单击上方“图灵人工智能”,选择“星标”公众号

您想知道的人工智能干货,第一时间送达

图片
转自i少数派,仅用于学术分享,如有侵权留言删除

过去三年,AI 圈最吵不完的一场争论是:大模型到底懂不懂?
一方说,它本质上是一个统计模式匹配工具,不具备真正的理解、推理和因果认知能力。另一方说,它显然理解了——不然它怎么能通过法律考试、写出可运行的代码、指出你论证里的漏洞?

这场争论已经吵了三年,而且还会继续吵下去。原因不复杂:因为"理解"这个词没有定义。没有定义,就没有判据;没有判据,双方永远说服不了对方。

而有一个人,给了这个词一个判据。他叫李明(Ming Li)。加拿大皇家科学院院士,滑铁卢大学校级教授(University Professor),ACM、IEEE、ISCB Fellow,2010 年加拿大最高科学奖 Killam Prize 得主——这个奖在他之后颁给过 Geoffrey Hinton 和 Yoshua Bengio。他与 Paul Vitányi 合著的《Kolmogorov 复杂性及其应用》至今四次再版,是该领域的圣经。

他给出的判据只有两个字:压缩。
你说你的模型理解了这段数据?好——那你把它压缩给我看。压得比别人小,就是理解得比别人深。

一、"理解就是压缩":一个把哲学问题变成数字问题的定义

2024 年,他和团队发表了一篇论文,标题就是全部主张:《Understanding is Compression》(理解即压缩)。论文的开头没有公式,是三个问题。我把它翻译过来:

当你看到一只老虎,你不就是把它存成了"一只大猫"吗?

当你看到 3.141592…,你不就是把它记成了 π 吗?

当你看到一只鸟,你不就是只关注了它的大小和颜色这些独特特征吗?

然后是一句话:是的,你已经学习了、理解了、也压缩了。

这三个例子的力量在于,它们让一件抽象的事变得无可辩驳:你之所以不需要记住老虎身上每一根毛的位置,是因为你理解了它——而"理解"这件事在信息上的表现,就是你可以用更少的字节把它记下来。他的团队此前(2023 年)已经在数学上证明:在合理假设下,一切人类或动物的学习或理解,都是压缩。而 2024 年这篇论文要做的是另一件事——反过来验证:如果理解就是压缩,那么"更懂"就应该"压得更小"。

实验设计得非常干净:

  • 压图像时,他们用的不是普通语言模型,而是 image GPT——一个更懂图像的模型
  • 压音频时,他们用少量音频数据重新训练 LLM——让它更懂音频
  • 压领域文本时,他们用领域微调过的 LLM——让它更懂这个领域

每一次让模型"更懂",压缩率就更好一档。结果(均为无损压缩):

  • 图像上,压缩率是 JPEG-XL 的两倍
  • 音频上,是 FLAC 的两倍
  • 视频上,是 H264 的两倍
  • 文本上,是 bz2 的三到四倍

论文的结论句只有一行:模型越懂这份数据,LMCompress 就压得越好。

这是本文第一个判断,也是理解李明院士的钥匙:他做的事,是把"理解"从一个形容词,变成了一个可以称重的量。整个行业争论"大模型算不算理解",这是一道是非题,永远吵不出结果;而他问的是"理解到什么程度",这是一道计算题,有答案。

请注意一个容易被误读的地方:这个框架是中立的。它不站在"大模型能理解"那一边,也不站在"它只是拟合"那一边。它不回答"够不够格叫理解",它只回答"理解得有多深"。它做的事,是把一场立场之争,换成了一把尺子。

二、学脉:两条图灵奖血脉,被他焊在了一起

要理解这个命题为什么会从他手里出来,得看他师承的两个人。李明,1955 年生。他是中国科学院计算技术研究所的研究生,1980 年成为科学院公派出国的第一批研究生。那年 4 月他赴美国韦恩州立大学读计算机硕士——只用了 8 个月就拿到学位。1981 年,他进入康奈尔大学,成为 Juris Hartmanis 的学生。Hartmanis 是什么人?他是"计算复杂性"理论的奠基人之一,图灵奖得主,康奈尔计算机科学系的创建者。他任教的 25 年中一共带过 21 个博士生,李明是第 13 位。

Hartmanis 一生追问的核心问题是:一个问题需要多少资源,才能被解决?而李明在博士期间做的事,是用 Kolmogorov 复杂性,完全解决了 Hartmanis 和 Stearns 二十年前留下的一道未解难题——此前 Michael O. Rabin、Zvi Galil 等人只做出过部分进展。他创造了一个分析算法平均复杂性的新方法。用他自己的解释:图灵机有一个单向输入带,而他用一个工作带,成功模拟出两个工作带的紧致时间下界——由此开创了 Kolmogorov 复杂性在计算机领域的应用。这个方法后来被他和同事们用来解决一连串问题:Shellsort 的平均复杂性、Heapsort 的平均复杂性、Lovász 局部引理的新证明,等等。

1986 年,他去哈佛做博士后,导师是另一位图灵奖得主——Les Valiant。Valiant 的一大贡献是 1984 年那篇《A Theory of the Learnable》。这篇论文让诞生于 1950 年代的机器学习,第一次有了坚实的数学基础。Valiant 一生追问的核心问题是:学习在什么条件下是可能的?

现在,把这两个问题放在一起:

这是本文第二个判断:Hartmanis 问"描述一个对象需要多少资源",Valiant 问"学习何以可能"。而"理解就是压缩"这一个命题,同时回答了这两个问题——压缩率衡量的正是描述所需的资源,而压缩能力的提升,本身就是学习。他不是分别继承了两条学脉,他是把两条学脉焊在了一起。

此后的路径:1989 年他到滑铁卢大学任副教授——同一年,刚刚博士毕业的杨强成为他的同事。1994 年拿到终身教职,2009 年成为校级教授(University Professor),至今仍在滑铁卢。2006 年当选加拿大皇家科学院院士,是获此殊荣的第二位华人。2010 年获加拿大最高科学奖 Killam Prize——自该奖设立四十多年来,他是唯一一位来自中国大陆的获奖者。滑铁卢大学上一位 Killam 得主是 Tutte 教授,1982 年获奖,此人在二战期间破译了德军的一系列加密代码。

三、最深的一层:从"可计算"到"不可计算"的范式跃迁

这一节讲的是我认为他最深刻、也最容易被漏掉的一个判断。先说清楚一个技术事实。传统的压缩方法——gzip、JPEG、H264、FLAC——都建立在可计算的性质之上:字符出现的频率、香农熵、重复模式。这些性质都可以被精确算出来,所以这些方法可以被工程实现。

但正因为如此,它们也有天花板。用他论文里的话:这类方法在多年研究之后,已经触到了自己的极限。而 Kolmogorov 复杂性给出的,是压缩的理论极限——一个对象的最短描述长度。
问题在于:Kolmogorov 复杂性是不可计算的。你永远无法真正算出任何一个对象的 Kolmogorov复杂性。所以在过去几十年里,它是一座漂亮但无法抵达的灯塔:知道它在那儿,但走不过去。

大模型改变了什么?
他论文里的原话是:GPT 可以被看作用大量数据,去逼近那个不可计算的 Solomonoff 分布。Solomonoff 分布是 1960 年代提出的一个通用先验——它在理论上是最优的预测器,同样不可计算。

这是本文第三个判断,也是我认为对企业最有启发的一条:大模型真正的历史意义,也许不是"机器会说话了",而是——人类第一次拿到了一个对不可计算量的、可用的逼近器。

这个判断的价值在于,它给出了一个判断 AI 价值的全新角度。大多数人评估 AI,问的是"它能把这件事做快多少倍"。而这条判断说的是:AI 真正打开的空间,不在那些"以前算得慢、现在算得快"的问题上,而在那些"以前根本不可计算、只能作为理论存在"的问题上。前者是效率,后者是可能性。而这两者的商业价值,差着数量级。

这也正是李明院士这套工作最反常识的地方:一个在教科书里躺了六十年、被公认"不可计算所以没法用"的理论,突然因为大模型的出现,变成了一个可以工程化的东西。

四、"先有锤子再找钉子":一条被他亲口承认的路径

这一节讲他的方法论,而这条方法论他自己说得极其坦率。1989 年到滑铁卢后,他接触的第一个问题,是困扰了计算机科学十年的"最短超串的近似算法分析"——一个纯粹的理论组合优化问题。1990 年,他做出了用长度 O(n log n) 的超串来逼近长度为 n 的最短超串,成果发表在 FOCS。一年后,他与姜涛、John Tromp,以及 MIT 的 Avrim Blum、贝尔实验室的 Mihalis Yannakakis 合作,在 STOC 上发表了《Linear approximation of shortest superstrings》。而这个纯理论成果,恰好为当时正在进行的人类基因组计划提供了理论依据。

当时的测序技术无法读取长链,只能把 DNA 切碎、分别测序、再拼回去。1991 年 Venter 提出的"霰弹枪法"大幅提高了测序速度,但产生了大量重合度过高的碎片,导致原序列重建变慢。而"在大量碎片中找到有最大重合的碎片、像拼图一样还原基因组"——这就是最短超串问题。

他这项成果后来被收录进多本计算生物学教科书,其中包括 Waterman 1995 年那本经典的《Introduction to Computational Biology》。而他本人对这件事的评价,坦率得近乎轻描淡写:

"完全是误打误撞,我们把一个计算理论的问题解决了,属于先有了锤子再找钉子,结果可以用在生物学上,挺好玩,我们就开始做计算生物学了。"

这是本文第四个判断:主流的创新叙事都是"从需求出发"——先找痛点,再找方案。而他走的是反方向:先把一个纯理论问题做到极致,然后发现它能砸开一堆你原本没想过的钉子。而通用工具的价值,恰恰无法在它被造出来之前被论证——因为它的价值就在于能用在那些你还没想到的地方,而"还没想到"这件事,是写不进立项报告的。

但这条判断有一个必须同时说出的另一面,而且这另一面也来自他自己:

"当年做 Kolmogorov 复杂度理论,以及 shortest superstring,那些都是纯理论问题,只让大家嗨了一下,离实际应用还差得很远。"

他还给自己定过一句告诫:"做得更实际一点,更应用一点。"

所以这里有一个真实的张力,而我认为不该把它抹平:他一方面用自己的经历证明了纯理论的意外价值,一方面又用后半生的行动说"要更实际"。这个张力的解,可能是一句朴素的话:先有锤子的路径是对的,但它有一个隐含条件——你得活到钉子出现的那一天。而他的对策也很清楚:他 2000 年创办 Bioinformatics Solutions Inc.(BSI),2013 年创办 RSVP Technologies,2020 年在武汉和上海落地"百蓁生物"。他还给学生留过一句标准,我认为值得所有做研究和做产品的人抄一遍:

"做一个事情就要把它做到最好,就算是一个小问题,也力争把它做到世界级水平,不要用论文数量要求自己。"

五、他的七条基本假设

把上面的判断反推回去,可以还原出支撑他全部工作的一组底层假设。
假设一:理解就是压缩。在合理假设下,一切人类或动物的学习或理解都是压缩——这是他和合作者数学证明过的命题,也是全部工作的地基。

假设二:更好的理解,必然带来更好的压缩。这是可实验检验的推论,也是 LMCompress 的验证目标。

假设三:智能的度量应该是描述长度,而不是任务表现。这一条是他与主流评测范式最根本的分野。主流做法是设计一堆任务、看模型答对多少;而他的做法是——不设任务,直接量它把数据描述得有多短。

假设四:Kolmogorov 复杂性是信息的普适度量,尽管它不可计算。不可计算不等于无用。它是标尺,逼近它就是进步。

假设五:大模型是对 Solomonoff 通用分布的一个近似。这一条,是他把 1960 年代的经典理论与 2020 年代的大模型接上的那个接头。

假设六:距离可以从压缩中被定义。
这是他另一条重要贡献:1998 年他与 Bennett、Gács、Vitányi、Zurek 提出"信息距离";2004 年他与陈欣、李欣、马斌、Vitányi 提出了更实用的 NCD(Normalized Compression Distance,归一化压缩距离)。

这个想法极其简洁:两个对象有多相似,就看"用其中一个去压另一个能省多少"。相似的东西,一起压会更省。正因为这个定义只依赖压缩、不依赖任何领域知识,它才能同时用在文本分类、基因序列、音乐、物种进化关系上——它是真正通用的。

假设七:理论要有用,而且要用在最难的问题上。

六、产业影响:从基因组到蛋白质,再到癌症

他的产业影响,跨度大到几乎不像一个人的履历。
第一层,基因组测序。如前所述——最短超串的理论工作为霰弹枪法提供了依据,收入多本教科书。

第二层,蛋白组学。
他带领团队开发的 PEAKS 系列蛋白组学软件,成果发表在 Nature Methods、PNAS、Nature Machine Intelligence、Nature Communications 等期刊上,已成为国际上蛋白组学的主流软件系统,用户包含几乎所有跨国药企、相关生物技术企业、研究所与大学,共约 4000 家。在国内,这套系统覆盖了 80% 的蛋白组学研究中心。

第三层,AI 制药与个体化癌症免疫治疗。
因为家中亲人因癌症去世,他从 2005 年开始研究癌症。2016 年他发现,结合深度学习可以把质谱肽段测序技术用于癌症个体化治疗——关键是找到癌细胞表达的"新抗原"。他和 Ngoc Hieu Tran 博士及团队推出 DeepImmu 平台,提出用模拟人体中心耐受系统的思想,来解决免疫原性预测中缺少 TCR 的问题,用深度学习替代传统的湿实验室验证过程。

他的判断是:"生命科学领域存在大量的数据,单纯靠湿实验室远远不够。个性化治疗的普及需要干实验室化,AI 将会帮助生物学家将制药流程从湿实验转到干实验。"

第四层,NLP 与对话系统。
2013 年他创办 RSVP Technologies,基于信息论、深度学习与自然语言处理,开发深度语义理解平台,面向 B 端提供场景对话服务。他当年解释为什么做 B 端而不做 C 端的那段话,今天读来仍然精准:

"针对 C 端的对话机器人并不受市场买单,其中最根本的一个问题是,目前大家对于语言/文本,在机器能处理的空间中没有一个很好的表达方式,使得现有的对话机器人没有办法从语义和逻辑上去理解对话,并且缺乏自学习能力。"

"NLP 的工程化不是一个个算法的累积,也不是一个个任务的独立优化,而应该是系统工程。"

第五层,也是我认为最值得记的一层:人的传承。
他的博士生许锦波,2014 年开始用深度学习研究蛋白质结构,2015、2016 年开发出 RaptorX,可直接预测蛋白质三维结构,在 2016 年 CASP 比赛中崭露头角。这项工作后来启发了 AlphaFold2,而 AlphaFold2 直接带热了整个 AI 制药行业。许锦波回国创立分子之心,而许锦波的学生彭健创立了华深智药。

这是本文第五个判断:这是一条清晰的三代传承链——而链条上最有名的那个成果(AlphaFold2)既不姓李,也不姓许。一个人的真实影响力,往往要到第二代、第三代身上才能被看见,而那时它已经改了姓。

而关于许锦波这个学生,他本人的态度是:"我完全没有什么监督,全是锦波自己做的。"

七、五条应该被说出来的边界

这套理论很漂亮,正因为漂亮,更需要认真说出它的边界。

第一,"理解就是压缩"这个等式,两个方向的强度不一样。
数学证明的是"理解蕴含压缩",实验验证的是"更好的理解带来更好的压缩"。但反过来——"压缩得更好,是不是就一定理解得更深"?这个方向要弱得多。一个纯粹靠记忆的系统,在特定数据上也可以压得很好。这个不对称,是这套理论最该被追问的地方。

第二,"在合理假设下"这六个字,承载了很多。
定理是否成立,完全取决于那些假设是什么。这是所有形式化工作的共同代价:越精确,前提越窄。任何引用这条定理的人,都应该先去看那些假设。

第三,用压缩率评估模型能力,有一个已知的坑:模型本身的大小。
这一点在相关研究中被讨论得很清楚:如果不把模型参数计入压缩后的总长度,大模型的压缩率会被严重高估;而一旦计入(即所谓"矫正后压缩率"),结论就会改变——模型规模并不是越大越好,对于给定规模的数据集,存在一个效果最优的模型大小。

这意味着:压缩率作为能力指标是可用的,但必须说清楚是否含模型开销。这是一个技术细节,却直接决定结论的方向。

第四,"GPT 逼近 Solomonoff 分布"是一个理论姿态,不是一个已被严格证明的等价关系。
他论文用的词是 approximate(逼近),而不是 equal。这个措辞的强度需要被如实保留——它是一个富有启发性的类比与研究纲领,而不是一条定理。

第五,也是最实际的一条:这套理论目前主要在"压缩"这个任务上得到验证。而压缩是无损的、可精确度量的、有唯一正确答案的——这恰恰是最有利于这套理论的场地。它在那些需要判断、需要权衡、需要为后果负责的场景里能说什么,目前还不清楚。一个模型可以把一份财报压缩得非常好,这不等于它知道该不该批这笔贷款。

八、在 AI 思想坐标系中的位置:他提供的不是路线,是标尺

这是本文最想给出的定位。回顾这个系列一路搭起来的坐标:有人主张智能需要被设计,有人主张它在规模中涌现;有人守着优化与搜索的传统;有人把 AI 当作解高维方程的数学工具;有人追问数据不可汇集时智能如何生产;有人把智能的一部分从脑子里搬到了世界里;有人在每一次热潮里负责校准进度。

这些人有的推路线,有的做校准。而李明院士做的是第三件事。

这是本文的定位结论:在这张图谱上,别人在争论"它算不算理解",他在问"理解可以怎么被度量"。前者是立场问题,后者是标尺问题。而一场没有标尺的争论,可以永远吵下去。

这个位置有一个跨界对标,我认为极其贴切——温度。在温标建立之前,"冷"和"热"是形容词。人们可以争论今天是不是比昨天热,但没有办法解决分歧,因为没有共同的刻度。温度计出现之后,那场争论结束了——而热力学开始了。一个学科走向成熟,往往始于某个形容词被变成一个可测量的量。

第二个对标,是奥卡姆剃刀。"如无必要,勿增实体"——这条流传了七百年的哲学原则,在 Kolmogorov 和 Solomonoff 那里第一次有了精确的数学形式:最短的描述,就是最好的解释。而李明院士这一支的全部工作,可以看作是对奥卡姆剃刀的工程化:先把它写成数学,再把它变成算法,最后用大模型把它逼近到可以在真实数据上跑。

一个人在思想图谱上的价值,有时不在于他站在哪一边,而在于他给了争论双方一件他们都能用的工具。而工具是不站队的——这也正是它比立场更持久的原因。

尾声

回到开头那个吵了三年的问题:大模型到底懂不懂?读完这篇文章,你会发现李明院士并没有回答这个问题。他做的是另一件事:他指出这个问题问错了。"懂不懂"是一道是非题,而是非题需要一条界线——可"理解"这个词从来就没有过界线,所以这道题没有答案。而"理解到什么程度"是一道计算题。计算题不需要界线,只需要一把尺子。

如果要把这篇文章收束成一句话——

他一生做的核心工作,是把一个哲学问题变成了一个可以称重的量。而这件事的价值在于:当一个概念可以被度量时,围绕它的争论就会结束,围绕它的科学就会开始。

至于那把尺子本身,其实每个人每天都在用。

你看到一只老虎,把它记成"一只大猫"。你看到 3.141592…,把它记成 π。
那一刻发生的事,就是理解。


附录:关键史实与信源

一、履历

  • 李明(Ming Li),1955 年生。中国科学院计算技术研究所研究生,1980 年成为中国科学院公派出国的第一批研究生;同年 4 月赴美国韦恩州立大学攻读计算机科学硕士,8 个月获得学位。
  • 1981 年入康奈尔大学,师从图灵奖得主、计算复杂性理论奠基人 Juris Hartmanis;为 Hartmanis 任教 25 年间 21 位博士生中的第 13 位。博士期间以 Kolmogorov 复杂性完全解决了 Hartmanis–Stearns 二十年前留下的未解难题。1985 年 3 月获博士学位。
  • 1986 年赴哈佛大学做博士后,师从图灵奖得主 Les Valiant(1984 年论文《A Theory of the Learnable》创立 PAC 学习理论)。
  • 1989 年任滑铁卢大学计算机科学系副教授(同年杨强博士毕业后成为其同事);1994 年获终身教职;2009 年成为校级教授(University Professor),至今在职。
  • 2006 年当选加拿大皇家科学院院士(第二位华人);2010 年获加拿大最高科学奖 Killam Prize,为该奖设立四十余年来唯一一位中国大陆华人获奖者;2024 年获 W. Wallace McDowell Award。ACM、IEEE、ISCB Fellow。
  • 与 Paul Vitányi 合著《An Introduction to Kolmogorov Complexity and Its Applications》,至今四次再版。据报道,其谷歌学术引用数超过三万五千次。

二、关键学术成果

  • 1990 年,以 O(n log n) 长度的超串逼近长度为 n 的最短超串,发表于 FOCS;1991 年与姜涛、John Tromp、Avrim Blum、Mihalis Yannakakis 合作发表 STOC 论文《Linear approximation of shortest superstrings》。该工作为人类基因组测序的"霰弹枪法"提供理论依据,并被收入多本计算生物学教科书,包括 Waterman 1995 年《Introduction to Computational Biology》。
  • 1998 年,与 Charles Bennett、Peter Gács、Paul Vitányi、Wojciech Zurek 提出"信息距离"(Information Distance)。
  • 2004 年,与 Xin Chen、Xin Li、Bin Ma、Paul Vitányi 提出 NCD(Normalized Compression Distance),发表于《The similarity metric》。
  • 1995 年与堵丁柱共同发起计算与组合学国际会议 COCOON。
  • 2024 年论文《Understanding is Compression》(arXiv:2407.07723),合作机构包括中国科学院计算技术研究所、鹏城实验室、滑铁卢大学、大连理工大学、中原人工智能研究院。

三、《Understanding is Compression》论文核心内容(据论文原文)

  • 开篇设问(本文译文):"当你看到一只老虎,你不就是把它存成了'一只大猫'吗?当你看到 3.141592…,你不就是把它记成了 π 吗?当你看到一只鸟,你不就是只关注了它的大小和颜色这些独特特征吗?"
  • 该团队此前工作(Jiang et al., 2023)"在合理假设下,数学上证明了一切人类或动物的学习或理解都是压缩"。
  • "传统压缩方法依赖各种频率、香农熵或其他可计算性质。这类方法虽可计算,但经过多年研究已达到极限。我们的新理论依赖 Kolmogorov 复杂性、信息距离与 Solomonoff 通用分布——这些度量是不可计算的。GPT 可以被看作用大量数据逼近不可计算的 Solomonoff 分布。"
  • 方法 LMCompress:用 image GPT 压缩图像与视频,用少量音频数据重训 LLM 压缩音频,用领域微调 LLM 压缩领域文本。
  • 结果(无损压缩):图像压缩率约为 JPEG-XL 的两倍,音频约为 FLAC 的两倍,视频约为 H264 的两倍,文本约为 bz2 的三到四倍。
  • 结论句:"模型越懂这份数据,LMCompress 就压得越好。"
  • 论文亦注明,相关思路曾由其团队(Huang et al., 2023)与 DeepMind 团队(Delétang et al., 2023)独立发表,更早的类似想法见 Bellard(2021)。

四、其本人原话(据公开报道)

  • "完全是误打误撞,我们把一个计算理论的问题解决了,属于先有了锤子再找钉子,结果可以用在生物学上,挺好玩,我们就开始做计算生物学了。"
  • "当年做 Kolmogorov 复杂度理论,以及 shortest superstring,那些都是纯理论问题,只让大家嗨了一下,离实际应用还差得很远。"及自我告诫"做得更实际一点,更应用一点"。
  • "做一个事情就要把它做到最好,就算是一个小问题,也力争把它做到世界级水平,不要用论文数量要求自己。"
  • "针对 C 端的对话机器人并不受市场买单……现有的对话机器人没有办法从语义和逻辑上去理解对话,并且缺乏自学习能力。"
  • "NLP 的工程化不是一个个算法的累积,也不是一个个任务的独立优化,而应该是系统工程。"
  • "生命科学领域存在大量的数据,单纯靠湿实验室远远不够……AI 将会帮助生物学家将制药流程从湿实验转到干实验。"
  • "人工智能技术和时代的进步,一定要靠理论的进步,其次要用工程的思维找出一些有价值的应用方向。"
  • 关于学生许锦波:"我完全没有什么监督,全是锦波自己做的。"

五、产业与传承

  • 2000 年创办 Bioinformatics Solutions Inc.(BSI);PEAKS 系列蛋白组学软件成果发表于 Nature Methods、PNAS、Nature Machine Intelligence、Nature Communications 等,成为国际主流软件系统,约 4000 家用户,在国内覆盖 80% 的蛋白组学研究中心。
  • 2013 年创办 RSVP Technologies Inc.,开发深度语义理解平台,面向 B 端。
  • 2020 年 BSI 落地武汉与上海,取《诗经》"桃之夭夭,叶之蓁蓁"命名为"百蓁生物";2021 年 4 月院士办公室落成郑州。
  • 自 2005 年起研究癌症;2016 年发现深度学习可与质谱肽段测序结合用于癌症个体化治疗;与 Ngoc Hieu Tran 博士及团队推出 DeepImmu 平台。
  • 传承链:其博士生许锦波 2014 年起用深度学习研究蛋白质结构,2015–2016 年开发 RaptorX,2016 年 CASP 崭露头角,该工作启发了 AlphaFold2;许锦波回国创立分子之心,其学生彭健创立华深智药。

六、笔者的分析建构(非其本人表述)

以下为笔者依据公开材料所做的分析与推断,未经其本人确认,读者可以不同意:

  • "他把'理解'从形容词变成了一个可以称重的量",及"是非题 vs 计算题"的对照;
  • "Hartmanis 问需要多少资源,Valiant 问学习何以可能,而'理解即压缩'同时回答了这两个问题——他把两条学脉焊在了一起"这一学脉分析;
  • "大模型真正的历史意义是:人类第一次拿到了对不可计算量的可用逼近器",及由此推出的"效率提升 vs 可能性打开"判据;
  • "通用工具的价值无法在被造出来之前被论证"及"先有锤子的路径有一个隐含条件——你得活到钉子出现的那一天"这一张力分析;
  • "真实影响力要到第二代、第三代才被看见,而且已经改了姓";
  • "他提供的不是路线,是标尺"这一坐标定位,及与温标的建立、奥卡姆剃刀的数学化两处跨界对标;
  • 第七节所列五条边界,其中关于"压缩率评估需计入模型开销、且模型规模存在最优点"一条,出自算法信息论与大模型的相关公开研究讨论,本文用作对该理论适用条件的必要补充。

本文为公开信息基础上的思想评述,所引职务、荣誉与数据均为公开信息的客观陈述;不构成对任何机构、产品或技术路线的推荐,亦不构成投资建议。


图片

文章精选:

1.图灵奖得主姚期智最新演讲: AI有边界,恰恰是好事

2.图灵奖得主本吉奥警告全网:AI已经学会“演给安全测试看”,下一代我们可能真的抓不住了!
3.图灵奖得主萨顿 WAIC 2026 最新演讲:现在的 AI 还不算真智能,我们正迈入经验时代
4.菲尔兹奖得主陶哲轩最新访谈:未来数学属于人类与 AI 的混合体
5.图灵奖得主、AI教父辛顿:AI已具备意识,且将进化成远超人类的智能生命体
6.图灵奖得主、“AI教父”辛顿认错:我当年想得太简单!卡死医疗AI落地的,其实是背后的法律
7.图灵奖得主Bengio预言o1无法抵达AGI!Nature权威解读AI智能惊人进化,终极边界就在眼前
8.图灵奖得主、强化学习之父Rich Sutton:大语言模型是一个错误的起点
9.图灵奖得主杨立昆:大语言模型缺乏对物理世界的理解和推理能力,无法实现人类水平智能
10.压缩即是全部 —— 菲尔兹奖得主 Michael Freedman 给数学和 AI 的一封信