内容来源：汇编至网络公开资料。
思维方式
AI把活都接走了，人还干什么？什么样的人反而更值钱？
10月28日，斯坦福以人为本人工智能研究院的闭幕对话，李飞飞采访了杰夫·迪恩（谷歌第20号员工）。
迪恩说，我们集体要做什么，得由人来想清楚。李飞飞说，数学家在那些问题里看到的不只是解法，还看到美。
两个人各说了一半，迪恩守的是积累，李飞飞守的是方向。
合起来，就是AI时代最不容易被替代的两类人。
一、机器接管了“解”，没有接管“选”
迪恩开场就提出：光有好的基础模型，解决不了我们想解决的问题。要在模型之上加智能体，才能真正用工具把复杂的任务做完。
很多公司做AI都是这个套路：接一个模型，做个对话框，挑几个场景试。单个任务都能干，一串起来就不行。
真实的活儿不是一问一答，是一串动作：查数据、调工具、跑实验、看结果、改方案、再来一轮。
模型会其中一步，但不会把这一串串起来。
审一份合同，有六步：读条款、比标准库、标风险、写修改意见、回给业务确认、再改一遍。
每一步都不难，难的是衔接：哪步该调工具，哪步结果不对要回头重跑，哪步必须等人签字。
模型能写修改意见，但不知道这份合同该不该回头重跑，智能体就管这个。
模型是发动机，智能体是传动。
李飞飞插了一句：真正打动你们的，是这个循环。
Discovery Loop（意为发现循环）定的目标，是把领域专家的效率提高20到50倍。
这个数字是怎么来的？
一个科学家一天里真正想问题的时间可能不到两成，其余都花在写脚本、调环境、跑批处理、整理结果、画图。
循环压掉了这些手工活，人就更有时间思考。
这些事AI都能帮上忙，但我们要做什么，得由人来想清楚。
机器给的是答案，人给的是问题和方法。答案解决一道题，方法解决一类题。
选题这件事，机器到现在还不会。
二、第一类人：
在一个地方扎得够深的人
李飞飞在另一场访谈里有个比喻：AI是放大镜，不是替代者。
她说，真正该被讨论的问题，不是AI能不能替代你，而是你有没有可以被放大的东西。
工具便宜到不要钱时，人和人的差距就回到最原始的地方：你原来会什么。
过去会用一个软件、熟一套流程、知道找谁签字，都算本事。这一层被抹平了，底下剩什么才见真章。
迪恩讲了一个细节：系统解过5000个问题，解第5001个时，该从最相近的那批问题里学。
老手和新手的差别也在这：不是记得多，是知道该调哪段经验。
还有两个例子，都来自他自己的经历里。
一个是蒸馏。他和辛顿、维纳尔斯那篇论文，讲拿一个又大又贵又笨重的模型当老师，教出一个轻巧的学生。
顺序很重要，先有那个笨重的老师，才教得出轻巧的学生。人也一样，没下过笨功夫，直接求巧，巧就是敷衍。
另一个是 Transformer（今天大模型的地基架构）。他说那篇论文最妙的地方，是把走过的状态全留下来，再回头看哪些重要；不像以前，来一个新状态就把前面的忘了。
人也一样：别来一件新事，就把前面攒的全丢了。
深的功夫，都是攒出来的，不是临时找出来的。
企业也一样。想用AI加速的一件事，先问循环断在哪一步。
断在电脑里的，今年就能提；断在线下、断在人手上的，别按软件的速度排计划，得另想办法。
三、第二类人：
清楚知道自己要做什么的人
对话最后，李飞飞问了个跟技术无关的问题。她说现在的学生很焦虑，连斯坦福毕业生都在担心工作和往后的日子，问迪恩有什么话对他们说。
迪恩的回答是：我完全理解这种焦虑，世界变化太快。为一个快速变化的未来做规划，本来就很难。
他给了一个简单的办法：看看有哪些新技术正在冒出来，再想想怎么把它用在你最想做的那件事上。
当医生，写东西，把软件写得更好，都行。想清楚自己要做什么，然后在这件事上做到最好。
李飞飞也提出一个观点：在AI时代，人的热情依然是永恒的。
其实，两个人说的是同一件事：工具管怎么干，方向得自己定。
看他们自己创业的时机，也是这个路子。李飞飞办 World Labs（空间智能公司），是因为看见计算机视觉和生成模型合到了一起，机器能做出文字之外的东西。
迪恩那边，Quoc（他后来的创业搭档）十年前做神经架构搜索，划个搜索范围还得用 Python（一种编程语言）写一堆很难看的代码；现在直接跟模型说一句，去试试哪些架构能读核磁共振图像，它就去了。
门槛降到这一步，他才觉得该动手。
李飞飞问迪恩：你们四个都是谷歌老人，有没有那么一刻，觉得非得做点不一样的事，而且这事在谷歌做不成？
迪恩的答案是两个字：专注。小团队所有人都盯着同一件事，没有大组织那些“轻微”的干扰。
四、连他都看错了，凭什么我们敢赌
前面两类人，一类靠积累，一类靠方向。那预测这件事，到底靠不靠得住？
对于这个问题，李飞飞也问了迪恩。迪恩的第一句话是：我预测错了很多事。
他挑了最突出的一件：MoE（混合专家，把模型拆成一批小专家，用到谁叫谁）。
他原以为 MoE 只是开头，往后会出现更像人脑的架构：神经活动一列列汇回来，还有很长的跨连接，把网络远端连上。结果没有。
更没想到的是编程能力。
“编程能力后来有多重要，谁都看见了。我当时没看出来，它会是那把钥匙，让模型一下子能解很多种问题。”
他还说：在 Gemini（谷歌的大模型）项目里，编程是我们关注的事情之一，但不是最关注的那件。
看到这里，容易读出一个消极的结论：连他都看不准，那还判断什么。
他给过方法。离职后第一场公开对谈里，主持人问他，怎么分辨一件事是真突破还是一时风潮。他给了三条：一条管值不值得做，一条管从哪儿下手，一条管做不做得成。
第一条，一个数量级才算数。2017年 MoE 让他下决心，是因为训练效率提升了将近10倍。他的说法是，看到一个想法能带来一个数量级的改进，那通常不是优化，是能改变整个方向的东西。百分之几的改进叫工程，十倍才叫转向。
第二条，看他怎么挑题。一个值得投入的难题，应该能拆成七个子问题：五个，同行已经有苗头、快解决了；两个，完全不知道怎么办。太确定的是纯工程，太未知的要等二十年。
第三条，动手之前先在信封背面算一遍。这件事要跑多久，数据传得动吗。
三条里没有一条是预测。全是筛选。
而筛子本身是攒出来的。你能一眼估出数量级，是因为在这行里泡了二十七年；你知道哪五个子问题快成了，是因为你读得够多。他有个习惯：与其精读一篇论文，不如快读十篇，甚至扫一百篇摘要。他说脑子里要有一张不断更新的地图，等这些点自己连成线。
所以对普通人来说，真问题不是“AI三年后会变成什么样”，是“我手上这件事，是百分之几的改进，还是一个数量级的改变”。
五、结语
在访谈中，李飞飞提到一个概念：递归自我改进。
她讲了个特别生活的例子。她说自己做饭很烂，第一次做煎蛋卷准烧糊，第二次好点，做十次能凑合吃了，“我会吃，我的孩子不会吃”。这叫自我改进。
可这过程里她脑子也变了，神经连接变了，才有了做煎蛋卷更好的那个系统。真要讲硬件升级，她说，也许我能长出第六根手指。
迪恩答得又进了一层：人两样都是。这辈子学会做煎蛋卷、做微积分，是自我改进；可你同时也在学怎么学。学怎么学，才是递归那一层。
回到我们自己，我们在做事的过程中究竟是在长本事，还是把同一件事做了十遍？
这值得你我思考一番。
*文章为作者独立观点，不代表笔记侠立场。
