预测不等于决策：Michael I. Jordan 谈市场与尚未完成的 AI 革命

Lex Fridman 介绍 Michael I. Jordan 时说，他是伯克利教授，论文被引用超过 17 万次，又是如今定义这一领域的许多人的导师，其中包括吴恩达、Zoubin Ghahramani 和 Ben Taskar。Yann LeCun 给他起的外号，是 Jordan 自己更喜欢的那个：机器学习界的 Miles Davis，一位不断重塑自己的音乐家，连忠实的听众都常常摸不着头脑。Jordan 接受这个比喻，因为在他的讲述里，Davis 是一位真正的探索者，有一条连贯的主线。他想讲的关于这个时代的故事，并不是海报上的那一版。

换上历史学家的帽子，他说，眼下发生的事情看上去像是化学工程从化学里长出来，或者电气工程从电磁学里长出来。1930 年代和 1940 年代，已经有化学、流体流动和力学，却还没有一门学科，专门负责让化工产品可行、安全、能规模化生产。有些工厂成功了，有些不可行，还有些炸了。与此同时，一门拥有自身理论与实践的学科慢慢成形。麦克斯韦方程组在某种意义上已经说尽了电磁学的一切，但仍需要有人去搞清楚电路、模块，以及如何在不烧毁房子的前提下把电从一处送到另一处。

如果机器学习算得上一个领域，那它就是这种原型形态的工程学，建立在前几代人的统计与计算思想之上。它所构建的系统，为人类带来价值，使用人类的数据，并融入人类的决策。Jordan 说，这一工程侧的工作仍然相当临时。把思维装进计算机的梦想也许是真实的，但还要再等上 500 年，就像希腊人闲聊时说，要是能飞到月球该多好。我们不知道大脑是如何计算的。在这个时代最具科学价值的问题上，他说，我们比希腊人还要差。

Fridman 请他多谈谈大脑，因为 Jordan 对这方面现状的描述格外不留情面。Jordan 说，他并不孤单：去和研究真实突触、真实神经元的人聊聊，他们会同意这是一项要花上几个世纪、慢慢积累的工作。信号本身是电还是化学，也说不清，它是离子、蛋白质和细胞构成的一锅汤。把一个突触放到电子显微镜下看，它本身就是一座城市：树突上的一个节点，已经是一座电化学迷宫，尖峰、电压和蛋白质沿着它一路向下，携带着痕迹，通往 DNA。

我们把大脑说成经济体、免疫系统，或是算术的堆叠，这些都是比喻，而比喻不等于神经科学。在他看来，这正是希腊人在琢磨怎么去月球。他之所以说得这样重，是因为年轻人被告诉我们已经快要成功了，说这项工作受大脑启发，突破就在地平线上。他补充说，其中一些夸大来自需要经费的实验室。计算神经科学在这方面已经做得太多了。

谈到 Neuralink，以及那些在尚未弄清原理之前就读写电信号的电极，Jordan 很客气，但并不信服。他预计，现代神经科学会先在阿尔茨海默病和其他脑部疾病上派上用场，远远早于解释思维。我们给情绪问题开锂盐，却大多不知道它为什么有效。把电极接上去，找出能让光标移动的模式，这没有问题，他也能想象其中的医疗用途，甚至一门生意。但如果连宏观经济的概念都还没有，就想从卫星上的排放数据去推断一座城市的微观经济，那才更接近我们目前的位置。从这里到能把大脑与计算机深度相连的算法，在他看来，不是这一代人的事，也不是这个世纪的事。他不同意马斯克的看法。

Fridman 问，如果未来 5 到 10 年出现某种突破，Jordan 会不会坐直身子，说一声“哇”。他说，突破会有，但不会是演示。一台给餐厅打电话、冒充真人、甚至刻意加入咳嗽声作为公关点缀的电脑，不是科学进步，无论工程多难，最终产品多有用。他并不想贬低推出这些系统的人。他想把这类工作，与一门有原理、有一定科学理解、能稳定地创造价值的工程学科区分开。他说，年轻时的 Kolmogorov 不会被大公司推出的这些噱头打动。

他也不喜欢把理论突破排在实际突破之上的习惯。如果非要指出那个时代的一位人物，他可能会选爱迪生而不是 Kolmogorov；他也承认，马斯克有时更像前者，但他在谈论自己并不了解的事情时，又会误导别人。深入到像他们这次对话这样的语言理解，在我们有生之年不会实现；人们可以靠重播人类已经说过的句子来伪装。他愿意承认的突破，是谷歌、亚马逊和优步：它们在数据流之上，以新的方式，在全球规模上把价值送到人们手中。它们也有些残缺，因为目前还没有哪个工程领域，能把经济价值、数据、隐私和外部性放进同一个框架里。Jordan 设想，100 年后回望，这门新兴学科会成为这个时代的突破，正如电气工程和化学工程之于上个世纪。

他并不愿意把这些统称为 AI。John McCarthy 近乎哲学家式地发问：机器能否拥有思维？他随后设想用一组逻辑公式去实现它。这条研究路线本身站得住，只是它不同于眼下这个时代的主流工作。McCarthy 之所以另起炉灶取名，是因为控制论早已占了地盘：Norbert Wiener 那一派，把反馈回路、信号与数据处理，以及对智能的某种理解，统统纳入了一套术语。McCarthy 大概想说明自己与那一派并非同路。这个名字拿来做电影的标题，堪称妙手；拿来命名一门讲求严谨的学术学科，却相当糟糕，因为它先许下了一个兑现不了的承诺。“我们或许懂得人工，却不懂得智能。”

Jordan 说，这项工作真正关心的，是大量实体在不确定性之下做出的大量决策。模式识别之所以重要，是因为它服务于这些决策。专家系统、搜索和知识表示，如果有用，也可以放进这幅图景里。我们并不知道智能、抽象和人类水平的推理是什么，我们不在构建这些东西，是因为毫无头绪。我们想用计算机、数据、稀缺性，以及身处其中的其他人，去做那些后果重大的决策，比如一台医疗手术，或者开车穿过一条街。目标是建造出前所未见的、在全球规模上运行的可用系统。智能是一个会被贴到结果上的流行词，但它不是目标。

Fridman 问，他与 Yann LeCun 之间最值得关注的分歧是什么？Jordan 称 LeCun 是老朋友。他们都是先动手做、再看行不行的性子，都会说法语，在根本问题上分歧并不大。区别在于侧重。LeCun 把模式识别和预测推到了极限，包括“完美预测”这一思想实验。Jordan 认为这个框架太局限了。我们永远不会有足够的数据，去知道 Fridman 接下来会问什么问题。大部分时间，人都身处没有人预料到的情境里；在那些时刻，你必须想清楚自己真正想要什么，一条堵住的街道要付出什么代价，风险在哪里，以及其他人即将做什么。

他指出，当前的预测系统往往根本不给误差范围。即便一个神经网络掌握了有史以来收集到的全部心脏病记录，并且胜过他见过的每一位医生，他也不会相信它对一个后果重大的医疗问题给出的结果。超过 0.7 的数字，他也不会相信。他想要的是假设性问题、因果上的替代方案、没人想到要收集的数据，以及与医生就这些空白展开的讨论。如果说预测就是一切，你就会漏掉整个结构。预测加上决策才是一切，两者同样重要。

这个领域谈预测谈得太多，以至于忘了：决策才是生死攸关、风险必须被承担、需要收集更多数据、整个经济都围绕其运转的地方。Jordan 说，他并不是这个小圈子里的唯一一人，但大多数人谈论的并不是他们。他估计，走进亚马逊，一半的人在研究决策，另一半在研究模式识别。实验室里的数据集是一种受限的情境。后果重大的决策，是现实世界的一团乱麻，它在市场力量之下触及数以百万计的人。他补充说，只靠一套冻结的数据集，做不出真正的预测。预测必须存在于一套关于接下来该收集什么的策略之中。

Fridman 请他描绘一幅规模达数百万人的决策图景，Jordan 拿出一个他真正能用来思考的思想实验：音乐市场。他说，严格讲，美国并没有这样的市场。有的是唱片公司，它们扶持少数几位音乐人，把他们捧成超级巨星，赚很多钱。还有一条长长的尾部，其中的人，尤其是嘻哈和拉丁音乐的创作者，周末在笔记本电脑上做出非常好的歌，平日另有工作，然后把文件放到 SoundCloud 上。歌曲以数据流的形式被播放，经济信息却丢失了。走在城市里，你会发现年轻人耳朵里的耳机，多半并不在播放知名曲库或老歌，播放的是新近的作品，常常出自一位 16 岁孩子之手，而他未必会以此为职业。

Spotify 这类平台从订阅或广告中抽成，再把一小部分钱撒给少数被推上榜的名字。这模拟出了一个市场，却并不是市场。一个真正的市场，应当从创作者能看见的数据开始：一块仪表盘，一张美国地图，上周的收听数量，透明、可审计。这样，一个在普罗维登斯看到一万次真实播放的人，就会相信这个数字，邀请乐队来办一场演出，并告诉那些听众这位艺人要来了。Jordan 说，做对了的话，一趟巡演可能值 2 万美元；一年 3 次，一份事业就开始了。在这幅图景里，AI 创造工作，而不是夺走工作。一旦生产者与消费者连接起来，音乐人就能为一场婚礼的演出讨价还价，收入接近 10 万美元，而无需成为百万富翁。

他认为，音乐真正的价值在于个人连接，甚至体现在一个想要签名 T 恤的孩子身上。收听页面上应当有一个按钮，周边商品第二天就送到，无需广告。买家高兴，音乐人拿到报酬，抽走 5% 的平台也能成为一家健康的公司。听上去很容易，其实并不容易。这种规模的双边市场此前从未有人建成过。会有坏人，会有数据被错误使用，也会有没能兑现的价值，任何运营过大型拍卖或匹配服务的人都清楚这些。硅谷无法自上而下地雇到那个 16 岁的孩子，也买不来文化。奈飞可以给电影学院的毕业生开支票；Jordan 说，美国音乐原本主要不是富裕白人的项目。技术得与文化合作，光靠购买是行不通的。

在推荐系统里，Jordan 最喜欢的，从历史上看，是亚马逊的图书列表。他起初讨厌这家公司，因为本地书店纷纷倒闭；后来他接受了书卖得更多、读的人也更多这一事实，也有些书店又重新开张了。当他终于买了几本书，网站推荐了他从没想过的其他书，他也买了，至今仍会在那里浏览。他喜欢的，是一种间接地向同行学习的感觉，算法试图浮现数据里已有的东西，而不是强加一套课程。他指出，衬衫和餐厅的推荐要难得多。把推荐器与其他经济机制结合起来，研究依然广阔未知。

在他看来，新闻、政治、YouTube、Twitter 和 Facebook News，首先都不是排序问题。坏掉的是广告变现。Google 和 Facebook 回到了电视的老套路：没人愿意为信号付钱，于是广告填补了空缺。Google 右侧那些小方框，当初看上去并不算什么经济上的大事，后来却成了一笔巨大的财富。公司生意做得如此之好，却没有认真想一想，广告市场旁边其实还摆着一个生产者与消费者的市场。生产者，就是做出那段视频或那个网站的人，如果需求能被看见，他们本可以做得更多。网红是这个市场姗姗来迟的一点微光。它本应与广告并行，在 20 年前就被设计出来。Facebook 继承了同样的模式。

钱一旦来自点击，公司就有动机去争取更多点击；系统开始失灵时，它又会伸手去用更聪明的 AI，区分好点击与坏点击。Jordan 觉得这很没希望。假新闻之所以能搭便车，是因为收入来自点击率。更好的办法，是改变商业模式：生产者与消费者之间的直接联系，是否有价值到人们愿意为之付费？这不一定是小额支付。如果他要去孟买待 2 天，毫无头绪，他不想面对一堵广告商的墙。他想把这次行程发出去，让一个相关的人（比如和他年纪相仿、对他有些了解的人）拍一段短视频，或写 2 页笔记，告诉他这周该做什么。他愿意为此付 100 美元，而不是几美分。平台抽走 5%。在 YouTube 背后，那些本可以做出更多这类指南的人，不需要别人吩咐，也会去做。

他并不想要零广告。一个没有广告的世界会更糟，因为广告是一种信号，说明有人愿意花真金白银去相信某件产品。一位 MIT 学生如果做出了真正更好的吸尘器，推荐系统不会把它找出来，算法也找不到它。一则昂贵的广告能把它送到人们面前。这种信号如今已经消失，淹没在以几分钱卖出的库存里。广告现在让人厌烦的程度，远超它传递的信息，而社会不会长久忍受令人厌烦的东西。一家认真的公司，会减少广告但不会将其彻底杀死，同时提高生产者与消费者之间真正的付费，并让那 5% 增长到足以取代糟糕的广告收入。亚马逊，Jordan 每周花一天时间去学习，它本来就生活在包裹与卖家构成的市场里。谷歌则徘徊在两者之间。他说，Facebook 从未认真考虑过生产者与消费者之间的联系。他担任董事的 United Masters，从第一天起就采用这种模式：超过 10 万名艺术家，还有 NBA 片段配乐，让一个孩子的歌出现在联盟官网上。

Fridman 很喜欢推荐器，在他信任的环境里，愿意把关于自己的一切都交给它们。Jordan 不想被基于他的浏览历史推荐，也不想被推荐给一家公司所掌握、而他从未提供过的事实。他身上有待探索的部分，恰恰在于那些未知。那天早上，他还没完全清醒，就点开了一则关于英国女王的新闻。他并不关心英国女王，那只是诱人点击的标题，看上去有点好笑，而现在它已经进了记录。任何合理的系统，都会把这次点击当作兴趣。他不想让自己的生活朝那个方向走。

他说，行业的模式一直是：只要收集到足够多的数字废气，就能摸清一个人。也许你能摸清某一个非常公众化的人，但 5 亿人？做不到。人是丰富而复杂的，有怪癖，也有爱好，这些在出现之前不会在过去留下任何痕迹——然后你就爱上了某个人。他不希望一家公司去预料这些。他想要的是一个论坛，一个市场，一个可以走进去、总能发生点什么的地方：比如街上正在播放的智利音乐，那是他从前不知道自己会喜欢的。去创造让创意与风格显现出来的空间。不要用 AI 去摸清一个人，然后把他放进你已经解决好的世界里。目前这条路，包括那些伤人的匿名评论，对整个技术来说都是错的。让人类自己崛起。不要试图取代他们、预料他们或预测他们；那些微小的成功，只会让事情变得更糟。

推荐器能否像朋友那样与你交谈，而不是在暗处观察你？Jordan 并不反对助手。他不希望一家大公司了解他家里的情况，但如果技术能帮上忙，他愿意接受。做得好的 Alexa 依然更像一个研究平台，而不是产品。如果他说花园里的水一直在流，系统据此推断出妻子回家时应该被告知，那一丁点推理就能让一天轻松一些。这不会是令人惊叹的时刻，只会让幸福感稍微提高一点。他不希望 Alexa 知道他感到孤独。他要的是控制权和透明度，而不是一位事先已把一切想好的设计师。他认为，Satya Nadella 执掌下的微软正在转向做一位值得信赖的老叔叔，这是更好的商业模式：让人们对丰富的互动拥有更多控制，而不仅仅是对一个隐私勾选框拥有控制。

对 Jordan 而言，隐私的控制远不止查看自己的数据，它是一项个人决定。有人想要零隐私，有人想要很多隐私。它不是一条关于哪些字段可以被获取的、非黑即白的法律事实。200 年前，大多数人生活在人人都知道彼此一切的村子里。这并非纯粹的坏事。你失去了一种隐私，却换来了一种帮助：一旦出了什么事，有人知道，有人会赶来。在大城市里，没人认识你，也没人帮你。答案取决于你站在这笔交易的哪一端。他想管理这些关系：谁知道他的什么，为什么知道，并拥有真正的主动权，而不是淹没在没人读过的条款和勾选框里。

他不是隐私研究者，希望这一点能被承认。问题不只是技术，也不只是法律学者与工程师坐在一起的事。它周围必须有层层结构，正如电气工程并没有止步于把插头插进墙里。美国保险商实验室必须存在，插头才不会烧毁房子。必须有能安装的人，也必须有监督安装者的人，形成一层层像洋葱一样的角色。隐私就是这样一种电力。它可能要花几十年才能弄清楚，并且需要我们如今还没有的结构。如果这些结构被认作日常生活里有用的组成部分，那么大量的钱也会从这里赚到。

在社交层面，他希望少一些匿名，多一些地域感：人们因为信任那里的人而进入一个空间，于是讨论既不是攻击，也不是浪费时间。他退出了 Facebook，因为即便有一些价值，它也会浪费掉好几个小时。他认为人本质上是善良的，但也有局限：目光狭隘，难以看见别人的痛苦。在状态好的日子里，他觉得技术或许能打开这些狭隘的视野，但在他有生之年，还没见它真的做到。评论区让他看到了他没料到的黑暗，而现在，整套技术又在放大它。他期待的进步并不宏大：只是让人们更容易成为他们本来就是的那种体面的人。

Fridman 问，一个人生或一个社会，能否被建模成一个优化问题。Jordan 说，不是人们通常所理解的那种方式。优化只是数学的一个分支，对于这种复杂性来说太有限了。即便在这个时代，采样也与它并存：优化是在一个曲面上寻找唯一的最优点，采样则把同一个曲面看作一种密度，去找概率质量集中的区域。把问题提升到概率测度的空间里，两者看上去可以被视作同一件事，但数学一旦抽象到这种程度，就开始丢掉值得证明的定理。作为统计学家，他对随机的视角毫不费力地接受。他不知道接下来 5 分钟会发生什么，能做的最多是对概率有一个粗略的感觉，然后再去推理该怎么做。

在多智能体系统中，博弈论的答案就会出现。势阱中的粒子，没有运行任何算法，却像是在优化一个拉格朗日量；这套数学只是分析者对它的描述。人、计算机和市场混合而成的系统也会如此。纳什均衡是一种特殊的鞍点，因此经典博弈论与算法博弈论，字面上都是在寻找鞍点。Jordan 说，任何经济学家都知道，纳什常常不能很好地解释行为。还存在其他均衡，包括斯塔克尔伯格均衡：你先动，我观察，你预料到了我会观察，于是我们在先行者结构里来回博弈。这些对象都有拓扑结构。动力学如何接近它们、或者逃离它们，有时是已知的，但往往并不清楚，尤其是当系统具有随机性、去中心化且规模庞大时。认为 dense flow 已经把这个主题做完的年轻人，是错的。问题仍然开放，而且它们关乎战略性的数据收集，与关乎下降方向的问题一样多。

从优化者的角度看，深度学习的损失曲面相当平滑，过参数化又让许多通往合理点的下坡路径存在，因此达到一个最优点，并没有高维曾让人们预期的那么难。为什么有些最优点要好得多，以及我们为什么常常能找到它们，仍需解释。他怀疑 10 年后我们还会在看同样的曲面。层层的算术加上一点非线性，并非来自神经科学，不管一些发明者当时心里怎么想；算术电路在计算机科学和控制理论里同样出现过。令人惊讶的，是这个想法在这种规模上竟然行得通，而不是我们因为理解了大脑，才只能被迫接受它。

梯度本身仍会让研究它的人感到震惊。如果 x 轴上的一步能增加 3 个单位，y 轴上的一步能增加 7 个单位，而你只能移动 1 个单位的距离，几乎每个人都会把整步都放在 y 上。这个论证是错的。梯度在方向上仍然保留了一点 x，你需要数学才能看清原因。确定性的下降可能撞上曲面上难看的特征，包括像绝对值函数那样、导数在那里失效的折点。随机性让恰好撞上那一点的可能性很低；在高维里，这些性质之所以吸引人，是因为我们的直觉对它们处理得很糟。经验上，人们发现随机梯度确实有效，理论是后来才跟上的。他会提到的最深刻的想法，是内斯特罗夫加速：在一个只允许沿过去梯度张成的空间里移动的模型中，光滑凸函数有 1/k² 的下界，普通梯度法是 1/k，而内斯特罗夫把两次梯度组合起来，有时会走上坡路，触及那个下界，至今仍有人在写它。

统计学是什么？Jordan 说，它介于数学、科学与技术之间，是一套关于推断的原则：当你有理由相信某个推断，并有理由认为某个决策不会出错时，它就派上用场。这就要求说清楚什么是错误，以及概率意味着什么。从形式上说，这门学科已有几百年历史。概率论最初解释的是赌博：给定一个轮盘装置，长期下来你期望看到哪些结果？之后，有人把问题倒过来：给定结果，你能说些什么关于这个装置的事？有一段时间，这个领域被叫作逆概率。Laplace 在拿破仑政府任职时，需要对法国进行普查，收集数据，为政策做分析。最终流传下来的名字是统计学，也就是为国家研究数据的学问。

到 1930 年代这门学科正式形式化时，博弈论和决策论正在隔壁生长。那个圈子里的人不认为自己是计算机科学家、统计学家或经济学家，他们兼而有之。Von Neumann 在发展博弈论，并思考决策论。Wald 和计量经济学家则把决策论变成了统计学。你不只是分析数据，你还有损失、问题、概率模型，以及错误决策所带来的风险。Jordan 说，直到今天，大多数高级统计课程仍从决策论讲起，然后分叉为贝叶斯学派和频率学派。整套体系说到底，都是关于决策的。

他把贝叶斯派与频率派之争，比作波粒二象性。两者在本质上不同，有时在实践中一致，有时得出的结论相去甚远，人们需要习惯与两者共处。损失是数据 X 与参数 θ 的函数，而二者事先都是未知的。频率派对 X 取平均，把 θ 固定，得到风险：这是一种保证，说明某个程序在你没见过的数据集上会如何表现，也是你希望附在发布给全世界的软件上的印章。贝叶斯派对 θ 取平均，以手头的 X 为条件，只谈这一个数据集；当你与科学家、与某个具体领域合作时，这才是正确的做法。两种需求都是真实的，所以它们既要有些争执，也要彼此融合。经验贝叶斯从贝叶斯的数学出发，注意到现实世界里有些量我们并不知道，代入一个自然的估计，然后证明这种代入并不会酿成灾难。

詹姆斯-斯坦估计，是他几乎不打算在播客上尝试解释的那个令人惊讶的想法；Stephen Stigler 写过一篇论文，认为它击败了人们第一次试图理解它时的直觉。另一个他很喜欢、也更易理解的，是错误发现率（false discovery rate）。你面对的往往是一大袋检验。在你宣布为发现的那些结果中，你希望其中错误的比例很小。这不同于准确率、精确率、召回率、灵敏度或特异度，那些大多问的是：给定真相，你会看到什么数据？错误发现率问的是反方向：给定你做出了一个发现，那么这个假设成立的概率是多少？先验会悄悄溜进来，经典频率派会退缩，而经验贝叶斯仍会写下这些公式，直到其中一些未知量能从现实世界里估计出来。这条脉络从 1960 年前后的 Robbins 说起，经过 Bradley Efron，以及以色列的 Benjamini 和 Hochberg，再到 John Storey 的贝叶斯式解读。Jordan 花了好些年消化它，他觉得这是一种健康的思考方式。

Fridman 问，定义智能是否仍是一个有用的问题，以及我们将来能否为通用智能制定基准，摆在机器面前。Jordan 说，这其实是心理学家的问题，而他认识的心理学家都很谦逊。他们可能会去研究婴儿如何分辨固体与液体，或者动词何时与名词分开。人类把一个复杂的环境抽象出来、交流它、并围绕它进行互动的能力，丰富得令人惊叹。他认为，近期没有人在朝那个方向努力。关于推理怪癖的认知研究是有用的，但它并不是对我们如何推理的深刻解释。他一再提到的那篇文章，题目是《人工智能：革命尚未发生》。

退一步看，他说，智能系统并不只有人类、动物或植物。每天把食物运进城市的市场，就是一个由分散决策构成的系统。从足够远的地方看，它像一堆神经元，每一个都做出局部选择，没有谁知道整体目标，但总体上有事情在发生：人们吃上了饭。这个系统从乡村到大都市都很稳健，无论晴雨都能适应，无需中央调节就能自我修复，而且已经存在了几千年。它并不完美，智能从来都不完美。人类并不是进化来当市场的，我们只是参与其中。神经元可以被视为一个市场，经济神经科学是一条有趣的路径。关键在更大的图景。如果你花了几千年成为世界上最好的心理学家，并写下了一套完整的人类智能理论，你可能永远发现不了供需、匹配或拍卖。这些都是真实的原理。它们导向的是一种并非人类的智能形式，而很可能还有第三种、第四种智能，只是没有人足够认真地去想。

当下，市场与计算机系统是相关的。理解人类智能，他认为，大概并不相关。如果你想要某种深刻意义上的通用智能，它必须是这个更广阔的东西，而不只是一个人的复制品。被问到文明是否是一个单一的有机体，其智能是线性增长还是指数增长，他拒绝回答。那是科幻，适合喝啤酒时聊聊；在眼下有真实危险、也有真实系统需要建造的时候，对他这个年纪的人来说，那不是该公开说的话。他读书时很喜欢的缸中之脑故事，把每根神经换成导线，再换成无线电，把身体推走，然后逐一关掉发射器，问那个人去了哪里——这很值得 18 岁学生的哲学课讨论。他说，这不是我们大多数人应该去广而告之的东西。

Fridman 问，如果本科生关心机器学习、市场、经济学和心理学，他们应该怎么做。Jordan 说，首先，门是开着的。其次，这是一段旅程。想进入这个领域，靠的不能只是聪明或绝妙的想法，更要紧的是拜师学艺：投入大量时间，做难的事情，然后退一步，与很多人交谈，就像进入任何创意社群那样。音乐人和艺术家第一天醒来时并不是天才。他们练习基本功，对自己所处的位置保持谦逊，接受自己永远不可能样样精通。运气决定你走哪一根树枝，但你总会走上某一根。他仍然认为，研究生院是我们拥有的一种美妙现象：四五年时间，跟随导师学习，属于一个团队，有足够的时间从几乎零开始，积累一些专长，并看着自己的创造力让自己感到惊讶。

这项工作的合作性远超局外人的想象。人们不断地互相教导，并且非常乐意展示自己不懂的东西。Jordan 很乐意在饭桌上暴露自己的无知，好让别人来教他。正因为它是合作的，它也是国际化的；该领域大多数人并不觉得有什么国界。他说，当今的民族主义与他们实际的工作方式格格不入。这是一项人类的事业，大家一起做，为了所有人。当年轻人问该学什么，他会告诉他们：顺从内心，多做数学，因为数学对所有人都有益；同时，一生中也读一些诗歌、历史和语言。你要做一个会思考的人。

他十几岁后期在堪萨斯州学法语，那时他觉得无聊，把父母书架上的法语书抽出来，靠阅读自学。第一次听到有人说法语，他一个字也听不懂，却有一种诡异的感觉，好像前世就认识它。旅行让这一点更加明显：在法国的火车上，他可以和经历过完整人生的老人交谈，设身处地看他们的生活，锻炼同理心。意大利语是他在 MIT 学的，因为那栋楼里全是意大利籍教授，而他当时是个年轻、有些无聊的新教员；后来他娶了一位意大利妻子，家里说的就是意大利语。他觉得意大利语比法语和英语都更美。每种语言都让你能以略有不同的方式说出事情，探索这种差异，是人生最大的乐趣之一。如果他有几百万美元和无限的时间，他真正会去做的科学问题，是把自然语言做好：真正的深度理解，也就是他眼中 AI 的核心，而我们离它还非常远。他接触这件事时已经太晚，无法以此为业。不过，他说，学习语言，是他以自己的方式训练大脑那一部分的办法。