MIT教授揭示人類與AI智能共通秘密

理解人類智慧的細微差別

麻省理工學院（MIT）電機工程與計算機科學系副教授Phillip Isola，致力研究智能機器如何「思考」，希望能安全地將人工智能（AI）融入人類社會。

Isola的研究核心在於從計算角度探討人類般智慧的基本機制。他特別關注電腦視覺和機器學習領域，探索人工智能模型如何產生智慧、如何學習表徵周遭世界，以及這些模型的「大腦」與人類大腦有何共通之處。

他說：「我認為各種不同的智能都有很多共通點，我想了解這些共通點。所有動物、人類和AI到底有什麼共同之處？」Isola同時也是MIT計算機科學與人工智能實驗室（CSAIL）的成員。

他相信，深入科學理解AI所擁有的智慧，能幫助社會更安全有效地整合這些系統，發揮AI最大助益。

從好奇心出發的求知路

Isola從小在舊金山成長，經常與父親沿著北加州海岸遠足或露營，對地質過程充滿好奇，經常思考自然世界的運作原理。學校裡，他對數學和科學等理工科目特別感興趣，對學習充滿無限渴望。

大學時期，他在耶魯大學試探不同領域，最終選擇了認知科學。他說：「我早期的興趣是自然——世界如何運作。但後來我發現大腦更加有趣，比行星形成還複雜。現在，我想知道是什麼驅動我們。」

大一時，他開始在認知科學教授Brian Scholl的實驗室工作，並一直待到本科畢業。之後，他曾在一家獨立遊戲公司工作一年，隨即進入MIT腦與認知科學研究所攻讀研究生學位。

Isola表示：「研究生階段讓我找到真正的歸屬感。我在耶魯和過去的人生階段都獲得了很棒的經歷，但來到MIT後，我知道這才是我熱愛的工作，這裡的人也和我想法相近。」

他感謝他的博士導師Ted Adelson教授，Adelson專注於理解基本原理，而非只追求工程上的新標竿，這對Isola影響深遠。

轉向計算視角

在MIT期間，Isola的研究逐漸偏向計算機科學和人工智能。他說：「我依然熱愛認知科學裡的問題，但我覺得如果從純計算角度切入，能更快取得進展。」

他的博士論文聚焦於「知覺分組」——人類和機器如何將圖像中分散的部分組合成單一、連貫的物體。如果機器可以自動學會這種分組，AI系統將能無需人工標註而識別物件，這在自動駕駛、醫療影像、機器人技術和自動語言翻譯等領域有廣泛應用。

畢業後，他在加州大學柏克萊分校完成博士後研究，專注計算機科學，平衡基礎智慧原理與具體性能指標的追求。在柏克萊，他開發了影像轉換框架，能將素描轉成照片，或將黑白照轉成彩色照片，這是生成式AI的早期形式。

隨後，他接受MIT教職，但先推遲一年，加入當時規模不大的OpenAI，這是一家非營利組織，專注強化學習。他喜歡這裡的理想主義使命和科研自由，但一年後，他回到MIT創立自己的研究團隊。

探索人類般智慧的本質

Isola熱愛研究初期的構想階段，形容自己像創業孵化器，不斷嘗試和學習。他的團隊致力於揭示機器中人類般智慧的基本計算過程，尤其專注於「表徵學習」——人類與機器如何表徵和感知周圍的感官世界。

近期研究發現，無論是大型語言模型（LLM）、視覺模型還是音頻模型，這些不同任務的機器學習模型在內部表徵上有許多相似之處。隨著模型規模變大、訓練數據增多，它們的內部結構越來越接近。

基於此，Isola提出了「柏拉圖表徵假說」（Platonic Representation Hypothesis），認為所有模型學到的表徵正在趨向一種共享的、基於現實世界的底層表徵。他解釋：「語言、圖像、聲音——這些都是牆上不同的影子，透過它們可以推斷存在某種底層的物理過程和因果現實。如果用不同類型的數據訓練模型，最終它們應該會趨同到那個世界模型。」

另一個研究重點是「自監督學習」，即AI模型在沒有標注數據的情況下，學會將圖像中的相關像素或句子中的詞語分組。由於數據標註昂貴且有限，這種方法有助模型自主構建準確的內部世界表徵，從而提升後續問題解決能力。

Isola強調，他的研究更注重發現新奇意外的真理，而非單純追求最新的機器學習性能指標。這種高風險高回報的探索，有時難以保持團隊方向一致和資金支持，但偶爾會取得驚喜的突破。

此外，他熱衷於培養下一代科學家和工程師，最喜歡教的課程是4年前創立的「深度學習」（6.7960），學生人數從最初30人激增到今年超過700人。對學生，他提醒要理性看待AI的熱潮，因為領域發展迅速，很多所謂重大進展仍處於知識前沿，未來可能改變現有觀點。

他也強調，儘管AI模型引起廣泛關注，但智能機器遠比大眾想像的簡單：「人類的創造力、情感，很多人認為這些永遠無法被模擬。這或許是真的，但我認為智慧本質上相當簡單，只要我們理解它。」

雖然目前專注深度學習模型，Isola仍對人類大腦的複雜性充滿興趣，並持續與認知科學研究者合作。他也依然熱愛自然，喜歡遠足、滑雪、皮划艇，並在科學會議旅途中尋找美景放鬆。

談及未來，他相信通用人工智慧（AGI）——即機器能像人類一樣學習並應用知識的時代——已指日可待。他說：「我不認為AI會替我們做所有事，然後我們就去海灘享受生活。我相信人類和智能機器會共存，人類仍有很大自主權和控制力。現在我在思考一旦那天來臨，有哪些有趣的問題和應用。我怎麼能幫助世界迎接後AGI時代？我暫時沒有答案，但這一直在我腦海中。」

—

評論與啟示

Phillip Isola的研究軌跡，從對自然界的好奇到深耕人工智能，展現了跨領域思維的力量。他不僅追求工程層面的突破，更注重從根本原理理解智能的本質，這是AI領域亟需的視角。面對AI快速發展的浪潮，他提醒我們保持科學謹慎，避免過度炒作，這對香港這樣既渴望科技創新又須嚴謹審視風險的城市尤為重要。

Isola提出的「柏拉圖表徵假說」為理解多模態AI模型的統一性提供了新思路，這不僅有助於AI技術的整合發展，也啟發我們反思人類知覺如何從不同感官獲取的信息中建構世界模型。這種跨領域的橋樑，對推動AI與認知科學的融合極具價值。

他對自監督學習的重視，點出了未來AI發展的關鍵——在有限標註資源下自主學習，這對香港培育AI人才和推動本地產業升級有重要啟示。政府與企業應重視基礎研究和人才培養，支持此類高風險高回報的探索。

最後，Isola對AGI未來的謹慎樂觀態度，提醒我們技術進步並非人類失控的末日，而是智能機器與人類共存的新篇章。這對香港社會如何制定AI倫理規範、教育政策、產業策略提供了前瞻視角，強調人類主導與機器輔助的共生關係，值得我們深思與借鑑。

以上文章由特價GPT API KEY所翻譯及撰寫。而圖片則由FLUX根據內容自動生成。