在他看来，如今的AI越来越像一匹脱缰野马。它开始学会了「调用」：调用工具、调用skills……因此能通过这些脚手架，自我演进，和人类打配合。
楼教主表示，当「AI司机」也和Coding Agent一样学会了使用工具，人类工程师的角色，会逐渐从「教练」转变为「执行者」。
是的，一个顶尖的人类程序员，此刻却在宣告：即便是天之骄子般的工程师，也必须将研发的主导权拱手相让。
但这就是教主楼天城和小马智行10年创业历程里，目前为止最直接的结论。开发时代的范式，正在发生方向性的质变。
被技术瓶颈所迫，被消费者的期望所迫，被自动驾驶的终局所迫，被小马智行十年来始终渴望实现的蓝图所迫。
而且随这种趋势打开的还有小马智行的2.0时代，以自动驾驶出发的PonyAI，现在已经到了开启更大空间探索的时刻，通往物理AGI的道路已经被打开。
当AI司机的安全性全面超越人类，再让人类工程师手把手教AI开车，无异于让业余棋手去辅导AlphaGo。
那基本是「模仿学习」的时代。无论自动驾驶还是人工驾驶，核心都是为了收集海量数据，让系统去模仿人的行为。
而L4级自动驾驶是无法靠人类兜底的，这个几乎零容错的终局要求，远比「像人一样开车」严苛得多。
他们想给机器一个超越人的空间。通过创造一个虚拟驾校，让机器在里面自己摸索怎么开车，做强化学习。
在这种情况下，只有AI自己，能穷尽人类所不能察觉的维度，精准定位到底哪里出了问题。
基于这个理念，小马对1.0进行了一次开发范式的全面重构，带来了PonyWorld世界模型2.0。
目前行业里大热的VLA（视觉-语言-动作）路线，核心逻辑是在感知与动作之间硬塞进一个语言模型——让AI先把路况「翻译」成文字，再基于文字生成动作。
但语言，本质上是对复杂4D物理时空的一种极度降维的「扁平投影」。虽然它提升了信息的传播效率，却不可避免地丢弃了大量珍贵的物理世界上下文。
这不仅大幅削减了算力消耗，更让物理数据的收集与世界模型精度的提升变得前所未有的高效。
小马在车端模型的训练中，引入了一个比语言更接近驾驶本质的中间层——Intention（意图）语义层。
「前方有障碍物，我要向左打方向……」等把这些可能性都在脑海里推理一遍，黄花菜都凉了。
模型在做出每一个驾驶动作的同时，其内部会同步生成结构化的意图表达。翻译成人类能懂的语言，就是：
我选择在路口前减速等待，是因为右前方那个行人正在走向斑马线，我预判他大概率会横穿。
请注意，这些意图信息不是事后用另一个模型「解释」出来的，也不是推理过程中额外插入的累赘，而是在训练阶段就与驾驶动作被联合学习的原生能力。
世界模型本身就是生成模型，我们可以基于意图去反向生成任何意图组合对应的虚拟场景，让AI在所有可能的意图排列组合中接受高强度的「特训」。
人类开车时，通常只能对其他交通参与者做「最大似然估计」——觉得最有可能发生什么，就按什么反应。
但小马的AI司机拥有比人类长得多的上下文记忆能力，这是AI的天赋。它不需要靠「直觉」这种玄乎的东西，而是可以同时Keep in mind所有可能的意图组合，再进行综合决策。
这些数据在真实世界中是无法被收集的，毕竟，谁会告诉你他刚才打方向盘的时候到底在想些啥啊。
但车队规模一旦从百辆冲到千辆，这招就不灵了。绝大多数数据对提升精度没啥用，只会变成昂贵的存储垃圾，白白烧钱。
当系统自我诊断发现模型在某个场景下「心里没底」——比如某几个路口每到傍晚逆光时，模型对特定障碍物的模拟置信度就开始跳水——它会自动生成一个定向采集任务，直接给测试团队派单：
请在未来一周内，于下午4:30-5:30之间，在指定路口重点采集逆光条件下非机动车与行人混行场景数据。
随后，研发人员、测试工程师、运营团队……整个组织开始围绕世界模型2.0的「精度需求」运转。AI说哪里差点意思，人类就去补哪块数据。
未来，怎么驾驭AI这匹脱缰的野马，既让它按自己的意志行动，又能保留它自我演进的能力，将是人才最需要具备的特质。
接入2.0的自我诊断和定向进化能力后，无疑会给小马智行已有的「飞轮」，再狠狠踩一脚油门。
通常而言，人类司机在意识到旁边是AI车时，反应模式会变。有人会更敢加塞，有人会更愿意配合，也有人会试探它的边界。
因此，世界模型不仅要模拟人和人之间的交互，还得模拟人和AI之间的交互，尤其当AI的开法并不完全像人时，这件事就更有必要了。
大规模L4无人车队商业运营，产生真实世界的高价值数据；世界模型据此提升精度；车端模型持续增强；更强的模型支撑更大规模部署；更大规模部署又产出更多高精度数据。
数据量级是对结果的一种印证，而这个过程中所积累的经历和Know-How，同样是一笔宝贵的财富。
量子位：以前你们一直用安全、舒适、效率这些指标，之前是人来定义。现在听起来，更像是AI在决定了。
关键在于：AI为什么做得不好，问题到底出在哪。这件事现在人已经不太能判断准了，AI来当这个医生更合适。
以前是人来判断，现在是AI来判断。收集之后够不够、还要不要继续改、这次改得好不好……这些关键决策点，正在逐步被AI接管。
楼天城：或者说，我们把人的精力放到了其他同样重要的事情上。至于判断这件事，就交给更擅长判断的AI。
这样做最大的意义就是突破天花板。如果今天还继续靠人来做，很多时候可能已经没法推动系统继续正向进步了。
过去两年已经有太多例子说明，Scaling Law这条路，也就是单纯加数据，并不能解决幻觉。到今天，幻觉比例依然不低。
楼天城：它知道结果不对。比如因为幻觉导致最后撞了，或者发生了急刹，它就会回溯前面哪几步出了问题，然后再去改。
量子位：在自动驾驶里，幻觉问题是不是相对更容易处理一些？毕竟交通规则还是比较完备的。
量子位：PonyWorld世界模型2.0是一个升维概念，整个AI在训练AI，AI在驱动一切。那怎么确保系统始终安全？
我们会告诉它什么是好的、什么是不好的，但不会直接告诉它具体该怎么评价。最终我们看到的是，指标在持续提升。
还有一点，就算让AI来判断，它判断得也比人更准。随着系统持续进化，人可能连某个问题到底是不是幻觉，都判断不过AI了。
到今天为止，所有基于概率的模型都还做不到彻底消除幻觉。但让AI来驱动改进，比让人来驱动，速度快得多，天花板也高得多。
量子位：世界模型2.0对系统训练的速度和效率有了质的提升，那在落地层面，是不是也意味着质的提升？
首先，落地不再只是局限在固定区域，而是可以走向更多区域、更繁忙的路段，比如高峰期，还有那些我们原来并不熟悉的国家和市场。
这里可以用一个词，叫superset。在这些新地方遇到的很多场景，其实只是原有世界模型的一个子集。所以系统在新区域启动时，会更有底。
另外一个变化，是大家的预期在提高。早年大家会觉得自动驾驶偶尔犯傻也能接受，但现在大家要求已经高很多了。这也是长期商业化推进里很关键的因素。
量子位：每个地方的驾驶行为和容忍度都不一样。有些地方让行人，有些地方加塞很激烈，这会影响系统吗？
这些组合在世界模型里其实都已经出现过，只是在不同地方，它们的概率分布不一样。这个地方更保守一点，那个地方更激进一点，但两种场景本身都已经在世界模型里存在了。
量子位：能不能理解成，北京训练出来的司机和广州训练出来的司机，风格上还是会有差别？
L4真正要解决的，是在一万小时驾驶里，那些因为风格不同或者极端行为导致的危险场景。而这些危险场景在很多地方，哪怕是海外，其实都没有本质上的巨大差异。
这可能和L2不同。辅助驾驶更在意不同地区整体的驾驶习惯，但L4更关注极端场景，而这些极端场景的分布其实非常一致。
如果我们希望使用更便宜、更标准化的传感器，那它们在质量上一定会有一些不足。比如在特别复杂的雨天环境里，标准化传感器可能就会比高端传感器差一些。
这确实需要世界模型继续进步，在生成阶段把这些问题也纳入进去。不过这项技术我们已经做完了，现在已经可以比较好地使用标准化传感器。
再说算力。通常两三倍的差距不会带来本质变化，除非是100倍这种量级，才可能真的改变很多事情。但100倍本身也不是个简单数字。
量子位：10年前大家最常说的词是corner case，也就是极端场景。当时大家一直在讨论到底能不能穷尽它。现在世界模型是不是找到了一条能解决，或者说能穷尽极端场景的路径？
场景本身并没有那么多变种，但我们不能说自己已经穷尽了全部场景。真正无限变化的，其实是不同物体之间的意图组合。
同样的场景、同样的状态，因为不同参与者的意图不同，就会形成非常多的组合。世界模型真正能做的，是把这些意图组合穷尽掉。
意图数据本身就很难收集，你不可能在真实道路上要求所有人按照某种设定好的意图去行动。
量子位：你们博客里有一句话让我印象很深，在AI驾驶能力超过人类实际水平之后，普通人类数据对世界模型精度提升的价值会趋近于零。这是一个数据层面的洞察，还是认知层面的洞察？
楼天城：这个认知其实已经存在一段时间了。而且我甚至觉得，如果系统已经做得很好，那这个价值不只是趋近于零，甚至可能是负的。
楼天城：本质上其实是是AI发展阶段变了。AI会经历从不如人，到接近人，再到超过人，然后继续自我改进的过程。
AI刚超过人的时候，可能整体行为看起来还和人很像，只是它在那些和人不一样的地方做得更好。但恰恰是这些不一样的场景，人已经没法准确判断到底是好还是不好了。
有点像老师。早期当然很感谢老师教了很多东西，但真正到了做研究的阶段，老师其实已经帮不上太多了，更不需要再把早年的东西一遍遍重新灌给你。
量子位：有一种说法是，真正高级的AI司机，可能会在多车道变道时，直接从第一车道切到第四车道……
如果路上视野特别好，看得很清楚，没有遮挡，那它这么做也许完全合理，甚至可能就是最优解。
但换个场景，就不能这么做。有时候人类司机没有意识到潜在风险，因为整个过程需要时间，而且前方可能有遮挡，只是恰好没碰上问题。但AI可以意识到这些潜在因素。
楼天城：AI一旦不再以开得和人一样为目标，而是以开得更好为目标，它自然就会意识到这些风险因素必须纳入考虑。
但AI教AI最根本的一点，还是它要继续告诉自己，哪里开得不够好，然后持续改进。当AI已经明显超过人之后，要再往上提升，就必须让AI来驱动很多事情。
量子位：你这个洞察，好像也回应了L2到底能不能升到L4这个问题。如果只是不断模仿和学习人的驾驶方式，是到不了L4的，对吗？
从技术上说，不能简单把某条路径打成L2技术。今天很多公司也在做强化学习。我当时真正想表达的是，只靠收集人类驾驶数据，做不到L4。
这一点今天其实已经成了共识。几乎所有公司都在谈强化学习、谈世界模型。大家都发现，只靠大量车在路上跑、收集人类数据，这件事帮不了L4。
简单说，不是L2一定走不到L4，而是沿着L2那条纯模仿的技术路径，它本身帮不了你实现L4。完全没做过L2的公司也一样可以做L4。
从产品角度看，又是另一回事。随着L2越来越安全，用户会慢慢产生一种差不多可以了的感觉。这种trust会导致一个问题，就是在需要接管的时候，用户反而接不过来。
这也是为什么L2开得越好，反而在产品层面会引出新的风险。技术上的瓶颈和产品上的风险，其实是两件事。
因为从效率上看，L并不是V和A之间最有效的中间层。今天我们已经能找到更好的layer（层）。
它可能对某些中间阶段是有用的，但我讨论的是终局。在终局里，VLA里的L不是最终的连接方式。
即便未来中间层还会保留一些语义推理能力，那也不太可能还是human language（人类语言）这种L，更可能是一些新token。
intention可能不是一种token，但本质上，这已经证明它是更好的中间层。以后也许还会有别的。
楼天城：中间阶段它当然是不错的。我没说中间阶段没有机会，只是说最终形态不会是这样。
楼天城：对。但很多时候，VLA本身也在变，尤其是L在变，它已经不再是传统意义上的human language了。
VLA一开始之所以成立，是因为人类语言数据最好收集，所以它是个很好的起点。但再往后看，从工程实践和产业发展的角度，L扮演的角色会越来越少。
量子位：你也提到，世界模型2.0让工程师的角色发生了变化。在信息AI领域，大家会讨论超级对齐。那在物理AI或者自动驾驶里，有没有对齐这个概念？
楼天城：此对齐非彼对齐。这里真正需要对齐的，是对什么叫开得好的标准，而不是和人的驾驶行为做对齐。
如果你说的是行为上的对齐，那我们早就不追求那个了，而且那也不是正确方向。但什么叫「好」，这件事还是需要人的参与。
当然，人能提供的关于好与不好的维度，其实是很有限的。AI很早就已经基于这些维度做了大量扩展，而且做得更好。但它不会违反人设定的这些基本维度。
这在技术上未必叫对齐，但它可以实现类似对齐的效果。它对齐的是评价标准，而不是驾驶行为。
人会先给出最基本的原则，但再往上更细的东西，人其实也给不出来了。AI就在这些原则之上，把事情做得更好。
量子位：假设未来要给火星设计一套新的驾驶系统或者交通系统，是不是那时候就该由AI来设计？
很长一段时间里，人类驾驶和自动驾驶还会共存，所以系统还是必须建立在现有交通规则之上，不能违反任何规则。
当然，如果未来真的出现一种完全不同于今天的新交通体系，那空间就会被打开。但那可能要等到绝大多数车都已经是自动驾驶之后，才会慢慢开始。
如果真到了火星，而且是一个全自动驾驶环境，那就完全是另一套故事了。但这件事还非常远。
量子位：我自己平时也开辅助驾驶的车。现在很多车会亮蓝灯，表示处于智能驾驶状态。如果我要加塞，我会优先挑蓝灯的车去加。因为现在交通系统里，最复杂的bug，其实往往是人类驾驶员自己。
我以前常用AlphaGo来举例。下棋的时候它是对抗关系，但到了配合场景里，你会发现人其实更喜欢和AI合作。
楼天城：更准确地说，是一部分人会变成这样。另一部分人，比如做车载模型部署和优化的，还是在做别的同样重要、甚至更重要的事。
量子位：你们一直以天才团队著称。当AI开始承担一些高水平研发角色，会不会降低未来自动驾驶行业对天才的需求？
核心在于，人必须学会用新的方式和AI配合。在AI擅长的地方，让AI主导；在AI不擅长的地方，人去想办法驾驭它。
这不是某个行业、某家公司单独面临的变化，而是整个AI发展到今天，人都必须做出的改变。真正懂得怎么驾驭AI的人，才会成为下一代真正有价值的人才。
量子位：但如果我们把视野放回自动驾驶，当AI开始能替代天才工程师，自动驾驶的入局门槛似乎正在降低，因为对人才密度的要求没那么高了。
不过，你们在构建世界模型2.0的过程中，又依赖了大量运营车辆、反馈数据、精度迭代和整个世界模型闭环……
当然还是需要很多顶尖人才，但他们做的事情会和以前不太一样。过去的技术优势，会逐步转化成更全面的优势。
量子位：假设你已经知道了今天这些关于世界模型的洞察，如果重新做一次自动驾驶，会有什么不同？
但有些认知，确实要走到一定阶段之后才会慢慢形成。比如早年很多公司都觉得，只要不断收集人类数据、不断模仿，就能把事做成。到了今天，几乎所有人都已经认可强化学习的重要性。
但很多公司的车可能还没有发展到那个阶段，也就是还没强到让人彻底判断不了好坏，所以他们还会觉得现有研发方式能继续用下去。也许等再往后走，他们也会有类似认知。
如果真的能带着今天的记忆回到过去，可能确实能少走一些弯路。但现实是，一个团队也必须靠自己一步步意识到这些事情。
沿着原来的方法走，我们Pony自己也走了4年模仿学习。这些经历不是没用，恰恰是因为走过了，才真正理解为什么必须走向强化学习。我们也长期依靠人来主导开发，正因为做过，才真正理解为什么要把更多事情交给AI。
一步步走到现在，经历过那些Know-How，经历过那些钻研，才知道下一步该怎么走。
但当数据量上来之后，尤其是在自动驾驶这种出错代价非常高的场景里，已经被多次证明，单靠加数据帮助很有限。
真正需要的，是训练范式和模型结构层面的改变。不是说Scaling Law没用，而是它在早期作用更大，到了后期，决定上限的已经是其他因素了。
而世界模型本身也有不同阶段的演化。到了下一阶段，很自然就要融入更多物理定律。这个能力建设，会让我们有机会去做更多物理AI应用，也能创造更多价值。
最近几个月，大家都在盯着AI写代码，AI coding成了热点。它开始具备一定的自我演进能力，调用工具的能力也越来越强。
我自己其实早就跳出了当年那种人教AI的图灵测试式想象。越来越多事情，已经可以由AI来主导了。比如世界模型2.0，本质上就是AI在主导研发。
那再往外想，整个公司的其他策略，比如商业化、宣传，是不是未来也可以由AI来主导？甚至今天我来和你聊天，说不定以后AI也能告诉我应该怎么表达。都是有可能的。
未来，我们和AI的关系大概率还会继续变化。很多事情会从AI辅助，逐步走向AI主导。
量子位：能不能理解成，你们在自动驾驶里实现了harness（控制），接下来在其他领域也有机会复制这件事？
量子位：也就是说，一方面是核心技术发生了变化，另一方面是你们内部技术积累也到了某个阶段，所以才打开了新的象限。
但这个空间肯定不会只局限在物理AI的某一个应用里。它至少有两个维度。一个是应用层面，不止一种物理AI应用；另一个是我们和AI的关系，也已经不再停留在辅助阶段。
自动驾驶就是这样。只有当车的安全性够好、成本够好、服务体验也够好，真正有意义的商业化才会开始。
其他领域有时候要求甚至比自动驾驶还高。因为出行本身已经是一个很成熟的领域了，如果进入一个还不成熟的商业场景，对能力的要求可能更高。
所以前期，我们还是会把主要精力放在能力建设上。然后等真正合适的机会出现时，再去出手，而且希望每一次出手都能达到很好的效果。未来肯定不会只做一种应用。
随着基础模型的发展，单独提升细分领域能力，已经不是最重要的方向了。你看今天的基础模型，也不会专门拆出一个物理模型、一个化学模型、一个数学模型，它们基本都是融合在一起的。
当然，你可以先在一两个新场景里验证价值，但训练这件事的关键，并不来自那个具体场景本身。
量子位：很多公司做创新，都是先看准场景再建能力。你刚才表达的逻辑还是先基于能力。那你们内部评价自己能力的标准是什么？有没有类似L0到L5这样的划分？
楼天城：我不太想自己再发明一个新的定义，但在整个AI领域，其实有一个很自然的阶段划分。
先是AI向人学习，这时候它比人弱。再往后，它会逐渐接近人。然后，它会超越人。再之后，是在超越人之后继续进步。
而且我认同这种分法，因为从弱于人，到接近人，再到超越人，最后走向超越人之后继续自我进化，这几个阶段所需要的技术方法是完全不一样的。每进入下一个阶段，前一阶段那套做法都必须发生根本变化，才可能真正迈进去。
今天我看到的很多物理AI，其实还处在第一个阶段，很多系统甚至还不如人，用的也还是我们更早年那种模仿学习思路。
至于后面怎么走，我们因为已经经历过，所以知道还可以继续往下走。但我觉得，谁都绕不过这些阶段。
量子位：你的很多学弟学妹（笑）……现在都投身了具身智能浪潮。大家都说这是10年前的自动驾驶。
但如果你自己还没走到那里，我其实也没法说服你。因为很多事情，只有真正经历过，后面才能走得更好。
所以我觉得，最重要的是尽快走到那个阶段。等到了那一步，要有足够开放的心态，真正接受一套完全不同的做法，接受一种新的训练范式，然后让系统继续进步。
再往后，等有一天它明显比人强很多了，那下一步怎么让它继续提升，就又会进入今天我们正在经历的这种进化过程。
量子位：这个过程其实没法跳过去。你明知道他们大概会在哪个节点需要改变，但他们还是得自己经历一遍。
楼天城：或者说，只有真的经历过，他才可能真正知道为什么要改，愿意去改，或者真正知道该怎么改。
量子位：你们现在打开了新的空间，可以做更多事了。公司已经上市了，这件事会带来什么变化吗？
自动驾驶的商业化本身也还在继续发展，而且现在应该正处在进展最快的时候。这仍然会是小马最主要的增长方向。
只不过与此同时，我们也可以把过去积累下来的经验，延展到更多方向，去创造更大的价值。
还有一点，其实和上不上市都没关系。AI发展到今天，这半年可能已经是变化最快的半年了，半年之后可能还会更快。
量子位：这种变化，会不会也影响你们创新的方式？就是很少几个人试了一下，结果发现居然有效。现在还会有这种状态吗？
楼天城：从结果上看，确实可能还是你说的这种感觉。有些事情，未必需要投入特别多人力，就可以先试一下，然后很快验证它能不能有效。
量子位：在人和AI关系发生巨大变化的这个时刻，那种真正会驯马的人才，反而变得更稀缺、更珍贵了。
你怎么让它沿着你的意志去行动，同时又能保持自控，还能继续自我演进、越做越好，我觉得这类能力就是今天这个时代最关键的能力之一。
如果同样一个人，能够创造出比以前大得多的价值，那自然也应该获得更高的、合理的回报。这本身就是正常的发展过程。
量子位：现在行业里，顶级AI人才已经拿到像足球明星一样的待遇……（教主听到后困惑脸）
所以我们还是回到贡献本身来看。薪水可能会上下波动，但背后那条主线，其实是在不断抬升的。
量子位：我们现在谈世界模型2.0的时候，感觉像是在打开一条通向AGI的路。你认同这个说法吗？
楼天城：不是在打开。已经打开了，而且已经走了很久，现在已经到了一个势不可挡的状态。
但后来我发现，那已经不是一个简单和人比较的阶段定义了，因为今天早就不是停留在那个层面了。
我觉得AI现在已经具备了一些自我演进、自我提升的能力。这已经远远不只是独立完成任务这么简单。
接下来，AI还会进一步拥有和物理世界更紧密接触的能力，甚至真正能够去管理一大群人，或者去管理更复杂的人与人之间的关系。
楼天城：公司里面当然还是有人，但越来越多关键决策会由AI来做，由AI来分配任务，人更多是给它提供信息。
比如我们今天谈AI coding，很少有人再单独去强调推理能力，但实际上写代码这件事里，推理本身就是最核心的能力之一，它是天然包含在里面的。
量子位：之前大家谈AGI时，常常会把写代码能力当成一个关键指标。我一直在观察，有没有哪个新模型已经超过了你的水平。你现在觉得，有模型已经超过你了吗？
楼天城：我现在自己也已经在用模型帮助我写代码了，甚至还在用一些方法去教模型怎么自己写代码。
不过，就我训练出来的agent来看，至少在很多题库上，现在还是排在前面，还是有一定领先性的。
量子位：你刚才提到，我们已经在通往AGI的过程中。之前Ilya有一个比较有争议的观点，他说现在这套算法，以及单纯依赖scaling的方式，是没法实现AGI的。你认同吗？
模型结构上当然一直会有自然演进和升级，但真正更关键的变化，是它开始会使用工具了，开始拥有skills，也开始有了harness和engineer的能力。
量子位：这里还有一个很直觉的问题。比如人类小孩，好像天然就知道站在高处不能掉下去。但机器人，或者自动驾驶汽车，似乎并不天然具备这种认知。
人的很多能力是彼此分散的，要一项一项学。但AI可以直接把这些点总结出来、记住就行了。
量子位：我其实还有最后一个问题，AI正在变得这么强大，咱们都是有娃的人……面向AI未来，你会怎么去养育下一代？
楼天城：过去这些年，我们一直在做一件事，就是让AI超越人。驾驶上它已经超越了，未来别的领域可能也会继续超越。
但更重要的另一方面是，只有亲身参与这个AI超越人的过程，你才真正有机会想明白，人未来该怎么和AI共存。如果你根本没有参与这个过程，你甚至可能不知道该怎么和它相处。
在这个过程中，我们也许才会真正找到，当AI已经足够强的时候，人还有哪些事情值得做、还能做出独特贡献。这其实也是我现在工作中一个很重要的重点。
但如何和AI共存，确实会是一个持续发展的命题。这可能也是我们这一代人最重要的工作之一。
帮助AI超越人，不是为了单纯看它变得比人强，而是希望在这个过程中，真正想明白，人到底还能在哪些地方做出贡献。
量子位 QbitAI 版权所有©北京极客伙伴科技有限公司 京ICP备17005886号-1