城主說|這是一次最新的訪談, 非常罕見, 可以說絕無僅有.六位鼎鼎大名的塑造了我們今天所知的人工智慧（AI）世界的先驅，因共同榮獲2025年伊麗莎白女王工程獎而齊聚一堂。他們是Geoffrey Hinton、Yann LeCun和Yoshua Bengio——深度學習領域公認的「三巨頭」；Jensen Huang和Bill Dally——輝達的掌舵者與首席科學家，為這場革命提供了算力引擎；李飛飛——ImageNet的建立者，用「巨量資料」點燃了演算法的火焰。他們分享了各自職業生涯中的「頓悟」時刻，這些時刻不僅塑造了他們的研究方向，也共同推動了今日人工智慧技術的發展。討論深入探討了當前AI熱潮的本質，分析了其是真實的產業革命還是短暫的泡沫，並最終展望了通用人工智慧（AGI）的未來，各位先驅就其實現時間線和核心定義給出了截然不同但發人深省的觀點。這些AI的締造者們，親自復盤其思想的源起，剖析當下的狂熱，並就通用人工智慧（AGI）的未來，給出了截然不同、甚至相互矛盾的深刻洞見。更重要的是，他們就一個核心問題展開了辯論：我們是正處在一場真實的產業革命中，還是一個即將破裂的泡沫裡？而關於人類水平智能的最終追問，則展現了該領域最頂尖頭腦之間的巨大分歧，預示著未來的道路充滿了機會與不確定性。核心觀點摘要「這花了40年才走到今天。這花了40年的原因是，我們沒有算力，也沒有資料。」 - Geoffrey Hinton「AI需要工廠來生產這些令牌，來產生智慧。這是一次千年一遇的（變革），以前從未發生過電腦實際上是工廠的一部分的情況。」 - Jensen Huang「如果人類將要進入人工智慧時代，那麼指導框架是什麼？這樣我們不僅能創新，還能通過這項強大的技術為每個人帶來仁慈。」 - 李飛飛「在某種意義上存在泡沫，那就是某種程度上認為當前的大型語言模型範式將被推到擁有人類等級智能的程度，我個人不相信這一點。」 - Yann LeCun “如果你把這定義為通用人工智慧（AGI），它總是會在辯論中勝過你。我們可能會在不到20年的時間內達到那個目標。” - Geoffrey Hinton「這是一個錯誤的問題…我們的目標不是建構人工智慧來取代人類或比人類更優秀。我們的目標是建立人工智慧來增強人類。」 - Bill Dally「如果我們延續這種趨勢，大約在5年內，人工智慧就能達到一名員工在其工作崗位上的能力水平。」 - Yoshua Bengio頓悟時刻：塑造AI歷史的個人啟示今天的AI革命，其種子是在數十年前，由在座各位嘉賓在各自領域經歷的「頓悟時刻」播下的。 Yoshua Bengio回憶起研究生時期初讀Geoffrey Hinton的論文，“我想，哇，這太令人興奮了。也許有一些簡單的原則，就像物理定律一樣，可以幫助我們理解人類智能。” 而正是Hinton，在1984年通過一個微型的語言模型驚奇地發現，「僅僅通過嘗試預測符號串中的下一個單詞，它就能學會如何將單詞轉換成捕獲單詞含義的特徵集合。」 這正是今天大型語言模型的思想前身，但Hinton坦言，“這花了40年才走到今天。這花了40年的原因是，我們沒有算力，也沒有資料。”這個歷史性的瓶頸，最終由房間裡的另外幾個關鍵人物打破。 Bill Dally在90年代末期為解決「內存牆」問題，構想出了流處理架構，這為後來的GPU計算奠定了基礎。而真正的轉折點發生在2010年，他與吳恩達的一次早餐會讓他確信，“我們應該構建我們的GPU來進行深度學習。” 幾乎在同一時間，Jensen Huang也從多倫多大學、紐約大學和史丹佛大學的研究中觀察到了一個驚人相似的模式。“我能夠開發軟件，這對我來說與設計晶片非常相似。而且模式非常相似。那時我意識到，也許我們可以開發出能夠很好地擴展的軟件和能力，就像我們多年來擴展晶片設計一樣。”然而，強大的算力若沒有海量的資料，也只是空轉的引擎。李飛飛在2006年意識到，當時機器學習的真正瓶頸是資料匱乏。「我和我的學生意識到，缺少的部分是數據…所以我們決定在那時做一件瘋狂的事情，在三年內建立一個互聯網規模的數據集，名為ImageNet。」這個 決定，最終為整個領域提供了燃料，開啟了巨量數據驅動的AI新範式。 Yann LeCun則從更早的源頭——讓機器自我學習而非被動編程——找到了自己的道路，並最終與Hinton和Bengio殊途同歸，共同推動了自監督學習的發展，這正是今天大型語言模型訓練的核心思想。當下浪潮：泡沫還是新紀元？當話題轉向當下席捲全球的AI投資熱潮時，作為這場風暴中心的輝達CEO，Jensen Huang給出了一個堅定的判斷：這不是泡沫。他提出了一個強有力的比喻，將其與互聯網泡沫時期的「暗光纖」區分開來。「今天，你能找到的幾乎每個GPU都被點亮並使用……我們現在有了一個行業，其中產生真正有價值且需求旺盛的東西所需的計算量非常巨大。我們創造了一個需要工廠的行業。這就是為什麼我提醒我們自己，AI需要工廠來生產這些令牌，來產生智能。」 在他看來，世界正在建設的是生產「智能」需求，這就是巨大的商品Bill Dally對此表示贊同，他認為模型效率的提升、模型能力的增強以及應用場景的爆炸式增長這三個趨勢，共同支撐著這場變革的持續性。“我認為我們可能已經達到了最終需求的百分之一。因此，隨著需求的擴大，這種用途的數量將會增加。所以我認為這裡面沒有什麼泡沫。”然而，Yann LeCun提出了一個關鍵的、更為審慎的觀點。他認為，雖然基於現有大型語言模型的應用開發前景廣闊，足以支撐當前的投資，但在某種意義上存在泡沫，那就是某種程度上認為當前的大型語言模型範式將被推到擁有人類等級智能的程度，我個人不相信這一點。 他強調，要實現真正的、像動物甚至人類一樣的智能，尤其是在機器人和物理互動方面，還需要基礎科學上的新突破。李飛飛也從「空間智能」的角度呼應了這一觀點，指出即使是今天最強大的基於語言或基於LLM的模型，也無法通過基本的空間智能測試。 這意味著，AI的未來版圖遠比語言模型所能覆蓋的要廣闊得多，而那片新大陸仍有待探索。展望未來：人類水平智慧還有多遠？當討論進入最激動人心也最具爭議的環節——通用人工智慧（AGI）的實現時間線時，共識瞬間瓦解。這些最頂尖的頭腦，給出了從幾年到幾十年，甚至「這是一個錯誤的問題」的迥異答案。Geoffrey Hinton給出了一個最明確和大膽的預測。當被問及機器在辯論中總是能勝過人類的時刻何時到來時，他回答：“我認為這肯定會在20年內發生。” Yoshua Bengio的預測則更為激進，他基於過去幾年AI規劃能力的指數級增長趨勢推斷：“如果我們延續這種趨勢，大約在5年內，人工智慧可能達到一名員工在其工作崗位上的能力水平 。與此形成鮮明對比的是更務實的工程視角。 Jensen Huang認為，AGI何時到來的問題**“無關緊要”，因為“我們擁有足夠的通用智能，可以在未來幾年內將這項技術轉化為大量對社會有用的應用……我們今天就在做。”** Bill Dally更是直言，“這是一個錯誤的問題……因為我們的目標不是構建人工智慧來取代人類或比人類更優秀。我們的目標是構建人工智慧來增強人類人工智慧。”李飛飛和Yann LeCun則提供了更複雜、更細緻的觀點。李飛飛認為，這個問題本身需要被解構：“機器的某些部分將取代人類智能，而機器智能的某些部分將永遠不會與人類智能相似或相同。它們是為了不同的目的而建造的。” Yann LeCun則強調，這不會是一個單一的“事件”，而是一個能力逐步擴展的漫長過程。結語：沒有共識的共識這場歷史性的對話，最終在一個「沒有共識」的共識中結束。 AI的締造者們，對於他們親手開啟的這場革命的最終走向，並沒有統一的答案。這本身或許就是最重要的啟示：我們正處在一個充滿無限可能性的黎明時刻，前方的道路並非線性延伸，而是充滿了需要科學突破的未知領域。可以肯定的是，這場對話的參與者們，將繼續在這條道路上引領我們前行，即便他們自己，也仍在激烈地辯論著最終的目的地。天空之城全文整理版頓悟時刻：塑造AI歷史的個人啟示主持人: 我很高興能被選中向大家介紹今天圍坐在桌旁的這群傑出人士。我認為他們是當今地球上最傑出、最有影響力的人中的6位。我認為這絕非誇大其詞。這些是2025年伊麗莎白女王工程獎的得主。今天我們看到的獲獎者因其對當今人工智慧技術的獨特影響而受到表彰。鑑於你們在高級機器學習和人工智慧方面的開創性成就，以及你們幫助建構的創新如何塑造我們今天的生活。我想每個人都很清楚，為什麼能讓你們齊聚一堂是一個非常難得和令人興奮的機會。就我個人而言，我非常興奮地想聽聽你們反思我們所處的當下，每個人都試圖超越和理解的當下，以及你們的旅程，將你們帶到今天的旅程。但也要理解你的工作以及你作為個體如何相互影響和作用，以及你所建立的公司和技術。最後，我很樂意聽到你們展望未來，幫助我們更清楚地看到未來，而你們最適合做這件事。所以我很高興今天能和大家在一起，並期待討論。所以我將從宏觀視角開始，逐步深入到非常個人的層面。我想聽聽你們每個人在職業生涯中的個人「頓悟」時刻，你認為這些時刻對你所做的工作產生了影響，或者是一個轉折點，讓你走上了今天的道路，從而讓你坐在這裡。無論是在你職業生涯的早期、研究階段，還是最近，是什麼樣的個人覺醒時刻影響了技術？我們從你開始好嗎，Yoshua？謝謝。Yoshua: 好的，很樂意。我想講兩個時刻。一次是我讀研究所時，我正在尋找一些有趣的研究課題，我讀了Geoff 辛頓的一些早期論文，我想，哇，這太令人興奮了。也許有一些簡單的原則，就像物理定律一樣，可以幫助我們理解人類智能，並幫助我們建構智慧手機器。我想談的第二個時刻是兩年半前，在GPT問世後，我意識到，哦，我們在做什麼？如果我們製造出能夠理解語言、擁有目標，而我們又無法控制這些目標的機器，會發生什麼事？如果它們比我們更聰明，會發生什麼？如果人們濫用這種力量，會發生什麼？所以我決定完全改變我的研究議程和我的職業生涯，盡我所能解決這個問題。主持人: 這是兩種非常不同的事情。非常有趣。請跟我們談談您建立基礎設施的時刻，這些基礎設施正在推動我們今天所擁有的成果。Bill Dally: 也有兩個時刻。所以第一個是在90年代末，我在史丹佛大學試圖弄清楚如何克服當時被稱為「內存牆」的問題，即從內存訪問資料在能源和時間上的成本遠高於對其進行算術運算。我突然想到將計算組織成由流連接的這些核心，這樣你就可以進行大量的算術運算而無需進行太多的內存訪問。這基本上為後來被稱為流處理（最終是GPU計算）奠定了基礎。我們最初建構它是考慮到我們可以將GPU不僅應用於圖形，還可以應用於一般的科學計算。所以第二個時刻是我和我的同事吳恩達在史丹佛大學共進早餐，當時他在Google工作，使用一種叫做神經網絡的技術在互聯網上尋找貓，使用了16000個CPU。他基本上說服我這是一項偉大的技術，所以我與Brian Kappenzauer合作，在輝達的48個GPU上重複了實驗。當我看到結果時，我絕對相信這就是輝達應該做的事情。我們應該建構我們的GPU來進行深度學習，因為這在尋找貓以外的各種領域都有巨大的應用。那是一個頓悟時刻，真正開始努力專門化GPU用於深度學習，並使它們更有效。主持人: 飛飛也參與其中。那是什麼時候？那一年？Bill Dally: 早餐會是在2010年，我認為我們在2011年重複了那個實驗。主持人: 好的。傑夫，跟我們講講你的工作。辛頓: 我想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。所以那是一個很小的語言模型，並且發現它可以學習到單詞含義的有趣特徵。所以僅僅是給它一串符號，僅僅通過嘗試預測符號串中的下一個單詞，它就能學會如何將單詞轉換成捕獲單詞含義的特徵集合，並且讓這些特徵之間產生互動，從而預測下一個單詞的特徵。所以那其實是來自1980年代末，1984年末的小型語言模型，我認為它是這些大型語言模型的前身。基本原理是相同的。只是很小。但這花了40年。我們有100個訓練樣本。主持人: 雖然，這花了我們40年才走到今天。辛頓: 這花了40年才走到今天。這花了40年的原因是，我們沒有算力，也沒有資料。當時我們並不知道這一點。我們無法理解為什麼我們不能僅僅用反向傳播來解決所有問題。主持人: 這讓我們順利地談到了Jensen。 40年來我們沒有算力，而現在，你正在建構它。告訴我們你真正清晰的時刻。黃仁勳: 就我的職業生涯而言，我是第一代能夠使用更高等級表示和設計工具來設計晶片的晶片設計師。當我在2010年左右，同時從三個不同的實驗室理解到一種新的軟件開發方式時，這個發現很有幫助。多倫多大學發生了什麼，那裡的研究人員與我們聯絡的同時，紐約大學的研究人員也與我們聯絡，史丹佛大學的研究人員也在同一時間與我們聯絡。大約在同一時間，我看到了深度學習的早期跡象，它使用框架和結構化設計來建立軟件。結果證明該軟件非常有效。第二個觀察結果，再次看到，使用框架、更高層次的表示、結構化類型的結構，例如深度學習網絡，我能夠開發軟件，這對我來說與設計晶片非常相似。而且模式非常相似。那時我意識到，也許我們可以開發出能夠很好地擴展的軟件和能力，就像我們多年來擴展晶片設計一樣。所以對我來說，那是一個重要的時刻。主持人: 您認為晶片真正開始幫助擴展我們今天擁有的大型語言模型（LLM）的時刻是什麼時候？因為您說是2010年，那仍然是15年。黃仁勳: 是的。輝達架構的優點在於，一旦你能夠讓某些東西在GPU上良好運行，因為它變成了平行的，你就可以讓它在多個GPU上運作良好。將演算法擴展到在單一GPU上運行於多個處理器的相同思路，同樣適用於在多個GPU上運行，然後現在可以擴展到多個系統，甚至多個資料中心。因此，一旦我們意識到可以有效地做到這一點，剩下的就是想像你可以將這種能力推斷到什麼程度。我們有多少資料？互聯網可以有多大？它可以捕獲多少維度？它可以解決什麼樣的問題？所有這些在那個時候實際上都是工程問題。深度學習模型如此有效這一觀察，確實是一個火花。剩下的實際上是工程推斷。主持人: 飛飛，和我們說說你的時刻。李飛飛: 是的。我還有兩個時刻要分享。大約在2006年和2007年，我正在從一名研究生過渡到一名年輕的助理教授。我是第一代機器學習研究生，閱讀楊、約書亞、傑夫的論文。我當時非常著迷於試圖解決視覺辨識問題，也就是讓機器能夠理解日常圖片中物體的意義。我們在機器學習中遇到一個叫做泛化性的難題，也就是說，在從一定數量的例子中學習後，我們是否能識別新的例子，新的樣本？我嘗試了所有可能的演算法，從貝葉斯網絡到支援向量機再到神經網絡。我和我的學生意識到，缺少的部分是資料。如果你看看像人類這樣的智慧動物的進化或發展，我們早期發展階段被資料淹沒，但我們的機器卻缺乏資料。所以我們決定在那時做一件瘋狂的事情，在三年內建立一個互聯網規模的數據集，名為ImageNet，包括1500萬張圖片，由世界各地的人們手工整理，涵蓋22000個類別。對我來說，那一刻的頓悟就是巨量資料驅動機器學習。主持人: 現在它是限制因素，是我們所見所有演算法的基石。李飛飛: 它是當今人工智慧擴展定律的一部分。第二個頓悟時刻是2018年，我當時是Google雲人工智慧的首位首席科學家。我們所做的工作之一是服務於陽光下的所有垂直行業，對吧？從醫療保健到金融服務，從娛樂到製造業，從農業到能源。那是在我們稱為ImageNet AlexNet時刻的幾年後，以及AlphaGo之後的幾年。我意識到…AlphaGo是一種能夠在圍棋這種中國棋盤遊戲中擊敗人類的演算法。是的。身為Google的首席科學家，我意識到這是一項文明技術，將影響每個個體人類以及每個商業領域。如果人類將要進入人工智慧時代，那麼指導框架是什麼？這樣我們不僅能創新，還能透過這項強大的技術為每個人帶來仁慈。所以我回到史丹佛大學擔任教授，共同創立了以人為本的人工智慧研究所，並提出了以人為本的人工智慧框架，以便我們能夠將人性和人類價值觀置於這項技術的中心。主持人: 那麼，既要發展，也要關注影響和下一步，這就是我們其餘人介入的地方。揚，你想在這裡總結一下嗎？你覺得最精彩的部分是什麼？楊立昆: 可能要追溯到很久以前。我意識到，當我還是本科生的時候，我對人工智慧和更廣泛的智慧問題著迷，並發現50年代和60年代的人們致力於訓練機器，而不是程式設計機器。我對這個想法真的很著迷，可能是因為我覺得我太笨或太懶，無法從頭開始建造一台智慧手機器，對吧？所以最好讓它自己訓練自己，或是自我組織。這就是生命中智慧建構自身的方式。它是自我組織的。所以我想這個概念非常吸引人，但是當我從工程學畢業時，我找不到任何人。順便說一句，我當時在做設計。我想去讀研究所。我找不到任何人在研究這個，但和一些對此感興趣的人聯繫上了，發現了傑夫的論文，例如。他是1983年我開始讀研究所時最想見的人，我們最後在兩年後見面了。主持人: 那麼今天你們是朋友，可以這麼說嗎？楊立昆: 是的。哦，我們在1985年一起吃了午飯，基本上我們可以互相接話。他在一次會議上用法語寫了一篇論文，並在會上作了主題演講，並且設法破譯了其中的數學原理。它有點像是反向傳播，用來訓練多層網絡。從60年代開始人們就知道，機器學習的限制在於我們無法用多層來訓練機器。所以那真的是我的執念，也是他的執念。所以我寫了一篇論文，提出了一些可行的方法，他設法看懂了其中的數學原理。我們就是這樣聯絡上的。主持人: 這就是讓你走上這條道路的原因。楊立昆: 是的。在那之後，一旦你能訓練像這樣的複雜系統，你就會問自己，那麼我該如何建構它們？它們可以做一些有用的事情，例如識別圖像或類似的東西。當時，我和傑夫在80年代末我做博士後時有過一場辯論。我認為唯一被很好地公式化的機器學習範式是監督學習。你向機器展示一張圖片，然後告訴它答案是什麼。對。他說，不，不，不。就像我們取得進展的唯一方法是無監督學習。並且當時有點不屑一顧。在2000年代中期，當Yoshua和我開始合作並重新燃起社區對深度學習的興趣時，我們實際上把賭注押在了無監督學習上。這只是一個強化循環，對吧？這不是強化。不，這基本上是在沒有訓練機器執行任何特定任務的情況下發現資料中的結構，順便說一下，這正是大型語言模型（LLM）的訓練方式。因此，大型語言模型被訓練來預測下一個單詞，但這並不是真正的任務。這只是系統學習一種好的表徵或捕捉結構的方式。主持人: 那裡沒有獎勵系統嗎？抱歉說得太技術性了，但是沒有什麼可以說明這是正確的，因此要繼續這樣做嗎？楊立昆: 如果你能正確預測下一個單詞，那就是正確的。辛頓: 是的。這與強化學習中的獎勵不同，在強化學習中你會說這很好。主持人: 是的。好的。楊立昆: 所以，實際上，我要為此責怪你。事實證明，李飛飛製作了一個名為ImageNet的大型資料集，該資料集被標記。因此，我們可以使用監督學習來訓練系統。結果證明，這實際上比我們預期的要好得多。因此，我們暫時放棄了整個關於自監督和無監督學習的計劃，因為監督學習的效果非常好。我們發現了一些技巧。主持人: 約書亞堅持了下來。我說我沒有。楊立昆: 不，你沒有。它仍然運行良好。但如果你願意，它在某種程度上重新聚焦了整個行業和研究界，專注於深度學習、監督學習等等。又過了幾年，大概在2016、17年左右，我們告訴人們，這不會把我們帶到我們想去的地方。我們現在需要做自監督學習。而大型語言模型（LLM）正是這方面的最佳例子。但我們現在正在做的是將此應用於其他類型的材料，如視頻傳感器數據，而大型語言模型在這方面非常不擅長。這是未來幾年的新挑戰。當下浪潮：泡沫還是新紀元？主持人: 這實際上將我們帶到了現在。我想你們都看到了這股興趣浪潮，來自那些以前不知道人工智慧是什麼，對人工智慧不感興趣的人。現在大家都湧向這裡。這已經不只是一項技術創新，對吧？這是一個巨大的商業繁榮。它已經成為一個地緣政治戰略問題。每個人都在試圖弄清楚這是什麼，或理解它。黃仁勳，我先來問你。我希望你們都反思現在的這一刻。輝達尤其如此，它基本上每天、每小時、每周都在新聞裡出現，你知道，而且你們已經成為世界上最有價值的公司。所以這裡面有一些人們想要的東西。辛頓: 聽到這個你可能要擔心了。主持人: 是的。你知道，請告訴我們，你是否擔心我們正走向一個人們不太理解的境地，我們都跑得太快了，而且會有一個泡沫即將破裂，然後它會自行糾正？如果不是這樣，關於人工智慧帶來的需求，與例如網路泡沫時代相比，或者人們不理解的最大誤解是什麼？如果情況並非如此？在互聯網泡沫時代，在泡沫期間，部署的大部分光纖都是暗光纖，這意味著該行業部署的光纖比它需要的要多得多。黃仁勳: 今天，你能找到的幾乎每個GPU都被點亮並使用。因此，我認為重要的是退一步，去理解和理解什麼是人工智慧。你知道，對很多人來說，人工智慧就是ChatGPT，就是影像生成。這都是真的。這是它的應用之一。在過去的幾年裡，人工智慧取得了巨大的進步，它不僅能記憶和概括，還能推理，有效地思考，並透過研究來紮根。它現在能夠產生答案並做更有價值的事情。這更加有效。並且，能夠建立對其他企業有幫助的業務的公司數量也在增加，例如，一家軟件編程公司，一家我們使用的名為Cursor的AI軟件公司，它們非常盈利，而且我們大量使用它們的軟件。並且，對於那些服務於醫療保健行業、做得非常非常好、產生真正良好結果的精簡版或開放證據來說，它非常有用。而且，而且，因此，AI能力已經成長了很多。因此，我們看到了同時發生的這兩個指數增長。一方面，產生答案所需的計算量已大幅成長。另一方面，這些AI模型的使用量也呈現指數級成長。這兩個指數增長導致了對計算的大量需求。現在，當你退一步，從根本上問自己，今天的AI與過去的軟件行業有什麼不同？過去的軟件是預編譯的，軟件所需的計算量不是很高，但是為了使AI有效，它必須具有上下文感知能力。它必須這樣，目前它只能產生智慧。你無法提前生成它並檢索它。那就是，你知道的，那叫做內容。人工智慧必須即時生成和產生。因此，我們現在有了一個行業，其中產生真正有價值且需求旺盛的東西所需的計算量非常巨大。我們創造了一個需要工廠的產業。這就是為什麼我提醒我們自己，人工智慧需要工廠來生產這些令牌，來產生智慧。這是一次，你知道的，千年一遇的，以前從未發生過電腦實際上是工廠的一部分的情況。因此，我們需要數千億美元的這些工廠，以便為建立在智慧之上的數億美元的行業提供服務。你知道，你回頭看看過去的軟件。過去的軟件是軟件工具。它們被人使用。人工智慧是首次增強人類智慧的技術。因此，它涉及勞動力​​問題。它涉及工作問題。它完成工作。主持人: 所以你說，不，這與人無關。黃仁勳: 我認為，我們正處於智慧建構的初期階段。而且，事實是，今天大多數人仍然不使用人工智慧。主持人: 在不久的將來，我們所做的幾乎每一件事，你懂的，每一刻，你都會以某種方式與人工智慧互動。黃仁勳: 所以，從我們今天的狀態，即使用率相當低的狀態，到我們未來某天的狀態，即使用率基本上是連續的狀態之間，這種構建是，你知道，而且，即使大型語言模型（LLM）的發展停滯，你認為GPU和你正在構建的基礎設施仍然可以在不同的範例中發揮作用。主持人: 接下來我想讓其他人發言。黃仁勳: 大型語言模型（LLM）是人工智慧技術的一部分。你知道，人工智慧是由模型組成的系統，不僅僅是大型語言模型（LLM），大型語言模型（LLM）是其中很大的一部分，但為了使人工智慧比現在更俱生產力，無論我們如何稱呼它，都需要模型的系統和必要的技術。我們還有很多技術需要開發。主持人: 誰想參與進來，談談這個？特別是如果你不同意的話。Yoshua: 我認為我們不應該再稱它們為大型語言模型（LLM）了。它們不再是語言模型了。它們，它們最初是作為語言模型出現的，至少這是預訓練階段，但最近，在使它們成為智能體方面已經取得了很大的進展。換句話說，經歷一系列步驟，為了透過對話與環境、與人們互動，從而實現某種目標，但越來越多的是與計算基礎設施互動。而且技術正在改變。這和三年前的情況完全不同。我認為我們無法預測兩年、五年、十年後技術會發展到什麼程度。但我們可以看到趨勢。所以我正在做的事情之一是試圖召集一組國際專家，以追蹤人工智慧的最新發展，以及它的發展方向。風險是什麼？這些風險是如何被緩解的？而且，在如此多的基準測試中，趨勢非常明顯。現在，你知道，僅僅因為我們過去在改進技術方面取得瞭如此多的成功，並不意味著未來也會一樣。那麼，如果未能達到預期，就會產生經濟後果。但從長遠來看，我完全同意。主持人: 但目前，你們其他人怎麼看？你們認為，根據你們對技術和應用方面的理解，這些估值是合理的嗎？Bill Dally: 我認為有三個趨勢可以解釋目前發生的事情。首先，模型變得越來越有效率。例如，如果你只看注意力機制，從直接注意力到GQA再到MLA，你會以更少的計算量獲得相同或更好的結果。因此，這會以某種方式推動需求，使以前可能過於昂貴的東西變得便宜。現在你可以用人工智慧做更多的事情。與此同時，模型也在變得更好。也許它們會繼續透過transformers變得更好，或者會出現一種新的架構。但我們不會倒退。我們將繼續擁有更好的模型，這些模型仍然需要GPU。當然。是的。事實上，這使得它們比更專業化的東西更有價值，因為它們更靈活，並且可以隨著模型更好地發展。但最後一點是，我認為我們才剛剛開始觸及應用的皮毛。因此，幾乎人類生活的方方面面都可以透過人工智慧協助人們的職業，幫助他們的日常生活而變得更好。我認為我們可能已經達到了最終需求的百分之一。因此，隨著需求的擴大，這種用途的數量將會增加。所以我認為這裡面沒有什麼泡沫。我認為，正如黃仁勳所說，我們正處於多重指數成長的早期階段，而且它會持續下去。主持人: 在某種程度上，輝達已經習慣了這一點，因為即使這種範式發生變化，出現其他類型的人工智慧和其他架構，你仍然需要底層的原子。這對你來說是合理的。飛飛，你想插句話嗎？李飛飛: 我確實認為，當然，從市場的角度來看，它會有自己的動態，有時它會自我調整。但如果你著眼於長期趨勢，我們不要忘記，總的來說，人工智慧仍然是一個非常年輕的領域，對吧？我們走進這個房間，牆上是物理學的方程式。即使我們看現代物理學，物理學也是一門有400多年歷史的學科。人工智慧還不到70年。如果我們追溯到艾倫·圖靈，那大約是75年。因此，未來還有更多的新領域。黃仁勳和約書亞談論了大型語言模型和智能體。這些更多是基於語言的。但即使你對人類智能進行自我反省，語言之外還有更智能的能力。我一直在研究空間智能，這實際上是感知和行動的結合或關鍵，在感知、推理、互動和創造超越語言的世界方面，人類和動物都擁有不可思議的能力。即使是今天最強大的基於語言或基於LLM的模型，也無法通過基本的空間智慧測試。所以從這個角度來看，作為一個學科，作為一門科學，還有更多的前沿需要征服和開拓。這也帶來了應用，你知道，開闢了更多的應用。主持人: Yann，你在一家公司工作，所以你有研究人員和在商業領域工作的雙重視角。你同意嗎？你認為這一切都是合理的，你能看到這一切的根源嗎？還是你認為我們已經走到了盡頭，我們需要找到一條新的路？楊立昆: 所以我認為有幾個觀點顯示我們沒有處在泡沫中。至少有一種觀點，我暗示我們正處於泡沫之中，但它又有所不同。所以我們並不是說基於大型語言模型可以開發很多應用，從這個意義上來說，我們不處於泡沫之中。大型語言模型是當前的主導範式，並且有很多可挖掘之處。這就是，你知道的，比爾所說的，用當前的技術來幫助人們的日常生活。這項技術需要被推動，並且這證明了在軟件方面和基礎設施方面所做的所有投資都是合理的。一旦我們有了，你知道的，每個人都擁有智慧可穿戴裝置，並在他們的日常生活中為他們提供幫助，正如黃仁勳所說，服務於所有這些人所需的計算量將是巨大的。所以從這個意義上講，投資沒有浪費。但在某種意義上存在泡沫，那就是某種程度上認為當前的大型語言模型範式將被推到擁有人類等級智能的程度，我個人不相信這一點，你也不相信。在我們獲得真正具有我們觀察到的那種智慧的機器之前，我們需要一些突破，不僅在人類身上，也在動物身上。我們沒有像貓一樣聰明的機器人，對吧？因此，我們仍然缺少一些重要的東西，這就是為什麼人工智慧的進步不僅僅是更多基礎設施、更多數據、更多投資以及更多當前範式開發的問題。這實際上是一個科學問題，即我們如何朝著下一代人工智慧取得進展。展望未來：人類水平智慧還有多遠？主持人: 這就是你們所有人來到這裡的原因，對吧？因為你們實際上激發了整個事情的開端。我覺得，你知道，我們正朝著工程應用發展。但你所說的是我們需要回到最初把你帶到這裡的原因。關於人類水平智能的問題，我們剩下的時間不多了。所以我只想做一個快速提問。我很好奇，你們每個人能說一下，你們認為我們需要多久才能達到那個程度，即你相信我們擁有，你知道的，與人類甚至像章魚或其他什麼聰明的動物相當的機器智能？我們還有多遠？只要年數？楊立昆: 這不會是事件。主持人: 好的。好的。楊立昆: 因為各種領域的能力將逐步擴展。主持人: 在什麼時間段內？楊立昆: 在，你知道，也許我們會在未來5到10年內取得一些重大進展，從而提出一種新的範式。然後也許，你知道，進展就會到來。但這將比我們想像的要長。李飛飛: 好的。機器的某些部分將取代人類智能，而機器智能的某些部分將永遠不會與人類智能相似或相同。它們是為了不同的目的而建造的。我們什麼時候能達到取代？其中一部分已經在這裡了。我們當中有多少人能辨識出世界上22000個物體？主持人: 你不認為一個成年人能識別出22000個物體嗎？李飛飛: 這種精細度和保真度，不能。有多少成年人能翻譯100種語言？主持人: 那更難，是的。李飛飛: 所以，是的。所以我認為我們應該細緻入微並立足於科學事實，就像飛機能飛，但它們不是像鳥一樣飛。而且基於機器的智慧將做很多強大的事情。但在我們的社會中，人類智能始終佔據著至關重要的地位。黃仁勳，你有什麼要說的嗎？黃仁勳: 我們擁有足夠的通用智能，可以在未來幾年內將這項技術轉化為大量對社會有用的應用。在接下來的一年裡？我們今天就在做。所以我認為，首先，我們已經做到了。其次，答案的另一部分是這無關緊要。主持人: 因為在這一點上，這有點像一個學術問題。黃仁勳: 我們將應用這項技術，並且這項技術會不斷變得更好，我們將應用這項技術來解決從現在開始的許多非常重要的事情。所以我認為答案是這無關緊要。而且現在也是如此。你來決定。如果你稍微改進一下這個問題，比如說，在多久之後，如果你和這台機器辯論，它總是會贏。辛頓: 我認為這肯定會在20年內發生。主持人: 我們還沒有達到那個程度，但我認為肯定會在20年內實現。辛頓: 所以，如果你把這定義為通用人工智慧（AGI），它總是會在辯論中勝過你。我們可能會在不到20年的時間內達到那個目標。主持人: 好的。比爾，你有什麼要說的嗎？Bill Dally: `我確信對於黃仁勳來說，這是一個錯誤的問題，對吧？因為我們的目標不是建構人工智慧來取代人類或比人類更優秀。主持人: 但這是一個科學問題。這不是說我們會取代人類。問題是，作為一個社會，我們能否創造出一些東西？Bill Dally: 但我們的目標是建立人工智慧來增強人類。因此，我們想要做的是補充人類擅長的面向。人類無法辨識22000個類別，或者說我們大多數人無法解決這些奧林匹克數學題。所以我們建構人工智慧來做這些。這樣人類就可以做那些獨屬於人類的事情，那就是發揮創造力，富有同情心，並且懂得如何與我們世界中的其他人互動。我認為，人工智慧是否能做到這一點對我來說並不明確，但人工智慧可以為人類提供巨大的幫助。Yoshua: 所以我恕難苟同。我看不出任何理由說明為什麼在某個時候我們不能製造出幾乎可以做我們所能做的一切的機器。當然，就目前而言，在空間和機器人方面，它還比較落後，但沒有概念上的理由說明我們不能做到。所以在時間線上，我認為存在著許多不確定性，我們應該據此制定計劃。但我也發現一些有趣的資料，我們看到人工智慧在不同時間跨度進行規劃的能力，在過去6年裡呈指數級增長。如果我們延續這種趨勢，大約在5年內，人工智慧就能達到一名員工在其工作崗位上的能力水準。現在，這只是工程任務中的一類，還有很多其他事情很重要。例如，一個可能改變遊戲規則的事情是，許多公司正致力於專注於人工智慧從事人工智慧研究的能力。換句話說，就是進行工程設計、電腦科學研究，以及設計下一代人工智慧，包括可能改進機器人技術和空間理解。所以我並不是說它一定會發生，但是人工智慧能夠進行越來越好的編程和理解演算法的領域，發展速度非常非常快。這可能會解鎖許多我們不知道的其他東西。我們應該真正持不可知論的態度，不要妄下斷言，因為那裡存在著許多可能的未來。主持人: 所以我們的共識在某種程度上是，我們認為未來就在今天，但永遠不會有一個確定的時刻。今天你們各位的任務是幫助引導我們沿著這條路線前進，直到我們達到一個與這些系統並肩工作的程度。我個人非常激動地想看看我們將走向何方。如果我們一年後再做這件事，那將是一個不同的世界。非常感謝你們的參與，感謝你們分享的故事，以及感謝你們與我們共同探討這個巨大的革命性時刻。謝謝。 （Web3天空之城）

過去一年是全球君主制國家發生重大轉變的一年。 一個世紀以來，王室家族的權勢日漸衰微，在2022年，王室衰落的速度加快，預計2023年還會進一步加速。 即使在英國，雖然其王室在2022年經歷了一段美好的時光，但王室家族成員的未來看起來卻不容樂觀。 在經歷了英國女王伊麗莎白二世的白金禧盛大慶典和她的逝世三個月後，這些壯觀盛典的熱度很快消退，取而代之的是有關英國王室未來的嚴肅對話。

當地時間2022年9月8日，英國女王伊麗莎白二世去世，享年96歲。 英國迎來最悲傷的一天，一個時代悄然落下了帷幕。 對於女王情結根深蒂固的英國人來說，誰都知道這一天終究要來，但真的到來時還是忍不住傷悲。 畢竟連他們的國歌都是《天佑女王》，彷彿只要有女王在，天空就會永遠蔚藍。

當地時間9月8日，英國女王伊麗莎白二世在蘇格蘭巴爾莫勒爾城堡去世，享年96歲。 隨後，BBC發布了女王的官方訃告。訃告稱：“伊麗莎白二世女王的長期統治，以她強烈的責任感和將自己的生命，奉獻給她的王位和她的人民的決心為標誌。” 生而為人，本就不容易，更何況，生而為王。 有網友說：英女王的了不起之處，在於她不是因為擁有影響國民生活甚至生命的權力得到大眾的尊敬，完全是因為她站在那裡，成就了“英國的體面”。