张江:大科技时代,「向善」是基本趋势 | 科技向善大咖说

2019 年 11 月 6 日 腾讯研究院


【科技向善大咖说·第八期】


张江

北京师范大学系统科学学院教授、集智俱乐部创始人、集智学园创始人。主要研究领域包括复杂网络与机器学习、复杂系统分析与建模、计算社会科学等。曾在Nature Communications、Scientific Reports、Physical Review E、Journal of Theoretical Biology等国际知名刊物上发表过学术论文六十余篇。出版专著《数字创世纪——人工生命的新科学》、译著《自然与人工系统中的适应》、校译《规模》等著作。


张江老师从宏观视角分享科技向善的时代背景,进一步分析相关科技事件,对科技向善的未来发展走向及阻碍作出思考,并对如何进一步践行「科技向善」发表见解以下是访谈内容精选:


 腾讯研究院: 你对「科技向善」的理解是什么?

 张江: 我理解「科技向善」是一个站在全人类层面,甚至是关乎人类发展、人类文明进程的概念。 这不仅仅是腾讯公司的事,也不局限于互联网中。 在人类文明视角下,科技发展是一个非常全球化的大问题,我们要把它放到整个大的生态框架下去考虑,这才是真正本质的科技向善。
互联网的发展已经对人类的社会有了一个翻天覆地的改造,它比前几代工业革命要更加影响深刻。 这一波互联网为主的发展,是围绕着人的认知系统在进行进一步改变的,它发展会改变人脑。 互联网对地球的改变是非常彻底的,它的力量也极其之大,每一步举动真的要小心谨慎才可以。 目前发展的审慎感太不够了,甚至在无意识、野蛮地生长。
首先互联网公司的发展要考虑到对环境的影响,当然对人的改变也是需要考虑的,但在 我看来,我们最容易忽视对环境的影响。
互联网最大的好处就在于开源精神。 中国引入互联网是1995年前后,我就是最早那波上网的人,所以算是比较有幸。 那时互联网给我的感觉绝对是一个另类空间,有些乌托邦理想主义者在的,大家基本上是善的,分享精神、开放精神、协作精神,都是体现得非常淋漓尽致。
2000年开始有了变化,当互联网被商业接管,把开源成功地转变成一种商业模式。 比如说谷歌,信息是开源的,可以免费使用搜索引擎,但其流量实际上是变现的,一下子就催生出新的一波互联网巨头。 早期大家还是觉得这些公司很正,很向善,但是像这几年慢慢的我们已经看到一些弊端了,比如数据问题。
我觉得人类正在被撕碎,人类社会开始出现一个黑洞,只不过不是物理上的黑洞,而是技术黑洞。

 腾讯研究院: 你所接触的互联网产品或服务,哪些是「科技向善」的正面案例?哪些是负面案例?

 张江: 坏例子有很多,好例子很难想。
善在这里具体指科技进步,科技进步的同时恶也被释放了,其实两者的规模法则(scaling law)关系是一致的,也就意味着它的增长曲线是一致的。
从热力学定律来看,实际上任何计算都在产生热、释放熵,任何一个过程都伴随着熵的产生。 如今这些熵体现为各种各样的污染、废气排放等。 从这个意义上来说,我们要“反对”科技发展,因为发展必然有熵的产生。 只不过我们把注意力全放在发展上面,而忽视了另一面。
我认为科技向善,关键在于怎么向善。 其中有一个观点是,更加「自然的」科 技也许才是真正的善,践行科技向善时,应当在很多方面都有这一考虑。李冰修都江堰便是一个特别好的模式,因为它没有对自然本身改造太多,而是以一种巧妙的模式实现了创新。

 腾讯研究院: 你认为「科技向善」是面向未来的更大的竞争力吗?

 张江: 我觉得竞争力的价值观和科技向善本质上是违背的,竞争意味着不是你死就是我活,但现在社会已经变得非零合了,竞争思维在未来会变得越来越不重要。 换句话说别人怎样不用影响到自己,我们自身一直都在变更好就行了。
这个世界最后还是善的东西会占据更主流的位置,如果从更长的周期和更大的范围来看,只有善才能往前发展。 大科技时代选择「向善」,是一个基本趋势。

 腾讯研究院: 践行「科技向善」,最大的阻碍是什么?

 张江: 最大的阻碍是「认知」,目前人们的思想观念还没有转变,亟待认知升级。 我们都特别痛恨污染环境的、卖假药的、卖垃圾食品的,现在恶的东西占据了传播的阵地,造成一个假象,好像我们身边到处都是恶,这是表面现象。 善的部分目前还在萌芽状态,下一个十年很快会显现。
有些技术的弊端,与其把它们认为是坏的东西,不如从好的方面去理解: 这些弊端会更早地让我们发现问题。 当年计算机病毒出现后,一系列防病毒的方法也应运而生。 魔高一尺,道高一丈,这是技术自己进化的过程。 弊端出现得越早,也就意味着这种技术还没有造成更大的伤害,这是件好事。

 腾讯研究院:你的意思是技术带来的问题要通过技术来解决呢?践行「科技向善」如何处理用户与科技公司的关系?

 张江: 如果只靠道德来和监管来约束技术带来的问题,力量还是太弱了。 不如让这种技术更快速地开源扩散,让它变得更加平等化,这里还需要依靠用户的力量,因为用户总是会想出更好的解决方案。
首先让互联网开源精神重新回归。
人总是有私心的,那有无机器掌管数据的可能? 从技术上说,现在区块链已经能够实现这一点了,它的帐簿存储已经完全公有化了。 那数据这部分有没有可能也实现这一点? 我们可以期待一下,也许未来能够出现完全去中心化控制。
另一个方面是从纵向的角度切入,开启一种新的模式。
每个用户要认识到,你的注意力、行为动作产生的数据,其实都是属于你的。 注意力的付出也是一种资源,个体要知道注意力的价值,以及自己对注意力的所有权。 只有当个体觉醒之后,才有可能去影响一些政策、游戏规则的制定者,去重新考虑流程。 比如说谷歌使用了用户数据,就需要给用户付费,花钱购买注意力,这样才是一个正常的模式。
用户需要意识到个体数据是可以作为个人资本,跟公司做交换的。 参考希尔勒的「小数据」概念,把个体纵向的数据通过一种手段收集,这种模式下,个体可以拿自己从早到晚24小时或者更长时间内产生的数据和科技公司作交换,科技公司得到一批用户的全数据后,再通过人工智能技术,帮助用户提供服务或下一步决策,这是未来可能会发生的模式。 纵向数据的深入开发是一个大金矿,只是目前还没有真正实现。


以上内容为【科技向善 · 大咖说】精简版,完整版本请期待《科技向善白皮书》


【科技向善·大咖说】往期回顾:

科技如何向善?一场大型社会实验开启下半场

斯坦福和平创新实验室Margarita Quihuis:用价值重新定义技术产品 | 科技向善大咖说

王小川:科技向善先要回答「我是谁」 | 科技向善大咖说

曼纽尔·卡斯特:「善意」应成为技术产品的商业竞争力 | 科技向善大咖说

邱泽奇:数字时代,科技向善为什么更重要?|科技向善大咖说

费俊:科技向善需要人文主义支撑 | 科技向善大咖说

金兼斌:能力越大责任越大 | 科技向善大咖说

威廉姆•科瓦契奇:强大技术可能压倒选择「向善」的能力 | 科技向善大咖说



科技向善大咖说 · 认知升级

2019年9月,腾讯研究院开始陆续深入访谈全球业界与学界大咖,围绕「何为科技向善」、「如何理解科技向善」的问题,广而寻求见解与共识。包括最著名的网络社会学家卡斯特教授、斯坦福和平科技实验室创始人玛格丽塔教授、创业者/硅谷投资人邵亦波先生、搜狗创始人兼CEO王小川先生、北京大学国家发展研究院BiMBA商学院院长陈春花女士、北大社会学系邱泽奇教授、清华传播学系金兼斌教授、北师大系统科学系张江教授、中央美术学院设计学院教授费俊等等,从不同的背景与专业出发,分享了各自的思考。

与此同时,我们还将陆续发布的【科技向善案例集·产品行动】;【科技向善·大哉问】等等。

「科技向善」这场大型社会实验的下半场才刚刚开始,而且没有终点,而且每个人的行为都会影响它的实验结果。每一个数字公民,都无法置身事外。

若你有更多关于科技向善的好想法,请联系我们。

联系邮箱:
tencentresearch@tencent.com



--END--



我好看吗?
登录查看更多
1

相关内容

德勤:2020技术趋势报告,120页pdf
专知会员服务
187+阅读 · 2020年3月31日
Python数据分析:过去、现在和未来,52页ppt
专知会员服务
99+阅读 · 2020年3月9日
新时期我国信息技术产业的发展
专知会员服务
69+阅读 · 2020年1月18日
电力人工智能发展报告,33页ppt
专知会员服务
120+阅读 · 2019年12月25日
2019中国硬科技发展白皮书 193页
专知会员服务
78+阅读 · 2019年12月13日
【知识图谱】大数据时代的知识工程与知识管理
产业智能官
22+阅读 · 2019年7月3日
职人沙龙 | 走进小打卡,小程序技术实战交流
【精华版】2017年区块链干货合集
FinTech前哨
4+阅读 · 2018年1月11日
深度 | 致开发者:2018 AI发展趋势
机器之心
4+阅读 · 2018年1月11日
自然语言处理的十个发展趋势
北京思腾合力科技有限公司
5+阅读 · 2017年11月25日
“看脸”的时代,AI到底有多智能?
微软丹棱街5号
3+阅读 · 2017年11月9日
Meta-Learning to Cluster
Arxiv
17+阅读 · 2019年10月30日
Generalization and Regularization in DQN
Arxiv
6+阅读 · 2019年1月30日
Hierarchical Deep Multiagent Reinforcement Learning
Arxiv
8+阅读 · 2018年9月25日
Multi-task Deep Reinforcement Learning with PopArt
Arxiv
4+阅读 · 2018年9月12日
A Survey on Deep Transfer Learning
Arxiv
11+阅读 · 2018年8月6日
Arxiv
6+阅读 · 2016年1月15日
VIP会员
相关VIP内容
德勤:2020技术趋势报告,120页pdf
专知会员服务
187+阅读 · 2020年3月31日
Python数据分析:过去、现在和未来,52页ppt
专知会员服务
99+阅读 · 2020年3月9日
新时期我国信息技术产业的发展
专知会员服务
69+阅读 · 2020年1月18日
电力人工智能发展报告,33页ppt
专知会员服务
120+阅读 · 2019年12月25日
2019中国硬科技发展白皮书 193页
专知会员服务
78+阅读 · 2019年12月13日
相关资讯
【知识图谱】大数据时代的知识工程与知识管理
产业智能官
22+阅读 · 2019年7月3日
职人沙龙 | 走进小打卡,小程序技术实战交流
【精华版】2017年区块链干货合集
FinTech前哨
4+阅读 · 2018年1月11日
深度 | 致开发者:2018 AI发展趋势
机器之心
4+阅读 · 2018年1月11日
自然语言处理的十个发展趋势
北京思腾合力科技有限公司
5+阅读 · 2017年11月25日
“看脸”的时代,AI到底有多智能?
微软丹棱街5号
3+阅读 · 2017年11月9日
相关论文
Meta-Learning to Cluster
Arxiv
17+阅读 · 2019年10月30日
Generalization and Regularization in DQN
Arxiv
6+阅读 · 2019年1月30日
Hierarchical Deep Multiagent Reinforcement Learning
Arxiv
8+阅读 · 2018年9月25日
Multi-task Deep Reinforcement Learning with PopArt
Arxiv
4+阅读 · 2018年9月12日
A Survey on Deep Transfer Learning
Arxiv
11+阅读 · 2018年8月6日
Arxiv
6+阅读 · 2016年1月15日
Top
微信扫码咨询专知VIP会员