Michael I. Jordan on a Complete Intelligence
以下为 机器之心 一篇文章中的三段摘录。文章编译自播客 MLST（Machine Learning Street Talk）对 Michael I. Jordan（统计机器学习的奠基人之一、加州大学伯克利分校教授；不是篮球运动员）的访谈，围绕他的论文《A Collectivist, Economic Perspective on AI》展开。原文链接见文末。
在他看来，今天相当一部分 AI 叙事背后，仍然是一个非常旧的想法：人类是智能的，大脑像一台计算机；只要我们模仿它、放大它、并行化它，它自然就会做出伟大的事情。问题是，话往往就停在这里了。
它没有进一步回答：我们究竟要解决社会中的什么问题？这项技术为谁创造价值？成本由谁承担？收益又如何分配？它只是隐含着一种期待：技术会替我们解决问题，然后人类就会幸福。
在 Jordan 看来，这不是严肃的工程思维，而是在用隐喻代替系统设计。
主持人随后提出了一个典型的硅谷式反驳：如果像 Ilya Sutskever 这样的硅谷 AI 领袖认为，只要把 LLM 组织成多智能体系统，经济学里的那些复杂性就会自然涌现，Jordan 会怎么看？
Jordan 的回答毫不客气：「这就好像 1940 年代的化学工程师说，我们把一堆东西扔在一起，让它自己工作就好了。你确实可以这么做，但你会得到很多在经济上根本不可行的东西，还会伤害很多人。」
更重要的是，社会为我们的智识提供了语境。在这个语境里聪明的行动，换一个语境可能就是蠢的。智能本身高度情境化，也高度依赖当下。
所谓语境，就是外面可能有人正在试图利用我，也可能有人想和我合作，而我并不真正知道对方的意图。所以我必须试探，必须发出信号，必须设计一些机制，让我们能够有效互动。经济学正是以一种数学化的方式研究这些问题。
这让他得出结论：如果不引入经济学和社会科学，我们就根本没有在讨论「完整的智能」。
他的框架最终落在三个顶点组成的三角形上：计算机科学（算法、抽象与模块化）、统计学（推断与不确定性量化）、经济学（激励机制与博弈均衡）。
这是经典统计学的领地：我观察到的数据，是不是足以支撑这个结论？但他用一个鸭子的比喻说明，即使是这种最基础的不确定性，一旦放进社会语境就会变形。
假设有一只统计学家鸭子，它发现湖的左边比右边有两倍的谷粒，也就是 2:1。一个纯粹做最大期望效用计算的贝叶斯鸭子，会每次都去左边。但真实的鸭子不是这样。它们大概会有 2/3 去左边，1/3 去右边，恰好对应那个比例本身。
来源：机器之心 · 微信公众号原文（节选，版权归原作者所有）。