（来源：财闻）
财闻 顾群生 发自广州
10月23日，钛动科技首届科技增长大会（Technology Growth Conference 2026）在广州举行，长期从事自然语言处理研究的Kevin Knight站上开场舞台。
Kevin Knight本科毕业于哈佛大学，博士毕业于卡内基梅隆大学，曾在南加州大学（USC）任教26年，长期领导USC信息科学研究所（ISI）的自然语言处理研究团队。
Transformer架构的奠基论文《Attention Is All You Need》第一作者Ashish Vaswani和OpenAI前研究副总裁Barret Zoph，都曾是他的学生。
Kevin Knight 顾群生/摄
现场，他抛出了五个关于AI的问题：它从何而来？如何工作？进展会否加速？下一步走向哪里？以及人类是否准备好了？
他结合自己在自然语言处理和数学领域的亲身经历指出，AI已不再只是“会思考”的工具，而是正在成为“会学习、会采取行动”的系统，这将为商业世界带来广泛而深刻的价值创造机会。
AI从何而来？
Kevin Knight回顾说，自己多年前为家里编写了一个能在真实棋盘上下棋的机器人，至今每天早上仍会与它对弈。而真正引发行业震动的，是DeepMind推出的AlphaGo等系统，它们先从业余棋谱学习，随后通过自我对弈，从自身经验中学习获胜策略。
“你可以想象，AlphaGo回到卧室自己下棋，一周后下楼，已经成了世界冠军。”他以此说明，AI的关键能力之一，是通过反馈和验证不断自我改进。
在他看来，自然语言处理领域经历了类似过程。从1950年香农开始的语言模型，到1980年代IBM仅看前两个词预测下一个词的突破，再到Google构建大规模语言模型，行业曾以为进步会循序渐进。但2016年前后，循环神经网络、Transformer和ChatGPT相继出现，语言预测能力大幅提升。
Kevin Knight 顾群生/摄
“我们基本解决了（自然语言处理领域的）问题。机器现在能理解语言、生成语言、翻译语言。”Kevin Knight说，这背后既有互联网规模训练数据带来的规模效应，也有基于人类反馈的后训练机制。
AI发展正在加速
Kevin坦言，当GPT-4出现时，自然语言处理研究领域一度“陷入混乱”，因为研究问题已大体解决，取而代之的是数百万种应用可能。
对研究者而言，新技术到来具有破坏性；他的选择是转向更困难的领域——数学。“我以前觉得词很棘手，但机器证明词变容易了。我以为数字很守规矩，但研究几周后发现它极其混乱。”Kevin表示。
而今年夏天，AI在数学领域再次引发震动。AI不仅能挑战百万美元级的千禧年大奖难题，OpenAI还在两周前发布700多篇论文，解决300多个重要数学问题，带来新证明和新思路。
Kevin Knight认为，机器能阅读海量数学论文，跨领域形成“超级智能”，同时具备推理和验证能力，这使其进步可被确认。
如何判断AI进展是否在加速？Kevin Knight给出一个标准是：机器能自主工作多久而无需人类持续介入。
从15秒回答问题，到10分钟上网研究并形成文档，再到一小时构建小软件系统、10小时编写大软件系统。
“这种事今年才可能，去年不可能。”他举例说，今年夏天一个重大数学问题由1万个智能体完全自主工作88小时解决，相当于“100年的机器思考”。他判断，每个月或每半年，机器都会更加能干。
如何面对日益全面的AI
展望下一步，Kevin Knight列出机器人、生物医学研究、娱乐、AI经营企业等方向。他强调，不同领域的关键都是反馈信号：机器人需在成功和失败中学习，生物医学需实验室和临床试验验证，娱乐需人类偏好反馈，而商业的反馈很清晰——利润。
他甚至预计，未来某个领域会出现机器公司与人类公司竞争，“当机器不仅能为一个企业工作，还能经营整个企业时，会是真正的冲击”。
Kevin Knight 顾群生/摄
不过，Kevin Knight也表达了自己的担忧。他认为把乘法外包给计算器、把种粮交给自动化系统都没问题，真正的问题是“我们停止思考”。
“我发现自己经常可以直接问AI，就懒得自己想。我为自己、家人和所有人担心。如果我们将所有认知都外包给机器，个人和社会都会陷入困难处境。”他建议，面对AI加速，最好的准备是继续思考，不要让AI替你做所有思考。
