如果今天讓人列出 AI 領(lǐng)域最有影響力的幾位學(xué)者，大多數(shù)人或許會先想到 Geoffrey Hinton、Yann LeCun，或者更年輕一代的 Ilya Sutskever。

相比之下，Michael I. Jordan 一直是個有些特殊的存在。

Science 曾將他評為“最具影響力的計(jì)算機(jī)科學(xué)家”。在機(jī)器學(xué)習(xí)領(lǐng)域，他是概率圖模型、變分推斷、貝葉斯機(jī)器學(xué)習(xí)等方向最重要的奠基者之一。此外，他還培養(yǎng)過吳恩達(dá)（Andrew Ng）、Zoubin Ghahramani 、Yoshua Bengio 等后來影響整個行業(yè)的人物。許多今天被視為機(jī)器學(xué)習(xí)基礎(chǔ)設(shè)施的理論框架，都能追溯到他和同時代研究者在上世紀(jì)九十年代建立的工作。

然而，這位機(jī)器學(xué)習(xí)領(lǐng)域最重要的人物之一，卻很少把自己稱作 AI 研究者。在最近接受 Machine Learning Street Talk（MLST）采訪時，Jordan 甚至直接說：“我從來沒覺得自己在做 AI。” 這不是謙虛，而是他從一開始關(guān)心的問題就和今天主流 AI 圈不太一樣。

過去幾十年里，機(jī)器學(xué)習(xí)大致形成了兩條重要路線。

一條是今天最廣為人知的深度學(xué)習(xí)路線。代表人物是 Geoffrey Hinton、Yann LeCun 和 Yoshua Bengio。這條路線相信，只要模型足夠大、數(shù)據(jù)足夠多、算力足夠強(qiáng)，系統(tǒng)就會不斷涌現(xiàn)出新的能力。從 AlexNet 到 GPT，再到今天的大模型熱潮，本質(zhì)上都延續(xù)著這套邏輯。

另一條則是 Michael Jordan 所代表的統(tǒng)計(jì)機(jī)器學(xué)習(xí)路線。這條路線更關(guān)注不確定性、推斷和決策問題。與其追問機(jī)器是否擁有智能，他們更關(guān)心的是：在信息永遠(yuǎn)不完整的現(xiàn)實(shí)世界里，一個系統(tǒng)如何做出可靠的判斷。

Jordan 最初學(xué)習(xí)的是認(rèn)知科學(xué)，后來轉(zhuǎn)向統(tǒng)計(jì)學(xué)，再進(jìn)入計(jì)算機(jī)科學(xué)。相比于“機(jī)器會不會思考”，他更習(xí)慣問的問題是：預(yù)測是否準(zhǔn)確？誤差有多大？系統(tǒng)是否可靠？最近幾年，他的研究興趣進(jìn)一步轉(zhuǎn)向經(jīng)濟(jì)學(xué)與機(jī)器學(xué)習(xí)的交叉地帶。

這次采訪圍繞他去年發(fā)布在 arXiv 上的論文《AI 的集體主義經(jīng)濟(jì)學(xué)視角》（A Collectivist Economic Perspective on AI）展開。這篇論文的核心主張是：當(dāng)前的 AI 技術(shù)應(yīng)當(dāng)是“集體性”的，因?yàn)榻⒃跀?shù)十億人的數(shù)據(jù)之上，也意在服務(wù)數(shù)十億人。但目前，圍繞它的思考方式卻幾乎完全停留在“如何讓單個模型變得更強(qiáng)”的層面。

Jordan 認(rèn)為這遠(yuǎn)遠(yuǎn)不夠。一旦這些系統(tǒng)進(jìn)入真實(shí)世界，它們就不再只是一個模型能力問題，而會變成一個關(guān)于數(shù)據(jù)流動、利益分配、激勵設(shè)計(jì)和社會協(xié)作的系統(tǒng)性問題。

在一個多小時的對話里，Jordan 圍繞這篇論文的核心主張展開：AI 的真正挑戰(zhàn)不在于讓模型變得更強(qiáng)，而在于讓系統(tǒng)學(xué)會協(xié)調(diào)。為此，他從優(yōu)化與均衡的區(qū)別、不確定性的本質(zhì)、模型可靠性等多個角度，闡述了為什么機(jī)器學(xué)習(xí)必須與經(jīng)濟(jì)學(xué)走到一起。與此同時，他也談到了自己對 AGI 炒作的批評，以及對年輕研究者處境的擔(dān)憂。

以下是幾個核心論點(diǎn)的展開。

AGI 是炒作，而且它害了年輕人

在采訪的開始，Jordan 對 AGI 的態(tài)度毫不留情。他直接把 AGI 稱為一個“公關(guān)術(shù)語”（PR term），是一種炒作和空話。

在他看來，今天許多人對 AI 的理解建立在一種歷史錯覺之上。人們仿佛覺得 AI 是最近幾年才突然出現(xiàn)的。但事實(shí)上，在語言模型成為主角之前，機(jī)器學(xué)習(xí)已經(jīng)在真實(shí)世界運(yùn)行了幾十年。

上世紀(jì)六七十年代開始，決策樹、邏輯回歸、最近鄰方法、隱馬爾可夫模型等技術(shù)就已經(jīng)在統(tǒng)計(jì)學(xué)、運(yùn)籌學(xué)和工業(yè)界被廣泛使用。供應(yīng)鏈、交通系統(tǒng)、金融系統(tǒng)和電子商務(wù)平臺背后，都有大量機(jī)器學(xué)習(xí)模型在持續(xù)運(yùn)轉(zhuǎn)。

Jordan 回憶，自己在 2000 年左右訪問亞馬遜時，公司已經(jīng)在利用大規(guī)模數(shù)據(jù)預(yù)測貨運(yùn)延誤、優(yōu)化庫存和供應(yīng)鏈管理。后來支撐整個互聯(lián)網(wǎng)產(chǎn)業(yè)的云計(jì)算基礎(chǔ)設(shè)施，很大程度上也是為了滿足這些機(jī)器學(xué)習(xí)工作負(fù)載而發(fā)展出來的。

這些系統(tǒng)不會聊天，也不會寫詩，因此很少出現(xiàn)在公眾視野里，但它們一直在創(chuàng)造真實(shí)價(jià)值。

直到訓(xùn)練數(shù)據(jù)變成了語言數(shù)據(jù)，模型開始生成流暢的人類語言，人們突然覺得那個古老的“人工智能夢想”似乎被實(shí)現(xiàn)了。于是“AI”重新成為最熱門的詞匯，還不夠，又進(jìn)一步衍生出了“AGI”。Jordan 認(rèn)為，這種敘事正在扭曲整個行業(yè)對技術(shù)方向和商業(yè)模式的判斷。

更讓他擔(dān)憂的是，這種敘事正在影響那些對技術(shù)抱有熱情的年輕人。這也是整場采訪中他最激動的部分。在他看來，那些頻繁出現(xiàn)在播客和公共場合的 AI 思想領(lǐng)袖，傳遞出的往往只有兩種情緒：要么極度亢奮：“超級智能馬上就要來了”“智能已經(jīng)開始理解人類了”；要么極度悲觀：“AI 很可能毀滅人類”。二十來歲的年輕人看著這些聲音，仿佛只剩下兩個選擇：跟著亢奮，或者跟著恐慌。

但現(xiàn)實(shí)其實(shí)沒有這么戲劇化。Jordan 覺得，很多年輕研究者真正想做的事情其實(shí)很簡單：利用技術(shù)創(chuàng)造一些東西，改善生活，幫助家人，解決具體的問題。但他們不斷接收到的信息卻是：算法已經(jīng)被開發(fā)完了，未來屬于少數(shù)巨頭；或者超級智能即將到來，人類很快會失去意義。

他還把批評進(jìn)一步指向了 AI 產(chǎn)業(yè)背后的收益分配問題。在他看來，梯度下降、互聯(lián)網(wǎng)數(shù)據(jù)基礎(chǔ)設(shè)施、大規(guī)模分布式計(jì)算，這些關(guān)鍵基礎(chǔ)設(shè)施都是前一代研究者和工程師花費(fèi)二三十年建立起來的。而今天那些最受矚目的 AI 公司，以 Elon Musk 和 Sam Altman 為代表，很大程度上是在這些既有成果之上“偷”數(shù)據(jù)、訓(xùn)練模型、擴(kuò)展規(guī)模。這當(dāng)然需要巨大的工程能力和資源投入，但他并不愿意把全部功勞都?xì)w于他們。

更讓他不滿的是，支撐這些系統(tǒng)的數(shù)據(jù)創(chuàng)造者幾乎沒有獲得相應(yīng)回報(bào)。“這些巨頭從各處收集數(shù)據(jù)，卻不向原始創(chuàng)造者返還價(jià)值”，在他看來，這是互聯(lián)網(wǎng)時代遺留下來的結(jié)構(gòu)性問題，而當(dāng)下的 AI 產(chǎn)業(yè)正在進(jìn)一步放大這種失衡。

從優(yōu)化到均衡：AI 為什么需要經(jīng)濟(jì)學(xué)

除了對現(xiàn)象的批評，Jordan 還著重展開了他新論文中的一個核心觀點(diǎn)：今天 AI 最大的局限，恰恰來自它最擅長的事——優(yōu)化。

實(shí)際上，過去幾十年里，機(jī)器學(xué)習(xí)取得的大部分成功，基本都來自于優(yōu)化。給定一個目標(biāo)函數(shù)，然后不斷調(diào)整參數(shù)，讓誤差變得越來越小。大語言模型的“預(yù)測下一個詞”（next-token prediction）就是最典型的例子。

（來源：Image 2）

但 Jordan 認(rèn)為，真實(shí)世界并不是這樣運(yùn)轉(zhuǎn)的。現(xiàn)實(shí)中的問題往往涉及大量參與者，每個人擁有不同的信息、不同的資源和不同的目標(biāo)。用戶、企業(yè)、平臺、監(jiān)管機(jī)構(gòu)，甚至不同國家之間，都存在合作與競爭關(guān)系。你無法像訓(xùn)練神經(jīng)網(wǎng)絡(luò)那樣，為整個社會寫下一個統(tǒng)一的目標(biāo)函數(shù)，然后直接求出最優(yōu)解。

在 Jordan 看來，“協(xié)調(diào)”才是解決真實(shí)世界問題的答案。而經(jīng)濟(jì)學(xué)研究的就是這種協(xié)調(diào)過程：當(dāng)每個人都擁有自己的利益訴求時，一個系統(tǒng)如何形成穩(wěn)定秩序；當(dāng)信息并不透明時，人們?nèi)绾谓⒑献鳎划?dāng)激勵機(jī)制發(fā)生變化時，整個系統(tǒng)又會如何演化。

這也是為什么他反復(fù)強(qiáng)調(diào)經(jīng)濟(jì)學(xué)的重要性。他認(rèn)為，機(jī)器學(xué)習(xí)和經(jīng)濟(jì)學(xué)過去幾十年幾乎是平行發(fā)展的兩個領(lǐng)域。一邊擁有前所未有的數(shù)據(jù)和預(yù)測能力，卻很少思考均衡、激勵和市場設(shè)計(jì)；另一邊長期研究這些問題，卻從未擁有今天這樣規(guī)模的數(shù)據(jù)和計(jì)算能力。“過去幾十年里，這兩個領(lǐng)域幾乎從未相遇。”他說，“但未來，它們必須走到一起。”

為了說明這一點(diǎn)，Jordan 舉了藥物監(jiān)管的例子。假設(shè)一家制藥公司研發(fā)了一種新藥，經(jīng)過內(nèi)部測試后提交給監(jiān)管機(jī)構(gòu)審批。監(jiān)管機(jī)構(gòu)的職責(zé)很簡單：判斷這個藥到底有沒有效，該不該讓它上市。這看起來是一個純粹的科學(xué)問題：收集數(shù)據(jù)，做統(tǒng)計(jì)分析，得出結(jié)論。

但 Jordan 指出，這里隱藏著一個經(jīng)典統(tǒng)計(jì)學(xué)沒有考慮到的因素：提交數(shù)據(jù)的人并不是中立的。

制藥公司有自己的利益訴求。一種藥只要獲批上市，哪怕療效存疑，十億人使用就意味著巨額利潤。那么公司的激勵就是盡可能多地把候選藥物塞進(jìn)審批流程。反正通過了就賺錢，沒通過也沒太大損失。如果監(jiān)管機(jī)構(gòu)只是把提交上來的數(shù)據(jù)當(dāng)作客觀樣本來分析，而沒有考慮到“送數(shù)據(jù)的人本身就有動機(jī)讓結(jié)果看起來更好”，整個審批系統(tǒng)就會逐漸失效：不該上市的藥被批準(zhǔn)，該上市的好藥反而被淹沒。

這不是一個靠改進(jìn)分析模型就能解決的問題。你需要在更上游設(shè)計(jì)一種機(jī)制，讓制藥公司有動力只提交自己真正有信心的藥物。而不是把所有東西都丟過來碰運(yùn)氣。這就是經(jīng)濟(jì)學(xué)所說的激勵機(jī)制設(shè)計(jì)。

類似的邏輯也出現(xiàn)在他對數(shù)據(jù)市場和平臺隱私治理的分析中。在每一個案例里，表面上的技術(shù)問題背后，都藏著參與者之間的利益沖突和激勵錯位。如果只盯著模型本身，而忽略模型將要進(jìn)入的社會系統(tǒng)，很多問題根本無法解決。

他尤其反對一種在硅谷非常流行的想象：仿佛只要擁有足夠多的數(shù)據(jù)和足夠強(qiáng)大的模型，就能從上往下設(shè)計(jì)出一個完美系統(tǒng)。“你不希望有一個站在頂端的上帝一樣的人物，為所有人定義價(jià)值函數(shù)。”在他看來，現(xiàn)實(shí)世界的秩序從來不是被設(shè)計(jì)出來的，而是在無數(shù)參與者的互動中逐漸形成的。技術(shù)當(dāng)然重要，但它始終只是這個系統(tǒng)的一部分。

沒有人在乎模型是否真正“理解”世界

從經(jīng)濟(jì)學(xué)和社會系統(tǒng)的話題回到具體技術(shù)，Jordan 又談及一個相當(dāng)重要的問題：基礎(chǔ)模型的預(yù)測能力越來越強(qiáng)，但它們往往不知道自己什么時候會出錯。

他用 AlphaFold 舉了一個例子。

Jordan 對 AlphaFold 的評價(jià)其實(shí)相當(dāng)高。“我很欣賞 AlphaFold。”他說，“它不像 LLM（大語言模型）那樣泛泛而為，而是針對一組特定問題有其專攻。”但在實(shí)際研究中，他和團(tuán)隊(duì)發(fā)現(xiàn)了一個有趣的現(xiàn)象：當(dāng)科學(xué)家開始利用 AlphaFold 回答新的科學(xué)問題時，模型的局限也會隨之暴露出來。

原因很簡單，科學(xué)家真正感興趣的，往往不是訓(xùn)練數(shù)據(jù)里最常見的現(xiàn)象，而是那些處于知識邊緣、過去幾乎沒人研究過的問題。而也是在這些地方，模型最容易產(chǎn)生偏差。

Jordan 團(tuán)隊(duì)曾利用 AlphaFold 預(yù)測的兩億個蛋白質(zhì)結(jié)構(gòu)去檢驗(yàn)一個生物學(xué)假設(shè)。結(jié)果發(fā)現(xiàn)，模型給出的答案看起來非常確定，但與真實(shí)實(shí)驗(yàn)結(jié)果之間卻存在明顯偏差。問題不在于 AlphaFold 整體表現(xiàn)不好，而在于模型并不會主動告訴研究者：在這個具體問題上，我其實(shí)沒有那么可靠。

“它不會給你誤差棒（error bar，即誤差范圍）。”Jordan 說。

（來源：DeepMind）

在他看來，這才是基礎(chǔ)模型進(jìn)入科學(xué)研究后最值得關(guān)注的問題。人們總在討論模型是否足夠強(qiáng)大，卻很少討論模型何時值得相信、何時應(yīng)該保持懷疑。圍繞 AI 偏差的討論也常常走向兩個極端：要么認(rèn)為數(shù)據(jù)足夠多以后偏差自然會消失；要么只是批評模型架構(gòu)和輸出結(jié)果。但真正重要的問題是，如何建立一套科學(xué)方法，在模型不可避免存在偏差的情況下，依然得到可靠結(jié)論。

這也引出了采訪中的另一個話題：我們到底該不該說 AI“理解”（understand）了什么？主持人提到，他此前采訪 AlphaFold 創(chuàng)造者 John Jumper 時，對方甚至對“理解”這個詞十分反感。

Jordan 完全認(rèn)同這種態(tài)度。在他看來，很多關(guān)于“理解”“智能”的爭論，本質(zhì)上更像媒體敘事，而不是工程問題。真正重要的不是模型是否擁有某種擬人化的理解能力，而是它能否持續(xù)產(chǎn)生有價(jià)值的預(yù)測。

他舉了一個自己很熟悉的例子。早在二十多年前，亞馬遜就已經(jīng)開始利用機(jī)器學(xué)習(xí)優(yōu)化全球供應(yīng)鏈，預(yù)測貨船是否會延誤、零部件是否能夠按時到達(dá)。整個系統(tǒng)每天影響數(shù)億用戶，沒有任何人能夠完全解釋內(nèi)部發(fā)生的一切。

“你會問這個系統(tǒng)理解運(yùn)輸和物流嗎？”Jordan 說，“其實(shí)根本沒人在乎”。

在他看來，一個系統(tǒng)能夠降低不確定性、幫助人們規(guī)劃和決策，這本身就已經(jīng)足夠有價(jià)值。執(zhí)著于判斷它是否真正“理解”世界，反而容易把討論帶偏。

相比研究模型內(nèi)部是否形成了某種神秘的認(rèn)知結(jié)構(gòu)，他更關(guān)心另一件事：如何圍繞模型建立配套系統(tǒng)，讓它變得更加可靠、透明和可用。

例如，一個人申請貸款被拒絕后，真正需要的并不是看到神經(jīng)網(wǎng)絡(luò)內(nèi)部某個節(jié)點(diǎn)的激活情況，而是知道哪些因素影響了結(jié)果，以及自己未來可以做些什么來改變結(jié)果。換句話說，用戶需要的是能夠指導(dǎo)行動的解釋，而不是模型內(nèi)部機(jī)制的顯微鏡照片。

不確定性不是敵人

但當(dāng)模型無法確定答案時，我們應(yīng)該如何理解這種不確定性？

Jordan 對這個問題的興趣，遠(yuǎn)不止于給模型增加一個誤差棒或置信區(qū)間。在他看來，今天許多 AI 討論默認(rèn)把不確定性視為一種缺陷，仿佛技術(shù)進(jìn)步的方向就是不斷消滅它。但還是那個論斷：真實(shí)世界不是這樣的。

為了說明這一點(diǎn)，他講了一個關(guān)于鴨子的小故事。

假設(shè)一群鴨子生活在湖邊。經(jīng)過長期覓食，它們知道湖的左側(cè)大約有三分之二的食物，右側(cè)則有三分之一。如果按照經(jīng)典的優(yōu)化思維，一個理性的決策者應(yīng)該每天都去左邊，因?yàn)槟抢锲谕找娓摺?/p>

但真實(shí)世界里的鴨子不會這樣做。它們大約會以三分之二的概率飛向左邊，以三分之一的概率飛向右邊。

原因很簡單：鴨子并不是獨(dú)自行動的。如果所有鴨子都沖向左側(cè)，資源競爭會迅速加劇，原本看似最優(yōu)的選擇反而不再最優(yōu)。每只鴨子按照食物分布的概率來分配自己的行動，最終形成了一種穩(wěn)定狀態(tài)：沒有任何一只鴨子能夠通過單方面改變策略而獲得更好的結(jié)果。

用經(jīng)濟(jì)學(xué)的術(shù)語來說，這是一種納什均衡（Nash equilibrium）。在這里，不確定性不是需要消除的噪聲，而是維持整個系統(tǒng)穩(wěn)定運(yùn)行的一部分。

（來源：Image 2）

沿著這個思路，Jordan 進(jìn)一步把現(xiàn)實(shí)世界中的不確定性分成了三類。

第一類是統(tǒng)計(jì)學(xué)家最熟悉的抽樣不確定性。數(shù)據(jù)有限，因此預(yù)測總會存在誤差。增加樣本量、改善測量方法，能夠逐步縮小這種不確定性。

第二類來自信息不對稱。現(xiàn)實(shí)中的參與者掌握的信息并不相同，而且未必愿意完全公開。你的合作方可能隱瞞了部分信息，甚至可能撒一點(diǎn)謊。這種不確定性無法通過增加樣本量來消除，它屬于博弈的一部分。

第三類則是他特別強(qiáng)調(diào)的“來源”（provenance）。數(shù)據(jù)來自哪里？是在什么時間、什么環(huán)境下產(chǎn)生的？Jordan 舉例說，如果一項(xiàng)醫(yī)療手術(shù)的成功率數(shù)據(jù)來自十年前，那么即使統(tǒng)計(jì)意義上的置信區(qū)間看起來很窄，人們依然應(yīng)該保持額外謹(jǐn)慎，因?yàn)獒t(yī)療設(shè)備、醫(yī)生經(jīng)驗(yàn)和患者群體都可能已經(jīng)發(fā)生了變化。

在人類社會中，我們幾乎是本能地整合著這三種不確定性。但當(dāng)前的大型語言模型并沒有真正理解它們。當(dāng)用戶問模型“你有多確定”時，模型并不是在進(jìn)行嚴(yán)格的不確定性推理。Jordan 認(rèn)為，它做的事情更像是：在訓(xùn)練數(shù)據(jù)中，曾經(jīng)有人在網(wǎng)上問過某個人“你對你剛寫的那個方程有多確定”，然后那個人說了一些話。模型只是在模仿那類回答的表達(dá)方式。“那不是在不確定性下推理，”他說。

而在更宏觀的層面上，市場本身就是一種管理不確定性的機(jī)制。一家披薩店需要穩(wěn)定的番茄供應(yīng)。如果老板每天都必須親自去尋找番茄，那么他永遠(yuǎn)無法確定晚上是否還能賣出披薩。但因?yàn)榇嬖谑袌觯腥朔N植、有人運(yùn)輸、有人儲銷，原本屬于個體的不確定性被分散到了整個系統(tǒng)之中。市場降低不確定性，靠的不是某個人設(shè)計(jì)出了完美方案，而是無數(shù)參與者在激勵機(jī)制下持續(xù)探索和試錯。用機(jī)器學(xué)習(xí)的話來說，就是兼顧了"探索"與"利用"。

超級智能之外，還有另一條路

采訪接近尾聲時，Jordan 的語氣明顯變得輕松了一些。與外界印象不同，他并不是一個悲觀主義者。恰恰相反，他反復(fù)強(qiáng)調(diào)自己對 AI 的未來持樂觀態(tài)度。只是這種樂觀與“超級智能即將到來”的想象無關(guān)。

在他看來，人類社會真正面臨的問題從來不是智力不足。過去幾千年里，人們發(fā)動戰(zhàn)爭，往往不是因?yàn)椴粫伎迹且驗(yàn)檎`解了彼此的意圖；人們做出糟糕的決策，往往不是因?yàn)槿狈δ芰Γ且驗(yàn)檎莆盏男畔⒂邢蓿辉S多社會問題之所以長期存在，也不是因?yàn)闆]有聰明人，而是因?yàn)閰⑴c者太多、利益太復(fù)雜，難以形成有效協(xié)調(diào)。

因此，AI 最值得期待的用途，未必是創(chuàng)造一種遠(yuǎn)超人類的智能。更重要的是幫助信息更好地流動，幫助人們理解彼此，幫助個人和組織在關(guān)鍵時刻做出原本想做、卻因?yàn)榭床灰娙捕鴽]能做出的更好決策。

對于當(dāng)下流行的“超級智能”與“人類滅絕”兩極敘事，Jordan 顯然有些不耐煩。“這不是僅有的兩個選項(xiàng)。”他說。“在人類尺度上，還有大量非常積極的事情可以做。”

事實(shí)上，在過去幾年里，Jordan 一直在嘗試為這種思路尋找一個更系統(tǒng)的框架。在他的論文中，曾畫過一個三角形。三個頂點(diǎn)分別代表三種不同的思維方式：計(jì)算思維（computational thinking）、推斷思維（inferential thinking）和經(jīng)濟(jì)思維（economic thinking）。

（來源：YouTube）

計(jì)算思維關(guān)注算法與優(yōu)化；推斷思維關(guān)注不確定性、誤差與證據(jù)；經(jīng)濟(jì)思維則關(guān)注激勵機(jī)制、多方參與者以及復(fù)雜系統(tǒng)中的協(xié)調(diào)問題。

在他看來，未來最重要的工作恰恰發(fā)生在這三者的交匯處。我們需要一個懂計(jì)算、懂統(tǒng)計(jì)、懂經(jīng)濟(jì)的下一代。

他把這種跨學(xué)科訓(xùn)練稱為“這個時代的博雅教育”。不過他隨即也坦率地說，自己的人文學(xué)科同事或許不會同意，他們會認(rèn)為核心仍然是人文學(xué)科。

“但我不認(rèn)為人文學(xué)科正在觸及這個時代真正的核心智識問題，”Jordan 說，在他看來，如今，數(shù)據(jù)、預(yù)測和社會系統(tǒng)之間的關(guān)系已經(jīng)成為最緊迫的智識挑戰(zhàn)，我們需要把統(tǒng)計(jì)、經(jīng)濟(jì)和計(jì)算這些元素放到位，才能確保這些技術(shù)以對社會負(fù)責(zé)任的方式被思考。

1.視頻地址：https://www.youtube.com/watch?v=AREWYbVtX64&t=16s

2.論文地址：https://arxiv.org/pdf/2507.06268

運(yùn)營/排版：何晨龍

注：封面/首圖由 AI 輔助生成