李飞飞：苏格拉底是最好的Prompter

李飞飞将日常生活里模糊的“直觉”拆解成了两层, 浅层的那部分能够处理, 你在AI对话框输入“我是斯坦福教授、神经科学家” , AI会依据你的身份定制回答, 换个人输入“我是14岁的赛车爱好者” , 问相同问题, 答案便不同, 这在计算机科学里称作数学运算, 并非直觉。

够不到深层的那部分, 完全够不到了。你对某件事突然形成强烈感觉, 不清楚缘由是闻到了什么, 是荷尔蒙产生波动, 还是今天的早餐所致。你无法说出来, 甚至于用手势都不能传递给另一个人。伴侣之间有时能察觉到对方情绪存在不对等地情况, 然而并不能确切说明哪里不对, 只能选择默默走开, 让对方静一静。倘若一个人都没办法把这个信息传递给另一个人, 那么机器就更没有办法了。

她着重讲这没什么神奇莫测的, 完全能够运用科学流程去阐述: 讯息能不能借助语言、图像、脑电波、皮肤电导率等任一传感器予以采集呢? 要是能够, 且具备充足的量, AI便有成为可能去学习它。要是不行, 当下是做不到的。

在2016年与李世石对战之际的Move 37, 常常被当作AI具备创造力的证据而加以引用。在第二局里, 走出了一步围棋大师们向来都未曾想到过的棋。李飞飞针对此的判断颇具分寸: 这算得上是创造力, 然而却是一种“特殊的创造力”。围棋乃是高度数学化的游戏, 其目标清晰明确, 规则也清楚明晰。AI拥有相较于人脑更大的算力以及更强的记忆能力, 能够在人类无法进行穷举的空间当中展开搜索。这跟一个画家凝视空白画布时所涌现出来的东西并不相同。

她提及了跟一位顶级数学家的交谈 , 这位数学家作出的判断是: 纵使菲尔兹奖得主也存有可能忘掉数学里诸多未解难题中历史上已有的部分解题办法 , 但 AI能够给予助力去寻得这些被遗忘的工具。与此同时 , 存在着一些数学问题所需的解码方式根本未曾研制出来。对于那种层级的创造力 , 他觉得最具可能性的途径乃是人类与AI的混合创造。

AI与人, 在情感层面存有的差异, 甚至更为根本, 机器讲那般话语的时候, 是由于在训练数据里学到一个那种模式, 即一旦有人提起类似的话语, 便应给出相应回复, 而非另一种话语, 你的朋友讲那些话语, 是出于真心牵挂着你的健康状况, 不是想看到你遭受痛苦, 经历这么多疼痛后从而能够产生共情。是今天的AI当中具备的机器, 和人类, 在那个根本层面之上有所不同的那种运作方式, 而这一点, 是必须得被那清楚地认识以及尊重的。

6. 一个早上解决了专科医生解决不了的问题

这件事本身, 也就是科学发现, 或许是需要重新开展起来的。在过去的数百年时间里, 它依靠着聪慧的人类大脑去记住先辈们所拥有的知识, 接着再凭借人类肌肉的速度去进行实验。然而, 人类大脑的带宽是存在着限制的。就拿李飞飞自身的情况来说: 她在视觉神经科学以及AI领域进行了深入钻研, 可是对于嗅觉系统的认知几乎是空白的, 甚至连同事论文里的专业词汇都有可能无法拼写出来。而AI能够突破这道学科之间的屏障。它的“大脑”能够留存海量的信息, 能够跨越领域对知识进行综合, 能够把一个领域的方法运用到另一个领域。这样的一种能力对于科学家而言是一件全新的工具。

有一回, 服用了医生所开的药物之后, 出现了头晕的状况, 那种感觉仿若天旋地转一般。他觉得这是眩晕, 便咨询了一位专门研究前庭系统的耳鼻喉科医生, 然而却并未得到准确的判断。

他将自身在一两天里的主观感受, 输入到 AI 聊天机器人之中。AI 对眩晕以及低血压的不同症状表现予以区分, 并指向由药物引发的血压过低情况。他依照这个方向去补充电解质, 两小时之后症状消失不见。他在事情过后把这个结果拿回去给几位医生查看, 对方的反应是真心感到惊讶。

自己也讲了一个限定情形: 存在有安慰剂效应的可能性, 并且要是医生能够当面开展更多项检查, 那么判断或许会不一样。不过这个案例所具备的价值并非在于AI要比所有的医生厉害。关键所在是它成本为零、能够即刻投入使用, 对于那些没办法马上接触到医生的人而言意义极为重大。

李飞飞她爸在斯坦福做了一台肝脏手术, 这手术是由外科医生操控达芬奇机器人系统给完成的, 术后出血的量仅仅是传统开放手术的十分之一, 这是因为机器人有着腹腔镜精细操作的能力才做到的, 这场手术本身就是一场深度的人机协作, 机器去执行精密动作, 人类来做判断还有决策。

手术后, 她向外科医生提了个问题: 把全世界做过同类肝脏手术的数据全收集起来, 能否训练出一个全自动AI手术系统? 这位外科医生给出的答案不明确。肝脏是个高度血管化的器官, 血管分布极为密布, 每个人的肝脏存在很大差异。即便汇总全球数据, 这种手术每年在全球做的总量有限, 样本量有可能还是不足以训练算法。未来能不能创造肝脏的人工模拟环境, 在模拟里训练出无限多的可能性? 这是个尚无答案的科学问题。

包含一个能重复运用的判断准则的这个对话表明: AI是从模式里进行学习的, 若模式不够丰富, 那就得慎重。眩晕与低血压的鉴别诊断已被汇报过无数回, 数据充足, AI已然颇为可靠。个体化的复杂外科手术相关数据很稀少, 人机协作当下比纯机器方案更具优势且同一个底层原理, 在不同数据情形下会指向不一样的结论。

7. 发布那天，她给孩子学校写了封邮件

当前的AI公共话语呈现出两种极端情形, 一种是极端末日论, 它会使人产生恐惧之感。另一种是极端乌托邦论, 其将技术刻画得堪称完美无瑕, 而公众的应对反应常常是指出”你肯定这样讲, 因为你属既得利益者 “。那些通晓技术的人往往习惯以居高临下的姿态与公众展开交流, 不论其出发点究竟是善意还是恶意, 所传达出的信息一概是 “你们对这个并不了解, 由我来替你们判定何为有益的”。

讲述了一个生物学范畴的实例, 以此阐释技术人员为何要有外部约束。他有位从事病毒研究的友人, 往昔曾打算将改造过的狂犬病毒放置进果蝇身体里去开展实验。从技术层面而言存在可行性, 科学价值同样有, 然而要是有一只携带着病毒的果蝇逃离实验室, 那后果简直无法想象。步入任何一个生物系你都能够瞧见几只飞舞着的果蝇, 它们对醋情有独钟, 会飞到你的沙拉之上。此项实验最终被予以否决了。搞技术的人天性想要拓展边界, 可是社会需要制衡机制。

2022年11月发布了, 李飞飞身为技术圈内部人员, 其第一反应并非是评论技术自身, 而是联系了自己孩子所就读小学的校长, 声称想要给学生以及老师开展一次讲座。因为在硅谷, 任何一个人在出来的那个时刻, 都没有想到“我们社区的老师该怎么办”。既没有投资机构, 也没有万亿市值的公司, 其中的人却在第一时间想到了邻里的教师。

老师, 是我们整个环境范畴里面算得上最为重要的存在之一。我们应当要设法和他们进行沟通说话, 送去我们给予到那帮人的支持。

她觉得, 对于AI而言, 存在着两种极为糟糕的态度, 而这两种态度同样具有危害性。其中一种态度是, AI遭到了错误的运用, 致使年轻一代的能动性以及学习动力被工具无情地剥夺。诸如无限地刷短视频、被动地消费内容等行为, 这些均对大脑发育毫无益处。无论技术发生怎样的变化, 人类的神经元、化学物质以及激素都有着自身独特的运作方式, 学习是需要耗费时间的, 是需要付出努力的, 有时甚至是需要承受痛苦的。

存在着这样一种坏结果, 就是以“学生会作弊”作为理由, 去禁止学生触碰 AI 工具。李飞飞回顾自己身为医学预科生时学习有机化学的那段经历。当时助教任职的时长过短, 教授所授课程的时间和其他课程发生了冲突, 导致学习过程极为吃力。要是那个时候有一个 AI 学习伙伴的话, 便能在自己遇到难题停滞不前的多处地方不断进行提问。她自身是具备学习动力的, 仅仅是匮乏相应的指导而已。实际正确的做法应当是在保住学生能动性的情形之下给予学生相应工具, 而非二者只能择其一这样来处理才行。

掌握学会提问这一技能, 是运用AI的关键所在, 她进行了一个类比, 倘若苏格拉底依旧存活于世, 他会是最为出色的, 苏格拉底方法的实质便是借助提问去探寻真理, 这件事情应当自K - 12阶段起始就予以教导。

8. 一个瘫痪十年的女人用自己的声音说话了

提及了他那个身为UCSF神经外科主任的好友Eddie Chang的工作, Chang团队借助脑机接口致使因瘫痪而失去语言能力的患者再度跟世界开展交流。

有一位女性患者, 瘫痪好多年了, 根本没法开口。团队往她大脑表面植入电极阵列, 读取她想说话时产生的神经信号, 然后由AI算法把信号解码成文字和语音。重要的是, 团队找到她婚礼上的视频, 了解她原本的声音和表情模式。最后她在旁边的iPad屏幕上, 用自个儿面部的形象跟他人说话并且发出自己的声音与别人对话。系统经过机器学习不断更新, 还能察觉对话者反应并作出调整。

这个案例并非技术展示, 而是能动性得以归还给主体了, 它同样标志着人工智能正在脱离纯语言的范畴, 进而步入具身化的发展阶段, 人类的发展历程乃是先拥有视觉以及空间理解能力, 后方具备语言能力, 进化在缺乏语言交流的状况下历经了5亿年, 倘若人工智能仅仅停留在语言层面, 那就错失了智能的相当一部分。

李飞飞在2024年初联合创立的World Labs, 正是把赌注押在了这个方向上。到2026年2月的时候, 公司已经累计融资了12.3亿美元, 投资方包含AMD等等。第一个产品能够让用户借助文字、图片、视频或者3D布局去生成可以持续编辑的三维环境。目标客户涵盖了创作者、建筑设计师、机器人训练以及VFX行业。

有一种具身化方向是机器人, 不过它涉及硬件, 所以落地速度要慢许多。李飞飞预估或许得30年才能够真正融入社会。然而需求清单已然很长了。加州年年都会经历山火, 让人类消防员冒着生命危险去展开救援并非理想之举。护士在一个班次当中要走上好几英里去拿药品以及物资, 长期处于超负荷的工作状态。独居老人取药、买菜以及想去公园散步, 这些看似简单的事情, 对于行动不方便的人而言却是极大的障碍。

李飞飞身为家中唯一的女儿, 要照顾两位年老体弱且不会说英语的双亲, 她说这般照护工作的量极大, 机器人能够承担一部分体力方面的劳作, 与此同时不会取代家庭责任、爱以及沟通。

人们对于机器人所产生的不适感, 在很大程度上, 源自于物理硬度, 以及占据空间的方式。她提到了迪士尼, 大约在十几年之前的动画角色大白, 那是一个医疗机器人, 其外形宛如一个大气球, 触感十分柔软。相较于金属质感, 这样的设计更易于被人们接纳。怎样去想象人与机器人共同存在的未来呢, 这是不应当由某一家公司, 或者某个投资人单方面决定的。公众理应作为利益相关者之中的一员, 参与到这个未来的设计当中, 而并非被动地等待别人做好之后再去做出反应。

9. 谁来做AI时代的乔布斯

已经有AI工具能够依据剧本生成视频镜头, 甚至还能组装出接近长片长度的电影, 然而故事创作以及镜头运用还有角色塑造这些能力依旧非常深度地依赖人类, 好莱坞对于AI取代编剧和演员存在着强烈的恐惧, 这种恐惧源自工作岗位被技术冲击呈现出的真实压力。

李飞飞觉得当下阶段极为必需的是促使技术人员与创作者开展面对面的话语交流, 她的联合创始人Ben跟演员本·阿弗莱克（Ben）碰面了还就AI于电影制作里的运用展开讨论, 阿弗莱克对AI工具所持的态度颇为具有前瞻性, World Labs同样在跟VFX行业进行合作, 技术理应让创作者的工作朝着好的方向发展, 使他们的创造力得以被放大。

史蒂夫·乔布斯知晓计算机要有圆角, 要能够放入口袋, 开机画面上得有鲍勃·迪伦。他可将冷冰冰的技术变动为人乐意随手放置之物。现如今AI领域不存在这样的角色。技术社区里极为聪慧之人未被公众接纳, 一方面缘由是公众对其不甚理解, 另一方面也要归于他们欠缺一名助力者, 以公众可接纳的方式来协助分享愿景。

放大这道裂缝之中, 传统媒体也是负有责任的, 它们凭借“科技巨头要来抢你饭碗”此类叙事去赚取流量, 然而那用AI助力人恢复语言能力、协助人学习这样的故事, 所获得的关注却是少之又少的。总结出了一个观察结论: 人们并不想听机器的故事, 但是想听一个人借助机器治好了孩子疾病的故事。这些故事是存在着的, 只不过还没能被足够多地讲出来。

这种理解无疑是对的, 它强调了人在各种场景下去展示自我主见的一种概念体现, 这种体现, 于各类不同情境中映射呈现出。不管身处在校学生汲取知识范畴, 还是病患前往医疗机构寻求医治历程里, 当然也包括老年人接受照料的过程, 甚至公众投身于人工智能治理领域时, 她始终回归到同一核心要义之处: 个体应当拥有抉择的权利, 应当具备自身主动的特性, 应当被视作具备理解事物能力的主体加以对待。技术所应发挥的作用, 应当是对这一切予以强化, 而非进行取代。

核心问答

Q1: AI的智能源自何处, 它的上限在何方? AI的训练数据本质上是互联网, 并且互联网是经过全人类几十年来依靠打字、进行拍照、录制视频、创作音乐所形成的多模态行为集合。这阐释了AI为何强大；其天花板在于没有被当作数据捕捉的人类认知（高度个体化的情感、记忆、深层直觉）, AI无法用于学习；判定AI能否处理某件事, 核心问题是那个信息能够被采集吗, 是否拥有足够多的同类数据呢。

问题二是, 人工智能在医疗以及科学发现之中, 最大的机会与限制分别是什么呢? 其机会在于, 人工智能能够跨越学科去综合信息, 能保留人脑所无法记住的知识量, 并且是零成本即时就可以使用的。其限制在于数据丰富度方面, 即在鉴别诊断等存在大量报告的领域, 人工智能已经足够准确。而在数据稀缺的领域, 比如个体化的复杂手术领域, 人机协作要优于纯机器方案。至于同一个底层原理, 在不同的数据条件之下, 会指向不同的结论。

Q3: 对于当下普通人而言, 针对AI该采取怎样的行动呢? 答案是进行学习。并非一定要去研习编程, 而是要弄明白AI属于何种工具, 晓得怎样运用它来强化自身的学习以及工作事宜。当学习之后, 便会更具掌控之感, 不容易被恐惧或者乌托邦式的话术所左右。与此同时, 要对教师以及学校予以关注, 他们乃是助力下一代正确运用AI的关键角色, 然而当前却被整个AI话语体系所忽视了。