← 返回 Dashboard

访谈/播客

NVIDIA 焦剑涛(Jiantao Jiao):世界模型、不确定性与科学领域的人工智能

NVIDIA's Jiantao Jiao: World Models, Uncertainty, and AI for Science
访谈/播客🎤 嘉宾:焦剑涛(Jiantao Jiao),NVIDIA 研究总监兼杰出科学家、UC Berkeley 教授;由 SAIR 采访人主持(姓名未在字幕中给出)⏱ 6:19👁 NA
▶ 在 YouTube 观看
NVIDIA 与 UC Berkeley 的焦剑涛在采访中谈 AI 如何降低科研门槛、世界模型与校准不确定性如何加速模拟与科学发现,以及通才模型与专才模型的共存未来。

核心要点

分章详解

自我介绍与研究方向

SAIR 等机构在科学发现中的作用

AI 如何改变科研:降低门槛、加速发现

世界模型、模拟与校准不确定性

通才模型与专才模型的未来

关键引述

“如今 AI 是一个超强的助手:它读过全部文献,有时会幻觉,但有时也能为科学家提供真正有价值、值得一试的想法。(AI serves as a super strong assistant; it has read the whole literature and sometimes it hallucinates, but sometimes it also provides really meaningful ideas for scientists to try.)”— 焦剑涛(Jiantao Jiao)
“AI 应当能为它的预测赋予准确的不确定性,这样我们就知道何时必须去探索、采集更多数据。(AI should be able to assign accurate uncertainty to its predictions; then we know we have to explore to collect more data.)”— 焦剑涛(Jiantao Jiao)
“它能让许多受训很少的人也参与到整个科学发现的过程中,从而加速科学的进步。(It can accelerate the progress of science by enabling many people with little training to participate in the whole process of scientific discovery.)”— 焦剑涛(Jiantao Jiao)
“我相信最终的局面会是通才模型与专才模型的共同干预与共存。(I do believe that the final situation would be co-intervention and coexistence of generalist models and specialized models.)”— 焦剑涛(Jiantao Jiao)

术语 / 人物

世界模型(World Models) — 用 AI 学习并模拟真实世界动态的模型,能预测智能体采取行动后环境的下一状态,可替代或增强成本高、耗时长的传统模拟。
校准的不确定性(Calibrated Uncertainty) — 让模型对自身预测给出准确可信的置信度估计,从而知道何时需要采集更多数据或警惕未覆盖的极端事件。
幻觉(Hallucination) — 大语言模型生成看似合理但实际错误或无依据内容的现象。
通才模型 vs 专才模型(Generalist vs Specialized Models) — 通才模型提供广泛的基础智能;专才模型在特定领域数据上训练,处理通才模型缺乏经验的专业任务,二者协同。
焦剑涛(Jiantao Jiao) — NVIDIA 研究总监兼杰出科学家、UC Berkeley 电子工程与计算机科学系及统计系教授;曾创办企业 AI 安全公司 Nexusflow.AI 并被 NVIDIA 收购。
SAIR — 科学与 AI 研究基金会(Science and AI Research),由陶哲轩等人联合创立,致力于推动 AI 在科学发现中的应用。

背景补充

焦剑涛(Jiantao Jiao)是 NVIDIA 研究总监兼杰出科学家,同时担任 UC Berkeley 电子工程与计算机科学系及统计系教授,研究覆盖生成式 AI、大语言模型、强化学习与 AI 安全,Google Scholar 引用逾 9600 次。他曾联合创办并担任企业 AI 安全与基础模型公司 Nexusflow.AI 的 CEO,公司后被 NVIDIA 收购。他的工作横跨数据整理、预训练、微调、奖励学习与推理基础设施全流程,并曾在 AI 加速科研相关研讨会担任演讲嘉宾。

适合谁看

适合关注 AI for Science、世界模型与模拟、模型不确定性,以及通才/专才模型路线之争的研究者、研究生与产业从业者;也适合希望了解 AI 如何降低科研门槛的跨学科读者。