李飞飞对话杰夫·迪恩：AI接手执行之后，哪两类人更值钱？

活都让 AI 干了，人还能做什么？哪类人反倒更吃香？

10月28日，在斯坦福以人为本人工智能研究院的闭幕对话上，李飞飞对谈杰夫·迪恩——谷歌的第 20 号员工。

迪恩的看法是：我们集体到底要做什么，这件事得由人来想明白。李飞飞则说，数学家在那些问题里看到的不光是解法，还有美。

两人各讲了一半：迪恩守住的是积累，李飞飞守住的是方向。

两边合到一起，指向的就是 AI 时代最难被取代的两类人。

一、机器拿走了“解”，没拿走“选”

迪恩一上来就抛出观点：只有好的基础模型，并不足以解决我们想解决的问题。得在模型之上叠加智能体，才能真的借助工具把复杂任务做完。

不少公司做AI走的都是同一条路：接个模型，搭个对话框，再挑几个场景试一试。单拎出来一个任务都能跑，可一旦串成链条就卡住了。

可真实的活儿从来不是一问一答，而是一连串动作接续进行——查数据、调工具、跑实验、看结果、改方案，再来一轮。模型能记住中间某一步，却没法把整串流程串起来。

拿审合同来说，前后有六步：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。

单看每一步都不算难，真正难的是衔接：哪一步该去调工具，哪一步结果不对得回头重跑，哪一步又必须等人签字。

写修改意见模型没问题，但这份合同该不该回头重跑，它就判断不了了，这正是智能体负责的部分。

模型好比发动机，智能体则是传动。李飞飞在这里插了一句：真正打动你们的，是这个循环。

Discovery Loop（意为发现循环）定下的目标，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用来想问题的时间，可能还不到两成，剩下的都耗在写脚本、调环境、跑批处理、整理结果、画图上。

这些手工活被循环压掉之后，人就能腾出更多时间去思考。

人得决定自己干什么，至于执行，AI能搭把手。

机器交出的是答案，人交出的是问题和方法。一个答案对付一道题，一套方法对付一类题。

挑什么题来做，机器到今天还没学会。

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打过比方：AI是放大镜，不是替代者。

她认为，该讨论的不是AI会不会把你换掉，而是你身上有没有能被放大的东西。

等工具便宜到几乎白送，人与人之间的差距就退回最原始的地方：你原本会什么。

从前会用某个软件、熟悉一套流程、知道该找谁签字，都算本事。如今这一层被抹平了，底下剩下什么才见真章。

迪恩提到一个细节：系统已经解过5000个问题，再解第5001个时，应当从最相近的那一批问题里学。

老手和新手的差别也在这里：不在于记得多，而在于清楚该调哪一段经验。

他自己还讲过两个例子。

头一个是蒸馏。他和辛顿、维纳尔斯合写的那篇论文，说的是让一个又大又贵又笨重的模型当老师，带出一个轻巧的学生。

次序不能乱。得先有那个又笨又重的老师，才带得出来轻巧的学生。放到人身上也是这个理：笨功夫没下过，一上来就图巧，那巧是糊弄。

再一个就是 Transformer，眼下大模型都建在这套架构上。迪恩说，那篇论文最妙的一手，是把一路经过的状态都留着，回头再看哪些要紧；从前不是这样，来了新状态，旧的就扔了。

做人也一样：不能来一件新事，就把先前攒下的全丢了。

深厚的功夫全靠一点点积攒，不是临时翻出来的。

企业同理。想拿 AI 提速某件事，先弄清楚循环卡在哪一环。

卡在电脑这一端的，今年就能见效果；卡在线下、卡在人手上的，别照着软件的节奏排计划，得换个法子。

三、第二类人：清楚知道自己要做什么的人

聊到最后，李飞飞抛出一个与技术无关的问题。她说如今的学生很焦虑，斯坦福的毕业生也在为工作和往后的生活发愁，问迪恩有什么话可以送给他们。

迪恩答，这种焦虑我完全理解，世界变得太快。要给一个快速变化的未来做规划，本来就难。

他给的法子很简单：先看看眼下冒出了哪些新技术，再琢磨怎么把它用到你最想做的那件事上去。

当医生、写东西、把软件写得更好，都成。想明白自己要干什么，然后在这件事上做到最好。

李飞飞也讲了自己的看法：到了 AI 时代，人的热情照样是永恒的。

说白了，两人聊的是一回事：怎么干活交给工具，往哪儿走得自己拿主意。

他们各自创业的时间点，走的也是这条线。李飞飞创办空间智能公司 World Labs，起因是她看到计算机视觉与生成模型走到了一起，机器能产出文字以外的东西。

迪恩这边，他后来的创业搭档 Quoc 十年前搞神经架构搜索，圈定搜索范围得用 Python 写一大段相当难看的代码；如今只要跟模型说一声，去找找哪些架构能读核磁共振图像，它就动手了。

门槛压到这么低，他才认定动手的时候到了。

李飞飞问迪恩：你们四个都是谷歌的老员工，有没有哪个瞬间，觉得非做点不一样的事情不可，而且这事在谷歌还做不成？

迪恩回了两个字：专注。小团队里每个人盯的都是同一件事，大组织那种“轻微”的打扰不存在。

四、连他都看走了眼，我们凭什么敢下注

前面说的两类人，一类靠积累，一类靠方向。那预测这件事本身，究竟靠不靠得住？

这个问题，李飞飞也抛给了迪恩。迪恩开口第一句就是：我预测错的事情多了。

他挑了个最典型的例子：MoE（混合专家，把模型拆成一批小专家，用到谁就叫谁）。

他原本以为 MoE 只是个起点，后面会冒出更接近人脑的架构：神经活动一列列汇拢回来，再加上很长的跨连接，把网络远端接起来。结果并没有。

编程能力更是出乎他的意料。

“编程后来变得多关键，大家都看到了。可当时我没意识到，它会成为那把钥匙，让模型一下能解开许多类问题。”

他另外提到，在谷歌的大模型 Gemini 项目里，编程属于他们关心的方向，却排不进最上心的那一个。

读到这里，很容易得出一个悲观判断：连他都没看准，那还判断个什么。

方法他其实讲过。离开岗位后的首场公开对谈中，主持人问他，怎样判断一件事是真突破还是短暂风潮。他给出三条：一条判断值不值得做，一条判断从哪里切入，一条判断能不能做成。

第一条，得达到一个数量级才算数。2017年 MoE 让他下定决心，原因就是训练效率提高了将近10倍。他的原话大意是，一旦某个想法能带来一个数量级的提升，那往往不是优化，而是足以改变整个方向的东西。百分之几的提升属于工程，十倍才称得上转向。

第二条，看他如何选题。一个值得投入的难题，应当能拆成七个子问题：其中五个，同行已有苗头、接近解决；另外两个，谁都不知道该怎么下手。太确定的是纯工程，太未知的则要等上二十年。

第三条，动手前先拿信封背面算一笔账。这件事要跑多久，数据传得动吗。

三条里没有一条在预测。它们做的全是筛选。

而这套筛子本身是慢慢攒出来的。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。他的说法是，脑子里要有一张不断更新的地图，等这些点自己连成线。

所以对普通人而言，真正的问题不是“AI三年后会变成什么样”，而是“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

访谈里，李飞飞提出了一个说法，叫递归自我改进。

她举的例子很日常：自己做饭水平很差，头一回摊煎蛋卷必定糊锅，第二回好一些，做上十次勉强能入口，按她的原话是“我会吃，我的孩子不会吃”。这就叫自我改进。但这个过程里她的脑子也变了，神经连接跟着变，才冒出那个能把煎蛋卷做得更好的系统。要说硬件层面的升级，她表示，说不定自己还能长出第六根手指。

迪恩的回答更进一层：人其实两样都占。这辈子学会摊煎蛋卷、学会微积分，属于自我改进；与此同时你还在学“怎么学”。学怎么学，才是递归的那一层。

拉回到自己身上：干活的过程里，究竟是在长本事，还是把同一件事重复做了十遍？

这个问题，值得每个人想一想。

*文章为作者独立观点，不代表笔记侠立场。