网络直播不能“野蛮生长”

本文系网易科技上海世界人工智能大会系列前方原创报道

出品｜网易科技《态度》栏目

作者｜袁宁 丁广胜

7月26日，2025世界人工智能大会暨人工智能全球治理高级别会议开幕，未来三天，全球范围内最具创新的AI力量将齐聚上海。

今天，最受关注的演讲者，是77岁的 Geoffrey Hinton——深度学习三巨头之一，图灵奖得主，同时也是2024年诺贝尔物理学奖获得者。

就在开幕前一天，一张合影在AI圈广泛传播。照片中，辛顿是唯一站着的一位。这并非刻意为之。他十几岁时因背部受伤留下顽疾，无法长期久坐。

这张照片拍摄于《AI安全国际对话上海共识》的签署现场。Hinton 与姚期智、Yoshua Bengio 等20余位全球顶级AI专家共同发布了这份共识。文件指出，人工智能的能力已接近，甚至可能超越人类，但人类尚未掌握有效控制这些系统的方法。因此，共识呼吁各国加强在AI对齐与安全方向的基础研究投入。

辛顿长期致力于神经网络、机器学习、分类监督学习、机器学习理论、细胞神经网络、信息系统应用、马尔可夫决策过程、神经网络、认知科学等方面的研究。

2023年，辛顿从谷歌辞职，并发出警告，称生成式人工智能系统的商业应用构成了多重严重威胁，他警告说，从长远来看，自主人工智能系统可能会对人类构成严重威胁。根据外媒报道，辛顿对自己的部分研究工作感到后悔。

今年2月，辛顿还对美国副总统万斯在巴黎AI行动峰会上的发言进行驳斥， 他认为万斯显示出他对AI危险性的一无所知：万斯犯了一个错误，认为如果有监管，就会扼杀AI。不，监管不会扼杀AI。

在26日的主旨演讲中，这位“深度学习之父”延续了他近年来对AI发展的核心思考。

他谈及人工智能的历史、语言模型的本质、人类与AI的共通结构，以及那个他认为最关键的问题：

我们如何活着，而不被自己造出的智能体消灭。

辛顿回顾了过去60年AI发展中两条主流路径：一是以推理为核心的“逻辑主义”，另一是以模拟人类认知为基础的“连接主义”——即通过连接、学习和理解来实现智能。他认为，语言理解更接近后者，不是符号演绎，而是从模糊中提取出概念之间的关联。

他回忆自己在1985年开发的一个早期小型模型，认为如今的大语言模型本质上是“它的后代”。尽管现在的模型拥有更深的网络结构和更庞大的参数规模，但核心机制并未改变。“语言模型的理解方式，和人类理解语言的方式是一样的。”

他用“乐高积木”和“蛋白质折叠”来比喻语言的组合与理解过程，并进一步提出：“人类也可能只是另一种语言模型。”

在谈及风险时，辛顿强调，大模型一旦具备比人类更强的智能，仅靠“关掉它”并不能解决问题。“有人觉得他们变得聪明了我们就可以把他们关掉，这是不现实的。他们会劝说操控机器的人不要关掉它们。”他说，人类的处境更像是在“养一只老虎当宠物”，“养老虎的唯一办法是，要么你把它训练得永远不攻击你，要么你把它干掉。”

他呼吁建立一个国际性的AI安全组织，专注于解决“训练AI聪明”与“训练AI向善”之间的差距。“全球主要国家应该联合研究，如何训练一个已经非常聪明的AI，让它不想统治世界、不想消灭人类。”

他说，这是“人类长期面临的最重要问题”。但他也补充到：“好消息是，这个问题上，各国可以合作。”

以下是杰弗里·辛顿2025WAIC现场演讲实录（网易科技整理发布）：

各位同事、阁下、领导、女士们、先生们，首先非常感谢大家给我这个机会，分享我对 AI 历史及未来的个人观点。

在过去60多年里，AI 发展存在两种不同的范式和路径。一种是逻辑性范式，这是过去一个世纪的主流，认为智能的本质在于推理，通过符号规则对符号表达式进行操作来实现推理，以此帮助我们更好地理解世界。另一种是以生物为基础的范式，这是图灵和冯?诺依曼所认同的，他们认为智能的基础是学习，是理解网络中的连接速度，而理解是前提，之后才能进行转化。

与这两种理论相对应的是不同的 AI 类型。符号型 AI 关注数字，而这些数字如何成为核心关注点，心理学家则有完全不同的理论 —— 他们认为数字的意义在于一系列语义学特征，这些特征的存在使其成为独特的标志。

1985年，我做了一个小型模型，尝试结合这两种理论，以此理解人们对词语的理解方式。我给每个词设置了多个不同特征，记录前一个词的特征后，就能预测下一个词是什么。在这个过程中，我没有存储任何句子，而是生成句子并预测下一个词。其中的相关性知识，取决于不同词的语义特征之间的互动方式。

如果问未来30年会发生什么，从发展轨迹能看到一些趋势。十年后，有人沿用这种建模模式，但将规模大幅扩大，使其成为自然语言的真实模拟。20年后，计算语言学家开始接受用特征向量嵌入来表达语义。又过了30年，谷歌发明了 Transformer，OpenAI 的研究人员也向人们展示了它的能力。

所以我认为，如今的大语言模型就是我当年微型语言模型的 “后代”。它们使用更多词作为输入，采用更多层的神经元结构，由于需要处理大量模糊数字，学习特征之间也建立了更复杂的交互模式。但和我做的小模型一样，大语言模型理解语言的方式与人类相似 —— 基本逻辑是将语言转化为特征，再以完美的方式整合这些特征，这正是大语言模型各层级所做的工作。因此我认为，大语言模型和人类理解语言的方式相同。

用乐高积木来打比方或许能更好地解释 “理解一句话” 的含义。符号型 AI 是将内容转化为清晰的符号，但人类并非如此理解。乐高积木能拼出任何3D 造型，比如小车模型。如果把每个词看作多维度的乐高积木（可能有几千个维度），语言就成了一种建模工具，能随时与人沟通，只要给这些 “积木” 命名 —— 每个 “积木” 就是一个词。不过，词和乐高积木有很多不同：词的符号形态可根据情况调整，而乐高积木造型固定；乐高积木的拼接是固定的（比如正方形积木插入正方形孔洞），但语言中每个词仿佛有多个 “手臂”，要通过合适的 “握手” 方式与其他词互动，词的 “造型” 变化，“握手” 方式也会改变。当一个词的 “造型”（即意思）改变，它与下一个词的 “握手” 方式就会不同，进而产生新的含义。这就是人脑或神经网络理解语义的根本逻辑，类似蛋白质通过氨基酸的不同组合形成有意义的结构。

所以我认为，人类理解语言的方式与大语言模型几乎一致，人类甚至可能和大语言模型一样产生 “幻觉”，因为我们也会创造出一些虚构的表达。

软件中的知识是永恒的，即便存储 LLM 的硬件被摧毁，只要软件存在，就能随时 “复活”。但要实现这种 “永生”，晶体管需在高功率下运行以产生可靠的二进制行为，这个过程成本很高，且无法利用硬件中不稳定的类似特性 —— 它们是模拟型的，每次计算结果都不同。人脑也是模拟型而非数字型的，神经元每次激发的过程都一样，但每个人的神经元连接方式不同，我无法将自己的神经结构转移到他人脑中，这就导致知识在人脑间的传播效率远低于在硬件中的传播。

软件与硬件无关，因此能 “永生”，还能带来低功耗优势 —— 人脑只需30瓦特就能运转。我们的神经元连接达数万亿个，无需花费大量资金制造完全相同的硬件。但问题在于，模拟模型间的知识转移效率极低，我无法直接将脑中的知识展示给他人。

Deepseek 的做法是将大神经网络的知识转移到小神经网络中，即 “蒸馏”，类似教师与学生的关系：教师将词语在上下文中的关联教给学生，学生通过调整权重学会表达。但这种方式效率很低，一句话通常只有100个比特的信息，即便全被理解，每秒最多也只能传递约100个比特。而数字智能间的知识转移效率极高，同一神经网络软件的多个拷贝在不同硬件上运行时，能通过平均化比特的方式分享知识。如果智能体在现实世界中运行，这种优势更明显 —— 它们能不断加速、拷贝，多个智能体比单个智能体学得更多，还能分享权重，这是模拟硬件或软件做不到的。

生物计算功耗低，但知识分享难。如果能源和计算成本低廉，情况会好很多，但这也让我感到担忧 —— 几乎所有专家都认为，我们会创造出比人类更智能的 AI。人类习惯了作为最智能的生物，很难想象 AI 超越人类的场景。其实可以换个角度：就像养鸡场的鸡无法理解人类一样，我们创造的 AI 智能体已能帮我们完成任务，它们能拷贝自身、评估子目标，还会为了生存和完成目标而寻求更多控制权。

有人认为可以在 AI 变得过强时关掉它们，但这并不现实。它们可能会像成年人操纵3岁孩子一样操纵人类，劝说控制机器的人不要关闭它们。这就像把老虎当宠物，幼虎很可爱，但长大后可能伤人，而养老虎当宠物通常不是好主意。

面对 AI，我们只有两个选择：要么训练它永远不伤害人类，要么 “消灭” 它。但 AI 在医疗、教育、气候变化、新材料等领域作用巨大，能提升所有行业的效率，我们无法消除它 —— 即便一个国家放弃 AI，其他国家也不会。因此，若想让人类生存，必须找到训练 AI 不伤害人类的方法。

我个人认为，各国在网络攻击、致命武器、虚假信息操纵等领域的合作难度较大，因利益和看法不同。但在 “人类掌控世界” 这一目标上，各国存在共识：若有国家找到防止 AI 操控世界的方法，一定会愿意分享。因此我提议，全球主要国家或 AI 大国应建立一个由 AI 安全机构组成的国际社群，研究如何训练高智能 AI 向善 —— 这与训练 AI 变得聪明的技术不同。各国可在自身主权范围内研究，再分享成果。尽管目前还不知道具体怎么做，但这是人类长期面临的最重要问题，且所有国家都能在此领域合作。

谢谢大家。

（实习生袁雪丽对本文亦有贡献）