主题演讲

杰夫·厄尔曼：一位老人对人工智能的思考

Jeff Ullman - An Old Guy thinks about AI

主题演讲🎤 杰夫·厄尔曼 (Jeff Ullman)⏱ 14:16👁 NA

▶ 在 YouTube 观看

图灵奖得主厄尔曼以亲历者视角回顾上世纪AI的浮夸与失败，指出今日AI的真正价值在于借助算力与海量数据「解决实际问题」，并对软件工程在大模型时代的前途提出开放性追问。

核心要点

上世纪的AI执着于「模拟人类思维」并不断空许承诺(声称两年内造出像人一样的机器)，因而在数据库、编程语言、操作系统等踏实推进的领域面前显得华而不实；而获取经费却因「错失恐惧(FOMO)」格外容易。
今日AI成功的关键不在于「思考」，而在于硬件进步与海量电子数据的可获取性——所谓机器学习如今其实就是「喂数据、建模型」，连LLM本质上也是「整个网络的一种变形(transmogrification)」。
历史上的标志性「AI成就」如战胜国际象棋世界冠军、AlphaGo战胜围棋，靠的都是树搜索、启发式、自我对弈造数据等普通工程手段，而非真正的人类式思维。
厄尔曼以亲历的「机器语言→FORTRAN」革命类比当下：编程工具每次大幅提效后，程序员数量不减反增，因为更多原本不划算的软件变得值得编写。
他警告这是计算机专业毕业生第一次不再被工作机会一抢而空(甚至哲学专业更好找工作)，并提出核心悬念：vibe coding 让效率翻倍后，是只需一半程序员，还是会催生海量新需求——他坦言不知道答案，未来两年见分晓。
AI继续进步需要更多数据，但互联网数据已基本被吃尽；合成数据在医学影像等特定场景(如旋转/放大肿瘤图像)有效，但「让LLM再造十个互联网」这类泛用合成数据恐怕帮助甚微。

分章详解

一位「老家伙」的自白：上世纪我一直唱衰AI

厄尔曼自称是「老人」，主要学术成就完成于上个世纪，长期对AI持批评(poo-pooing)态度，却眼看它突然成为世上最重要的事。
上世纪AI界惯于空头承诺，动辄宣称两年内造出与人无异的机器，结果一无所成。
相比之下，操作系统、编程语言、计算理论、数据库等领域在做着「缓慢但真实」的进步。
经费分配的根源是钱：只要声称研究AI就极易拿到资助，这是「错失恐惧(FOMO)」的典型——资助方面对耸动故事，宁可押注以防万一。

旧AI的误区：以为是关于「人类思维」

旧AI误以为自己研究的是人类思想，今天人们才意识到AI是关于「解决实际问题」。
数据库社区造出的SQL虽不完备(甚至不是图灵完备)，但能高效实现、且恰好覆盖处理数据所需的功能。
反观当年AI搞出的逻辑表示语言过于复杂，连「蕴含(implication)」都不可计算——能算出答案但耗时长到不现实(intractable)。
厄尔曼借此向 Raj Reddy 致歉：他曾因类似言论惹恼这位自认是AI人的学者，但在厄尔曼看来，Reddy在语音识别上的成就是出色的「算法」范例，与人类思维关系不大。

里程碑回顾：象棋、围棋靠的是工程而非思维

约翰·麦卡锡(John McCarthy)曾称国际象棋是「AI的果蝇(drosophila)」；上世纪90年代中期程序终于击败世界冠军。
其手段不过是树搜索、少量启发式、外加存储开局前15步等普通编程，硬件够强即可，与思考无关。
围棋每步有数百种合理走法(象棋仅约十几种)，无法靠堆硬件像解象棋那样硬解。
AlphaGo 的做法是让机器自我对弈，从而生成所需的海量数据，借此真正理解围棋。

今日AI为何奏效：硬件 + 数据

摩尔定律意义上的「单芯片」增长约25年前已停滞，但靠把越来越多处理器拼成越来越大的机器，硬件整体仍沿摩尔定律前进。
电子化存储的数据量大增，且有了管理这些数据的硬件，于是机器学习「真的管用了」。
机器学习的原始定义是「通过经验自我改进的软件」，如今这虽仍存在，但已非重点——现在的机器学习其实就是「建模型」。
LLM 在某种意义上就是「整个网络的变形」；海量数据是这一切的前提。

大模型革命与软件工程的前途

厄尔曼以亲历类比：1963年他用「侧翻冰箱」般的机器、靠插针编程(机器/初级汇编语言)；次年学会FORTRAN，生产力立刻提升约一个数量级。
提效后程序员数量不减反增并持续至今——编程更高效后，编写更多代码在经济上变得划算。
当下相当于「机器语言→汇编」的又一次跃迁：用一个LLM写代码、再让另一个LLM查错已被证明可行。
他点出反常信号：这是计算机专业毕业生首次未被工作机会一抢而空，甚至哲学专业更好找工作。

悬而未决的两个问题：需求与数据

假设 vibe coding 让软件工程师效率翻倍：要么只需一半程序员(或每周工时减半)，要么会催生大量原本不划算、现在变得可行的新软件需求。
有位编程主管对他说「我们需要的程序都已经在写了」，意味着也许没有更多可做的——是真是假，未来几年见分晓，厄尔曼坦言不愿猜测。
进步需要更多数据，但互联网数据已基本被消耗殆尽。
合成数据在特定场景有效(如把肿瘤图像放大10%或旋转10度，生成确定为肿瘤的新样本以丰富训练)；但让LLM「再造十个互联网」这类泛用合成数据恐怕几乎无益——他强调这只是「一个老家伙的猜测」。

关键引述

“过去AI以为自己是关于人类思维的，如今我们意识到，它其实是关于解决真实问题的。”— 杰夫·厄尔曼 (Jeff Ullman)

“LLM 在某种意义上就是整个网络的一种变形(transmogrification)。”— 杰夫·厄尔曼 (Jeff Ullman)

“当编程更高效时，编写更多代码就在经济上变得划算了——所以程序员不减反增。”— 杰夫·厄尔曼 (Jeff Ullman)

“我能让LLM基于它看到的互联网再造十个互联网，但那真的会是更有用的数据吗？我猜并不会——不过这也只是一个老家伙的猜测。”— 杰夫·厄尔曼 (Jeff Ullman)

术语 / 人物

杰夫·厄尔曼 (Jeff Ullman) — 2020年图灵奖得主，斯坦福大学荣休教授，数据库与编译原理泰斗，著有《数据库系统原理》及编译领域经典「龙书」(Compilers: Principles, Techniques, and Tools)。

图灵完备 (Turing complete) — 衡量一个计算系统表达能力的标准。厄尔曼指出SQL并非图灵完备，但正因功能受限才能高效实现且贴合数据处理需求。

FOMO (错失恐惧) — Fear Of Missing Out，指资助方因怕错过下一个大突破，对耸动的AI故事盲目押注资金。

摩尔定律 (Moore's Law) — 芯片晶体管数量约每两年翻倍。厄尔曼认为其原始形式约25年前已停滞，但靠多处理器并联，算力整体仍在沿其轨迹增长。

AlphaGo — DeepMind 的围棋程序。因围棋每步有数百种走法无法硬搜，它通过自我对弈生成海量训练数据来掌握棋理。

Vibe coding — 指主要通过向大模型下达自然语言指令来生成与检查代码的新型编程方式，厄尔曼以其为软件工程效率跃迁的代表。

Raj Reddy (拉吉·雷迪) — 图灵奖得主、语音识别先驱。厄尔曼在演讲中向其致歉，并称其语音识别成果是出色的「算法」范例。

合成数据 (synthetic data) — 人工生成的训练数据。在医学影像等场景(如旋转、放大肿瘤图像)有效，但厄尔曼怀疑其泛用价值。

背景补充

杰夫·厄尔曼(Jeffrey D. Ullman, 1942年生)是斯坦福大学荣休教授，与阿尔弗雷德·阿霍(Alfred Aho)共同荣获2020年ACM图灵奖，表彰他们在编程语言实现的基础算法与理论方面的贡献，以及通过经典教材综合这些成果的深远影响。他是数据库领域的奠基人之一，在斯坦福创建了数据库研究组(InfoLab)，著有《数据库系统原理》和编译原理「龙书」，并曾积极研究比SQL更具递归表达力的Datalog。本演讲正是以这位亲历计算机数十年发展的元老视角，审视AI的过去与未来。

适合谁看

对AI发展史、软件工程前景与大模型时代职业走向感兴趣的工程师、计算机专业师生、研究者，以及希望听到资深亲历者冷静批判视角的科技从业者。