大家都在讨论 AI 会取代多少工作,点燃深度学习的李飞飞给出冷静答案。AI 的上限,藏在那些无法数字化的私人体验里。读懂这份边界,帮你避开 AI 焦虑,重新理解学习和创造力
寒武纪之前,生物只有简单的触觉感知。当感光细胞出现,生命第一次 “看见”,主动搜寻、躲避危险,直接引爆寒武纪生命大爆发。李飞飞在 Huberman Lab 的对话,就从这个演化故事切入。
人类大脑皮层近一半活动都服务于视觉;而现代计算机视觉,正是模仿生物视觉逐层处理信号的逻辑一路发展而来。当年所有人都在拼命优化算法,李飞飞却发现,AI 的瓶颈不在算法,而在缺少足够多、足够丰富的视觉数据,这才有了改变行业的 ImageNet 数据集。
AI 视觉和人眼视觉有一个本质区别。人类是带着身体、情绪、过往记忆去 “看”;AI 只是在海量图片里匹配像素模式,它没有 “看见” 的主观感受。
ImageNet、神经网络、GPU 算力,三者相遇,才在 2012 年迎来深度学习的转折点。后来 Transformer、大语言模型、Sora 视频生成,底层逻辑没变:充足数据 + 模型架构 + 强大算力。
很多人惊叹 Sora 能生成逼真视频,但李飞飞提醒我们:它并不懂生物骨骼、肌肉运动原理,只是记住海量视频里 “看起来合理” 的画面。就像小孩认出露出半截的猫尾巴,二者学习路径表面相似,底层机制完全不同。
孩子看过寥寥几只猫就能举一反三,这种小样本、带主观感知的学习方式,至今是 AI 很难复刻的难题。
互联网是人类数字化行为的巨大图书馆,文字、照片、视频、音乐都可以录入,AI 正是靠着这些数据变强。但还有一大片人类体验,永远无法被采集。
毕加索落笔那一刻脑海一闪而过的念头、一只旧杯子勾起独属于你的童年记忆、心底说不清道不明的微妙情绪。这些感受没有被记录、没有数字化,就不会进入训练数据,AI 永远无法真正体会。
AlphaGo 那著名的第 37 手,常被称作 AI 创造力。但李飞飞点明:围棋规则封闭、目标清晰,这是规则内的组合创新,不是人类那种带着生命体验的创造。
AI 可以模仿情绪话术,但它没有 “体感锚点”。人之所以能共情,是因为自己经历过疼痛、失落、温暖;AI 只是学习语言模式,没有真实的生命体验作为支撑。
很多人期待未来脑机接口,直接读取人脑想法。李飞飞把直觉分成两层:浅层直觉是可以用提示词模拟的上下文风格;深层直觉来自激素、身体感受、过往隐秘记忆,连我们自己都说不清来源。
你隐隐察觉到身边人的低落,却说不出依据;这种根植于肉身、模糊、私人的感知,没有传感器可以完整捕捉。同样,人类自带内在动机、紧迫感;AI 的目标只是写在代码里的目标函数,不存在发自内心的渴望。
AI 最适合做海量信息检索、跨领域知识串联,辅助科研突破。但医疗场景给了清晰边界:每个人脏器结构存在差异,数据样本不足时,AI 自主手术风险极高,人机协同才是稳妥方案。 她以照顾年迈父母的经历谈到养老机器人:机器人适合替代搬运、陪护体力活,但无法替代家人的陪伴与情感联结。
教育层面,她提出一个很有启发的观点:苏格拉底,才是人类历史上最好的提示词工程师。提问、追问、思辨,这套对话方法,恰恰是 AI 时代最该教给孩子的能力。既不要盲目禁止 AI,也不要放任孩子放弃独立思考。
李飞飞回到斯坦福创办以人为本人工智能研究院,正是担心技术的决策权,只掌握在少数硅谷从业者手里。AI 不是单纯的技术问题,关乎普通人、老师、孩子、老人的选择权。
技术浪潮里有两种危险:一是工具夺走人的学习动机,习惯等待 AI 给出现成答案;二是一刀切封锁 AI,拒绝拥抱新工具。教育的目标,是守住人的 “能动性”—— 人掌握工具,而不是被工具驯化。
这篇访谈最珍贵的价值,是打破了两种极端的 AI 叙事:一边鼓吹 AI 无所不能、很快取代人类;另一边恐慌 AI,主张全盘抵制。亲手推动计算机视觉革命的李飞飞,冷静划出 AI 的能力边界。 AI 擅长处理已经被数字化、有大量样本的模式;但根植于肉身、私人记忆、模糊直觉、生命体验里的感受,是它难以抵达的领域。
未来的竞争,不是比拼谁会使用提示词,而是能不能守住人的独特感知、思辨能力与共情能力。 对于普通人、家长、教育者而言,不必恐慌 AI,也不要神化 AI。把 AI 当成放大能力的工具,同时刻意练习那些无法上传、无法复制的思考与感受,才是我们在数智时代站稳脚跟的核心。