AI六巨头罕见同台！李飞飞激辩LeCun，黄仁勋：你们都错了

在这次访谈中，大佬们各自分享了自己职业生涯中的顿悟时刻。

这些「啊哈」时刻不仅给他们指明了研究方向，也彻底改变了人类社会科技的前进方向。

并且这次6个人都围绕一个核心问题展开激辩：

我们人类，是真的处于一场 真实的AI产业革命之中？还是AI是一个 即将破裂的，史上最大的泡沫？

四十年等待，只为一个「顿悟」时刻

主持人说他们是这个星球上最杰出、最有影响力的6个人。

这绝非夸大其词。

这场AI革命从何而来？

答案不是某个天才的灵光一闪，而是 一群人的漫长坚守。

思想的火花，在40年前就已点燃。

AI教父Geoffrey Hinton回忆起1984年，他用当时极其简陋的计算机，训练一个微型模型来预测序列中的下一个词。

「我发现它竟然能学到词语的含义！」他说。

这，就是今天所有大语言模型 最原始的雏形。

一个在黑暗中被点亮的、穿越了40年时光的想法。

Yann LeCun则坦言，自己年轻时是个「懒惰」的工程师，不想一行行编程去创造智能，而是着迷于「让机器自己学会智能」。

这个看似偷懒的想法，正是机器学习的核心哲学。

但光有想法还不够，革命需要燃料和引擎。

时间来到2006年，当时还是年轻教授的李飞飞发现，所有算法都受困于一个问题：数据太少了。

一个孩子在成长中会看到海量的信息，而我们的机器却在数据荒中挨饿。

于是，她和团队做了一件在当时看来无比疯狂的事——耗时三年，手动标注了1500万张图片，创建了名为ImageNet的数据集。

这桶「燃料」被浇灌到AI领域后，瞬间引燃了整个行业。

与此同时，在英伟达，黄仁勋和他的同事们也在打造一台越来越强大的「引擎」。

他们最初为游戏设计的GPU，意外地被发现是进行深度学习计算的完美工具。

Bill Dally和同事回去后，用仅仅48个GPU就复现了实验。

那一刻，他顿悟了：「我们应该为深度学习制造专门的GPU。」

这些故事串在一起，就是一部AI诞生的「前传」：

思想的火花在AI寒冬中，早已点燃，只待数据的燃料和算力的引擎到位，一场革命便无可阻挡。

六人顿悟时刻（精华版）

Yoshua Bengio

• 读到Hinton早期论文。直觉：或许有如物理定律般的简单原则解释智能、建造智能机。

• ChatGPT出现两年半后警觉：机器理解语言、有目标、却难控。若更聪明或被滥用怎么办？于是转向安全与对策研究。

读到Hinton早期论文。直觉：或许有如物理定律般的简单原则解释智能、建造智能机。

ChatGPT出现两年半后警觉：机器理解语言、有目标、却难控。若更聪明或被滥用怎么办？于是转向安全与对策研究。

Bill Dally

• 90年代末「内存墙」顿悟：用「流」连接内核，做更多算术、少访存。为GPU计算奠基。

• 2010年与吴恩达早餐：Google用16000 CPU找「猫」。受其启发，2011年与同事用48 GPU复现。

• 结果惊人：下决心让GPU专用于深度学习，并持续优化。

90年代末「内存墙」顿悟：用「流」连接内核，做更多算术、少访存。为GPU计算奠基。

2010年与吴恩达早餐：Google用16000 CPU找「猫」。受其启发，2011年与同事用48 GPU复现。

结果惊人：下决心让GPU专用于深度学习，并持续优化。

Geoffrey Hinton

• 1984年做小型语言模型：用反向传播预测下一个词。模型自动学到词义特征及交互。思想与今天的LLM相同，只是很小、样本仅100。

• 阻碍在于算力与数据不足。但当时并不自知。

1984年做小型语言模型：用反向传播预测下一个词。模型自动学到词义特征及交互。思想与今天的LLM相同，只是很小、样本仅100。

阻碍在于算力与数据不足。但当时并不自知。

Jensen Huang（黄仁勋）

• 2010年左右同时收到多伦多、纽约大学、斯坦福的深度学习的早期信号。发现用「框架、结构化表示」开发软件，与芯片设计高度类比，可扩展。

• 顿悟：一旦算法在单卡并行奏效，就能扩到多卡、多机、数据中心。剩下的就是工程推演：数据多大、网络多大、能解什么问题。

2010年左右同时收到多伦多、纽约大学、斯坦福的深度学习的早期信号。发现用「框架、结构化表示」开发软件，与芯片设计高度类比，可扩展。

顿悟：一旦算法在单卡并行奏效，就能扩到多卡、多机、数据中心。剩下的就是工程推演：数据多大、网络多大、能解什么问题。

Fei-Fei Li（李飞飞）

• 2006–2009年顿悟：难点不只在算法，而在数据。由此构建ImageNet：1500万图、2.2万类，众包标注。大数据驱动机器学习。

• 2018年任Google Cloud AI首席科学家：AI是「文明级技术」，影响所有行业与个体。回斯坦福共创HAI，提出「以人为本的AI」。

2006–2009年顿悟：难点不只在算法，而在数据。由此构建ImageNet：1500万图、2.2万类，众包标注。大数据驱动机器学习。

2018年任Google Cloud AI首席科学家：AI是「文明级技术」，影响所有行业与个体。回斯坦福共创HAI，提出「以人为本的AI」。

Yann LeCun（杨立昆）

• 本科即着迷「训练而非编程」的智能观。1985结识Hinton，从多层网络可训练性切入。

• 与Hinton曾辩论：监督vs无监督/自监督。

• ImageNet的成功一度让全域转向监督。

• 2016–2017再次强调自监督；LLM是典范。下一步是视频等非语言数据，自监督仍是关键挑战。

本科即着迷「训练而非编程」的智能观。1985结识Hinton，从多层网络可训练性切入。

与Hinton曾辩论：监督vs无监督/自监督。

ImageNet的成功一度让全域转向监督。

2016–2017再次强调自监督；LLM是典范。下一步是视频等非语言数据，自监督仍是关键挑战。

狂热的当下，我们正身处泡沫之中吗？

好了，历史讲完，回到当下最尖锐的问题：

英伟达市值冲上云霄，全世界都在谈论AI，这一切到底是真实的价值，还是又一个互联网泡沫？

对此，黄仁勋给出了一个堪称绝妙的回答。

在21世纪初的互联网泡沫时期，整个行业铺设了巨量的光纤，但其中绝大多数都是未被点亮的「暗光纤」，需求远远跟不上建设。

而今天，几乎你能找到的每一块GPU，都在被点亮并投入使用。

为什么？因为AI从根本上改变了「价值」的生产方式。

老黄表示，我们正在创造一个全新的行业，一个智能工厂。

过去的软件是「工具」，你买来使用即可。

而AI，第一次，成为了「生产力」本身。它不是内容，而是实时生成的智能。

你不能提前生产好智能，再把它存起来。

每一次你问ChatGPT问题，它都在为你「生产」答案。

这个生产过程，需要巨大的计算能力，就像工厂需要机器和电力一样。

因此，我们需要价值数千亿美元的「AI工厂」（数据中心），来服务于一个建立在智能之上的、价值数万亿美元的全新产业。

我们正处在构建这个产业的初期，怎么会是泡沫呢？

换句话说，这是继农业革命、工业革命之后，一场全新的「智能革命」的基建时期。

我们正处在为新世界铺设水电煤气管道的阶段，而需求，才刚刚开始。

不过李飞飞和LeCun当场还进行了一场「辩论」。

李飞飞强调AI仍然是一个非常年轻的领域，除了语言之外，还存在广阔的「空间智能」等前沿领域有待开拓。

Yann LeCun则指出，泡沫在于「认为当前的大语言模型范式最终能够发展到人类水平的智能」这一想法，他个人并不相信，并认为需要根本性的突破。

终极的未来，「人类级AI」还有多远？

这是整场对话最精彩的高潮。

当被问及「我们离那种与人类相当的智能还有多远」时，桌边的六位大脑，给出了六幅截然不同的未来图景。

「务实派」黄仁勋

这个问题不重要，而且它已经发生了。

已有足够「通用智能」转化为大量有用应用。

是否「人类级」并不重要；关键是持续应用解决重大问题。

他认为，我们已经拥有了足够强大的AI，可以解决大量现实问题。

纠结于一个学术上的「奇点」定义没有意义。

技术正在以惊人的速度进步，我们应该专注于应用它。

「协作派」Bill Dally

这压根就是个错误的问题。

他说，我们的目标从来不是创造AI来取代人类，而是「增强」人类。

就像飞机一样，它会飞，但它和鸟的飞行方式完全不同。

AI将是我们强大的助手，帮助我们处理我们不擅长的事（比如记住22000种物体），让我们能专注于创造、共情等独属于人类的领域。

AI 擅长分类、解难题；人类擅长创造、共情、社交。

是否「人类级」并不确定，但助力巨大。

「开拓派」李飞飞：

她认为我们甚至还没搞懂「智能」的全貌。

像飞机会飞，但不像鸟。

人类智能仍是核心。

她提醒我们，人类的智能远不止语言。

我们在空间感知、与物理世界互动方面的能力，是今天最强的AI也望尘莫及的。

她说，AI作为一门学科才70多年，而物理学已经400多年了。

「还有广阔的前沿等待我们去征服。」

「怀疑派」Yann LeCun

靠现在这条路，走不到终点。

不会是单一时刻。不同能力会渐进扩展。未来 5–10 年或出新范式，整体会比想象更久。

他直言不讳地指出，当前的大语言模型范式，无法通向真正的人类级智能。

我们需要一些「根本性的突破」，才能造出哪怕和猫一样聪明的机器人。

「我们仍然缺失了某些非常重要的东西。」

「预言派」Geoffrey Hinton

他给出了一个具体的时间——20年。

这位AI教父用一个非常具体的标准定义了问题：「多久以后，你和一台机器辩论，它永远都能赢你？」

他的答案是：「我相当肯定，在20年内我们会做到。」

「敬畏派」Yoshua Bengio

充满不确定性，但警惕指数级加速。

他认为最终AI可做「几乎人类能做的一切」。

但时间高度不确定，人类应做好预案。

他认为未来难以预测，但有一个「游戏规则改变者」——当AI开始具备自己研究AI的能力时。

那时，AI将成为自己的「加速器」，自我迭代的速度可能会远超我们的想象。

AI时代杰出的6个人

虽然这些大佬都无人不知，无人不晓，但还是简单介绍一下他们。

这六位大佬覆盖了从硬件、体系结构、并行计算、基础理论与算法到大规模视觉数据等多个维度，他们的贡献协同推动了今日AI与工程系统的巨大飞跃。

Jensen Huang，黄仁勋，英伟达联合创始人兼首席执行官。从3D图形时代起便领导英伟达，并推动了人工智能计算平台的转型。

Yann LeCun，杨立昆，法国计算机科学家，现任Meta首席AI科学家，长期兼任纽约大学（NYU）教授。他是现代深度学习史上的重要人物之一。

Geoffrey Hinton，杰弗里·辛顿，被誉为「深度学习之父/人工智能教父」之一。老爷子可以说是现在AI领域第一人，任何介绍都多余。

Yoshua Bengio，约书亚·本吉奥，加拿大计算机科学家、蒙特利尔大学教授、蒙特利尔学习算法研究所（MILA）科学主任，被称作深度学习的关键人物之一。

Fei-Fei Li，李飞飞，在计算机视觉、大规模数据集建设和以人为本的AI方面影响深远。主导创建了著名的大规模视觉数据库ImageNet。

Bill Dally，比尔·达利，美国计算机科学家、教育家，曾任麻省理工学院教授、斯坦福大学系主任，后加入英伟达担任首席科学家和高级副总裁。他在高性能并行计算机体系结构、互联网络、路由/同步/通信机制等方面做出基础性研究。

参考资料：

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