李飞飞最新访谈：AI 不是替代者，而是能力放大镜

在 Huberman Lab 最新一期访谈中，斯坦福大学教授、ImageNet 之父李飞飞抛出一个反直觉的观点：AI 不会替代人，而是个人能力的放大镜。这位长期深耕计算机视觉与神经科学交叉领域的顶尖学者，还围绕视觉与智能的渊源、AI 的能力边界、医疗落地以及社会治理等话题，展开了系统性分享。

视觉是智能的基石

李飞飞回顾了视觉对 AI 发展的双重启示：一是算法灵感，上世纪 50 年代对哺乳动物视觉层级神经结构的研究，直接启发了早期神经网络设计；二是数据觉醒，2006 年她在普林斯顿做研究时意识到，算法难以突破的真正卡点并非模型本身，而是训练数据不足，这才促成了千万级图片数据集 ImageNet 的诞生。

2012 年前后，GPU 并行算力、深度神经网络与互联网海量数据三要素同时成熟，现代 AI 才迎来真正的转折点。ImageNet 图像识别竞赛中，人类识别一千种物品的错误率约为 4%，而早期神经网络的错误率始终高于人类，直到 2016 年才首次反超。她指出，语音、听觉领域的发展路径与图像识别几乎一模一样；2016-2017 年 Transformer 架构出现后，又经过五年迭代，ChatGPT 才在 2022 年问世。

AI 的能力边界在哪里

主持人 Huberman 抛出一连串追问：AI 何时能像人一样结合场景自主推理？能否真正拥有创造力和个人内心感受？

李飞飞的回答相当克制。她指出，孩子只见过几只猫就能举一反三，AI 却需要刷完网上几乎所有猫咪图片，靠统计规律去分辨，两者学习逻辑天差地别。2024 年 Sora 发布是文生视频的重要节点，但模型仍然建立在神经网络框架之上，并不能理解猫的肌肉构造与身体结构，所以生成的画面常常出现不合理 bug。

她进一步强调，那些高度私人化的思绪、情绪与心底感触，互联网根本没有记录，AI 自然无从学习。AlphaGo 第 37 手看似具备创造力，但围棋背后有完整严谨的数学规则；反观许多顶尖数学难题需要人类跳出固有框架，这类问题更应依靠人与 AI 协作攻克。至于看到一只杯子就勾起独家童年往事这类纯粹私人、主观的情感体验，「是现阶段 AI 完全触碰不到的局限」。

医疗是最值得深耕的落地场景

Huberman 分享了自己最近的亲身经历：仅靠描述一两天身体异样感受，就在 AI 协助下迅速分清了眩晕与药物副作用导致的低血压，补充电解质后两小时即恢复，而一位专攻前庭问题的耳鼻喉专科医生起初还判断失误。

李飞飞认为，医疗是 AI 最具价值、也最让人期待的落地场景。医生完全可以把 AI 当作诊疗帮手——对于数据库样本充足的常见病鉴别，AI 能够为无法及时就医的人提供初步参考。但她父亲近期在斯坦福接受的肝脏手术则属于另一种情况：人体肝脏结构错综复杂，即便汇总全球同类手术数据，算法也难以达到稳定可靠水平，因此「医生操控机器人操作，效果远比机器人自主执刀要好得多」。她透露，那场手术依靠达芬奇手术机器人完成，术中出血量比传统手术少了十倍。

技术应服务于人的真实需求

访谈最后谈到机器人在日常生活中的角色。李飞飞结合自身经历指出，家中两位长辈年迈体弱又不会英语，她最大的心愿是让机器人接手繁重杂事，但「绝对替代不了亲情陪伴和家人间的谈心」。加州常年山火中高危的消防作业、长期人手短缺的医疗护理行业，都是机器人能真正造福社会的方向。

Huberman 补充说，大众对机器人和 AI 的恐惧，很大一部分来源于它们是实体。李飞飞则强调，AI 行业的发展可以参考汽车与生物科技过往的治理经验，让所有相关方共同参与把控；像医疗 AI 这类高风险应用，还需要类似 FDA 的权威机构设立安全红线，「不能只让少数科技企业替整个社会做决定，单纯追逐市场收益的逻辑，绝不能凌驾于社会伦理与大众文化之上」。这也是她在斯坦福大学创办 HAI（以人为本人工智能研究院）的初衷。