欢迎收听跨国串门计划，这是一档专注于让中文听众无障碍欣赏全球优质外语播客的节目。通过先进的AI声纹克隆技术，我们不仅将内容翻译成中文，还完美保留了原主持人和嘉宾的独特声音，为您呈现全球顶尖的AI财经。健康与科技领域精品内容，我是主播一凯，一位热衷于 AI 领域的产品经理，很荣幸能为您搭建这座跨越语言障碍的桥梁。
接下来让我为您简单介绍本期我们克隆的这档节目。本期我们克隆的是知名播客 Huberman Lab 的一期深度对谈，主持人是斯坦福大学神经生物学教授 Andrew Huberman，而嘉宾则是被誉为 AI 教母的斯坦福计算机科学家李飞飞博士。这期节目发布于二零二六年八月，两人从神经科学与计算机科学的交叉视角，聊了AI如何真正增强人类智能，丰富生活体验。
也坦诚探讨了 AI 与人类认知的本质差异，以及那些无法被机器复制的直觉与情感。那我们就一起走进这期完整的对话。我觉得人类最学不会的一件事，就是老一辈总在抱怨下一代，好像下一代什么都不懂。他们没礼貌，他们忘了过去。但如果你看人类历史的整个轨迹，总体而言，我们是在往更好的方向前进。我不是否认那些暴行，不是否认那些挫折，这些我都不否认。
但根本上，我对人类是乐观的。我看那些孩子，他们充满好奇，当然他们会被这些技术极大的娱乐，但他们也开始使用它。我担心的是老师和一些家长，因为我觉得我们今天的社会，尤其是硅谷，并没有在帮他们，我们把他们忘了。欢迎收听 Huberman Lab 博客，在这里我们讨论科学以及适用于日常生活的科学工具工具。你好，我是 Andrew Huberman，我是斯坦福大学医学院神经生物学和眼科学教授。
我今天的嘉宾是李飞飞博士，他是斯坦福大学的计算机科学家和教授，也是人工智能和计算机视觉领域的先驱和杰出人物之一。大家都知道，每天有数百万人使用 AI 聊天机器人查找信息。当然，很多人对 AI 感到担忧，担心它会走向何方，担心它可能取代某些人类工作，或者以某种方式降低我们的生活体验。今天我们从神经科学的角度讨论智能到底是什么，以及 AI 可以怎样，正在怎样被用于善途。
也就是真正去增强学习、改善健康、去丰富而不是削弱人类的体验。我们首先讨论不同年龄的人脑如何学习新信息，大脑在这个过程中遵循什么规则，以及AI，因为基于互联网内容，既在某些方面像人脑能学的东西，又在某些方面有所不及。我们还讨论了AI和机器人在医学中的激动人心的应用。需要说明的是，飞飞承认并回应了关于AI的许多合理担忧。
但作为斯坦福大学以人为本人工智能研究所的主任，他的目标是确保人类和整个人类社会在AI下一步走向中被代表。你很快就会听到。李飞飞博士是一位杰出的科学家和教育家，她被称为AI教母，因为她开创了AI技术，也因为她坚持让AI的伦理和善意用途始终处于AI和机器人的核心位置。所以，无论你年轻还是年长，今天的对话都会让你了解并学会以真正有益于你、丰富你生活的方式去理解和使用AI。
在我们开始之前，我想强调，这个播客与我在斯坦福的教学和研究角色是分开的，但它是我希望并努力向公众提供零成本的科学和科学相关工具信息的一部分。现在开始，我与李飞飞博士的对话。李飞飞博士，欢迎你。谢谢，我很高兴来到这里。Andrew，这次对话期待已久。你是AI领域的杰出人物，但我也把你视为神经科学家和计算机科学家。
我们通过视觉科学有共同的路径。所以也是同事，也是斯坦福的同事。所以我想从视觉开始，视觉看见和光，就AI及其走向而言，有什么特别之处？因为我觉得对大多数人来说，这些听起来可能是非常不相干的话题，但实际上，一切正是从这里开始的。对我把视觉看作智能的基石，几乎从两条平行的路径来看，一条是进化教给我们的。你知道视觉的进化、动物智能和人类智能的进化是怎样的？
另一条是计算机视觉和 AI，它们之间的关系是什么？所以我分别讲一下进化方面。我常说，五点四亿年前，动物第一次看到了光，这些是简单的海洋动物。三叶虫和他们的近亲在那之前几乎没有感知。大约同一时期，触觉也开始在动物身体中出现，但没有听觉，没有。你知道嗅觉没有，但绝对没有神经系统。但第一批感光细胞创造了一种进化力量，推动动物进化，因为感知外部世界会改变你的自我认知，改变你与外部世界的关系。
简单说，如果你去寻找，你能看到食物，这改变了你的生活，对吧？从进化的角度看，你也成了别人的食物，同时你在主动寻找食物，主动寻找配偶等等。所以，真的因为感知和知觉进化，在动物物种形成方面以难以置信的速度加速。化石研究告诉我们，动物第一次看到光之后的一千万年，就是我们所说的进化大爆炸，或者说动物物种形成的寒武纪大爆发。
再往后，我认为视觉一直扮演着巨大的角色。不仅在动物早期进化中，也在高级智能及其如何出现中，你和我都是视觉的学生和科学家。据估计，人脑一半的皮层活动与视觉功能有关。儿童在发育过程中，先有视觉，后有语言，所以视觉直到今天，在动物智能的进化里，也在人类的日常生活里，都扮演着核心角色。与此同时，视觉作为人工智能的一个学科、一个领域，在几个方面对今天这个现代AI时刻起到了关键作用。
首先是算法，也就是神经网络算法。计算机科学家最早在1950年代初期开始尝试神经网络算法。Andrew，你可能记得一九五零年代初期神经科学那边发生了什么？像 Hubel 和 Wiesel 这样的神经科学家开始记录哺乳动物大脑里的视觉细胞，并逐渐意识到神经细胞有一种层级结构，一层层叠在一起，沿着这个层级传递神经信息。
从视网膜收集光线，一直到识别出眼前有个形状，我们在哺乳动物大脑里看到的这种神经架构，也正是神经网络算法的灵感来源之一。今天的神经网络算法运行在数千亿甚至上万亿的参数上。它的复杂度已经偏离了我们在哺乳动物大脑或视觉通路里记录到的东西，但两者的起源非常接近，就在大约半个世纪前，甚至更早一点。这是视觉对AI贡献的一个方面。
视觉对AI还有另一个同样关键的贡献，那就是通过大数据。这更接近我自己的工作。本世纪初的AI是一个机器学习的领域，很多不同的实验室、不同的研究科学家在尝试各种算法，不只是神经网络，还有其他方法。用行话说，就是贝叶斯方法、支持向量机方法。这些方法具体是什么不重要，但那是一个探索阶段。我们想让这些算法跑起来，好让机器能读能看。
我们一群计算机视觉科学家就在跟这些算法较劲。我当时是个很年轻的教员，二零零六年在普林斯顿大学当第一年教员，我和学生们看着这些算法，看着喂给他们学习的数据有多可怜。于是我去翻认知神经科学的文献，也就是视觉方面的文献。我开始研究人类学多少能看多少，那些数字惊人。人类到六岁时能学会成千上万种不同的物体类别，而且接触视觉世界的量也极其庞大。
对吧？婴儿一出生，大部分时间都在看，所以他们被这种大数据淹没。于是我们推测，数据的缺乏是AI进展缓慢的一个巨大原因。所以，我们跟所有只盯着算法的人走了不同的路。我们说，我们需要数据，我们需要数据来驱动这些算法。长话短说，我们主导了 ImageNet 这个项目，收集了人工智能领域第一个互联网规模的大型数据集，但其实是透过视觉这个领域做到的。
因为 ImageNet 收集了 1500 万张图像，ImageNet 的目标是让机器识别日常物体，比如麦克风、杯子。椅子这项工作跟神经网络算法和 GPU 计算的进展汇聚到了一起。到二零一二年，现代 AI 这三个要素的汇聚成了定义现代 AI 的那个时刻。我记得大概在两千零一十二年前后，有个叫 Spring Harbor 的视觉课程，每隔一个夏天办一次。
当时有个争论。计算机能不能像人类一样学会识别特定的人脸？现在我想，大多数人会说，计算机其实比人类强多了。哪怕有那些超级识别者，人脸识别能力特别出众的人，你能不能告诉我们这项技术是怎么从那种基本上会把我和你搞混，或者把某个跟你有点像的表情搞混？的状态走到现在的，一块饼干，或者说走到现在这个极其精准的地步，我们是怎么走到这一步的？
我想好好深入聊聊这项技术的汇聚。我觉得大概在二十一世纪的第二个十年，就像你说的，两千零一十二年前后最大的汇聚就是GPU计算能力的提升，它基本上加速了计算，实现了并行化，让更多浮点运算能跑在算法上，对吧？你需要那样的速度。然后，经过几十年的研究，神经网络算法也变得越来越成熟。你知道，从一九五零年代开始，人们就开始创造这些非常简单的算法。
行为上类似神经元，但要简单的多。神经元你也知道是非常复杂的，但这里的思路是你有一个节点单元。接收一些输入，然后输出一些东西，它内部就是一个函数，一个非常简单的函数。你把它们堆叠起来，这就是神经网络。但到了两千零一十年前后，这些算法的成熟度已经达到了一个相当好的水平，而且最后，但同样重要的是。对大数据的认识，互联网确实让数据变得更可得，但那个觉醒时刻是哇，大数据必须成为这个等式的一部分。
我们需要用大数据来驱动这个算法，让它学习这些模式。所以这三者的汇聚，真正点燃了AI的革命。那个具体的时刻也值得一提，因为你提到了人脸识别，就是我的实验室提出的ImageNet挑战。从二零一零年开始，在我们收集了这个巨大的数据集之后，那时候 GPU 还不够成熟，我们连续几年向研究社区发出了公开挑战，邀请大家来解决这个重大的计算机视觉问题，叫做物体识别。
任务非常简单，我们有一个包含一千个不同物体类别的数据集，这个数据集有超过一百万张图像，我们称之为测试数据集。算法的任务是，我给你看一张图，你要说出里面的主要物体，猜对了就得一分，猜错了不得分。所以那个 ImageNet 挑战，我们后来。过了几年，让斯坦福一个非常聪明的博士生来测人类的表现，错误率大概是百分之四，随机猜的概率是千分之一，对吧？
所以人类百分之四的错误率其实不算差。头几年机器不如人类，转折点是二零一二年神经网络ImagNet数据集和GPU的汇聚。即使是那一年，虽然错误率被降到了。哦，顺便说一句，人类表现的错误率是百分之四。抱歉，我需要纠正一下，错误率降到了百分之十几，还没达到人类的表现水平。所以这是看图像。然后给他分配一个千分之一的标签，明白了。
对，但二零一二年之所以那么重要，是因为这个神经网络算法让错误率比之前的算法大幅下降。我们在研究社区里知道，当发生这么剧烈的变化时。就意味着一个拐点，但算法真正在命名一千个物体上击败人类，我记得又花了三年时间，从二零一二年到二零一六年。我能问一下，这个百分之四的错误率，那个非常聪明的博士生是怎么产生的吗？
是他们认不出物体，还是因为时间压力？比如他们被快速喂入图像，偶尔会做出错误判断。我觉得时间压力不是主要问题，虽然让一个博士生做这个，我觉得他们也不想一直做下去。但我觉得，你知道人脑，你也知道记忆是有限的，无论是长期还是短期记忆，对吧？所以，记住一千个物体类别的模式，即使有些类别你很熟悉，也不是那么容易。
你知道，所以我觉得有混淆的问题，而且比如说不同品种的狗长得非常接近，那是个挑战。我能理解在视觉领域做这个的合理性，但听觉声音方面有没有类似的探索？我的意思是，你知道，作为人类，我们非常擅长识别语音的抑扬顿挫、情绪语调之类的。但如果让我去分辨，哪怕只是十五种不同的声音频率，作为一个非音乐人，我可以告诉你，对我来说会非常困难，绝对。
我觉得你看到的就是闸门被打开了。人工智能的每一个子领域，不管是语音识别、声音识别，还是自然语言处理，那已经不只是识别了，还有视觉的。所有领域在技术上都被大大推动了。我们在斯坦福有同事在研究鲸鱼的声音，对吧？现在用机器学习和人工智能来研究鲸歌。语音识别是这轮人工智能革命早期表现特别好的另一个领域。当然，技术还在继续进步。
等到Transformer那篇论文在两千零一十六、二零一七年左右发表的时候，很快就显示出它比早期的ImageNet、AlexNet算法还要强大。那时候。下一个大突破不是来自计算机视觉领域，而是来自自然语言处理领域。因为配方没变，现在我们有了一个更强大的神经网络算法，叫 Transformer。但互联网上的数据更多了，至少以文本形式更容易获取的数据更多了，而且现在我们有了更强大的 GPU，所以像。
OpenAI 和谷歌这样的公司很快就围绕这项非常重要的技术集结起来。不过，从 2017 年到 2022 年，还是花了大约五年时间才在自然语言领域迎来 ChatGPT 时刻。但那又是向前迈出的一步。所以，我觉得对于既不是计算机科学家，也不是神经科学家的人来说，自然的人类的经验也许更能引起他们的共鸣。也许我可以从这个角度来提出我的问题。
当一个孩子学到有个东西叫小猫咪，他们会说哦猫，然后他们通常会去掉小这个字，他们可能会说小猫咪，然后学会说猫。如果他们和猫有足够多的互动，他们就会意识到猫是什么，哪怕是从侧面看，从背面看，最后。如果他们看到一条尾巴，看起来有点像猫的尾巴，而且它就在你知道一些书的后面，你会说那是什么？他们很可能会说猫，哪怕他们也见过狐狸和其他有尾巴的动物，这完全基于他们的经验。
他们在做一个概率判断，而这基本上就是人工智能能做的，这基本上就是机器学习能做的。但在我看来，从计算器到我们现在的人工智能这个发展过程中，必须有一个关键时刻，让机器能够看到一条尾巴的图像，然后做出合理的假设，认为如果是在室内之类的地方，那很可能是猫，因为狐狸一般不会在室内，诸如此类。那么，机器学习和人工智能是在什么时候获得了这种情境学习的能力，能够得出某个东西最可能的归属？
因为展示苹果、香蕉和橙子是一回事儿，它们都是水果。好吧，你能区分它们，你能把它们和汽车、卡车区分开等等。但物体恒常性这一点，如果某个东西在移动，你只看到部分图像，这不是大多数人想到智能时会想到的东西。但它是让我们的大脑，其他动物的大脑，尤其是我们的大脑如此卓越的一部分原因。也是为什么我们认为自己可能是地球上最聪明的物种。
如果不是最聪明的，那肯定是最擅长技术开发的。对，那么人工智能是什么时候实现这一点的？又是怎么把这些写进计算机，让他们能做到的？那我们就来认真对待这个问题。你描述的非常好。这个问题就是瞥见一条猫尾巴，然后能认出是猫，对吧？或者判断出那里很可能有猫。有意思的是，Andrew一代又一代的机器学习计算机科学家都尝试过这个问题。
在如今机器能可靠地做到这一点之前，有过各种不同的算法。你可以想象一种常识性的思考方式是：哦，也许我们应该先识别出所有家具，知道这是在室内。所以不太可能是狐狸，所以确实有那样的规则被内置到前几代算法里，也有这样的规则。比如，不要直接猜是猫，而是只从十种可能的动物里猜一种，猫是其中之一，这样就限制了搜索或猜测的空间，会有帮助。
所以试过很多想法。那么什么时候它变得可靠的多了呢？就是现在这个时代，这些算法学到的大量数据，拿 Gemini 或 GPT 来说，拿 Gemini 或 GPT
学到的数据，真的在机器的学习空间里创造了这种能力。积累了如此多的知识，如此多的模式，以至于当呈现一张或多或少有点新的猫尾巴从书架后面伸出来的照片时，那个模式激活了学到的我们称之为学习权重或学习参数的东西，让机器对这个物体的评估或猜测更接近它见过的东西。
那很可能是猫尾巴，或者就是尾巴，因为数据实在太多了。明白了。这就是Andrew作为神经科学家，我觉得我们和人类大脑分道扬镳的地方，因为那个学会你说的小猫咪的孩子，不会有机会下载整个互联网的猫图片。他们很可能只见过三只猫，最多十只，但他们却能通过一种不同的学习路径，把那条尾巴识别成猫尾巴，而不是狐狸尾巴。
这些是我们还没有完全解开的谜团。但我确实想指出，今天的人工智能算法用海量数据学出来的，和人类是如何进化出来的这两者之间的差异。如果我们继续沿着这个层级往上走，从简单的物体识别到你我所说的高级脑功能，比如更接近大多数人听到“智能”这个词时想到的东西，某种更高级的东西，创造力、想象力。我们先看一个中间阶段，再看一个更远的阶段，还是用猫这个例子。
如果一台电脑或一个孩子学会了通过尾巴、整体轮廓之类来识别猫，而且他们看过猫移动，那对那个大脑来说，无论是孩子还是电脑。就是一个全新的世界，对，因为现在他们知道猫通常是朝头的方向移动，而不是朝尾巴的方向，这些都是很简单的学习规则，对吧？它可能会去追老鼠，但可能会躲开狗，也许吧，也许不会，如此类推，所以看起来所谓智能的下一层。
就是给移动方向、不移动的方向，以及那个物体可能与之互动的其他物体赋予可能性。这些在人们听来都很基础，但大脑就是这么学习的，机器也是这么学习的。那么下一个大的拐点是什么时候？就是给电脑、给AI一张猫的图片，然后说帮我把这只猫动起来，让它像猫一样动。而不给他任何关于四肢怎么动的具体指令，我猜那应该是一个很快但极其重要的转变，在我们称之为AI的整个领域里，因为大脑就是这么做的。
对你问这个真的很有意思。你说的太好了，我从来没想过用这种方式向公众讲述那个时刻，就是当视频成为训练数据的一部分时到来的。你看，我又要回到训练数据了。大约在二零二三年，也就是 ChatGPT 时刻之后不久，多个研究团队开始把视频放进训练数据里。当然，我不打算深入算法的细节，里面有一些变化和调整，你还记得吗？
二零二四年一月，Sora 发布了，那正是人们看到视频可以被生成的时候。就像你刚才说的，人们可以输入文字，说一只猫跑向一只老鼠，然后几秒钟的片段就被生成了，里面有一只猫以合理的方式摆动腿跑向老鼠。那时候还有错误，即使到今天它也不完美，但已经好多了。但那打开了视频生成的闸门，就像你描述的那样。那到底发生了什么？
实际上，那并不像你想象的那么革命性，因为归根结底它还是数据。作为科学家，我可以告诉你，有各种各样的算法调整、改变和改进等等。但总的来说，如果你退一步看，它仍然是这个伟大神经网络时代的一部分，对吧？但发生的是。我们现在能够以某种方式处理视频数据，又是靠一些巧妙的工程把它 token 化，随便你怎么叫。
现在我们可以生成这些短视频片段，就是把帧拼在一起，看起来像合理的猫的动作。你可能会问，算法知道猫腿的肌肉结构吗？所以当算法展示猫以合理的方式移动爪子时，按顺序。我要说，算法不知道，但它有的是海量的视频，尤其是互联网上的猫，海量的猫的视频，所以它学到了猫动起来应该是什么样子。所以从某种意义上说，人类也是这样。
我们大多数人没有受过教育的话，不会知道猫的肌肉是怎么动的。我现在也不知道，你知道我们医学院的同事可能知道，但我们只是太习惯看到猫这样动了，所以我们心里有个合理的概念，知道猫是怎么动的。所以这是相似的，A A就是这么相似，它就是统计，就是大量的数据告诉你什么是猫动作的合理生成。对，所以当人们听到几乎肯定听过，大脑是一台预测机器，一台学习机器，这正是是的你所说的。
对，我们再去一个更远的大脑功能层面，我们知道人类身上存在的东西，那就是思想和创造力。对，现在。思想和创造力大概也有规则，它们比视觉系统的例子更难把握。比如，如果是尾巴，而且在室内，那很可能是猫这种。但规则是存在的，规则就在那里。如果用苹果做例子，我们可以从低层开始，看到一只苹果；到中层，看到苹果总是往下掉，现在会飞了。
到最高层支配苹果运动的方程是什么？对，所以这就是往更高阶、更还原论的方向去分析。你怎么看这个想法？哎，确实有智能，它能做大脑能做的事儿，甚至好吧，肯定能做单个个体人脑做不到的事儿。我们知道这一点，因为它能打败人类下棋之类的。现在我的理解是，AI是在互联网上训练的图像、讨论、视频、歌曲，但那不是人类认知的全部，对吧？
所以AI有没有一些方面，不管是ChatGPT还是Claude，甚至是最强大的还没发布的机器学习和AI工具，它们还没有触及人脑功能的某些特征，因为这些特征从来没被上传到互联网上，至少没有以AI能提取出来的方式上。比如说，你可以放一首交响乐进去，它遵循音乐、数学和声音的某些规则，这说得通。但你和我整天都有一些想法，他们没法完全贴合语言，让我能直接打到互联网上。
先听我说完。我知道这是个很长的提问，但我觉得这正是你最有资格回答的问题。我从一年半前在犹他州见到你之后，就一直等着问你。在艺术世界里，有样东西叫抽象，对吧？偶尔会有人画出一幅画，它不像任何具体的东西。音乐里也有这种情况。你就是感觉到某种东西好像有一条根本的规则或一种情绪跟它相连，好像他们触及了大脑功能的某个方面，但你说不出那是什么。
我觉得这类东西对 AI 来说很复杂，或者说我很难理解 AI 怎么能做到，因为你可以把那件艺术品放进 AI，说这揭示了人类经验的什么根本特征。而他只能接触到互联网上的东西，所以你怎么能用 AI 去捕捉一团复杂的感受和体验？这对我来说就是那个缺口。我相信 AI 迟早能做到。但我没看到从神经科学到 AI
有任何直接的路径，不像我们能一步步推过视觉运动、悲伤、快乐那样，你能提取出很多东西，但很难到达那些更高阶的抽象表征，那些说不出来、写不下来、画不出来的东西。
如果我说给我一个你的例子，比如对童年老家的乡愁，你可以写出来，但那只是文字，那不是我没法在第一人称层面理解你的体验。完全同意，Andrew。我知道你在这个问题上想了很多，我觉得这是个非常重要的问题。我们一步一步来拆。首先，TLDR简短回答是我同意你的看法，我理解你刚才说的。是那些极其微妙、高度个人化、难以描述，甚至从未被捕捉到的人类认知行为。
因为他们没被捕捉到，所以也就没被上传到互联网上。而我们今天的AI没有途径去获取那些，所以当你提到互联网，它是AI数据的来源，我们得说清楚互联网是什么。互联网不是随便什么东西，互联网是人类行为在多种模态下最大规模的集合。我们再拆细一点，互联网上有全世界的人在打字。打了很久很久，到现在已经好几十年了。打字是一种感知机制，它捕捉了一切，从青少年的闲聊，一直到被数字化、被上传的深度科学文章，对吧？
所以捕捉人类语言是互联网最擅长的事。然后互联网捕捉图像怎么做到的？因为我们现在有数码相机、智能手机和数码相机里到处都是，所以人类喜欢拍照，从你家里的猫到自拍到漂亮的BBC拍的那种照片，那些也被上传到了我们的数字空间。除此之外，还有视频。视频现在有声音、有动作，那些也被上传到了数字空间。再往上还有音乐，我们甚至不进入版权的法律讨论，先把那个放一边。
我只是在说数据的形式。演讲、歌唱、音乐、管弦乐，那些也被上传到了数字空间。所以现在我们创造了一个巨大的图书馆，里面有文字形式的人类知识、视频里的人类行为、人类的表情，甚至自然的种种在声音里。现在AI就在那上面训练，这就是它为什么这么强大。这就是为什么，尤其在文字方面，AI能识别模式，能综合模式，因为那么多东西已经在那里了。
但你刚才说的那个东西，比如说毕加索对那幅年轻女子肖像的独特表达方式，有过一个极其深刻的念头，那个念头从来没被捕捉到。事实上，作为神经科学家，如果我问你那个念头来自哪个脑区，你不知道。对吧？是布洛卡区，是V，是运动皮层，是前额叶。我们不知道，也许它弥散在到处都是，因为那个念头如此个人化，如此特别。你可以叫它创造力，可以叫它情绪，你想叫什么都行。
你可以叫它Cat 两百三十一，随便给它什么名字。那个念头没被捕捉到，所以它不在互联网上，所以 AI 没见过它。这就是人类仍然如此独特的地方。但我们也要给 AI 记一功，因为 AI 学到了那么多东西，它能以高度创造性的方式组合信息。你记得第三十七首吗？这是 AlphaGo 那部，对吧？对吧？对。第三十七首象征着 AI 的创造力。
我觉得这话既对，但也可能被断章取义，因为那是 AlphaGo 和李世石对弈的一局棋。我记得那是五局中的第三局，AlphaGo 作为一个计算机算法，下出了一步人类围棋大师从未想过的一步，那一步非常了不起，对吧？因为如果人类集体这些可都是大事，都从没想过这一步。但如果你深挖 AI 当时到底做了什么？首先，围棋是一个高度数学化的游戏，它有非常清晰的数学目标，每一步都有非常清晰的数学规则。
所以，当AI拥有更大的算力，并且能记住更多步数的时候，它就能做到人类大脑通常做不到的事情。那这算创造力吗？我觉得算，但我们也必须认识到，那是一种特殊的创造力。我和我们这个时代一位非常了不起的数学家聊过，我问他关于数学中未解的问题，以及AI能如何为此做出贡献。他非常乐观。他说：“今天的数学有很多问题，不管他们有多难，哪怕我是一个菲尔兹奖得主，我可能也忘了数学里有已知的方法可以解决这些问题。
因为我是人脑，我不记得，我不知道过去几百年里所有的数学解法，哪怕我是菲尔兹奖得主。”所以 AI 能帮我们解决这些问题，但作为数学家，他也告诉我，他说我不知道 AI 能不能解决所有数学问题，因为有些数学问题需要的解法还没有被发明出来，那会把创造力推到另一个完全不同的层次，而这就是我们应该保持好奇的地方。
那会是人类的创造力吗？还是 AI 通过一轮轮的迭代改进，达到一种人类没有的创造力？还是说这是一种结合的创造力？我目前的猜想是混合的，就是人类和 AI 并肩工作，能帮我们解决那些解法尚未被发明的难题。然后你说的，尤其是你提到情感，那更是高度个人化的。这不一定是逻辑，不一定是演绎推理。也许安主，你看着这个杯子说这是个好杯子，但如果它在我心里唤起了一种情感呢？
一个童年时刻，一个好杯子可能只对我和我最好的朋友有特殊意义。那是我大脑里完全无法触及的信息，从未上传到互联网上。不管今天的AI多强大，都无法触及。所以，我对这个杯子的反应，以及我可能因为那段记忆而用它做的事，可能完全不同。你可以叫它创造力，叫它表达，叫它讲故事，叫它什么都行。但那就是AI无法触及的地方。
我觉得在不太遥远的未来某个时候，计算机将能以非侵入的方式读取我们的大脑活动。所以你懂的，我甚至可以想象五年、十年后，我现在头上就戴着什么东西。你看不见，它就是一个非常非常细的发网。说发网听起来好像随便吧，就是一些电极就在我颅骨外面，不打扰我感知我大脑内部的活动，也许还能感知我的心率、自主神经活动，我有多警觉，然后把这些对。
和我说的、我做的进行比较，这一切完全在可及范围内，而且一定会发生。你我都知道，这可能已经开始让一些人害怕了。但让我们、让我们、让我们保持善意，对吧？有这样的一个世界，一台我拥有的电脑，我不担心数据泄露之类的事儿。我们已经解决了那个问题。它在感知我的所有这些方面。并且捕捉到这样一个事实：是的，我说的话可能很重要，但我的内在状态和大脑活动里有些方面，连我自己都没意识到。
对，我可以选择和自己的这个方面协作，说让我们让我们想出一幅我从未见过的真正有趣的画面，但它来自我某段重要的经历，基于什么什么都行。然后他可以把那个揭示给我看，因为他能接触到我的无意识大脑活动特征。我觉得这在不太遥远的未来非常可能发生。也许如果人们在自己经验的泡泡里想这件事儿，这不会马上传到网上，也不会被用来对付他们。
你其实是在了解你自己。当然，当然。而且我觉得大多数人对自己身上发生的事儿有天然的兴趣，对别人也是，谢天谢地。但我觉得。太棒了，比如我很想知道为什么我在某些方面会绊倒，过不好某一天，或者为什么有些天我过得特别好，或者我的想法从哪儿来，我可以，你懂的，在哪些状态上在展开，但我不会知道该怎么做，除非好一杯咖啡不错，一杯半，好一点两杯就太多了。
如果我坐下来，比如现在，你想想我们做这件事的方式有多原始。这挺疯狂的，太疯狂了！而且每个人都有不同的方法，我们都试着把它搞对，然后等你搞对的时候，你已经老到的更新它了。而且我们现在可能根本没有从我们的生物学和大脑里得到最大的收益，对我们确实没有。这就是我一直说的，也是为什么别人谈论人工智能时我会不舒服。
有些人把他说的好像要取代人类似的，但你刚才描述的其实是增强和扩展人类，对吧？这甚至不需要科幻到戴个发网去读取脑电波，光是让人工智能学习你的写作模式，就已经能帮你成为更好的沟通者、更有效的沟通者、更高效的沟通者。这是今天的人工智能就能释放的一种赋能能力，Andrew。我觉得，作为神经科学家和教员，我们最清楚的一点是，自主权对人类太重要了。
归根结底，它落到每个个体层面的动机、自主权和尊严。我觉得我们需要认识到，要把人工智能看作帮我们维护自主权的工具。它确实应该如此，它不应该夺走我们的自主权。今天引领人工智能的人也不该说这种话，说这项工作会夺走人们的自主权。对。我觉得那些对某种技术特别熟悉的人，不管是电脑、生物学，还是任何技术，汽车也一样。
我们会变成那东西的极客，以至于忘了它对别人来说可能很吓人。对，而且围绕它的语言表达至关重要。确实，我记得九十年代初有一阵子，你肯定也记得基因检测被看成那种东西。你会想要做吗？你会想抽血测一下吗？因为天呐，你可能会看到让你吓一跳的东西。现在围绕自愿做核磁共振这类事情也在讨论。这些都不是非做不可的，但我的立场是信息越多越好。
不过我也慢慢明白，不是每个人都这么想，有些人就是不想知道，他们不想知道。对，但他们应该有选择权。同时，我们该有足够的公共教育和传播，让人们了解利弊，但不能剥夺他们的选择。也不能说，既然你不懂这个，我来替你做主，什么对你好，那不好，对吧？现在围绕人工智能的言论越来越偏了，因为懂行的人往往居高临下的对公众说话，不管动机是正面的还是负面的，都有那种腔调。
你们不懂这是什么，我来告诉你们。我会让你们开心、安全，不管是什么，我来替你们决定。这些都不健康，也没帮助。对我同意，我觉得当初做这个播客的原因之一，就是展示那些真正心怀善意的科学家和医生。他们没兴趣把事情讲的浅薄，但他们确实希望人们能理解。是的。很多人会觉得健康信息是更值得理解的东西之一，绝对。幸好你正在打破我刚才描述的那种刻板印象。
还有少数几个人也在做，但你确实一直在最高层面做这件事儿，真正鼓励人们去思考人工智能这种协作，思考那份自主权，以及用还是不用。诸如此类，我觉得有一项自主权对每个个体都很重要。不管你是学生、老师、医生还是政策制定者，那就是去了解它，不一定要学怎么写代码。我觉得那不一定必要，取决于你的工作，对吧？比如说，如果你是艺术家、老师或医生，你不一定需要写代码，但要了解这项技术是什么。
了解你自己，怎么用它来赋能自己，赋能你的学习、工作或表达。通过学习，人会更有掌控感。通过学习，你尝试时没那么害怕。通过学习，你保住了那份自主权和尊严。因为归根结底，不管技术或医学多先进，作为人，我们想要的是那种善意，那种帮我们活得更好、保住尊严、让社区变得更好的善意。技术可以是连接者，而不是分离者。
这个想法。我觉得必须放在讨论的中心。是的，我们都知道他们是谁。这个领域有好几位大人物，他们也处在成长过程中，在学习怎么面对公众，而且这个过程来得很快，就像你知道。显微镜对着他们，摄像机对着他们，所以每一个细微的失调都被放大了。所以我愿意相信他们会成熟的够快，意识到这一点。而且我觉得他们正在意识到，其中一些人已经意识到了公众需要听到正确、真实的信息，但要用让他们能理解的方式。
这就是医学和学术界。那个不为人知的秘密，你打破了这种模式，我愿意相信，我也在打破这种模式。那就是不分享事情怎么运作是有力量的，对，但那对谁都没好处。归根结底，你揭开面纱，让人们进来，人们反而觉得更安全。对，不分享确实有它的力量，但同样也有一种力量是去说，请相信我，我会告诉你的。而作为教育者，这两者我们都做不到。
我们不会走进课堂说，请相信我，二加二等于四。我们实际上会说，来，我教你怎么拆解，怎么理解它，这样下次你自己就能算出来，对吧？我还觉得，尤其是你的播客，作为公共传播和知识教育的一部分，特别重要。我也觉得，我们需要听到来自不同背景的声音，对吧？因为现在有大量的学者、技术专家、建设者、思考者，他们一直在接触AI，使用AI，认真思考怎么用AI去赋能人。
这些声音太重要了。当然，除了你之外，我一定会再邀请其他人来上节目。但既然你今天在这儿，我想接着聊一个，我觉得几乎所有人都会认同，如果存在就太棒了的东西，而且它已经开始发生了。就是用 AI 来加速健康发现、疾病治疗等等。就拿之前 AlphaGo 的例子来说，大家肯定还记得那个猫的例子。那些都只是遵循特定规则，AlphaGo 是一套非常复杂的规则。
但只要你学会了，它就是一套有边界的规则。猫那个例子看起来没有边界，像是无限可能，但它其实有足够的约束，让机器和人都能学得很好。一旦进入医学领域，医学有医学的规则，科学有科学的规则。你提出问题，提出假设，检验假设，尝试推翻假设，如此往复，这就是科学方法。在医学里，每个领域都有自己的方法。我们观察，观察疾病，观察谁康复了。
我们有病例报告，我们做随机对照试验，所以是有规则的。而且互联网知道这些规则，所以 LLM 可以很好的用来挖掘健康信息，因为有约束的规则存在。但我觉得你我都清楚，因为我也把你当做生物学家，生物学的规则还在不断向我们显现。这不是说皮肤科医生。神经外科医生和肿瘤科医生不懂自己在做什么，而是他们在自己学到的有边界的规则体系内工作。
即便他们持续学习更新这些规则，现在似乎每个月都会冒出一个打破规则的新发现。比如我学到的是，动作电位是全或无的，它们看起来总是一样的，要么放电，要么不放电。但就在大约十二年前，有一篇论文显示动作电位的形状可以变化很大，它发表在《自然》上，大家都看到了，然后没人愿意去处理它。这太颠覆了，它改变了规则。对，神经元要么是分级电位，要么是全或无。
而这个全或无，我的意思是，每一本教科书里都写着。所以现在，如果我拿一堆神经活动，然后给它一个规则，说，哦，动作电位可以大，也可以小。在同一个神经原理，这完全打乱了我们理解神经科学的一切。我们对大脑的理解就直接归零了。对，但如果你给AI一个规则，说这个信号可能有一百种不同的形状，那AI能做的。恐怕比最顶尖的研究生还要多得多。
我敢说，斯坦福的或者公平起见，麻省理工或加州理工的，我觉得他不仅能做到，而且能在我问这个问题的这么长时间里就完成。对，虽然这个问题确实有点长，所以我想听听你的看法。在医疗领域，公众和 AI 怎么协作才能帮助解决疾病？最好还能为科学发现提出新规则，让我们终于能在真正改变人类命运走向的层面上理解生物学。
对，安德鲁，这可能是你触及了 AI 最激动人心的用途之一，那就是科学发现。而在生物医学领域，科学发现直接关系到人类健康和疾病。我觉得我们已经准备好彻底重写科学发现的方式了，因为多少年来。我甚至不知道有多久，它一直依赖聪明的人类，记住其他聪明人类教给他们的东西，然后以我们自身肌肉的速度去推进。我想大概就是这样。
当然有超级对撞机之类的工具，但总的来说，做科学发现的方式里，人脑或者说科学家的头脑。是这个过程中唯一的核心角色。现在我们有了一个新工具，它的大脑能记住海量信息，能帮我们综合知识，能跨越学科，跨越你和我都做不到的领域。比如，我们俩恰好都在视觉神经科学和 AI 这个领域，我对嗅觉一无所知，完全为零。我可能连我们同事认识的那些词都拼不出来，对吧？
所以对我们的大脑来说太难了。但现在我们有了一个能打破壁垒的工具，所以我觉得我们需要改变，我们需要用这个工具。我们绝对，我刚才在想，一百五十年前，或者我也说不准具体多少年前，电改变了我们生活中的一切，对吧？我相信那也是一个我们在思考变化、机遇和恐惧的时刻。我觉得我们必须认识到，科学发现是AI和健康领域最激动人心的机会之一。
对吧？信息怎么被综合？信息怎么呈现？不仅呈现给临床医生，也呈现给患者。患者怎么从诊断到治疗参与这个过程？我们现在能做的实在太多了。对我是说，我不会说AI比所有医生都强，但几个月前。AI确实帮我区分了眩晕和低血压，而搞错的那位医生里有一位是研究前庭系统的耳鼻喉科专家。你提供了什么信息？只是你的主观感受吗？
我过去一两天的主观体验。好，结果发现是医生给我开的一种药，我出现了轻微但不良的反应。那种感觉很奇怪，一迈步就觉得整个世界都在往下坠，对，然后还有点天旋地转。我当时想，天哪，这感觉像眩晕，但我觉得头晕和头昏是两回事儿，所以我就开始查这个，果不其然是血压的问题，他把我的血压降得太低了。不过我也咨询了一些我们认识的聪明医生，我得说这些医生都不在斯坦福，这是实话。
但确实不，我们就该实话实说。这太了不起了。当我回头告诉他们时，他们说这真的太厉害了。你要是没在电话里跟我聊，没来我诊所，我本来可以做一些额外检查的，这我承认。但这次是零成本，花了一个早上就知道。如果我喝一些电解质，喝到我本以为会过量的程度，两小时后我就没事儿了。当然，这里有可能存在安慰剂效应，但两小时后我确实好了。
所以对病人来说，有这个东西也让人很安心。这不是说不用去看医生，但这确实太不可思议了。我是说，这东西现在就有了，医生可以用这种工具。顺便说一句，我有个很有意思的例子。我们这次对话之所以改期，是因为我父亲当时在做手术。对吧？在斯坦福由一位非常出色的外科医生主刀，但手术是由机器人完成的达芬奇机器人系统。因为那是肝脏手术，那位外科医生非常出色的外科医生在操控机器人，所以这是一次深度的人机协作手术。
后我问那位外科医生，我说：“你想象一下，如果你做过一百万例这种手术。”这对一个人类外科医生来说是不可能的。但假设我们把诠释我们借所有外科医生做这类肝脏手术的数据都收集起来，我们能不能训练出一个自动AI来做这个？答案并不明确。所以我们稍微深入探讨了一下，因为肝脏是一个非常复杂的器官，血管极其丰富，有很多血管，而且每个人的肝脏都不一样。
所以，考虑到每年接受肝脏手术的患者数量，即使你把全世界肝脏手术患者的数据都汇总起来，可能也不足以训练这个算法。这说明了非常重要的一点：AI是从模式中学习的。当模式不够丰富时，我们就得小心。我们必须知道怎么用AI，或者怎么不用AI。在这种情况下，人类与机器人协作远比一个训练不足的机器人独自做手术要好得多。
但同样的问题可能也适用于外科医生，因为一个外科医生能接受多少台手术的训练呢？所以这些都是人类和AI完全可以协作的机会，而且可能会产生最好的结果，对吧？未来还有待观察，我们能不能创造一个肝脏的人工模拟环境？然后训练出无限的可能性，这些都是摆在我们面前极其开放的科学研究可能性。但也有一些情况，比如你遇到的那种眩晕和低血压的案例，可能已经被报告过很多次了。
数据库里有足够多的数据，A A I已经学会了。所以，我们现在可以利用这一点来帮助那些无法立即接触到医生的人。太棒了！你父亲的手术顺利吗？很顺利。实际上，他失血量比典型手术少了十倍，这多亏了机器人手术的腹腔镜能力。我想聊一聊一些我们认为人类独有的特质。它们到底是不是人类独有的？你来告诉我，这些是真心求问，不是设套的问题。
然后我也想学习一下 I 的结构是怎么让这些事情发生的。比如说直觉，我们都喜欢把直觉想成某种神秘的、确实很强大的东西，像是我们独有的、谁也拿不走、没法被模仿的东西。但我也可以把直觉拆解成，它就是我长期积累的经验，它是一套数据集加上一些身体和大脑的感觉，还有一些预测线索。比如上次我有这种感觉，结果发生了那件事儿。
上两次我有那种感觉，结果事情没成，所以我这次就走这条路。我是说，这些规则你是可以交给计算机的。但我们更深层的自我还有别的方面，如果我可以这么称呼的话，比如我们不知道直觉在身体里映射在哪里，你可以做个影像实验，但你不可能同时采集所有的神经元、激素和所有东西，所以我们其实指不出一个位置，甚至指不出一张网络，像创造力、直觉、预感那种，你真的感觉到有什么事儿要来了，但还没发生的想法。
AI能拿到什么样的规则，从而获得这类能力？在这里，我想放在能量的语境下来谈。所以，不管这东西是什么，它就像线粒体驱动细胞，更倾向于一件事，而不是另一件事，就像恐惧或快乐那样，对吧？我们刚才就在聊能量，但在AI系统里，我不是计算机科学家。在AI系统和GPU里，我们能不能真的把更多的能量流分配到特定的学习规则上？
所以，也许有一天，我们可以说，基于你对我妹妹的所有了解，我很爱她。你觉得我们兄妹关系会怎么发展？你觉得我们今年生日做什么会很好？这跟以前不一样。以前她只能访问互联网。它能不能真的变得有点像心智或者像身心一体，然后产生一种感觉，知道什么可能真的值得做，还是说它只需要越来越多的提示？比如他就一直问我问题，所以其实是我在做那个工作。
这个问题问的真好，Andrew。为了讨论方便，我想先把直觉和创造力分开，也许我们之后会回到把它们合并的话题。先说说这个直觉，就是基于我对妹妹的爱会发生什么，对吧？这真的是直觉吗？今天你去问一个AI聊天机器人，你会提示说我是斯坦福教授、神经科学家，给我这个信息，这已经叫上下文了。我不知道你会不会叫它直觉，但因为你给了那条信息，AI给你的答案就已经不一样了。
如果我输入说我是个十四岁的，喜欢赛车的青少年，即使我们问同样的问题，他也会给出定制化的答案。那是一个数学上的事实，我不会叫它能量。我想说的是。那只是这些算法如何拿上下文来定制输出的数学事实，它叫上下文，在计算机科学里没那么深。那是一种比较浅的直觉，因为你已经能用语言来描述它了，或者你可以说我要上传一张图片，那也已经是可表达的了。
然后 AI 就能拿到你刚才说的更深的直觉，就像你根本不知道它们从哪儿来的，对吧？是因为我闻到了什么吗？是激素吗？是情绪的混合吗？是我的早餐吗？那种直觉还能拿它怎么办？那我要说，是不可及的。目前还没有感官装置能采集那些数据并喂给它，不只是 AI，甚至都没法喂给。比如说，有时候作为一对伴侣，你们可能会有那种就是互相惹对方烦的时刻，从来没有没有，我开玩笑的。
对，当然有。如果你们真的很熟，你大概能感觉到，但你说不太清楚，也许你就安静的走开，让那个人独处。所以这意味着那个人拥有的那种直觉，他甚至没法用语言或手势表达出来，交给另一个人当做一条信息来用。所以当你自己都够不到他的时候，不管是另一个人还是机器，都没法对他做什么，因为没有通道。高度个人化的直觉，没有任何技术能做到。
除非你说我们放上脑波采集器或者皮肤电导传感器，我是说，等我们做到那些的时候，也许它们就变得可及了。所以，我们必须认识到，我想说的是，关键不在于深不深，而在于数据可不可及，你懂吗？要么通过语言，要么通过图片，要么通过影像，要么通过脑波。不管是什么，它必须是一条可及的信息。如果它是可及的，那只要我们收集够了，就可以用它来训练机器。
或者，如果机器训练的好，它也许能像你说的，以私密的方式，先不管隐私泄露的问题。但以私密的方式，机器大概能用它。我想做的，Andrew不是把他说的神秘，而是试着给他一个科学的过程来描述。如果它真的发生，那会怎么发生？对，因为基于大数据集和规则的模式识别，能帮我们走很远。这就是我听到的意思。而且我们之前聊过，医生会犯错的地方，机器人和机器也许做得更好，或者他们协作起来比任何一方单独做都更好。
你知道，作为神经科学家，你在职业生涯的某个阶段会花很多时间看细胞。令人惊叹的是，电生理学家们几十年来，甚至更久，你会培养出一种直觉。我不是真正的生理学家，但我学会了识别细胞，靠的是那些没写进任何论文的东西。比如，如果这个东西边缘比较直，形状和圆润度有某种特征，我现在就能告诉你，那是视网膜里的瞬时关闭飞细胞。
后来我们开发了基因标记，证明每个案例都是如此。但你也看到一些不符合规则的，机器能学会这个，计算机能学会这个。有了那些论文里的所有信息，现在我们有了相当完整的视网膜零件清单，挺好。这行得通，然后你可以应用规则，比如他们这样放电，他们那样放电。好，这些我都接受。我想通过直觉表达的是，可能我没给出最好的例子，就是人类有哪些内在状态真的很难想象机器能重现，但也许他们能，比如动机，机器会受激励吗？
机器人会受激励吗？我们有动机的规则，比如，当我真的想做什么事时，我们称之为紧迫感，一种紧迫的状态，我可能会更快的去做。更少的激活能量。你说走，我站起来快一点。机器可以朝某个方向更快的移动，但你能说嘿，我希望你去找这个东西，但要带着更高的紧迫感吗？还是他们只能受限于他们能处理的数学规则？所以你可以把这构建到数学里。
某些东西，不管你是叫它动机，还是在机器学习的世界里，我们称之为目标函数。你可以把某些东西构建到数学里。比如现在你去用 ChatGPT，它有不同模式，比如深度思考模式，或者快速回答模式。如果你不知道这是怎么运作的，你会觉得哦，这很有趣。一个更有紧迫感，给我更快的答案；另一个必须更深入的搜索，对吧？然后花更长时间给我答案。
所以作为人类，如果你过度拟人化，你可能会称之为紧迫感或动机。但事实是，这只是算法的不同目标。你可以说，那个思考更快的有实现或令牌限制。那个思考更慢的，可以激活模型的不同部分，那会花更长时间。所以这在数学上其实变得非常枯燥，没那么深奥。但对人类来说，你可以称之为动机或紧迫感。但让我们更深入，因为你问的比那更深，对吧？
那就是有些认知状态，人类真正拥有的，不管是动机、紧迫感、恐惧还是爱，这些。非常难以获取和表达。机器今天有这些吗？没有，让我们说清楚。我们倾向于想象机器有感觉，或者他们没有，他们没有那些数据。他们没有那个数学目标函数，所以当机器说“对不起，你今天病得很重”，这和你朋友对你说这句话是非常不同的，因为机器说这个是因为它通过模式学到了。
当有人告诉他我病了，你应该说对不起，你病了，而不是我很高兴你病了。因为那些数据存在，而你朋友听到这个，他们真心希望你好，他们爱你，他们不想看到你受苦，他们有那种共情感受。哦，哇！如果你在痛苦中，我经历过痛苦，所以这不是镜像神经元，但至少是对痛苦意义的记忆。机器没有任何这些，所以我们确实需要确保我们区分这些。
很多驱动人类、触发人类的东西，在今天机器里不存在。我们的运作方式与今天的人工智能根本不同，我们必须认识到这一点，尊重这一点。这就是公共传播如此重要的地方，我们不能在这点上混淆公众。我觉得人们假设 AI 聊天机器人里面有一个有情感的人或什么东西，因为我们太以语言为导向了。他在跟我们说话，他在给我写东西。
我们现在比三十年前做得更多了。对，当然我们已经非常习惯于接收相当频乏的语言交流，短信不像长篇散文，语言变了，沟通方式变了，变得更频乏而不是更丰富。对，但很快的某个时候，我猜脸会开始进入画面，无异双关。比如，如果你或我给对方发短信，哦，下周这个时候校园见。喝咖啡多久之后，那条短信会变成一张照片或视频？
就是你直接跟我说话，告诉我这个。我的意思是，现在做这个太容易了，技术已经具备了，但我们现在得退一步。看看社会参数、法律影响，人类用工具能做很多事，但我们不会全都去做。比如今天，任何一家汽车厂商都可以说每个星期五刹车失灵，这在技术上很简单，车里的电脑有个时钟，每到星期五就把刹车关掉。但我们不会这么做，因为这对人类社会有极其恶劣的影响。
这时候就需要规则、法律、社会规范、道德来介入。我觉得这正是我们跳出纯技术讨论，进入AI社会讨论的地方。那我们就来聊聊这个，因为我知道生物学家或技术专家有个特点，就是喜欢快。因为快让人兴奋，那是下一个前沿，对吧？我记得很久以前，有个朋友在研究病毒以及把病毒导入的方法。这些不是传染病病毒，而是病毒载体，用来让基因在动物体内表达。
作为实验工具，但后来有个机会，真的可以把狂犬病病毒一种改造过的狂犬病病毒放进果蝇里。天哪！在我看来，如果你百分之百、百分之一千确定那是失去功能的狂犬病病毒版本，那这么做没问题，因为你可以往里面装别的载荷，做各种重要的实验。信不信由你。跟疾病有关的实验，但如果有一只果蝇成了漏网之鱼，你拿到的是真正的狂犬病病毒，它有可能跟另一只交配，然后他们最终找到其他果蝇。
我不知道这会是显性还是隐性遗传，但你现在就有了带狂犬病的果蝇，而且那些东西跑得飞快，所以这个实验不做是有原因的。对，但对他们来说，想想这事儿就很兴奋，然后他们被拒绝了。对吧？理由很充分。是的，我当时很庆幸，对吧？或者说，任何一个生物系，你都会看到一些果蝇飞来飞去。顺便说一句，他们喜欢醋，所以他们会飞向你的沙拉。
但重点是，技术专家喜欢快，他们喜欢感知事物的下一个前沿。那么。在政府、公众、技术专家之间，我现在把生物学和医学先放一边。这场对话要怎么进行，才能让每一方都足够满意？既不能拖我们后腿，因为我们现在据说也在 AI 竞赛里，这要求我们跑得更快，而不是更慢。你怎么看这个问题，Andrew？这正是我八年前从谷歌回到斯坦福，创办以人为本人工智能研究所的原因。
这些是我们必须面对的重大社会问题。二零一八年的时候还没有 ChatGPT，但作为 AI 科学家，我知道这只会加速。所以，我去找同事和大学领导说：“咱们搭一个框架，但这不只是我的框架，也不只是斯坦福的框架，整个社会方方面面都需要意识到社会影响。就像人类历史上做过的，无论是汽车、飞机，还是生物技术，都是多维度的，涉及多方利益相关者，对吧？
有职业规范。”比如，你们生物学家不会偷偷溜进实验室，试着把狂犬病病毒放进果蝇里，因为那是职业规范，是你们的伦理训练，有行业规则。比如机构审查委员会，今天大学校园里每一项人体实验都要受机构审查委员会监管框架约束，这样我们才能把关。然后还有法律和监管法规，取决于它是用在人身上还是作物上。所以AI也要走同样的路，对吧？
我们需要有职业规范，需要有教育。计算机科学家没有受过伦理和社会研究的训练，他们现在开始学了。这就是为什么包括斯坦福在内的一批大学正在拼命把这类课程加进我们的教育里。这些是规范和教育。但我们也应该跟政府合作，而不同的政府、不同的社会有不同的规范、传统和遗产，要看监管措施该用在哪里。比如AI跟生物学交叉，美国食品药品监督管理局，我觉得那是个非常重要的领域，要看AI该怎么用来帮忙，同时也要有护栏防止伤害。
这样我们才能避免伤害。我不希望看到的是一两个人或几个人从产业界出来，告诉所有人该怎么做。我觉得那很危险，因为市场力量跟社会规范不一样，文化跟遗产不一样，教育跟伦理也不一样。这些是多方利益相关者要一起解决的问题。我很喜欢这个回答，而且这个话题现在非常非常及时。我们这段对话的这部分以后肯定会越聊越深，但你确实一针见血。
我想听听你对这个问题的看法。人类大脑如何被机器塑造？机器又如何被我们对人脑的理解所塑造？先问第一个问题：很多人家长和孩子们都在想，哎呀，我的孩子现在啥也学不到了，他们只会去聊天机器人那里查一切。但如果你回头看学习的历史，当年对计算器。对电脑、对打字机，也都提出过类似的质疑，一个接一个。不过这确实是个有意思的问题。
我们脑袋里这个硬件，进化出来是为了处理现实世界里的物理事物的光、声音、气味等等。然后它前面长出了一块特别酷的部分——前额叶皮层，它能学习学习的规则，还能更新这些学习规则。所以真要说什么的话，我们被赋予的是一台学会学习的机器。还能不断更新学习方式，这就是为什么孩子们能适应并利用大语言模型。而我这一代人是伴随着个人电脑长大的，当然我是在帕罗阿尔托长大的，那时候就是这里有Pong，那里有Apple
II，我们家里就有。
我当时想，哇，真酷！大脑可以围绕技术成熟起来，与技术协作。我觉得我的人生因此被大大丰富了。但我认为智能手机，也许还有带摄像头的智能手机这个组合，就像乔纳森海特指出的那样，造成了一种局面。大多数人喜欢这些技术，是因为他们方便省事。但我们现在都多多少少更清醒了，或者说清醒了很多，意识到我们也在失去一些东西。
对，而且有些陷阱，尤其是年轻人可能会掉进去。对。那么，在你看来，非常乐观的一面和非常悲观的一面分别是什么？如果确实存在三种可能的话，年轻人的大脑在现有的人工智能下。是被丰富不受影响，还是受到伤害？我们就先聚焦在当下已有的东西上。好问题，Andrew。而且答案几乎是从我们刚才的对话里自然冒出来的，因为你用了“动机”这个词。
而我一直在用能动性。最糟糕的结果是我们年轻一代的能动性，以及学习和生活的人类层面的动机被工具夺走了。所以，负面信息刷屏，被动的刷短视频，这些都不利于能动性。人类能动性学习，从根本上说，尊重你刚才说的那个硬件，它需要时间，需要努力，有时还需要一些痛苦。我们的大脑就是这样运作的。不管晶体管怎么运转，我们的神经元有它特定的运转方式，我们的化学物质、我们的激素也有特定的运转方式。
所以，对年轻一代来说，无论社会将来变得多么不同，工作变得多么不同，我们的身体都必须经历一个深度发育的阶段。在这个阶段，学习必须发生，而那种学习的能动性、学习的动机，任何人都不能夺走，不应该被人类夺走，也不应该被机器夺走。这就是我的担忧。也就是说，如果人工智能用的不对，能动性和动机就会被夺走。那样的话，我们留下的是一代又一代大脑没有得到充分发育的人。
另一种危险是打着能动性和动机的旗号，把工具从学生手里夺走。因为我们担心你作弊，担心你的答案都是从 ChatGPT 那里来的，那同样非常糟糕。因为只要有恰当的能动性、恰当的动机、恰当的使用工具的方式，我们借助人工智能能学的比以往任何时候都深得多。我刚才就在想，我曾经当过一阵子医学预科生。天呐，有机化学太难了，你知道吗？
我记得拼命去记那些分子，他们的空间取向。但助教答疑时间太短，或者跟我另一门课冲突。教授也只有固定的办公时间，学那个东西真的很挣扎，对吧？如果今天我有一个AI伴侣，我会问无数个有机化学的问题，因为我知道自己卡在哪里，对吧？我有学习的动机，我只是需要有人引导。那对我来说会是多么强大的学习工具啊！所以，我们不应该把学生挡在门外。
所以，让我担心的两件事儿，要么是剥夺工具，要么是夺走能动性和动机。当然，另一面是好的，那就是想办法保住我们孩子和学生的动机与能动性，想办法让他们获得这些工具，并学会正确使用。那样的话，这一代人即将到来的一代，以及之后的许多代人，会比我们聪明得多，因为他们被赋予了超能力。我很喜欢这个回答。我对神经可塑性，也对年轻一代抱有极大的信心。
就算是我们自己，我知道我们老了，也不至于，咱们得给自己一点肯定。可塑性在整个生命周期里都是存在的，就算是我们自己的神经可塑性，对吧？我就觉得人工智能是我学习的一个绝佳工具。对我来说，发现它能做什么，本身就是一次了不起的发现。对，但我倾向于这样使用它：如果我对某件事一无所知，我就以消费者的姿态去问。如果我在所问的领域里已经有一些知识储备，我就以创造者的姿态去用。
其实我还有一件事，去年一个斯坦福本科生教了我一课，我意识到在 ChatGPT 出现之前，我有时候会偷懒。我如果有问题，就会去问我身边那个我觉得聪明的人。现在我意识到，我不该问那些偷懒的问题，因为在占用别人时间之前，获取信息已经变得太容易了。再去问那种太偷懒的问题就不应该了。而人工智能正在逼我不要那么偷懒。
提示词的精确程度，对从 AI 那里拿到最好的信息有多关键？提示词非常重要。那这是一项技能，对吧？这确实是一项技能。这就是为什么公共教育这么重要，这就是为什么教育这么重要。我很希望看到我们的学校从幼儿园到高中都教提示词。我这儿有个小测验：人类最会提问的人是谁？我肯定要考砸了。苏格拉底，如果他活着的话，对。
因为那就是提问的方法，对吧？想想看，苏格拉底的方法是什么？就是通过提问来引导。来探寻真理，我们应该回到那个方式教孩子们这么做，而且讨论的时候还得边走边聊。对，这其实是个不错的过渡，正好引到具身AI这个概念。你知道吗？给声音配上一张会说话的脸，跟只听到文字完全是两个世界。我小时候的一个好朋友，我希望你很快能见到他，因为你们俩都会从这场对话里收获特别多。
我真想当个旁观者，埃迪张博士，神经外科主任，生物工程师。他研究言语和语言，他和同事们搞清楚了神经活动怎么转化为对喉部和咽部的控制。他基本上把一些人从闭锁综合征里带了出来，让他们能重新说话。哇！十年里第一次，他有个病人很不幸瘫痪了，现在能通过电脑说话。他有别的病人，其实这样的例子很多。但最不可思议的是，当他开始在这位病人旁边放一台iPad，特别是一位坐轮椅的女性，他们有一段他婚礼上的视频。
所以，他们知道他的声音，他们知道他的情绪模式，也知道他身体怎么动。现在他通过旁边一台iPad说话，旁边是他无法动弹的真实面孔，但他能跟世界互动，世界也能以完全不同的深度跟他互动，而不是只有一个麦克风，就像史蒂芬·霍金那种。而且这个系统通过机器学习不断更新，现在还会关注他说话的对象以及对方的反应。我的意思是，这就是具身。
对，虽然是在一个二维的。二维屏幕上，这没错，但这比起单纯的机器人声音，甚至只是准确的声音，是一个指数级的飞跃。这不只是人的具身，具身AI也会进入机器人领域，对吧？AI的下一个前沿，我一直这么说，是超越语言的，因为再说一次，人类是先有前语言阶段的进化花了。你知道，五亿年没有语言交流，而且在正确的版本里。
有机器人帮助人类，世界会变得好得多。能够举些例子吗？我很喜欢这个想法，但再说一次，我意识到我可能现在技术兔子洞里太深了，可能吓到一些人。所以机器人，我们有自动驾驶汽车。其实，Waymo总是会为我和我的小狗停下来。我那漂亮的小家伙，六个月大的小狗，它想过马路的时候，你怎么能不停下来呢？很多人不会听，早上差点把我们撞了。
WeMo非常礼貌，WeMo得学会规则，对吧？没错，没错。所以那里有一种善意，人类身上并不总是有。但你觉得这会最先出现在哪里？会是什么样子？如果我们把时间拉远到十二个月后，十二个月对机器人来说有点太快了。两年、三年，要我说，把时间拉长到三十年来看，三十年。好，我不是说那是机器人第一次上街，我们已经有自动驾驶汽车了。
我只是说，尤其是硬件也参与其中的技术。要真正落地需要更长时间，但我想说，但愿在你我有生之年，我很想看到机器人成为社会的一部分，帮助我们。比如，我是独生子女，要照顾两位年纪很大、身体又很差的父母，而且他们碰巧也不会说英语，我要做的活儿多得惊人，对吧？所以，我真的很想有人帮忙。这不会剥夺家庭责任，不会剥夺爱，也不会剥夺必要的沟通。
但体力劳动那一部分，某些部分，我真的很想有人搭把手。我们住在加利福尼亚州，有一件事是我们所有人都经历过的，是什么？堵车，高税收。加州某些地方不堵车，但有山火。哦，哇，对对吧？谁在扑灭这些山火，让人类去冒生命危险做救援，应对自然灾害？这不是个好主意。对吧？所以我家和我父母碰巧有足够的财力，但我就在想，一个独居老人，他们怎么去买菜，怎么去拿药？
现在我们开始看到一些配送服务。但要是他们想出去散个步，或者去公园呢？所以有太多太多事情了。哦，顺便说一句，你在医学院，我们的护理人员不是过剩，而是短缺。我们的护士极度疲惫、超负荷工作。过去一个月，我literally在医院陪我父亲，就看着护士们干的活。我们知道，在一个班次里，护士要走好几英里路去取东西、拿药，有太多太多了。
你能想象机器人来帮忙吗？对吧？所以，我们的社会有太多方式可以被组织起来，并从这种帮助中受益。哦，我太喜欢你举的这些例子了，你说。我脑子里就冒出好多，比如过街引导员。对，你可以想象，借助视频，一个因为年纪或疾病困在家里的人，能自己去商店，从货架上拿东西。对，也不一定非得那么脱节，就是他们设定好程序，然后他自己回来。
虽然那也可以是一种选择。对，我觉得我们必须修正对这幅图景的想象，因为我觉得关于机器人和计算机有几件事儿会吓到人，一个是他们的物理硬度，对吧？所以我们和他们共享空间的方式。和我们和其他东西共享空间的方式非常不同。当然，我不是在想哦你会和机器人拥抱，虽然有些人可能会那么想，但那不是我的想法。但我在想的是，好吧，如果我有一个机器人能叠衣服、吸尘、浇花、喂我的鱼，虽然我喜欢自己喂鱼，我真的很享受，我喜欢看它们吃东西，我喜欢亲手触摸它们。
Literally 和他们接触，他们会从我手里吃东西。你的小狗喜欢你的鱼吗？呃，喜欢。它有自己的鱼缸，我刚给它买了几条热带鱼。对，就在它的小窝前面。嗯，它在照顾它们，它看着它们，但它还没能力照顾它们。我觉得可惜，它的前额叶皮层不够用，而且它是一只，它挺善良的，但它是一只斗牛犬混种，它们不是最聪明的品种，它们只有几条学习规则。
但他们非常善良。但如果你想要一只能照顾鱼缸的狗，你可能需要一只西部高地白梗之类的。不一样，前额叶皮层更多一些。但这里的重点是，如果一个机器人做一件事儿，另一个机器人做另一件事儿，那感觉就像我生活里塞了一堆硬件。我觉得人们大概就是这种感觉。对，但你可以想象一个多形态机器人。你知道大白吗？不知道。不知道迪士尼的机器人大概是十年前、十五年前的吧？
你可以谷歌一下图片，那是一个白色的医疗机器人、医疗保健机器人，它不是很蓬松，而是很海绵感，摸起来像一个大气球。对。所以你可能会喜欢那种，对，更多曲线，对对，而且同一个机器人能做更多事儿，感觉那是一个我能更快适应的世界，而不是一个。到处是机器人的世界。是的，安德鲁，我觉得，当我们想象未来，讨论我们如何想象未来的时候，我总是不停回到一个词：自主权。
人类应该有自主权去决定我们如何想象这一切，不能只是一家公司。或者我不知道，一个投资人决定这个世界应该充满金属质感的机器人，对吧？我们的社会应该集体的。主动的去想象，而我在 AI 的这套话语里担心的一点是，公众被放在一个被动反应的位置上，感觉好像只有一些人在做决定，而多方利益相关者并没有参与共同设计这个未来。
就像你父亲手术那个例子，把机器人和医生结合起来，对吧？如果我们遇到一个问题，那里有脆弱性。而机器人显然能让事情变得更好，那画面就朝着正确的方向改变了。对，所以我脑子里马上想到几个例子，比如，我觉得大多数人都会同意，如果孩子能自己走路上学、走回家，那很好。但你会担心安全问题。但如果一个机器人真的能当好孩子的守护者，好到能报警。
甚至可能保护物理上保护你的孩子，那就太棒了。对，给他们在这个世界上更多的自主权。你再想想那些更阴暗但不幸确实存在的线上掠夺性行为，父母能监督孩子行为的程度有限，孩子能意识到的也有限。但你可以想象有一个化身陪在孩子身边，真正为孩子代言，能发现危险，把掠夺者挡在外面。你看，这就是个很棒的创业点子。那会很酷，但我觉得画面里还缺一样东西。
对我来说，我记得见过一个了不起的人。我知道有人说他有点难相处，但这个人真的很了不起。我当博士后的时候，还有我小时候在帕罗阿尔托玩具体育世界打工的时候，他就在帕罗阿尔托市中心走来走去。那个人就是史蒂夫·乔布斯，不穿鞋，看起来像个嬉皮士。是的，他工作时对人吼叫，现在HR大概不会对他太客气。但他明白，我们叫做电脑的东西需要有圆润的边角，它们需要无缝的装进口袋，它们需要让鲍勃·迪伦出现在首页上什么的，这样才能软化人和技术之间的关系。
有些人会说。这走的太远了，是个特洛伊木马，但我不这么认为。需要一个真正懂人性的人，才能让这些显然是善意的机器人和人类之间的协作发生。因为正如你指出的，而且我完全尊重那些造出 AI 的技术专家和做出惊人科学的科学家，但无论是他们呈现技术的方式，还是他们能分享的东西，都有一种生硬感，那真的会把人隔开。是的，我不是治疗师，但如果我能张开双臂抱住他们，我会说。
听着，各位，你们是房间里最聪明的人，先生们、女士们，公平地说，你们是房间里最聪明的人。但人们不喜欢你们，因为人们不理解你们。也许你们需要一个合作者，帮你们用一种不会让媒体钻空子的方式分享你们的愿景，因为媒体确实在制造这道鸿沟。他搞得好像这些技术专家要来对付我们似的，我觉得那完全是媒体的把戏，就是为了把钱装进自己口袋。
现在有太多事在发生，所以谁是那个史蒂夫·乔布斯或者那个斯泰西、斯泰西什么的，可以是男的，也可以是女的，一个真正懂人性的人，这样的人有很多，我们中间有很多。你知道斯坦福创办了以人为本人工智能研究所，你就是啊。你就是好吧，但有很多人对，有很多创业者在做非常了不起的创业公司：AI药物发现、AI医疗、AI抗衰老、AI心理健康。
这些人关心AI。对吧？还有很多设计师和产品经理在努力。我确实觉得那个大喇叭太聚焦于那些捶胸顿足、用一种特定方式谈论技术的人了。所以你知道，甚至这个播客，我希望也在产生积极的影响。但愿如此，把人文视角、圆润的人文视角、人类视角、人类人类的未来放进这些对话里，我并不绝望。Andrew，我是教育者，是建设者，是技术人。
我看到身边很多人，包括我整个创业公司这些才华横溢的年轻技术人，他们可以去任何一家创业公司或大公司，但他们选择来 War Labs 是因为他们想赋能于人，所以我看到很多人。但我觉得还不够。你说的对，我觉得现在的公共话语并不平衡，极端言论太多了。要么是极端愚蠢主义，忽视安全，把人吓个半死；要么是极端乌托邦，好像技术永远不会出错，那也不真诚。
人们会说：“好吧，你们是既得利益者，你们当然这么说。”所以我觉得我们应该回到中间地带，谈谈这项技术到底是什么。怎么用它？我们怎么共同保有引导未来的主动权？对，有件事是我的一个播客同行提醒我的，本来应该显而易见，但就是没人点破。而且这显然是你身上的一种特质，恕我词穷，你身体力行的体现了这一点。就是人们其实不太想听机器的故事。
但人们爱听的是，某个人治好了自家狗的癌症，或者某个孩子出现了疯狂的症状，家人毫无头绪，医生也毫无头绪。结果靠AI在指尖上解决了问题，对这些故事才真正需要放大，因为我觉得他们能引起我们的共鸣，他们是美好的故事，是了不起的故事，但他们得到的关注远不如那些东西。对，而这正是挑战所在。对，你知道，传统媒体并不在乎事情的长远脉络，他们按十二到二十四小时的周期运转。
但还有另一些人，比如那些真正在推动 AI 善意用途的人，那些我们该去了解的协作。斯坦福 Heidi 的新闻通讯，我们的网站，我们的研讨会，我们推广了很多这类工作。我很想多了解你的创业公司，因为你不会随便挑项目，所以这个项目是什么？目标是什么？我的创业公司和另外几位联合创始人一起创办的，叫 War Labs。
我们在二零二四年初共同创立了它。对我来说，这真的算是我毕生的事业。我们都出身于视觉领域，也认识到语言智能之外还有更广阔的空间。这正是促使我认真思考AI前沿下一章是什么的动力。我们认识到，解锁空间智能和物理智能才是下一章。这并不排斥语言，当然，语言技术很了不起。只是我们可以投入更多时间去构建模型，或者最终构建产品，去帮助解锁空间智能的能力，比如生成对创作者、机器人训练、建筑设计都。
极有用的三D、四D世界，或者打造那些交互环境，无论是医疗应用、教育应用、机器人应用，还是工业应用，这些能力超越了语言本身。One Lab就是基于这个前提创立的。我们还是一家年轻的公司，非常以模型为核心，正在构建这个基础模型。我们起步时有很多博士，但现在我们开始做产品了，所以还只是开始，非常令人兴奋。
作为技术人，我内心深处觉得自己是个建设者。也许也因为我是移民，所以撸起袖子，和这群聪明得惊人的年轻人一起从零开始造东西，就是特别让人兴奋。我记得有一段时间，大概十五。二十年前吧，有车在路上跑着拍图像，现在还在拍，还在跑着拍图像。但我猜肯定也有航拍视角。不过，你可以想象那种小无人机，小到能飞过一个神经元，把什么都看一遍。
可以这么说，或者无人机去采集挪威峡湾每个犄角旮旯的信息，有人这么干过吗？用来绘制三维世界的地图。首先，别把无人机说的那么吓人。好像要闯进人家家里和院子里。我觉得捕捉世界影像的能力确实在飞速进步，对吧？我们的手机就是不可思议的传感器，它们不是无人机，但人们拍海量照片。当然，相机技术也进步了。Wallab做的不是只拍真实世界的图像，我们让人把脑子里的想象呈现出来。
只要你能打一句话，给一张图或一幅草图描述你想象的东西，我们就试着把它变成世界和环境。这有什么用？因为娱乐产业会用，设计产业会用，机器人产业非常需要它来做训练环境等等。所以，捕捉真实世界的东西，加上捕捉你想象世界里的东西，这两者的结合就是新前沿。如果你不介意的话，我想再多花几分钟聊聊这个从想象过渡到实际的东西，因为这里是洛杉矶，我突然想到。
很多人会写剧本，然后想办法把电影拍出来。但有了AI，理论上你可以把剧本交给AI，它就能把电影做出来。理论上，对吧？从文字到画面，再到视频，然后你也许可以在需要的地方稍微改一改。这个有人做过吗？有没有一部电影从头到尾？是用AI成功做出来的，这是个非常微妙的话题。这里也触及了人们对AI和创造力的担忧。如果不小心的话，听起来好像我们在抢讲故事的人和创作者的工作，对吧？
所以，我们先把工作层面的讨论和技术层面的讨论稍微分开一点。虽然他们纠缠在一起，技术已经进步到拿剧本生成镜头，生成视频镜头。已经做得非常好了。我们见过短片，甚至接近长片长度的电影，由AI
AI工具拼出来，确实见过。而且有很多公司，美国公司、亚洲公司。都在做这项技术，但真正属于人类的部分，这一点很重要，就是讲故事和故事创作的每一个环节背后都有人带着他们独特的情感、故事技法，他们怎么看世界，怎么运镜，怎么塑造人物和角色，很多这些正是好莱坞和小说家们做的事。
所以，怎么用现代工具去满足人类讲故事的需求和渴望，其实是个挑战。因为有一种恐惧，很大程度上来自好莱坞，觉得AI要接管一切讲故事的人、演员、编剧，工作都受影响。我觉得确实有影响，但影响是怎么发生的？我们在做什么？谁在建设性的做事？你知道，这严格来说不是我的行业，但我很希望看到这方面有更多细致的工作，也有更细致的公众讨论。
但我确实认为，就像医疗一样，我们刚才聊到 AI 能快速改变和颠覆旧的医疗方式，我觉得 AI 绝对在改变我们讲故事的方式。说到这个。讲个故事，我有一个联合创始人叫 Ben，Ben 和我见过本阿弗莱克，我当时开玩笑说 Ben 见 Ben，他也在非常前卫的思考用 AI 工具做电影，对吧？所以在这个时刻，让技术专家和讲故事的人。
电影人对话是至关重要的。对，我觉得在每个技术的例子里都有某个交叉点。是的，当一个真正的圈内人拥抱了一项技术，然后他就一下子起飞了。像对。你知道史蒂文斯皮尔伯格或者谁对这些可能不是最好的例子，但就像乔布斯和沃兹尼亚克那种交叉，一个设计师，对技术好奇的人和一个真正的。乔布斯粉丝原谅我，真正的计算机科学家，对吧？
那种融合这些协作真的很关键，所以你需要一个圈内人和一个圈外人才能做好，因为你得理解两种文化，对，以及怎么把行业把人容纳进来。所以，我真的很希望，因为 World Labs 也和视觉特效行业合作，对我来说，让我们的客户和用户感到被赋能太重要了。不是技术要把他们的工作抢走，技术应该让他们的工作变得更好，给他们的创造力加超能力。
这就是我看待这项技术的方式，也是我希望和用户、客户合作的方式。想想挺不可思议的，你知道，我小时候在帕罗阿尔托的加利福尼亚大道上。有家店叫 Kaplan Shacket，就是一家照相馆和相机店。对，你走进去，把胶卷拿去冲印。柜台后面有一帮人。他们跟你说，你可以租个长焦镜头什么的，这些现在全没了，一切都数码化了，你知道吧？
但还是有相机店在，所以行业会变形，不一定会被消灭。对，它会变形，人们也会在培训提升技能。你知道我们在和很多创作者合作，他们用AI工具，因为他们看到了技术走向。想给自己再培训、提升技能，所以我觉得变化的时刻既是机遇，也是失去的时刻。我们真的需要认真对待这一点。我最后一个问题，是关于年轻一代的。他们对AI是什么感觉？
因为现在有这种你说的年轻是多年轻？我说的是七岁到二十岁之间的孩子。好，那说的就是我孩子这个年纪。对，所以我问这个问题是有原因的，你知道。他们怎么看这件事儿？他们兴奋吗？因为有个现象是，电脑一出来，你的书法老师就开始紧张，担心大家都不再手写了。现在大家都用手指打字，没人会写字了。我们写了几千年，这些故事已经流传很久了。
说如果我们不把过去和未来一样重视，我们就会融化成一滩神经元。我觉得两者都重要。但孩子们怎么想？他们怎么看？这其实是我。最上心的项目。作为教育者和技术从业者，我走到哪儿都会找学生、家长和老师聊，因为我觉得他们是被遗忘的最彻底的人群。我们的政策制定者、技术专家和投资人，他们不跟老师、家长和学生对话，他们都有自己的孩子，也都有自己的看法，但他们不聊这个。
我对孩子总是抱有希望，也许因为我是教育者，因为我觉得人类最学不会的一件事儿，就是老一代人哀叹下一代人，好像下一代什么都不懂，他们没礼貌，他们忘了过去。但如果你看人类历史的轨迹，总体而言，我们是在往更好的方向前进。我不是否认那些暴行，不是否认那些挫折，这些我都承认。但人类从根本上说，我对人类是乐观的，对吧？
所以这是我的出发点。如果你是个彻底的悲观主义者，那我们可能从一开始就站错了脚，但我看孩子们，他们好奇，正因为是孩子，所以才好奇，他们当然会被这些技术强烈的吸引。但他们也开始在用它。我真正担心的是老师和一部分家长，因为我觉得今天的社会，尤其是硅谷，没有在帮他们。我们把他们忘了，我们在说教他们，在训斥他们，在俯视他们。
他们是我们社会里最重要的人，我们应该跟他们对话，应该托举他们，应该支持他们。应该给他们资源，K十二或者K十六的老师，他们扛着我们社会最重、最关键的担子。我给你讲个真实的故事：二零二二年十一月，ChatGPT出来了。显然我在技术圈内部，但我做的第一件事是给我孩子所在小学的校长发邮件，说我想来给你们的师生做一次课座讲座。
不是因为我多特别，而是因为我想让他们时时知道正在发生什么。因为没有人，硅谷没有人，没有投资人，没有那些几十亿美元的投资公司，或者几万亿、几十万亿美元的大公司。ChatGPT出来的时候，第一反应是我们社区里的老师怎么办？没有人这么想，但我们必须这么做。我们必须跟老师对话，我们要给老师展示。当然，他们会问孩子作弊怎么办？
没关系，他们问这些问题很正常。我们就展示给他们看，跟他们一起合作，让他们有能力自己想出应对办法。他们也很聪明，他们也渴望改变，他们只是被遗忘了。所以，我对孩子有希望，但为了不让这希望是盲目的，我觉得我们都该记住我们的老师，帮助我们的老师和家长，这样我们才能帮到我们的孩子。我太喜欢这个回答了！我知道这个感受被很多很多听众共享。
上帝保佑老师们，他们需要帮助。支持和信息，因为现在他们打开不是你的播客，是大多数播客。他们只会害怕，他们非常害怕，他们听到这种末日论调，他们听到末日预言，或者有人说别担心，这是乌托邦。这两种信息对我们的老师都没有帮助。如果老师得不到帮助，我们的孩子就得不到帮助。完全同意，完全同意。飞飞，非常感谢你从极其繁忙的日程里抽出时间。
我很高兴听到你父亲没事儿了，而且照顾父母、孩子和其他一切也是你日程的一部分。你还要来教育我们这件事儿，它不只是重要，它是我们身处何处、去向何方的一个关键楔子。我带着谨慎，也带着巨大的乐观，尤其是在你今天分享的基础上，另外。也谢谢你一路教了我们更多神经科学，因为这些机器受大脑启发，大脑也受这些机器启发，这就是我们生活的世界。
我抱有巨大的乐观，很大程度上要感谢你存在于这个世界上，谢谢你抽出时间来分享。我知道很多人非常感激，所以谢谢你，谢谢你，Andrew。我真的很珍惜这次对话，这是一个文明时刻。感谢你收听今天我和李飞飞博士的这期对话。想了解更多他的工作，请看节目说明里的链接。如果你从这期播客里学到了东西，或者喜欢这期节目，请订阅我们的YouTube频道。
这是支持我们的一种非常好的零成本方式。另外，请在 Spotify 和苹果播客上点击关注按钮来关注本节目。在 Spotify 和苹果播客上，你都可以给我们留下最高五星的评价。现在，你还可以在 Spotify
和苹果播客上给我们留言。也请看看今天节目开头和中间提到的赞助商，这是支持本播客最好的方式。如果你有想问我的问题，或者对节目嘉宾有评论，或者有想让我在 Huberman Lab 播客里考虑的话题，请把它们发在 YouTube 的评论区。
我会读所有的评论。还没听说过的朋友，我要告诉大家，我有一本新书要出了。这是我的第一本书，书名叫《Protocols: An Operating Manual for the Human Body》。这本书我写了五年多，基于三十多年的研究和经验，它涵盖了从睡眠到运动到压力控制的各类方案，还有关于专注和动力的方案。
当然，书里收录的每个方案我都提供了科学依据。这本书现在可以在 protocolsbook.com 上预售，在那里你可以找到各个销售渠道的链接，选一个你最喜欢的就行。再说一遍，这本书叫 Protocols: An Operating Manual for the Human
Body。如果你还没在社交媒体上关注我，我在所有社交平台上都叫 Huberman Lab，也就是 Instagram、X、Threads、Facebook 和 LinkedIn。
在所有这些平台上，我都会讨论科学和与科学相关的工具。其中一部分和 Huberman Lab 播客的内容有重叠，但很多是和播客内容不一样的。再说一遍，所有社交平台上都是 Huberman Lab。如果你还没订阅我们的神经网络新闻通讯，这个新闻通讯是每月一期的免费邮件，内容包括播客摘要，还有我们称之为方案的东西，以一到三页的 PDF 形式呈现，涵盖从如何优化睡眠。
如何优化多巴胺、刻意冷暴露等方方面面？我们还有一个基础健身方案，涵盖心血管训练和抗阻训练。所有这些完全免费，你只需要访问 hubermanlab.点. com，点击右上角的菜单栏，往下滚动找到新闻通讯，然后输入你的邮箱就行。我要强调一下，我们不会把你的邮箱分享给任何人。再次感谢你收听今天我和李飞飞博士的这期对话。
最后，但同样重要的是，感谢你对科学的兴趣。