主题演讲

Jeff Ullman：一位老者对 AI 的思考（二）

Jeff Ullman: An Old Guy Thinks About AI II

主题演讲🎤 杰夫·厄尔曼（Jeff Ullman，斯坦福大学计算机科学荣休教授、2020年图灵奖得主）⏱ 18:24👁 NA

▶ 在 YouTube 观看

图灵奖得主 Jeff Ullman 以亲历者视角回顾 AI 从 20 世纪到 21 世纪的范式转变，剖析 prompt 编程对程序员的影响，并吐槽学术界论文泛滥、并分享他用 AI 智能体为期刊寻找审稿人的实践。

核心要点

20 世纪的 AI 试图模拟人类思维（如 Tweety 推理、把国际象棋当作“AI 的果蝇”），更多是炒作而非实质；真正的突破来自硬件提升、海量数据和机器学习“建模”而非“思考”。
战胜国际象棋世界冠军靠的是更强硬件上的大规模树搜索，而围棋（Go）状态空间太大无法照搬，只能靠系统自我对弈生成数据来学习。
高级语言、库调用、如今的“prompt 编程”都提升了程序员生产力；历史经验是生产力提升往往催生更多编程岗位而非更少，但当前 CS 招生下滑约 50%、毕业生求职困难，前景不明。
即便未来普遍用 prompt 写代码，学生仍需学会自己写代码，正如计算器普及后孩子仍要学加减乘除。
学术界“数论文、堆引用”已不可忍受：研究计划动辄引用 250 篇论文却没人真读；有用的想法往往简单，但把想法讲简单反而会被拒稿。
作为 PNAS 编辑，受保密规定限制不能把论文喂给 LLM 找审稿人；他改用专用智能体 Prophy 以及前学生的“深度研究智能体”，仅用一两句话描述就能筛出合适审稿人并施加职级、地域等约束。

分章详解

20 世纪 AI：模拟思维的失败

Ullman 把 AI 世界划分为 20 世纪和 21 世纪，前者大致对应他自己的职业生涯。
他坦言自己长期是“反 AI 的人”，认为当时 AI 更多是炒作而非实质，大量科研经费被它占用，本可投入更高产的领域。
20 世纪 AI 把任务定义为“模拟人类思维”，例如 Tweety 是鸟会飞、但它是企鹅不会飞、但它有飞机所以会飞、但飞机坏了等等逻辑推理——有趣却没解决重要问题。
他澄清并不反对同行个人：Raj Reddy 的首个成功语音识别系统是一组聪明算法、与“思维/推理”关系不大；John McCarthy 曾称国际象棋是“AI 的果蝇（Drosophila）”。

21 世纪 AI：硬件、数据与机器学习建模

约世纪之交，AI 研究转向关注“结果”；驱动力是持续变强的硬件和可处理海量数据的存储能力。
上世纪的机器学习指“越用越好的算法”，是有趣但没走通的想法；今天的机器学习是“建模”——例如 LLM 就是把整个网络的数据合成进去。
1995 年左右象棋程序击败人类世界冠军，靠的是更好硬件上的大规模树搜索：象棋每步约六个合理走法、对局 30—40 步。
围棋规模太大无法照搬：每步可能有上百个合理走法、对局长达 300—400 步，且已发表棋谱不足，因此系统通过自我生成数据来学习。

从机器语言到 prompt 编程：生产力与岗位

1962 年 Ullman 曾管理一台计算机，靠“插针”编程；次年学会 Fortran，写代码大大加速。
历史规律：高级语言、海量库调用（用库调用代替写代码）等提升生产力的技术，反而让更多编程任务在经济上变得可行，需要更多而非更少程序员。
他观察到 CS 专业人数首次出现约 50% 的下滑，去年 CS 毕业生首次较难找到工作；对此既有“确实需要更少程序员”也有“COVID 期间过度招聘的回调”两派说法，他不下定论。
提出关键问题：若 prompt 编程带来 2 倍生产力，是只需一半程序员，还是会出现 2 倍、3 倍乃至 10 倍变得可行的新工作量。
他认为学生仍应学会自己写代码（即便日后多用 prompt），类比 1988—1990 年计算器普及后孩子仍需学算术。
抛出疑问：电子可得的数据是否已基本用尽？人们谈论用合成数据训练更强系统，但合成数据长期是否可靠有用尚不确定。

学术出版的弊病：论文太多、想法被刻意复杂化

他认为发表的东西太多了，且只“数论文”、不问论文真正做了什么。
亲历对比：当年发表论文需缴版面费，一篇典型论文的版面费约等于他读研一年的津贴，所以他博士毕业进 Bell Labs（由实验室出钱）才发出第一篇——此前从未发表。
如今竞争白热化：对手发 100 篇你就得发 200 篇；研究计划若引用不足约 250 篇就会被认为不懂该领域，而这些引用多是用 Google Scholar 或 LLM 找来、根本没读，还要刻意引用可能的审稿人。
他主张有用的想法往往简单（呼应 Reid Hoffman 关于商业点子也是“好用即简单”的说法），但若把简单想法讲得简单就会被拒稿；需要某种机制过滤掉“被刻意复杂化、晦涩化”的论文。
他设想可让 ChatGPT 把论文改写到大三本科生能看懂，但那样反而无法被录用。

用 AI 智能体为期刊找审稿人的实践

他 2002/2003 年退休，自称“已过保质期”，但因“误打误撞”成为美国科学院院刊 PNAS 编辑（约 300 名编辑，他一度是 CS 领域唯一编辑，现 Mike Kearns 也加入）。
难处在于：投到他这里的论文多不属数据库、编译器等他熟悉的领域，而 1980 年代当编辑时他几乎认识领域内所有人、审稿人“都在脑子里”，如今对陌生领域无从下手。
保密约束：PNAS 向投稿人承诺保密，不允许他把论文甚至摘要喂给 LLM 找审稿人——他用“火星生命”论文举例说明，否则可能泄露尚未证实且保密的结论。
期刊提供两种工具：Prophy 是专为找审稿人设计的智能体，可本地离线读取全文、推荐内容相似论文的作者，效果相当好；Web of Science 则是较老技术，表现“参差不齐”。
他实际更常用一位前学生公司的“深度研究智能体”：只需他本人用一两句话描述论文主题（不泄露原文、不违反保密），即可推荐合适审稿人，并能附加学术职级（如五年级博士生、博士后、副教授）和地域等约束（某些地区作者不愿为 PNAS 审稿）。

关键引述

“20 世纪的 AI 之所以行不通，是因为它把任务看成模拟人类思维。”— Jeff Ullman

“象棋程序战胜世界冠军，并非来自“思考”，而是来自跑在更强硬件上的大规模树搜索。”— Jeff Ullman

“高级语言让需要的程序员变多而非变少，因为很多编程任务此时在经济上才变得可行。”— Jeff Ullman

“有用的想法往往很简单；可麻烦在于，如果你有个简单想法又把它讲得很简单，你的论文就会被拒。”— Jeff Ullman

“如果你的研究计划里没引用 250 篇论文，他们就会认定你不懂这个领域——可没人有时间读完 250 篇。”— Jeff Ullman

术语 / 人物

Jeff Ullman（杰夫·厄尔曼） — 斯坦福大学计算机科学荣休教授，数据库系统、编译器与算法领域奠基者之一，2020 年图灵奖得主，著有“龙书”《编译原理》等经典教材。

Raj Reddy — 图灵奖得主，研发了首个成功的语音识别系统，Ullman 指其本质是聪明的算法集合而非“思维”。

John McCarthy — 人工智能奠基人、LISP 之父，曾称国际象棋为“AI 的果蝇”，即 AI 的核心研究问题。

Drosophila of AI（AI 的果蝇） — 比喻某问题是领域内最基础的研究对象；McCarthy 用以形容国际象棋之于 AI。

Prompt 编程 / Vibe coding — 通过向 AI 用自然语言下达提示来生成代码，而非手工编写，被视为继高级语言、库调用之后又一轮生产力跃升。

合成数据（Synthetic data） — 人为生成、用于训练 AI 的数据；在真实数据接近用尽时被寄望，但其长期可靠性尚存疑。

PNAS — 美国国家科学院院刊，Ullman 任其编辑，向投稿人承诺保密因而限制其使用 LLM。

Prophy / Web of Science — 为期刊找审稿人服务的工具：Prophy 是专用智能体、可读全文推荐相似论文作者，效果好；Web of Science 是较老技术、表现参差。

背景补充

Jeff Ullman（杰夫·厄尔曼，生于 1942 年）是斯坦福大学 W. Ascherman 工程荣休教授，1966—1969 年任职 Bell Labs，曾任斯坦福计算机系主任（1990—1994），2003 年退休后仍授课与做项目。他与 Alfred Aho 因“程序语言实现的基础算法与理论”及一系列影响深远的教材（含《编译原理》龙书、《数据库系统原理》）共同获得 2020 年图灵奖，并曾获 IEEE 冯·诺依曼奖、Knuth 奖等，是美国国家工程院、科学院院士。他的著名（未完成学位的）学生包括 Google 联合创始人 Sergey Brin。本视频是 SAIR 频道“An Old Guy Thinks About AI”系列的第二部。

适合谁看

适合关注 AI 发展史与范式变迁的计算机从业者与学生、关心 prompt 编程对就业影响的工程师，以及对学术出版弊病与 AI 辅助审稿感兴趣的科研人员与期刊编辑。