【AI先驱对话】Hinton、LeCun、黄仁勋等六位巨头:这不是泡沫,而是智能时代的开端

我爱免费

作者：微信文章
【AI先驱对话】Hinton、LeCun、黄仁勋等六位巨头：这不是泡沫，而是智能时代的开端
开篇词：世纪同框——塑造我们未来的六位头脑


尊敬的读者们，想象一下，世界上最深刻、最具影响力的六位人工智能思想家齐聚一堂，共同探讨AI的起源、现状与未来，这无疑是洞察时代脉搏的绝佳机会。

近期，六位杰出人士——2025年伊丽莎白女王工程奖得主，因其在先进机器学习和AI领域的开创性成就及其对我们生活产生的独特影响而受到表彰。他们包括我们熟知的Geoffrey Hinton、Yann LeCun、Yoshua Bengio、Jensen Huang（黄仁勋）以及Fei-Fei Li（李飞飞）等。

这次难得的聚会，不仅回顾了他们如何一步步走上这条AI之路，更帮助我们更清晰地看到，在这个“人人都想理解并超前掌握”的当下，AI将带领人类走向何方。
核心回顾：个人“啊哈”时刻，AI的四大基石


AI的爆发并非偶然，它建立在数十年来的基础科学突破之上。几位先驱分享了他们职业生涯中的关键“觉醒时刻”，这些时刻共同构筑了现代AI的基石：
1. 算法与基础理论：反向传播与简单原则

• Geoffrey Hinton（反向传播先驱）在1984年便尝试使用反向传播来训练一个微小的语言模型，以预测序列中的下一个词。他发现，通过这种方法，模型可以学习捕获词义的有趣特征。这被认为是如今大型语言模型的雏形，尽管耗费了40年才实现突破。• Yoshua Bengio的第一个“啊哈”时刻来自阅读Jeff Hinton的早期论文。他当时就思考：是否有一些像物理定律一样的简单原则，可以帮助我们理解人类智能并构建智能机器。

2. 数据：从匮乏到规模化喂养

• Fei-Fei Li（李飞飞）意识到，机器智能的早期发展存在一个关键的缺失环节：数据。她观察到人类和动物在早期发展中被海量数据“淹没”，而机器却“缺乏数据”。因此，她决定进行一项“疯狂”的尝试——创建了互联网规模的数据集ImageNet，包含1500万张手工策划的图像。她的结论是：大数据驱动机器学习，这是当今AI的缩放法则和基石。

3. 计算架构：GPU的并行革命

• Jensen Huang（黄仁勋）的第一个突破是在90年代末，他发现通过将计算组织成内核并通过流连接起来，可以大幅减少内存访问的成本和时间。这为流处理和最终的GPU计算奠定了基础。• 他的第二个决定性时刻是2010年，当时他被Andrew Ing（吴恩达）说服了深度学习的巨大潜力。Nvidia团队随后在48个GPU上重复了实验，结果让他确信Nvidia应专注于构建专用于深度学习的GPU。他指出，Nvidia的架构使其能够轻松地将算法从单个GPU扩展到多个GPU、多个系统乃至多个数据中心，这种可扩展性是AI革命的关键。

4. 范式转换：从编程到训练与自我组织

• Yann LeCun很早就对训练机器而非编程机器的概念着迷，他认为智能是在生命中自我组织起来的。他与Jeff Hinton的早期争论集中在监督学习（Supervised Learning）与无监督学习（Unsupervised Learning）上。• 虽然ImageNet的成功使行业一度专注于监督学习，但LeCun和Bengio指出，AI需要在自我监督学习上做出努力，这也是LLMs（大型语言模型）背后的核心驱动力。

深度洞察：这不是泡沫，而是智能工厂的崛起


面对当前AI的投资热潮和惊人估值，Jensen Huang驳斥了“泡沫论”，并提出了对当前AI时代的深刻见解：
1. GPU都在被“点亮”


他将当前时代与过去的互联网泡沫（dotcom era）进行了对比。在互联网泡沫时期，部署的光纤大部分是“暗”的，意味着行业部署了远超所需的基础设施。而今天，他指出，“几乎所有你能找到的GPU都被点亮并正在使用中”。
2. AI需要“智能工厂”

• AI的本质需求： 过去的软件是预编译的，计算需求不高。但AI为了有效，它必须具备上下文感知的能力，并且智能必须实时生成，无法预先检索。• 工厂模式： 这种实时的、情境化的计算需求是巨大的，导致了对计算力的持续指数级需求。因此，黄仁勋提醒我们，AI需要**“工厂”**来生产这些智能代币（tokens）。他预计需要数千亿美元的工厂，来服务万亿美元规模的智能产业。• 处于构建的开始： 他认为我们正处于智能构建的开端。从当前低使用率到未来几乎“连续不断地”与AI交互，这将是一个巨大的建设过程。

未来展望：超越LLM，人类智能的界限


当前的LLM浪潮是否是终点？先驱们强调，AI的发展远未结束，并且需要新的科学突破。
1. LLM的局限与新范式

• 从LLM到Agent： Yoshua Bengio认为不应再称当前的系统为LLMs，因为它们正在演变为**“代理”（Agents）**，能够通过一系列步骤与环境进行交互。• 科学问题仍是核心： Yann LeCun和Yoshua Bengio都认为，目前的LLM范式无法被推向人类水平的智能，我们仍缺少一些重大的科学突破。

2. 空间智能是下一个前沿


Fei-Fei Li指出，人类智能远不止于语言。她强调了**“空间智能”**的重要性，这是感知和行动之间的关键。即使是今天最强大的语言模型，在基本的空间智能测试中也会失败。因此，她认为作为一个学科，AI还有更多的疆域需要征服。
3. AGI时间线：增强而非取代


关于机器何时能达到或超越人类水平智能（AGI），几位先驱看法不一：

• Jensen Huang和Bill Dally认为这是一个“学术问题”或“错误的问题”。他们强调，部分机器能力已经超越人类（例如识别22,000种物体或翻译100种语言）。AI的目标是增强人类，而不是取代人类。• Geoffrey Hinton预测，机器智能将在20年内具备在辩论中战胜人类的能力。• Yann LeCun认为，没有概念上的理由阻止我们构建可以做人类几乎所有事情的机器。他指出，AI的规划能力正在指数级增长，如果这一趋势持续，AI在大约五年内就能胜任员工的工作。

Yoshua Bengio总结道，能力的扩展将是渐进式的，可能需要五年到十年才能在新的范式上取得重大进展。
结尾：面向未来的协作与科学求索


我们正处于一个由这些先驱们共同点燃的“革命性时刻”。

今天的对话提醒我们，AI的未来并非一个终点，而是一段持续的旅程。正如Jensen Huang所说，我们已经有了足够的通用智能，可以在未来几年内将技术转化为对社会有用的巨大应用。然而，Yoshua Bengio和Yann LeCun也强调，下一代AI的发展仍然是一个科学问题，它需要持续的科学探索和突破。

AI最终的目标，不是取代我们，而是通过互补的方式增强人类。机器将承担那些人类不擅长或重复性的工作（如识别22,000个类别），让人类能够专注于独有的人类能力——创造力、同理心以及人与人之间的复杂互动。

AI的下一页正在翻开，让我们期待在协作中见证一个更加智能化的世界的到来。