Melanie Mitchell
聖塔菲研究所教授
關於
Melanie Mitchell 是聖塔菲研究所教授，研究概念抽象、類比形成與複雜系統。她 1990 年於密西根大學取得博士學位，指導教授是 Douglas Hofstadter 與 John Holland，博士研究打造了 Copycat——一個把知覺與概念視為不可分離的類比形成計算模型。她的著作包括獲 Phi Beta Kappa 科學圖書獎的《Complexity: A Guided Tour》（2009），以及《Artificial Intelligence: A Guide for Thinking Humans》（2019）。她是這個領域裡對「AI 系統究竟理解什麼」最審慎的聲音之一——與 David Krakauer 在 PNAS 上綜述這場辯論，並在 2023 年 Munk 辯論中站在「AI 構成存在性威脅」的反方。她於 2020 年獲頒 Herbert A. Simon 獎。
主要貢獻
- 與 Douglas Hofstadter 打造 Copycat——把概念與知覺視為不可分離的類比形成計算模型，比「推理」基準早了數十年
- 著有《Complexity: A Guided Tour》（2009），獲 Phi Beta Kappa 科學圖書獎
- 著有《Artificial Intelligence: A Guide for Thinking Humans》（2019），一趟關於 AI 能與不能的清醒導覽
- 與人合著〈The debate over understanding in AI's large language models〉（PNAS 2023），為這個領域最深的分歧繪製了現行的地圖
- 在 2023 年 Munk 辯論中與楊立昆同站反方，質疑末日論、卻不輕忽實際危害
影片與訪談
Melanie Mitchell: Concepts, Analogies, Common Sense & Future of AI | Lex Fridman Podcast #61
Mitchell walks through the case she has made her career on: that concepts and analogies are the core of cognition, and that systems without them will keep surprising us with their brittleness. Recorded before the LLM wave, the conversation reads differently now — the questions she raises about common sense and abstraction are the ones the field is still arguing about, with much larger models and much higher stakes.
View Details
Munk Debate on Artificial Intelligence | Bengio & Tegmark vs. Mitchell & LeCun
Four of the field's most prominent voices, two by two, on one resolution: be it resolved, AI research and development poses an existential threat. Bengio and Tegmark argue the pro; Mitchell and LeCun the con — and the hall moved toward the skeptics. What makes the debate worth watching is not the verdict but the spectacle of experts who share a technical picture and still forecast opposite futures: the clearest evidence that AI risk is not a question expertise alone can settle.
View Details論文與出版物
思想連結
Douglas Hofstadter
受其影響印第安納大學認知科學特聘教授
Mitchell 讀完《哥德爾、艾雪、巴哈》後寫信給 Hofstadter，成為他在密西根的博士生，並與他一起打造了 Copycat——她的博士論文正是這個模型的權威記述。她後來的整個學術生涯，都運行在那段師徒歲月安裝的東西之上：類比是認知的核心，而任何關於機器理解的主張，都該拿它來檢驗。當她今天綜述 LLM 之辯時，她問的正是他的實驗室在 1980 年代花了十年琢磨精確的那個問題。
en.wikipedia.org · en.wikipedia.org
約書亞·班吉歐
觀點交鋒AI 先驅與安全研究者
2023 年的 Munk 辯論——就收在本站——兩人站上對立的講台，爭論 AI 研發是否構成存在性威脅：Bengio 主張自己一生的研究已變得危險，Mitchell 則回應：末日情境偷渡了證據並不支持的關於智能的假設。她的結語很有代表性：真正的風險是已經在眼前的那些，而末日話語正把它們擠出視野。全場聽眾往她那一側移動了三個百分點。
youtube.com · en.wikipedia.org
Emily Bender
思想同道Computational Linguist
關於 LLM 理解問題，這個領域最審慎的兩位懷疑者——只是站的高度不同。Bender 是這場辯論的一極：沒有接地的形式不可能是意義，就這樣；Mitchell 則是它的製圖師，她與 David Krakauer 的 PNAS 綜述把兩造都畫進地圖，卻不插旗。讀 Bender，感受論證的力道；讀 Mitchell，看清它的形狀。
François Chollet
思想同道AI Researcher & Creator of Keras
同一個賭注的兩個世代：抽象與類比是智能的核心，缺少它們的系統將持續以富有啟示性的方式失敗。Mitchell 在 1980 年代打造 Copycat，把類比形成建模為知覺；數十年後，Chollet 打造 ARC，作為一個恰恰針對 Copycat 所追求之抽象能力的基準。兩人都不認為光靠規模就能抵達——也都花了多年時間，聽人說下一個模型就會證明他們錯了。
