李飛飛這期在Huberman Lab的播客非常值得一聽，建議大家聽播客原文，以下筆記只是一個導讀。這個播客是全球收聽量最大的健康類播客之一，2025年進入Spotify全品類全球前十。主持人Andrew Huberman是斯坦福醫學院神經生物學教授，節目以長對話著稱，單期時長常超過兩小時，YouTube訂閱者超過760萬。所以兩個人很多內容聊得比較細緻。
當然，關於AI的部分，由於有科普的性質，可能從業人員都不陌生了。不過 李飛飛談話中最精彩的部分，往往是人文的部分。比如這次播客，她講數據的重要性，但是也從數據角度出發，舉例體現人的重要性。李飛飛說畢加索繪畫的時候，腦海中的數據從未被人得知，而AI來自於數據，所以人的獨特性也就得到了保留。
她沒說是哪幅。不過如果一定要推測，可能性最高的是《鏡前的少女》（Girl before a Mirror，1932）。畫中人物是當時22歲的瑪麗-泰蕾茲·沃爾特。畢加索把她的側面、正面和鏡中形象組合在一起，明顯符合這段對話討論的「用特殊方式表現年輕女性」和抽象創造。
1. 5.4億年前的一束光
大約5.4億年前，簡單的海洋動物（三葉蟲及其近親）出現了最早的光感受細胞。在那之前，動物幾乎沒有感知外界的能力，沒有聽覺，沒有嗅覺，連神經系統都不存在。觸覺大約同期開始萌芽，但光是第一個。
光感受細胞改變了動物與外部世界的關係。能看見意味著能主動尋找食物和配偶，也意味著自己成了別的動物的獵物。進化的壓力驟然增大。化石記錄顯示，第一次感知到光之後大約1000萬年，出現了被稱為"寒武紀大爆發"的物種分化高峰。
這個事實的重要性到今天沒有減退。據估計，人類大腦皮層活動的一半與視覺功能相關。兒童在語言能力之前就先具備了視覺能力。從5.4億年前到今天的嬰兒，視覺一直占據著智能的核心位置。
20世紀50年代，神經科學家Hubel和Wiesel開始記錄哺乳動物大腦中的視覺細胞，發現了一個層級結構：從視網膜收集光信號，到逐層傳遞神經資訊，最終識別出眼前的形狀。這個發現對電腦科學的影響是直接的。同一個時期，電腦科學家開始構建神經網路算法，靈感正是來自這種哺乳動物視覺通路中的層級架構。
今天的神經網路運行在數千億乃至萬億參數之上，複雜度已經遠離了當年從大腦中記錄到的結構。但起源是共享的，距今大約七十年。
2006年，李飛飛在普林斯頓做第一年助理教授。當時的AI是一個機器學習實驗場，不同實驗室在嘗試各種算法。神經網路有人做，貝葉斯方法有人做，支持向量機也有人做。李飛飛和學生一起審視這些算法的時候，注意到一個所有人都忽略了的問題：餵給算法學習的數據量太少了。
她轉向認知神經科學文獻尋找線索。研究顯示，人類在6歲前就能學會辨認數以萬計的物體類別。嬰兒從出生起幾乎每時每刻都在接收視覺資訊，這是一個海量的數據灌注過程。
她由此做出了一個當時相當離經叛道的判斷：AI進展緩慢的核心瓶頸可能在數據，不在算法。
"Everyone else was focusing only on algorithm, and we said we need data." 所有人都只盯著算法，而她選擇賭數據。
這個判斷催生了ImageNet項目。李飛飛團隊收集了1500萬張圖像，覆蓋日常物體（話筒、杯子、椅子），目標是驅動機器識別現實世界中的東西。2010年開始，她的實驗室推出了一項公開挑戰賽，即ImageNet Large Scale Visual Recognition Challenge，邀請全球研究者來解決物體識別問題。數據集包含1000個類別、超過100萬張測試圖像。規則簡單：算法看一張圖，說出圖中的主要物體，猜對得分，猜錯不得分。
挑戰賽前兩年，機器的表現不如人類。斯坦福一位研究生後來專門做了人類基準測試，錯誤率大約4%（隨機猜測會是千分之一）。4%已經不低了，因為1000個類別中包含大量外形接近的子類，比如不同品種的狗，人眼也容易混淆。
2012年，三件事同時成熟了。GPU計算實現了並行加速，讓大規模運算變得可行。神經網路算法經過數十年的疊代，成熟度到了一個臨界點。ImageNet提供了足夠規模的訓練數據。那一年，一個名為AlexNet的深度神經網路在挑戰賽中將錯誤率從之前的26%直接拉低到15%左右。
人類的4%錯誤率是怎麼來的？主要不是因為時間壓力，而是因為人腦的記憶容量有限，要保持1000個物體類別的識別模式並不容易。更麻煩的是數據集裡有很多外形極為接近的子類，比如不同品種的狗，人眼也經常混淆。
這個跳躍幅度本身就是信號。 在研究領域，漸進式改進是常態，而一步跨越十幾個百分點意味著拐點到了。到2015至2016年間，算法在命名1000種物體的任務上超過了人類4%的錯誤率。
ImageNet打開的閘門遠不止電腦視覺。語音識別、聲音識別、自然語言處理，AI的每一個子領域都在這次收斂之後獲得了技術提升。斯坦福有同事開始用機器學習研究鯨魚歌聲。"數據+算法+算力"的配方證明了自己，而這個配方是通用的。
2017年，一種叫transformer的新型神經網路架構被提出，在處理序列數據方面比AlexNet時代強大得多。這次領跑的領域換成了自然語言處理，因為網際網路上最容易獲取的大規模數據是文本。加上更強的GPU，OpenAI和谷歌快速推進，從2017年到2022年11月ChatGPT面世，又走了大約5年。
配方相同，但學習機制完全不同。一個孩子可能只見過3到10隻貓，就能在書架後面看到一截尾巴時判斷"那是貓"。AI做同樣的事需要海量影片和圖像。這兩者的學習路徑有本質差異，其中的機制至今沒有被完全解開。
圍繞貓的例子還可以往上走一層。大約2023年開始，多個研究團隊將影片納入訓練數據。2024年初OpenAI發布Sora時，用戶輸入"一隻貓追老鼠"就能生成一段看起來合理的短影片，貓的四肢按順序邁步，姿態流暢。
這看起來像是AI理解了運動，但實際發生的事情沒有那麼玄妙。AI不知道貓腿的肌肉怎麼連接，它只是看過太多貓的影片，學會了貓運動"應該長什麼樣"。 李飛飛指出，大多數人類的情況其實也類似：我們不知道貓的肌肉結構，但見過太多貓走路，對"合理的貓步態"有一個統計性的判斷。這恰恰是AI與人類在學習機制上最相似的地方。
但那個孩子用3隻貓就完成的事，AI需要整個網際網路來追趕。這個差距指向了我們對學習本身的理解仍然有巨大的空白。
理解AI的能力天花板，先要準確理解它的數據來源。網際網路不是一個隨機的東西，它是人類行為最大的多模態集合。 李飛飛把它拆開來看：全世界人口幾十年的打字行為，從青少年閒聊到被數位化上傳的深度科學論文。數位相機和智慧型手機拍下的海量照片，從家裡的貓到BBC的專業攝影。影片帶來了聲音和運動，音樂也被上傳了。
AI在這個龐大的庫上訓練，所以它強大，尤其在語言方面，因為太多人類知識已經以文字形式存在了。
但有一類資訊永遠不在這個庫里。當畢加索產生那個關於如何表現一位年輕女性肖像的深刻想法時，那個想法從未被捕捉。作為神經科學家，如果有人問那個想法來自大腦的哪個區域，答案是不知道。是布洛卡區？V1視覺皮層？前額葉？運動皮層？也許彌散在各處，因為那個想法極度個人化。你可以叫它創造力，叫它情感，叫它任何名字。它沒有被捕捉，因此不在網際網路上，因此AI沒有見過。
李飛飛把日常生活中模糊的"直覺"也拆成了兩層。淺層的那部分已經可以處理：你在AI對話框裡輸入"我是斯坦福教授、神經科學家"，AI就會針對你的身份定製回答。換一個人輸入"我是14歲的賽車愛好者"，問同一個問題，答案就不同了。這在電腦科學裡叫context，是數學運算，談不上直覺。
深層的那部分就完全夠不到了。你突然對某件事有強烈感覺，不知道是因為聞到了什麼、是荷爾蒙波動還是今天的早餐。你說不出來，甚至無法用手勢傳遞給另一個人。伴侶之間有時能感覺到對方情緒不對，但說不清哪裡不對，只能默默走開讓對方靜一靜。如果一個人都無法把這個資訊傳遞給另一個人，機器就更沒辦法。
她強調這沒有什麼神秘的，完全可以用科學過程來描述：資訊是否可以通過語言、圖像、腦電波、皮膚電導率等任何傳感器被採集？如果可以，並且有足夠的量，AI就有可能學習它。如果不可以，目前做不到。
2016年AlphaGo對戰李世石時的Move 37常被引用為AI具有創造力的證據。第二局中，AlphaGo下出了一步圍棋大師們從未想到的棋。李飛飛對此的判斷很有分寸：這算創造力，但是一種"特殊的創造力"。 圍棋是高度數學化的遊戲，目標明確，規則清晰。AI擁有比人腦更大的算力和更強的記憶能力，能在人類無法窮舉的空間中搜索。這和一個畫家凝視空白畫布時湧現的東西不同。
她提到了和一位頂級數學家的對話。這位數學家的判斷是：數學中有很多未解難題，即使是菲爾茲獎得主也可能忘了歷史上已有的某些解題方法，AI可以幫忙找到這些被遺忘的工具。但有些數學問題需要的解法根本還沒有被發明出來。那種層次的創造力，他認為最可能的路徑是人類與AI的混合創造。
AI和人在情感層面的差異甚至更根本。機器說"你生病了我很抱歉"，是因為它在訓練數據中學到了一個模式：當有人說"我生病了"，應該回復"我很抱歉"，而不是"我很高興你生病了"。你的朋友說同樣的話，是因為他們真心關心你的健康，不想看你受苦，經歷過疼痛因而能產生共情。"We operate fundamentally different from today's AI and we have to recognize that, respect that." 今天的機器和人類在根本層面上的運作方式不同，這一點必須被清楚地認識和尊重。
科學發現這件事本身，可能也需要重新來過。幾百年來，它依賴聰明的人類大腦記住前人的知識，然後以人類肌肉的速度做實驗。但人腦的頻寬是有限的。李飛飛以自己為例：她在視覺神經科學和AI領域深耕，但對嗅覺系統的了解幾乎為零，連同事論文裡的專業詞彙都可能拼不出來。AI可以打破這道學科的牆。它的"大腦"能保留海量資訊，能跨領域綜合知識，能把一個領域的方法搬到另一個領域。這種能力對科學家來說是一個全新的工具。
Huberman有一次服用了醫生開的藥物後出現頭暈，感覺像天旋地轉。他以為是眩暈，諮詢了一位專攻前庭系統的耳鼻喉科醫生，也沒有得到準確判斷。
他把自己一兩天內的主觀感受輸入AI聊天機器人。AI區分了眩暈和低血壓的不同症狀表現，指向藥物引起的血壓過低。他按照這個方向補充電解質，兩小時後症狀消失。他事後把這個結果拿回去給幾位醫生看，對方的反應是真心驚訝。
Huberman自己也說了一個限定條件：有安慰劑效應的可能性，而且如果醫生能當面做更多檢查，判斷可能會不同。但這個案例的價值不在於AI比所有醫生強。重點是它零成本、即時可用，對那些無法立即接觸到醫生的人意義重大。
李飛飛的父親在斯坦福接受了一台肝臟手術，由外科醫生操控達芬奇機器人系統完成。術後出血量只有傳統開放手術的十分之一，得益於機器人的腹腔鏡精細操作能力。這台手術本身就是一場深度的人機協作：機器執行精密動作，人類做判斷和決策。
手術後她問了外科醫生一個問題：如果把全世界做過同類肝臟手術的數據都收集起來，能不能訓練一個全自動AI手術系統？這位外科醫生的答案並不明確。肝臟是一個高度血管化的器官，血管密布，每個人的肝臟差異很大。即使匯總全球數據，這種手術每年全球做的總量有限，樣本量可能仍然不夠訓練算法。未來是否可以創造肝臟的人工模擬環境，在模擬中訓練無限多的可能性？這是一個還沒有答案的科學問題。
這個對話揭示了一個可以反覆使用的判斷標準：AI從模式中學習，當模式不夠豐富時，就必須謹慎。 眩暈和低血壓的鑑別診斷已經被報告了無數次，數據充足，AI已經相當可靠。個體化的複雜外科手術數據稀缺，人機協作目前優於純機器方案。同一個底層原理，在不同數據條件下指向不同的結論。
目前的AI公共話語存在兩個極端。一端是極端末日論，讓人恐懼。另一端是極端烏托邦論，把技術描繪得完美無缺，公眾的反應通常是"你當然這麼說了，你是既得利益者"。懂技術的人傾向於居高臨下地和公眾對話，不管出發點是好是壞，傳遞出的資訊都是"你們不懂這個，讓我來替你們決定什麼是好的"。
Huberman舉了一個生物學領域的例子來說明技術人為什麼需要外部約束。他有一個做病毒研究的朋友，曾經想把改造過的狂犬病毒放進果蠅體內做實驗。技術上可行，科學價值也有，但如果有一隻攜帶病毒的果蠅逃出實驗室，後果不堪設想。走進任何一個生物系都能看到幾只亂飛的果蠅，它們喜歡醋，會飛到你的沙拉上。這個實驗最終被否決了。做技術的人天然想push邊界，但社會需要制衡機制。
2022年11月ChatGPT發布，李飛飛作為技術圈內部人，第一反應不是評論技術本身，而是聯繫了自己孩子所在小學的校長，說想來給學生和老師做一次講座。因為矽谷沒有人在ChatGPT出來的那一刻想到"我們社區的老師怎麼辦"。 沒有投資機構，沒有萬億市值公司，第一時間想到了鄰里的教師。
"They are the most important people in our society. We should be talking to them. We should be uplifting them." 老師是社會中最重要的人之一。應該和他們對話，給他們支持。
她認為對AI最差的兩種態度同樣有害。一種是AI被錯誤使用，讓年輕一代的能動性和學習動力被工具奪走。無限刷短影片、被動消費內容，這些不利於大腦發育。不管技術怎麼變，人類的神經元、化學物質、激素有自己的運作方式，學習需要時間、需要努力、有時需要經歷痛苦。
另一種壞結果是以"學生會作弊"為由禁止學生接觸AI工具。李飛飛回憶自己做醫學預科生時學有機化學的經歷。助教時間太短，教授office hour和其他課衝突，學起來非常吃力。如果當時有一個AI學伴，她可以在自己卡住的地方反覆提問。她有學習動力，只是缺少指導。正確的做法是保住能動性的同時給學生工具，而不是二選一。
學會提問是使用AI的關鍵技能。她做了一個類比：如果蘇格拉底還活著，他會是最好的prompter。蘇格拉底方法的本質就是通過提問來追尋真理。這件事應該從K-12階段就開始教。
Huberman提到了他的好友、UCSF神經外科主任Eddie Chang的工作。Chang團隊通過腦機接口，讓因癱瘓而喪失語言能力的患者重新與世界交流。
其中一位女性患者已經癱瘓多年，完全無法開口。團隊在她的大腦表面植入了電極陣列，讀取她試圖說話時產生的神經信號，再由AI算法將信號解碼為文字和語音。關鍵在於，團隊找到了她婚禮上的影片，知道她本來的聲音和表情模式。最終她在身旁的iPad螢幕上，以自己的面部形象和聲音與他人對話。系統通過機器學習持續更新，還能感知對話者的反應並做出調整。
這個案例不是技術展示，是能動性被歸還了。它也標誌著AI正在走出純語言的範疇，進入具身化的階段。人類的發展軌跡是先有視覺和空間理解，後有語言。進化在沒有語言交流的狀態下走了5億年。AI如果只停留在語言層面，就錯過了智能的一大塊。
李飛飛2024年初聯合創立的World Labs正是押注這個方向。到2026年2月，公司已累計融資12.3億美元，投資方包括AMD、Autodesk、NVIDIA、Fidelity等。第一個產品Marble允許用戶通過文字、圖片、影片或3D布局生成可持續編輯的三維環境。目標客戶覆蓋創作者、建築設計師、機器人訓練和VFX行業。
機器人是另一個具身化方向，但涉及硬體，落地速度慢得多。李飛飛估計可能需要30年才能真正融入社會。需求清單卻已經很長了。加州每年經歷山火，讓人類消防員冒生命危險去救援並不理想。護士在一個班次內要走好幾英里去取藥品和物資，長期超負荷工作。獨居老人取藥、買菜、想去公園散步，這些簡單的事情對行動不便的人來說是巨大的障礙。
李飛飛自己是家中獨生女，正在照顧兩位年邁多病且不說英語的父母。她說這種照護工作量巨大，機器人能承擔一部分體力勞動，同時不替代家庭責任、愛和溝通。
人們對機器人的不適感很大程度上來自物理硬度和占據空間的方式。她提到了迪士尼大約十幾年前的動畫角色大白（Baymax），一個醫療機器人，外形像一個大氣球，觸感柔軟。比起金屬質感，這種設計更容易被人接受。如何想像人與機器人共存的未來，不應該由某家公司或某個投資人單方面決定。 公眾應該作為利益相關者之一參與設計這個未來，而不是被動地等別人做好了再反應。
AI工具已經可以根據劇本生成影片鏡頭，甚至組裝出接近長片長度的電影。但故事創作、鏡頭運用、角色塑造這些能力仍然深度依賴人類。好萊塢對AI取代編劇和演員有強烈恐懼，這種恐懼來自工作崗位被技術衝擊的真實壓力。
李飛飛認為當前階段最需要的是讓技術人和創作者面對面對話。她的聯合創始人Ben和演員班·艾佛列克（Ben Affleck）見了面，討論AI在電影製作中的應用。阿弗萊克對AI工具的態度相當前瞻。World Labs也在和VFX行業合作。技術應該讓創作者的工作變好，讓他們的創造力被放大。
賈伯斯（Steve Jobs）理解電腦需要圓角、需要放進口袋、需要在開機畫面上放巴布·狄倫。他能把冷冰冰的技術變成人願意放在手邊的東西。AI領域目前沒有這個角色。技術社區最聰明的人不被公眾接受，部分原因是公眾不理解他們，但也因為他們缺少一個合作者來幫助用公眾能接受的方式分享願景。
傳統媒體在放大這道裂縫方面也有責任。它們靠"科技巨頭來搶你飯碗"這類敘事賺流量，而真正在用AI幫人恢復語言能力、幫人學習的故事得到的關注少得多。Huberman總結了一個觀察：人們不想聽機器的故事，但人們想聽一個人用機器治好了孩子的病的故事。 這些故事存在，只是還沒有被足夠多地講出來。
李飛飛在這次對話中反覆錨定的一個詞是能動性（agency）。不管是學生學習、患者就醫、老人照護還是公眾參與AI治理，她都回到同一個落點：人應該有選擇權，應該有主動性，應該被當作有能力理解事物的主體來對待。技術應該增強這一切，而不是替代它。
Q1: AI的智能從何而來，它的天花板在哪？AI的訓練數據本質上是網際網路，而網際網路是全人類幾十年來通過打字、拍照、錄影片、做音樂所產生的多模態行為集合。這解釋了AI為什麼強大。它的天花板在於：沒有被捕捉為數據的人類認知（高度個人化的情感、記憶、深層直覺），AI無法學習。判斷AI能否處理一件事，核心問題是：那個資訊能被採集嗎？有足夠多的同類數據嗎？
Q2: AI在醫療和科學發現中最大的機會和限制分別是什麼？機會在於AI能跨學科綜合資訊、保留人腦無法記住的知識量，且零成本即時可用。限制在於數據豐富度：在鑑別診斷等有大量報告的領域，AI已經夠准。在數據稀缺的領域（如個體化的複雜手術），人機協作優於純機器方案。同一個底層原理，在不同數據條件下指向不同的結論。
Q3: 普通人現在應該對AI做什麼？學習它。不一定要學編程，但要理解AI是什麼工具、怎麼用它來增強自己的學習和工作。學了之後會更有掌控感，不容易被恐懼或烏托邦話術牽著走。同時關注教師和學校，他們是幫助下一代正確使用AI的核心角色，但目前被整個AI話語體系忽視了。
