文章轉載于新智元

人類群星閃耀之時！

當這6個人聚在一起，坐而論道的時候，你就知道事情并不簡單！

這一次訪談非常寶貴，能把這6位AI天團巨佬湊在一起。

本周，英偉達CEO黃仁勛、meta首席AI科學家Yann LeCun，以及頂尖計算機科學家Yoshua Bengio、Geoffrey Hinton、李飛飛和Bill Dally共同榮獲本年度伊麗莎白女王工程獎。

在這次訪談中，大佬們各自分享了自己職業生涯中的頓悟時刻。

這些「啊哈」時刻不僅給他們指明了研究方向，也徹底改變了人類社會科技的前進方向。

并且這次6個人都圍繞一個核心問題展開激辯：

我們人類，是真的處于一場真實的AI產業革命之中？還是AI是一個即將破裂的，史上最大的泡沫？

1

四十年等待，只為一個「頓悟」時刻

主持人說他們是這個星球上最杰出、最有影響力的6個人。

這絕非夸大其詞。

這場AI革命從何而來？

答案不是某個天才的靈光一閃，而是一群人的漫長堅守。

思想的火花，在40年前就已點燃。

AI教父Geoffrey Hinton回憶起1984年，他用當時極其簡陋的計算機，訓練一個微型模型來預測序列中的下一個詞。

「我發現它竟然能學到詞語的含義！」他說。

這，就是今天所有大語言模型最原始的雛形。

一個在黑暗中被點亮的、穿越了40年時光的想法。

Yann LeCun則坦言，自己年輕時是個「懶惰」的工程師，不想一行行編程去創造智能，而是著迷于「讓機器自己學會智能」。

這個看似偷懶的想法，正是機器學習的核心哲學。

但光有想法還不夠，革命需要燃料和引擎。

時間來到2006年，當時還是年輕教授的李飛飛發現，所有算法都受困于一個問題：數據太少了。

一個孩子在成長中會看到海量的信息，而我們的機器卻在數據荒中挨餓。

于是，她和團隊做了一件在當時看來無比瘋狂的事——耗時三年，手動標注了1500萬張圖片，創建了名為ImageNet的數據集。

這桶「燃料」被澆灌到AI領域后，瞬間引燃了整個行業。

與此同時，在英偉達，黃仁勛和他的同事們也在打造一臺越來越強大的「引擎」。

他們最初為游戲設計的GPU，意外地被發現是進行深度學習計算的完美工具。

2010年，一個歷史性的早餐上，斯坦福的吳恩達教授告訴英偉達的科學家Bill Dally，他用了16000個CPU在網上識別貓。

Bill Dally和同事回去后，用僅僅48個GPU就復現了實驗。

那一刻，他頓悟了：「我們應該為深度學習制造專門的GPU。」

這些故事串在一起，就是一部AI誕生的「前傳」：

思想的火花在AI寒冬中，早已點燃，只待數據的燃料和算力的引擎到位，一場革命便無可阻擋。

六人頓悟時刻（精華版）

Yoshua Bengio

讀到Hinton早期論文。直覺：或許有如物理定律般的簡單原則解釋智能、建造智能機。

ChatGPT出現兩年半后警覺：機器理解語言、有目標、卻難控。若更聰明或被濫用怎么辦？于是轉向安全與對策研究。

Bill Dally

90年代末「內存墻」頓悟：用「流」連接內核，做更多算術、少訪存。為GPU計算奠基。

2010年與吳恩達早餐：Google用16000 CPU找「貓」。受其啟發，2011年與同事用48 GPU復現。

結果驚人：下決心讓GPU專用于深度學習，并持續優化。

Geoffrey Hinton

1984年做小型語言模型：用反向傳播預測下一個詞。模型自動學到詞義特征及交互。思想與今天的LLM相同，只是很小、樣本僅100。

阻礙在于算力與數據不足。但當時并不自知。

Jensen Huang（黃仁勛）

2010年左右同時收到多倫多、紐約大學、斯坦福的深度學習的早期信號。發現用「框架、結構化表示」開發軟件，與芯片設計高度類比，可擴展。

頓悟：一旦算法在單卡并行奏效，就能擴到多卡、多機、數據中心。剩下的就是工程推演：數據多大、網絡多大、能解什么問題。

Fei-Fei Li（李飛飛）

2006–2009年頓悟：難點不只在算法，而在數據。由此構建ImageNet：1500萬圖、2.2萬類，眾包標注。大數據驅動機器學習。

2018年任Google Cloud AI首席科學家：AI是「文明級技術」，影響所有行業與個體。回斯坦福共創HAI，提出「以人為本的AI」。

Yann LeCun（楊立昆）

本科即著迷「訓練而非編程」的智能觀。1985結識Hinton，從多層網絡可訓練性切入。

與Hinton曾辯論：監督vs無監督/自監督。

ImageNet的成功一度讓全域轉向監督。

2016–2017再次強調自監督；LLM是典范。下一步是視頻等非語言數據，自監督仍是關鍵挑戰。

1

狂熱的當下，我們正身處泡沫之中嗎？

好了，歷史講完，回到當下最尖銳的問題：

英偉達市值沖上云霄，全世界都在談論AI，這一切到底是真實的價值，還是又一個互聯網泡沫？

對此，黃仁勛給出了一個堪稱絕妙的回答。

在21世紀初的互聯網泡沫時期，整個行業鋪設了巨量的光纖，但其中絕大多數都是未被點亮的「暗光纖」，需求遠遠跟不上建設。

而今天，幾乎你能找到的每一塊GPU，都在被點亮并投入使用。

為什么？因為AI從根本上改變了「價值」的生產方式。

老黃表示，我們正在創造一個全新的行業，一個智能工廠。

過去的軟件是「工具」，你買來使用即可。

而AI，第一次，成為了「生產力」本身。它不是內容，而是實時生成的智能。

你不能提前生產好智能，再把它存起來。

每一次你問ChatGPT問題，它都在為你「生產」答案。

這個生產過程，需要巨大的計算能力，就像工廠需要機器和電力一樣。

因此，我們需要價值數千億美元的「AI工廠」（數據中心），來服務于一個建立在智能之上的、價值數萬億美元的全新產業。

我們正處在構建這個產業的初期，怎么會是泡沫呢？

換句話說，這是繼農業革命、工業革命之后，一場全新的「智能革命」的基建時期。

我們正處在為新世界鋪設水電煤氣管道的階段，而需求，才剛剛開始。

不過李飛飛和LeCun當場還進行了一場「辯論」。

李飛飛強調AI仍然是一個非常年輕的領域，除了語言之外，還存在廣闊的「空間智能」等前沿領域有待開拓。

Yann LeCun則指出，泡沫在于「認為當前的大語言模型范式最終能夠發展到人類水平的智能」這一想法，他個人并不相信，并認為需要根本性的突破。

1

終極的未來，「人類級AI」還有多遠？

這是整場對話最精彩的高潮。

當被問及「我們離那種與人類相當的智能還有多遠」時，桌邊的六位大腦，給出了六幅截然不同的未來圖景。

「務實派」黃仁勛

這個問題不重要，而且它已經發生了。

已有足夠「通用智能」轉化為大量有用應用。

是否「人類級」并不重要；關鍵是持續應用解決重大問題。

他認為，我們已經擁有了足夠強大的AI，可以解決大量現實問題。

糾結于一個學術上的「奇點」定義沒有意義。

技術正在以驚人的速度進步，我們應該專注于應用它。

「協作派」Bill Dally

這壓根就是個錯誤的問題。

他說，我們的目標從來不是創造AI來取代人類，而是「增強」人類。

就像飛機一樣，它會飛，但它和鳥的飛行方式完全不同。

AI將是我們強大的助手，幫助我們處理我們不擅長的事（比如記住22000種物體），讓我們能專注于創造、共情等獨屬于人類的領域。

AI 擅長分類、解難題；人類擅長創造、共情、社交。

是否「人類級」并不確定，但助力巨大。

「開拓派」李飛飛：

她認為我們甚至還沒搞懂「智能」的全貌。

機器將在部分維度「超人」（如識別 2.2 萬物體、翻譯百種語言），但不會與人類智能同形。

像飛機會飛，但不像鳥。

人類智能仍是核心。

她提醒我們，人類的智能遠不止語言。

我們在空間感知、與物理世界互動方面的能力，是今天最強的AI也望塵莫及的。

她說，AI作為一門學科才70多年，而物理學已經400多年了。

「還有廣闊的前沿等待我們去征服。」

「懷疑派」Yann LeCun

靠現在這條路，走不到終點。

不會是單一時刻。不同能力會漸進擴展。未來 5–10 年或出新范式，整體會比想象更久。

他直言不諱地指出，當前的大語言模型范式，無法通向真正的人類級智能。

我們需要一些「根本性的突破」，才能造出哪怕和貓一樣聰明的機器人。

「我們仍然缺失了某些非常重要的東西。」

「預言派」Geoffrey Hinton

他給出了一個具體的時間——20年。

這位AI教父用一個非常具體的標準定義了問題：「多久以后，你和一臺機器辯論，它永遠都能贏你？」

他的答案是：「我相當肯定，在20年內我們會做到。」

「敬畏派」Yoshua Bengio

充滿不確定性，但警惕指數級加速。

他認為最終AI可做「幾乎人類能做的一切」。

但時間高度不確定，人類應做好預案。

他認為未來難以預測，但有一個「游戲規則改變者」——當AI開始具備自己研究AI的能力時。

那時，AI將成為自己的「加速器」，自我迭代的速度可能會遠超我們的想象。

1

AI時代杰出的6個人

雖然這些大佬都無人不知，無人不曉，但還是簡單介紹一下他們。

這六位大佬覆蓋了從硬件、體系結構、并行計算、基礎理論與算法到大規模視覺數據等多個維度，他們的貢獻協同推動了今日AI與工程系統的巨大飛躍。

Jensen Huang，黃仁勛，英偉達聯合創始人兼首席執行官。從3D圖形時代起便領導英偉達，并推動了人工智能計算平臺的轉型。

Yann LeCun，楊立昆，法國計算機科學家，現任meta首席AI科學家，長期兼任紐約大學（NYU）教授。他是現代深度學習史上的重要人物之一。

Geoffrey Hinton，杰弗里·辛頓，被譽為「深度學習之父/人工智能教父」之一。老爺子可以說是現在AI領域第一人，任何介紹都多余。

Yoshua Bengio，約書亞·本吉奧，加拿大計算機科學家、蒙特利爾大學教授、蒙特利爾學習算法研究所（MILA）科學主任，被稱作深度學習的關鍵人物之一。

Fei-Fei Li，李飛飛，在計算機視覺、大規模數據集建設和以人為本的AI方面影響深遠。主導創建了著名的大規模視覺數據庫ImageNet。

Bill Dally，比爾·達利，美國計算機科學家、教育家，曾任麻省理工學院教授、斯坦福大學系主任，后加入英偉達擔任首席科學家和高級副總裁。他在高性能并行計算機體系結構、互聯網絡、路由/同步/通信機制等方面做出基礎性研究。

參考資料：

https://www.youtube.com/watch?v=0zXSrsKlm5A

點個“愛心”，再走 吧