《特别报告:人工智能驱动的见解,大麦麦芽的未来》

  • 来源专题:农机装备
  • 编译者: 江浩
  • 发布时间:2025-07-24
  • 大麦是酿造和蒸馏过程中最重要的原料之一,但其生产成本高且受气候、农艺和基因等多种因素影响,导致麦芽生产的一致性难以保证。随着气候变化影响加剧,预测质量变得更加困难。在可持续性压力增加和利润空间缩小的情况下,麦芽生产商和酿酒商需要寻找可靠的解决方案,将原始数据转化为可预见的决策。 Computomics公司通过其AI驱动的解决方案为麦芽供应链提供了支持。该公司发布的特别报告《利用人工智能洞察实现麦芽大麦的未来》描述了在整个麦芽供应链中释放价值的机会。该报告涵盖了从品种开发(甚至在大麦种子播种之前)到最终麦芽质量交付给酿酒厂或蒸馏厂的整个过程。通过这种全面的方法,打开了一个应用机器学习(AI)进行更智能决策和提高麦芽质量的机会平台。 RMI Analytics是一个专注于酿造、蒸馏和麦芽供应链的市场洞察和网络平台提供商,拥有来自世界各地的客户合作伙伴网络。RMI致力于为酿造和蒸馏供应链提供卓越的市场洞察和网络服务。
  • 原文来源:https://www.seedquest.com/news.php?type=news&id_article=164275&id_region=&id_category=2489&id_crop=
相关报告
  • 《Nature | 医学人工智能的未来》

    • 来源专题:战略生物资源
    • 编译者:李康音
    • 发布时间:2023-10-29
    • 本文内容转载自“ChemBioAI”微信公众号。原文链接: https://mp.weixin.qq.com/s/hlwb9sc0rugxZ_ThiOy7gQ 2023年10月24日,《自然》新闻(Nature News)在线发表了一篇题为An AI revolution is brewing in medicine. What will it look like?的特别报道。 Jordan Perchik于2018年开始在亚拉巴马大学伯明翰分校进行放射科住院医生培训,那时正值他所谓的放射科学领域的“AI恐慌”高峰期。在计算机科学家Geoffrey Hinton宣称人们应停止培训成为放射科医生的仅仅两年后,这一时期开始。Hinton被称为人工智能之父,他预测这些系统很快将能够比人类更好地阅读和解释医学扫描图像和X光片。此后,放射科医学项目的申请数量大幅下降。 基于人工智能的工具越来越多地成为医疗保健的一部分,美国食品和药品监督管理局(FDA)已经授权使用超过500种这类工具。其中大多数与医学影像有关,用于改进图像质量、测量异常或标记检测结果以供后续跟踪。 调查显示,虽然许多医生知道临床AI工具的存在,但实际上只有很小一部分 (大约在10%到30%之间) 使用过它们,他们的态度从谨慎乐观到彻底不信任不等。荷兰乌得勒支大学医疗中心的医学创新实施专家Charisma Hehakaya说:“一些放射科医生对AI应用的质量和安全性存在疑虑。”即使AI工具能够完成它们的目标任务,仍不清楚这是否会转化为患者更好的医疗护理。但有一种被称为综合医学AI的方法似乎正在兴起。这些模型受到庞大数据集的训练,就像驱动ChatGPT和其他AI聊天机器人的模型一样。在吸收大量医学图像和文本数据后,这些模型可以适用于许多任务。尽管目前获得批准的工具执行特定功能,比如在计算机断层扫描(CT)中检测肺结节,但这些综合模型将更像医生,评估扫描中的每一种异常情况,并将其整合为一种诊断。 尽管现在的AI爱好者趋向避免大胆宣称机器将取代医生,但许多人认为,这些模型可以克服目前医学AI的某些限制,有朝一日可能在某些情况下超越医生。然而,这些新工具能够在实际临床护理中使用之前,还有漫长的道路需要走。 目前存在的限制 医学领域的人工智能工具充当从业者的辅助角色,例如通过快速浏览扫描图像并标记医生可能立即查看的潜在问题,这些工具有时表现很出色。Jordan Perchik记得有一次,在他值夜班的时候,一种AI分诊工具在凌晨3点为一名出现呼吸急促症状的患者标记了一张胸部CT扫描。他将这张扫描图像提上优先级,并同意AI的评估结果,该结果显示患者存在肺栓塞,这是一种可能致命且需要立即治疗的情况。如果没有被标记出来,这张扫描图像可能要等到当天晚些时候才会被评估。 但如果AI犯了错误,它也会产生相反的效果。Jordan Perchik说,最近他发现了一例AI没有标记出来的肺栓塞病例,他决定采取额外的审查步骤,最终证实了他的评估,但这减缓了他的工作进度。如果他决定相信AI并继续前进,那么这种情况可能会被漏诊。”许多已获批准的设备并不一定符合医生的需求,早期的AI医学工具是根据影像数据的可用性来开发的,因此一些应用程序是为常见且容易识别的疾病而建立的。 另一个问题是,这些AI工具倾向专注于特定任务,而不是全面解释医学检查——观察图像中可能相关的一切,考虑以前的结果和患者的临床病史。尽管专注于检测一些疾病具有一定价值,但它并不反映放射科医生真正的认知工作。 解决方案通常是增加更多基于AI的工具,但这也对医疗护理构成挑战,伦敦Google Health的临床研究科学家Alan Karthikesalingam表示。假如一个人接受常规乳腺X光检查,技术员可能会采用一种用于乳腺癌筛查的AI工具的辅助。如果发现异常,同一患者可能需要进行磁共振成像(MRI)扫描以确认诊断,而这可能需要另一个AI设备。如果诊断结果得到确认,那么病变将会通过手术移除,可能需要另一种AI系统来协助进行病理学分析。 许多医院并不了解监测AI性能和安全性所涉及的挑战,英国伯明翰大学研究医疗AI负责创新的临床研究员Xiaoxuan Liu表示。她和她的同事们确定了数千份医学成像研究,比较了深度学习模型的诊断性能与医疗保健专业人员的性能。对于该团队评估的69项诊断准确性研究,一个主要发现是,大多数模型未经真正独立于用于训练模型的信息的数据集进行测试。这意味着这些研究可能高估了模型的性能。 坚实的基础 为了解决医学领域AI工具的一些限制,研究人员一直在探索具备更广泛能力的医学人工智能。他们受到了像ChatGPT这样的革命性大型语言模型的启发。这个术语是由斯坦福大学的科学家们在2021年创造的,它描述了在广泛的数据集上进行训练的模型,这些数据集可以包括图像、文本和其他数据,使用一种称为自监督学习的方法。这些基础模型,也被称为基本模型或预训练模型,构成了后续可以适应执行不同任务的基础。 目前大多数医学AI设备是通过监督学习方法开发的。例如,使用这种方法训练一个模型来识别肺炎,需要专家分析大量的胸部X光片并将它们标记为“肺炎”或“非肺炎”,以教导系统识别与该疾病相关的模式。在基础模型中不需要大量图像的注释。例如,对于ChatGPT,使用大量文本进行训练,以训练一个通过预测句子中的下一个单词来学习的语言模型。同样,伦敦摩尔菲尔德眼科医院的眼科医生Pearse Keane及其同事开发的医学基础模型使用了160万张视网膜照片和扫描图像,以学习如何预测这些图像缺失部分应该是什么样子。在进行了这一预训练后,研究人员引入了几百张标记图像,使其能够学习特定的与视觉相关的疾病,如糖尿病性视网膜病变和青光眼。该系统在检测这些眼部疾病以及通过眼底血管微小变化检测出的心脏病和帕金森病等系统性疾病方面优于以前的模型,但该模型尚未在临床环境中进行测试。 Keane表示,基础模型对眼科学领域特别合适,因为几乎可以对眼部的每个部位进行高分辨率成像。而且有大量的这些图像数据可用于训练这种模型。人工智能将彻底改变医疗保健,而眼科学可以成为其他医学专业的示范。大型科技公司已经在投资使用多种图像类型的医学成像基础模型,包括皮肤照片、视网膜扫描、X光片和病理学切片,并整合电子健康记录和基因组数据。 今年6月,Google Research科学家们发表了一篇论文,介绍了他们称之为REMEDIS(具有自监督的强大和高效医学成像)的方法,与使用监督学习训练的AI工具相比,该方法能够将诊断准确性提高高达11.5%。研究发现,在对未标记图像的大型数据集进行预训练后,只需要少量标记图像就能达到这些结果。这项研究的共同作者之一,Karthikesalingam说:“我们的主要发现是,REMEDIS能够以非常高效的方式,只需很少的示例,学会如何在许多不同的医学图像中对许多不同的事物进行分类,包括胸部X光片、数字病理学扫描和乳腺X光检查。”次月,Google的研究人员在一篇预印本中描述了他们如何将这一方法与该公司的医学大型语言模型Med-PaLM相结合,该模型几乎可以像医生一样回答一些开放性的医学问题。结果表明,Med-PaLM Multimodal不仅可以解释胸部X光图像,还可以以自然语言起草医疗报告。 微软也在努力将语言和视觉整合到一个单一的医学AI工具中。今年6月,公司的科学家们推出了LLaVA-Med(生物医学大型语言和视觉助手),该模型在与从PubMed Central(一个公开可访问的生物医学文章数据库)提取的文本配对的图像上进行训练。微软Health Futures的生物医学AI研究负责人Hoifung Poon表示:“一旦你这样做,你就可以开始与图像进行对话,就像你在与ChatGPT交谈一样。” 这种方法的一个挑战是它需要大量的文本-图像对。 随着这些模型在越来越多的数据上进行训练,一些科学家乐观地认为它们可能能够识别人类无法识别的模式。AI工具可能在某些领域超越人类能力,比如使用数字病理学来预测免疫疗法对肿瘤的反应。 Karthikesalingam还指出,即使Google的医学成像AI取得了最佳结果,它仍然无法与人类相媲美。人类放射科医生的X光报告仍然被认为明显优于最先进的多模式综合医学系统。尽管基础模型似乎特别适合扩大医学AI工具的应用,但要展示它们可以安全用于临床护理还有很长的路要走。 毫无疑问,AI在放射科领域的作用将继续增长,与其说取代放射科医生,不如培训他们如何使用AI。
  • 《麦肯锡掌门人呼吁中国力推人工智能》

    • 来源专题:中国科学院文献情报制造与材料知识资源中心 | 领域情报网
    • 编译者:姜山
    • 发布时间:2017-10-20
    • 在人工智能研发领域,中国已经令人意外地与美国共挑大梁。在本期《高端视点》访谈中,麦肯锡董事长鲍达民阐释他支持中国发展AI的理由。 鲍达民对中国问题很感兴趣,也懂得如何发挥影响力。他甚至不太像一名普通的经理人,个人有着较为强烈的学术倾向,喜欢大学的氛围,因此也非常重视教育。他这次中国行的其中一程就是走进课堂,赴清华大学经济管理学院与钱颖一院长辩论领导力。 对于商科毕业生来说,波士顿、麦肯锡、贝恩这三家主流国际咨询公司的就业机会都很有吸引力。数月前一部名为《我的前半生》的电视剧在国内得到追捧,高额年薪佣金、商务舱出行、为全球大公司的决策者出谋划策,咨询师的工作令人艳羡,一名麦肯锡前中国高级雇员甚至因此走红网络。 麦肯锡是全球统一薪酬标准的坚守者,或者说因为鲍达民个人的惜才情怀,某种程度上为咨询业者过体面生活提供了保障。但是,在与FT中文网的对话中,他也直截了当地指出:“如果只想赚大钱,别来麦肯锡。” 跟其他很多行业一样,今天的咨询业也面临着被人工智能大肆改造的命运。在高薪聘请员工与高价引进人工智能技术之间,以做决策为每日工作的鲍达民,此时更需要仔细权衡。 他表示,公司要承担起“双重使命”——为满足客户需求而大力引进机器人和自动化程序,另一方面需要培训员工掌握运用人工智能必需的相关技能。“再培训”,这是他重复最多的一个词汇。 放眼所有行业,为人工智能时代进行再培训已经成了摆在面前的急迫任务。美国奥巴马政府在2016年底发布的一份报告中预测,未来分别有四类与人工智能相关的工作会吃香。他们大致包括:协同AI完成复杂任务的与人有关的工作;AI技术和应用研发人员;监管、授权及维修AI系统的工作;以及那些对由AI引发的模式颠覆做出反应的一类工作。 以下是鲍达民接受《高端视点》视频访谈的部分文字选编。 中国拥有发展人工智能的先天条件 林匯棟:今年你已多次谈到要发展人工智能产业,为什么这么看重它? 鲍达民:围绕人工智能领域的研究已经有几十年了,20年前曾经出现过一次“假曙光”,但是当时的计算能力还跟不上。现在,我们拥有了可匹配的计算能力及大数据,发展人工智能就开始逐渐变为现实。人工智能是个宽泛的名词,涵盖了从算法到机器学习系统的广阔领域。我认为人类现在只处于人工智能运用的最早期,但这已经足以令人兴奋了。 林匯棟:哪些领域在运用人工智能方面受益最大? 鲍达民:我觉得几乎所有领域都会受益很大,但受益最大也最快的应该是对接消费的这一部分服务,比如零售行业、消费产品。如果你运用大数据来研究消费决策与定价的话,这将是行之有效的。不过,人工智能同样也能运用在诸如采矿业中,或者也可应用在铁路调度系统中,确保列车的准点率和提高平均时速。人工智能技术在这些领域中都能有广泛应用,因此每个领域都会受其影响,但是受到最深远冲击的还是直接面向消费的领域。 林匯棟:下面让我从一份麦肯锡报告中引用一段话。“此前引领信息化的同样一批玩家 现在又将引领下一波潮流——人工智能革命”。你觉得这个游戏公平吗? 鲍达民:这并不意味着人工智能行业里没有小众公司的生存空间。比如伦敦的DeepMind公司,他们本身并不拥有大数据,那他们就去市场上购买,但是最后也成为了非常先进的公司。所以,我并不觉得当前的这些科技巨头一定能赢,但我认为那些掌握大数据的公司已经先一步拥有了应用人工智能的原材料,这是我看好这些公司的原因。 林匯棟:你觉得中国的人工智能会是一个泡沫吗?或许它只是由投资驱动的一个概念。 鲍达民:毫无疑问,这个概念在中国确实有一些被炒作的嫌疑。但是,我认为这里面还是有真材实料的。中国政府将在2018年前,向人工智能领域投入约150亿美元用于研发,我觉得这很棒,因为这将能帮助中国发展。我不认为这仅仅是一次互联网泡沫,原因是有许多公司会运用人工智能,他们对人工智能是有需求的。而且,消费者也会喜欢人工智能,这让生活更便利。所以,我认为人工智能的时代就快到来了,问题只是它能发展得多快,这方面的主要难题在于机器学习。 林匯棟:消费者无疑会喜欢人工智能的。不过,现在出现了一种情况,就是一些中小型企业对于是否将人工智能运用到自己的业务中,有所迟疑。他们不知道人工智能到底能做什么,或者自己如何从中获利。 鲍达民:我同意你所说的。中小企业没有运用人工智能,一部分原因是请算法工程师来优化公司业务的成本很高。我认为你需要的更多此类工程师,现在他们很稀缺,自然就昂贵。这对于小公司来说是一大挑战。除非你是大公司网络内的小公司,像是阿里巴巴集团旗下的公司,那么就可能从中获益。但是,个体本身就很难像大机构那样更多应用人工智能了。 林匯棟:对于个人而言,你觉得在未来,有哪些和人工智能相关的工作会获得优势? 鲍达民:你几乎在每家工厂的生产线上,都能明显地看到这种变化。我们将看到人工智能的机器人聚在一起工作,以前的工人则被迫离开。但是,你也会看到一些更为复杂的工种出现,比如数据科学家仍然稀缺。不过也有一些软性的工作会取得优势。如果当人工智能比医生更会看X光片时,并不意味着就不需要医生这个角色了,医生可能将更侧重提供针对诊断结果的解决方案,为帮助患者解决问题提供服务。 林匯棟:你曾经在演讲中提到过AI可能带来的一些道德问题。能给我个例子吗? 鲍达民:可以从两个方面来谈。第一个方面,其实史蒂芬•霍金和艾隆•马斯克也已经提到过了,人工智能可能是人类最后的发明,因为之后可能机器知道得更多,而人类则可能陷入窘境。但我也看到很多专家的观点是,人工智能到达那种程度可能需要至少40年到50年。第二个方面比较急迫,就是人工智能可能会强化歧视。当你提出一个算法之后,就会在(社会)系统中强化它的地位。另一个挑战是社会系统中工种的紊乱,这是我担心的问题。我认为我们的教育系统和失业救济系统,并不是为应对即将到来的这类冲击而建立的。就像刚才说的,很快工作会越来越少。能否通过再培训让因此失业的人在短时间内找到工作,这是世界各地都要面临的挑战。 林匯棟:你为什么呼吁中国要加大力度发展人工智能? 鲍达民:我定期来中国的一个原因是,如果你不了解现在中国正在发生什么,你就会被边缘化。人工智能是我感兴趣的领域,因为我觉得它是会改变世界的重要技术。我认为中国在人工智能领域将具有重要的地位,主要得益于这里的人才和智力资源。(中国的参与)也会促进世界的发展,我们可以解决诸如医学方面的许多难题,像癌症;也可以解决社会难题,像拐卖人口;还有对孤独症的治疗等很多世界级难题,都是人工智能可以帮助解决的。另外,它还有助于提高生产力水平。随着中国人口老龄化加速,提高生产力水平是一个需要考虑的问题,因为未来工人将越来越少,这是个重大问题。因此,出于各个方面的原因,中国需要在人工智能领域扮演重要角色。 林匯棟:理解。但是,中美都集中发展人工智能,而中国的人口是美国的近五倍,中国仍是发展中国家。中国有什么优势吗? 鲍达民:美国在这一领域处于领先地位。英国则是在研究领域十分先进,比如有DeepMind这类公司,聚集了很多神经科学家、生物学家、计算机科学家等。即便是加拿大也在努力推动人工智能的发展,像多伦多和蒙特利尔都在尽力推动相关产业。于我而言,我认为对人才和领导力的把握更重要,人工智能是重要的机遇。中国已经拥有了数据,再次强调,发展人工智能仅仅有技术也不行,还得有数据。你提到了中国拥有美国五倍的人口,这些数据就是发展人工智能的重要材料。 林匯棟:在你看来,人工智能导致的失业问题会影响中国社会稳定吗? 鲍达民:我对再就业问题其实是挺担心的,社会流动性在全世界都是个重要议题。在中国也同样重要,我相信执政党也感受到了其重要性。大多数人进入社会体系的途径都是通过从事基础性的工作,也就是一些程序性的工作。如果没有了这些初级工作,人们将难以在社会系统中流动。我给你举个具体的例子。我不知道中国有多少货车司机,但我敢打赌有好几百万, 我知道美国可能至少有320万名货车司机。在犹他州,现在已经有无人驾驶的卡车了,那么这些卡车司机该怎么办?当然肯定不会把所有司机都辞退,但是当这个工作自动化了以后,一个45岁的司机能再做什么呢? 我们必须思考如何让他们接受再教育,去找新的工作。我相信新工作会出现的,但问题在于我们怎么去发现所有那些新工作。我想这跟1905年的状况很像。当时汽车横空出世,当时从事农业的劳动力占人口40%,大家眼睁睁看着这个数字跌到1%,这是美国的情况,数字大概是1%至2%。但是,又有更多新的产业诞生了——飞机制造业、航空服务业。1905年时,没人能想到会有航空业的诞生。我说得清楚吗?关键就在于,当时有一个教育系统去培训人们做这些工作。比如福特汽车公司他们就去培训农民如何在装配线上工作。我想在“再教育”员工这个的问题上,公司肯定需要再次发挥更重要的作用,我们不能只依靠教育机构和政府来完成这些工作。 要发展人工智能,政府公开数据很重要 林匯棟:你很关注中国政府的数据公开。为什么数据公开和国际数据的交换很重要? 鲍达民:我举个例子吧,有个叫Spark Beyond的组织,这是一个以色列的人工智能公司。他们专注于矿业数据,就是说他们寻找合适的可以再度挖掘的铜矿。通过运用最新的技术,你可以从中继续提炼出更多铜。那么,他们就需要天气的数据。人们会问,为什么你想要天气的数据?你能想得到吗?其实是因为在电闪雷鸣之际,可能这个数据就强烈地暗示这里有金属蕴藏。事后发现这种关联很明显,可当初的地理工程师却没有想到天气。也就是说,正是机器发现了其中的关系, 这就是需要运用许多不同的数据的原因,能够公开获取这些数据很重要。 林匯棟:不少中国人认为,在中国收集的数据理应留在中国。你考虑过这个问题吗? 鲍达民:这是个很好的辩题,因为数据实际上就想金矿一样,是一种资产。我能理解这种想法,但是我觉得如果我们想要攻克癌症,数据是越多越好的。为什么不全球一起分享呢?如果只是用于卖鞋的算法,那倒没什么必要,但若是医疗健康相关的数据,我想还是应该多多分享。 如果只想赚大钱,别来麦肯锡! 林匯棟:今年已经是你任期的第九年了。你怎么评价自己执掌麦肯锡的这些年? 鲍达民:这听起来挺疯狂的,但我真的很荣幸能担任这一职位,因为我看到了世界各地不同的事物,遇到了很多有意思的人。我感觉自己就像是一只背着摄像头的猴子,到处跑。一路上并非都是欢声笑语,也有很紧张的时期,应对危机和不同的挑战等等,我发现总有些事情会在你不想它来的时候出现。不过,这就是生活和领导工作的一部分,我很享受这一过程。 林匯棟:传授给我们几条你最值得分享的管理经验吧。 鲍达民:首先就是创新,这也是你一直在谈的话题,我们需要改变,尽管说实话没人喜欢改变。所以,在一家全球最大的合伙人公司里推动变革,这是我为之骄傲的事情。虽然前路漫长,但我真的觉得麦肯锡在前进,在改变,也在不断适应。 第二应该是人才。人才是最重要的资源,所以我非常骄傲麦肯锡依旧是很多人想要来的地方。我没有炫耀的意思,但的确我们能够招到想要的人才,这一点非常重要,因为竞争很激烈。 另外就是能从中培养多少领导者,以及怎么领导这个团队的问题。这两个有关人才的经验,我觉得非常重要。麦肯锡在这方面做得挺好的,但不能把它当做理所当然。 林匯棟:进入人工智能时代后,你刚刚谈到的三点经验,会不会有一天也会发生变化呢? 鲍达民:创新可能会加速,人还是很重要的部分,但是需要再培训技能。 林匯棟:能不能说一下麦肯锡给员工的平均薪酬是多少呢? 鲍达民:我们不可以公开薪酬数字。但我可以说的是,我们必须提供良好的待遇才能留住人才。但我也要说明,如果想变得非常富有,我不会来麦肯锡,不要只为赚大钱来麦肯锡。很多人来我们这儿工作的原因,是他们想做出一番事业。他们肯定希望获得优良的报酬,但如果你想的只是赚大钱,那么这不是你该来的地方,应该还有其他工作能满足这个需求。 林匯棟:麦肯锡似乎一直在坚持全球统一的薪酬体系,目前为止做得怎么样呢? 鲍达民:有一点很重要,就是要让在不同地域分部工作的员工,不必去想怎样才能去待遇最好的那个分部,因为公司整体是一个利润池。这真的很重要,因为我们是一家非常国际化的跨国公司。也有很多其他公司不这么做,但是我认为,这会让他们很难确保给客户同样质量的服务与人才。 林匯棟:你非常珍惜人才,注重教育。过去的几年里,中国毕业生留给你的印象有什么变化吗? 鲍达民:中国学生的质量一直都很高,也很有才干。我记得在几个大学举行招聘的时候,我说既然这些人都有能力进入这些大学,我们为什么还要费劲去测试他们解决问题的能力?我自己有可能都考不上这些学校。所以,他们都是非常聪明的人。 我想我注意到的一个变化就是,我们现在招了很多没有那么多社会经验的人。我的意思是,他们就只是学习,课后还去学习比如音乐,为了能拿到高分,进入(社会)系统,他们的课业安排非常紧张。有一次我在上海招聘了两个学生,他们非常棒,我让他们在肯德基工作了两晚。我记得他们的父母非常沮丧。一个学生的父母问,他们被招进了麦肯锡,为什么要在快餐连锁店工作?我说,因为你需要看看那些不冲厕所的人、偷东西的人,还有毫不讲理的顾客。这就是生活。如果一直仅身处学术环境中,你没有办法适应那些做奇怪事情的人。我发现如今更多毕业生拥有此类真实的社会经验,这非常重要,否则你会没办法与人打交道。 另外一点是我在学校讲授课程的过程中发现的。跟世界其他国家的学生相比,我总觉得中国学生提的问题总有些挑衅意味,他们会问非常隐私的问题挑战你。我在很多地方的大学都做过招聘,像哈佛、耶鲁、欧洲工商管理学院、伦敦商学院等,这些学校的学生也都很有才。我不是抱有成见,但就觉得中国学生的问题会更难以回答。