AI六巨頭激辯完整版：Hinton認栽、LeCun逼宮、黃仁勛豪賭——誰對誰錯，你的飯碗由誰決定？ | 前沿在線

伊麗莎白女王獎六十年首次授予AI，六位奠基人首次同框。這不是觀點碰撞，是為AI歷史路線定性的世紀審判。

編輯：前沿在線 編輯部

就在最近的倫敦，

伊麗莎白女王獎首次授予六位AI奠基人，

一場關于AGI時間線的世紀審判就此拉開帷幕。

Hinton認栽"我們走了40年彎路"，LeCun質疑當前范式"連貓都不如"，黃仁勛豪賭"AI工廠已開工"。

這不僅關乎AI走向何方，更直接決定你的職業未來何時需要為機器讓路。

核心要點搶先看

本次圓桌訪談匯聚了2025年伊麗莎白女王工程獎六位得主——深度學習"三巨頭"杰弗里·辛頓（Geoffrey Hinton）、楊立昆（Yann LeCun）、約書亞·本吉奧（Yoshua Bengio），NVIDIA掌舵者黃仁勛（Jensen Huang）與首席科學家比爾·戴利(Bill Dally)，以及ImageNet創建者李飛飛。

他們分享了改變AI歷史的個人頓悟，并圍繞當前AI熱潮與未來走向展開深度對話。

獲獎者簡介

• 杰弗里·辛頓Geoffrey Hinton：“深度學習之父”、圖靈獎得主，反向傳播算法核心推廣者與膠囊網絡提出者，奠定深度學習理論基礎，推動神經網絡商業化應用。

• 楊立昆Yann LeCun：深度學習 “三巨頭” 之一、圖靈獎得主，卷積神經網絡（CNN）及 LeNet-5 發明人，Meta 首席 AI 科學家，主導自監督學習與生成式 AI 研發。

• 約書亞·本吉奧Yoshua Bengio：深度學習 “三巨頭” 之一、圖靈獎得主，MILA 創始人，深耕深度學習與自然語言處理結合，是 AI 安全與倫理領域核心倡導者。

• 李飛飛：ImageNet 聯合創始人，斯坦福大學 HAI 聯席院長，計算機視覺領域領軍者，推動視覺 AI 數據生態構建與 “以人為本” 的 AI 發展理念。

• 比爾·戴利Bill Dally：NVIDIA 首席科學家，并行計算架構先驅，主導 GPU 并行計算效率優化與 CUDA、Tensor Core 等核心技術研發，支撐 AI 計算硬件落地。

• 黃仁勛Jensen Huang：NVIDIA 創始人兼 CEO，AI 計算平臺關鍵推動者，帶領公司以 GPU 奠定現代 AI 計算基礎，推動 AI 技術在多行業的規模化應用。

一、改變歷史的五個關鍵瞬間

1.杰弗里·辛頓Geoffrey Hinton（1984）：用反向傳播訓練微型語言模型，發現機器能自動學習詞義特征，這是當今大語言模型的基因起源。

2.比爾·戴利Bill Dally（2010）：與吳恩達早餐會談后，在48塊GPU上復現"找貓"實驗，確信深度學習將重塑計算，推動NVIDIA轉向AI芯片。

3.李飛飛（2006-2007）：意識到"泛化性"瓶頸在于數據饑渴，耗時三年創建1500萬張圖片的ImageNet，證明大數據驅動機器學習的核心地位。

4.黃仁勛Jensen Huang（2010）：同時收到多倫多、紐約、斯坦福三所頂尖實驗室的信號，發現深度學習框架與芯片設計的高度相似性，看到軟件規模化的新路徑。

5.約書亞·本吉奧Yoshua Bengio（1983-1985）：被"訓練而非編程"理念吸引，與Hinton因一篇法語論文結緣，共同破解多層神經網絡訓練難題，奠定深度學習理論基礎。

二、AI泡沫之辯：是狂熱還是剛需？

并非泡沫派：

-黃仁勛Jensen Huang：與光纖泡沫不同，今天"每塊GPU都被點亮"。AI不是檢索預編譯軟件，而是實時生成智能的"工廠"，需要數千億基礎設施投資來服務萬億產業。

-比爾·戴利Bill Dally：三大趨勢支撐需求——模型效率持續提升、能力不斷增強、應用僅觸及1%表面。我們正身處"多重指數增長"的極早期。

-李飛飛：作為70年歷史的年輕學科，AI遠未觸頂。空間智能等語言之外的領域，仍是待征服的科學邊疆。

理性警示派：

-約書亞·本吉奧Yoshua Bengio：存在"雙重現實"。應用層面確有價值可挖，但"LLM將邁向人類級智能"是泡沫。我們甚至還沒有貓一樣聰明的機器人，需要科學突破而非僅靠工程。

-李飛飛：市場自有調整規律，短期估值波動不可避免，但長期趨勢清晰。

三、AGI何時到來？五位大師的分歧與共識

時間線預測：

-杰弗里·辛頓Geoffrey Hinton：不是單一事件，能力將漸進擴展。未來5-10年可能在新范式上取得重大進展。

-約書亞·本吉奧Yoshua Bengio：若定義"辯論永遠贏人類"，20年內可達。但空間智能等領域仍需突破。

-比爾·戴利Bill Dally：問題本身錯誤。我們的目標是增強而非取代人類，創造力與共情是AI永難企及的領地。

-楊立昆Yann LeCun：不同意。沒有理由機器最終不能做人類一切。AI自我改進能力過去六年指數級增長，可能**5年內達員工水平。關鍵變量是AI能否自主設計下一代AI。

-黃仁勛Jensen Huang：AGI是"學術問題"，無關緊要。應用已經到來，技術將持續改進，解決現實世界問題才是重點。

核心共識：

-無"奇點時刻"：智能將是漸進、領域化的拓展，而非一夜降臨。

-科學回歸：行業過度聚焦工程應用時，需要重返基礎研究，探索空間智能、機器人等LLM不擅長的領域。

-一年后新世界：技術迭代速度驚人，對話一年后重現，議題將完全不同。

一句話總結：當前AI基礎設施投資合理，應用空間巨大，但通往通用智能仍需科學突破。真正的挑戰不是"何時到達"，而是"如何在增強人類的同時，確保技術始終服務于人類福祉"。

2025 年伊麗莎白女王工程獎得主圓桌討論實錄

主持人：大家好，下午好，早上好。我很榮幸能作為主持人，向大家介紹今天圍坐在這張桌旁的這群杰出人士 ——我認為他們是當今地球上六位最卓越、最具影響力的人物。

這并非夸大其詞，他們是2025 年伊麗莎白女王工程獎的獲獎者，以表彰他們對當今人工智能技術產生的獨特影響。

鑒于你們在高級機器學習和 AI 領域的開創性成就，以及你們幫助構建的創新如何塑造著我們今天的生活，我想每個人都很清楚，能讓你們齊聚一堂是多么難得而激動人心的機會。

對我個人而言，我真的很期待聽到你們反思我們當前所處的這個時刻，這個每個人都試圖預判并把握的時刻，以及你們的旅程，那個將你們帶到今天這里的旅程。同時，我也想了解你們的工作以及你們個人如何相互影響，以及你們所建立的公司和技術。

最后，我希望你們能展望未來，幫助我們都更清晰地看到即將發生的事情，而你們最有資格做到這一點。所以，我很高興今天能與你們所有人在一起，期待著這場討論。

那么，我將從宏觀層面轉向非常個人化的問題開始。我想聽聽你們每個人職業生涯中那個個人的頓悟時刻—— 那個影響了你們的工作或成為你們走上今天這條道路的轉折點，無論是在你們職業生涯早期、研究中，還是最近。

你們個人的覺醒時刻是什么，它又是如何影響了技術？我們從你開始吧。

李飛飛：謝謝，我很樂意。我會講兩個時刻。

第一個是我讀研究生時，我在尋找有趣的研究課題，讀到了 Geoffrey Hinton 的一些早期論文。我想，哇，這太令人興奮了，也許有一些像物理定律一樣簡單的原理，能幫助我們理解人類智能，并幫助我們建造智能機器。

第二個時刻是兩年半前，ChatGPT 問世后，我意識到：哦，我們在做什么？如果我們建造了理解語言、擁有目標而我們又無法控制這些目標的機器，會發生什么？

如果他們比我們更聰明會怎樣？如果人們濫用這種權力會怎樣？所以，這就是為什么我決定完全轉變我的研究議程和職業生涯，盡我所能去應對這個問題。

主持人：這是兩種非常不同的、非常有趣的事情。告訴我們你建立基礎設施的時刻，那個為我們現在所擁有的技術提供動力的時刻。

比爾?戴利：我也講兩個時刻。

第一個是 90 年代末，我在斯坦福大學試圖弄清楚如何克服當時被稱為 "內存墻" 的問題——從內存訪問數據在能耗和時間上的成本遠高于在其上進行算術運算。

我突然想到將計算組織成這些由流連接的內核，這樣你就可以進行大量算術運算而無需進行大量內存訪問。這基本上為后來被稱為流處理、最終是 GPU 計算的技術鋪平了道路。

我們最初建立它時認為，我們不僅可以將 GPU 用于圖形，還可以用于一般的科學計算。

第二個時刻是，我和我在斯坦福的同事吳恩達（Andrew Ng）一起吃早餐，當時他在谷歌工作，用 16,000 個 CPU 和一種叫做神經網絡的技術在互聯網上找貓—— 李飛飛也參與了這項技術。

他基本上說服了我，這是一項偉大的技術。于是我和布萊恩?卡坦扎羅（Bryan Catanzaro）在 NVIDIA 的 48 個 GPU 上重復了這個實驗。

當我看到結果時，我完全確信這就是 NVIDIA 應該做的事情 ——我們應該構建我們的 GPU 來做深度學習，因為這有超越 "找貓" 的巨大應用，在各個領域都有巨大應用。

那是一個開始努力使 GPU 專門用于深度學習并使其更有效的頓悟時刻。

主持人：那是哪一年？

比爾?戴利：早餐是 2010 年，我認為我們在 2011 年重復了實驗。

主持人：Geoffrey，跟我們講講你的。

杰弗里?辛頓：一個非常重要的時刻是，大約在 1984 年，我嘗試使用反向傳播來學習單詞序列中的下一個單詞 ——這是一個微型語言模型。

我發現它能學習單詞含義的有趣特征。僅僅給它一串符號，通過嘗試預測字符串中的下一個符號，它就能學習如何將單詞轉換成捕捉詞義的特征集，并讓這些特征之間產生互動，預測下一個詞的特征。

所以那實際上是 1984 年底的一個微型語言模型，我認為它是這些大語言模型的先驅。基本原理相同，只是規模很小。我們有 100 個訓練樣本。我們花了 40 年才走到今天。

主持人：花了 40 年才來到這里。花了 40 年的原因是我們沒有算力，也沒有數據，而我們當時并不知道。我們不明白為什么不能用那個種群解決所有問題。

這很自然地引向了黃仁勛。40 年來我們沒有算力，而現在你正在建造它。告訴我們你真正清醒的時刻。

黃仁勛：就我的職業生涯而言，我是第一代能夠使用更高層次的表示和設計工具來設計芯片的芯片設計師。這個發現很有幫助。

大約在 2010 年，我從三個不同的實驗室同時了解到了一種新的軟件開發方式。多倫多大學的研究人員聯系了我們，同時紐約大學的研究人員也聯系了我們，斯坦福大學的研究人員也同時聯系了我們。

我看到了后來被證明是深度學習的早期跡象。大約在同一時間，使用框架和結構化設計來創建軟件，結果證明非常有效。

這第二次觀察：再次看到使用框架、更高層次的表示、像深度學習網絡這樣的結構化類型來開發軟件—— 與為我設計芯片非常相似。

模式非常相似，我意識到，也許我們可以開發軟件和能夠以良好方式擴展的能力，就像我們多年來擴展芯片設計一樣。所以那對我來說是一個相當重要的時刻。

主持人：你認為芯片什么時候開始真正幫助擴展我們今天擁有的大語言模型？因為你說 2010 年，那還是 15 年前。

黃仁勛：NVIDIA 架構的特點是，一旦你能夠讓某樣東西在 GPU 上運行良好，因為它變得并行，你就可以讓它在多個 GPU 上運行良好。

將算法擴展到單個 GPU 上多個處理器的同理心，與在多個 GPU 上、然后多個系統、實際上多個數據中心上運行的邏輯和推理是相同的。

所以一旦我們意識到我們可以有效地做到這一點，剩下的就是想象這種能力可以延伸到多遠。

我們有多少數據，網絡可以有多大，它能捕捉多少維度，它能解決什么樣的問題 ——所有這些都只是工程問題。觀察到深度學習模型如此有效才是真正的火花，其余的都只是工程外推。

主持人：李飛飛，跟我們講講你的時刻。

李飛飛：我也有兩個時刻可以分享。大約在 2006 年和 2007 年，我從研究生轉為年輕的助理教授，是第一代機器學習研究生，讀著年輕的 Yoshua Bengio 和 Geoffrey Hinton 的論文。

我真的很癡迷于試圖解決視覺識別問題 —— 讓機器能夠 "看見" 日常圖片中物體的意義。我們在機器學習中遇到了一個叫做 "泛化性" 的問題：從一定數量的例子學習后，能否識別新的樣本？我嘗試了從貝葉斯網絡到支持向量機到神經網絡的每一種算法。

我和我的學生意識到缺失的部分是數據。如果你看看智能動物（如人類）的演化或發展，我們在發展早期被數據淹沒，但我們的機器卻數據匱乏。

所以我們決定在當時做些瘋狂的事：創建一個互聯網規模的數據集，歷時三年，叫做 ImageNet，包含 1500 萬張由世界各地的人手工整理的圖像，橫跨 22,000 個類別。對我來說，那一刻的頓悟是：大數據驅動機器學習，這是限制因素，是所有算法的基石。是的，這是今天 AI 規模法則的一部分。

第二個頓悟時刻是 2018 年，我是谷歌云的第一位首席科學家，我們的工作是為所有垂直行業服務，從醫療保健到金融服務，從娛樂到制造業，從農業到能源。這是在 ImageNet-AlexNet 時刻幾年后，AlphaGo 幾年后。

我意識到AlphaGo—— 這個能夠在玩中國棋盤游戲時擊敗人類的算法—— 作為谷歌的首席科學家，我意識到這是一項文明技術，將影響每個人、每個商業部門。

如果人類要進入 AI 時代，指導框架是什么，以便我們不僅創新，還能通過這個強大的技術為每個人帶來福祉？

這就是當我回到斯坦福擔任教授，共同創立了以人為本 AI 研究所并提出以人為本 AI 框架的時候，以便我們能讓這項技術的核心保持人性和人類價值觀。

主持人：是的，你想把我們帶回來嗎？你的亮點是什么？

約書亞?本吉奧：是啊，可能要追溯到很久以前。我意識到，當我還是本科生時，我就被 AI 和更廣泛的智能問題所吸引，發現五六十年代的人們曾致力于訓練機器而不是對它們編程。

我真的被這個想法迷住了，可能是因為我認為自己太笨或太懶，無法從頭開始建造一整臺機器，對吧？所以最好讓它自我訓練或自我組織。這就是你知道的，生命中的智能建立自己，它是自組織的。所以我覺得這個概念非常吸引人。

當我從工程學畢業想做芯片設計時，我找不到任何人從事這個工作，但與一些對此感興趣的人建立了聯系，發現了 Geoffrey 的論文。他是我在 1983 年開始讀研究生時最想見的人，我們最終在兩年后相遇。

主持人：今天你們還是朋友嗎？

約書亞?本吉奧：是的，哦，我們我們在 1985 年一起吃過午飯，我們基本上可以完成彼此的句子。我在一個會議上用法語寫了一篇論文，他是主旨演講人，設法破譯了數學，有點像反向傳播，用于訓練多層網絡。

從 60 年代起我們就知道，機器學習的限制在于我們無法訓練具有多層的機器。那真的是我的困擾，也是他的困擾。所以我寫了一篇論文提出了某種方法，他設法讀懂了數學，我們就是這樣聯系上的。

主持人：這就是讓你走上這條路的原因。所以之后，你知道，一旦你能像這樣訓練復雜系統，你就會問這些微妙的問題：我如何構建它們，讓它們做一些有用的事情，比如識別圖像之類。

在當時，Geoffrey 和我有一場辯論。80 年代末我和他一起做博士后時，我認為唯一被充分制定的機器學習范式是監督學習—— 你給機器看一張圖片并告訴它正確答案。

他說不，不，我們取得進步的唯一方式是通過無監督學習。我當時對此不屑一顧。你知道，2000 年代中期左右，當我和他、Yoshua 開始聚在一起，重新激發社區對深度學習的興趣時，我們實際上把賭注押在無監督學習或自學習上，這只是一個強化循環，對吧？

這不是強化學習，這基本上是在不訓練機器完成任何特定任務的情況下發現數據中的結構。順便說一句，這就是 LLM 的訓練方式。

LLM 被訓練來預測下一個單詞，但這不是真正的任務，這只是系統學習良好表示或捕捉的方式。

主持人：那里有獎勵系統嗎？抱歉要深入技術細節，但是那里沒有東西說 "這是正確的，因此繼續做下去" 嗎？因為如果你正確預測了下一個單詞，這就是正確的。

所以這與強化學習中的獎勵不同，在那里你會說 "那很好"。

所以事實上，我要把這歸咎于你，你產生了這個名為 ImageNet 的大數據集，它是帶標簽的，所以我們可以使用監督學習來訓練系統，結果比我們預期的要好得多。所以我們暫時放棄了整個自我監督程序，因為監督學習效果這么好，我們想出了幾招。

Yoshua 被它困住了，我說我沒有，不，它也不起作用，但它有點讓我們集中了整個行業和研究社區，如果你想的話，專注于深度監督學習等。

又花了幾年時間，可能在 2016、2017 年左右，告訴人們這不會帶我們去想去的地方，我們需要做自我監督學習，而 LLM 就是最好的例子。

但我們現在正在做的是將其應用于其他類型的數據，比如視頻、傳感器數據，LLM 在這方面真的不太擅長，這是未來幾年的新挑戰。

主持人：這就把我們帶到了現在。我想你們都已經看到了，那些以前不知道 AI 是什么、對它沒有興趣的人現在正涌向這個領域，這已經不僅僅是一項技術創新，而是成為了地緣政治戰略問題。

每個人都在試圖理解這是什么，或者說試圖搞清楚它。黃仁勛，我先從你開始，我想讓你們都反思一下這個時刻。特別是 NVIDIA，基本上每天都在新聞里，你們已經成為世界上最有價值的公司。所以那里有人們想要的東西。

黃仁勛：你知道，告訴我們。你擔心我們會走到人們不太理解的地步，我們都太超前了，會有一個清算，有一個即將破裂的泡沫，然后它會自行糾正嗎？

如果不是，那么對 AI 需求的最大誤解是什么，與網絡時代不同？在網絡泡沫期間，部署的絕大多數光纖都是暗的，意味著行業部署的光纖遠超過需求。今天，幾乎每個 GPU 都被點亮并使用了。

所以我認為退一步理解AI 是什么很重要。對很多人來說，AI 就是 ChatGPT和圖像生成，這沒錯，這是它的應用之一。

AI 在過去幾年中取得了巨大進步，不僅僅是記憶和概括的能力，還有推理和有效思考的能力，通過研究、能夠提供答案、做現在更有價值的事情，它變得更有效了。

能夠建立業務的公司數量，比如一家軟件編程 AI 公司 Cursor，他們非常盈利，我們大量使用他們的軟件，非常有用。或 Abridge、OpenEvidence，它們服務于醫療保健行業，做得非常好，產生了很好的結果。

所以 AI 能力增長了很多，因此我們看到了兩個同時發生的指數級增長：一方面，產生答案所需的計算量大幅增長；另一方面，這些 AI 模型的使用量也在指數級增長。這兩個指數級增長導致了對計算的巨大需求。

現在退一步問自己，今天 AI 和過去的軟件行業有什么根本不同？過去的軟件是預編譯的，所需計算量不高。但為了讓 AI 有效，它必須具有上下文感知能力，只能在當下產生智能，不能提前生產并檢索，那叫內容緩存。

AI 必須實時生成智能。因此我們現在的行業是，生產出真正有價值且需求量大的東西所需的計算量相當可觀。我們創造了一個需要工廠的行業，這就是為什么我提醒自己 AI 需要工廠來產生這些 token、產生智能。

這從未發生過，計算機實際上是工廠的一部分。所以我們需要數千億美元來建造這些工廠，以服務數萬億美元的行業。

主持人：你是說這不是泡沫，是嗎？

黃仁勛：我認為我們正處于智能建設初期的開端。事實是今天大多數人仍然不使用 AI，在不久的將來，幾乎我們做的一切，每一天的每一刻，你都會在某種程度上與 AI 互動。

所以從我們今天使用率很低的位置，到我們將來使用率基本上是連續的位置，這個建設過程 —— 即使 LLM 的跑道用完了，你認為你正在構建的 GPU 和基礎設施在不同范式下仍然可以使用嗎？我想對別人開放，但 LLM 是 AI 技術的一部分。

你知道，AI 是模型系統，不僅僅是 LLM，LLM 是其中很大一部分，但它是模型系統，技術就是讓 AI 從今天起提高生產力，不管我們怎么稱呼它，我們仍有很多技術需要開發。

主持人：誰想參與，特別是如果你不同意？

楊立昆：我認為我們不應該再叫它們 LLM 了，它們不再是語言模型了。它們從語言模型開始，至少預訓練是這樣，但最近它們在成為智能體方面有了很多進展，也就是說，通過一系列步驟來達成目標，與環境、與人互動，現在是通過對話，但越來越多地是通過計算基礎設施。

技術正在變化，和三年前完全不同。我不認為我們能預測技術兩年、五年、十年后會是什么，但我們可以看到趨勢。所以我正在做的一件事是試圖召集一群國際專家來追蹤 AI 正在發生什么、它將走向何方、有什么風險、它們如何被緩解。在這么多基準測試中，趨勢非常清晰。因為在過去改進技術取得了巨大成功，并不意味著未來會一樣。

所以如果沒有達到預期，會有經濟后果，但從長遠來看我完全同意。

主持人：你們其他人呢？你們認為估值合理嗎？就你們對技術、應用的了解而言。

比爾?戴利：我認為有三個趨勢可以解釋正在發生什么。

第一，模型變得更高效。如果你只看注意力機制，從直接注意力到 GQA 到 MLA，你用少得多的計算得到了相同或更好的結果，這會在以前可能太貴的東西變得足夠便宜時驅動需求，現在你可以用 AI 做更多。

同時模型變得更好，也許它們會繼續用 Transformer 變得更好，或者新的架構會出現，但我們不會倒退，我們會繼續有更好的模型。這也使得 —— 你仍然需要 GPU，即使你絕對是基于 Transformer 的。

事實上，這讓它們比更專門化的東西更有價值，因為它們更靈活，能更好地與模型一起進化。

但最后一件事是，我想我們才剛剛開始觸及應用的表面。人類生活的幾乎每個方面都可以通過 AI 來變得更好，幫助某人在他們的職業中，在日常生活中幫助他們。

我想我們可能只達到了最終需求的 1%。所以隨著那擴展，使用量會上升。所以我不認為這里有任何泡沫，我想就像黃仁勛說的，我們正乘著多重指數級增長，我們才剛剛開始，它會一直持續下去。

在某種程度上，NVIDIA 對此是免疫的，因為即使這個范式改變了，有其他類型的 AI 和其他架構，你仍然需要下面的原子，這對你來說是合理的。

主持人：李飛飛，你想參與進來嗎？

李飛飛：我確實認為，當然從市場角度看，它會有自己的動態，有時它會自我調整。但如果你看長期趨勢，別忘了 AI 總體上還是一個非常年輕的領域。

我們走進這個房間，墻上有物理方程式，物理學是 400 多年歷史的學科，即使我們看現代物理學，AI 也不到 70 歲，如果我們回到阿蘭?圖靈，大約 75 年。

所以未來還有很多新領域。黃仁勛和約書亞?本吉奧談論 LLM 和智能體，那些更多是基于語言的，但即使你對人類智能做自我反思，語言之外還有更多的智能能力。

我一直在研究空間智能，這真的是感知和行動之間的組合或關鍵，人類和動物有難以置信的能力去感知、推理、互動和創造世界，這遠遠超越語言。

即使是今天最強大的基于語言或 LLM 的模型，也無法通過基本的空間智能測試。所以從學科和科學的角度看，還有更多的前沿需要征服和開拓，那會帶來更多應用。

主持人：你在一家公司工作，所以有研究人員和在商業空間工作的雙重視角。你同意嗎？你相信這一切都是合理的，你能看到這一切來自哪里？還是你認為我們到了盡頭需要找新路徑？

約書亞?本吉奧：我認為有幾個觀點說明我們不在泡沫中，至少有一個觀點暗示我們在泡沫中，但那是另一回事。

我們不在泡沫中是指有很多基于 LLM 的應用可以開發，LLM 是當前主導范式，那里還有很多可以挖掘的，這是比爾?戴利說的，用當前技術幫助人們日常生活。

那項技術需要推動，這證明了在軟件方面和基礎設施方面所做的所有投資是合理的。一旦我們有了智能可穿戴設備在每個人手中，幫助他們日常生活，黃仁勛說的，為所有這些服務所需的計算量將是巨大的。所以在這個意義上，投資沒有浪費。

但有一種感覺是有泡沫的，那就是認為當前 LLM 范式會被推到擁有人類智能的地步，我個人不相信。你也不知道，我們需要幾次突破才能到達真正擁有我們在人類甚至動物身上觀察到的那種智能的機器。我們沒有幾乎和貓一樣聰明的機器人，我們仍然缺少一些重要的東西。

所以 AI 進步不僅僅是更多基礎設施、更多數據、更多投資和當前范式的更多開發的問題，它實際上是一個科學問題：我們如何向下一代 AI 邁進？這就是為什么你們都在這里，因為你實際上引發了整件事。

主持人：我覺得我們正朝著工程應用端走得太遠，但你的意思是我們需要回到最初讓你們來到這里的東西。

關于人類水平智能的問題，我們時間不多了，我只想快速問一句，我很好奇，你們每個人能說一下你們認為需要多長時間，直到我們到達你們相信我們擁有相當于人類機器智能的點，或者甚至是像章魚這樣聰明的動物？我們離那還有多遠？只說年份。

杰弗里?辛頓：這不會是一個事件，能力將在各個領域逐漸擴展。在什么時間段？也許在未來 5 到 10 年內，我們會在新范式上取得一些重大進展，然后也許進展會來，但會花比我們認為更長的時間。

主持人：機器的某些部分將超越人類智能，某些部分永遠不會相似或與人類智能相同。它們是為不同目的而建的。什么時候我們能做到超越？部分已經在這里了。

黃仁勛：我們有多少人能識別世界上的 22,000 個物體？有多少成年人能翻譯 100 種語言？所以我認為我們應該細致入微，基于科學事實：飛機飛行，但不像鳥一樣飛；基于機器的智能會做很多強大的事情，但人類智能在我們的社會中永遠有深刻的位置。

主持人：黃仁勛，你有具體年份嗎？我們有足夠的通用智能在未來幾年將技術轉化為大量對社會有用的應用。

關于這個，是的，我們今天就在做。所以我認為我們已經在那里了，另一方答案是這無關緊要，因為在這一點上，這有點學術問題。我們將應用技術，技術會越來越好，我們將應用技術解決很多非常重要的事情。所以答案是這無關緊要，而且就是現在。是的，你決定。

主持人：如果你把問題細化一點，說多久之后如果你和這臺機器辯論它總會贏？我認為那肯定在未來 20 年內會到來。我們還沒到那一步，但我認為相當肯定在未來 20 年內我們會擁有那個。所以如果你把那定義為 AGI，它總會贏得與你的辯論，我們會到達那里，可能在不到 20 年內。

比爾?戴利：我同意黃仁勛，這是個錯誤的問題。因為我們的目標不是建造 AI 來取代人類或比人類更好，而是來增強人類。

我們要做的是補充人類擅長的東西。人類無法識別 22,000 個類別，我們大多數人不能解決這些數學問題，所以我們建造 AI 來做那些，人類可以做人類獨特的事情，即有創造力、有同理心、理解如何與我們世界中的其他人互動。我認為 AI 永遠不會做到那個，但 AI 可以為人類提供巨大幫助。

楊立昆：我不同意，我看不出有什么理由為什么在某個時候我們不能建造幾乎能做我們能做的一切的機器。

當然目前空間和機器人方面滯后了，但從概念上講沒有理由我們不能。關于時間線，我認為有很多不確定性，我們應該相應規劃。但有些數據我覺得有趣，我們看到 AI 規劃不同視野的能力在過去六年里呈指數級快速增長，如果繼續這個趨勢，大約在五年內，AI 就能達到員工在工作中的水平。

現在這只是工程任務的一個類別，還有很多其他重要的事情。例如，一件能改變游戲的事情是許多公司正專注于 AI 做 AI 研究的能力，換句話說，做工程、做計算機科學、設計下一代 AI，包括也許改進機器人和空間理解。

所以我不是說它會發生，但 AI 做越來越好的編程和理解算法的能力正在非常非常快地發展，那可能會解鎖許多我們不知道的東西。

主持人：所以我們的共識是，在某些方面我們認為未來今天就在這里，但永遠不會有一個時刻。你們今天在這里的工作是幫助我們沿著這條路線前進，直到我們能與這些系統并肩工作。個人非常興奮看到我們將走向何方。如果我們一年后再這樣做，那將是一個不同的世界。

非常感謝你們加入我們，分享你們的故事，并帶領我們度過這個巨大的革命性時刻。

謝謝你們。

當Hinton的20年倒計時撞上LeCun的范式懷疑，而黃仁勛的工廠已日夜轟鳴——我們賭的究竟是時間，還是技術路線本身？

也許一年后重聚時，第七位"參與者"已能代他們回答。

前沿動態
前沿大會

前沿人物

點「在看」，給前前加雞腿