10月25日下午5时许，采访间的大门缓缓打开，所有人的目光立刻聚焦在了一个身影上——“机器学习之父”、美国三院院士、顶科协奖“智能科学或数学奖”遴选委员会主席迈克尔·I·乔丹（Michael·I·Jordan）教授，大步流星地走了进来，接受大江东-复旦融媒体创新工作室的专访。
“你好！”他用堪称标准的普通话跟我们打招呼，也让我们有些紧张的心情放松下来。
“AI永远不会取代人类。它拥有的是动物般的、模仿的智慧，但永远无法像人类一样进行批判性思考。”这位AI（人工智能）领域的权威，面对我们的提问，坚定地阐述了自己对AI发展的看法。
“跨学科探索能提供未曾考虑过的视角，让我感到兴奋”
这天上午，在2024世界顶尖科学家协会奖颁奖典礼上，乔丹与“智能科学或数学奖”得主乔恩·克莱因伯格紧紧握手。两年前，正是在这个舞台上，乔丹从时任顶科协奖“智能科学或数学奖”遴选委员主席、2017年图灵奖得主约翰·轩尼诗手中，接过了同一个奖项。
乔恩·克莱因伯格（右二）获颁“智能科学或数学奖”，迈克尔·I·乔丹（左二）宣读颁奖词。主办方供图
“我希望每次从论坛上看到一些不同的东西。”迈克尔·I·乔丹向我们强调，“多样性是关键。”
乔丹的科研经历，就是践行多样性的过程。在过去数十年的研究生涯中，这位著名的计算机科学家完成了多项跨学科的高难度任务。以计算机领域为出发点，他在AI和机器学习的阵地上相继引入心理学、统计学、认知科学、工程学等多个学科的知识，在学科间持续编织出新的联系。
《哈佛数据科学评论》这样评价他的工作：“在机器学习和统计学之间建立了重要的桥梁，推动了贝叶斯网络和变分方法的发展。”2024年诺贝尔物理学奖得主、2018年图灵奖得主杰弗里·辛顿也提到，乔丹的工作对机器学习领域的影响是深远的，提供了许多新的视角和方法。
在计算机研究的领域，乔丹的多学科背景可谓罕见，他自己也曾在演讲中笑称自己“堪属异类”。
“本科时，我主要是学习心理学，这一领域帮助我初步理解人类如何感知周围环境，但我想更深入地理解人类是如何思考的，想知道人类为什么会采取这样或那样的行动，于是我转向了神经科学领域。接着，我开始好奇群体意义上，人类应该建立怎样的组织，如何通过集体获取社会福祉，如何控制、消除、应对不确定性？于是，我又转向了统计科学和计算机领域。”他这样回答我们对他多学科背景的提问。
1985年获得认知科学博士学位后，乔丹先后在马萨诸塞大学和麻省理工学院从事人工智能与认知科学相关的研究工作。1998年起，他加入加州大学伯克利分校，担任电子工程与计算机系和统计学系教授、实时智能决策计算平台实验室共同主任、统计人工智能实验室主任，并曾任统计系系主任。
“跨学科的经历并非我有意为之，而是顺其自然发展出来的路径。”当被问及是什么驱动着他孜孜不倦地在不同学科间“穿行”，乔丹的回答坦诚又出乎意料，“跨学科探索能够提供给我未曾考虑过的视角，这件事本身就让我兴奋。”
今天，乔丹依然在学科交叉领域不断探索，追逐着对未知的渴望。他向我们叙述了自己新的兴趣：“在疫情期间，我沉浸于对病毒和免疫系统的研究。这种微观世界里的对抗，病毒和人体防御系统的较量，复杂而多层次，几乎如同一部侦探小说。”他接着补充道：“其实，一直以来都是好奇心在推动我探索不同的领域。我所关注的从来不是特定的学科，而是那些不断浮现的研究难题，吸引我一步步走向深入。”
“相比于用模型来定义，我更想用协作与洞见眺望AI的未来”
“AI进化的速度，远远超越了任何其他现存的技术。”这是马斯克在ALL-IN峰会上说的一句话，当我们问及乔丹对这句话的看法，他笑着回应：的确如此。
迈克尔·I·乔丹。刘唱摄
在乔丹看来，AI领域如今就像一台高速运转的引擎，装载着无数新论文、新构想、新模型的技术前景。学术界不断创新，而产业界则试图找到实际的商业模式。面对我们对AI前景的提问，这位泰斗级学者说：“大家都在问，为什么构建这个模型？什么才是好的垂类大模型应用？实际上，这些问题的答案是在不断加速中形成的。”
今年9月在上海举办的2024外滩大会上，乔丹围绕AI技术的未来发展，提出了自己独到的见解。他特别关注三个关键词——集体性、不确定性和激励机制，认为这才是AI产业良性发展的关键所在。
乔丹认为，人工智能的应用应更多地考虑协作，而不仅仅是某一组织、某一国家等单一智能体的表现。他提出，应借鉴经济学中的激励机制，让AI系统在实现目标的过程中相互协作，从而提升整体智能水平。他说：“我不是用模型定义AI的未来，而是用协作与洞见眺望AI的未来。”
提及当下AI工具走进寻常百姓家，譬如Midjourney和Sora，乔丹坦言自己不常用这些工具，对大众使用的“AI味”并无特别感触。他略带一丝调侃地说：“没注意到，我的研究方向不同。”
不过，当话题转向多模态技术，他开始认真阐述起来。乔丹向我们解释道，多模态让AI得以更接近真实世界的理解。他打了个比喻：“如果我只能基于文本，完美地预测词语，比如ChatGPT，看似理解了语言，但这并非真正的理解。”他指了指房间里的一盏吊灯，说：“想象如果我看到它掉落并摔碎，视觉与文本结合，就能提供更多的语义信息。”
乔丹认为，多模态技术有可能是一种帮助AI更好理解现实的方法，并且可能是赋予模型推理能力的重要因素。
AI的发展并非一帆风顺，研发需要极大的投入，还伴随着层层挑战。然而，正是这些挑战推动着人类不断探索智能的边界。在最近的《泰晤士报》2024年科技峰会上，诺贝尔奖得主、DeepMind CEO丹米斯·哈萨比斯表示，AGI的实现或许还有10年时间。乔丹则认为，智能的定义仍然充满复杂性和不确定性：“智能的定义究竟是什么？是人类智能、市场智能，还是其他？在硅谷，这样模糊的表述往往成为融资的标签，而未必是真正的科学概念。”
“探索并不总是顺利的，不要畏惧困难，不要急功近利”
跨学科的学习无疑充满挑战。“探索的过程并不总是顺利的。”乔丹对我们现身说法，“直到30多岁时，我的职业生涯才逐渐成型。”
