AI先驱圆桌对话：通用智能的现状、分歧与未来演进

2025年11月7日，在伦敦伊丽莎白女王工程奖颁奖典礼结束后，一场汇聚人工智能领域顶尖先驱的圆桌对话，正悄然改写全球对AI未来发展的认知框架。

六位与会者并非普通行业代表，而是塑造这波AI革命浪潮的核心人物：

Geoffrey Hinton、Yoshua Bengio、Yann LeCun：他们被誉为深度学习的三大奠基者；

李飞飞：ImageNet数据集发起人、空间智能研究开创者；

Bill Dally：GPU计算架构的总设计师；

黄仁勋：AI工业化进程的最大推动者。

这是一次极为罕见的思想碰撞与集体对话。

核心议题聚焦于一点：通用人工智能（AGI）是否真的已经来临？

无人提供标准定义，也无人宣告技术彻底成熟。但在持续30分钟的交流中，六位先驱从各自视角传递出同一信号：AGI不再遥不可及，它已开始在现实世界中发挥作用。

Hinton预言：20年内，机器将在辩论中战胜所有人类。

黄仁勋指出：我们今天就在运用AGI级别的智能处理实际工作。

李飞飞强调：在某些领域机器已超越人类，但进化方向未必是人类化。

LeCun则直言：当前大模型不等于真正智能，我们连像猫一样聪明的机器都尚未造出。

分歧背后，隐藏着一个共识：技术范式正在发生根本性转变。

第一节 | 四十年积累：AGI的演进之路

当主持人提问：你人生中那个顿悟时刻是什么？那个引领你走上AI之路的瞬间，六人依次分享了各自的起点。

这些故事跨越数十年，却拼接出一条清晰的时间线：今天的AGI，并非突变产物，而是四十年逐步演化的成果。

Yoshua Bengio回忆，他首次对AI产生浓厚兴趣，是在研究生时期读到Geoff Hinton的早期论文。那时，他突然顿悟：人类智能背后或许存在一套简洁原理，类似物理定律。

正是这一发现，驱使他投身神经网络研究。

几十年后，当ChatGPT问世，他经历第二次震撼：我们究竟在创造什么？我们构建了能理解语言、拥有目标的机器，但如果其目标与人类不一致，后果如何？

于是他彻底转向AI安全与伦理研究，将理解智能转变为约束智能。

Geoffrey Hinton的记忆更为久远。

1984年，我尝试让一个小模型预测句子中的下一个词，它能自主学会单词间关系。那是一个微型语言模型。当时仅有100个训练样本，但我已窥见未来雏形：只要模型能预测下一个词，它就能开始理解世界。

那便是后来所有大语言模型的原型，只是当时缺乏算力与数据。

他停顿后补充：我们耗费40年，才迎来今日成果。

Bill Dally经历了两次关键顿悟。

第一次在90年代末的斯坦福。他思考如何解决内存墙问题，即访问内存的能耗与时间成本远高于计算本身。他构思将计算组织成由数据流连接的内核，从而以更少内存访问完成更多运算。

此想法后来发展为流处理，最终演化为GPU计算。

第二次是2010年的一次早餐。我与吴恩达在斯坦福共进早餐，他提及Google使用1.6万个CPU训练神经网络，让机器从网络图像中识别猫。那一刻，Dally意识到，这不再是实验室幻想，而是一种可规模化的计算模式。他返回NVIDIA，与Brian Catanzaro用48个GPU复现实验。结果让他彻底确信：GPU正是深度学习的核心引擎。

我们必须为深度学习专门设计GPU，他说，那次早餐改变了NVIDIA的方向，也重塑了我的职业生涯。

李飞飞的顿悟源于另一维度：数据。

人类智能在成长初期被海量感官数据淹没，但机器缺乏此环境。

2006至2007年间，她从研究生过渡为年轻教授，尝试了贝叶斯、支持向量机、神经网络等多种算法，但机器仍无法泛化，难以识别新样本。

她与学生最终意识到：缺失的不是算法，而是数据。

于是他们决定做一件当时看似疯狂的事：三年内手工标注1500万张图片，创建ImageNet，涵盖2.2万个类别。该数据集后来成为AI视觉革命的基石，让机器首次获得看懂世界的能力。

她表示：大数据驱动机器学习，这是当今所有AI扩展定律（Scaling Law）的基础。

Yann LeCun是最早的同行者之一。

我本科时就被一个想法吸引：让机器自主学习，而非被动教导。1983年读研时，他首次读到Hinton的论文；两年后，两人在一次午餐相遇，发现思想共鸣。

我自觉太懒或太笨，无法手写智能规则。让机器自组织学习，这才是生命的本质方式。

有趣的是，他与Hinton在80年代末争论：监督学习与无监督学习孰为出路？后来ImageNet的成功令领域暂转向监督学习。但到2016、2017年，他们意识到必须回归自监督学习。这正是当今大语言模型的训练方式。

四十年后，他仍坚持：智能核心在于自我组织，而非指令。

最后，黄仁勋分享。

对我而言，最关键的时刻是意识到芯片设计与深度学习系统的底层逻辑相通。

他解释，自己是首代能用高层抽象和结构化工具设计芯片的工程师。2010年前后，当看到深度学习同样采用框架与结构化方法开发软件时，他突然领悟：这与芯片设计的思维模式高度相似。

或许我们能像扩展芯片设计那样，扩展软件能力。

后来，当多伦多、纽约、斯坦福的研究团队几乎同时联系NVIDIA请求算力支持时，他明白：AI正从理论迈向工程。一旦算法能在单GPU上并行运行，就能扩展至多GPU、多系统、多数据中心。余下仅是工程外推。

六个故事串联，勾勒出AI四十年的演化图谱。

Hinton播下算法种子，Bengio将其转化为科学问题，LeCun赋予其自组织能力，李飞飞为其注入视觉感知，Bill Dally加速其运行，黄仁勋将其锻造为产业引擎。

当然，他们的工作远比此复杂，彼此交织、相互启发，但这六人确实共同奠定了今日AI的基础。

今日的AGI，非突然诞生的天才，而是这群人四十年共同书写的历史进程。

第二节｜时间线撕裂：AGI已来还是永不？

四十年前，他们各自踏上AI之路。四十年后，站在同一终点前，他们却眺见迥异的未来。

当主持人抛出问题：我们距离人类水平智能还有多远？

这是所有人无法回避、却从未共识的议题。

随后的几分钟，六人给出六种截然不同的答案。他们探讨的非模型进展或发布速度，而是真正意义上的智能机器——能理解、思考与行动的系统。

LeCun首先开口，直接否定问题前提。

这不会是一个事件。因为能力将在各领域逐步扩展。

或许未来五到十年，我们会在新范式提出上取得重大进展。然后进展会持续，但耗时比预期更长。

他的意图明确：勿等待奇点时刻，AGI是渐进而非突变。

李飞飞提出另一视角：问题不该是AI是否超越人类，而是哪些方面已超越。

机器的部分能力将超越人类智能，有些已然实现。我们中有多少人能识别2.2万物件？翻译百种语言？

她接着说：犹如飞机比鸟飞得更高，但方式截然不同。基于机器的智能将成就诸多强大之事，但人类智能在人类社会中始终占据关键地位。

她的核心是：超越已发生，但非复制或替代。

黄仁勋则全然不同。他未提具体年份，反而当场质疑问题本身。

我们已具备足够通用智能，可在未来几年将技术转化为大量对社会有益的应用。今天我们就在实践。

我认为这并不重要，因此这近乎学术议题。从此刻起，我们将应用此技术，技术会持续优化。

他提供的非预测，而是现实进度：非将来有用，而是现已启用。

Hinton的回答更具体：若你与机器辩论，它将总能胜出。我相信，此景将在20年内出现。

他语气平静，却信息量巨大。这不仅是预测，更是确认：我们正沿此路前行，仅速度问题。

Bill Dally提醒众人：或许问题本身有误。

我们的目标非构建AI以取代人类或更优，而是以AI增强人类。我们旨在补充人类擅长领域。

AI处理擅长事务，人类保留创造力、共情与协作。我们互补而非取代。在他看来，达到人类智能此说法已偏离方向。

Yoshua Bengio最后发言，提出最具争议观点。

我在此表示异议。我看不出任何理由，我们不能在某一时刻构建出近乎全能的人类事务机器。

他提供数据：AI规划能力过去六年呈指数增长。若趋势延续，五年内AI可达工程师水平能力。更关键的是，多家公司正让AI从事AI研究，设计下一代AI系统。这可能催生众多突破。

但他最后强调：我非断言必然发生，我们应保持不可知论，避免宏大声明，因未来存在多种可能。

六种回答，六种时间感知。

LeCun言渐进演化但比预期更久；李飞飞说部分能力已超越；黄仁勋称现在就在用；Hinton给20年预测；Bill Dally质疑问题本身；Bengio又道五年可达工程师水平却充满不确定性。

我们所见非明确路线，而是日益撕裂的时间认知。

对未来的判断，本质反映他们对智能本身理解的差异。

第三节 | 从语言到行动：智能的下一阶段

争论未来之际，他们更关注当下正发生的转变。

过去几年，AI进步集中于语言能力。ChatGPT、DeepSeek等大模型，正助全球用户答疑、撰写摘要与提供方案。

但在此对话中，几位顶级研究者不约而同指出：下一阶段，AI需从语言迈向行动。

✅ 李飞飞是首位指明方向者。

人类智能从不仅依赖语言。我们大脑天生处理空间，能感知、推理、移动与实操。这些是当前AI的薄弱环节。

她指出，现今最强语言模型若执行空间判断任务，结果甚差。这正是她近年研究重点：空间智能。

我们过于专注会说话的机器，却忽视世界是三维的，需身体、方向与动手能力。

✅ LeCun的态度更为清醒。

他在全程对话中反复强调：当前大语言模型范式距真正智能尚远。

我个人不信当前大语言模型范式可推至人类水平智能。我们尚无像猫一样聪明的机器人。我们仍缺重大元素。在他看来，AI进步非仅更多基础设施、数据或投资问题，而是一科学问题：我们如何向下一代AI迈进。

他一直主张方向是：让机器从环境中自主学习，而非依赖人类输入答案。如同婴儿，不靠提示词，而靠观察与试错。

我们不可能给孩子喂数亿对话数据集，但孩子仍学会语言，因他在环境中主动学习。

此即他所说的自监督学习，也是他认为突破当前瓶颈的关键方向。

✅ 黄仁勋将此问题拉回现实场景。

今日AI非仅对话工具，而是开始接手工作。它非更智能搜索引擎，而是能完成任务伙伴。

我们已见AI写代码、诊断疾病、处理财务。这非仅言语，而是在实际协助。

为描述此变，他提出新比喻：过去我们称软件为工具，现今AI是工厂。它实时生成智能，犹如电厂实时发电。我们需要数千亿美元投资这些工厂，以服务建基于智能之上的数万亿美元行业。

这意味着：我们不能再视AI为应答程序，而应视为持续工作、不断输出的生产系统。

我们所见变化是：AI正从说得好转向能做事。

从聊天窗口，走进真实流程；从被动反应，开启主动执行。这非仅功能增强，而是范式变革。

这也解释了为何他们谈论AGI时，不再争论参数规模，而探讨：

AI如何与人类协同工作？

它应处何位置？

它需具何等能力边界？

结语｜非何时到来，而是正进行时

这场对话，无人给出AGI标准定义，无人宣告其正式诞生。但几乎每人皆在描述其存在方式。

黄仁勋说：AI工厂已开始运转。

Hinton说：20年内，它将赢下所有辩论。

李飞飞提醒：我们太关注其言语，却忽略其行动。

AGI非某日突然上线的产品，而是正渗透每个组织、每条流程、每个岗位的现实。

对话结束时，主持人言：一年后若再行此对话，世界将已不同。

或许，变革已然启动。

📮参考资料：

https://www.youtube.com/watch?v=0zXSrsKlm5A

https://www.ft.com/content/5f2f411c-3600-483b-bee8-4f06473ecdc0

https://www.theguardian.com/technology/2025/feb/04/ai-godfather-predicts-another-revolution-in-the-tech-in-next-five-years

来源：官方媒体/网络新闻

排版：Atlas

编辑：深思

主编: 图灵

--结束--