李飛飛最怕的那件事，你或你孩子應該經常在做

兩個小時的訪談，她說自己最放心不下的，是工具太順手之後，年輕一代連“卡住”的耐心都不要了。大腦學習需要時間，需要挫折，需要那種解不出來、抓耳撓腮、第二天突然想通的笨拙過程。AI把這段過程壓縮成一次回車鍵，她怕的是動機本身被抽走。

答案秒出。

少兒編程課上，不止一個孩子在循環嵌套搭到第三層時抬頭問我，能不能直接給答案，反正讓AI寫也一樣。既然結果可以秒出，爲什麼要在這裏耗四十分鐘——這道效率計算他們算得很清楚。李飛飛在節目裏講的學習動機被工具奪走，落到我面前就是這張仰起來的臉。

這不對。

她的擔憂要放回她講視覺演化的那條線裏纔好懂。五億四千萬年前，簡單海洋動物第一次感光，大約一千萬年後就是寒武紀大爆發。到今天，人腦差不多一半的皮層活動跟視覺處理有關。這條几億年磨出來的通路，對照的是AI用另一種方式“看”世界。ImageNet收了一千五百萬張圖像。人類在這個一千類任務上的識別錯誤率大概在百分之四，這是基線。2012年，神經網絡把機器錯誤率壓到百分之十幾，研究圈當時就知道這是拐點。到2016年，算法命名一千種物體頭一回超過人類。她總結那個突破的公式——更好的網絡算法、海量數據集、GPU算力，三樣東西恰好湊到了一起。

李飛飛 × Huberman Lab 訪談節目（2026-08-10）

以下引語據訪談公開整理，非逐字轉錄。緊接着她把話翻過來：AI是從互聯網上啃統計模式長大的。它沒見過你昨晚失眠時盯着天花板的情緒，沒有你奶奶廚房的氣味，沒有一隻舊杯子突然喚起的那整段下午。人類的小樣本學習機制，到今天科學界也沒徹底搞清楚——一個孩子見過三隻貓就能認出貓尾巴，目前還沒有數據集能復刻這件事。她的原話整理下來是：“不在於深不深，在於數據可不可及。”這是人剩下的那塊地方，也是她說“AI增強能動性”的底氣——你擁有當前AI拿不到的那部分經驗，問題只在於你**不願意調動它。

聊到教育，訪談中她的說法是：“人類歷史上最頂尖的提示工程師是蘇格拉底。”詰問法的底子就是層層追問，把一個模糊的大問題拆成對方沒法迴避的小問題。她希望提示詞教育從幼兒園就開始——她的說法是，提示詞起決定性作用；在我看來，提問能力就是思考能力，而這是AI沒法替你長出來的肌肉。一刀切地禁止，她認爲同樣不可取；我自己聽到這兒，想到的是當年禁止計算器那一輪。但放任不管，就是把孩子一個人扔在一個只會給答案的機器面前。

2022年ChatGPT上線後，她做了一件很不像論文作者的事——主動給小學校長髮郵件，提出進校做分享，重點對象是教師與家長。技術已經進了孩子的書包，大人如果還在原地焦慮，孩子就只能自己摸索，而摸索的方向往往是“怎麼讓AI幫我少寫作業”。幫扶大人，才能接住小孩。

關於AI到底能不能替代人的判斷力，她用了幾組案例劃邊界。AlphaGo第三十七手，她認可那是一種“特殊創造力”，前提是圍棋有清晰的數學規則；換到解法還沒被髮明的開放難題，她的判斷偏向猜測：得人和AI並肩工作。她在節目裏提到，Huberman靠AI分清了一次症狀究竟是眩暈還是低血壓，此前連耳鼻喉科專家都判錯了方向。她也提到自己父親做肝臟手術時用了達芬奇機器人輔助，失血量比典型手術少很多（她在節目裏說的是少十倍）。但她加了限定：肝臟個體差異極大，數據稀缺的領域裏，醫生親手操控仍然優於讓機器自主執刀。

她2024年創立World Labs做空間智能，落點在老年護理、醫院物流、野火響應、無障礙——扶不扶、走不走、撤不撤，最後一步還是人的。她的治理立場只有一句——不能只讓少數科技企業替整個社會做決定……

下節課那個循環嵌套搭到第三層的孩子再抬頭，我打算忍住不把答案遞過去，蹲下來問一句：“第二層跑了幾次？那第三層跟着跑幾次？你數數看。”蘇格拉底式的提示，要害就在這件事——忍住不給答案，把問題彈回去。

如果你家裏有一個已經開始用AI寫作業、用AI畫畫、用AI回答所有“爲什麼”的小孩，今晚可以試一件事。他下次拿AI生成的結果給你看，別評價好不好。問他：“你當時是怎麼問的，換一種問法它會給你不一樣的東西嗎？”把對話從“看結果”拽回“看提問”。這個動作不需要任何教育學背景，不需要報班，不需要等學校開一門“AI素養課”。它只需要你在場，並且忍住不替他把問題問完。

一句話，夠用了。

李飛飛說大腦學習需要挫折。大人陪着孩子一起被一個prompt卡住、一起改三遍措辭、一起發現換個角度問就通了——她講的能動性，大概就是這個畫面。工具不會消失。今晚那個舉着AI生成結果跑過來的小孩，等的就是這一下追問。