AI咋能代替人呢？
不错，这话是李飞飞说的。
在Huberman Lab最新一期访谈中，李飞飞还讨论了“为什么苏格拉底是人类历史上最顶尖的‘提示词工程师’”、“为什么不能一刀切地禁止学生们用AI”等非常有趣的话题，并给出了一个笃定的答案：
无论是在医疗、影视、还是教育等领域，AI都不是人类的替代者，而是个人能力的放大镜。
全程高能，重点笔记如下：
- 我觉得人类一直没吸取的一大教训，就是老一辈总爱哀叹下一代，仿佛年轻人什么都不懂，说他们没规矩、遗忘历史。但纵观人类历史大脉络，我们整体其实是在向着更好的方向发展。
- 不能只让少数科技企业替整个社会做决定，单纯追逐市场收益的逻辑，绝不能凌驾于社会伦理与大众文化之上。
- 学术界和医学界有个不成文的潜规则，即掌握技术核心逻辑的人，会刻意回避向大众讲清底层原理，靠信息差守住话语权，可这种做法，对任何人都没有好处..只有让人们了解真相，大家才会更有安全感。
- 想要守护下一代，一定要看见教师群体，帮扶老师与家长，才能真正引导青少年正确使用 AI。
- 技术变革时代，机遇和阵痛同时存在，我们需要理性、审慎地面对。
本文在不改变原意的基础上，由AI对访谈内容文字实录进行了精校。
看得开心！
AI还缺什么？
主持人（Andrew Huberman）：飞飞，我们今天先从视觉开始聊聊AI吧。很多人觉得光线感知和AI离得很远，但它其实是AI发展的一大起点？
李飞飞：没错，视觉是智能的基石。我们可以沿着生物演化和计算机视觉两条脉络来理解它。
从生物演化来看，5.4亿年前远古海洋生物第一次“看见”光，感光细胞的出现直接催生了寒武纪物种大爆发。对人类而言同样如此，我们大脑皮层一半的神经活动都与视觉相关，婴幼儿也是先学会“看”，再学会“说”。
对AI而言，视觉对它的贡献主要体现在提供算法灵感和促进数据觉醒两方面。
第一是算法灵感。上世纪50年代，科学家们发现哺乳动物的视觉系统具有层级神经结构，这直接启发了早期神经网络的设计。
如今，模型参数的规模虽已暴涨，但其根源仍可追溯至生物视觉研究。
第二是数据觉醒。本世纪初，算法效果始终不太理想，2006年我在普林斯顿做研究时才意识到，卡脖子的可能并不是算法，而是训练数据太少了。
你想想看，一个孩子到6岁便能认出桌子、椅子、花等几万样东西，靠的就是成长过程中看过的海量画面。
受这个启发，我们才不再死磕算法，转而发起ImageNet项目，攒出了千万级的图片数据集。
等到2012年，大数据集、深度神经网络和GPU算力三者碰头，现代AI才算真正迎来了转折点。
主持人：2012年前后，AI的图像识别能力突然上了一个大台阶。以前连相似的人脸都分不清，2012年之后一下子就能精准认出谁是谁，这背后到底发生了什么？
李飞飞：就是刚才所说的“GPU并行算力提升、神经网络技术成熟、互联网带来海量数据”三要素集齐了。
拿ImageNet图像识别竞赛举个例子，人去分辨一千种物品，识别错误率大概只有4%，且我们认错大多不是看得太仓促，纯粹是东西长得太像，或是记混了品类。
而早年神经网络的错误率虽然下降了一大截，但始终比不上人类；一直到2016年，算法识别准确度才第一次超过人。
语音、听觉方向的发展路径，和图像识别几乎一模一样。
2016到2017年Transformer架构出来之后，性能很快就甩开了图像领域最早的经典模型AlexNet；
随后，靠着更完善的网络结构、海量文本素材，再加上GPU算力支撑，经过整整五年的迭代优化，ChatGPT才在2022年正式问世。
主持人：我觉得人身上有个特别厉害的天赋，叫物体恒存。
好比我们只看见一截猫尾巴，结合上房间里这个的环境便能立马能判断这是一只家里养的猫，而不是狐狸。
你觉得AI什么时候才能拥有这种结合场景自主推理的能力呢？
李飞飞：现在的大模型依靠海量数据，确实能做出差不多的判断，但底层逻辑和人脑完全是两码事。
小孩子只见过几只猫，就能举一反三认出所有猫；可AI得刷完网上几乎所有猫咪图片，依靠数据里的统计规律去分辨。
两者的学习逻辑天差地别，背后还有一大堆待破解的科学难题。
主持人：后来AI还能让静态图动起来，比如让图片里的猫追着老鼠跑，这又是怎么实现的？
李飞飞：关键就是往训练数据里加大量新的视频素材，一个标志性的节点就是2024年Sora发布。
不过，当时的算法仍建立在神经网络框架之上，尚未出现颠覆性的技术革新。
所以模型还是看不懂猫的肌肉构造及身体结构，只能靠着海量的视频摸透了物体运动的统计规律，并生成看着符合常识的动作；
这也就解释了为什么AI生成的画面会经常出现别扭或不合理的bug了。
主持人：那往更深一层说，像自主创造力、独属于个人的内心感受呢？
AI所有训练素材都来源于网络，但人太多私密的内心体验根本不会发到网上。就像欣赏抽象画作时独有的情绪、想起小时候老家那种专属自己的感触，AI是不是永远都欠缺这部分感知？
李飞飞：你问到了最核心的一点。
互联网汇集了人类图文、影像等各式各样的行为数据，这也是AI之所以强大的根本。
但那些高度私人化的思绪、情绪与心底的感触，没有任何形式的记录，网上自然找不到相关数据，AI根本没办法学习和体会。
举个例子，AlphaGo下出的第37手，看着好像具备了创造力，可围棋有一套完整严谨的数学规则；
反观不少顶尖数学难题，需要人类跳出固有框架想出全新解法，这类问题我更看好人和AI配合协作攻克。
至于看到一只杯子，瞬间勾起只属于自己的童年往事，这种私人又主观的情感体验，是现阶段AI完全触碰不到的局限。
主持人：那将来如果用上无创脑机设备，直接读取大脑里的信号，能不能补上这块短板？
李飞飞：单从理论技术层面来讲有实现的可能，但有一个硬性前提是“人内心的心理活动信号，得能被传感器捕捉识别。”
要是连我们自己都没办法用语言或者动作把内心细腻的感受表达出来，机器自然也就获取不到对应的信息。
主持人：那直觉、内心诉求、紧迫感这类发自本能的内在状态呢？AI有可能产生真正属于自己的内在驱动力吗？
李飞飞：现在我们能通过设定目标函数，让AI模仿出近似的效果，像是深度思考模式、快速应答模式等等。
可这些说到底也只是调整数学参数而已，AI不会生出真实的恐惧、喜爱，更不存在发自本心的共情。
它说出那些安抚人的话语，只是套用学到的语言表达模式（learned language patterns），和人类发自心底的共情完全是两回事，这一点很有必要跟大众好好科普清楚。
主持人：那如今，AI技术迭代地这么快，监管部门、普通大众还有行业从业者，要怎么把握分寸，平衡技术创新和潜在风险？
李飞飞：这也是我在斯坦福大学创办HAI（以人为本人工智能研究院）的初衷。
AI行业的发展可以参考汽车、生物科技过往的发展治理经验，让所有相关方都参与进来共同把控。
一方面我们要制定完善的行业伦理准则、在高校开设AI伦理相关课程，配套落地对应的监管条例；
像医疗AI这类高风险应用，还需要类似FDA的权威机构设立安全红线。
不能只让少数科技企业替整个社会做决定，单纯追逐市场收益的逻辑，绝不能凌驾于社会伦理与大众文化之上。
AI不是替代者，而是个人能力的放大镜
主持人：这个回答非常切中当下。那我们接着聊一个大家都很期待、而且现在已经初见成效的方向——AI在疾病发现和治疗上的应用。
我们都知道，生物医学本身还在不断迭代更新。这不是说现在的皮肤科、神经外科、肿瘤科医生的专业知识不靠谱，他们一直都是在成熟的知识体系里开展工作，只是这套体系本身一直在更新。几乎每个月，都会有新的研究成果推翻过去的固有认知。
就拿教科书里的知识点来说，我们一直学的是神经元的动作电位遵循“全或无”原则，要么完全触发，要么完全不触发。
但多年前Nature上就有论文证实，同一个神经元产生的动作电位，波形其实可以千差万别。业内几乎所有人都看过这项研究，却很少有人真正愿意接纳这种颠覆传统的结论。
但AI不一样，它可以毫无负担地全盘接受新设定，处理海量数据、吸收新知的效率，甚至超过斯坦福、MIT、加州理工等全球顶尖高校的研究生。
所以我想听听你的看法，未来医生、患者要怎么和AI协同配合、一起攻克疾病呢？
我们能不能借此建立一套全新的科研发现和诊疗模式，从根本上提升医疗效果、改善人类的健康状态？
李飞飞：你说到了AI最有价值、也最让人期待的落地场景：辅助前沿科学研究。
放到生物医学领域，更是直接关乎所有人的疾病与健康。
长久以来，科研突破几乎完全依靠人类研究者，靠着一代代积累的理论知识，耗费大量时间精力反复做实验。
虽然现在有各类大型科研仪器，但研究的核心始终是人，而AI相当于一款全新工具，它能储存海量资料、打通不同学科的知识壁垒，做到人类很难实现的跨领域融合。
拿我自己举例，我深耕视觉神经科学和人工智能，但对嗅觉相关领域一窍不通，很多专业术语我都不熟悉，人脑很难同时吃透这么多细分方向，AI却没有这种局限。
这就像数百年前电力问世，彻底重塑人类社会，既是巨大机遇，也难免让人产生顾虑。
用AI助力医学研究、临床诊疗，就是当下最值得深耕的机遇。
怎么整合各类医学信息、怎么把分析结果清晰给到医生和患者，怎么让患者全程参与诊疗过程，这里面还有非常大的探索空间。
主持人：我先叠个甲，我不是说AI能胜过所有医生，但我前段时间亲身经历了眩晕的问题，是AI帮我分清了根源到底是眩晕症，还是血压过低。
当时就连一位专攻前庭问题的耳鼻喉专科医生，一开始都判断失误了。
李飞飞：你当时输入了哪些信息？只输入了自己身体的主观感受，没有其他检查数据吗？
主持人：就只描述了一两天里身体的异样感受。
后来我发现是医生开的药产生副作用，那种感受特别难受，整个人天旋地转，总觉得身体在往下坠。
我自己能分清单纯头晕和病理性眩晕，梳理完线索才确定，是药物让我的血压降得太低。我当时咨询了好几位业内不错的医生，当然都不是斯坦福这边的。
李飞飞：那我们单纯从学术、客观的角度聊聊这件事。
主持人：这件事非常有意思。我后来和那位复诊的医生聊，他坦言如果我当时直接到诊室，他能安排全套检查排查病因。
但我靠AI没花一分钱，一上午就锁定了问题根源，补充电解质之后，短短两小时身体不适感就完全消退了。
当然不能完全排除心理安慰剂的作用，但我的症状确实好转。我也不是建议大家生病不去看医生，只是AI展现出的辅助能力，实在让人惊叹。
李飞飞：我觉得医生完全可以把这类工具当成诊疗帮手。
我说一件我自己亲身经历的事吧，就是咱们这次访谈原本要延期，因为前段时间我父亲在斯坦福做肝脏手术。
这场手术的操作依靠达芬奇手术机器人完成，并由外科主刀医生全程操控，这就是很典型的人机深度协作。
术后我和主刀医生聊，问他如果整合全球所有同类型肝脏手术数据，有没有可能训练出一台能