大家好，这里是最佳拍档，我是大飞。今天这期内容，我想带大家走进一位反潮流的AI领域巨擘——迈克尔·I·乔丹（Michael I. Jordan）教授的深层思考。他是加州大学伯克利分校（UC Berkeley）和法国国家信息与自动化研究所（Inria）的顶尖学者，甚至被《自然》（Nature）杂志评为最具影响力的计算机科学家。但是他却对当下AI行业的狂热炒作、AGI概念的滥用，乃至整个领域的发展方向，提出了极其犀利的反思。今天，我们就顺着他在播客《Machine Learning Street Talk》中的访谈，聊聊AI真正该有的样子：放弃追逐通用智能的幻梦，回归到以人类为中心、以统计和经济为根基的务实路径。

祛魅AGI：重塑科研价值观

在探讨行业乱象时，乔丹教授最反感的，正是当下行业里对智能的过度拟人化，以及通用人工智能（Artificial General Intelligence: 被渲染为全知全能的超级AI概念）这个术语带来的集体误导。我们经常会在各种媒体上，看到“AGI即将全面超越人类”这种吸引眼球的夸张标题。但是乔丹教授直言，这种表述不仅在技术层面上毫无必要，更严重的是，它构成了对整个科研群体，尤其是年轻研究者的巨大伤害。

在这场关于行业未来的讨论中，他指出，现在有大量20到25岁的年轻研究者，他们原本满怀热情，想要靠技术帮家人、帮自己的社区做点实实在在的事情。然而，在当前的行业氛围中，他们却被行业里的意见领袖持续灌输了两种极端的论调。要么是，我们这代人已经把核心算法都搞定了，你们已经没机会了，而且AI还大概率会毁灭人类；要么是，AGI很快就会到来，你们做的这些小研究根本没有任何意义。

这两种论调对年轻人的伤害有多深？教授极其严肃地用了“令人彻底泄气”来形容这种现象。他说这是他在当今学术和工业界最在意的问题。一群本该充满创造力和探索精神的年轻人，却被这种宏大叙事剥夺了对科研的期待。这种做法不仅打击了个体，更会导致整个行业的创新根基都被彻底动摇。

经济视角：揭开技术狂欢的底牌

除了对科研人才的打击，比这更严重的是，当下AI研发已经完全缺失了基础的经济思维。乔丹教授毫不避讳地指出，现在的行业现状就是一场脱离现实的狂欢。在这场狂热中，只要能从互联网上偷走数据——没错，教授在这里使用的确切词汇就是“偷”，他强烈强调，互联网的机制让数据盗用变得轻而易举，却根本没人去思考如何把价值返还给那些创造数据的普通人。

只要能凑到足够多的钱，哪怕这些巨额资金来自根本没有深入思考技术价值的盲目投资者；只要能在这些偷来的数据上跑一跑梯度下降（Gradient Descent: 机器学习中用于寻找局部最优解的经典算法）这类经典算法，不管底层模型架构设计得多临时、多随意，开发者就敢宣称自己做的是最前沿的AI。

在评价这种研发模式时，教授坦言，他并不反对构建我们暂时无法完全理解的复杂系统。但是，当前这种“为了做而做”的研发模式，在整个人类科技史上都是极其罕见的。科技的本质属性应当是服务社会，而不是单纯的技术堆砌。可反观现在的AI研发，连最基本的“谁创造价值、谁获得价值”的经济逻辑，都已经被抛在了脑后。

说到AGI，教授的评价更是达到了一针见血的地步：这完全就是一个纯粹的公关术语，除了制造噱头、吸引投资之外，它带来的唯一后果就是扭曲科研方向、混淆商业逻辑。他说，那些常在播客、论坛上露面发言的行业领袖，要么把AGI吹捧成能解决所有问题的万能神，要么把它渲染成会毁灭人类的洪水猛兽。但真正的事实是，AI的核心价值从来不是追逐这种虚无缥缈的通用智能，而是必须去回答一个根本性问题：这些技术到底如何整合数十亿人的数据输入，又如何去服务数十亿人的真实需求？人类作为技术的生产者和消费者，这些不可或缺的角色应该被充分尊重、被持续放大，而绝对不应该被AGI这种空洞的噱头所掩盖。

统计根基：工业落地的真正引擎

探讨至此，可能有人会问，为什么乔丹教授能够跳出这种席卷全行业的AI迷思呢？答案就隐藏在他的学术背景与知识结构里。他从来都不是传统意义上的AI研究者。教授自嘲地说，自己是统计学家和认知科学家出身，这辈子甚至从没读过一本专门的AI专著。

我们需要回顾历史，就连人工智能（Artificial Intelligence）这个术语，都是上世纪50年代约翰·麦卡锡（John McCarthy）等人首次提出的。当时他们的核心愿景是想靠逻辑推理等方法实现人类级别的智能，但最终的结果是，这些脱离实际的方法根本没能落地。

而真正在过去几十年里推动工业实质进步的，是60到80年代稳步发展起来的机器学习（Machine Learning: 基于数据和统计算法进行预测的系统框架）。包括决策树（Decision Tree: 通过树状图进行分类的预测模型）、最近邻算法（Nearest Neighbor Algorithm: 基于相似度进行分类和回归的统计方法）、逻辑回归（Logistic Regression: 用于二分类问题的统计模型）、隐马尔可夫模型（Hidden Markov Model: 处理序列时间数据的统计模型）这些核心方法，其实全部都来自统计学、运筹学等基础领域。

比如亚马逊（Amazon）的云服务，它最初诞生的核心目的，就是为了处理庞大机器学习任务的算力负载而搭建的。直到今天，我们每天都在接触的全球供应链系统、商业配送网络、城市交通调度系统，至今也都在依靠这些扎实的机器学习方法，实现着高效的运转。

乔丹教授正是从这种坚实的工业落地派视角出发，才能够一针见血地看清当下AI炒作的本质。现在很多人把能生成流畅文本的大语言模型（Large Language Model: 基于海量文本训练的生成式AI系统）当成了解决所有问题的万能AI，却完全忘了机器学习真正的价值，从来都是去解决具体的、落地的社会问题。也正因为如此，他最近发表了一篇名为《AI的集体主义经济视角》（A Collectivist Economic Perspective on AI）的重磅论文，这篇论文的核心目的，就是想把偏航的AI拉回“服务集体”的正确轨道上来。

集体主义：构建系统级互动网络

针对当前的学术环境，教授指出，当下的AI研究者大多没有建立清晰的目标。他们只是想当然地认为，既然人类有智能，既然大脑类似于一台计算机，那么只要去模仿大脑的结构、把模型进行大规模并行化处理，就能做出极其厉害的超级AI。他们却根本没有去思考，这些技术到底要解决社会运转中的什么具体问题。他甚至在访谈中直言不讳地表示，自己决定离开硅谷的核心原因，就是已经彻底厌倦了这种空洞无物的讨论。如今硅谷的AI圈已经退化成了内卷的“老鼠赛跑”，里面满是赤裸裸的金钱竞赛，却极度缺乏深层和长期的思考。

而他在论文中提出的集体主义（Collectivism: 强调技术聚合大众输入并服务大众需求的社会化视角），本质到底是什么呢？教授在访谈中详细解释道，我们现在的AI技术，本质上是聚合了数十亿人的海量数据输入，最终要服务的对象也是这数十亿人。这整个流程本身，就是一个极其庞大的集体网络。如果要真正理解这个复杂的网络，不能仅仅依靠计算机科学这一门学科，还必须要深度结合社会科学，尤其是经济学的底层理论。

比如在博弈论的宏观视角下，人与人之间既存在合作，也同时存在激烈的竞争。我们迫切需要把这些错综复杂的社会互动关系，转化成可落地执行的数学框架，而绝对不只是在台上空喊“集体主义”的口号。教授在此处反复强调了一个核心原则：他并不是要批判AI技术本身，而是想让AI变得更好、更安全、对人类更有价值。而实现这一目标的必经之路，是需要把社会科学的深刻思考，转化成具体的、可编程可操作的数学方法，而不是永远停留在口头上的清谈。

第一步谬误：打破系统思考盲区

沿着逻辑深入，这里就不得不提一个极其经典的认知偏差概念：“第一步谬误”（First Step Fallacy: 误以为解决简单任务就意味着接近终极目标的逻辑陷阱）。这是上世纪70年代哲学家休伯特·德雷福斯（Hubert Dreyfus）提出的重要概念，在学术界也常和麦考德克效应（McCorduck effect: 机器解决人类独有难题后被视为具备思维的心理倾向）联系在一起。简单来说，就是因为AI现在能生成流畅的文本、能解决基础的编程问题这类具体任务，很多人就盲目觉得我们离那个无所不能的通用智能仅仅只差最后一步了。

但是乔丹教授严厉地指出，这完全是脱离现实的错觉。现在的各种前沿AI系统，本质上依然就是大型的统计盒子，它们在做的仅仅是输入到输出的概率映射，根本还远远谈不上具备系统级的思考能力。

为了说明这一点，他举了一个很贴切的例子：现在行业里有人在大力鼓吹，大语言模型能当你的全天候私人秘书，随时随地给你提建议、帮你处理各种琐事。但是教授直言，从经济学和社会学角度看，这是个糟糕透顶的商业模式。因为人类终究是渴望自己思考和做决定的。现实中没人愿意一直被一个所谓的智能秘书全天候缠着，用户顶多需要的，是每天工作结束时的一份精简总结，而不是整个过程中的无死角干扰。

反观我们社会中运行的医疗系统、交通网络、金融体系，这些庞大的系统里时刻流动着数十亿参与者的真实数据，这些领域本身就有大量机器学习的应用空间，却奇怪地没人从经济视角去深入分析：这些系统里的海量参与者到底有什么具体诉求？他们之间的合作与竞争机制该如何去优化？要知道，人类的市场体系在几千年前就已经出现了，我们现在完全可以用前沿技术去优化这个庞大的体系，而不是仅仅盯着私人秘书这种小众且充满侵入性的场景。

当主持人提到，硅谷的一些知名研究者，比如伊利亚·苏茨克维尔（Ilya Sutskever）曾经公开说过，只要把大语言模型做成多智能体系统，就能自动实现经济层面的价值时，教授对此的评价极其严厉：这根本不是合格的工程思维。他为了反驳这个观点，举了一个工程史上的例子：在上世纪四五十年代的化学工程领域，如果工程师只靠直觉，把一堆危险化学品随意混在一起做实验，最终只会导致灾难性的爆炸，不仅在经济上完全不可行，还会造成大量的人员伤亡。

现在的AI研发领域面临的正是同样的危险境地。像脸书（Facebook）这类大型社交平台，其算法已经伤害了许多年轻人的心理健康；而新的生成式AI技术，还很有可能带来全球范围内的大规模就业替代。然而，令人遗憾的是，几乎没人真正去考虑这些已经发生或即将发生的现实伤害。行业的既得利益者们只是轻飘飘地说：旧工作会消失，新工作会产生。教授认为，这种对技术后果漠不关心的态度是完全不负责任的。

预测与控制：重构AI的工程边界

在对整个行业进行系统反思时，教授还专门对比了传统工程学科和现在的AI研发模式。传统的电气工程、化工工程、机械工程，都有像麦克斯韦方程、牛顿定律这样经过严格验证的核心理论作为支撑。在这些成熟的行业里，既有能够动手实践的工程师，也有负责深度思考的理论家。但是反观现在的AI研发领域，仅仅只有一群聪明的程序员在靠直觉写代码、堆砌海量数据、拼借巨额算力，根本没有像之前那些工程学科一样深层的智力支撑体系。这导致整个领域更像是在创作天马行空的科幻小说，而不是在做严谨务实的工程研发。

不过，在进行这些批判的同时，教授也不是全盘否定构建我们无法完全理解的系统。他解释道，就像在日常生活中，你其实无法解释我为什么选这家Airbnb而不是另一家一样，人类的选择本身就极其复杂，无法完全拆解。但从系统工程的角度，你只需要知道，我的选择具有一定的可预测性，系统能够和我进行有效互动即可。这也是经济学的一项核心思维：我们不需要去彻底理解每个个体的内部神经元逻辑，只要系统能做出可靠的定量预测，就能有效避免伤害、为社会创造价值。

为了让这个逻辑更加清晰，我们再举个实际的落地例子。如果一家银行用AI系统拒绝了你的贷款申请，作为客户，你要的绝对不会是看一遍神经网络电路到底是如何运行并拒绝你的。你真正想要知道的是：在系统里和我情况相似的50个人中，到底哪些人成功拿到了贷款？他们和我到底有什么不同之处？这种基于最近邻算法的可解释性，才是普通人真正能理解、能据此进行后续操作的。

所以，乔丹教授的结论是，我们不需要强行去拆解AI内部如同黑盒一般的神经结构，而是要在这个巨大的统计盒子周围，稳固地搭建配套系统，去充分理解它的输入输出行为特征，并明确它在现实世界运行时的约束条件。就像在化学工程领域，虽然很多微观现象长期无法被科学家完全解释，但是工程师会务实地聚焦于理解物质的输入输出规律、利用这些已知规律去解决具体的工业问题，而不是只会盯着“为什么会这样”去钻牛角尖。

教授坦言，当前神经网络的缩放特性（Scaling Law）确实表现得很好，而且这种趋势会长期存在。但是，我们必须把这种技术进步放到更大的社会生态里去思考：它在这个生态里到底能做什么？还缺什么基础设施？多个不同的神经网络之间该如何互动协作？以及整个网络需要什么样的透明度，才能保证整体社会系统安全有效地运转？

当主持人又提到，很多人把AlphaFold（基于深度学习的蛋白质折叠预测模型）当成整个AI行业的高光时刻时，教授对此也大方承认，AlphaFold确实是极其优秀的“靶向AI”，它在针对蛋白质结构预测这个特定的前沿科学问题上，做得极为出色。但是，乔丹教授敏锐地指出，它同时也彻底暴露了当下基础模型的核心短板所在。

教授的科研团队曾专门做过一项针对性研究。他们利用AlphaFold预测出来的海量数据，一共2亿个蛋白质结构，去严谨地验证蛋白质的量子涨落现象是否和磷酸化（Phosphorylation: 蛋白质在细胞里是否处于活跃状态的生物化学标志）具有相关性。在传统的统计检验中，如果只用人类目前已知的、有明确晶体结构的蛋白质真实数据，由于样本量太少，统计检验的效力远远不够，根本无法在数学上拒绝两者无关联的原假设。但是如果直接使用AlphaFold生成的2亿个预测数据，检验效力虽然表面上足够了，却发现统计出来的置信区间极其狭窄，而且结果还严重偏离了客观的真实值。

导致这种误差的深层机制为什么会这样呢？核心原因在于训练数据的结构性缺陷：在原本的训练数据集中，能够展现量子涨落的蛋白质样本极其稀少。这类样本不仅在实验环境中很难结晶，相关领域的基础研究也极少。这就导致模型根本没能从数据中学到相关的科学规律，更不会在针对这类边缘问题进行预测时，诚实地给出一个表示不确定性的误差棒。而科学家的研究工作，恰恰最关注的就是这类处于人类知识边缘的未知问题。

针对这个重大的系统性偏差问题，教授团队在论文中提出了一套名为预测驱动推理（Prediction-powered Inference: 结合机器预测与真实数据以修正统计偏差的框架）的方法。通过在2亿个预测数据中，科学地加入少量的真实基准（Ground Truth）数据，就能在数学上保证结果拥有高检验效力，同时成功覆盖真实值。教授在此极其强调，科学家总是将目光聚焦于知识的边缘地带，而当前所有的基础模型在处理这些边缘数据时，最容易出现严重的偏差。所以工程界必须在模型周围搭建严谨的配套机制，比如通过收集少量真实数据，用这类方法去不断修正偏差，最终给出一个社会可信的答案。而不是像现在行业里的很多人那样，要么在商业宣传中无视这些致命偏差，要么在学术讨论中只会单纯批判模型架构，却拿不出任何务实的解决办法。

关于AlphaFold在科学界的定位，还有一个最关键的核心点，那就是关于“理解”的定义。教授在访谈里特别提到，他曾和该项目的负责人、谷歌科学部门的约翰·江珀（John Jumper）深入聊过这个话题。Jumper本人对于外界宣称“AlphaFold能够理解生物学”这种夸大其词的说法极其反感。Jumper明确表示，AlphaFold绝对不是一个完整的细胞模型，它作为一种技术工具只做两件事情：预测和控制。而关于“理解”生物学原理的工作，那是人类科学家的任务。也就是说，我们可以充分利用它产出的2亿个预测结构去进行实验设计、提出科学假设，但它本身永远不会替人类完成“理解”这个认知动作。

乔丹教授对此观点表示完全认同，他甚至反问行业：我们为什么非要执着于让AlphaFold去产生所谓人类层面的“理解”呢？他再次举了2000年左右亚马逊的发展案例。当时亚马逊的工程师们大量使用随机森林（Random Forest: 包含多个决策树的集成学习算法）这类经典的机器学习算法去做复杂的供应链建模。这些算法能够极其精准地预测在印度洋航行的货船是否会发生延误，进而大幅优化数十亿商品在全球范围内的配送效率，最终服务了上亿的终端用户。在这庞大的工程系统中，根本没人能完全理解这个巨大统计盒子的全部内部逻辑。但是对于商业和社会运转来说，这重要吗？乔丹教授斩钉截铁地说：这根本一点都不重要。因为这个系统出色地完成了它最关键的优化和预测任务，实质性地降低了整个全球供应链的不确定性，让整个庞大的工程系统得以极其高效地运转。给这类工具系统强行贴上“理解”、“智能”的玄学标签，完全只是媒体为了博取眼球的文字噱头，对真正的前沿研发和工业应用毫无实际意义。

最后，我想高度总结一下乔丹教授在整场对谈中想传递的核心观点。他从来都不是在反对AI这项技术本身，而是在坚决反对目前AI发展所走的错误方向。我们绝对不该把AI当成具有自我意识的独立智能体，不该去疯狂追逐AGI这种纯粹的公关话术，更不该在脱离了经济和社会视角的前提下，只靠偷取互联网数据和无脑堆砌算力来进行所谓的前沿研发。

在乔丹教授的视野中，AI的本质永远是一种强大的统计预测工具。它的真正核心价值，在于能够有效地整合地球上数十亿人的集体数据输入，进而去服务这数十亿人的真实集体需求。而要实现这个宏大目标，亟需我们跨越学科壁垒，将统计学、经济学、社会科学深度结合起来，构建一套真正可落地的数学框架，并为之搭建完善的配套保障系统。AI技术真正的未来，不该是那些停留在科幻小说里的毁灭性超级智能，而是应当成为能够切实让每一个普通人的生活变得更美好的集体主义工具。这，或许就是迈克尔·乔丹教授想在这个狂热时代里，给整个科技行业敲响的最振聋发聩的警钟。