1. 对AI的深刻理解：从“一袋技巧”到“智能民主化”
文章以一位杰出校友吉米·林（Jimmy Lin）的早期经历开篇，他曾将自己15岁时的AI程序称为“一袋技巧”。这句看似谦逊的评论，实则预示了AI从基于简单规则的系统，演变为今天强大而普及的工具。
技术与社会的演变： 这种叙事方式展示了AI的演进历史，从最初的“如果-那么”算法，发展到更复杂的机器学习和神经网络。它强调了技术不仅仅是代码，更是与社会、数据和硬件共同进步的产物。
AI的“民主化”力量： 文章引用校友约瑟夫·安（Joseph Ahn）的观点，将AI描述为一种“巨大的民主化力量”。这表明顶尖学府关注的不仅是AI的技术层面，更是其如何均衡社会机会，让更多人获得信息和能力。
2. 培养AI素养：未来公民的必备技能
文章的核心观点之一是，驾驭AI时代的路径在于成为一个“AI素养人”（AI literate）。这不仅仅意味着学习编程，更是要理解AI、学会使用AI。
不仅仅是技术教育： 这与AQG课程的理念高度契合。文章没有将AI教育局限于计算机科学范畴，而是将其提升到一种普适性的社会能力。就像吉米·林向商业领袖和教育工作者传授AI知识一样，这种教育旨在培养学生理解、运用并驾驭这项技术的能力。
跨学科的视角： 文章通过提及AI在医疗、法律等行业的应用，以及校友们对AI的益处与风险、前景与挑战的讨论，展示了AI与各行各业的紧密联系。这进一步印证了AQG课程所强调的跨学科学习和知识叙事的重要性。
3. 顶尖私立学校的校友网络与教育使命
文章也反映了美国顶尖私立学校的独特教育模式。校友们在各自领域取得成功后，反哺母校，通过分享经验来启发下一代。
校友是活教材： 像吉米·林这样的杰出校友，其经历本身就是最好的课程案例。他们的故事告诉学生，技术才能的培养是长期的，并且与个人热情和对社会的影响紧密相连。
教育的长期投资： 这篇文章不仅是关于AI，更是关于教育的长远价值。它传递的信息是，一所优秀的学校培养的不仅是高分学生，更是能够站在未来变革前沿、并对世界产生积极影响的终身学习者。这种价值观与AQG的“为未来成功做准备”的战略不谋而合。
少年预言与AI的崛起
1994年，年仅15岁的 Jimmy Lin（林同学，1997 届毕业）曾预言：人工智能（AI）将在他有生之年成为现实。那一年，他参加了 Loebner 奖 的竞赛——该奖项授予能够创造出最接近人类对话程序的人。他的参赛程序能够识别并回应人类语音中的关键词。
当时他对记者说：“我不太愿意称它为人工智能，我更愿意称它为一袋小把戏（a bag of tricks）。”
虽然林同学没有获奖，但他那句“把戏袋子只是更大事物的前兆”却极具先见之明。“在1990年代后期，聊天机器人还很怪异，”林说，“如今，聊天机器人已经成了理所当然的工具，我们当然可以与机器对话。”
从小到大，计算机编程一直是他生活的一部分。“我最早的记忆之一就是坐在父亲的腿上，操作 Apple II 电脑——那时候还得把电话线接到调制解调器上。”
如今，他已是全球知名的人工智能研究专家，专注于自然语言处理和数据系统构建。他是加拿大滑铁卢大学 David R. Cheriton 计算机科学学院的教授，同时担任 Waterloo Data and AI Institute 的联合主任。他还担任初创企业 Primal 的首席科学家，该公司致力于为法律与医疗行业提供 AI 解决方案。
“我的热情就是分享生成式 AI 的力量，”他说。
他认为，理解和应用 AI 的关键在于 AI 素养。他经常辅导商业、政府领导人以及教育工作者——这些年他也多次与 Exeter 的学生交流——帮助他们理解并善用 AI。
“生成式 AI 的影响力不会逊于电力和蒸汽机，”他说，“社会将因此变得更加富足。”
什么是人工智能？
人工智能，曾经只是科幻小说或反乌托邦电影中的概念，如今已成为我们日常生活中不可或缺的一部分。即使你没察觉，你也在不断与 AI 互动：它在幕后为你提供智能手机导航、在线客服支持，或在流媒体平台推荐电影。
从本质上讲，AI 指的是计算机模仿人类能力的能力，比如学习、解决问题和做出决策。它的范围很广，从简单的基于规则的系统（遵循“如果-那么”逻辑）到复杂的算法（能够从数据中推理并得出结论）。像 ChatGPT 这样的大语言模型（LLM）是一种人工智能，旨在识别、总结、翻译、预测和生成文本与内容——包括诗歌甚至大学申请论文——基于用户的提示或问题。
AI 的发展还结合了机器学习：计算机能够在海量数据中识别模式，并将这些模式应用到新任务，而不需要为每一个任务单独编程。
例如，在自动驾驶汽车中，AI 并非只遵循预设路线，而是能实时评估交通状况、识别道路风险、分辨信号灯和行人，并预测最快或最安全的路线——在驾驶过程中持续作出即时决策。
“20 世纪五六十年代我们所理解的 AI 还是基于算法：解决问题的一系列步骤。” percipient.ai 的首席技术官 Vasu Parameswaran 说，“但现实世界是混乱的，数学建模图像极其困难。随着计算机变得廉价、数据更加普及，范式逐渐转向用 神经网络 来处理信息。”
神经网络是一种模仿人脑决策方式的机器学习模型。通过模拟生物神经元的协同作用，它能够识别模式、权衡选择并得出结论。
今年冬天，200 多位 Exeter 校友在线上参加了一场关于 AI 的行业座谈会。活动由校友发展办公室主办，研究部主任 Jeanette Lovett 担任主持。
嘉宾包括：Joseph Ahn（2005 届）、Ayush Noori（2020 届）、以及理事会成员 Christine Robson Weaver（1999 届）。他们围绕 AI 的前景、优势与风险展开了热烈讨论。
“A I 是一股巨大的民主化力量，”Ahn 说，“它通过提供更多信息来平等机会，这点令人兴奋。”
人工智能与金融
AI 在金融领域潜力巨大。它能够民主化金融流程、减少繁琐文书工作，并让更多人掌握华尔街知识。
多年来，金融行业已经依赖 AI 提供的数据分析和模型来提高效率。它不仅能帮助股票交易员做出更明智的决策，还能通过监测异常交易来识别并预防信用卡欺诈。由于金融本质上依赖信息，AI 分析和处理海量数据的能力尤为有价值。
Joseph Ahn（2005 届）
Ahn 与弟弟 Daniel 共同经营 Delfi，一家他称为“全球首家 AI 投资银行”的公司。他们研发的 AI 金融“副驾驶”工具，为银行、信用合作社和资产管理公司提供资产负债表对冲策略与分析。
“AI与机器学习的风险管理算法，让这种分析模式触手可及，使所有人都能做出更好的投资决策。”Ahn 说，“没有 AI，我们的商业模式根本不会存在。”
目前，全球约 50% 的 GDP 尚未参与资本市场。“这是一种浪费，”他说，“我们至少可以把这一比例提高到 75%。”
在并购（M&A）领域，AI 还能自动化识别与量化风险。生成式 AI 能够从公开渠道（如新闻稿、财报、招股说明书等）中提取信息，整理上传的文件，筛查敏感内容，分析法律文本。随着数据获取的增加和交易频率的提升，他预测：“未来会出现更多小型并购公司，职能分工也会更细化。”
他认为，AI 在金融服务中最大的机遇在于 提升金融素养。它能帮助人们更有效地参与交易，做出更明智的投资决策。越来越多的人正在参与股票市场，“他们应该拥有合适的工具，能够按照最佳实践参与其中。”
“AI能告诉你应该做什么选择，以及背后的原因。即使你不同意它的结论，你也会从中学到东西。”
然而，生成式 AI 在金融领域的挑战也不容忽视：例如访问和处理敏感金融数据的隐私风险，或大语言模型容易“幻觉”——编造不存在的事实。再加上全球技术普及不均衡，可能加剧发达与发展中经济体之间的数字鸿沟。
“我不知道我们是否会有一天把所有金融决策完全交给 AI，”Ahn 说，“但它可以让知识和最佳实践民主化，并帮助人们处理繁琐的流程与文书工作。”
数十年来，美国情报界一直将人工智能（AI）视为应对国家安全威胁的重要工具。前海军陆战队员、国家安全技术顾问 Creighton Reed（1990 届）表示，美国军方利用 AI 提高数据分析、采购等方面的效率。
“在情报领域，AI 和机器学习早已被用于帮助筛选和整理信息。”Reed 说，“我们如今使用的许多技术，如 GPS、电子邮件和互联网，最初都是由军方研发的。”
军方在 AI 研究上的历史
美国国防部（DOD）早在 1958 年 就开始研究人工智能，当时成立了国防高级研究计划局（即今日的 DARPA）。在 1990 年代，美国军方使用一种名为 DART（动态分析与重新规划工具） 的 AI 程序来解决后勤挑战，例如调配物资和人员，从而节省了数百万美元。
军方还曾资助 无人驾驶汽车和机器人的研发，并在战争中使用过 自主武器，如水雷、鱼雷和热寻导弹。
新一代 AI 应用
近年来，国防部启动的 Project Maven 项目利用机器学习和深度学习（帮助计算机识别图像和视频中的物体与文字的算法），协助情报分析员从数千小时的视频或照片中筛选目标。
“AI 并不会取代分析员的工作，”Reed 说，“它只是帮助他们处理每天收到的大量数据，节省他们的时间。”
AI 在军事中的应用与伦理争议
目前，搭载 AI 的武器——例如无人机与机器人——已经在战场上被实际部署。美国军方还在研发 无人驾驶飞机、地面车辆和潜航器，用于数据收集，甚至可能具备打击能力。
由于这些技术往往由 军方之外的产业界和学术界 AI 专家开发，这也引发了 AI 研究用途的伦理问题。
“越来越多的人认识到我们必须投资 AI，因为我们的对手——所谓的同级竞争者——正在迅速提升他们在这一领域的能力。”Reed 说，“令人担忧的是，当人类被排除在决策环节之外，如果决策完全由计算机作出，会发生什么？”
未来展望
至少在当下与可预见的未来，Reed 强调：最终决策仍由人类作出。
当 Sofiya Goncharova（2025 届） 注意到身边同学和老师们都沉浸在人工智能的热潮中时，她决定为他人揭开这项技术的神秘面纱。作为她的毕业项目，她创作了一档名为 《Co[de]pendent：与 AI 共生》 的播客。她将其描述为一个平台，“我们在这里探索生活在不再只是人类的世界中，那些关于 AI 的趣味、疑问与静悄悄的革命。”
Goncharova 对 AI 的兴趣源自她在耶鲁大学社会机器人实验室的暑期研究。她参与了一项关于人类对机器人反应的研究，由此认识到 AI 技术的操纵性。“我们想了解人们会如何根据自己认为机器人是否‘有能力’来调整反馈。”她说，“人们对机器人的感受会随着其行为表现而改变。这让我开始思考 AI 对我们的影响。”
Sofiya Goncharova’25
她举的例子是 YouTube 和 TikTok 等平台的推荐算法，这些算法会塑造用户所看到的内容。“它们通过放大能够提高互动率的内容来积极引导我们的行为，往往以微妙或情绪化的方式实现。”她说，“我在同龄人中经常看到这种影响：叙事或潮流迅速传播，而他们自己却没意识到。这深刻改变了我对 AI 的看法，并激励我制作了这个播客。”
在计算机科学教师 El Kaplan 和宗教、伦理与哲学系主任 Tom Simpson 的指导下，Goncharova 的播客涵盖了一系列与 AI 相关的热点话题。比如，她与摄影师、波士顿 Commonwealth School 的摄影教师 Derin Korman 探讨 AI 对艺术的影响。Korman 训练了一个机器学习模型来比较他的原创作品与 AI 生成的作品。
“结论是：使用 AI 时你必须清楚自己的意图，并承认它是你创作的一部分。”Goncharova 说。
在其他节目中，她讨论了 AI 对政治的影响（“欧盟在 AI 法律监管方面远远领先于美国。”她指出），并与教务主任 Jeanette Lovett 对话，探讨 AI 对教育和劳动力的影响。
“我的目标不是得出结论，”她说，“我只是想帮助人们理解这些概念。”
人工智能与医疗健康
人工智能正以越来越创新的方式被应用于医疗行业。根据世界卫生组织的数据，全球有 45 亿人缺乏基本医疗服务，预计到 2030 年将出现 1100 万医护人员短缺。AI 的出现，有望填补这一缺口。
Ayush Noori（2020 届） ——哈佛大学本科四年级学生、罗德学者，同时也是 Exeter 校友座谈会的发言人之一。他正致力于研发 AI 工具，为神经系统疾病患者提供个性化诊断。
“我很兴奋能看到 AI 如何推动科学发现，并让医疗诊断和治疗更加个性化与高效。”Noori 说，“AI 将帮助我们更好地理解疾病的病理机制，推动新型诊断和治疗方案的发展。”
这一研究在麻省总医院神经退行性疾病研究所开展。Noori 与研究团队开发了一种基于机器学习的方法（称为自然语言处理驱动的标注工具），能够快速、可靠地分析数据和临床笔记，从而判断患者是否患有痴呆症或其他认知障碍。在哈佛大学 Wyss 仿生工程研究所，Noori 与团队也在训练大型 AI 模型，用于药物再利用预测，并研发更有效的双相情感障碍治疗方法。
除了诊断与治疗的突破，AI 也被用于改善临床护理。
“81% 的医生表示自己过度劳累，这直接影响到病人护理质量。”Noori 说。AI 模型可以充当临床助手，帮助处理文书工作，或对医学文献进行深度研究。
截至今年，美国已有 183 家医疗系统与服务机构 试点或采用了 70 个生成式 AI 应用，涵盖临床决策支持、病人沟通、病历文档、保险理赔以及医疗行政管理等。
尽管 AI 正在推动医疗服务质量和效率提升，但其临床支持系统仍在发展中。
“医疗永远需要人的因素。”Noori 强调，“AI 不会取代医生，但能让他们的工作更轻松。”它可能帮助医生减轻文书和琐事负担，同时帮助病人更好地适应医疗体系——讽刺的是，这反而让医疗更具人性化。
人工智能与未来
人工智能已经到来，并正在改变我们的生活方式：从银行业务，到医疗互动，再到购物体验。（预计零售业中 AI 的应用将从 2024 年的 118.3 亿美元增长至 2033 年的 549.2 亿美元。）
和所有颠覆性社会变革一样，这项技术也引发了关于准确性、偏见、隐私与版权 等方面的问题。
“如果生成式 AI 在整体上带来改进，但同时造成了差距，比如男女之间的差距，会怎样？”作为谷歌数据产品负责人、校董之一的 Weaver 提出，“你必须为这项技术设定更高的标准。”
目前，包括 Google、Microsoft 和 OpenAI 在内的头部企业都发布了各自的 AI 使命宣言，阐述其技术目标。Weaver 曾参与 Google 内部 AI 原则的制定团队，原则基于改善用户体验，同时保障用户安全。
“围绕 AI 有太多科幻化的想象和公众担忧。”她说，“我更倾向于战术层面的 AI 安全决策，比如 AI 对齐（alignment）。模型是否在大多数时候完成了我要求的任务？我关注的是它如何与用户互动。”
她支持在企业层面与产品层面建立多层次的安全政策。这些“层”就像最终的检查，确保产品在面向用户之前达到标准。
“高质量数据的获取对 AI 模型开发至关重要。”Weaver 说，“合规且安全的数据、处理数据的正确工具，以及对数据操作的追踪，都是关键。”
Karl Cobbe（2009 届）
作为 OpenAI（ChatGPT 的研发公司）的研究科学家，Cobbe 对数据质量和模型输出的有效性同样心存担忧。
“大语言模型的一个大问题就是幻觉 ——它们会编造事实。”Cobbe 说，“我们正在努力提升模型的推理能力。”
AI 的发展还对自然资源造成压力。根据艾伦人工智能研究所的数据：一次 ChatGPT 查询的耗电量，相当于一个灯泡点亮 20 分钟。每个提问都会被传送到数据中心，而数据中心的运行需要大量能源，并带来温室气体排放。Google 等科技公司仍在积极探索解决方案。
前景与挑战
在 AI 领域工作的 Exeter 校友们既对其潜力充满期待，也对其风险保持警惕。
“我们整个社会需要直面 AI 是否会取代人类工作的重大问题。”Cobbe 说，“过去四年的进展令人震惊，而且没有人认为它会放缓。”
随着技术迅速演进，每个人都应该对 AI 有基本的了解。
Jimmy Lin（1997 届） 提醒道：“当你把 iPad 递给孩子时，你就是在把一件带有 AI 的工具交到他们手里。你必须意识到其中潜在的有害内容和偏见。从幼儿园到老人，每个人都需要知道 AI 是如何运作的，以及它会如何影响他们。”
1796 年
乔纳森·斯威夫特的讽刺小说《格列佛游记》中提到一种名为 “引擎（Engine）” 的大型装置，学者们用它来生成新的想法、句子和书籍。
1950 年
英国数学家 艾伦·图灵（Alan Turing） 发表论文，提出“机器能否思考”的问题。他设计了著名的 图灵测试（Turing Test），通过评估机器是否能在对话与行为中模拟人类来衡量其智能。（后来的 Loebner 奖 就是以图灵测试为基础的竞赛。）
Alan Turing
1956 年
达特茅斯学院数学教授 约翰·麦卡锡（John McCarthy） 在达特茅斯人工智能夏季研究项目 上首次提出 “人工智能（Artificial Intelligence）” 一词。这次会议探讨了机器如何能够模拟人类智能。
1958 年
美国心理学家 弗兰克·罗森布拉特（Frank Rosenblatt） 开发了第一个人工神经网络——感知机（Perceptron）。该程序能够以类似人脑的方式做出决策，可以区分打孔卡片上的左右标记。罗森布拉特称其为“第一台能够产生原创想法的机器”。
1960 年
斯坦福大学教授 伯纳德·威德罗（Bernard Widrow） 与学生 Marcian Hoff 开发了 Adaline（自适应线性神经元） ——单层人工神经网络。这是一种自适应的模式识别系统，成为未来神经网络与机器学习发展的基础。
1997 年
IBM 开发的 深蓝（Deep Blue） 成为第一台击败现任国际象棋世界冠军加里·卡斯帕罗夫（Garry Kasparov） 的计算机系统。其底层技术推动了超级计算机解决复杂运算、发掘数据库模式的能力。
2012 年
AlexNet ——一个拥有八层的深度学习神经网络，在图像识别方面取得突破，能够以接近人类的水平识别狗和汽车的图片。
2017 年
Google Research 开发出 Transformer ——一种神经网络架构，可以训练计算机预测一串词语中的下一个词。这一架构奠定了后续大语言模型的基础。
2019 年
OpenAI 发布 GPT-2（生成式预训练变换模型 2），展示了自然语言处理的强大能力。GPT-2 能够预测序列中的下一个元素，执行诸如文本摘要和翻译的任务。2020 年发布的 GPT-3 则能生成往往与人类写作难以区分的文本。
2021 年
OpenAI 推出 DALL·E ——一种能够根据语言提示生成图像的神经网络。
2022 年
OpenAI 推出 ChatGPT ——基于大语言模型的聊天机器人，标志着生成式 AI 的普及。它能够基于已有数据创造新的内容，包括文本、图像、视频、音频等。
2023 年
Google Labs 发布 Notebook LM，可对多达 50 个来源进行总结，包括文档、视频和书籍。
2024 年
Google Research 与哈佛大学利用 Google 的 AI 算法，首次发布了人类大脑的突触级解析图。同时，OpenAI 发布 Sora ——一款可以根据文本、图像和其他视频生成新视频的 AI 工具。
9月，AQG “Elite Club” 特邀人工智能与生命科学导师 Avi Sheshachalam博士来访广州。
创新与生物技术领导者| AI 驱动的生命科学| 科研商业化导师
加拿大阿尔伯塔大学分子生物学及免疫学博士学位
诚邀各位家长参加专题沙龙：
《人工智能与生命科学的跨学科发展趋势 —— 留学生未来学业与职业的机遇》
在本次沙龙中，Avi 博士将结合国际前沿案例，分享：
• 人工智能与生命科学如何融合发展
• 全球顶尖大学的最新研究趋势
• 对留学生未来学业选择与职业发展的启示
帮助家长了解如何为孩子规划真正具前瞻性的学业与职业路径。
添加微信抢占名额：
Debbie Kane 是《Exeter 公报》的长期撰稿人。她的作品也曾发表在 AIA NH Forum、《New Hampshire Home》与《New Hampshire Magazine》。
本文最初发表于 2025 年春季版《Exeter 公报》。