2017年是圖靈獎（A.M. Turing Award）設立50周年，國際計算機學會（ACM）特別在全球范圍內舉行盛大慶祝活動，5月12-14日，ACM圖靈獎五十年中國大會（ACM TURC 2017）在中國上海成功舉辦，創新工場CEO暨人工智能工程院院長李開復博士和往屆數位圖靈獎得主與業界知名學者一起受邀參與了大會歡迎晚宴和圓桌論壇。
12日，作為ACM圖靈獎五十年中國大會開幕晚宴唯一特邀主題演講嘉賓，李開復博士與往屆遠道而來的往屆圖靈獎得住和來自世界各地的計算機科學家們分享了關于“人工智能時代與科學家創業”的話題。其中，李開復博士特別提到了科學家創業會面臨的3大問題并給出了解決方法，同時對人工智能時代科學家如何創業提出了自己的建議，他鼓勵科學家留在學校繼續創新，把技術授權給合適的人選，或者提供開源、發布內容等。
人工智能的核心是計算能力，量子計算將給人工智能帶來怎樣的影響？深度學習和人腦的運作究竟有怎樣的關聯，人工智能的奇點論是否真的成立？我們應以怎樣的心態來面對人工智能時代的來臨？在13日上午舉辦的“大數據驅動（圖靈模型）VS 腦結構驅動（量子模型）”圓桌論壇上，李開復博士和2004年ACM圖靈獎得主、谷歌公司副總裁兼首席互聯網專家Vinton G. Cerf，2000年ACM圖靈獎得主、清華大學交叉科學研究院院長姚期智教授，國家自然科學基金委員會副主任、北京大學教授高文共同暢談了量子計算、深度學習、模仿大腦、奇點等熱點問題。
姚期智教授介紹了量子計算和量子密碼學的最新進展，點明了量子計算未來的發展方向和需要解決的關鍵問題。被譽為“互聯網之父”的Vinton Cerf則評論了互聯網和人工智能帶給科技與人類生活的巨大變化。在回答聽眾有關“超級人工智能是否會到來”的問題時，Vinton Cerf幽默地評論道，在1960年代人工智能發展的早期，“我們有個非常簡單的方法來識別什么是人工智能，什么是工程技術：如果一個技術管用，它就是工程技術；如果不管用，它就是人工智能。如果一個原被稱為人工智能的東西開始管用了，那它就變成工程技術了。”
在圓桌論壇上，李開復博士從人類歷史進化和人工智能發展規律的高度，論述了深度學習的本質與人類未來的關系，提出了“平臺化的人工智能工具箱”的技術發展方向。以下是李開復博士的現場論述：
即使插上量子計算的翅膀，深度學習也戰勝不了生物大腦
深度學習基于多層神經網絡的機器學習模型，表面上看，也許你會覺得深度學習和生物大腦里神經元和突觸的運作是一回事（人腦大約由140億個神經元組成，神經元互相連接成神經網絡，神經元是大腦處理信息的基本單元，它主要由細胞體、樹突、軸突和突觸組成），但其實，深度學習只是對單個生物神經元的極其粗糙的近似模擬（仿生學含義）。相比生物大腦，深度學習只是照葫蘆畫瓢。計算機能做的，就是定好一個模型，設一個目標函數，讓計算機自己不停地去試，找到一個方案使目標函數的輸出達到最優，它就認為這是解決方案——但計算機無法真正“理解”這個東西是為什么。
機器學習永遠不可能有自我意識，因為其優化目標是人類給定的，而不是物理世界給定的。物理世界給定的優化目標是生存，機器學習不會面對這樣的優化目標。
即使機器學習有了量子計算，還是不會改變其在人類社會中的定位, 只是我們對特定問題有了超級快速的計算單元。量子計算技術的發展，為我們在特定計算任務，主要是部分數值優化算法以及密碼學算法上，可以給出極其驚人的求解速度。
從模擬計算機發展到光學計算機，從圖形處理器到量子計算機——這代表了計算機運算能力的巨大突破，雖然量子計算可以為人工智能發展提供革命性的工具，能夠指數級地提升學習能力和速度，輕松應對大數據的挑戰，但是認為量子計算對大數據的處理可以趕上或超越生物大腦對神經元和突觸的計算量，從而得出AI將達到人類大腦的水平，機器終將超越并取代人類智慧（人工智能奇點論），這種推測過于簡單和跳躍，在科學上是不成立的。
所以當下以及不久的將來，大家大可不必擔心機器的覺醒或者所謂的奇點的到來。當下的智能技術都是在為人類服務，是人類的工具。但是值得強調的是，智能技術服務的是掌控智能技術的人類，只是代表了一部分人類的利益，這可能是一個很小的群體，一個公司、團隊甚至個人。我們需要擔心的是這種新形態下的超級壟斷力量對人類整體的危害或者剝削。
人類漫長的演化史就是一部生物智能的訓練史
創新工場人工智能工程院副院長王嘉平認為，人類的進化不單單包括我們的大腦，也不只是神經系統突觸的進化，而是整個世界的進化，與進化相統一，與人類的欲望相一致。人類的感知系統、運動系統，乃至人類的情感、創造力，都是在人類生存能力的基礎上發展起來的。深度學習僅僅是一個工具。而人類的選擇、人類法則、人腦的發展并不僅僅有關人類大腦，它是人類進化成果的一個總和，伴隨著整個地球生物界的發展。
生物智能的學習從來都不是單個個體的學習，而是全球生物在歷史上的所有種群所有個體一起協同在經歷一場以生存為優化目標函數的學習過程。
值得注意的是，當下我們的機器學習過程通常是孤立的，每次從頭來，而生物智能的學習過程，其智能的模型通過DNA被代代相傳，每一個個體的學習過程都不是孤立的，而是整個地球生物總體學習過程中的一部分。
無論是生物的低階智能，例如視覺識別系統，以及高階智能，例如情感和性沖動，甚至更高階的社會性行為，例如協作和分工，歸根結底都是在優化群體的生存幾率，并且對于個體來說大部分的智能，尤其是低階智能，并不是在其生命周期里面學習得到的，而是在繁殖過程中繼承而來的模型。
當然，這個繼承而來的模型，也就是遺傳基因，不僅包含了智能模型這個“軟件部分”，也包含了定義生物機體構造和生化運作方式的模型，也就是“硬件部分”。
所以，從廣義的計算能力上面來說，生物智能的建立過程是歷代所有種群所有個體的應對和自適應能力的總和；從廣義的訓練數據上面來說，是歷代所有種群所有個體所遭遇到的環境的宏觀變化和沖擊，以及微觀上每個個體在生命周期中遇到的具體的生存任務，例如覓食和交配。無論哪個方面，都是現階段機器學習系統遠遠無法企及的。
人類的遷移學習能力早已被祖先寫進遺傳基因
以認字為例，兒童有能力在看過很少量的字母圖像之后，能夠輕松識別出大部分同一個字母的所有變體，以及不同的書寫方式，而機器學習卻需要大量的包含盡量多的變體的字符圖像，才能把這個識別任務做得比較好。其中的原因，并不是生物智能能夠從小樣本中神奇地總結有效的規律，而是文字系統本來就是依據人類視覺系統的識別能力設計的。
在文字出現之前，類似的圖形，例如連續的線條、有規則的輪廓等大量的出現在我們可以看到的自然世界之中。所以，對于這些視覺信號的識別和抽象能力在我們的祖輩甚至可能更早，就已經記錄在我們的智能模型之中，也就是在遺傳基因里面，并且在繁殖過程中復制給了一代又一代的新的個體。
