8.7
深览指数
科技微博·机器之心Pro··AI 生成
「机器学习之父」Jordan：Hinton等「思想领袖们」正在伤害年轻一代
机器学习奠基人 Michael I. Jordan 在访谈中尖锐批评当前 AI 领域的公共讨论被两极化的「思想领袖」所主导，认为无论是乌托邦式的乐观还是末日预言，都在伤害有志于技术的年轻人。他区分了自己与 Hinton、Russell 等人基于认知科学和神经科学的思维范式，主张 AI 必须引入经济学与社会科学的系统性框架，从「个体智能」转向「集体主义」视角。文章核心贡献在于提出了一个结合计算、统计与激励机制的三角框架，并揭示了 LLM 等基础模型在知识边界上因训练数据稀疏而产生的系统性偏倚问题——即模型在未知领域自信地给出错误答案。适合对 AI 底层范式有反思需求的从业者或研究者阅读。原文 ↗
核心观点
- ▍Jordan 认为当前 AI 领域被错误的思维范式主导：主流讨论将智能窄化为个体认知（大脑/神经元/梯度下降），而忽略了人类作为社会动物，智能本质上是在集体语境中通过信息聚合与经济互动实现的。
- ▍Jordan 提出 AI 的系统性框架应是「计算科学 + 统计学 + 经济学」的三角组合：计算提供模块化与抽象，统计学处理不确定性推断，经济学解决多主体间的激励机制与博弈均衡问题。
- 01Jordan 将自己定位为统计学家和认知科学家，而非 AI 研究者。他指出，真正在工业界产生巨大影响的机器学习方法（决策树、逻辑回归、隐马尔可夫模型）大多不是从 AI 领域发展出来的，而是来自统计学与运筹学。
- 02他以亚马逊早期使用随机森林进行供应链建模为例，说明机器学习的核心价值在于「降低不确定性」和「让工程系统建立在它之上」，而非「理解」或「智能」这类抽象概念。
- 03Jordan 团队通过分析 AlphaFold 在蛋白质结构预测中的应用发现：基础模型在知识边界（训练数据稀疏的领域）表现最差、偏倚最大，且不会主动告知自身的不确定性，导致置信区间虽然窄却偏离真实值。
- 04他将「不确定性」细分为三种类型：采样不确定性（经典统计学）、信息不对称（经济学/合同理论）、数据时效性（元数据缺失），认为 LLM 对此完全无知，只是模仿了互联网上人类表达不确定性的语气。
- 05Jordan 指出，LLM 在回答「你有多确定」时极端化（要么极度自信要么极度不确定），是因为训练数据里人类表达的语气分布不均匀，模型只是复现这些模式，而非真正理解不确定性。
反方 / 局限
- — Jordan 将 Geoffrey Hinton、Stuart Russell 等「思想领袖」对 AI 风险的末日描绘称为「科幻小说」，认为这种叙事背后缺乏经济学思考，且以巨大的音量排挤了其他建设性的讨论空间。
- — 他认为硅谷流行的「多智能体系统会自动涌现复杂经济行为」的观点，就像1940年代的化学工程师把一堆东西扔在一起希望它自动工作，最终会得到经济上不可行的结果并伤害很多人。
- — Jordan 批评当前行业缺乏真正的智识深度——上一代工程学科有麦克斯韦方程组、牛顿定律作为基础方程，而 AI 领域只有直觉和代码，感觉像科幻小说。
Michael I. JordanGeoffrey HintonStuart RussellAndrew NgYoshua BengioRichard SuttonJohn JumperAlphaFoldAGI集体主义经济学预测驱动推断
18 分钟 · 4 卡片 · 10 资料
读原文 →