这是一场史无前例的对话。
想象一下，如果物理学界的爱因斯坦、波尔和海森堡围坐在一起，讨论量子力学的诞生与未来，那会是怎样的场景？
今天我们见证的，正是计算机科学界的这一时刻。2025 年伊丽莎白女王工程奖的获奖者们——包括 黄仁勋（Jensen Huang）、Geoffrey Hinton、Yann LeCun、Yoshua Bengio、Fei-Fei Li（李飞飞） 以及英伟达首席科学家 Bill Dally——齐聚圆桌。
人类群星闪耀时！
他们六人，被誉为地球上最聪明、对当今世界影响最深远的大脑。是他们的坚持，让深度学习走出了漫长的寒冬；是他们的远见，构建了支撑当今 AI 时代的算力基石与数据海洋。
在这场对话中，他们不仅回溯了各自职业生涯的“顿悟时刻”，更直面了当下的尖锐问题：AI 究竟是泡沫，还是新的工业革命？通用人工智能（AGI）距离我们还有多远？
以下是本次对话盛宴的深度解读。
01
那些改变历史的“顿悟时刻”
伟大的变革往往源于微小的火花。对于这几位先驱来说，今天的 AI 盛世，始于几十年前那些孤独却坚定的瞬间。
1. 寻找智能的物理定律
对于 Yoshua Bengio 来说，一切始于研究生时期。当他读到 Geoffrey Hinton 早期的论文时，一种直觉击中了他：也许智能并非复杂的规则堆砌，而是像物理定律一样，遵循着几条简单的原则。
这种对“简单原则”的信仰，贯穿了深度学习的发展史。而在 40 年后，当 ChatGPT 横空出世，Bengio 迎来了人生第二个，却更为沉重的顿悟时刻：“糟糕，我们在做什么？”
他意识到，如果机器真的理解了语言，拥有了目标，而人类无法控制这些目标，后果将不堪设想。
这种危机感，让他如今将全部精力转向了 AI 安全领域。
2. 算力与数据的双重觉醒
Geoffrey Hinton，这位“AI 教父”，早在 1984 年就尝试用反向传播算法训练微型语言模型。
“它能学会单词的含义，能通过特征的相互作用预测下一个词。基本的原理与今天的大模型完全一致，只是当时我们的规模太小了。”
Hinton 感慨道，为了这“太小了”的一步，人类走了整整 40 年。之所以漫长，是因为当时的人们并不知道，阻碍 AI 发展的不是算法本身，而是算力和数据。
这正是黄仁勋（Jensen Huang）和 Bill Dally 登场的时刻。
Bill Dally 在 90 年代末意识到，计算的瓶颈不在于算术，而在于内存读取的巨大能耗。他提出的流处理（Stream Processing）架构，最终演变成了 GPU 计算的雏形。
而黄仁勋的“顿悟”发生在 2010 年。
当时，吴恩达（Andrew Ng）告诉他，谷歌用了 16,000 个 CPU 来识别猫。黄仁勋与团队在英伟达用了 48 个 GPU 复现了同样的实验。
当看到结果的那一刻，黄仁勋确信：这就是英伟达的未来。
他意识到 GPU 不应只为图形服务，而应成为深度学习的专用引擎。
3. 被遗忘的拼图：数据
与此同时，李飞飞（Fei-Fei Li）在 2006 年正经历着挣扎。作为第一代机器学习研究者，她发现无论怎么优化算法，机器的泛化能力都很差。
“我们意识到，这一块拼图里缺少了最重要的一环：数据。”
人类在成长过程中被海量数据淹没，而当时的机器却处于“数据饥渴”状态。于是，她做了一个当时看来疯狂的决定：构建 ImageNet。
历时三年，整理 1500 万张图片，涵盖 22,000 个类别。
ImageNet 的诞生，直接引爆了后来的深度学习革命。它证明了一个朴素却深刻的道理：大数据驱动机器学习。
02
是泡沫，还是新的工业革命？
当下的 AI 热潮，究竟是 2000 年互联网泡沫的重演，还是真实的需求爆发？
面对这个问题，黄仁勋给出了极其坚定的回答。
1. 每一块 GPU 都在全速运转
黄仁勋指出，互联网泡沫时期，电信公司铺设了大量并没有被使用的“暗光纤”（Dark Fiber）。基础设施远远超前于需求。
“但今天，你能找到的几乎每一块 GPU 都在被点亮、被使用。”
他提出了一个极其深刻的视角转变：我们要重新理解软件的本质。
在过去，软件是工具。我们购买软件，是为了让人更好地工作。软件是预先编译好的，运行时需要的算力很小。
而在 AI 时代，软件变成了“劳动”。
AI 模型必须在当下实时生成智能（Intelligence），它需要具身感知上下文。这意味着，计算不再是简单的执行指令，而是在生产价值。
“我们正在建立的是’智能工厂’。这在历史上从未发生过，计算机成为了工厂的一部分，用来生产名为’Token’的智能产品。”
黄仁勋认为，这是一个数千亿美元的基础设施建设周期，旨在服务数万亿美元的上层产业。
目前，大多数人还没有在日常生活中高频使用 AI，从现在的低渗透率到未来的全天候使用，中间巨大的增长空间，就是算力建设的理由。
2. 并非所有的泡沫都是坏事
Yann LeCun 和 Yoshua Bengio 则提供了更冷静的补充。
LeCun 认为，只要模型变得更高效、更聪明，应用场景就会无限扩大。但他同时也警告，如果公众期望 LLM（大语言模型）能直接演化为人类水平的智能，那确实存在泡沫。
“LLM 并不是终点。如果你认为当前的范式直接推演就能实现 AGI，那可能会失望。”
Bengio 也同意这一点：目前的投资并没有浪费，因为即使是现有的技术，也足以支撑智能穿戴设备等海量应用。但要实现真正的超级智能，还需要科学上的突破，而不仅仅是工程上的堆砌。
03
下一代 AI：超越语言，重返物理世界
既然 LLM 还有局限，那么下一座圣杯是什么？
1. 空间智能（Spatial Intelligence）
李飞飞指出，虽然大模型在语言上表现出色，但如果你让它处理最基本的物理空间任务，它可能会一败涂地。
人类的智能远不止语言。
我们的感知、行动、与物理世界的交互，构成了智能的基石。她正在致力于“空间智能”的研究，这是连接感知与行动的桥梁。
Yann LeCun 也持相同观点。他一直强调，我们需要从“大语言模型”转向“世界模型”。现在的 AI 只是通过预测下一个词来“模仿”逻辑，它并不真正理解物理世界的因果关系。
我们至今没有造出哪怕像猫一样聪明的机器人。因为猫不需要语言，就能理解重力、惯性、物体恒存性，并能在复杂的环境中生存。 这是目前 AI 极度欠缺的能力。
04
AGI 还有多远？
对话的最后，主持人抛出了终极问题：我们距离机器智能超越人类，还有多少年？
这个问题的答案，展现了顶级大脑们的不同哲学。
- Geoffrey Hinton：20 年内。如果是指“在辩论中永远赢过人类”，那可能更快。
- Yann LeCun：这不是一个单一的“事件”。机器的能力会在不同领域逐个超越人类，但这将是一个渐进的过程。
- Fei-Fei Li：这不仅是时间问题，更是定义问题。机器可以识别 2 万种物体，翻译 100 种语言，这已经超越了人类。但人类独有的创造力、同理心，是机器难以替代的。
- 黄仁勋：答案并不重要。
黄仁勋的回答最为务实，也最为震撼。
无论那是哪一天，重要的是我们现在就在使用它。这项技术在不断变好，我们将用它解决无数具体的问题。
未来不是等待来的，而是我们在解决问题的过程中被构建出来的。
也许，这正是这群先行者给我们的最大启示：与其争论 AI 何时统治世界，不如现在就动手，用它来重塑我们的世界。
原始视频：The Minds of Modern AI: Jensen Huang, Geoffrey Hinton, Yann LeCun & the AI Vision of the Future
【全文完】
// 广告时间
我建了一个相关的付费微信群，这个群大概会涉及到下面一些内容：
- 与 AI 相关的一手信息
- 围绕 AI 时代如何学习与创造的实践分享
- 不定时的直播分享
- 群友自由讨论交流
感兴趣的可以单独加我上面的微信，麻烦备注 “申请入群”，期待更多有趣、深入的讨论！
注：为了保证社群交流的质量，设了一个门槛费用，99 元/人/永久！若介意，请勿扰！
另外，符合下面条件的，可申请折扣或免费加入：
- 在读学生，29 元/人
- 以前参加过我在竹白发起的针对小朋友的 dailyup 每日挑战的付费朋友，可免费加入
- 有其它正当理由，希望折扣或免费加入的朋友