KeyFrame內部研究專用

EP138 | The Economist: AI Labs Are Hiring "Philosophers" in Droves! — Feature: American College S...

早安財經·6月30日週二·23 min中文

三句話摘要

美國AI產業面臨三大轉折:資料中心本地反對浪潮、大學生學業能力崩壞,以及AI公司對哲學家的緊急需求。 風水輪流轉,冷門的哲學系因AI倫理需求翻身,而傳統熱門的電腦科學卻面臨就業困難。 美國AI正陷入"腹背受敵"困境。前有本土民眾反對資料中心的環保汙染,這場全國性運動由零星抗議升級為制度性禁令;後有中國等對手緊追,導致戰略發展受阻。本地反對的合理性不容否認,但若持續惡化將削弱美國AI競爭力。

重點整理

重點
  • 1

    美國AI正陷入"腹背受敵"困境。前有本土民眾反對資料中心的環保汙染,這場全國性運動由零星抗議升級為制度性禁令;後有中國等對手緊追,導致戰略發展受阻。本地反對的合理性不容否認,但若持續惡化將削弱美國AI競爭力。

  • 2

    美國教育嚴重兩極分化。頂尖學生研究AI與量子物理,底層學生基礎崩壞——根本原因是"放水"(高分低能)、社交媒體侵蝕學習時間(讀書比率從1990年代的60%跌至37%),以及疫情中斷。缺乏精確資料的盲目評價導致政治人物和公眾各取所需地歪曲現象。

  • 3

    哲學成為AI開發的核心學科。AI需要學會"蘇格拉底式提問"——對使用者想法進行有益質疑而非盲目讚美;需要學會"蘇格拉底式無知"——承認自己的不足而非編造資料。工程師教AI怎麼做,哲學家教AI應不應該做。

實用技巧與重點

乾貨
  • 資料中心反對資料:
  • 2025年12月反對率:48%;2026年5月反對率:70%
  • 全美69個郡市頒佈暫停令
  • 近1000億美元投資停滯
  • Wisconsin Port Washington公投(2026年4月7日):66%支援率要求資料中心需經選民同意
  • 馬斯克XAI資料中心(Memphis)因空氣汙染被訴
  • Google撤回印第安娜州計劃
  • 大學生學業衰退資料:
  • UC Berkeley:積分班20-30%學生數學程度為初中水準
  • UC San Diego:不及高中水平學生5年內增加30倍;每8個新生中1個數學未達高中水平;70%低水平學生甚至低於14歲兒童標準
  • OECD 2024年調查(16萬樣本):10%大學生讀寫和計算能力僅等於正常10歲兒童
  • 美國:每7個大學生中1個只有小學讀寫水平;每5箇中1個數學為小學水平
  • 耶魯大學2022-2023學年:80%學生成績為A或A+
  • 1990年代美國兒童閱讀比率:60%;現在:37%
  • UC San Diego補課學生中:每4個就有1個高中數學滿分
  • AI與哲學資料:
  • 2024年電腦科學專業失業率:7%;哲學系失業率:5%
  • 紐約聯準會資料(2026年初):哲學系畢業生就業率高於資工系
  • 訓練方法:蘇格拉底式提問法
  • 業界領袖:Seven Hack(自動駕駛AI安全公司執行長)

結論

結論

風水輪流轉,冷門的哲學系因AI倫理需求翻身,而傳統熱門的電腦科學卻面臨就業困難。

完整解析

詳細

經濟學人本期特別報道揭示了美國AI產業正面臨一場完美風暴。首先是本土的"前有敵人"困境——民眾對AI資料中心的反對已從零星抗議演變為全國性社會運動。短短五個月內,反對率從48%激增至70%。這不是簡單的鄰避效應,而是有組織的制度抵抗:全美已有69個郡市頒佈暫停令,Wisconsin州Port Washington甚至透過公投以66%的壓倒性支援率規定資料中心需經選民批准。結果是近1000億美元的投資專案陷入停滯,連馬斯克的XAI和Google這樣的巨頭也因環保壓力而專案擱淺。經濟學人警告這很可能只是序幕,更嚴重的反彈會危及美國整體AI戰略——尤其當後方有中國等強敵緊追時。

與此同時,美國教育系統暴露了更深層的危機。頂校新生的基礎能力呈災難性衰退。UC Berkeley教授們發表公開信指出,積分班20-30%的學生數學能力停留在初中。UC San Diego的報告更令人震驚:過去五年間需要補課的學生增加了30倍,現在每8個新生中就有1個數學未達高中水平,其中70%甚至低於正常14歲兒童。文學系教授驚呼學生無法完成整部書籍閱讀。OECD對16萬人的最新調查顯示約10%的大學生在讀寫和計算上僅相當於10歲兒童水準。美國情況最糟,每7個大學生中1個只有小學讀寫能力,每5箇中1個數學停留在小學。

這種兩極分化令人瞠目。頂尖學生研究AI、太空和量子物理,而底層學生已爛到教授必須發表公開信的程度。根本原因多重:疫情造成中斷,但衰退早已開始。關鍵是系統性"放水"——明知學生能力不足卻不斷提升成績。耶魯2022-2023學年80%學生得A或A+。更詭異的是,那些需要補課的學生中每4個就有1個高中時數學滿分。此外社交媒體侵蝕學習——1990年代60%兒童為興趣閱讀,現在僅37%。經濟學人強調,缺乏精確資料導致盲目評價,政治人物和公眾各取所需地扭曲現象,問題因此惡化。

教育危機帶來意外轉變。傳統上電腦科學畢業生最搶手,但2024年資料顯示電腦科學失業率7%而哲學系僅5%。紐約聯準會甚至顯示哲學系就業率超過資工系。原因很簡單:AI公司急需哲學家。這不是追求古老思想本身,而是AI開發遭遇深刻的倫理困境。現今AI太順從、太討好使用者——給創業想法盲目讚美而非質疑。AI公司採用"蘇格拉底式提問"訓練,讓AI學會反問。同樣AI存在"幻覺"問題,編造不存在的資料和法條。哲學家訓練AI學會"蘇格拉底式的無知",承認自己的不足。

更深層的倫理困境在自動駕駛中體現。剎車失靈時在撞死5人和1人間選擇,大多人選後者。但若5人是死刑犯而1人是傑出科學家呢?這類問題AI公司每天都在思考。自動駕駛公司執行長警告,未來必然出現倫理訴訟——為什麼AI系統為躲避某人而撞死你的狗?這就是為什麼需要哲學家:工程師教AI怎麼做,哲學家教AI應不應該做。使用者未來選AI時不僅看能力,還要看道德與價值觀契合度。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。