这篇访谈里，AI大佬Michael I. Jordan说，我们以为的AI革命其实还没来，现在只是像早期化学工程那样在拼凑系统，离真正理解大脑还差得远。他批评当前AI只做预测、不管风险，比如推荐系统猜你喜欢什么，但根本不懂你真正想要什么。他特别点名Facebook和Google的广告模式是虚假新闻的根源，因为平台靠点击率赚钱，而不是帮用户找到好东西。他建议改成让创作者和用户直接连接的小额支付模式。
Michael I. Jordan（UC Berkeley教授，引用超170,000次）在Lex Fridman播客中讨论机器学习、推荐系统与AI未来。核心观点是AI革命尚未真正发生，需拓宽领域范围，将AI视为深度人性化的事业——不仅工程化算法与机器人，更要在从个体到文明的所有抽象层级上理解并赋能人类。Jordan被Yann LeCun称为“机器学习的Miles Davis”，因其不断自我革新。他指导过Andrew Ng、Zoubin Ghahramani等顶尖研究者，强调统计学与计算机科学的交叉，并主张AI应超越当前狭隘的技术视角。
Michael I. Jordan（UC Berkeley教授，引用超170,000次）在Lex Fridman播客中讨论机器学习、推荐系统与AI未来。核心观点是AI革命尚未真正发生，需拓宽领域范围，将AI视为深度人性化的事业——不仅工程化算法与机器人，更要在从个体到文明的所有抽象层级上理解并赋能人类。Jordan被Yann LeCun称为"机器学习的Miles Davis"，因其不断自我革新。他指导过Andrew Ng、Zoubin Ghahramani等顶尖研究者，强调统计学与计算机科学的交叉，并主张AI应超越当前狭隘的技术视角。
Michael I. Jordan认为，当前AI领域被误称为"人工智能"，实际是统计学与计算机科学催生的新工程学科，类似于化学工程从化学中诞生、电气工程从电磁学中诞生。
Jordan以历史类比展开论证：1930-40年代，化学与流体力学已存在，但"化学工程"作为独立学科尚未成型——人们想建工厂、规模化生产化学品，但缺乏系统性工程原则，工厂有时爆炸、有时不盈利。同样，Maxwell方程组已涵盖电磁学全部知识，但如何安全搭建电路、模块化集成、远距离输电，需要电气工程学科。Jordan判断："我认为这就是正在发生的事情——我们有一个前身领域，即统计学和计算机科学中偏理论、偏算法的那部分。这足以开始建造东西。但建造什么？是那些为人类带来价值、使用人类数据、融入人类决策的系统。而工程化那一侧目前全是临时拼凑的。"
他进一步强调，人类对大脑的理解仍处于"古希腊水平"："我们完全不知道大脑如何进行计算。我们比古希腊人对任何有趣的科学问题都更无知。" 真正的神经科学家研究单个突触的电镜图像——"那是一座城市"，而突触只是树突树上的一个小点。Jordan批评行业过度营销："很多年轻人以为我们即将取得突破。不择手段的人——甚至不是不择手段，只是需要实验室经费的人——会过度推销。"
证伪条件：若未来20年内出现可解释的、基于真实神经机制的通用学习算法，而非当前基于梯度优化的工程方法，则Jordan的判断被证伪。
Jordan与Yann LeCun的核心分歧在于：LeCun强调预测（模式识别），Jordan强调决策——后者才是"橡胶与路面接触的地方"，涉及风险、因果、对话与市场力量。
Jordan指出，当前推荐系统与神经网络只做预测，不做风险评估："它们没有误差棒。" 他以医疗场景为例："我不会因为某个神经网络的输出超过0.7就去接受心脏病手术。即使你拥有全世界所有心脏病数据，比任何医生都多，我也不会信任那个输出。我想问'如果'问题，想看我没收集到的因果数据，想和医生对话。" 他进一步拆解：真实世界决策需要处理稀缺性、他人决策、多步决策链、经济成本——这些都不是纯预测能解决的。
Jordan认为，行业过度聚焦预测，导致公众忽视决策层面的挑战："预测加决策才是一切，两者同等重要。但领域过度强调预测，代价是人们没有意识到决策才是真正关键的地方——那里涉及人类生命、风险承担、数据收集、误差棒、对他人决策的后果、围绕决策的经济学。"
独到判断：Jordan将"预测"与"决策"明确分离，并指出当前AI热潮本质是"预测工程"，而非"决策工程"——后者才是真正影响人类福祉的领域。
Jordan认为，Facebook、Google等平台的根本问题不是算法缺陷，而是广告驱动的商业模式——它激励点击率而非真实价值创造，导致虚假信息、隐私侵犯与市场失灵。
Jordan以音乐市场为例说明问题：当前不存在真正的音乐市场——唱片公司捧红少数巨星，但大量优秀创作者（如16岁用笔记本电脑做嘻哈音乐的年轻人）无法以此为生。Spotify等平台通过订阅/广告赚钱，但创作者得不到合理回报。Jordan设想一个更好的系统：创作者应有仪表盘显示其歌曲在全美被播放的地图，数据透明可验证；当地演出商看到数据后邀请演出，创作者一次赚$20,000，一年三次就有职业收入。平台仅抽成5%，即可盈利。
他批评Google和Facebook从未认真思考生产者-消费者直接连接："它们回到了电视时代的广告剧本。没有人想为信号付费，所以广告填补了空白。但Google做得太好、赚得太多，以至于没再想'等等，我们能不能在这里建立生产者-消费者关系？'" Jordan认为，虚假新闻问题本质上是广告激励的结果："虚假新闻骑在点击率之上。你必须移除那个核心问题。"
独到判断：Jordan不认为AI能"修复"广告模式下的推荐系统——"你可以用智能AI算法调整，但我觉得这基本无望。" 他主张彻底改变商业模式，转向小额支付与直接连接。
Jordan反对当前推荐系统"收集所有数据→预测用户行为"的范式，认为人类过于丰富复杂，无法被算法提前预判；更好的方向是创造开放空间，让人类自行发现惊喜。
Jordan以自身经历说明数据噪声：他早上迷迷糊糊点了一条关于英国女王的新闻，但他"根本不在乎英国女王"——那是点击诱饵。他警告："系统会认为我在乎英国女王。任何合理的系统都会这样。" 他进一步指出，人类"每个都有自己独特的小怪癖，每个都有连自己都不知道但会突然爱上东西的可能——过去毫无迹象。我不想让公司试图预测那个。"
他主张推荐系统应"更有限"："创造巨大的空间，让人类的创造力和风格得以丰富和展现。更多透明度。不要让人匿名、随意地基于他们知道的关于我的事实来评论。" Jordan以音乐为例：他走在街上听到智利音乐，发现自己喜欢——这种意外发现才是推荐系统应有的价值，而非基于浏览历史预测。
证伪条件：若未来出现能准确预测人类长期兴趣变化（如突然爱上智利音乐）的算法，且用户信任度高于当前系统，则Jordan的判断被部分证伪。
Jordan将统计学定义为"允许你做出有理由相信的推断和决策的原则"，并指出贝叶斯与频率学派的分歧类似于量子物理中的波粒二象性——两者物理上不同，实践中有时趋同，有时给出截然不同答案。
Jordan用决策理论框架解释：损失函数是数据x和参数θ的函数，两者都未知。频率学派对x（数据）取平均，得到"风险"——适合软件产品，保证在大量用户数据集上95%时间正确。贝叶斯学派对θ（参数）取平均，利用先验知识——适合科学家聚焦特定数据集。Jordan认为两者都需要，并推崇"经验贝叶斯"作为中间路径：从贝叶斯框架出发，对未知量用数据估计，再通过数学保证性能。
他特别提到错误发现率（FDR）作为"最美丽的想法之一"：FDR从数据出发，问"在你宣布发现的结果中，假阳性的比例是多少"——这是贝叶斯方向（从数据回推假设），而非频率学派方向（从假设前推数据）。Jordan指出，Robbins（1960年）、Brad Efron、Benjamini与Hochberg等人发展了这一思想，是"一套美丽的想法"。
Jordan提出，市场（如城市食物供应系统）具备智能的所有特征：鲁棒、自适应、自愈、规模化——这是一种不同于人类智能的"第三种智能"，且对当前计算机系统比理解人脑更相关。
Jordan论证："一个将货物运进城市、每天为餐厅供应食物的市场，是一个系统——一组去中心化的决策。从足够远的地方看，它就像一组神经元：每个神经元做自己的小决策，不知道整体目标，但某种聚合层面的事情发生了。经济系统也一样：人们在城市里吃饭，它鲁棒，从小村庄到大城市都工作，已经运行了几千年，无论晴雨都自适应。" 他认为，即使人类心理学研究数千年，也可能不会发现供需曲线、匹配、拍卖等市场原则——这些是真实的原则，构成一种智能形式。
独到判断：Jordan将"智能"从人类中心主义中解放出来，认为市场智能是当前AI应重点研究的对象，而非模仿人脑——后者是"数百年后的任务"。
| 标的 | 嘉宾态度 | 关键数据 |
|---|---|---|
| Amazon | 正面（部分肯定） | 一半员工做决策、一半做模式识别；Jordan每周去一天 |
| 中性偏批判 | 广告模式成功但未建立生产者-消费者市场 | |
| 批判 | 广告模式导致虚假新闻；用户信任度"在谷底" | |
| Spotify | 中性 | 目标让100万创作者舒适生活，但当前模式未实现 |
| YouTube | 中性偏正面 | "比想象中更有可能性" |
| Neuralink | 批判 | "从电极到理解大脑算法，不是这一代人的事，甚至不是这个世纪的事" |
| United Masters | 正面（Jordan任董事） | 已有10万艺术家签约；音乐进入NBA宣传片 |
| Microsoft | 正面 | "正在转型成为可信赖的老叔叔" |
| Uber | 正面（作为突破性案例） | 创造新市场、新价值 |
1. "AI革命尚未发生"（Jordan）：当前是化学工程/电气工程式的学科诞生时刻，而非理解人脑的时刻——人类对大脑的理解仍处于"古希腊水平"。
2. "预测不等于决策"（Jordan）：当前AI过度聚焦模式识别，忽视风险评估、因果推理、多步决策链——"预测加决策才是一切"。
3. "广告模式是虚假新闻的根源"（Jordan）：Facebook和Google的广告激励导致点击率驱动，AI无法修复商业模式问题——"你可以用智能AI算法调整，但我觉得这基本无望"。
4. "市场本身就是一种智能"（Jordan）：城市食物供应系统具备鲁棒、自适应、自愈等智能特征——这是不同于人类智能的"第三种智能"，对当前AI比理解人脑更相关。
5. "不要试图预测人类——你做不到"（Jordan）：人类过于丰富复杂，算法无法预判突然的兴趣转变（如爱上智利音乐）——推荐系统应创造开放空间，而非预测用户。
6. "贝叶斯与频率学派如同波粒二象性"（Jordan）：两者物理上不同，实践中有时趋同、有时给出截然不同答案——经验贝叶斯是中间路径。
7. "错误发现率（FDR）是统计学最美丽的想法之一"（Jordan）：从数据回推假设，问"在宣布发现的结果中假阳性比例是多少"——这是贝叶斯方向，由Robbins、Efron、Benjamini等人发展。
8. "学习语言是理解AI核心的途径"（Jordan）：自然语言理解是"最有趣的科学挑战"，但"在我们有生之年不会发生"——Jordan本人通过自学法语和意大利语来训练"大脑中那部分"。