北京
大湾区经济网10月24日讯 继库克之后，又一位国际科技界重量级人物来到广州。10月23日，钛动科技首届科技增长大会（Technology Growth Conference 2026）在广州举行。站上开场舞台的，是长期从事自然语言处理研究的Kevin Knight。
他的履历足以镇住全场：本科毕业于哈佛大学，博士毕业于卡内基梅隆大学，曾在南加州大学（USC）任教26年，长期领导该校信息科学研究所（ISI）的自然语言处理研究团队。Transformer奠基论文《Attention Is All You Need》第一作者Ashish Vaswani、OpenAI前研究副总裁Barret Zoph，都曾是他的学生。
结合自己在自然语言处理和数学领域的亲身经历，他在开场即点明主旨：AI已不再只是“会思考”的工具，而是正在成为“会学习、会采取行动”的系统，这将为商业世界带来广泛而深刻的价值创造机会。
现场，他接连抛出五个问题：AI从何而来？如何工作？进展会否加速？下一步走向哪里？人类是否准备好了？
他先讲了个自己的故事。多年前，他为家里编写了一个能在真实棋盘上下棋的机器人，至今每天早上仍会与它对弈。但真正引发行业震动的是DeepMind推出的AlphaGo等系统——先从业余棋谱学起，再通过自我对弈，从自身经验中学习获胜策略。“你可以想象，AlphaGo回到卧室自己下棋，一周后下楼，已经成了世界冠军。”在他看来，依靠反馈和验证不断自我改进，正是AI最关键的能力之一。
自然语言处理走过同样的路。从1950年香农的语言模型，到1980年代IBM仅靠前两个词预测下一个词的突破，再到Google构建大规模语言模型，行业原本以为进步会循序渐进。2016年前后，循环神经网络、Transformer和ChatGPT相继出现，语言预测能力大幅提升。“我们基本解决了（自然语言处理领域的）问题。机器现在能理解语言、生成语言、翻译语言。”他说，这背后既有互联网规模训练数据带来的规模效应，也有基于人类反馈的后训练机制。
GPT-4出现时，研究领域一度“陷入混乱”——旧问题大体解决，眼前铺开的是数百万种应用可能。对研究者而言，新技术的到来往往带有破坏性，他的应对是主动转向更困难的领域——数学。“我以前觉得词很棘手，但机器证明词变容易了。我以为数字很守规矩，但研究几周后发现它极其混乱”。今年夏天，AI在数学领域再掀波澜：不仅能挑战百万美元级的千禧年大奖难题，OpenAI还在两周前发布700多篇论文，解决300多个重要数学问题，带来新证明和新思路。
如何判断AI进展是否在加速？他给出的标尺是机器无需人类持续介入能自主工作多久：从15秒回答问题，到10分钟上网研究并形成文档，再到一小时构建小软件系统、10小时编写大软件系统。“这种事今年才可能，去年不可能。”他举例，今年夏天一个重大数学问题由1万个智能体完全自主工作88小时解决，相当于“100年的机器思考”。在他看来，机器能阅读海量数学论文，跨领域形成“超级智能”，同时具备推理和验证能力，这使其进步可被确认。他判断，每个月或每半年，机器都会更加能干。
谈及下一步，他列出机器人、生物医学研究、娱乐、AI经营企业等方向。他强调，不同领域的关键都是反馈信号：机器人需在成功和失败中学习，生物医学需实验室和临床试验验证，娱乐需人类偏好反馈，而商业的反馈很清晰——利润。他甚至预计，未来某个领域会出现机器公司与人类公司竞争，“当机器不仅能为一个企业工作，还能经营整个企业时，会是真正的冲击”。
这场演讲最打动人的，是他的担忧。把乘法外包给计算器、把种粮交给自动化系统都没问题，真正的问题在于“我们停止思考”。“我发现自己经常可以直接问AI，就懒得自己想。我为自己、家人和所有人担心。”他坦言，如果我们将所有认知都外包给机器，个人和社会都会陷入困难处境。面对加速到来的AI，他给出的准备只有一句：继续思考，不要让AI替你做所有思考。
文/张倩，图为/活动现场
编辑/可可
来源：大湾区经济网
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
