思考

河南，高考放榜。 一个叫韩雅平的女孩查到自己的分数：699。物理类。这个数字意味着清华和北大的招生办会在同一天把电话打到她家里。 她的家在河南农村。家里有个妹妹，母亲患强直性脊柱炎，常年卧床，父亲务农加打零工撑起整个家。她从小没上过补习班，高考之前甚至没有自己的手机。699分，是一盏在没有补课、没有陪读、没有任何外部资源加持的屋子里，靠自己一页一页熬出来的灯。 清华和北大同时向她伸出手。她在工科和医学之间犹豫过，最终填报了清华大学的卓越医师-科学家（卓医班）。原因朴素，也沉重——她希望未来在强直性脊柱炎等疑难杂症的研究中做出贡献。这门病，就长在她母亲的脊柱里。 志愿表传到网上，评论区炸了。替她惋惜的、替她着急的、替她规划人生路线的，比比皆是。主流声音惊人地一致——“千万别学医"“应该学工科"“应该选人工智能"“这个家庭条件学医沉没成本太大了”。 这让我想起一句话：**成见就是人心中的大山，任你怎么努力都搬不动。**只不过这一次，山不在那个18岁女孩心里，而在替她操心的网友心里。 大家帮她出主意的时候，总以为是她的认知不够。可有没有一种可能——是网友自己的认知不够？ 网友在吵什么 把评论区的声音归一归，大致三类，而且每一类都有"过来人"在背书。 第一类：“这分数学医太可惜，应该去工科。” 一位广东网友的留言被广泛转发：“她最适合学工科，好就业，赚钱快，人工智能AI方向，现在国与国之间竞赛，大有可为，或者学通信工程也行。“还有人说得更直白：“这成绩学通信电子之类热门专业，毕业年薪30万起，有个七八年能年薪百万，这才叫改变命运。学医还是科研方向，这辈子都是穷打工的。” 这套逻辑里，高考分数是一种"货币”，699分这么"贵”，就该买回报最快的专业。听起来务实，但它有一个盲区：它假设所有人都把"尽快赚钱"当作人生第一目标。 第二类：“学医周期太长，寒门耗不起。” 这一类声音里，有一位广东医生的长留言，读起来格外沉重：“又一个状元学医了，唉，看到这则消息我心挺痛的！因为我也是穷人家的孩子……以为学医是个终身安稳的铁饭碗……然而全是泡影，自己活得乱七八糟，更没工夫管生我的和我生的！像这个状元这种家庭，学医的沉没成本太大了！大概率，子欲养而亲不待……没权没势，少学医！” 还有网友算了一笔账：“8年本博，必加3年规培，30岁了。““35岁才开始算正式有点回报，本硕直博规培还有个好导师一路畅通才到现在。” 这些担忧是真实的，来自真实的医生、真实的生活。但它们都建立在一个前提上：**她学的是传统临床医学，走的是传统医生晋升路线。**可她报的不是普通临床医学——这一点，我后面会详细讲。 第三类：“清华医学不行，要学医该去北大或协和。” 一位北京医生说得最直白：“清华自己的医学院很拉胯，协和现在跟清华离婚了也拿不到清华的双证。真要学医去北大医学部，好歹正经北大，医学院里也是top2……这个分去清华医学院，讲真的可惜了！“评论区里"工科清华，医学北大"的说法反复出现。 这一类至少触及了一个真问题：清华医学的底子到底怎么样？但结论下得太快了。要回答这个问题，得先把清华医学和协和的纠葛理清楚。 清华医学、协和、卓医班：一团需要拆开的线 很多人的困惑，来自"清华医学"这四个字背后的历史。 2006年，原中国协和医科大学更名为"北京协和医学院（清华大学医学部）"，教育部和卫健委签署了清华与协和紧密合作的协议。从那年起，协和的临床八年制学生通过清华招生。换句话说，你报清华的临床医学，拿的可能是协和的文凭——这是很多人对"清华医学"好印象的来源。 **但两家最终没有合并。**2009年起，清华开始独立发展自己的医学院，开设了八年制医学实验班。协和和清华的合作至今仍在——通过清华招生的协和八年制学生，毕业能同时拿到清华和协和两份证书。但清华自己办的医学项目，和协和是两回事。 **而韩雅平报的卓医班，正是清华自己的项目，和协和没有关系。**梅斯医学在评论区专门澄清过：“不是哈，她这个卓医班和协和没关系，就是清华自己的。” 所以问题变成了：清华自己办的"卓越医师-科学家"班，到底行不行？ 卓医班，到底在学什么 这是这篇文章最想讲清楚的部分。因为大多数争论，源于信息差——人们拿自己对"学医"的全部想象，套在这个专业上，然后得出"可惜"的结论。 卓医班的全称是**“卓越医师-科学家”。注意这个词的构成：不是"医师”，是"医师-科学家”。它培养的不是传统意义上"背解剖、考执医、进科室"的临床医生，而是医师科学家（Physician-Scientist）**——既能上临床，也能进实验室；既懂疾病的表象，也追它的根源。 医学+科学+工程 清华做医学有一个别人没有的先天优势：它的工程和基础科学是世界级的。这意味着卓医班的学生，从第一天起就站在一个交叉路口上。 基础阶段，他们学的不是"医学生版"的生化物理，而是和清华理工科学生一样深度的数理化生。细胞生物学、分子遗传学、生物化学——这些课程由清华生命科学学院的力量支撑，深度远超普通医学院。一个卓医班的学生，在实验室里用到的数学建模和数据分析能力，和计算机系的学生没有本质差距。 临床阶段，他们要完成系统的临床医学训练——内科、外科、妇产、儿科，一样不少。但区别在于，他们不只是学"怎么治”，而是同时追问"为什么这样治"“还有没有更好的治法”。每一个临床病例，都可能是一个科研问题的起点。 科研训练，这才是"卓越"二字真正的分量。从本科阶段开始，学生就进实验室，参与真实的科研项目——可能是自身免疫疾病的发病机制（强直性脊柱炎就属于这一类），可能是医学影像的AI辅助诊断，可能是基因编辑在遗传病中的应用。他们不是在"参观"科研，而是在"做"科研。几年下来，发表的论文、掌握的实验技术、建立的科研思维，足以让他们在任何一流大学的博士申请中具备竞争力。 跨学科不是口号 今天医学最前沿的突破在哪里？AI读片比放射科医生更快，基因测序让精准医疗成为可能，脑机接口让瘫痪患者重新行走，合成生物学让药物可以被"设计"而非"发现”。**这些突破没有一个是由传统临床医生单独完成的。**它们需要既懂医学问题、又懂技术手段的人——而这正是卓医班要培养的人。 一个只会写代码的工程师，不知道哪个临床痛点值得解决。一个只会看病的医生，不知道技术能帮他做什么。站在中间的人，价值最大。 七年本博，然后呢 回到网友最担心的"周期长”。卓医班的路径设计，恰恰回应了这个焦虑。 它不是"五年本科+三年硕士+三年博士"的传统马拉松，而是本博贯通——让学生在七年左右完成从本科到博士的系统训练。当同龄人还在考研大军里厮杀、在申博焦虑中煎熬时，这条轨道上的学生已经在稳步前进。 网友说的"8年+3年规培=30岁”，其实混淆了两件事：卓医班的本博贯通，和传统临床医学的规培。一个以"医师-科学家"为培养目标的项目，科研训练本身就嵌在博士培养里，和单纯"读完书再去规培"的路径不是一回事。临床执照和规培的要求仍然存在，但卓医班的设计初衷，是让你在科研和临床之间并行推进，而不是串行排队。 七年拿到博士学位，在医学领域不算慢。传统路径走完同样学历往往要十年以上。这条轨道的"无后顾之忧”，不只是时间上的，更是心态上的：你不需要在每个分岔口重新竞争、重新焦虑，可以把全部精力放在真正的学习和研究上。 出国深造，天然顺路 卓医班的科研导向，让出国深造几乎是一条"自带的路"。 医师科学家是全球医学科研界最稀缺的人才类型。美国NIH多年来一直在喊"医师科学家危机"——临床医生不做科研，科研人员不懂临床，中间断层越来越大。一个在清华接受了系统科研训练、有临床医学背景的中国学生，在哈佛、约翰霍普金斯、斯坦福的实验室里，是抢手的。 清华医学院本身就和国际一流医学机构有合作与交换渠道。一个有心出国深造的卓医班学生，他的简历——临床训练+科研论文+交叉学科背景——在国际申请池里极具竞争力。 那个最被忽略的细节 评论区里几百条留言，争论沉没成本、争论清华北大、争论工科医学，但有一条信息始终被轻轻带过——她选医学，是因为她母亲的病。 强直性脊柱炎。一种慢性炎症性疾病，主要侵犯脊柱和骶髂关节，晚期可能导致脊柱完全融合，被称为"竹节样脊柱"。她的母亲常年卧床，就是因为这个病。而韩雅平说，她希望在这类疑难杂症的研究中做出贡献。 那些劝她"去学AI、毕业年薪30万"的网友，有没有想过一件事：**她母亲的病，不是年薪30万能治好的。**有些选择，不是因为"不懂现实"，恰恰是因为太懂现实——她每天看着母亲躺在床上，比任何网友都更清楚疾病意味着什么。她选医学，不是"被理想冲昏了头"，而是在自己能力所及的范围内，选了一个可能离母亲的病最近的方向。 一位江苏网友的留言，是评论区里少有的清醒声音：“人家只是家里穷，但是家里并没有要她负担什么，只是让她学自己喜欢的。并不是所有家里穷就一定要让孩子快点挣钱回血。而且她母亲这个病还真不是有钱就能看的，她为了理想、为了科研，而且她也有这个能力，为什么不能支持她？她能有这个分就是能够努力也有毅力，为什么大家都不信她呢？到底怕的是她不行，还是自己如果是她就不行？” 最后那句话问得好：到底怕的是她不行，还是自己如果是她就不行？ 站在当下看未来，意义不大 说句实话，我当年报志愿的时候，也被同样的局限困住过。 那年我的分数不算亮眼，填志愿时选了一堆电子和工程方向，尤其是当时最红火的土木工程——那是基建狂飙的年代，土木就是"钱途"的代名词。结果阴差阳错，被平行志愿里的计算机专业录了。你说当时计算机有多吸引人？远没有今天这副模样。那年头大家觉得学计算机就是去修电脑的，亲戚听说我学计算机，第一反应是"以后帮我装个系统"。 后来的事，大家都知道了。互联网起来了，移动互联网起来了，计算机从"修电脑的"变成了"改变世界的"。当年那些挤破头进土木的同学，如今不少在行业下行里苦苦支撑。而我这个阴差阳错进了计算机的人，反倒吃到了整整两波时代红利。 我讲这段不是炫耀。我想说的是——**眼前觉得AI好，和当年觉得土木好，是同一种视角：站在当下看未来。**你用今天的行情去押七年后的宝，押中的概率，其实没那么高。 那些劝韩雅平"去学AI"的网友，和当年劝我"去学土木"的长辈，本质上做的是同一件事：**用自己此刻的认知，替别人规划未来。**区别只在于，当年长辈们押错了，而这次网友觉得自己押对了。可当年长辈们也觉得自己押对了。 所以，与其替别人预测未来，不如承认一件事：**我们看到的"最优解"，往往只是此刻视野里的最优解。**七年后什么专业吃香，谁也说不准。但有些东西是可以说准的——一个在清华平台上、接受医学与工程交叉训练、有科研能力也有临床视野的人，他的选择空间只会比今天更大，不会更小。 那座山，到底挡住了谁 网友说"699分报医学太可惜"，潜台词是医学的回报配不上699分。但这个判断建立在一个过时的认知上——他们脑子里的"学医"，是五年本科毕业进县医院值夜班。他们不知道医师科学家是什么，不知道卓医班的交叉学科布局，不知道本博贯通的路径，不知道这个专业出国深造的顺滑程度。 网友说"应该报计算机或AI"，潜台词是当下最赚钱的专业就是最好的专业。但我自己的经历已经说明了——**站在当下看未来，意义并没有想象中那么大。**七年后AI领域会是什么竞争格局？计算机的就业会不会饱和？没有人知道。但有一件事确定：无论技术怎么变，人总是会生病，医学总是需要突破，而站在医学和技术交叉点上的人，永远稀缺。 网友说"清华医学拉胯，应该去北大"，这话有历史背景，但结论太草率。清华医学确实年轻，协和确实更强——但卓医班的价值不在"清华医学的历史积淀"，而在"清华工程+科学的资源嫁接到医学上"这种独特结构。北大医学部的临床底蕴更深，但它能给一个学生提供清华级别的工科交叉平台吗？这是两套不同的牌，不是简单的"谁强谁弱"。 每一个"可惜"的背后，都藏着一片认知的盲区。 最讽刺的是，这些网友帮助韩雅平的姿态是居高临下的——“孩子，你还年轻，不懂。“但事实上，一个能考出699分、在工科和医学之间认真权衡过、因为母亲的病而选定方向的考生，她对卓医班的了解，大概率比评论区99%的人都多。她不是认知不够，她是认知够了之后，做出了一个不符合大众预期但符合自己判断的决定。 成见的代价 我不是说卓医班一定比计算机好。世界上没有"一定好"的专业，只有"适合"的专业。 我也不是说劝退的医生在撒谎。他们的痛苦是真实的，走过的弯路是真实的。但一个人的弯路，不能成为另一个人的判决书。同一个行业里，有人活得乱七八糟，也有人找到了自己的位置——区别往往不在行业，而在个人。 成见最危险的地方，不在于它让我们说错话，而在于它让我们确信自己是对的。一个觉得"学医=亏了"的人，不会去查卓医班的培养方案；一个觉得"AI=未来"的人，不会去想七年后AI人才市场的供给曲线。成见把探索的门关上了，然后把门外的世界当作全部。 韩雅平用699分和一份志愿表，做了一件很多成年人做不到的事——**在一片喧嚣中，听自己的。**她评估了方向、前景、路径，然后选了一条人少但可能更对的路。 这不叫可惜。这叫清醒。 ...

AI人物志系列：理解智能的本质，需要理解创造它的人。本系列记录那些在寒冬中坚守、在狂热中清醒的灵魂，他们的弯路与开悟，构成了AI的真正历史。 她教会了机器看见世界，却担心这个世界正在失去对人的看见。 2015年，硅谷的一个会议室里，一位穿着简单、气质干练的华裔女性正在向一群投资人展示她的新项目。屏幕上不是算法公式，而是一张张照片——一个中国女孩站在新泽西的街头，眼神中带着迷茫和倔强。 “这是16岁的我，“李飞飞说，“不会说英语，家里破产，在餐馆打工洗盘子。” 投资人们交换着困惑的眼神。他们来听AI项目，不是来听移民故事。但李飞飞继续说：“我今天站在这里，不是因为算法，而是因为有人相信了我——我的高中老师、我的邻居、整个社区。AI可以改变世界，但我们必须确保它是在帮助人，而不是取代人。” 这是李飞飞的风格。她是ImageNet的创造者，是计算机视觉领域的领军人物，是斯坦福AI实验室的主任。但她谈论AI时，总是从人开始。 从北京到新泽西：一个关于看见的故事 1976年，李飞飞出生在北京的一个知识分子家庭。她的父亲是工程师，母亲是教师。在那个年代，这样的家庭意味着稳定，但也意味着限制。 1992年，16岁的李飞飞随父母移民美国。他们带着全部积蓄——不到一千美元——来到新泽西州的一个小镇。父亲做相机修理，母亲在超市当收银员，李飞飞在餐馆洗盘子。 “那是我人生中最艰难的时期，“李飞飞后来回忆，“我不会说英语，不懂美国文化，感觉自己像个隐形人。” 但李飞飞没有放弃。她每天只睡四个小时，白天上学，晚上打工，周末去图书馆自学英语。她的高中老师发现了这个特殊的学生——一个洗盘子的小女孩，却对物理和数学有着惊人的天赋。 “我的老师帮我申请奖学金，帮我写推荐信，“李飞飞说，“他们让我相信，我可以做任何事。” 1995年，李飞飞以全额奖学金进入普林斯顿大学，主修物理。但她很快发现，自己对抽象的理论不感兴趣。她想要解决真实的问题——关于人的问题。 “物理告诉我世界如何运作，“李飞飞说，“但我想知道，我们如何理解这个世界。” 这个疑问把她带向了神经科学，然后又带向了计算机视觉。 加州理工的困惑：机器为什么看不见？ 2000年代初，李飞飞在加州理工学院读博士，研究计算机视觉。 当时的计算机视觉领域正处于困境。研究者们开发了各种算法来识别图像——边缘检测、特征提取、模式匹配——但这些算法只能在特定场景下工作，换个角度、换个光照，就失效了。 “我们像是在教机器背诵答案，“李飞飞回忆，“而不是教它真正理解图像。” 问题的核心是数据。当时的图像识别算法依赖于人工设计的特征，但这些特征太有限了。人类可以识别猫，不管它是坐着、躺着、在黑暗中还是在阳光下。但机器做不到，因为它没有见过足够多的例子。 “人类通过视觉经验学习，“李飞飞想，“为什么机器不能？” 这个简单的想法，催生了ImageNet。 ImageNet：一场关于数据的革命 2006年，李飞飞在伊利诺伊大学厄巴纳-香槟分校担任助理教授。她决定做一件疯狂的事：构建一个超大规模的图像数据库。 当时的标准数据集只有几千张图片。李飞飞想要的是一百万张、一千万张、甚至更多。她相信，只有足够大的数据，才能让机器学习到真正的视觉理解。 “所有人都说我疯了，“李飞飞回忆，“他们说，标注这么多图片是不可能的，成本太高，时间太长。” 但李飞飞找到了一个创新的方法——众包。她通过互联网平台，把图片标注任务分发给全世界的网民。每张图片由多人标注，通过投票机制确保准确性。 这个项目花了两年时间和数百万美元。2009年，ImageNet终于发布——包含超过1400万张图片，涵盖2万多个类别。 “那是计算机视觉的转折点，“一位参与ImageNet的研究者说，“它证明了数据的力量。不是更好的算法，是更多的数据。” 但ImageNet的真正影响在两年后才真正显现。 2012年的夏天：深度学习的黎明 2012年，Hinton的学生Alex Krizhevsky使用深度卷积神经网络（AlexNet）参加ImageNet竞赛，以压倒性优势获胜。错误率比第二名低了10个百分点——在图像识别领域，这是代差。 深度学习革命开始了。 “ImageNet让深度学习成为可能，“Hinton后来承认，“没有ImageNet，我们无法训练这么大的模型。” 李飞飞成为了这场革命的无名英雄。但她没有沉浸在成功的喜悦中，而是开始思考一个更深层次的问题：这场革命会把我们带向哪里？ 斯坦福的反思：AI的伦理困境 2013年，李飞飞加入斯坦福大学，担任AI实验室主任。在这个位置上，她看到了AI发展的另一面。 偏见。ImageNet的数据主要来自西方互联网，导致训练出的模型对非西方文化存在偏见。一个识别"新娘"的模型，主要输出的是西方婚纱；一个识别"家庭"的模型，主要输出的是白人家庭。 隐私。人脸识别技术的进步，让监控变得前所未有的容易。政府和企业可以追踪任何人的行踪，而普通人对此毫无察觉。 就业。自动化正在取代越来越多的工作，从工厂工人到白领职员。AI创造的新工作，需要更高的技能，而失业者往往无法胜任。 “我们创造了强大的技术，“李飞飞说，“但我们没有准备好如何使用它。” 这种担忧让李飞飞开始关注AI的伦理问题。她在斯坦福成立了"以人为本的AI（Human-Centered AI）“研究院，致力于研究AI的社会影响，推动负责任的AI发展。 AI4ALL：让AI属于所有人 2015年，李飞飞联合创办了AI4ALL（原名AI4ALL），一个非营利组织，旨在增加AI领域的多样性。 “AI正在塑造我们的世界，“李飞飞说，“但创造AI的人，不能只是硅谷的白人男性。我们需要女性的声音，需要少数族裔的声音，需要来自不同背景的声音。” AI4ALL为高中生——特别是女性和少数族裔——提供AI教育项目。它不仅仅教授编程和算法，更要紧的是培养学生的批判性思维，让他们思考AI的社会影响。 “技术本身是中性的，“李飞飞说，“但技术的使用是有价值取向的。我们需要更多人来参与这个价值的塑造。” 这个项目已经培养了数千名学生，其中许多人后来进入了顶尖大学，成为AI领域的研究者。 当下的沉思：人文主义者的警告 站在2026年，李飞飞对AI的发展既有期待，也有担忧。 她看到了AI在医疗、教育、环保等领域的巨大潜力。AI可以帮助医生诊断疾病，帮助老师个性化教学，帮助科学家预测气候变化。这些都是她梦寐以求的应用。 但她也看到了危险。 AI的集中化。训练大模型需要巨大的计算资源和数据，只有少数几家科技巨头能够做到。这种集中化可能导致权力的垄断，让AI成为少数人的工具。 AI的滥用。深度伪造、自动化武器、大规模监控——这些技术正在威胁个人隐私和社会稳定。 AI的异化。当AI越来越强大，人类可能变得依赖它，失去独立思考和判断的能力。 “我担心我们正在创造一个我们不理解的世界，“李飞飞说，“一个由算法决定一切的世界，而人类只是旁观者。” 她的解决方案是人文主义——把人的价值放在AI发展的中心。 “AI应该是增强人类，而不是取代人类，“李飞飞说，“它应该帮助我们成为更好的自己，而不是让我们变得多余。” 说到底：一个看见者的使命 回顾李飞飞的一生，她的核心使命始终是看见——让机器看见世界，让世界看见被忽视的人。 ImageNet让机器学会了视觉理解，这是技术上的看见。AI4ALL让少数族裔和女性进入AI领域，这是社会上的看见。以人为本的AI倡议让伦理问题进入主流讨论，这是价值上的看见。 “我16岁时感觉自己像个隐形人，“李飞飞说，“那种不被看见的感觉，我永远不会忘记。这就是为什么我相信，技术应该用来帮助那些被忽视的人。” 这种信念让李飞飞成为AI界的独特声音。当其他人谈论准确率、算力、市场份额时，她谈论人、社区、价值。她提醒这个技术驱动的行业，不要忘记技术的最终目的是服务人。 一位李飞飞的同事告诉我们：“飞飞让我明白，做AI不只是写代码。你是在塑造未来，而这个未来会影响数十亿人的生活。这种责任感，是飞飞带给我们的最重要的东西。” 全局来看，李飞飞的一生诠释了技术与人文的结合。她是顶尖的科学家，创造了ImageNet这样的技术里程碑；她也是人文主义者，始终关注技术的社会影响。在AI发展最狂热的时期，她保持清醒，提醒人们不要忘记人的价值。 她教会了机器看见世界，但她更希望这个世界能够看见每一个人——尤其是那些像16岁的她一样，感到隐形的人。 而这，就是一个看见者的最高使命。 FIN - 参考

AI人物志系列：理解智能的本质，需要理解创造它的人。本系列记录那些在寒冬中坚守、在狂热中清醒的灵魂，他们的弯路与开悟，构成了AI的真正历史。 当全世界都在谈论AlphaGo的奇迹时，很少有人知道，那个让机器学会"思考未来"的人，已经在加拿大的寒风中等待了四十年。 2016年3月，韩国首尔四季酒店。AlphaGo与李世石的围棋对决进入白热化。当AlphaGo下出那手震惊世界的"神之一手"时，全球数亿观众为之疯狂。但在遥远的加拿大埃德蒙顿，一位留着胡子、穿着格子衬衫的老人只是微微一笑，然后继续在他的白板上写着公式。 他叫Richard Sutton。他是强化学习之父，是AlphaGo背后的理论奠基人。但此刻，他没有在看直播——他已经知道结果。四十年的等待，终于等到了这一天。 “AlphaGo证明了强化学习可以工作，“Sutton后来平静地说，“但我更关心的是，它还能做什么。” 马萨诸塞州的童年：一个关于选择的谜题 1957年，Sutton出生在美国马萨诸塞州的一个普通家庭。他的父亲是一位工程师，母亲是一位教师。从小，Sutton就展现出对数学和逻辑的痴迷。 但真正改变他的是一本旧书。 那是1960年代末，Sutton在图书馆的角落里发现了一本关于心理学的书。书中描述了一个实验：老鼠在迷宫中学习找到食物。Sutton被这个简单的场景迷住了——没有老师，没有标签，只有尝试、错误、和奖励。老鼠通过不断尝试，学会了最优路径。 “这就是学习的本质，“年轻的Sutton想，“不是被教导，而是通过互动。” 这个念头像一颗种子，埋进了Sutton的心里。他不知道，这颗种子将在四十年后长成参天大树。 斯坦福的困惑：监督学习的局限 1970年代末，Sutton进入斯坦福大学学习计算机科学。那是AI的第一次寒冬，但Sutton对主流的方向感到困惑。 当时的主流是监督学习——给机器大量标注数据，让它学会从输入到输出的映射。但Sutton觉得这种方法有问题：人类不是这样学习的。婴儿学走路，不是通过看一万个"正确走路"的示例；棋手学棋，不是通过记忆所有可能的局面。 人类学习是通过试错，通过与环境的互动，通过奖励和惩罚。 “监督学习假设有一个’正确答案’，“Sutton后来解释，“但现实中，很多问题的答案取决于你未来的行动。下棋时，这一步的好坏取决于你后面怎么下；投资时，这个决策的好坏取决于市场未来的变化。” Sutton想要一种不同的学习范式——强化学习（Reinforcement Learning）。在这种范式中，智能体通过行动影响环境，环境反馈奖励或惩罚，智能体的目标是最大化长期累积奖励。 这不是简单的输入-输出映射，这是一个序列决策问题。 时序差分：在未知中寻找答案 1984年，Sutton在麻省大学阿默斯特分校读博士时，做出了他一生中最重要的贡献——时序差分学习（Temporal Difference Learning）。 核心问题很简单：如何估计一个状态的价值？在棋局中，当前局面的价值取决于从当前局面出发，最终能赢还是输。但我们不知道最终结果，我们只能一步步走下去。 Sutton的洞见是：我们可以用当前的估计来更新当前的估计。 具体来说，当我们从状态A走到状态B时，我们可以用状态B的当前价值估计来更新状态A的价值估计。如果状态B看起来很好，那么状态A也应该变得更好；如果状态B看起来很糟，那么状态A也应该变得更糟。 这种"自举（bootstrapping）“的方法看起来像是循环论证——用估计来更新估计，能收敛吗？ Sutton用数学证明了，在某些条件下，它能收敛。而且，它比传统的蒙特卡洛方法（等到游戏结束才更新）更快、更高效。 “时序差分是人类学习的方式，“Sutton说，“当我们做一件事时，我们不需要等到最终结果才知道好坏。我们可以根据中间反馈实时调整。” 这篇1988年发表的论文，成为强化学习领域的奠基之作。但当时的AI社区对此反应冷淡。 漫长的冬天：在边缘坚守 1980年代到2000年代，强化学习处于AI的边缘。 监督学习有ImageNet，有深度学习，有耀眼的成果。但强化学习呢？它只能在简单的玩具问题上演示，比如让机器人在网格世界里找路，或者让杆子在车上保持平衡。 “那时候很难，“Sutton回忆，“申请经费被拒，发表论文困难，学生招不到。人们问，‘这东西能做什么？‘我回答不了。” 但Sutton没有放弃。他相信，强化学习的问题不是理论问题，是规模问题。当时的计算机不够快，模拟环境不够复杂，算法无法展现真正的能力。 “我们需要等待，“Sutton说，“等待计算能力的提升，等待合适的应用场景。” 这个等待持续了将近三十年。 在这期间，Sutton培养了一批学生，其中最著名的包括David Silver——后来AlphaGo的核心开发者。Sutton把强化学习的火种传递给了下一代，即使他自己看不到火焰燃起的那一天。 “我告诉他们，这不是一个热门的领域，“Sutton说，“但如果你相信它，就坚持下去。” 2013年的突破：Atari游戏上的奇迹 2013年，DeepMind发表了一篇论文，震惊了整个AI社区。 他们用一个简单的强化学习算法（DQN，深度Q网络），在没有任何先验知识的情况下，学会了玩Atari电子游戏。不是一两个游戏，是几十个游戏。而且，在某些游戏上，AI的表现超越了人类专家。 Sutton看到这篇论文时，知道等待结束了。 “DeepMind证明了，强化学习可以扩展到复杂问题，“Sutton说，“不是通过更聪明的算法，而是通过深度学习来近似价值函数。” 这是Sutton理论的完美验证。时序差分学习需要估计状态的价值，但对于复杂问题（比如游戏画面），状态空间太大，无法用表格存储。深度学习提供了近似价值函数的方法——用神经网络来估计"这个画面有多好”。 DeepMind的创始人Demis Hassabis后来承认，他们的工作建立在Sutton的理论基础之上。 “Sutton是强化学习的奠基人，“Hassabis说，“没有他的工作，就没有AlphaGo。” AlphaGo：等待四十年的答案 2016年，AlphaGo击败李世石，成为AI历史上的里程碑。 AlphaGo的核心是蒙特卡洛树搜索（MCTS）结合深度神经网络。但很少有人知道，MCTS的理论基础正是Sutton在1980年代发展的强化学习方法。 具体来说，AlphaGo使用了Sutton的**策略梯度（Policy Gradient）**方法。它不是简单地估计状态价值，而是直接优化策略——教网络"在这种情况下应该怎么下”。 “AlphaGo是强化学习的胜利，“Sutton说，“但它也是开始，不是结束。” Sutton指出，AlphaGo的成功有几个关键因素： 完美的模拟环境：围棋规则明确，可以完美模拟。现实世界没有这么干净。 大量的自对弈数据：AlphaGo通过自己跟自己下棋，生成了数百万局数据。现实世界的数据是昂贵的。 明确的奖励信号：赢或输，一目了然。现实世界的奖励是延迟的、模糊的。 “围棋是强化学习的理想测试场，“Sutton说，“但真正的挑战在现实世界。” 当下的沉思：强化学习的下一个前沿 站在2026年，Sutton正在思考强化学习的下一个前沿。 他认为，当前的强化学习还有几个根本问题需要解决： 样本效率：AlphaGo需要数百万局游戏才能学会下棋，人类只需要几百局。如何让学习更高效？ 泛化能力：AlphaGo只会下围棋，不会下象棋。如何让学到的知识迁移到其他任务？ 真实世界：围棋有完美的模拟器，但现实世界没有。如何让强化学习在真实环境中工作？ Sutton的答案是：预测。 “智能的本质是预测，“Sutton说，“预测接下来会发生什么，预测行动的后果，预测什么策略会带来好的结果。” 他提出了**预测学习（Predictive Learning）**的概念——不是学习特定的任务，而是学习预测世界。这种预测能力是通用的，可以迁移到任何任务。 ...

AI人物志系列：理解智能的本质，需要理解创造它的人。本系列记录那些在寒冬中坚守、在狂热中清醒的灵魂，他们的弯路与开悟，构成了AI的真正历史。 当AI的信仰丢失20年后，一个研究大脑的人重新找到了回家的路。 2016年3月，江苏卫视《最强大脑》的录制现场，一位戴着眼镜、气质儒雅的教授正盯着监视器，眉头紧锁。屏幕上，人工智能系统正在与人类选手进行人脸识别对决。当AI以压倒性优势获胜时，现场爆发出欢呼声，但这位教授却感到一阵眩晕。 他叫刘嘉，当时是北师大心理学院院长，一个研究人脑20多年的脑科学家。那一刻，他意识到一件事：丢失20年的信仰，回来了。 “我当时以为AI还是一如既往的弱智，“他后来回忆，“结果它已经在最强大脑的赛场上击败了人类。那种感觉，就像你一直以为走丢的孩子已经死了，突然有一天，他站在你面前，而且比你想象的更强大。” 北大的第一堂神经网络课：一个被遗忘的名字 刘嘉的AI故事，要从1994年说起。 那一年，刘嘉还是北京大学心理学系的学生。他对数理充满热情，但心理学的课程让他失望——“太文科了，不讲逻辑，太哲学思辨”。他一度想转去学计算机，直到他偶然选了一门课。 那门课叫"人工神经网络”，授课老师是一位刚从日本做完博士后回国的年轻教师。刘嘉至今记得那间教室的位置，记得黑板上画着的神经元连接图，记得那种"终于找到组织了"的激动。 “那是我国内可能第一门人工神经网络的课程，“刘嘉回忆，“老师的样子我都记得，但名字全忘了。” 这个被遗忘的名字，改变了刘嘉的一生。人工神经网络完美契合了他的背景——既有心理世界的复杂性，又有理科的严谨逻辑。他决定把神经网络作为一辈子的事业。 但命运弄人。就在刘嘉准备投身AI时，他遇到了Marvin Minsky。 MIT的低谷：信仰被亲手埋葬 1995年，刘嘉来到MIT读研究生。他满怀憧憬，想要跟随AI界的教父Marvin Minsky学习神经网络。但他不知道的是，Minsky对神经网络"深仇大恨”，而当时的AI正处于最后一次寒冬。 “我去见Minsky的时候，他非常depressed，“刘嘉回忆，“我问他做AI应该选哪个方向，他说他自己也不知道promising的方向在哪里。” Minsky建议刘嘉去学脑科学——“脑科学太好了，有太多frontier可以探索”。刘嘉听从了这个建议，留在了脑与认知科学系。但他没有意识到，这个选择意味着与AI的20年分离。 “我当时并没有底层的逻辑或信念，“刘嘉后来反思，“只是觉得神经网络很酷，但一旦大家说这东西不行，特别是像Minsky这种权威说AI不行，我就没细想，然后放弃掉了。” 那是AI的最后一次寒冬，90%以上的人都放弃了。刘嘉也是其中之一。 20年的弯路：从脑科学到《最强大脑》 接下来的20年，刘嘉把AI"彻底给忘记了”。 他专注于脑科学研究，从MIT博士毕业，回国任教，先在中科院，后去北师大。他研究视觉认知、神经机制、大脑的可塑性，发表了大量论文，成为脑科学领域的权威。2015年，他甚至成为北师大心理学院院长，行政职务一片坦途。 但刘嘉心里始终有一个空缺。那个1994年在北大课堂上点燃的热情，那个关于人工神经网络的梦，被深埋在心底，几乎被遗忘。 直到2016年，《最强大脑》的人机大战。 “当时我们想做一个酷炫的节目，想到了人机大战，“刘嘉回忆，“其实我对AI的进展、对深度学习了解基本上为0，当时以为AI还是一如既往的弱智。” 结果让他震惊。AI在人脸识别上超越了人类最顶尖的高手。而那一年，正是AlphaGo击败李世石的年份。 “这两件事情结合起来，让我重新回到了20年前，“刘嘉说，“丢失20年的信仰，回来了。” 信仰的重建：从Hinton的传记中找到根脉 2016年之后，刘嘉开始疯狂地补课。他读深度学习的论文，学习神经网络的新进展，试图理解这20年发生了什么。 但他很快发现，技术细节不是最重要的。重要的是理解为什么——为什么深度学习突然行了？为什么神经网络在20年后复活了？ “我看了半天也没看明白啥，“刘嘉承认，“后来我想应该从Hinton的传记史里面入手。” 他研究了Geoffrey Hinton的历史，看了Yann LeCun和Yoshua Bengio的背景。但Hinton的经历最触动他——那个在AI寒冬中孤独坚守40年的人，那个即使被全世界嘲笑也不放弃的人。 “Hinton有一句话对我触动特别大，“刘嘉说，“别人问他为什么要坚持做人工神经网络，他说：‘人的大脑就是这么工作的，没理由人工神经网络不这么工作。’” 这句话点出了根脉：人工神经网络不是仿生，而是对智能本质的回归。 刘嘉突然明白了。他20年的脑科学研究不是弯路，而是必要的准备。正因为研究了大脑，他才能真正理解为什么深度学习有效——因为大脑就是这么工作的，神经元连接、学习、涌现智能。 “我找到了我的根脉，“刘嘉说，“当年就应该选人工神经网络来做。至于Hopfield网络还是其他，都不重要。只要底层架构对了，其他都是技术问题。” 辞掉院长：不想错过这个时代 找到根脉后，刘嘉做了一个让所有人震惊的决定：辞去北师大心理学院院长的职务。 “我当时不到45岁，级别做得比较高，从行政的路来讲是一片坦途，“刘嘉解释，“但我想，不能在那上面浪费时间。” 学校不允许他辞职。刘嘉花了一年时间，每两天给大书记发一次短信，“你赶紧批准吧”。最终，他成功了，成为一个普通的教授，把所有行政职务全部辞掉。 “现在是最伟大的时代，“刘嘉说，“为什么说要把所有的行政职务全部给辞掉？道理非常简单——不想错过这个时代。” 2019年，刘嘉加入清华，成为脑与智能实验室的负责人。清华的AI很强，但脑科学比较弱；刘嘉的脑科学很强，但AI比较弱。这是一个完美的互补。 “我和清华之前完全没有任何交集，“刘嘉说，“但我觉得那是一个很好的地方。” 降临派的天选之人：脑科学+AI的融合 刘嘉把自己称为"降临派”——相信AI终将超越人类，而人类应该迎接这个未来。 但与其他降临派不同，刘嘉的信仰有坚实的科学基础。他认为，光靠Transformer堆数量是不够的，神经元的质量需要脑科学的借鉴。 “我们可以堆数量，但是光靠堆数量是不行的，还要去提升质量，“刘嘉说，“这时候需要脑科学的借鉴。” 他指出了当前AI的三大缺陷： 缺乏复杂度：Transformer没有动力学，没有偏微分方程，而生物神经网络是四维的（三维结构+时间）。 缺乏长程反馈：人脑40%是长程feedback连接，而Transformer接近零。 缺乏并行加工：Transformer只能串行predict next token，而人类有快速的并行加工系统。 “这三个东西是目前人脑和人工神经网络最大的区别，“刘嘉说，“而这三个东西，导致我们现在做脑机接口和机器人最大的瓶颈。” 刘嘉认为，AI要进入下一个阶段，必须有一场基于脑科学的启蒙运动——就像当年脑科学启蒙了感知机、卷积神经网络一样。 “我觉得下面还需要一个脑科学，在第一系统上面对AI有一个启蒙，“刘嘉说，“这个启蒙一旦完成了，AI才会变成一个真正的AI，或者真正的物种。” 当下的沉思：与AI共生是最难的课题 站在2026年，刘嘉正在拼命思考一个课题：怎么和AI对话，怎么和AI共生。 “很难很难，“他承认，“很多人觉得能够用AI就叫AI原生，那就是瞎扯。AI原生是一种思维范式的、一种根本性的改变。” 刘嘉把与AI的关系比作"谈恋爱”——不是工具的使用，而是伙伴的合作。AI不是word、不是PPT，它有能动性，有创造力，有"小性格”。 “她就像一个小女生一样，你今天对她还好好的，你说句话她还挺开心，你明天说同样的话她就给你使脸色，“刘嘉形容，“那一定是我philosophy哪儿没做对。” 这种困惑是普遍的。AI时代，“小术易求，大道难得”——各种工具、技巧层出不穷，但从底层理解AI的philosophy，反而成为这个时代最困惑的问题。 “全世界所有的人，现在都没有这个philosophy，“刘嘉说，“大家都是在摸索的过程中。但有些人走到前面，他有更深刻的理解。” 刘嘉希望成为那个"走到前面"的人。他用20年研究人脑，用20年远离AI，然后在2016年重新找到信仰。这种经历让他有独特的视角——既懂脑科学，又懂AI；既懂人的智能，又懂人工智能。 “如果从一个降临派的角度来说，我的那个歧路可能是必要的安排，“刘嘉说，“从头到尾没有放弃过信仰，但是需要去学习别的东西，从而可以帮助AI更好的发展。” 说到底：一个天选之人的使命 刘嘉的故事，是一个关于信仰与弯路的故事。 ...

AI人物志系列：理解智能的本质，需要理解创造它的人。本系列记录那些在寒冬中坚守、在狂热中清醒的灵魂，他们的弯路与开悟，构成了AI的真正历史。 他是人工智能的命名者，却亲手扼杀了它的第一个春天。 1956年夏天，达特茅斯学院的一间会议室里，四位年轻人正在讨论一个疯狂的想法：让机器像人一样思考。他们中有数学家、信息论专家、神经科学家，还有一个刚刚从哈佛毕业的年轻人——Marvin Minsky。 会议持续了八周，没有产生任何实质性的成果。但Minsky提出了一个词，改变了历史：人工智能（Artificial Intelligence）。 “我当时只是想找一个词来描述我们要做的事，“Minsky后来回忆，“没想到它会变成这么大的一个领域。” 他更没想到的是，二十年后，他会成为这个领域的"杀手”。 哈佛的天才：一个关于心智的谜题 1927年，Minsky出生在纽约的一个犹太家庭。他的父亲是一位眼科医生，母亲是一位艺术家。从小，Minsky就展现出惊人的天赋——他读遍了家里的所有书籍，从医学到艺术，从哲学到数学。 但真正改变他的是一台玩具。 那是1940年代，Minsky的父亲给他买了一台显微镜。年轻的Minsky开始观察一切——昆虫的翅膀、植物的细胞、自己的皮肤。但他最着迷的不是这些实物，而是观察本身。 “我看着显微镜，突然意识到一个问题，“Minsky后来写道，“我在用我的眼睛观察细胞，但我的眼睛也是由细胞组成的。那么，是什么在观察？” 这个关于自我的谜题，成为Minsky一生的追求。他想知道心智是如何工作的，意识是如何产生的，智能是如何涌现的。 1946年，Minsky进入哈佛大学。他主修数学，但他的兴趣遍布所有学科。他听神经科学的课，参加哲学的讨论，在心理学实验室做实验。他想要找到一个统一的框架，来解释所有关于心智的问题。 “我当时相信，智能是可以被形式化的，“Minsky回忆，“如果我们能描述心智的规则，我们就能在机器上实现它。” 这是符号主义AI的核心理念，也是Minsky一生的信仰。 达特茅斯：一个夏天的野心 1956年的达特茅斯会议，是AI历史上的里程碑。但很少有人知道，这次会议几乎是一场灾难。 会议的组织者是John McCarthy，一位年轻的数学家。他邀请了Minsky、Claude Shannon（信息论创始人）、Nathaniel Rochester（IBM首席设计师）等人，希望讨论"如何让机器模拟人类智能的各个方面”。 但会议开始后，大家发现根本不知道该讨论什么。每个人对"智能"的理解都不同，每个方向看起来都充满可能。争论持续了八周，没有达成任何共识。 “那是一次失败的会议，“一位参与者后来承认，“但Minsky拯救了它。” Minsky做了什么？他提出了一个框架。他说，智能可以被分解为几个核心问题：推理、知识表示、学习、语言理解。每个问题都可以被独立研究，最终组合成一个完整的智能系统。 这个框架让混乱的讨论有了方向。它也成为符号主义AI的路线图，影响了接下来二十年的研究。 “Minsky的天才在于抽象，“一位AI历史学家评价，“他能把复杂的问题简化成可管理的部分。这种能力在科学史上是罕见的。” MIT AI Lab：符号主义的黄金时代 1959年，Minsky和McCarthy共同创立了MIT人工智能实验室。这是世界上第一个专门研究AI的机构，也是符号主义AI的大本营。 在接下来的二十年里，MIT AI Lab诞生了无数传奇。Minsky的学生们开发了最早的专家系统、自然语言处理程序、机器人视觉系统。他们相信，只要积累足够多的规则，机器就能拥有通用的智能。 Minsky本人也做出了重要贡献。他开发了框架理论（Frame Theory），一种知识表示的方法；他设计了Snarc，最早的神经网络模拟器之一；他写了《心智社会（The Society of Mind）》，一本试图解释意识如何产生的哲学著作。 “那是一段令人兴奋的时光，“一位Minsky的学生回忆，“我们相信自己在创造历史。Minsky告诉我们，智能的奥秘就在我们眼前，只要再努力一点，就能揭开它。” 但Minsky的自信背后，隐藏着一种傲慢。他相信符号主义是正确的道路，其他方向都是歧途。特别是神经网络——那种模仿大脑结构的"连接主义"方法，在Minsky看来是"不科学的”。 “神经网络只是统计学，“Minsky在一次演讲中说，“它没有告诉我们任何关于智能本质的东西。” 这种偏见，最终导致了AI历史上最大的悲剧之一。 《感知机》：一把双刃剑 1969年，Minsky和Seymour Papert出版了《感知机（Perceptrons）》一书。这本书用严格的数学证明，指出了单层神经网络的致命缺陷：它们无法解决简单的异或（XOR）问题。 从技术角度，这本书是正确的。单层感知机确实有局限性，需要多层结构才能解决复杂问题。但Minsky和Papert的表述方式——强调神经网络的"不可能性”，而不是讨论如何改进——给整个领域泼了一盆冷水。 “那本书杀死了神经网络研究，“一位经历过那个时代的科学家说，“Minsky是当时AI界的权威，他的话有决定性的影响。当他说神经网络是死胡同时，没有人敢继续研究它。” 神经网络进入了第一次"寒冬”。研究经费被削减，学术职位消失，年轻的研究者被迫转行。Hinton后来回忆，他在1970年代几乎找不到任何关于神经网络的论文，因为"那个领域已经不存在了”。 Minsky知道这本书的影响，但他从未为此道歉。“我只是在陈述事实，“他坚持，“如果神经网络研究者不能解决这些问题，那他们就不应该继续。” 这种冷酷让许多人感到愤怒。但Minsky不在乎。他相信真理比人情更重要，即使这个真理可能伤害了别人。 1980年代：一个教父的困惑 1980年代，专家系统的成功让AI迎来了第二次春天。Minsky似乎被证明是对的——符号主义确实可以产生实用的系统。 但Minsky本人并不满意。 专家系统只能在特定领域工作，它们没有通用智能，不能学习新知识，不能理解常识。Minsky想要的不是这种"窄AI”，他想要的是真正的智能——像人类一样灵活、创造性、有自我意识的智能。 “我们在建造工具，不是在理解心智，“Minsky在一次会议上抱怨，“这不是我想要的AI。” 这种困惑让Minsky在1980年代陷入了一种奇怪的境地。他仍然是AI界的权威，但他的研究方向与主流脱节。他继续研究知识表示、意识理论、心智哲学，但这些工作越来越抽象，越来越远离实际应用。 一位Minsky的同事回忆：“那是一段孤独的时期。Minsky还在MIT，但他不再是那个引领潮流的人。他在思考一些太超前的问题，而业界只关心眼前的应用。” 更讽刺的是，神经网络在1980年代复活了。反向传播算法的出现让多层神经网络变得可行，Hinton、LeCun、Bengio等人开始取得突破。Minsky曾经的"受害者"们，正在证明他错了。 Minsky的反应是沉默。他不再公开批评神经网络，但他也不承认自己的错误。他继续走自己的路，研究符号主义，研究心智哲学，等待符号主义的复兴。 那个复兴从未到来。 2000年代：一个老人的守望 进入21世纪，Minsky已经七十多岁。他仍然活跃在学术界，但他的影响力已经大不如前。 深度学习在2010年代的爆发，彻底终结了符号主义的时代。神经网络在图像识别、语音识别、自然语言处理等领域全面超越符号方法。Minsky曾经嘲笑的"统计学”，正在成为AI的主流。 Minsky对此的反应很复杂。一方面，他承认神经网络的成就；另一方面，他坚持认为这些系统没有真正理解任何东西。 “它们只是在模式匹配，“他在2010年的一次采访中说，“它们没有概念，没有推理，没有自我。这不是智能，这是高级的计算。” 这种批评有一定的道理。大语言模型确实缺乏常识推理、因果理解和真正的创造力。但Minsky的问题在于，他也没有提供替代方案。符号主义在理论上优雅，但在实践中失败。神经网络在实践中成功，但在理论上不透明。 “Minsky被困在自己的框架里，“一位AI研究者评价，“他太相信符号主义了，以至于无法看到其他可能性。这是一个悲剧——一个如此聪明的人，却被自己的偏见限制。” 2016年，Minsky去世，享年88岁。他没有看到AlphaGo击败李世石，没有看到GPT的爆发，没有看到AI成为全社会的焦点。从某种意义上，这是幸运的——他不必面对符号主义的彻底失败。 ...