李飞飞最新CHMLive现场访谈全文万字记录（5完结）

摘自天空之城城主 Web3天空之城

我们还有一个关于小模型和AR眼镜结合的问题。这是你考虑过的事情吗？我对新媒体感到非常兴奋。我知道现在还为时过早，对吧？就像我们又回到了硅谷一样。

我相信你们中的许多人都熬夜购买了 Vision Pro，所以我非常兴奋。实际上，苹果称之为空间计算，因为当时我已经考虑空间智能很多年了。我认为，空间计算需要空间智能。虽然目前的形式可能只是眼镜或耳机，但我真的相信眼镜，可能是耳机，但眼镜对我来说非常令人兴奋。

边缘计算或小模型也非常令人兴奋。小模型不仅对眼镜和耳机有用，它对边缘计算非常强大，无论是智能设备、机器人，尤其是家用机器人。你不能在后备箱里携带服务器，对吧？所以小模型有很多用处。

我对多模态模型和智能眼镜在劳动力发展方面可能发挥的作用非常感兴趣。我们没有足够的电工，所以你可以想象那种耳塞、人工智能和智能眼镜，能够提供某种及时的培训，作为学徒计划的一部分，提供足够的培训。

我们能做什么？研究界能做什么？公司能做些什么来解决除英语以外的其他语言代表性不足的问题？这是一个很好的问题。这涉及到数据偏见和所有这些。首先，我确实认为，每个国家都应该有公共部门在人工智能方面的投资。这本身与当地文化、当地语言有关。

从这个角度来看，个人研究人员的关注很重要，但能够部署大量资源的政府和大型组织也应该关注这一点。英语确实占主导地位，我们应该意识到这一点。这又回到了我关于公共部门投资的观点。即使在这个国家，我相信我们也有出色的研究人员和学生在思考其他语言，但现在他们缺乏数据集和计算资源。我们需要解决这个问题。

观众提出了一些哲学问题。我想知道，您是否可以谈谈您为吸引斯坦福人文和社会科学人才而做出的努力。作为一名计算机科学家，他们能够提供哪些让您感兴趣的见解？

实际上，这是我过去五年建立和共同运营这个研究所最有趣的部分，真正影响了整个校园。斯坦福大学有大约八所学院，从法学院、商学院、医学院，到现在的可持续发展学院、人文和自然科学学院、工程学院，与同事交谈，接触校园里的学生、研究人员和学者，非常有趣和富有启发性。### 我学到了什么？

例如，与人文学科的同事交谈确实开阔了我对人类表达和创造力的理解。

我们如何看待人工智能与具有深度创造力的人的关系？尤其是当 ChatGPT 和 Sora 问世时，从好莱坞的编剧罢工，到对声音、艺术家、个人版权的关注，再到那些走在拥抱这一工具前沿的艺术家，这一切都显得非常复杂。

我没有受过正规教育，甚至无法完全理解这些复杂性，但他们教会了我如何思考。我确实学到了一件事，再次与在座的各位交谈，可能是非常技术性的。我认为技术人员倾听并接触人文主义者和社会科学家非常重要。在您的工作环境中，这可能涉及法律、产品、营销等许多不同的功能。因为技术不是存在于真空中的，需要复杂的人类努力才能使技术变得仁慈和善良。带着谦卑和尊重的态度，给予对方应有的尊严，是我们能做的最根本的事情，以建立这些桥梁。

您认为我们在可解释和可解读的人工智能等领域取得进展有多重要？这是一个很好的问题。我认为总的来说，这很重要。但同样，我们必须进行一些细微的探讨。例如，即使是可解释性也具有不同的层次。

例如，每个人都知道泰诺可以缓解发烧和头痛。但如果让我解释泰诺的分子途径，事实上，即使在今天，科学家也不知道所有的细节。然而，你永远不会说泰诺是一种无法解释的药物。这是因为围绕药物开发、监管措施、批准过程有一个完整的系统，这个系统有足够的解释让你或大多数公众信服并感到信任。

另一种可解释性是，例如，你从拉斐特开车到山景城，谷歌地图会给你选择。这条路线需要付费，但快了四分钟；这条路线风景优美。虽然这并没有向你解释从 A 点到 B 点的算法，但作为人类用户，你会觉得你的选择有足够的可解释性。

再说回医学，我们这些不是医生的人几乎都不了解治疗。然而，你的医生用某种人类语言向你解释这种治疗是什么。我用这个例子来和你分享，思考案例和用例非常重要。思考可解释性的定义也同样重要。特定用例的特定定义确实需要匹配。有时我们不需要机械分子通路级别的可解释性，有时我们需要不同层次的可解释性。所以，回答你的问题，这很重要，但这取决于具体的用例。它在不同的情况下有不同的重要性。

我们有很多观众想了解你为世界实验室制定的商业计划的细节，但我们会跳过这些问题。他们是观众席中的风投。有一个问题是，你提到除了研究人工智能，你还研究神经科学。有些人对这个问题很感兴趣：人工智能能从神经科学中学到什么？

卷积神经网络至少在某种程度上受到了人类视觉系统工作方式的启发。人们研究过多巴胺奖励回路，这是强化学习的灵感来源。你认为神经科学和人工智能之间在其他领域有潜在的合作吗？显然，大自然已经解决了低功耗计算的一些问题，因为我们的大脑只使用20瓦。

当我们成立斯坦福HAI时，三大研究支柱之一就是神经科学。对我来说，神经科学和人工智能之间的跨学科合作是我们领域发展的基础，也是两个领域未来发展的基础。我非常幸运能够与Surya Ganguly、Mike Frank和Noah Goodman这样的同事一起工作。斯坦福大学的许多同事都处于这项跨学科研究的前沿。

例如，幼儿的发展，在早期，孩子们会进行大量的好奇心驱动的学习。这如何转化为人工智能系统？这是一个灵感。我们还知道，反向传播是对我们大脑中两个神经元之间发生的事情的一种非常简单的翻译。除了突触连接外，还有许多树突连接实际上与大脑有着深厚的联系。我们有非常电气、化学和非常微妙的东西，今天的机器学习算法还没有结合这些复杂、新颖、有趣的突触和神经元通讯渠道。

另一方面，我们的神经科学家同事，无论他们使用动物模型还是细胞模型，都在收集大量数据，并使用这些数据进行研究。这就是为什么机器学习或人工智能是一种帮助他们发现科学的迷人方式。最后但并非最不重要的一点是，即使是我的实验室，我们现在也正在与心理学家合作。使用来自人类的非侵入性电脑电波来驱动机器人，这令人着迷。这是一种完全非侵入性的方式。关键在于，这两个领域有很多交叉融合，对我来说，这是跨学科研究最令人兴奋的领域之一。

飞飞，我们有足够的问题让你在这里待到10点。但请和我一起感谢飞飞的精彩采访。谢谢。记住，我看到的世界。是的，这是肯定的。非常感谢你们俩。再次，这是一个很棒的交流，我个人有很多收获。

我认为公众支持确实是一个非常、非常根本的因素。汤姆，你在政府中为这些事情做了很多工作。如果没有公众支持，我们就会不知所措。在这个阶段，很多事情都与社会影响有关。

你要找的人，第四个人……哦，是的，出席达特茅斯会议的是纳撒尼尔·罗切斯特 (Nathaniel Rochester)。当时他在 IBM 工作。我想告诉所有最近没有参观过展览的人，楼下有一台霍勒里斯机器，这是赫尔曼·霍勒里斯 (Herman Hollerith) 在解决美国面临的一个问题后建造的机器。政府曾试图将 1890 年的人口普查编纂成法典。因为人口增长导致人口增加，因此采用的技术无法及时进行人口普查。通过公众号召和私人倡议的结合，他发明了一种基于打孔卡的机器，这种机器是为工业革命时期的提花织机设计和制造的，用于存储所有这些织物和窗帘的图案。

所以我们回到话题，无论是 DARPA 的资助还是其他什么，都需要社会对此的呼吁。如果不是现在，我不知道什么时候。你在台上为大家阐述了一些很棒的想法。我想再次感谢你们两位。请 ！