Intelligence is collective, 深度访谈

Jordan开场就指出，智能或预测系统应被看作现实世界中的抽象科学对象，类似物理公式，可以用来建模和预测，而不必诉诸“理解”“意识”等拟人化词汇。他批评当下把技术说成会很快超越人类、毁灭人类，或让一切都无事可做的说法，认为这对20多岁的年轻人极其打击士气。那些年轻人原本希望借助技术改善家庭和社会，却被行业领袖告知前路已被封死。与此同时，他还批评大模型产业缺乏经济学思考：数据被攫取、原始贡献者得不到回报、资本投入巨大但讨论肤浅，呈现出一种与现实脱节的技术狂热。

在被问到AGI时，Jordan直言这只是一个公关术语，会制造误解并让年轻人误以为只剩“狂热”或“警报”两种立场。他进一步说明自己从未真正把自己视为AI研究者，因为早期AI概念源于上世纪50年代，对逻辑推理抱有特定期待，但这些路径并未真正兑现。相反，60到80年代逐渐形成的机器学习传统，来自统计学、运筹学等学科，发展出决策树、近邻法、逻辑回归、隐马尔可夫模型等方法，并在供应链、商业、交通等领域取得了扎实的工业成果。后来，随着语言数据驱动的大模型兴起，AI这个旧词重新流行，但他认为这对研究方向、商业模式和技术判断都产生了扭曲效应。

Jordan介绍自己新论文的核心观点：智能不是孤立个体脑内的神秘属性，而是深植于社会互动、文化积累与制度安排中的集体现象。他批评一些自称AI研究者的人并没有清晰的社会目标，只是默认“复制人脑计算”就会自动带来好结果。与之相对，他强调人类是社会动物，许多智能来自意见汇聚、文化传承和情境中的协作。这里社会科学尤其是经济学至关重要，因为现实中的智能行动总是在合作、竞争、信号传递和机制设计中展开。所谓“collectivist”，既指大模型依赖数十亿人的输入训练，也指其目标往往是服务数十亿人，因此需要把潜在网络、参与者角色和可操作的数学机制明确写出来，而不是停留在口号层面。

针对“这些系统这么惊艳，为何并没有真正帮助我们很多”的提问，Jordan认为这并不奇怪，因为背后的想象仍是老式AI逻辑：先造出一个聪明实体，它自然会解决问题。他承认搜索引擎是巨大进步，但把大模型做成一个时时刻刻在耳边低语的“秘书”，在他看来并不是好商业模式，用户未必愿意长期依赖。相较之下，医疗、交通、金融等本就存在海量数据流与多主体互动的系统，才更值得用机器学习加经济学的方式去改造。关键不只是让模型输出答案，而是理解各类代理人想获得什么、如何在合作与竞争中创造价值、改进市场机制，并产生工作机会、创造力与新的经济活动。

面对“把LLM变成多代理系统，就能免费获得经济学结构”的观点，Jordan明确反对这种工程思路。他用早期化工工程作类比：如果只是把很多东西扔进锅里让它运转，结果往往是爆炸、低效和伤害。他指出，技术界已经很少认真讨论平台对青少年心理健康、就业冲击等现实代价，却又轻率地宣称新技术会像以往一样自动创造新工作。他认为问题首先应回到目标：究竟是要造一个炫目的智能体，还是要构建一种新型市场，让人的才能被评价、需求被撮合、生产者和消费者关系得以发展，并由人和计算共同完成。与过去工程学科依赖清晰原理不同，当下很多AI建设更像凭直觉编码和讲科幻故事，缺乏深层概念框架。

谈到“机械可解释性”时，Jordan的立场比简单否定更细致。他认为，建造我们并不完全理解的系统本身并非坏事，人类彼此也无法彻底解释每天所有选择；真正重要的是系统在互动中的可预测性，以及我们能否围绕它建立不伤人、能产生价值的规则与接口。这种思路更接近经济学：不要求洞悉所有内部原因，而是依赖可量化的经验规律来组织交互。与此同时，他强调对某些关键决策仍需要更好的输入输出层解释。例如银行若用大型AI系统拒绝贷款，用户需要知道“为什么”，但这种解释不应是展示内部电路，而应以相似案例、比较群体和可理解差异的方式说明决策依据，让人能够申诉、理解和调整。