文章核心观点 - 六位AI领域奠基性人物回顾了AI从神经网络到生成式AI的发展历程，并探讨了技术对社会与经济的深远影响[2] - 当前AI热潮与互联网泡沫存在本质区别，其需求由真实价值驱动，行业正处于智能基础设施建设的起步阶段[20][21] - AI技术未来演进路径广阔，大语言模型仅是组成部分，需在多模态、空间智能等新范式上取得突破以实现更大发展[22][27][28][29] 回顾职业生涯的关键时刻 - Yoshua Bengio受Geoffrey Hinton早期论文启发进入该领域，并在ChatGPT问世后因对AI失控的担忧彻底转变研究方向[7] - Bill Dally在90年代末突破"内存墙"难题的构想催生了流处理器架构和GPU计算基础，并在2011年通过复现斯坦福实验确认GPU对深度学习的巨大潜力[7][8] - Geoffrey Hinton在1984年通过微型语言模型实验发现模型能自发学习词语语义特征，这被视为当今大语言模型的前身[8][9] - 黄仁勋在2010年前后意识到深度学习网络构建方法与芯片设计方法论相似，预见可将芯片设计规模化经验用于构建可扩展软件体系[9][10] - 李飞飞在2006-2007年认识到数据匮乏是机器视觉识别关键瓶颈，耗时三年构建包含1500万张图像、2.2万个类别的ImageNet数据集[13] - Yann LeCun在80年代与Geoffrey Hinton就无监督学习与监督学习价值进行辩论，当前大语言模型的自监督训练本质验证了其早期观点[16][17] AI领域是否会出现泡沫破裂 - 当前AI需求与互联网泡沫存在本质区别，互联网泡沫时期光纤建设远超实际需求，而如今几乎每块GPU都在全速运转并创造价值[20] - AI与传统软件根本差异在于AI需实时生成情境感知智能，这需要投入数千亿美元建设"智能工厂"基础设施以支撑未来数万亿美元产业[21] - AI技术形态已从单纯语言模型演变为能通过交互步骤达成目标的智能体，其应用边界正持续拓展，目前可能只开发了最终需求的1%[24][26] - 从市场规律看任何领域都会有阶段性调整，但AI作为年轻学科仍有无数新边疆待开拓，特别是在超越语言维度的空间智能等领域[27][28] - 某种程度泡沫体现在认为仅靠现有LLM范式就能实现人类级别智能的预期，要真正突破仍需多项根本性理论进展[29] AI智能水平发展预期 - 未来五到十年可能在新范式探索上取得重大进展，但实现根本性突破可能需要比预期更长时间[30] - 机器智能在某些特定能力（如识别2.2万种物体、翻译上百种语言）上已超越人类，但人类智能在文明社会中具有不可替代价值[31] - 现有通用智能水平已足以在未来数年转化为海量社会应用，关键在于持续应用并优化技术解决重大课题[31] - 若以"机器能在任何辩论中胜过人类"作为通用人工智能标准，很可能在二十年内实现这一目标[32] - AI在不同时间维度上的规划能力正呈指数级增长，若保持趋势预计五年内AI就能达到普通雇员的工程类任务工作水平[33]