2025 年 11 月 7 日，在伦敦伊丽莎白女王工程奖颁奖典礼后，英伟达 CEO 黄仁勋、斯坦福大学教授李飞飞、“AI 教父” 杰弗里・辛顿（Geoffrey Hinton）、图灵奖得主杨立昆（Yann LeCun）、约书亚・本吉奥（Yoshua Bengio）以及英伟达首席科学家比尔・戴利（Bill Dally）六位 AI 领域顶尖人物进行了圆桌对话。

他们围绕通用人工智能（AGI）是否已经到来这一核心议题展开了讨论，还就技术泡沫、AGI 时间表、发展路径等关键问题进行了激辩。接下来的一个星期，我会用一系列的文章，来分享这场 AI 领域的顶尖对谈。

让我很喜欢的，也是这场访谈的第一个问题是，主持人问：你人生中那个对你们后来的职业生涯产生影响的顿悟时刻（Aha moment）是什么？

约书亚・本吉奥（Yoshua Bengio）说： 在研究生时期偶遇 辛顿（Hinton） 的早期论文，猛然意识到人类智能或许遵循着如物理定律般简洁的底层逻辑，这份认知让他深耕神经网络研究数十年。而当 ChatGPT 问世带来的震撼，又让他转向 AI 安全与伦理领域，从探索智能走向约束智能。

杰弗里・辛顿（Geoffrey Hinton）则回忆：1984 年，他用仅含 100 个训练样本的微型模型尝试预测下一个词，意外发现模型能自主学习单词间的关联。尽管当时受限于算力与数据，他却预见了未来：“只要模型能预测下一个词，就能开始理解世界”，这正是如今所有大型语言模型的原型。

比尔・戴利（Bill Dally）分享了两次关键顿悟，他的研究方向彻底转向 GPU 的时候，AI 的算力格局彻底发生了改变。90 年代末，他提出的流处理思想破解了内存墙难题，为 GPU 计算奠定基础；2010 年与吴恩达的一顿早餐，让他看到神经网络规模化的可能，随后用 48 个 GPU 复现谷歌实验的成功，坚定了 NVIDIA 专为深度学习设计 GPU 的方向，让 GPU 成为 AI 发展的核心引擎。

李飞飞则从数据维度补齐了 AI 的短板。2006 年前后，她发现当时的算法瓶颈不在于技术本身，而在于缺乏足够的训练数据。于是她带领学生耗时三年，手工标注 1500 万张图片创建 ImageNet，覆盖 2.2 万个类别，这套数据成为计算机视觉革命的基石，让机器第一次 “看懂” 世界。

科普小 Tips：ImageNet 项目是什么？

ImageNet 是计算机视觉领域里程碑式的大型图像数据库项目，这个项目源于李飞飞团队对 2000 年代计算机视觉领域核心痛点的洞察 ——“算法先进但数据匮乏”。自 2009 年正式公开以来，彻底改变了深度学习在视觉领域的发展轨迹它不仅填补了大规模高质量标注图像数据集的空白，更通过标准化的竞赛机制，推动计算机视觉技术实现从 “算法驱动” 到 “数据与算法协同” 的范式转变，被广泛认为是 2012 年深度学习革命的关键推手之一。ImageNet 的图像主要来源于互联网，通过 “众包平台 + 算法质控” 的模式完成标注，确保数据质量与规模平衡。目前 ImageNet的数据规模已经超级庞大：累计包含1419.7 万张标注图像，其中 103.5 万张图像附带 “边界框标注”（即明确标出物体在图像中的位置，如 “螺丝刀位于（20,25）像素处，宽 50 像素、高 30 像素”），为目标检测任务提供关键支持；ImageNet 的数据拥有鲜明特点：图像分辨率多为 256x256 及以上，覆盖不同场景（如室内、户外、光照变化），能模拟真实世界的视觉环境，适合训练复杂的卷积神经网络（CNN）。今年11 月 1 日在上海 ROSCon China 2025 的大会上，由刻行时空和穹彻智能联合举办的“具身智能训练场”分论坛，就有企业嘉宾分享了期待具身智能数据的 ImageNet时刻的到来。可见目前在具身智能机器人领域，众多厂商同样也苦于“数据匮乏”，就看下一步的机器人时代谁能带领行业走出数据之困了。

杨立昆（Yann LeCun）说，自本科起他就坚信 “让机器自主学习” 的理念，1983 年接触 Hinton 的论文后更是坚定了这一方向。他与 Hinton 曾在 80 年代末争论监督学习与无监督学习的优劣，而如今，自监督学习已成为大语言模型的核心训练方式，印证了他 “智能的核心是自我组织而非指令” 的判断。

黄仁勋的跨界洞察则打通了技术与产业的壁垒。他说，他发现芯片设计的高层抽象逻辑与深度学习系统的开发思路高度契合，当全球顶尖研究团队纷纷向 NVIDIA 寻求算力支持时，他敏锐意识到：AI 正从实验室走向工程化，而通过并行计算扩展，就能让技术实现产业级落地。（不得不说，老黄在这场访谈上，作为比较鲜明的企业家身份，还是分享了一些技术之外的“工程化落地”的相关看法的。

再次感概一下，这次访谈的含金量，仅仅第一个问题，就为观众串联起AGI 发展的关键历史。6 位嘉宾的回答完全不一样，又充满了千丝万缕的联系：从算法种子到科学问题，从数据基础到算力引擎，再到产业转化，一幅AGI 发展的蓝图在我们面前徐徐展开。如果大家有时间，强烈推荐大家去观看原视频，绝对获益匪浅（当然，如果没时间的话，可以等小编明天来分享：）

从算法到实体，陪跑开发者成长全周期

▼来了就别走了，戳个推荐+在看他们围绕通用人工智能（AGI）是否已经到来这一核心议题展开了讨论，还就技术泡沫、AGI 时间表、发展路径等关键问题进行了激辩。接下来的一个星期，我会用一系列的文章，来分享这场 AI 领域的顶尖对谈。