# 查爾斯·伊斯貝爾與邁克爾·利特曼：機器學習與教育 > 兩位計算機教授談機器學習如何走進課堂、教學方式的變革，以及人工智慧時代計算機教育的取捨。 - 原標題：#148 – Charles Isbell and Michael Littman: Machine Learning and Education - 期數：第 148 期 - 釋出日期：2020-12-26 - 嘉賓 / 主題：機器學習與教育 - 網頁版：https://lex.qiaomu.ai/tw/ep/charles-isbell-and-michael-littman/ - 官方頁面：https://lexfridman.com/charles-isbell-and-michael-littman/ - 精讀字數：約 10343 字（閱讀約 23 分鐘） > 本文為 lex.qiaomu.ai 基於原始訪談的 AI 改寫中文精讀，非官方翻譯；引用請註明出處並連結網頁版。 在查爾斯·伊斯貝爾（Charles Isbell）的機器學習課上，你把演算法實現對了，得零分。 你沒看錯。作業要求你實現五種演算法，決策樹、支援向量機、Boosting、神經網路之類，寫程式碼的部分他想辦法讓你直接抄。用他本人的話：**“我完全不關心你能不能跑通，你花時間糾結邊界條件怎麼處理、歸一化的時候要不要除以某個數，這些我一點都不想管，所以程式碼你隨便拿。”** 他真正要看的是另外兩件事：你選的這兩個資料集，以及你對結果的分析。資料集得“有意思”，標準很苛刻：它必須能暴露不同演算法之間的差別，而這兩個資料集放在一起，又必須能呈現出不同方向的差別。你還得論證它們為什麼有意思，然後從各種角度把整套實驗分析一遍。 學生一開始會跟他吵。理由聽著也很有道理：演算法不自己碼一遍，怎麼可能真懂？ 查理說這是一種非常“程式設計師”的世界觀，預設不親手把東西寫出來就不算理解。這個觀點有它的道理，但放在機器學習上會跑偏。排序演算法的資料不重要，重要的是演算法結構；機器學習的重點幾乎全在資料上。你一旦陷進程式碼細節，就會錯過資料想告訴你的東西，也會錯過一個更根本的問題：**你本來想問的問題，和你的實驗實際回答的問題，往往是兩回事。** 他把這門課的價值觀講得很清楚：要求學生同時帶上兩個“有意思”的資料集，逼他們感受資料本身的質地，以及資料如何反過來說話。這個教學法聽起來簡單，背後是二十年磨出來的判斷。 而他對學生評價的態度更狠：**不能聽學生說你這課好不好，來決定你該怎麼做。**這門課學生是最後才喜歡的。剛上完的時候不算，甚至過一陣子也不算，要很多年之後回頭看才覺得值。 ## 統計幫你不對自己撒謊，但它撐不起全部 這場對話從開場就在爭一件事：機器學習到底是不是計算統計。 邁克爾·利特曼（Michael Littman）說不是。查理接了一句，說得更準確：光有“計算”不夠，光有“統計”也不夠，缺的是別的東西。 他要的答案藏在一個很老的師承裡。他最早的科研引路人是 Tom Landauer。當年他做的東西老是被統計檢驗判成“不顯著”，他很不服氣。Tom 跟他講了一句話： > 統計是你用來防止自己對自己撒謊的一套辦法。（Tom Landauer） 這句話他記了一輩子。統計做的事是劃出一道誠實邊界，告訴你哪些判斷你還沒資格下。它不負責生產結論。 但它不等於機器學習。邁克爾給了一個很好用的類比：化學說到底只是物理，但你不會因此把化學系改成物理系。層次抽象本身就帶著價值。討論一個問題該停在哪個層次，直接決定你會去關心什麼、會去忽略什麼。 查理補了個更簡練的說法：他想跟統計做朋友，不想被統計吞掉。 他還順手分了個歷史考古。九十年代末到兩千年初，ICML（會上大家念成“I smell”）和 NIPS 是兩條線。他的觀察是：**ICML 是電腦科學家做的機器學習，NIPS 則是電腦科學家為了討統計學家歡心而做的機器學習。**人是同一批人，但“你想討誰歡心”這個差別會真實改變你選擇關心什麼問題。指標是手段，算不得目的，這句話在那個年代就已經成立了。 ## 軟體 2.0 真正改寫了什麼 神經網路把這件事推到了另一個位置。現在流行一個說法叫 Software 2.0：寫程式變成了在超引數空間裡做設計，加上收集、清洗、組織資料。 查理在這裡加了一層，是他認為最容易被忽略的：**除錯意味著什麼？** 如果你把機器學習看成計算物理，你關心的是方程；如果你把它看成計算，你關心的是怎麼搭建、怎麼開發、怎麼把系統跑起來。這兩種視角之間沒有價值高低，但提出來的問題完全不是一套。資料科學圈和機器學習圈互相看不上的時候，經常是因為他們壓根不在問同一個問題。 他自己承認，這個看法跟“在超引數空間裡程式設計”還不完全一樣，但方向是一致的：**把機器學習當作一門工程實踐來對待，會帶來一整套完全不同的焦慮和判斷標準。** ## 給學生有希望的掙扎，別給絕望的那種 Lex 提了一個老問題：教育裡“吃苦”到底扮演什麼角色？他的親身經驗是，他愛上數學，是因為先學得很爛，後來才學好。痛苦之後的豁然開朗，那種快樂是加倍的。 所以他不喜歡當下教育話語裡那種“怎麼把學習弄得更好玩、更有參與感”的口徑。他覺得那可能搞錯了重點：學習本來就該是難的，難本身放大了學會時的喜悅。 邁克爾先接住了這個前提，然後拆開了一個關鍵區別：**掙扎和受苦，經常被混為一談，它們其實不是一回事。** 他希望學生處在“有希望的掙扎”裡。哪怕很痛苦，也看得見出口，還能想象自己走到終點。一旦進入絕望的掙扎，意志被打斷，人就放棄了，這時候也沒有快樂可言，因為你不會在一件不帶來任何快樂的事情上長期投入。 他的分寸感是這樣的：要阻撓人，但得讓對方相信路還在。 查理順著這個思路補充：你可以掙扎而不受苦，也可以受苦而不掙扎，這兩個東西經常一樣，也經常不一樣，特別容易搞混。 ## 淹不死才能畢業 這個區別在 Georgia Tech 的校史裡有很具體的形態。 Georgia Tech 以前有一門必修課叫 drown-proofing，直譯就是“防溺”。你得穿著衣服跳進泳池，遊夠一定時間不沉下去，才準畢業。有一說是兩分鐘，邁克爾開玩笑說是在浴缸裡考的，查理糾正說是真的泳池，但是真事。這個規矩在他畢業前幾年被取消了，他自嘲：要是沒取消，他畢不了業。 他說這背後就是 Georgia Tech 的性格：**能把你壓到接近斷裂，然後你從另一頭走出來，變得更強。**他在那兒當本科生的時候流傳一句話：“Georgia Tech 提前一晚建好明天。”給你的任務不可能，你就用幾天時間把它做完，因為你過去四五年就是這麼活過來的。 邁克爾對此有一句評價，我覺得是全場最生動的吐槽： > “等一等，最後那一分鐘之前不是還有時間嗎？訣竅是知道最後那一分鐘是什麼時候。”（Charles Isbell） 他還補了一刀：這是典型的查理式發言，而他一直在努力不讓自己變成這樣。 布朗大學的氣質是另一個極端。按邁克爾的描述：那邊更多是照顧和賦權，不是“我們把你碾碎，你還得感謝我們”那一套。他本科讀的學校和他現在任教的學校很像，查理也是：查理的本科、任教都在 Georgia Tech，一個“institute”氣質的地方。 邁克爾忍不住開了個玩笑：查理只去名字裡帶 institute 的地方。 ## 那場面試，和一把被故意調低的椅子 兩人第一次見面是在 AT&T 實驗室，邁克爾來面試。當時他已經在杜克當教授，想搬到新澤西，目標就是貝爾實驗室和 AT&T 實驗室這一帶。 查理當時已經在裡面了。他的記憶是：面試還沒結束大家就都知道這人一定會被錄用，因為所有人都在誇他，說他這裡厲害那裡厲害。查理還有別的事要忙，忙完回到辦公室，邁克爾已經坐在那兒了。 這裡有個細節，查理強調它是純屬意外，但邁克爾堅持認為不是：**他辦公室裡是 L 形桌，外面那把訪客椅永遠比他自己坐的那把低一截。**訪客坐下來得仰視他。 邁克爾的原話大意是：你後來親口跟我說那是故意的。查理說他不記得說過。 邁克爾的視角則是另一段：面試當天的報告講砸了，他覺得糟到必須中止流程。中午他拉住查理說，我覺得對咱倆都好，我現在就走，你就當沒請過我來，不然接著聊下去你也會很難看。 查理完全不知道他在說什麼。他記得那場報告，記得邁克爾那天狀態就跟他現在任何一週差不多，挺好的。 邁克爾後來說，他當時覺得查理不喜歡他。查理說他挺喜歡邁克爾的，問了問題，答了問題，然後他對自己感覺很差。這是很普通的一天。 兩人在同一個地方待了好幾年，一起做研究的成果其實不多，真正把關係拉近的，是後來一起被裁掉。 ## “恨透你做的一切”是個太窄的說法 Lex 引了 Marvin Minsky 的一句話，說學術研究成功的關鍵是恨透你做的一切。 邁克爾的回應是把這句話拆成兩半： > “你讀研究生的時候基本上就是天天被告知‘我的工作是垃圾’，一遍一遍。然後你去開會，發現所有人的工作都是垃圾，所有人都很垃圾。你心情就好一點了。”（Michael Littman） 他接受“不滿意”，但不接受“恨”。區別在於：**你得能承認自己往前走了一步**，一階導數是正的，二階導數最好也是正的。這個“還沒到，但在靠近”的感覺本身就是希望，也是繼續走下去的動力。把它換成徹底的自我厭惡，很多人就推不動了。 他還說了一件我覺得很實在的事：他很少在幹活的過程裡喜歡自己手裡的東西。做的時候必須足夠興奮才做得完，但真正喜歡通常是很多年之後回頭看，或者乾脆是某天忽然意識到，原來那件事一直在影響之後所有的選擇。 查理的說法是：他跟自己的作品是分開的。**他對自己非常苛刻，但不等於他恨自己的作品。**有些東西他做得當時就很興奮，有些是過幾年才覺得還行。 ## 貝爾實驗室為什麼不可能再有了 聊到 AT&T 實驗室的那段歲月，兩人罕見地用了同一種情緒。 查理給了一個很少被講出來的解釋框架：**貝爾實驗室本質上是政府的一條胳膊。**因為 AT&T 是壟斷企業，也帶著政府的一部分性質，你每個月交的電話費裡有一小筆，本質上是在給貝爾實驗室的研究交稅。所以他們能發明電晶體、鐳射，能做出宇宙微波背景輻射的發現，能玩那種消聲室：你走進去，周圍全是吸音板，人聲完全消失，你能聽見自己的心跳，那種感覺非常詭異。 他把貝爾實驗室形容成“最純粹意義上的大學，只是沒有學生”。暑期會有學生來待三四個月，然後走人。研究員推門出去就能撞見 Michael Kearns 在跟人吵架，吵的是某個東西該用什麼方法證明。旁邊是 Dave McAllister、Peter Stone、Satinder，後來還有邁克爾。 那套模式能運轉的經濟學前提是：**每過二十五年左右，有人發明一次電晶體，就能把其他所有開銷都養起來。**只要這個前提在，你就有資本承擔風險。等這個前提消失，中層管理換得極快，遠在總部的人越來越難被說服，這套模式就撐不住了。 他給了一個很直接的判斷：這可能是他這輩子最好的工作，而這樣的工作不會再有了，因為貝爾實驗室不存在了。微軟研究院很好，谷歌也做了不少事，但貝爾實驗室是一個時代的高水位線。 ## 研究是社交過程，哪怕它看起來很沒意義 Lex 問了一個跟疫情直接相關的問題：大家現在都在遠端，物理上的近距離和隨機碰撞，到底丟了什麼？ 查理的回答很乾脆：**研究是個社交過程。哪怕當下的互動看起來毫無意義，它也是產出的來源。** 他描述 AT&T 實驗室的物理配置：整面牆都是白板，人走過去就寫，寫完就有人湊上來吵，你得接受別人對你說的每一個字提出質疑，有時候非常煩人，但多數時候極其有用。那種“看起來沒意義”的互動，本身就是目的。 Lex 提到 Josh Tenenbaum，說這人是兒童式的、會把任何話題都拽進來的那種人。不管聊的是不是機器學習，他都能把你拉到最近的能寫字的地方，取消掉所有會議，然後聊兩個小時某個漫無目的的問題，時間空間都扭曲了。查理接了一句：每次他懷疑貝爾實驗室的記憶是不是被美化了，他就去找 Josh 聊一次。 然後他說了一句我很喜歡的話：**有些人身上承載著一個機構最好的那部分。而大師通常不知道自己是大使。** ## 被裁的那段時間，他們成了朋友 關係真正拉開是在所有人被裁之後。 公司給了一段過渡期，名義上還在發工資，供人找下家。邁克爾照舊去辦公室幹活，查理去辦公室是為了阻止他幹活。邁克爾的記憶是：查理認定給公司繼續幹活沒有意義，因為關係已經結束了。 查理的修正很短：他早就這麼覺得了，跟公司本身沒關係，是因為那批人沒了，那批人在做真正有意思的事，一直如此。 後來他們的上級想再搶救一下，辦法是派他們做點“真正有用”的東西：一個能幫你管理日曆的自動助理，你告訴它事情，它做出合適的反應，還能把你的各種個人資訊整合起來。查理、邁克爾、Peter Stone 三個人組成小隊去實現。 時間不夠，做出來也救不了他們。但這件事有個尾巴：那位上級叫 Ron Brachman，他離開 AT&T 之後去了 DARPA，啟動了一個叫 CALO 的專案，這個專案後來衍生出了 Siri。 邁克爾說，每次因為被史上最好的工作裁掉而難過，他就想想：**我們大概算是催生了 Siri。** 這段經歷後來被壓縮成一句話，是邁克爾當時說的：“Luck favors the Charles。”運氣偏愛查理。他許個願，事情基本上就會按他想要的方式發生。 ## 一門 6600 美元的碩士，和一群拿最低工資回來當助教的人 時間線跳到 Georgia Tech。2002 年查理到了那兒，先做本科課程改革，把原本比較窄的計算機課程改成模組化的結構，因為電腦科學早就伸進了很多別的領域，那套老課表撐不住了。他後來做了分管教學的副院長。 然後是這個故事裡真正有分量的部分：線上碩士專案 OMSCS。 資料是這樣的：招了一萬一千名學生，錄取率約 60%，**整個學位讀下來六千六到七千美元，而走同樣的專案在校讀要四萬六。**學生可以一邊全職工作一邊讀，家裡有房貸有孩子也不耽誤。 查理說這個專案真正的價值在於：**它給了一批人他們原本以為自己不可能有的機會。**不用放棄兩年時間，不用放棄已經建起來的生活。 他最有力的證據是問卷以外的東西：現在已經有一百來個畢業生，拿著差不多最低工資回來給這門課當助教，雖然他們都有全職工作。因為他們在乎，他們想成為這件事的一部分。 至於第三代學生十五年後還會不會有這種歸屬感，他說他不知道，但現在確實有。 更值得說的是這個社群的社交層是怎麼長出來的。他們做出了線上課程，卻沒時間去設計社交工程。學生自己搞定了：第一年就在 Google Plus 上建了三十多個群，按在哪個州、在做什麼、什麼背景來分。他們穿著專案發的 T 恤滿世界拍照，爬上山頂也要套上。歸屬感沒有由學校設計出來，是學生自己搭在已有社交工具上的。 查理用的比喻是“別修人行道，先種草，看人往哪兒走，再鋪路”。在這個案例裡，路是學生自己走出來的。 他還順手糾正了一個直覺：這個專案不會取代大學。**它在生態裡佔的是另一個位置。**來讀的人已經是成年人，本科經歷已經走完了，十七歲時的目標和現在不一樣。它做了一件非常重要也非常社會化的事，但它跟“十七歲離家去上大學”這件事不是同一件事。 ## 大學真正賣的是什麼 Lex 說了一句很準的話：開派對的地方和學微積分的地方會是同一個地方，這件事本身就不太講得通。 查理順著這個問往下給了一套解釋，核心是他引用了 Georgia Tech 同事 Ian Bogost 在《大西洋月刊》上的一篇文章，標題大意是“美國人為了大學體驗什麼都願意犧牲”。 結論是：**人們拼命想回校園，想的不是回到教室，是回到那個體驗。**他們想離開家，想過集體生活，想完成一個成人禮。課堂只是整個包裹裡的一部分，而且往往不是最主要的那部分。 疫情乾的事，是把“教育”和“地點”強行拆開了一次，把這件事硬塞到所有人臉上。他說我們大多數人其實早就在用行為承認這一點了：當年讀本科，有幾個人每一節課都去了？ 他的判斷是：疫情之後，大概 85% 的東西會恢復原狀，我們會假裝一切照舊，把這輪教訓忘掉。真正留下來的，是一套更分散的線上遠端供給方式，以及一個新的問題：**你打算怎麼把“大學生活”裡學習的那部分也搬到新的形態裡去。** 他還特意強調，這些判斷是在泡沫裡說出來的。多數人根本沒上過大學，上過的人也不是十八歲。而多數退學的原因是錢。他真正擔心的是：**世界會不會進一步分層，一邊是拿得到這段經歷、拿得到人脈和正反饋迴圈的人，另一邊是連當咖啡師都被要求碩士學位、卻永遠拿不到那段經歷的人。** ## 十個講師教掉了一半的學分 談到“教授為什麼又要做研究又要教書又要服務”這個結構性問題，查理給了一組很硬的資料。 他所在的計算機學院，終身軌教師九十來個，講師只有十個到十二個。**這批講師承擔了超過 50% 的學分學時。**算下來人均工作量是終身軌教師的八九倍。他們中的一些人同時也做研究，但主業是教學。而且他們極受愛戴。 證據來自一次校友調查。調查裡有一個開放題：說出一個對你產生過特別影響的人。回答的人從三十年代出生的一直排到上個月畢業的。外包公司做了個詞雲，做得挺糟，同一個人因為名字寫法不同出現了九次。 但查理在裡面看到了一個東西：他能認出的五個計算機學院的人裡，**有四個是講師。**其中兩個是相對現代的，都當過計算機教學部門的主任；另外兩個是八十年代的講師。四個裡面有兩個人的名字被用來命名教學獎。第五個是他自己，他說這個不重要。 他的結論很樸素：學生畢業四十年後還記得的，是那些對他們好的人，是那些教會他們東西的人。所以**使命這件事必須掛到檯面上來，讓使命驅動，而不是讓每個人的個人偏好驅動。** ## 線上課堂缺知識嗎，缺的是那個轉頭看旁邊的人 邁克爾講了一個他親歷的細節，我以為是整場裡最鋒利的觀察之一。 他早年給 Udacity 錄過一門演算法課。整整一週，一個人待在黑屋子裡對著螢幕講，在小手寫板上寫字。錄到一半，製作團隊的人跑來說，好像出問題了，你整個人在往下掉。 他自己後來想明白了：**他講笑話，沒人笑。**每講一次沒反應，表演的能量就被抽走一點。理性上他知道現場根本沒有觀眾，身體不這麼認為。 這段經歷解釋了後來他和查理為什麼要一起上課。一個人錄課是消耗，兩個人可以互相接，可以把場子熱起來。他們形成了固定的結構：一個人講，另一個人扮演學生。講課的人準備所有材料和測驗，扮學生的人進來的時候什麼都不知道，就跟在校園裡一樣。 “Smooth and Curly”這個綽號就是這麼來的。查理講博弈論講囚徒困境，要畫兩個囚徒。他畫了一個圓圈加山羊鬍，另一個畫了一頭捲髮，說這是 Smooth 和 Curly，還強調 Smooth 裡那個 V 很重要。後來他又唱了一句邁克爾·傑克遜的 Smooth Criminal。學生非常買賬。 於是有了那個“Overfitting Thriller”影片，後來又有了一個系列：兩人一起看《西部世界》，每集聊這劇對電腦科學意味著什麼。 ## 《西部世界》真正的問題是一群糟糕的除錯者 聊到這部劇，查理的批評非常技術，也非常好笑：**他們是一群糟糕透頂的除錯者。** 他的大意是：你改了點東西，然後把它放到真實世界裡，然後說“這很危險，因為可能發生可怕的事”。如果你的流程是這樣的，那流程本身就說明問題。他說這劇裡應該有一個人的全職工作就是到處探頭，一遍一遍問“這裡能出什麼岔子”。 Lex 說他想看一集，講新來的實習生在那兒調一個新模型，一直失敗，然後就變成《矽谷》那種劇。邁克爾接了一句：對，那本質上是個恐怖片。 然後查理說了一段我認為是這場對話裡最重要的話。他先說這類作品的問題框架：幾乎所有 AI 電影拍的都是“AI 成功了，然後我們控制不住”。他覺得這拍錯了地方。 > “AI 真正糟糕的部分，是我們現在正在經歷的這個東西。是用資料去做糟糕的決定。那個會超越我們的智慧並沒有那麼可怕，可怕的是我們正在造的工具，它們能把那些原本做得很笨拙的糟糕事做得越來越高效。計算機很擅長提升效率，包括提升做壞事的效率。”（Charles Isbell） 他說自己當年正是被那些想法吸引進來的，想造那樣的東西。哲學問題挺有意思，但恐懼不從那兒來。**恐懼來自日常。** 他覺得 HAL 9000 更接近真實一點，因為它像個個人助理。真實的危險是我們在某些根本層面上過度依賴這些不夠聰明的助理，把太多自己外包給需要電和網路的東西，於是作為獨立個體變得無能。當那個東西開始以細微的方式出錯，問題就大了。《2001》把這搬到太空，是因為你沒法走開。 Lex 提到 Alex Garland 的《機械姬》，說導演自己講，結尾他在片子裡埋了一個幾乎沒人注意的細節：機器人轉向鏡頭，短暫地笑了一下。在 Garland 看來，**那才是通用版圖靈測試，或者說意識測試的定義：為一個不存在的人微笑。** 演給誰看並不重要，只是自己跟眼前這段經驗發生關係。查理聽完說，這個想法他很喜歡，但立刻指出一個技術性反駁：她是在看鏡頭，那她其實還是在為觀眾笑，破第四面牆了。邁克爾接了一句：那是媒介的限制。 ## 我們是不是活在模擬裡 Lex 問了這個老問題。邁克爾的回答很務實：他覺得這是個思想實驗，算不上真正的科學問題。 但他沒有就此打住。他反過來把這個問題問得更有意思：**你能不能造出一個對人類足夠真實的世界？**那些造出模擬的存在，多半沒有能力造出對他們而言足夠真實的模擬，但我們是被模擬的那一方，所以它是真實的。我們完全可以造一個對其中居民足夠真實的模擬，只是它未必對我們這些造物者足夠真實。 查理的說法是：他不相信我們是被專門造出來的，但他願意把整個宇宙當成一個模擬來看。他常做的一個練習是：試著用計算機的方式去理解世界，比如量子力學，那玩意兒對他來說完全不自然。如果那算模擬器的 bug，他沒意見。 這裡有個他很在意的點：**bug 是相對於模擬內部的人而言的。**對裡面的人來說，那就是現實。 他自己給了一個預測：如果把他往前推一百年，最讓他意外的世界形態，可能是所有人都不再住在這個物理世界裡了。他提到 Robert J. Sawyer 的《Wake》，也提到影片遊戲在經濟上的規模早就超過電影，還有經濟學家能看到遊戲對勞動力市場的影響：某個年齡段的年輕男性參與有償工作的比例低於預期，有人把原因追到了遊戲上。 然後他拋了那句我最喜歡的比喻： > “《星際迷航》的問題從來不是曲速引擎，也不是傳送機，是那個全息甲板。你進去就再也出不來了。我看到那兒的時候就想，人類文明到此為止了。那才是奇點，不是 AGI。”（Charles Isbell） ## 給想學程式設計的人：先把 Y 等於 X 弄明白 Lex 問，對圈外想學程式設計的人有什麼建議。 查理的答案分成兩半。 第一半是給他女兒 Jenny 的，她正在上 AP 電腦科學。她跟他說，我想做一個節奏遊戲，教我。他的回答是：**從小處開始，先學積木，耐心一點，你最後會做出那個節奏遊戲的。**他自己是讀到研究生某一天突然意識到“我是個電腦科學家，我應該在一下午寫出吃豆人”。然後他真的用一個下午做出來了，在舊 Apple 機上用 Pascal，還認真研究了幽靈怎麼移動。但他很清楚，**如果他一開始的目標就是吃豆人，那次嘗試大機率會以糟糕的結局收場。**那個下午是很多很多年積累之後才可能發生的事。 第二半更像一個認知上的提醒，我覺得是整場裡對初學者最有用的東西。 他教過一門 C 語言導論課。每次進教室他都在想，一個半小時講四個迴圈，怎麼可能講得滿。後來他發現：**只有三件事。從變數讀、往變數寫、條件分支。其他全是語法糖。** 但“只有三件事”不等於簡單。他現場演示過： X 等於 3，Y 等於 4。X 是幾？3。Y 是幾？4。 現在，Y 等於 X。Y 是幾？3。 現在，X 等於 7。Y 是幾？ 這就是最難的地方之一。變數指向記憶體裡的某個位置，有些語言把這層藏起來，讓它更接近數學裡那個等號。用電子表格長大的人會按引用或按名字去理解，於是給出完全不同的答案。他能講到學期三分之二，還有學生腦子裡沒想清楚“Y 等於 X”到底是什麼意思，而這完全不影響他們交作業，因為他們的誤解從來沒有被題目暴露出來。 他早年還講過一個更極端的例子：碩士論文那段程式碼有記憶體溢位的 bug，他查不出來，最後在 main 函式最前面宣告瞭一個 400K 的空陣列，讓越界寫入落進去，程式就跑通了。**他沒找到 bug，他繞過去了。** 所以他的建議可以總結成一句：**別被勸退。這確實很難，但所有人都學得會。難點跟可理解性無關，問題在於沒人把最基礎的那幾件事講明白。** 順便，關於第一門語言，兩人的共識是：幾乎不重要。Lisp 是唯一的真語言（查理髮話），Python 挺好，太小的孩子可以用圖形化語言，只要有人圍著它建好了教程和基礎設施。有一點是明確的：別一上手就上大框架，抽象層級不對。 ## 如果你只帶走幾句話 這場對話裡最動人的一段在結尾。Lex 讓兩人各說一件最感激對方的事。 邁克爾說，查理看世界的方式跟他足夠相似又足夠不同，**像多活了一輩子。**查理會帶他去他本來不會去的地方。他用了內積來比喻：不是零，也不是 1，大概是 0.7，剛好夠你從對方身上學到東西。 然後他補了一句：查理有時候在他自己都不相信自己的時候相信他。查理身上那種外放的自信太足了，足到他會想，如果查理覺得我還行，那我大概沒我自己想的那麼糟。 查理說，答案其實很簡單：友誼。 這兩位一個做了院長，一個做了幾十年教授，講的東西表面上分散在教育、統計、貝爾實驗室、AI 電影、模擬假說和程式設計入門上。但底下是同一條線：**人在什麼條件下才真的會學東西，以及一個機構什麼條件下才真的在培養人。** 他們給出的答案都不玄。要難，但要有出口。要資料，但別被程式碼細節拖走。要效率，但別把連線感砍掉。要工具，但要記得工具提升了效率，壞決定的效率也一起提升。要使命，因為學生四十年後記得住的是人。 如果你要從這兩個人身上帶走點什麼，我的建議是這樣的： - **給你正在教的東西換一個評價軸。**如果你在教機器學習、資料分析，甚至任何帶工具的課，試著把“能不能跑通”的分數降到零，把分數全壓在資料集的選擇和結果分析上。學生前兩週會罵你，三年後會回來謝你。 - **區分掙扎和受苦。**給自己或給學生的任務可以很難，但要留得住“我還看得見出口”這個感覺。看不到出口的那種難，只會帶來放棄，不會帶來成長。 - **別用“恨自己做的事”當動力。**Minsky 那句話被傳得太狠了。更可用的版本是“不滿意，但承認自己往前走了一步”。一階導數正，二階導數最好也正。 - **如果你是初學者，先花一晚上把 Y 等於 X 想明白。**別在你還沒搞清楚賦值和相等之前就去寫框架、搭專案。真正卡住你的從來不是語法，是那個你不敢承認自己沒懂的基礎概念。 - **如果你是做線上教育或遠端協作的，別隻最佳化內容。**學生覺得自己學得一樣好，但他們不開心，缺的是連線感。連線感可以來自別的地方：兩個人一起上課、一個講一個當學生，讓學生自己長出社群，發一件他們願意穿著去爬山的 T 恤。 - **如果你是做 AI 安全的，把一部分注意力從“超級智慧失控”挪到“日常工具把糟糕的決定做得越來越高效”。**前者是電影，後者是現在。 - **如果你手上有一件“看起來毫無意義”的閒聊或碰撞，別急著取消它。**研究是社交過程，那些白板前的爭論、走廊裡的搭話、被人拉去聊兩小時沒用的東西，往往才是你日後真正記得住的產出源頭。