Horvitz在AI领域的资历很难用一两行概括。他1990年在斯坦福拿到博士学位，同时拥有MD学位，在微软工作超过30年，是公司史上第一位首席科学官。他创立了斯坦福"AI百年研究"（AI100）项目和AI指数，联合创办了Partnership on AI。就在这场对话的几天前，他刚刚加入美国决策教育联盟（Alliance for Decision Education）的董事会，就任致辞里他说的话是："决策卓越是人类繁荣的核心，尤其在一个被技术快速塑造的世界。"这句话基本可以当作他40年职业生涯的注脚。
更值得关注的时间点是：就在对话两天前的2月19日，微软刚刚发布了一份54页的媒体完整性与认证报告，由Horvitz领导的LASER（Longer-term AI Safety in Engineering and Research，长期AI安全工程与研究）项目主导，专门研究深度伪造的技术攻防。在这个AI时代，原则上，我们能在屏幕上看到的任何东西都可能是伪造的。所以对判断力的要求无上限提高了。
然后，继续喊一下，有兴趣进读者群的朋友（虽然还没建），先加小伙伴微信哈：rohanjojo。
1. "700年后回看，这个时代会有名字"
Horvitz被问到如果20年后回看今天，这个时期会被怎样记住。他的回答出人意料——他说自己经常想象的是700年后，而非20年后。
"这会是历史书上的一个命名时代，有插图，有注释，有一个名字。虽然我还不确定叫什么。"
他没有具体说可以类比哪个已知的时代。但我算了一下，700年前恰好是14世纪中叶，文艺复兴的起点。按他的说法，我们正在经历的这场变革，在历史坐标上大致可以和文艺复兴相提并论吧。文艺复兴的催化剂是古腾堡印刷术——它本身不产生新知识，但让知识的复制和传播成本骤降，打破了教会和大学对信息的垄断。今天大语言模型的角色与此类似：它不创造新的物理定律，但我们正通过模型，将人类既有的知识进行二次挖掘，让认知劳动的成本结构发生根本变化。
不过Horvitz很快把话题拉回地面。他说即便20年后回看，我们仍然处于"早期部署、早期实施"阶段。他的逻辑链是这样的：蒸汽机1769年左右出现第一台可用原型，真正改变工业面貌是100年后的事；电力从1880年代开始商用，渗透到生产端又花了数十年。"好吧，AI可能比蒸汽机或电力快——毕竟我们已经通电了。"他开了个玩笑，但话锋一转认真起来："20年后我们仍然会处于相当快速的变革当中，不会收敛。"
但蒸汽和电力的类比有一个根本性的局限。他后来在回答一位MBA学生关于投资节奏的问题时点明了这一点：蒸汽和电力作为底层技术相对稳定——蒸汽机发明之后，蒸汽的物理原理不会变，变化的只是你怎么用它。AI完全不同。今年的模型和去年的模型能力差距巨大，明年又会跳一级。你还没搞清楚怎么用当前的AI，它自己就变了。
被问到"钱该不该投"，他很直接："投。会有失望，也会有大赢。"但他也坦言担心出现Gartner炒作周期（hype cycle，指新技术从狂热到幻灭再到理性回归的典型曲线）式的"过早退缩和失望"——整个行业情绪过热之后，集体退缩，本来可以结果的项目也被砍掉。他判断"火堆里有足够的余烬"，能维持适当的投资水平继续前进。蛋白质设计、材料科学、医疗转写这些领域已经产出了足够真实的成果，不至于让火完全熄灭。
还有一点他特别提到：和蒸汽机、电力时代不同的是，今天围绕AI的"治理焦虑"史无前例。蒸汽机时代没有人坐在会场里讨论新技术的伦理影响，甚至飞机发明的时候也没有太多人在想"我们需不需要规范从飞机上扔燃烧弹这件事"。而今天，台下坐满了关心AI走向的听众。Horvitz说这种广泛的讨论"令人暖心"（heartwarming），这些焦虑和辩论本身就是这个历史时期最独特的特征之一。
2. "AI落地翻译官"是一个好工作
Horvitz给学生的建议非常具体，远超"去学AI"这种笼统的说法。
在给建议之前，他先纠正了一个普遍的认知偏差。他说1990年在斯坦福读博的时候，AI在他眼里是一幅"丰富的织锦，一个技术星座（a rich tapestry, a constellation of technologies）"。虽然深度神经网络带来了某种表面上的同质化，好像AI就等于大语言模型，但他强调这个领域未来只会更加分化。"不要只想着Claude或ChatGPT或Gemini怎么用这个用那个，要更深入地了解技术本身，去发现深度思考、决策、管理、监督和创造力方面的机会。"只盯着聊天机器人看，你会错过整片森林。
然后他描述了一类正在崛起的公司——可以叫它们"AI落地翻译官"。这些创业公司做的事情是：深入某个行业，拿到真实的数据和业务流程，观察哪些环节AI已经产生了正向效果（他的原话是early sparks of positive gain，最初的正向火花），哪些环节遭到了排斥（repulsion，被业务方抵制），然后把这些洞察沉淀为行业专用的数据集和微调模型，让通用AI系统能够在非常具体的行业场景中工作。
"这是一个巨大的转型需求，需要你真正深入理解某个具体领域，然后搞明白怎么做应用——而这些应用只是长期变革中很小的一块。"
这个观察和微软自己的战略方向也吻合。微软研究院2025年底开源了Magentic Marketplace模拟环境，专门研究AI agent在真实市场中如何交互、谈判和协作。2026年1月底，微软团队在Communications of the ACM上发表了一篇关于"开放式agent经济"（open agentic economy）的论文，描述了一个未来场景：每个人和每家企业都有自己的AI智能体，智能体之间在开放市场上代为采购、谈判、签约。论文团队的担忧是，如果不尽早推动开放标准，几家大平台会形成"围墙花园"（walled garden，封闭生态），把所有智能体交互锁在自己的平台里。
所以Horvitz给学生的建议链条很清晰：找到你的热情 → 在那个领域深耕 → 思考AI的相关性 → 跨学科扩展视野 → 去看那些正在超越炒作、真正做整合和应用的人。
他同时强调了另一层能力：不是光问"AI能做什么"，还要问"AI应该做什么"。在组织里推行AI，你需要理解什么该做、什么不该做、如何负责任地落地。这是领导力的问题，不是技术问题。
他对稀缺人才画像的描述值得记住原话的精神：带着人工智能知识和管理与商业技能来到谈判桌前的人，将获得溢价。这里说的溢价，重点在于理解技术边界的前提下，能做好洞察、决策和流程再造，而不是自己去训练模型。
3. 好奇心、诺贝尔奖得主和姐姐的质问
这场对话中最生动的部分来自Horvitz谈人机协作。他在分享具体经历，每一个都很有画面感。
先说一个概念：可行性边界（edge of doability）。这是他在微软研究院当主管时反复问团队的一个问题——"你们真的在可行性的边界上工作吗？"意思是：你做的事情，在几个月前还会被认为不可能，甚至不会有人去想。只有在那个边界上工作，才有可能产出真正重要的成果。
他发现大语言模型在被推到这个边界时反而表现特别好。原话是这样的："人们总说早期这些工具会'幻觉'（hallucinate）。没错，它们是随机引擎（stochastic engines），确实会这样。我们也在努力确保在医疗这样的高风险决策场景中不会造成伤害。但当你用这些工具来写小说，或者想象什么是可能的——我跟诺贝尔物理学奖得主一起坐下来用过这些系统——在前沿地带，你以为它在幻觉的地方，其实我们是在把它推到未知空间。我们说：用你的随机引擎帮我们探索，我们人类来当过滤器。我们有审美判断，有领域理解，有方向感。"
这段话的关键在于角色分配：AI负责在可能性空间里大范围扫描，人负责判断、筛选和引导方向。今天人们学会用各种AI工具来prompt，本质上就是在学当驾驶员——带着非常人性化的目标、偏好、好奇心来使用系统，让系统为你引入新的效率、新的模拟能力、新的可能性空间。
但话题随即转向了硬币的另一面。Horvitz的姐姐是UNC Asheville的文学教授。2023年2月GPT发布后，那年感恩节她带着怒气回家，双手叉腰质问他："你对我的学生做了什么？"
无论她怎么强调，大一学生就是直接用AI写作文，不再深度思考。Horvitz认同她的判断：学习写作，很可能就是学习思考的一个关键组成部分。当你绕过写作直接拿到结果，你也绕过了思考过程本身。
这引出了他对下一代AI工具的设计方向：不能只依赖人类自己保持批判性思维——这太脆弱了。工具本身应该被设计成"理解人类目标"的，知道什么时候该站出来辅助，什么时候该退后让人自己想。他用了一个短语：celebrating and nurturing the human（庆祝和培育人的独特性）——这应该是工具设计的终极目标。
这两个故事放在一起看，Horvitz对人机协作的立场就很清晰了：AI最强大的用法是把人推到能力的边界之外，但前提是人保持在驾驶席上。如果工具让人变懒了，那就是工具的设计出了问题，不能只怪使用者。
4. 五个关于人类福祉的具体预测
Sarah Soule问Horvitz，AI能否真正增进人类福祉。他的回答从"宇宙级视角"开始，一路收窄到具体时间表。
语言级别的意义。 他在密歇根大学做Tanner讲座时提出过一个判断：AI技术在数千年到数万年的尺度上，可能具有类似语言的历史意义。语言让人类从小群体狩猎采集者变成了能进行深度集体思考的文明——**"它是给了我们文明的秘密工具。"**他认为AI可能在很长的时间跨度里扮演类似角色。
顺便说一句，他更愿意把这个领域叫"计算智能"（computational intelligence）而非"人工智能"（artificial intelligence），因为"计算智能同样适用于生物神经系统和机器，合在一起我们可以走得更远。"这个措辞的差异很重要——如果你接受"计算智能"这个框架，人脑和AI就处在同一频谱上的不同位置，天然是协作关系。
然后他收窄到了具体预测：
神经退行性疾病将在我们有生之年迎来AI驱动的突破。 他明确说了阿尔茨海默症、ALS、FTD（额颞叶痴呆）这几个名字，认为至少一种以上会在我们活着的时候出现基于AI洞察和疗法的重大进展。
多种癌症在未来十年变成慢性病或被治愈。 "我希望在未来十年内，看到多种癌症变成人们所知的慢性病，或者被治愈。"他的信心来源：我们现在能设计分子、设计蛋白质、更好地理解生物网络——这些在没有AI工具之前是不可能的。
教育的个性化突破。 他举了一个特别贴近每个人经历的例子：我们都曾遇到过某个让自己卡住的数学题，可能正因为那个题从此远离了数学。AI辅导系统能做到的是——根据你具体在哪里卡住，用个性化的方式把你带过去。"帮我突破那个曾经把我推开的点，用新的方式带我前进。"这种系统同样能帮劳动力在快速变化的就业环境中重新学习技能。
人际和国际沟通的改善。 这个预测更有前瞻性。他认为AI系统可以帮人们更好地沟通、理清观点、把双方的诉求结构化地呈现出来。从个人层面到国家层面，他期望看到"一场关于我们为什么在这里的文艺复兴——优化目标、促进共情。"
他随后点了几个已经落地的领域名称——材料科学、生物与医疗、教育、各行业生产效率——然后做了一个总括："这些优化、整合、证据收集与综合、专业化、泛化、涌现概念的工具，将改变一切。"
5. 深度伪造：一场攻防战的十年演进
2015年前后，Horvitz看到斯坦福计算机系团队的一个demo：用AI生成一段政客的视频，让这个政客说出他从未说过的话——嘴型、表情、声音全部以假乱真。当时是实验室里的"酷炫演示"，论文级别的技术突破，谁都没太当回事。Horvitz做了一场演讲，说这东西一旦普及会怎样。九年后的今天，一切应验。
他在微软内部推动的解决思路，用一个比喻就能理解：给内容"盖蜡章"。
问题的本质是：你在网上看到一张照片或一段视频，怎么知道它是真实拍摄的，还是AI生成的？Horvitz给微软团队出了一道题——能不能建立一套系统，让相机拍下的内容从拍摄那一刻起就带上一个密码学签名，一路传递到你的屏幕上时可以验证"这个签名没被动过"？就像古代用蜡封信件，收信人看到蜡封完好就知道信没被拆过。
这个思路催生了C2PA内容凭证标准（Coalition for Content Provenance and Authenticity）。微软在2021年与Adobe、BBC、Intel等机构联合发起了这个标准组织，目前所有大型科技公司和主要相机厂商都已加入。C2PA做的就是数字版的蜡封——相机和麦克风在捕获内容时盖上密码学的"蜡章"，传播链上的每一步都可以验证蜡章是否完好。
好方案出来了之后，Horvitz做的下一件事不是庆祝，而是让内部团队攻击自己。
2026年2月19日——也就是这场对话的五天前——微软发布了一份54页的媒体完整性与认证报告，核心内容就是他要求团队做红队攻击（red teaming，让自己人扮演攻击者找漏洞）的成果。
核心发现是：蜡章可以被反向利用。比如一张真实的新闻照片——底特律的人群在迎接Kamala Harris——有人可以通过篡改或剥离蜡章信息，让你怀疑这张真照片其实是AI伪造的。反过来，AI生成的假图也可能被伪装上看似合法的认证。报告的结论是单一技术手段不够，需要把密码学签名和不可见水印（imperceptible watermarking，肉眼看不到但机器能识别的隐藏标记）叠加使用，才能实现较高的可信度。报告测试了60种溯源和水印方法的组合来评估不同方案的脆弱性。
但技术层面解决了，还有一个更难的问题。Horvitz把它叫做"最后一米"——普通人看到认证标记时，真的会去验证吗？真的相信吗？
但还有一个更棘手的反向问题：如果"有认证的内容"成了可信的默认标准，那那些没有C2PA认证的真实内容——比如突发事件现场用普通手机抓拍的视频——会不会反而变得更不可信？这就是报告里提出的"社会技术溯源攻击"（sociotechnical provenance attacks，指利用认证体系来操纵人的判断）的含义：问题不在技术被破解，而在于认证体系本身改变了人们判断真假的方式。
Horvitz在对话的最后分享了一个自己的小实践。他让微软的设计师做了一个图标——一个小圆圈，写着"100% human crafted"（百分百人类手作）——他会贴在自己精心撰写的邮件末尾。他问了台下的听众，有多少人收到过家人用AI写的"精心"贺卡或诗，觉得"不是那个味儿了"？几乎没人举手——但他说，这件事迟早会发生在每个人身上。在一个AI生成内容无处不在的世界里，证明"这确实是一个人在认真对待另一个人"本身变成了一种新需求。
6. AI安全的转折点：从技术问题到社会工程
一位管理科学与工程硕士生问了一个关于AI评估和安全的问题，Horvitz的回答非常精准，而且切入点出人意料。
他说：对于所有围绕大语言模型的狂欢、投资和部署，有一个基本问题我们还没解决——我们不知道怎么对这些模型做概率校准（probabilistic calibration）。翻译成人话就是：当一个AI系统告诉你一个答案时，它不会同时告诉你"我对这个答案有多大把握"。它不会说"我72%确定这是对的"或"我30%确定这是对的"。所有输出看起来都一样自信。
为什么这很重要？因为在任何严肃的决策场景里——医疗、法律、金融、管理——你需要知道一条信息的可靠程度，才能决定怎么用它。如果AI能给出校准过的置信度，我们就能把它的输出纳入成本收益分析，理性地决定多认真地对待每一条建议。没有这个，所有的AI安全讨论都少了一个关键维度。
然后他做了一个更大胆的判断。
他说微软在AI安全方面投入了大量精力——评估指标、安全护栏、内容过滤——都是为了让通用模型在发布后不会产生有害内容。但模型越来越强大，到了某个临界点，生产模型的公司会变得像发电公司一样：你不能要求发电公司保证所有用电场景的安全。你不能因为有人把收音机放在浴缸边上就起诉电力公司。
到那时，安全的重心必须转移——从模型安全转向社会治理。就像我们有了电工资质认证、保险实验室标准（Underwriters Laboratory，美国的产品安全认证机构）、建筑规范，AI也需要一整套行业惯例、执业规范、监管框架和法律。他用了一个很直接的说法："我正在让自己准备好，去帮助完成这个转型。"
关于监管的现状，他的态度也很明确：无论是欧盟的AI法案还是美国各州各自为政的立法，都应该被视为探索过程的一部分，而不是最终定论。现在下的每一个规矩都是实验性的，都需要在实践中调整。
医疗领域是他举的最具体的例子。他在一次美国国家医学院（National Academy of Medicine）会议上分享了一个他称之为"大秘密"的东西：医疗AI模型不可移植。你不能把A医院训练好的模型直接搬到B医院就指望它好用。不同医院的患者构成、数据采集方式、电子病历系统都不一样。这不是新发现——他们在贝叶斯网络时代就踩过这个坑——但很多人今天还在犯同样的错误，以为一个模型在某个榜单上跑分高就可以到处部署。
微软和斯坦福合作开发了MedHELM等医疗AI评估基准，试图建立更系统的衡量方式。但Horvitz强调，对于接下来很多年来说，评估医疗AI的最终手段仍然是随机对照临床试验——跟评估新药一个标准。
最后他讲了一个特别尖锐的分析框架。在医疗AI和自动驾驶领域，你不能只看平均表现就下结论。他拿Tesla举例：有人拿整体统计数据说Tesla让道路更安全。但另一些人马上会指出——"那辆车钻到卡车底下去了，这种灾难性的失败人类司机绝不会犯。"
FDA审查医疗AI时也是这样拆开看的：一边是整体的灵敏度和特异度（平均表现），一边是安全边缘的灾难性故障。社会对后者的容忍度极低。你不能用"平均来看我们更好"来回应一个原本不可能发生的灾难。这些边缘失败必须被单独识别、刻画和解决，不能被均值掩盖。
对话快结束时，Sarah Soule分享了自己的亲身经历：她的医生刚刚用了AI转写工具记录问诊，事后她看到系统生成的笔记里写着她"表现为困惑和神志不清（confused and delirious）"。她立刻联系医生，发现这段内容已经被系统用红色标记了。她开玩笑说："有人在幻觉，但那个人不是我。"
台下笑成一片。但这个真实案例，恰好把Horvitz前面讲的概率校准、边缘失败、模型不可移植全部串了起来。
7. 150个实习生和一个关于人性价值的赌注
对话最后的话题是导师制。
Horvitz在微软指导过超过150名博士级实习生，其中包括后来到斯坦福任教的Yuri Levic和Michael Bernstein等知名学者。他60岁生日时只邀请了历年的实习生，整个房间坐满了人。他看着每一张脸，都能回忆起两个半月的合作项目。"我从他们身上学到的，可能比他们从我身上学到的更多。"他说现在已经有了"孙辈实习生"甚至"曾孙辈实习生"——他带过的实习生成了教授，那些教授的学生又来微软实习了。
这不只是感性的回忆。他是在用自己40年的实践回答一个很多人都在问的问题：在自动化越来越强的世界里，什么是不会贬值的？
他的答案很明确：导师制、手工技艺、人际关怀、创造性协作。
"在我更乐观的时刻，我相信无论AI工具多么强大，人们反而会更加关注什么让我们成为人类。"他预测一个关怀经济（caring economy）的崛起——人与人之间的照护、协作、创造性的联合生产会变得更有价值。他也预期手工技艺和匠人精神会回归，与之相关的学徒制和导师制只会更加重要。
在一次微软举办的Foo Camp讨论中（O'Reilly出品的小型邀请制深度研讨会），主题是"在AI时代保护和培育人类能动性"。每个人分享自己在自动化世界里最看重什么。Horvitz的回答是："我永远珍视指导他人这件事。这是我的产出规则之一。AI不会把它夺走。"
这个回答和他之前让设计师做的"100% human crafted"图标形成了呼应。两件事说的是同一个道理：在AI无处不在的未来，"证明一个人在认真对待另一个人"这件事本身，会变得越来越珍贵。AI当然可以模拟关怀，但当模拟变得太容易，真实的东西反而稀缺了。
55分钟的对话里，Horvitz给出了罕见密度的具体判断：时间线（神经退行性疾病有生之年突破，多种癌症十年内变慢性病），机制短板（概率校准是最大技术缺口，模型不可移植），趋势拐点（模型公司终将变成电力公司，安全重心转向社会治理），个人实践（红队自己的解决方案，100% human crafted图标）。
这些判断之所以有分量，是因为给出判断的人同时理解技术细节和社会影响，而且愿意把自己的信誉押在具体预测上。在一个充斥着"AI将改变一切"或"AI被高估了"两极论调的时代，这种有条件、有时间线、有机制解释的判断，才是真正有用的。
核心问答
Q1: 今天学AI、做AI应用的人，最应该关注什么？别追最新模型，重点是深入一个行业，理解真实业务流程中AI哪里有效、哪里被排斥。把技术理解和管理决策能力结合起来，去做"AI落地翻译官"。这个角色需要深入的行业知识和跨学科视野，在未来十年都会是稀缺的。Horvitz特别警告不要把AI等同于大语言模型——AI是一个丰富的技术星座，聊天机器人只是其中很小的一块。
Q2: 深度伪造问题到底有没有技术解？有方向但没有银弹。微软推动的C2PA标准相当于给内容"盖蜡章"，从拍摄到显示全程可验证。但他们自己刚发布的54页红队报告就证明了蜡章可以被反向利用——让真照片看起来像假的，让假图看起来像真的。真正的出路是多层技术叠加（密码学签名 + 不可见水印），同时还得解决一个更深的问题：当"有认证"成为可信默认标准，那些没有认证的真实内容（比如突发现场的手机抓拍）反而可能变得更不可信。
Q3: 在自动化加速的世界里，什么是不会贬值的人类能力？Horvitz的回答非常明确：导师制、手工技艺、人际关怀、批判性思考、审美判断。他预测"关怀经济"会崛起，人们会更加珍视来自真人的创造和沟通。他自己用的"100% human crafted"图标就是这个趋势的缩影——在AI无处不在的世界里，"证明你是一个人在认真对待另一个人"本身成了一种价值。