访谈/播客

科学的AI时代：来自John Hennessy的洞见

The AI Era of Science: Insights from John Hennessy

访谈/播客🎤 嘉宾：John Hennessy（约翰·轩尼诗，斯坦福大学第十任校长、Alphabet董事长、图灵奖得主）；主持人：Chuck（CZI/CERA基金会代表）⏱ 26:20👁 NA

▶ 在 YouTube 观看

图灵奖得主、Alphabet董事长John Hennessy从计算架构、AI for Science、科研资助与人才培养等角度，畅谈AI正如何加速科学发现，以及人类科学家在其中不可替代的角色。

核心要点

通用CPU性能见顶后，深度学习因与图形学共享线性代数本质而催生了GPU/TPU的崛起；当前易摘的果实已被采尽，未来要靠根本性技术突破或跨层协同设计（co-design）。
推理（inference）而非训练正成为新的算力瓶颈，因数十亿用户使用使其受限于内存带宽而非算力。
AI正以惊人速度加速科学：气候建模5年达到传统方法30-40年的水平，AlphaFold让蛋白质结构领域一跃前进10-20年。
Hennessy预言：不把AI当工具的科学家未来将失去竞争力；但人类必须留在回路中，为科研成果的质量和声誉负责。
LLM并非终局——通向更强推理与AGI还需世界模型、扩散模型等新型模型，科学本身也将催生这些新方法。
他对华盛顿削减科研经费表示担忧，呼吁让公众理解科学投入对社会的巨大回报。

分章详解

引言：老友与共同事业

主持人介绍John Hennessy：斯坦福大学第十任校长、Alphabet董事长、Knight-Hennessy奖学金联合创始人、斯坦福以人为本AI研究院（HAI）联合主席、图灵奖得主。
Hennessy与David Patterson因RISC架构共享图灵奖，该架构是包括运行AI模型的GPU在内所有现代芯片的基础。
他还是成功创业者，联合创立了MIPS与Atheros；与主持人共同参与World Leading Scientists Institute（WLSI），秉持'最难的问题需要最好的头脑'这一理念。
Hennessy指出科学的核心挑战未变——吸引最优秀的年轻人投身研究；但如今他们手握AI带来的全新工具，同时也面临科研资助被削弱的隐忧。

计算架构：从RISC到AI芯片

他与Patterson看到通用CPU性能开始'撞墙'、增速趋于停滞，而深度学习催生了一整批新应用。
Nvidia起初是图形公司而非AI公司，但图形学本质是线性代数，机器学习同样是线性代数，两者天然重叠。
让RISC成功的关键思想——架构与编程模型相匹配——同样适用于AI芯片，只是编程模型变成了更高并行度、线性代数和大规模流式数据访问。

下一个突破：算力、能耗与协同设计

约15年前GPU首次用于机器学习，首个TPU约12年前启动；如今'低垂的果实'已被摘尽，易获得性能的方法已用尽。
双重挑战：易优化的部分已完成，加上摩尔定律终结与能效问题日益尖锐。
推理（inference）正成为更棘手的瓶颈，因数十亿人使用，它受内存带宽限制大于算力限制。
两条出路：要么取得根本性技术突破（大规模量子计算需海量qubit，或真正的3D堆叠以排除热量），要么进行跨整个技术栈的优化——把编程模型与架构一起改造，即协同设计（co-design）；'基本没有第三条路'。

AI for Science：被低估的变革

气候建模：传统方法靠求解偏微分方程（PDE）做了30-40年，而结合LLM与仿真的AI气候模型仅用约5年就做得更好。
AlphaFold让蛋白质折叠领域'一跃'前进了相当于10-20年的进度。
他引用同事名言：'发明未来比预测未来更容易'——AlphaGo的成功就远快于专家预测的10-20年，因为采用了根本性的新方法。
预测物理、生物、化学、材料科学等各领域都将出现突破；材料科学已在用agentic AI搜寻潜在新材料。

科学发现的节奏与人类的角色

AI可用于假设生成——这一科学方法数百年未大变，agentic AI能探索大量假设并判断哪些可能成功。
需要新型AI模型：LLM记住大量事实、擅长自然语言，但并非通用推理模型；通往AGI还需世界模型、扩散模型等新技术（呼应Demis Hassabis观点）。
进展快慢之分：替代研究手段很难的领域（如天体物理、材料科学）将受益最大；生物医药因临床试验等复杂终局会被加速但程度有限——NIH不会仅凭模型就批准药物上市。
人类必须留在回路中：发表成果时科学家要以声誉为质量背书，绝不能把错误推给AI，否则将破坏科学的运作方式。

下一代人才与AI时代的教育

Knight-Hennessy奖学金刚公布第九届，从约6000名申请者中录取87人，覆盖法律、商业、工程、医学、生物科学、化学等，且都有改变世界的内在驱动力。
关于'学生用AI作业分数更高但考试更差'的研究：说明他们用AI做习题集而非真正做功课；工程与科学是'做中学'的学科，不做就无法掌握。
应对之道：教学生恰当使用工具而非替代批判性思维，并重新设计课程，确保给A的学生真正掌握了内容。
他赞赏SAIR的数学蒸馏挑战（Terry/陶哲轩团队设计，约千支队伍协作），认为数学是最纯粹的科学，是检验AI是真正推理还是仅复述训练数据的真正试金石。
给年轻科学家的两条建议：找到真正热爱、契合大脑思维方式的方向（让你周六早晨愿意起床）；这是AI时代，学会把AI当作有效工具。

长远展望：乐观主义与人机之别

他从事计算机科学约50年，见证过PC、微处理器、互联网、万维网、智能手机，但没有任何技术像AI这样移动得如此之快——既令人兴奋也略显可怕。
他自认是技术乐观主义者，主张确保技术用于向善、改善人类生活，这也是他联合主持斯坦福以人为本AI（HAI）的原因。
他希望更多人讨论的话题：是什么让人类区别于机器——AI能模仿贝多芬式交响乐或毕加索式画作，但'模仿毕加索的计算机'与毕加索本人究竟有何不同？图灵测试已被跨越，下一个问题是创造性推理的本源。
他最希望这一代科学家担起的使命：坚信科学与研究对赋能社会、改善生活的重要性，并让美国公众理解科研投入有巨大回报。

关键引述

“如果你是科学家却不把AI当作工具来用，未来你将失去竞争力——这是我的预测。”— John Hennessy

“在约五年的工作里，他们的（气候）模型现在比过去30到40年发展出来的还要好。”— John Hennessy

“我们当中没有人准备好把人从回路里剔除……我们绝不能落入'那是AI的错'这种陷阱，否则会破坏我们做科学的方式。”— John Hennessy

“发明未来比预测未来更容易（it's easier to invent the future than it is to predict it）。”— John Hennessy（引用其同事）

“我想知道的是：模仿毕加索的计算机，和毕加索本人到底有什么不同？”— John Hennessy

术语 / 人物

John Hennessy（约翰·轩尼诗） — 斯坦福大学第十任校长（2000-2016），现任Alphabet（谷歌母公司）董事长，2017年图灵奖得主，RISC架构与MIPS的奠基人之一。

RISC（精简指令集计算机） — Hennessy与David Patterson开创的计算机架构思想，用更简单的指令集换取更快速度、更低成本与功耗，是当今绝大多数微处理器（含GPU）的基础。

推理瓶颈（inference） — AI模型部署阶段的计算。随着数十亿人使用，其需求增速远超训练，且主要受内存带宽而非算力限制，成为新的硬件挑战。

协同设计（co-design） — 在缺乏根本性技术突破时，将编程模型与硬件架构一起设计优化、跨整个技术栈榨取效率的方法。

AlphaFold — DeepMind开发的蛋白质结构预测AI系统，结合AI与仿真，使结构生物学领域一跃前进相当于10-20年的进度。

Knight-Hennessy Scholars — Hennessy联合创立并担任主任的斯坦福研究生奖学金项目，号称全球最大的全额资助研究生奖学金。

斯坦福HAI（Human-Centered AI） — 斯坦福以人为本人工智能研究院，由Hennessy联合主持，倡导AI向善、服务人类。

背景补充

John L. Hennessy（约翰·轩尼诗，1952年生）是斯坦福大学第十任校长（2000-2016）、Alphabet董事长。他与加州大学伯克利分校的David Patterson因开创RISC（精简指令集）架构而共获2017年ACM图灵奖；据估算，全球每年生产的160多亿颗微处理器中约99%基于他们的设计思想。他联合创立了MIPS与Atheros两家公司，合著了两部国际通用的计算机体系结构教科书，并于2017年发起Knight-Hennessy Scholars奖学金项目。本视频为CERA/CZI相关活动中的一场炉边对话。

适合谁看

适合关注AI for Science、计算架构与芯片趋势的研究者与工程师，以及关心科研政策、人才培养和科技教育的科学界人士与决策者。