#135 – Charles Isbell: Computing, Interactive AI, and Race in America

本期速览

Charles Isbell 是佐治亚理工学院计算学院院长，AI研究者与教育家。本期探讨计算领域的本质（模型、语言与机器三位一体）、交互式AI的发展方向，以及种族在美国社会中的结构性困境。全片最有分量的判断：Charles Isbell 认为「计算的核心不是技术，而是一种思维方式——理解模型、语言与机器是等价的，并且这种等价只有在人类参与其中时才真正有意义」。

---

一、计算的本质：模型、语言、机器的三位一体

Charles Isbell 认为计算区别于其他学科的核心在于「模型、语言、机器是等价的」——这既是计算的独特思维方式，也是教育中应该传达的关键。

• 学科作为思维方式：不同学科给予不同的「心态」——科学是发现与实证方法，数学是抽象与稳态真理，工程是权衡与建造。而计算的核心是理解「模型、语言与机器是一回事」——正则表达式与有限状态自动机的等价性不是偶然，它渗透到包括调试在内的所有计算活动中。
• 动态性使其区别于数学：数学家追求的是静态真理（「真理是一个东西，不是一个持续运行的进程」），而计算中的模型是「可执行的、动态的」——系统本身能自我反思，这构成了计算的独特贡献。
• 人类位于三角形内部：Isbell 强调，上述三位一体「只有因为有人类在三角形内部才重要」。计算的价值在于「人类与它的交互」——有了数据与计算能力，但「有趣和有意义的部分只相对于人类存在」。数据、信息的意义由人类赋予，因此课程设计必须传达「工具与技能」的同时，也要传达「人类在其中」这个前提。

推演：Isbell 认为计算正在「渗透一切」——到 2030 年，历史学博士也需要理解数据科学，因为「历史研究的方式将是通过分析数据」，心理学、哲学同样如此。但这也带来风险：计算可能「成为一切而失去自己」，就像「你教工程师 Fortran」那样失去学科内核。

---

二、交互式AI：智能不是孤立的，而是与他人共同存在的

Isbell 认为孤立状态下的「智能」没有意义——「树在无人处倒下是否发出声音我不在乎，因为我不认为这重要」；真正的智能在于「与他人互动中的智能」。

• 为什么交互式AI重要：人类天生会「在意图不存在的地方寻找意图」——万物有灵是人类的本能。同时，交互式AI允许「更快地学习」，因为你能「从历史中导入经验」，并且能「高效传递」。作为个体，你「与更大群体一起试图推动物种前进」。
• 核心挑战：适应变化中的对方：交互式AI不仅在解决一个任务，还要「在长时间内持续适应」。对方与自己不同，而且「你与15分钟前甚至15年前的自己都不同」——系统需要「漂移适应机制」，假定用户会随时间漂移（最好没有不连续性）。
• 终身学习为何难：Isbell 承认机器学习社区「不太花时间在终身学习上」，因为「大家都在对特定任务过拟合」。即使做「迁移学习」的人，最终也是「在路灯下找钥匙，因为那里有光」——因为激励（论文、产品）都指向增量式推进。他建议：「至少从 N=1 做到 N=2 或 N=7」，并且「愿意部署系统，让它在混乱世界中活几个月，接受它需要五年时间——而不是反复跑同一个实验，把机器调得稍微好一点」。

Isbell 对「GPT-3 式大力出奇迹」的回应：他认为「不会这么容易成功」。以 Google 为例——Google 并没有解决信息检索问题，它「改变了问题」：从「找到相关答案」变成了「最小化第一页的假阳性」。因为「有 1000 万个答案时，问题不是给出相关答案，而是不要给出不相关的答案」。「你训练自己学会了用什么关键词找到那个网页」，但问题本身已被改变。

---

三、可预测性与反直觉：人类很可预测，但讨厌被这么说

Isbell 通过自宅的红外数据实验发现：人类行为高度可预测，但「人们讨厌被告知他们可预测」。

• 实验方法与数据：他记录了自己家中所有红外遥控器信号（电视、灯光等），用「简单的计数统计」预测下一按键，准确率达 93%。如果按「集合」预测（一组按键的整体行为），准确率可升至 99%。他发现「数字键」的行为模式相似，因此会自动聚类——「数字键对你有类似的行为，所以你自然会把它们聚在一起」。
• 个体差异与聚类：每个人不同，但「任何给定个体都极其可预测，因为你反复做同样的事情」。即使不同个体有差异，他们也会「像彼此一样行动」——一个「10% 与众不同的人」行为上与其他 10% 的人仍然相似。
• 真正的「人性」在于异常：Isbell 同意「当面对从未见过的情境，或者必须做出艰难决定时，那才是定义你的东西」——「不是简单问题，而是会伤害你的事情。你明知结果会高度次优，但还是要做」。

推演：这里隐含的证伪条件是——如果用更大规模、更长时间的数据做实验，是否能发现「人类不可预测的部分」比 Isbell 认为的更大？但他明确说「两种数据就够了（只要选对的两天，比如周末）」。

---

四、大学排名、声誉系统与结构性问题：从「最小化假阳性」到「结构性惯性」

Isbell 以大学排名和招聘为例，说明系统如何因「最小化假阳性」而固化不平等。

• 排名是「100% 声誉」：US News 计算机科学排名完全基于声誉调查（「两个人在每个院系给所有人打分」）。这意味着「如何提升排名」就是「如何提升声誉」——而这需要「在危机时刻展现领导力」。Georgia Tech 从 20 名外进入前 10 是唯一案例，靠的是「在线硕士项目、本科教育改革」等可见的、有影响力的行动。
• 招聘中的「IBM 效应」：「没有人因为买 IBM 的电脑而丢工作」，同样「没有人因为雇佣 MIT 的 PhD 而丢工作」。如果这个人表现不好，「他来自 MIT，你还能期待什么？」。Isbell 的数据显示：2017 年，美国计算机科学前 4 名院系中约 60% 的教授 PhD 来自前 4 名；前 10 名院系中约 65% 来自前 10 名；前 55 名院系中约 50% 来自前 10 名。这「不可能说明所有最好的教授都来自 10 个学校」——它只是反映了「最小化假阳性」的系统性压力。
• 后果：「你成为康奈尔教授的决策在你 17 岁时就被决定了——你去了哪里读本科」。Isbell 认为解决方法是「扩大池子」或「改变损失函数」——让系统「用比现在更宽的指标来评估自己」。

推演：Isbell 承认「注入随机性」在理论上可行，但实际中「成本太高，会毁掉别人的生活」。他暗示，真正的改变需要「结构性」调整——就像「改变 US News 的公式就会让整个大学改变行为」一样。

---

五、种族、结构性困境与「同理心」的机制

Isbell 认为种族问题本质上是一个「结构性」问题——人们被放入不同的「簇」，使用相同的词汇但指代不同的事物，因此「互相谈过」。

• 语言与视角的分离：他讲述了一个例子——两群人从不同视角看同一个房间，一群看到钟，另一群看不到，因此用不同名字指代同一个房间。当他们回到一起讨论时，「他们不知道自己在说同一个房间」——「问题不是意识形态不同，而是你们用同样的词但指代完全不同的事情」。
• 同理心 ≠ 同情：Isbell 区分了同理心（理解对方从何而来、感受如何）和同情（为对方感到难过）。他相信「AI 可以找到两个人的分布之间的重叠部分，然后基于那个共同点介绍你们，让你更容易迈出同理心的那一步」。但「更难的部分是让双方都愿意问这个问题」——「也许 AI 应该做的是说服你问『我们之间的相似点多于不同点吗？』，而不是直接告诉你答案」。
• 警察、暴力与结构性叙事：Isbell 描述自己被警察持枪拦截的经历——「最糟糕的感觉不是他可能开枪，而是如果他开枪，他会逃脱惩罚」。他将其归结为「一个巨大的叙事结构，让人们很容易把自己放进不同的罐子里，忘记其他罐子里的人本质上和自己一样」。解决办法是「建立结构，让人们始终能安全地对话，并理解别人有不同经历，但最终我们是一样的」。
• 历史视角：Martin Luther King 在早期 Georgia 的失败是因为「警长把所有人装进卡车，送到很远的地方关起来，媒体没有新闻可拍，什么也没改变」；而在 Birmingham，「Bull Connor 用消防水枪喷小孩，媒体拍到了，愤怒爆发，改变发生了」。Isbell 认为「暴力是未被听见者的声音」，但它「需要被结构性地暴露」——「如果电视不存在，民权运动可能不会发生，或需要更长时间」。

推演：Isbell 对「2020 年为什么是现在」的回答是「时间够长，新一代人足够愤怒，但又不记得上次发生了什么」。他暗示结构性改变需要「领导者出售乐观的幻觉」，但当前「非零概率的暴力内乱」是真实存在的。

---

提及的标的

本节无投资相关标的。播客内容为学术与个人观点，不涉及可投资公司或资产。

---

值得记住的判断

1. 「计算的本质是模型、语言与机器等价」——Isbell 认为这是计算区别于其他学科的独特思维方式，而且这个等价只有在人类参与时才真正有意义。（支撑：正则表达式与有限状态自动机的等价性「不是小事」，它渗透到所有计算活动中。）

2. 「人类非常可预测——两天的数据就能达到 93% 的预测准确率——但人们讨厌被这么说。」（支撑：Isbell 自宅红外遥控器实验，简单计数统计即可达到 93%；按集合预测可达 99%。）

3. 「交互式AI的核心不是解决一个任务，而是长期适应一个会随时间变化的人，而且这个人还和其他人不同。」（支撑：Isbell 认为「终身学习」需要系统「在混乱世界中活几个月」——学术界缺乏激励去做这件事。）

4. 「GPT-3 式『大力出奇迹』不会解决 AI 问题——它只会改变问题，像 Google 改变了信息检索一样。」（支撑：Google 解决的「最小化假阳性」问题与原初的「找到相关答案」不同。Isbell 认为「你改变了问题，而不是解决了问题」。）

5. 「大学排名是 100% 声誉——一个正反馈循环，决定你成为教授的命运在你 17 岁时就已注定。」（支撑：2017 年数据显示，前 4 名院系 60% 教授来自前 4 名；前 10 名中 65% 来自前 10 名。Isbell 认为这「不可能真实」，只是「最小化假阳性」的产物。）

6. 「同理心不是同情——理解对方从何而来不意味着你同意他；AI 可以帮你找到共同点，但更难的是让你愿意问这个问题。」（支撑：Isbell 区分了 empathy 与 sympathy，认为「系统中的人总是用相同的词但指代不同的事物」，AI 可以「在分布之间找到重叠」，但「需要你先愿意问问题」。）

7. 「种族问题本质上是结构性的——不是个体对话就能解决，而是需要建立安全的结构让人们持续对话。」（支撑：Isbell 以 Martin Luther King 在 Georgia 的失败和 Birmingham 的成功为例，说明「暴露」与「可见性」是结构性改变的关键。）

8. 「死亡大概就像全身麻醉——没有时间流逝的感觉，所以你不会注意到；但我不喜欢这个想法，我宁愿有机会选择看看永生是否真的很糟糕。」（支撑：Isbell 描述了自己在甲状腺手术中「5 小时瞬间消失」的经历，认为「在强化学习中，因为有折扣因子，有限性才让一切有意义」。）