10月25日下午5時許，採訪間的大門緩緩打開，所有人的目光立刻聚焦在了一個身影上——“機器學習之父”、美國三院院士、頂科協獎“智能科學或數學獎”遴選委員會主席邁克爾·I·喬丹（Michael·I·Jordan）教授，大步流星地走了進來，接受大江東-復旦融媒體創新工作室的專訪。

“你好！”他用堪稱標准的普通話跟我們打招呼，也讓我們有些緊張的心情放鬆下來。

“AI永遠不會取代人類。它擁有的是動物般的、模仿的智慧，但永遠無法像人類一樣進行批判性思考。”這位AI（人工智能）領域的權威，面對我們的提問，堅定地闡述了自己對AI發展的看法。

“跨學科探索能提供未曾考慮過的視角，讓我感到興奮”

這天上午，在2024世界頂尖科學家協會獎頒獎典禮上，喬丹與“智能科學或數學獎”得主喬恩·克萊因伯格緊緊握手。兩年前，正是在這個舞台上，喬丹從時任頂科協獎“智能科學或數學獎”遴選委員主席、2017年圖靈獎得主約翰·軒尼詩手中，接過了同一個獎項。

喬恩·克萊因伯格（右二）獲頒“智能科學或數學獎”，邁克爾·I·喬丹（左二）宣讀頒獎詞。主辦方供圖

“我希望每次從論壇上看到一些不同的東西。”邁克爾·I·喬丹向我們強調，“多樣性是關鍵。”

喬丹的科研經歷，就是踐行多樣性的過程。在過去數十年的研究生涯中，這位著名的計算機科學家完成了多項跨學科的高難度任務。以計算機領域為出發點，他在AI和機器學習的陣地上相繼引入心理學、統計學、認知科學、工程學等多個學科的知識，在學科間持續編織出新的聯系。

《哈佛數據科學評論》這樣評價他的工作：“在機器學習和統計學之間建立了重要的橋梁，推動了貝葉斯網絡和變分方法的發展。”2024年諾貝爾物理學獎得主、2018年圖靈獎得主杰弗裡·辛頓也提到，喬丹的工作對機器學習領域的影響是深遠的，提供了許多新的視角和方法。

在計算機研究的領域，喬丹的多學科背景可謂罕見，他自己也曾在演講中笑稱自己“堪屬異類”。

“本科時，我主要是學習心理學，這一領域幫助我初步理解人類如何感知周圍環境，但我想更深入地理解人類是如何思考的，想知道人類為什麼會採取這樣或那樣的行動，於是我轉向了神經科學領域。接著，我開始好奇群體意義上，人類應該建立怎樣的組織，如何通過集體獲取社會福祉，如何控制、消除、應對不確定性？於是，我又轉向了統計科學和計算機領域。”他這樣回答我們對他多學科背景的提問。

1985年獲得認知科學博士學位后，喬丹先后在馬薩諸塞大學和麻省理工學院從事人工智能與認知科學相關的研究工作。1998年起，他加入加州大學伯克利分校，擔任電子工程與計算機系和統計學系教授、實時智能決策計算平台實驗室共同主任、統計人工智能實驗室主任，並曾任統計系系主任。

“跨學科的經歷並非我有意為之，而是順其自然發展出來的路徑。”當被問及是什麼驅動著他孜孜不倦地在不同學科間“穿行”，喬丹的回答坦誠又出乎意料，“跨學科探索能夠提供給我未曾考慮過的視角，這件事本身就讓我興奮。”

今天，喬丹依然在學科交叉領域不斷探索，追逐著對未知的渴望。他向我們敘述了自己新的興趣：“在疫情期間，我沉浸於對病毒和免疫系統的研究。這種微觀世界裡的對抗，病毒和人體防御系統的較量，復雜而多層次，幾乎如同一部偵探小說。”他接著補充道：“其實，一直以來都是好奇心在推動我探索不同的領域。我所關注的從來不是特定的學科，而是那些不斷浮現的研究難題，吸引我一步步走向深入。”

“相比於用模型來定義，我更想用協作與洞見眺望AI的未來”

“AI進化的速度，遠遠超越了任何其他現存的技術。”這是馬斯克在ALL-IN峰會上說的一句話，當我們問及喬丹對這句話的看法，他笑著回應：的確如此。

邁克爾·I·喬丹。劉唱攝

在喬丹看來，AI領域如今就像一台高速運轉的引擎，裝載著無數新論文、新構想、新模型的技術前景。學術界不斷創新，而產業界則試圖找到實際的商業模式。面對我們對AI前景的提問，這位泰斗級學者說：“大家都在問，為什麼構建這個模型？什麼才是好的垂類大模型應用？實際上，這些問題的答案是在不斷加速中形成的。”

今年9月在上海舉辦的2024外灘大會上，喬丹圍繞AI技術的未來發展，提出了自己獨到的見解。他特別關注三個關鍵詞——集體性、不確定性和激勵機制，認為這才是AI產業良性發展的關鍵所在。

喬丹認為，人工智能的應用應更多地考慮協作，而不僅僅是某一組織、某一國家等單一智能體的表現。他提出，應借鑒經濟學中的激勵機制，讓AI系統在實現目標的過程中相互協作，從而提升整體智能水平。他說：“我不是用模型定義AI的未來，而是用協作與洞見眺望AI的未來。”

提及當下AI工具走進尋常百姓家，譬如Midjourney和Sora，喬丹坦言自己不常用這些工具，對大眾使用的“AI味”並無特別感觸。他略帶一絲調侃地說：“沒注意到，我的研究方向不同。”

不過，當話題轉向多模態技術，他開始認真闡述起來。喬丹向我們解釋道，多模態讓AI得以更接近真實世界的理解。他打了個比喻：“如果我隻能基於文本，完美地預測詞語，比如ChatGPT，看似理解了語言，但這並非真正的理解。”他指了指房間裡的一盞吊燈，說：“想象如果我看到它掉落並摔碎，視覺與文本結合，就能提供更多的語義信息。”

喬丹認為，多模態技術有可能是一種幫助AI更好理解現實的方法，並且可能是賦予模型推理能力的重要因素。

AI的發展並非一帆風順，研發需要極大的投入，還伴隨著層層挑戰。然而，正是這些挑戰推動著人類不斷探索智能的邊界。在最近的《泰晤士報》2024年科技峰會上，諾貝爾獎得主、DeepMind CEO丹米斯·哈薩比斯表示，AGI的實現或許還有10年時間。喬丹則認為，智能的定義仍然充滿復雜性和不確定性：“智能的定義究竟是什麼？是人類智能、市場智能，還是其他？在硅谷，這樣模糊的表述往往成為融資的標簽，而未必是真正的科學概念。”

“探索並不總是順利的，不要畏懼困難，不要急功近利”

跨學科的學習無疑充滿挑戰。“探索的過程並不總是順利的。”喬丹對我們現身說法，“直到30多歲時，我的職業生涯才逐漸成型。”

邁克爾·I·喬丹接受大江東-復旦融媒體創新工作室採訪。伍靜攝

採訪現場。伍靜攝

基於自己的經歷，喬丹還給出了誠摯的建議：不要畏懼困難，不要急功近利。保持旺盛的求知欲，跟隨具體的問題去開拓自己的研究道路，去發現那些未被發現的事物，“問題會帶你到應該去的地方。”

“如果執著於立即成功，往往事與願違。所以，請保持耐心。”喬丹深知初期研究者常有的迷茫與困惑，也理解他們因不安而產生的恐慌，“每個人都是獨一無二的，找到適合自己實現目標的方法，至關重要。”

喬丹經常告誡學生，不必執迷於短期成果，也不要因對未知的恐懼而放棄新的探索。最好的方法是多渠道獲取知識，與值得信任的前輩、同行交流，同時在書籍和優質學術資源中沉潛。講到這裡，他向我們攤攤手，“兩三年后，你自然會知道該做什麼、如何去做。”

在耐心、無畏、多交流的教學理念引導下，喬丹培養出了一批優秀的學者，如吳恩達、Zoubin Ghahramani、Tommi Jaakkola、Lawrence Saul和David Blei，他們現已成為機器學習領域的重要人物。

斯坦福大學教授、Coursera創始人吳恩達曾公開表示：“喬丹教授是我在機器學習領域的導師，他的指導對我的研究產生了深遠的影響。”2018年圖靈獎得主約書亞·本吉奧也高度贊揚喬丹：“他是機器學習領域的開創者，為我們理解統計學習和人工智能打下了堅實基礎。”

在採訪中，喬丹還談起了自己的愛好，眼中閃爍著興奮的光芒：“我喜歡打鼓，還會和樂隊一起演奏。”他邊說邊比劃，“每次坐在鼓前，仿佛進入了一場與自己的對話。手、眼、腳全神貫注，協調運作，每一次敲擊都能感受到那種默契在不斷推著我進步。”他微微一笑，似乎回味著那份專注，“練習讓一切更完美，我享受這種自我對話和自我提升的過程。”

報道統籌：李泓冰

採寫指導：復旦大學新聞學院教師陸柳

採訪寫作：復旦大學新聞學院學生劉暢、朱壽富、劉唱

視頻採制：朱壽富、劉唱

（來源：大江東-復旦融媒體創新工作室）

分享讓更多人看到