访谈核心：AI的价值不在“取代”

李飞飞在Huberman Lab最新访谈中再次强调，AI不应被理解为人的替代者，而应被视为个人能力的放大镜。围绕视觉智能、医疗、机器人、影视和教育，她给出的主线很清晰：技术会重塑行业，但真正值得追问的不是机器能否“超过人”，而是社会如何让它服务人的真实需求。

她反对把AI未来交给少数科技公司或市场收益逻辑单独决定，主张监管者、学术界、产业界、医生、教师、家长和普通用户共同参与。专业术语“以人为本AI”可理解为：从人的安全、尊严、选择权和社会影响出发设计与治理人工智能。

从视觉到大模型：数据、算力与算法汇合

访谈从视觉谈起。李飞飞认为，视觉是智能的重要基础：约5.4亿年前感光能力出现，推动了寒武纪生命演化；在人类大脑中，视觉也占据极高权重。对AI而言，视觉研究一方面启发了层级神经网络，另一方面带来了“数据觉醒”。

她回顾说，2006年在普林斯顿研究时，她意识到限制计算机视觉进展的可能不是算法本身，而是训练数据不足。由此，ImageNet项目积累了千万级图片数据集。到2012年，大数据集、深度神经网络和GPU并行算力相遇，现代AI迎来关键转折。

几个节点被反复提及：

• 人类在ImageNet千类物体识别中的错误率约为4%；
• 到2016年，算法识别准确度首次超过人类；
• 2016至2017年Transformer架构出现后，语言模型进入快速迭代；
• 2022年ChatGPT发布，成为大模型普及的标志；
• 2024年Sora展示了视频生成能力，但仍依赖海量视频中的统计规律。

李飞飞提醒，今天的AI能判断“猫尾巴属于猫”，但它不像儿童那样用少量经验举一反三，而是依赖大规模数据学习模式。它也不能真正体验个人化情绪、童年记忆或发自内心的共情。所谓“深度思考模式”等，更像是目标函数和参数设置的变化，而非机器产生了真实内在驱动力。

医疗与机器人：协作比自动替代更现实

在医疗场景中，李飞飞认为AI最有潜力的方向是辅助科研和诊疗。生物医学知识持续更新，人类研究者难以同时掌握所有细分领域，而AI可以整合大量文献、病例和跨学科信息，帮助医生和患者获得更清晰的参考。

但她也强调边界。主持人提到自己曾用AI辅助判断眩晕与低血压，李飞飞认为，这类有大量病例积累的常见问题，AI确实可能提供初步参考。相反，复杂外科手术仍难以交给AI自动完成。她以父亲在斯坦福接受肝脏手术为例：手术由外科医生操控达芬奇机器人完成，术中出血量比传统手术少了十倍。她与医生讨论后认为，肝脏结构复杂、个体差异巨大，即便汇总全球病例，也未必足以训练出稳定可靠的全自动手术AI。

这正说明，AI适合在数据充分、任务边界清晰的场景发挥作用；在高风险、样本稀少、个体差异大的场景，人的判断和责任仍是核心。未来可探索虚拟器官仿真、手术训练等方向，但这仍属于科研推进中的问题。

机器人也是类似逻辑。李飞飞期待机器人承担护理、取药、搬运、消防等高负荷或高风险任务，帮助老人、护士和消防员减轻压力；但她同时指出，硬件落地会更慢，机器人不能替代亲情陪伴，只能分担具体劳动。

影视、教育与治理：让更多人参与塑造未来

谈到影视创作，李飞飞的核心观点仍然是“放大”而非“替代”。AI可以进入创作流程，帮助创作者扩展表达手段，但作品的核心仍来自人类的叙事角度、情绪经验、人物塑造和审美判断。AI更应成为创作者的新工具，而不是抹掉创作者价值的机器。

教育问题同样不能简单化。摘要中提到，李飞飞不赞成一刀切禁止学生使用AI。她认为，要守护下一代，关键是看见教师群体，帮助老师和家长理解AI，引导青少年正确使用。她还提到苏格拉底可被视为历史上顶尖的“提示词工程师”——这里的“提示词”指人向AI提出任务的指令，好的提问能引导更好的思考。

她对AI治理的建议包括：

• 在高校加强AI伦理教育；
• 为高风险医疗AI设立类似FDA的安全红线；
• 让产业、学术、监管和公众共同参与；
• 向大众讲清技术原理，减少信息差带来的不安。

行业判断：从替代叙事转向协作叙事

这场访谈的价值，在于把AI讨论从“机器是否抢走一切”的极端叙事中拉回现实。AI确实会带来岗位转型、创作流程变化和治理挑战，但它的能力仍建立在数据、算力和模型结构之上，并不等于拥有人的经验、情感和责任。

接下来，AI落地的主线很可能不是全自动替代，而是人机协作：医生借AI筛查信息，创作者用AI扩展表达，教师引导学生把AI变成学习伙伴，机器人承担重复和危险劳动。真正决定技术走向的，将不只是模型能力，而是社会能否建立透明、审慎、以人为本的使用规则。