決策、市場與 AI 的邊界

從化學工程、電機工程的歷史類比開場，主張現在發生的事是一門還沒定型的新興工程學科，不是「智能」本身。

以 Neuralink 為例，直言在人類連大腦怎麼運作都不懂的情況下，深度理解語言、意識這類目標「不屬於這個世紀」。

他拒絕把機器學習窄化成模式辨識，主張真正的核心是「在不確定下，大規模地做決策」。

兩人多年的差異不在原則，而在比重：LeCun 重預測，他認為決策、風險評估同樣重要，舉了不會只信任神經網路診斷心臟病的例子。

用獨立音樂人「作品被大量聆聽卻拿不到錢」的處境說明，串流平台建立的只是內容管道，沒有建立創作者與聽眾之間的真正市場。

以早年 Amazon 的書籍推薦為例，肯定好的推薦系統能幫人從同儕那裡學到東西，但坦言餐廳、衣服這類推薦仍是很難的問題。

他認為 Facebook、Google 的問題根源不是演算法不夠聰明，而是獲利模式完全綁在廣告點擊率上，才會一路帶向假新聞。

轉而替廣告辯護——一支願意砸錢打廣告的產品，本身就是一種「這家公司相信自己產品」的信號，完全沒有廣告的世界也不是好事。

他說讓人不安的不是「資料被知道」，而是知道的一方並不是因為在乎你才知道；並提到 Microsoft 在 Satya Nadella 之下正試著轉型成「值得信任的老長輩」。

他不希望被演算法從瀏覽紀錄「猜透」，而是希望平台提供機會讓人撞見自己都不知道會喜歡的東西，例如街上偶然聽到的智利音樂。

隱私不是有沒有資料的是非題，而是個人對「誰知道我什麼、為什麼知道」該有多少掌控權；他認為這需要像電機安全規範一樣的一整套新工程體系，得花數十年才能建立起來。

他認為人性根本上是好的，但認知能力有限——看不見別人的痛苦與觀點，很多衝突源自誤解；他仍對技術能不能幫人打開視野抱持希望，只是至今沒看到證據。

他認為個人與社會的複雜度遠超過最佳化數學能處理的範圍；轉向討論賽局理論裡的鞍點與均衡——Nash 均衡是雙方同時決策，Stackelberg 均衡則是先動的一方能預期對手的反應。

他談深度學習的損失曲面為何相對平滑好找、隨機性為何反而有幫助，並特別推崇 Nesterov 加速——一個會先「往回走」卻收斂更快的反直覺演算法。

他把統計學定位在數學、科學與工程之間，解釋貝氏與頻率學派就像波粒二象性一樣「兩套都對但意義不同」，並談到 James-Stein 估計與 false discovery rate 是這個領域最違反直覺的想法。

他主張不該只從人類角度定義智能——把貨物送進城市的市場是一組分散式決策，從小村落擴張到大城市、運作了幾千年而且風雨無阻；他並說如果只研究人腦幾千年，可能永遠發現不了供需這類市場原理。

給年輕人的建議是把研究所當成一個需要投入時間、保持謙遜的學徒歷程，這個領域比外界想像的更合作、也更國際化。

他談到年少時在堪薩斯自學法文、後來因為身邊義大利同事而學了義大利文的故事，坦言這輩子最想投入卻沒走的方向，是真正理解自然語言。