# 李飞飞最新访谈：AI 咋能代替人呢？

- 原文链接：https://mp.weixin.qq.com/s/mjYarBmoETYTcj3husF4Hg
- 来源：量子位（公众号「关注前沿科技」转载）；作者：文婷
- 内容形态：对 Huberman Lab 访谈的中文整理，称经 AI 精校
- 发布时间：2026-08-16 18:30 CST；获取时间：2026-08-17

## 正文

文章整理李飞飞在 Huberman Lab 访谈中的观点：AI 不应被理解为人类替代者，而是能力放大器；视觉、数据、具身交互、医疗协作、教育与公共治理都必须保留人的目标、价值与参与。

### 视觉、数据与当前模型的边界

李飞飞从生物视觉与计算机视觉两条脉络解释 AI。生物视觉的层级结构启发早期神经网络；她在 2006 年意识到数据可能比算法更稀缺，随后推动 ImageNet。文章将 2012 年后视觉突破归因于大规模数据集、深度神经网络和 GPU 算力的会合。

但统计学习不等于人类理解。孩子见过少量猫就能在新情境识别，模型则依赖大规模相关数据。视频生成可以从大量视频中学习运动统计规律，却不必然理解肌肉、物体结构或物理因果，这被用来解释生成画面中的不合常识现象。

### 私人体验、创造与动机

文章认为互联网记录大量行为数据，却不包含每个人未表达的私人情绪、记忆和主观体验。现有 AI 可通过目标函数模拟不同工作模式，却没有真实恐惧、喜爱或共情；语言上的安慰来自学习到的表达模式。对于存在严格规则的围棋，AI 能提出新颖动作；对需要改变问题框架的数学难题，文章更看好人机协作。

### 医疗：数据充分时辅助，稀缺复杂时协作

李飞飞将医学研究与诊疗视为 AI 的重要应用场景：AI 能连接跨学科信息、处理大量资料，并帮助医生和患者理解信息。原文同时强调样本边界。高发、病例充足的问题可用于初步辅助；个体差异巨大的复杂肝脏手术即使汇集全球病例也难保证可靠自动化。达芬奇手术机器人由医生操控的案例被用来说明，工具增强与自主替代不是同一条路径。

### 机器人与公共参与

机器人可承担高危消防、搬运、护理辅助和独居老人事务等任务，但不替代亲情与陪伴。文章反对由少数技术企业或投资人单方面定义技术未来，主张公众、教师、家长、医疗人员、研究者和监管方共同参与。高风险医疗 AI 需要类似安全红线；设计产品时既要懂技术，也要理解人的真实需求和接受方式。

### 教育、苏格拉底与技术解释权

原文反对一刀切禁止学生使用 AI，转而强调帮助教师和家长理解工具、引导青少年建立正确使用方式。它也批评少数掌握技术者借由不解释底层原理维持话语权，并将苏格拉底式不断追问比作一种“提示词工程”：技术沟通应让公众理解边界，而非只放大恐惧或万能叙事。

## 证据边界

本文不是 Huberman Lab 原始视频、逐字稿或李飞飞论文。ImageNet 历史、模型能力比较、2016 年识别准确度、医疗案例、术中出血比例、神经科学结论和所有引语均来自媒体二手转述，未独立核验；文章中主持人的个人诊断经历不构成医疗建议。应将其作为“数据边界 + 人机协作 + 公共治理”的讨论框架。

标签： #主题/AI伦理 #主题/人机协作 #主题/计算机视觉 #主题/医疗AI #主题/具身智能 #节点/统计学习边界 #节点/私人体验 #节点/公共治理 #场景/公众号长文