“这边建议重写呢~”

当听到好友给出这样的评价时，那一瞬间，李飞飞内心是崩塌的。

2019年，人工智能科学家李飞飞与自己的哲学家好朋友约翰·埃切门迪，共同成立了斯坦福大学以人为本人工智能研究院（HAI），旨在推动人工智能技术的发展的同时，确保这些强大的工具能够服务于提升人类福祉，而非仅仅追求生产力的提高。

当时，有出版社邀请李飞飞撰写一本关于AI的科普书，这对于李飞飞来说不算是难事儿，她就按照传统科普的思路深入浅出地介绍了一下人工智能，没想到好朋友兼合伙人埃切门迪看完之后，直接建议她重写——

“其实你有一段独特的历程，代表了很多觉得自己在AI领域没有发言权，或找不到认同感的人……如果你能给他们一个声音，这将更有力量。”

现在的李飞飞，是拥有20年AI经验的，荣誉满身的世界级人工智能科学家。她入选《Times》推出的“全球100位AI人物”，还是美国国家工程院院士、美国国家医学院院士和美国艺术与科学院院士。她被硅谷称为“AI教母”，2009年，她主持创立的ImageNet系统公布，为AI发展提供土壤。去年年底，又带领团队与谷歌合作，推出AI视频生成模型W.A.L.T。

在另一个视角上，她内心里则永远住着一个来自中国四川的、爱跳舞的小女孩。她16岁跟随母亲离开家乡四川，移民美国，在整个青少年时期，为了应对拮据的生活，她不但要在餐厅刷盘子，还要去妈妈的干洗店帮工，那时的她，其实并没有太多机会接触计算机，“更没有成为科学家的奢望”。

“人工智能不是现象，不是颠覆，不是难题，也不是特权。我们面对的是一种自然力量。它是如此宏伟强大，又如此反复无常；既能轻易激发灵感，也很容易摧毁一切。要让人工智能值得信任，需要的远不止商业公司空洞的陈词滥调……所以我们不要被那些时髦的术语吓到，不要迷茫于AI时代自己的角色。只要把AI当成一个工具，人类不仅是工具的创造者，我们也是如何使用工具的决策者。”

受到埃切门迪的启发，在不久前的全球技术大会（GTC）上，李飞飞从更宽广的视角分享了对于AI的差异化观点。尤其是她从人类智能在自然界的进化历程作为参照，来分析AI更有可能的未来走向。

本期【朋克金融学】，将从第一人称视角，提炼并简述李飞飞的几个核心观点。

脑补一下：5亿4300万年前，地球尚未进化成为视觉的世界。

在三叶虫出现之前，所有生物吃饭全靠撞大运。

运气好的时候，老天爷亲自赏饭送到嘴里；运气不好的时候，吃了上顿没下顿。

生物没得可看，没得可听，没得可摸，收集不到信息，也就意味着没什么处理信息的必要。

换句话说，它们没有脑子。

直到拥有了光的视觉感知。

寒武纪大爆发是进化秩序中一次猛烈的洗牌。

受动物学家安德鲁·帕克的启发——引发寒武纪大爆发的导火索不是外来力量，而是内在力量。

帕克认为，这种内在力量，其实是某种单一能力的出现，这种能力，就是光敏感性，或者说，现代眼睛的基础。

光的视觉感知打响了进化军备竞赛的第一枪，让我们不严谨地捋一捋这个进化的过程：

■  生物们慢慢变得能看到东西了——不用再嗷嗷待哺，给啥吃啥了，生物开始有能力主动追逐食物。

■  随后触觉开始出现，与不断发展的视觉形成互补平衡——这个东西什么感觉，好不好抓。

■  光信号、触觉信号等神经细胞相互连接，形成了“神经网”，有了“反射”——这个看上去好吃，哕！不好吃，下次不吃了。

■  更加精密的视觉、触觉等感知，这也意味着被收集到的信息越来越复杂，需要被处理的信息也越来越复杂，而这些都指向同一个结果——要长脑子了。

视觉的出现，意味着生物第一次意识到世界存在着超越自身之外的东西，在只有大约一千万年的时间里，进化“一眨眼”，地球上的生命焕然一新。

随着“视野”范围和深度的扩展，行动可以在更广阔的范围展开，同时还要处理更多的不确定性，于是，思维不得不适应，发展出更强的智力，逐渐融入因果关系的意识、时间的流逝，甚至是操纵环境本身的效应。生物大脑，甚至人类的智慧在此基础上诞生。

由此我们可以看到，视觉无疑是最生动的组成部分。从去年各种AI模型在文字上带给我们的震撼，到年初以来在图像、视频领域上不断视觉冲击，如生物进化发展的历程一样，视觉工程在AI上的发展，很可能是人工智能的一大步。

我们再深入探讨一下。

“你有没有想过如何向一个色盲患者解释颜色？你会如何用言语描述看到红色的体验？”

“当我说‘蓝色’或‘红色’时，你可能知道我的意思，但那只是因为你自己已经见过这些颜色。我的话只是在唤起你的记忆；它们并没有传达新的信息。”

这是和计算神经科学家克里斯托夫·科赫的一次对话。

你有没有发现，我们对颜色的熟悉，似乎并没有转化为描述它的能力。

这不是很奇怪吗？

于是，问题来了，我们都无法描述颜色，又怎么教会机器呢？

在数字世界搜一个字，查一句话，这自计算机诞生以来就可以做到，但很长一段时间里，即使是对图像的粗略搜索也是一项手动工作。

想给机器点颜色看看？同时满足“查言阅色”？机器做不到啊。

【释义】形容机器又可以检索文字，也可以阅读理解图像。

数字图像以像素的形式存储，在机器看来，图像不过是一个长长的整数列表。而对于人来说，尽管我们仅仅从落在眼睛表面的光来看世界，但从光中得到的信息会快速填满我们整个体验的全部。

我们毫不费力地掐眼一撇，就可以得出并理解大量信息，这是人类5亿4300万年努力进化的结果，而机器要像人类那样，以人、地点和事物等有意义的概念去“看到”图像，算法必须筛选图像这个长长的整数列表，并识别出某种相对应的数字模式。

再深入探讨一下，如何将“被动的看的行为”和“更深层次的理解的行为”区分开来？事实上，两者是无法分离的——看就是理解，这个挑战既是智力上的，也是感官上的。视觉不仅仅是智力的一种应用，实际上，它与我们的智力同义。

最后，我们引用英伟达首席科学家Bill Dally与李飞飞在GTC的一段炉边对话，来描述真正的人工智能可能演化的方向。

我有点嫉妒我那些搞NLP*的同事，因为从根本上说，语言是一个一维结构。而我从事视觉工作，它本质上是三维的，如果再加上时间，那就是四维的。三维结构要丰富得多，但也复杂得多。

所以当我们用大数据进行扩展时，如果是完全盲目的扩展，那么我想英伟达会很高兴，你们会卖出更多芯片。但我想看到的是结构化建模，或者说偏向于三维感知和结构的模型与大数据相结合。我认为，要真正创造出空间智能。我们今天仍然缺乏的真正的世界模型，它在等待着被创造出来。

*NLP：NLP是神经语言程序学（Neuro-Linguistic Programming）的英文缩写。N（Neuro）指的是神经系统，包括大脑和思维过程；L（Linguistic）是指语言，是指从感觉信号的输入到构成意思的过程；P（Programming）是指为产生某种后果而要执行的一套具体指令。

你是在暗示类似于许多类型科学模拟中使用的物理信息神经网络，你会扩展到利用人类对世界的先验知识，用它来使这些世界模型更有效？

是的，物理学就是对动力学和结构的信息输入及推导。

那么你认为基础模型会出现在世界层面吗？也就是说我们可以问它任何关于世界的问题，而它会以多模态四维格式回答我们？

我确实认为基础模型会出现在世界层面。我认为你不需要只是问它问题，这是一种以语言为中心的交互方式，实际上你应该可以与它互动。看看人类，或者生物体，作为一个计算机视觉人，我想提醒大家一件事，自然花了5.4亿年的时间来创造“感知大脑”。而创造“语言大脑”只花了几十万年。所以感知是非常非常深刻的。