2017年是图灵奖（A.M. Turing Award）设立50周年，国际计算机学会（ACM）特别在全球范围内举行盛大庆祝活动，5月12-14日，ACM图灵奖五十年中国大会（ACM TURC 2017）在中国上海成功举办，创新工场CEO暨人工智能工程院院长李开复博士和往届数位图灵奖得主与业界知名学者一起受邀参与了大会欢迎晚宴和圆桌论坛。
12日，作为ACM图灵奖五十年中国大会开幕晚宴唯一特邀主题演讲嘉宾，李开复博士与往届远道而来的往届图灵奖得住和来自世界各地的计算机科学家们分享了关于“人工智能时代与科学家创业”的话题。其中，李开复博士特别提到了科学家创业会面临的3大问题并给出了解决方法，同时对人工智能时代科学家如何创业提出了自己的建议，他鼓励科学家留在学校继续创新，把技术授权给合适的人选，或者提供开源、发布内容等。
人工智能的核心是计算能力，量子计算将给人工智能带来怎样的影响？深度学习和人脑的运作究竟有怎样的关联，人工智能的奇点论是否真的成立？我们应以怎样的心态来面对人工智能时代的来临？在13日上午举办的“大数据驱动（图灵模型）VS 脑结构驱动（量子模型）”圆桌论坛上，李开复博士和2004年ACM图灵奖得主、谷歌公司副总裁兼首席互联网专家Vinton G. Cerf，2000年ACM图灵奖得主、清华大学交叉科学研究院院长姚期智教授，国家自然科学基金委员会副主任、北京大学教授高文共同畅谈了量子计算、深度学习、模仿大脑、奇点等热点问题。
姚期智教授介绍了量子计算和量子密码学的最新进展，点明了量子计算未来的发展方向和需要解决的关键问题。被誉为“互联网之父”的Vinton Cerf则评论了互联网和人工智能带给科技与人类生活的巨大变化。在回答听众有关“超级人工智能是否会到来”的问题时，Vinton Cerf幽默地评论道，在1960年代人工智能发展的早期，“我们有个非常简单的方法来识别什么是人工智能，什么是工程技术：如果一个技术管用，它就是工程技术；如果不管用，它就是人工智能。如果一个原被称为人工智能的东西开始管用了，那它就变成工程技术了。”
在圆桌论坛上，李开复博士从人类历史进化和人工智能发展规律的高度，论述了深度学习的本质与人类未来的关系，提出了“平台化的人工智能工具箱”的技术发展方向。以下是李开复博士的现场论述：
即使插上量子计算的翅膀，深度学习也战胜不了生物大脑
深度学习基于多层神经网络的机器学习模型，表面上看，也许你会觉得深度学习和生物大脑里神经元和突触的运作是一回事（人脑大约由140亿个神经元组成，神经元互相连接成神经网络，神经元是大脑处理信息的基本单元，它主要由细胞体、树突、轴突和突触组成），但其实，深度学习只是对单个生物神经元的极其粗糙的近似模拟（仿生学含义）。相比生物大脑，深度学习只是照葫芦画瓢。计算机能做的，就是定好一个模型，设一个目标函数，让计算机自己不停地去试，找到一个方案使目标函数的输出达到最优，它就认为这是解决方案——但计算机无法真正“理解”这个东西是为什么。
机器学习永远不可能有自我意识，因为其优化目标是人类给定的，而不是物理世界给定的。物理世界给定的优化目标是生存，机器学习不会面对这样的优化目标。
即使机器学习有了量子计算，还是不会改变其在人类社会中的定位, 只是我们对特定问题有了超级快速的计算单元。量子计算技术的发展，为我们在特定计算任务，主要是部分数值优化算法以及密码学算法上，可以给出极其惊人的求解速度。
从模拟计算机发展到光学计算机，从图形处理器到量子计算机——这代表了计算机运算能力的巨大突破，虽然量子计算可以为人工智能发展提供革命性的工具，能够指数级地提升学习能力和速度，轻松应对大数据的挑战，但是认为量子计算对大数据的处理可以赶上或超越生物大脑对神经元和突触的计算量，从而得出AI将达到人类大脑的水平，机器终将超越并取代人类智慧（人工智能奇点论），这种推测过于简单和跳跃，在科学上是不成立的。
所以当下以及不久的将来，大家大可不必担心机器的觉醒或者所谓的奇点的到来。当下的智能技术都是在为人类服务，是人类的工具。但是值得强调的是，智能技术服务的是掌控智能技术的人类，只是代表了一部分人类的利益，这可能是一个很小的群体，一个公司、团队甚至个人。我们需要担心的是这种新形态下的超级垄断力量对人类整体的危害或者剥削。
创新工场人工智能工程院副院长王嘉平认为，人类的进化不单单包括我们的大脑，也不只是神经系统突触的进化，而是整个世界的进化，与进化相统一，与人类的欲望相一致。人类的感知系统、运动系统，乃至人类的情感、创造力，都是在人类生存能力的基础上发展起来的。深度学习仅仅是一个工具。而人类的选择、人类法则、人脑的发展并不仅仅有关人类大脑，它是人类进化成果的一个总和，伴随着整个地球生物界的发展。
生物智能的学习从来都不是单个个体的学习，而是全球生物在历史上的所有种群所有个体一起协同在经历一场以生存为优化目标函数的学习过程。
值得注意的是，当下我们的机器学习过程通常是孤立的，每次从头来，而生物智能的学习过程，其智能的模型通过DNA被代代相传，每一个个体的学习过程都不是孤立的，而是整个地球生物总体学习过程中的一部分。
无论是生物的低阶智能，例如视觉识别系统，以及高阶智能，例如情感和性冲动，甚至更高阶的社会性行为，例如协作和分工，归根结底都是在优化群体的生存几率，并且对于个体来说大部分的智能，尤其是低阶智能，并不是在其生命周期里面学习得到的，而是在繁殖过程中继承而来的模型。
当然，这个继承而来的模型，也就是遗传基因，不仅包含了智能模型这个“软件部分”，也包含了定义生物机体构造和生化运作方式的模型，也就是“硬件部分”。
所以，从广义的计算能力上面来说，生物智能的建立过程是历代所有种群所有个体的应对和自适应能力的总和；从广义的训练数据上面来说，是历代所有种群所有个体所遭遇到的环境的宏观变化和冲击，以及微观上每个个体在生命周期中遇到的具体的生存任务，例如觅食和交配。无论哪个方面，都是现阶段机器学习系统远远无法企及的。
人类的迁移学习能力早已被祖先写进遗传基因
以认字为例，儿童有能力在看过很少量的字母图像之后，能够轻松识别出大部分同一个字母的所有变体，以及不同的书写方式，而机器学习却需要大量的包含尽量多的变体的字符图像，才能把这个识别任务做得比较好。其中的原因，并不是生物智能能够从小样本中神奇地总结有效的规律，而是文字系统本来就是依据人类视觉系统的识别能力设计的。