当 AI 可以在几秒钟内写文章、生成视频、解释难题，甚至参与诊断和手术时，一个越来越尖锐的问题摆到每个人面前：人的价值会不会被机器一点点拿走？
李飞飞给出的答案，不是廉价的“人类永远不可替代”，也不是技术万能论。2026 年 8 月 10 日，她在 Huberman Lab 超过两小时的对谈里反复强调：计算机从来不是孤立存在的智能，它更像一台放大器。它能放大知识、创造力和行动能力，也可能放大懒惰、偏见与错误。真正需要讨论的，不只是模型又会了什么，而是人是否仍在提出问题、选择方向、承担责任，并保留学习和行动的主体性。
一、先把“AI 会不会取代人”换成一个更准确的问题
“AI 会不会取代人”听起来直接，却把复杂问题压成了一个只有“会”或“不会”的开关。李飞飞在访谈中更关心的是另一层：AI 在什么场景放大了谁的能力，人在其中还掌握多少选择权，最后由谁承担结果。
计算器没有消灭数学，搜索引擎没有消灭知识，照相机也没有终结绘画。每一种工具都让一部分旧技能贬值，同时把人的注意力推向更高层的目标设定、判断与表达。生成式 AI 的变化在于，它第一次把这种放大作用推进到语言、图像、程序和决策建议等认知任务中，因此转型范围更广、速度更快，也更容易制造“机器似乎什么都懂”的错觉。
李飞飞并没有否认就业会受到冲击。她在谈影视制作时特意区分了技术能力和就业结构：AI 可以生成镜头、降低制作成本，行业和岗位也会变化；但一个故事为什么值得讲、人物为何打动人、镜头应该保持怎样的距离和节奏，仍来自人的情感、视角和选择。技术可以做更多，不等于它自动获得了创作动机，更不等于转型中的利益分配和再培训问题会自行消失。
二、机器没有直接访问的，是每个人生命里的“灰色杯子”
访谈中最有力量的例子，不是某项基准测试，而是一只灰色杯子。李飞飞说，眼前这只杯子会唤起她与朋友童年相处的私人记忆。这段经历没有上传到互联网，也没有变成可供模型训练的数据。旁人看到的是一个普通物体，她看到的却是一段关系、一种情绪和只有自己知道的意义。
这不是在证明机器“永远不可能”拥有任何类似能力，而是在提醒我们：当前 AI 能利用的是被记录、被编码、被提供给它的信息，而人的经验远大于公开数据集。模型可以写出“怀旧”的句子，却不知道某只杯子为什么让一个具体的人想起一个具体的下午；它可以模仿叙事结构，却没有自动继承作者的生命史。
私人经验由此成为创造力的一条重要来源。作家、导演、教师和普通人并不是因为计算速度更快而有价值，而是因为他们从各自的位置看世界。人的动机也与此相连：为什么要拍这部电影、救这个病人、研究这个问题、陪伴这个孩子，不能只从历史文本的统计关系中推出。
所以，“AI 不会代替人”不能被理解成一张永久保票，更可靠的说法是：只要人继续把私人经验转化为问题、判断和行动，就不会只是模型输出链条中可以随意替换的一环。相反，如果主动把这些环节全部外包，再强的“不可替代性”口号也没有意义。
三、从 ImageNet 到空间智能：语言不是智能的终点
李飞飞的研究主线一直与“看见”有关。她在访谈中从演化讲起：动物获得感光能力之后，视觉与行动相互促进；儿童也是先通过看、触摸和移动建立对世界的理解，后来才掌握语言。她用这条叙事说明，智能并不只存在于词语之间，它还包括物体如何占据空间、动作会导致什么结果，以及一个主体怎样与环境互动。
ImageNet 的历史意义，就在于它让机器视觉第一次拥有足够大、足够系统的训练材料。海量标注图片推动了深度学习的突破，但静态图片分类只是起点。今天的语言模型擅长从文本中归纳模式，却仍会在三维关系、持续场景、物理常识和行动后果上犯错。李飞飞把这些称为现阶段尚未解决的缺口，而不是可以轻率宣布的永久边界。
这也解释了她为什么创办 World Labs、押注空间智能。其世界模型 Marble 可以从文字、图片、视频或粗略的三维布局生成可持续探索的 3D 世界。目标不只是“生成一张好看的图”，而是让系统能够感知、生成、推理并与三维世界互动。这个方向最终会连接机器人、设计、电影、游戏和科学模拟，但它仍然服务于访谈的同一主线：让计算机扩展人理解和创造世界的能力，而不是把人从世界中拿掉。
四、医疗最能说明：场景、数据与责任决定 AI 应该怎么用
医疗不是一个可以用“AI 能不能当医生”概括的单一场景。李飞飞把它拆成不同问题：有些症状拥有大量病例和相对稳定的模式，AI 可以帮助医生快速筛选、提醒风险、减少遗漏；有些手术和罕见病例则具有高度个体差异，训练数据有限，任何错误都可能造成不可逆后果。
她谈到父亲在斯坦福接受肝脏手术的经历。达芬奇机器人并不是自己决定如何切除，而是由外科医生操作，放大医生双手的稳定性与精细度。她把这称为深度的人机协作。访谈中提到这次手术的失血量大约是典型手术的十分之一，但这是一个家庭经历中的口述数字，不能扩展成所有机器人手术都会达到的普遍临床效果。
更关键的是她随后提出的边界：肝脏的血管结构因人而异，如果系统没有足够多相似模式、也不能可靠处理意外，让“训练不足的机器人”独立操作并不合理。此时机器的角色是提供更好的视野、更稳的操作、更充分的信息，决定和责任仍由专业团队承担。
判断 AI 在医疗中应该走多远，可以同时问三件事：
- 模式是否充分：是否有足量、代表性强且经过验证的数据，还是只有少数相似病例？
- 错误代价多高：错误建议可以复核修正，还是一次动作就可能造成不可逆伤害？
- 责任是否清楚：谁有资格做最终决定，谁能解释依据，出了问题由谁负责？
这套框架也适用于金融、司法、招聘和公共治理。数据丰富、结果可复核的环节可以更大胆地自动化；样本稀缺、风险极高、责任重大的环节必须保留专业判断和人工接管。不是“相信 AI”或“不相信 AI”，而是为不同风险等级设计不同的协作方式。
五、机器人、照护与影视：替人做任务，不等于替人成为主体
机器人可以把人从危险、重复和高负荷任务中解放出来。它可以搬运重物、进入高温环境、辅助老人站立，也可以在手术中把医生的动作缩小到更精细的尺度。这些都是“放大器”最清楚的价值。
但任务的自动化不等于关系的自动化。照护不仅是把水递到床边，还包括理解一个人为什么焦虑、愿不愿意接受帮助、家属如何参与，以及谁为照护质量负责。机器人可以分担体力劳动，却不能因为功能越来越多，就默认亲情、尊严和照护责任也可以整体外包。
影视创作同样如此。生成模型可以迅速制作分镜、场景和短视频，未来会显著改变成本结构与岗位分工。可真正定义作品的，仍是创作者如何组织经验：选择什么主题，人物为何沉默，镜头为什么停留，哪些冲突应该被看见。AI 可以把一个想法放大成更多可试验的版本，却不会自动告诉人“什么值得表达”。
六、教育有两条同样危险的路：一刀切禁止，或把思考全部外包
访谈中最值得教师和家长认真听的一段，是李飞飞对教育中两种坏结果的警惕。
第一种坏结果，是学生把作业和思考全部交给 AI。答案来得太容易，学习的主体性和动机被一点点抽走。学生看似完成了任务，却没有经历发现困惑、建立假设、犯错、修正和迁移的过程。长此以往，得到的是漂亮输出，失去的是独立解决问题的能力。
第二种坏结果，是学校因为担心作弊而拒绝学生使用 AI。这也会让教育与现实脱节。学生毕业后必然进入一个广泛使用 AI 的社会；如果学校只教“不要碰”，他们既学不会如何验证结果，也学不会如何保护隐私、识别偏差、正确分工和承担责任。
李飞飞以自己本科阶段学习有机化学的困难为例：真正有动机、清楚自己卡在哪里的学生，可以把 AI 当作一位随时可追问的辅导者，请它换一种解释、补一个例子、比较两种机制，再针对误解继续追问。这里的前提不是 AI 先给答案，而是学生先拥有问题。
因此，教育真正需要守住的不是“无工具状态”，而是认知所有权：学生是否知道问题是什么，能否解释为什么接受某个答案，是否能在没有现成模板时迁移，以及最后是否愿意为自己的结论负责。
七、苏格拉底为什么可能成为最好的“提示词工程师”
李飞飞在访谈里确认，prompting 是一种重要技能，并希望 K-12 学校教孩子如何提问。主持人顺势问：如果苏格拉底活在今天，会不会是世界上最好的提示词工程师？她的回答是肯定的——因为苏格拉底方法的核心，正是通过连续提问接近真理。
这句话容易被包装成金句，但它真正的分量不在“提示词工程师”这个时髦称呼，而在对 prompting 的重新定义：好的提示不是背诵一句万能咒语，而是把模糊困惑变成可检验问题的能力。
一个有质量的提问过程，至少包含五步：
- 先澄清：我们究竟在讨论什么？关键概念有没有被混用？“AI 取代人”指的是替代一项任务、一个岗位，还是人的全部价值？
- 追问前提：这个结论依赖哪些假设？数据是否代表真实人群？模型表现是否来自同一场景和同一评测口径？
- 寻找证据：支持和反对的证据分别是什么？信息来自官方原始材料、研究论文，还是二手转述？
- 构造反例：在什么情况下结论不成立？大量常见病例中的自动筛查经验，能否直接迁移到罕见且高风险的手术？
- 推导行动：知道这些之后该怎么做？由谁决定、如何复核、什么条件下暂停，以及怎样把经验迁移到下一个问题？
这套能力不只用于和聊天机器人对话。它本质上是批判性思维、问题拆解和学习迁移的结合。模型越擅长给出流畅答案，人越需要发现它没有回答的问题、隐含的假设和不确定性。未来真正稀缺的不是“会不会输入一段 Prompt”，而是能否持续提出让认知向前推进的问题。
八、不能只让科技公司和投资人决定下一代怎样使用 AI
访谈最后，李飞飞特别提到教师、家长和学生。她认为，这些最直接承担教育结果的人，经常被政策制定者、科技公司和投资人遗忘。2022 年 ChatGPT 发布后，她最先做的事情之一，就是联系孩子所在小学的校长，提出给教师和学生讲清楚这项技术是什么。
这件小事对应一个更大的治理问题：AI 进入课堂，不只是“装不装一个软件”的采购决定。它关系到作业怎么设计、学生数据能否上传、错误答案如何处理、教师工作量是否增加、不同家庭能否平等获得帮助，以及学生的思考过程如何被评价。没有教师的课堂经验、家长的长期观察和学生的真实反馈，任何看似先进的方案都可能偏离教育目的。
具体到学校，可以先从低风险、可观察的任务开始：让 AI 提供不同难度的解释，让学生逐项标出哪些地方可信、哪些需要查证；要求作业同时提交问题演变、关键证据和修改理由，而不是只交一份光滑的最终答案；对个人隐私、心理咨询、升学评价等高敏感场景则设置更严格的数据与人工审核边界。这样评价的就不只是“答案像不像标准答案”，还包括学生如何形成问题、使用工具和修正自己。
以人为本也不能只停留在口号。它至少意味着：
- 产品设计前就让使用者参与，而不是上线后只收集满意度；
- 让模型的不确定性、数据边界和失败方式对普通人可理解；
- 为高风险场景保留人工复核、拒绝和退出机制；
- 把效率收益的一部分投入再培训、无障碍支持与公平可及；
- 让最终责任仍能落到明确的人和机构，而不是推给“算法”。
结语：答案越来越便宜，人的价值正在向上游移动
李飞飞这场对谈并没有给出一张“人类不会被替代”的证明书。它提供的是一套更有行动意义的视角：AI 擅长从海量记录中提取模式，擅长生成、比较和执行；人则需要决定什么值得做，把私人经验转化为新问题，在不确定中做判断，并为结果承担责任。
医疗、机器人、影视和教育看似是四个不同领域，背后却是同一条原则：机器承担规模、速度和重复劳动，人保留方向、意义、边界和责任。这不是固定分工，技术发展会不断移动边界；也正因为边界会移动，人的主体性才必须被主动维护，而不能依靠一句“AI 代替不了人”自然存在。
当现成答案随手可得，学习不再只是记住更多答案，而是学会澄清问题、检查前提、寻找证据、构造反例和推导行动。苏格拉底式提问之所以在 AI 时代重新显得锋利，不是因为古典哲学突然变成了提示词教程，而是因为它提醒我们：真正的智能，不只表现为回答得快，也表现为知道接下来该问什么。