Esse, of Something: 人工智慧先驅2025年的一場圓桌會談

2025年11月7日， 2025年伊莉莎白女王工程獎的獲獎者齊聚一堂，黃仁勳，李飛飛，Yoshua Bengio，Geoffrey Hinton，Yann LeCun 和 Bill Dally，六位人工智慧領域的先驅與推手，展開一場30分鐘的精彩會談。

會談中，六位與談人各自描述了自己人生中的關鍵轉捩點（aha moments），討論了當前 AI 熱潮的本質與泡沫的可能性（對這些人來說然不會是泡沫囉），並且揭示接下來 AI 發展的方向，以及 AGI 的可能性與時間表。

簡單的小結：目前 AI 正處於一個商業和應用的爆發期，但對於基礎研究的科學家而言，通往更全面的智慧形式的旅程才剛剛開始，仍需要語言模型以外的新研究典範與技術突破。

細節可以參考 FT的報導（英文，須訂閱才能閱讀）或是會談的錄影（約30分鐘）：

然後，附上 Gemini 做的影片摘要：

這場由《金融時報》（FT Live）主持的座談會，匯聚了榮獲 2025 年伊莉莎白女王工程獎（Queen Elizabeth Prize for Engineering）的六位頂尖人工智慧先驅——包括 Yoshua Bengio、Jensen Huang、Geoffrey Hinton、Yann LeCun 和 Fei-Fei Li 等人——共同探討現代 AI 的發展、挑戰與未來願景。
關鍵轉捩點：「啊哈！」時刻（Aha Moments）
座談從各位 AI 專家的個人「啊哈！」時刻開始，揭示了他們如何踏上這條革命性的道路：
Yoshua Bengio： 早年受到 Geoff Hinton 論文的啟發，相信可以透過像物理定律一樣的簡單原則來理解人類智慧 [02:08]。然而，在 ChatGPT 問世後，他意識到若無法控制語言模型的目標，可能帶來機器比人類更聰明的風險，促使他全面轉向 AI 安全研究 [02:30]。
Jensen Huang (黃仁勳)： 他的第一個轉捩點是在 90 年代末，為了解決記憶體牆（memory wall）問題，提出將運算組織成串流處理（stream processing），最終發展成 GPU 運算 [03:09]。第二個關鍵是在 2011 年，他意識到 NVIDIA 應該專門為深度學習（Deep Learning）設計 GPU，因為這項技術的應用範圍遠超圖形處理 [04:08]。
Geoffrey Hinton： 他將 1984 年的實驗視為一個重要的時刻。當時他發現使用反向傳播（back propagation）訓練一個「微型語言模型」，使其預測單字序列中的下一個單字時，系統能夠學習到具有意義的單字特徵 [04:36]。他指出，這項發現花了 40 年才成熟，主要是因為缺乏運算能力和數據 [05:23]。
Fei-Fei Li (李飛飛)： 她的第一個關鍵體悟是在 2006 年至 2007 年間，她意識到機器學習在視覺識別上面臨的瓶頸是數據不足，因此她發起了 ImageNet 專案，手工整理了超過 1,500 萬張圖像 [09:55]。第二個時刻是 2018 年，她意識到 AI 是一種「文明技術」（civilizational technology），將影響社會各個層面，因此返回史丹佛大學創立了以人為本的 AI 研究所 [11:31]。
Yann LeCun： 他對訓練機器而非編程機器的概念很著迷 [12:48]。他與 Hinton 在 80 年代中期因對訓練多層網路的共同興趣而結識 [14:18]。他提到，儘管 ImageNet 的成功證明了監督式學習的有效性，但整個產業後來再次將重心轉回自監督式學習（self-supervised learning），這也是現今大型語言模型（LLMs）的基礎 [16:58]。
AI 熱潮的本質：不是泡沫，而是工廠的建設
面對當前 AI 產業的巨大估值，黃仁勳堅定地表示這並非泡沫 [21:59]，並提出了他對需求的根本看法：
GPU 已被充分利用： 他將此與網際網路泡沫（dotcom era）進行比較，當時鋪設的光纖大多處於閒置狀態，而今天「幾乎每一塊 GPU 都被點亮和使用」[18:53]。
AI 智力需即時生成： 過去的軟體是預先編譯的，但 AI 必須在上下文中即時生成智慧，因此需要的計算量非常龐大 [20:59]。
雙重指數增長： 產生一個答案所需的運算量，以及 AI 模型的使用量，都呈指數級增長，共同推動了對算力的巨大需求 [20:08]。他將 AI 比喻為需要「工廠」（數千億美元的基礎設施）來生產智慧，以服務數兆美元的產業 [21:16]。
應用尚未普及： 目前大多數人還沒有使用 AI，未來幾乎所有日常時刻都會與 AI 互動，從低使用率到持續使用，基礎設施的建置才剛開始 [22:17]。
下一個 AI 前沿：超越語言的智慧
專家們普遍認為，LLM 雖然強大，但並非通往通用人工智慧（AGI）的終點：
Fei-Fei Li： AI 仍是一個年輕的科學領域（不到 70 年）[26:19]。除了語言，還有許多「新邊疆」需要征服，例如空間智慧，這是感知與行動之間的關鍵，但目前最強大的語言模型卻在基本空間測試中失敗 [27:06]。
Yann LeCun： 他認為當前 LLM 範式可以推向人類智慧的觀點，才是一種「泡沫」[29:02]。他強調，在空間和機器人領域，AI 仍遠不如一隻貓聰明，因此仍需要科學突破才能邁向下一個 AI 世代 [29:21]。
AGI 的時間表：一個持續的進程
對於通用人工智慧（AGI）的預測，各位專家的看法各有側重：
Geoffrey Hinton： 如果將 AGI 定義為一台「總能在辯論中獲勝」的機器，他認為這將在 20 年內實現 [32:29]。
Yoshua Bengio： 他觀察到 AI 規劃能力（plan over different horizons）在過去六年呈指數級增長，若此趨勢持續，AI 在工程任務中的能力可能在 五年內達到人類員工的水平 [34:06]。
Jensen Huang： 他認為 AGI 是否到來的問題「不重要」，因為技術已經在那裡並會不斷進步，重點在於將其應用於解決重要的問題 [32:06]。
Fei-Fei Li： 她主張採取細微且務實的觀點。AI 的部分能力（如識別 2.2 萬種物體、翻譯 100 種語言）已經超越了人類 [31:04]。AI 將成為強大的輔助工具，但人類智慧仍有其不可取代的深刻地位 [31:20]。
總結來說，儘管 AI 正處於一個革命性的商業和應用爆發期，但對於科學家而言，通往更全面的智慧形式（尤其是空間和機器人領域）的征程才剛剛開始，仍需要新的範式突破 [35:10]。