# 邁克爾·喬丹：機器學習、推薦系統與 AI 的未來 > 機器學習學者談統計學習與推薦系統的原理、AI 應用落地，以及學科發展的方向。 - 原標題：#74 – Michael I. Jordan: Machine Learning, Recommender Systems, and the Future of AI - 期數：第 74 期 - 釋出日期：2020-02-24 - 嘉賓 / 主題：邁克爾·喬丹 - 網頁版：https://lex.qiaomu.ai/tw/ep/michael-i-jordan/ - 官方頁面：https://lexfridman.com/michael-i-jordan/ - 精讀字數：約 8879 字（閱讀約 20 分鐘） > 本文為 lex.qiaomu.ai 基於原始訪談的 AI 改寫中文精讀，非官方翻譯；引用請註明出處並連結網頁版。 Michael I. Jordan 是伯克利的教授，論文被引用超過十七萬次，帶出來的學生裡有吳恩達（Andrew Ng）、Zoubin Ghahramani、Ben Taskar 這些人。Yann LeCun 給他起了個外號，叫"機器學習界的邁爾斯·戴維斯"，意思是這個人每隔幾年就換一次方向，換完之後老讀者也會摸不著頭腦。 在這期不到兩小時的對話裡，Jordan 把兩件事說得毫不含糊。我們今天叫 AI 的東西，跟麥卡錫（John McCarthy）當年想造的那個東西，基本沒什麼關係。真正的難點也不在模型能不能更準，而在於千千萬萬個決策怎麼在真實世界裡被安全地做出來。 ## "人工智慧"這個詞，從取名那天起就選錯了 Jordan 給了他自己的一套歷史分期。他說，現在正在發生的事，跟當年化學工程從化學裡長出來、電氣工程從電磁學裡長出來，是同一個過程。 三四十年代，化學、流體力學、力學都已經很成熟了，但世界上還沒有"化學工程"這門學科。有人想建工廠，把化學品穩定、安全、有利潤地大規模生產出來。有的工廠跑通了，有的爆炸了，有的根本不賺錢。與此同時，一門叫做化學工程的學問長了出來。它有自己的理論，也有自己的實踐，它不是"工程"這兩個字隨便貼上去的那種工程。 電氣工程也一樣。麥克斯韋方程在某種意義上已經把電磁學講完了，但你還需要有人去搞清楚怎麼造電路、怎麼造模組、怎麼把電從一處安全地送到另一處。 Jordan 認為機器學習就站在這個位置上：把上一代的統計學和電腦科學當作原材料，去搭真正給人創造價值的系統。這些系統要用人的資料，還要把人的決策攪進去。而目前這一層的工程實踐，基本全是臨時的、拼湊的。 > "如果你硬要把機器學習稱作一門學科，那它就是一門基於統計和計算思想的工程學的雛形。"（Michael I. Jordan） 至於麥卡錫當年為什麼發明"人工智慧"這個詞，Jordan 的說法很直接：控制論（cybernetics）已經存在了，維納（Norbert Wiener）把控制理論、訊號處理、閉環反饋、資料這些東西全都裝了進去，而且裝得相當完整。麥卡錫需要一個新詞來表明"我不屬於你們那攤事"，於是就造了一個。 如果是在為好萊塢電影起名，這是個絕妙的選擇。如果是要建立一門嚴肅的學術學科，這是個災難性的選擇。因為它承諾了一件我們做不到的事：我們懂智慧。 > "我們理解'人工'，但我們不理解'智慧'。"（Michael I. Jordan） ## 我們連一個突觸都還沒搞明白 Jordan 在這個話題上說得比大多數人都狠。他強調自己不是唯一持這種看法的人，但他願意說得重一些，因為很多年輕人以為我們正站在突破的門檻上。 他舉的例子是突觸。去看一張單個突觸的電子顯微圖，那不是一根線，那是一座城市。裡面有離子、有蛋白質、有電化學的波、有電壓尖峰在跑來跑去，蛋白質還在把這些訊號一路帶到 DNA 那邊去。而這一切，只是樹突上一個小小的節點。 我們關於大腦的所有說法，用他的話說，都是隱喻。大腦像經濟系統，像免疫系統，像一堆算術運算。這些隱喻很好玩，但它們不是科學。拿衛星去拍一座城市的排放，然後試圖推斷這座城市的微觀經濟，而你連宏觀經濟學的基本概念都還沒建立起來，大概就是現在這個狀態。 所以他對 Neuralink 這類腦機介面的態度可以概括成兩句話。讀出幾個訊號來控制游標，能，而且可能做出醫療應用和生意。從那裡走到真正理解大腦的計算方式，這件事不屬於我們這代人，也不屬於這個世紀。 > "我不同意馬斯克，這甚至不是我們這個世紀的課題。"（Michael I. Jordan） 他還點了一個不太好聽的現象：有些做計算神經科學的人為了實驗室經費，會把進展吹得比實際大。這種事發生得太多了。 ## 演示不是科學，Google 和 Amazon 才是真正的突破 主持人問他，會不會有什麼突破能讓他在五到十年後回頭驚歎一聲。 Jordan 說一定會有，但那些東西不會是打動他的演示。他對 Google Duplex 那種"電腦打電話到餐廳訂位、假裝是人"的做法評價很低。他不否認背後的工程很硬，也不否認它最終可能對人有價值，但那不是科學理解，甚至帶著一點公關表演的成分。 他也不喜歡"理論突破"這個提法，不願意把理論上的突破看得比實踐上的突破更高。他不願意去指認這個時代的牛頓，更願意去指認這個時代的愛迪生。 那什麼是真正的突破？他的答案是 Google 和 Amazon。這些公司以前所未有的方式，在行星尺度上，基於資料流為人創造價值。它們也是新的組織形式。 它們的毛病在於，世界上還沒有一門工程學科，能把經濟價值、資料、隱私、外部性放在同一個框架裡考慮。我們沒把這些事想透。但 Jordan 相信這門學科正在長出來。一百年後回頭看，這個時代最像突破的東西，就是它。 ## 預測不等於決策 Jordan 和 LeCun 是多年朋友，兩人都會法語，做研究的路子也很像，都是"先做出來再說"的風格。所以他不認為兩個人有什麼根本分歧，分歧只在側重點。 LeCun 強調的是模式識別和預測。Jordan 認為這條路的價值巨大，但上限太低。 原因很少人願意正視：我們永遠不會有足夠的資料。他沒法預測主持人下一句會問什麼，這輩子都不可能。更麻煩的是，人每天都會撞上大量自己完全沒有預期的情境，那些情境是全新的。 在這種情境裡，你要做的是想清楚自己到底想要什麼、這條路封了要走哪條、這一步比那一步貴多少、風險有多大、周圍人的決策會怎麼變。而目前大多數預測系統根本不做風險評估，它們不給你誤差棒。 > "假如判斷我會不會心臟病發作，靠的是某個神經網路輸出的數字超過了 0.7，我不會信這個結果。我要的是一堆 what if，是做反事實的推演，是跟醫生談那些我們一開始沒想到、所以根本沒去採的資料。"（Michael I. Jordan） 所以他的公式是：預測加決策，兩者同樣重要。預測只回答"會發生什麼"，決策才回答"該做什麼"。真實世界裡下注的是後者，人的生命和風險都在後者那裡。 他提到一個有意思的觀察：去 Amazon 看看，一半人在做模式識別，另一半人在做決策。學術界的話語權在預測那邊，產業界的實際人力和決策那邊一樣多。 ## 一個不存在的音樂市場 這是整期對話裡最有畫面感的一段。 Jordan 說，今天這個世界上，嚴格來說並不存在音樂市場。存在的是唱片公司。它們挑出少數幾個音樂人，把他們變成巨星，大家一起賺大錢。但還有一條極長的尾巴：大量做出非常好音樂的人，被聽到的次數比那些明星還多，可他們不構成市場，他們沒法靠這個吃飯，只能在週末用膝上型電腦做歌，上傳到 SoundCloud，平時另有一份工作。 你走在大城市裡看，滿街都是戴耳機的年輕人，他們聽的絕大多數都不是老歌。而做出那些歌的人，可能是某個十六歲的孩子，這輩子都不會因此賺到一分錢。 真正的市場應該長什麼樣？如果一個人做的音樂真的有人願意聽，他就應該拿到資料。一個儀表盤，一張地圖，告訴他上週他的歌在哪些地方被播了多少次，而且這個資料要透明、可驗證。 於是鏈條就轉起來了：普羅維登斯有人發現你的歌在那裡被聽了一萬次，他們會請你來演出，會通知那一萬名聽眾你要來。你去一趟賺兩萬美元，一年去三趟，職業生涯就起來了。 > "這件事裡，AI 在創造工作，沒有在消滅工作。市場一旦被造出來，生產者和消費者就接上了。"（Michael I. Jordan） 再往後，收入漲到十萬美金一年這個量級，音樂真正的價值才浮出來：那是人和人之間的連線。粉絲想穿印著偶像簽名的 T 恤，那就在播放頁放一個按鈕，點一下第二天到貨。不需要廣告，買 T 恤的人開心，做音樂的人拿到錢，中間的平臺抽 5% 就能活得很健康。 Jordan 說得很清楚，這看起來很輕，做起來不輕。會有人濫用資料，會有壞人，會有一部分價值送不到，就像當年做 Uber 會遇到的那些麻煩。要做的是行星規模的雙向市場，從來沒人在這個尺度上做過，需要新的原則。 他自己就在一家叫 United Masters 的公司當董事，思路從一開始就是這樣設計的，現在有十萬多藝術家簽在平臺上，NBA 集錦的背景音樂用的就是他們的曲子。一個在家裡做歌的人，某天發現自己的歌出現在 NBA 的網站上。這是實實在在的經濟價值。 ## 廣告的問題不在演算法，在商業模型 Jordan 把 Google 和 Facebook 的商業模式追溯到電視時代的老劇本：沒有人願意為訊號付錢，那就賣廣告。 他說，假新聞其實只是騎在這套模式最上層的一個症狀。因為你的收入來自點選率，你就會不斷最佳化點選率。你想用聰明的 AI 演算法去分辨哪些是壞點選，這件事他覺得很絕望。真正該動的是商業模型本身。 但訪談裡有一段很關鍵的反轉：Jordan 主動為廣告辯護。 設想一個 MIT 出來的年輕人做了一臺極好的吸塵器。推薦系統不會發現它，演算法找不到它。那怎麼讓這臺吸塵器出現在人面前？廣告。廣告的本質是一個訊號：這個人對自己的產品有足夠的信心，願意為它付出真金白銀。作為消費者，看到一個人真的花了錢，你可能會多看一眼。 問題在於這個訊號已經失效了。今天的廣告便宜到以美分計，規模大到淹沒一切。當訊號消失，廣告能提供的就只剩下打擾。 > "社會不會長期忍受自己煩的東西。廣告現在煩人的程度，已經超過它提供資訊的程度。"（Michael I. Jordan） 他的預期是行業會慢慢把廣告降下來，同時把生產者到消費者的真實交易升上去。5% 的抽成會一點點長大，最後蓋過丟掉的那部分廣告收入。 至於 Facebook，他的批評比 Google 更重。Google 至少在某處懸在中間，而 Facebook 從始至終沒有認真想過要不要在自己和使用者之間建立真實的交易關係，也沒有想過人和人之間能不能有一條經濟紐帶。他說自己不信任 Facebook，理由很個人：他不覺得那家公司關心他。他不需要一家公司當大哥來關心自己，那本來也不是公司的角色。 ## 隱私沒有一個開關可以關掉 談到隱私，Jordan 拒絕把它簡化成"哪些資料能用、哪些不能用"。 他講了一個幾百年前的對照。那時候大多數人住在村莊裡，村裡所有人知道你的所有事，你幾乎沒有隱私。但那不是純粹的壞事，因為知道你的所有事，也就意味著有人知道你在出事，會來幫你。今天你住在大城市，沒有人知道，也沒有人幫你。 所以答案取決於你處在哪一端。他要的是代理權：我自己來決定，誰知道我的什麼，為什麼知道，能用來做什麼，而且這套決定要能被審計。 他給的類比是電。插頭插進牆裡就能用，這不是自然而然的事。背後有 Underwriters Laboratories 這樣的認證機構，有持證的安裝工，有檢查安裝工的人，有一層又一層像洋蔥一樣疊起來的結構。隱私就是這一代的"電"，它需要幾十年才能把這些結構搭起來，而現在這些結構還不存在。 > "隱私這件事，光靠法律學者和技術專家坐在一起談是不夠的，它需要很多現在還看不到的中間層。"（Michael I. Jordan） ## 好的推薦系統不該猜你，它該給你造一個場 Jordan 說，他最喜歡的推薦系統還是 Amazon 的圖書推薦。他早年不喜歡 Amazon，因為實體書店因此倒閉了。後來他買了第一本書，系統給他推了幾本他根本想不到的書，他全買了。到今天他還在用那個服務閒逛。 他喜歡那個系統的原因是：他在間接地向同類學習，演算法只是把資料裡本來就有的東西翻出來，沒有強加給他什麼。 反例是瀏覽歷史。訪談當天早上他有點困，點了一條關於英國女王的新聞，純粹是標題黨。他一點都不關心英國女王。而這條記錄進了他的瀏覽歷史，任何還算合理的系統都會以為他對這個話題感興趣。 從個人推到一個更大的問題：把所有人的數字尾氣收集起來，能不能把五億人都摸清楚？他的判斷是不能。人太豐富、太複雜了。有些會深深吸引你的東西，你過去的生活裡一點痕跡都沒有。你走在街上聽到一段智利音樂，才發現自己原來喜歡智利音樂。 > "不要用你的 AI 來猜我，然後把我放進一個已經被你猜透的世界裡。給人造一些場，人的創造力和風格會在裡面被激發出來。"（Michael I. Jordan） 順著這個邏輯，主持人問他，有沒有一種可能，讓推薦系統變成會跟你對話的助手，而不是躲在陰影裡偷看你每一步的那個人。 他說可以，但方向要對。他舉了 Alexa 的例子：如果他跟 Alexa 說"我花園裡的水還開著"，而 Alexa 能推理出這件事應該在他太太回家時告訴她，那一點點的推理就能把日子弄順一點。這不是什麼驚歎時刻，但整體上抬高了人的幸福。 但有條線不能越：他不希望那個系統知道他孤獨。 ## 梯度、鞍點與隨機性 談到最佳化，Jordan 先講了深度學習的那張損失曲面。曲面相當光滑，引數又多得離譜，所以有很多條路通到一個還不錯的解。從最佳化角度看，下山這件事比人們預想的容易。真正需要解釋的是另一半：為什麼有些解明顯比另一些好，而你常常能找到好的那些。 他也提醒，這些曲面屬於這一代神經網路。十年後大機率不是同一批曲面。層疊的算術運算加上一點非線性，這個東西並沒有從神經科學裡長出來，它在電腦科學和控制論裡都出現過。 關於梯度本身，他給了一個幾乎所有人第一反應都會答錯的例子。假設你在 X 軸上走一步能上升 3 個單位，在 Y 軸上走一步能上升 7 個單位，而你只允許走一個單位的總距離。直覺會告訴你把所有步長都壓在 Y 軸上，回報最大。這個推理是錯的。梯度方向裡要留一部分給 X 軸，想明白這件事需要一點數學。 為什麼隨機性有用？因為曲面上總有一些討厭的地方，比如絕對值函式那個不可導的尖點，如果你沿著確定方向一路衝過去，正好撞上就是災難。加了隨機性，撞上的機率變得很小。在高維空間裡，隨機梯度的這種性質非常有吸引力。 他提到的另一個深結果是內斯特羅夫加速（Nesterov acceleration）。設定是這樣的：只允許你用梯度，而且只允許你沿這些梯度的線性組合方向移動，不能亂走。在這個複雜度模型下，光滑凸函式的理論下界是 1 除以步數的平方，而普通梯度下降只有 1 除以步數，差得很遠。 內斯特羅夫找到了一個演算法能達到那個下界。它同時用兩個梯度，以某種不太直觀的方式組合起來，而且這個演算法有時候還會往上坡走。用動量來類比能抓住一點直覺，但直覺不足以解釋它為什麼成立。Jordan 說這個結果至今還有不少人在寫論文試圖搞懂它。 他還區分了最佳化和取樣。最佳化是找一個最優點，取樣是把同一個曲面看作一個分佈，去找高密度區域。要把兩者統一，得上升到機率測度那樣的抽象層級，但抽象過頭，你就再也證不出好玩的定理了。 多智慧體的世界裡，遊戲論的部分就冒出來了。納什均衡在數學上是一種特殊的鞍點，所以演算法博弈論裡那些"求納什均衡"的工作，字面上就是在找鞍點。但任何經濟學家都知道納什均衡的解釋力有限。還有斯塔克爾伯格均衡（Stackelberg equilibrium），你先動，我看著你的動作再動，而你預判了我的反應，於是又反推回來。這些博弈的拓撲形狀是什麼樣的，動態上怎麼靠近、怎麼遠離，有些問題有答案，更多的問題還沒有。尤其是當系統變成隨機的、去中心化的、大規模的時候，全都是開放問題。 ## 統計學是給國家做資料研究 主持人問了一個很基礎的問題：統計是什麼。 Jordan 說，它卡在數學、科學和技術之間。它是一組原則，幫你做出有理由被相信的推斷，也幫你在做決策時有理由相信自己不會犯錯。而"錯誤"是什麼意思、"機率"是什麼意思，都得先立假設。 這個學科最早的名字叫"逆機率"。那個年代機率論主要是為了解釋賭局：給定輪盤有某種機制，長期看會出現什麼樣的結果。有人把它反過來問：我看到了這些結果，能推出背後的機制是什麼嗎？這是逆問題。 而"統計學"這個詞裡有"國家"。拉普拉斯（Laplace）在拿破崙政府裡做事，需要給法國做人口普查，需要收集資料、分析資料，然後據此制定政策。這門學問從此就叫統計學了。 > "統計學就是為國家研究資料。"（Michael I. Jordan） 到三四十年代，這門學科真正被形式化的時候，旁邊同時長出了博弈論和決策論。馮·諾依曼在做博弈論，也在想決策論；沃爾德和計量經濟學家們把決策論做出來，再把它變成統計學。到今天，大多數高階統計課程還是從決策論講起，然後才分成貝葉斯和頻率派兩支。 用一個損失函式來理解這個分裂：它是資料 X 和引數 θ 的函式，而這兩個東西你事先都不知道。頻率派的做法是對 X 取期望，把 θ 固定住，得到的量叫風險，它回答的是"這個程式在各種你沒想過的資料集上跑，有多大比例是對的"。你把一個軟體包發出去給全世界用，你要的正是這種保證。貝葉斯派的做法是對 θ 取平均，只看手上這一份資料，然後說關於這份資料我能說什麼。 他把這兩者比作量子力學裡的波粒二象性。它們有時在實踐中變得一樣，有時給出完全不同的答案，而你得習慣它們同時存在。 中間地帶叫經驗貝葉斯。從貝葉斯框架出發，寫下數學，然後發現有些量在真實世界裡你不知道，那就找一個能在世界中被觀察到的自然估計填進去，再用數學論證這個做法差不多是靠譜的。 他舉了兩個他特別喜歡的例子。一個是 James-Stein 估計，芝加哥大學的 Stephen Stigler 為它寫過一篇很漂亮的論文，說這個結果幾乎是在挫敗心智理解它的努力。另一個是錯誤發現率（FDR）。 FDR 處理的是多重檢驗的情形：你手裡有一大袋子假設檢驗，幾十個、幾百個一起做。做完之後，你宣佈了一批"發現"，你希望這些發現裡假的比例很小。注意，這跟準確率、召回率、敏感度、特異度是不同的量。後面這些幾乎都是頻率派口味的，它們的邏輯是從真相走向資料：假設零假設為真，我會得到什麼。而 FDR 問的是反方向的問題：既然你已經做出了這個發現，那麼假設為真的機率是多少。這需要先驗，是貝葉斯的方向。 這條線索從 Robbins 在 1960 年代的工作開始，Brad Efron 寫了很多漂亮的東西，Benjamini 和 Hochberg 在以色列提出了 FDR，John Storey 給出了它的貝葉斯解釋。Jordan 說他這些年一直在吸收這些東西，覺得這是一條非常健康的思考路徑。 ## 市場本身就是一種智慧 回到他寫的那篇《人工智慧革命尚未發生》。Jordan 說，如果你把視野拉開，看看任何一種智慧系統，那就不只是人和動物。每天把食物運進城市、送到餐館的那個市場，就是一個系統。它由千千萬萬個去中心化的決策組成。從足夠遠的地方看，它和一堆神經元沒有太大區別，每個神經元都在做自己那點小決定，誰也不知道整體的目標是什麼。 而這個系統是穩健的，從村莊到超級城市都能跑；是自適應的，風調雨順和天災人禍都能撐；是自愈的，不用人一直調它；而且它已經跑了幾千年。 所以他的推論是：如果你花幾千年研究人，成為世界上最好的心理學家，寫出人類智慧的完整理論，你可能永遠也發現不了市場的原理。供需曲線、匹配、拍賣，那是真實存在的原則，它通向一種智慧，但那不是人類智慧。也許還有第三、第四種智慧，我們連想都還沒認真想過。 > "如果你想要通用智慧，那它一定不只是人類智慧，它必須是這個更寬泛的東西。"（Michael I. Jordan） 注意，我們人類並沒有進化成市場，我們只是參與其中。這個區別很重要。 ## 給本科生的話 主持人問他，對今天在讀書的年輕人有什麼建議。 Jordan 先說，門是開著的。然後他強調"旅程"這個詞。這個領域不靠天生聰明和靈光一閃。它是學徒制：你在一件很難的事情上花很多時間，同時不斷往後退，儘量看得更清楚，跟很多人聊天，就像進入任何一個創作社群。 他拿做音樂和做藝術作比。沒有人第一天就是天才，然後直接開始創作。你先在基本功上練得非常非常狠，同時對自己的水平保持誠實。你不可能成為所有領域的專家，所以你得挑。運氣會決定你走哪一根樹枝，但你總會走上一根。 他認為研究生院依然是這個世界上最好的東西之一。四五年時間，從幾乎零開始，長到有專長，然後你自己的創造力開始開花，有時候連你自己都會驚訝。這是一件高度合作的事。很多人把它想象成殘酷競爭，實際情況相反。人們互相教東西，也樂於承認自己不懂。他自己就經常在一個桌子上暴露自己的無知，讓別人來教他。 因為合作，這個領域天然是國際化的。當前這種民族主義的情緒，跟這個領域裡絕大多數人的實際做事方式是衝突的。他們做的是人類共同的事業。 訪談最後聊到了語言。他在堪薩斯長大，那地方沒什麼事可做，家裡書架上有幾本法語書，他無聊之下翻開了，讀著讀著就會了。第一次聽到有人說法語的時候，他一句也聽不懂，卻有一種前世學過的錯覺。後來他跑了很多地方，在法國的火車上跟坐在旁邊的老人聊天，那些人有完整的一生可以講。 義大利語是在 MIT 學的，因為周圍有一堆義大利教授，他半懂不懂地聽，索性學了。他娶了一位義大利人，家裡說義大利語。他覺得義大利語其實比法語和英語都美。 他的建議是：數學要學，數學對每個人都有用，但也要讀詩、讀歷史、學語言，一輩子都做一點。你要成為一個會思考的人。 至於他自己真正想做但沒做的方向，是自然語言。深度的語言理解，在他看來是 AI 最核心的科學挑戰，而人類離它非常遠。他年輕時在這個方向上起步太晚，就沒走。他說自己學外語，也算是給那塊大腦做了點訓練。 ## 如果只帶走幾件事 - 把你的工作切成兩塊：一塊做預測，一塊做決策。預測回答"會發生什麼"，決策回答"該做什麼、風險多大、錯了怎麼辦、還缺哪些資料"。後者的難度和前者一樣大，只做前者會讓你在真實世界裡寸步難行。 - 給任何資料產品留一個可審計的場。使用者應該能看見關於自己的資料是什麼、為什麼被收集、被用來做了什麼，並且能改主意。這一點做不到，其他最佳化都是浪費。 - 做推薦的時候，別把瀏覽歷史當成人格。一次睏倦時的點選和一次深思熟慮的選擇是兩種東西，把它們混在一起，你就只能推出一堆你自己都不相信的結果。 - 先想清楚收入從哪裡來。如果錢來自點選率，你的演算法遲早會為點選率服務，再多聰明的 AI 也拉不回來。這個決定最好在產品成形之前做。 - 試著建市場，別隻建管道。生產者和消費者直接發生交易，平臺從真實價值裡抽 5%，比把所有人的注意力打包賣給廣告主更能活到下一個十年。音樂行業是個可以立刻動手的實驗場。 - 用學徒的心態進入這個領域。花四五年，不花四五個月。學數學，也學一門語言、讀點詩和歷史。你不需要成為所有領域的專家，但你需要成為一個能跟別的領域對話的人。