谁是计算机科学界的迈克尔·乔丹？

2016年4月，《Science》杂志登了一篇报道，标题是个问句：谁是计算机科学界的迈克尔·乔丹？ 答案就叫迈克尔·乔丹。 不是芝加哥公牛的23号，是加州大学伯克利分校的教授Michael I. Jordan，中间那个I是Irwin。 那篇报道讲的是一个新工具。微软联合创始人保罗·艾伦出资创办的艾伦人工智能研究所，做了个学术搜索引擎Semantic Scholar，不光数论文被引了多少次，还用机器学习去判断一篇论文到底直接影响了哪些后来的论文。按这个办法给全世界的计算机科学家排座次，排第一的是他。研究所负责人Oren Etzioni在报道里说：大家都叫他"机器学习界的迈克尔·乔丹"。 他是美国国家科学院、美国国家工程院、美国艺术与科学院三家的院士，也是英国皇家学会外籍会员。2022年首届世界顶尖科学家协会奖揭晓，"智能科学或数学奖"奖金1000万元人民币，由他一人独得，在上海颁奖。2025年11月，他当选中国科学院外籍院士。 他已经70岁，从伯克利荣休，全职在巴黎做研究。 他研究了一辈子的东西，叫机器学习。

▲Michael I. Jordan（图源：本人伯克利主页） 机器学习：不教规则，给例子 机器学习，就是不把规则一条条写给电脑，而是给它看大量例子，让它自己总结出规律。 拿认字举例：孩子作业本上写的一个"8"，怎么让电脑认出来？ 老办法是程序员写规则：上下两个圈连在一起，就是8。可每个人写的8都不一样，有的歪着，有的上面那个圈没封口，有的两个圈没挨上，规则怎么补都补不完。 机器学习的办法是，把几万个不同的人手写的数字交给电脑，每个都标好"这是几"，让它自己去找：8和3、和0、和6，到底差在哪。新写的字进来，它算出一个数：这个字有多大把握是8。

▲写规则和给例子的区别（示意图，AI生成） 电脑给出的不是一个斩钉截铁的答案，是一个把握有多大的数。算把握，正是统计学的老本行。 2015年，乔丹和卡内基梅隆大学的Tom Mitchell一起给《Science》写过一篇综述，给机器学习下的定义是：研究怎么让计算机从经验中自动变好，它站在计算机科学和统计学的交叉点上。2014年有网友问他，统计和机器学习到底有什么区别，他反问：为什么有人觉得这是个有意义的区分？ 拍照搜题时手机认出孩子写的字，刷短视频时下一条推什么，手机相册怎么把同一个人的照片归到一起，ChatGPT和DeepSeek怎么一个字一个字往外写回答，背后都是机器学习。乔丹2018年写过一篇长文《人工智能：革命尚未到来》，里面说，今天大家嘴里的"AI"，大部分就是过去几十年一直叫"机器学习"的那些东西。 2025年1月，西班牙BBVA基金会把"知识前沿奖"信息通信技术类颁给他（和指纹识别专家Anil Jain共享），评语里说，他的工作给ChatGPT这样的生成式AI、亚马逊那样的推荐系统打下了数学基础。 孩子要是在准备NOAI，这些正是考点。NOAI初赛的学术大纲里，"机器学习"单列一大块：回归、分类、聚类，概率和统计基础，都在里面。聚类里有个常用算法叫NJW谱聚类，三个字母是三位作者的姓：N是吴恩达（Andrew Ng），J就是乔丹，W是Yair Weiss。 本科读的是心理学 乔丹1956年出生在美国马里兰州，小时候跟着父母在路易斯安那和堪萨斯两地之间搬来搬去。 他在路易斯安那州立大学读本科。第一次走进学校的大图书馆，满屋子都是他一无所知的书，他当场下了决心：要把这座图书馆里相当大一部分的东西学会。后来他读罗素、读哥德尔，迷上了"人是怎么思考的"这个问题，本科选了心理学。 1978年本科毕业，他想当"数学心理学家"，去亚利桑那州立大学读了数学硕士，方向是统计。有一次从亚利桑那去圣地亚哥度假，他顺路进了加州大学圣地亚哥分校，跟几位老师聊完，发现了一个刚冒出来的领域：认知科学，用数学和科学去研究人怎么思考。他说，当时就是"啊哈"的那种感觉。 1985年，29岁的他在那里拿到认知科学博士，导师是David Rumelhart。1986年，Rumelhart和Hinton等人发表了反向传播的论文，今天训练神经网络，用的还是这套方法。 同在1986年，乔丹提出了一种能处理前后相连数据的网络，后来就叫"Jordan网络"，是最早的循环神经网络之一。Transformer出现之前，处理一句话、一段语音这类前后相连的数据，主力就是循环神经网络。 1988年他去MIT脑与认知科学系当助理教授，一路升到正教授。1998年，伯克利的统计学家Peter Bickel请他同时加入统计系和计算机系，他去了，一待就是26年。 混合专家：DeepSeek论文里写明的源头 大模型有个难处：参数越多，能力往往越强，可要是每写一个字都把几千亿个参数全算一遍，又慢又费电。 DeepSeek用的办法叫"混合专家"（Mixture of Experts，MoE）。好比去医院看病，分诊台先看一眼你的情况，只把你派给最对口的那几位专家，其他专家这一轮不用动。DeepSeek-V3和R1一共有6710亿个参数，每处理一个词，只调动其中370亿，不到6%。

▲混合专家：分诊台只把问题派给少数几位专家（示意图，AI生成） 2024年1月，DeepSeek团队专门写了一篇讲混合专家的论文，末位作者是梁文锋。论文回顾这项技术的来历时写道：混合专家技术，最早由Jacobs等人（1991）、Jordan和Jacobs（1994）提出。 DeepSeek这次融资，梁文锋拿得出200亿，他为什么还要上班？ Jordan，就是乔丹。 1991年那篇发在神经网络期刊《Neural Computation》上，四位作者里，第一作者Robert Jacobs是乔丹带的学生，第二作者是乔丹，第四作者是Geoffrey Hinton，后来拿了2018年图灵奖和2024年诺贝尔物理学奖。1994年那篇，乔丹是第一作者。 从1991年到2024年，隔了33年。 今天公开写明用混合专家的大模型，还有月之暗面的Kimi K2（1万亿个参数，每次只用320亿）、阿里的Qwen3、Meta的Llama 4、谷歌的Gemini 1.5 Pro，以及OpenAI在2025年开源的gpt-oss。谷歌给Gemini 1.5写的技术报告里，引的也是1991年那篇。 他带出来的人：吴恩达、Bengio，还有一位IOI金牌 吴恩达是乔丹在伯克利带的博士生。毕业后，他在谷歌创立了Google Brain项目，和Daphne Koller一起创办了在线课程平台Coursera，2014年到2017年当过百度首席科学家。 吴恩达读博时，和同门David Blei、导师乔丹一起写过一篇论文，2003年发表，讲一个叫LDA的方法：给它一大堆文章，它自己找出这些文章在聊哪几类话题，再算出每篇文章里各个话题各占几成，全程不用人先打标签。这篇论文被引用超过3万次（OpenAlex数据），《纽约时报》2015年给网站做"为你推荐"栏目时就用上了它。Blei后来在博士论文的致谢里写，这条研究线，是吴恩达某天下午在一个信封上画出一张图开始的。 Yoshua Bengio和乔丹是另一种关系。1991年Bengio刚拿到博士学位，到MIT跟着乔丹做博士后。2018年，Bengio和Hinton、LeCun一起拿了图灵奖。那一年的三位得主里，一位在他手下做过博士后，一位和他合写过混合专家的论文。 再往下数，名字一个比一个响。Zoubin Ghahramani在MIT跟他读的博士，后来当了剑桥大学教授，现在是Google DeepMind研究副总裁。邢波在伯克利读博时，导师之一是乔丹，他现在是阿联酋穆罕默德·本·扎耶德人工智能大学（MBZUAI）的校长。Percy Liang在伯克利读博，导师是乔丹和Dan Klein，后来创办了斯坦福基础模型研究中心。北京大学的张志华、清华大学的龙明盛、香港中文大学的徐雷，都在他主页"过往博士生和博后"的名单上。 还有两个和OpenAI沾边的名字。 他的博士生Robert Nishihara和Philipp Moritz在伯克利做出了一个叫Ray的工具，能把一个大计算任务拆给一大群电脑一起算。2018年Ray的论文，作者里也有乔丹。2019年他们成立公司Anyscale，官方新闻稿把乔丹列为创始人之一。OpenAI联合创始人Greg Brockman在Anyscale的大会上说过，OpenAI用Ray训练自家最大的模型，Anyscale网站上他署名的推荐语写得更直接：包括ChatGPT。 另一位是Alexander Wei。2015年，他代表美国队在IOI（国际信息学奥赛，信奥的最高赛场）拿了金牌，全球第18名。后来他在伯克利读博，导师之一就是乔丹，2023年毕业去了OpenAI。2025年7月19日，正是他在网上宣布：OpenAI的一个实验模型做2025年国际数学奥赛（IMO）的题，拿到42分里的35分，达到金牌线。 乔丹主页上列着163位过往博士生和博后，头衔里带"教授"的有九十多位，斯坦福、MIT、卡内基梅隆、普林斯顿都有。 2016年《Science》那篇报道里，乔丹回应排名时说，科学史上总爱围着个别人造神话，可他相信，最能预测一个研究者有多大成就的，是他身处的那张人际网络： 我自己的网络里，全是有好点子的厉害人。 打鼓、学语言、每本书读三遍 乔丹会好几样乐器，主攻架子鼓。打鼓里有个让他着迷的问题：手脚常要同时落下，可脚离大脑比手远，大脑得先给脚发信号、再给手发信号。人自己根本不用想，大脑就把这个时间差算好了。他读博时研究的，正是人怎么控制、怎么学会肢体动作。 2014年一家科技媒体在标题里称他"大师"，他在博客里回应：通常没人管鼓手叫大师，所以这点夸张他就不抱怨了。 他的母语是英语，西班牙语、法语、意大利语，都是自己读小说、查词典学会的。 2014年他在Reddit上回答网友提问。有人问他一天怎么安排，他说：每天一半时间在减少熵，一半时间在增加熵。熵是统计里衡量混乱程度的量。减少熵，可以理解成把事情理出头绪；增加熵，是去打开新的可能。他还补了一句：这个比例调得准不准，决定他开不开心。 清华大学的龙明盛在伯克利跟他做研究时，写了第一篇论文。实验室去圣克鲁兹海边开两天务虚会，乔丹就在论文的源文件上一处一处地改，大到基本概念，小到遣词造句，改了上千处。 2022年，当时在宾夕法尼亚大学任教的苏炜杰对澎湃新闻说，66岁的乔丹还保持着睡前读其他学科专著的习惯，那几年读得最多的是经济学。 同一场Reddit问答里，有人问起他给学生开的书单。他说这份书单是给伯克利刚入学的博士生的，每本最好读三遍：第一遍几乎看不懂，第二遍开始明白，第三遍觉得全都是明摆着的事。 他不信"AI会毁灭人类" 乔丹做了一辈子机器学习，却一直在给"AI"这个词泼冷水。 2021年他对IEEE Spectrum说，很多人以为计算机里有某种会思考的智能，在推动进步、在和人类竞争："我们没有那种东西，但人们说起话来好像我们有。"2025年拿BBVA奖时他说："我想让人变得更强，而不是让AI来告诉人该做什么。" 2026年10月4日，法国《解放报》登出对他的长篇采访。记者问：Hinton和Bengio也在警告超级智能的风险，你怎么看？他说Bengio不太一样，人家在实打实地做安全方面的工作；而Hinton从没创办过一家为真实的人提供真实服务的公司。Hinton的推理是：我们已经弄懂了大脑怎么工作，能把它复制到硅片上，复制任意多份，再把各份学到的东西合起来，就会指数增长，变成超级智能。乔丹说，这个推理的每一步都站不住，"我们这是到了科幻的地盘"。 他在这篇采访英文版的前言里，记下了一句他在类似讨论里听年轻人说过的话： 我不打算要孩子，因为人类灭绝的风险太高了。 他说，那些觉得权威人物大谈"人类灭绝风险"无伤大雅的人，应该想想这句话。 采访里他还说，任何做过教育的人都知道，大多数时候孩子不喜欢坐在电脑前，他们想要一个有血有肉的老师。 B超上的几个白点 还是2018年那篇《人工智能：革命尚未到来》，第二年登上了《哈佛数据科学评论》的创刊号。乔丹在文章里说，机器学习系统正在替全世界的人做判断、做决定，可造这种系统需要的原理，他在自己受过的所有教育里都没找到。 这篇文章开头讲的，是他自己家的事。 那是写这篇文章的14年前，他妻子怀孕，去做B超。诊室里的遗传学家指着胎儿心脏周围的几个白点说：这是唐氏综合征的标记，你们的风险升到了二十分之一。要确认，可以做羊水穿刺；可穿刺本身，大约有三百分之一的概率会让胎儿保不住。 乔丹是统计学家。他决定先弄清楚，这些数字是从哪来的。 数字出自大约十年前英国的一项研究，那项研究确认了这些白点能预示唐氏综合征。可他注意到，自家医院这台新机器，比那项研究用的设备每平方英寸多出几百个像素。旧机器拍不出来的白点，新机器拍得出来。这些白点，很可能只是噪声。 他把这个发现告诉遗传学家。对方说：难怪唐氏综合征的诊断，是从新机器到货那时起变多的。