今年年初的時候Geoffrey Hinton在巴黎做了個什么是理解的演講，最近也思考人類的思維和機器思維的問題，因此重新回顧Hinton說的握手機制。

1. 當我們看到一個詞，如何知道它的意思

語言是一個符號，符號是用來表達某個概念。但是對于不懂這個符號的人，概念或者意思從哪里來？

Hinton的觀點是“Meaning is having a model”

理解一個詞，首先是構(gòu)建它的“內(nèi)部模型”，詞義源于我們?nèi)绾卧谀X中、或在向量空間中，塑造它的表征。

但是如何表征呢， 語言學家J.?R.?Firth講：“A word is characterized by the company it keeps.”

基于此的分布式表達理論指出，詞的含義由它與周圍詞匯的共現(xiàn)模式?jīng)Q定。

正如當我們讀到“蘋果”時，腦海里不僅浮現(xiàn)果實的形狀、味道，還有“紅色”“果園”“維生素”等多重語義激活，它們共同構(gòu)成對“蘋果”的理解模型。

2. 生物計算建模：神經(jīng)握手中的共識

在大腦里，億萬個神經(jīng)元通過電脈沖和突觸連接，形成高維的概念網(wǎng)絡(luò)。

每個詞或概念對應(yīng)特定的神經(jīng)活動模式，當我們思考或閱讀時，這些模式在皮層與關(guān)聯(lián)區(qū)間反復“握手”——即相互激活、抑制與反饋，直至產(chǎn)生穩(wěn)定的意義感。

侯世達在《表象與本質(zhì)》中以類比方式指出：心智表征類似于多種神經(jīng)示意圖的耦合，理解就是這些圖譜通過動態(tài)耦合不斷自我校準的過程。這一握手式的交互，使得人類能夠在多模態(tài)信息（視覺、聽覺、語言）間迅速建立關(guān)聯(lián)，實現(xiàn)流暢的語義推理。

生物神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)

3. 數(shù)字計算建模：向量空間中的握手與理解革命

與生物大腦類似，現(xiàn)代神經(jīng)網(wǎng)絡(luò)也在追求通過“握手”機制來實現(xiàn)理解。詞被編碼為高維向量，通過深層神經(jīng)網(wǎng)絡(luò)進行動態(tài)變換，逐層構(gòu)建出新的語義表示。

早期語言學強調(diào)形式規(guī)則，Chomsky 的句法理論將語言理解抽象為句子結(jié)構(gòu)與推理機制，但難以解釋實際語言使用中的多樣性與模糊性。對此，Hinton 曾明確表達不滿，并于1985年提出“小語言模型”（small language models），強調(diào)統(tǒng)計分布在語言學習中的作用。

這一思路最終在 Transformer 架構(gòu)中開花結(jié)果。Transformer 的注意力機制（attention）正是典型代表：每個詞的 Query（查詢）向量，與所有詞的 Key（鍵）向量做點積“握手”，計算相似度權(quán)重，再用這些權(quán)重加權(quán)各詞的 Value（值）向量，生成新的表征。

Query–Key 握手：Query 問，Key 答；二者點積決定信息流向。

• 多頭注意力：并行多組 Query–Key–Value，實現(xiàn)多角度語義對齊。

• 位置編碼：在純向量計算中引入序列順序信息，補全生物神經(jīng)對時序的敏感。

Hinton把此比喻成“樂高”游戲，只是我們面對的不是三維的樂高，而是數(shù)千維的樂高。

這套機制讓機器在成千上萬維度中快速完成語義匹配和結(jié)構(gòu)學習——正如數(shù)千個齒輪同時轉(zhuǎn)動，卻又精準嚙合。

4. 握手之外：數(shù)字智能的優(yōu)勢與隱憂

Hinton的結(jié)論是：

人的理解機制和機器的理解機制其實一樣。

不同的是，數(shù)字系統(tǒng)可通過復制模型、并行推理、云端協(xié)作，以接近零邊際成本的方式，共享與擴散知識。數(shù)以億計的參數(shù)模型瞬時協(xié)作，其吞吐量與可擴展性遠超任何單一大腦。

• 效率：千倍于人腦的并行運算速度。

• 可復制性：訓練一次，可部署萬千副本、一致性保留。

• 共享性：模型權(quán)重可跨網(wǎng)絡(luò)即時分發(fā)，知識無縫傳遞。

這帶來了深刻影響：當機器“握手”速度與覆蓋面均超越人類，我們對認知獨特性的自信或?qū)訐u。數(shù)字理解不僅在精度上趕超，更可能在廣度、深度與成本效益上碾壓生物理解。

所以最后Hinton 在演講結(jié)尾發(fā)出警示

“If energy is cheap or abundant, digital computation is just better than biological computation, because it can share knowledge efficiently.”

“That is very scary conclusion.”

1. J.?R.?Firth, 1957, A synopsis of linguistic theory

2. Chomsky, 1957, Syntactic Structures

3. Geoffrey E. Hinton and Terrence J. Sejnowski，1985，A learning algorithm for Boltzmann Machines

4. Douglas R.?Hofstadter and Emmanuel Sander, 2013， Surfaces and Essences: Analogy as the Fuel and Fire of Thinking

5. Ashish Vaswani，2017，Attention Is All You Need

6. Geoffrey Hinton, 2025, What is understanding?