人工智能到底能為應對氣候變化做些什麼？- 彭博社

人工智能可以更容易地優化電力網絡，為自然災害做準備，並最大化作物產量。

攝影師：布賴恩·凱澤/彭博社根據不同的人，人工智能要麼拯救世界，要麼毀滅世界。

這項技術在數據處理和問題解決方面的能力可以幫助預測天氣事件，使電力網絡優化、為自然災害做準備並最大化作物產量變得更容易。但人工智能也耗能巨大，並且容易被用於具有倫理問題的目的。

出於這些原因，麻省理工學院的電氣工程和人工智能教授普里婭·東蒂決定創立氣候變化人工智能組織。該組織彙集了來自不同領域的科學家，以確定人工智能在氣候方面的應用，並資助項目，涉及從可持續農業實踐到建築物中的算法供暖和製冷系統的一切。

彭博社綠色颶風貝瑞爾襲擊開曼羣島，途經墨西哥阿聯酋300億美元的Alterra基金準備進行下一輪交易風險投資尋求資助原子犀犀角偷獵的防護措施現在有800家碳減排初創公司。太多了嗎？東蒂與Zero主持人阿克沙特·拉蒂坐下來談論該組織支持的一些項目，以及為什麼積極塑造人工智能的發展符合每個人的利益。

“民主化實際上意味着讓更多人蔘與到實際開發人工智能的軌跡中來，”她説，“而不僅僅是成為一些人開發的產品的用户。”

## 零

在人工智能炒作中尋找氣候解決方案

30:28

收聽完整劇集，瞭解更多關於 零 的信息。在 Apple 或 Spotify 訂閲以獲取最新劇集。

我們的文字記錄是由軟件和人類編輯組合生成的，可能在文本和音頻之間存在細微差異。請在引用文字之前確認音頻內容。

Akshat Rathi 00:00:00

歡迎來到 Zero。我是 Akshat Rathi。本週：人工智能能做些什麼好事？

還記得數據曾經被稱為新的石油嗎？我特別想到的是《經濟學人》2017年的封面，展示了谷歌、亞馬遜和其他科技巨頭如同大型海上石油鑽井平台。其想法是數據是一種新的關鍵資源。它將重塑世界。

在某些方面，這已經發生了。也許您是通過 Spotify 或 Apple 根據您的收聽歷史推薦收聽這個播客的 —— 這只是大數據運作的一個小例子。

人工智能——最新的時髦詞彙——當然是以數據為基礎。數據的獲取是耗能和資源密集型的。這是我們上週在與微軟總裁布拉德·史密斯討論過的事情。該公司希望實現負碳排放，但實際上卻看到其排放量在增加。

當然，只要提供正確的數據，人工智能可以做出驚人的事情。甚至有助於應對氣候變化。但具體來説是如何做到的呢？

如果有一個人在領導這個問題，那就是麻省理工學院的普里婭·唐蒂。她是電氣工程和人工智能教授，也是氣候變化人工智能的聯合創始人，這個組織彙集了對如何利用人工智能解決氣候問題感興趣的學者和行業領袖。

她的團隊資助獨立項目和實地工作，解決從印尼蝦農的紅樹林恢復到化工行業納米多孔分離研究等各種問題。

他們也在努力思考如何避免利用人工智能增加排放並加劇人類苦難。

我問過普里婭她最感興奮的一些人工智能應用，以及為什麼我們圍繞人工智能建立的概念框架和技術本身一樣重要。

阿克沙特·拉蒂00:02:25

在我們深入討論氣候變化人工智能領域的一些工作之前，我認為定義這些術語會很有幫助，因為術語實在太多了，人們在思考人工智能時總是混淆不清。對大多數人來説，人工智能的最大入門點是ChatGPT。ChatGPT是人們玩耍過的，人們有點知道它是基於一種叫做LLM的大型語言模型。但這只是人工智能類型的一個例子。所以，如果你從最高層開始，你會如何定義人工智能，以及有哪些類型的人工智能？

Priya Donti 00:03:05

是的，關於人工智能並沒有一個普遍認可的定義，但大致上你可以將人工智能理解為執行某種複雜任務的系統。人工智能有兩個主要分支。一個是基於規則的系統，這是當你知道如何做某事時，就像你知道如何下棋一樣。你可以寫下規則，但實際上推理這些規則以找出如何成為一個優秀的棋手是困難的部分。因此，基於規則的系統是你寫下規則並自動推理這些規則的地方。

Akshat Rathi 00:03:43

哦，這意味着1997年Deep Blue首次擊敗加里·卡斯帕羅夫。從技術上講，這將被分類為基於規則的人工智能系統。

Priya Donti 00:03:52

沒錯。

Akshat Rathi 00:03:54

即使是那些原始的計算機。

Priya Donti 00:03:54

哦是的。實際上，人工智能已經存在很長時間了。另一種人工智能是機器學習。機器學習通常用於你可能對某事有直覺，但很難寫下規則來使你的直覺成為規範。所以如果我給你Akshat，一張狗的圖片，你可能告訴我這是一隻狗。但如果我讓你寫下一組準確解釋為什麼這是一隻狗的規則，你會發現很難準確地寫下這組規則。因此，機器學習是一種範式，你可以從示例或數據中自動推斷出一些規則。我給你一堆圖片，也許告訴你哪些是狗或貓，機器學習算法學習如何映射圖片和標籤之間的關係，比如這是一隻狗還是貓，並推斷導致這種情況成立的規則。

Akshat Rathi 00:04:51

所以，如果你考慮大多數人知道的AI類型，那就是大型語言模型，那就是機器學習。

Priya Donti 00:04:57

那就是機器學習。大型語言模型基本上是一種機器學習模型，它看起來特定，有特定的更新方式，這種模型可以以各種不同的方式使用。大致上，它們可以用於監督學習、無監督學習和強化學習。

Akshat Rathi 00:05:24

嗯，這一切聽起來就像是在教孩子。要麼通過監督，要麼通過遊戲，要麼通過懲罰。

Priya Donti 00:05:32

是的，在某種意義上，許多機器學習算法和嘗試學習這些東西的方式都在模糊地受到人類學習方式的啓發。儘管我們實際上如何做到這一點可能會有很大不同。

Akshat Rathi 00:05:50

所以我們在氣候背景下談論AI有兩個重要原因。一個是因為創建AI模型和使用AI模型的能源成本。第二個是這些模型，再次強調，它們的不同類型可以有不同的應用，這些應用可以使解決氣候變化並部署這些解決方案變得更容易。

Priya Donti 00:06:12

我想再加一個第三支柱，那就是AI也被用於許多類型的應用，這些應用使解決氣候變得更加困難。所以當我們談論好與壞時，我們應該考慮到AI有自己的足跡，AI被用於好壞兩種方式。

Akshat Rathi 00:06:29

是的。所以讓我們來談談碳足跡這一部分，因為人工智能可能帶來的碳足跡大小將取決於人工智能的類型。大型語言模型成為新聞焦點，因為這些模型試圖在整個互聯網語料庫上進行自我訓練，這需要大量的計算能力。這就是為什麼微軟、Alphabet和Meta等公司現在都在爭相建設更多數據中心，消耗更多電力，並且在這個過程中超過了一些他們自己設定的氣候目標，正如我們從微軟最近的更新中瞭解到的，其排放實際上比去年高出30%，而不是低了30%。這是否意味着所有類型的人工智能註定要具有更高的碳足跡，因為所有類型的人工智能都希望儘可能獲取更多數據？

Priya Donti 00:07:22

所以，人工智能的類型存在多樣性，因此它們的能源使用也各不相同。在很長一段歷史中，存在着使用合理數量數據的人工智能和機器學習模型，但遠遠少於整個互聯網。而且這些模型本身也要小得多，參數更少，因此實際上不需要太多的計算能力來更新和讓這些模型學習。因此，你知道，我們開發的一些模型，甚至在我的研究小組中，都可以在筆記本電腦上運行。但當然，你有這些大型數據密集型的最先進算法，正在通過ChatGPT等產品部署，肯定會帶來能源消耗，你知道，數據中心的水消耗，實際上獲取計算硬件的物質影響，這開始令人擔憂。

Akshat Rathi 00:08:19

現在，氣候應用本身不必走LLM的路線，消耗那麼多數據。你知道，你説筆記本上的模型可以工作。讓我們從那裏開始，因為你是通過嘗試弄清楚如何使電網運行更好而進入AI領域的，對吧？

Priya Donti 00:08:38

沒錯。所以基本上，當我們開始將越來越多的可再生能源整合到電網中時，許多這些可再生能源，它們的輸出會根據天氣而變化。所以隨着時間的推移會有變化。想想太陽能，想想風能，然而在電網上，你必須保持這種精確的平衡，即向電網輸入多少電力和消耗多少電力，當你有很多變化進入電網時，這變得更加困難。因此，AI和機器學習在某種程度上是有幫助的，比如首先，給我們更好的預測，比如你的太陽能輸出，風能輸出，電力需求會是什麼樣子。但也可以幫助加快一些現有的基於物理和工程的算法，這些算法用於在後台管理電網以保持平衡。

Akshat Rathi 00:09:22

因此，嘗試理解AI在幫助解決一些氣候問題方面的應用的一個挑戰是，它很快變得非常抽象。所以你説，“哦，是的，我們有許多數據點，有一種智能的方法可以使用它們，這給我們一個輸出，”但通常我們不知道為什麼會有那個輸出，但那個輸出更好。所以我們使用它，這就是解決方案。作為一名科學記者，對我來説，發明的樂趣實際上是要分解步驟，嘗試弄清楚為什麼這一步導致那一步導致那一步。最終你會得到一些真正有用的東西。我們能用AI做到這一點嗎？

Priya Donti 00:10:06

是的，我認為我們可以從幾個方面來思考人工智能和機器學習在氣候方面的應用，這可以幫助我們更好地理解實際發生的情況。其中一個方面是，將大量的原始數據轉化為可操作的信息。我們通過氣候變化人工智能資助的一個項目實際上是一個試圖改善蝦養殖實踐可持續性的項目。蝦養殖目前可能對沿海紅樹林造成危害。這對於氣候變化適應性以及紅樹林的固碳潛力在氣候變化減緩方面都有影響。

因此，我們目前正在資助來自亞利桑那州保護國際和菲律賓Thinking Machines Data Science的團隊，實際上利用衞星圖像來評估可能受益於更好養殖實踐的養殖場。這裏的干預是，你實際上可以做一些事情，比如如果你有一個養殖場，你可以加大在農場的一部分的養殖量，然後你可以在農場的另一部分進行保護。因此，在不影響整體生產力的情況下，你可以以更有利於紅樹林的方式進行養殖。因此，保護國際有一個項目，他們正在與農民合作，試圖幫助他們做到這一點，但實際上在規模上確定哪些農場適合這種干預是困難的。因此，他們結合衞星圖像、海平面上升數據以及海洋風險等數據，然後實際上可以在規模上確定哪些農場可能適合這種干預，然後與他們合作實施。

Akshat Rathi 00:11:56

而且你説這只是一種方法？還有哪些其他方法？

Priya Donti 00:12:00

實際上還有幾種其他方法。其中一種是，你知道，預測和預測。所以拿一些歷史數據，你可以在其中找到一些輸入和你想要預測的某個數量之間的關係。比如，我想要預測電網上的電力需求。我可以獲取有關電力需求的歷史數據。我可以獲取歷史天氣數據，然後學習它們之間的關係，這樣將來當我有一個天氣預測時，但我不知道基於那個天氣預測電力需求會是多少，我可以直接進行預測。例如，有一些非營利組織，比如Open Climate Fix，他們正在與英國電力系統運營商合作，實際上改進了他們的電力需求預測，並且他們已經能夠利用機器學習將這些預測的誤差減半。

Akshat Rathi 00:12:48

休息一下後，為什麼我們所有人都參與到AI的發展中很重要。順便説一句，如果你喜歡這個播客，請花點時間在Apple Podcasts或Spotify上對其進行評分或評論。這有助於其他聽眾找到它。

Akshat 00:13:10

一些公司，比如我的同事寫過的一家叫做Climate AI的公司，正在利用人工智能來嘗試改進天氣預測模型。因為目前你開始得到越來越好的預測，對他們來説這至少是一個有利可圖的企業。因為他們正在與那些希望弄清楚何時開始播種或何時開始收穫的大型農業公司合作，因為我們對天氣有了更好的瞭解，不僅僅是未來兩週，還包括未來三個月。

普里婭·東蒂 00:13:44

是的，我認為這種中長期預測的想法也非常酷，但通常要在這些情境中進行良好的預測，你需要同時使用物理模型和數據。例如，在氣候變化人工智能資助的一個團隊中，這個團隊由幾所美國大學和一所印度大學的學生組成，他們基本上試圖弄清楚，“我如何實際地做出更長期的天氣預測，以促進我們如何實際建設未來的電網？” 這裏的困難在於，如果你只使用過去的數據，機器學習會學習到那些過去數據中的模式，並將其向前投射。但氣候正在變化，這意味着天氣發生的模式也在變化。因此，你不能僅僅使用純數據驅動的技術來做這件事。

因此，這個團隊説，“我們有氣候模型。” 氣候模型的問題在於，它們並不會給你非常細緻的信息，關於在特定地點會發生什麼，因為運行起來非常計算密集。但如果我們可以所謂的“回溯”氣候模型，運行並説，現在氣候模型會説什麼？而且我們已經有非常精細的歷史天氣數據，我們可以學習氣候模型所説的內容與天氣數據之間的映射。然後在未來，當我們只有氣候模型的預測時，我們可以使用我們學到的關係來説，“哦，未來天氣會以更精細的方式呈現。”

使用許多這類氣候降尺度技術時，通常要考慮誰是這些技術的用户，因此，你的降尺度預測的哪些方面必須是良好的。所以在這裏，他們實際上是在為電網規劃背景下進行這項工作，他們説，“我們能否生成關於電力使用、風力發電和太陽能發電可能會是什麼樣子的精細數據集，以促進電網規劃？”

Akshat Rathi 00:15:38

所有這些都是你在一篇名為“利用機器學習應對氣候變化”論文中發表的內容。為什麼你需要寫這篇論文？

Priya Donti 00:15:46

是的，所以我會説在2019年，我們確實看到了許多人想要利用他們的AI和機器學習技能來幫助促進氣候行動，但並不一定知道如何做到。另一方面，許多與氣候變化相關的領域的人看到，你知道，像更大規模的數據流變得可用，然後説，“但我該如何真正利用這些數據呢？”因此，我們真的覺得有必要為社區提出，你知道，AI在哪些方面與氣候變化相關問題相匹配，以幫助AI人員進入這個領域，並幫助氣候人士瞭解，“好的，對於我們正在看到的一些複雜問題，AI和機器學習可能潛在地能夠通過解決瓶頸來幫助解決問題。”

而通過這項工作有兩個主要目標。一個是再次概述應用領域，但第二個是嘗試提供某種思維模型和指導，以便以一種有影響力和負責任的方式進行這項工作。因為有很多地方AI並不適用，它可能會成為一個巨大的干擾，或者有一些情況，例如，因為你經常會看到，數據和計算能力集中在某些地理位置而不是其他地方，AI的實踐可能會通過基本上導致那些已經可以訪問計算數據的人能夠做更多的事情並將其他人拋在後面來加劇一些不平等。因此，在這方面有很多內容需要確保我們實際上是以對氣候和公平有意義的方式推動這個領域向前發展。

Akshat Rathi 00:17:20

是的，最近我們與微軟總裁Brad Smith進行了交談，他談到了他希望人人都能使用人工智能。他不希望有人工智能的有和無。我理解這意味着，你知道，過去我們曾有過技術飛躍，當它們變得更廣泛可用時，對人類是有益的 — 手機，互聯網.. 你認為人工智能像微軟總裁所説的那樣，對釋放人類潛力至關重要嗎？

Priya Donti 00:17:59

所以我認為有兩件事我想要解開。首先，我認為人工智能可以成為許多與氣候變化相關的應用程序以及其他應用程序的強大支持和加速器。有一些地方我認為它是必不可少的 — 例如，我不知道我們如何在沒有人工智能的情況下管理具有大量變化和大量可再生能源的電網。還有其他一些地方它可能有所幫助，但我不認為它是關鍵瓶頸。

我想提到的另一件事是，對於某些事物，比如移動技術等，民主化一詞被用來表示，好吧，一些人創造了一種東西，然後將其推廣給世界其他地方。在某種程度上，這實際上並不是民主化，特別是在人工智能的背景下，實際上，您構建的人工智能類型以及您進行構建的方式基本上需要根據您所處的環境而有很大不同。

在不同的環境中，您擁有不同數量的數據。在不同的環境中，您擁有不同數量的計算資源，您擁有不同數量的可以集成到系統中的現有知識。因此，如果我們在一小部分實體中開發人工智能，然後將其推廣給世界其他地方，實際上將無法滿足全世界的需求。因此，民主化實際上意味着使更多人能夠為實際開發人工智能的軌跡做出貢獻，而不僅僅是成為另一邊少數人開發的產品的用户。

Akshat Rathi 00:19:28

你能給出一個具體的方式，比如通過ChatGPT或Cloud等這些其他類型的生成式AI產品的發展，它可能會如何發揮作用？

Priya Donti 00:19:38

是的。所以基本上，如果你想一下像GPT這樣的東西，它需要大量的數據來訓練。它需要大量的計算資源來運行，而世界上大多數實體都沒有能力篩選或收集那麼多的數據，也沒有能力支付或獲取運行這些模型所需的計算資源。因此，這些模型是由一小部分人開發的，然後打包併發送到像ChatGPT這樣的界面，許多人可以使用。這對於某些用例可能有所幫助，但也有許多用例並不完全適合這種模式。

想象一下，你正在嘗試訓練自己的天氣預測模型，在這種情況下，你有一些數據，也有一些關於天氣物理學如何運作的知識。如果你以完全數據驅動的方式進行這項工作，確實存在這樣一種情況，即你能夠純粹通過數據來預測天氣。但如果你基本上沒有嵌入物理規則，因此需要完全從頭開始學習這些規則，那麼通常情況下你需要更多的數據和一個更大的模型。這會導致又一種情況，即你又有了一個更大的模型，只有少數人可以使用和訓練。這也可能導致一些情況，即人們會説，“哦，我沒有很多數據，這是我應該做的事情，收集大量的數據。” 因此，他們投資了大量資金，建立數據基礎設施和數據收集。然而，在另一方面——

Akshat Rathi 00:21:12

這是一個真正的限制，因為如果你看一下世界上的氣象站地圖，它與世界上的財富基本上是一對一的映射。美洲和歐洲到處都是氣象站，而非洲卻是空白的。所以，如果你選擇這條路線，答案就是部署更多的氣象站。但這並不是正確的答案。

Priya Donti 00:21:37

是的，我是説，從某種意義上説，解決數據和公平問題顯然是一件好事。在非洲擁有比現在更多的氣象站將是一件好事，但還有其他方法來應對這個問題，其中包括利用你已有的數據和對控制天氣的物理規律的一些瞭解，巧妙地將它們結合在一起，這樣你就不需要太多的數據仍然可以得到好的答案。這實際上指導了你作為一個組織、一個國家如何思考在哪裏投資你的資源。如果你只是假設你投資於收集所需的最大量數據，你實際上，如果你認為AI只意味着最大化數據收集和僅僅在數據上學習，那可能是一種資源錯誤投資。

除了吸收數據併產生見解之外，還有一些情況下，AI和機器學習實際上可以幫助我們更有效地優化一個複雜系統，以提高其效率。例如，如果我們考慮建築物，有很多方法可以更好地控制建築物中的供暖和製冷系統，既可以減少它們實際使用的能量，同時又可以保持類似於建築物中的熱舒適度的東西。同時還要對諸如此時電網上實際可用的可再生能源量等因素做出響應 —— 這就是需求響應的概念。

有趣的是，當你開始思考的不僅僅是單個建築的性能，還有它如何與電網連接起來時。當可再生能源可用時，有時你可能會開始考慮的不僅僅是單個建築層面，而是例如在鄰里層面，你實際上可能希望協同優化不同建築物的運作，共同為整體效率和電網做出最佳貢獻。因此，我們通過氣候變化人工智能資助的項目之一被稱為Citylearn挑戰。他們實際上創建了一個模擬環境，試圖提供一些結構，告訴你，這裏有一堆建築物，它們以某種特定方式連接到一個鄰里電網，這裏有一些關於它們如何消耗能源的數據。他們將這作為一個挑戰提出給機器學習社區，問，你能否想出更好的方法來優化這個鄰里，以提高其能源效率？

Akshat Rathi 00:23:46

是的，這很酷。我覺得人工智能可以幫助的另一件事情是加速這些解決方案的創新，在其他情況下，你可能需要更多的時間、更多的技能，以及更多具備這些技能的人。特別是在發展中國家，你真的希望加快解決方案的速度，人工智能可以讓這些優化技術更快地實現，而不是以往那樣需要更長時間。

Priya Donti 00:24:13

是的，所以在我們通過氣候變化人工智能資助和促進的項目中，它們正在世界各地進行。例如，我們資助的一個項目是一個研究團隊與斐濟政府合作，實際上更好地繪製出斐濟發生洪水時的損害情況，以促進斐濟的災難應對工作。其想法是，當你試圖弄清楚，在洪水中發生了什麼，誰受到了影響時，要系統地和全面地收集地面數據是非常困難的。因此，我們資助的一個團隊實際上是與斐濟政府一起開發算法，從衞星圖像中繪製出關於洪水後影響的有針對性信息，並能夠根據衞星圖像不斷更新這些地圖，以幫助災難應對工作。這只是一個例子，但這樣的工作正在世界各地進行。

Akshat Rathi 00:25:14

所以回到對話開始的地方，你説過同樣的工具也可以用來增加排放。你可以優化如何以更便宜的方式提取石油和天然氣，或者去之前未發現或無法到達的地方。這是最大的擔憂嗎？這是AI最大的缺點嗎，甚至比資源使用還要重要嗎？

Priya Donti 00:25:43

是的，對我來説，我認為我們顯然需要考慮資源使用和應用，但應用對我來説非常令人擔憂。因為我認為一些應用產生了不成比例的負面影響，同時也沒有集中在我們如何實際將AI的使用與氣候行動相一致的對話中。石油和天然氣就是一個例子，但還有其他一些事情，比如，AI驅動定向廣告和消費增加，這些方式並不總是讓我們更快樂，但卻增加了我們的資源使用。AI在很多方面也驅動着我們在線上實際消費的信息。這與氣候信息或錯誤信息的傳播有很多聯繫，這種傳播方式可能有害或有益，取決於我們如何塑造AI誘導信息傳播的趨勢。

還有一些像用於自動駕駛車輛的AI，我們通常不在氣候背景下討論，但我們所做的選擇正在影響交通部門，這可能對氣候有利或不利。如果你在促進私人化石燃料交通，那麼你可能會增加能源使用和排放。而如果你使用自動駕駛車輛來促進公共多式聯運，你可能會降低該部門的排放。所以我認為應用確實可能產生不成比例的影響，不將它們排除在對話之外非常重要。

Akshat Rathi 00:27:10

我的接觸人工智能實際上可以追溯到十年前，當時我在牛津大學攻讀研究生學位，那時並不是模型或應用，而是倫理問題。當時有很多關於如何使用人工智能的倫理問題的討論。您認為我們在倫理方面做了實質性的工作，以確保應用對人類有益嗎？還是我們只是在競相開發新的人工智能產品，有點忘記了這裏存在巨大的倫理影響？

Priya Donti 00:27:42

倫理是對話中非常重要的一部分，我認為在這方面已經做了很多出色的工作，但還有很多工作需要做。您可以看到像聯合國教科文組織的人工智能倫理建議這樣的東西，實際上被廣泛採納，並且在思考諸如偏見、公平、隱私、透明度、環境影響等方面非常全面。

因此，我認為在這方面已經有一些非常出色的思考，但還有很多工作需要做來使其具體化，並激勵人們真正以符合倫理的方式工作，而不是把倫理拋在腦後，只是一味地前進。因此，當我們談論人工智能倫理時，我們歷來一直在談論公平、公正、透明度、隱私等問題。

Akshat Rathi 00:28:32

或友好的人工智能，我們不應該創造出一些會想要試圖摧毀人類的東西。

普里婭·東蒂 00:28:39

這種想法最近真的成為了談話中的一部分。這種想法，你知道，人工智能的存在風險，人工智能的存在威脅等等。我會説這並不是談話中一個不重要的部分，對吧？我們真的應該考慮人工智能可能帶來的全方位風險，並着手解決這些問題，但這可能已經成為了談話中一個過於突出的部分。我們應該全面考慮人工智能倫理，並確保我們不讓人工智能倫理的某個特定子部分主導談話，而忽視了對其他人工智能倫理的深思熟慮。

實際上，我們迫切需要普及人工智能方面的知識和專業技能，以便更多的人能夠以一種受到對這項技術的優勢、侷限性和風險知識指導的方式參與其中。因此，我認為真正讓更多人蔘與，通過具備這種素養和專業技能，是我們目前需要實現的重要目標。

阿克沙特·拉蒂 00:29:41

我非常喜歡這次談話，謝謝。

普里婭·東蒂 00:29:43

非常感謝。

阿克沙特·拉蒂 00:29:52

感謝您收聽 Zero。如果您喜歡這一集，請花點時間在 Apple Podcasts 和 Spotify 上對節目進行評分或評論。與朋友或害怕我們的機器人主宰的人分享這一集。您可以通過 [email protected] 聯繫我們。Zero 的製片人是米蒂莉·拉奧。

我們的主題音樂由Wonderly創作。特別感謝Kira Bindrim和Alicia Clanton。我是Akshat Rathi。馬上回來。