▶ 原文链接

智能是集体的，而非人工的 — 迈克尔·乔丹教授 (加州大学伯克利分校 / Inria)

来源： YouTube | Prof. Michael I. Jordan | May 20, 2026 分类： 其他 原文发表： May 20, 2026 纪要生成： 2026-06-29

---

嘉宾/话题简介

迈克尔·乔丹 (Michael I. Jordan) 教授是加州大学伯克利分校的顶尖学者，曾被《自然》杂志评为最具影响力的计算机科学家之一。尽管通常被视为AI/机器学习领域的权威，乔丹教授本集却以批判者的姿态出现，强调自己的学术根基在于统计学、认知科学和运筹学。他指出，当前由大语言模型引发的AI热潮充斥着“伪知识分子”气息和误导性修辞，严重脱离了现实世界的经济规律和工程实践。本集深入探讨了他最新提出的“AI的集体主义经济学视角”，试图为AI的未来发展描绘一幅更务实、更注重人类社会福祉的蓝图。

---

分节详述

00:30 破除AI迷信：为什么拟人化与AGI的叙事是有害的

本节重点

• 将AI拟人化、宣称其“理解”世界的叙事是危险的科幻小说，对年轻从业者是极大的士气打击。
• “AGI”只是一个扭曲事实的公关术语，它将年轻人的思维局限在“极度乐观”和“极度恐慌”这两种有害的二元选择中。
• 乔丹教授自身不认同“AI研究者”这一标签，强调其统计学和机器学习背景，并指出古老的“AI”目标（如图灵测试）与当下基于优化和统计的工业级机器学习是不同的传统。
• 现有AI商业模式存在根本缺陷，像一个“坐在你肩膀上的秘书”一样事无巨细地提供建议，这并非用户真实的长期需求。

详细精要

• 【核心批评】AI作为一种科学幻想和公关术语的危害：
• 乔丹教授认为，当前业界领袖关于AI将“毁灭人类”或“很快实现超级智能”的言论是科学幻想。这种声音极具危害性，它让大量二三十岁的年轻人感到极度沮丧和士气低落。
• 这些令人听闻后只能选择要么“欢欣鼓舞”要么“忧心忡忡”，而乔丹教授希望提供第三条路：一种更务实、能帮助家庭和国家的技术路径。

• “AGI”在他看来仅仅是一个公关术语，它扭曲了现实，迷惑了年轻人。它制造了“我们已到达终点，再无新事可为”的假象，这完全违背了科技服务的初衷。

• 【核心论点】个人学术背景与AI历史的割裂：

• 乔丹教授明确表示，他从不将自己视为“AI研究者”。AI术语诞生于20世纪50年代，其当时设定的目标（如逻辑推理）并未真正成功。
• 与此同时，在统计学和运筹学等领域中发展出的 机器学习技术（如决策树、最近邻、逻辑回归、隐马尔可夫模型），才真正带来了从供应链、电子商务到交通系统等广泛的工业成功。
• 大语言模型的出现，只是将数据类型从供应链、价格等转变为了人类自然语言。当机器可以吐出流畅的语言时，人们惊呼“古老的AI问题解决了”，导致了AI一词的回归，但这其实是一种扭曲，它干扰了原本务实的机器学习研究传统。

💬 精华片段（中文）

“AGI 这个术语对我来说，只是一点点... 它是一个公关术语。... 我认为它只会扭曲现实。我觉得它迷惑了年轻人... 今天我会稍微谈谈，我发现这些所谓的思想领袖最令人担忧的一点，就是他们在播客或其他场合中表现出的那种恐慌论调或狂热论调。”

“AGI to me is just a bit of it‘s a it’s a PR term. And it‘s some people think it’s fun because you have to have these great aspirations. I think it’s just distortionary. I think it confuses young people... the most alarming about the so called thought leaders... is the alarmist tone or the exuberant tone.”

• 【核心批评】浅薄且脱离现实的商业模式：
• 当下的AI商业模式是愚蠢的。它试图创造一个像“坐在你肩膀上的秘书”一样在你耳边低语所有事情的实体。乔丹教授认为，人们最终会关掉这个“该死的东西”，因为他们想要自己思考，顶多在一天结束时需要一个总结。
• 与此同时，医疗、交通、金融等系统中早已充满海量数据流和机器学习应用，它们迫切需要的是从经济学角度思考各智能体间的协作与激励，而不是一个包罗万象的聊天机器人。

09:05 经济学的视角：从“优化”到“均衡”

本节重点

• 批评硅谷主流将AI仅视为通过海量数据优化一个“人类价值函数”的做法，认为这种基于“隐喻”的工程方法会导致大量问题。
• 主张引入长期存在的经济学传统，将“智能”理解为市场、文化等集体涌现的机制，是解决信息不对称和不确定性的社会工具。
• 批判当前社会对创造者的过度崇拜和过誉，指出真正的贡献来自几十年前的底层系统构建者，而今天的“创新”在很大程度上是基于对海量数据的贪婪利用，甚至“偷窃”。
• 类比化学工程等成熟学科，指出AI发展缺乏像麦克斯韦方程组那样的深层原则指导，行业内缺乏深度的、知识分子的长期思考。

详细精要

• 【核心批评】对“通过规模化解决一切”的硅谷思想的批判：
• 针对像Ilya Sutskever等人士提出的通过多智能体系统将LLM的经济属性“免费”实现的观点，乔丹教授认为这不是好的工程思维方式。
• 如果只是把一堆东西扔在一起让它工作，就像早期的化学工程，你会得到许多“爆炸”和在经济上不可行的东西，并伤害很多人。硅谷人很少谈论例如Facebook等平台已经对青少年造成的心理健康伤害。
• 这种模式所依赖的并非创造者有多大的智慧。现在的成功很大程度上是建立在前人（二三十年前）创造的、能够收集海量数据的基础设施之上。

• 当前的“创造者”只是在用贪婪的算法处理从互联网上窃取的数据，且不向数据的原始生产者返还任何价值。然后他们从“没有深度思考”的人那里获取巨额资金。这种脱离现实的水平在人类历史上是不寻常的。

• 【核心方法论】引入集体主义与经济学视角：

• 人类是社会性动物，我们的智慧很大一部分来自于我们能够聚合。我们聚合意见和思想，拥有并能保留它们的文化。社会为智能提供了情境。一个情境下的聪明行为在另一个情境下可能不是。
• 经济学思想，特别是博弈论，能够以数学方式研究这种情境。即“其他人可能想利用我或与我合作，而我并不确切知道”，所以我需要发出信号、创建能够让我们有效互动的机制。
• AI的“集体主义”视角基于一个事实：这项技术基于数十亿人的输入，也旨在服务数十亿人。这其中潜藏着巨大的网络，需要用经济学的思维方式来思考，并提出可执行的数学构想。

💬 精华片段（中文）

“整个事件中让我最感困扰的一点是，其中完全没有经济思维... 当前这代从业者没有多少思考，没有多少‘知识分子’的东西。他们只是在说：‘是的，这可以建造出来。是的，你可以从任何你想偷的地方偷数据，因为互联网允许这种情况发生，并且不向数据的原始创造者返还任何价值。你可以在这上面运行贪婪的优化算法，但这需要大量资金，而这些钱现在可以从那些不进行深度思考的人那里获得。'”

“The second part that bothers me is there‘s no economic thinking going on there... The current generation is just way too... there’s not much thought going on, not much intellectual stuff. It's just, yeah, it’s possible to build it, it’s possible to steal the data from wherever you want to because that‘s what the Internet allowed to happen and not return any value to the person who originated the data. It’s possible to run greedy descent on that but you need huge amounts of money but it’s now possible to get it from people who aren‘t thinking very deeply.“

• 【核心批评】对“人类价值函数”与业界心态的批判：
• 乔丹教授批评了一种傲慢心态，即试图成为“上帝”那样的人物，设计一个人类价值函数并植入系统中。
• 他反对将所有事情“自上而下”地设计出来。AI的目标不应该是形成一个单一的、全知的上帝视角，来规定人类在某一时刻真正需要什么。
• 真正健康的系统应该是允许自下而上的偏好表达，允许人类在他们当下一刻，以他们想要的方式表达。系统应该尊重这些，并试图了解更多，然后即时利用这些信息，甚至有些信息只是短暂存在然后随即消失。

17:41 统计学作为接口层：不确定性量化与可解释性

本节重点

• 摒弃“打开黑箱”寻找理解或意识的机械解释，倡导构建可交互、可行动的外部统计系统，如基于近邻的方法为用户提供实质性解释。
• 通过AlphaFold研究案例揭示，基础模型在已知知识边缘的“新问题”上高度偏差且缺乏误差条，凸显了科学应用中对特定问题的不确定性量化的必要性。
• 颠覆传统对“行为主义”的负面认知，强调在经济学的框架下，我们不必理解实体的内部就能安全、有效地与之交互，关键是输入输出的可预测性和围绕它构建的监管系统。
• 提出统计方法论，如“预测驱动的推断”，通过少量真实数据修正大规模基础模型的偏差，使其更可信。

详细精要

• 【核心批判】对“机械可解释性”的再思考：
• 乔丹教授不认为有必要理解系统所有的内部细节。当一个人被银行拒绝贷款时，他需要的解释不是展示神经网络内部的某个“电路”。

• 用户需要的是可执行的信息。例如，系统可以告诉他：”根据我们的嵌入模型，这里有50个和你很像的人。其中一些人拿到了贷款，一些人没有。让我展示一下那些拿到贷款的人和你有什么不同。“ 这使得用户能够理解并根据差异做出改变。

• 【核心案例】AlphaFold的偏差与纠正：

• 乔丹教授团队利用AlphaFold预测的2亿个蛋白质结构进行了一个极具价值的科学研究：检验量子涨落是否与磷酸化（即蛋白质在细胞中是否活跃）有关。
• 使用AlphaFold的预测数据时，他们的统计检验获得了极高的统计功效，但置信区间却非常窄，并且远离真实值。原因可能是训练集中缺少有关量子涨落的样本。
• 基础模型在一个未经专门设计的问题上，不仅可能给出错误答案，还不会告诉你它错了，更不会给出误差条。
• 这引出了他们的解决方案 预测驱动的推断。通过向2亿个预测中加入少量真实数据，可以成功地将置信区间调整到一个既能保持较高统计功效（区间较窄），又能覆盖真实值的理想状态。这证明了围绕基础模型构建统计学流程是可行的。

💬 精华片段（中文）

“科学家很少仅仅对重温过去感兴趣。他们感兴趣的是知识边缘上的全新事物。而正是在这一点上，这些基础模型的表现会是最差、偏差最大的。... 围绕任何一个基础模型，都需要有一种能力，即可以收集一点真实数据，用像这样的程序将其合并进去，然后给出一个更可信的答案。”

“scientists are rarely interested in just studying the past over again. They‘re interested in brand new things on the edge of knowledge. And that’s where specifically these foundation models will be most poor and most highly biased. So there needs to be around any foundation model the ability to maybe collect a bit of ground truth data to merge it in with some procedure like this and then to give out a more trustable answer.”

• 【核心论点】重塑对“理解”和“行为主义”的认知：
• 乔丹教授认为，拟人化智能和理解不仅是非必要的，不合适的，而且是解决很多问题时的干扰。
• 以亚马逊庞大的供应链系统为例，没有人能理解那个大黑箱内部发生了什么，但这不必要。重要的是它完成了一项优化和预测任务，使得围绕它构建的工程系统（如仓储、物流规划）得以运转。
• 在经济学的思维模式下，你不需要理解所有其他实体，但你可以通过经验法则或定量预测来与之互动，从而避免受到伤害并从中获取价值。这是一种远比打开黑箱寻找“意义”更务实、更强大的范式。

30:33 三层数据市场：一个具体的经济学-统计学混合模型

本节重点

• 提出一个极简但现实的“三层数据市场”模型，用于研究AI时代数据、服务、隐私和激励之间的复杂交互均衡。
• 将数学问题从“优化”转变为“均衡”，揭示了平台、消费者、数据买家三方之间相互冲突但又可调和的激励结构。
• 模型可量化私有的统计特性对经济价值的影响，为监管机构提供了一个分析社会总福利变化、制定更有效的法律法规的数学工具。
• 强调了经济学思维和机器学习思維在当前时代相互隔离的现状，即经济学家缺乏数据，机器学习专家缺乏均衡思想，而未来的根本出路在于二者的融合。

详细精要

• 【核心概念引入】三层数据市场模型：
• 第一层（用户）：使用某个平台（如支付服务）的服务，并在此过程中产生了数据。
• 第二层（平台）：利用用户数据改进服务，形成一个良性循环。但服务费收入往往不足以支撑业务，因此平台向第三方出售数据。
• 第三层（数据买家）：购买数据用于市场调研、行为研究等，并为此付费。

• 当第三方参与进来后，原有的均衡被打破。用户失去了部分隐私，因为他们不知道自己的数据流向了何方。

• 【核心机制】通过市场机制调节隐私与经济价值：

• 一个有效的经济系统不应急于等待监管者叫停。相反，平台应该为用户提供可调谐的差分隐私级别（例如，Level 0.3 vs Level 0.7），并可能据此进行收费或补贴。
• 更注重隐私的用户会选择0.7级别的平台，这会导致：
  1. 该平台因聚集了更多高隐私要求的用户，其服务本身因为数据更多而变得更好。
  2. 但0.7级别的数据由于加入了更多噪声，对数据买家来说价值下降了。
  3. 数据买家会因此减少对该平台的出价，转而向提供低隐私级别（如0.3）数据的平台支付更多。
• 系统内的激励出现了冲突倾向。这不是一个简单的优化问题，而是一个均衡问题。

💬 精华片段（中文）

“现在你可以看到这里有冲突的趋势。这些激励措施是相互关联的，但并非对每个人都是最佳的。所以，现在的数学问题不再只是一个优化问题，而是一个均衡问题。但这个均衡问题涉及统计断言、数据，以及用这些数据你能做多好的预测... 你把所有这些放入一个大的数学系统中，就可以找到作为各种系统参数函数的均衡点。”

“And so now you can see there‘s conflicting tendencies here. The incentives are aligned but they’re not optimal for everybody. And so now the mathematics is not just an optimization problem, mathematics is an equilibrium problem. But it‘s an equilibrium problem that involves statistical assertions, data and how much you can predict with this data... So you put that all together in a big mathematical system and you can find the equilibrium as a function of various system parameters.”

• 【核心方法论】融合机器学习与经济学：
• 乔丹教授指出，这是一个巨大的时代机遇，但机器学习（擅长处理数据、做优化）和经济学（擅长分析激励、寻找均衡）这两大门类几乎从未交汇。
• 经济学家缺乏海量数据来设计市场，只能基于理性假设推导均衡。机器学习专家则从未思考过均衡，他们只是拥有了大量数据并用其做最简单的预测（如下一个词）。
• 未来的根本路径是这两个分支的结合。经济学提供的均衡视角至关重要，适应性的视角也至关重要。你不能简单地说已有数据包含了所有行为模式，那太天真了。但经济学家的理性假设，同样也应该被数据所取代。
• 通过这样一个融合了预测模型、数据市场、金钱和激励的数学模型，监管者可以在不同均衡点的社会总福利之间进行比较，并据此制定法律。

01:00:56 机制设计与博弈论：从科学到工程的逆过程

本节重点

• 将博弈论类比为物理学中的F=ma，是一种能够进行正向预测的科学。
• 引入博弈论的“逆问题”——机制设计，它是一门从期望目标出发，反向设计游戏规则的工程学。
• 解释机制设计中的分支领域：拍卖理论和契约理论。
• 揭示统计学的E值理论与经济学中的契约理论之间深刻的数学联系，阐明不确定性量化如何成为激励机制的基础。

详细精要

• 【核心概念阐明】博弈论及其逆问题：
• 乔丹教授将博弈论比作物理学中的牛顿力学公式F=ma。写下游戏的设定，然后计算纳什均衡或其他均衡解，从而预测系统中会发生什么。这属于“科学”范畴。
• 而其“工程学”范畴，被称为 机制设计。它处理的是一个“逆问题”，即先设定你想要得到的社会结果（例如，财富公平分配、市场产生等），然后反问：“我应该设计一个什么样的游戏，使得这个预期结果会实现？”

• 拍卖理论是机制设计的一种，其目标是设计一种机制，让最渴望得到某样物品的人最终能得到它。而契约理论则是机制设计中处理“信息不对称”的场景，即一方知道的比另一方多，双方仍需达成合作。

• 【核心连接】统计契约理论与E值：

• 乔丹教授正在研究的统计契约理论，揭示了契约理论与统计学之间的深层联系。
• 一个契约可以被看作是关于“服务和价格”的约定。服务可以被理解为“证据收集”的过程，而价格本身也是一个随机变量。
• 令人惊叹的结论是：在契约理论中，要实现激励相容，当且仅当在统计学中使用了E值的概念。
• 这为不确定性量化打开了全新的应用维度。不确定性不再仅仅是一个“误差条”，而是嵌入了更深层次的社会交互情境（如契约）中，成为设计激励机制的基础。

💬 精华片段（中文）

“博弈论是一个极其丰富、历史并不算悠久的学科，如今已有100年了，它仍在不断演化，并持续为我们这些从业者提供各种各样的算法思想... 机制设计说的是，‘哦，我想要的世界上出现某种结果，比如某人得到报酬，财富被公平分配，或者创造出某种市场。那么我应该设计一个什么样的博弈，才能让这个结果得以实现？’ 所以我是这个游戏的设计师。”

“Game theory is a super rich, not so old discipline, you know, 100 years now, that’s that‘s continuing to evolve and continue to supply all kinds of algorithmic ideas... Mechanism design says, ’oh, I want a certain outcome in the world that that person gets paid, that the wealth is divided equally, that there‘s some fairness or some market that’s created. What game do I design so that that outcome is realized?‘ So I’m the designer of the game.”

01:11:04 三种不确定性：为什么LLM缺乏“知道自己一无所知”的能力

本节重点

• 指出LLM在回答“你有多大把握”时给出极端答案的根本原因，即它们只是在预测下一个词，从未内化不确定性量化。
• 系统性地将不确定性分解为三种类型：采样不确定性（种群内的随机化）、信息不对称不确定性（经济博弈中的隐藏知识）和溯源不确定性（数据时效性与上下文）。
• 强调人类能够无缝地组合这三种不确定性进行决策，并以市场如何通过汇集探索成果来降低整体不确定性为例，说明经济系统是管理不确定性的强大工具。

详细精要

• 【核心批评】LLM的“虚假确定性”：
• 当被问及对自己答案的置信度时，LLM往往会给出极为绝对的答案，要么是1（绝对肯定），要么是0（绝对否定）。这是因为其构建目标仅仅是预测下一个词，完全没有考虑到不确定性量化。

• 即使嫁接一些方法（如保形预测）进去，也依然存在可交换性等严格的假设前提。乔丹教授更倾向于思考更大的上下文背景。

• 【核心分类】三种不确定性模型：

• 统计学不确定性（采样不确定性）：用“鸭子与湖泊”的例子说明。如果贝叶斯式的鸭子计算出湖的左边食物是右边的两倍，它就会以1的概率每次都去左边。但现实中的鸭子是按2/3和1/3的比例去的。这种对冲行为并非简单的随机尝试，而是一种在多种鸭子共存环境下演化出的纳什均衡。恰当的抽样策略能使整个种群受益。
• 经济不确定性（信息不对称）：来自经济学的核心议题。与你合作的人拥有你不知道的专长，还可能会为了自己利益而撒谎或隐瞒。这种不确定性不是靠抽样能解决的。你需要设计菜单式契约等机制来应对。乔丹教授将这种处理数据“故乡”或“来源”的能力称为 “溯源”（providence）。例如，如果医生用来支持手术方案的数据是十年前收集的，你的置信区间就应该自动变宽。

• 对LLM的最终诊断：LLM在这三种不确定性上全部缺失。它没有“数据太旧，我应该打折扣”的溯源概念，没有“这是个社会环境，我应该随机化我的决定”的博弈概念，也没有“我需要在‘不确定性上’，进行主动的 认识性觅食”的统计学意识。它只是在网上见到过人问“你有多大把握”，然后复述人类关于把握度的言论罢了。

• 【核心洞察】市场作为不确定性降低的引擎：

• 乔丹教授提出了比统计学本身更大的不确定性管理框架，即市场。他以开餐馆需要番茄为例：如果我每天都需要亲自去寻找番茄，那不确定性极高。但市场允许其他人专门从事寻番茄的工作，从而形成了一个稳定的番茄供应。这使得餐馆可以在番茄供应充足这一确定性基础上，构建其商业模式。
• 市场之所以能降低不确定性，并非因为有人设计了最优化实验或跑了多臂老虎机算法，而是因为它通过激励机制促使人们去探索和利用。这使得市场本身成为一个极其强大的、处理不确定性的宏观系统。

💬 精华片段（中文）

“可怜的大语言模型几乎在上面所有这些方面都交了白卷... 人类非常擅长处理这些，一点点‘溯源’（哦，这是旧数据，我打个折扣），一点点‘情境’（哦，这有个社会环境，我应该随机化），一点点‘采样不确定性’等等。我们把所有这些几乎无缝地组合在一起... 然后，大语言模型当被问到‘你有多大把握'时，它能说什么呢？据我所知，它只是在模仿网上那些人类关于把握度的断言，那可不是在不确定性下进行推理。”

“So the poor LLM has none of the above... We are pretty good at getting these, with a little bit of providence (Oh, it’s old data, I discount that). We get a little bit of context (Oh, there‘s a social environment here, I should randomize). Oh, there’s some sampling uncertainty and so on. We put all that together almost seamlessly... So what should it say when you ask how sure are you? And all it‘s doing to the best of my knowledge is that it’s just... it just mimics that those kind of assertions, but that‘s not reasoning under uncertainty.”

---

专业术语注释

术语	解释
人工智能 (Artificial Intelligence - AI)	乔丹教授认为这个在20世纪50年代提出的术语具有误导性，其原始目标（如逻辑推理）未成功，当前的复兴是公关和语言模型带来的扭曲。
通用人工智能 (Artificial General Intelligence - AGI)	在本集中被批判为纯粹的公关术语 (PR term)，转移了研究人员的注意力，并将公众的讨论引向乌托邦或反乌托邦的歧途。
机器学习 (Machine Learning)	乔丹教授更认同的学术传统。诞生于统计学和运筹学，通过决策树、逻辑回归等方法，在供应链、交通、电子商务等领域取得了巨大工业成功的务实技术。
大语言模型 (Large Language Models - LLMs)	仅是机器学习传统中的一个最新发展，其能力令人惊叹但被过度神化。其核心问题在于缺乏不确定性量化、经济思考和行为体意识。
集体主义经济学视角 (Collectivist Economic Perspective)	乔丹教授提出的核心框架。认为AI系统的基础是来自数十亿人的数据，最终也服务于数十亿人，因此必须用经济学的激励、均衡等思维来设计和治理。
预测驱动的推断 (Prediction-Powered Inference - PPI)	乔丹教授团队提出的一种统计学方法。通过结合大量但可能有偏差的预测数据和少量真实数据，来构建能覆盖真实值的置信区间，使模型结果更可信。
机制设计 (Mechanism Design)	博弈论的“逆问题”。不是给定游戏规则预测结果，而是从一个期望的社会结果（如公平、效率）出发，逆向设计游戏规则（机制）。
契约理论 (Contract Theory)	机制设计的一个分支，专门处理存在信息不对称（一方比另一方知道得更多）时，设计最优的激励机制或合同。
E值 (E-value)	现代统计学中的一个核心概念，源自博弈论概率。它是非负随机变量的期望，可以为数据证据的强度提供一个随时间积累的量度，支持在任何时候停止实验并得出结论。
保形预测 (Conformal Prediction)	一种为任意机器学习模型提供不确定性的技术，可以在不依赖严格分布假设的情况下，构建预测区间或集合。
溯源 (Providence)	在乔丹教授的语境下，指数据来源的“出身”和“历史”信息，如数据是何时、何地、在何种上下文下被收集的，这种信息对量化不确定性至关重要。
三层数据市场 (Three-Layer Data Market)	乔丹教授提出的一个极简模型，由用户、平台和数据买家三层构成，用以研究数据价值、个人隐私和经济激励之间的复杂均衡关系。
纳什均衡 (Nash Equilibrium)	博弈论的核心概念，指在一个策略组合中，没有任何一个参与者可以通过单方面改变自己的策略而获得更好的收益。
信息不对称 (Information Asymmetry)	交易或互动中一方拥有另一方不知道的信息。这是经济学和契约理论关注的核心问题之一。
认识性觅食 (Epistemic Foraging)	指像动物觅食一样，在信息世界中主动寻找知识以降低对特定领域的不确定性的行为过程。

---

延伸思考

1. 从“预测机器”到“社会经济操作系统”：当今的AI公司几乎都在专注于优化单一模型的下一个词预测准确率。如果乔丹教授的观点是正确的，那么未来的价值将很大程度上来自于“系统集成商”——即那些能够将LLMs与经济学、统计学工具结合起来，构建并运营新型多边交易平台的公司。我们该如何评判一个AI系统的价值？
2. 对“AI对齐”的再定义：“对齐”问题在当前被过度聚焦于使AI的价值观与人类一致。乔丹教授的框架提出了一个新的、可能更根本的“对齐”维度：激励对齐。我们是否应该将注意力转向设计一种AI参与的经济体系，使其本身的激励机制与人类和社会的长期繁荣自动形成均衡，而非通过指令或教程？
3. 数据尊严与全民基本数据收入：乔丹教授严厉批评了平台“偷窃”用户数据不返利的行为。随着“数据买家”市场的成熟和“预测驱动的推断”这类需要高质量真实数据的方法兴起，是否会出现一种“数据尊严”经济，个人可以通过提供自己的“溯源”数据来获得类似版税的收入，使其成为一项基本权益？
4. 学科的重新划分与AI通识教育：乔丹教授提出的“计算、推理、经济三角”，挑战了目前“计算机科学=AI”的垄断局面。未来顶尖的AI建设者或许不是纯粹的计算机科学家，而是拥有统计学和经济学双重思维的“社会经济工程师”。大学应如何调整课程和学科界限，以培养这种能够把社会科学洞察落地为数学和代码的新一代领袖？

原文发表：May 20, 2026  ·  纪要生成：2026-06-29