人工智能應該用于培養下一代工業勞動力，而不是取而代之
Kriti Sharma
2026-01-26
IFS Nexus Black首席執行官克里蒂·夏爾馬。圖片來源：courtesy of IFX Nexus Black
一場無聲的危機，正在動搖現代社會的根基。
支撐全球經濟運轉的工業工人隊伍，正在面臨瓦解風險。負責保障電網穩定運行、工廠持續運轉、公用事業可靠供給以及供應鏈不間斷流動的那群人，正在加速退休。從表面看，這似乎只是自然循環，大規模退休會釋放至少380萬個工作崗位。但其背后隱藏著一個令人深感不安的現實：那些難以言傳的隱性知識，以及通過數十年一線實踐打磨出來的實操技能，正在面臨隨他們一同流失的風險。
盡管從人工智能、機器人到計算機視覺等技術，正在重塑工業運營方式，但從社會層面看，我們正在危險地接近失去某些能力，例如憑借聲音判斷電機故障，讀懂模擬工程圖紙，或理解一臺已經有60年歷史、誕生于迪斯科時代之前的老舊設備的獨特脾性。
這類專業經驗往往不會被集中記錄，但卻始終極具價值，尤其是在發生機械故障或系統級中斷時。與此同時，生成式人工智能又讓信息看起來觸手可及。
這種矛盾是真實存在的，而且影響深遠。從重工業、公用事業到供應鏈，擺在各行各業初級工業從業者面前的問題是：如果軟件幾秒鐘就能夠給出答案，為什么還需要花上數年時間，通過親手實踐——有時甚至經歷失敗——來學習？
在工業運營領域，答案其實非常簡單。我們承受不起失去來之不易的知識，更不能培養一支只會使用人工智能、卻不了解其所支撐系統全貌的勞動力隊伍。
投資人工智能的真正機遇，在于保存維系電力供應、工廠運轉和社會運作所必需的知識，并將其規模化應用。要取得成功，就必須緊跟生成式人工智能技術的發展，同時適應不斷出現的宏觀因素與全球挑戰。這將為“人工智能與人類協同工作”（反之亦然）打開更廣闊的空間，從而為未來數十年支撐全球經濟的關鍵產業注入韌性。
人工智能的更高階定位：并非“自動駕駛”模式
工業運轉依賴的是設備可靠運行，以及管理層持續、果斷地做出正確決策。但現實遠沒有這么簡單。
在整個工業體系中，一個普遍現象是：少數經驗豐富的員工，掌握著極其龐大的關鍵知識。他們知道哪一種振動或金屬撞擊聲預示著故障風險，哪種權宜之計可以在物料短缺時維持生產，以及哪一張圖紙準確反映了現場最新安裝的硬件狀態。
與此同時，許多企業在運營中，仍然依賴零散的小圈子經驗、電子表格，以及需要人工整合的碎片化數據庫。當某個系統宕機或某位專家退休（甚至只是請病假）時，企業幾乎無法回答一些看似簡單的問題，例如我們有哪些零部件？哪些資產最關鍵？資金究竟浪費在了哪里？
這并非只是小企業或家庭作坊的問題。制造業巨頭、汽車整車廠（OEM）、車隊管理公司、公用事業單位以及國防承包商，都高度依賴專業知識，也是最適合引入人工智能支持的組織類型。每家企業情況不同，但它們都面臨一個人工智能可以幫助解決的核心難題：數據無處不在，卻高度碎片化或相互孤立；整理這些數據，往往需要“打通”每一個系統和文件庫，把相關信息匯聚到一起。若人類通過專門團隊整合和梳理這些數據，可能需要數周甚至數月，而當下的人工智能只需要幾分鐘或幾小時就能夠完成對海量數據的整理。
用“決策智能”取代艱難抉擇
另一個關鍵驅動因素在于：工業工作本身充滿取舍。工廠經理、技術人員、一線維修工和工程師，幾乎每天都在面對兩難選擇：是維修還是更換？是立即行動還是再等等？是削減成本還是降低風險？是最大化設備開機時間，還是滿足可持續發展目標？這些決策牽涉數以百萬計的資產，且必須在監管審查之下、常常在信息并不完整的情況下做出。人工智能的作用，是幫助人們做出更好的判斷，而不是把系統調到“自動駕駛”模式，然后便置身事外。
人工智能擅長整合來自不同來源的信號，并以人類能夠迅速理解的方式進行解讀，比如維修記錄、傳感器數據、需求預測、市場環境以及環境風險等。如果運用得當，人工智能可以幫助團隊進行規劃、預測和優先級排序，為人類判斷提供支撐。在現有技術條件下，人類和機器都不應該單打獨斗。
這種輔助決策的能力，其意義早已超越了便利性或成本效率。面對電氣化浪潮、數據中心擴張和全面自動化，電網、公用事業公司和制造企業正在面臨前所未有的需求，因此人工智能的這種輔助能力成為一種強大的工業資產。人工智能可以更早地發現問題，為投資決策提供依據，并在安全可控的前提下延長老舊設備的使用壽命。這并不是為了自動化而自動化，而是為了確保關鍵系統的可靠性。
人工智能讓技術崗位的勞動力更趨均衡
年輕工人（18歲至35歲）常常被批評過度依賴技術，或者在系統故障或設備需要維護時，被默認“理應”依靠技術解決問題。但現實是，他們真正想要的，是能夠幫助自己安全、高效地完成有意義工作的工具。
年輕人也是最早充分意識到人工智能發展速度之快的一代。如今可用的技術，已經足以精準復現資深從業者的經驗，大幅縮短學習曲線，并通過從實際工作場景中收集的近乎即時、經過驗證且情境豐富的數據，彌合人才缺口。
這一點為什么重要？因為人工智能可以在不削弱崗位所需核心技能的前提下，直接打破工業崗位的入門壁壘。年輕專業人士可以利用人工智能的能力，顯著減少在信息搜尋或應付碎片化系統上浪費的時間。事實上，人工智能反而讓這些工作變得更具技術含量，也更有成就感，而這兩點正是吸引年輕勞動力的關鍵。
從現場服務經理、暖通空調（HVAC）技師到工廠一線輪班工人，工業崗位維系著世界的正常運轉，卻常常被誤解為與技術無關或是“低技能”崗位。現實恰恰相反，這些崗位需要深厚的專業知識和多元化的技能組合。在整個工業經濟體系中，人工智能有望將技能培訓效率提升十倍，為新一代專業工業人才打開大門。關鍵在于，這一過程不會犧牲質量，更不會讓整個系統崩塌。
我們看到社區學院的職業教育項目報名人數有所上升，2025年較上一年增長了16%。這表明，Z世代心態開放，愿意選擇藍領工作而非傳統的辦公室崗位。這同樣說明，人工智能不僅在發揮“均衡器”的作用，更在主動重塑和培養下一代藍領勞動力。
將人工智能視為勞動力資產，否則將失去一切
盡管工業級人工智能才剛剛進入主流討論視野（例如，僅2025年，數據中心合同規模就高達610億美元，同時圍繞在實體世界中全面部署人工智能而展開的GPU爭奪戰也愈演愈烈），但行動窗口期其實已經在迅速收窄。我估計，我們只剩下一年到兩年的時間，去把數十年積累的工業知識，納入人工智能應用以及由人工智能作為后端支撐的前沿技術平臺中；否則，我們將失去這些知識，一切都將不復存在。
工業經濟運行要立足于現實世界，全球無數社區依賴它提供就業、電力以及更多基礎保障。面對前所未有的需求，人工智能的開發者必須推出真正實用的工具。這些工具既要尊重人類的經驗，又能支持更優決策，并讓復雜系統更容易理解——無論使用者是入職四周的新手，還是擁有40年經驗的老員工。工業運營本身高度技術化、細致且復雜，單靠人工智能無法實現規模化運營。系統需要豐富的行業語境，也需要來自人類的合理提示，才能產出真正解決問題、并經得起時間考驗的結果。
人工智能可以、也應該在工業運營中扮演權威但“輔助型”的角色，能夠應用于不同行業和具體場景。
但工業界采用的創新，必須可以保留細微差別、對預測性維護的直覺以及只有多年一線實踐才能形成的、針對具體事件的經驗。唯有如此，才能為全球運營體系增加韌性。要在數小時或數天內完成這些工作，而不是拖到數月之后，我們既需要人工智能，也離不開人類的力量。我對未來保持樂觀：人工智能不會掏空工業勞動力。事實上，大規模引入人工智能來支持更年輕一代勞動力，或許正是維持其發展的唯一途徑。（財富中文網）
本文作者克里蒂·夏爾馬現任IFS Nexus Black公司的首席執行官，該公司在制造業、現場服務、能源、航空航天和國防等行業部署人工智能驅動的產品。她曾經擔任湯森路透（Thomson Reuters）法律科技部門的首席產品官，還曾經在賽捷集團（Sage Group）和捷孚凱（GfK）擔任過人工智能相關高級職位。她的工作曾經獲得英國首相頒發的“光亮之點”獎（Points of Light），并得到聯合國認可；憑借在推動倫理、包容性人工智能方面的貢獻，她被聯合國評為“青年領袖”。
Fortune.com上發表的評論文章中表達的觀點，僅代表作者本人的觀點，不代表《財富》雜志的觀點和立場。
譯者：劉進龍
一場無聲的危機，正在動搖現代社會的根基。
支撐全球經濟運轉的工業工人隊伍，正在面臨瓦解風險。負責保障電網穩定運行、工廠持續運轉、公用事業可靠供給以及供應鏈不間斷流動的那群人，正在加速退休。從表面看，這似乎只是自然循環，大規模退休會釋放至少380萬個工作崗位。但其背后隱藏著一個令人深感不安的現實：那些難以言傳的隱性知識，以及通過數十年一線實踐打磨出來的實操技能，正在面臨隨他們一同流失的風險。
盡管從人工智能、機器人到計算機視覺等技術，正在重塑工業運營方式，但從社會層面看，我們正在危險地接近失去某些能力，例如憑借聲音判斷電機故障，讀懂模擬工程圖紙，或理解一臺已經有60年歷史、誕生于迪斯科時代之前的老舊設備的獨特脾性。
這類專業經驗往往不會被集中記錄，但卻始終極具價值，尤其是在發生機械故障或系統級中斷時。與此同時，生成式人工智能又讓信息看起來觸手可及。
這種矛盾是真實存在的，而且影響深遠。從重工業、公用事業到供應鏈，擺在各行各業初級工業從業者面前的問題是：如果軟件幾秒鐘就能夠給出答案，為什么還需要花上數年時間，通過親手實踐——有時甚至經歷失敗——來學習？
在工業運營領域，答案其實非常簡單。我們承受不起失去來之不易的知識，更不能培養一支只會使用人工智能、卻不了解其所支撐系統全貌的勞動力隊伍。
投資人工智能的真正機遇，在于保存維系電力供應、工廠運轉和社會運作所必需的知識，并將其規模化應用。要取得成功，就必須緊跟生成式人工智能技術的發展，同時適應不斷出現的宏觀因素與全球挑戰。這將為“人工智能與人類協同工作”（反之亦然）打開更廣闊的空間，從而為未來數十年支撐全球經濟的關鍵產業注入韌性。
人工智能的更高階定位：并非“自動駕駛”模式
工業運轉依賴的是設備可靠運行，以及管理層持續、果斷地做出正確決策。但現實遠沒有這么簡單。
在整個工業體系中，一個普遍現象是：少數經驗豐富的員工，掌握著極其龐大的關鍵知識。他們知道哪一種振動或金屬撞擊聲預示著故障風險，哪種權宜之計可以在物料短缺時維持生產，以及哪一張圖紙準確反映了現場最新安裝的硬件狀態。
與此同時，許多企業在運營中，仍然依賴零散的小圈子經驗、電子表格，以及需要人工整合的碎片化數據庫。當某個系統宕機或某位專家退休（甚至只是請病假）時，企業幾乎無法回答一些看似簡單的問題，例如我們有哪些零部件？哪些資產最關鍵？資金究竟浪費在了哪里？
這并非只是小企業或家庭作坊的問題。制造業巨頭、汽車整車廠（OEM）、車隊管理公司、公用事業單位以及國防承包商，都高度依賴專業知識，也是最適合引入人工智能支持的組織類型。每家企業情況不同，但它們都面臨一個人工智能可以幫助解決的核心難題：數據無處不在，卻高度碎片化或相互孤立；整理這些數據，往往需要“打通”每一個系統和文件庫，把相關信息匯聚到一起。若人類通過專門團隊整合和梳理這些數據，可能需要數周甚至數月，而當下的人工智能只需要幾分鐘或幾小時就能夠完成對海量數據的整理。
用“決策智能”取代艱難抉擇
另一個關鍵驅動因素在于：工業工作本身充滿取舍。工廠經理、技術人員、一線維修工和工程師，幾乎每天都在面對兩難選擇：是維修還是更換？是立即行動還是再等等？是削減成本還是降低風險？是最大化設備開機時間，還是滿足可持續發展目標？這些決策牽涉數以百萬計的資產，且必須在監管審查之下、常常在信息并不完整的情況下做出。人工智能的作用，是幫助人們做出更好的判斷，而不是把系統調到“自動駕駛”模式，然后便置身事外。
人工智能擅長整合來自不同來源的信號，并以人類能夠迅速理解的方式進行解讀，比如維修記錄、傳感器數據、需求預測、市場環境以及環境風險等。如果運用得當，人工智能可以幫助團隊進行規劃、預測和優先級排序，為人類判斷提供支撐。在現有技術條件下，人類和機器都不應該單打獨斗。
這種輔助決策的能力，其意義早已超越了便利性或成本效率。面對電氣化浪潮、數據中心擴張和全面自動化，電網、公用事業公司和制造企業正在面臨前所未有的需求，因此人工智能的這種輔助能力成為一種強大的工業資產。人工智能可以更早地發現問題，為投資決策提供依據，并在安全可控的前提下延長老舊設備的使用壽命。這并不是為了自動化而自動化，而是為了確保關鍵系統的可靠性。
人工智能讓技術崗位的勞動力更趨均衡
年輕工人（18歲至35歲）常常被批評過度依賴技術，或者在系統故障或設備需要維護時，被默認“理應”依靠技術解決問題。但現實是，他們真正想要的，是能夠幫助自己安全、高效地完成有意義工作的工具。
年輕人也是最早充分意識到人工智能發展速度之快的一代。如今可用的技術，已經足以精準復現資深從業者的經驗，大幅縮短學習曲線，并通過從實際工作場景中收集的近乎即時、經過驗證且情境豐富的數據，彌合人才缺口。
這一點為什么重要？因為人工智能可以在不削弱崗位所需核心技能的前提下，直接打破工業崗位的入門壁壘。年輕專業人士可以利用人工智能的能力，顯著減少在信息搜尋或應付碎片化系統上浪費的時間。事實上，人工智能反而讓這些工作變得更具技術含量，也更有成就感，而這兩點正是吸引年輕勞動力的關鍵。
從現場服務經理、暖通空調（HVAC）技師到工廠一線輪班工人，工業崗位維系著世界的正常運轉，卻常常被誤解為與技術無關或是“低技能”崗位。現實恰恰相反，這些崗位需要深厚的專業知識和多元化的技能組合。在整個工業經濟體系中，人工智能有望將技能培訓效率提升十倍，為新一代專業工業人才打開大門。關鍵在于，這一過程不會犧牲質量，更不會讓整個系統崩塌。
我們看到社區學院的職業教育項目報名人數有所上升，2025年較上一年增長了16%。這表明，Z世代心態開放，愿意選擇藍領工作而非傳統的辦公室崗位。這同樣說明，人工智能不僅在發揮“均衡器”的作用，更在主動重塑和培養下一代藍領勞動力。
將人工智能視為勞動力資產，否則將失去一切
盡管工業級人工智能才剛剛進入主流討論視野（例如，僅2025年，數據中心合同規模就高達610億美元，同時圍繞在實體世界中全面部署人工智能而展開的GPU爭奪戰也愈演愈烈），但行動窗口期其實已經在迅速收窄。我估計，我們只剩下一年到兩年的時間，去把數十年積累的工業知識，納入人工智能應用以及由人工智能作為后端支撐的前沿技術平臺中；否則，我們將失去這些知識，一切都將不復存在。
工業經濟運行要立足于現實世界，全球無數社區依賴它提供就業、電力以及更多基礎保障。面對前所未有的需求，人工智能的開發者必須推出真正實用的工具。這些工具既要尊重人類的經驗，又能支持更優決策，并讓復雜系統更容易理解——無論使用者是入職四周的新手，還是擁有40年經驗的老員工。工業運營本身高度技術化、細致且復雜，單靠人工智能無法實現規模化運營。系統需要豐富的行業語境，也需要來自人類的合理提示，才能產出真正解決問題、并經得起時間考驗的結果。
人工智能可以、也應該在工業運營中扮演權威但“輔助型”的角色，能夠應用于不同行業和具體場景。
但工業界采用的創新，必須可以保留細微差別、對預測性維護的直覺以及只有多年一線實踐才能形成的、針對具體事件的經驗。唯有如此，才能為全球運營體系增加韌性。要在數小時或數天內完成這些工作，而不是拖到數月之后，我們既需要人工智能，也離不開人類的力量。我對未來保持樂觀：人工智能不會掏空工業勞動力。事實上，大規模引入人工智能來支持更年輕一代勞動力，或許正是維持其發展的唯一途徑。（財富中文網）
本文作者克里蒂·夏爾馬現任IFS Nexus Black公司的首席執行官，該公司在制造業、現場服務、能源、航空航天和國防等行業部署人工智能驅動的產品。她曾經擔任湯森路透（Thomson Reuters）法律科技部門的首席產品官，還曾經在賽捷集團（Sage Group）和捷孚凱（GfK）擔任過人工智能相關高級職位。她的工作曾經獲得英國首相頒發的“光亮之點”獎（Points of Light），并得到聯合國認可；憑借在推動倫理、包容性人工智能方面的貢獻，她被聯合國評為“青年領袖”。
Fortune.com上發表的評論文章中表達的觀點，僅代表作者本人的觀點，不代表《財富》雜志的觀點和立場。
譯者：劉進龍
A silent crisis is shaking the very foundations of modern society.
The industrial workforce responsible for building the global economy is at risk of crumbling. The people charged with keeping our power grids online, factories humming, utilities reliable, and supply chains moving uninterrupted are retiring at a fast clip. Sure, this may seem like the natural cycle of things as mass retirement opens the door to at least 3.8 million jobs. But it hides a deeply troubling reality: tacit knowledge, along with practical skills refined over decades of hands-on work, is at risk of leaving with them.
While technologies from artificial intelligence to robotics to computer vision are transforming industrial operations, we’re dangerously close as a society to losing the ability to diagnose a failing motor by sound, read analog engineering drawings, or understand the quirks of a 60-year-old machine that predates Disco.
This kind of expertise is rarely written down in one place and always valuable, especially when there’s a mechanical issue or system-level disruption. Meanwhile, generative AI is making information feel instantly available.
The tension here is real and consequential. The question facing junior industrial professionals across industries, from heavy manufacturing to utilities to supply chain: If software can answer questions in seconds, why spend years learning by doing (and, in some cases, failing)?
When it comes to industrial operations, the answer is actually quite simple. We can’t afford to lose earned knowledge or train a workforce that uses AI without understanding the system it supports from soup to nuts.
The opportunity with investing in AI is to preserve the knowledge needed to keep lights on, factories humming, and society moving, and apply it at scale. Success requires keeping pace with gen AI advancements while adapting to macro factors and global challenges that come in waves. This opens the door wider for AI working with humans (and vice versa) to build resilience into essential industries powering the world’s economy for decades to come.
AI’s Elevated Role: Not On Autopilot
Industry runs on machinery and management making the right calls. Consistently. Confidently. But it’s not that simple.
Across the industrial economy, it’s common for a small group of experienced workers to serve as keepers of an outsized amount of knowledge. They know which vibration or clanking noise spells trouble, which workaround keeps production going during a shortage, and which drawing accurately reflects the latest hardware installments in the field.
At the same time, many companies still operate using a patchwork of small group expertise, spreadsheets, and fragmented databases requiring manual collation. When one system goes down or an expert retires (or, frankly, is out sick), it’s nearly impossible to answer simple questions like: what parts do we have, which assets matter most, or where is money being wasted?
These aren’t small businesses or Mom and Pop shops. Manufacturing giants, automobile OEMs, fleet management companies, utilities, and defense contractors are among the collection of expertise-dependent organizations primed for AI support. Every organization is different but they encounter the same critical problem that AI can help solve: data is everywhere, it’s fragmented or siloed, and organizing it requires plumbing every system and file repository to combine relevant information. Humans can collate and organize data collections in weeks or months with a dedicated effort. Today’s AI, meanwhile, can organize data deluges in minutes or hours.
Trade Painstaking Decisions for Decision Intelligence
The other driving factor: Industrial work is full of tradeoffs. Factory managers, technicians, floor mechanics, and engineers are constantly faced with dilemmas: fix or replace, act now or wait, cut costs or reduce risk, maximize uptime or meet sustainability goals. These decisions affect millions of assets and must be made under regulatory scrutiny, often with incomplete information. AI helps people make better decisions, not turn on autopilot and zone out.
AI is good at pulling together signals from various sources and making sense of them in a way that humans understand immediately, such as maintenance history, sensor data, demand forecasts, market conditions, and environmental risks. When used well, AI can help teams plan, predict, and prioritize. AI backstops human judgment. With the available tech, neither human or machine should be left to their own devices.
This ability to support decision-making goes beyond convenience or cost efficiency. It’s a powerful industrial asset as power grids, utilities, and manufacturers face unprecedented demands from electrification, data center growth and expansion, and full-scale automation. AI can help spot problems earlier, justify investment choices, and safely extend the life of aging equipment. That is not automation for its own sake. It is about keeping essential systems reliable.
AI: A Workforce Equalizer for Trade and Technical Work
Younger workers (18-35) are often criticized for relying too much on technology, or expected to do so when a system falters or machinery requires maintenance. In reality, they want tools that help them do meaningful work safely and efficiently.
Younger workers are also among the first groups to fully embrace that AI advances insanely fast. The tech available today is good enough to accurately reflect seasoned experience, shorten learning curves, and close talent gaps with near-instant, but verified and context-rich data gleaned from real-world work.
Why that matters: AI can demolish the barrier to entry to industrial jobs without neutering the skills required to do the job. Younger pros benefit from AI’s ability to dramatically reduce time spent mining for information or wrestling with fragmented systems. AI actually renders jobs more technical and more rewarding. Both appealing to younger workforce members.
Industrial roles from field service manager to HVAC technician to factory shift worker keep the world running, yet they are often misrepresented as tech-agnostic or low-skill. In reality, they require deep expertise and a variety of skill sets. Across the industrial economy, AI is poised to accelerate skills training ten-fold and open the door for a new generation of industrial pros to step in—and here’s the important bit—without sacrificing quality, let alone imploding the entire system.
We’re seeing vocational programs at community college enrollment numbers tick up, increasing 16% in 2025 compared to last year. This is a signal that Gen Z is open-minded and ready to take on blue collar work in favor of desk jobs. It’s also evidence that AI is not only serving as an equalizer, but actively reshaping and advancing blue collar’s next generation.
Embrace AI as a Workforce Asset, Or Lose Everything
While industrial AI is just beginning to enter mainstream conversations thanks to, for example, $61B in data center contracts in 2025 alone and a buzzy race to collect GPUs for full-scale AI deployments in the physical world, the window to act is already closing. I estimate we have 1-2 years left to capture decades of industrial knowledge in AI applications and front-edge tech platforms supported by AI on the backend, or we lose it. Everything.
The industrial economy operates in the real world, with communities around the globe relying on it for jobs, electricity, and much more. People building AI to meet unprecedented demand need to ship practical tools that respect human experience, support better decisions, and make complex systems easier to understand—whether you’ve been on the job for four weeks or 40 years. Industrial operations are deeply technical, nuanced, and complex. AI alone can’t do the work at scale. Systems need industry-rich context and informed prompts from human counterparts to produce outcomes that solve problems and stand the test of time.
AI can (and should) be applied to industrial operations in an authoritative, but supporting role across sectors and specific use cases.
But industry must adopt innovation that preserves nuance, predictive maintenance inclinations, and incident-specific experience only possible from years of hands-on work. That’s how we add resilience to global operations. To do this in hours and days, not months, we need both AI and people. I’m optimistic that AI won’t hollow out the industrial workforce. In fact, incorporating AI at scale to support a younger workforce may be the only way to sustain it.
Kriti Sharma is CEO of IFS Nexus Black, which deploys AI-powered products in manufacturing, field service, energy, aerospace, and defense industries. She was previously Chief Product Officer for LegalTech at Thomson Reuters and also previously held senior AI roles at Sage Group and GfK. Her work has been recognized by the UK Prime Minister’s Points of Light award, and the United Nations, where she was named a Young Leader for her contributions to ethical and inclusive AI.
The opinions expressed in Fortune.com commentary pieces are solely the views of their authors and do not necessarily reflect the opinions and beliefs of Fortune.
財富中文網所刊載內容之知識產權為財富媒體知識產權有限公司及/或相關權利人專屬所有或持有。未經許可，禁止進行轉載、摘編、復制及建立鏡像等任何使用。
