李飞飞最新对谈：未来几年，最值钱的是这2类人！
笔记侠 · 商业与创投
笔记侠 2026-11-06 21:15 北京 机器给的是答案，人给的是问题。 内容来源： 汇编至网络公开资料。 责编 | 柒 第 9948 篇深度好文：2945 | 8分钟 阅读 思维方式 AI把活都接走了，人还干什么？什么样的人反而更值钱？ 10月28日，斯坦福以人为本人工智能研究院的闭幕对话，李飞飞采访了杰夫·迪恩 （谷歌第20号员工） 。 迪恩说，我们集体要做什么，得由人来想清楚。李飞飞说，数学家在那些问题里看到的不只是解法，还看到美。 两个人各说了一半，迪恩守的是积累，李飞飞守的是方向。 合起来，就是AI时代最不容易被替代的两类人。 一、机器接管了“解”，没有接管“选” 迪恩开场就提出： 光有好的基础模型，解决不了我们想解决的问题。要在模型之上加智能体，才能真正用工具把复杂的任务做完。 很多公司做AI都是这个套路：接一个模型，做个对话框，挑几个场景试。单个任务都能干，一串起来就不行。 真实的活儿不是一问一答，是一串动作：查数据、调工具、跑实验、看结果、改方案、再来一轮。 模型会其中一步，但不会把这一串串起来。 审一份合同，有六步：读条款、比标准库、标风险、写修改意见、回给业务确认、再改一遍。 每一步都不难，难的是衔接：哪步该调工具，哪步结果不对要回头重跑，哪步必须等人签字。 模型能写修改意见，但不知道这份合同该不该回头重跑，智能体就管这个。 模型是发动机，智能体是传动。 李飞飞插了一句：真正打动你们的，是这个循环。 Discovery Loop （意为发现循环） 定的目标，是把领域专家的效率提高20到50倍。 这个数字是怎么来的？ 一个科学家一天里真正想问题的时间可能不到两成，其余都花在写脚本、调环境、跑批处理、整理结果、画图。 循环压掉了这些手工活，人就更有时间思考。 这些事AI都能帮上忙，但我们要做什么，得由人来想清楚。 机器给的是答案，人给的是问题和方法。答案解决一道题，方法解决一类题。 选题这件事，机器到现在还不会。 二、第一类人： 在一个地方扎得够深的人 李飞飞在另一场访谈里有个比喻：AI是放大镜，不是替代者。 她说，真正该被讨论的问题，不是AI能不能替代你，而是你有没有可以被放大的东西。 工具便宜到不要钱时，人和人的差距就回到最原始的地方：你原来会什么。 过去会用一个软件、熟一套流程、知道找谁签字，都算本事。这一层被抹平了，底下剩什么才见真章。 迪恩讲了一个细节：系统解过5000个问题，解第5001个时，该从最相近的那批问题里学。 老手和新手的差别也在这：不是记得多，是知道该调哪段经验。 还有两个例子，都来自他自己的经历里。 一个是蒸馏。他和辛顿、维纳尔斯那篇论文，讲拿一个又大又贵又笨重的模型当老师，教出一个轻巧的学生。 顺序很重要，先有那个笨重的老师，才教得出轻巧的学生。人也一样， 没下过笨功夫，直接求巧，巧就是敷衍。 另一个是 Transformer （今天大模型的地基架构） 。他说那篇论文最妙的地方，是把走过的状态全留下来，再回头看哪些重要；不像以前，来一个新状态就把前面的忘了。 人也一样：别来一件新事，就把前面攒的全丢了。 深的功夫，都是攒出来的，不是临时找出来的。 企业也一样。想用AI加速的一件事，先问循环断在哪一步。 断在电脑里的，今年就能提；断在线下、断在人手上的，别按软件的速度排计划，得另想办法。 三、第二类人： 清楚知道自己要做什么的人 对话最后，李飞飞问了个跟技术无关的问题。她说现在的学生很焦虑，连斯坦福毕业生都在担心工作和往后的日子，问迪恩有什么话对他们说。 迪恩的回答是：我完全理解这种焦虑，世界变化太快。为一个快速变化的未来做规划，本来就很难。 他给了一个简单的办法：看看有哪些新技术正在冒出来，再想想怎么把它用在你最想做的那件事上。 当医生，写东西，把软件写得更好，都行。想清楚自己要做什么，然后在这件事上做到最好。 李飞飞也提出一个观点： 在AI时代，人的热情依然是永恒的。 其实，两个人说的是同一件事：工具管怎么干，方向得自己定。 看他们自己创业的时机，也是这个路子。李飞飞办 World Labs （空间智能公司） ，是因为看见计算机视觉和生成模型合到了一起，机器能做出文字之外的东西。 迪恩那边，Quoc （他后来的创业搭档） 十年前做神经架构搜索，划个搜索范围还得用 Python （一种编程语言） 写一堆很难看的代码；现在直接跟模型说一句，去试试哪些架构能读核磁共振图像，它就去了。 门槛降到这一步，他才觉得该动手。 李飞飞问迪恩：你们四个都是谷歌老人，有没有那么一刻，觉得非得做点不一样的事，而且这事在谷歌做不成？ 迪恩的答案是两个字：专注。小团队所有人都盯着同一件事，没有大组织那些“轻微”的干扰。 四、连他都看错了，凭什么我们敢赌 前面两类人，一类靠积累，一类靠方向。那预测这件事