最近，AI 领域的六“巨头”因共同获得2025年伊丽莎白女王工程奖而齐聚一堂，展开了一场备受瞩目的高端对话。

这场堪称“AI史上最强阵容”的交流，汇集了深度学习三巨头——Geoffrey Hinton、Yoshua Bengio与Yann LeCun，ImageNet创建者李飞飞，GPU计算架构核心设计师Bill Dally，以及英伟掌舵者黄仁勋。

在这场思想碰撞的巅峰对话中，他们围绕人工智能的发展脉络、当下所面临的争议与未来的发展方向，展开了一场深度而富有前瞻性的探讨。

在探讨AI的现状与未来之前，这六位“巨头”回顾了这条曲折来路。每个人的“顿悟时刻”，拼凑出智能革命的演进图谱。

Geoffrey Hinton，深度学习的奠基人，将我们带回到1984年。那时他构建的一个微小语言模型，仅用100个训练样本就学会了预测下一个单词。“那就是大语言模型的雏形，核心原理完全相同。”

他感慨道，“但我们花了整整四十年，才走到今天这一步。”

计算架构的突破同样经历了漫长探索。

Bill Dally分享了他在斯坦福的突破性时刻——破解“内存墙”难题，将计算重组为数据流连接的核心模块。“这个思路后来演变为流处理，最终成为GPU计算的基石。”

他回忆道，而真正的转折点出现在2010年与吴恩达的早餐对话后，用48块GPU复现了“互联网找猫”实验。

李飞飞的贡献来自于另一个维度。在2007年左右，她与团队尝试了各种算法后意识到，制约机器识别能力的不是算法，而是数据。“我们决定做一件当时看来疯狂的事：用三年时间创建包含1500万张图像、2.2万个类别的ImageNet数据集。”

这一决定后来成为深度学习爆发的关键催化剂。

黄仁勋则从芯片设计的视角看到了深层共鸣。“作为第一代使用高级抽象工具设计芯片的工程师，我立即意识到深度学习的结构化模式与芯片设计异曲同工。”

这种洞察让英伟达早早押注GPU加速计算，成为AI浪潮的最大受益者。

这些个人史片段共同揭示了一个常被忽视的真相：今天看似突然的AI爆发，实则是四十年持续探索的必然结果。

随着AI成为全球焦点，“泡沫论”的争论日趋激烈。关于“AI泡沫论”，在昨天的文章也要有探讨，感兴趣的可以去看一看。

面对这个敏感话题，六位“巨头”也给出了不尽相同的判断。

Meta首席AI科学家Yann LeCun立场鲜明地指出泡沫的存在：“它体现在一种信念上，即认为当前的大语言模型范式能直接推升至人类水平智能。”

他直言，在造出真正具备人类或动物水准的机器之前，“我们还需要根本性突破。”

英伟达CEO黄仁勋则持相反观点。他以互联网泡沫为例对比：“当时大多数光纤被闲置，而今天每块能找到的GPU都在全负荷运行。”

他阐释了AI与传统软件的本质区别——“智能必须实时产生”，这创造了对计算“工厂”的空前需求。

Yoshua Bengio提出了更细致的观察：“我们不该继续使用‘大语言模型’这个称呼，它们的功能已远超语言范畴。”他承认存在期望落空带来的金融风险，但长远来看，AI的重要性毋庸置疑。

Bill Dally从技术演进角度分析：“模型正变得越来越高效。如今用少得多的计算成本就能获得更优效果。”

他相信，人类对AI的应用探索才刚刚开始，“我们可能连最终需求的1%都还没碰到。”

李飞飞则从历史维度给出冷静参照：“AI还是非常年轻的领域。即便对比现代物理学，AI的历史也不足七十年。前方还有太多新领域等待开拓。”

这些分歧恰恰反映了AI领域的复杂本质——在技术突破、资本热情与社会期望的多重作用下，简单地将现状归类为泡沫或非泡沫都失之偏颇。

关于通用人工智能(AGI)的实现时间，六位“巨头”的预测呈现出一个有趣的频谱。

Yann LeCun预期的是一个渐进过程：“这不会是一个单一事件。各种能力将在不同领域逐步拓展。”他预估未来五到十年会有实质性突破，但商业应用的成熟可能需要更长时间。

李飞飞提出了差异化的视角：“机器的某些能力将超越人类智能，而另一些则永远不会与人类智能趋同。”她举例说，AI已能识别2.2万个物体、翻译100种语言，这些能力很多人类并不具备。“就像飞机与鸟类的区别，基于机器的智能将发挥强大作用，但人类智慧的价值始终不可替代。”

黄仁勋更关注当下应用：“我们已经具备足够的通用智能，可以在未来几年将这项技术转化为大量对社会有用的应用。”在他看来，争论理论上的AGI定义不如聚焦实际应用。

Geoffrey Hinton给出了具体预测：“如果你问‘与机器辩论，它需要多久才能永久性地胜出’，我认为必定会在二十年内实现。”

Bill Dally则重新框定了问题本身：“我们的目标不是构建取代人类的AI，而是增强人类能力的AI。”他强调AI应填补人类的能力空白，让人类专注于创造、共情和人际互动。

Yoshua Bengio的观点最为前瞻：“我看不出有任何根本理由，证明我们在未来无法构建能做几乎所有人类工作的机器。”他引用数据称，AI的规划能力过去六年呈指数级增长，“如果趋势延续，五年内AI就能达到工程师级别的能力。”

这种预测的分歧，恰恰映射了AI领域的根本现实——我们既不像乐观者想象的那么接近终点，也不像悲观者认为的那样遥远**。

过去几年的AI进展主要集中在语言领域，但多位专家指出，下一阶段的突破将来自更广阔的能力维度。

李飞飞一直倡导超越语言中心的AI观：“人类智能从来不只靠语言。我一直关注空间智能，研究感知与行动的结合。”她指出，今日最先进的语言模型在基础空间智能测试中仍表现不佳，这指明了未来的研究方向。

在学术界，这一转变已在发生。一项名为TRACE的新研究展示了如何让AI通过文本推理提取空间坐标，从而更好地指导机器人操作。

同时，《npj Robotics》上提出的“人工时空”概念，为资源有限的机器人反应式控制提供了新框架。

黄仁勋从应用角度肯定了这一趋势：“AI首次成为增强人类能力的智能，它解决劳动力问题，它完成工作。”

他认为，AI正在从被动工具转变为主动智能体，能够与环境互动并执行复杂任务。

Yoshua Bengio描述了技术质变：“它们确实从语言模型起步，但最近发生了质的飞跃，正朝着‘智能体’方向发展：能够通过多轮对话，与环境、与人实时互动，完成目标。”

这种从语言到行动的转变，预示着AI将突破数字世界的边界，开始在物理环境中发挥更大作用。

AI 热潮引发了前所未有的资本狂欢，但也埋下了深层隐忧。

在风险投资领域，2024年全球约三分之一的风险投资流向了AI；到2025年上半年，这一比例在美国攀升至惊人的三分之二。

这意味着原本可以支持气候科技、生物医药等关键领域的资本，被不成比例地吸入同一个赛道。

著名投资者迈克尔·伯里——以精准做空2008年次贷危机而闻名——将其管理基金中近80%的资产押注于做空英伟达和Palantir。

在他看来，不参与这场由非理性构成的“做多”狂欢的最有力方式，就是直接做空它。

科技巨头们则构建了精密的资本闭环。微软向OpenAI投入超过130亿美元，OpenAI用这些资金购买英伟达的GPU和微软的云服务，英伟达和微软的收入增长推高股价，上涨的股价又让微软的投资看起来更加明智。资金在几巨头之间流转，却创造了巨大的账面“收入”和“利润”。

李飞飞提醒我们回到本质：“在所谓的‘AlexNet时刻’几年后，我认识到这项技术的影响力将达到‘文明级别’。”

正是这种认识促使她创立斯坦福以人为本人工智能研究院(HAI)，构建将人性和人类价值置于技术进步中心的框架。

AI 的发展历程充满了范式转变，而当前可能正处于另一个转折点。

Yann LeCun回顾了历史上的关键辩论：“在20世纪80年代末，我和Hinton曾有一场辩论。我认为唯一可行的路径是监督学习，但他认为必须超越监督学习。”

“ImageNet的成功让整个行业暂时转向了监督学习，”他补充道，“但到了2016、2017年，我们意识到必须回到自监督学习。这正是今天大语言模型的训练方式。

Geoffrey Hinton则关注着AI安全与对齐问题：“当我们开发出能懂语言、有自己目标但我们却管不住的机器，会发生什么？如果它们比我们更聪明呢？如果有人滥用这种力量呢？”

这种担忧促使Yoshua Bengio彻底转向了AI安全和伦理研究，“把理解智能变成约束智能”。

黄仁勋则从工程角度看到了连续性：“大语言模型属于AI技术的一部分。但AI是包含各类模型系统的广阔天地，大语言模型只是其中一个重要成员。无论我们给它起什么名字，未来都还有大量的技术等待探索。”

在这场技术革命中，一个核心问题浮现出来：如何确保AI最终造福人类？

Bill Dally阐述了增强人类能力的理念：“AI应该填补人类能力的空白。人类识别不了2.2万种物品，大多数人也解决不了复杂的化学问题，这些就可以交给AI来做。当人类能腾出精力，去从事那些更具人性特质的工作：比如创造、共情，以及人际互动。”

李飞飞的人本AI理念提供了更具哲学性的视角：“面对人类迈向AI时代的历史进程，我们必须思考：什么样的指导原则能让我们在大力创新的同时，确保这项强大的技术最终能造福所有人？”

这种思考在今天显得尤为迫切。随着AI能力不断扩展，建立相应的伦理框架和治理机制已成为全球共识。Yoshua Bengio提到，他正着手联络国际专家，共同追踪AI的进展、方向、潜在风险以及应对之道。

这场罕见的六巨头对话，为我们提供了审视AI发展的多维视角。从技术瓶颈到伦理挑战，从资本狂热到理性回归，智能革命的道路既充满希望，也不乏隐忧。

黄仁勋看到的AGI是已经落地应用的实用工具，LeCun眼中的AGI是尚需基础突破的遥远梦想。而或许，真正的未来正存在于这种分歧之间——不是在辩论中取胜，而是在实践中进化。

智能革命的终局并非注定，而是由无数选择共同塑造。在算力与算法之外，最终决定AI走向的，仍将是人类的价值判断与智慧选择。