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？

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。

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。

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。

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。