AI六巨头激辩完整版：Hinton认栽、LeCun逼宫、黄仁勋豪赌——谁对谁错，你的饭碗由谁决定？ | 前沿在线

伊丽莎白女王奖六十年首次授予AI，六位奠基人首次同框。这不是观点碰撞，是为AI历史路线定性的世纪审判。

编辑：前沿在线 编辑部

就在最近的伦敦，

伊丽莎白女王奖首次授予六位AI奠基人，

一场关于AGI时间线的世纪审判就此拉开帷幕。

Hinton认栽"我们走了40年弯路"，LeCun质疑当前范式"连猫都不如"，黄仁勋豪赌"AI工厂已开工"。

这不仅关乎AI走向何方，更直接决定你的职业未来何时需要为机器让路。

核心要点抢先看

本次圆桌访谈汇聚了2025年伊丽莎白女王工程奖六位得主——深度学习"三巨头"杰弗里·辛顿（Geoffrey Hinton）、杨立昆（Yann LeCun）、约书亚·本吉奥（Yoshua Bengio），NVIDIA掌舵者黄仁勋（Jensen Huang）与首席科学家比尔·戴利(Bill Dally)，以及ImageNet创建者李飞飞。

他们分享了改变AI历史的个人顿悟，并围绕当前AI热潮与未来走向展开深度对话。

获奖者简介

• 杰弗里·辛顿Geoffrey Hinton：“深度学习之父”、图灵奖得主，反向传播算法核心推广者与胶囊网络提出者，奠定深度学习理论基础，推动神经网络商业化应用。

• 杨立昆Yann LeCun：深度学习 “三巨头” 之一、图灵奖得主，卷积神经网络（CNN）及 LeNet-5 发明人，Meta 首席 AI 科学家，主导自监督学习与生成式 AI 研发。

• 约书亚·本吉奥Yoshua Bengio：深度学习 “三巨头” 之一、图灵奖得主，MILA 创始人，深耕深度学习与自然语言处理结合，是 AI 安全与伦理领域核心倡导者。

• 李飞飞：ImageNet 联合创始人，斯坦福大学 HAI 联席院长，计算机视觉领域领军者，推动视觉 AI 数据生态构建与 “以人为本” 的 AI 发展理念。

• 比尔·戴利Bill Dally：NVIDIA 首席科学家，并行计算架构先驱，主导 GPU 并行计算效率优化与 CUDA、Tensor Core 等核心技术研发，支撑 AI 计算硬件落地。

• 黄仁勋Jensen Huang：NVIDIA 创始人兼 CEO，AI 计算平台关键推动者，带领公司以 GPU 奠定现代 AI 计算基础，推动 AI 技术在多行业的规模化应用。

一、改变历史的五个关键瞬间

1.杰弗里·辛顿Geoffrey Hinton（1984）：用反向传播训练微型语言模型，发现机器能自动学习词义特征，这是当今大语言模型的基因起源。

2.比尔·戴利Bill Dally（2010）：与吴恩达早餐会谈后，在48块GPU上复现"找猫"实验，确信深度学习将重塑计算，推动NVIDIA转向AI芯片。

3.李飞飞（2006-2007）：意识到"泛化性"瓶颈在于数据饥渴，耗时三年创建1500万张图片的ImageNet，证明大数据驱动机器学习的核心地位。

4.黄仁勋Jensen Huang（2010）：同时收到多伦多、纽约、斯坦福三所顶尖实验室的信号，发现深度学习框架与芯片设计的高度相似性，看到软件规模化的新路径。

5.约书亚·本吉奥Yoshua Bengio（1983-1985）：被"训练而非编程"理念吸引，与Hinton因一篇法语论文结缘，共同破解多层神经网络训练难题，奠定深度学习理论基础。

二、AI泡沫之辩：是狂热还是刚需？

并非泡沫派：

-黄仁勋Jensen Huang：与光纤泡沫不同，今天"每块GPU都被点亮"。AI不是检索预编译软件，而是实时生成智能的"工厂"，需要数千亿基础设施投资来服务万亿产业。

-比尔·戴利Bill Dally：三大趋势支撑需求——模型效率持续提升、能力不断增强、应用仅触及1%表面。我们正身处"多重指数增长"的极早期。

-李飞飞：作为70年历史的年轻学科，AI远未触顶。空间智能等语言之外的领域，仍是待征服的科学边疆。

理性警示派：

-约书亚·本吉奥Yoshua Bengio：存在"双重现实"。应用层面确有价值可挖，但"LLM将迈向人类级智能"是泡沫。我们甚至还没有猫一样聪明的机器人，需要科学突破而非仅靠工程。

-李飞飞：市场自有调整规律，短期估值波动不可避免，但长期趋势清晰。

三、AGI何时到来？五位大师的分歧与共识

时间线预测：

-杰弗里·辛顿Geoffrey Hinton：不是单一事件，能力将渐进扩展。未来5-10年可能在新范式上取得重大进展。

-约书亚·本吉奥Yoshua Bengio：若定义"辩论永远赢人类"，20年内可达。但空间智能等领域仍需突破。

-比尔·戴利Bill Dally：问题本身错误。我们的目标是增强而非取代人类，创造力与共情是AI永难企及的领地。

-杨立昆Yann LeCun：不同意。没有理由机器最终不能做人类一切。AI自我改进能力过去六年指数级增长，可能**5年内达员工水平。关键变量是AI能否自主设计下一代AI。

-黄仁勋Jensen Huang：AGI是"学术问题"，无关紧要。应用已经到来，技术将持续改进，解决现实世界问题才是重点。

核心共识：

-无"奇点时刻"：智能将是渐进、领域化的拓展，而非一夜降临。

-科学回归：行业过度聚焦工程应用时，需要重返基础研究，探索空间智能、机器人等LLM不擅长的领域。

-一年后新世界：技术迭代速度惊人，对话一年后重现，议题将完全不同。

一句话总结：当前AI基础设施投资合理，应用空间巨大，但通往通用智能仍需科学突破。真正的挑战不是"何时到达"，而是"如何在增强人类的同时，确保技术始终服务于人类福祉"。

2025 年伊丽莎白女王工程奖得主圆桌讨论实录

主持人：大家好，下午好，早上好。我很荣幸能作为主持人，向大家介绍今天围坐在这张桌旁的这群杰出人士 ——我认为他们是当今地球上六位最卓越、最具影响力的人物。

这并非夸大其词，他们是2025 年伊丽莎白女王工程奖的获奖者，以表彰他们对当今人工智能技术产生的独特影响。

鉴于你们在高级机器学习和 AI 领域的开创性成就，以及你们帮助构建的创新如何塑造着我们今天的生活，我想每个人都很清楚，能让你们齐聚一堂是多么难得而激动人心的机会。

对我个人而言，我真的很期待听到你们反思我们当前所处的这个时刻，这个每个人都试图预判并把握的时刻，以及你们的旅程，那个将你们带到今天这里的旅程。同时，我也想了解你们的工作以及你们个人如何相互影响，以及你们所建立的公司和技术。

最后，我希望你们能展望未来，帮助我们都更清晰地看到即将发生的事情，而你们最有资格做到这一点。所以，我很高兴今天能与你们所有人在一起，期待着这场讨论。

那么，我将从宏观层面转向非常个人化的问题开始。我想听听你们每个人职业生涯中那个个人的顿悟时刻—— 那个影响了你们的工作或成为你们走上今天这条道路的转折点，无论是在你们职业生涯早期、研究中，还是最近。

你们个人的觉醒时刻是什么，它又是如何影响了技术？我们从你开始吧。

李飞飞：谢谢，我很乐意。我会讲两个时刻。

第一个是我读研究生时，我在寻找有趣的研究课题，读到了 Geoffrey Hinton 的一些早期论文。我想，哇，这太令人兴奋了，也许有一些像物理定律一样简单的原理，能帮助我们理解人类智能，并帮助我们建造智能机器。

第二个时刻是两年半前，ChatGPT 问世后，我意识到：哦，我们在做什么？如果我们建造了理解语言、拥有目标而我们又无法控制这些目标的机器，会发生什么？

如果他们比我们更聪明会怎样？如果人们滥用这种权力会怎样？所以，这就是为什么我决定完全转变我的研究议程和职业生涯，尽我所能去应对这个问题。

主持人：这是两种非常不同的、非常有趣的事情。告诉我们你建立基础设施的时刻，那个为我们现在所拥有的技术提供动力的时刻。

比尔・戴利：我也讲两个时刻。

第一个是 90 年代末，我在斯坦福大学试图弄清楚如何克服当时被称为 "内存墙" 的问题——从内存访问数据在能耗和时间上的成本远高于在其上进行算术运算。

我突然想到将计算组织成这些由流连接的内核，这样你就可以进行大量算术运算而无需进行大量内存访问。这基本上为后来被称为流处理、最终是 GPU 计算的技术铺平了道路。

我们最初建立它时认为，我们不仅可以将 GPU 用于图形，还可以用于一般的科学计算。

第二个时刻是，我和我在斯坦福的同事吴恩达（Andrew Ng）一起吃早餐，当时他在谷歌工作，用 16,000 个 CPU 和一种叫做神经网络的技术在互联网上找猫—— 李飞飞也参与了这项技术。

他基本上说服了我，这是一项伟大的技术。于是我和布莱恩・卡坦扎罗（Bryan Catanzaro）在 NVIDIA 的 48 个 GPU 上重复了这个实验。

当我看到结果时，我完全确信这就是 NVIDIA 应该做的事情 ——我们应该构建我们的 GPU 来做深度学习，因为这有超越 "找猫" 的巨大应用，在各个领域都有巨大应用。

那是一个开始努力使 GPU 专门用于深度学习并使其更有效的顿悟时刻。

主持人：那是哪一年？

比尔・戴利：早餐是 2010 年，我认为我们在 2011 年重复了实验。

主持人：Geoffrey，跟我们讲讲你的。

杰弗里・辛顿：一个非常重要的时刻是，大约在 1984 年，我尝试使用反向传播来学习单词序列中的下一个单词 ——这是一个微型语言模型。

我发现它能学习单词含义的有趣特征。仅仅给它一串符号，通过尝试预测字符串中的下一个符号，它就能学习如何将单词转换成捕捉词义的特征集，并让这些特征之间产生互动，预测下一个词的特征。

所以那实际上是 1984 年底的一个微型语言模型，我认为它是这些大语言模型的先驱。基本原理相同，只是规模很小。我们有 100 个训练样本。我们花了 40 年才走到今天。

主持人：花了 40 年才来到这里。花了 40 年的原因是我们没有算力，也没有数据，而我们当时并不知道。我们不明白为什么不能用那个种群解决所有问题。

这很自然地引向了黄仁勋。40 年来我们没有算力，而现在你正在建造它。告诉我们你真正清醒的时刻。

黄仁勋：就我的职业生涯而言，我是第一代能够使用更高层次的表示和设计工具来设计芯片的芯片设计师。这个发现很有帮助。

大约在 2010 年，我从三个不同的实验室同时了解到了一种新的软件开发方式。多伦多大学的研究人员联系了我们，同时纽约大学的研究人员也联系了我们，斯坦福大学的研究人员也同时联系了我们。

我看到了后来被证明是深度学习的早期迹象。大约在同一时间，使用框架和结构化设计来创建软件，结果证明非常有效。

这第二次观察：再次看到使用框架、更高层次的表示、像深度学习网络这样的结构化类型来开发软件—— 与为我设计芯片非常相似。

模式非常相似，我意识到，也许我们可以开发软件和能够以良好方式扩展的能力，就像我们多年来扩展芯片设计一样。所以那对我来说是一个相当重要的时刻。

主持人：你认为芯片什么时候开始真正帮助扩展我们今天拥有的大语言模型？因为你说 2010 年，那还是 15 年前。

黄仁勋：NVIDIA 架构的特点是，一旦你能够让某样东西在 GPU 上运行良好，因为它变得并行，你就可以让它在多个 GPU 上运行良好。

将算法扩展到单个 GPU 上多个处理器的同理心，与在多个 GPU 上、然后多个系统、实际上多个数据中心上运行的逻辑和推理是相同的。

所以一旦我们意识到我们可以有效地做到这一点，剩下的就是想象这种能力可以延伸到多远。

我们有多少数据，网络可以有多大，它能捕捉多少维度，它能解决什么样的问题 ——所有这些都只是工程问题。观察到深度学习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：李飞飞，跟我们讲讲你的时刻。

李飞飞：我也有两个时刻可以分享。大约在 2006 年和 2007 年，我从研究生转为年轻的助理教授，是第一代机器学习研究生，读着年轻的 Yoshua Bengio 和 Geoffrey Hinton 的论文。

我真的很痴迷于试图解决视觉识别问题 —— 让机器能够 "看见" 日常图片中物体的意义。我们在机器学习中遇到了一个叫做 "泛化性" 的问题：从一定数量的例子学习后，能否识别新的样本？我尝试了从贝叶斯网络到支持向量机到神经网络的每一种算法。

我和我的学生意识到缺失的部分是数据。如果你看看智能动物（如人类）的演化或发展，我们在发展早期被数据淹没，但我们的机器却数据匮乏。

所以我们决定在当时做些疯狂的事：创建一个互联网规模的数据集，历时三年，叫做 ImageNet，包含 1500 万张由世界各地的人手工整理的图像，横跨 22,000 个类别。对我来说，那一刻的顿悟是：大数据驱动机器学习，这是限制因素，是所有算法的基石。是的，这是今天 AI 规模法则的一部分。

第二个顿悟时刻是 2018 年，我是谷歌云的第一位首席科学家，我们的工作是为所有垂直行业服务，从医疗保健到金融服务，从娱乐到制造业，从农业到能源。这是在 ImageNet-AlexNet 时刻几年后，AlphaGo 几年后。

我意识到AlphaGo—— 这个能够在玩中国棋盘游戏时击败人类的算法—— 作为谷歌的首席科学家，我意识到这是一项文明技术，将影响每个人、每个商业部门。

如果人类要进入 AI 时代，指导框架是什么，以便我们不仅创新，还能通过这个强大的技术为每个人带来福祉？

这就是当我回到斯坦福担任教授，共同创立了以人为本 AI 研究所并提出以人为本 AI 框架的时候，以便我们能让这项技术的核心保持人性和人类价值观。

主持人：是的，你想把我们带回来吗？你的亮点是什么？

约书亚・本吉奥：是啊，可能要追溯到很久以前。我意识到，当我还是本科生时，我就被 AI 和更广泛的智能问题所吸引，发现五六十年代的人们曾致力于训练机器而不是对它们编程。

我真的被这个想法迷住了，可能是因为我认为自己太笨或太懒，无法从头开始建造一整台机器，对吧？所以最好让它自我训练或自我组织。这就是你知道的，生命中的智能建立自己，它是自组织的。所以我觉得这个概念非常吸引人。

当我从工程学毕业想做芯片设计时，我找不到任何人从事这个工作，但与一些对此感兴趣的人建立了联系，发现了 Geoffrey 的论文。他是我在 1983 年开始读研究生时最想见的人，我们最终在两年后相遇。

主持人：今天你们还是朋友吗？

约书亚・本吉奥：是的，哦，我们我们在 1985 年一起吃过午饭，我们基本上可以完成彼此的句子。我在一个会议上用法语写了一篇论文，他是主旨演讲人，设法破译了数学，有点像反向传播，用于训练多层网络。

从 60 年代起我们就知道，机器学习的限制在于我们无法训练具有多层的机器。那真的是我的困扰，也是他的困扰。所以我写了一篇论文提出了某种方法，他设法读懂了数学，我们就是这样联系上的。

主持人：这就是让你走上这条路的原因。所以之后，你知道，一旦你能像这样训练复杂系统，你就会问这些微妙的问题：我如何构建它们，让它们做一些有用的事情，比如识别图像之类。

在当时，Geoffrey 和我有一场辩论。80 年代末我和他一起做博士后时，我认为唯一被充分制定的机器学习范式是监督学习—— 你给机器看一张图片并告诉它正确答案。

他说不，不，我们取得进步的唯一方式是通过无监督学习。我当时对此不屑一顾。你知道，2000 年代中期左右，当我和他、Yoshua 开始聚在一起，重新激发社区对深度学习的兴趣时，我们实际上把赌注押在无监督学习或自学习上，这只是一个强化循环，对吧？

这不是强化学习，这基本上是在不训练机器完成任何特定任务的情况下发现数据中的结构。顺便说一句，这就是 LLM 的训练方式。

LLM 被训练来预测下一个单词，但这不是真正的任务，这只是系统学习良好表示或捕捉的方式。

主持人：那里有奖励系统吗？抱歉要深入技术细节，但是那里没有东西说 "这是正确的，因此继续做下去" 吗？因为如果你正确预测了下一个单词，这就是正确的。

所以这与强化学习中的奖励不同，在那里你会说 "那很好"。

所以事实上，我要把这归咎于你，你产生了这个名为 ImageNet 的大数据集，它是带标签的，所以我们可以使用监督学习来训练系统，结果比我们预期的要好得多。所以我们暂时放弃了整个自我监督程序，因为监督学习效果这么好，我们想出了几招。

Yoshua 被它困住了，我说我没有，不，它也不起作用，但它有点让我们集中了整个行业和研究社区，如果你想的话，专注于深度监督学习等。

又花了几年时间，可能在 2016、2017 年左右，告诉人们这不会带我们去想去的地方，我们需要做自我监督学习，而 LLM 就是最好的例子。

但我们现在正在做的是将其应用于其他类型的数据，比如视频、传感器数据，LLM 在这方面真的不太擅长，这是未来几年的新挑战。

主持人：这就把我们带到了现在。我想你们都已经看到了，那些以前不知道 AI 是什么、对它没有兴趣的人现在正涌向这个领域，这已经不仅仅是一项技术创新，而是成为了地缘政治战略问题。

每个人都在试图理解这是什么，或者说试图搞清楚它。黄仁勋，我先从你开始，我想让你们都反思一下这个时刻。特别是 NVIDIA，基本上每天都在新闻里，你们已经成为世界上最有价值的公司。所以那里有人们想要的东西。

黄仁勋：你知道，告诉我们。你担心我们会走到人们不太理解的地步，我们都太超前了，会有一个清算，有一个即将破裂的泡沫，然后它会自行纠正吗？

如果不是，那么对 AI 需求的最大误解是什么，与网络时代不同？在网络泡沫期间，部署的绝大多数光纤都是暗的，意味着行业部署的光纤远超过需求。今天，几乎每个 GPU 都被点亮并使用了。

所以我认为退一步理解AI 是什么很重要。对很多人来说，AI 就是 ChatGPT和图像生成，这没错，这是它的应用之一。

AI 在过去几年中取得了巨大进步，不仅仅是记忆和概括的能力，还有推理和有效思考的能力，通过研究、能够提供答案、做现在更有价值的事情，它变得更有效了。

能够建立业务的公司数量，比如一家软件编程 AI 公司 Cursor，他们非常盈利，我们大量使用他们的软件，非常有用。或 Abridge、OpenEvidence，它们服务于医疗保健行业，做得非常好，产生了很好的结果。

所以 AI 能力增长了很多，因此我们看到了两个同时发生的指数级增长：一方面，产生答案所需的计算量大幅增长；另一方面，这些 AI 模型的使用量也在指数级增长。这两个指数级增长导致了对计算的巨大需求。

现在退一步问自己，今天 AI 和过去的软件行业有什么根本不同？过去的软件是预编译的，所需计算量不高。但为了让 AI 有效，它必须具有上下文感知能力，只能在当下产生智能，不能提前生产并检索，那叫内容缓存。

AI 必须实时生成智能。因此我们现在的行业是，生产出真正有价值且需求量大的东西所需的计算量相当可观。我们创造了一个需要工厂的行业，这就是为什么我提醒自己 AI 需要工厂来产生这些 token、产生智能。

这从未发生过，计算机实际上是工厂的一部分。所以我们需要数千亿美元来建造这些工厂，以服务数万亿美元的行业。

主持人：你是说这不是泡沫，是吗？

黄仁勋：我认为我们正处于智能建设初期的开端。事实是今天大多数人仍然不使用 AI，在不久的将来，几乎我们做的一切，每一天的每一刻，你都会在某种程度上与 AI 互动。

所以从我们今天使用率很低的位置，到我们将来使用率基本上是连续的位置，这个建设过程 —— 即使 LLM 的跑道用完了，你认为你正在构建的 GPU 和基础设施在不同范式下仍然可以使用吗？我想对别人开放，但 LLM 是 AI 技术的一部分。

你知道，AI 是模型系统，不仅仅是 LLM，LLM 是其中很大一部分，但它是模型系统，技术就是让 AI 从今天起提高生产力，不管我们怎么称呼它，我们仍有很多技术需要开发。

主持人：谁想参与，特别是如果你不同意？

杨立昆：我认为我们不应该再叫它们 LLM 了，它们不再是语言模型了。它们从语言模型开始，至少预训练是这样，但最近它们在成为智能体方面有了很多进展，也就是说，通过一系列步骤来达成目标，与环境、与人互动，现在是通过对话，但越来越多地是通过计算基础设施。

技术正在变化，和三年前完全不同。我不认为我们能预测技术两年、五年、十年后会是什么，但我们可以看到趋势。所以我正在做的一件事是试图召集一群国际专家来追踪 AI 正在发生什么、它将走向何方、有什么风险、它们如何被缓解。在这么多基准测试中，趋势非常清晰。因为在过去改进技术取得了巨大成功，并不意味着未来会一样。

所以如果没有达到预期，会有经济后果，但从长远来看我完全同意。

主持人：你们其他人呢？你们认为估值合理吗？就你们对技术、应用的了解而言。

比尔・戴利：我认为有三个趋势可以解释正在发生什么。

第一，模型变得更高效。如果你只看注意力机制，从直接注意力到 GQA 到 MLA，你用少得多的计算得到了相同或更好的结果，这会在以前可能太贵的东西变得足够便宜时驱动需求，现在你可以用 AI 做更多。

同时模型变得更好，也许它们会继续用 Transformer 变得更好，或者新的架构会出现，但我们不会倒退，我们会继续有更好的模型。这也使得 —— 你仍然需要 GPU，即使你绝对是基于 Transformer 的。

事实上，这让它们比更专门化的东西更有价值，因为它们更灵活，能更好地与模型一起进化。

但最后一件事是，我想我们才刚刚开始触及应用的表面。人类生活的几乎每个方面都可以通过 AI 来变得更好，帮助某人在他们的职业中，在日常生活中帮助他们。

我想我们可能只达到了最终需求的 1%。所以随着那扩展，使用量会上升。所以我不认为这里有任何泡沫，我想就像黄仁勋说的，我们正乘着多重指数级增长，我们才刚刚开始，它会一直持续下去。

在某种程度上，NVIDIA 对此是免疫的，因为即使这个范式改变了，有其他类型的 AI 和其他架构，你仍然需要下面的原子，这对你来说是合理的。

主持人：李飞飞，你想参与进来吗？

李飞飞：我确实认为，当然从市场角度看，它会有自己的动态，有时它会自我调整。但如果你看长期趋势，别忘了 AI 总体上还是一个非常年轻的领域。

我们走进这个房间，墙上有物理方程式，物理学是 400 多年历史的学科，即使我们看现代物理学，AI 也不到 70 岁，如果我们回到阿兰・图灵，大约 75 年。

所以未来还有很多新领域。黄仁勋和约书亚・本吉奥谈论 LLM 和智能体，那些更多是基于语言的，但即使你对人类智能做自我反思，语言之外还有更多的智能能力。

我一直在研究空间智能，这真的是感知和行动之间的组合或关键，人类和动物有难以置信的能力去感知、推理、互动和创造世界，这远远超越语言。

即使是今天最强大的基于语言或 LLM 的模型，也无法通过基本的空间智能测试。所以从学科和科学的角度看，还有更多的前沿需要征服和开拓，那会带来更多应用。

主持人：你在一家公司工作，所以有研究人员和在商业空间工作的双重视角。你同意吗？你相信这一切都是合理的，你能看到这一切来自哪里？还是你认为我们到了尽头需要找新路径？

约书亚・本吉奥：我认为有几个观点说明我们不在泡沫中，至少有一个观点暗示我们在泡沫中，但那是另一回事。

我们不在泡沫中是指有很多基于 LLM 的应用可以开发，LLM 是当前主导范式，那里还有很多可以挖掘的，这是比尔・戴利说的，用当前技术帮助人们日常生活。

那项技术需要推动，这证明了在软件方面和基础设施方面所做的所有投资是合理的。一旦我们有了智能可穿戴设备在每个人手中，帮助他们日常生活，黄仁勋说的，为所有这些服务所需的计算量将是巨大的。所以在这个意义上，投资没有浪费。

但有一种感觉是有泡沫的，那就是认为当前 LLM 范式会被推到拥有人类智能的地步，我个人不相信。你也不知道，我们需要几次突破才能到达真正拥有我们在人类甚至动物身上观察到的那种智能的机器。我们没有几乎和猫一样聪明的机器人，我们仍然缺少一些重要的东西。

所以 AI 进步不仅仅是更多基础设施、更多数据、更多投资和当前范式的更多开发的问题，它实际上是一个科学问题：我们如何向下一代 AI 迈进？这就是为什么你们都在这里，因为你实际上引发了整件事。

主持人：我觉得我们正朝着工程应用端走得太远，但你的意思是我们需要回到最初让你们来到这里的东西。

关于人类水平智能的问题，我们时间不多了，我只想快速问一句，我很好奇，你们每个人能说一下你们认为需要多长时间，直到我们到达你们相信我们拥有相当于人类机器智能的点，或者甚至是像章鱼这样聪明的动物？我们离那还有多远？只说年份。

杰弗里・辛顿：这不会是一个事件，能力将在各个领域逐渐扩展。在什么时间段？也许在未来 5 到 10 年内，我们会在新范式上取得一些重大进展，然后也许进展会来，但会花比我们认为更长的时间。

主持人：机器的某些部分将超越人类智能，某些部分永远不会相似或与人类智能相同。它们是为不同目的而建的。什么时候我们能做到超越？部分已经在这里了。

黄仁勋：我们有多少人能识别世界上的 22,000 个物体？有多少成年人能翻译 100 种语言？所以我认为我们应该细致入微，基于科学事实：飞机飞行，但不像鸟一样飞；基于机器的智能会做很多强大的事情，但人类智能在我们的社会中永远有深刻的位置。

主持人：黄仁勋，你有具体年份吗？我们有足够的通用智能在未来几年将技术转化为大量对社会有用的应用。

关于这个，是的，我们今天就在做。所以我认为我们已经在那里了，另一方答案是这无关紧要，因为在这一点上，这有点学术问题。我们将应用技术，技术会越来越好，我们将应用技术解决很多非常重要的事情。所以答案是这无关紧要，而且就是现在。是的，你决定。

主持人：如果你把问题细化一点，说多久之后如果你和这台机器辩论它总会赢？我认为那肯定在未来 20 年内会到来。我们还没到那一步，但我认为相当肯定在未来 20 年内我们会拥有那个。所以如果你把那定义为 AGI，它总会赢得与你的辩论，我们会到达那里，可能在不到 20 年内。

比尔・戴利：我同意黄仁勋，这是个错误的问题。因为我们的目标不是建造 AI 来取代人类或比人类更好，而是来增强人类。

我们要做的是补充人类擅长的东西。人类无法识别 22,000 个类别，我们大多数人不能解决这些数学问题，所以我们建造 AI 来做那些，人类可以做人类独特的事情，即有创造力、有同理心、理解如何与我们世界中的其他人互动。我认为 AI 永远不会做到那个，但 AI 可以为人类提供巨大帮助。

杨立昆：我不同意，我看不出有什么理由为什么在某个时候我们不能建造几乎能做我们能做的一切的机器。

当然目前空间和机器人方面滞后了，但从概念上讲没有理由我们不能。关于时间线，我认为有很多不确定性，我们应该相应规划。但有些数据我觉得有趣，我们看到 AI 规划不同视野的能力在过去六年里呈指数级快速增长，如果继续这个趋势，大约在五年内，AI 就能达到员工在工作中的水平。

现在这只是工程任务的一个类别，还有很多其他重要的事情。例如，一件能改变游戏的事情是许多公司正专注于 AI 做 AI 研究的能力，换句话说，做工程、做计算机科学、设计下一代 AI，包括也许改进机器人和空间理解。

所以我不是说它会发生，但 AI 做越来越好的编程和理解算法的能力正在非常非常快地发展，那可能会解锁许多我们不知道的东西。

主持人：所以我们的共识是，在某些方面我们认为未来今天就在这里，但永远不会有一个时刻。你们今天在这里的工作是帮助我们沿着这条路线前进，直到我们能与这些系统并肩工作。个人非常兴奋看到我们将走向何方。如果我们一年后再这样做，那将是一个不同的世界。

非常感谢你们加入我们，分享你们的故事，并带领我们度过这个巨大的革命性时刻。

谢谢你们。

当Hinton的20年倒计时撞上LeCun的范式怀疑，而黄仁勋的工厂已日夜轰鸣——我们赌的究竟是时间，还是技术路线本身？

也许一年后重聚时，第七位"参与者"已能代他们回答。

前沿动态
前沿大会

前沿人物

点「在看」，给前前加鸡腿