AI六巨頭首次同臺！縱論四十年AI風云、泡沫之辯與AGI時間表

這是一個人類 AI 群星閃耀時的時刻——黃仁勛、李飛飛、杰弗里·辛頓（Geoffrey Hinton）、約書亞·本吉奧（Yoshua Bengio）、楊立昆（Yann LeCun）、比爾·戴利（Bill Dally），罕見同臺參與同一個圓桌討論 AI。之所以能聚在一起，是因為他們六人獲得了 2025 年伊麗莎白女王工程獎。當地時間 11 月 5 日，六人在圍繞該獎項的一場英國 AI 活動上進行了一場圓桌對談。

（來源：https://www.ft.com/content/5f2f411c-3600-483b-bee8-）

對談中，他們六位針對當前 AI 發展是否存在泡沫發表了自己的觀點，同時均認為 AI 將逐漸接近人類智能。

黃仁勛表示過去的軟件本質上是工具，是首次被人們使用的自動化手段。而 AI 是增強人類能力的智能，因此它關乎勞動、關乎工作，并且它確實在發揮著實際作用。在黃仁勛看來，人類正處在智能構建的起步期。并指出一個基本事實是，目前 AI 還未普及到大多數人。他認為在不久的將來，我們日常的幾乎所有行為，在一天中的每時每刻，都會以某種方式與 AI 相伴。這意味著，人類需要完成從今天使用率尚低、到未來使用率幾乎不間斷的巨大跨越，而這背后的擴展工程是顯而易見的。

李飛飛指出，AI 還是一個非常年輕的領域。即便對比現代物理學，AI 的歷史也不足七十年，從艾倫·圖靈（Alan Turing）算起也才七十五年左右。所以，前方還有太多新領域等待出現。她認為，機器的某些能力將超越人類智能，而另一些機器智能則永遠不會與人類智能趨同或等同。因為它們的設計初衷就與人類不同，是為不同的目的而生的。

辛頓認為假如問他“與機器進行辯論，它需要多久才能永久性地勝出”這個問題，他認為這必定會在二十年內成為現實。人類目前尚未達到這一水平，但辛頓認為在二十年內必將實現。但他同時指出，如果將 AGI 定義為在辯論中總能勝過人類，那么人類很可能在不到二十年的時間內達成這個目標。

約書亞認為人類不該繼續使用“大語言模型”這個稱呼，因為它們的功能已遠超語言范疇。并指出人類無法預言未來幾年或十年的具體技術樣貌，但趨勢是可以把握的。為此，約書亞認為人類應當保持一種真正的不可知論立場，避免做出過于夸張的斷言，因為未來的可能性是開放且多樣的。他還表示目前自己正著手聯絡國際專家，共同追蹤 AI 的進展、方向、潛在風險以及應對之道。

Yann LeCun認為 AI 泡沫確實存在——它體現在一種信念上，即認為當前的大語言模型范式將被直接推升至人類水平智能。在人類造出真正具備人類所觀察到的（不僅是人類，還包括動物）那種智能的機器之前，人們還需要取得一些根本性的突破。

作為英偉達的首席科學家，Bill Dally 指出 AI 應該填補人類能力的空白。人類識別不了 22,000 種物品，大多數人也解決不了那些甲基雙性問題，這些就可以交給 AI 來做。當人類能騰出精力，去從事那些更具人性特質的工作：比如創造、共情，以及人際互動。

（來源：https://www.ft.com/content/5f2f411c-3600-483b-bee8-）

以下為對談實錄，DeepTech 做了不改變原意的編輯：

六人暢談人生關鍵時刻

主持人：各位好，無論您身處下午還是早晨。我很高興能受托介紹圍坐在這張桌旁的杰出人物們，在我看來他們是當今世界上最為出色、也最具影響力的六位人物。并且，我認為這絕非夸大其詞。他們就是 2025 年伊麗莎白女王工程獎的得主。這個獎項正是為了表彰這幾位獲獎者對當今 AI 技術所產生的獨特影響。我希望聽聽你們每個人的經歷：在你們的職業生涯里，有沒有那樣一個靈光乍現的瞬間，讓你感覺從此改變了自己工作的軌跡？那個真正觸動你的個人覺醒時刻是什么？它又是怎樣影響到這項技術發展的？可以先從你開始嗎，Yoshua？

Yoshua Bengio：有兩個關鍵節點讓我記憶猶新。第一個是我研究生時期，正苦于尋找一個有吸引力的研究課題。當我讀到Geoffrey的早期論文時，感覺豁然開朗。我內心非常激動，覺得其中可能蘊藏著像物理學定律一樣優美而基本的原則，能指引我們理解智慧的本質，并最終建造出智能機器。而第二個時刻，大概是兩年半前 ChatGPT 橫空出世的時候。它給了我當頭一棒，讓我不禁反思：我們到底在做什么？如果我們開發出能懂語言、有自己目標但我們卻管不住的機器，會發生什么？如果它們比我們更聰明呢？如果有人濫用這種力量呢？正是這種強烈的危機感，促使我下定決心，徹底扭轉了我的研究軌道和職業道路，盡我所能去應對這個問題。

Bill Dally：我和約書亞的經歷也有些相似之處。那是在 20 世紀 90 年代末，當時我在斯坦福大學主要在研究如何突破所謂的“內存墻”難題——即從內存中獲取數據所需的能耗與時間，遠遠高于數據計算本身。后來我萌生了一個想法：將計算組織成由數據流連接的核心模塊。這樣就能在執行大量算術運算的同時，大幅減少對內存的訪問。這個思路，實際上為后來被稱為“流處理”、并最終發展為 GPU 計算的技術奠定了基礎。所以在我們最初構建它的時候，就意識到它不僅能夠用于圖形處理，更可以應用于通用的科學計算領域。而我的第二個關鍵時刻，是某次在斯坦福與我的同事安德魯·安格（Andrew Ang）共進早餐時。他當時在谷歌工作，正利用一項名為“神經網絡”的技術，在互聯網上尋找貓的圖片——而且動用了 16,000 個 CPU。他成功說服了我，讓我相信這是一項非常出色的技術。于是，我聯合其他人利用英偉達的 48 塊 GPU 重現了整個實驗。在親眼見證結果的那一刻，我內心無比堅定：這就是英偉達應該全力以赴的事業。我們必須調整 GPU 的設計方向，使其更好地服務于深度學習。原因很清楚，這項技術的用武之地遠不止于在互聯網上找貓，它擁有廣闊的應用前景，能滲透到各行各業。可以說，正是那個時刻，我們正式啟動了將 GPU 深度優化、專門用于深度學習的進程。(編者注：“互聯網上找貓”指 2012 年谷歌用 1.6 萬 CPU 訓練神經網絡，讓機器從海量視頻幀中自主識別出貓臉，后成為深度學習里程碑事件。）

主持人：具體是在什么時候？又是指的什么事情呢？

Bill Dally：那次早餐是在 2010 年。如果我沒記錯，我們是在次年，也就是 2011 年重復了那個實驗。

主持人：Geoffrey，輪到你給我們講講了。

Geoffrey Hinton：對我來說一個非常關鍵的時刻發生在大約 1984 年。當時我嘗試運用反向傳播算法，讓模型學習預測一個單詞序列中的下一個詞。這本質上是一個小型語言模型。實驗發現，這個模型能夠自主學習到一些關于詞語含義的有趣特征。也就是說，僅僅輸入一串符號序列，它就能依據某種內部規律，學習如何將單詞轉換為一組特征。這組特征不僅能捕捉單詞的語義，還能通過特征間的相互作用，來預測下一個單詞的特征表現。事實上，這個在 1984 年末構建的小型語言模型，我認為它就是當今大語言模型的雛形。其核心原理是相通的。盡管它規模很小，訓練量也只有 100 次，但已經揭示了基本范式。

主持人：然而，我們卻歷經了整整四十年，才最終實現今天的突破。

Geoffrey Hinton：是的，我們愣是花了四十年才走到這兒。原因很簡單：那時候要算力沒算力，要數據沒數據，而且我們壓根沒意識到這個問題。我們當時怎么也想不通，為什么光靠那個好點子，就是行不通。

主持人：這番回顧也讓我們自然而然地想到了黃仁勛。正如剛才所說，我們曾長達四十年受限于計算能力的匱乏。而如今，恰是您正在親手解決這個問題。能否請您和我們分享一下，在您這段旅程中，那些讓您豁然開朗的關鍵時刻？

黃仁勛 ：就我的職業生涯來說，我是第一代能夠運用更高級別的抽象表達和設計工具來設計芯片的工程師。這一背景，讓我對軟件開發的新趨勢非常敏感。

大約在 2010 年，我幾乎同時接觸了來自加拿大多倫多大學、美國紐約大學和斯坦福大學三個不同實驗室的研究。他們不約而同地向我展示了一種后來被證明是深度學習早期的技術——即利用框架和結構化設計來創建軟件，并且該軟件被證明極其高效。這引出了我的第二個發現：通過再次使用框架、更高層次的抽象以及像深度學習網絡這樣的結構化模式，我們就能開發出強大的軟件。我意識到，設計芯片與構建這些模式非常相似。當時我就在想，我們或許能創造出一種軟件和能力，它能像過去幾十年芯片擴展那樣，持續地進化與發展。

主持人：您認為芯片助力大語言模型規模化發展的關鍵轉折點在什么時候？畢竟您提到的 2010 年，距今已相隔十五年了。

黃仁勛：英偉達架構的核心優勢在于：一旦一個算法能在單個 GPU 上高效并行運行，那么它就能幾乎無礙地擴展到多個 GPU、多個系統，乃至多個數據中心。其內在邏輯是相通的。當我們意識到能夠有效地實現這種擴展后，問題的關鍵就變成了：我們究竟能將這種能力推向多遠？我們擁有多少數據？網絡的規模能有多大？模型能捕捉多少維度？最終能解決何種復雜的問題？正是在那個階段，我發現深度學習的核心價值已由模型的有效性所證明，這無疑是一個巨大的亮點。而此后的大部分工作，本質上都屬于工程上的延伸與拓展。

主持人：飛飛，跟我們講講你的重要時刻。

李飛飛：我也有兩個關鍵時刻想分享。大約在 2006 到 2007 年間，我正從博士生轉變為年輕的助理教授。作為第一代專注于機器學習的博士生，我閱讀了 Yoshua 和 Geoffrey 等學者當時的論文，并深深著迷于解決視覺識別問題——即讓機器理解日常圖片中物體含義的能力。我們當時一直受困于機器學習代碼的泛化問題：模型在學習了有限數量的樣本后，能否成功識別出全新的、從未見過的樣本？我嘗試了從基礎網絡、支持向量機到神經網絡等各種算法。最終，我和我的學生意識到，缺失的關鍵要素是數據。我們觀察到，如同人類這樣的智能生物，在早期發展階段都經歷了海量數據的洗禮，而我們的機器卻處于數據匱乏的狀態。于是，我們決定在當時做一件看似瘋狂的事情：花費三年時間，創建一個互聯網規模的數據集。這個數據集包含了由全球互聯網用戶手工標注的 1,500 萬張圖像，涵蓋 22,000 個類別。因此，對我而言，那個頓悟的時刻就是認識到：是大數據在驅動機器學習的未來。

主持人：而如今，它已成為所有算法模型的基石。

李飛飛：沒錯，這如今已成為 AI 規模化定律的一部分。我的第二個頓悟時刻發生在 2018 年。當時我擔任谷歌云的首位 AI 首席科學家，我們的工作涵蓋了從醫療保健、金融服務到娛樂、制造，乃至農業與能源等所有垂直行業。在所謂的“Alex 瞬間”圖像以及 AlphaGo 出現幾年之后，我正是在那時意識到了關鍵問題。在擔任谷歌首席科學家期間，我認識到這項技術的影響力將達到“文明級別”，它會觸及每個人和所有行業。面對人類邁向 AI 時代的歷史進程，我們必須思考：什么樣的指導原則能讓我們在大力創新的同時，確保這項強大的技術最終能造福所有人？這個想法促使我重返斯坦福任教我們隨后創立了以人為本人工智能研究院（HAI，Stanford Human-Centered AI Institute），其核心就是構建一個框架，將人性和人類價值放回技術進步的中心。（編者注：李飛飛所提到的“Alex 瞬間”指的是一個名為 AlexNet 的深度卷積神經網絡在 2012 年的ImageNet圖像識別競賽中取得了遠超傳統方法的成績，準確率實現巨大突破。）

主持人：所以，我們既要發展技術，也要審視其影響并思考未來走向。這正是我們大家發揮作用的地方。

您（Yann LeCun）是否愿意為我們做一個總結？請不必客氣，盡情講講吧。

Yann LeCun：早在本科時期，我就對廣義智能領域中的 AI 問題非常著迷，并發現 20 世紀五六十年代的研究者，其核心工作是“訓練”機器而非“編程”機器。這個想法讓我深深入迷，或許是因為我自覺不夠聰明或不夠勤勉，無法從零開始直接構建出一臺智能機器。那么，最好的方式豈不是讓機器能夠自我訓練、自我演進？這不正如同生命體中智能的構建方式嗎？它是自組織的。因此，我覺得這個概念極具吸引力，但當時卻找不到志同道合的人。我從工程專業畢業，一直在從事一些低成本設計，同時也計劃攻讀研究生。我始終找不到任何從事相關研究的人，但與一些對此感興趣的人保持著聯系，例如他們發現了Geoffrey的論文。到了 1983 年我開始讀研時，他已成為我最想見到的學者。最終，我們在兩年后得以見面。我們 1985 年一起吃了頓午飯，基本上是一見如故，聊得非常投機。當時我在一個他做主旨報告的會議上發表了一篇法文論文，而他居然成功讀懂并理解了我文中的數學內容——那篇文章講的是一種用于訓練多層網絡的傳播方法。要知道，從 20 世紀 60 年代開始，大家就清楚一個局限：我們沒法訓練多層模型。這成了我那時心心念念要解決的問題，后來也變成了他的執念。之后我寫了一篇提出解決方案的論文，他讀懂了里面的數學。我們就是這樣結緣并開始合作的。

主持人：而這正是讓你踏上這段旅程的原因。

Yann LeCun：確實如此。因此，當你掌握了訓練此類復雜系統的能力后，自然會思考下一個問題：如何構建它們，使其能夠執行識別圖像等有實際意義的任務。早在 20 世紀 80 年代末我擔任博士后期間，我和Geoffrey曾有過一場辯論。我當時認為，唯一可行的路徑是經過精心設計的、在監督學習范式下運行的機器學習。即你向機器展示一張圖片，并告訴它正確答案。但他對此表示反對，他認為要想取得真正的進展，就必須超越監督學習。有段時間，我并未充分重視這個觀點。直到 2000 年代中期，當我和Yoshua開始合作，并致力于重新喚起學界對深度學習的興趣時，我們實際上是將重點押注在了無監督學習等相關方向上。

主持人：它本質上是一個自我強化的過程。

Yann LeCun：這并非強化學習。它的本質是從結構化數據中發現規律，而無需針對任何特定任務來訓練機器。自然語言模型雖然被訓練來預測下一個單詞，但這本身并非一個真正的任務目標。這只是系統為了學習一種優質的數據表征，或者說為了捕捉數據內在規律所采用的一種方式。

主持人：系統里面有沒有一個東西在管著它？抱歉我得說得專業點，就是有沒有一個根本的機制，能判斷它現在這樣跑是對的，好讓它一直保持在正軌上？

Yann LeCun：如果你能正確預測出下一個單詞，那么這本身便證明了預測的正確性。

Geoffrey Hinton：所謂強化學習里的獎勵，打個比方，就像是你對系統說“干得漂亮”一樣。

Yann LeCun：說實話，這得“歸咎”Geoffrey。如你所知，飛飛構建了大型標注數據集 ImageNet，這使得我們可以采用監督學習來訓練系統。而實際結果是，這個網絡的性能遠超我們預期。于是，我們當時便暫時擱置了整個關于自監督學習的項目計劃，因為監督學習的方法已經表現得如此出色。當然，我們也琢磨出了一些提升性能的小技巧。但在某種程度上，我們確實引導了整個行業和研究界將重心放在了深度學習、監督學習等方向上。直到幾年后，大約在 2016、2017 年左右，大家才意識到這無法達成我們的終極目標，并開始轉向自監督學習。是的，這確實是說明范式轉變的一個絕佳例證。而我們當前的工作，是將其應用于視頻、傳感器數據等新型數據。然而，像自然語言模型這類架構在處理此類數據上其實并不擅長，這將是未來幾年我們面臨的新挑戰。

AI 泡沫是否存在？

主持人：這正好將我們引向了當前的情勢。我想大家都觀察到一個現象：以前對 AI 完全不關心的人，現在都興致勃勃。一時間，所有人都涌向這個領域。它早已超越技術革新本身，演變成了一個巨大的商機，甚至成為了大國博弈的戰略焦點。每個人都在努力探究其真正本質，圍繞著它不斷思索。我此刻首先想請教黃仁勛，也希望在座各位都能審視一下此刻：特別是英偉達，它幾乎天天占據新聞頭條，并且成為了全球最有價值的公司。這說明市場存在著真實的需求。

您是否憂慮，我們正走向一個因普遍理解不足而過于急躁的階段，最終會導致泡沫破裂，經歷一番調整后才能恢復正常？如若不然，與當年的互聯網泡沫相比，如今人們對 AI 需求最顯著、也是最未被理解的差異到底是什么？

黃仁勛：在互聯網泡沫時期，鋪設的絕大多數光纖都被閑置，這意味著行業的供給遠遠超過了實際需求。而如今，幾乎每一塊能找到的 GPU 都在全負荷運行。因此，我認為退一步理解“AI 究竟是什么”至關重要。對許多人而言，AI 就是 ChatGPT 或圖像生成，這沒錯，但這些都只是它的具體應用。過去幾年，AI 取得了巨大進步，它不僅能夠記憶和歸納，更具備了推理與有效思考的能力，并能通過研究來確立觀點。它現在可以生成答案，完成更有價值的任務，效果也出色得多。此外，那些能構建對其他企業有用工具的公司，例如我們正在使用的Cursor等 AI 編程軟件公司，它們盈利能力很強，我們也大量使用其產品。在醫療健康等領域，AI 也顯示出極大的效用。AI 的能力已經實現了質的飛躍。其結果是，我們正同時目睹兩個指數級變化：一是生成答案所需的計算量急劇增加，二是這些 AI 模型的使用量本身也在指數級增長。這兩條指數曲線對計算資源構成了巨大需求。現在，當你退后一步，會從根本上追問：今天的 AI 與過去的軟件行業有何本質不同？過去的軟件是預先編譯好的，且所需的計算量不大。但為了讓 AI 發揮作用，它必須具備上下文感知能力。目前它已能產生智能，而你無法提前制作并儲存這種智能——那被稱為“預制內容”。智能必須實時產生。因此，我們所在的這個行業，要生產高需求且真正有價值的產品，所需的計算量是空前巨大的。我們在一個需要“工廠”的行業中創造價值。這就是為什么我常提醒自己：AI 需要工廠來生產這些“智能標記”。這是前所未有的情況，計算機本身成為了工廠的核心。我們需要投入數千億美元來建設這些工廠，以服務于未來價值數萬億美元的產業。回顧過去的軟件，它們本質上是工具，是首次被人們使用的自動化手段。而 AI，是增強人類能力的智能。因此，它關乎勞動，關乎工作，并且它確實在發揮著實際作用。在我看來，我們正處在智能構建的起步期。一個基本事實是，目前 AI 還未普及到大多數人。可以預見，在不久的將來，我們日常的幾乎所有行為，在一天中的每時每刻，都會以某種方式與 AI 相伴。這意味著，我們需要完成從今天使用率尚低、到未來使用率幾乎不間斷的巨大跨越，而這背后的擴展工程是顯而易見的。

主持人：假設大語言模型的進展放緩，您認為 GPU 和您打造的基礎設施，是否仍能適應新的技術范式并保持其價值？您回答之后，我也非常希望聽到在座其他人的想法。

黃仁勛：大語言模型屬于 AI 技術的一部分。但 AI 的范疇是包含各類模型系統的廣闊天地，大語言模型只是其中一個重要的成員。現在已經有了一些模型系統和必要的技術，可以讓 AI 從現在的樣子變得更具生產力，或者說讓它更“能干”。無論我們給它起什么名字，未來都還有大量的技術等待我們去探索和開發。

主持人：在座各位誰有想說的？

Yoshua Bengio：我認為我們不該繼續使用“大語言模型”這個稱呼，因為它們的功能已遠超語言范疇。是的，它們確實從語言模型起步，預訓練是其基礎。但最近，技術在質上有了飛躍，正朝著“智能體”的方向發展：能夠通過多輪對話，與環境、與人實時互動，完成目標，甚至與底層計算設施深度交互。它和三年前完全不可同日而語。我們無法預言未來幾年或十年的具體技術樣貌，但趨勢是可以把握的。為此，我正著手聯絡國際專家，共同追蹤 AI 的進展、方向、潛在風險以及應對之道。現在，許多基準測試的趨勢已經清晰可辨。過去的技術驗證非常成功，但這不代表未來沒有挑戰。期望落空會帶來金融風險，這一點我承認。但從長遠發展來看，我完全同意其重要性。不過，我們仍需保持清醒。

主持人：那么，目前在座的其他人怎么看？

Bill Dally：當前的趨勢在一定程度上解釋了現狀。首先，模型正變得越來越高效。以注意力機制的演進的為例：從普通注意力到分組查詢注意力，再到多頭注意力...... 如今人們可以用少得多的計算成本，獲得相同甚至更優的效果。這從某種程度上催生了新的需求：許多曾經因成本過高而無法實現的應用，現在變得足夠便宜，從而使得 AI 能夠涉足更廣泛的領域。與此同時，AI 模型本身的能力也在持續進步。或許它會隨著 Transformer 架構的優化而提升，或許會有全新的架構出現。但技術發展的方向是明確的：我們必將擁有能力更卓越、且同樣高效的模型。實際上，它們比那些功能專一的方案更有價值，因為它們更靈活，也能更好地隨著模型一起進化。最關鍵的一點是，我認為我們對 AI 的應用探索還只是冰山一角。人類生活的幾乎每一個角落，無論是職業生涯還是日常瑣事，都能借助 AI 變得更好。我想，我們可能連它最終需求的 1% 都還沒碰到。隨著 AI 不斷進步，應用場景只會越來越多。所以，我認為這里根本談不上泡沫。就像黃仁勛說的，我們正描繪一條多重指數增長的曲線，而現在僅僅是開端，這條路會一直延伸下去。

主持人：在某種程度上，英偉達對此已經適應了。因為無論范式如何變化，涌現出何種新型 AI 或架構，那些最核心的硬件構件始終是需要的。飛飛有什么想說的嗎？

李飛飛：我的確認同從市場層面來看，它有其自身規律，有時會自我修正。但如果我們關注長期趨勢，必須意識到 AI 還是一個非常年輕的領域。我們環顧這個房間，墻上寫有物理學方程。物理學已有四百多年歷史。即便對比現代物理學，AI 的歷史也不足七十年，從艾倫·圖靈（Alan Turing）算起也才七十五年左右。所以，前方還有太多新領域等待出現。我們知道，黃仁勛常談及大語言模型和智能體，它們大多以語言為核心。但即便反思人類智能本身，能力也遠不止語言。我一直關注空間智能，它研究的是感知與行動的結合。在此方面，人類和動物展現出的感知、推理、互動和創造力，遠超語言所能涵蓋的范疇。今天最頂尖的語言或大語言模型，在基礎空間智能測試中依然表現不佳。由此可見，作為一門科學與學科，我們面前還有廣闊的疆域需要征服和探索。這也意味著，未來將開啟更多樣的應用可能性。

主持人：您（Yann LeCun）在公司任職，所以同時擁有研究和商業的雙重角度。您是否相信這一切 AI 發展現狀都是合理的，并且能看得明白其背后的根源？還是覺得我們正面臨一個不確定的十字路口，必須找到新的方向？

Yann LeCun：我認為有幾種觀點支持我們并未處于泡沫之中，但至少也存在一種觀點認為我們正身處泡沫。這確實是另一個需要探討的問題。從某種角度說，結局并非注定。因為基于大語言模型，尚有大量應用有待開發。大語言模型是當前的主導范式，其中蘊含著巨大的潛力可供挖掘。這正是Bill所提到的——利用現有技術改善人們的日常生活。技術需要被推動，這也證明了在軟件和基礎設施方面的所有投入是合理的。一旦我們讓智能助手普及到每個人手中，正如黃仁勛所言，為如此龐大的用戶群提供服務所需的計算量將是天文數字。因此，從這個層面看，這些投資并未被浪費。然而，從另一種意義上說，泡沫確實存在——它體現在一種信念上，即認為當前的大語言模型范式將被直接推升至人類水平智能。我個人并不相信這一點，在我們造出真正具備我們所觀察到的（不僅是人類、還包括動物）那種智能的機器之前，我們還需要取得一些根本性的突破。舉例來說，我們甚至還沒有像貓一樣聰明的機器人，對吧？因此，我們仍然缺失某些關鍵的東西。這正是為什么 AI 的進步不能僅僅依靠更多基礎設施、更多數據、更多投資和現有的 Python 開發。實際上，這是一個科學問題，關乎我們如何朝著下一代 AI 取得突破。

用“年”給出對于 AGI 的預估

主持人：能否請你們每一位都談談：在你們看來，我們還需要多久才能達到你們所堅信的那個階段——即創造出與人類、甚至與章魚這類高智能動物相當的機器智能？我們距離這個目標究竟有多遠？請用“年”來給出你們的預估。

Yann LeCun：這不會是一場短暫的運動。因為各項能力將在不同領域中以漸進的方式逐步拓展。

主持人：您預計在什么時間段內？

Yann LeCun：或許在未來五到十年內，我們能在技術上取得一些實質性突破，從而催生出一個全新的范式。但隨之而來的商業應用與公司層面的發展，其進程可能要比我們預想得更為漫長。

李飛飛：機器的某些能力將超越人類智能，而另一些機器智能則永遠不會與人類智能趨同或等同。因為它們的設計初衷就與人類不同，是為不同的目的而生的。

主持人：預計何時啟動機器替代人類的進程？

李飛飛：其中的一部分能力已經成為現實。試問，我們當中有多少人能夠識別出世界上的 22,000 種物體呢？而 AI 可以。試問，有多少成年人能翻譯 100 種語言？而 AI 可以。因此，我認為我們的思考應當更加細致入微，并且必須立足于科學事實——正如飛機能夠飛行，但其飛行方式與鳥類有著根本區別。基于機器的智能必將發揮諸多強大的作用。但在人類社會的框架內，人類智慧的價值始終是核心且不可替代的。

主持人：黃仁勛，你有什么想說的嗎？

黃仁勛：我們已擁有足夠的通用智能，可以在未來幾年將這項技術轉化為大量有益于社會的應用。從現在開始，我們的重點是利用技術去攻克眾多重大難題。我認為我們已經具備了基礎能力。所以，我認為當前的局限性無關緊要。

主持人：正因如此，現在才是時候，沒錯。

Geoffrey Hinton：如果您將問題稍微具體化一些，設定為“與機器進行辯論，它需要多久才能永久性地勝出”，我認為這必定會在二十年內成為現實。我們目前尚未達到這一水平，但我可以肯定地預見，在二十年內必將實現。因此，如果您將“AGI”定義為在辯論中總能勝過人類，那么我們很可能在不到二十年的時間內達成這個目標。

Bill Dally：我們的初衷并非是要打造一個能取代人類或超越人類的 AI。

主持人：但這本質上是一個科學問題。其核心意圖并非是要取代人類。真正的問題是：我們作為一個社會整體，是否具備創造出這種事物的能力？

Bill Dally：我們的宗旨是創造能增強人類能力的 AI。換句話說，我們是想讓 AI 去填補人類能力的空白。人類識別不了 22,000 種物品，大多數人也解決不了那些甲基雙性問題，這些就可以交給 AI 來做。其目的是讓人類能騰出精力，去從事那些更具人性特質的工作：比如創造、共情，以及人際互動。至于 AI 自己能否做到這些，我認為還尚不確定。但它無疑可以成為人類的得力助手。

Yoshua Bengio：在這一點上我持有不同看法。我認為，沒有根本性的理由能證明我們在未來無法創造出能夠完成人類幾乎所有工作的機器。當然，目前在空間感知和機器人技術領域，它確實相對滯后，但從理論層面看，不存在我們無法實現這一目標的障礙。所以，在具體的時間線上，我認為存在著巨大的不確定性，我們的規劃應充分考慮這一點。但我注意到一組非常有意思的數據：過去六年中，AI 系統在不同時間跨度上進行規劃的能力正呈指數級快速增長。如果這一趨勢得以延續，大約五年后，AI 將能夠勝任普通員工在崗位上的大部分工作。需要明確的是，這僅僅是工程任務中的一個類別，還有許多其他至關重要的方面。例如，一個可能改變游戲規則的動向是，許多公司正致力于開發“由 AI 主導 AI 研究”的能力——即讓 AI 進行工程、計算機科學的研究，并設計下一代 AI 系統，這其中可能就包括對機器人技術和空間理解能力的改進。我并非斷言這一定會發生，但 AI 在編程和算法理解方面的能力正在飛速提升，這可能會解鎖許多我們目前尚無法預見的可能性。因此，我們應當保持一種真正的不可知論立場，避免做出過于夸張的斷言，因為未來的可能性是開放且多樣的。

參考資料：

對話視頻https://youtu.be/0zXSrsKlm5A

運營/排版：何晨龍