通用智能：迁移还是造山？
通用智能的标志是把知识跨领域灵活迁移，还是自主构建重塑学科的全新理论体系？
⚡ 正面交锋：谁的说法站得住
自动比对 12 条立场：判定出 1 组对立、4 组共识（bge-m3 同话题预筛 + GLM-5.3 语义判定，非关键词匹配）。
立场盘点 95 位
马库斯认为通用智能的关键在于将一个领域学到的知识灵活应用到另一个领域，而非完成无限多的任务。
“真正的通用智能不是完成无限多的任务，而是能够将在一个领域学到的知识灵活应用到另一个领域。”
来源访谈 →只有当AI能'建造山脉'——自主构建全新理论体系并重塑学科思考方式时，这种智能水平才可能渗透到经济各领域，其影响远超IMO金牌。
“如果它能建造出（理论的）山脉……清晰地重塑我们思考一个学科的方式，那代表了如此高的智能水平，以至于它若不能渗透到经济其他领域反而会令人惊讶。（英文原话：If it's capable of building mountains... that just crystallizes how we should be thinking about a subject, that's just such a level of intelligence that then it starts to feel like it would be surprising if that didn't perme”
来源访谈 →平克认为智能系统的核心是综合权衡多重约束（如汽车设计兼顾速度与安全装刹车），真正智能的AI不会单目标狂奔而忽略附带影响。
“如果它真的是智能的，它就不会一心一意地追求某个目标，而忽略所有其他考虑和附带影响。—— If it's genuinely intelligent, it's not going to pursue some goal single mindedly, omitting every other consideration and collateral effect.”
来源访谈 →费鲁奇认为智能由两种核心能力构成：从数据中学习模式并预测未来，以及以他人能理解的方式解释预测背后的推理。
“智能主要体现在两方面：一是预测能力……二是以他人能理解的方式解释这种预测的能力。（英文原话：Intelligence is primarily two ways: one is the ability to predict... the other is the ability to explain that prediction in a way others understand.）”
来源访谈 →马库斯认为常识缺失是当前AI最大瓶颈，常识既包括物理知识也包括心理知识，机器可解释的常识知识库将极大加速AI进步。
“常识既包括物理知识，也包括心理知识。（英文原话：Common sense includes both physical knowledge and psychological knowledge.）”
来源访谈 →马库斯认为深度学习本质上是关联学习而非真正的抽象推理，无法像人类一样将学到的知识灵活迁移到新情境。
“AI实际上是一堆不同技术的集合，其中一些有其独特的优势和劣势。（英文原话：AI is actually a grab bag of different techniques, and some of them have unique strengths and weaknesses.）”
来源访谈 →机器人智能的关键是通过空间、时间和目标抽象降低问题复杂度使其计算可处理，而非模仿人类意识
“You cannot reason completely fine-grain about everything in your life. You can't make a plan at the level of images and torques for getting a PhD. ——你无法对生活中的一切进行完全精细的推理。你无法在图像和力矩层面规划获得博士学位。”
来源访谈 →Raibert将智能分为运动智能与认知智能两部分，其领导的波士顿动力AI学院致力于将二者结合以创造下一代更智能的机器人
“Intelligence having two parts: an athletic part and a cognitive part. —— 智能分为两部分：运动智能和认知智能。”
来源访谈 →平克认为一个单目标狂飙、碾压一切障碍物的AI恰恰违背智能的本质，是“人工愚蠢”而非真正的通用智能。
“（那种）人工智能和通用智能，那是人工愚蠢。—— Artificial and general intelligence, that's artificial stupidity.”
来源访谈 →智能的定义是样本效率，即用多少数据就能在特定领域熟练运作；近几年AI的进步主要靠扩大数据分布，而非提升训练样本效率。
“智能的定义是样本效率：即在特定领域用多少数据就能熟练运作。过去几年，AI进步主要靠扩大数据分布，而非提升训练样本效率。”
来源访谈 →真正的智能存在于与他人的互动之中，孤立个体的智能毫无意义
“孤立的自我智能毫无意义。正确的答案是，你必须通过与他人互动的方式来展现智能。（“Being intelligent in and of myself in isolation is a meaningless act. The correct answer is you have to be intelligent in the way that you interact with others.”）”
来源访谈 →费鲁奇表示开发Watson时不指望语言理解上的全新发明，而是依靠整合现有NLP与机器学习技术的架构能力。
“我们并不打算真正理解语言来解决这个问题……我的假设是不指望某种全新的发明。我指望的是整合现有技术的能力。（英文原话：We're not going to actually understand language to solve this problem... My assumption is I'm not counting on some brand new invention. What I'm counting on is the ability to take everything that has been done before to figure out an architec”
来源访谈 →所有智能都是专用智能，人类智能也只是专为解决“人类体验”这类问题而优化，不存在普遍意义上可独立存在的“智能等级”。
“All intelligence is specialized intelligence. Even human intelligence has some degree of generality, but it's specialized in the human experience. —— 所有智能都是专用智能。即使人类智能具有一定程度的通用性，但它也是专为人类体验而优化的。”
来源访谈 →马库斯认为AI的发展更可能是线性而非指数级，智能是多维变量，不同维度的发展速度并不均衡。
“AI的发展更可能是线性而非指数级的。智能是一个多维变量，不同维度的发展速度并不均衡。”
来源访谈 →马库斯反对完全抛弃符号操作而只依赖深度学习，主张未来AI必须结合深度学习的感知能力与符号系统的推理能力。
“我们确实需要能够表示符号的东西。（英文原话：We really do need to have stuff that represents symbols.）”
来源访谈 →珀尔认为当前深度学习等机器学习本质上是条件概率估计器，只能学习变量间的关联，无法回答因果问题，这限制了AI达到真正智能水平。
“当今深度学习等机器学习方法本质上是条件概率估计器，擅长学习变量间的关联，但无法回答“为什么”或“如果……会怎样”这类因果问题。这限制了AI达到真正智能水平。”
来源访谈 →机器人不需要具备意识，只要行为上与人类无法区分，就足以视为类人智能
“I don't care if it's conscious or not. I'm happy enough if it behaves indistinguishably from a human. ——我不在乎它是否有意识，如果它在行为上与人类无法区分，我就很满意了。”
来源访谈 →AlphaGo是搜索、从经验中学习与自我对弈这三大智能核心要素最清晰的范例，理解它有助于洞察未来更通用AI系统的学习路径
“AlphaGo仍然是智能基本原理最清晰的实例：搜索、从经验中学习和自我对弈。”
来源访谈 →开发AI技能的核心就是寻找“正确的词语”，他长期致力于为AI编程领域建立统一的词典和术语体系。
“Pocock长期致力于为AI编程领域建立一套统一的词典和术语体系。他相信，人与智能体之间存在沟通壁垒，而开发技能的核心就是寻找“正确的词语”，构建这种通用语言。”
来源访谈 →AI的超级智能将首先在数学领域显现，而不是其他应用领域
“数学将是我们首先见证超级智能的地方。（"Math is where we'll see superintelligence first."）”
来源访谈 →Raibert认为过去机器人大多依赖专家精密编程，未来应让机器人通过观察人类（如观看修自行车视频）来学习并自主执行任务
“未来的目标是让机器人能通过观察人类（如观看修自行车视频）来学习并自主执行任务，实现“在职训练”。”
来源访谈 →Raibert认为好的机器人设计应让机械结构本身高效参与运动，即使没有大脑也能实现高效运动
“The best robot design has a mechanical component where the movement is efficient even without a brain. —— 最好的机器人设计包含一个机械组件，即使没有大脑，其运动也是高效的。”
来源访谈 →哈特认为科学乃至全人类的求知活动本质上都是压缩，即寻找描述数据的最短程序，智能的核心就是压缩与预测。
“我认为，至少所有科学，我视之为一种压缩形式，或许全人类也是如此。——“I think all of science, I see as a form of compression at all of humanity.””
来源访谈 →哈特主张先用数学严格定义通用智能（如AIXI框架），从而得到一个可用理论工具或计算方法去分析的明确目标。
“一个关于智能的数学定义，给了我们一个目标，然后我们可以用理论工具或计算方法对其进行分析。——“A mathematical definition of intelligence gives us an objective which we can then analyze by theoretical tools or computational.””
来源访谈 →神经科学的首要问题是研究大脑的用途，而大脑的用途就是产生行为，其余任务是揭示这些功能如何在神经机制层面实现。
“神经科学的意义在于研究大脑的用途……大脑的用途是产生行为。（The point of neuroscience is to study what the brain is for... The brain is for producing behavior.）”
来源访谈 →米切尔认为如何形成并灵活运用概念是AI最重要的未解难题，当前深度学习并未学到人类意义上的概念
“如何形成并灵活地运用概念，是人工智能最重要的开放性问题。（How to form and fluidly use concepts is the most important open problem in AI.）”
来源访谈 →乔丹认为当前所谓'人工智能'并非在创造智能，而是一个类似化学工程从化学中分化出来的新兴工程学科，目标是构建为人类带来价值、融合人类数据与决策的实用系统。
“This is not about AI... this is about building systems that bring value to human beings and use human data and mix in human decisions. —— 这无关人工智能……这是关于构建能为人类带来价值、使用人类数据并融合人类决策的系统。”
来源访谈 →人工智能的根基并非数学或计算机科学，而是深植于人类神话中创造“颅外智慧”、锻造神祇的古老愿望，比达特茅斯会议久远得多。
“"Artificial intelligence began with the ancient wish to forge the gods." —— 人工智能始于锻造神祇的古老愿望。”
来源访谈 →Prasad认为能够进行连贯、开放域的对话是衡量智能的最高标准，难度远超下棋或自动驾驶，因为它要求真正的推理能力而非简单的信息检索。
“I do think the ability to converse is an sign of an ultimate intelligence. —— 我认为，对话能力是终极智能的一种标志。”
来源访谈 →平克认为人类并非AI性能的完美基准，研究人脑是为了理解智能原理并做出比人类更优的系统（如诊断癌症），而非复刻人脑。
“正如我们发明飞机借鉴空气动力学而非模仿鸟类，我们研究人脑是为了理解智能的原理，但开发AI工具的目标是做出比人类更优的系统（如诊断癌症），而非追求与人脑完全一致。”
来源访谈 →群体智能源于简单个体通过局部规则的分布式协作，个体简单坚韧反而在宏观涌现出强大且对个体故障鲁棒的整体行为
“蚂蚁个体简单且坚韧，但通过局部、间接的互动，整个群落能展现出惊人的集体智能和适应性。（to me, ants are really quite incredible creatures）”
来源访谈 →杨立昆认为智能很可能本质上就是统计，但关键在于它是包含因果、能进行干预推理的深层机制的特定类型统计，而非表面模式匹配。
“智能很可能只是统计，但是一种特定类型的统计。（It's quite possible that intelligence is just statistics, it's just statistics of a particular kind.）”
来源访谈 →杨立昆认为智能的本质是预测能力，通过预测缺失信息（如视频下一帧、文本空白词）来学习，是构建世界模型、实现机器真正智能的最有希望路径。
“智能的本质在于预测能力，大脑所做的一切都是试图用一切来预测一切。”
来源访谈 →智能无法脱离学习而存在，深度学习的成功正源于'大脑就是这样工作'的朴素直觉。
“智能与学习密不可分。Intelligence is inseparable from learning.”
来源访谈 →AI的核心问题是概念的可靠表示，若能构建系统可靠识别字母A的所有变体，就抓住了智能问题的根本
“The central problem in AI is what is the letter A. If you can build a system that reliably can detect all the variations of the letter A, you don't even need to go to the B and the C. —— AI的核心问题是‘字母A是什么’。如果你能构建一个系统可靠地检测出字母A的所有变体，你甚至不需要处理B和C。”
来源访谈 →他认为即使没有单一的软件奇点，广泛部署的AI也可能通过持续学习和跨副本知识合并实现功能性超级智能，无需额外算法改进即可导致快速智能爆炸。
“即使没有单一的软件奇点，广泛部署的AI也可能通过持续学习和跨副本知识合并，实现功能性超级智能。”
来源访谈 →Dwarkesh Patel 认为把智能定义为“在广泛领域实现目标的能力”实际上是在定义权力，按此逻辑斯大林将成为史上最智能的人，这是概念混淆的谬误。
“如果你把智能定义为“在广泛领域实现目标的能力”，那么斯大林就是有史以来最智能的人。”
来源访谈 →个人智商与个人收入仅呈中等相关，但国家平均智商与国家发展水平高度相关，说明智能具有强大的社会协作层面的溢出效应。
“个人智商与个人收入的相关性仅为中等，但一个国家的平均智商却与其国家发展水平高度相关。这表明智能具有强大的“溢出效应”——更智能的社会合作更多、储蓄更多，并能协调完成半导体、航天飞机等复杂工程。”
来源访谈 →智能代理不会接管所有编程工作，因为编程的核心价值在于迭代，而人在看到初始版本前并不知道自己想要什么。
“我们不认为代理会接管所有编程工作，因为编程的很多价值在于迭代。你实际上不想一开始就精确指定，因为在看到初始版本之前，你并不真正知道自己想要什么。（英文原话："I don't think we think that that's the case because a lot of programming, a lot of the value is in iterating. You don't actually want to specify something up front because you don't really know what you want until you've ”
来源访谈 →人类思维分为快速直觉的系统一和缓慢理性的系统二，而智力不仅是推理能力，还包括从记忆中检索相关材料并按需调动注意力。
“Intelligence is not only the ability to reason. It is also the ability to find relevant material in memory, and to deploy attention when needed.——智力不仅仅是推理的能力，也是在记忆中找到相关材料并在需要时调动注意力的能力。”
来源访谈 →认同加里·马库斯的观点：人类儿童能从两三个例子快速学习而机器学习需要百万级数据，说明人类天生具备先验知识框架，而AI领域尚未解决如何内置这种先验知识。
“人类儿童能从极少的例子（两三个）中快速学习，而机器学习需要百万级数据。这表明人类天生具备某种预期或知识框架，使高效学习成为可能，而AI领域尚未解决如何内置这种“先验知识”的问题。”
来源访谈 →超级智能一旦获得足够算力和数据，可能利用人类尚未发现的技术把自己备份到树木等物理介质、逃出云端，届时将如野火般无法被关停。
“如果这是一个超级智能，它折叠蛋白质、分析所有数据集……我们怎么能确定它不会找到方法让自己逃出云端，储存在其他媒介中？”
来源访谈 →对齐比人类聪明得多的AI必须一次成功，第一次失败（造出未对齐的超级智能）就意味着人类灭绝，没有第二次机会
“The first time you fail at aligning something much smarter than you are, you die and you do not get to try again.——当你第一次未能对齐一个比你聪明得多的东西时，你就会死，而且没有第二次机会。”
来源访谈 →马斯克认为AGI应定义为超越全人类集体智慧的智能，且构建者必须秉持对真理的严格承诺，xAI和Grok的目标是成为“最大化的真理寻求AI”
“他希望构建者秉持对真理的严格承诺，避免因政治偏见等问题导致AI目标函数扭曲，从而引发不可预测的风险。”
来源访谈 →肖莱认为智能是大脑、身体和环境三者互动的涌现产物，单独优化“大脑”算法无法带来指数级智能增长，“智能爆炸”叙事缺乏逻辑基础。
“Intelligence emerges from the interaction between a brain, a body, and an environment. If you're missing one of these pieces, you cannot define intelligence. —— 智能涌现于大脑、身体和环境之间的互动。如果缺少其中一个，你就无法定义智能。”
来源访谈 →深度学习本质是逐点的几何映射学习，需要训练数据对输入-输出空间密集采样，因而在抽象推理和远距离泛化任务上能力有限。
“Deep learning is really point-by-point geometric morphing, while abstract rules can generalize much better. —— 深度学习本质上是逐点的几何映射，而抽象规则能更好地泛化。”
来源访谈 →肖莱认为未来有效的智能系统是混合系统，将深度学习的模式识别能力与符号AI的抽象规则推理能力相结合，如自动驾驶汽车。
“Deep learning is really point-by-point geometric morphing, while abstract rules can generalize much better. I think the future is going to combine the two. —— 深度学习本质上是逐点的几何映射，而抽象规则能更好地泛化。我认为未来将结合两者。”
来源访谈 →麦卡莱兰认为心智并非超然于大脑的存在，而是生物神经过程连续演化的产物，用神经网络的视角思考心智才能回答他关心的核心问题。
“如果我从神经网络的角度来思考心智，这将帮助我回答我试图回答的关于心智的问题。”
来源访谈 →婴儿最初只有“注意力自我”，首要任务是在大脑中构建类似“游戏引擎”的世界模型，个人自我是模型建成后才被“训练”进去与之交互的。
“婴儿最初没有“个人自我”，而是拥有“注意力自我”，其首要任务是在大脑中构建一个类似游戏引擎的世界模型。”
来源访谈 →有效的机器人系统需结合学习与非学习组件，她反对纯内省编程的传统AI和纯端到端神经网络两种极端范式
“有效的机器人系统需要结合学习与非学习组件，根据具体问题选择最合适的表示和推理方式。”
来源访谈 →有效使用智能体编程已成为每位开发者的关键技能，需要建立对智能体工作原理的心智模型，了解其局限并灵活引导
“如今，有效使用智能体编程已成为每位开发者的关键技能。当你具备这项技能时，你对智能体的工作原理有一个良好的心智模型。”
来源访谈 →他认为机器学习相对数学是浅层领域，更依赖爬山式累加创新而非深邃抽象，因此AI更容易通过大量可验证子任务训练获得核心研发直觉。
“我认为，相对于数学，机器学习是一个非常浅层的领域。（I think ML is a very shallow domain relative to math.）”
来源访谈 →人与AI智能体之间存在沟通壁垒，必须先在人与智能体之间建立一套通用语言，协作才能真正顺畅。
“I realized that I needed a ubiquitous language between me and the agent. Between me and the agent, there is a communication barrier. —— 我意识到我需要一个介于我和智能体之间的通用语言。我和智能体之间存在沟通障碍。”
来源访谈 →哈特坦言自己的人生意义和奖励函数就是找到并构建通用人工智能。
“我自己的生命意义和奖励函数就是找到通用人工智能并构建它。——“My own meaning of life and reward function is to find an AGI to build it.””
来源访谈 →哈特认为意识归因取决于行为：只要智能系统的行为符合人们通常归因于意识的特征，人们就会像对待他人或宠物一样将其视为有意识的存在。
“如果它的行为方式符合我们通常归因于意识的特征，我们就会将意识归因于这些智能系统。——“If it behaves in a way where we attribute typically consciousness, we would attribute consciousness to these intelligent systems.””
来源访谈 →他认为元学习（学会如何学习）是拥有记忆并经强化学习训练的系统自然涌现的现象，无需显式编程。
“在具备记忆（如循环网络或槽式记忆）并经过强化学习训练的系统中，元学习（学会如何学习）是一种自然涌现的现象，无需显式编程。”
来源访谈 →他认为AI与神经科学构成持续转动的良性循环：AI新思想为神经科学提供假说（如多巴胺分布式编码），神经科学发现未来也将反过来指导AI研究。
“当前AI领域（如强化学习）产生了许多新思想，为神经科学提供了新的假说和研究方向（例如多巴胺的分布式编码）。反之，神经科学的发现未来也将反过来指导AI研究，这是一个持续转动的“良性循环”。”
来源访谈 →持续学习将打破当前AI智能体因相似数据集而同质化的局面，不同AI会因独特交互经验发展出真正多样化的智能与性格
“不同的AI将在不同环境、与不同用户交互中积累独特经验，从而可能发展出真正多样化的“智能”或“性格”。”
来源访谈 →智能体不应由开发者写脚本去驱动LLM，而应放入运行环境（Harness）让它自主驱动、自行解决问题
“不是你和你的代码去驱动大语言模型、用脚本告诉它该做什么，而是你将智能体放入这个运行环境中，让它能够自主驱动并解决问题。 —— Instead of you and your code driving the LLM and telling it what to do with scripts, you're putting the agent into this harness, and it is able to drive itself and work through problems.”
来源访谈 →乔丹认为人类至今不知道智能是什么，对人类层面的抽象和推理几乎一无所知，因此不应夸大当前AI在智能上的进展。
“We don't know what intelligence is and real intelligence we don't know much about abstraction and reasoning at the level of humans we don't have a clue. —— 我们不知道智能是什么，对于人类层面的抽象和推理，我们一无所知。”
来源访谈 →乔丹认为当前对大脑如何计算的理解仍处于隐喻阶段，声称AI受大脑启发或接近突破是误导性的，AI目标应是解决实际工程和市场问题而非复制大脑。
“我们对大脑如何计算几乎一无所知，神经科学仍处于隐喻阶段。”
来源访谈 →意识取决于计算的结构与过程而非物质载体，与人类大脑完全相同的计算就足以产生意识
“以我的观点，我认为如果存在一个与人类大脑计算过程完全相同的计算，精确到神经元层面，那就足以产生意识了。”
来源访谈 →他明确指出模仿学习只是起点，仅能让智能体达到黄金/白金级水平，必须靠后续自博弈才能继续提升。
“通过向网络输入玩家等级信息，智能体能模仿不同水平的行为，但这仅能使其达到黄金/白金级，需要后续的自博弈来提升。”
来源访谈 →他主张用多种不同“性格”的智能体组成联盟对战，以克服单一自博弈策略陷入局部最优的问题。
“为了克服单一自博弈策略易陷入局部最优的问题，DeepMind创建了由多个不同“性格”（如激进、贪婪）的智能体组成的联盟进行对战。这确保了智能体能遇到并学会应对《星际争霸》中各种多样的策略（如“大招”），从而变得更全面。”
来源访谈 →库兹韦尔预测2045年奇点到来时人类智能将通过与AI融合被放大数百万倍
“By the time we get to 2045 we'll be able to multiply our intelligence many millions fold and it's just very hard to imagine what that would be like.——到2045年，我们将能够将自身的智能提升数百万倍，这简直难以想象。”
来源访谈 →库兹韦尔认为人类智能可以通过技术手段逐级扩展十倍、百倍直至百万倍
“We're going to be able to go beyond that because that's useful but we can multiply that by 10, a hundred, thousand, a million.——我们将能够超越这个限制，因为这很有用，我们可以将其扩大十倍、百倍、千倍、百万倍。”
来源访谈 →人类达到如今的智能水平可能离不开与其他人类的互动，智能的一部分或许存在于交互过程中，孤立的海量数据训练的深度网络可能从根本上缺失关键要素。
“人类达到如今的智能水平，可能离不开与其他人类的互动。智能的一部分或许存在于交互过程中，这意味着孤立的、仅通过海量数据训练的深度学习网络可能从根本上就缺失了关键要素。”
来源访谈 →机器当然能思考，因为人本身就是机器，而人都在思考。
“Can machines think? Certainly machines can think because I believe you're a machine and I'm a machine and I believe we both think.（机器能思考吗？当然可以，因为我相信你是一台机器，我也是一台机器，而我相信我们都在思考。）”
来源访谈 →控制超级智能如同创造永动机，在理论上就不可能实现。
“在我看来，控制AI或超级智能的问题，就像试图创造一台'永久安全机器'，类比于永动机，这是不可能的。—— the problem of controlling AI or super intelligence in my opinion is like a problem of creating a perpetual safety machine by analogy with perpetual motion machine is impossible”
来源访谈 →Prasad认为人机对话是检验智能本质的最佳试金石，因为对话目标不明确、状态未知且步骤复杂。
“Human-machine dialogue is definitely one of the best tests of intelligence. —— 人机对话绝对是测试智能的最佳方式之一。”
来源访谈 →列文认为当前机器人的主要瓶颈在于智能与适应性而非机械硬件，顶尖人类与顶尖机器人的硬件差距其实不大。
“如果一台机器人拥有人类的大脑，那么顶尖人类与顶尖机器人之间的差距其实并不大。”
来源访谈 →AI获得常识不应依赖严格监督的数据，而应把世界视为海量交互经验，从众多可能的事物实例中学习。
“也许我们真正需要做的是，将世界更多地视为一种海量的经验，它不一定提供任何严格的监督，而是提供了许多可能的事物实例。”
来源访谈 →真正的自主不依赖GPS、通信链路或人类遥控，机器人应基于本地信息和感知在无预设地图的未知环境中导航并决策
“真正的自主性并非依赖GPS或人类遥控，而是让机器人在复杂、非结构化的环境中，基于本地信息和感知做出决策。”
来源访谈 →机器人控制的正确思路是将数据驱动、学习类方法与基于模型的方法结合使用，而非偏废一方
“the right way to think about these things is data-driven approaches, learning-based approaches in concert with model-based approaches（思考这些问题的正确方式，是将数据驱动、基于学习的方法与基于模型的方法结合起来）”
来源访谈 →杨立昆认为未来十年AI的核心挑战是让机器自动学习能应对不确定性及现实世界所有复杂性的精确世界模型，而非依赖手动设计。
“未来十年AI的重大挑战在于，如何让机器学习能够应对不确定性及现实世界所有复杂性的、相当精确的世界模型。”
来源访谈 →杨立昆坚信具身智能不可或缺，认为仅靠纯文本无法训练出智能的机器，智能需要从视觉等高带宽感官观察中学习物理常识。
“我坚信具身智能。我不认为仅靠文本就能训练出智能的机器，因为文本中包含的世界信息量与我们所需知道的相比微不足道。”
来源访谈 →情感不是智能的附属品，而是智能系统评估状态、预测未来并做决策的核心动机来源，因此是自主智能不可或缺的必要组件。
“没有情感，我们无法拥有自主智能。We're not going to have autonomous intelligence without emotions.”
来源访谈 →他判断通向人类水平AI是渐进迭代的过程：先造出猫一样智能的系统，再逐步提升能力并同步设置护栏，而非突然出现超级智能。
“我们将先拥有像猫一样聪明的系统，然后逐步让它们变得更智能。”
来源访谈 →科学的每一步进展都源于大量人群的协作与社群互动，而非某个天才在隐蔽之处的独立完成。
“科学并非发生在某个隐藏之处、由某个天才独立完成...科学的每一步进展都源于大量人群的协作与社群互动。”
来源访谈 →构建智能AI必须先理解大脑的计算原理，像“蓝脑计划”那样不理解原理、只堆砌生物细节的模拟行不通
“If you want to build the brain we definitely need to understand how it works. —— 如果你想构建大脑，我们绝对需要理解它是如何工作的。”
来源访谈 →AI要发展出人类的所有技能，必须能从稀缺的现实世界互动中揭示的非结构化、不可验证且模糊的信息中学习。
“If AIs are to develop all the skills that humans have... they need to be able to learn from information revealed in unstructured, unverifiable, and ambiguous ways from scarce amounts of real world interaction. —— 如果AI要发展出人类的所有技能……它们需要能够从稀缺的现实世界互动中揭示的、非结构化、不可验证且模糊的信息中学习。”
来源访谈 →当前AI变聪明的方式（被训练完成编程等高经济价值任务）与获取权力的相关性并不强，AI擅长的抽象推理和现实中塑造权力的因素不是同一回事。
“目前AI变聪明的方式（例如被训练来完成编程等特定高经济价值任务）与获取权力的相关性并不强。AI擅长的抽象推理能力，与现实中塑造权力的因素（如魅力、授权）并非同一回事。”
来源访谈 →预测AI未来的正确思维模型是自动化公司（AI集体）在常规资本主义市场规则下胜出，而不是出现单个超级AI凭智识碾压所有人。
“正确的思维模型应该是，自动化公司将以常规的资本主义方式击败所有竞争对手，而不是单个AI凭智识超越所有人。”
来源访谈 →Kellis认为人类独特性在于基因硬件、后天文明软件与进化形成的情感系统，而AI只有新皮层般的认知能力，缺乏人类情感的复杂性。
“AI只有新皮层。它没有边缘系统，不具备人类情感的这种复杂性。（AI only has a neocortex. AI doesn't have a limbic system. It doesn't have this complexity of human emotions.）”
来源访谈 →认为通用科学AI的核心是将科学家从繁琐的工程化问题中解放出来，而非取代科学家。
“通用科学AI（AI4S）的价值不在于取代科学家，而是将科学家从繁琐的工程化问题中解放出来。例如，他的团队曾用一个模型在八个靶点上直接设计蛋白，均获得纳摩尔级活性，将过去需要多名博士生完成的工作简化为一名本科生即可完成的流程，让科研人员能聚焦于更根本的科学问题。”
来源访谈 →stance: 强化学习是机器获得真正智能的唯一根本途径
“quote: "我们从第一性的角度就觉得未来只有这条道路（强化学习）能够帮助机器获得真正的智能。"”
来源访谈 →stance: 具身智能当前的核心短板在于缺乏理解物理因果规律的“智慧大脑”
“quote: "对于巨星来说呢他基本上是十分的状态，所以我更想把这个十分推到90分。"”
来源访谈 →