们传统的机器人没有大脑，它完全是按照控制论在做工作，它最多是材料的进步、机械的进步，做出了很多关节。这个关节它当然有材料的进步，它能够接受传感、能够接受反馈、它能够采取各种各样的动作——就像我们人，但它没有装上大脑。

而现在我们的ChatGPT，它很像人的大脑，它能写文章。

所以我们很多人对ChatGPT的认可，我觉得其实是我们自己觉得它很像我们自己。为什么？因为它把天下所有的书都读了。我们经常自我解嘲：天下文章一大抄。但是它把所有的文章都抄了，它一本正经地胡说八道。

有时候我们讲的观点，我们自己都觉得没有完全相信，我们还不好意思讲。今天讲的东西当然是我相信的东西。所以我说，它会一本正经地胡说八道。

我们看到ChatGPT或者是这样的大语言模型，我们利用大语言模型可以帮我们来写论文。我们作为大学里面的教授，我们教出来的学生都需要写论文，而现在机器写的论文比我们写的更像——并且它自己会编造参考文献。我说这真是一本正经的胡说八道。因为我们自己去编一句话、编一个没有的参考文献，我们自己还觉得这个东西怕被查出来；但机器没有这个恐惧。但这就是我们现在大语言模型的现状。

为什么在这种情况下，大家对人工智能会产生这么样的一个崇拜？或者说我们对人工智能有那么好的感觉？大家都在谈人工智能，似乎每个人都懂人工智能，但实际上——如果大家都在说，那就说明我们这个东西还没有得到共识。因为达到共识了，大家就会去好好地静下心来理解。

那么现在如果我们用一个成语来说，那叫甚嚣尘上——就说明大家还没有好好地理解它。

为什么很难理解？我来说说我对这件事情的看法。

因为首先，我们的神经网络能够起作用，那就说明我们已经成功地做成了一个人脑模拟器。所以现在神经网络、人工神经网络，再翻译过来就叫人工大脑。

就像我们的孩子生下来，这个大脑是空白的。我们创造的一个神经网络，它是空白的——它有了连接、有了结构、有了连接但这个连接上的参数我们要设定出来，所以我们要用数据来训练它。

所以人工智能我们有三大组成部分——我们现在都认为这是非常好的一个解读：我们有数据、算法和算力。

那我们就要理解那个算法是什么。因为我们学计算机的人都知道：算法加数据结构就等于程序。

我们的算法是干什么？算法是解决问题的步骤——我们一般对算法是这么理解的。但是我们来看看我们神经网络，我们讲人工智能的算法是什么？

那个算法是用程序来实现神经网络。那神经网络就是人工大脑。所以我们的算法是什么？算法是人脑的模拟器。

那数据是什么？数据就是人的经验。就像我们出生的时候，我们大脑是空白的。3岁以前，我们大脑的结构、神经网络的结构基本形成。这是生理解剖学的理论。后面我们的学习、我们的经历，就是在训练我们那个连接。

那现在我们发明的神经网络——不管是AlphaGo背后的卷积神经网络，还是ChatGPT背后的Transformer——它的结构是固定的。那我们现在要训练的是它的参数、它们的连接。

所以我们用数据来训练连接。那数据是什么？数据就是经验。

训练AlphaGo的数据，那是过程数据——因为我们下过的所有的棋、高手过招的棋谱都会被记录下来。记录下来的棋谱就来训练那个卷积神经网络、那个CNN，所以我们就训练出来AlphaGo，比我们的围棋手都要厉害。

训练ChatGPT的，它是人的结果——什么是人的结果？数据。我们这些作家写作的结果，我们这些普通人在互联网上留下的那些文字。用那些结果数据来训练了那个ChatGPT，它把所有的文章都读了，所以它能够写文章。

所以这就是我对人工智能的理解：算法是人脑模拟器，数据是人的经验。

当我要用经验很快地把那个人脑训练出来——我们到50岁、60岁才有现在的智商，那我们是希望用5分钟、3分钟就把一个人脑训练出来，能够像我一样来写文章。那当然我们要搭系统，我们要有算力，所以我们要比较强的算力，它就把经验学得很快。

我们不理解大脑，但我们把它做出来了

但是为什么大家都在谈人工智能？因为我们不理解大脑的工作原理、工作机理，就像我们不理解生命一样的。

所以这是我们科学的一个最高的境界——我们要理解生命，我们要理解大脑。但是现在我们没有理解大脑，但是我们把大脑的功能把它做出来了。当然我们现在只能做它的某一部分功能：

ChatGPT模仿的是它的语言功能；AlphaGo模仿的是它下棋的功能；最早的ImageNet模仿的是它的视觉功能。

所以如果我们只能模仿这一功能，那我们就能够把我们原来的工作变成机器人做。因为它的意义非常重大——为什么？如果我们连围棋机器都能完成，那就说明我们其他的工作我们也可以让机器来做。

我们有了一个好的办法。因为原来我们让机器来做事，那时候叫机械自动化。我们有了蒸汽，我们就有了机械，有了机械就代替我们人来完成很多工作——那些笨重的工作，比如说运输、举重的工作，液压的万吨水压机那个压力的工作。那是因为我们有了蒸汽、我们有了牛顿的理论，我们就有了所谓的物理模型。

物理模型，那就是数学方程。在那个时代，那我们就可以做机械的自动化。

好，等有了电器、有了电以后，我们进入了电气时代。那个时代我刚才提到了有维纳的控制论——上个世纪的40年代，维纳的控制论。我就通过数学建模，我能够把原来机械自动化不能做的事情，变成我们现在电气自动化能做。

什么叫电气自动化？电气自动化就是我做了数学建模，有了数学建模我就可以编程序。

数学建模的目的是什么？数学建模的目的就是我把问题的解决思路，也就是说我们的算法想出来。那个算法里面除了顺序结构以外，还有一个叫分支结构，还有个循环结构。这个分支怎么分？这个循环多少次？我们怎么来做呢？我们要知道那个参数，所以我们要做实验。

所以你看现在我们有很多数学建模的竞赛，就是我通过线下的实验得到那些参数，那我就可以编程序。编了程序以后那就可以变成自动化。我们能接受反馈的自动化，所以叫电气自动化。它已经就像我们的无人系统一样，它就属于电气自动化那个时代的产物。

那现在我们要做的自动化，是说我们没办法去做数学建模，更没有物理模型。所以现在我们讲所谓的大模型——它不是物理模型，它也不是数学建模，大模型讲的是神经网络、人工大脑。

所以我们不得不提我们中国这个女孩——李飞飞。

李飞飞是学理论物理出身的，大学毕业以后，学了电子信息，在加州理工学了计算机视觉。她觉得计算机视觉按照传统的路也是没有路可走，所以她在博士毕业以后，她的主要精力就放在用互联网收集大家的照片。用照片搞了个比赛。2012年有了戏剧性的一幕以后，它就彰显了神经网络的重要性。

所以神经网络能够成为连接主义、成为主流，其实是中国的这个女孩起的作用。我一直在说，她的作用在什么地方？她就是收集数据。用大量的数据来彰显了神经网络或者人工大脑的作用、这个厉害的程度。

当然2022年的ChatGPT，那是另外一个故事，也是神经网络进一步彰显了它的作用。

所以我说，如果从科学的角度来说，这也是很蹊跷的一件事。

我一直在说，李飞飞对于人工智能的作用，我觉得超乎其他的人。她尽管没有拿到图灵奖，也没拿诺贝尔奖。

所以我经常说，如果没有李飞飞的ImageNet，现在的这种智能——我刚才说了连接主义的胜利，或者叫基于数据的智能——也不知道什么时候才能真正出现。为什么？因为这是一个很脏很累的活，并且我们根本看不到方向。她是凭她的一种直觉、凭她的一种毅力、凭她的一种勇气来做的这件事。

但是后面我们再仔细想一想，李飞飞她的作用堪比什么？

因为我们知道，现代科学的奠基人是牛顿，对吧？但牛顿为什么能够奠基现代科学？根本的原因，因为他发明了微积分以后，有了万有引力，他就有万有引力的公式。我们都耳熟能详的那个——跟距离的平方成反比，跟质量成正比，再加上一个G，引力常数。

但牛顿怎么发现万有引力的？他怎么发明微积分的？我们仔细想一想。

因为牛顿是在他1665年大学三年级的时候，他回到家乡去躲避瘟疫。在家里面琢磨了一年——因为那时候的瘟疫要隔离就是一年。他在一年的时间，他因为他大学三年级，他在大学里面叫剑桥大学的国王学院学了三年了，他已经非常理解、非常了解当时的科学的最高进步，就是开普勒的行星运行的三大定律。

行星运行三大定律：第一个定律，当然地球围着太阳转，但是是个椭圆轨道；第二个定律说，地球离太阳越近，它转得越快，离太阳越远，它转得越慢，但是它同等时间扫过的扇形面积相等；那第三定律是更复杂的一个描述。

我就先讲这两个定律对牛顿的作用。

因为原来在西方，尽管那时候是文艺复兴、启蒙运动之后，因为到了17世纪，但是西方是相信上帝的。因为最早他们是相信地心说的——我们都知道，托勒密的地心说。在文艺复兴之后、启蒙运动之后，有了哥白尼的日心说。

日心说，我们大家都知道，我们小时候读科学的时候，布鲁诺到处去宣传日心说，就被教会烧死了。所以他们一直在相信地心说。后面开普勒找到的是说，地球围着太阳在转，他已经证明了日心说。但是原来相信上帝的人就认为，地球围着太阳转应该是转一个正圆——因为上帝是完美的，他不会转一个瘪的圆。

所以牛顿就在想：为什么会这个圆瘪了？他就在想，地球为什么会绕太阳转？肯定太阳要吸引它。太阳吸引它，还有那么多恒星，它会不会也吸引地球呢？万有引力就出来了。

我们自己一想说，其他的也吸引地球，那这个圆不就变瘪了吗？我们小时候玩过的游戏，那肯定是这样啊——如果另外的一个力也吸引着这个力，那就变瘪了。所以万有引力就出来了。

我在想，他同等时间扫过的扇形面积相等——那个年代没有办法来算扇形的面积，尤其椭圆扇形的面积。所以他唯一的办法，他就要发明叫微积分。当然他不叫微积分，当时叫流数法——把它搞成极小，然后再把它加起来，就变成积分。

所以他发明了微积分以后，一下子万有引力的公式就出来了。

我刚才提到的那个，所以我们再想一想，这就是现代科学的奠基——现代科学这么来的吗？他从开普勒来的。那开普勒为什么会找到行星运行的三大定律呢？那他是因为他的师傅第谷。

那是16世纪的人，第谷人生的最后20年，他是天文台的台长。这个天文台台长他相信地心说的，但是他有一种怀疑精神。因为那时候是文艺复兴之后，所以他对上帝的信任、对上帝的相信，那已经开始就不是原来那种僵化的那种信任。但他还是相信上帝的，所以他就要看这个数据。

因为他作为天文台台长，他一定会相信地心说的。所以他就要去观察，他就带着怀疑的态度去观察了20年——两个小时看一次天象。

看完以后发现，它根本不符合地心说，又不像日心说。所以第谷他一生就郁闷而死，55岁就去世了——因为他既不是地心说，又不是日心说。他就把数据给了开普勒，开普勒才有了行星运行的三大定律，所以牛顿才有了微积分，才有了万有引力。

这就是我对现代科学奠基前面过程的理解。

所以我在想，现代科学从何而来啊？那一定是从数据而来。没有第谷，你就没有开普勒；没有开普勒，牛顿就不会成为我们现代科学的奠基人。

所以我就在想，现在我们来看看李飞飞。她是不是特别像第谷？

因为她怀疑说，理论物理很难重塑爱因斯坦的辉煌，所以她读了本科就不再学理论物理了。所以到了加州理工学这个计算机视觉的时候，发现传统的方式也没有办法真正解决计算机视觉的问题，所以她就走向另外一个面——我收集数据。

好在那时候有了互联网，非常容易把数据通过众包的方式——也是以非常聪明的方法——把数据100万张照片收集起来了。

她没办法解读这些照片，所以她就用了一个比赛，说让大家来解读这些照片，所以才有了2012年的事。

就我说，她的作用既像第谷，又像开普勒。她是通过有了互联网，通过众包变成了第谷；她通过众智、有了互联网，搞了个比赛，从众智变成了半个开普勒。因为另外半个就是辛顿——辛顿又拿了图灵奖，又拿了诺贝尔奖。

所以这就是我们看到的这个时代的一个改变，它的发展过程就是这样的。

所以我们再想一想，为什么大家对这个事情的理解那么困难？

人工智能它是一场新的科学，人工智能是一场新的科学革命。它不是我们用已有的东西、已有的知识、已有的成果、已有的思维方式能够理解现在的人工智能。

我是说为什么它是新的科学革命？你想一想，我们在2024年的诺贝尔物理学奖和化学奖都颁给了人工智能。其实物理奖跟化学奖，那个成果基本上是属于人工智能这个领域的顶尖成果。但是它跟物理学跟化学还有那么多成果能够获奖，那为什么会颁给人工智能？

其实我觉得它是意味着一个新的时代的到来。因为物理学是自然科学之母。

在这17年之前，2007年的1月11号，我们数据库的人、拿过图灵奖的吉姆·格雷——因为事务处理而拿图灵奖的吉姆·格雷——在他人生最后一次演讲当中提出了第四范式。

他认为科学的发展有四个范式：

第一范式：牛顿范式——苹果掉下来砸到了，有万有引力。这是实证范式。

第二范式：爱因斯坦范式——我不被苹果砸，我推导出来了有引力波、有黑洞的存在。这是理论范式。

第三范式：计算范式——我把它叫于敏范式。我们两弹元勋于敏院士，那我们现在做核武器小型化，我们不需要做核实验，因为我们可以用模拟仿真。我们有了计算机，我们可以做模拟仿真。这是计算范式。

第四范式：数据范式——它叫数据密集型的科学发现，叫第四范式。

当时我们很难理解，就觉得1、2、3、4，它自然而然地就逐步递增的。后面发现，慢慢地我们到人工智能、我们学数据的人，我们到人工智能这个时代，我们就一下子恍然大悟。

前三个范式是自然科学的范式。自然科学研究的是物理物质现象，不以人的意志为转移的。

所以当我们有了数据范式——数据是什么？这是我们数据学院，这是我本人对数据的理解：数据是人对世界认知的结果，在计算机当中的表示。

所以为什么我们国家会成立国家数据局？因为数据本身就来源于人的——没有人就没有数据。所以我说，data from human，data for human。

所以我们成立国家数据局，它最重要的任务是说，数据本来就是人与生俱来的，就像劳动一样。所以我们要人民数据为人民，数据有它的人民属性，所以数据是跟人密切相关。

所以如果我们把人的意识搁进去了，它就不是自然科学。所以我说第四范式它不是经典自然科学的范式，它是自然科学的边界在扩大，或者是说社会科学跟自然科学的边界在模糊。所以数据在这里面起到非常重要的作用。

所以数据范式是指的我们有了——就像刚才说，人工智能让我们认识到数据的重要性。数据可以通过数据训练出来人工智能，有了人工智能那就可以把我们人做的工作自动化。

所以在我们数据学院，我们成立数据学院的时候，我们的slogan就叫data is power——数据是电一样的东西，电会带来生产力极大的提升。

现在我们真能理解了：数据是电；那么AI是什么？AI就是基于神经网络、基于连接主义的AI，所谓的大模型——那是它是一个电动机；那么Agent，现在我们Agent热了——因为今年是Agent的大年，OpenClaw到现在的余波还非常的强大。

我们对Agent的理解，我们Agent叫什么？我们把它翻译成智能体。我们学英语的人知道，Agent它的原意是代理。

如果用我们老百姓的话来说，就微软当年2023年3月16号发布的那叫Copilot——就是副驾驶，或者叫副官。如果用我们老百姓更理解的，它叫分身。

所以Agent最好的翻译其实是AI分身。但是我们翻译成智能体了，能带给我们无限的联想。

所以是什么？它就相当于是电器，对吧？它的作用在什么？因为我们有了电动机，我们有了各种各样的电器，我们就可以把原来人做的事情变成电气化，我们就能做电气化的转型。

电器能帮我们完成很多事——洗衣机代替我们洗衣服，空调代替我们扇风扇。

如果我们这样来理解数据的话：数据就是电，AI就是电动机，Agent就是电器。它的目的就是要代替我们人来做事——代替我们的棋圣来下棋，代替我们的作家来写书，代替我们的秘书来写报告。连这些事情都能做。

所以我们到一个崭新的时代，我们自动化到了一个非常高级的阶段。我们有的把它称为超级自动化，其实它的本质是智能的自动化——也就是说，最聪明的人做的事、有天分的人做的事、做了良好训练的人做的事，变成机器能做。

为什么能做呢？就是因为我们能做人工大脑，我们能够模仿人脑的某一部分功能。我们把人的经验、把它经验组织成数据的话，我们就能训练这个大脑，我们就能把它自动化。

所以我在说，这个时代我们就能理解什么叫新质生产力。新质生产力理论，我觉得是一个非常宏大的、并且对未来特别有意义的提出的一个学说。

你想想在人类的文明史上，如果我们说数据是电——那么电是真的电，对吧？电，以前那还有蒸汽也叫power。电，我们现在讲power，它的全称叫交流电，或者叫我们把叫electrical power，叫电力。

电力以前叫蒸汽，叫气力，叫steam power。以前那还有叫horse power。

我们有了马力，那我们就是农耕文明；我们有了蒸汽，就第一次工业革命；我们有了电，就有第二次工业革命；我们有了数据，我觉得它不是工业革命，它是数字革命。

但每一次power的更替，它会带来这个生产力极大的提升。

我们知道的手扶拖拉机是12匹马力，最小的。我们有了电，我们的高铁跑的比火车要快10倍。我们有了数据、我们有了AI以后，我们的一个摄像头可能比100个警察都管用——因为它能记得全网通缉犯，因为它连在云上面，它24小时不眨眼地能盯在下面。

所以我们就知道，生产力会极大的提升。所以生产力的极大提升会带来世界中心的转移：

农耕文明是我们中国在世界的中央；在蒸汽的时代、第一次工业革命，英国在世界的中央；所以有了电、第二次工业革命，美国变成世界的中心；我觉得这个时代是中国走向世界中心的一个最好的时代。

但是首先我们得要理解，人工智能不是那么玄乎的东西。它是科学到了一个新的阶段、科技发展到了一个新的阶段。因为它不是科学引导下的成果，它是我们把东西做出来了，我们来想——AlphaGo围棋做出来了，围棋到底是咋回事？我们要知道ChatGPT做出来了，我们知道认知科学到底是怎么回事。

所以我们技术成功了，我们要倒逼科学。我们现在又知道，我们倒逼科学的过程就是我们科技发展的过程。科技它是相辅相成的关系，它是相互加持的关系。

如果我们祛了魅，我们就能够在自动化、我们在实现自动化的过程当中、我们在发展生产力的过程当中、我们在发展应用的过程当中，我们就能发展出新的技术。我们进而对生命有更深的理解。

这就是我今天想跟大家分享的内容，谢谢大家。

分享嘉宾

周傲英

华东师范大学贵州研究院院长

华东师范大学数据学院创院院长

新经济学家智库旗下《太学》栏目，以"可行动的知识"为坐标系，汇聚经济学者、科学家、文化名人、企业家、达人等各行业的创见者，穿透宏观叙事，分享洞见。